基于深度学习的天气雷达回波订正方法

本发明涉及天气雷达回波数据处理领域，尤其涉及一种基于深度学习的天气雷达回波订正方法。

背景技术：

1、天气雷达是监测和预警强对流天气的主要工具，通过发射一系列脉冲电磁波，利用气象粒子对电磁波的散射特性来对天气状况进行监测，雷达的空间分辨率高，扫描间隔短，通常比雨量计和卫星能获得更全面、更细粒度的区域观测，通常其有效探测范围可达数百公里，雷达探测能力不仅受雷达硬件参数的影响，还受雷达站周围地形和高层建筑的影响。尽管雷达具有诸多优点，但在复杂地形区域电磁波的传播会受到周围山脉和高大建筑物的遮挡就会发生波束阻塞，导致物体后面出现楔形盲区从而导致在该方位或高度上雷达回波数据部分或全部缺失，其数据丢失问题限制了其数据质量，由于地形阻塞造成雷达观测盲区，导致雷达波束功率降低，进而影响多雷达拼接和其他雷达二次产品，如依赖回波强度的定量降水估计(qpe)、强天气事件监测以及云微物理研究等方面都会产生重要影响，大大降低相关工作的准确性和可靠性。波束阻塞更可能出现在低海拔，这对降水估计最有用，因为低海拔雷达观测更接近地面。因此，这个问题直接限制了雷达在高程变化较大的地区，如山区的应用。

2、传统回波订正方法包括采用线性插值方法；在山顶安装雷达，并使用负仰角；通过使用附近无遮挡雷达共同观测来排除遮挡影响，即多雷达形成协同组网；利用波束在标准大气中的传播方程和dem数据对雷达波束遮挡填补；利用dem将雷达体扫数据分为遮挡和无遮挡部分,并利用无遮挡区域回波数据生成的vpr订正受遮挡区域的反射率因子。传统方法存在诸多不足：新建筑物和树木等不断出现，dem数据难以及时更新；山顶安装雷达受到运输、安装和维护成本高昂的限制；vpr技术不适用孤立的对流风暴等天气过程；大气传播方程的局限性(大气超折射和亚折射)。

3、深度学习方法采用不同参数的多层线性层efnet模型，将遮挡区域分割成若干部分进行填补。深度生成模型，用于解决由于波束阻塞、低能级盲区和仪器故障导致的数据丢失问题。扩展的自关注u-net(dsa-unet)模型。该模型基于时下流行的u-net构建，并采用膨胀卷积和自关注模块来提高性能。efnet模型结构相对简单，不足以提取复杂特征，预测的强回波时略低于实测值。深度生成模型图像保真度不够。dsa-unet模型的局限性包括对低值和局布尺度细节的轻微低估。

4、针对现有深度学习技术存在的不足，天气雷达信号处理领域亟需一种泛化能力更强，精度更高的天气雷达回波订正方法。

技术实现思路

1、针对现有技术之不足，本发明提出一种基于深度学习的天气雷达回波订正方法，所述回波订正方法包括制作数据集、数据预处理、模型训练和验证，构建了雷达回波缺失订正模型，所述订正模型包括：特征提取模块，特征放大模块，特征整合模块，订正方法具体包括：

2、步骤1：收集天气雷达回波数据，具体包括收集两部s波段双偏振天气雷达回波数据；

3、步骤2：以0.5°仰角斜距划分距离段，将回波划分成六个区间，不同区间分别融入不同数量的仰角层数据以提高模型订正精度；

4、步骤3：制作数据集，选取无遮挡且有大面积回波区域的雷达回波数据作为数据集，以0.5°仰角反射率因子为标签数据，提取空间距离与所述标签数据最近的特定个数的反射率因子作为输入特征值来预测标签数据，具体的：

5、建立1条至5条径向缺失插补模型，对不同径向插补模型设置对应的输入特征值个数，输入特征值包括垂直结构输入特征值和水平结构输入特征值，水平结构输入特征值和垂直结构输入特征值都是作为输入特征值用来预测标签数据；

6、步骤4：对步骤3收集的数据集中的数据样本进行预处理，剔除异常回波和极弱回波；

7、步骤5：不同数据样本经过数据清洗后得到不同距离段的数据量，其中，80％作为训练数据集，20％作为测试数据集，第一部南京天气雷达收集的数据为第一数据集，第二部泰州天气雷达收集的数据为第二数据集；第一数据集和第二数据集随机各取一半构成第三数据集；

8、步骤6：将经过预处理后的训练集输入基于卷积神经网络的回波订正模型进行训练，所述回波订正模型包括特征提取模块、特征放大模块和特征整合模块，其中：

9、特征提取模块由2层卷积层构成，将雷达回波样本数据输入特征提取模块进行天气雷达回波特征提取，依次通过2层卷积层，每次卷积后都通过prelu激活函数提高模型非线性表达能力，利用卷积核获取天气雷达回波多尺度局部特征；

10、将雷达回波的多尺度局部特征输入特征放大模块，依次通过2层池化层，对雷达回波特征进行放大，得到放大的回波局部特征；

11、最后，再将经过特征提取和特征放大后的多维雷达回波特征送入特征整合模块进行整合得到回波全局特征，具体包括：

12、先经过flatten层将多维雷达回波特征展平成一维向量形式；

13、再将一维向量形式的雷达回波特征送入全连接层，所示特征整合模块的全连接层由3层线性层构成，经过前2层线性层后对雷达回波特征用prelu激活函数提高模型表达能力，同时随机丢弃20％的雷达回波特征提高模型的泛化能力和防止过拟合，最后一层线性层将前面所学习到的所有回波特征映射为最后的输出，即预测雷达回波；

14、步骤7：对不同的径向缺失插补模型设置不同的训练轮数，当达到预设的训练轮数或损失函数值达到最小时训练结束，保存模型参数；

15、步骤8：保存最优模型，选取2个不同天气过程的个例进行模型验证，具体为区域弱回波和大范围不均匀对流性回波。

16、根据一种优选的实施方式，标签数据的输入特征值的获取方式为：

17、垂直结构输入特征值：不同径向缺失插补模型的上层输入特征值提取方式相同：距离缺失层0.5°仰角最近的1.5°仰角层和2.5°仰角层提取标签值上方周围9个特征值，其余3层仰角均提取标签值上方同方位角前后3个特征值；

18、水平结构输入特征值，以1条和3条径向缺失插补模型为例：

19、(1)1条径向缺失插补模型，以1条无遮挡径向为标签，输入特征值为标签径向左右两条邻近径向，每条邻近径向取与标签值距离库最近的3个特征值；

20、(2)3条径向缺失插补模型，以3条连续无遮挡径向作为标签：以中间径向为标签径向时，输入特征值为标签径向相邻的4条径向，左右各2条径向，每条邻近径向取与标签值距离库最近的3个特征值；以左边径向为标签时，输入特征值则从左边径向增加一条径向，右边减少一条径向；以最右边径向为标签时，与之同理。

21、本发明的有益效果在于：

22、1、引入了基于深度学习的cnn-m模型，无论从主观视图还是客观指标分析都显著提高了缺失数据的订正效果，为保证气象数据的完整性提供了新的思路和方法，并验证了模型在不同数据源间具有良好的泛化能力。

23、2、充分考虑实际情况(雷达波束展开，当季融化层高度，各仰角实际探测有效距离)，将回波划分成多个区间，分别融入不同数量的仰角层数据以提高模型订正精度。

24、3、经过适当的数据处理，解决了极弱回波和无回波对神经网络模型精度的影响，提高了缺失气象数据的订正效果，有效降低了地基天气雷达选址对地理位置的依赖性。

25、4、本发明所提出的cnn-m模型在不同天气过程中表现出更低的误差指标和更高的成功率，表明其具有强大的适应性和有效性。