一种温湿度激光雷达监测数据优化处理及逆温层识别方法与流程

本发明涉及逆温层识别，具体涉及一种温湿度激光雷达监测数据优化处理及逆温层识别方法。

背景技术：

1、在气象环境监测领域，越来越重视对高空气象的观测，通过获取垂直方向上的监测数据能够为研究高空气象特征提供重要依据。逆温现象是指在某些特定条件下，导致大气的温度梯度与正常情况相反，正常情况下，离地面越近，温度应该越高，但逆温现象却使得离地面越近的大气层温度越低，而高空大气层温度更高，这种逆温现象对于天气、气候和空气质量等方面都有重要影响。

2、在国内逆温层区域监测识别领域，有探空气球和地基激光雷达等设备。探空气球是一种常用于大气气象研究的工具，用于测量大气中的温度、湿度和其他气象参数，通过获取大气垂直方向上的监测数据来识别和研究逆温层。近些年，随着地基激光雷达的快速发展而产生的温湿度激光雷达设备被应用于气象环境监测领域，取得了良好的效果。温湿度激光雷达具有更高的数据精度、可实时监测和可控的测量距离等特点，在逆温层识别中的表现尤其突出，其通过测量垂直方向上大气中的温度和湿度等参数，绘制出整体监测图谱进行逆温层区域的直观展示，进而确定逆温层高空温度、持续时间和高度范围等信息。

3、目前，在逆温层识别方面的技术和产品中存在智能化程度不高的问题，而且这些产品需要借助大量的人工操作来进行整体监测图谱的分析和逆温层的判断，在耗费大量人力物力成本的同时，识别效果却不甚理想，预警实时性也受到了限制。此外，利用传统信号分析的数学处理方法进行逆温层信息的计算，仅在非常理想的具有典型特征的监测数据情况下才能取得较好的效果。然而，在实际应用中，受制于现场使用环境、外在气象因素和设备局限等因素，整体监测图谱呈现出较大的差异性和不规则性，采用常规的数学处理方法难以准确分析数据和捕捉图谱的变化趋势。

技术实现思路

1、(一)解决的技术问题

2、针对现有技术所存在的上述缺点，本发明提供了一种温湿度激光雷达监测数据优化处理及逆温层识别方法，能够有效克服现有技术所存在的不能准确识别逆温层的缺陷。

3、(二)技术方案

4、为实现以上目的，本发明通过以下技术方案予以实现：

5、一种温湿度激光雷达监测数据优化处理方法，包括以下步骤：

6、s21、对温湿度监测数据进行网格化处理得到网格数据，并对网格数据进行降噪处理，以减少噪声的影响，提高数据的准确性和可靠性；

7、s22、对降噪后的温湿度监测数据进行滤波处理，通过滤波处理来平滑数据，进一步提高数据的准确性和可靠性；

8、s23、采用对比度选择算法对滤波后的温湿度监测数据进行增强对比度处理，进一步提高数据的可读性和可视化效果；

9、s24、基于增强对比度后的温湿度监测数据，绘制出颜色对比度高的雷达监测图谱。

10、优选地，s21中对温湿度监测数据进行网格化处理得到网格数据，并对网格数据进行降噪处理，包括：

11、s211、采用插值法将温湿度监测数据中的温度数据绘制成网格数据；

12、s212、根据温度数据特点和温湿度激光雷达所在地点进行分析，确定温度最小值tmin和温度最大值tmax；

13、s213、选取某一温度数据上下左右各n个相邻温度数据，分别计算相邻温度数据的一维导数，并将一维导数与第一确定值进行比较，若存在一维导数大于第一确定值，则将该温度数据作为潜在噪点值，采用下式计算相邻温度数据的一维导数：

14、

15、其中，si’表示相邻温度数据i的一维导数，dyi表示相邻温度数据i的数据值，dyi-1表示相邻温度数据i-1的数据值，dδt表示时间差值，为固定值，第一确定值为

16、s214、选取潜在噪点值上下左右各n个相邻温度数据，分别计算相邻温度数据的二维导数，并将二维导数与第二确定值进行比较，若小于n/2个相邻温度数据的二维导数大于第二确定值，则判断该潜在噪点值为噪点值，采用下式计算相邻温度数据的二维导数：

17、

18、其中，ai’表示相邻温度数据i的二维导数，dsi表示相邻温度数据i的一维导数，dsi-1表示相邻温度数据i-1的一维导数，dδt表示时间差值，为固定值，第二确定值为

19、s215、选取相邻温度数据中最小的温度数据替换噪点值的温度数据。

20、优选地，s22中对降噪后的温湿度监测数据进行滤波处理，包括：

21、s221、以某一温度数据为中心点选取n*n的网格，相邻网格之间距离为1，网格中的所有网格点用温度数据填充；

22、s222、分别计算中心点温度数据t与网格中其余相邻温度数据之间的距离值，再将距离值取倒数平方之后求和，计算公式如下：

23、

24、其中，s表示中心点温度数据t与网格中其余相邻温度数据之间的距离值取倒数之后平方的和，dij表示中心点温度数据t与网格中第i行第j列的相邻温度数据之间的距离值，i,j＝1,2,...,n，且i、j不能同时为

25、s223、将中心点温度数据t与网格中其余相邻温度数据之间的距离值取倒数后与s值相除，再与相邻温度数据相乘之后求和，计算公式如下：

26、

27、其中，t’为滤波后的中心点温度数据，tij表示网格中第i行第j列的相邻温度数据的数据值，i,j＝1,2,...,n，且i、j不能同时为

28、s224、将中心点温度数据t替换为滤波后的中心点温度数据t’。

29、优选地，s23中采用对比度选择算法对滤波后的温湿度监测数据进行增强对比度处理，包括：

30、s231、将温湿度监测数据中的所有温度数据组成温度数据集合，结合雷达设备采集温度数据的具体情况和实际经验，结合等值对比度算法确定5％位置色标值和95％位置色标值；

31、s232、从温度数据集合中随机选取一个分界值，将小于该分界值的温度数据集中至温度数据集合的左边，将不小于该分界值的温度数据集中至温度数据集合的右边：

32、当左边的温度数据为总数据量的5％时，此时的分界值即为5％位置色标值；

33、当左边的温度数据小于总数据量的5％时，假设为2％，此时需要采用等值对比度算法从右边的温度数据中计算出3％位置色标值，即得到5％位置色标值；

34、当左边的温度数据大于总数据量的5％时，此时需要采用等值对比度算法从左边的温度数据中计算出5％位置色标值；

35、s233、重复s232，确定95％位置色标值；

36、s234、基于5％位置色标值和95％位置色标值，每间隔4℃取一个色标值，来确定色标范围。

37、一种逆温层识别方法，其特征在于：包括以下步骤：

38、s1、获取温湿度激光雷达的温湿度监测数据，并绘制出整体监测图谱；

39、s2、对温湿度监测数据进行预处理和特征提取，并绘制出颜色对比度高的雷达监测图谱；

40、s3、构建温湿度激光雷达逆温层的训练图像集和验证图像集；

41、s4、构建逆温层识别模型，并利用训练图像集、验证图像集分别对逆温层识别模型进行训练、验证；

42、s5、部署逆温层识别模型，并对逆温层识别模型识别到的逆温层进行空间信息的计算和展示。

43、优选地，s1中获取温湿度激光雷达的温湿度监测数据，并绘制出整体监测图谱，包括：

44、s11、温湿度激光雷达进行垂直方向监测，并将接收到的光信号转换为电信号，通过电信号获取预设高度层内的温湿度监测数据；

45、s12、采用温湿度激光雷达监测反演算法对温湿度监测数据进行反演处理，获取反演结果数据，包括温度数据、相对湿度数据和温湿压数据；

46、s13、基于反演结果数据，按照颜色与色标对应关系，绘制出整体监测图谱。

47、优选地，s2中对温湿度监测数据进行预处理和特征提取，并绘制出颜色对比度高的雷达监测图谱，包括：

48、s21、对温湿度监测数据进行网格化处理得到网格数据，并对网格数据进行降噪处理，以减少噪声的影响，提高数据的准确性和可靠性；

49、s22、对降噪后的温湿度监测数据进行滤波处理，通过滤波处理来平滑数据，进一步提高数据的准确性和可靠性；

50、s23、采用对比度选择算法对滤波后的温湿度监测数据进行增强对比度处理，进一步提高数据的可读性和可视化效果；

51、s24、基于增强对比度后的温湿度监测数据，绘制出颜色对比度高的雷达监测图谱。

52、优选地，s3中构建温湿度激光雷达逆温层的训练图像集和验证图像集，包括：

53、s31、收集各种雷达设备日常使用环境下的正常雷达监测图谱、异常雷达监测图谱和缺陷雷达监测图谱；

54、s32、对收集的雷达监测图谱进行关于全包含逆温区域、逆温层区域和半包含逆温区域的分类标记，得到温湿度激光雷达逆温层的训练图像集；

55、s33、收集各种雷达设备日常使用环境下的正常雷达监测图谱作为温湿度激光雷达逆温层的验证图像集。

56、优选地，s4中构建逆温层识别模型，并利用训练图像集、验证图像集分别对逆温层识别模型进行训练、验证，包括：

57、s41、根据u-net模型的结构，构建一个包含编码器和解码器的深度神经网络模型，得到逆温层识别模型；

58、s42、在训练前对逆温层识别模型进行优化器和损失函数的配置；

59、s43、将温湿度激光雷达逆温层的训练图像集输入逆温层识别模型进行训练，在训练过程中，逆温层识别模型会根据损失函数的反馈信号调整权重和偏置，逐渐优化模型的性能；

60、s44、将温湿度激光雷达逆温层的验证图像集输入逆温层识别模型，得到像素级别的逆温层识别结果，根据输出的逆温层识别结果评估模型的性能和准确度；

61、s41中根据u-net模型的结构，构建一个包含编码器和解码器的深度神经网络模型，得到逆温层识别模型，包括：

62、s411、定义编码器部分，编码器由一系列卷积层和池化层组成，卷积层用于提取图像的特征图，使用paddle.nn.conv2d定义，池化层用于减小特征图的尺寸，使用paddle.nn.maxpool2d定义；

63、s412、定义解码器部分，解码器由一系列反卷积层和上采样层组成，反卷积层和上采样层用于将特征图的尺寸恢复至原始图像大小，使用paddle.nn.conv2d定义反卷积层，使用paddle.nn.upsample定义上采样层；

64、s413、将编码器中的特征与解码器中的特征进行跳跃连接，将低级别的特征与高级别的特征相结合，提高模型对细节信息的捕捉能力；

65、s414、设置输出层的通道数与分类标签的类别数相匹配；

66、s42中在训练前对逆温层识别模型进行优化器和损失函数的配置，包括：

67、s421、选择随机梯度下降作为训练的优化器，基于学习率衰减策略动态调整学习率，以提高模型的收敛速度和稳定性，通过设置动量参数加速模型的收敛速度，帮助模型跳出局部最小值，通过调整权重衰减控制模型的复杂度，并在训练过程中通过观察模型的训练曲线和性能选择最合适的参数组合；

68、s422、选择交叉熵损失函数作为训练的损失函数，将温湿度激光雷达逆温层的训练图像集输入逆温层识别模型，得到像素级别的逆温层预测结果，将与输入图像对应的像素级别的真实标签转换为独热编码形式；

69、其中，交叉熵损失函数通过将逆温层预测结果和真实标签的对数概率相乘并求和，计算逆温层预测结果与真实标签之间的差异；独热编码是一种将类别表示为二进制向量的方法，只有一个元素为1，其余元素为0；

70、s423、利用深度学习框架提供的编译函数，对逆温层识别模型、优化器和损失函数进行编译，编译模型时，需要指定优化器和损失函数，并选择性地指定评估指标，包括准确率、精确率、召回率。

71、优选地，s5中部署逆温层识别模型，并对逆温层识别模型识别到的逆温层进行空间信息的计算和展示，包括：

72、s51、对温湿度监测数据进行深入计算和分析，确定最优的绘图参数，包括图谱颜色、温度梯度数值和标记大小，以在业务化系统中生成高质量、清晰、易读的图谱文件；

73、s52、对逆温层识别模型识别到的逆温层进行简单分析，保留置信度大于预设置信度阈值的逆温层识别结果；

74、s53、基于不规则的逆温层区域结合监测中心点的高度信息，计算出不规则的逆温层区域的高空温度、持续时间和高度范围，并进行逆温层区域的轮廓标绘；

75、s54、利用空间信息技术，清晰标绘逆温层区域的轮廓和展示逆温层区域的详细信息，包括高空温度、持续时间和高度范围，同时结合可视化功能，直观展示逆温层区域的空间分布和变化趋势。

76、(三)有益效果

77、与现有技术相比，本发明所提供的一种温湿度激光雷达监测数据优化处理及逆温层识别方法，具有以下有益效果：

78、1)温湿度激光雷达在采集数据时，由于垂直方向上的监测高度不同，气象条件和温度变化也存在一定差异，在温湿度监测数据中，可能会出现一定范围的数据波动和数据偏差，本发明所使用的降噪、滤波处理和对比度选择算法能够对温湿度监测数据进行有效的优化处理，这些预处理技术能够减少噪声影响，提高数据的平滑度、准确性和可靠性，从而能够绘制出颜色对比度高的雷达监测图谱，有助于后续准确识别出逆温层；

79、2)在某些极端气象条件下，受到云层、风速、风向等因素的影响，以及温湿度激光雷达自身参数设置的差异，导致逆温层区域在绘制出的整体监测图谱中呈现出不同的形状轮廓，本发明采用的深度学习方法能够实时准确地自动识别各种逆温层的形状类型，帮助用户根据不同的逆温层类型和现场实际情况采取适当措施进行及时有效的处理；

80、3)准确识别出逆温层后，可以计算逆温层区域的高空温度、持续时间和高度范围等信息，同时通过将逆温层区域的轮廓与空间坐标系进行匹配，能够将这些信息在雷达监测图谱中进行直观展示。