CN113219465B - 基于极化衰减信息的水成物识别及微波频率自动优选方法 - Google Patents

基于极化衰减信息的水成物识别及微波频率自动优选方法 Download PDF

Info

Publication number
CN113219465B
CN113219465B CN202110495408.0A CN202110495408A CN113219465B CN 113219465 B CN113219465 B CN 113219465B CN 202110495408 A CN202110495408 A CN 202110495408A CN 113219465 B CN113219465 B CN 113219465B
Authority
CN
China
Prior art keywords
link
aquatic product
attenuation
microwave
polarization mode
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110495408.0A
Other languages
English (en)
Other versions
CN113219465A (zh
Inventor
刘西川
蒲康
胡帅
李书磊
高太长
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202110495408.0A priority Critical patent/CN113219465B/zh
Publication of CN113219465A publication Critical patent/CN113219465A/zh
Application granted granted Critical
Publication of CN113219465B publication Critical patent/CN113219465B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Electromagnetism (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开基于极化衰减信息的水成物识别及微波频率自动优选方法，包括：S1、根据通信基站的发射电平和接收电平提取双极化降水所致衰减值；S2、将衰减值进行组合得到多种频率的组合特征量；S3、对各时刻水成物进行类型标注建立训练集、测试集；S4、基于机器学习分类算法建立若干个水成物分类模型并进行训练；S5、利用测试集建立模型性能查找表；S6、基于设备成本建立硬件成本查找表；S7、基于成本预算完成微波频率自动优选；S8、基于优选后的微波频率获取待测区域组合特征量并输入训练好的水成物分类模型，得到待测区域的水成物类型。本发明能在成本预算限制条件下提供微波频率自动优选方案，完成水成物识别。

Description

基于极化衰减信息的水成物识别及微波频率自动优选方法
技术领域
本发明涉及微波通信链路中微波频率选择技术领域，特别是涉及一种基于极化衰减信息的水成物识别及微波频率自动优选方法。
背景技术
云和降水是对流层中最活跃的天气现象，对云和降水的精确监测对生产生活、交通运输、航空飞行、军事活动等都具有重要意义。然而，由于云和降水现象本身的复杂性，其微观粒子，即水成物信息(如雨、霰、冰雹等)的准确遥感测量仍然存在巨大障碍。其中一方面原因是不同类型水成物的电磁特性存在巨大差异，一般的降水遥感算法只能保证对某一类降水测量的准确性。因此，对水成物粒子类型的预先确定就显得尤为重要。此外，水成物类型的识别对自然灾害预警、数值模式参数化方案、微波通信传输、光电武器效能评估等也都具有重要意义。
利用双偏振雷达获取的双偏振参量数据，通过神经网络或模糊逻辑等算法可以识别水成物类型，但是存在时空分辨率低、空间精细化程度低等问题；利用实测水成物图像可以准确判断水成物的形状和类型，但只能代表单点降水，无法代表大范围降水情况。近年来，随着通信技术发展，出现了一种基于商用通信微波链路的降水信息监测方法。该方法利用链路衰减信息反演路径平均降水强度，具有成本低、采样对象近地面、时空分辨率高等优点。由于不同类型水成物的衰减特性存在差异，因此可以利用微波链路衰减信息可以反演更多的降水信息。现有方法中，利用微波链路衰减及偏振信息进行层状云降雨、对流云降雨等降雨类型识别，利用双频双偏振微波链路联合进行雨滴谱反演，进而识别宏观降水类型，但无法获取水成物的精细化信息。利用BP神经网络或者半监督域适应可以进行微波链路识别雨、雪、冰雹等水成物类型，但依赖特定的训练集和经验模型，而且未利用到极化信息，水成物识别的类型较少。
总结而言，现有方法存在以下几个问题：一是未考虑微波频率的适用性问题，并不是所有的微波频率都可以用于识别水成物类型，二是未充分利用微波的极化信息，极化信息可以反映水成物的形态特征，三是只考虑了近地面雨、雪、冰雹等，除此以外还有霰、湿雪、干雪、雪粒等多种水成物信息，目前尚未研究。因此，欲高效费比地搭设双极化微波链路以识别水成物类型需要对微波频率进行优选。
发明内容
本发明的目的是提供一种基于极化衰减信息的水成物识别及微波频率自动优选方法，用于微波链路监测水成物类型以及通信设备选择方案中,以解决现有技术中存在的技术问题，能够在成本预算限制条件下提供微波频率自动优选方案，完成水成物识别，可广泛应用于微波链路水成物类型监测等气象信息遥感领域。
为实现上述目的，本发明提供了如下方案：本发明提供一种基于极化衰减信息的水成物识别及微波频率自动优选方法，包括如下步骤：
S1、根据通信基站的发射电平和接收电平提取双极化降水所致衰减值；
S2、将步骤S1得到的双极化降水所致衰减值进行组合，得到多种频率的组合特征量，并对所述组合特征量进行归一化处理；
S3、获取各链路水成物类型，并对各时刻所述水成物进行类型标注，并根据各链路归一化处理后的组合特征量及水成物类型标注结果的历史数据建立样本集；所述样本集分为训练集、测试集；
S4、基于机器学习分类算法分别建立若干个单频和/或多频水成物分类模型，通过所述训练集对各所述水成物分类模型进行训练，得到训练好的水成物分类模型；
S5、利用测试集对各水成物分类模型进行性能测试，并基于性能测试结果建立模型性能查找表；
S6、基于不同频点双极化通信设备成本，建立硬件成本查找表；
S7、基于成本预算，通过模型性能查找表、硬件成本查找表完成微波频率自动优选；
S8、基于自动优选得到的微波频率获取待测区域通信基站的发射电平和接收电平提取双极化降水所致衰减值，并通过步骤S2获取归一化处理后的组合特征量，将归一化处理后的组合特征量输入训练好的水成物分类模型，得到待测区域的水成物类型。
优选地，所述步骤S1具体包括：
S1.1、选择n条同时发射水平极化和垂直极化微波信号的通信链路，并获取各链路在水平极化和垂直极化方式下的发射电平和接收电平；
S1.2、基于各链路在不同极化方式下的发射电平和接收电平，计算各链路微波信号总衰减；
S1.3、基于各链路微波信号总衰减和路径长度，获取各链路单位路径长度的降水所致衰减值。
优选地，所述步骤S1.1中，水平极化和垂直极化方式下的发射电平和接收电平数据包括但不限于采用同一微波发射机。
优选地，所述步骤S1.2中，各链路微波信号总衰减的计算如下式所示：
Figure BDA0003054071600000041
式中，Aall,h,i、Aall,v,i分别为水平极化方式、垂直极化方式下第i条链路微波信号总衰减；TSLh,i、RSLh,i分别为水平极化方式下第i条链路的发射电平和接收电平；TSLv,i、RSLv,i别为垂直极化方式下第i条链路的发射电平和接收电平。
优选地，所述步骤S1.3中，各链路单位路径长度的降水所致衰减值的计算方法如下式所示：
Figure BDA0003054071600000042
式中，Ah,i、Av,i分别为水平极化方式、垂直极化方式下第i条链路单位路径长度的降水所致衰减值；Aall,h,i、Aall,v,i分别为水平极化方式、垂直极化方式下第i条链路微波信号总衰减；Aref,h,i、Aref,v,i分别为水平极化方式、垂直极化方式下第i条链路的基线衰减；Li为第i条链路的长度。
优选地，所述步骤S3中，所述水成物类型包括但不限于雨、霰、湿雪。
优选地，所述步骤S3中，各链路水成物类型通过各链路上所部署的降水微物理特征测量仪器观测结果进行获取；所述样本集为[Xj',Yj]，其中，Xj'为归一化处理后的组合特征量，组合特征量Xj＝Combine{[Ah,i,Av,i]}，Yj为所标注的类型标签。
优选地，所述步骤S4中，所述机器学习分类算法包括但不限于迁移学习。
本发明公开了以下技术效果：
本发明根据通信基站的发射电平和接收电平，提取双极化降水所致衰减信息；对双极化降水所致衰减值进行组合，得到多种频率组合特征量；结合降水微物理特征测量仪器观测的水成物类型，建立样本集；基于机器学***信号提取出降水所致衰减特征量的基础上，充分利用不同水成物消光特性的极化差异，实现了对水成物类型的有效识别；通过测试集对分类模型进行训练，评估多种组合模型性能；结合模型性能查找表、硬件成本查找表，实现微波频率自动优选。在应用过程中，只需根据微波频率自动优选方法选择合适频率组合的通信设备，即可建立最优效费比的水成物类型识别***，从而能够在成本预算限制条件下提供微波频率自动优选方案，完成水成物识别，可广泛应用于微波链路水成物类型监测等气象信息遥感领域。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于极化衰减信息的微波频率自动优选方法流程图；
图2是本发明的基于自动优选得到的微波频率进行水成物类型识别的工作流程图；
图3(a)-3(c)分别是本发明实例中的单频、双频和三频模型性能查找表；
图4是本发明实例中的8种频率通信设备硬件成本查找表。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1-4所示，本实施例提供一种基于极化衰减信息的水成物识别及微波频率自动优选方法，包括如下步骤：
S1、根据通信基站的发射电平和接收电平提取双极化降水所致衰减值；具体包括：
S1.1、选择n条同时发射水平极化和垂直极化微波信号的通信链路，其运行频率分别为f1,f2,…,fn(GHz)，记录水平极化方式下的发射电平分别为TSLh,1,TSLh,2,…,TSLh,n(dB)，垂直极化方式下的发射电平分别为TSLv,1,TSLv,2,…,TSLv,n(dB)，水平极化方式下的接收电平分别为RSLh,1,RSLh,2,…,RSLh,n(dB)，垂直极化方式下的接收电平分别为RSLv,1,RSLv,2,…,RSLv,n(dB)。其中，双极化发射电平和接收电平数据包括但不限于采用同一微波发射机。
S1.2、计算各链路微波信号总衰减(dB)，如下式所示：
Figure BDA0003054071600000071
式中，Aall,h,i、Aall,v,i分别为水平极化方式、垂直极化方式下第i条链路微波信号总衰减。
S1.3、获取各链路单位路径长度的降水所致衰减值(dB/km)，如下式所示：
Figure BDA0003054071600000072
式中，Ah,i、Av,i分别为水平极化方式、垂直极化方式下第i条链路单位路径长度的降水所致衰减值；Aref,h,i、Aref,v,i分别为水平极化方式、垂直极化方式下第i条链路的基线衰减，单位：dB；Li为第i条链路的长度，单位：km。
S2、将步骤S1得到的双极化降水所致衰减值进行组合，得到多种频率的组合特征量，并对所述组合特征量进行归一化处理；
其中，多种频率的组合特征向量Xj＝Combine{[Ah,i,Av,i]}，归一化处理后的组合特征量记为Xj'。
S3、获取各链路水成物类型，并对各时刻所述水成物进行类型标注，根据各链路归一化处理后的组合特征量及水成物类型标注结果的历史数据建立样本集；所述样本集分为训练集、测试集；
其中，各链路水成物类型通过各链路上所部署的降水微物理特征测量仪器观测结果进行获取，所标注的类型标签记为Yj，所述样本集为[Xj',Yj]。水成物类型包括但不限于雨、霰、湿雪。
S4、基于机器学习分类算法分别建立若干个单频和/或多频水成物分类模型，通过所述训练集对各所述水成物分类模型进行训练，得到训练好的水成物分类模型；所述机器学习分类算法包括但不限于迁移学习。
以迁移学习中的零样本学习为例，采用权重选择和矩阵分解的方法阐述水成物分类模型的基本流程：
(1)根据训练集中各种频率组合下的归一化组合特征量Xj'与水成物类型Yj的关系，逐个确定归一化组合特征量的权重系数：
Figure BDA0003054071600000091
其中，wmn为第m个水成物类型的第n个特征量的权重系数，Xmn为第m个水成物类型的第n个特征量，p为特征量的维度，Ns为已知水成物类型的数量，Nu为未知水成物类型的数量。
(2)采用矩阵分解的方法，将原始的水成物归一化特征量组合的矩阵分解为视觉特征和语义特征对应的元矩阵UX、UA，以及因子矩阵VX，VA；
(3)采用最近邻的方法，将因子矩阵VX、VA中因子向量最相近的样本归类为同一水成物类型；
(4)在实际分类过程中，建立目标函数，
Figure BDA0003054071600000092
其中，Xs为输入的已知类型的视觉特征矩阵，As为输入的已知类型的语义特征矩阵，Q为可逆矩阵，w为权重系数，λ为调节视觉特征和语义属性特征矩阵相似性约束的参数。
(5)采用交替迭代更新法对目标函数中的变量进行循环优化，在达到预设的阈值后，得到最优的水成物分类结果。
所述水成物分类模型包括单频模型、双频模型、…、n频模型。
S5、利用测试集对各水成物分类模型进行性能测试，并基于性能测试结果建立模型性能查找表；
S6、基于不同频点双极化通信设备成本，建立硬件成本查找表；
S7、基于成本预算，通过模型性能查找表、硬件成本查找表完成微波频率自动优选；
S8、基于自动优选得到的微波频率获取待测区域通信基站的发射电平和接收电平提取双极化降水所致衰减值，并通过步骤S2获取归一化处理后的组合特征量，将归一化处理后的组合特征量输入训练好的水成物分类模型，得到待测区域的水成物类型。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (5)

1.基于极化衰减信息的水成物识别及微波频率自动优选方法，其特征在于，包括如下步骤：
S1、根据通信基站的发射电平和接收电平提取双极化降水所致衰减值；
S2、将步骤S1得到的双极化降水所致衰减值进行组合，得到多种频率的组合特征量，并对所述组合特征量进行归一化处理；
S3、获取各链路水成物类型，并对各时刻所述水成物进行类型标注，并根据各链路归一化处理后的组合特征量及水成物类型标注结果的历史数据建立样本集；所述样本集分为训练集、测试集；
S4、基于机器学习分类算法分别建立若干个单频和/或多频水成物分类模型，通过所述训练集对各所述水成物分类模型进行训练，得到训练好的水成物分类模型；
S5、利用测试集对各水成物分类模型进行性能测试，并基于性能测试结果建立模型性能查找表；
S6、基于不同频点双极化通信设备成本，建立硬件成本查找表；
S7、基于成本预算，通过模型性能查找表、硬件成本查找表完成微波频率自动优选；
S8、基于自动优选得到的微波频率获取待测区域通信基站的发射电平和接收电平提取双极化降水所致衰减值，并通过步骤S2获取归一化处理后的组合特征量，将归一化处理后的组合特征量输入训练好的水成物分类模型，得到待测区域的水成物类型；
步骤S1具体包括：
S1.1、选择n条同时发射水平极化和垂直极化微波信号的通信链路，并获取各链路在水平极化和垂直极化方式下的发射电平和接收电平；
S1.2、基于各链路在不同极化方式下的发射电平和接收电平，计算各链路微波信号总衰减；
S1.3、基于各链路微波信号总衰减和路径长度，获取各链路单位路径长度的降水所致衰减值；
步骤S1.2中，各链路微波信号总衰减的计算如下式所示：
Figure FDA0003550813710000021
式中，Aall,h,i、Aall,v,i分别为水平极化方式、垂直极化方式下第i条链路微波信号总衰减；TSLh,i、RSLh,i分别为水平极化方式下第i条链路的发射电平和接收电平；TSLv,i、RSLv,i分别为垂直极化方式下第i条链路的发射电平和接收电平；
步骤S1.3中，各链路单位路径长度的降水所致衰减值的计算方法如下式所示：
Figure FDA0003550813710000022
式中，Ah,i、Av,i分别为水平极化方式、垂直极化方式下第i条链路单位路径长度的降水所致衰减值；Aall,h,i、Aall,v,i分别为水平极化方式、垂直极化方式下第i条链路微波信号总衰减；Aref,h,i、Aref,v,i分别为水平极化方式、垂直极化方式下第i条链路的基线衰减；Li为第i条链路的长度。
2.根据权利要求1所述的基于极化衰减信息的水成物识别及微波频率自动优选方法，其特征在于，步骤S1.1中，水平极化和垂直极化方式下的发射电平和接收电平数据包括但不限于采用同一微波发射机。
3.根据权利要求1所述的基于极化衰减信息的水成物识别及微波频率自动优选方法，其特征在于，步骤S3中，所述水成物类型包括但不限于雨、霰、湿雪。
4.根据权利要求1所述的基于极化衰减信息的水成物识别及微波频率自动优选方法，其特征在于，步骤S3中，各链路水成物类型通过各链路上所部署的降水微物理特征测量仪器观测结果进行获取；所述样本集为[Xj',Yj]，其中，Xj'为归一化处理后的组合特征量，组合特征量Xj＝Combine{[Ah,i,Av,i]}，Yj为所标注的类型标签。
5.根据权利要求1所述的基于极化衰减信息的水成物识别及微波频率自动优选方法，其特征在于，步骤S4中，所述机器学习分类算法包括但不限于迁移学习。
CN202110495408.0A 2021-05-07 2021-05-07 基于极化衰减信息的水成物识别及微波频率自动优选方法 Active CN113219465B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110495408.0A CN113219465B (zh) 2021-05-07 2021-05-07 基于极化衰减信息的水成物识别及微波频率自动优选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110495408.0A CN113219465B (zh) 2021-05-07 2021-05-07 基于极化衰减信息的水成物识别及微波频率自动优选方法

Publications (2)

Publication Number Publication Date
CN113219465A CN113219465A (zh) 2021-08-06
CN113219465B true CN113219465B (zh) 2022-04-29

Family

ID=77091463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110495408.0A Active CN113219465B (zh) 2021-05-07 2021-05-07 基于极化衰减信息的水成物识别及微波频率自动优选方法

Country Status (1)

Country Link
CN (1) CN113219465B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106548613A (zh) * 2016-11-02 2017-03-29 中国人民解放军理工大学 用于降水测量的区域微波链路组网信号采集装置及方法
US11204443B2 (en) * 2017-08-14 2021-12-21 Ramot At Tel-Aviv University Ltd. Relating rain intensity and dynamic range in commercial microwave links
CN107843884B (zh) * 2017-09-13 2021-09-14 成都信息工程大学 基于双偏振雷达观测提高雷暴天气预警预报准确度的方法
CN109581546B (zh) * 2018-10-30 2020-10-16 中国人民解放军国防科技大学 基于微波链路衰减及偏振信息的降雨类型识别方法
CN110543893A (zh) * 2019-08-07 2019-12-06 河海大学 基于bp神经网络的微波衰减降水粒子类型的识别方法
CN111474606B (zh) * 2020-03-30 2022-04-05 中国人民解放军国防科技大学 基于双频双极化微波链路的降雨与水汽综合测量装置及方法
CN111366931B (zh) * 2020-05-19 2023-06-30 范思睿 一种基于云雷达的云降水精细化反演方法

Also Published As

Publication number Publication date
CN113219465A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN109581546B (zh) 基于微波链路衰减及偏振信息的降雨类型识别方法
Bukovčić et al. Polarimetric radar relations for quantification of snow based on disdrometer data
Testud et al. The concept of “normalized” distribution to describe raindrop spectra: A tool for cloud physics and cloud remote sensing
Marzano et al. Investigating precipitation microphysics using ground-based microwave remote sensors and disdrometer data
CN113177360B (zh) 一种基于聚类雨衰关系的雨强自适应估计***及方法
CN110543893A (zh) 基于bp神经网络的微波衰减降水粒子类型的识别方法
CN112906310A (zh) 考虑萤火虫算法优化bp神经网络微波遥感土壤水分反演方法
Carr et al. The influence of surface and precipitation characteristics on TRMM Microwave Imager rainfall retrieval uncertainty
CN111274911B (zh) 基于无线微波衰减特征迁移学习的浓雾监测方法
Adewumi et al. Characterization and modeling of vegetation effects on UHF propagation through a long forested channel
CN115443889A (zh) 作物精准灌溉方法及装置
Riera et al. Preprocessing and assessment of rain drop size distributions measured with a K-band Doppler radar and an optical disdrometer
CN113219465B (zh) 基于极化衰减信息的水成物识别及微波频率自动优选方法
CN110516552B (zh) 一种基于时序曲线的多极化雷达图像分类方法及***
Kuster et al. Using ZDR columns in forecaster conceptual models and warning decision-making
KR101538368B1 (ko) 엑스밴드 이중편파 레이더 원시자료를 이용한 강수체 구분 방법
CN110082500A (zh) 一种基于干湿边快速确定的农作物干旱遥感监测方法
CN115902812B (zh) 一种短时暴雨天气背景自动判别方法、***、设备及终端
Di Michele et al. Physically based statistical integration of TRMM microwave measurements for precipitation profiling
CN111860562B (zh) 一种基于微波链路多统计量的自适应干湿区分方法
CN114384487A (zh) 一种基于XGBoost的气象雷达地物回波识别方法
Pejcic et al. Polarimetric radar-based methods for evaluation of hydrometeor mixtures in numerical weather prediction models
Zohidov et al. Retrieval of rainfall fields in urban areas using attenuation measurements from mobile phone networks: A modeling feasibility study
Owers et al. Remote sensing can locate and assess the changing abundance of hollow-bearing trees for wildlife in Australian native forests
CN117907248B (zh) 一种冬小麦关键生育期根系土壤含水量遥感监测方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant