CN116819490B - 基于云雷达与激光雷达的云与气溶胶分类的方法 - Google Patents
基于云雷达与激光雷达的云与气溶胶分类的方法 Download PDFInfo
- Publication number
- CN116819490B CN116819490B CN202311110379.7A CN202311110379A CN116819490B CN 116819490 B CN116819490 B CN 116819490B CN 202311110379 A CN202311110379 A CN 202311110379A CN 116819490 B CN116819490 B CN 116819490B
- Authority
- CN
- China
- Prior art keywords
- cloud
- radar
- laser radar
- data
- aerosol
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 239000000443 aerosol Substances 0.000 title claims abstract description 56
- 238000002310 reflectometry Methods 0.000 claims abstract description 50
- 230000028161 membrane depolarization Effects 0.000 claims abstract description 42
- 238000003908 quality control method Methods 0.000 claims abstract description 38
- 239000002245 particle Substances 0.000 claims abstract description 15
- 230000035485 pulse pressure Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000035515 penetration Effects 0.000 abstract description 5
- 230000035945 sensitivity Effects 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 6
- 230000008033 biological extinction Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000005427 atmospheric aerosol Substances 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000008276 ice cloud Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/95—Lidar 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
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Electromagnetism (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了基于云雷达与激光雷达的云与气溶胶分类的方法，涉及雷达气溶胶与云分类技术领域，包括如下步骤：S1、数据质控：在***中输入云雷达反射率因子、激光雷达后向散射系数以及激光雷达退偏比，对上述数据进行质量控制；S2、动态更新识别所需的门限值：在***中定义一个初始数据池，初始内容为空；将步骤S1中质量控制后的数据放入初始数据池中，随着数据池中的不断数据更新，数据池会不断产生新的门限值；S3、使用步骤S2中当前最新的门限值逐库识别，输出分类结果。本发明设计合理，该方法结合了云雷达穿云能力强、激光雷达对微小粒子敏感性强的观测优势，较好得实现了云与气溶胶的分类。
Description
技术领域
本发明涉及雷达气溶胶与云分类技术领域，更具体的是涉及基于云雷达与激光雷达的云与气溶胶分类的方法技术领域。
背景技术
雷达气溶胶与云分类是一种通过使用雷达技术来区分大气中的气溶胶和云的方法。雷达气溶胶分类主要依靠散射信号的特征。气溶胶颗粒的散射特性与其粒径、形状、折射率等相关。通过分析反射信号的强度、频率、相位等信息，可以确定气溶胶的类型和浓度。例如，对于大气中的颗粒物，如尘埃、烟雾等，它们通常具有特定的散射特征，可以通过雷达信号进行检测和分类。雷达气溶胶与云分类在气象学、环境监测和空气质量评估等领域具有重要应用。它可以提供有关大气中气溶胶和云的分布、性质和演化的信息，为天气预报、气候研究和环境保护提供支持。此外，雷达气溶胶与云分类还可以用于航空、天文观测等领域，帮助解析大气中的物质分布和运动规律。现有专利公开了如下技术：
公开号为CN114296103B，专利名称为“一种机载高光谱分辨率激光雷达消光系数反演方法”的专利公开了如下内容：方法包含获取原始数据；使用多种噪声去除方法降低信号噪声；基于去噪信号进行激光雷达后向散射系数与散射比的计算；利用散射比阈值法进行初步层次识别；通过精细筛选条件实现云、气溶胶、地表与清洁大气的初步分类；通过层次处理和地表去除，确定有效反演区域；利用常规反演方法初步反演消光系数与雷达比；在初步分类基础上，实现云和气溶胶的子类分类与处理；以初步反演的雷达比为初值，进行雷达比分类迭代，并由此计算出最终的消光系数结果。利用本发明能够提升机载高光谱分辨率激光雷达消光系数的反演精度和反演完整性，有助于云和气溶胶相互作用、大气污染防治等领域的研究。
公开号为CN112698354B，专利名称为“一种大气气溶胶与云的识别方法和***”的专利公开了如下内容：方法包括如下步骤：S1、获取激光雷达原始数据；S2、数据订正；S3、色比与衰减激光雷达后向散射系数分析获取；S4、云和气溶胶识别判断。本技术能够基于地基双波段偏振激光雷达***采集气溶胶和云类型的激光雷达原始数据，得出气溶胶和云的具体类型分类，综合得出冰云、混合相态云、水云、沙尘气溶胶、人为污染物和二者混合层六种类型，以此提高识别气溶胶和云类型的准确性。
上述专利对云与气溶胶分类是基于激光雷达单一观测设备，市面上也有部分使用云雷达单一观测设备；但是云雷达虽然穿云能力强，但对微小粒子不敏感；激光雷达虽然对微小粒子敏感性强，但穿云能力差；故现有单一观测设备对云与气溶胶分类存在精准度不高的缺陷。
发明内容
本发明的目的在于：为了解决现有单一观测设备对云与气溶胶分类存在精准度不高的技术问题，本发明提供基于云雷达与激光雷达的云与气溶胶分类的方法。
本发明为了实现上述目的具体采用以下技术方案：
本发明提供基于云雷达与激光雷达的云与气溶胶分类的方法，包括如下步骤：
S1、数据质控：在***中输入云雷达反射率因子、激光雷达后向散射系数以及激光雷达退偏比，对上述数据进行质量控制；
S2、动态更新识别所需的门限值：在***中定义一个初始数据池，初始内容为空；将步骤S1中质量控制后的数据放入初始数据池中，随着数据池中的不断数据更新，数据池会不断产生最新的门限值；
S3、使用步骤S2中当前最新的门限值逐库识别，输出分类结果。
在一个实施方式中，步骤S1中，云雷达反射率因子的质量控制的具体过程如下：
使用11011径向空洞填补法，填补回波中的空洞，减小后续分类过程中的误差；
云雷达脉压旁瓣杂波滤除法，云雷达采用顶扫模式，扫描射线为一根垂直云雷达顶部的径向射线，扫描射线扫描期间遍历到的有效反射率因子全部滤除掉。
在一个实施方式中，11011径向空洞填补法具体过程如下：云雷达采用顶扫模式，对于云雷达发射的每根射线沿径向从头开始遍历，存在有效反射率值的距离库标记为1，存在无效反射率值的距离库标记为0，若遇到11011的情况，则将其他四个反射率有效值累加起来求平均值赋值给中间原本为无效值的距离库。
具体来说，距离库是云雷达回波信号处理中沿射线方向按距离分成的小的距离单元，若遇到11011的情况，即中间无效值的位置上下相邻连续两个有效值，则将其他四个反射率有效值累加起来求平均值赋值给中间原本为无效值的距离库，这步操作可以有效填补回波中的空洞，减小后续分类过程中带来的误差。
在一个实施方式中，云雷达脉压旁瓣杂波滤除法具体过程如下：
首先要确定脉压旁瓣杂波所在高度H，通过已知云雷达距离分辨率，推算出高度H所对应的距离库Y；
云雷达采用顶扫模式，扫描射线为一根垂直云雷达顶部的径向射线，扫描射线从距离库Y开始向上遍历，直到反射率大于实际观测得出的经验值为止，扫描射线遍历到的有效反射率因子全部滤除掉。
具体而言，云雷达脉压旁瓣杂波（也称为旁瓣杂散或旁瓣干扰）是云雷达***中的一种干扰信号。旁瓣杂波通常是由于脉冲压缩滤波器的非理想特性、***噪声或其他干扰因素引起的。定义Z_limit为结合实际观测得出的经验值。
在一个实施方式中，步骤S1中，激光雷达后向散射系数的质量控制具体过程如下：
通过与地面目标的反射信号进行校准得到初步激光雷达后向散射系数；
通过将地面目标放置在激光雷达的测量范围内，比较地面目标的初步激光雷达后向散射系数与激光雷达测量的信号，并计算激光雷达后向散射系数的校准系数（使用地面特性校准法： 利用地面的反射特性进行校准。在合适的条件下，地面的反射特性可以被视为已知的。在雷达测量过程中，将地面作为参考目标，测量其散射信号，然后计算激光雷达后向散射系数的校准系数。）；
将校准系数与实际测量的激光雷达后向散射系数相乘，得到质量控制后的激光雷达后向散射系数。
具体来说，地面目标可以使用已知反射率的地面目标（如校准板）来完成。
在一个实施方式中，步骤S1中，激光雷达退偏比的质量控制具体过程如下：
校准目标选择具有已知激光雷达退偏比的标准反射体。
通过将校准目标放置在激光雷达的测量范围内，比较校准目标的已知激光雷达退偏比与激光雷达测量的信号，并计算激光雷达的激光雷达退偏比校准系数（使用标准目标校准法： 使用已知反射率或散射特性的标准目标进行校准，如反射率球、棱镜等。在不同角度和距离下测量这些标准目标的散射信号，然后与已知的物理量进行比较，计算激光雷达退偏比校准系数。）；
将激光雷达退偏比校准系数与实际测量的激光雷达退偏比相乘，得到质量控制后的激光雷达退偏比。
具体来说，激光雷达退偏比是指激光雷达接收到的水平偏振和垂直偏振信号的比值。它可以用来评估激光雷达***的垂直偏振分辨率和激光雷达的准确性。激光雷达退偏比质量控制通常涉及使用已知的激光雷达退偏比校准目标来校准雷达***。
在一个实施方式中，步骤S2中，动态更新识别所需的门限值的具体过程如下：
首先根据输入数据池中质量管控后的云雷达反射率因子，判断输入数据是否为降雨天气；
若输入数据为降雨天气，则将降雨数据剔除出去（降雨对气溶胶观测会产品很大影响，所以在统计门限值时，则将降雨数据剔除出去）；
若输入数据非降雨天气，则对输入的云雷达反射率因子、激光雷达后向散射系数以及激光雷达退偏比进行廓线的统计，对于当地气溶胶所在平均高度以下时，用三类数据上限进行统计，设定三类数据上限分别为M1、M2和M3，得三类数据出门限值为M1、M2和M3，根据识别倾向（希望方法对气溶胶识别更敏感还是对云更敏感）在M1、M2和M3基础上增加对应门限系数k1、k2和k3，输入结果即为k1*M1、k2*M2和k3*M3，更新原来的门限值，其中，k1、k2、k3∈（0, 1）；
具体来说，数据池中输入质量管控后的云雷达反射率因子、激光雷达后向散射系数以及激光雷达退偏比数据均为顶扫模式，即垂直对顶扫描，云雷达和激光雷达的扫描周期不同，通常云雷达为5秒一次，激光雷达为5分钟一次，两者每次扫描结果为一根完整的径向数据，为统一时间分辨率，该方法采用小时数据，通常为720条云雷达数据以及12条激光雷达数据。
在一个实施方式中，根据输入数据池中质量管控后的云雷达反射率因子，判断输入数据是否为降雨天气，具体过程如下：
垂直方向判断单个时刻是否为降雨天气：从第0个距离库开始往上遍历直至第n个距离库，若大于Xdbz的回波占0~n距离库中的90%以上，则认为该时刻有降雨，其中，n表示当地气溶胶所在平均高度对应的距离库数，X为在晴空数据下的回波强度的阈值；（云雷达距离库分辨率是30米，比如当地气溶胶所在平均高度为2km，那么n = 2000/30=66；这里X为统计值，统计在晴空数据下，回波强度的阈值。）。
水平方向判断小时数据是否为降雨天气：统计在小时段内在垂直方向有降雨的时刻数量，若降雨时刻数超过总时刻数的30%，即认为该小时段为降雨天气。（但我们使用是小时数据，每小时有720条云雷达数据（每条雷达数据即为一个时刻，两个相邻时刻间隔5s），所以还需在水平上进一步做判断。）。
在一个实施方式中，步骤S3中，使用步骤S2中当前最新的门限值逐库识别，输出分类结果的具体步骤如下：对于输入的数据，使用数据池最新产出的门限值逐库识别，进行分类（逐库识别，每根径向每个距离库逐一分类），基于取小原则，假设输入云雷达反射率因子<k1 * M1，且激光雷达后向散射系数<k2 * M2，且激光雷达退偏比<k3 * M3则认为该距离库位置为气溶胶粒子，否则为云粒子。
本发明的有益效果如下：
本文提出一种基于多设备，联合观测实现云与气溶胶分类的方法。该方法结合了云雷达穿云能力强（但对微小粒子不敏感），激光雷达对微小粒子敏感性强（但穿云能力差）两者各自的观测优势，较好得实现了云与气溶胶的分类。
附图说明
图1本发明基于云雷达与激光雷达的云与气溶胶分类的方法的方法流程图。
图2是云雷达反射率统计图。
图3是激光雷达后向散射系数统计图。
图4是激光雷达退偏比统计图。
图5是测试数据原始反射率图。
图6是测试数据输出结果图。
图7是云雷达质控前反射率图。
图8是云雷达质控后反射率图。
图9是测试数据原始反射率图。
图10是测试数据输出结果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明实施方式的描述中，需要说明的是，术语“内”、“外”、“上”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例1
如图1至图8所示，本实施例提供基于云雷达与激光雷达的云与气溶胶分类的方法，包括如下步骤：
S1、数据质控：在***中输入云雷达反射率因子、激光雷达后向散射系数以及激光雷达退偏比，对上述数据进行质量控制（激光雷达对粒子的敏感性要强于云雷达，其中气溶胶粒子的观测信息大多由激光雷达提供，因此对激光雷达数据的质量控制很重要，这直接决定了后面门限值计算的准确性。）
S11、云雷达反射率因子的质量控制的具体过程如下：
使用11011径向空洞填补法，填补回波中的空洞，减小后续分类过程中的误差；11011径向空洞填补法具体过程如下：云雷达采用顶扫模式，对于云雷达发射的每根射线沿径向从头开始遍历，存在有效反射率值的距离库标记为1，存在无效反射率值的距离库标记为0，若遇到11011的情况，则将其他四个反射率有效值累加起来求平均值赋值给中间原本为无效值的距离库。
具体来说，距离库是云雷达回波信号处理中沿射线方向按距离分成的小的距离单元，若遇到11011的情况，即中间无效值的位置上下相邻连续两个有效值，则将其他四个反射率有效值累加起来求平均值赋值给中间原本为无效值的距离库，这步操作可以有效填补回波中的空洞，减小后续分类过程中带来的误差。
云雷达脉压旁瓣杂波滤除法，云雷达采用顶扫模式，扫描射线为一根垂直云雷达顶部的径向射线，扫描射线扫描期间遍历到的有效反射率因子全部滤除掉。云雷达脉压旁瓣杂波滤除法具体过程如下：
首先要确定脉压旁瓣杂波所在高度H，通过已知云雷达距离分辨率，推算出高度H所对应的距离库Y；
云雷达采用顶扫模式，扫描射线为一根垂直云雷达顶部的径向射线，扫描射线从距离库Y开始向上遍历，直到反射率大于实际观测得出的经验值为止，扫描射线遍历到的有效反射率因子全部滤除掉。
具体而言，云雷达脉压旁瓣杂波（也称为旁瓣杂散或旁瓣干扰）是云雷达***中的一种干扰信号。旁瓣杂波通常是由于脉冲压缩滤波器的非理想特性、***噪声或其他干扰因素引起的。定义Z_limit为结合实际观测得出的经验值。
图2云雷达反射率统计图。
S12、激光雷达后向散射系数的质量控制具体过程如下：
通过与地面目标的反射信号进行校准得到初步激光雷达后向散射系数；
通过将地面目标放置在激光雷达的测量范围内，比较地面目标的初步激光雷达后向散射系数与激光雷达测量的信号，并计算激光雷达后向散射系数的校准系数；
将校准系数与实际测量的激光雷达后向散射系数相乘，得到质量控制后的激光雷达后向散射系数。
具体来说，地面目标可以使用已知反射率的地面目标（如校准板）来完成。图3是激光雷达后向散射系数统计图。
S13、激光雷达退偏比的质量控制具体过程如下：
校准目标选择具有已知激光雷达退偏比的标准反射体；
通过将校准目标放置在激光雷达的测量范围内，比较校准目标的已知激光雷达退偏比与激光雷达测量的信号，并计算激光雷达的激光雷达退偏比校准系数；
将激光雷达退偏比校准系数与实际测量的激光雷达退偏比相乘，得到质量控制后的激光雷达退偏比。
具体来说，激光雷达退偏比是指激光雷达接收到的水平偏振和垂直偏振信号的比值。它可以用来评估激光雷达***的垂直偏振分辨率和激光雷达的准确性。激光雷达退偏比质量控制通常涉及使用已知的激光雷达退偏比校准目标来校准雷达***。图4是激光雷达退偏比统计图。
S2、动态更新识别所需的门限值：在***中定义一个初始数据池，初始内容为空；将步骤S1中质量控制后的数据放入初始数据池中，随着数据池中的不断数据更新，数据池会不断产生最新的门限值；动态更新识别所需的门限值的具体过程如下：
首先根据输入数据池中质量管控后的云雷达反射率因子，判断输入数据是否为降雨天气；
若输入数据为降雨天气，则将降雨数据剔除出去（降雨对气溶胶观测会产品很大影响，所以在统计门限值时，则将降雨数据剔除出去）；
若输入数据非降雨天气，则对输入的云雷达反射率因子、激光雷达后向散射系数以及激光雷达退偏比进行廓线的统计，对于当地气溶胶所在平均高度以下时，用三类数据上限进行统计，设定三类数据上限分别为M1、M2和M3，得三类数据出门限值为M1、M2和M3，根据识别倾向（希望方法对气溶胶识别更敏感还是对云更敏感）在M1、M2和M3基础上增加对应门限系数k1、k2和k3，输入结果即为k1*M1、k2*M2和k3*M3，更新原来的门限值，其中，k1、k2、k3∈（0, 1）；
具体来说，数据池中输入质量管控后的云雷达反射率因子、激光雷达后向散射系数以及激光雷达退偏比数据均为顶扫模式，即垂直对顶扫描，云雷达和激光雷达的扫描周期不同，通常云雷达为5秒一次，激光雷达为5分钟一次，两者每次扫描结果为一根完整的径向数据，为统一时间分辨率，该方法采用小时数据，通常为720条云雷达数据以及12条激光雷达数据。
通过输入的云雷达反射率因子，判断输入数据是否为降雨天气，具体过程如下：
垂直方向判断单个时刻是否为降雨天气：从第0个距离库开始往上遍历直至第n个距离库，若大于Xdbz的回波占0~n距离库中的90%以上，则认为该时刻有降雨，其中，n表示当地气溶胶所在平均高度对应的距离库数，X为在晴空数据下的回波强度的阈值；（云雷达距离库分辨率是30米，比如当地气溶胶所在平均高度为2km，那么n = 2000/30=66；这里X为统计值，统计在晴空数据下，回波强度的阈值。）。
水平方向判断小时数据是否为降雨天气：统计在小时段内在垂直方向有降雨的时刻数量，若降雨时刻数超过总时刻数的30%，即认为该小时段为降雨天气。（但我们使用是小时数据，每小时有720条云雷达数据（每条雷达数据即为一个时刻，两个相邻时刻间隔5s），所以还需在水平上进一步做判断。）。
图5是测试数据原始反射率图，图7云雷达质控前反射率图，图8是云雷达质控后反射率图。
S3、使用步骤S2中当前最新的门限值逐库识别，输出分类结果。具体步骤如下：对于输入的数据，使用数据池最新产出的门限值逐库识别，进行分类（逐库识别，每根径向每个距离库逐一分类），基于取小原则，假设输入云雷达反射率因子<k1 * M1，且激光雷达后向散射系数<k2 * M2，且激光雷达退偏比<k3 * M3则认为该距离库位置为气溶胶粒子，否则为云粒子。图6为测试数据分类后的输出结果图。
Claims (8)
1.基于云雷达与激光雷达的云与气溶胶分类的方法，其特征在于，包括如下步骤：
S1、数据质控：在***中输入云雷达反射率因子、激光雷达后向散射系数以及激光雷达退偏比，对上述数据进行质量控制；
S2、动态更新识别所需的门限值：在***中定义一个初始数据池，初始内容为空；将步骤S1中质量控制后的数据放入初始数据池中，随着数据池中的不断数据更新，数据池会不断产生新的门限值；动态更新识别所需的门限值的具体过程如下：
首先根据输入数据池中质量管控后的云雷达反射率因子，判断输入数据是否为降雨天气；
若输入数据为降雨天气，则将降雨数据剔除出去；
若输入数据非降雨天气，则对输入的云雷达反射率因子、激光雷达后向散射系数以及激光雷达退偏比进行廓线的统计，对于当地气溶胶所在平均高度以下时，用三类数据上限进行统计，设定三类数据上限分别为M1、M2和M3，得三类数据出门限值为M1、M2和M3，根据识别倾向在M1、M2和M3基础上增加对应门限系数k1、k2和k3，输入结果即为k1*M1、k2*M2和k3*M3，更新原来的门限值，其中，k1、k2、k3∈（0, 1）；
S3、使用步骤S2中当前最新的门限值逐库识别，输出分类结果。
2.根据权利要求1所述的基于云雷达与激光雷达的云与气溶胶分类的方法，其特征在于，步骤S1中，云雷达反射率因子的质量控制的具体过程如下：
使用11011径向空洞填补法，填补回波中的空洞，减小后续分类过程中的误差；
云雷达脉压旁瓣杂波滤除法，云雷达采用顶扫模式，扫描射线为一根垂直云雷达顶部的径向射线，扫描射线扫描期间遍历到的有效反射率因子全部滤除掉。
3.根据权利要求2所述的基于云雷达与激光雷达的云与气溶胶分类的方法，其特征在于，11011径向空洞填补法具体过程如下：云雷达采用顶扫模式，对于云雷达发射的每根射线沿径向从头开始遍历，存在有效反射率值的距离库标记为1，存在无效反射率值的距离库标记为0，若遇到11011的情况，则将其他四个反射率有效值累加起来求平均值赋值给中间原本为无效值的距离库。
4.根据权利要求2所述的基于云雷达与激光雷达的云与气溶胶分类的方法，其特征在于，云雷达脉压旁瓣杂波滤除法具体过程如下：
首先要确定脉压旁瓣杂波所在高度H，通过已知云雷达距离分辨率，推算出高度H所对应的距离库Y；
云雷达采用顶扫模式，扫描射线为一根垂直云雷达顶部的径向射线，扫描射线从距离库Y开始向上遍历，直到反射率大于实际观测得出的经验值为止，扫描射线遍历到的有效反射率因子全部滤除掉。
5.根据权利要求1所述的基于云雷达与激光雷达的云与气溶胶分类的方法，其特征在于，步骤S1中，激光雷达后向散射系数的质量控制具体过程如下：
通过与地面目标的反射信号进行校准得到初步激光雷达后向散射系数；
通过将地面目标放置在激光雷达的测量范围内，比较地面目标的初步激光雷达后向散射系数与激光雷达测量的信号，并计算激光雷达后向散射系数的校准系数；
将校准系数与实际测量的激光雷达后向散射系数相乘，得到质量控制后的激光雷达后向散射系数。
6.根据权利要求1所述的基于云雷达与激光雷达的云与气溶胶分类的方法，其特征在于，步骤S1中，激光雷达退偏比的质量控制具体过程如下：
校准目标选择具有已知激光雷达退偏比的标准反射体；
通过将校准目标放置在激光雷达的测量范围内，比较校准目标的已知激光雷达退偏比与激光雷达测量的信号，并计算激光雷达的激光雷达退偏比校准系数；
将激光雷达退偏比校准系数与实际测量的激光雷达退偏比相乘，得到质量控制后的激光雷达退偏比。
7.根据权利要求1所述的基于云雷达与激光雷达的云与气溶胶分类的方法，其特征在于，根据输入数据池中质量管控后的云雷达反射率因子，判断输入数据是否为降雨天气，具体过程如下：
垂直方向判断单个时刻是否为降雨天气：从第0个距离库开始往上遍历直至第n个距离库，若大于Xdbz的回波占0~n距离库中的90%以上，则认为该时刻有降雨，其中，n表示当地气溶胶所在平均高度对应的距离库数，X为在晴空数据下的回波强度的阈值；
水平方向判断小时数据是否为降雨天气：统计在小时段内在垂直方向有降雨的时刻数量，若降雨时刻数超过总时刻数的30%，即认为该小时段为降雨天气。
8.根据权利要求7所述的基于云雷达与激光雷达的云与气溶胶分类的方法，其特征在于，步骤S3中，使用步骤S2中当前最新的门限值逐库识别，输出分类结果的具体步骤如下：对于输入的数据，使用数据池最新产出的门限值逐库识别，进行分类，基于取小原则，假设输入云雷达反射率因子 < k1 * M1，且激光雷达后向散射系数 < k2 * M2，且激光雷达退偏比 < k3 * M3则认为该距离库位置为气溶胶粒子，否则为云粒子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311110379.7A CN116819490B (zh) | 2023-08-31 | 2023-08-31 | 基于云雷达与激光雷达的云与气溶胶分类的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311110379.7A CN116819490B (zh) | 2023-08-31 | 2023-08-31 | 基于云雷达与激光雷达的云与气溶胶分类的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116819490A CN116819490A (zh) | 2023-09-29 |
| CN116819490B true CN116819490B (zh) | 2023-11-17 |
Family
ID=88118902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311110379.7A Active CN116819490B (zh) | 2023-08-31 | 2023-08-31 | 基于云雷达与激光雷达的云与气溶胶分类的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116819490B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015005020A1 (ja) * | 2013-07-11 | 2015-01-15 | 古野電気株式会社 | 気象情報処理装置、気象レーダシステムおよび気象情報処理方法 |
| GB201503014D0 (en) * | 2014-08-15 | 2015-04-08 | Satavia Ltd Uk | Meteorological hazard identification apparatus, moving craft and methods |
| CN106054194A (zh) * | 2016-05-10 | 2016-10-26 | 南京信息工程大学 | 一种星载雷达和地基雷达反射率因子数据三维融合方法 |
| CN106569289A (zh) * | 2016-10-18 | 2017-04-19 | 北京无线电测量研究所 | 一种识别过冷水的方法及装置 |
| CN110501760A (zh) * | 2019-07-29 | 2019-11-26 | 中国气象局广州热带海洋气象研究所（广东省气象科学研究所） | 一种基于气象雷达的冰雹识别及临近预报方法 |
| CN112698354A (zh) * | 2020-12-04 | 2021-04-23 | 兰州大学 | 一种大气气溶胶与云的识别方法和*** |
| CN113420489A (zh) * | 2021-05-25 | 2021-09-21 | 南京信息工程大学 | 一种双偏振雷达降水优化反演方法 |
| WO2021258246A1 (zh) * | 2020-06-22 | 2021-12-30 | 华为技术有限公司 | 一种雷达***、可移动设备与雷达探测方法 |
| CN114002681A (zh) * | 2021-11-04 | 2022-02-01 | 成都信息工程大学 | 利用毫米波云雷达进行过冷水探测的方法、装置及应用 |
| CN115113233A (zh) * | 2022-06-30 | 2022-09-27 | 南京信息工程大学 | 基于双向重构后向散射信号的激光雷达云层检测方法 |
| CN115526272A (zh) * | 2022-10-26 | 2022-12-27 | 成都锦江电子***工程有限公司 | 基于多源资料融合的低云低能见度天气识别及反演方法 |
| CN115616520A (zh) * | 2022-12-20 | 2023-01-17 | 成都远望探测技术有限公司 | 一种基于激光和毫米波云雷达的卷云冰晶形状识别方法 |
| CN115657013A (zh) * | 2022-12-27 | 2023-01-31 | 成都远望探测技术有限公司 | 基于激光雷达和云雷达的冰云内冰晶粒子数浓度估算方法 |
| CN115933008A (zh) * | 2022-11-22 | 2023-04-07 | 广东电网有限责任公司广州供电局 | 一种强对流天气预报预警方法 |
| CN115932762A (zh) * | 2022-12-02 | 2023-04-07 | 中国气象局沈阳大气环境研究所 | 一种气象数值预测雷达基数据质量控制方法 |
| CN116449331A (zh) * | 2023-06-20 | 2023-07-18 | 成都远望科技有限责任公司 | 一种基于w波段雷达和气象卫星的沙尘粒子数浓度估算方法 |
| CN116482644A (zh) * | 2023-06-25 | 2023-07-25 | 成都远望科技有限责任公司 | 一种海雾识别方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7640122B2 (en) * | 2007-11-07 | 2009-12-29 | Institut National D'optique | Digital signal processing in optical systems used for ranging applications |
| US11927965B2 (en) * | 2016-02-29 | 2024-03-12 | AI Incorporated | Obstacle recognition method for autonomous robots |
| US10962680B2 (en) * | 2017-11-03 | 2021-03-30 | Climacell Inc. | Real-time weather forecasting for transportation systems |
-
2023
- 2023-08-31 CN CN202311110379.7A patent/CN116819490B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015005020A1 (ja) * | 2013-07-11 | 2015-01-15 | 古野電気株式会社 | 気象情報処理装置、気象レーダシステムおよび気象情報処理方法 |
| GB201503014D0 (en) * | 2014-08-15 | 2015-04-08 | Satavia Ltd Uk | Meteorological hazard identification apparatus, moving craft and methods |
| CN106054194A (zh) * | 2016-05-10 | 2016-10-26 | 南京信息工程大学 | 一种星载雷达和地基雷达反射率因子数据三维融合方法 |
| CN106569289A (zh) * | 2016-10-18 | 2017-04-19 | 北京无线电测量研究所 | 一种识别过冷水的方法及装置 |
| CN110501760A (zh) * | 2019-07-29 | 2019-11-26 | 中国气象局广州热带海洋气象研究所（广东省气象科学研究所） | 一种基于气象雷达的冰雹识别及临近预报方法 |
| WO2021258246A1 (zh) * | 2020-06-22 | 2021-12-30 | 华为技术有限公司 | 一种雷达***、可移动设备与雷达探测方法 |
| CN112698354A (zh) * | 2020-12-04 | 2021-04-23 | 兰州大学 | 一种大气气溶胶与云的识别方法和*** |
| CN113420489A (zh) * | 2021-05-25 | 2021-09-21 | 南京信息工程大学 | 一种双偏振雷达降水优化反演方法 |
| CN114002681A (zh) * | 2021-11-04 | 2022-02-01 | 成都信息工程大学 | 利用毫米波云雷达进行过冷水探测的方法、装置及应用 |
| CN115113233A (zh) * | 2022-06-30 | 2022-09-27 | 南京信息工程大学 | 基于双向重构后向散射信号的激光雷达云层检测方法 |
| CN115526272A (zh) * | 2022-10-26 | 2022-12-27 | 成都锦江电子***工程有限公司 | 基于多源资料融合的低云低能见度天气识别及反演方法 |
| CN115933008A (zh) * | 2022-11-22 | 2023-04-07 | 广东电网有限责任公司广州供电局 | 一种强对流天气预报预警方法 |
| CN115932762A (zh) * | 2022-12-02 | 2023-04-07 | 中国气象局沈阳大气环境研究所 | 一种气象数值预测雷达基数据质量控制方法 |
| CN115616520A (zh) * | 2022-12-20 | 2023-01-17 | 成都远望探测技术有限公司 | 一种基于激光和毫米波云雷达的卷云冰晶形状识别方法 |
| CN115657013A (zh) * | 2022-12-27 | 2023-01-31 | 成都远望探测技术有限公司 | 基于激光雷达和云雷达的冰云内冰晶粒子数浓度估算方法 |
| CN116449331A (zh) * | 2023-06-20 | 2023-07-18 | 成都远望科技有限责任公司 | 一种基于w波段雷达和气象卫星的沙尘粒子数浓度估算方法 |
| CN116482644A (zh) * | 2023-06-25 | 2023-07-25 | 成都远望科技有限责任公司 | 一种海雾识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| Ka波段毫米波云雷达数据质量控制方法;郑佳锋;刘黎平;曾正茂;谢晓林;武静雅;冯凯;;红外与毫米波学报(第06期);全文 * |
| Properties of aerosol and cloud from Raman-mie lidar and Radar soundings;Wang, ZZ等;《24TH INTERNATIONAL SYMPOSIUM ON ATMOSPHERIC AND OCEAN OPTICS: ATMOSPHERIC PHYSICS 》;1-7 * |
| 基于微脉冲激光雷达与微波辐射计的过冷水云识别算法;马明, 初奕琦, 刘可邦;《气象水文海洋仪器》;第40卷(第2期);86-90 * |
| 联合星载毫米波雷达和激光雷达资料的云相态识别技术;严卫;任建奇;陆文;吴限;;红外与毫米波学报(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116819490A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA2503581C (en) | Weather and airborne clutter suppression using a cluster shape classifier | |
| Wolfensberger et al. | Detection and characterization of the melting layer based on polarimetric radar scans | |
| CN114509734B (zh) | 一种基于雨滴谱的双偏振天气雷达数据质量实时评估方法 | |
| Richardson et al. | Bragg scatter detection by the WSR-88D. Part I: Algorithm development | |
| CN112986964B (zh) | 基于噪声邻域密度的光子计数激光点云自适应去噪方法 | |
| CN113933845B (zh) | 一种基于双线偏振雷达的地面降雹识别和预警方法 | |
| Richardson et al. | Bragg scatter detection by the WSR-88D. Part II: Assessment of ZDR bias estimation | |
| Li et al. | A quality control method of ground-based weather radar data based on statistics | |
| Yin et al. | Object-orientated filter design in spectral domain for polarimetric weather radar | |
| CN116449331A (zh) | 一种基于w波段雷达和气象卫星的沙尘粒子数浓度估算方法 | |
| CN116819490B (zh) | 基于云雷达与激光雷达的云与气溶胶分类的方法 | |
| CN114019503A (zh) | 基于fod检测***的机场跑道异物检测方法、设备、存储介质 | |
| Davison et al. | A revised conceptual model of the tropical marine boundary layer. Part II: Detecting relative humidity layers using Bragg scattering from S-band radar | |
| CN109521406A (zh) | 一种差分反射率zdr标定方法及装置 | |
| CN116879899A (zh) | 一种基于空中降水粒子谱反演的方法 | |
| CN114296103B (zh) | 一种机载高光谱分辨率激光雷达消光系数反演方法 | |
| CN112649335B (zh) | 大气颗粒物监测激光雷达沙尘消光系数贡献率自动分析法 | |
| CN116047524A (zh) | 一种双偏振天气雷达数据质量实时评估方法及*** | |
| CN115541461A (zh) | 一种颗粒物污染溯源方法 | |
| Sanchez-Rivas et al. | Detection of the melting level with polarimetric weather radar | |
| CN112213703A (zh) | 一种利用毫米波云雷达反演云参数的方法及装置 | |
| CN113534090A (zh) | 一种云中液态水含量的反演方法及装置 | |
| CN113504528B (zh) | 一种基于多尺度假设检验的大气层次检测方法 | |
| CN115128548B (zh) | 一种sar射频干扰检测方法 | |
| CN116049726B (zh) | 夏季青藏高原降水类型分类方法、装置、设备和存储介质 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Yang Gang Inventor after: Ding Hongxin Inventor after: Wang Wenming Inventor after: Liu Shichao Inventor after: Xie Chunxu Inventor after: Guo Qiang Inventor before: Yang Gang Inventor before: Ding Hongxin Inventor before: Wang Wenming Inventor before: Liu Shichao Inventor before: Xie Chunxu Inventor before: Guo Qiang |