基于雷达回波的在线深度学习台风中心定位系统技术方案

本发明专利技术公开了基于雷达回波的在线深度学习台风中心定位系统，通过雷达回波收集到的速度数据和反射率数据，根据数据的仰角与高度信息构建出一个矩阵，将矩阵的极坐标投影到直角坐标系中，对直角坐标系中的数据进行预处理，使得数据的真实性增加，将预测台风走向的误差降低到最低，通过真实矩阵数据构建出预测矩阵，可以预测出台风的走向，并且将预测出的台风数据输入到卷积神经网络进行深度学习，可以让防灾、减灾工作得到更加便利的解决方法。减灾工作得到更加便利的解决方法。减灾工作得到更加便利的解决方法。

【技术实现步骤摘要】
基于雷达回波的在线深度学习台风中心定位系统


[0001]本专利技术属于计算机领域中的图像目标检测技术，具体涉及一种基于雷达回波的在线深度学习台风中心定位系统。

技术介绍

[0002]现有的台风中心定位方法主要基于卫星云图或微波散射计来实现。基于卫星云图的台风中心定位方法通过遥感卫星获取卫星云图，并利用台风边缘轮廓特征或者图像灰度阈值来识别定位；基于微波散射计的台风中心定位方法通过获取海面风场数据，并基于风场中获得风速、风向特征进行台风定位。
[0003]基于卫星云图的方法拥有时空分辨率高、覆盖范围广的优点，但因为通过云移动推导出的风是云顶风，不是海面风，因此该方法定位只能近似的获得海面风，定位容易产生误差。
[0004]基于微波散射计的方法可同时获得全球海面风向和风速，但受限于轨道因素，微波散射计每天只能获取两轨数据，在时间分辨率上不能满足准确、及时预报台风轨迹的需求。
[0005]此外，上述两个方法都主要关注台风在海上形成并移动的过程，对台风登陆后的移动轨迹的预测的精度较低。而防灾、减灾工作主要依赖于对台风登陆以及登陆后的移动的准确预测。

技术实现思路

[0006]本专利技术的目的在于提出基于雷达回波的在线深度学习台风中心定位系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
[0007]为了实现上述目的，根据本专利技术的一方面，提供基于雷达回波的在线深度学习台风中心定位系统，所述方法包括以下步骤：
[0008]S100，通过雷达回波收集速度数据和反射率数据进行准备；
[0009]S200，将以极坐标的形式表示的速度数据和反射率数据投影在直角坐标系中；
[0010]S300，对直角坐标系上的数据进行数据预处理；
[0011]S400，将经过数据预处理后的数据输入到卷积神经网络模型中进行深度学习。
[0012]进一步地，在步骤S100中，将通过同一时间下雷达回波获取的台风各点的速度数据v和反射率数据f，并且对不同的仰角a，和高度信息h，对速度数据v根据不同的仰角层投影到直角坐标系上，以及对反射率数据f根据不同高度层投影到直角坐标系上，构建数组包括：速度仰角层、和反射率高度层，将速度仰角层和反射率高度层从上至下堆叠。
[0013]进一步地，在步骤S200中，将以极坐标的形式表示的速度数据v和反射率数据f投影在直角坐标系中，在直角坐标系内叠加一雷达回波数据资料构建的网格，每个网格点的值由周围雷达距离库的值确定，其中雷达回波数据资料包括：各个网格点在笛卡尔坐标系下的经度、纬度和高度，将矩阵中的极坐标点用邻居算法给相近的网格点进行赋值，并让网
格点获得分析值analysis，通过分析值analysis的方向一个距离库的距离构建新的网格点，命名为预测点，将所有通过网格点分析值analysis构建的预测点构建矩阵，命名为预测矩阵，并将预测矩阵的速度数据vt和反射率数据ft构建仰角速度层和高度反射率层进行投影，得到PPI和CAPPI，其中PPI为平面位置显示器，指的是雷达在某个仰角上扫描一圈得到的数组，CAPPI为等高平面位置显示器，指的是在某一相等高度上的雷达数组。
[0014]进一步地，在步骤S300中，数据预处理包括：将上述获取的数组进行数据清洗以及归一化处理。删除数据集中的无关数据，重复数据，平滑噪声数据，并且筛选掉与预测无关的数据，处理缺失值，异常值。
[0015]进一步地，在所述的平滑噪声数据的方法包括以下步骤：
[0016]S201，通过对雷达回波中的速度数据v和反射率数据f进行统计，并对监测台风通过面积平均划分，对各个台风分区的速度数据v求取平均值vp，并对各个台风分区的平均值vp进行对比，最小平均值的台风分区命名为最小速度风区；
[0017]S202，在最小速度风区中，取风区中心点的速度数据v，并带公式Vj＝v arcsin(a)，得出径向速度Vj，其中a为该速度数据的仰角，将径向速度Vj速度方向翻转180
°
，得到
‑
Vj，以Vj和
‑
Vj为初始参考速度，将其他台风分区速度与参考速度进行比较，其中令n初始值为1，Vmax为雷达最大不模糊速度；
[0018]S203，得出Vi与参考速度Vj的差值小于设定的阈值，参考速度Vj取当前库周围的3个距离库经过计算的径向速度的速度平均值Vp。然后把初始参考速度Vj及其左右2根径向作为相反方向的径向解模糊的参考径向，其左右两根的径向速度都为速度平均值Vp，从初始参考径向左右相邻的2根径向的方向扩散开始进行多次顺时针和逆时针180
°
方位的逐根径向解模糊，对于每根径向，先切向、后径向进行处理。最后通过仰角a和反射率f对径向速度进行径向和方位方向的强风切变检查，如果还有强风切变存在，那么通过搜索弱风切变区中有效速度距离库最多的径向再次确定一组解模糊的参考速度Vj，重复前面的解模糊过程。在多次解模糊过程中，判断速度是否模糊的标准由紧到松，切变阈值由小到大自动调整，以确保用于后面解模糊处理的参考速度的可靠性。
[0019]进一步地，将所述的多个时间点的预测矩阵，在经过误差分析后，将预测矩阵输入到卷积神经网络模型中，并对模型进行深度学习，在运行系统进行台风中心定位过程中，每当获取到新的台风数据，系统将进行增量学习，基于预训练的基础模型，获取到新的台风数据后，进行基础模型的读取，并将新的台风数据添加到读取的基础模型中进行增量学习训练，后续若再次获取到新的台风数据，则通过读取增强模型，再次将新的数据添加到模型中进行训练，在系统运行的过程中，进行不断地在线学习，增强模型的普适性。
[0020]本专利技术的有益效果为：本专利技术采用时间间隔更小的雷达回波数据进行定位，克服了前述的现有技术中对时间分辨率较大，无法及时预测台风登陆后的移动轨迹的缺陷，并且加入误差分析，将预测台风走向的误差降低到最低。此外，该算法加入了在线学习技术，可将最新雷达回波收集的数据输入模型中学习，可以及时根据最新数据进行模型的更新。
附图说明
[0021]通过对结合附图所示出的实施方式进行详细说明，本专利技术的上述以及其他特征将更加明显，本专利技术附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中
的附图仅仅是本专利技术的一些实施例，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，在附图中：
[0022]图1所示为基于雷达回波的在线深度学习台风中心定位系统流程图；
[0023]图2所示为基于雷达回波的在线深度学习台风中心定位解速度模糊流程图。
具体实施方式
[0024]以下将结合实施例和附图对本专利技术的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本专利技术的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0025]如图1和图2所示为基于雷达回本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于雷达回波的在线深度学习台风中心定位系统，其特征在于，包括以下步骤：S100，通过雷达回波收集速度数据和反射率数据进行准备；S200，将以极坐标的形式表示的速度数据和反射率数据投影在直角坐标系中；S300，对直角坐标系上的数据进行数据预处理；S400，将经过数据预处理后的数据输入到卷积神经网络模型中进行深度学习。2.根据权利要求1所述，基于雷达回波的在线深度学习台风中心定位系统，其特征在于，在步骤S100中，将通过同一时间下雷达回波获取的台风各点的速度数据v和反射率数据f，并且对不同的仰角a，和高度信息h，对速度数据v根据不同的仰角层投影到直角坐标系上，以及对反射率数据f根据不同高度层投影到直角坐标系上，构建数组包括：速度仰角层、和反射率高度层，将速度仰角层和反射率高度层从上至下堆叠。3.根据权利要求1所述，基于雷达回波的在线深度学习台风中心定位系统，其特征在于，在步骤S200中，将以极坐标的形式表示的速度数据v和反射率数据f投影在直角坐标系中，在直角坐标系内叠加一雷达回波数据资料构建的网格，每个网格点的值由周围雷达距离库的值确定，其中雷达回波数据资料包括：各个网格点在笛卡尔坐标系下的经度、纬度和高度，将矩阵中的极坐标点用邻居算法给相近的网格点进行赋值，并让网格点获得分析值analysis，通过分析值analysis的方向一个距离库的距离构建新的网格点，命名为预测点，将所有通过网格点分析值analysis构建的预测点构建矩阵，命名为预测矩阵，并将预测矩阵的速度数据vt和反射率数据ft构建仰角速度层和高度反射率层进行投影，得到PPI和CAPPI，其中PPI为平面位置显示器，指的是雷达在某个仰角上扫描一圈得到的数组，CAPPI为等高平面位置显示器，指的是在某一相等高度上的雷达数组。4.根据权利要求1所述，基于雷达回波的在线深度学习台风中心定位系统，其特征在于，在步骤S300中，数据预处理包括：将上述获取的数组进行数据清洗以及归一化处理，删除数据集中的无关数据，重复数据，平滑噪声数据，并且筛选掉与预测无关的数据，处理缺失值，异常值。5.根据权利要求4所述，基于雷达回波的在线深度学习台风中心定位系统其特征在于，在所述的平滑噪声数据的方法包括以下步骤：S201，通过对雷达回波中的速度数据v和反射率数据f进行统计，并对监测台风通过面积平均划分，对各个台风分区的速度数据v求取平均值vp，并对各个台风分区的平均值vp进行对比，最小平均值的台风分区命名为最小速度风区；S202，在最小速度风区中，取风区中心点的速度数据v，并带公式Vj＝v arcsin(a)，得出径向速度Vj，其中a为该速度数据的仰角，将径向速度Vj速度方向翻转180
°
，得到
‑
Vj，以Vj和
‑

【专利技术属性】
技术研发人员：陈超，胡东明，伍志方，刘段灵，张阿思，程兴国，
申请(专利权)人：广东省气象台南海海洋气象预报中心，
类型：发明
国别省市：