基于多源数据的冰雹识别方法、系统、设备及存储介质技术方案

本发明专利技术提出一种基于多源数据的冰雹识别方法、系统、设备及存储介质，涉及天气识别技术领域，方法包括：首先，获取冰雹识别深度学习模型输入的多源数据并进行数据预处理，多源数据包括三维雷达反射率因子数据、FY4B卫星数据、ERA5环境场数据和DEM数据；随后计算冰雹单体的多属性特征，设置阈值，确定冰雹标签；最后，建立冰雹识别深度学习模型，冰雹识别深度学习模型包括融合模块和FEMU

【技术实现步骤摘要】
基于多源数据的冰雹识别方法、系统、设备及存储介质


[0001]本专利技术属于天气识别领域，尤其涉及一种基于多源数据的冰雹识别方法、系统、设备及存储介质。

技术介绍

[0002]强对流天气是指中小尺度天气系统，通常发生在对流云系统或单个对流云团内，包括冰雹、雷暴、强风、龙卷风和短时强降水等危险天气现象。这些天气事件的特点是其持续时间较短、空间尺度有限，但危害范围有限，可能对人类生活和财产造成重大影响。作为一种强对流天气现象，冰雹对建筑物、农作物、车辆以及其他财产造成严重破坏，并对人类生命构成威胁。由于强对流天气的持续时间短且空间尺度有限，因此它们的探测和预测一直是气象学领域的挑战。目前，最准确的天气预测方法依赖于天气雷达系统，通过扫描多个高度生成高分辨率的体扫数据。然而，随着计算机科学和技术的发展，人工智能算法也在各个领域得到了应用，包括天气预测，为提高对强对流天气的监测和预测提供了新的机会。
[0003]近年来，随着多普勒天气雷达系统的广泛部署和计算机技术的迅速发展，对于强对流天气，包括冰雹在内的识别取得了显著进展。现有开发的冰雹识别算法，基于模糊逻辑和综合要素，相对于传统的单一要素识别算法，提高了识别准确率。此外，机器学习方法如决策树、贝叶斯分类、随机森林和支持向量机也被引入到冰雹识别中，为改进冰雹识别方法提供了新的思路。然而，机器学习算法在识别性能方面存在一定局限性。随后，深度学习算法也被应用于冰雹识别。例如，使用卷积神经网络从雷达图像中提取深层特征以进行冰雹识别，取得了良好的识别结果。尽管如此，由于训练数据集的可靠性不足，存在误报率较高的问题。有些在卷积神经网络的基础上引入了基于U
‑
net的深度图像分割网络用于冰雹识别，但由于冰雹数据集的有限，实际应用中误报率较高。除了传统的具有强回波强度的雷达数据，研究人员还尝试了其他数据源用于冰雹识别研究。例如，使用机器学习技术将遥感数据与环境变量结合起来进行冰雹预测。有些致力于识别和量化雷达中的弱回波区域，有些则利用BPNN网络从FY
‑
4A卫星数据中预测最大冰雹直径。
[0004]目前，大部分冰雹识别的研究集中在使用机器学习算法或深度学习算法（如卷积神经网络CNN）进行图像分类和目标检测。这些算法通常依赖于从雷达数据中提取的单一参数特征来进行分类和识别，但未充分考虑导致冰雹天气产生的多个要素和因素。这可能导致在某些情况下识别的准确性不高。

技术实现思路

[0005]为解决上述技术问题，本专利技术提出一种基于多源数据的冰雹识别方法、系统、设备及存储介质的技术方案，以解决上述技术问题。
[0006]本专利技术第一方面公开了一种基于多源数据的冰雹识别方法，所述方法包括：步骤S1、获取待测区域内的三维雷达反射率因子数据、FY4B卫星数据、ERA5环境场数据和DEM数据，即获取多源数据；
步骤S2、对所述多源数据进行预处理，将所述三维雷达反射率因子数据、FY4B卫星数据、ERA5环境场数据和DEM数据的时空分辨率保持一致；步骤S3、基于预处理后的三维雷达反射率因子数据，采用TITAN算法和分水岭算法来识别对流风暴，并计算所述对流风暴内部的参数；所述参数包括：回波顶高、质心强度、累积液态水含量VIL、强冰雹概率POSH和最强回波所在的高度；步骤S4、根据所述参数，得到预冰雹风暴；应用MODE方法对所述预冰雹风暴进行识别追踪，再根据所述参数，判断预冰雹风暴的强质心触地状态确定冰雹标签；步骤S5、应用所述多源数据和冰雹标签对深度学习网络模型进行训练和验证；所述深度学习网络模型包括：特征融合模块和识别模块；步骤S6、采集实时多源数据，将所述实时多源数据输入训练好的深度学习网络模型，得到冰雹识别结果。
[0007]根据本专利技术第一方面的方法，在所述步骤S1中，所述三维雷达反射率因子数据包括带有冰雹特征的对流风暴发展的高度和强度三维特征；所述FY4B卫星数据表征高层水汽的通道09，即波长6.25μm、表征中层水汽的通道10，即波长6.95μm、长波红外通道13，即波长12.0μm和长波红外通道15，即波长13.3μm；ERA5环境场数据包括0
‑
1km、0
‑
3km、0
‑
6km和0
‑
8km垂直风切变，
‑
10℃至
‑
30℃冰雹生长层所在的高度层以及对应的对流有效位能，0
‑
6公里的对流有效位能，整层可降水量，强风暴指数；DEM数据包括海拔高度、坡向、坡度、坡面曲率和流向数据。
[0008]风云四号B星（FY4B）是我国新一代静止轨道气象卫星风云四号系列卫星的首发业务星。FY4B卫星与2016年12月11日成功发射的FY4A卫星组成我国新一代静止轨道气象卫星观测系统，实现双星组网，共同对大气和云进行高频次监测，获取晴空和薄云区域的大气垂直信息；监测地球辐射、冰雪覆盖、海面温度、气溶胶和臭氧等；实时监测洪涝、高温、寒潮、干旱、积雪、沙尘暴和植被；获取空间环境监测数据；生成各种大气物理参数和定量化产品。观测数据将广泛应用于数值天气预报、灾害天气预警、气候预测服务、生态环境监测、通信导航安全等领域。双星组网将进一步满足我国和相关地区气象监测预报、应急防灾减灾等服务需求。
[0009]其中，通道数字09、10、13、15为FY4B卫星搭载的静止轨道辐射成像仪的不同波长的通道代号，通道09、通道10、通道13、通道15等是指FY4B卫星不同波长的水汽和红外通道。
[0010]根据本专利技术第一方面的方法，在所述步骤S2中，所述对所述多源数据进行预处理的方法包括：将三维雷达反射率因子数据中大于75dBZ的数值设为75dBZ，负值设为0dBZ；使用邻近插值方法，将FY4B卫星数据和ERA5环境场数据的空间分辨率调整为0.01
°
，时间分辨率调整为6分钟。
[0011]根据本专利技术第一方面的方法，在所述步骤S3中，所述基于预处理后的三维雷达反射率因子数据，采用TITAN算法和分水岭算法来识别对流风暴，并计算所述对流风暴内部的参数的方法包括：基于所述三维雷达反射率因子数据，采用TITAN算法识别风暴簇，并通过分水岭算法对低阈值风暴单体通过高阈值单体进行切分，获得具有冰雹特征的对流风暴，并记录风暴外边界信息；
利用探空资料和三维雷达反射率因子数据，根据所述风暴外边界信息计算对流风暴内部的参数。
[0012]根据本专利技术第一方面的方法，在所述步骤S4中，所述根据所述参数，得到预冰雹风暴的方法包括：当强冰雹概率POSH大于50且累积液态水含量VIL大于50mm时，对流风暴为预冰雹风暴；所述应用MODE方法对所述预冰雹风暴进行识别追踪，再根据所述参数，判断预冰雹风暴的强质心触地状态确定冰雹标签的方法包括：基于所述回波顶高，应用MODE方法对所述预冰雹风暴进行识别追踪，再通过最强回波所在的高度判断雷暴单体的强质心触地情况，当预冰雹风暴的雷暴单体的强质心触地时，认为是冰雹下落到地面，将其位置本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源数据的冰雹识别方法，其特征在于，所述方法包括：步骤S1、获取待测区域内的多源数据，所述多源数据包括三维雷达反射率因子数据、FY4B卫星数据、ERA5环境场数据和DEM数据；步骤S2、对所述多源数据进行预处理，将所述三维雷达反射率因子数据、FY4B卫星数据、ERA5环境场数据和DEM数据的时空分辨率保持一致；步骤S3、基于预处理后的三维雷达反射率因子数据，采用TITAN算法和分水岭算法来识别对流风暴，并计算所述对流风暴内部的参数；所述参数包括：回波顶高、质心强度、累积液态水含量VIL、强冰雹概率POSH和最强回波所在的高度；步骤S4、根据所述参数，得到预冰雹风暴；应用MODE方法对所述预冰雹风暴进行识别追踪，再根据所述参数，判断预冰雹风暴的强质心触地状态确定冰雹标签；步骤S5、应用所述多源数据和所述冰雹标签对深度学习网络模型进行训练和验证；所述深度学习网络模型包括：特征融合模块和识别模块；步骤S6、采集实时多源数据，将所述实时多源数据输入训练好的深度学习网络模型，得到冰雹识别结果。2.根据权利要求1所述的一种基于多源数据的冰雹识别方法，其特征在于，在所述步骤S1中，所述三维雷达反射率因子数据包括带有冰雹特征的对流风暴发展的高度和强度三维特征；所述FY4B卫星数据表征高层水汽的通道09，即波长6.25μm；表征中层水汽的通道10，即波长6.95μm；长波红外通道13，即波长12.0μm；长波红外通道15，即波长13.3μm；ERA5环境场数据包括0
‑
1km、0
‑
3km、0
‑
6km和0
‑
8km垂直风切变，
‑
10℃至
‑
30℃冰雹生长层所在的高度层以及对应的对流有效位能，0
‑
6公里的对流有效位能，整层可降水量，强风暴指数；DEM数据包括海拔高度、坡向、坡度、坡面曲率和流向数据。3.根据权利要求1所述的一种基于多源数据的冰雹识别方法，其特征在于，在所述步骤S2中，所述对所述多源数据进行预处理的方法包括：将三维雷达反射率因子数据中大于75dBZ的数值设为75dBZ，负值设为0dBZ；使用邻近插值方法，将FY4B卫星数据和ERA5环境场数据的空间分辨率调整为0.01
°
，时间分辨率调整为6分钟。4.根据权利要求1所述的一种基于多源数据的冰雹识别方法，其特征在于，在所述步骤S3中，所述基于预处理后的三维雷达反射率因子数据，采用TITAN算法和分水岭算法来识别对流风暴，并计算所述对流风暴内部的参数的方法包括：基于所述三维雷达反射率因子数据，采用TITAN算法识别风暴簇，并通过分水岭算法对低阈值风暴单体通过高阈值单体进行切分，获得具有冰雹特征的对流风暴，并记录风暴外边界信息；利用探空资料和三维雷达反射率因子数据，根据所述风暴外边界信息计算对流风暴内部的参数。5.根据权利要求4所述的一种基于多源数据的冰雹识别方法，其特征在于，在所述步骤S4中，所述根据所述参数，得到预冰雹风暴的方法包括：当强冰雹概率POSH大于50且累积液态水含量VIL大于50mm时，对流风暴为预冰雹风暴；所述应用MODE方法对所述预冰雹风暴进行识别追踪，再根据所述参数，判断预冰雹风暴的强质心触地状态确定冰雹标签的方法包括：
基于所述...

【专利技术属性】
技术研发人员：张小雯，盛杰，夏景明，杨波，郑永光，王超，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：