一种融合LightGBM的ResNeXt网络气象目标细粒度识别方法

本发明涉及气象雷达信号处理技术，具体涉及一种融合lightgbm的resnext网络气象目标细粒度识别方法。

背景技术：

1、气象雷达是气象目标识别的基础设施，气象目标分类在人类生活、行动中具有重要意义。常规多普勒气象雷达依靠发射单一极化方向电磁波，通过回波只能获取反射率因子、速度谱宽等单一极化方向参量，而仅靠单一极化方向的参量很难具体了解气象目标在几何大小、形态、空间取向等方面信息，因而经常对气象目标造成误判。为得到更多气象目标信息，双极化雷达由此诞生，双偏振气象雷达是常规多普勒气象雷达的进一步发展，采用同时或交替发射水平和垂直方向的电磁波，可额外获取两种不同偏振方向电磁波之间的差分反射率、相关系数、差分相移率等差异极化参量。这些极化参数使得双偏振气象雷达具有对气象目标相态、类型、几何形态等信息敏捷感应的能力，双偏振气象雷达的出现大大促进了气象雷达在气象目标识别上的发展。

2、在雷达实际工作中，雷达扫描照射到地面物体或者空中生物时，其回波除气象回波以外，还包含非气象回波。非气象回波(主要为生物杂波和地杂波)混杂于气象回波之中，影响气象回波数据质量，并影响气象目标分类。所以，对非气象目标和气象目标的判别研究一直以来都是气象雷达数据质量控制的一个重要内容。

3、目前，气象目标与非气象目标的识别已经取得许多成果。2019年golbon-haghighi等人提出一种新的三维判别函数，作为其所提出的改进地杂波识别算法的一部分，有效区分天气信号与杂波信号的概率密度函数，再选用一个简单的贝叶斯分类器，最后做出基于3d判别函数的最佳决策，从天气信号中区分出杂波。2020年，wang等人提出一种基于俯仰角空间处理的机载气象雷达气象目标检测算法，根据杂波信号与天气信号的干涉相位数据的差异，将干涉相位数据作为检验统计量来解析杂波信号与天气信号干涉相位统计特性，设计恒虚警率检测器来实现天气信号检测。2021年，jatau等人利用s波段雷达的高灵敏度特性，以所提出的鸟类(昆虫)特征为数据驱动，训练出成熟的岭回归分类器，结合水凝物分类算法有效区分鸟类回波和昆虫回波。2023年，sasidharan等人利用气象雷达极化参数以及极化参数空间纹理参数，开发了一种新型的模糊逻辑算法区分并消除地杂波和异常传播。此外，一些研究者开始使用卷积神经网络区分气象目标与非气象目标。2020年，yu等人将基础的cnn网络应用至机载气象雷达回波识别领域，完成了对气象雷达回波中天气信号的识别。2022年，高涌荇等人提出一种基于残差卷积神经网络的双极化气象雷达天气信号检测算法，有效区分天气信号与杂波信号。

4、深度学习类算法具有强大的数据识别与分类能力，正如高涌荇等人使用的基于残差卷积神经网络气象目标识别方法，这种深度学习类算法可以获得极其优秀的识别率。但是这种识别方法需要类比于图像分类，数据样本为块状矩阵，识别结果也以块为基本单位并呈块状分布，识别结果较为粗糙。而实际情况中，雷达获取信息以雷达距离单元为基本单位，块状样本单元包含多个距离单元，且气象目标分类分布往往是离散的、不确定的，导致样本块中距离单元类型不唯一。因此，此类算法容易造成块内小区域的识别偏差，识别精准度不足。

5、基于上述分析，为提高现有技术对气象目标与非气象目标识别的精度与粒度，研究新的气象目标分类算法十分重要。

技术实现思路

1、发明目的：本发明的目的是提供一种融合lightgbm的resnext网络气象目标细粒度识别方法。

2、技术方案：本发明的一种融合lightgbm的resnext网络气象目标细粒度识别方法，包括以下步骤：

3、s1、选取noaa气象雷达观测资料制作数据集；

4、s2、搭建resnext网络模型，并使用数据集训练得到最优模型并测试；

5、s3、将数据集在resnext网络最优模型中预测结果与参考结果之间的差异雷达距离单元数据作为lightgbm分类器输入数据，训练lightgbm分类器并测试；

6、s4、使用实测数据，通过resnext网络最优模型先获取粗粒度识别结果，将粗粒度识别结果与noaa原始参考目标target进行点对点对比，若识别正确，则该点识别结果保存为resnext网络最优模型识别结果ch；若判别失误，则将粗粒度识别结果与noaa原始参考目标target之间的差异雷达距离单元数据输入lightgbm分类器，由lightgbm分类器进行细化识别，优化粗粒度识别结果，将差异雷达距离单元点识别结果保存为lightgbm识别结果lh；最后，整合得到与实际气象分布相符的高精度且细粒度的气象目标识别结果。

7、进一步的，数据集制作方法为：

8、首先，将noaa气象雷达观测资料中的反射率因子zh的二维矩阵数据进行修订校准，使得其在矩阵大小与方位上与差分反射率因子zdr、差分相移率kdp和相关系数ρhv的二维矩阵相对应；并将反射率因子zh、差分反射率因子zdr、差分相移率kdp和相关系数ρhv的二维数据矩阵进行堆叠，得到三维数据阵列；

9、其次，对三维数据阵列进行切割分块，得到三维矩阵块；

10、然后，舍弃无效值超过80％的三维矩阵块，并对剩余三维矩阵块进一步去除无效值，将各三维矩阵块中占比超过50％的类别记为此矩阵块类别，其余三维矩阵块中没有占比超过50％的类别的矩阵块视为无效数据并舍弃；之后，选用最终剩余的各三维矩阵块中各通道矩阵块有效值均值替代各矩阵块中包含的无效值；

11、最后，将去除无效值的各三维矩阵块各通道数据进行归一化处理。

12、进一步的，resnext网络模型包括一个卷积、一个最大池化、四个串联的残差块、一个平均池化和一个线性层，输入数据经过卷积处理后，再进行最大池化操作，然后依次经过四个残差块处理，最后经平均池化操作和线性操作后输出粗粒度识别结果。

13、进一步的，resnext网络模型中卷积层、池化层的输入与输出特征图大小变换关系公式为：

14、

15、其中，sizein、sizeout分别表示输入输出特征图大小，kernel_size表示卷积核尺寸或池化窗尺寸，padding表示填充尺寸，stride表示步长。

16、进一步的，残差块包括三个卷积和一个组卷积，残差块的输入数据一路依次经过卷积、组卷积和卷积，另一路经过一个卷积，两路输出相加后作为整个残差块的输出。

17、进一步的，resnext网络模型训练中的损失函数为交叉熵损失函数。

18、进一步的，resnext网络模型训练中通过sgd优化器，利用梯度下降调整网络权重，更新网络参数。

19、进一步的，lightgbm分类器分类方法为：

20、(1)初始化样本xij在第k类的预测状态fk,0(xij)，气象目标分类标签为k＝1,2,…,k；执行公式为：

21、fk,0(xij)＝0

22、其中，k为气象目标分类标签，k总共的类别数；

23、(2)迭代计算，迭代次数m＝1,2,…,m；

24、a)计算样本xij在各类别上的概率pk,m-1(xij)，计算公式为：

25、

26、其中，fk,m-1(xij)为前m-1个树模型的集成预测模型；

27、b)计算样本xij的负梯度极化参数xij的真实概率为yi,k，得公式：

28、

29、c)获取叶子节点分裂后叶子节点值γh,k,m，叶子节点上的样本集合是rh,k,m，叶子节点数h＝1,2,…,h，叶子节点分裂后叶子节点值γh,k,m计算公式为：

30、

31、d)模型优化刷新，学习率设置为η，模型优化刷新公式为：

32、

33、其中，fk,m-1(xij)为前m-1个树模型的集成预测模型，为第m轮迭代新生成的树模型，i是一个指示函数，表示样本xij被分配到节点的条件；

34、(3)获取最终模型，公式为：

35、

36、fk(x)为所有树模型函数的集成。

37、基于相同的发明构思，本发明的一种融合lightgbm的resnext网络气象目标细粒度识别系统，包括：

38、数据集制作单元，用于选取noaa气象雷达观测资料制作数据集；

39、resnext网络模型训练和优化单元，用于搭建resnext网络模型，并使用数据集训练得到最优模型并测试；

40、lightgbm分类器训练和测试单元，用于将数据集在resnext网络最优模型中预测结果与参考结果之间的差异雷达距离单元数据作为lightgbm分类器输入数据，训练lightgbm分类器并测试；

41、气象目标识别单元，用于检测实测数据，通过resnext网络最优模型先获取粗粒度识别结果，将粗粒度识别结果与noaa原始参考目标target进行点对点对比，若识别正确，则该点识别结果保存为resnext网络最优模型识别结果ch；若判别失误，则将粗粒度识别结果与noaa原始参考目标target之间的差异雷达距离单元数据输入lightgbm分类器，由lightgbm分类器进行细化识别，优化粗粒度识别结果，将差异雷达距离单元点识别结果保存为lightgbm识别结果lh；最后，整合得到与实际气象分布相符的高精度且细粒度的气象目标识别结果。

42、基于相同的发明构思，本发明的一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现根据权利要求1-8任一项所述的融合lightgbm的resnext网络气象目标细粒度识别方法的步骤。

43、有益效果：与现有技术相比，本发明方法针对双极化雷达气象目标与非气象目标识别问题，融合lightgbm细粒度识别与resnext网络高识别率特性，将resnext网络与lightgbm算法相结合，提出lgbm-resnext气象目标识别方法，实现对气象目标高精度且细粒度的识别。选用具有快速而准确选择能力的resnext网络为第一层算法，得到高精度的粗粒度识别结果，再将此结果与实际标签的差异值输入第二层lightgbm分类器，得到符合实际要求的细粒度识别结果。实验表明，resnext网络对气象目标识别有较高的识别率，融合lightgbm分类器之后，识别粒度得到高度提升，与雷达采样单元粒度一致。