微波水平降雨场高时空分辨率重构分析与短临预测方法

1.本发明涉及降雨测量领域，特别是涉及一种微波水平降雨场高时空分辨率重构分析与短临预测方法。


背景技术：

2.利用微波链路的衰减效应测量降雨是近年来出现的一种降水测量新技术，在强降水引发的自然灾害监测和未来高技术军事行动的保障等方面有巨大的潜力和至关重要的意义，是获取高时空分辨率降雨场的一种有效方法，具有采样时空密度大、分辨率高、覆盖范围广等优势。
3.目前，利用微波链路在区域降雨监测中的应用才刚起步，尤其是基于星地微波链路的降雨场重构分析大多是基于插值法来实现，且国际上还没有相关学者针对基于星地微波链路的降雨场的短临预测展开讨论和研究。本发明基于现有研究的基础上，建立了考虑降雨时空变化特征的水平降雨场重构模型和降雨场短临外推模型，实现了利用多站微波链路信号进行高时空分辨率水平降雨场的重构分析和外推预测，为建立高时空分辨率区域降雨监测预警网奠定了技术基础。


技术实现要素：

4.本发明提出一种微波水平降雨场高时空分辨率重构分析与短临预测方法，利用微波信号在降雨区域传播时的衰减信息，通过基于多站微波链路的组网，反演重构高时空分辨率的水平降雨场，以及基于深度学习进行短临降雨场的预测。
5.为实现上述目的，本发明提供了如下方案：
6.微波水平降雨场高时空分辨率重构分析与短临预测方法，其特征在于，包括：
7.s1、基于地面微波站点的分布，搭建由微波链路组成的微波链路降雨观测网，对降雨区域进行网格化处理；
8.s2、计算微波链路路径的平均降雨衰减值，根据所述降雨区域内各位置的降雨强度之间的相关性进行高时空分辨率水平降雨场的重构分析；
9.s3、基于重构的高时空分辨率水平降雨场，利用深度学习的方法实现对于短临降雨场的预测。
10.优选地，所述s1中，所述微波链路降雨观测网的种类包括星地微波链路网和地面微波链路网。
11.优选地，组成所述微波链路降雨观测网的相关因素包括组成链路网的条数、链路的长短、链路网的密度以及链路网的空间分布，还包括基于卫星和地面接收站的分布情况和分布不均匀的不规则网格。
12.优选地，所述s2中，高时空分辨率水平降雨场的重构分析步骤包括：
13.计算微波链路路径的平均降雨情况，得到路径降雨衰减值；
14.通过幂率模型得到所有链路的平均降雨强度；
15.利用所得的所有链路的平均降雨强度，基于降雨区域内各个位置的降雨强度之间的相关性，通过克里金插值法或短距离加权法对所述高时空分辨率的水平降雨场进行重构。
16.优选地，所述s3中，利用深度学习的方法实现对于短临降雨场的预测步骤包括：
17.s3.1、构建针对高时空分辨率区域降雨场外推的具有输入输出结构的深度学习网络；
18.s3.2、通过历史资料，建立所述水平降雨场中每一个网格内雨强及其相邻n个时刻雨强的关系训练集；
19.s3.3、利用lstm方法，结合所述训练集中实测降雨场中降雨强度的分布特征对所述深度学习网络进行训练，建立下一时刻预测降雨场中降雨强度的映射关系；
20.s3.4、根据所述下一时刻预测降雨场和实测降雨场的雨强之间的误差，通过迭代的方式调整所述lstm模型的参数，直到损失函数满足终止条件或达到最大迭代次数；
21.s3.5、根据所述深度学习网络模型，对实测降雨场的雨强进行预测，得到预测的短临降雨场。
22.优选地，所述深度学习网络包括序列输入层、卷积层、池化层、lstm层、全连接层、回归层和输出层。
23.优选地，所述s3.3具体包括：
24.所述序列输入层接收来自训练集的降雨场样本，通过卷积层提取每个降雨场中降雨强度的特征，将经过池化层后产生的特征向量送入lstm层，生成输出量进入全连接层，通过全连接层建立下一时刻降雨场中降雨强度的映射关系。
25.优选地，s3.4中，所述终止条件为损失函数loss＜0.01，最大迭代次数为500。
26.本发明的有益效果为：
27.本发明提出的微波水平降雨场高时空分辨率重构分析与短临预测方法，建立了考虑降雨时空变化特征的高时空分辨率水平降雨场重构模型和降雨场短临外推模型，实现了微波链路信号进行高时空分辨率水平降雨场的重构和外推预测，为建立高时空分辨率区域降雨监测和预警网奠定了技术基础。
附图说明
28.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性的前提下，还可以根据这些附图获得其他的附图。
29.图1为本发明方法流程图；
30.图2为本发明的链路网检测图；
31.图3为本发明基于深度学习网络预测短临降雨场示意图。
具体实施方式
32.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。
33.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。
34.本发明利用星地链路或地面微波链路信号在降雨区域传播时的衰减信息，通过基于多站的微波链路组网，进行了高时空分辨率水平降雨场的重构分析，以及基于深度学习进行短临降雨场的预测，如附图1所示。下面以星地链路网为实施例，一种微波水平降雨场高时空分辨率重构分析与短临预测方法，主要包括以下步骤：
35.步骤一：基于地面卫星接收站的位置，设计搭建由k条星地链路组成的星地链路网，具体的星地链路网的结构分布如图2所示，其中，共有40个地面站接收5颗广播卫星的信号，该星地链路网由93条链路组成，所接收的卫星信号均为垂直极化，工作频率为11.56ghz～12.59ghz。
36.如图2所示，对水平降雨区域进行网格化处理，将整个降雨场划分成35
×
35个网格，每个网格的分辨率为1
×
1km2，假设每个网格内的雨强分布均匀，且不考虑雨强在垂直高度上的变化。
37.步骤二：计算星地链路路径的平均降雨情况。对于降雨区域中的第k条星地链路，其路径降雨衰减a
r
(k)可以表示为：
[0038][0039]
式中，h0为雨区高度，θ为卫星天线仰角，γ
i
为第i个格点的衰减，n表示第k条链路穿过的网格数量，l表示链路在地面的水平投影长度，d
i
表示链路在第i个网格内的投影长度。
[0040]
根据所得的降雨衰减值，利用幂率模型得到所有链路的平均降雨强度r(k)：
[0041]
r(k)＝[a
r
(k)sinθ/h0α]
β
‑1[0042]
式中，α，β为幂率系数，h0为雨区高度，θ为卫星天线仰角。
[0043]
利用所得的所有链路的平均降雨强度，根据降雨区域内各个位置的降雨强度之间的相关性利用克里金插值法来重构高时空分辨率的水平降雨场：
[0044][0045]
式中，r(x
i
,y
i
)是星地链路在位置r(x
t
,y
t
)反演的降雨强度，n表示星地链路的数量，λ
i
为权重系数，表示r(x
i
,y
i
)与r(x
t
,y
t
)的关联程度。
[0046]
步骤三：根据星地链路网重构的连续降雨场，基于深度学习的方式，设计了一种针对高时空分辨率的区域降雨场外推的学习网络，实现对于短期临近降雨过程的预测，具体包括以下过程：
[0047]
(1)设计一种针对高时空分辨的区域降雨场外推的具有输入输出结构的深度学习网络，如图3所示为本发明中实现短临降雨场预测的深度学习网络示意图，该深度学习网络
包含了7个不同功能层次，分别是序列输入层(sequence input layer)、卷积层(convolutional layer)、池化层(pooling layer)、长短时神经网络层(lstm layer)、全连接层(fully connected)、回归层(regression layer)和输出层(output layer)。
[0048]
(2)构建针对高时空分辨率区域降雨场外推的具有输入输出结构的深度学习网络；利用历史资料，建立水平降雨场中每一个格点雨强及其相邻n个时刻雨强的关系训练集；利用lstm方法，结合训练集中实测降雨场中降雨强度的分布特征对深度学习网络进行训练。具体而言，序列输入层接收来自训练集的降雨场样本，二维卷积层通过一个3
×
3的卷积核提取每个降雨场中降雨强度的特征，而二维池化层用来减少冗余的特征量同时反映雨强空间分布信息，之后产生的特征量进入由遗忘门、更新门和输出门组成的lstm单元中，生成的输出量又进入全连接层，通过全连接层建立下一时刻预测降雨场中降雨强度的映射关系。
[0049]
(3)根据下一时刻预测降雨场和实测降雨场的雨强之间的误差，通过迭代的方式调整lstm模型的参数，直到损失函数满足终止条件或达到最大迭代次数。在此深度学习网络中，可令终止条件为损失函数loss＜0.01，最大迭代次数为500。
[0050]
(4)根据确定的深度学习网络模型，对实测降雨场的雨强进行预测，得到预测的短临降雨场。
[0051]
本发明产生的有益效果为：
[0052]
本发明建立了考虑降雨时空变化特征的高时空分辨率水平降雨场重构模型和降雨场短临外推模型，实现了微波链路信号进行高时空分辨率水平降雨场的重构和外推预测，为建立高时空分辨率区域降雨监测和预警网奠定了技术基础。
[0053]
以上所述的实施例仅是对本发明优选方式进行的描述，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。