CN119439320A 一种基于x波段双偏振雷达数据的龙卷风识别及其路径预测方法 （南京信息工程大学）

一种基于X波段双偏振雷达数据的龙卷风识本发明公开了一种基于X波段双偏振雷达数雷达最低两个仰角的6种观测量，结合深度学习型TD_Unet。该模型对多仰角雷达资料进行特征气象预警以及灾害防控提供了强有力的技术支2首先以龙卷风为中心，在雷达两个最低仰角上6种基数据中截取龙卷周围固定大小的对上一步深度学习模型的输出结果进行过滤误报，合并相邻坐标点将龙卷风路径预测问题归类为二维质点运动预测问题，根据上一步利用粒子滤波算法ParticleFiltering2.根据权利要求1所述的基于X波段双偏振雷达数据的龙卷风识别及其路径预测方法，3.根据权利要求1所述的基于X波段双偏振雷达数据的龙卷风识别及其路径预测方法，机制使得模型能够聚焦于观测量中最大值附近的特征，调整各个空间位置的特征重要性，3,,MaxPool分别代表平均池化层和最大池化层，f2323代表窗口宽高为23乘23的卷积操作，具体方式是编码块中结合了iCBAM模块，先通过CoordConv2D卷龙卷特征进行提取；位置编码根据雷达站距离计算得到：Co,=A((-xo)+(y-yo)2)，,ci表示第1层位置编码的计算，于合理的范围内；为增强空间位置信息，使用CoordConv2D,ru-wo，其中，表示TD_block的输入特征图，cneR2ilw表示输入位置编码，表示输出特征图，ReLU表示激活函数，4.根据权利要求1所述的基于X波段双偏振雷达数据的龙卷风识别及其路径预测方法，4具体算法流程为：遍历所有从单个基数据文件中识别到的龙对每个坐标(xs)遍历：e添加新过程到集合；如果不为空：且未被标记；dmin=min(d)选择如果dms>threshold：创建新龙卷过程，并标记；L-LUR。e添加新过5.根据权利要求1所述的基于X波段双偏振雷达数据的龙卷风识别及其路径预测方法，计算每个粒子与实际观测值的匹配程度这里ve",是5为归一化后的粒子权重；状态预测：通过重采样后的粒子状态，得出系统状态的估计；这个过程可以表示为：表示粒子在时刻t-1的二维矢量速度和加速度；高斯核函数：用于描述每个粒子对某一位置的影响；使用一位置的贡献；高斯核函数的一般形式为其中是计算的有N个粒子以及要计算概率场的网格位置，那么在每个网格点的概6归一化概率场:对每个网格点的概率值进行归一化，使得数值在原本分布的基础上，值域在0到1之间随着迭代次数的增加，逐步增大高7[0001]本发明属于人工智能驱动的气象监测与灾害预警技术领域，特别涉及一种基于X早识别和预警龙卷风不管是对提前疏散人员或是救援至关重要，但由于其突发性和复杂[0007]本发明的目的在于提供一种基于X波段双偏振雷达数据的龙卷风识别及其路径预8[0008]为实现上述目的，本发明提供了一种基于X波段双偏振雷达数据的龙卷风识别及据的标注成本，同时也降低了人工标注过程中可能出现的错误或偏差对模型训练的影响。其次，轻量化设计使得该模型能够在由多部X波段雷达组成的雷达网络中高效部署和实9力机制使得模型能够聚焦于观测量中最大值附近的特征，调整各个空间位置的特征重要,,M(F)=M。(F)+M,(F)，其中sigmod表示sigmod激活函数，MLP代表全连接层，AvgPool和MaxPool分别代表平均池化层和最大池化层，f2323代表窗口宽高为23乘23的卷步骤2.2）结合iCBAM模块与CoordConv2D卷积，改进Unet左部编码模块为TD_,ci表示第1层位置编码的计池化操作MaxPool进行降维，突出数据的关键特征；位置编码信息则通过平均池化操作,其中，xneRCX8表示TD_block的输入特征图，cneR2ilw表示[0010]原始的U_Net模型通过跳跃连接将编码器处理后的数据直接传递给解码器；然对每个坐标(xs)遍历：程可以表示为其中x"表示第i个粒子在时刻的预测状速度的计算以最邻近坐标差、首尾坐标差的均值以及上一时刻速度加权和得到；助于在路径较长时平滑速度变化提高动态系统预测的精度，对当前时刻的估计进行平滑，对某一位置的贡献；高斯核函数的一般形式为其中是计有N个粒子以及要计算概率场的网格位置p=[x,y]，那么在每个网格点计算每个粒子的贡献：每个粒子对网格点的贡献是基于高斯核函数：,这里，P(p);是第个粒子对位置9的贡献，K(p,x,h是通过高斯核计本发明提出的基于X波段雷达基数据的弱监督龙卷低延迟和低资源消耗的严苛要求，显著提升了多雷达系统的实时处理能力和部署灵活性，进一步推动了基于雷达的龙卷风预警系统的应,ru-wo，其中，表示TD_block的输入特征图，cneR2ilw表示输入位置编码，表示输出特征图，ReLU表示激活函数，[0031]针对龙卷风雷达数据特征改进的空间注意力机制如图4所示，使得模型能够聚焦展示了22年6月16日龙卷天气的反射率数据图和径向速度图，图10为展示本模型对正北和。threshold=60sx15mr0.00001x0.009，其中数值表示1分钟时间分辨率识别方式下，通常代表龙卷风已经走过的历史路径，也是基于粒子滤波算法的龙卷风路径预测算法的输入。为基于粒子滤波算法的龙卷风路径预测算法4、俞小鼎,郑永光.中国当代强对流天气研究与业务进展[J].气象学报,2020,78(3):391_418.5、YongZ,BoY,WeiT,etal.Overviewofdevelopmentofpublicsafety_orientedmeteorologicalmonitoring,forecastingandearlywarning大数据的需求分析[J].大数据,2022,8(2):89_102.前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描