[发明专利]一种测云雷达识别云类的方法

说明书

本发明公开了一种测云雷达识别云类的方法，包括以下步骤：建立用于自主学习的云物理量学习库，及云特征参量属于某类云的匹配规则；建立每个云特征参量属于每类云的模糊逻辑函数及对应的模糊逻辑函数参数；设定影响权值，采用加权归一化方法计算不同云特征参量属于某类云的概率，并根据匹配规则得出云类识别的计算结果；计算云类识别结果的误差，并利用偏导循环迭代运算优化模糊逻辑函数参数和影响权值；对新的测云雷达观测信息，计算云类识别结果，并更新云物理学习库，实现模糊逻辑函数参数和影响权值的循环自主学习和更新。本发明克服了阈值法容易误判的缺点，解决了模糊逻辑的参数获取问题，且具有自适应的学习优化能力。

技术领域

本发明涉及气象遥感、神经网络领域，尤其涉及一种应用测云雷达的循环自主学习云类识别方法。

背景技术

云对地球-大气系统的辐射收支平衡和水汽循环有着重要调节作用，不同的云类具有不同的动力过程和物理特性，产生不同的辐射散射特征，云厚、范围等宏观参量，以及云中粒子大小、形状、数浓度、冰水含量、粒子谱分布等微观参量的反演也与云相态密切相关。气候模型研究表明，不同类型云在模式中云特征参数的不同将导致模拟结果之间存在很大差异，从而使得云在模式中不合理的表征成为气候变化预测中主要的不确定性源。因此，对云进行正确分类是进行云物理研究的重要前提。

云的分类方法主要有阈值法、结构分析法、模糊逻辑法和神经网络方法等，云类产品在气象研究中得到了广泛应用。国际卫星云气候计划(ISCCP)采用阈值法，利用气压和光学厚度来实现云类识别。测云雷达观测资料是云研究中的重要数据，在CloudSat星载毫米波云雷达出现之前，卫星云图占据了云分类研究的重要部分，国内外学者将阈值法、直方图聚类等用于云图的识别，但由于卫星图像随时间、地点、地表而变化，所以很难找出通用的阈值标准和判断条件，近些年由于机器学习的迅速发展，专家提出利用神经网络对卫星云图进行分类的方法，网络模型的选取和参数的设置都对分类结果有较大影响。结构分析法基于云的纹理结构达到云图的分类目的。

2006年美国NASA发射的CloudSat卫星搭载一部毫米波云雷达，实现了全球云垂直结构的观测数据，采用阈值法对所得的云剖面数据进行分类，利用雷达回波数据确定云存在与否，根据云高、温度、有效反射率因子和空间分布等因子，设置不同的阈值，将云分成八种类型，包括卷云(cirrus)、高层云(altostratus)、高积云(altocumulus)、层云(stratus)、层积云(stratocumulus)、积云(cumulus)、雨层云(nimbostratus)、深对流云(deep convective)。阈值法是一种简单且容易操作的方法，分类结果却对阈值的选择非常敏感，而且阈值的选取具有很强的局地性，获取适用于各种地域和季节变化的统一阈值比较困难。为解决该问题，采用模糊逻辑法对CloudSat卫星资料进行云分类，将云参数分为各种等级，根据宽松的分级原则，减小阈值法出现的误判，可以求得较为合理的分类结果，具有较强的扩充性和兼容性，但逻辑参数的选取基于历史观测数据统计得到，工作量大，且适用性有限。

综上所述，现有云分类算法一般采用阈值法，简单而便于应用，阈值选择常常导致分类结果出现较大差异。对于云廓线的模糊逻辑法能够避免阈值法过度依赖阈值大小的不足，可以求得较为合理的分类结果，但逻辑规则的具体参数获取较为复杂，且直接影响分类结果。

发明内容

本发明提供了一种根据测云雷达观测数据进行云类识别的方法，测云雷达观测数据包括雷达反射率因子、经度、纬度、高度、温度信息。该方法综合利用测云雷达的遥感信息，自主学习得到云特征参量属于各类云的函数参量，得到有效的判别结果，根据测云雷达的观测数据进行循环计算和参数更新，通过循环自主学习实现参数的自适应优化，从而获取准确的云分类结果。该方法克服了阈值法容易误判的缺点，解决了模糊逻辑的参数获取问题，且具有自适应的学习优化能力。

为了实现上述目的，本发明提供了一种测云雷达识别云类的方法，包括以下步骤：