[发明专利]一种基于卷积神经网络的飑线识别方法

说明书

一种基于卷积神经网络的飑线识别方法，该方法包括以下步骤：S1样本预处理步骤，获取雷达样本数据在笛卡尔坐标下的组合反射率；S2建立飑线识别模型步骤：构建视觉几何组网络VGG，识别样本，获取飑线识别模型；S3识别步骤：获取待识别的雷达样本数据集，按照步骤S1的预处理步骤，获取组合反射率；输入步骤S2获取的飑线识别模型进行识别，获取表示待识别的雷达样本数据属于飑线回波和非飑线回波概率的向量，选取概率最大值作为分类结果。本发明的识别方法对于飑线分裂或者合并的时刻识别率更高，经过大量样本检验，时间外延性好。

技术领域

本发明涉及雷达资料分析领域，更具体地，涉及基于卷积神经网络的飑线识别方法。

背景技术

飑线是由许多雷暴单体侧向排列而形成的强对流云带，是一种典型的中尺度对流系统，其水平尺度长、宽均约几十至上百公里，持续时间几小时至十几小时。飑线出现时通常伴有雷暴、大风、冰雹等灾害性天气，给人民生活和社会生产带来极大的危害。

雷达资料具有高时间分辨率和高空间分辨率的特点，对于中尺度对流天气的临近预报具有独特的优势，利用雷达资料可以解决飑线的自动识别问题。目前，基于雷达资料识别和预报中尺度对流天气已发展了多种算法，如基于交叉相关法的利用相关跟踪雷达回波(Tracking Radar Echoes by Correlation，TREC)、基于单体质心法的风暴识别、追踪、分析和临近预报(Thunderstorm Identification,Tracking,Analysis,and Nowcasting，TITAN)和风暴单体识别、追踪和预报算法(StormCell Identification and Trackingalgorithm，SCIT)等，这些算法已成为各个短临预报系统的重要组成部分。有学者进一步提出了专门针对飑线的自动识别算法，杨吉等拟合椭圆长轴设计动态模板和得分函数，实现了雷达拼图资料上的线状中尺度对流系统(Mesoscale convective systems,MCSs)的自动识别和跟踪，其线性得分值能较好地反映MCSs各个阶段的线性状态。

目前，自动识别算法的核心思路是提取飑线的若干图像特征作为因子，将其放入数学模型中，并与事先设定的阈值进行对比从而识别飑线，但是该方法采用个别飑线样本用于建模和检验，缺少大量飑线样本的实验结果。此外由于分裂或者合并使得系统重心位置位移过大，会造成在飑线分裂或者合并的时刻识别不出的情况发生，跟踪效果较差。

发明内容

本发明的目的是针对现有飑线识别方法所存在的问题，提出一种基于卷积神经网络的飑线识别方法。

本发明的技术方案是：

本发明提供一种基于卷积神经网络的飑线识别方法，该方法包括以下步骤：

S1、样本预处理步骤：获取雷达样本数据集，对雷达样本数据为飑线回波还是非飑线回波进行人工标识；对于对雷达样本数据进行预处理，获取雷达样本数据在笛卡尔坐标下的组合反射率；

S2、建立飑线识别模型步骤：

构建视觉几何组网络VGG，整个网络包括1个输入层，8个卷积层，5个池化层、若干个全连接层和1个输出层；

将雷达样本数据在笛卡尔坐标下的组合反射率作为网络输入，该输入为360×360分辨率的雷达组合反射率矩阵，经过8次卷积和5次池化后得到5×5大小、256个通道的特征图，然后拉伸为一个长度为6400的一维向量，经过所有全连接层后映射为一个长度为2的一维向量，分别表示为输入的雷达组合反射率矩阵属于飑线回波和非飑线回波的概率，选取概率最大值作为分类结果；

将分类结果与人工标识进行比对，更新模型，迭代预设的次数，获取飑线识别模型；

S3、识别步骤：获取待识别的雷达样本数据集，按照步骤S1的预处理步骤，获取组合反射率；输入步骤S2获取的飑线识别模型进行识别，获取表示待识别的雷达样本数据属于飑线回波和非飑线回波概率的向量，选取概率最大值作为分类结果。