[发明专利]结合机器学习与三维变分同化的二维风场反演方法和装置

说明书

本申请涉及一种结合机器学习与三维变分同化的二维风场反演方法和装置。所述方法通过将雷达和测风仪的探测数据插值到分析网格点上，然后利用三维变分同化方法建立代价函数，通过迭代优化求解得到风场反演结果。迭代过程中无需插值，减少了计算量；针对雷达探测数据较密集、测风仪探测数据较稀疏的特点，利用机器学习中成熟的有监督学习方式和半监督学习方式来对雷达数据和测风仪数据进行插值，可以得到较高的准确率，减小插值引入的误差。

技术领域

本申请涉及遥感技术领域，特别是涉及一种结合机器学习与三维变分同化的二维风场反演方法和装置。

背景技术

三维变分同化法是常用的风场反演方法，其根据观测数据和理论动力模式建立代价函数，通过计算代价函数的极小值反演得到风场。

雷达和测风仪是常用的风场观测设备，雷达遥感获取扫描区域内多个探测点的风速在雷达径向上的投影速度（径向风速），测风仪可以获取所在位置处的横、纵向风速。但是由于雷达和测风仪的观测数据具有空间分布不均匀、与分析网格点不匹配的特点，现有的基于雷达和测风仪的同化方法均需将雷达和测风仪的探测数据插值到统一网格上。采用较多的插值方法有：双线性插值方法、Barnes（巴尼斯）插值方法、先锥面后垂直内插的方法等。其中Barnes插值方法是一种指数加权平均算法，具有易于实现、误差较小且光滑性较好的优点而被广泛采用，但其插值结果与影响半径的选择有较大关系，且会引入一定的插值误差，影响风场反演结果的准确性。同时，三维变分同化法在迭代求解过程中，不断将分析网格的迭代值插值到测风仪处与探测数据比对，具有较大的计算开销。

发明内容

基于此，有必要针对上述技术问题，提供一种结合机器学习与三维变分同化的二维风场反演方法和装置。该方法利用雷达和测风仪探测数据，结合机器学习和三维变分同化法较快速、准确地实现二维风场的反演。

一种结合机器学习与三维变分同化的二维风场反演方法，所述方法包括：

通过雷达和若干个测风仪对待测风场区域进行探测，获取待测风场探测数据；所述待测风场探测数据包括：雷达探测的径向风速探测值以及测风仪探测的横向风速探测值和纵向风速探测值。

将所述待测风场区域划分为均匀的分析网格，并建立xoy坐标系；所述xoy坐标系是在待测风场区域中心设置一台雷达，以雷达位置为中心o，横向为x轴，纵向为y轴建立的。

根据所述径向风速探测值，采用有监督学习方式将所述径向风速探测值插值到所述分析网格上，得到分析网格上的径向风速观测值。

根据分析网格上的所述径向风速观测值，采用半监督学习方式将测风仪探测的所述横向风速探测值和所述纵向风速探测值插值到所述分析网格上，得到分析网格上的横向风速观测值和纵向风速观测值。

根据分析网格上的所述径向风速观测值、所述横向风速观测值以及所述纵向风速观测值，采用三维变分同化法构建代价函数；通过优化求解所述代价函数得到分析网格上二维风场的反演结果。

在其中一个实施例中，通过雷达和若干个测风仪对待测风场区域进行探测，获取待测风场探测数据，包括：

在待测风场区域中心设置一台雷达，通过所述雷达对所述待测风场区域进行平面显示器扫描，扫描方向为顺时针方向，得到径向风速探测值。

在所述待测风场区域布置若干个测风仪，通过所述测风仪探测得到所述测风仪所在位置处的横向风速探测值和纵向风速探测值。

在其中一个实施例中，根据所述径向风速探测值，采用有监督学习方式将所述径向风速探测值插值到所述分析网格上，得到分析网格上的径向风速观测值，包括：

将雷达探测点的位置作为雷达有标记数据的特征。

将所述径向风速探测值作为雷达有标记数据的值。

将分析网格点的位置作为雷达未标记数据的特征。