侧扫雷达测流系统开发与应用

河流流量是水文水资源管理中最重要的参数之一,目前大多采用接触式测流,安装使用较为复杂,灵活性较差。利用雷达遥感技术对河流进行实时监测,研制出侧扫雷达测流系统,依据布拉格散射和多普勒原理测量河流的表面流速,使用这些数据及已知的河流横截面图(深度分布)和已测的水位计算出河流流量。侧扫雷达测流系统采用太阳能供电和移动蜂窝通信,流速测量、数据上传、流量合成无需人工干预,可实现河水流量的自动化监测。结果表明,侧扫雷达测流系统适用于各种复杂环境情况,能滤除船舶、周边建筑、陆地移动汽车等构成的雷达回波干扰,最大探测距离可达800 m以上,适用于内陆河流、界河、大江大湖等天然流域的流量监测。     

无人机测流系统在铜仁水文的应用探索

无人机测流系统是将雷达波流速仪集成在无人机上的一种非接触式河道流量测验方法。针对铜仁水文监测工作在遇超标准大洪水或恶劣环境下水文应急监测手段单一、数据精准度不高的问题,采用无人机测流系统在铜仁市茅溪水文站与水文缆道流速仪法进行 22 次实测数据对比试验,分析无人机测流系统实测的水面流速及流量测验误差。结果表明：无人机测流系统在水面流速超过 0.50 m/s、运行高度在 10~30 m、风力小于 7 级时,测流数据的合格率达到相关要求。无人机测流系统在贵州省铜仁市山区性河流应急监测时适应性良好,可作为铜仁水文应急监测一种安全便捷有效的方法进行推广。     

移动雷达波测流系统在松柏水文站的运用

针对松柏水文站在发生暴雨洪水时河流陡涨陡落,高洪时漂浮物多,采用流速仪或ADCP测流不安全的问题,应用移动雷达波测流系统进行流量测验。在分析测流系统组成、工作原理、管理软件的基础上,按照不同水位级布置测次,采用同期测流系统施测流量与转子式流速仪人工实测流量进行比测,建立2种流量相关关系,率定测流系统流量系数,并进行误差分析评判,验证移动雷达波测流系统测流精度。比测率定结果表明:两者相关关系良好,移动雷达波测流系统测得的水面流速经率定后,推算的断面流量精度较高,满足水文资料整编精度及水资源管理要求,可提高水文资料时效性和准确性,解决山溪性河流流量测验安全问题。     

雷达波在线测流系统在群库勒水文站的应用分析

雷达波在线测流系统是一种便于快速抢测洪水数据的非接触式测验系统。本文用常规流速仪与雷达波实测水面流速及流量同时实测比测数据为依据,对二者间的测验误差和设备稳定性等方面进行分析,研究该设备在新疆山区河流所采集数据是否能满足水文规范要求。     

RQ30D多传感器雷达在线测流系统数据可靠度分析

为分析RQ30D(多传感器雷达在线测流系统)数据的可靠度,在自然环境下,选择尽可能满足重复性条件的监测数据,根据《河道流量测验规范》中流量测验成果精度评定的方法,对数据的随机误差分布形态及95%置信水平下的随机不确定度进行分析。分析结果表明,该系统数据在高、中、低各水位级的随机误差呈正态分布,不确定度也满足单次流量测验允许误差的要求。     

平原区河道流速分布规律及其在横向声学多普勒流量测验系统中的应用

横向声学多普勒流速仪(H-ADCP)因其测验的自动高效和信息传输的快捷在流量测验中得到广泛应用。针对现状代表流速选取存在水文物理含义不明的缺点,根据垂线流速分布理论模型,并结合实测垂线流速资料,提出了平原区不同类型河道流速分布拟合模型,并实际引用。应用结果表明：基于幂指数函数和一元多项式函数拟合的流速分布模型能够用于H-ADCP层流速到垂线流速的转化,率定的单断关系精度可靠,可为H-ADCP测流系统流速率定单断关系提供新的方法。     

单波束声学多普勒流速仪垂向在线测流应用研究

通过应用单波束垂向式声学多普勒流速仪(V-ADCP)进行在线流量测验,探索单波速V-ADCP的安装和流速数据处理计算方法。采用转子式流速仪对V-ADCP进行比测,分析V-ADCP采用相对水深某个区间范围内的单元流速计算垂线平均流速的方法,率定符合水文相关规范的V-ADCP测流的单断速关系,并确定单断速关系可生产应用的范围。通过对V-ADCP在线测流的应用,得到精度较高的单断关系,实现流量在线监测,可为进一步推广V-ADCP在线测流的应用进行探索。     

白石水库尾水渠水位～流量关系曲线率定与分析

为率定白石水库尾水渠水位-流量关系曲线,以白石水库尾水渠为研究对象,利用实测数据计算出渠道的断面尺寸,根据渠道的实际情况选定理论流量计算公式和比降、糙率等系数,经过计算得出水位-流量关系理论曲线,再通过对水库渠道内低、中、高水位下测流方法的选择,确定在低水位和高水位下采用浮标法,在中水位下采用流速仪法,并将多次实测结果与理论值进行比较,发现两者差值均在误差范围内,吻合度非常高,最终验证所绘制的白石水库尾水渠水位-流量理论关系曲线采用的理论公式和参数准确、合理,曲线精确度符合水库的实际需求,以此为水库流量测验提供可靠的技术支持,同时也为同类型水库的尾水渠计算下泄流量提供宝贵经验,可用于今后的泄洪流量测算。     

基于回波信号的环视SAR成像运动参数估计

环视合成孔径雷达(Circular-scanning SAR) 主要用于在 导弹精确末制导中进行景象匹配,而雷达的运动参数是实现精确制导的关键因素之一。运动 参数可以由GPS和IMU直接测得,也可以通过从实测数据中估计得出。由于环扫SAR雷达平台 具有运动速度快、非匀速运动和大斜视等特点,因此对多普勒参数估计精度要求比较高。而 由现有GPS和IMU测得的雷达运动参数由于具有较大误差一般很难满足成像精度要求,因此本 文将两者结合针对实际雷达和运动情况,对运动参数作了精确估计和运动补偿,以适应环扫S AR高分辨率成像和精确制导的要求。仿真数据处理的结果表明,该方法能准确地实现上述参 数估计,从而显著提高了环视SAR系统输出图像的质量。实测数据则证明了该方法具有很强 的实用性。     

基于多特征参数的雷达数据关联及融合

在高密集多回波环境下,针对多雷达系统参照目标位置信息参数进行跟踪时可能出现关联精度较差的问题,加入多普勒频率参数,提高对目标跟踪的精度。针对数据融合过程中各雷达产生的误差不一致问题,提出一种动态分配权值的策略,将带有权值的各雷达数据送往融合中心进行融合计算。仿真结果表明,该方法能改进雷达系统的跟踪精度。     

Crowd-based velocimetry for surface flows

Flow velocity measurement is important in hydrology. Recently, owing to the popularity of sensors and processors, image-based flow velocity measurement methods have become an important research direction. Particle image velocimetry (PIV) is a key example. However, due to the uncertainty of the features, PIV sometimes provides very inaccurate results and always requires customized setups. In this research, we take advantage of the human perception system, that is, the strong abilities related to feature identification and tracking, in order to estimate the surface flow velocity of a river. We developed a method called crowd-based velocimetry (CBV) to incorporate the human perception capacity in the estimation of the flow velocity. CBV includes three main steps: (1) video processing, (2) crowd processing, and (3) statistical processing. We validated CBV by measuring a fast, steady, and uniform river surface flow in an artificial canal. The results show that compared to radar measurements from the center of the flow, CBV measured the surface flow velocity with a deviation ranging between +12.1% and +17.3% from the radar measurement, while PIV resulted in a −1.7% to −24.3% deviation. With rapidly improving mobile devices, CBV allows enormous numbers of people to engage in flow measurement, making CBV more reliable, more efficient, and more economical.     

智控扫描式声学多普勒测流系统应用探讨

为加快水文监测新技术与装备在水文测报中的应用,在浙江嵊州站、江苏前垾村水文站分别建设智控扫描式声学多普勒流速仪测流系统示范应用站点。智控扫描式声学多普勒流速仪测流系统,通过水下智控转动扫描测流方式使传统的一维流速剖面数据扩展为二维扫描流速数据,并融合计算流体动力学、人工智能等多学科前沿技术,建模仿真河道流场以计算实时流量,原理上可有效提高测流精度和降低人工比测率定分析的工作量。通过对示范应用站点半年时间运行的稳定性和流量监测数据比测分析,得出示范应用站点测流系统稳定可靠,流量监测和人工监测数据趋势基本一致;在流态快速变化期间,测流结果存在一定迟滞性,可采用提升扫描速度的方式提高对流速变化的敏感度;流体及神经网络算法模型还需要进一步优化,结合多模型算法提高智控扫描测流系统的智能化能力,进一步提高流量监测的精度。     

基于MATLAB的直线度测量不确定度评定程序设计

形位误差测量不确定度评定由于其测量的复杂性和测量结果评定的多样性,导致在实际测量结果中形位误差测量的不确定度评定成了难题;尤其是测量点较多,测量数据难以处理,处理结果的准确性难以保证;为此,根据直线度测量不确定度的评定过程对其进行了评定程序的设计,在程序命令的提示下,输入测量值便可得到直线度误差,输入单点测量不确定度便可得到直线度测量不确定度;该程序根据测量不确定度常用的GUM法和蒙特卡罗法思想进行设计,可得到两种不同的评定结果,不受测量点的多少、测量数据的复杂程度等因素影响;通过数据验证,程序可靠准确,为直线度测量不确定度评定提供了便捷、高效的数据处理方法;通过测量数据验证,该程序准确可靠,具有一定的实际应用价值和推广意义。     

空间非合作目标在轨主/被动融合跟踪方法

针对空间远距离非合作目标的点目标跟踪问题,研究基于非地面测控数据支持的远距离空间目标的在轨主/被动融合跟踪方法。包括运用基于被动传感器以及雷达间歇辅助测距跟踪的Unscented卡尔曼滤波(UKF)方法,得到非合作目标的运动状态信息,即利用光学跟踪摄像机的二维角度量测值及雷达间歇提供的距离量测值,估计目标的惯性位置与速度方法,为后续自主空间操作建立初始轨道状态数据。仿真结果表明,当状态误差和量测噪声改变时,UKF均能持续跟踪远距离非合作目标,使得雷达间歇提供的距离信息可以得到更好的跟踪精度。     

基于动态时间弯曲的欠时间信息雷达精度评估方法

测量精度是雷达核心系统指标之一,工程中对其进行准确评估有着重要意义;实际应用中在利用ADS-B数据进行精度评估时常因时间信息缺失、时间节拍不均匀等原因导致航迹点匹配误差增大,精度评估效果急剧下降甚至失效;针对上述问题对欠时间信息条件下精度评估问题进行了研究,采用了基于动态时间弯曲算法的雷达航迹点匹配技术,利用形状信息在时间信息缺失的情况下仍能实现航迹点精确匹配从而提升评估精度;考虑到实际应用中边界束缚与计算资源限制,一种预筛选与下界加速技术被提出;然后基于实际应用中序列高维序列信息采用联合度量方法进一步提高航迹点匹配精度;最后在实际测量数据上进行验证,经实验测试表明本方法在时间信息缺失的情况下也可准确评估雷达精度,计算速度快;算法扩展了ADS-B精度评估应用范围,具有广泛实用价值。     

Automated Bayesian quality control of streaming rain gauge data

Radar-rainfall data are being used in an increasing number of real-time applications because of their wide spatial and temporal coverage. Because of uncertainties in radar measurements and the relationship between radar measurements and rainfall on the ground, radar-rainfall data are often combined with rain gauge data to improve their accuracy. However, while rain gauges can provide accurate estimates of rainfall, their data are sometimes corrupted with errors caused by the environment in which the gauges are deployed. This study develops a real-time method for identifying measurement errors in rain gauge data streams. This method employs a dynamic Bayesian network (DBN) model of the rain gauge data stream to sequentially forecast the next rain gauge measurement from both the rain gauge and weather radar data streams and a decision rule-based classifier to identify data errors. Because of the uncertainty in the relationship between the radar and rainfall measurements, this method uses a statistical learning method (expectation maximization) to determine the best parameters for this relationship, given an adaptively sized moving window of previous measurements. The performance of the error detector developed in this study is demonstrated using a precipitation sensor network composed of five telemetered tipping bucket rain gauges and a WSR-88D weather radar. Through an analysis using synthetic errors, the false alarm rate and false negative rate were calculated to be 0.90% and 1.5%, respectively.