基于模糊逻辑的降水粒子相态识别技术

为提高双偏振雷达在水凝物相态识别方面的能力,利用双偏振气象雷达目标回波中的反射率因子Z_H、差分反射率因子Z_DR、差分相位常数K_DP、共偏相关系数ρ_HV,构造反射率标准差SD (Z_H)和差分相位标准差SD(?_DP)。将这6个极化参数作为输入量,通过统计美国国家海洋和大气管理局(NOAA)提供的大量水凝物样本数据,根据样本数随雷达回波参量分布,提出了以β型函数为隶属函数的模糊逻辑分类算法。该算法能够有效识别小到中雨(RA)、大雨(HR)、大滴(BD)、干雪(DS)、湿雪(WS)、冰晶(IC)、霰(GR)、雨雹(RH)、大雹(LH)9类气象回波和1类地物回波(GC)。选取美国S波段的科罗拉多州丹佛地区的气象雷达KFTG在不同时间点的观测资料进行测试,识别结果与NOAA提供的LevelⅢ数据中的水凝物分类结果基本一致,验证了本文提出的模糊逻辑算法具有良好的分类效果。     

卷积神经网络联合SVM的降水粒子分类

针对传统模糊逻辑降水粒子识别算法存在过度依赖专家经验来设置参数的缺陷,提出一种基于卷积神经网络（Convolutional Neural Network, CNN）和支持向量机（Support Vector Machine, SVM）联合结构的降水粒子分类方法。本文首先搭建了适用于双偏振雷达数据矩阵传播结构的4种卷积神经网络模型,通过对KOHX雷达各极化参数进行分块和堆叠操作,制作模型所需数据集并训练模型。然后根据各CNN模型对目标块的分类特点,结合SVM分类器,搭建能够识别5类目标粒子的联合结构。最后,对KOHX雷达0.5°仰角扫描数据进行测试,得到该联合结构模型的分类准确率达94.92%。并且对于不同仰角、不同雷达的扫描数据均能进行有效分类,表现出较好的鲁棒性。