微波链路、雨滴谱仪、雨量计与天气雷达多源联合的降雨场重构方法

摘要

本发明公开了微波链路、雨滴谱仪、雨量计与天气雷达联合的降雨场重构方法：选定微波链路、雨滴谱仪、雨量计和天气雷达同步观测的覆盖区域，并进行离散格点化；对雨滴谱仪、雨量计和天气雷达同步观测的降雨强度资料按空间匹配与时间匹按照配，采用反距离插值法进行插值，得到格点化资料；利用微波链路、雨滴谱仪、雨量计和天气雷达同步观测的降雨强度格点化资料进行降雨场重构：通过时间域估计值递推求取微波链路、雨滴谱仪、雨量计和天气雷达同步观测的降雨强度数据资料的自相关系数和互相关系数，进而确定微波链路、雨滴谱仪、雨量计和天气雷达的方差；通过最小方差估计确定四种降雨强度数据的最优权重实现降雨场重构。

说明书

技术领域

本发明属于大气科学领域，具体涉及微波链路、雨滴谱仪、雨量计与天气雷达的同步测量，通过数据融合方法对多源降雨资料进行优化，实现降雨场的重构。

背景技术

降水空间分布的精确估计对于洪涝监测、地质灾害预警、流域水文分析和水利工程设计等均具有重要意义。天气雷达可以提供空间上连续的降水动态观测信息，实现对降水的实时监测和预警，但雷达回波强度Z受到地物、地形杂波、传播路径等多种因素的影响，与降雨强度I之间的关系不稳定，使得测定局地降水量的精度不高。雨量计可以获得高精度的单点降水强度和累积降水量，但仅能反映有限离散点的降水信息，且站点分布密度有限，空间代表性差，往往容易漏掉暴雨强中心，无法获取降水的空间精细分布。雨滴谱仪可以获取降水的雨滴谱特征，可对降水进行精细化描述，测量精度高，但空间代表有限。一种新的技术是使用微波链路测雨，可提供路径平均两点间的降雨强度。微波链路网能够覆盖近地面层较大区域，通过微波衰减与雨强之间的关系进行区域降水测量，具有测量精度高的特点。

将不同仪器联合起来对降水进行同步观测，通过数据融合技术对多源资料进行分析与同化，实现区域降雨场的重构，是进一步提高降水空间分布精度的途径。随着测雨方法、数据融合技术的发展，为了充分挖掘降雨资料的有效信息，在时空匹配的基础上，将不同来源、不同精度、不同时空分辨率的雷达遥测信息、微波链路测雨信息与地表雨量观测信息等结果在同一系统中构成，也可加入数值天气预报估计结果等。通过一定的数据融合技术准则对各数据进行匹配、权衡和优化组合，实现对降雨场分布的合理重构，获得对“真实”降雨分布状态的更合理估计。从雷达测雨信息的角度而言，在融合过程中，单点测量(雨量计和雨滴谱仪)、微波链路对降雨的“点”、“线”观测体现了降雨的细节状态；从单点测量、微波链路测雨的角度而言，雷达对降雨的“面”观测信息能对降水空间的连续性和结构特征加以描述。总之，三种类型的“点”、“线”、“面”数据融合是一个互相平衡的过程，最终的结果是获取了对降水空间分布的更精确的估计。

发明内容

本发明的目的是：提出一种微波链路、雨滴谱仪、雨量计与天气雷达联合的多源降水资料同化方法，通过以自适应最优加权为例的融合方法实现区域降水场的重构，提高区域降水的测量精度。

本发明的技术方案为：微波链路、雨滴谱仪、雨量计与天气雷达联合的降雨场重构方法，包括如下步骤：

1)选定微波链路网络、雨滴谱仪、雨量计和天气雷达同步观测的覆盖区域，并进行离散格点化；

2)对雨滴谱仪、雨量计和天气雷达同步观测的降雨强度资料按空间匹配与时间匹按照配，采用反距离插值法进行插值，得到格点化资料；

3)利用微波链路、雨滴谱仪、雨量计和天气雷达同步观测的降雨强度格点化资料进行降雨场重构：以自适应最优加权融合方法为例，对一定时间序列下的资料，通过时间域估计值递推求取微波链路、雨滴谱仪、雨量计和天气雷达的降雨强度资料的自相关系数和互相关系数，进而确定微波链路、雨滴谱仪、雨量计和天气雷达的观测方差；通过最小方差估计确定四种观测数据的最优权重；根据最优权重和实时观测值，将各降雨强度资料进行融合，实现降雨场重构；

3-1)对一定时间序列的降水观测资料，建立自相关系数和互相关系数的迭代形式：

$>R_{ii}\left(k\right)=\frac{k-1}{k}{R}_{ii}(k-1)+\frac{1}{k}{X}_i\left(k\right)X_i\left(k\right)---\left(1\right)$>

$>R_{ij}\left(k\right)=\frac{k-1}{k}{R}_{ij}(k-1)+\frac{1}{k}{X}_i\left(k\right)X_j\left(k\right)---\left(2\right)$>

其中k为格点X上的降雨强度测量数据Xi(k)个数，R_ii(k)、R_ij(k)为时间域估计值，自相关系数R_ii(k)介于0～1之间，互相关系数R_ij(k)介于-1～1之间，N种仪器的观测值表示为Xi(i＝1,2,..,N)；典型的N为三种仪器。

3-2)通过求取互相关系数的均值降低误差，并通过(3)式求解时刻k的最小方差

$>{\sigma }_i^2=E\left[n_i^2\right]=R_{ii}-{\bar{R}}_{ij}---\left(3\right)$>

3-3)依据(4)式求得最优权重

$>W_i=\frac{1}{{\sigma }_i^2{\Sigma }_{i=1}^N\frac{1}{{\sigma }_i^2}}---\left(4\right)$>

4)由求得的最优权重与观测值，按(5)式对天气雷达、微波链路、雨量计的降雨强度测量数据进行融合，得到融合后的降雨重构场；在时刻k格点X上的估计值为

$>\hat{X}=\underset{i=1}{\overset{N}{\Sigma }}{W}_i{X}_i\left(k\right)---\left(5\right)$>

其中N为N种仪器，X_i为降雨强度测量数据，W_i为加权因子，满足

所采用的观测资料是经检验有效的数据。

包括但并不限于以自适应最优加权的融合方法进行降雨场重构，此种融合方法融合过程中根据一定时间序列下的观测资料，利用自适应的方式得到各仪器的自相关系数和互相关关系；利用自、互相关关系得到各仪器的最优加权因子。

本发明的有益效果：一是将不同类型的降水信息进行适当的融合，可利用实时的动态观测值实现降雨场的重构，可有效提高资料的信息利用和区域降雨分布的精度，降低了某一资料出现错误时所造成的影响；尤其当某个仪器出现错误或失效时，其他仪器也可独立提供信息。二是融合模型中观测量的标准偏差通过实时动态数据累积，被设置为当前最佳的猜测值。自适应加权融合方法以均方误差最小做最优条件来获取最优权重，因而该估计算法的均方误差是最小的。将不同来源、不同精度、不同时空分辨率的微波链路、雨滴谱仪、雨量计与天气雷达的多源降水观测信息，在总均方误差最小的最优条件下，根据各仪器所提供的测量值，以自适应的形式找到各仪器对应的最优加权因子，进行降雨场重构，从而使得重构后的结果达到最优。将不同仪器联合起来对降水进行同步观测，对进一步提高降水空间分布的精度具有重要意义。

附图说明

图1是本发明的工作示意图；

图2是本发明的工作流程图；

图3是本发明的重构流程图。

具体实施方式

结合说明书附图详细描述本发明的实施方式。

如图2所示，本发明的多源降雨资料重构降水场的算法包括以下步骤：

1.选定微波链路网、雨滴谱仪、部分雨量计和天气雷达同步观测的覆盖区域，并进行离散格点化；

2.对降水资料做空间匹配与时间匹配，采用反距离插值法进行插值，得到格点化资料；

3.通过以自适应最优加权为例的融合算法，依据一定时间序列下的观测值，求解得到各格点对应的最优权重。

如图3所示，以自适应最优加权融合算法为例的重构流程为：

1)对于网格上任意一点X，将N种仪器的观测值表示为X_i(i＝1,2,..,N)，表述为

X_i(t)＝X(t)+n_i(t)(1)

其中t为观测时刻，n_i(t)为真值X(t)的误差量，n_i(t)的方差为

因为观测是无偏、相互独立的，则点X的估计和均方方差表示为

$>\hat{X}=\underset{i=1}{\overset{N}{\Sigma }}{W}_i{X}_i---\left(2\right)$>

$>{\sigma }^2=\underset{i=1}{\overset{N}{\Sigma }}{W}_i{\sigma }_i^2---\left(3\right)$>

其中W_i为加权因子，满足

为了求得最小方差下对X的估计，即确定(3)式中方差最小的W_i，构造辅助函数

$>f(W_1,W_2,\mathrm{...},W_N,\lambda )={\Sigma }_{i=1}^N{W}_i^2{\sigma }_i^2+\lambda ({\Sigma }_{i=1}^N{W}_i-1)---\left(4\right)$>

将(4)式在约束条件下的最值问题转化为条件极值问题：

$>\left(\begin{array}{c}\frac{\partial f}{\partial W_1}=2W_1{\sigma }_1^2+\lambda =0\\ \frac{\partial f}{\partial W_2}=2W_2{\sigma }_2^2+\lambda =0\\ \mathrm{...}\\ \frac{\partial f}{\partial W_N}=2W_N{\sigma }_N^2+\lambda =0\\ {\Sigma }_{i=1}^N{W}_i-1=0\end{array}\right)---\left(5\right)$>

求解后满足

$>W_i=\frac{1}{{\sigma }_i^2{\Sigma }_{i=1}^N\frac{1}{{\sigma }_i^2}}---\left(6\right)$>

由上式知，要确定最优权重，最重要的是确定

从以上分析可以看出，最优加权因子W_i由各个仪器的方差决定。

2)由于仪器方差一般是未知的，利用各仪器所提供的测量值，依据以下算法求解方差。

任意两个不同的仪器i、j的测量值分别为X_i、X_j，所对应的观测误差分别为n_i、n_j，即

X_i(t)＝X(t)+n_i(t)(7)

X_j(t)＝X(t)+n_j(t)(8)

因为n_i、n_j互不相关，且均值为零，与X也不相关，所以X_i、X_j的互相关系数满足

R_ij＝E[X_iX_j]＝E[X²](9)

X_i的自相关系数R_ii满足

$>R_{ii}=E\left[X_i{X}_i\right]=E\left[X^2\right]+E\left[{\sigma }_i^2\right]---\left(10\right)$>

(10)式与(9)式相减得

$>{\sigma }_i^2=E\left[n_i^2\right]=R_{ii}-R_{ij}---\left(11\right)$>

通过自相关、互相关系数的时间域估计值求解R_ii、R_ij。

3)设格点X上的测量数据个数为k，R_ii的时间域估计值为R_ii(k)，R_ij的时间域估计值为R_ij(k)，则

$>R_{ii}\left(k\right)=\frac{k-1}{k}{R}_{ii}(k-1)+\frac{1}{k}{X}_i\left(k\right)X_i\left(k\right)---\left(12\right)$>

同理

$>R_{ij}\left(k\right)=\frac{k-1}{k}{R}_{ij}(k-1)+\frac{1}{k}{X}_i\left(k\right)X_j\left(k\right)---\left(13\right)$>

为降低误差，求取各仪器对应R_ij(k)的均值，所以有

$>{\sigma }_i^2=R_{ii}\left(k\right)-{\bar{R}}_{ij}\left(k\right)---\left(14\right)$>

那么在时刻k格点X上的估计值为

$>\hat{X}=\underset{i=1}{\overset{N}{\Sigma }}{W}_i{X}_i\left(k\right)---\left(15\right)$>

4.通过各格点对应的权重与实时观测值，进行降雨场重构；

5.降雨场重构结束。