一种基于改进RBF神经网络的降雨量估计方法

摘要

本发明公开了一种基于改进RBF神经网络的降雨量估计方法，包括如下步骤：(1)建立气象雷达反射率和雨量计降雨量之间的空间‑时间对应关系，使用2*2的mask确定每个雨量计对应的雷达反射率位置；(2)对处理过后的雷达反射率和降雨量分别从小到大排序，删除重复数据，构建网络的气象数据集；(3)构建包括输入层、隐层、输出层三层的前馈式RBF神经网络，用于反射率和降雨量的关系逼近；(4)采用遗传算法选择RBF神经网络的最优参数；(5)使用气象测试集对搭建的改进RBF神经网络进行性能测试。本发明无需目标地区的气象先验信息，对不同型号气象雷达均可适用；操作简单，运行时间快，网络性能稳定。

说明书

技术领域

本发明涉及气象雷达信号处理、雨量估计技术领域，尤其是一种基于改进RBF神经网络的降雨量估计方法。

背景技术

随着电子器件的发展，雷达技术在许多领域衍生出专用的雷达，如激光雷达、防空雷达、气象雷达等。气象雷达是一种主动式微波大气遥感设备，在农业种植、防涝减灾、灾害预警等领域发挥着重要的作用。降雨量估计技术便是实现这些目的的关键，它是指由气象雷达发射电磁波探测到降雨粒子的回波数据，反演得到包含降雨等丰富的气象信息的过程。

传统的气象雷达降雨量估计技术大多是基于降雨粒子的物理结构或雨量站的统计信息实现，通过建立降雨量R和雷达反射率因子Z之间的等式，完成降雨量估计。但是这些等式的参数需要根据当地的气象历史信息进行修正，且在不同波段和不同地区的气象雷达，降雨量等式中的气象参数大多不同，这对气象雷达降雨量估计的工作带来诸多不便。

近年来，神经网络在解决函数逼近，全局最优问题上得到了成功的运用。降雨量估计可认为是一种函数逼近问题，因此使用神经网络拟合雷达反射率和降雨量的关系成为新兴的研究方向。Xiao等人于1997年率先提出使用BP网络对气象雷达降雨量进行估计，并证实神经网络是一种可替代传统降雨估计算法的方式。2000年，Orlandnin等人使用三种不同的神经网络对气象雷达进行降雨量估计，在训练集较小的情况下，使用ANN模型获得降雨估计较大的性能提升。2007年，Teschl等人证实在降雨数据存在干扰的条件下，使用神经网络估计降雨量仍具有可行性。Chen等人于2019年同时使用仿真和实测气象数据，利用深度学习技术对降雨量进行估计，获得了优于传统Z-R关系算法的性能表现。

发明内容

本发明所要解决的技术问题在于，提供一种基于改进RBF神经网络的降雨量估计方法，操作简单，运行时间快，网络性能稳定，对不同型号的气象雷达均可适用。

为解决上述技术问题，本发明提供一种基于改进RBF神经网络的降雨量估计方法，包括如下步骤：

(1)建立气象雷达反射率和雨量计降雨量之间的空间-时间对应关系，使用2*2的mask确定每个雨量计对应的雷达反射率位置；

(2)对处理过后的雷达反射率和降雨量分别从小到大排序，删除重复数据，构建网络的气象数据集；

(3)构建包括输入层、隐层、输出层三层的前馈式RBF神经网络，用于反射率和降雨量的关系逼近；

(4)采用遗传算法选择RBF神经网络的最优参数；

(5)使用气象测试集对搭建的改进RBF神经网络进行性能测试。

优选的，步骤(1)中，建立的空间-时间对应关系如下：

Z′＝Sum(Z,Z

其中Z′是雨量计位置对应的等效雷达反射率；Z

优选的，步骤(2)中，排序方法为从小到大，删除重复数据的方式为：对反射率因子仅保留相同值的一个，对降雨量取相同反射率对应不同的降雨量的平均值；

Z

Z

其中Z

优选的，步骤(3)中，RBF神经网络包含输入层、隐层和输出层，其中网络隐层的核函数选择高斯函数；

其中G(x-c

其中c

F

其中F

优选的，步骤(5)中，采用测试集测试网络性能，并基于现有的气象雷达反射率图像I

本发明的有益效果为：本发明无需目标地区的气象先验信息，对不同型号气象雷达均可适用；操作简单，运行时间快，网络性能稳定。

附图说明

图1为本发明的方法流程示意图。

图2为本发明的实施例中降雨量与雷达反射率的空间-时间关系示意图。

图3为本发明的实施例中2*2的mask示意图。

图4为本发明建立的使用改进RBF网络逼近Z-R关系与其他方法的对比图。

图5(a)为本发明气象雷达反射率因子图像I

图5(b)为本发明基于MP模型的降雨量估计图

图5(c)为本发明基于WSR-88D雷达的降雨量估计图

图5(d)为本发明基于改进RBF神经网络的降雨量估计图

具体实施方式

如图1所示，一种基于改进RBF神经网络的降雨量估计方法，包括如下步骤：

(1)建立气象雷达反射率和雨量计降雨量之间的空间-时间对应关系，使用2*2的mask确定每个雨量计对应的雷达反射率位置；

(2)对处理过后的雷达反射率和降雨量分别从小到大排序，删除重复数据，构建网络的气象数据集；

(3)构建包括输入层、隐层、输出层三层的前馈式RBF神经网络，用于反射率和降雨量的关系逼近；

(4)采用遗传算法选择RBF神经网络的最优参数；

(5)使用气象测试集对搭建的改进RBF神经网络进行性能测试。

具体实现步骤如下：

步骤1，如图2所示，建立气象雷达反射率和雨量计降雨量之间的空间-时间对应关系，使用2*2的mask确定每个雨量计对应的雷达反射率位置，mask示意图如图3所示。

步骤11，建立气象雷达反射率和雨量计降雨量之间的空间对应关系。

Z′＝Sum(Z,Z

其中Z′是雨量计位置对应的等效雷达反射率；Z

步骤12，建立气象雷达反射率和雨量计降雨量之间的时间对应关系。

其中Z

步骤2，构建数据集：对处理过后的雷达反射率和降雨量分别从小到大排序，删除重复数据，构建网络的气象数据集；

步骤21，将反射率因子和降雨量数据按从小到大排序。

Z

其中Z

步骤22，删除反射率因子和降雨量的重复数据，方法为对反射率因子仅保留相同值的一个，对降雨量取相同反射率对应不同的降雨量的平均值。

Z

其中Z

步骤3，构建包括输入层、隐层、输出层三层的前馈式RBF神经网络，用于反射率和降雨量的关系逼近。其中网络隐层的核函数选择高斯函数。

其中G(x-c

其中c

步骤4，采用遗传算法选择RBF神经网络的最优参数；具体为，使用遗传算法确定RBF神经网络的参数，遗传算法的适应度函数为

F

其中F

步骤5，使用气象测试集对搭建的改进RBF神经网络进行性能测试。具体为，使用气象测试集对搭建的改进RBF神经网络进行性能测试，基于现有的气象雷达反射率图像I