[发明专利]一种基于大数据的自分型雷达估测降水方法

权利要求书

1.一种基于大数据的自分型雷达估测降水方法，其特征在于，该方法包括如下步骤：

1)根据雷达地形确定选取并考虑雷达波束的阻挡订正；

2)仰角合成：通过资料处理模块将雷达数据进行质量控制，并进行复合扫描平面的生成；从而将雷达低层3个仰角的基本反射率转换成一个最佳反射率的混合扫描；

3)最优化估测：所有雨量计观测的1小时降雨量记录总数为N，雨量计观测值用Gn表示，n＝1,2,3,...N，对第n个雨量计观测值Gn来说，有M个与之时空相对应的雷达回波强度Z_dBnm，m＝1,2,3...M；

根据雷达反射率因子和降水强度之间的关系式Z＝AI^b，可将Z_dBnm转化为降水强度I_nm，即

Inm=10ZdBnm-10lgA10b]]>

对降水强度进行时间积分就可以得到雷达测量的1小时降水，记为R_n，n＝1,2,3,...N，

Rn=ΣmM(Wnm×Inm)]]>

其中，W_nm是资料所代表的时间权重系数，根据雷达观测时间确定，

在最优化方法中采用最佳判别函数C_TF：

CTF=min{Σi=1n[(Ii-Ri)2+|Ii-Ri|]}]]>

式中：I_i为雷达估计的各个样本的雨强值，Ri为自动雨量站测量的雨强值；

4)数据清洗：以20分钟以内的3组雷达数据文件为一个集合，将所述步骤3)中的每个格点的降水值，通过函数f(x_i)：

f(xi)=1nΣ(Xi-X‾)2]]>

求得每个格点的相异度，将每个格点进行时间序列上的相异度划分和空间序列上的相异度划分，若相异度>10；则作为杂波过滤；

5)聚类分析：采用基于密度的聚类算法的DBSCAN算法，检测每个格点的ε-邻域：若一个点p的ε-邻域包含多于MinPts个点，则创建一个以p作为核心对象的新簇，然后，DBSCAN算法反复地寻找从这些核心对象直接密度可达的对象，这个过程涉及一些密度可达簇的合并，若没有新的点可以被添加到任何簇时，该过程结束，并提取该簇的平均值做为该簇的特征值；

6)建立估测偏差库：依据气象学原理，将降水量的日值观测数据按“层状云降水”、“混合性降水”、“积状云降水”进行区分，然后对降水量的日值观测数据进行插值，插值范围与雷达数据范围相同；然后，采用最小化函数求取各簇的偏差值；

7)动态订正：经过数据清洗后，按照最优法估测累计降水量，并计算该估测量与自动雨量站的实测值之差作为偏差值，读取估测偏差库的相应值作为偏差阈值，当偏差值超出偏差阈值时，调整最优法中的A值，否则认为雷达估测值可代表整个区域的估测值。

2.根据权利要求1所述的一种基于大数据的自分型雷达估测降水方法，其特征在于：根据地形选取雷达仰角的基础上，将大数据的聚类技术引入到估测降水算法中并进行数据清洗过滤，引入偏差阈值的概念，动态调整最优法的估测系数。