[发明专利]基于离散属性BNT的双偏振气象雷达降水粒子分类方法

说明书

本发明公开了一种基于离散属性BNT的双偏振气象雷达降水粒子分类方法。其首先对输入偏振参量进行离散化处理，然后使用离散化后的数据构造离散属性的贝叶斯网络，充分利用先验信息确定类先验概率，最后根据贝叶斯原理实现对降水粒子的分类。与传统FLA分类算法相比，本发明方法提高了对降水粒子的识别率，有效避免了传统方法中因概率模型或隶属度函数的选择造成的误差，对冰晶等非单峰分布的降水粒子识别能力有明显提升，算法可操作性和泛化性更强。仿真实验验证了本发明方法的有效性。

技术领域

本发明属于气象雷达信号处理技术领域，特别是涉及一种基于离散属性贝叶斯网络(BNT)的双偏振气象雷达降水粒子分类方法。

背景技术

云内降水粒子相态的合理识别在云降水物理、人工影响天气等领域具有非常重要的科学意义，不仅对了解水凝物在云中的生成和转换、提高降水量的测量精度有重要的应用价值，而且能为人工影响天气的决策和评估提供重要的参考依据。

由于传统的单偏振气象雷达只发射和接受单一方向的功率信息，因此得到的信息有限，限制了其对降水粒子分类的准确性。双线偏振气象雷达作为一种新型的天气信号回波探测工具，由于能同时发射和接收水平与垂直极化方向的信号，较传统的单偏振气象雷达可以获得更多的极化信息，因而在天气信号处理中的降水粒子分类方面具有一定的优势。

目前双偏振气象雷达降水粒子分类方法的研究主要集中在两大领域，一类是基于模糊逻辑分类算法(Fuzzy Logic Algorithms,FLA)的降水粒子分类方法，另一类是基于机器学习理论的降水粒子分类方法。其中模糊逻辑分类算法第一次被应用到双偏振气象雷达降水粒子分类中是在1996年，Straka等根据不同类型的降水粒子的偏振参量具有不同取值范围提出了基于模糊逻辑分类算法的降水粒子分类算法并取得成功。此后对FLA的研究大部分专注于对隶属度函数(Membership Function，MF)的改进、对特定降水粒子识别的研究以及提高模糊逻辑分类算法的鲁棒性。但其一直存在的问题：不同降水粒子的偏振参量隶属度函数的选取以及不同降水粒子权重的确定方式都需要依靠专家经验，这个问题一直没有得到有效解决。

二十世纪七十年代以来，随着机器学习理论的再次兴起，布尔决策树方法、支持向量机(Support Vector Machine，SVM)方法以及聚类方法相继被应用到降水粒子分类中来。其中布尔决策树方法原理简单，可以直观体现数据的特点，但在类别较多时决策树复杂度呈指数增长；SVM算法在处理2分类问题上表现优越，但在对降水粒子分类问题上需要由2分类构建多分类，相比其他方法，计算量随类别标签数量成倍增加；聚类方法具有实现要求低、不需要训练样本等优点，但某些降水粒子回波数据在属性空间中的真实集群并不是类球状的，传统聚类方法在面对这种降水粒子时表现欠佳。2008年Marzano等首次探索了贝叶斯方法(Bayes Approach)在降水粒子分类中的应用，并提出相较模糊逻辑分类算法，贝叶斯方法至少有两个优点：1)可以处理高维更复杂的信息2)可以充分利用先验信息。Marzano首先用T-Matrix加上高斯噪声仿真了双偏振气象雷达回波数据，然后提出了用多维高斯模型来估计降水粒子回波数据的联合概率密度函数，依据贝叶斯原理进行降水粒子分类的方法。但是近年来随着对降水粒子分布特性深入研究，在分类类别较多时，某些降水粒子(例如冰晶)的雷达回波数据的概率分布呈双峰性，继续使用高斯模型会因模型的选取而带来较大误差。并且Marzano仅采用温度信息作为附加信息确定类先验概率信息，没有作更全面的考虑。

发明内容

为了解决上述问题，本发明的目的在于提供一种基于离散属性BNT的双偏振气象雷达降水粒子分类方法。

为了达到上述目的，本发明提供的基于离散属性BNT的双偏振气象雷达降水粒子分类方法包括按顺序进行的下列步骤：