[发明专利]终端区气象场景识别系统

说明书

本发明属于空中交通运行管理中的机场终端区运行气象场景分析技术领域，具体涉及一种终端区气象场景识别系统，其包括：深度卷积自编码嵌入聚类场景识别模块，构建基于改进深度卷积自编码的嵌入聚类方法，对图像降维和气象场景识别；评估模块，选取相应的无监督聚类效果评估指标，对气象场景识别进行评估；以及验证模块，对识别的气象场景进行验证，并确定所识别出场景的特点，实现了气象场景的分类识别，为管制员提供一种更直观的历史结果，并为现场管制运行提供一种较有效的事前分析手段。

技术领域

本发明属于空中交通运行管理中的机场终端区运行气象场景分析技术领域，具体涉及一种终端区气象场景识别系统。

背景技术

在空中交通领域，具有高动态性的气象条件是影响管制运行的重要因素，也是学者们及业界研究的重点对象。随着气象雷达数据产品不断完善，可视化气象数据(尤其是对流天气的可视化)也快速应用于航行计划和管制决策的制定。尽管可视化的气象数据可为空管人员决策提供了直观感知，但复杂多变的气象影响无法直接转化为管制决策，不同管制人员的经验差异会导致决策制定及实施效果的不同。为了提高管制策略有效性与决策效率、提供空中交通运行受气象影响程度的快速客观评估，相关研究人员提出了利用历史运行的相似性提供当前决策的支持，而气象场景识别概念是其核心内容。

气象场景识别过程包括气象图像特征提取和场景聚类划分。2015年和2016年KuhnK等人采用机器学习的方法进行特征提取(以PCA为主)，然后基于提取出的特征采用经典聚类方法来解决气象场景识别问题，但是传统机器学习方法对图像特征的提取存在着一定的不足。深度学习方法的发展加速了图像数据的广泛应用，能够在对数据无知的情况下，更完整地保留数据信息。由此，基于深度学习的对流天气场景识别存在较大的应用需求与研究空间。目前关于终端区气象场景识别的研究现状如下：尚未针对终端区高维气象图像数据的降维方法进行有效对比研究；对考虑严重程度和空间分布的终端区气象场景进行识别研究较少，部分研究以区域扇区为主；尚未将深度卷积自编码嵌入聚类的方法应用到终端区气象场景识别中。

因此基于无监督降维和聚类的终端区气象场景识别方法可以弥补上述空白领域，从而辅助管制员对历史对流天气场景进行分析，进而辅助其做出决策。对终端区气象场景识别进行数据降维方法对比，可以为未来在实际终端区气象场景识别应用及相关辅助分析工具开发时提供方法建议，在各种方法中给出更适用于对流天气图像降维的降维方法，以更准确、科学地进行后续研究。

另一方面，由于深度学习在各领域取得的卓越成就，不少学者将深度学习运用到民航领域，以预测相关研究为主，而在实际运行中，我们很少能够获得相关的标签，而打标签又是一个非常繁重的工作，因此为了减少不必要的工作量，有学者提出利用部分样本标签进行学习即半监督学习，而如何打标签、为哪些样本打标签则是其重要的基础，而无监督学习能够较好的解决其问题，这也使得无监督学习在初步研究时能够发挥重要作用。

因此，基于上述技术问题需要设计一种新的终端区气象场景识别系统。

发明内容

本发明的目的是提供一种终端区气象场景识别系统。

为了解决上述技术问题，本发明提供了一种终端区气象场景识别系统，包括：

深度卷积自编码嵌入聚类场景识别模块，构建基于改进深度卷积自编码的嵌入聚类方法，对图像降维和气象场景识别；

评估模块，选取相应的无监督聚类效果评估指标，对气象场景识别进行评估；以及

验证模块，对识别的气象场景进行验证，并确定所识别出场景的特点。

进一步，所述深度卷积自编码嵌入聚类场景识别模块适于构建基于改进深度卷积自编码的嵌入聚类方法，以进行图像降维和气象场景识别，即