[发明专利]一种基于ADS-B的风场重建与预测系统

说明书

本发明提供了一种基于ADS‑B的风场重建与预测系统，包括ADS‑B数据处理模块、气象粒子模型风场重构模块和深度学习算法的风场预测模块。本发明把实时、高并发的加装ADS‑B机载端的民航飞机视作传感器，利用ADS‑B的广播功能，向地面设备和其他航空器广播飞机的位置、高度、速度、识别号等信息，实现全空域范围内、无距离限制的数据传输，为构建空域风场信息重构和预测平台提供重要的技术手段。此外，实时发送功能提高了气象重构和预测的效率，降低了空中交通事故发生的概率。

技术领域

本发明属于航路监测和航空气象领域，尤其是涉及一种基于ADS-B的风场重建与预测系统。

背景技术

近年来，作为国际民航组织(ICAO)的重要成员，我国航空运输每年保持15％以上的发展速度，不管是飞机总数量、总飞行周转量、运输总人次都发展迅猛。由于我国和世界航空运输市场的发展，加快了包括监视、通信、导航及空中交通管理的新航行系统的建设。广播式自动相关监视(Automatic Dependent Surveillance-Broadcast，ADS-B)是一种基于全球卫星定位系统和空-空、地-空数据链通信的航空器运行监视技术，飞机周期性广播由机载星基导航和定位系统生成的精准信息，地面设备和其它飞机通过数据链接收此信息，卫星系统、飞机以及地基系统通过数据链进行空天地一体化协同监视。ADS-B技术的显著优势在于，其数据精度和更新率比一次雷达和二次雷达高，运行成本远低于二次雷达，适合于山区、荒漠、边远机场等不宜建设雷达的区域以及高密度机场的监视，因此，ADS-B技术是未来监视系统的重要组成部分和发展方向。

在空中交通管理和气象研究中，将实时、高并发的飞机视作天气传感器已成为一种趋势。风是航空气象众多的影响因素中最常见且最危险的一种，相关研究显示，即使对于日常飞行，风也频繁地影响飞行轨迹和预计到达时间。因此，风场测量的精确性对航空气象研究尤为重要。然而，传统的风场探测技术应用于航空气象领域存在分辨率和实时性较低的问题。目前，每架飞机利用ADS-B机载传感设备实时采样并发送位置数据和气象数据给地面接收站，具有很高的时空采样频率和数据更新率，且性价比很高。中国的ADS-B相关研究主要集中在设备研究、航路监控应用研究，在基于ADS-B的空域风场探测中仍处于起步阶段。因此，如何设计一种精确、低成本的ADS-B风场重建与预测系统是亟需解决的技术问题。

发明内容

有鉴于此，本发明旨在提出一种基于ADS-B的风场重建与预测系统，以提高航空频繁增加期间民航空中交通管制部门对航迹规划、航班飞行任务规划的有效性。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于ADS-B的风场重建与预测系统，包括ADS-B数据处理模块、气象粒子模型的风场重构模块和深度学习算法的风场预测模块；

所述ADS-B数据处理模块，用于将地面站提取的ADS-B数据进行解析，获得飞机飞行的经度、纬度、航班号、地速、几何高度等信息，通过解析后的信息识别飞机飞行状态、提取飞行数据，最后通过反演算法获得风矢量值，并将该数据作为气象粒子模型的风场重构模块中的观测风；

所述气象粒子模型的风场重构模块，模拟自然界中的气体粒子，当获得观测风时生成粒子并对粒子进行建模，粒子在空域内传播遵循随机过程，通过组合所有相邻粒子的加权状态构建风场，并将结果用于深度学习算法的风场预测模块；

所述深度学习算法的风场预测模块，采用机器学习的方法预测空域风场信息，将空域划分成三维网格空间，网格内的风矢量由气象粒子模型重构后提供，将网格内风场数据分为三组，70％作为训练集，20％作为验证集，10％作为测试集。采用Encoder-Decoder形式的Transformer序列模型，通过序列模型挖掘输入序列中的信息，再通过Decoder进行预测；

进一步的，所述ADS-B数据处理模块包括解析ADS-B数据模块、飞机状态识别模块、飞行数据提取模块和风矢量反演模块。