[发明专利]基于多源数据融合的配料法识别航空对流风险区的方法

说明书

本发明提供一种基于多源数据融合的配料法识别航空对流风险区的方法，基于多部雷达的三维组网拼图格点数据，通过建立雷达回波特征参数库，并利用当地机场气象观测数据中雷暴人工记录，挑选出有雷暴的强对流事件，通过聚类分析，得到雷达回波特征参数的阈值，建立多阈值雷暴云判别模型，对雷暴云团进行识别并提取出0℃等温层高度以上各层的积冰风险区，同时融合闪电数据确定航线上雷电风险区。本发明为飞行员在航线飞行中提供了对流云的三维风险区信息，有助于飞行员快速做出绕飞或者高度调整的决策，从而为航线飞行安全提供依据和参考。

技术领域

本发明属于气象分析技术领域，具体涉及一种基于多源数据融合的配料法识别航空对流风险区的方法。

背景技术

强对流天气是导致气象灾害的重要天气类型，对航空飞行安全造成严重影响。强对流天气中的雷暴能产生各式各样的危及飞行安全的天气现象，如强烈的颠簸、积冰、雷击和低空风切变等。当飞机误入雷暴活动区内，轻者造成人及损伤，重者机毁人亡[1-2]。因此，雷暴是目前被世界航空界和气象部门公认的严重威胁航空飞行安全的天敌，而“千里眼”多普勒气象雷达则是各机场气象部门监测强对流天气的主要手段，随着航班量的增加以及后疫情时代经济压力的影响，如何准确识别强对流天气风险区的水平和垂直范围，成为了有效提供航空生产效率和保障飞行安全所亟待解决的问题。

上世界80年代美国就提出了风暴识别算法(SCIT)及后来应用广泛的TITAN算法，这两种算法都是基于反射率因子的阈值进行的风暴识别。利用雷达三维反射率资料提取出层状云和对流云的6个参数，用以识别两类不同的云。随着机器学习的引入，利用LightGBM算法对地面观测数据和雷达回波产品建立模型分类识别出三类强对流天气，还有采用深度神经网络通过寻求雷达图像与“是否发生强对流天气”之间的函数映射关系，对雷达回波图像进行训练、建模达到对流识别的目的，此后还有技术利用随机森林、逻辑回归、以及支持向量机等算法对雷达反射率产品进行训练和建模，用以识别不同种类的强对流天气或者是天气的强度。这些技术的开发和应用很好的解决了当下强对流天气不同种类的识别，并广泛应用于电力、农业等领域，但事实上天气雷达作为特种设备，也存在着自身的缺陷，如超折射现象造成的虚假回波、以及地形对雷达阻挡、电磁干扰对雷达运行产生的影响都将直接导致上述技术对强对流识别结果出现虚报、漏报、错报，甚至其中有些算法脱离了气象专业的物理机制，往往造成了一些极端的结果出现，让用户难以接受，而气象人员也不容易找出原因。此外，这些技术往往是用以识别某一个地区是否存在雷暴、冰雹以及短时强降水等天气现象，而在民航空管系统中需要确切知道是对流风险区的范围等信息，以便于专业融合实现航路通行能力下降提示、危险区告警等能力。因此，需要有一种技术能够结合气象专业知识，面向民航飞行和空管系统，更加精确的识别出对流风险避让区，为提高对流天气下飞行安全及空域利用率提供支撑。

《基于LightGBM算法的强对流天气分类识别研究》(刘新伟,黄武斌,蒋盈沙,郭润霞,黄玉霞,宋强,杨勇.基于LightGBM算法的强对流天气分类识别研究[J].高原气象,2021,40(04):909-918.)，利用甘肃三个地区的C波段雷达回波产品以及地面观测数据，构建的LightGBM模型，来对三类主要的强对流天气[冰雹、雷暴大风、短时强降水(短强)]进行分类识别该技术存在以下缺点：

1、LightG-BM模型的好坏严重依赖于训练集的样本数量，需要较大的训练集进行建模；

2、该技术中强对流和非强对流天气的分类是依赖于地面观测资料，而该资料中的雷暴观测属于人工观测，在人工观测规范中，听到雷声依然要记录雷暴事件和雷暴方位以及持续时间，而事实上闪电在40-50km范围都能观测到，而雷声在20公里范围内都能听到，这就导致地面观测的强对流经纬度存在误差，且地面观测站的分布存在不均匀的特征。

3、该技术的输出结果主要是针对强对流天气的种类进行识别，而不是对流天气的范围进行提取，不能满足民航航线飞行需求。