基于改进型脉冲耦合神经网络的混沌相态分类方法

混沌相态分类是利用混沌系统检测微弱信号的关键步骤.提出一种基于改进型脉冲耦合神经网络的混沌相态分类方法.利用该网络模拟哺乳动物视觉皮层神经细胞活动的特点,提取混沌系统输出相态图的结构特征,并应用均值残差算法进行特征信息降维,进而实现对系统混沌态与周期态的实时判别.以Lyapunov特性指数方法作为评价准则,分别使用正弦信号和标准ECG信号对所提方法进行检验,实验结果表明,所提方法可以快速、准确地对不同的混沌相态进行分类.

模拟退火优化BP神经网络进行云相态分类

为利用中分辨率成像光谱仪(MODIS)多通道云图数据对云相态进行分类,提出了一种利用云图红外、可见光谱段数据,基于SABP神经网络的云相态分类算法。算法基于BP人工神经网络学习算法及模拟退火算法。在两算法结合的基础上,作出了有益于云相态分类的改进。基准网络模型为3层前馈BP网络,其中,隐层和输出层使用不同的激活函数。选取了5种光谱特征作为网络输入,输出两单元判定结果。为加速收敛速度,避免振荡,采用了一种自适应的变学习系数、惯性系数策略。个例分析表明,算法在中低纬度地区效果良好。

基于云雷达资料的那曲对流云粒子相态识别研究

本文利用第三次青藏高原大气科学试验的Ka波段云雷达资料,结合微波辐射计和探空资料,提出了以模糊逻辑算法为框架的相态识别方法,并利用那曲两个典型对流云个例对方法效果进行了分析。通过与前人方法的对比和对不同相态粒子回波强度谱的统计,进一步验证了本文方法的可靠性。结果表明:利用雷达功率谱资料反演下落末速度并代替径向速度作为相态识别的参量之一,可提升对流云内粒子相态分类结果的合理性。零度层亮带和抬升凝结高度参量的使用,能够进一步优化相态识别的初步结果。固态云粒子的下落末速度远低于相同反射率因子的降水粒子,多模态/多谱峰的谱形态特征能够帮助识别混合相态粒子。

结合注意力机制的深度学习葵花8号影像云相态识别方法研究

云相态的准确分类对地气辐射收支系统及云光学性质等方面的研究至关重要。传统的云相态分类方法利用不同种类云所具有的光谱特征差异,这些分类算法大多仅在白天场景下进行,并且存在数据集相对匮乏的问题。以2016年1—8月地球同步卫星葵花8号的多波段辐射信息作为研究对象,以主动观测极轨卫星CloudSat以及CALIPSO合并的云相态分类产品作为参考标签,建立嵌入自注意力机制的云相态分类深度神经网络(DNN),实现白天/夜间场景下的“冰云”“水云”“混合相云”的云相态分类判定和输出。实验结果表明,夜间模型平均精确率约79%,白天模型平均精确率约85%;引入自注意力机制提升云相态检测模型的性能,添加两层注意力层的白天模型和夜间模型,相比未添加注意力层的模型,F 1分数均提高约0.04。

基于微雨雷达的降水参数反演和粒子相态识别

本文基于微雨雷达原始的后向散射信号,采用一种新的功率谱处理算法(RaProM算法),在功率谱计算、噪声去除、退模糊等处理的基础上计算了雷达基本参量,并反演了液态降水参数,例如雷达反射率因子、雨强等,并对粒子相态进行识别。RaProM算法综合考虑粒子下落速度、等效雷达反射率因子、不同相态粒子的尺度特征以及是零度层亮带位置等信息,可识别的粒子相态包括雪、毛毛雨、雨、冰雹以及混合相态。选取了三个山东地区较为典型的个例对RaProM反演算法进行验证,即2021年7月2日典型层状云降水个例、2019年12月25日雨雪转换个例以及2018年3月4日零度层高度逐渐降低的降水个例。结果显示:粒子识别方法应用于典型层状云降水,垂直方向上不同相态粒子的分层较为明显,过冷层里的固态降水雪花、零度层附近冰水转换区的混合相态降水以及零度层以下的液态降水符合现有认识,验证了反演算法以及粒子识别算法的有效性。将结果进一步在雨雪转换降水相态识别中和零度层高度的检测,该反演算法均能得到较好应用,与同址同步观测的微波辐射计、云雷达、二维视频雨滴谱仪等观测结论一致。另外,与微雨雷达标准反演算法对比,RaProM算法的优势是没有粒子相态的原始假设,且考虑降水粒子向上的速度,反演结果与微波辐射计、云雷达在垂直结构上有较高的一致性。与地面激光雨滴谱仪观测数据对比显示,也有效提升了微雨雷达对雨滴谱和雨强的反演能力。

基于多相态KE-I关系的降水动能计算方法

降水动能描述了水凝物到达地表的动能大小,是计算土壤颗粒分离和土壤侵蚀等地表物理化学过程的重要参数之一。针对目前降水动能计算多考虑降雨特征,忽略其他相态降水的问题,本研究基于2018年全国25个雨滴谱仪站点的降水观测数据,结合速度(V)-直径(D)关系对水凝物进行相态划分,拟合了不同相态降水的降水动能-降水强度(KE_(V)-I)经验公式,总结出适用于雨、雪、雹的动能计算关系模型,并对各相态降水动能进行偏差分析和校正。结果表明:(1)降雨动能计算适用KE_(V)-I指数型关系公式,降雪和降雹动能计算适用幂函数型关系公式;(2)降水动能偏差与总降水中非液态占比呈正相关,仅以降雨KE_(V)-I经验公式估算所有相态降水的动能会显著高估降雪动能和低估降雹动能,对降水整体估算偏差在-0.05到0.31之间;(3)通过建立各相态的KE_(V)-I计算模型,降水整体估算误差得到有效降低,降雪偏差从7.08降至-0.05,降雹偏差从-0.29降至0.03。本文所提出的方法能够有效提高降水动能估算的准确度,为区域土壤水力侵蚀计算提供更好的支撑。

闽南地区大冰雹超级单体演变的双偏振特征分析

通过研究大冰雹超级单体风暴的偏振特征、动力及云物理结构的演变,可了解大冰雹形成的物理过程,并获得与大冰雹形成、生长相关的相关征兆偏振特征,进而提升对大冰雹超级单体的预警能力。利用厦门S波段双偏振雷达资料,结合双雷达风场反演和粒子相态识别算法对2019年4月22日发生在闽南地区一次导致大冰雹的超级单体进行了分析。研究表明:差分反射率因子(Z dr)大值区位于三体散射(TBSS)的起始位置及反射率因子(Z h)强中心的远端。同时,TBSS中的相关系数(CC)较低,TBSS的偏振特征有助于识别高空中的大冰雹。大冰雹区表现出高Z h和低Z dr的偏振特点,随着大冰雹降落融化,其表面存在外包水膜现象使得大冰雹周围的Z dr增大,CC减小。在超级单体低层的Z h强中心内存在一个差分相位常数(K dp)增大的区域,被称为K dp足。K dp对大冰雹较不敏感,是冰雹融化的较好指标。因此,K dp足可用于指示由冰雹融化导致的下沉气流区。在水平风场上存在明显的双涡旋结构。双涡旋结构有助于超级单体的发展及大冰雹的循环增长。在中气旋的东北侧,存在一个中等强度Z h、低Z dr、高CC的区域,被称为霰带。粒子相态识别算法显示霰带中主要的水凝物为霰。由于靠近中气旋,部分霰作为雹胚被卷入上升气流中。基于上述分析给出大冰雹超级单体的偏振特征和三维风场结构示意图。