基于人工神經網絡的雷達圖校正方法

梁后軍 謝睿 常郝

摘要：氣象部門每天都會定時發布一些雷達產品，供廣大用戶參考或調用，這給工農業生產帶來了一定的便利，但有時這些產品難以直接用于我們自己的程序中.本文針對氣象部門發布的雷達圖坐標系統未知，無法直接用于開源地理軟件Openscales的情況，利用神經網絡強大的非線性映射能力將雷達圖片進行非線性扭曲，使其適合開源軟件Openscales.實驗結果表明非線性轉換后的圖片能幾乎完全與Openscales中的地圖吻合，誤差不超過2個像素.

關鍵詞：雷達圖，神經網絡，非線性校正

中圖分類號：P415.2? 文獻標識碼：A? 文章編號：1673-260X（2019）08-0069-03

一直以來，水利和氣象部門通過雨量計監測降雨大小，并對雨量計數據進行插值計算未設雨量計區域的降雨.然而雨量計算的精度與雨量計的布設密度和分布有關，在平原地區，雨量計容易布設，一般雨量計布設密度比較大;而在山、林地區由于施工難度較大、電源不易接通以及無線或有線數據傳輸難度大，一般雨量計布設的比較稀少，給山、林地區降雨監測帶來一定的監測空缺;比如某局部地區下了一場大雨，產生了泥石流，而該地區沒有布設雨量計，水利、氣象部門根本不知道此地區下了雨，這就使得救援工作難以及時開展，給人民群眾的生命、財產安全造成極大隱患.因而急需要一種新的能與雨量計相互補充的降雨監測技術，使得在雨量計布設稀疏地區也能很好的準確監測降雨強度.

我國氣象部門從20世紀60年代中期第二次世界大戰以后，雷達技術得到迅速發展，出現了不同技術特點，不同用途的雷達，其中用于對大氣中發生的各種天氣現象進行探測的雷達統稱為氣象雷達.隨著雷達的發展與廣泛應用，雷達對各種復雜天氣的監測和預警有著重要意義，國內外氣象工作者一直廣泛開展針對雷達技術方面的研究開發工作[1，2].利用天氣雷達定量估測降水分布和降水量可以提高短時臨近預報的準確率[3，4].龔雪鵬等[5]利用分類型最優化法對數據擬合，進行雷達產品降水估測，建立適合本區域的Z-I關系（Z表示雷達反射率，I表示降雨強度），結果表明與理論Z-I關系（Z=300×I1.4）相比，分類優化的Z-I關系適用性較好能為本區域降水估測提供較可靠的判斷依據.

綜上所述，雷達測雨精度比不上傳統的雨量計，但可以輕易覆蓋雨量計難以布設的地區;雷達與雨量計相結合，既可以消除雷達測雨精度低的缺點，又可以較好的監測未布設雨量計區域的降雨情況，已越來越受到水利、氣象部門的重視.氣象部門也在網站上公開發布了多種圖片形式的雷達產品供大家使用，但由于其坐標系統與我們的開發軟件Openscales所用地圖坐標不一致，難以疊加到軟件中的地圖上，因此本文利用神經網絡強大的非線性映射能力將氣象部門發布的雷達圖片進行非線性扭曲，使其適合開源地圖軟件Openscales.

1 天氣雷達原理

目前，我國新一代天氣雷達的降水估計算法沿用了WSR-88D中設定的由美國夏季深對流云降水統計得到的Z-I關系式，即Z=AIb.其中，Z為雷達反射率因子，I為降水強度，默認值為A=300，b=1.4;A，b為和雨滴譜有關的系數，這是雷達估測降水的理論基礎.理論上根據這一關系，由雷達反射率因子可以直接估測降水，不需要雨量校準，實際工作中由于各地區氣候、地理環境存在差異，需要結合當地統計數據對此公式進行實時校正.我國新一代天氣雷達的所有降水估算產品也是基于Z-I關系得到的，在氣象網站上在公開發布了多種雷達產品供大家使用.

2 地圖坐標轉換

我國基本比例尺地形圖（1：100萬、1：50萬、1：25萬、1：10萬、1：5萬、1：2.5萬、1：1萬、1：5000）除1：100萬以外均采用高斯-克呂格Gauss-Kruger投影（橫軸等角切圓柱投影，又叫橫軸墨卡托Transverse Mercator投影）為地理基礎.1：100萬地形圖采用蘭伯特Lambert投影（正軸等角割圓錐投影），其分幅原則與國際地理學會規定的全球統一使用的國際百萬分之一地圖投影保持一致.不同的投影方法對應著不同的投影坐標系，在世界地圖方面，EPSG：4326是比較著名的一個，美國的GPS系統使用的就是EPSG：4326.EPSG全稱European Petroleum Survey Group，該組織負責維護并發布坐標參照系統的數據集參數，以及坐標轉換描述.

開源地圖系統Openscales中常用的坐標系統就是EPSG：4326，但雷達圖片的坐標系統是未知的，因此需要對雷達圖片進行轉換，使其能適用于Openscales.

3 神經網絡非線性映射

3.1 原理說明

如圖1所示，左邊是雷達圖，右邊是開源地理信息系統Openscales中的地圖.在Openscales地圖中每個點的經緯度都是已知的，可以通過程序在界面上顯示出來.而左側雷達圖由于是從其它網頁上調用的，其所用坐標系統和各點的經緯度都是是未知的.但是，如圖中箭頭所示，可以借助兩幅圖中若干一一對應的特征點，由右圖中已知的數據，反求出左邊雷達圖中各點的經緯度.從圖中箭頭線可以看出，各條線不是完全平行的，這就意味著兩幅圖之間存在非線性映射關系，不論將雷達圖如何放大縮小均不可能與右邊的地圖吻合上，需要進行非線性映射.

人工神經網絡[6，7]在非線性分類、模式識別及數據擬合方面性能優異，其中BP（Error Back-Propagation）[7]神經網絡由于輸入、輸出均可以是實數，具有很強的連續非線性擬合能力.因而本文采用BP神經網絡實現求解雷達圖上各點像素點的經緯度值，具體包含兩個步驟：

（1）先找出兩幅圖上比較明顯的特征點對（比如上圖中箭頭所標注的若干點），用這些特征點對對BP神經網絡進行訓練.本文一共選擇了65個特征點對，部分數據如表1所示.

（2）使用訓練好的神經網絡，將雷達圖中各點的圖片坐標作為神經網絡的輸入即可在輸出端得到對應的經緯度.

3.2 神經網絡原理及結構

因為Sigmoid函數（簡稱S型函數）處處可導且具有非線性飽和的特性，BP神經網絡一般選用S型函數作為激活函數.S型函數在負無窮端趨于0，正無窮端趨于1，呈非線性飽和特性，中間部分呈線性特性，非常類似生物神經元的信號輸出形式，可增強網絡的非線性映射能力.

由圖3可見，轉換后的雷達圖與轉換前的雷達圖存在非常明顯的差異，將非線性轉換后的圖片疊加到Openscales地圖上（見圖4），可見兩者的國家邊界完全吻合.

4 總結與討論

本研究針對氣象部門發布的雷達圖坐標系統未知，無法直接用于開源地理軟件Openscales的情況，利用神經網絡強大的非線性映射能力將氣象部門發布的雷達圖片進行非線性扭曲，以期使其適合開源地圖軟件Openscales.實驗結果表明非線性轉換后的圖片能幾乎完全與Openscales中的地圖吻合，誤差不超過2個像素，取得了良好的效果.

——————————

參考文獻：

〔1〕寇蕾蕾，李應超，楚志剛，等.C波段雙偏振多普勒天氣雷達資料分析及在定量估計降水中的應用研究[J].熱帶氣象學報，2018，34（4）：460-472.

〔2〕趙靜，馬尚昌，代桃高，等.Ka波段毫米波云雷達探測能力的分析研究[J].成都信息工程大學學報，2016，31（1）：29-35.

〔3〕路志英，陳靖，田碩，等.基于風暴相對螺旋度的降雨預報模型檢驗[J].沙漠與綠洲氣象，2016，10（3）：9-15.

〔4〕張衛國，范仲麗，鐘偉，等.雷達回波外推方法在臨近降雨預報中的應用[J].中國農村水利水電，2018（9）：69-75.

〔5〕龔雪鵬，徐曉，聶祥，等.畢節CINRAD/CD雷達定量估測降水Z-I關系的研究[J].環境科學，2017（1）：77-78.

〔6〕Syed Rahman， Haneen Aburub， Yemeserach Mekonnen， et al.， A Study of EV BMS Cyber Security Based on Neural Network SOC Prediction. IEEE/PES Transmission and Distribution Conference and Exposition （T&D）， 2018： 1-5.

〔7〕Linyong Cheng， Dongdong Chen，Mingsong Chen， A precise BP neural network-based online model predictive control strategy for die forging hydraulic press machine. Neural Comput & Application， 2016.