基于人工神经网络的雷达图校正方法

梁后军 谢睿 常郝

摘要：气象部门每天都会定时发布一些雷达产品，供广大用户参考或调用，这给工农业生产帶来了一定的便利，但有时这些产品难以直接用于我们自己的程序中.本文针对气象部门发布的雷达图坐标系统未知，无法直接用于开源地理软件Openscales的情况，利用神经网络强大的非线性映射能力将雷达图片进行非线性扭曲，使其适合开源软件Openscales.实验结果表明非线性转换后的图片能几乎完全与Openscales中的地图吻合，误差不超过2个像素.

关键词：雷达图，神经网络，非线性校正

中图分类号：P415.2  文献标识码：A  文章编号：1673-260X（2019）08-0069-03

一直以来，水利和气象部门通过雨量计监测降雨大小，并对雨量计数据进行插值计算未设雨量计区域的降雨.然而雨量计算的精度与雨量计的布设密度和分布有关，在平原地区，雨量计容易布设，一般雨量计布设密度比较大;而在山、林地区由于施工难度较大、电源不易接通以及无线或有线数据传输难度大，一般雨量计布设的比较稀少，给山、林地区降雨监测带来一定的监测空缺;比如某局部地区下了一场大雨，产生了泥石流，而该地区没有布设雨量计，水利、气象部门根本不知道此地区下了雨，这就使得救援工作难以及时开展，给人民群众的生命、财产安全造成极大隐患.因而急需要一种新的能与雨量计相互补充的降雨监测技术，使得在雨量计布设稀疏地区也能很好的准确监测降雨强度.

我国气象部门从20世纪60年代中期第二次世界大战以后，雷达技术得到迅速发展，出现了不同技术特点，不同用途的雷达，其中用于对大气中发生的各种天气现象进行探测的雷达统称为气象雷达.随着雷达的发展与广泛应用，雷达对各种复杂天气的监测和预警有着重要意义，国内外气象工作者一直广泛开展针对雷达技术方面的研究开发工作[1，2].利用天气雷达定量估测降水分布和降水量可以提高短时临近预报的准确率[3，4].龚雪鹏等[5]利用分类型最优化法对数据拟合，进行雷达产品降水估测，建立适合本区域的Z-I关系（Z表示雷达反射率，I表示降雨强度），结果表明与理论Z-I关系（Z=300×I1.4）相比，分类优化的Z-I关系适用性较好能为本区域降水估测提供较可靠的判断依据.

综上所述，雷达测雨精度比不上传统的雨量计，但可以轻易覆盖雨量计难以布设的地区;雷达与雨量计相结合，既可以消除雷达测雨精度低的缺点，又可以较好的监测未布设雨量计区域的降雨情况，已越来越受到水利、气象部门的重视.气象部门也在网站上公开发布了多种图片形式的雷达产品供大家使用，但由于其坐标系统与我们的开发软件Openscales所用地图坐标不一致，难以叠加到软件中的地图上，因此本文利用神经网络强大的非线性映射能力将气象部门发布的雷达图片进行非线性扭曲，使其适合开源地图软件Openscales.

1 天气雷达原理

目前，我国新一代天气雷达的降水估计算法沿用了WSR-88D中设定的由美国夏季深对流云降水统计得到的Z-I关系式，即Z=AIb.其中，Z为雷达反射率因子，I为降水强度，默认值为A=300，b=1.4;A，b为和雨滴谱有关的系数，这是雷达估测降水的理论基础.理论上根据这一关系，由雷达反射率因子可以直接估测降水，不需要雨量校准，实际工作中由于各地区气候、地理环境存在差异，需要结合当地统计数据对此公式进行实时校正.我国新一代天气雷达的所有降水估算产品也是基于Z-I关系得到的，在气象网站上在公开发布了多种雷达产品供大家使用.

2 地图坐标转换

我国基本比例尺地形图（1：100万、1：50万、1：25万、1：10万、1：5万、1：2.5万、1：1万、1：5000）除1：100万以外均采用高斯-克吕格Gauss-Kruger投影（横轴等角切圆柱投影，又叫横轴墨卡托Transverse Mercator投影）为地理基础.1：100万地形图采用兰伯特Lambert投影（正轴等角割圆锥投影），其分幅原则与国际地理学会规定的全球统一使用的国际百万分之一地图投影保持一致.不同的投影方法对应着不同的投影坐标系，在世界地图方面，EPSG：4326是比较著名的一个，美国的GPS系统使用的就是EPSG：4326.EPSG全称European Petroleum Survey Group，该组织负责维护并发布坐标参照系统的数据集参数，以及坐标转换描述.

开源地图系统Openscales中常用的坐标系统就是EPSG：4326，但雷达图片的坐标系统是未知的，因此需要对雷达图片进行转换，使其能适用于Openscales.

3 神经网络非线性映射

3.1 原理说明

如图1所示，左边是雷达图，右边是开源地理信息系统Openscales中的地图.在Openscales地图中每个点的经纬度都是已知的，可以通过程序在界面上显示出来.而左侧雷达图由于是从其它网页上调用的，其所用坐标系统和各点的经纬度都是是未知的.但是，如图中箭头所示，可以借助两幅图中若干一一对应的特征点，由右图中已知的数据，反求出左边雷达图中各点的经纬度.从图中箭头线可以看出，各条线不是完全平行的，这就意味着两幅图之间存在非线性映射关系，不论将雷达图如何放大缩小均不可能与右边的地图吻合上，需要进行非线性映射.

人工神经网络[6，7]在非线性分类、模式识别及数据拟合方面性能优异，其中BP（Error Back-Propagation）[7]神经网络由于输入、输出均可以是实数，具有很强的连续非线性拟合能力.因而本文采用BP神经网络实现求解雷达图上各点像素点的经纬度值，具体包含两个步骤：

（1）先找出两幅图上比较明显的特征点对（比如上图中箭头所标注的若干点），用这些特征点对对BP神经网络进行训练.本文一共选择了65个特征点对，部分数据如表1所示.

（2）使用训练好的神经网络，将雷达图中各点的图片坐标作为神经网络的输入即可在输出端得到对应的经纬度.

3.2 神经网络原理及结构

因为Sigmoid函数（简称S型函数）处处可导且具有非线性饱和的特性，BP神经网络一般选用S型函数作为激活函数.S型函数在负无穷端趋于0，正无穷端趋于1，呈非线性饱和特性，中间部分呈线性特性，非常类似生物神经元的信号输出形式，可增强网络的非线性映射能力.

由图3可见，转换后的雷达图与转换前的雷达图存在非常明显的差异，将非线性转换后的图片叠加到Openscales地图上（见图4），可见两者的国家边界完全吻合.

4 总结与讨论

本研究针对气象部门发布的雷达图坐标系统未知，无法直接用于开源地理软件Openscales的情况，利用神经网络强大的非线性映射能力将气象部门发布的雷达图片进行非线性扭曲，以期使其适合开源地图软件Openscales.实验结果表明非线性转换后的图片能几乎完全与Openscales中的地图吻合，误差不超过2个像素，取得了良好的效果.

——————————

参考文献：

〔1〕寇蕾蕾，李应超，楚志刚，等.C波段双偏振多普勒天气雷达资料分析及在定量估计降水中的应用研究[J].热带气象学报，2018，34（4）：460-472.

〔2〕赵静，马尚昌，代桃高，等.Ka波段毫米波云雷达探测能力的分析研究[J].成都信息工程大学学报，2016，31（1）：29-35.

〔3〕路志英，陈靖，田硕，等.基于风暴相对螺旋度的降雨预报模型检验[J].沙漠与绿洲气象，2016，10（3）：9-15.

〔4〕张卫国，范仲丽，钟伟，等.雷达回波外推方法在临近降雨预报中的应用[J].中国农村水利水电，2018（9）：69-75.

〔5〕龚雪鹏，徐晓，聂祥，等.毕节CINRAD/CD雷达定量估测降水Z-I关系的研究[J].环境科學，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.