一種面向嵌入對(duì)流單體的積層混合云播云效果評(píng)估方法 技術(shù)領(lǐng)域 [0001] 本發(fā)明涉及評(píng)估領(lǐng)域，尤其涉及一種面向嵌入對(duì)流單體的積層混合云播云效果評(píng)估方法。 背景技術(shù) [0002] 人工影響天氣是指為避免和減輕氣象災(zāi)害，在適當(dāng)條件下通過(guò)技術(shù)手段對(duì)大氣的物理、化學(xué)過(guò)程進(jìn)行人工影響，實(shí)現(xiàn)增雨、防雹、消減雨、消霧等目的，使得局部天氣現(xiàn)象朝著預(yù)定的方向轉(zhuǎn)變。一般來(lái)說(shuō)，人工催化的效果是指目標(biāo)云的微物理過(guò)程和降水過(guò)程發(fā)生的變化。由于缺乏科學(xué)、有效的方法和手段，人工催化效果評(píng)估一直以來(lái)是制約人影工作發(fā)展的技術(shù)難題之一。 [0003] 目前科研和業(yè)務(wù)上常用的效果評(píng)估方法包括物理檢驗(yàn)和數(shù)值模擬檢驗(yàn)，其中物理檢驗(yàn)受限于云降水觀測(cè)儀器的覆蓋和精度，數(shù)值模擬檢驗(yàn)往往由模式自身對(duì)云降水的預(yù)報(bào)準(zhǔn)確性決定。因此，做到人工播云效果的科學(xué)、定量評(píng)估仍然較為困難。針對(duì)均勻性的層狀云和對(duì)流單體的作業(yè)效果評(píng)估，往往采用直觀對(duì)比方法。而針對(duì)積層混合云，特別是有嵌入對(duì)流單體的情況下，其在發(fā)展演變過(guò)程中存在巨大的自然變差，效果評(píng)估的難點(diǎn)是將播云產(chǎn)生的影響從云系的自然演變中剝離出來(lái)。傳統(tǒng)的直觀對(duì)比方法在對(duì)比區(qū)選取存在較強(qiáng)的主觀性，有時(shí)甚至很難選擇到何合適的對(duì)比區(qū)。因此亟需研發(fā)一種面向嵌入對(duì)流單體的積層混合云人工催化效果評(píng)估方法。 發(fā)明內(nèi)容 [0004] 本發(fā)明的目的是要提供一種面向嵌入對(duì)流單體的積層混合云播云效果評(píng)估方法。 [0005] 為達(dá)到上述目的，本發(fā)明是按照以下技術(shù)方案實(shí)施的： [0006] 本發(fā)明包括以下步驟： [0007] 采集嵌入對(duì)流單體的監(jiān)測(cè)數(shù)據(jù)和圖像數(shù)據(jù)，對(duì)所述監(jiān)測(cè)數(shù)據(jù)和所述圖像數(shù)據(jù)進(jìn)行預(yù)處理；所述監(jiān)測(cè)數(shù)據(jù)包括雷達(dá)數(shù)據(jù)、飛行探測(cè)數(shù)據(jù)； [0008] 對(duì)所述圖像數(shù)據(jù)進(jìn)行單體特征提取獲得明顯單體特征，將明顯單體特征所在的區(qū)域作為第一影響區(qū)，反之作為非影響區(qū)； [0009] 根據(jù)所述監(jiān)測(cè)數(shù)據(jù)采用催化劑擴(kuò)散傳播模型計(jì)算所述非影響區(qū)的作業(yè)影響，獲得第二影響區(qū)，通過(guò)剩余區(qū)域的回波強(qiáng)度閾值確定背景區(qū)，將所述第一影響區(qū)和所述第二影響區(qū)整合為影響區(qū)，根據(jù)所述影響區(qū)和所述背景區(qū)構(gòu)造積層混合云播云效果函數(shù)； [0010] 根據(jù)所述積層混合云播云效果函數(shù)構(gòu)建積層混合云播云效果評(píng)估模型，優(yōu)化所述積層混合云播云效果評(píng)估模型，將待評(píng)估數(shù)據(jù)輸入所述積層混合云播云效果評(píng)估模型，輸出評(píng)估結(jié)果。 [0011] 進(jìn)一步的，對(duì)所述圖像數(shù)據(jù)進(jìn)行單體特征提取獲得明顯單體特征的方法，包括： [0012] 將圖像數(shù)據(jù)從笛卡爾坐標(biāo)系轉(zhuǎn)換到球面坐標(biāo)系，采用邊緣檢測(cè)算法對(duì)圖像數(shù)據(jù)進(jìn)行邊緣提取，獲得圖像邊緣； [0013] 將邊緣按照區(qū)域劃分，計(jì)算區(qū)域邊緣與云團(tuán)的關(guān)聯(lián)度： [0014] [0015] 其中邊緣的數(shù)量為K，云團(tuán)的數(shù)量為Y，第k個(gè)邊緣與第y個(gè)云團(tuán)的相似度為S(k,y)，偏差系數(shù)為p，區(qū)域邊緣與云團(tuán)的相似度為 [0016] 將區(qū)域邊緣累加求平均值，提取平均值大于0.57的邊緣構(gòu)成的圖像為云團(tuán)，采用卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)云團(tuán)進(jìn)行特征提取，獲得云團(tuán)特征； [0017] 按照時(shí)間先后對(duì)云團(tuán)特征進(jìn)行排序，將不同時(shí)刻的云團(tuán)特征進(jìn)行比對(duì)，計(jì)算不同時(shí)刻云團(tuán)特征的變化度： [0018] [0019] 其中第s個(gè)時(shí)刻和第s+1個(gè)時(shí)刻的第w個(gè)云團(tuán)的第c個(gè)云團(tuán)特征相似度為Hw,c(s,s+ 1)，云團(tuán)特征的數(shù)量為 第s個(gè)時(shí)刻和第s+1個(gè)時(shí)刻的第w個(gè)云團(tuán)的變化度為 第s+1個(gè)時(shí)刻云團(tuán)的位置為 第s個(gè)時(shí)刻云團(tuán)的位置為 調(diào)控 因子為σ，第s個(gè)時(shí)刻和第s+1個(gè)時(shí)刻第c個(gè)云團(tuán)特征的距離為 第w個(gè)云團(tuán)的誤差常數(shù)為μw； [0020] 將變化度大于0.417的云團(tuán)特征輸出為明顯單體特征。 [0021] 進(jìn)一步的，根據(jù)所述監(jiān)測(cè)數(shù)據(jù)采用催化劑擴(kuò)散傳播模型計(jì)算所述非影響區(qū)的作業(yè)影響的方法，包括： [0022] 催化劑擴(kuò)散傳播模型采用分子動(dòng)力學(xué)進(jìn)行模擬； [0023] 計(jì)算監(jiān)測(cè)數(shù)據(jù)的重要度： [0024] [0025] 其中第u個(gè)監(jiān)測(cè)數(shù)據(jù)的重要度為gu，對(duì)流單體為 監(jiān)測(cè)數(shù)據(jù)為l，第τ+1時(shí)刻第u個(gè)監(jiān)測(cè)數(shù)據(jù)為lu,τ+1，第τ時(shí)刻第u個(gè)監(jiān)測(cè)數(shù)據(jù)為lu,τ，對(duì)流單體 出現(xiàn)的概率為 監(jiān)測(cè)數(shù)據(jù)l出現(xiàn)的概率為q(l)，對(duì)流單體 和監(jiān)測(cè)數(shù)據(jù)l同時(shí)出現(xiàn)的概率為 偏差系數(shù)為δ，風(fēng)場(chǎng)影響系數(shù)為Q； [0026] 將重要度大于0.407的監(jiān)測(cè)數(shù)據(jù)作為重點(diǎn)數(shù)據(jù)，計(jì)算非影響區(qū)內(nèi)重點(diǎn)數(shù)據(jù)的作業(yè)影響： [0027] [0028] 其中第i個(gè)非影響區(qū)的作業(yè)影響為 非影響區(qū)的重點(diǎn)數(shù)據(jù)數(shù)量為 第i個(gè)非影響區(qū)第κ個(gè)重點(diǎn)數(shù)據(jù)的重要度為gi,κ，初始第i個(gè)非影響區(qū)第κ個(gè)重點(diǎn)數(shù)據(jù)值為χi,κ，嵌入對(duì)流單體后第i個(gè)非影響區(qū)第κ個(gè)重點(diǎn)數(shù)據(jù)為 [0029] 將作業(yè)影響大于0.657的非影響區(qū)輸出為第二影響區(qū)。 [0030] 進(jìn)一步的，通過(guò)剩余區(qū)域的回波強(qiáng)度閾值確定背景區(qū)的方法，包括：

1.一種面向嵌入對(duì)流單體的積層混合云播云效果評(píng)估方法，其特征在于，包括以下步驟： 采集嵌入對(duì)流單體的監(jiān)測(cè)數(shù)據(jù)和圖像數(shù)據(jù)，對(duì)所述監(jiān)測(cè)數(shù)據(jù)和所述圖像數(shù)據(jù)進(jìn)行預(yù)處理；所述監(jiān)測(cè)數(shù)據(jù)包括雷達(dá)數(shù)據(jù)、飛行探測(cè)數(shù)據(jù)； 對(duì)所述圖像數(shù)據(jù)進(jìn)行單體特征提取獲得明顯單體特征，將明顯單體特征所在的區(qū)域作為第一影響區(qū)，反之作為非影響區(qū)；包括： 將圖像數(shù)據(jù)從笛卡爾坐標(biāo)系轉(zhuǎn)換到球面坐標(biāo)系，采用邊緣檢測(cè)算法對(duì)圖像數(shù)據(jù)進(jìn)行邊緣提取，獲得圖像邊緣； 將邊緣按照區(qū)域劃分，計(jì)算區(qū)域邊緣與云團(tuán)的關(guān)聯(lián)度： 其中邊緣的數(shù)量為K，云團(tuán)的數(shù)量為Y，第k個(gè)邊緣與第y個(gè)云團(tuán)的相似度為 ，偏差系數(shù)為p，區(qū)域邊緣與云團(tuán)的相似度為 ； 將區(qū)域邊緣累加求平均值，提取平均值大于0.57的邊緣構(gòu)成的圖像為云團(tuán)，采用卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)云團(tuán)進(jìn)行特征提取，獲得云團(tuán)特征； 按照時(shí)間先后對(duì)云團(tuán)特征進(jìn)行排序，將不同時(shí)刻的云團(tuán)特征進(jìn)行比對(duì)，計(jì)算不同時(shí)刻云團(tuán)特征的變化度： 其中第s個(gè)時(shí)刻和第s+1個(gè)時(shí)刻的第w個(gè)云團(tuán)的第c個(gè)云團(tuán)特征相似度為 ，云團(tuán)特征的數(shù)量為 ，第s個(gè)時(shí)刻和第s+1個(gè)時(shí)刻的第w個(gè)云團(tuán)的變化度為，?第s+1個(gè)時(shí)刻云團(tuán)的位置為 ，第s個(gè)時(shí)刻云團(tuán)的位置為 ，調(diào)控因子為 ，第s個(gè)時(shí)刻和第s+1個(gè)時(shí)刻第c個(gè)云團(tuán)特征的距離為 ，第w個(gè)云團(tuán)的誤差常數(shù)為 ； 將變化度大于0.417的云團(tuán)特征輸出為明顯單體特征； 根據(jù)所述監(jiān)測(cè)數(shù)據(jù)采用催化劑擴(kuò)散傳播模型計(jì)算所述非影響區(qū)的作業(yè)影響，獲得第二影響區(qū)，通過(guò)剩余區(qū)域的回波強(qiáng)度閾值確定背景區(qū)，將所述第一影響區(qū)和所述第二影響區(qū)整合為影響區(qū)，根據(jù)所述影響區(qū)和所述背景區(qū)構(gòu)造積層混合云播云效果函數(shù)；包括： 采用相關(guān)系數(shù)法對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行篩選，獲得指標(biāo)數(shù)據(jù)，構(gòu)造積層混合云播云效果函數(shù)，表達(dá)式為 其中第j個(gè)指標(biāo)的效果權(quán)重為 ，影響區(qū)作業(yè)前后第j個(gè)指標(biāo)的差值為 ，背景區(qū)作業(yè)前后第j個(gè)指標(biāo)的差值為 ，第j個(gè)指標(biāo)的自然變化系數(shù) ，積層混合云播云效果函數(shù)為 ； 根據(jù)所述積層混合云播云效果函數(shù)構(gòu)建積層混合云播云效果評(píng)估模型，優(yōu)化所述積層混合云播云效果評(píng)估模型，將待評(píng)估數(shù)據(jù)輸入所述積層混合云播云效果評(píng)估模型，輸出評(píng)估結(jié)果；包括： 根據(jù)積層混合云播云效果函數(shù)構(gòu)造目標(biāo)函數(shù)： 其中目標(biāo)函數(shù)為 ，積層混合云播云效果函數(shù)為 ，實(shí)際評(píng)估值為z，預(yù)測(cè)評(píng)估值為 ，遺傳系數(shù)為 ； 積層混合云播云效果評(píng)估模型包括自助法、偏差分析算法、層次聚類(lèi)算法、關(guān)聯(lián)規(guī)則算法、循環(huán)神經(jīng)網(wǎng)絡(luò)算法；