组网天气雷达适用AOI的自适应观测方法及系统

技术领域

本发明涉及组网雷达技术领域，尤其涉及一种组网天气雷达适用AOI的自适应观测方法及系统。

背景技术

组网天气雷达能够增加量测的维度和置信度，提高系统的容错性和鲁棒性，在现代气象综合观测系统得到了广泛应用。而在天气雷达网中，如何根据重点观测区域( AOI，全称Area Of Interest，也称重点区域)信息，协调天气雷达网中的各部雷达进行观测是雷达探测领域的主要研究方向之一。所述的重点观测区域( AOI )，作为举例，比如天气发生时的强对流区域、设定的重点服务区域、人工选择的关键区域等。

在进行重点观测区域( AOI )的三维探测和协同探测时，由于组网天气雷达的体扫描模式影响着三维空间尺度的覆盖范围与落区，也影响着空间大气扫描信息的获取，因此如何根据重点观测区域( AOI )设置组网天气雷达的体扫描模式以使扫描策略与重点观测区域( AOI )匹配，是进行协同探测不可回避的问题。

雷达体扫描模式，是指雷达按照预定的脉宽、脉冲重复频率、仰角层数与天线旋转速率等配置参数进行运转的模式。传统的雷达扫描方式，往往操作人员通过显示控制台设定雷达体扫描模式的各个参数信息，然后显示控制台发送控制指令改变天线扫描方式。现有技术存在如下缺陷：首先，高度依赖雷达操作手的操作水平；其次，人工设定时很难保证每次扇扫的扫描中心均是对观测目标的最优对准，导致观测精度降低；再则，由于人工设定扇扫范围往往远大于待观测目标所需要的扇扫区域，使得在扇扫速度固定的情况下，截获的有效数据率较低，对前端分选数据处理和计算资源维护造成较大压力。

另一方面，准确分析雷达的覆盖能力是应用新一代天气雷达观测数据的重要基础。随着“城市精细化管理”理念的提出，研究大型城市及周边区域三维格点场上多雷达覆盖区的精细化落区落点日趋重要。其为研究三维反射率场的真实构建、面尺度上城市精细化预报、点尺度上分析非插值下垂直反射率廓线提供模型，同时对于如何更科学的部署大气垂直观测设备以及如何更好的应用现有观测资料具有指导作用。

然而，现有技术中，在研究等高度层间的雷达覆盖信息时，往往根据雷达波束宽度插值到特定高度层上进行等高度层间的雷达覆盖分析。由于在实际预报业务中，预报员通过更关心完整的三维回波结构，如何从上述应用角度出发，实现更精细的雷达覆盖域分析，构建更加精细、均衡的立体探测网，也是当前亟需解决的技术问题。

发明内容

本发明的目的在于：克服现有技术的不足，提供了一种组网天气雷达适用AOI的自适应观测方法及系统。本发明提供的组网天气雷达适用AOI的自适应观测方法，通过分析等高面上的覆盖信息和等高度层间的覆盖信息得到天气雷达网三维格点场的雷达覆盖信息后，基于多层层组合反射率信息的融合信息开展对强对流中心与区域的识别，再根据强对流区域与待加入雷达的探测范围选择触发基于地面潜势和机器学习联合外推的雷达体扫描模式或触发基于强对流中心与区域识别的雷达体扫描模式，使得新增雷达的体扫描模式能够针对强对流中心与区域（即重点区域）实现更优匹配，充分利用了新增雷达的探测能力。进一步，还能够根据用户或系统设置的选择区域信息调整前述待加入雷达的雷达体扫描模式。

为实现上述目标，本发明提供了如下技术方案：

一种组网天气雷达适用AOI的自适应观测方法，包括如下步骤：

构建组网天气雷达的天气雷达网三维格点场，分析等高面上的覆盖信息和等高度层间的覆盖信息，得到前述天气雷达网三维格点场中各格点的雷达覆盖信息；

根据每个格点的雷达覆盖信息，获取各组网天气雷达在该格点上的反射率值，并根据前述反射率值确定该格点的最终反射率值；

获取设定空间高度上每层等高面的层组合反射率信息，基于多层层组合反射率信息的融合信息开展对强对流中心与区域的识别；

采集待加入雷达数据，对每一个待加入雷达，获取该雷达的最大探测距离，以及前述强对流中心与区域相对于该雷达的距离，判断该距离是否大于前述最大探测距离；当该距离大于最大探测距离时，判定识别的强对流中心与区域不在该雷达的探测范围内，触发基于地面潜势和机器学习联合外推的雷达体扫描模式；否则，触发基于强对流中心与区域识别的雷达体扫描模式。

进一步，根据用户或系统设置的选择区域信息调整前述待加入雷达的雷达体扫描模式，步骤如下：

获取用户或系统设置的选择区域信息；以及，在基于地面潜势和机器学习联合外推的雷达体扫描模式下获取外推的强对流中心与区域，在基于强对流中心与区域识别的雷达体扫描模式下获取前述识别的强对流中心与区域，获得外推或识别的强对流中心与区域对应的强对流区域边界信息；

比对前述强对流区域边界信息与前述选择区域信息，当强对流区域边界与选择区域匹配时，基于二者中面积较小的区域来配置雷达体扫描模式；其中，当选择区域面积大于强对流区域面积时，基于强对流区域配置雷达体扫描模式；当选择区域面积小于强对流区域面积时，基于选择区域配置雷达体扫描模式。

进一步，通过重点区域设置模块采集用户设置的选择区域信息；

所述重点区域设置模块被配置为：向用户输出强对流覆盖下的可能引发城市内涝的区域、重大活动所在的区域和/或预设重要服务区域的位置信息，采集用户对前述区域的选中操作，将用户选中的一个或多个区域作为用户设置的选择区域。

进一步，所述待加入雷达为X波段雷达。

进一步，采用基于强对流中心与区域识别的雷达体扫描模式时，结合识别的强对流中心与区域范围，采用平面扫描PPI形式，或者采用垂直扫描RHI和平面扫描PPI的组合扫描形式。

进一步，采用基于地面潜势和机器学习联合外推的雷达体扫描模式时，包括如下步骤：

通过机器学习和时序深度学习模型进行强对流外推预测，并结合基于地面高空资料的Q矢量分析方法，获得设定时间段后该强对流中心与区域与X波段雷达的位置关系；

基于X波段雷达全扫描区域的划分象限，获取前述强对流中心与区域落入的象限信息，每个象限对应有一个角度范围；

根据落入象限对应的角度范围配置X波段雷达体扫描模式的扇扫范围，包括起始角度和终止角度。

进一步，基于多层层组合反射率信息的融合信息进行强对流中心与区域的识别时，采用双阈值筛选以确定强对流区域的核心区域和边界区域，所述双阈值包括高阈值和低阈值，所述高阈值能够用于确定强对流区域的核心区域，所述低阈值能够用于确定强对流区域的边界区域，步骤如下：

获取高阈值，以高阈值为基数，按照预设步长增加后搜索核心区域，并计算核心区域的面积，对面积大于等于预设面积值的核心区域做质心标识；

在质心周围大于等于低阈值且小于等于高阈值的范围内做低阈值等值线边界标识以确定该质心的边界区域，该质心的影响区域包括其对应的核心区域和边界区域；

判断各质心的影响区域的边界线是否不相交，判定不相交时获取各质心独立的边界范围，判定相交时对相交的影响区域的质心位置和边界区域进行合并标识并获取合并后的边界范围，从而保证各质心的影响区域独立且不交叉。

进一步，构建组网天气雷达的天气雷达网三维格点场的步骤包括：

获取目标区域内的多个组网天气雷达的位置数据和体扫描模式参数数据，所述位置数据包括雷达经纬度和馈源海拔高度；

对于每个组网天气雷达，根据其位置数据和体扫描模式参数数据将极坐标转换为笛卡尔坐标下的格点场，以及根据每个组网天气雷达的探测半径计算每个组网天气雷达探测的经度范围和纬度范围；

结合各组网天气雷达的格点场构建初始天气雷达网三维格点场，确定三维格点场的水平范围、水平分辨率以及高度范围、等距离高度hs和空间分辨率hr。

进一步，通过对所有组网天气雷达探测的经度范围和纬度范围分别进行比对来确定初始天气雷达网三维格点场的水平范围，所述水平范围包括经度间距范围和纬度间距范围，所述经度间距范围为探测经度最大的雷达与探测经度最小的雷达之间的距离值、探测经度最大的雷达的探测半径和探测经度最小的雷达的探测半径之和，所述纬度间距范围为探测纬度最大的雷达和探测纬度最小的雷达之间的距离值、探测纬度最大的雷达的探测半径和探测纬度最小的雷达的探测半径之和；

所述水平分辨率、高度范围、等距离高度hs和空间分辨率hr由用户或系统设置。

进一步，分析等高面上的覆盖信息的步骤如下，

格点转换步骤：根据设定的高度范围，获取设定高度Z上等距离高度hs上的所有格点，对于其中任意格点P

标识步骤：对前述任意格点P

进一步，分析等高度层间的覆盖信息的步骤如下：

基于单个雷达，根据设定的高度范围，获取设定高度Z上空间分辨率hr上的所有格点，对于其中任意格点P

将任意两个相邻等距离高度之间的高度区间视为一个层L

遍历天气雷达网中所有雷达依上述方法对层进行标识后，获取每一层的雷达覆盖数量，当层有一个或多个雷达覆盖时标识为雷达覆盖点，当层无雷达覆盖时标识为盲点。

本发明还提供了一种组网天气雷达适用AOI的自适应观测系统，所述系统包括：

三维格点场构建模块，用于构建组网天气雷达的天气雷达网三维格点场，并分析等高面上的覆盖信息和等高度层间的覆盖信息，得到前述天气雷达网三维格点场中各格点的雷达覆盖信息；

区域识别模块，用于根据每个格点的雷达覆盖信息，获取各组网天气雷达在该格点上的反射率值，并根据前述反射率值确定该格点的最终反射率值；以及，获取设定空间高度上每层等高面的层组合反射率信息，基于多层层组合反射率信息的融合信息进行强对流中心与区域的识别；

协同观测处理模块，用于采集待加入雷达数据，对每一个待加入雷达，获取该雷达的最大探测距离，以及前述强对流中心与区域相对于该雷达的距离，判断该距离是否大于前述最大探测距离；当该距离大于最大探测距离时，判定识别的强对流中心与区域不在该雷达的探测范围内，触发基于地面潜势和机器学习联合外推的雷达体扫描模式；否则，触发基于强对流中心与区域识别的雷达体扫描模式。

本发明由于采用以上技术方案，与现有技术相比，作为举例，具有以下的优点和积极效果：通过分析等高面上的覆盖信息和等高度层间的覆盖信息得到天气雷达网三维格点场的雷达覆盖信息后，基于多层层组合反射率信息的融合信息开展对强对流中心与区域的识别，再根据强对流区域与待加入雷达的探测范围选择触发基于地面潜势和机器学习联合外推的雷达体扫描模式或触发基于强对流中心与区域识别的雷达体扫描模式，使得新增雷达的体扫描模式能够针对强对流中心与区域实现更优匹配，充分利用了新增雷达的探测能力。进一步，还能够根据用户或系统设置的选择区域信息（重点区域）调整前述待加入雷达的雷达体扫描模式。

同时，在构建三维格点场时能够根据各个组网天气雷达的位置信息和探测范围等信息智能设置三维格点场的水平范围区域，提高了格点场构建精度和效率。进一步，在标识三维格点场中的格点覆盖信息时，提出了等高度层间覆盖算法，能够对等高层间进行覆盖信息标识，通过层信息组合，在标识覆盖域时考虑了等距离高度上格点和空间分辨率上格点的信息，避免了只考虑等高面上覆盖信息导致的盲区扩大问题，提高了雷达仿真精度效率。

附图说明

图1为本发明实施例提供的组网天气雷达适用AOI的自适应观测方法的流程概要图。

图2为本发明实施例提供的结合识别的强对流区域与选择区域调整雷达体扫描的起止仰角的示例图。

图3为本发明实施例提供的结合外推的强对流区域与选择区域调整雷达体扫描的起止仰角的示例图。

图4为本发明实施例提供的三维格点场水平范围的计算示例图。

图5为本发明实施例提供的获取等高面上覆盖信息与等高层间覆盖信息的计算示例图。

图6为本发明实施例提供的在允许的时间段内搜索所有雷达的反射率值的示例图。

图7为本发明实施例提供的结合雷达探测范围和识别的强对流中心与区域配置该雷达的体扫描模式的流程示例图。

图8为本发明实施例提供的不同雷达中心高度带来的不同扇扫范围的示例图。

图9为本发明实施例提供的多个强对流区域质心对应的仰角的示例图。

图10为本发明实施例提供的采用基于地面潜势与机器学习联合外推的雷达体扫模式的流程示例图。

图11为本发明实施例提供的根据强对流区域落入的象限信息确定扇扫范围的示例图一。

图12为本发明实施例提供的根据强对流区域落入的象限信息确定扇扫范围的示例图二。

具体实施方式

以下结合附图和具体实施例对本发明公开的组网天气雷达适用AOI的自适应观测方法及系统作进一步详细说明。应当注意的是，下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，它们可以被相互组合从而达到更好的技术效果。在下述实施例的附图中，各附图所出现的相同标号代表相同的特征或者部件，可应用于不同实施例中。因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

需说明的是，本说明书所附图中所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定发明可实施的限定条件，任何结构的修饰、比例关系的改变或大小的调整，在不影响发明所能产生的功效及所能达成的目的下，均应落在发明所揭示的技术内容所能涵盖的范围内。本发明的优选实施方式的范围包括另外的实现，其中可以不按所述的或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一个分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

另外，本发明所称的盲点和雷达覆盖点，可以是一个几何点（无维度，具有唯一性，比如格点），也可以是一个块（有维度，具有唯一性，比如具有高度的层）。类似于现有技术的像素，其通常被称为像素点，但其实是一个块。

实施例

组网天气雷达的位置与体扫描模式影响着三维空间尺度的覆盖范围与落区，影响着空间大气扫描信息的获取。目前,雷达VCP基本的扫描方式主要分为晴空模式与降水模式两类，通常包括9种体扫描模式，分别是：VCP32、VCP31、VCP21、VCP11、VCP12、VCP121、VCP211、VCP212与 VCP221，其中，VCP211、VCP221与VCP212 的扫描机制分别与VCP11、VCP21与 VCP12相对应，区别在于在低层的两个仰角上采用了相位编码算法以提高不模糊速度的探测。

对于晴空模式，主要有VCP31与VCP32两种，包含5个仰角，扫描时间约为10分钟。VCP31脉宽为4.7us,PRF 约为322Hz；而VCP32脉宽为1.57us,PRF 约为1013Hz，探测精度与测速范围更高。对于降水模式，最初主要有VCP11 与VCP21，主要用来检测、追踪与分析降水类型与强对流天气特征，后期为了应对强对流天气下现场观测需求，又引入VCP12模式。降水模式下各VCP的详细特点如表1所示。

表1 天气雷达常用体扫描模式参数表。

雷达体扫描模式是雷达按照预定的脉宽、脉冲重复频率、仰角层数与天线旋转速率等配置参数进行运转的模式。在进行气象探测时，需要通过相关的控制台设定雷达的扇扫参数（比如扇扫中心、扇扫范围等）、俯仰角参数（比如仰角个数、仰角角度等）等体扫描模式信息，控制台发送参数设立指令调整天线扫描方式。

本发明提供的技术方案，能够通过分析等高面上的覆盖信息和等高度层间的覆盖信息得到天气雷达网三维格点场的雷达覆盖信息后，基于多层层组合反射率信息的融合信息开展对强对流中心与区域的识别，再根据待加入雷达的参数结合识别的强对流中心与区域配置雷达体扫描模式，使得新增雷达的体扫描模式能够针对强对流中心与区域（即重点区域）实现更优匹配，充分利用了新增雷达的探测能力。

参见图1所示，为本发明提供的一种组网天气雷达适用AOI的自适应观测方法。所述方法包括如下步骤：

S100，组网天气雷达三维格点场构建及覆盖信息分析：构建组网天气雷达的天气雷达网三维格点场，分析等高面上的覆盖信息和等高度层间的覆盖信息，得到前述天气雷达网三维格点场中各格点的雷达覆盖信息。

，三维格点场中每个格点的反射率值分析：根据每个格点的雷达覆盖信息，获取各组网天气雷达在该格点上的反射率值，并根据前述反射率值确定该格点的最终反射率值。

，强对流中心与区域的识别：获取设定空间高度上每层等高面的层组合反射率信息，基于多层层组合反射率信息的融合信息进行强对流中心与区域的识别。

，采集待加入雷达数据，对每一个待加入雷达，获取该雷达的最大探测距离，以及前述强对流中心与区域相对于该雷达的距离，判断该距离是否大于前述最大探测距离；当该距离大于最大探测距离时，判定识别的强对流中心与区域不在该雷达的探测范围内，触发基于地面潜势和机器学习联合外推的雷达体扫描模式；否则，触发基于强对流中心与区域识别的雷达体扫描模式。

所述待加入雷达，可以为一个或多个，比如可以是预设目标区域外的天气雷达，用户可以根据需要进行选择。本实施例中，所述待加入雷达优选为X波段雷达。有快速适应性扫描能力的 X 波段双偏振近距离网络雷达(雷达探测半径30-40km，雷达之间相隔距离平均为25km)，可以弥补现有雷达网低层探测能力的不足。通过采用上述技术方案，当自动识别的强对流区域或者外推的强对流区域落入X波段雷达观测区域内，可以基于预设的区域识别、区域匹配算法来配置X波段雷达的体扫描模式以形成特定的观测模式。

本实施例中，还可以根据用户或系统设置的选择区域信息调整前述待加入雷达的雷达体扫描模式。此时，在所述S400步骤之后执行S500步骤：获取选择区域，与外推或识别的强对流区域进行区域匹配后调整雷达体扫描模式。具体步骤如下：

S501，获取用户或系统设置的选择区域信息；以及，在基于地面潜势和机器学习联合外推的雷达体扫描模式下获取外推的强对流中心与区域，在基于强对流中心与区域识别的雷达体扫描模式下获取前述识别的强对流中心与区域，获得外推或识别的强对流中心与区域对应的强对流区域边界信息。

，比对前述强对流区域边界信息与前述选择区域信息，当强对流区域边界与选择区域匹配时，基于二者中面积较小的区域来配置雷达体扫描模式。其中，当选择区域面积大于强对流区域面积时，基于强对流区域配置雷达体扫描模式；当选择区域面积小于强对流区域面积时，基于选择区域配置雷达体扫描模式。

本实施例中还提供了重点区域设置模块以采集用户设置的选择区域信息，即供用户设置选择区域，使得用户可以根据实际探测需要对重点区域进行探测。

可选的，所述重点区域设置模块可以被配置为：向用户输出强对流覆盖下的可能引发城市内涝的区域、重大活动所在的区域和/或预设重要服务区域的位置信息，采集用户对前述区域的选中操作，将用户选中的一个或多个区域作为用户设置的选择区域。上述方案尤其适用于，当有多个强对流区域落入X波段雷达的扫描范围时，用户（比如预报员）可以针对强对流覆盖下的可能引发城市内涝区域、重大活动所在的区域——比如重大赛事区域，以及预设重要服务区域等各种重点区域设定小于前述强对流区域的选择区域，使得雷达的体扫描策略与用户的选择区域匹配。

作为举例而非限制，参见图2所示，比如经过自动识别的强对流区域为图中不规则阴影部分所在的整个区域，触发基于强对流中心与区域识别的雷达体扫描模式时， X波段雷达的体扫描范围被配置为230°至30°；然而，由于用户设置了选择区域——图中方形区域部分——作为重点区域，则以方形区域部分作为重点区域来配置X波段雷达体扫描模式，X波段雷达的体扫描范围被配置为290°至325°。再比如，参见图3所示，对于经过外推判断的强对流区域（图中不规则阴影部分所在的整个区域），X波段雷达的体扫描范围被配置为225°至45°，然而，由于用户设置了选择区域——图中方形区域部分——作为重点区域，则以方形区域部分作为重点区域来配置X波段雷达体扫描模式，X波段雷达的体扫描范围被配置为290°至325°。

本实施例的S100步骤中，构建组网天气雷达的天气雷达网三维格点场的具体步骤可以如下：

首先，获取目标区域内的多个组网天气雷达的位置数据和体扫描模式参数数据，所述位置数据包括雷达经纬度和馈源海拔高度。

然后，对于每个组网天气雷达，根据其位置数据和体扫描模式参数数据将极坐标转换为笛卡尔坐标下的格点场，以及根据每个组网天气雷达的探测半径计算每个组网天气雷达探测的经度范围和纬度范围。

最后，结合各组网天气雷达的格点场构建初始天气雷达网三维格点场，确定三维格点场的水平范围、水平分辨率以及高度范围、等距离高度hs和空间分辨率hr。

其中，其中，通过对所有组网天气雷达探测的经度范围和纬度范围分别进行比对来确定初始天气雷达网三维格点场的水平范围。

所述水平范围包括经度间距范围和纬度间距范围，所述经度间距范围为探测经度最大的雷达与探测经度最小的雷达之间的距离值、探测经度最大的雷达的探测半径和探测经度最小的雷达的探测半径之和，所述纬度间距范围为探测纬度最大的雷达和探测纬度最小的雷达之间的距离值、探测纬度最大的雷达的探测半径和探测纬度最小的雷达的探测半径之和。

所述水平分辨率、高度范围、等距离高度hs和空间分辨率hr由用户或系统设置。

优选的，水平分辨率设置为1km；空间分辨率hr设置为250米的倍数，比如为250m，500m，750m，1km或2km，可以根据需要设定。

参见图4所示，下面以天气雷达网包括3个雷达为例，详细描述如何确定三维格点场的水平范围。

天气雷达网包括雷达A、雷达B和雷达C。A雷达的经纬度为（LonA，LatA），探测半径为Ra；B雷达的经纬度为（LonB，LatB），探测半径为Rb；C雷达的经纬度为（LonC，LatC），探测半径为Rc。

根据图4所示的雷达A、雷达B和雷达C的位置关系，探测经度（Lon）最大（对应图4的最右边）的是雷达C，探测经度最小（对应图4的最左边）的是雷达A，则三维格点场的经度间距范围，为探测经度最大的雷达C与探测经度最小的雷达A之间的距离值、探测经度最大的雷达C的探测半径和探测经度最小的雷达A的探测半径之和。即，三维格点场的经度间距范围L1为A雷达的探测半径Ra、AC雷达之间的距离d

再根据图4所示的雷达A、雷达B和雷达C的位置关系，探测纬度（Lat）最大（对应图4的最上边）的是雷达B，探测纬度最小（对应图4的最下边）的是雷达C，则三维格点场的纬度间距范围，为探测纬度最大的雷达B与探测纬度最小的雷达C之间的距离值、探测纬度最大的雷达B的探测半径和探测纬度最小的雷达C的探测半径之和。即，三维格点场的纬度间距范围L2为B雷达的探测半径Rb、BC雷达之间的距离d

本实施例中，结合等高面上的覆盖信息和等高度层间的覆盖信息来分析三维格点场中各格点的雷达覆盖信息。

其中，分析等高面上的覆盖信息的步骤可以包括S121格点转换步骤和S122标识步骤。

所述S121格点转换步骤具体如下：根据设定的高度范围，获取设定高度Z上等距离高度hs上的所有格点，对于其中任意格点P

所述S122标识步骤具体如下：对前述任意格点P

其中，分析等高度层间的覆盖信息的步骤可以如下：

S131，基于单个雷达，根据设定的高度范围，获取设定高度Z上空间分辨率hr上的所有格点，对于其中任意格点P

，将任意两个相邻等距离高度之间的高度区间视为一个层L

，遍历天气雷达网中所有雷达依上述方法对层进行标识后，获取每一层的雷达覆盖数量，当层有一个或多个雷达覆盖时标识为雷达覆盖点，当层无雷达覆盖时标识为盲点。

本实施例中，优选的，可以数字来标识盲点和雷达覆盖点。作为典型方式的优选，用数字0来标识盲点。在标识雷达覆盖点时，则可以根据该格点上的雷达覆盖数量标识上对应的数字k，其中，k=1,2,……,N，N为雷达总数，所述雷达覆盖点包括单雷达覆盖点、双雷达覆盖标点、……、k雷达覆盖点。作为举例而非限制，比如N=3，则k=1，2，3，分别对应单雷达覆盖点、双雷达覆盖标点和三雷达覆盖点。

下面结合图5详细描述通过等高面上与等高层间覆盖信息标识覆盖域的方式。

设定高度Z、等距离高度hs和空间分辨率hr可以用户或系统根据需要设定。以图5所示为例，设定高度Z上包括等距离高度hs1、hs2、hs3和hs4，包括空间分辨率hr1、hr2、hr3、hr4、hr5、hr6、hr7和hr8，hs1包含hr1和hr2，hs2包含hr3和hr4，hs3包含hr5和hr6，hs4包含hr7和hr8，即等距离高度hs=2hr。

进行等高面上的覆盖信息分析时，可知设定高度Z上等距离高度hs上有5个格点，即T=5，对应图5中的P

以单个雷达为例——比如雷达A，对于任意格点P

然后，遍历天气雷达网中所有雷达——包括雷达A、雷达B和雷达C，依上述方法对格点进行标识后，获取格点P

当格点有一个或多个雷达覆盖时标识为雷达覆盖点，并标识k值，当格点无雷达覆盖时标识为0，即盲点。

进行等高层间覆盖信息分析时，可知设定高度Z上空间分辨率hr上有9个格点，即m=9，对应图5中的P

以单个雷达为例——比如雷达A，对于其中任意格点P

将任意两个相邻等距离高度之间的高度区间视为一个层L

对于设定高度Z上的所有层L

依次类推，对所有层按上述步骤进行标识。具体的，图5中，L

遍历天气雷达网中所有雷达——包括雷达A、雷达B和雷达C，依上述方法对层进行标识后，获取每一层的雷达覆盖数量。类似的，可以令k的初始值为0，每判定有1个雷达覆盖就执行k++。当层有一个或多个雷达覆盖时标识为雷达覆盖点，并标识k值，当层无雷达覆盖时标识为0，即盲点。如此，完成了天气雷达网三维格点场的格点覆盖信息分析。

本实施例的S200步骤中，通过前述天气雷达网三维格点场的格点覆盖信息分析，可以得到每个格点上的雷达覆盖信息。当天气发生时，对于任意格点P

由于组网天气雷达网包含N个天气雷达，则该格点P

作为举例而非限制，参见图6所示,比如组网天气雷达网包含4个雷达（即N=4），分别为R1、R2、R3、R4，且雷达R1、R2、R3、R4按照顺序到达该格点。图6中的时间轴显示了各雷达到达的顺序，在图6中的t4时刻，可以获取（R1，R2，R3，R4）雷达在该格点上的4个反射率值（dBZ

本实施例的S300步骤中，基于多层层组合反射率信息的融合信息进行强对流中心与区域的识别时，采用双阈值筛选以确定强对流区域的核心区域和边界区域。所述双阈值包括高阈值和低阈值，所述高阈值能够用于确定强对流区域的核心区域，所述低阈值能够用于确定强对流区域的边界区域。

具体步骤可以如下：获取高阈值，以高阈值为基数，按照预设步长增加后搜索核心区域，并计算核心区域的面积，对面积大于等于预设面积值的核心区域做质心标识；在质心周围大于等于低阈值且小于等于高阈值的范围内做低阈值等值线边界标识以确定该质心的边界区域，该质心的影响区域包括其对应的核心区域和边界区域；判断各质心的影响区域的边界线是否不相交，判定不相交时获取各质心独立的边界范围，判定相交时对相交的影响区域的质心位置和边界区域进行合并标识并获取合并后的边界范围，从而保证各质心的影响区域独立且不交叉。

参见图7所示，作为举例而非限制，以高阈值等于50dBZ和低阈值等于40dBZ为例，其中高阈值50dBZ主要用于分割多个不同重点区域的核心区域，而低阈值40dBZ主要用于确定强对流区域的边界区域。首先，使用50dBZ的高阈值为基数，按照步长=0.5dBZ为例，逐渐从50dBZ增加至50.5dBZ，51dBZ等搜索核心区域中最大的反射率因子。然后，对核心区域的面积进行计算，对面积大于等于预设面积值——比如阈值设定为5km

由于边界线不相交，各质心影响区域单独且不交叉联系，以便重点区域保持为单独的实体。

本实施例的S400步骤中，对于每个X波段雷达，获取该X波段雷达的最大探测距离，以及前述强对流中心与区域相对于该X波段雷达的距离，判断该距离是否大于前述最大探测距离。当该距离大于最大探测距离时，判定识别的强对流中心与区域不在该X波段雷达的探测范围内，触发基于地面潜势和机器学习联合外推的雷达体扫描模式；否则，判定识别的强对流中心与区域位于该X波段雷达的探测范围内，触发基于强对流中心与区域识别的雷达体扫描模式。

其中，在采用基于强对流中心与区域识别的雷达体扫描模式时，可以结合识别的强对流中心与区域范围，采用平面扫描PPI形式，或者采用垂直扫描RHI和平面扫描PPI的组合扫描形式。

以常用的平面扫描PPI扫描策略为例。X波段雷达各层仰角的扫描方位的制定主要是根据强对流区域（比如组网风暴单体）在各层中的包含质心的周围等值线的边界范围来确定。参见图8所示，对等值线上点的经纬度与等高面上雷达中心O1的经纬度进行方位计算，在O1的坐标系中计算该高度上的起止仰角。如果该雷达扫描范围内存有多个连续或不连续的风暴，则起始仰角选取为多个风暴起始仰角的最小值，终止仰角选取为多个风暴终止仰角的最大值。上述算法中假定了雷达中心所处位置与该层重点区域在同一等高面上。

本实施例中，考虑到雷达在地面上，使得地面与空间各个分层的差值形成了误差，因此在设置扫描策略时，对于相同重点回波区域，在等高雷达中心处模拟雷达扇形扫描范围大于真实雷达对该回波扇形扫描范围，从而确保该回波区域覆盖扫描。上述方案可以有效避免观测时遗漏核心风暴区域。

确定了每一层的起止方位角，即识别风暴分量范围覆盖区域的整体边界值。本实施例中，考虑到如果多层间方位角起止重合过小起止差距过大，在层之间切换时，当一层方位角终止提升仰角后仍未达到下一层方位角开始，可能造成雷达扫描时频繁加速起始和减速制动，因此对所有层的起止方位角进行整合以形成所有层最终的扫描范围。

具体的，扫描范围的整合步骤如下：当起始方位角小于终止方位角时，扫描范围为终止方位角减去起始方位角；当起始方位角大于终止方位角时，扫描范围为360°减去起始方位角再加上终止方位角。当扫描范围大于预设数值时，考虑到雷达天线停止制动的缓冲角度区域，可以进行覆盖360°的扫描。具体操作时，所述预设数值可以根据实际操作的雷达扫描角速度、停止制动的时间和加速的启动时间等进行设置。

波段雷达各层俯仰角的制定则根据各层中重点区域（组网风暴单体在各层中的分量）的位置确定。具体的，首先根据组网融合设定的层数确定仰角的层数，X波段雷达的仰角层数与之匹配；然后，各层中的仰角根据各层中最强组网风暴单体分量的位置来确定，即对各层中组网风暴单体分量进行排序，排序的依据为风暴分量的反射率最大值，面积大小、反射率均值等按顺利比较确定本层的仰角。

考虑到强对流风暴中心的位置距离雷达的位置不同，按照高度层顺序确定仰角会产生雷达俯仰角的跳跃。作为举例而非限制，参见图9所示，分布在1km、2km、3km、4km上的强对流区域的质心对应的仰角分别是e1、e2、 e3和 e4，如果按照高度层顺序确定仰角，在e1、e2、e3和 e4上将会产生仰角跳跃，不仅容易对雷达硬件带来损伤而且会对后续数据融合带来困扰。因此，优选的，通过对仰角重新排序来设置仰角扫描策略。以图7中为例，X波段雷达体扫描的仰角大小顺序为e1﹤e4﹤e3﹤e2，根据层仰角排序确定最终的X波段雷达仰角扫描顺序为e1、e4、e3、e2。

本实施例中，采用基于地面潜势和机器学习联合外推的雷达体扫描模式时，具体可以包括如下步骤：通过机器学习和时序深度学习模型进行强对流外推预测，并结合基于地面高空资料的Q矢量分析方法，获得设定时间段后该强对流中心与区域与X波段雷达的位置关系；基于X波段雷达全扫描区域的划分象限，获取前述强对流中心与区域落入的象限信息，每个象限对应有一个角度范围；根据落入象限对应的角度范围配置X波段雷达体扫描模式的扇扫范围，包括起始角度和终止角度。

也就是说，当识别的强对流区域不在X波段雷达的探测范围内时，开展基于机器学习和深度模型的强对流外推和基于地面高空资料的Q矢量分析方法，判断在设定的时间段后，该强对流区域是否在X波段雷达的探测范围内，典型的流程可以参见图10所示。

进一步，在通过机器学习和时序深度学习模型进行强对流外推预测时，可以通过引入抗噪模块，并将原来的回归问题转换为序回归问题，对降雨量进行精细化分割。以强降雨为例，比如预测1小时后强对流区域是否在X波段雷达的探测范围内。具体的，在基于地面高空资料的Q矢量分析方法中，可以基于地面自动气象站观测得到的温度、风场及气压等分钟级资料，利用仅需一层计算资料的Q矢量、第二类热成风螺旋度及风场散度等诊断量，组合开展强对流初生环境的多物理诊断，获取强对流初生“内部”特征，从而对强对流发生发展进行预测。

本实施例中，在划分X波段雷达全扫描区域时，优选的将X波段雷达的扫描区域划分为8个象限，参见图11中的区域a、b、c、d、e、f、g、h，各象限对应的角度分别为0°至45°、45°至90°、90°至135°、135°至180°、180°至225°、225°至270°、270°至315°、315°至360°。作为举例，比如强对流区域落入b区域，则雷达体扫描的起始角度和终止角度分别为45°至90°。

如果强对流区域落入了多个象限，则按照落入区域涉及的起止象限来设置雷达体扫描的起始角度和终止角度，扫描范围为（起始角度，终止角度）。

具体的，如果起始角度小于终止角度，比如图11中的起始角度=225°，终止角度=315°，X波段雷达体扫描模式的扇扫范围配置为225°至315°，即（225°，315°）。如果起始角度大于终止角度，比如图12中的起始角度=225°，终止角度45°，X波段雷达体扫描模式的扇扫范围配置225°至45°，即（225°，45°）。如果出现多个区域，多个起始仰角时，X波段雷达体扫描模式的扇扫范围配置为0°至360°，即（0°，360°）。

确定扫描范围后，仰角可以基于用户或系统设定的固定参数，采用固定的仰角顺序从0.5度，1.0度，1.5度，2.0度，2.5度，3.0度，3.5度，4.0度进行扫描。

本发明的另一实施例，还提供了一种组网天气雷达适用AOI的自适应观测系统。

所述系统包括三维格点场构建模块，区域识别模块和协同观测处理模块。

所述三维格点场构建模块，用于构建组网天气雷达的天气雷达网三维格点场，并分析等高面上的覆盖信息和等高度层间的覆盖信息，得到前述天气雷达网三维格点场中各格点的雷达覆盖信息。

所述区域识别模块，用于根据每个格点的雷达覆盖信息，获取各组网天气雷达在该格点上的反射率值，并根据前述反射率值确定该格点的最终反射率值；以及，获取设定空间高度上每层等高面的层组合反射率信息，基于多层层组合反射率信息的融合信息进行强对流中心与区域的识别。

所述协同观测处理模块，用于采集待加入雷达数据，对每一个待加入雷达，获取该雷达的最大探测距离，以及前述强对流中心与区域相对于该雷达的距离，判断该距离是否大于前述最大探测距离；当该距离大于最大探测距离时，判定识别的强对流中心与区域不在该雷达的探测范围内，触发基于地面潜势和机器学习联合外推的雷达体扫描模式；否则，触发基于强对流中心与区域识别的雷达体扫描模式。

本实施例中，所述三维格点场构建模块可以包括格点场构建单元、等高面上覆盖信息标识单元和等高度层间覆盖信息标识单元。

所述格点场构建单元被配置为执行如下步骤：获取目标区域内的多个组网天气雷达的位置数据和体扫描模式参数数据，所述位置数据包括雷达经纬度和馈源海拔高度；对于每个组网天气雷达，根据其位置数据和体扫描模式参数数据将极坐标转换为笛卡尔坐标下的格点场，以及根据每个组网天气雷达的探测半径计算每个组网天气雷达探测的经度范围和纬度范围；结合各组网天气雷达的格点场构建初始天气雷达网三维格点场，确定三维格点场的水平范围、水平分辨率以及高度范围、等距离高度hs和空间分辨率hr。

所述等高面上覆盖信息标识单元被配置为执行如下步骤：根据设定的高度范围，获取设定高度Z上等距离高度hs上的所有格点，对于其中任意格点P

所述等高度层间覆盖信息标识单元被配置为执行如下步骤：基于单个雷达，根据设定的高度范围，获取设定高度Z上空间分辨率hr上的所有格点，对于其中任意格点P

其它技术特征参见在前实施例的描述，各处理模块可以被配置执行相应的信息处理过程，在此不再赘述。

在上面的描述中，本发明的公开内容并不旨在将其自身限于这些方面。而是，在本公开内容的目标保护范围内，各组件可以以任意数目选择性地且操作性地进行合并。另外，像“包括”、“囊括”以及“具有”的术语应当默认被解释为包括性的或开放性的，而不是排他性的或封闭性，除非其被明确限定为相反的含义。所有技术、科技或其他方面的术语都符合本领域技术人员所理解的含义，除非其被限定为相反的含义。在词典里找到的公共术语应当在相关技术文档的背景下不被太理想化或太不实际地解释，除非本公开内容明确将其限定成那样。本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。