文摘

风剪是一种微尺度气象现象可能导致危险飞机的起飞和降落。准确的风剪检测在航空安全起着至关重要的作用。基于机器学习的发展,一些学习方法提出了风剪检测,即。、风剪、non-windshear分类。获得准确的检测结果,它是重要的来提取特征可以从获得正确区分风剪和non-windshear风速数据。在本文中,我们主要介绍两个统计指标来源于多普勒光探测和测距(激光雷达)观测风速数据平面位置说明(PPI)扫描风剪功能建设。除了直接来源于风速数据指标,我们也研究视觉信息从相应的锥形风速的图像。基于提出的指标,我们构造三个特征向量风剪和non-windshear分类。灵感来自多个实例学习的想法,风速数据收集在报告内的4分钟时间点被认为是在施工过程的特征向量,可以减少风剪特性失踪的可能性。统计方法和聚类方法应用于评价的有效性提出了特征向量。数值结果表明,该特征向量对风剪和non-windshear分类有良好的影响,可以用来提供更准确的风剪提醒飞行员在实践中。

1。介绍

风剪指突然和持续变化的阻力/顺风遇到飞机在方向和/或速度1,2]。重大风剪发生可能会改变升力,飞机将经历,随后让飞机飞低于或高于预期的斗争道路。这可能导致困难安全飞行员控制飞机。准确的风剪警报可以帮助飞行员及时采取适当的纠正措施,以确保飞机的安全。因此,风剪检测机场是至关重要的,有效的和安全的空中交通管制(ATC) (3]。

风剪强烈对应的发生对流,额叶系统、热不稳定和微爆发(3]。一般来说,风剪可能发生在雨天和non-rainy天不同的原因(4]。在下雨的天气条件下,微爆发和风味方面与严重的对流会导致风剪,可以检测到风速计和rain-detecting多普勒天气雷达。在non-rainy天气条件下,风剪发生主要是由于地形的影响,海风,低级别的飞机,干燥微爆发,等等。然而,因为很少有水文气象作为微波反射镜在晴空2),很难获得足够的风速数据通过多普勒天气雷达non-rainy天。此外,在最低风速计只能检测风剪几百米(4,5]。因此,它是无效的捕捉干风剪事件在高海拔只有风速计和多普勒天气雷达在non-rainy天气条件。虽然风分析器可以作为辅助工具来检测风剪在某种程度上,他们是不稳定的风剪检测沿滑移和起飞路径(4]。

随着光探测和测距的发展(激光雷达)技术(6,7],许多LiDAR-based风剪提出了检测方法,这对干风剪检测是有效的。大多数当前激光雷达风剪检测算法都是基于一些指标对应于风速的飞行条件和数理统计。在文献[1),陈等人介绍了操作LiDAR-based风剪检测系统的香港国际机场(学会)提出了下滑道扫描方法测量沿着个人滑移路径和逆风风力坡道检测方法用于检测风剪。风坡道是指风速的变化在一定距离(坡道长度)(8,9]。在实践中,风剪坡道与不同检测斜坡长度 米)将被检测到。将挑选出其中一些斜坡优先级根据严重性因素对应的比率风速变化和逆立方根的坡道长度有关。如果任何一个选择风剪坡道达到或超过14节(预定操作阈值在香港国际机场)、风剪警报将生成。然而,这种方法忽略了内部ramp波形的特征,这可能反映了驾驶员的真实感受。为了解决这个问题,李et al。7)提出了一种新颖的基于加权的坡道算法平滑方法和二次风剪识别方案,可以检测出风剪坡道的平坦区域。在文献[10),鸿等人介绍了一个“温柔的斜坡”去除方法自动风剪检测算法在香港国际机场的均方根(RMS)的原始逆风概要文件从其运行意味着将另外检查所选风剪坡道的强度达到或超过14节和坡道长度大于3000米(约39年代飞机飞行)。基于航空用户咨询,如果速度波动的RMS指标低于1.2节,风剪警报将会保留。由于瞬态和零星的本质terrain-disrupted气流干扰,飞行员显然很难区分风剪和动荡。在这种情况下,风ramp-based方法可能不工作,它有利于考虑阻力的梯度。性因子是一个指标的第一项是对应逆风梯度和第二项是关于垂直加速度项。陈等人研究的性能LiDAR-based风剪检测和统计性因子在文献[11]。然而,他们并没有研究飞机的阻力变化和垂直加速度性因子。在文献[12),陈飞机响应考虑通过预处理逆风概要文件使用商业飞行模拟器软件,建立了一个新的阈值(−0.05)的性因子小于传统的阈值性因子的风剪检测(−0.105)在香港建筑师学会根据收集到的数据集。在文献[13),相应的研究进一步深入。的center-averaging位性因子研究飞行除了考虑基于模拟器的性因子。通过选择最优的报警阈值特定于每个跑道走廊,成功提醒性因子可能达到的速度 。除了风坡道和F-factor-associated风剪检测方法,还有一些其他的方法来检测风剪。例如,吴邦国委员长和鸿(14]应用傅里叶变换分解逆风概要文件和基于阈值检测风剪提出的单/多通道的方法。基于激光雷达数据的区域差异算法由李等人在文献[15]在兰州中川机场风剪检测主要集中在沿跑道区域风变化的大小。

在过去的几十年里,由于机器学习的发展,风剪几个机器学习方法提出了激光雷达数据的检测。例如,马等。16]提取部分的风剪特性激光雷达扫描图像的不变矩法和gray-gradient同现矩阵。然后,支持向量机(SVM)方法,可以生成一条线或超平面将数据分为两类基于输入功能,用于验证提取的特征的有效性。然而,该方法的精度过低(低于 )在实践中使用。在文献[17),黄等人提出了一个基于统计指标的逆风概要措施最大的区别在风速度的范围不同方位角的测量激光雷达波束范围。利用单面基于正态分布的决策规则,这个指标的阈值确定风剪和non-windshear区分。然而,这种方法只考虑获得的风速剖面在最近的时间戳的报道时间,这可能会错过一些windshear-related数据。

在本文中,我们将介绍两个风剪从激光雷达观测数据的统计指标。一个是来自于观察到的风速数据,另一个是由激光雷达平面位置的纹理特征说明(PPI)扫描图像。基于多实例学习的想法18),我们可以构建多个特征向量的基础上,提出指标。本研究在许多方面是有价值的。首先,该指标是基于激光雷达数据从PPI扫描获得的仰角和方位角变化的要求低于常用的滑行路径扫描。第二,风资料收集附近的4分钟时间戳是报道,这可能减少风剪功能损失的可能性。第三,图像纹理提取方法的应用可以提高识别效率的零星风剪。此外,数值实验基于真实数据收集香港建筑师学会验证该指标的有效性。

本文给出的轮廓如下:在第二部分,我们将介绍我们研究的激光雷达观测数据的信息。统计指标的建设和相关特征向量给出部分3。节4将显示,数值结果和讨论。最后,我们将给出一些结论5。

2。激光雷达观测数据

香港国际机场的客流量位于大屿山的北部,这是山区海拔300米和900米之间。风剪经常发生由于机场附近的地形非常复杂。2002年,香港天文台设计了一种多普勒激光雷达系统为及时风剪检测和报警(香港建筑师学会5,19]。风速在PPI收集的数据模式与高度角的(降落)和(起飞)供风剪检测。20 - 30秒都必须得到一个PPI扫描。在图1,我们将展示两个例子的激光雷达径向速度PPI数据扫描,在扫描半径和极角的参考倾斜范围和激光雷达波束的方位角,分别。主要有两个领域,涉及机场方法/离开走廊包括着陆区,与东部部门(- - - - - -)飞机和西方的顺风部门( )飞机的阻力。虽然激光雷达数据的偏范围来 ,激光雷达数据点与倾斜范围被忽视的,因为有很多丢失的多普勒速度造成的复杂的地形。因此,在本文中,我们专注于收集的数据来和来 ,分别与倾斜范围小于 。

3所示。该方法

在本节中,我们将介绍该风剪指标和相应的特征向量。首先,我们将简要回顾风剪的物理性质及其对激光雷达PPI的特征扫描。然后,我们将介绍该指标和相应的特征向量。在这里,我们使用激光雷达PPI数据收集在香港国际机场为例。有趣的是,该方法可广泛应用于激光雷达PPI数据获得在任何机场。

3.1。风剪的属性

风剪可以由各种各样的气象现象,比如风吹过地形,海风,微爆发,阵风锋和低空急流。一般来说,大多数风剪情况下terrain-induced。当风吹过粗糙的地形、风速和风向可能会改变在背风面高的障碍,这可能会导致交流高速和低速空气流。飞机穿越交替的高速和低速空气流可能经历一个大逆风收益/损失影响飞机的升力。除了替代高、低风速、十字架山流也会导致一些更复杂的局部流动如漩涡或跳跃,这可能带来重大的风剪飞机。由于terrain-induced气流干扰的复杂特点,相应的风剪是瞬态和零星的。这个属性可以恰当地说明了激光雷达PPI扫描的小型地区风速逆流嵌入在背景风。请参考文献[1)和图1为更多的细节。在本文中,我们主要得出指标的基础上,持续风速的变化属性和瞬态和零星的属性显示在PPI扫描图像。

3.2。提出了指标

图1显示了两个激光雷达PPI扫描获得的多普勒速度在香港国际机场。主要有两个部门在每个激光雷达扫描可以覆盖整个走廊周围地区包括着陆区。该行业与积极的价值观表示激光雷达的多普勒速度的风吹走由飞机,实际遇到的阻力和其他部门表示顺风的多普勒速度。在这里,我们考虑两个部门。为了确保速度数据的质量,在预定的范围内获得的数据点值会过滤掉(香港建筑师学会数据)。在参考文献[20.,21),二维风场已经验证了风剪检测。然而,它通常是基于一些假设导出量流的性质,这在现实中可能不完全准确。另一方面,利用径向速度,直接测量大气中,必须准确。因此,我们主要集中在功能对应的径向速度数据获得的激光雷达PPI扫描。除了风速,相干多普勒激光雷达可以检索多个参数,如光谱宽度、频谱偏态,功能,风剪强度,等等,它还可以反映风剪的特点。尽管如此,未来研究可能包括二维风场相干多普勒激光雷达和其他一些参数检索,测试算法的鲁棒性,看看是否有任何改善风剪特性检测。

首先,我们将介绍一些数学符号用于本文。

一个激光雷达PPI扫描,让 激光雷达数据在方位角观测 。为简单起见,我们假设方位角度 在顺风部门和被记录方位角度 记录在逆风部门,此外,有范围值被记录在固定方位角,也就是说,

注意,这样的位置范围值不需要制服,和激光雷达中心和观测值之间的距离等于 。

3.2.1之上。基于风速数据指标

因为风剪的主要属性是风的速度和方向的变化,我们可以评估风剪的特点的风速度沿激光雷达波束的最大变化,可反映调查区域的风速变化。固定方位角 速度的最大阻力变化(顺风)可以评估指标 。值越高,就越有可能将发生风剪。注意,我们把速度的差值,而不是速度的差异大小的突然改变风向也可以评估的指标。更具体地说,情况有回流的地方嵌入在背景风、多普勒风速的标志值会有所不同,这可能使速度值之间的差别很大。在这里,我们提取每个部门的最大变化值来表示风速的变化相应部门(的决心节将说明吗3)。让 表示的最大速度变化值在顺风部门和获得 表示一组获得的最大速度值变化在逆风部门,每个部门的相关指标计算如下: 在哪里表示我th设置的最大值和表示我th设置的最大值 。自从风剪房地产主要根据风速的变化,找到最大的风速剖面变化,我们选择一个更大规范之间的和作为指标为相应的风速数据收集到一个激光雷达PPI扫描,也就是说,

3.2.2。基于激光雷达PPI扫描图像指标的风速

通过激光雷达PPI扫描风速(例如,图的形象1)、风剪,可以直观地检测到基于图像纹理。一般来说,会有更多的纹理在风剪速度图像收集情况。因此,我们建议使用图像纹理提取方法来评估风剪的财产从激光雷达PPI风速的扫描图像。

应用灰度共生矩阵建立灰度共生矩阵法()22]是一种图像纹理特征提取方法,它是广泛应用于遥感、生物识别问题和模式识别。它主要描述了像素的相对频率对灰色调和 ,分别可以隔开的距离下角发生在指定的形象。可以得到几个不同的同现矩阵与不同的距离和角度。每个元素与位置 在同现矩阵表示灰度级的像素的相对频率是相邻像素灰度级水平、垂直或对角与指定的距离和角度。 在哪里表示图像, 表示两个像素,表示计数功能。在这里,我们设置了距离和角度 。然后,我们可以得到四种不同的同现矩阵。有几种纹理特性,应用灰度共生矩阵建立计算的,如能源、对比,不同,熵,相关性,同质性,等等。在这里,我们计算的对比,不同,相关的四个同现矩阵的统计指标对激光雷达PPI扫描,他的方程给出如下:(我)对比: (2)不同: (3)相关: 在哪里 和 分别表示平均值和标准偏差值。

3.3。基于该指标的特征向量

提出的两个指标,我们可以很容易地得到三个特征向量风剪检测: , ,和 。

由于飞行员报告的时间戳是不准确的,一个找不到风剪时精确的激光雷达扫描。最好是让我们考虑风速数据获得的激光雷达扫描在四分钟内附近的风剪报告时间戳,对于non-windshear也是相同的情况。灵感来自多个实例的概念学习的几个实例被安排在集(袋)和标签提供了整个包,我们考虑将激光雷达扫描收集在一个时期作为一个包,这个包构建一个特征向量。具体来说,从收集的数据中提取特征向量后每一个激光雷达扫描在相应的期间,我们建议选择一个能够代表最重要的(即风速变化。,最大的一个 - - - - - -规范)作为整个时间段的特征向量(袋)。

3.3.1。包的特征向量

让 获得的是特征向量的集合在一个时间段内,即。,一个包。这个袋子的特征向量是最大的L - - - - - -规范: 和 。

4所示。数值结果与讨论

在本节中,我们将做一些数值试验来评估的有效性提出了特征向量,即。、风剪的可分性和non-windshear区别。相比之下,黄提出的相应的特征向量的数值结果et al。17)也显示,这也是风剪检测。首先,我们将介绍使用的数据集,我们数值实验。然后,我们将计算该特征向量的距离测试风剪和non-windshear用例,然后画出直方图的距离。注意有效特征向量可用于基于机器学习风剪检测方法应该区分风剪病例和non-windshear正常情况下的距离(不同),即特征之间的距离相同的情况下应该小,距离不同的情况下应该大的特点。最后,我们几个聚类方法应用于数据聚类的基础上,提出了特征向量。与监督分类方法相比,聚类方法只关注的信息提出了特征向量的风速数据,它可以充分评估拟议的特征向量是多好。

4.1。数据集

本研究中使用的风速数据收集在香港国际机场从2017年到2019年的前三个月。他们都是预处理的质量控制方法目前使用在香港国际机场(1)过滤掉吵闹的速度。飞行员报告称为地面风剪发生的真相。non-windshear病例收集在天没有风剪。根据飞行员报告从2017年到2019年,总有369风剪情况下前三个月。相应地,369 non-windshear病例随机选择在天无风剪下建议从香港天文台。对于每个选定的时间戳,激光雷达观测多普勒速度收集的数据在4分钟的仰角用于特征向量构造。注意,会有3 - 6激光雷达PPI扫描收集调查的大部分时期,这使得它适合我们捕获统计指标提出了。

4.2。直方图的距离

在本部分中,我们将展示该特征向量之间的距离的直方图。三个常用的距离评估被认为是在这里。他们给出的方程如下:(我)欧氏距离: ;(2)城市街区距离: ;(3)Bray-Curtis不同: ,在哪里和是向量。

在每一个柱状图,对应的任意两个特征向量之间的距离值调查情况下计算和相应的距离值的频率显示高度的蓝色栏(y标签)。有三种距离直方图,包括两个风剪之间的距离直方图特征向量的情况下,两个non-windshear之间的距离直方图特征向量的情况下,和一个风剪情况下和一个之间的距离直方图non-windshear情况。有效特征向量,小的距离值的频率应该大的直方图特征向量之间的距离两个风剪/ non-windshear和很小的直方图特征向量之间的距离风剪一个non-windshear案件之一。

建设指标 ,有一个变量这表明最高最大变异指标的数量我们考虑。在这里,我们几个距离直方图的指示器 。在这里,由于空间限制,我们只显示了直方图 。其他情况下的直方图是几乎一样。

数据2- - - - - -4显示距离对应的直方图特征向量 , ,和 ,分别。图5显示距离对应的直方图特征向量提出了文献[17] 。从这些结果,可以很容易地发现,大多数特征向量之间的距离值两个风剪/ non-windshear病例的小和大多数特征向量之间的距离值的一个风剪情况下和一个non-windshear很大。的特征向量提出了文献[17),这种现象是相对简单的除了Bray-Curtis距离的结果。因此,提出了基于特征向量是有效学习风剪检测。

4.3。聚类结果

进一步评估该功能的有效性,我们应用四种聚类方法,包括k - means聚类方法、层次聚类方法,DBSCAN聚类方法与欧氏距离和DBSCAN聚类方法与街区的距离。如果拟议的功能可以正常集群分为两类,风剪情况下或non-windshear病例绝大多数,我们可以考虑进一步使用它们在其他上优于风剪检测方法。因为我们清楚地知道一个特征向量对应一个风剪情况下,很容易为我们计算聚类方法和评估的准确性的影响,提出特征向量。

首先,我们需要确定最佳的价值基于物理属性的指标 。在这里,我们应用聚类特征向量的方法 获得与 和计算的平均精度。图6显示相对应的平均精度曲线不同 。从图6中,我们可以发现最好的平均精度将达到时 。在以下部分中,我们将设置 的指标 。

表1- - - - - -3显示这些聚类方法的准确性提出了特征向量。特征向量的聚类结果黄等人提出的如表所示4进行比较。为了进一步聚类结果直观地展示,散点图如图7- - - - - -10。

从这些结果,我们不难发现以下几点:(i)物理基于属性的特征向量有最好的聚类结果对大多数聚类方法除了k——聚类方法。(2)基于图像的特征向量的聚类精度大于对于大多数聚类方法,但层次聚类方法不工作在这个特征向量的精度 。在实践中,分类方法的结果仅基于该特性向量可能坏。(3)结合的特征向量 ,聚类精度都大于这对不同的聚类方法相当强劲。(iv)而提出的特征向量聚类结果黄等,提出了特征向量可以得到更高的精度。(v)的散射图聚类的结果,我们可以发现,大部分的点可以集群正确k聚类方法则因为蓝色和绿色点的密度几乎是相同的。这两个特征向量并结合特征向量在大多数聚类实验执行好。因此,我们可以考虑应用的特征向量和合并后的特征向量在未来的上优于风剪检测方法。

5。结论

在本文中,我们提出两个统计指标的风剪风剪特性的激光雷达PPI扫描观测风速数据建设。基于风剪的物理性质指标和图像处理方法进行了研究。评估提议的有效性指标,构建3基于它们的特征向量。不同于以前使用的特征向量上优于风剪检测方法,只需要风的概要文件获得在最近的时间点风剪报道的时间戳,我们考虑风资料收集的4分钟内报告时间戳。基于多实例学习的想法,一个特征矢量扫描的一袋(时间)。三个常用的距离直方图距离给出初步验证的可分性诱导提出了风剪和non-windshear分类特征向量。然后,我们四个聚类方法应用于进一步评估的影响,提出了特征向量通过这些方法的准确性和对应的散点图。对应的特征向量的数值结果提出的黄等人也比较本文所示。数值结果显示如下:(i)之间的距离直方图的测试用例,我们不难发现,大多数特征向量之间的距离值两个风剪/ non-windshear病例的小和最风剪的特征向量之间的距离值和一个non-windshear案件很大,这表明一个能正确区分风剪和non-windshear拟议中的特征向量的距离。(2)基于物理性质特征向量执行比其他大多数聚类特征向量的方法。 (iii) One can get pretty high clustering accuracy by using the feature vector extracted by the image processing method except the hierarchical clustering method. (iv) The combined feature vector is quite stable to different clustering methods whose accuracy are all greater than 。(v)提出了特征向量执行比黄等提出的特征向量。17]。在未来,人们可以考虑使用基于提出的物理性质特征向量或其他联合特征向量上优于风剪和non-windshear分类来达到更好的检测结果。此外,我们还可以使用一些图像处理方法探索基于深度学习提取特征向量风速风剪的激光雷达扫描。

数据可用性

请求数据用于支持本研究的发现可以解决香港天文台。提供的数据将被认为是在个案基础上。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

m·Ng的研究的部分支持由香港研究资助局平12300519,17201020,17300021 C1013-21GF, C7004-21GF和关节NSFC-RGC N-HKU76921。