大气电场监测站点丢失数据还原方法

1.本发明属于雷电监测技术领域，特别是一种大气电场监测站点丢失数据还原方法。


背景技术：

2.大气电场监测站点是大气电场组网监测的基础站点。组网大气电场仪根据各大气电场监测站点的监测数据，对区域雷暴过程或雷电发生实现监测和预警。然而，处于恶劣气候环境(如岛礁、大风沙内陆)的大气电场监测站点，由于受到高湿高热、强腐蚀性大气或风沙影响，极易被损毁，致使相应站点所辖探测区域出现探测盲点。
3.为了精确地分析雷暴活动规律，继而实现雷电的精确预警，需要对大气电场监测站点丢失的数据加以还原，但由于雷暴背景下的大气电场具有强烈的非平稳特性，对其进行还原难度极大。
4.目前，除了通过多布设站点，来弥补某个站点丢失的影响，尚未见关于对丢失数据进行还原的方法的记载公开。


技术实现要素：

5.本发明的目的在于提供一种大气电场监测站点丢失数据还原方法，能直观、准确地还原监测站点丢失的大气电场数据，成本低、效率高。
6.实现本发明目的的技术解决方案为：
7.一种大气电场监测站点丢失数据还原方法，包括如下步骤：
8.(10)监测区域大气电场图像化：以各大气电场监测站点的经、纬度为平面坐标，根据某时刻的大气电场实测值，计算与各大气电场监测站点对应的大气电场图像像素值，构建监测区域大气电场图像；
9.(20)大气电场图像生成网络训练：针对所有历史时刻，随机丢弃大气电场图像中与某一大气电场监测站点的电场值对应的某一像素值，生成训练样本集；将所述训练样本集中的训练样本输入大气电场生成网络，生成还原后的电场图像；将生成的还原后的电场图像与实际构建的电场图像进行比对，若满足mae判定条件，则大气电场图像生成网络训练成熟；
10.(30)监测站点电场数据还原：将新的丢失了某一站点大气电场值的监测区域大气电场数据进行归一化，构建新的大气电场图像，将该新的大气电场图像输入训练好的大气电场图像生成网络，得到还原后的大气电场图像；从还原后的大气电场图像中提取丢失站点对应的像素值，对该像素值进行反归一化，得到该丢失站点的大气电场值。
11.本发明与现有技术相比，其显著优点为：
12.1、直观：本发明结合站点经纬度和大气电场数据将监测区域图像化，还原了监测站点丢失的大气电场数据，结果更加直观；
13.2、准确：利用图像生成网络充分挖掘监测区域内不同站点大气电场之间的关联
性，便于雷暴活动规律的精确预判；
14.3、成本低、效率高：本发明通过数学方法解决了大气电场监测站点丢失数据还原的技术问题，不需增加站点布设，成本低、效率高。
15.下面结合附图和具体实施方式对本发明作进一步的详细描述。
附图说明
16.图1为本发明大气电场监测站点丢失数据还原方法的主流程图。
17.图2为监测区域图像化示意图。
18.图3为图1中监测区域大气电场图像化步骤的流程图。
19.图4为图1中大气电场图像生成网络训练步骤的流程图。
20.图5为生成网络结构示意图。
21.图6为特征比对过程示意图。
22.图7为图1中监测站点电场数据还原步骤的流程图。
23.图8为实施例的训练过程曲线。
24.图9为对应图8的预测结果示例。
具体实施方式
25.如图1所示，本发明大气电场监测站点丢失数据还原方法，包括如下步骤：
26.(10)监测区域大气电场图像化：以各大气电场监测站点的经、纬度为平面坐标，根据某时刻的大气电场实测值，计算与各大气电场监测站点对应的大气电场图像像素值，构建监测区域大气电场图像，实现监测区域大气电场图像化。
27.所述监测区域大气电场图像的各像素值代表某一时刻各站点实测的归一化大气电场值，像素列序号和行序号分别代表各站点的经度和纬度坐标；
28.以图2所示监测区域大气电场图像为例，图中大气电场图像像素的行序号w和列序号j分别与站点的经度j和纬度w一一对应；图2中共有m＝6行和n＝6列排布的36个站点；
29.如图3所示，所述监测区域大气电场图像化步骤包括：
30.(11)大气电场正值化：将经纬度为(j,w)的大气电场监测站点的大气电场实测值eo加上偏移量em，转为正值，得到正值化电场值；
31.(12)大气电场归一化：将所述正值化电场值除以2倍偏移量em，得到介于[0 1]之间的归一化电场值en；归一化公式为：
[0032][0033]
(13)大气电场图像像素值计算：将所述归一化电场值en乘以255，并向下取整，得到图像w行j列处的像素值；计算公式为：
[0034][0035]
所述偏移量em的取值略大于所有站点长期观测电场值的绝对值，以保证所有站点观测的大气电场值叠加em后均为正值；优选的，em取值为50kv/m；例如，若实测场值eo为25kv/m，则其对应的像素值i为191。
[0036]
(14)大气电场图像构建：根据所述与各大气电场监测站点对应的大气电场图像像素值，以像素列序号和行序号分别代表各站点的经度和纬度平面坐标，构建监测区域大气电场图像。
[0037]
(20)大气电场图像生成网络训练：针对所有历史时刻，随机丢弃大气电场图像中与某一大气电场监测站点的电场值对应的某一像素值，生成训练样本集；将所述训练样本集中的训练样本输入大气电场生成网络，生成还原后的电场图像；将生成的还原后的电场图像与实际构建的电场图像进行比对，若满足mae判定条件，则大气电场图像生成网络训练成熟。
[0038]
如图4所示，所述(20)大气电场图像生成网络训练步骤包括：
[0039]
(21)生成大气电场图像训练样本集：将所述监测区域大气电场图像中，某一随机站点经纬度对应的行列处的像素值置零，得到某一节点数据丢失的大气电场图像；对所有历史数据均随机丢弃任一站点后，生成的大气电场图像即为训练样本集。
[0040]
(22)大气电场生成网络训练：如图5所示，在接收(21)生成的大气电场图像后，以(221)步进卷积的方式进行下采样，之后利用(222)leakyrelu激活；再通过(223)卷积后输入(224)leakyrelu激活；再通过(225)卷积后输入(226)leakyrelu激活；再通过(227)卷积后输入(228)leakyrelu激活；再经(229)卷积进入(2210)tanh函数激活生成(2211)还原后的大气电场图像；所述leakyrelu允许较小的负数激活值，可以放宽稀疏性限制，结合步进卷积进行下采样，可以提高网络训练效率。
[0041]
优选的，步进卷积层为1层，卷积层为4层，leakyrelu激活层为4层，tanh激活层为1层。
[0042]
(23)特征比对：如图6所示，将(2211)还原后的大气电场图像和(10)监测区域完整大气电场图像分别进行(231)卷积后，进行(232)下采样；再进行(233)卷积和(234)下采样；之后进行(235)光栅化，分别得到(2211)还原后的大气电场图像和(10)监测区域完整大气电场图像的(236)序列化的图像特征。
[0043]
计算(2211)还原后大气电场图像的(236)序列化的图像特征和(10)监测区域完整大气电场图像的(236)序列化的图像特征之间的平均绝对误差(mae)，并将误差反馈给(22)大气电场生成网络进行训练参数调整。当mae值不再减小时，大气电场图像生成网络训练成熟。mae计算公式为：
[0044][0045]
式中，k为样本个数；ei为每个样本的训练误差。
[0046]
训练的初始参数满足截断正态分布，标准差为0.01；
[0047]
(30)监测站点电场数据还原：将新的丢失了某一站点大气电场值的监测区域大气电场数据进行归一化，构建新的大气电场图像；将该新的大气电场图像输入训练好的大气电场图像生成网络，得到还原后的大气电场图像；从还原后的大气电场图像中提取丢失站点对应的像素值，对该像素值进行反归一化，得到该丢失站点的大气电场值。
[0048]
如图7所示，所述(30)监测站点电场数据还原步骤包括：
[0049]
(31)实时区域大气电场图像生成：根据新的大气电场实测值，计算与各大气电场监测站点对应的大气电场图像像素值，数据丢失站点则将其经纬度对应的行列处的像素值
置零；未丢失数据站点对应的像素值按照步骤(11)～(13)所述方法计算；生成站点数据丢失的区域大气电场图像。
[0050]
(32)还原大气电场图像获取：将所述实时区域大气电场图像输入训练好的大气电场图像生成网络，得到还原大气电场图像。
[0051]
(33)数据丢失站点大气电场值获取：依据数据丢失站点的经纬度信息，确定其在还原大气电场图像中的行列位置，提取相应位置的像素值i0，进行反归一化，得到该数据丢失站点的大气电场值。
[0052]
所述像素值反归一化公式为：
[0053][0054]
优选的，em取值为50kv/m。例如，若还原后的图像像素值为155，则其反归一化后的场值e为10.8kv/m。
[0055]
实施例中，训练样本总数为239000，按照70％、15％和15％的比例划分为训练集、验证集和测试集，则训练集为167300个样本、验证集为35850个样本和测试集为35850个样本；图8为训练过程示意图。
[0056]
图9为将新的某一站点数据丢失的区域大气电场进行图像化后，输入训练好的网络，得到输出图像，进行反归一化得到的丢失站点的大气电场数据；还原时的样本总数为84837。网络连续还原的电场值呈现的规律与真实电场值的变化规律一致性较好，表明本发明方法可以很好地对丢失数据进行还原，也就能很好地预判雷暴活动规律。

技术特征：
1.一种大气电场监测站点丢失数据还原方法，其特征在于，包括如下步骤：(10)监测区域大气电场图像化：以各大气电场监测站点的经、纬度为平面坐标，根据某时刻的大气电场实测值，计算与各大气电场监测站点对应的大气电场图像像素值，构建监测区域大气电场图像；(20)大气电场图像生成网络训练：针对所有历史时刻，随机丢弃大气电场图像中与某一大气电场监测站点的电场值对应的某一像素值，生成训练样本集；将所述训练样本集中的训练样本输入大气电场生成网络，生成还原后的电场图像；将生成的还原后的电场图像与实际构建的电场图像进行比对，若满足mae判定条件，则大气电场图像生成网络训练成熟；(30)监测站点电场数据还原：将新的丢失了某一站点大气电场值的监测区域大气电场数据进行归一化，构建新的大气电场图像，将该新的大气电场图像输入训练好的大气电场图像生成网络，得到还原后的大气电场图像；从还原后的大气电场图像中提取丢失站点对应的像素值，对该像素值进行反归一化，得到该丢失站点的大气电场值。2.根据权利要求1所述的大气电场监测站点丢失数据还原方法，其特征在于，所述(10)监测区域大气电场图像化步骤包括：(11)大气电场正值化：将经纬度为(j,w)的大气电场监测站点大气电场实测值e
o
加上偏移量e
m
，转为正值，得到正值化电场值；(12)大气电场归一化：将所述正值化电场值除以2倍偏移量e
m
，得到介于[0 1]之间的归一化电场值e
n
；(13)大气电场图像像素值计算：将所述归一化电场值e
n
乘以255，并向下取整，得到图像w行j列处的像素值；(14)大气电场图像构建：根据所述与各大气电场监测站点对应的大气电场图像像素值，以像素列序号和行序号分别代表各站点的经度和纬度平面坐标，构建监测区域大气电场图像。3.根据权利要求2所述的大气电场监测站点丢失数据还原方法，其特征在于，所述(20)大气电场图像生成网络训练步骤包括：(21)生成大气电场图像训练样本集：将所述监测区域大气电场图像中，某一随机站点经纬度对应的行列处的像素值置零，得到某一节点数据丢失的大气电场图像；对所有历史数据均随机丢弃任一站点后，生成的大气电场图像即为训练样本集；(22)大气电场生成网络训练：在接收生成的大气电场图像后，以步进卷积的方式进行下采样，之后利用leakyrelu激活；再通过卷积后输入leakyrelu激活，再经卷积进入tanh函数激活生成还原后大气电场图像；(23)特征比对：将所述还原后大气电场图像与监测区域完整大气电场图像分别进行卷积后，下采样，再进行一次卷积和下采样，之后进行光栅化，得到序列化的图像特征；计算还原后大气电场图像的序列化的图像特征和监测区域完整大气电场图像的序列化的图像特征之间的平均绝对误差mae，并将误差反馈给大气电场生成网络进行训练参数调整；当mae值不再减小时，大气电场图像生成网络训练成熟。4.根据权利要求3所述的大气电场监测站点丢失数据还原方法，其特征在于，所述平均绝对误差mae的计算公式为：
式中，k为样本个数；e
i
为每个样本的训练误差。5.根据权利要求3所述的大气电场监测站点丢失数据还原方法，其特征在于，所述(30)监测站点电场数据还原步骤包括：(31)实时区域大气电场图像生成：根据新的大气电场实测值，计算与各大气电场监测站点对应的大气电场图像像素值，数据丢失站点则将其经纬度对应的行列处的像素值置零，生成实时区域大气电场图像；(32)还原大气电场图像获取：将所述实时区域大气电场图像输入训练好的大气电场生成网络，得到还原大气电场图像；(33)数据丢失站点大气电场值获取：依据数据丢失站点的经纬度信息，确定其在还原大气电场图像中的行列位置，提取相应位置的像素值i0，进行反归一化，得到该数据丢失站点的大气电场值。6.根据权利要求5所述的大气电场监测站点丢失数据还原方法，其特征在于，所述像素值反归一化公式为：

技术总结
本发明公开一种大气电场监测站点丢失数据还原方法，能直观、准确还原丢失数据，成本低、效率高。其包括：(10)监测区域大气电场图像化：以各监测站点经纬度为平面坐标，根据某时刻的大气电场实测值计算像素值，构建监测区域大气电场图像；(20)大气电场图像生成网络训练：随机丢弃一像素值，生成训练样本集；将其输入大气电场生成网络，生成还原电场图像；将其与实际电场图像比对，得到训练成熟的生成网络；(30)监测站点电场数据还原：将新的监测区域大气电场数据进行归一化，构建新大气电场图像，将该图像输入训练成熟的生成网络，得到还原大气电场图像；从中提取丢失站点对应的像素值，反归一化，得到丢失的大气电场值。得到丢失的大气电场值。得到丢失的大气电场值。


技术研发人员：张琪 石立华 段艳涛 邱实 陈海林 付尚琛 罗小军
受保护的技术使用者：中国人民解放军陆军工程大学
技术研发日：2023.03.03
技术公布日：2023/7/21