Анализ информативности признаков классификации опасных метеоявлений по результатам радиолокационных наблюдений

Одним из решающих факторов, влияющих на безопасность и регулярность полетов государственной и гражданской авиации, является метеорологическая обстановка. Для Европейской территории России наиболее характерны опасные метеорологические явления, связанные с кучево-дождевой облачностью: ливень, гроза, град, сопровождающиеся высокой турбулентностью атмосферы. В настоящее время метеорологические радиолокационные станции являются незаменимым источником информации о метеообстановке для воздушного транспорта. Критерии классификации опасных метеоявлений, используемые в современных РЛС, сформированы для каждого явления отдельно и основаны на знаниях лишь о высотном распределении радиолокационной отражаемости и температуры воздуха, несмотря на то, что данные РЛС оценивают ветровые характеристики атмосферы. Показано, что оптимизация критериев классификации указанных метеоявлений должна быть реализована путем обобщения критериев и их построения в соответствии с теорией различения статистических гипотез, а также дополнительным использованием информации о турбулентности атмосферы. На основании анализа радиолокационных сигналов, отраженных от метеоявлений ливень, гроза, град, были получены вероятностные распределения отражаемости и удельной скорости диссипации турбулентной энергии. Проведен статистический анализ плотностей распределения вероятностей для максимального значения отражаемости Zmax, ее зависимости от высоты Н(Zmax), а также максимума удельной скорости диссипации турбулентной энергии EDRmax и величины Н(EDRmax). Для определения структуры алгоритмов классификации и правил принятия решений был выбран критерий классификации, основанный на максимуме функционала правдоподобия. При этом под приемлемой достоверностью принято значение вероятности правильной классификации не ниже 0,8. Для принятого критерия построены пороги принятия решений и вычислены полные матрицы вероятностей классификации. Результаты вычислений показали, что наихудшую информативность при классификации опасных метеоявлений кучево-дождевой облачности имеют признаки H(Zmax), H(EDRmax). Большей разделяющей способностью обладают признаки Zmax, EDRmax, однако и для них достоверность классификации неприемлема. В статье для повышения достоверности классификации было применено совместное использование признаков в виде многомерных плотностей распределения вероятностей информационных параметров. Наилучшие результаты достигаются при использовании трех  и четырех  признаков. В матрицах вероятностей для этих случаев достигнуты максимальные и приемлемые на уровне 0,8 значения вероятностей правильной классификации. Таким образом, в рассматриваемой задаче расширение признакового пространства за счет турбулентности атмосферы является оправданным. Данные результаты будут уточняться при увеличении времени наблюдения и варьироваться для различных климатических зон. В общем случае пороги принятия решений при классификации опасных метеоявлений кучево-дождевой облачности должны быть адаптивными.

1. Позднякова В.А. Практическая авиационная метеорология. Екатеринбург: Уральский УТЦ ГА, 2010. 113 с.

2. Шакина Н.П., Иванова А.Р. Прогнозирование метеорологических условий для авиации: учеб. пособие. М.: Триада ЛТД, 2016. 312 с.

3. Дядюченко В.Н., Вылегжанин И.С., Павлюков Ю.Б. Доплеровские радиолокаторы в России // Наука в России. 2014. № 1. С. 23–27.

4. Мазуров Г.И., Акселевич В.И. Использование информации, получаемой с помощью ДМРЛ-с в метеорологии // Радиофизика, фотоника и исследование свойств вещества: тезисы докладов I Российской научной конференции, Омск, 6–8 октября 2020 года. Омск: Омский научно-исследовательский институт приборостроения, 2020. С. 83–84.

5. Жуков В.Ю., Щукин Г.Г. Состояние и перспективы сети доплеровских метеорологических радиолокаторов // Метеорология и гидрология. 2014. № 2. С. 92–100.

6. Галаева К.И. Обоснование задач, решаемых метеорологическим радиолокационным комплексом ближней аэродромной зоны / К.И. Галаева, Э.А. Болелов, И.Б. Губерман, А.А. Ещенко, С.В. Далецкий // Научный вестник ГосНИИ ГА. 2018. № 20 (331). С. 74–81.

7. Vasiliev O. The design and operation features of the near-airfield zone weather radar complex “Monocle” / O. Vasiliev, E. Bolelov, K. Galaeva, N. Gevak, S. Zyabkin, E. Kolesnikov, A. Peshko, I. Sinitsyn // 2021 XVIII Technical Scientific Conference on Aviation Dedicated to the Memory of N.Ye. Zhukovsky (TSCZh), 2021. Pp. 64–72. DOI: 10.1109/TSCZh53346. 2021.9628352

8. Басов И.А., Дмитриева О.А., Дорофеев Е.В. и др. Методические указания по производству метеорологических радиолокационных наблюдений на ДМРЛ-С на сети Росгидромета в целях штормоповещения и метеобеспечения авиации. СПб.: ФГБУ «ГГО им. А.И. Воейкова», 2013. 137 с.

9. Дуда Р., Харт П. Распознавание образов и анализ сцен / Пер. с англ. Г.Г. Вайнштейна и А.М. Васьковского, под ред. В.Л. Стефанюка. М.: Мир, 1976. 511 с.

10. Чабан Л.Н. Методы и алгоритмы распознавания образов в автоматизированном дешифрировании данных дистанционного зондирования: учеб. пособие. М.: МИИГАиК, 2016. 94 c.

11. Фомин Я.А. Распознавание образов: теория и применения. 2-е изд. М.: ФАЗИС, 2012. 429 с.

12. Сосулин Ю.Г., Костров В.В., Паршин Ю.Н. Оценочно-корреляционная обработка сигналов и компенсация помех. М.: Радиотехника, 2014. 632 c.

13. Bishop C.M. Pattern recognition and machine learning. New York: Springer, 2006. 778 p. DOI: 10.1007/978-0-387-45528-0

14. Webb A.R., Copsey K.D., Cawley G. Statistical pattern recognition. 3rd ed. New York: Wiley, 2011. 672 p.

15. Васильев О.В., Бояренко Э.С., Галаева К.И. Обоснование исходных данных параметрических алгоритмов классификации опасных метеоявлений // Научный Вестник МГТУ ГА. 2023. Т. 26, № 6. С. 8–21. DOI: 10.26467/2079-0619-2023-26-6-8-21

16. Гельгор А.Л., Горлов А.И., Попов Е.А. Общая теория связи. Проверка статистических гипотез. Оценивание параметров. Оптимальный прием сигналов: учеб. пособие. СПб.: Изд-во Политехн. ун-та, 2013. 227 с.

17. Кремер Н.Ш. Теория вероятностей и математическая статистика. 2-е изд., перераб. и доп. М.: ЮНИТИ-ДАНА, 2004. 573 с.

18. Ту Д., Гонсалес Р. Принципы распознавания образов: пер с англ. М.: Мир, 1978. 411 c.

19. Вентцель Е.С. Теория вероятностей. 4-е изд. М.: Наука, 1969. 576 c.

20. Мясников В.В. Распознавание образов и машинное обучение. Основные подходы: учеб. пособие. Самара: Изд-во Самар. ун-та, 2023. 196 c.

21. Розов А.К. Оптимальные статистические решения. 2-е изд., перераб. и доп. СПб.: Политехника, 2016. 261 с.

22. Рубан А.И. Методы анализа данных: учеб. пособие. 2-е изд., испр. и доп. Красноярск: ИПЦ КГТУ, 2004. 319 с.