Оцінювання параметрів метеосигнала на основі власних векторів і чисел кореляційної матриці вхідних впливів

Дмитро Володимирович Атаманський; Володимир Іванович Василишин; Руслан Леонідович Стовба; Лариса Віталіївна Прокопенко; Ігор Валерійович Красношапка

doi:10.20535/S0021347025020050

Автор(и)

Дмитро Володимирович Атаманський Харківський національний університет повітряних сил імені Івана Кожедуба , Україна http://orcid.org/0000-0002-8705-8584
Володимир Іванович Василишин Харківський національний університет повітряних сил імені Івана Кожедуба , Україна https://orcid.org/0000-0002-5461-0125
Руслан Леонідович Стовба Харківський національний університет повітряних сил імені Івана Кожедуба , Україна https://orcid.org/0000-0002-7537-1055
Лариса Віталіївна Прокопенко Харківський національний університет повітряних сил імені Івана Кожедуба , Україна https://orcid.org/0000-0003-3664-2278
Ігор Валерійович Красношапка Харківський національний університет повітряних сил імені Івана Кожедуба , Україна https://orcid.org/0000-0002-2120-5668

DOI:

https://doi.org/10.20535/S0021347025020050

Ключові слова:

метеорологічні утворення, пульспарний метод, турбулентність, матриця власних векторів, матриця власних чисел, оцінювання параметрів метеосигналів

Анотація

Безпека польотів повітряних суден багато в чому залежить від якості вимірів параметрів метеоутворень імпульсними доплерівськими метеорадіолокаторами. У статті розглянуто особливості оцінювання ширини доплерівського спектра швидкостей оптично неспостережуваних метеоутворень на основі методу «парних імпульсів». Характерною рисою таких метеоутворень є низькі значення потужності радіолокаційної відбиваності. Показано, що похибки оцінювання залежать від співвідношення потужностей безпосередньо метеоутворень і внутрішнього шуму приймача. Запропоновано спосіб усунення цієї залежності. Він базується на використанні уявлення кореляційної матриці вхідних впливів через її власні вектора, поділом матриці на сигнальну й шумову складові з наступним зниженням впливу шумової складової. Ефективність запропонованого способу проілюстровано результатами імітаційного моделювання. Отримано аналітичні вирази для щільності розподілу абсолютної і відносної похибки оцінювання ширини спектра флуктуацій доплерівських швидкостей складових метеоутворення.

Посилання

Y. U. da Silva, G. B. França, H. M. Ruivo, and H. F. de Campos Velho, “Forecast of Convective Events Via Hybrid Model: Wrf and Machine Learning Algorithms,” SSRN Electron. J., 2022, doi: 10.2139/ssrn.4113508.
I. Gultepe et al., “A Review of High Impact Weather for Aviation Meteorology,” Pure Appl. Geophys., vol. 176, no. 5, pp. 1869–1921, May 2019, doi: 10.1007/s00024-019-02168-6.
M. Pereira-Nunes, G. B. França, and V. A. de Almeida, “Application of Machine Learning Models for Convective Meteorological Events,” Pure Appl. Geophys., vol. 181, no. 2, pp. 557–576, Feb. 2024, doi: 10.1007/s00024-023-03395-8.
J. N. de Castro, G. B. França, V. A. de Almeida, and V. M. de Almeida, “Severe Convective Weather Forecast Using Machine Learning Models,” Pure Appl. Geophys., vol. 179, no. 8, pp. 2945–2955, Aug. 2022, doi: 10.1007/s00024-022-03088-8.
K. V. Kulikovskii and V. V. Sterlyadkin, “RADIO-PHYSICAL FEATURES OF RADAR REFLECTIONS FROM A CLEAR SKY IN THE MILLIMETER WAVELENGTH RANGE,” J. Radio Electron., vol. 2023, no. 5, May 2023, doi: 10.30898/1684-1719.2023.5.1.
R. J. Doviak, D. S. Zrnic, and D. S. Sirmans, “Doppler weather radar,” Proc. IEEE, vol. 67, no. 11, pp. 1522–1553, 1979, doi: 10.1109/PROC.1979.11511.
Q. Cheng, X. Wu, X. Zhang, and Q. Yang, “A novel sea clutter suppression method based on SVD‐FRFT at low signal‐to‐clutter ratio,” Electron. Lett., vol. 59, no. 14, Jul. 2023, doi: 10.1049/ell2.12874.
S.-C. Tsai, Y.-H. Chu, and J.-S. Chen, “Identification of Concurrent Clear-Air and Precipitation Doppler Profiles for VHF Radar and an Incorporating Study of Strongly Convective Precipitation with Dual-Polarized Microwave Radiometer,” Atmosphere, vol. 13, no. 4, p. 557, Mar. 2022, doi: 10.3390/atmos13040557.
J. Rottger, “The instrumental principles of MST radars and incoherent scatter radars and the configuration of radar system hardware,” in International Council of Scientific Unions, Kyoto Middle Atmosphere Program. Handbook for MAP. Volume 30: International School on Atmospheric Radar, 1989, pp. 54–113.
S. Kritchman and B. Nadler, “Non-parametric detection of the number of signals: hypothesis testing and random matrix theory,” IEEE Trans. Signal Process., vol. 57, no. 10, pp. 3930–3941, Oct. 2009, doi: 10.1109/TSP.2009.2022897.
H. Kalesse-Los, W. Schimmel, E. Luke, and P. Seifert, “Evaluating cloud liquid detection against Cloudnet using cloud radar Doppler spectra in a pre-trained artificial neural network,” Atmos. Meas. Tech., vol. 15, no. 2, pp. 279–295, Jan. 2022, doi: 10.5194/amt-15-279-2022.
A. Garcia-Benadi, J. Bech, S. Gonzalez, M. Udina, B. Codina, and J.-F. Georgis, “Precipitation type classification of micro rain radar data using an improved Doppler spectral processing methodology,” Remote Sens., vol. 12, no. 24, p. 4113, Dec. 2020, doi: 10.3390/rs12244113.
A. Collado Rosell, J. Cogo, J. A. Areta, and J. P. Pascual, “Doppler processing in weather radar using deep learning,” IET Signal Process., vol. 14, no. 9, pp. 672–682, Dec. 2020, doi: 10.1049/iet-spr.2020.0095.
Д. И. Леховицкий, Д. С. Рачков, А. В. Семеняка, Д. В. Атаманский, and А. А. Пушков, “Оценка ширины доплеровского спектра скоростей метеообразований в когерентных импульсных МРЛ с произвольными интервалами зондирования,” Успехи современной радиоэлектроники, no. 8, pp. 47–68, 2012, [Online]. Available: https://www.elibrary.ru/item.asp?id=17997877.
Y. Wang, D. Wu, Q. Yu, D. Zhu, and F. Meng, “A weather signal detection algorithm based on EVD in elevation for airborne weather radar,” Digit. Signal Process., vol. 116, p. 103118, Sep. 2021, doi: 10.1016/j.dsp.2021.103118.
P. Stoica and R. L. Moses, Introduction to spectral analysis. Prentice Hall, 1997.
D. I. Lekhovytskiy and Y. S. Shifrin, “Statistical analysis of ‘superresolving’ methods for direction-of-arrival estimation of noise radiation sources under finite size of training sample,” Signal Process., vol. 93, no. 12, pp. 3382–3399, Dec. 2013, doi: 10.1016/j.sigpro.2013.03.008.
Z. Wang, Z. Zhao, C. Ren, and Z. Nie, “Adaptive detection of distributed targets in noise and interference which is partially related with targets,” Digit. Signal Process., vol. 103, p. 102757, Aug. 2020, doi: 10.1016/j.dsp.2020.102757.
V. Vasylyshyn, “Sensor array signal processing using SSA,” in Information Technology for Education, Science, and Technics. ITEST 2022. Lecture Notes on Data Engineering and Communications Technologies, 2023, pp. 697–714, doi: 10.1007/978-3-031-35467-0_41.
V. N. Bringi and V. Chandrasekar, Polarimetric Doppler weather radar: principles and applications. Cambridge: Cambridge University Press, 2001.
J. M. B. Dias and J. M. N. Leitao, “Nonparametric estimation of mean velocity and spectral width in weather radar,” in 1995 International Geoscience and Remote Sensing Symposium, IGARSS ’95. Quantitative Remote Sensing for Science and Applications, 1995, vol. 3, pp. 2121–2125, doi: 10.1109/IGARSS.1995.524125.
M. E. Weber, “Advances in operational weather radar technology,” MIT Lincoln Lab. J., vol. 16, no. 1, pp. 9–30, 2006, [Online]. Available: https://www.ll.mit.edu/sites/default/files/publication/doc/advances-operational-weather-radar-technology-weber-ja-10424.pdf.
A. V. Ryzhkov and D. S. Zrnic, Radar polarimetry for weather observations. Cham: Springer International Publishing, 2019.
I. K. Pikayev, “Distribution density of the estimate of the complex correlation coefficient,” Sov. J. Commun. Technol. Electron., vol. 36, no. 3, pp. 107–109, 1991.