本发明涉及气象探测，具体涉及一种利用二维视频雨滴谱仪订正一维激光雨滴谱仪观测的方法。
背景技术：
1、雨滴大小谱分布（dsd）是描述降雨结构的核心特征。雨滴谱仪是目前直接测量dsd的主要观测手段，能够测量雨滴的直径、数浓度和下落末速度。当前主要有两种雨滴谱仪，分别是一维激光雨滴谱仪（parsivel）和二维视频雨滴谱仪（2dvd）。
2、parsivel将0-25 mm的粒子直径和0-22.4 m/s的下落末速度分为若干分档，获取每个分档的粒子数浓度。2dvd探测粒子直径为0-8 mm、间隔0.2 mm的雨滴粒子数据。由于2dvd能够直接记录每个粒子的直径和速度，能够获取更准确的dsd和下落末速度，因此观测的降水量与地面雨量计观测最为接近。相比之下，由于parsivel对于大小雨滴的敏感性不同，通常低估小于0.76 mm的雨滴数浓度，而高估大于2.44 mm的雨滴数浓度。在降水强度超过20 mm/h的情况下，parsivel测量的质量权重平均雨滴直径和降水强度与2dvd相比存在高估。
3、虽然二维视频雨滴谱仪相比一维激光雨滴谱仪，具有更好的性能。但目前布设更为广乏的仍然是parsivel，仅有少量的2dvd。大范围的完全替换是短时间内无法实现的，若能利用2dvd观测对parsivel观测进行订正，提高parsivel雨滴谱的观测精度，将使得parsivel观测得到更好的定量应用。
4、基于以上原因，目前已有相关的方法利用2dvd观测对parsivel观测进行订正，如raupach和berne，其对parsivel观测按降水强度分为6类，包括[0,0.1]，[0.1,0.25]，[0.25,0.5]，[0.5,1]，[1,2]和[2,200] mm/h，利用2dvd观测对6类parsivel观测进行订正，计算不同直径分档雨滴数浓度的平均订正系数p(i)，然后利用该系数对parsivel观测进行订正。
5、然而实际上p(i)在同一降水强度范围内仍然存在显著不确定性，该方法简单采用同一个p(i)系数对同一降水强度范围的parsivel观测进行线性订正，不能反映同一降水强度范围内的雨滴谱分布不确定性，从而会产生订正偏差。
技术实现思路
1、本发明的一个目的在于提供一种基于神经网络的一维激光雨滴谱仪观测订正方法，解决相关技术中利用固定统计系数对直径分档雨滴数浓度进行简单线性订正无法表征两者的非线性关系问题。
2、本发明的另一个目的在于提供一种基于神经网络的一维激光雨滴谱仪观测订正系统。
3、为了达到上述的目的，本发明首先提供一种基于神经网络的一维激光雨滴谱仪观测订正方法，包括如下步骤：
4、s100、收集一维激光雨滴谱仪和二维视频雨滴谱仪历史观测数据，并对收集的数据进行质量控制，形成数据集；
5、s200、采用tensorflow框架中预设的dnnregressor建立深度学习模型，以s100形成的数据集进行训练，获得训练好的一维激光雨滴谱仪订正模型；
6、s300、将新获取的一维激光雨滴谱仪观测数据，输入一维激光雨滴谱仪订正模型，获取订正后的一维激光雨滴谱仪雨滴谱数据。
7、本发明进一步优选地技术方案为，步骤s100的收集一维激光雨滴谱仪和二维视频雨滴谱仪历史观测数据，并对收集的数据进行质量控制，形成数据集，具体包括：
8、s101、收集一维激光雨滴谱仪和二维视频雨滴谱仪历史观测数据；
9、s102、剔除所述历史观测数据中降落速度过快或过慢的雨滴样本；
10、s103、将二维视频雨滴谱仪历史观测数据重新计算，划分为与一维激光雨滴谱仪相对应的分档；
11、s104、两种数据合并形成用于模型训练的数据集。
12、进一步优选地，步骤s104中，在两种数据合并后，根据降水率将数据集分为若干类，从每个类别中随机抽取70%数据组成训练集，另外30%数据组成测试集。
13、进一步优选地，步骤s101中，至少收集5年的一维激光雨滴谱仪和二维视频雨滴谱仪历史观测数据。
14、进一步优选地，步骤s102中雨滴下落末速度满足与雨滴直径的实验室测量关系：
15、；
16、式中为雨滴下落标准末速度，d为雨滴直径；
17、当测量下落末速度>1.4vlab定义为降落速度过快，下落末速度<0.6vlab定义为降落速度过慢。
18、进一步优选地，步骤s200中采用tensorflow框架中预设的dnnregressor建立深度学习模型，其结构包含4个隐藏层，各层的节点数分别为256、128、64及32，采用relu激活函数。
19、进一步优选地，该深度学习模型应用dropout机制，失活比率为0.3。
20、进一步优选地，该深度学习模型的训练，采用均方误差作为损失函数，并以梯度下降优化方法进行最小化损失函数的迭代优化，学习率为0.01，训练步数为15000。
21、本发明还提供一种基于神经网络的一维激光雨滴谱仪观测订正系统，包括：
22、数据收集模块，用于收集一维激光雨滴谱仪和二维视频雨滴谱仪历史观测数据，并对收集的数据进行质量控制，形成数据集；
23、模型构建模块，用于采用tensorflow框架中预设的dnnregressor建立深度学习模型，以所述数据集进行训练，获得训练好的一维激光雨滴谱仪订正模型；
24、数据订正模块，用于将新获取的一维激光雨滴谱仪观测数据，输入一维激光雨滴谱仪订正模型，获取订正后的一维激光雨滴谱仪雨滴谱数据。
25、本发明又一方面提供一种非暂态计算机可读存储介质，其上存储有计算机指令，该计算机指令使计算机执行上述的基于神经网络的一维激光雨滴谱仪观测订正方法。
26、本发明又一方面提供一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信，处理器调用存储器中的逻辑指令，以执行上述的基于神经网络的一维激光雨滴谱仪观测订正方法。
27、本发明再一方面提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述的基于神经网络的一维激光雨滴谱仪观测订正方法。
28、有益效果：本发明基于一维激光雨滴谱仪（parsivel）和二维视频雨滴谱仪（2dvd）观测数据，对神经网络模型进行训练，拟合出parsivel和2dvd观测雨滴谱之间的关系模型。通过在神经网络的隐藏层节点中引入非线性激活函数，能够对非线性问题进行建模，因此本发明能够得到parsivel和2dvd观测雨滴谱之间的非线性关系模型，从而在一定程度上解决现有技术无法表征两者非线性关系的问题。本发明能够明显改进parsivel数据订正效果，获取更准确的雨滴谱分布数据，提高其定量应用价值。
1.一种基于神经网络的一维激光雨滴谱仪观测订正方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于神经网络的一维激光雨滴谱仪观测订正方法，其特征在于，步骤s100的收集一维激光雨滴谱仪和二维视频雨滴谱仪历史观测数据，并对收集的数据进行质量控制，形成数据集，具体包括：
3.根据权利要求2所述的基于神经网络的一维激光雨滴谱仪观测订正方法，其特征在于，步骤s104中，在两种数据合并后，根据降水率将数据集分为若干类，从每个类别中随机抽取70%数据组成训练集，另外30%数据组成测试集。
4.根据权利要求2所述的基于神经网络的一维激光雨滴谱仪观测订正方法，其特征在于，步骤s101中，至少收集5年的一维激光雨滴谱仪和二维视频雨滴谱仪历史观测数据。
5.根据权利要求2所述的基于神经网络的一维激光雨滴谱仪观测订正方法，其特征在于，步骤s102中雨滴下落末速度满足与雨滴直径的实验室测量关系：
6.根据权利要求1所述的基于神经网络的一维激光雨滴谱仪观测订正方法，其特征在于，步骤s200中采用tensorflow框架中预设的dnnregressor建立深度学习模型，其结构包含4个隐藏层，各层的节点数分别为256、128、64及32，采用relu激活函数。
7.根据权利要求6所述的基于神经网络的一维激光雨滴谱仪观测订正方法，其特征在于，该深度学习模型应用dropout机制，失活比率为0.3。
8.根据权利要求6所述的基于神经网络的一维激光雨滴谱仪观测订正方法，其特征在于，该深度学习模型的训练，采用均方误差作为损失函数，并以梯度下降优化方法进行最小化损失函数的迭代优化，学习率为0.01，训练步数为15000。
9.一种基于神经网络的一维激光雨滴谱仪观测订正系统，其特征在于，包括：
