CN102628944A - 一种基于多普勒雷达资料的层云与对流云自动识别方法 - Google Patents

Abstract

本发明公开一种基于多普勒雷达资料的层云与对流云自动识别方法。本发明的方法是将被测点的实测多普勒天气雷达资料插值到3维直角坐标系中，按确定的垂直方向高度和垂直格距分层，反演出各高度层的回波强度及水平风场，并计算出相应的水平散度；同时提取并计算3个相关的特征参量：最大回波强度Z_max、垂直液态水含量VIL和最大回波强度的水平梯度

反演风信息计算提取散度特征参量，建立隶属函数，并计算出各个特征量隶属度，最后将每个水平格点上层云及对流云对应的不同特征参量所求的隶属度求和得到Pc和Ps，并根据P_C＞P_S时确定被测点为对流云，反之被测点为层流云。

Description

一种基于多普勒雷达资料的层云与对流云自动识别方法

技术领域

本发明涉及一种气象信息的处理与识别方法，确切讲是一种对气象雷达测定的数据进行处理，以确定被测点属于层云还是对流云的方法。 

背景技术

在气象领域降水估计、灾害性天气的监测和预警、人工影响天气和热动力学中降水区域的非绝热过程垂直分布研究具有很重要的帮助。而降水与云层类别有直接的关系。 

降水系统从形成机理，持续时间，以及内部结构差异可以将其分为对流云降水和层状云降水。对流云系统常常伴随强的垂直速度、局地辐合及强降水，而层云系统常常伴随弱的上升运动、大的水平一致性和弱的降水强度。层状云降水虽然降水强度弱，但是覆盖面积大、持续时间长，对降水系统的降水量和时间有很重要的作用。气象上将降水系统分成层云及对流云系统有非常重要的作用及意义。首先从云物理方面来看，进行层云及对流云系统识别可以更好的理解降水机制了解云物理过程，对降水估计、灾害性天气的监测和预警、人工影响天气有很大的帮助；第二，从热动力学方面来看，层云和对流云降水区域的非绝热过程垂直分布明显不同，进行云识别具有很重要的作用。 

目前国际上利用多普勒雷达资料进行云类识别算法用的比较多的就是巅峰值法，该类方法主要利用某个高度的回波强度进行云类识别，该类方法对阈值敏感。 

关于用雷达资料识别层状云和对流云，国内外已做了很多工作。早期的识别层状云和对流云降水的方法是用雨量计资料做的，只要降水率超过给定的背 景阈值就被认为是对流云降水，其余的为层状云，这种技术称作Background-exceedence technique(BET)。1984年CHurchuill等人又将该技术发展为二维结构，参见Churchill，D.D.，and R.A.Houze Jr.，1984：Development and structure of winter monsoon cloud clusters on 10 December 1978.J.Atmos.Sci.，41，933-960.，该方法首先用雷达回波强度阈值来确定对流中心，然后给对流中心一个固定的影响半径以确定对流云的面积。1995年Steiner等指出CHurchuill等人方法中固定一个影响半径是不充分的，他们将影响半径改为雷达回波强度的函数，此外把回波强度阈值给为局地平均的背景回波强度的函数，参见Steiner，M.，and S.E.Yuter，1995：Climatological characterization of three-dimensional storm structure from operational radar and rain gauge data.J.Appl.Meteor.，34，1978-2007，这种方法本质上还是BET方法，但研究者将它称为“巅峰值法”或“SHY95”方法。目前这种方法在国际上比较通用。2000年，Michael和Stevenz在传统SHY95方法的基础上，根据亮带的特征，考虑到水平和垂直方向的回波梯度变化，将回波垂直廓线特征加入该方法中，并用到了雷达资料以外的0°等温线所在高度的资料，参见Biggerstaff，Michael I.，Steven A.Listemaa，2000：An Improved Scheme for Convective/Stratiform Echo Classification Using Radar Reflectivity.J.Appl.Meteor.，39，2129-2150.，这在实际应用中可能没有这个资料，使用存在一定局限性。 

以上所提到的方法都使用固定的阈值或边界条件去进行云识别，所以这些方法就对阈值很敏感。因为层云和对流云在很多方面都有一定的交集，层云及对流云它们之间的边界很难直接定量给出，因此使用固定边界条件或阈值常常会导致误判。所以可以使用更先进的算法来改进云识别方法的灵活性，例如模糊逻辑算法(Fuzzy logic)。该方法理论是由美国著名的学者加利福尼亚大学 教授Lotfi Zadeh于1965年首先提出，它以模糊数学为基础，用语言规则表示方法和先进的计算机技术，由模糊推理进行决策的一种高级控制策略，参见Zadeh，L.A.，1965：″Fuzzy sets″.Information and Control 8(3)：338-353.doi：10.1016/S0019-9958(65)90241-X.ISSN 0019-9958.。 

模糊逻辑算法能避免严格的阈值直到所有信息都被综合使用。它强大之处在于它能系统的表达出测量资料中自然模糊，分类及模式识别。该方法已在工程技术领域得到广泛应用，但在气象领域应用很少。 

肖艳娇等根据层云及对流云的雷达回波分布的3维形态特征，提出相关的候选识别参数，使用模糊逻辑算法类进行层云及对流云识别，参见肖艳姣，刘黎平，2007：三维雷达反射率资料用于层状云和对流云的识别研究.大气科学，31(4)：646-654。但该方法在用统计方法确定模糊化过程中隶属函数的断点时候，需要用人工识别的结果作为层云及对流云观测的真值。因此这种算法不能自动化，且工作量较大，并存在很大的主观成份，在业务中不易使用。另外这些算法都仅仅使用了多普勒雷达一个观测量——回波强度，缺少其它的观测信息。 

发明内容

本发明提供一种可克服现有技术不足，可根据雷达测定的云区信息更为准确地确定出被测定区域的云是对流云还是层云。 

本发明的一种基于多普勒雷达资料的层云与对流云自动识别方法是采用模糊逻辑算法对数据进行处理，其具体做法是首先对信号进行去除噪声和明显错误的处理(即质量控制)，然后： 

(1)将被测点的实测多普勒天气雷达资料进行质量控制后(这里所述的质量控制是指对资料数据进行检查处理去除和修正其中不正确的数据)插值到3维直角坐标系中，垂直方向高度不低于8.5km，按垂直格距为0.1～1.5km分层， 反演出各高度层的回波强度及水平风场，并计算出相应的水平散度； 

(2)提取并计算特征参量： 

(A)基于层云和对流云具有不同的雷达回波三维形态特征，计算提取3个相关的特征参量： 

(i)最大回波强度Z_max(单位：dBZ)：各个格点垂直方向最大回波强度值， 

(ii)垂直液态水含量VIL： 

其中N_z为垂直格点层数，Z_k和Z_k+1(单位：mm⁶/m³)分别为第k层和k+1层的回波反射率因子，层距为Δh_k， 

(iii)最大回波强度的水平梯度 

(单位：dBZ/km)： 

其中dx和dy分别为x和y方向水平格距； 

(B)根据反演风信息计算提取散度特征参量： 

(a)底层(0-0.5km)的散度最小值， 

(b)次底层(1-2km)的散度平均值， 

(c)中间层(2.5-6km)散度平均值， 

(d)中间层(2.5-6km)散度的标准差， 

(e)高层(6.5-8.5km)散度的平均值； 

(3)建立隶属函数，并计算出各个特征量隶属度， 

(A)对基于雷达回波形态提取的3个特征参量的隶属函数为： 

${\mathrm{\&mu;}}_{k,C}(x,x_1,x_2)=\left\{\begin{array}{cc}0,& x\&le;x_1\\ {[(x-x_1)/(x_2-x_1)]}^3,& x_1<x<x_2\\ 1,& x\&GreaterEqual;x_2\end{array}\right.$

${\mathrm{\&mu;}}_{k,S}(x,x_1,x_2)=\left\{\begin{array}{cc}1,& x\&le;x_1\\ -{[(x-x_2)/(x_2-x_1)]}^3,& x_1<x<x_2\\ 0,& x\&GreaterEqual;x_2\end{array}\right.,$

上式中：下标k表示特征参量，这里k＝1，2，3对应3个特征参量Z_max，VIL和 

下标C和S分别表示层云和对流云；x表示特征参量的数值；x₁和x₂表示断点，其中断点x₁和x₂的确定方法是利用一段时间的雷达体扫资料，并用SHY95识别的结果作为层云和对流云的“真值”，统计云类型和上面3个特征参量之间的概率密度函数，从而确定断点的值； 

(B)5个散度特征参量的隶属度函数为： 

${\mathrm{\&mu;}}_{k,C}(x,x_1)=\left\{\begin{array}{cc}1,& x\&le;x_1\\ 0,& x>x_1\end{array}\right.$

${\mathrm{\&mu;}}_{k,S}(x,x_1)=\left\{\begin{array}{cc}0,& x\&le;x_1\\ 1,& x>x_1\end{array}\right.$

下标k表示特征参量，这里k＝4，5，…8对应5个散度特征参量；这里断点x₁是根据Houze等给出的水平风散度在对流云和层状云中的概念模型进行确定； 

(4)将每个水平格点上层云及对流云对应的不同特征参量所求的隶属度求和： 

$P_C(i,j)=\underset{k=1}{\overset{8}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_k\&times;{\mathrm{\&mu;}}_{\mathrm{kC}}$

$P_S(i,j)=\underset{k=1}{\overset{8}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_k\&times;{\mathrm{\&mu;}}_{\mathrm{kS}}$

当P_C＞P_S时确定被测点为对流云，反之被测点为层流云。 

本发明的方法中最好按垂直格距为0.5km进行分层。 

本发明的步骤参见附图1统一口径出的流程图。 

本发明根据层云及对流云在垂直方向上风场散度的概念模型及雷达回波3维形态特征，提取特征参量并基于模糊逻辑算法进行层云及对流云自动识别。 发明人将这种基于多普勒雷达资料的层云及对流云自动识别技术命名为“动力模糊逻辑算法”。与现有技术不同，本发明的技术中使用了径向风观测信息。 

本发明的动力模糊逻辑算法和肖艳姣等人的算法一样都基于模糊逻辑算法，但是特征参量选取不同，隶属函数更加复杂，隶属函数的断点确定方法更加自动，不仅利用雷达回波资料，同时还利用径向风观测资料。 

本发明中引用了风场信息，而风场信息能较好反映不同云类的特性。在层状云与对流云内部，风场结构存在较大差异，这主要体现在以下几个方面，首先，从动力学角度讲层状云往往是由于大范围上升运动引起，变化较为平缓，而对流云则往往由较强空气垂直对流引起，这变化相对层状云内的抬升而言尺度较小，垂直速度量级也较高。其次正是因为对流云的对流发展比较剧烈，进而引起空气质量与热量垂直输送相比层状云而言较为强烈，Houze(1997)将这种这种输送过程通过风场散度特征表现出来，并总结出的云内风场散度的概念模型，参见Houze，R.A.，Jr.，1997：Stratiform precipitation in regions of convection：A meteorological paradox？Bull.Amer.Meteor.Soc.，78，2179-2196.。而雷达径向风观测仅是径向上一维风场，可以通过反演出二维水平风场计算出水平散度廓线。关于多普勒雷达风场反演方法已有很多研究，并取得不错效果。 

以本发明的动力模糊逻辑算法对已得到的雷达测定信息进行处理，所得到的结果均能正确反映被测区域云层的情况，而且可以正确确定现有技术不能确定的边界位置的云层情况。 

本发明的动力模糊逻辑识别算法优点如下： 

(1)只利用雷达资料不需要借助其他资料，自适应性强，适用性强； 

(2)不仅利用雷达回波强度信息还用到风场信息，能充分利用雷达观测信息； 

(3)设别水平范围较广及能充分考虑到所有的对流云。一般的方法利用在某个等高面上的回波进行识别，覆盖范围有限，不能考虑到所有发展的对流云，而新方法考虑回波的3维结构，能避免这些问题； 

(4)减轻固定边界条件(阈值)的影响，具有较好的识别效果； 

(5)隶属函数断点选取灵活、自动方便。在统计隶属函数断点时，利用SHY95方法识别的结果作为真值，统计其和特征量的关系，得到断点值，该过程不需要人工识别，减少了工作量及人为主观判断，实现自动化执行。在实际应用中可以利用某一地区某一季节内的长时间资料统计特征参量和云类别的关系得到不同季节的断点，这样就一定季节内一直用这个断点值而不需重新统计。另外也可以在每次使用前都用前几个小时资料统计得到实时的断点值。 

附图说明

图1为本发明的流程图。 

图2为2006年07月19日09时04分(世界时)用SHY95方法设别的结果。 

图3为2006年07月19日09时04分(世界时)用动力模糊逻辑算法识别结果。 

图4为图2和图3的两种方法识别结果不同的区域图。(其中，灰色部分是动力模糊逻辑算法将SHY95识别成对流云的地方重新判断成层云，黑色部分为动力模糊逻辑算法将SHY95识别成层云的地方重新判断成对流云) 

图5为在图4A区域(x：(135，140)，y：(130，135))范围内的散度廓线图。 

图6为在图4的边界B(x：(125，130)，y＝107))处几点的散度廓线图。 

图7为本发明的动力模糊逻辑算法对SHY95方法修正的部分在C区域(x：(96，100)；y：(120，124))内的散度廓线图。 

图8为；图4D区域(x：(96，100)；y：(120，124))内的散度廓线图。 

具体实施方式

本发明以下提供相关的处理与检测的实例，其被检测的雷达数据为2006年07月19日南京多普勒雷达实测数据，相关的特征参量及中间数据如下，同时根据该数据利用现有技术和本发明分别进行了处理，并对其结果进行了对比检验。本发明与国际上比较通用的“巅峰值”法(或叫“SHY95”方法)进行了比较，但未采用肖艳姣、刘黎平等人的技术，因为他们的技术存在很大的主观成份。 

从图2至图3中可以看出现有技术的SHY95法和本发明的动力模糊逻辑算法设别的结果整体上比较一致并都和回波带分布比较一致，特别是在图2的黑色区域内与图3中的区域的判定结果，两者是大部分完全相同，也可以从图4看出。例如在从它们共同判别成对流云的回波带中，取区域A内的格点(x范围(135，140)；y范围(130，135))画出水平散度廓线图如图5所示，可以看出低层和中层具有很强的辐合，高层辐散，具有很强的强对流特征。所以两种方法判别都正确。相关数据如下： 

区域A，坐标范围x范围(135，140)；y范围(130，135) 

由雷达回波强度计算提出的3个特征参量值为(下同)： 

Z_max： 

VIL： 

$\left|{\&dtri;}_h{Z}_{\max }\right|:$

由雷达观测的径向风反演的风场提取的5个散度特征参量值为(下同)： 

散度第一特征量(底层最小值)： 

散度第二特征量(次底层散度平均值)： 

散度第三特征量(中间层散度平均值)： 

散度第四特征量(中间层散度的标准差)： 

散度第五特征量(高层散度的平均值)： 

分别计算出所有特征参量对流云及层云隶属度总和为(下同)： 

对流云隶属度P_C： 

层云隶属度P_S： 

经比较可以看出P_C＞P_S，按本发明的定义，区域A的云层可确定为对流云，而A区域内的散度廓线图(图5)正好显示为强对流特征，所以可以验证了本发明判断正确。 

从给出的图2和图3可以看出本发明的动力模糊逻辑算法方法识别的水平 范围比SHY95方法识别的要大。因为SHY95方法是基于3km高度上的回波强度进行识别计算，而动力模糊逻辑识别算法利用3维雷达回波信息。图4所显示的是用前述两种方法识别结果不同的地方，可以发现在对流带附近有一圈被SHY95设别成对流云(图中灰色一圈)，说明SHY95方法对影响半径比较敏感，如何给出合适的影响半径是个问题。在边缘区域上取一条线B来检验两种方案识别效果。图6是显示这条线上格点的水平散度廓线图，可以看出低层有很大的辐散，高层有较小的辐合，具有很明显的层云特征，而SHY95将它错误地判别为对流云，主要原因它使用一定的影响半径，对影响半径比较敏感，而本发明的动力模糊逻辑算法可以避免这种情况。按本发明处理，相关数据如下： 

线段B的范围y＝107，x＝125～130 

Z_max： 

34.4140  34.1100  32.9660  31.1530  27.8360  23.0160 

VIL： 

1.6900  1.5600  1.3200  1.0600  0.7500  0.4800 

Gzmax： 

0.0480  0.1830  0.4240  0.7710  1.0090  0.9150 

散度第一特征量(底层最小值)： 

0.9400  1.3300  2.0400  2.9800  3.9500  4.6700 

散度第二特征量(次底层层散度平均值)： 

0.3600  0.4900  0.8600  1.4600  2.2900  3.3000 

散度第三特征量(中间层散度平均值)： 

0.1300  0.1800  0.3200  0.5800  1.0500  1.8000 

散度第四特征量(中间层散度的标准差)： 

0.3400  0.3800  0.4100  0.4500  0.5500  0.7000 

散度第五特征量(高层散度的平均值)： 

0.1300  0.0600  0.0200  0.0700  0.1900  0.3300 

对流云隶属度P_C： 

0.3000  0.2900  0.2700  0.2600  0.1200  0.0700 

层云隶属度P_S： 

0.3800  0.3900  0.4200  0.4500  0.6100  0.7100 

可以看出可以看出P_C＜P_S，按本发明的定义这一区域的云应当为层云，根据反演的散度廓线图(图6)可知该区域为层云特征，所以验证了本发明的动力模糊逻辑算法识别是正确的，而现有技术SHY95识别则是错误的。 

图7，8分别给出采用本发明和现有技术2种方法处理，识别结果不同的地方C和D区域的内格点的水平散度廓线， 

图7显示C区域廓线显示低层辐合高层辐散特征，为对流云特征，而SHY95方法又错误的把它设别为层云。而本发明的动力模糊逻辑识别算法具有较好的识别效果。 

相关数据如下：区域C的x范围(96，100)；y范围(120，124) 

Z_max： 

VIL： 

$\left|{\&dtri;}_h{Z}_{\max }\right|:$

散度第一特征量(底层最小值)： 

散度第二特征量(次底层散度平均值)： 

散度第三特征量(中间层散度平均值)： 

散度第四特征量(中间层散度的标准差)： 

散度第五特征量(高层散度的平均值)： 

对流云隶属度P_C： 

层云隶属度P_S： 

可以看出可以看出P_C＞P_S，按照本发明定义为对流云。从图7的散度廓线图可以证明为对流云，所以本发明识别正确，SHY95识别错误。 

图8显示在D区域，大多数廓线是低层辐散高层辐合，显示层云特征，而SHY95方法把它设别为对流云。 

x范围(41，45)；y范围(71，75) 

Z_max： 

VIL： 

$\left|{\&dtri;}_h{Z}_{\max }\right|:$

散度第一特征量(底层最小值)： 

散度第二特征量(次底层散度平均值)： 

散度第三特征量(中间层散度平均值)： 

散度第四特征量(中间层散度的标准差)： 

散度第五特征量(高层(14-18层)散度的平均值)： 

对流云隶属度P_C： 

层云隶属度P_S： 

可以看出可以看出P_C＜P_S，按本发明定义为层云。图8所显示该区域内点的散度廓线图表明为层云，可以验证本发明识别正确，而SHY95识别错误。 

Claims (2)

1.一种基于多普勒雷达资料的层云与对流云自动识别方法，采用模糊逻辑算法对数据进行处理，其特征在于

(1)将被测点的实测多普勒天气雷达资料进行质量控制并插值到3维直角坐标系中，垂直方向高度不低于8.5km，按垂直格距为0.1～1.5km分层，反演出各高度层的回波强度及水平风场，并计算出相应的水平散度；

(2)提取并计算特征参量：

(A)基于层云和对流云具有不同的雷达回波三维形态特征，计算提取3个相关的特征参量：

(i)最大回波强度Z_max(单位：dBZ)：各个格点垂直方向最大回波强度值，

(ii)垂直液态水含量VIL：

其中N_z为垂直格点层数，Z_k和Z_k+1(单位：mm⁶/m³)分别为第k层和k+1层的回波反射率因子，层距为Δh_k，

(iii)最大回波强度的水平梯度

(单位：dBZ/km)：

其中dx和dy分别为x和y方向水平格距；

(B)根据反演风信息计算提取散度特征参量：

(a)最底两层的散度最小值，

(b)次底层(3，4，5三层)的散度平均值，

(c)中间8层(6-13层)散度平均值，

(d)中间8层(6-13层)散度的标准差，

(e)高层(14-18层)散度的平均值；

(3)建立隶属函数，并计算出各个特征量隶属度，

(A)对基于雷达回波形态提取的3个特征参量的隶属函数为：

${\mathrm{\&mu;}}_{k,C}(x,x_1,x_2)=\left\{\begin{array}{cc}0,& x\&le;x_1\\ {[(x-x_1)/(x_2-x_1)]}^3,& x_1<x<x_2\\ 1,& x\&GreaterEqual;x_2\end{array}\right.$

${\mathrm{\&mu;}}_{k,S}(x,x_1,x_2)=\left\{\begin{array}{cc}1,& x\&le;x_1\\ -{[(x-x_2)/(x_2-x_1)]}^3,& x_1<x<x_2\\ 0,& x\&GreaterEqual;x_2\end{array}\right.,$

上式中：下标k表示特征参量，这里k＝1，2，3对应3个特征参量Z_max，VIL和下标C和S分别表示层云和对流云；x表示特征参量的数值；x₁和x₂表示断点，其中断点x₁和x₂的确定方法是利用一段时间的雷达体扫资料，并用SHY95识别的结果作为层云和对流云的“真值”，统计云类型和上面3个特征参量之间的概率密度函数，从而确定断点的值；

(B)5个散度特征参量的隶属度函数为：

${\mathrm{\&mu;}}_{k,C}(x,x_1)=\left\{\begin{array}{cc}1,& x\&le;x_1\\ 0,& x>x_1\end{array}\right.$

${\mathrm{\&mu;}}_{k,S}(x,x_1)=\left\{\begin{array}{cc}0,& x\&le;x_1\\ 1,& x>x_1\end{array}\right.$

下标k表示特征参量，这里k＝4，5，…8对应5个散度特征参量；这里断点x₁是根据Houze等给出的水平风散度在对流云和层状云中的概念模型进行确定；

(4)将每个水平格点上层云及对流云对应的不同特征参量所求的隶属度求和：

$P_C(i,j)=\underset{k=1}{\overset{8}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_k\&times;{\mathrm{\&mu;}}_{\mathrm{kC}}$

$P_S(i,j)=\underset{k=1}{\overset{8}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_k\&times;{\mathrm{\&mu;}}_{\mathrm{kS}}$

当P_C＞P_S时确定被测点为对流云，反之被测点为层流云。

2.根据权利要求1所述的基于多普勒雷达资料的层云与对流云自动识别方法，其特征在于按垂直格距为0.5km分层。

Images