CN103197299A - 天气雷达径向风信息提取及量化分析系统 - Google Patents

Abstract

本发明公开了一种天气雷达径向风信息提取及量化分析系统，属于天气雷达精细化定量测量应用的技术领域。本发明包括数据预处理模块、径向风分解模块、计算与验证模块；其中，所述数据预处理模块用于对雷达实测径向风数据进行投影、滤波和消噪声处理；所述径向风分解模块用于对经数据预处理模块处理后的径向风数据进行风矢量分解和坐标转化处理；所述计算与验证模块用于根据径向风分解模块的分解结果提取雷达径向风场信息。本发明实用性强，只要提供径向风场数据及数据显示规则就可进行系列运算，方便嵌入业务预测预警系统、易于结合进入天气雷达硬件显示系统，也可直接用于科研分析，因此应用范围广、技术适应性好。

Description

天气雷达径向风信息提取及量化分析系统

技术领域

本发明涉及现代多普勒天气雷达监测产品—雷达径向风场的信息提取、动力学量化分析与天气信息图形化显示，属于新一代天气雷达探测资料精细化客观定量应用的技术领域。

背景技术

现代天气雷达探测大气环境的局地精细化动态结构与特征,其产品主要为3个通道的信息：回波强度(PPI),径向风速，谱宽。其中回波强度给出探测范围内的云体位置及其移动，直观明了,在日常业务中受到最多关注与使用。径向风虽然给出了风速大小，但由于它仅仅为实际风的部分成分,与实际风并不一致，因此它对实况风场的反映需要经过专业化处理才能提供局域风场的客观信息。因此，在没有有效客观的信息提取方法情况下,主要的应用是某些特定系统的定性识别，因此使用率远不如回波强度。

发明内容

本发明所要解决的技术问题是通过对天气雷达径向风信息进行提取、处理、分析与展示的系列流程，定量地反映大气中小尺度环流的径向风局域精细化结构，充分显示雷达径向风含有的风场天气动力信息，为中小尺度天气系统和局地强对流天气的预测预警提供快捷、清晰、量化、直观的参考结论及指标。丰富天气雷达监测产品，有效利用新一代天气雷达的监测预警功能。

本发明为解决上述技术问题采用以下技术方案：

一种天气雷达径向风信息提取及量化分析系统，包括数据预处理模块、径向风分解模块、计算与验证模块；其中，所述数据预处理模块用于对雷达实测径向风数据进行投影、滤波和消噪声处理；所述径向风分解模块用于对数据预处理模块处理后的径向风数据进行风矢量分解和坐标转化处理；所述计算与验证模块用于根据径向风分解模块的分解结果提取雷达径向风场信息；其中：

(1)所述数据预处理模块包括体扫面选择模块、数据滤波模块、误差校正模块、数据消噪声模块；其中：

所述体扫面选择模块用于对原始径向风速度数据场按照体扫面逐一进行筛选，当某一径向风速度数据场中属于缺测和距离折叠的范围大于全场面积的1/3时，该体扫面被从参与继续分析的体扫面序列中剔除,转向对下一个体扫面的筛选；

所述数据滤波模块用于对体扫面选择模块筛选出的径向风速度数据场进行速度等级归并，即将随机风速归并为统一确定的速度等级，每个速度等级代表一个确定的速度范围，以此简化数据特征；

所述误差校正模块用于对数据滤波模块处理后的径向风速度数据中存在的速度模糊问题进行弥补和规范处理，得到等级化的雷达径向风速度场；

所述数据消噪声模块用于对所述等级化的雷达径向风速度场进行空间噪音消除，消除散布的非均匀离散分布的异值风速点和小区斑，即对于等风速带中的噪声进行消噪音处理；

至此，得到经数据预处理后的极坐标中的径向风速度场，并进行存储；

(2)径向风分解模块包括分解模块和第一验证模块；其中：

所述分解模块用于将极坐标中的径向风速度场分解到直角坐标中，形成u、v两个径向风分量场；

所述第一验证模块用于对分解模块的分解效果进行检验；

(3)计算与验证模块包括运算模块、第二验证模块，其中：

所述运算模块用于对分解后的雷达径向风场进行流函数与势函数的迭代求解，获得径向风速度场的流动旋转成分与辐散成分的空间分布形态和表现特征；

所述第二验证模块用于对流函数与势函数运算效果的检验，通过反向计算重建u、v分量场，再与前述分解模块分解获得的u、v径向风分量场进行相关对比，验证迭代运算的收敛与合理。

作为本发明的一种天气雷达径向风信息提取及量化分析系统的进一步优化方案，还包括一个用于对计算与验证模块所提取的雷达径向风场信息进行分析处理并展示的信息处理模块；所述信息处理模块包括分类存储模块、统计运算模块、图表显示模块；其中：

所述分类存储模块用于依据雷达径向风速度场的流函数和势函数分布特征，对流函数和势函数场进行分类存储；

所述统计运算模块用于针对雷达所监测的天气事件，进行雷达径向风分类信息反映效果的统计；

所述图表显示模块通过制作信息指标图表，对径向风动力特征进行定量化指标化显示。

作为本发明的一种天气雷达径向风信息提取及量化分析系统的进一步优化方案，所述数据滤波模块的处理包括投影、滤波两步骤，其中，

所述投影步骤具体为：

采用公式V_rs=V_rq*cosα将具有仰角的每一体扫面上的径向风速度场格点数据乘以该体扫面的仰角余弦，即将具有仰角的倾斜体扫面投影到水平面，其中α为体扫面仰角，V_rq代表倾斜体扫面上格点径向风速，V_rs代表水平面上格点径向风速；

所述滤波步骤具体为：

根据PUP处理器中显示系统对径向风场的显示级别，参考MTM算法进行中值滤波，达到每一级中的径向风速度都归并为该级的中值，以此滤除一部分径向风速度数据的随机脉动噪音；其中，

MTM算法的数学表示为：

out_i=average{(x_i)/D_i-δ≤x_i≤D_i+δ,i∈w_i}

其中，out_i为经中值滤波后的输出值，w_i表示选定范围内参与运算的点集合，δ为选定的点值强度区间阈值，x_i为任意点径向风速值，D_i为中值。

作为本发明的一种天气雷达径向风信息提取及量化分析系统的进一步优化方案，所述误差校正模块的处理具体包括判断、标记、处理、存储步骤；其中，

所述判断步骤是对每个雷达体扫面进行检查，根据数据变化特征找到某体扫面上速度模糊的区域，所述速度模糊是在风速区中速度的空间变化不是按梯度演变,而是突然发生符号相反的极值数据区；

所述标记步骤是对发现的速度模糊区域进行标记，即对该速度模糊区中的各格点在所在雷达体扫面径向风数据场中的位置进行确定；

所述处理步骤是对该速度模糊区内每个格点风速数据进行符号改变处理，以消除速度模糊；

所述存储步骤是将速度模糊订正后的数据场进行存储，以备后续过程使用。

作为本发明的一种天气雷达径向风信息提取及量化分析系统的进一步优化方案，所述分解模块将投影后在平面极坐标中的径向风速度场分解到直角坐标系中，具体为：

首先，将极坐标中的径向风格点值分解成u、v两个分两场：

$u_i={\stackrel{\→}{V}}_i\sin {\mathrm{\θ}}_i,v_i={\stackrel{\→}{V}}_i\cos {\mathrm{\θ}}_i;$

上式中θ_i为极坐标格点上径向风径度的度数，

为格点上径向风的量值，u_i,v_i为分解后的在

极坐标格点上的径向风的两个分量值；

其次，采用克里格插值方案或者加权反距离插值方法将极坐标格点上的径向风分解到直角坐标中，形成径向风在直角坐标中的u、v两个分量场。

作为本发明的一种天气雷达径向风信息提取及量化分析系统的进一步优化方案，所述第一验证模块采用交叉验证方法对分解模块的分解方法和效果进行验证。

作为本发明的一种天气雷达径向风信息提取及量化分析系统的进一步优化方案，所述运算模块的具体处理步骤为：

根据亥姆霍兹原理，将实际风场

分解成无辐散风向分量场

和无旋风向分量场

即：

$\stackrel{\→}{V}={\stackrel{\→}{V}}_{\mathrm{\ψ}}+{\stackrel{\→}{V}}_{\mathrm{\χ}};$

其中无辐散风向分量场：

其中ψ为流函数，

量方向；无旋风向分量场：其中χ为势函数；

使用泊松方程，通过张弛迭代法求解出研究区域的径向风流函数ψ与势函数χ，所述泊松方程为：

${\▿}^2\mathrm{\ψ}={\mathrm{\ζ}}_r,{\▿}^2\mathrm{\χ}=-D_r;$

其中，D_r、ζ_r分别为从直角坐标中的u，v分量场求出的径向风的散度与涡度。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1、本发明可实现对天气雷达径向风监测产品的定量数值信息提取，特征分类与分析、并提供空间分布直观量化显示。

2、本发明基于尽可能保持雷达径向风场原有特征的思路，不考虑对实际风场的反演，不进行对缺测资料的插补，注重以欧拉观点对雷达体扫面径向风场进行空间诊断,保持了流场径向风的原有特征信息，可信度高。

3、本发明的计算方法科学合理，验证方法严谨可靠；运算思路明晰专业，对噪音的处理效果显著。

4、本发明的适用性好，只要提供径向风场数据及数据显示规则就可进行系列运算。

5、本发明提供的运算结果显示质量高，空间分布形态清晰明确、量化信息确切直观，相比径向风的PUP直接显示,具有信息客观提炼的独特优势。

6、本发明实用性强，方便嵌入业务预测预警系统、易于结合进入天气雷达硬件显示系统，也可直接用于科研分析,因此应用范围广、技术适应性好。

附图说明

图1是本发明的总体框架图。

图2是本发明中雷达径向风数据预处理模块框架图。

图3是本发明中雷达径向风数据分解模块框架图。

图4是本发明中雷达径向风计算与验证模块框架图。

图5是本发明中雷达径向风信息处理模块框架图。

图6是天气雷达径向风PUP系统显示的等级风速及噪声图。

图7是噪声对诊断量计算的影响示意图，其中（a）为涡度，（b）为散度。

图8是消除等风速带中噪声的图像处理示意图，其中（a）为噪音消除前的图像，（b）为噪音消除后的图像。

图9是风速等级归并和噪音处理效果图，其中（a）为处理前效果图，（b）为处理后效果图。

图10是天气雷达径向风流函数与势函数诊断效果图(星形指示关注地点)，其中：（a）为天气雷达径向风场，（b）为对应的流函数场，（c）为对应的势函数场。

图11是天气雷达径向风u,v分量分解场与重建场，其中（a）为径向风场分解的极坐标U场；（b）为径向风场分解的极坐标V场；（c）为插值到直角坐标网格的U场；（d）为插值到直角坐标网格的V场；（e）为重建的U场；（f）为重建的V场。

图12是天气雷达径向风流函数场分型举例(星号为建湖,中心点位盐城)，其中(a)为气旋式切变流场，(b)为气旋式流场，(c)为反气旋式流场。

图13是指标A与100个小时累计降雨量个例统计关系图，其中相关系数为-0.895(99%可信度)。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

如图1所示，本发明提出一种天气雷达径向风信息提取及量化分析展示系统，包括数据预处理模块、径向风分解模块、计算与验证模块、信息处理模块；其中，所述数据预处理模块用于对雷达实测径向风数据进行滤波和消噪声处理；所述径向风分解模块用于对数据预处理模块处理后的径向风数据进行坐标转化处理；所述计算与验证模块用于根据径向风分解模块的分解结果提取雷达径向风场信息；所述信息处理模块用于对计算与验证模块提取的雷达径向风场信息进行分析处理并展示。

各模块的处理主要包括以下步骤：

1）首先读入雷达径向风数据,并对天气雷达PUP显示进行再绘制和验证，以保证读入数据的正确。并保存数据，以备运算中的使用。

通常径向风的网格间距小于回波强度的网格间距，在体扫直角坐标中径向间距0.25km，纬向方位分辨率为1°，即空间分辨率达0.25km*1°（250m），且相邻时刻体扫之间间隔6分钟，具有常规探测资料无可比拟的高时空分辨率。雷达径向风体扫面总范围半径为60km,直径120km,这样的空间尺度相当于常用再分析资料的1°*1°（100km x100km）格点间距,因此雷达的精细化资料是对再分析资料空间格点间信息的高精度补充。是对实际中小尺度天气过程和天气系统的精细化定量特征描述。

2）将数据依体扫面为单位读入数据预处理模块，具体如图2所示，包括体扫面筛选模块、数据滤波模块、误差校正模块、数据消噪声模块。

2.1)将数据读入体扫面筛选模块根据径向风数据特征对读入的体扫面进行是否选用的筛选。

原始径向风速度数据场包含三类：

第一类为缺测或无值,数据编码为-9999，在PUP显示图像中为黑色。

第二类为距离折叠值,即雷达收到的位于其最大探测距离之外的目标物的较强回波，并将目标物误以为是位于其最大探测距离之内，从而产生的距离折叠误判,该类数据经退距离折叠处理,数据编码为9999,在PUP显示图像中为紫色。

第三类数据为天气雷达测得的径向风速度值。

在该体扫面筛选模块中，当缺测和距离折叠的范围大于全场面积的1/3时，该体扫面被从参与继续分析的体扫面序列中剔除,转向对下一个体扫面的筛选；

此种筛选标准源于所分析的天气系统特征、天气过程发生地域，以及重点分析区域相对于雷达所在地的位置。对不同地域该标准可以调整。本发明基于对江淮流域夏季强降水的雷达监测径向风的分析，重点区域为建湖站，在雷达所在地盐城西面近40km处，因此有意义的径向风数据区的半径应大于40km。而天气雷达的体扫面随仰角的抬高，所能获得的径向风区的半径向雷达所在地(即雷达体扫坐标中心)收缩，江淮流域主要位于中纬度(约北纬35°左右)，是西风带控制区域，天气系统主要自西向东移动，建湖位于盐城的西面上游,因此高仰角小半径体扫的径向风区将位于重点研究区域的下游，对预测预警无意义。而且，天气系统的水汽输送主要在低层，小仰角大半径体扫的径向风区特征对系统的湿动力特征反映更具参考价值。

此外为避免雷达超折射地物回波（主要出现在0.5°仰角处）加之高仰角的体扫水平范围较小，以及考虑建湖的位置，仅选取天气雷达1.5°，2.4°，3.4°，4.3°，6.0°这5个仰角的体扫面径向风数据场，其中，2.4°、4.3°、6.0°分别大致对应建湖上空约850hPa、700hPa、500hPa高度；分析范围为雷达中心扫描半径60km的区域。

2.2)将筛选出的体扫面径向风场速度数据读入数据滤波模块。

在这个模块中，有2个具体步骤：

一是将具有仰角的倾斜体扫面投影到水平面，采用公式：

V_rs=V_rq*cosα       (1)

其中α为体扫面仰角，V_rq代表倾斜体扫面上格点径向风速,V_rs代表水平面上格点径向风速。在此过程中也有消除一部分噪音的效果。

二是根据PUP处理器中显示系统对径向风场的显示级别(通常给出15个风速级别,并以不同色彩显示)，对径向风速度数据场中随机大小变化的原始径向风风速进行速度等级归并，去除速度的细小脉动波动，保留速度变化的整体趋势和平滑分布。过于细小的波动往往不能反映风场这种连续流体的系统性特征，本发明主要参考MTM算法进行中值滤波，达到每一级中的径向风速度都归并为该级的中值,以此可滤除一部分径向风速度数据的随机脉动噪音；具体步骤为依据气象雷达用户处理器PUP中的系统显示器所给出的风速彩显或灰度显示级别，将随机风速归并为统一确定的等级风速。如PUP中系统显示器上对5m/s—10m/s的风速，给出同样色别,但实际风速数据随机地介于5—10m/s之间，还带有小数，这样在后续的计算中会使随机误差放大，因此对具有相同色别的速度，赋予同样的速度值，这里取该级别的中值，即每级由该级的平均值即中值代表该级的速度范围。例如：5—10m/s之间的速度都被赋予2.5m/s(或3m/s)，10—15m/s之间的速度都被赋予7.5m/s…。于是依据PUP显示器显示的色别，雷达径向风的空间分布没有变化，保留了径向风场的基本分布特征，但是在同一色别中的速度值已成为统一的中值，从而滤掉了风速细小脉动，简化了数据特征，减少了后续的计算误差，对这个过程称为中值滤波。

MTM的数学表示为：

out_i=average{(x_i)/D_i-δ≤x_i≤D_i+δ,i∈w_i}   (2)

其中，w_i表示选定范围内参与运算的点集合，δ为选定的点值强度区间阈值，x_i为任意点径向风速值，D_i为中值，out_i为经中值滤波后的输出值。

(2)式表示当判断x_i的值是属于D_i±δ_i级别，将被归一化地赋成区域内的平均值(average)即中值。

由于选用每个速度区间的中值作为速度强度，因此MTM滤波能有效地滤除高低值噪声，获得区域内相对均匀的平滑速度强度级别。对径向速度值落在等级范围内的点做空间等级平均，较好地抑制了径向速度的异常高低值脉动。根据PUP处理器中显示系统中每一风速级别覆盖的风速范围，将阈值δ都取为7.5m/s，得到各扫描时次各速度等级的平均强度值。

2.3)将投影滤波后的径向风数据输入误差校正模块。这里的误差主要针对速度模糊区域。速度模糊是在风速区中速度的空间变化不是按梯度演变,而是突然发生符号相反的极值区。因此需要将此类区域的数据符号反向更改。具体流程为速度模糊区判断、速度模糊区位置标记、退模糊操作、保存修订后的数据。

2.4)将误差校正后的径向风场数据输入数据消噪声模块，数据消噪声模块是一个图形图像处理模块。此模块是针对由风速空间分布随机性特征造成的,在各风速等值带中的非均匀离散分布的异值风速点和小区斑,即等风速带中的噪声，如附图6所示。通过“消除噪音方法”，消除这些噪声，使等风速带分布更平滑，更合理，更便于进行定量计算。否则，利用具有噪音的径向风场中等风速带计算涡度散度，将造成混乱，如附图7（a）、（b）所示的未消噪音的直接计算结果，噪声造成分析结果不能正确描述及反映系统特征，获得的计算结果也无法表达任何意义。

消除噪音的方法基于图形图像处理方法中“区域生长技术”算法的思路,即根据事先定义的准则将像素或者子区域聚合成更大的区域。基本方法是以“一组”种子开始，将与种子性质相似（灰度级或颜色的特定范围）的相邻像素附加到生长区域的种子上。本噪音消除方法对“区域增长”技术进行了改造，即：若某个像素点与其相邻点的特征相同或足够相似，则作为一个性质相同的区域合并生长；若差异较大，则认为该点为噪音，用周围环境像素点的性质填补该点位置，将该噪音点消除。

所采用的具体判据是梯度准则，即根据环绕像素点的速度梯度来判断各像素点是否相同或相似。梯度准则即对于某个区域中每一个像素点，分别求该点与其周围邻域各像素点之间的速度梯度值，当环绕该点有超过一半的梯度值不为0时，即该像素点与环境点不同性质，为背景中的噪音，于是将该像素点赋值为背景值，消除该点噪音。反之则表示该点与环境点无差异，同性质，保持该点原始速度值。具体处理效果分别见附图8（a）、（b）和附图9（a）、（b）。

3）将经预处理后的数据输入径向风分解模块，具体如图3所示，包括分解模块和验证模块。

3.1）将投影后在平面极坐标中的径向风场分解到直角坐标系中。首先将极坐标中的径向风格点值分解成u、v两个分两场。

$u_i={\stackrel{\→}{V}}_i\sin {\mathrm{\θ}}_i---\left(3\right)$

$v_i={\stackrel{\→}{V}}_i\cos {\mathrm{\θ}}_i---\left(4\right)$

（3）、（4）式中θ_i为极坐标格点上径向风径度的度数，即该径度相对于正北的度数。

为格点上径向风的量值，u_i,v_i为分解后的在

极坐标格点上的径向风的两个分量值。

由于极坐标中径向风格点分布与直角坐标的格点不一致，因此采用克里格插值方案(kriging)，或者加权反距离插值方法将极坐标格点上的径向风分解到直角坐标中，形成径向风在直角坐标中的u、v两个分量场；

克里格插值方案如下：

$\hat{Z}\left(s_0\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_{i}Z\left(s_i\right)---\left(5\right)$

(5)式中等号左侧为需插值的直角坐标中的格点s₀上的要素值

此处为径向风速度值。等号右侧为已有的极坐标中的格点s_i上的要素值Z,此处为径向风数据。(5)式中λ_i为权重。方程(5)的基本原理为以极坐标中数个格点上的数据求权重和,再赋给直角坐标中的某格点。其中

N为参与求权重和的几个格点总数。

加权反距离插值方案如下：

$Z=\left[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{z_i}{{d_i}^2}\right]/\left[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{1}{{d_i}^2}\right]---\left(6\right)$

(6)式中：Z为需要插值的直角坐标中的网格点数值，z_i为该要素在极坐标中第i个网格点的值，d_i为直角坐标中插值点到极坐标中第i个网格点的大圆距离，n为用于插值的极坐标中网格点的数目。

3.2）为了验证分解的合理性，需对分解效果进行验证。因为两个坐标系网格性质有差异（一个是扇形，一个是矩形），不能进行格点对格点的相关验证。因此采用交叉验证方法（Cross Validation）对分解方法和效果进行验证。

交叉验证使用所有数据对趋势和自相关模型进行估计。它会每次移除一个数据位置（测试数据），然后预测关联的数据值。使用剩余的n个点计算移除点位置的值（预测值）。将移除点位置的预测值与原实际值（即此处插值分解值）相比较。然后对下一个点重复此过程，以此类推。有助于准确地判断原计算方法提供的运算效果。

4）将分解后的直角坐标u、v分量场输入计算与验证模块，具体如图4所示，包括运算模块、验证模块。

4.1）径向风流函数与势函数的求解运算。

风场的结构主要具有切变、旋转、辐合辐散等特征，采用流函数势函数通过分解径向风场为旋转部分和辐散部分，能够更直观地认识环境风场中径向风的作用。由于流函数与势函数的固有性质，对于原流场具有显著涡旋性的部分能够拟合与表达的较好，而天气雷达体扫面通过旋转扫描获得基本径向风速度场，所以径向风速度数据场具有特定旋转特征,对流函数势函数计算的适应性较好。

根据亥姆霍兹原理，可将实际风场

分解成无辐散风向量场

和无旋风向量场

即：

$\stackrel{\→}{V}={\stackrel{\→}{V}}_{\mathrm{\ψ}}+{\stackrel{\→}{V}}_{\mathrm{\χ}}---\left(7\right)$

其中，无辐散风分量为：

${\stackrel{\→}{V}}_{\mathrm{\ψ}}=\stackrel{\→}{k}+\▿\mathrm{\ψ}---\left(8\right)$

（8）式中ψ为流函数，

为与流函数垂直的涡旋矢量方向。

（7）式中的无旋风分量为：

${\stackrel{\→}{\▿}}_{\mathrm{\χ}}=-\▿\mathrm{\χ}---\left(9\right)$

（9）式中χ为势函数。

求解方法使用泊松方程：

${\▿}^2\mathrm{\ψ}={\mathrm{\ζ}}_r---\left(10\right)$

${\▿}^2\mathrm{\χ}=-D_r---\left(11\right)$

其中，D_r、ζ_r分别为径向风的散度与涡度，ψ、χ分别为径向风的流函数与势函数。通过张弛迭代法求解出研究区域的径向风流函数ψ与势函数χ。

而径向风的散度D_r与涡度ζ_r需要先从直角坐标中的u，v分量场求出。因此运算步骤为：

①从u，v分量场计算涡度场和散度场。

②从涡度散度场通过数值迭代求解流函数场和势函数场。

运算结果对雷达体扫面径向风的旋转流动特征和辐合辐散空间分布表达直观明确，信息提取效果良好。（见附图10（a）、（b）、（c））

4.2）由于是区域迭代求解，因此需要对运算的收敛性及分解效果进行检验。主要方法为用求解获得的流函数与势函数反算格点u，v，即重建全风场。然后计算前后两风场的空间相关，若重建的风场与原风场分布型式相关度高，误差量小，则说明求解的流函数与势函数的结果是收敛的，可信度高。重建风场运算式如下：

$\left\{\begin{array}{c}u=u_{\mathrm{\ψ}}+u_{\mathrm{\χ}}=-\frac{\∂\mathrm{\ψ}}{\∂y}-\frac{\∂\mathrm{\χ}}{\∂x}\\ v=v_{\mathrm{\ψ}}+v_{\mathrm{\χ}}=\frac{\∂\mathrm{\ψ}}{\∂x}-\frac{\∂\mathrm{\χ}}{\∂y}\end{array}\right.---\left(12\right)$

（12）中ψ、χ分别为径向风场的流函数与势函数，u,v为重建的风场分量，u_ψ,u_χ,v_ψ,v_χ分别为由流函数ψ、势函数χ计算出的流函数u分量u_ψ、势函数u分量u_χ、与流函数v分量v_ψ，势函数v分量v_χ。

对比由（12）式计算出的u.v场，标注它们为u₂.v₂场与用于计算流函数势函数的从极坐标插值分解到直角坐标的u.v场，标注它们为u₁.v₁场进行相关计算：

（13）式中

为平均场，

为包含u.v分量的矢量场。dσ为面积积分元。R(t)为t原直角坐标场中径向风场与由流函数与势函数重建的径向风场的全场相关系数，验证结果见附图11所示。

4.3）对经过验证的径向风流函数势函数进行图表显示，如图5所示，包括分类存储模块、统计运算模块、图表显示模块。

图表显示分为三类：

第一类为径向风流函数与势函数的空间定量分布直观显示，直接展现正负环流中心与正负辐合辐散中心。

第二类是对流函数和势函数的空间分布进行分型分类，并与强降水过程对应统计。

第三类是对流函数与势函数的量值进行运算，建立统计指标。

通过制作径向风与对应天气过程的信息图形与指标图表，对天气过程径向风动力特征进行定量化指标化显示。

例如对第二类显示，通过统计19个夏季强降水(小时累计降水>15mm)对应的天气雷达径向风流函数与势函数流形，并进行分类，获得气旋式流形占90%以上。分型举例见附图12。

对第三类显示，建立定量指标，例如：

$A=\frac{\stackrel{\‾}{\mathrm{\ψ}}\mathrm{\α}+\stackrel{\‾}{\mathrm{\χ}}\mathrm{\α}}{2}=\frac{\frac{1}{5}\underset{\mathrm{\σ}}{\mathrm{\Σ}}\mathrm{\α}\stackrel{\‾}{\mathrm{\ψ}}\mathrm{\α}+\frac{1}{5}\underset{\mathrm{\σ}}{\mathrm{\Σ}}\mathrm{\α}\stackrel{\‾}{\mathrm{\χ}}\mathrm{\α}}{2}---\left(14\right)$

其中，A为天气雷达5个仰角（1.5°，2.4°，3.4°，4.3°，6.0°）层次上

与

的整层平均之和（α为仰角），

与

分别表示某一仰角上最优面积内的流函数与势函数区域的平均值；最优面积σ主要覆盖重点关注地域如建湖及其上游的区域。对于流函数和势函数，它们的负值区域都是反映有利于降水发生发展的动力条件，气旋式流动成分与辐合流动分布。

指标A描述的是不同仰角的多个体扫层平均状况，因此指标A从径向风流场分布型式、风场系统旋转运动强弱、辐合程度强弱、层次深厚程度等几个方面，综合表征降水发生发展时径向风的局地动力学特征。指标A与100个小时降水累计降雨量个例的统计关系如附图13所示，经统计验证，通过99%的可信度检验的相关系数为-0.895，指示性良好。

本发明基于尽可能保持雷达径向风场原有特征的思路，因此不考虑对实际风场的反演，不考虑对缺测资料的插补。注重以欧拉观点对天气雷达体扫面径向风场进行空间诊断，对其特征进行定量化表达，给出客观分析结果的直观显示，以及统计参考指标。在此过程中，使用了多种专业算法形式，包含径向风图像处理、坐标系转换插值、数据动力学诊断、数值滤波、统计验证等。

通过上述技术处理，提升天气雷达径向风对局域天气动力特征信息的精细化客观定量表达功能。

Claims (7)

1.一种天气雷达径向风信息提取及量化分析系统，其特征在于，包括数据预处理模块、径向风分解模块、计算与验证模块；其中，所述数据预处理模块用于对雷达实测径向风数据进行投影、滤波和消噪声处理；所述径向风分解模块用于对数据预处理模块处理后的径向风数据进行风矢量分解和坐标转化处理；所述计算与验证模块用于根据径向风分解模块的分解结果提取雷达径向风场信息；其中：

(1)所述数据预处理模块包括体扫面选择模块、数据滤波模块、误差校正模块、数据消噪声模块；其中：

所述体扫面选择模块用于对原始径向风速度数据场按照体扫面逐一进行筛选，当某一径向风速度数据场中属于缺测和距离折叠的范围大于全场面积的1/3时，该体扫面被从参与继续分析的体扫面序列中剔除,转向对下一个体扫面的筛选；

所述数据滤波模块用于对体扫面选择模块筛选出的径向风速度数据场进行速度等级归并，即将随机风速归并为统一确定的速度等级，每个速度等级代表一个确定的速度范围，以此简化数据特征；

所述误差校正模块用于对数据滤波模块处理后的径向风速度数据中存在的速度模糊问题进行弥补和规范处理，得到等级化的雷达径向风速度场；

所述数据消噪声模块用于对所述等级化的雷达径向风速度场进行空间噪音消除，消除散布的非均匀离散分布的异值风速点和小区斑，即对于等风速带中的噪声进行消噪音处理；

至此，得到经数据预处理后的极坐标中的径向风速度场，并进行存储；

(2)径向风分解模块包括分解模块和第一验证模块；其中：

所述分解模块用于将极坐标中的径向风速度场分解到直角坐标中，形成u、v两个径向风分量场；

所述第一验证模块用于对分解模块的分解效果进行检验；

(3)计算与验证模块包括运算模块、第二验证模块，其中：

所述运算模块用于对分解后的雷达径向风场进行流函数与势函数的迭代求解，获得径向风速度场的流动旋转成分与辐散成分的空间分布形态和表现特征；

所述第二验证模块用于对流函数与势函数运算效果的检验，通过反向计算重建u、v分量场，再与前述分解模块分解获得的u、v径向风分量场进行相关对比，验证迭代运算的收敛与合理。

2.根据权利要求1所述的一种天气雷达径向风信息提取及量化分析系统，其特征在于，还包括一个用于对计算与验证模块所提取的雷达径向风场信息进行分析处理并展示的信息处理模块；所述信息处理模块包括分类存储模块、统计运算模块、图表显示模块；其中：

所述分类存储模块用于依据雷达径向风速度场的流函数和势函数分布特征，对流函数和势函数场进行分类存储；

所述统计运算模块用于针对雷达所监测的天气事件，进行雷达径向风分类信息反映效果的统计；

所述图表显示模块通过制作信息指标图表，对径向风动力特征进行定量化指标化显示。

3.根据权利要求1所述的一种天气雷达径向风信息提取及量化分析系统，其特征在于，所述数据滤波模块的处理包括投影、滤波两步骤，其中，

所述投影步骤具体为：

采用公式V_rs=V_rq*cosα将具有仰角的每一体扫面上的径向风速度场格点数据乘以该体扫面的仰角余弦，即将具有仰角的倾斜体扫面投影到水平面，其中α为体扫面仰角，V_rq代表倾斜体扫面上格点径向风速，V_rs代表水平面上格点径向风速；

所述滤波步骤具体为：

根据PUP处理器中显示系统对径向风场的显示级别，参考MTM算法进行中值滤波，达到每一级中的径向风速度都归并为该级的中值，以此滤除一部分径向风速度数据的随机脉动噪音；其中，

MTM算法的数学表示为：

out_i=average{(x_i)/D_i-δ≤x_i≤D_i+δ,i∈w_i}

其中，out_i为经中值滤波后的输出值，w_i表示选定范围内参与运算的点集合，δ为选定的点值强度区间阈值，x_i为任意点径向风速值，D_i为中值。

4.根据权利要求1所述的一种天气雷达径向风信息提取及量化分析系统，其特征在于，所述误差校正模块的处理具体包括判断、标记、处理、存储步骤；其中，

所述判断步骤是对每个雷达体扫面进行检查，根据数据变化特征找到某体扫面上速度模糊的区域，所述速度模糊是在风速区中速度的空间变化不是按梯度演变,而是突然发生符号相反的极值数据区；

所述标记步骤是对发现的速度模糊区域进行标记，即对该速度模糊区中的各格点在所在雷达体扫面径向风数据场中的位置进行确定；

所述处理步骤是对该速度模糊区内每个格点风速数据进行符号改变处理，以消除速度模糊；

所述存储步骤是将速度模糊订正后的数据场进行存储，以备后续过程使用。

5.根据权利要求1所述的一种天气雷达径向风信息提取及量化分析系统，其特征在于，所述分解模块将投影后在平面极坐标中的径向风速度场分解到直角坐标系中，具体为：

首先，将极坐标中的径向风格点值分解成u、v两个分两场：

$u_i={\stackrel{\→}{V}}_i\sin {\mathrm{\θ}}_i,v_i={\stackrel{\→}{V}}_i\cos {\mathrm{\θ}}_i;$

上式中θ_i为极坐标格点上径向风径度的度数，

为格点上径向风的量值，u_i,v_i为分解后的在

极坐标格点上的径向风的两个分量值；

其次，采用克里格插值方案或者加权反距离插值方法将极坐标格点上的径向风分解到直角坐标中，形成径向风在直角坐标中的u、v两个分量场。

6.根据权利要求1所述的一种天气雷达径向风信息提取及量化分析系统，其特征在于，所述第一验证模块采用交叉验证方法对分解模块的分解方法和效果进行验证。

7.根据权利要求1所述的一种天气雷达径向风信息提取及量化分析系统，其特征在于，所述运算模块的具体处理步骤为：

根据亥姆霍兹原理，将实际风场

分解成无辐散风向分量场

和无旋风向分量场即：

$\stackrel{\→}{V}={\stackrel{\→}{V}}_{\mathrm{\ψ}}+{\stackrel{\→}{V}}_{\mathrm{\χ}};$

其中无辐散风向分量场：其中ψ为流函数，为与流函数垂直的涡旋矢量方向；无旋风向分量场：

其中χ为势函数；

使用泊松方程，通过张弛迭代法求解出研究区域的径向风流函数ψ与势函数χ，所述泊松方程为：

${\▿}^2\mathrm{\ψ}={\mathrm{\ζ}}_r,{\▿}^2\mathrm{\χ}=-D_r;$

其中，D_r、ζ_r分别为从直角坐标中的u，v分量场求出的径向风的散度与涡度。

Images