CN107229084A - 一种自动识别,跟踪并预测对流系统目标的方法 - Google Patents
一种自动识别,跟踪并预测对流系统目标的方法 Download PDFInfo
- Publication number
- CN107229084A CN107229084A CN201710431186.XA CN201710431186A CN107229084A CN 107229084 A CN107229084 A CN 107229084A CN 201710431186 A CN201710431186 A CN 201710431186A CN 107229084 A CN107229084 A CN 107229084A
- Authority
- CN
- China
- Prior art keywords
- region
- node
- tree structure
- picture
- contracurrent system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种自动识别,跟踪并预测对流系统目标的方法,包括建立雷达反射率图片的树形结构,自动识别对流系统目标,对流系统目标跟踪方法和对流系统目标的预测;本发明能够同时识别出不同类型的对流系统目标,如对流风暴,对流单体和层状降水区域,并且能够识别和保存各种对流系统目标之间的空间关系;本发明将对流系统目标的跟踪问题转化为了树形结构的匹配问题,对流系统目标的识别过程和跟踪、预测过程是相互独立的,提高了对流目标跟踪和预测的准确性;本发明能够预测对流系统目标内部结构的运动和演化,可以构成一个对流系统目标的自动临近预报系统,能够用于预报强对流灾害天气的发生位置,帮助气象业务人员预报强对流天气。
Description
技术领域
本发明涉及大气科学中的应用气象学,尤其涉及使用天气雷达的自动识别,跟踪及预测对流系统目标的方法。
背景技术
中尺度对流系统是造成强对流天气的天气系统[1]。对流系统目标包括对流风暴和对流单体。对流系统目标的自动识别、跟踪和预测方法是强对流天气临近预报的基础。自动识别方法获取对流系统目标的各项属性参数;自动跟踪方法提供对流系统目标属性参数的历史信息;自动预测方法估计对流系统目标在未来时刻的属性。对流系统的空间结构十分复杂,如对流风暴和对流单体之间存在嵌套关系。利用对流风暴的空间结构信息,能够提高对流系统目标自动识别、跟踪和预测的准确性。
天气雷达是监测对流系统的主要手段之一[2,3]。天气雷达发射脉冲形式的电磁波,当电磁波遇到降水物质时,大部分能量继续前进,小部分能量被降水物质向四面八方散射,其中向后向散射的能量回到雷达天线,被雷达接收。根据雷达接收的回波数据,可以识别降水系统的内部结构。天气雷达在一系列固定的仰角上360°扫描降水系统,采集不同圆锥面上的数据资料,综合起来得到降水系统的三维结构描述。在天气雷达反射率图像上,对流风暴为一片高反射率联通区域,其中的局部极大值区域为对流单体。
随着天气雷达的广泛运用,使用天气雷达的自动识别、跟踪和预测对流系统目标的方法不断出现,比如,SCIT方法[4]和TITAN方法[5]是其中的两种经典方法,分别作用于对流单体和对流风暴。传统的对流系统目标识别、跟踪和预测方法构成一个串联系统,其中每一部分的输出作为后一部分的输入。
发明人在实现本发明的过程中,发现现有技术中至少存在以下缺点和不足:①以往的对流系统目标的跟踪方法[6~10]依赖于对流系统目标的识别结果,这使得一种跟踪方法只适用于一类对流系统目标,不能够同时跟踪多种类别的多尺度的对流系统目标;②以往的对流系统目标的预测方法[11~15]不能预测对流目标内部的相对运动和结构演化。
[参考文献]
[1]孙继松,戴建华,何立富等;强对流天气预报的基本原理与技术方法;中国强对流天气预报手册[M];北京:气象出版社,2014。
[2]俞小鼎,姚秀萍,熊廷南等;多普勒天气雷达原理与业务应用[M];北京:气象出版社,2009。
[3]Crum T D,Alberty R L.The WSR-88D and the WSR-88D operationalsupport facility[J].Bulletin of the American Meteorological Society,1993,74(9):1669~1687。
[4]Johnson J T,MacKeen P L,Witt A et al.The storm cell identificationand tracking algorithm:An enhanced WSR-88D algorithm[J].Weather andforecasting,1998,13(2):263~276。
[5]Dixon M,Wiener G.TITAN:Thunderstorm identification,tracking,analysis,and nowcasting—A radar-based methodology[J].Journal of Atmosphericand Oceanic Technology,1993,10(6):785~797。
[6]KyznarováH,Novák P.CELLTRACK—Convective cell tracking algorithmand its use for deriving life cycle characteristics[J].Atmospheric Research,2009,93(1):317~327。
[7]Han L,Fu S,Zhao L,Zheng Y et al.3D convective stormidentification,tracking,and forecasting—An enhanced TITAN algorithm[J].Journal of Atmospheric and Oceanic Technology,2009,26(4):719~732。
[8]Crane R K.Automatic cell detection and tracking[J].IEEETransactions on geoscience electronics,1979,17(4):250~262。
[9]Rosenfeld D.Objective method for analysis and tracking ofconvective cells as seen by radar[J].Journal of Atmospheric and OceanicTechnology,1987,4(3):422~434。
[10]Handwerker J.Cell tracking with TRACE3D—A new algorithm[J].Atmospheric Research,2002,61(1):15~34。
[11]Rossi P J,Chandrasekar V,Hasu V et al.Kalman Filtering–BasedProbabilistic Nowcasting of Object-Oriented Tracked Convective Storms[J].Journal of Atmospheric and Oceanic Technology,2015,32(3):461~477。
[12]Lakshmanan V,Rabin R,DeBrunner V.Multiscale storm identificationand forecast[J].Atmospheric Research,2003,67:367~380。
[13]Rinehart R E.A pattern recognition technique for use withconventional weather radar to determine internal storm motions[J].Atmos.Technol,1981,13:119~134。
[14]Corfidi S F,Meritt J H,Fritsch J M.Predicting the movement ofmesoscale convective complexes[J].Weather and Forecasting,1996,11(1):41~46。
[15]Corfidi S F.Cold pools and MCS propagation:Forecasting the motionof downwind-developing MCSs[J].Weather and Forecasting,2003,18(6):997~1017。
发明内容
针对上述现有技术,本发明提供一种用于天气雷达的自动识别,跟踪和预测对流系统目标的方法,能够自动检测出对流系统中的各类目标;识别出对流系统目标之间的空间关系;同时识别,跟踪和预测多种对流系统目标;预测对流系统目标内部结构的演化和相对运动;提高了对流目标跟踪和预测的准确性。
为了解决上述技术问题,本发明提出的一种自动识别,跟踪并预测对流系统目标的方法,步骤如下:
步骤一、建立雷达反射率图片的树形结构:输入天气雷达在0.5°仰角获得的雷达反射率图片P,图片P的大小为512×512像素,每个像素点的分辨率为1km×1km,图片P上的每个像素点的强度范围为-20dBZ到75dBZ,强度间隔1dBZ;一个图片的树形结构由节点集合和边集合构成,其中每个节点对应一片区域,每个边代表了区域之间的重叠关系,树形结构的构建过程如下:
1-1)使用一组阈值{gi}={0,20,25,30,35,40,45,50,55,60}dBZ对图片P分割得到一组图片{Pi};在求取该一组图片Pi的过程中,如果图片P中一个像素点p的强度小于阈值gi,那么图片Pi中该像素点的强度值置为0;
1-2)使用区域生长法识别图片Pi中的所有区域,计算每个区域r的各种属性参数,属性参数至少包括面积、几何中心点坐标和平均强度;
1-3)对于每一个区域r,构造节点v(r)存储该区域中所有属性参数;在节点v(r)中同时存储区域内部的所有像素点的坐标和强度值;将节点v(r)添加到树形结构的节点集合VT中;
1-4)检查所有区域对ri和ri-1,其中,ri和ri-1为图片Pi和图片Pi-1中的区域;如果区域ri-1包含区域ri,那么构造一个边连接节点v(ri)和v(ri-1),将边存储在树形结构的边集合ET中;至此,得到了雷达反射率图片P的树形结构T=(VT,ET);
步骤二、自动识别对流系统目标:定义树形结构T=(VT,ET)中每个节点的度数为该节点的子节点的数目;对流系统目标包括对流风暴、对流单体和层状降水区域,识别步骤分别如下:
2-1)对流风暴的识别:在树形结构T=(VT,ET)中,找出所有满足以下两个条件之一的子树结构:
2-1-1)子树的根节点强度为30dBZ,并且根节点的度数小于等于1;
2-1-2)子树的根节点的强度为35dBZ,且子树的根节点的父节点的度数大于1;然后,将子树结构中的节点对应的区域叠加在一起构成相应的对流风暴;最终得到对流风暴集合(Sstorm)
2-2)对流单体的识别:在树形结构T=(VT,ET)中,找出所有满足以下两个条件之一的子树结构:
2-2-1)子树的根节点强度为40dBZ,并且根节点的度数小于等于1;
2-2-2)子树的根节点的强度为45dBZ,且子树的根节点的父节点的度数大于1;然后,将子树结构中的节点对应的区域叠加在一起构成相应的对流单体;最终得到对流单体集合(Scell);
2-3)层状降水区域的识别:在树形结构中,找出所有同时满足以下两个条件的子树结构:
2-3-1)该子树根节点的反射率强度为20dBZ;
2-3-2)该子树中所有反射率强度为40dBZ的区域面积之和与所有反射率强度为20dBZ的区域面积之和的比值小于0.3;然后,将子树结构中的节点对应的区域叠加在一起构成相应的层状降水区域;最终得到层状降水区域集合(Sstratiform);
2-4)上述识别对流系统目标之间的空间关系:上述得到的对流风暴集合(Sstorm)、对流单体集合(Scell)和层状降水区域集合(Sstratiform)中的每一个目标s=(Vs,Es)都对应一个树T=(VT,ET)中的子树;设s1和s2为两个对流系统目标,它们对应的子树结构分别记为和s1和s2之间存在的空间关系定义如下:
(1)如果包含那么s1包含s2;或:如果包含那么s2包含s1;
(2)如果没满足上述关系(1),且树T=(VT,ET)存在一个对流系统目标s3,满足:包含且包含那么s1和s2为空间相邻关系;
根据以上的定义,判断对流风暴和对流单体之间的包含关系、层状降水区域和对流风暴之间的包含关系、对流风暴之间的相邻关系和对流单体之间的相邻关系;然后,使用一个对流系统目标树描述所有目标之间的空间关系;
步骤三、对流系统目标跟踪方法:令P1和P2分别为t1和t2时刻的雷达反射率图片,按照步骤一分别获得的图片P1和图片P2的树形结构和其中的节点根据其深度划为不同的子集,分别为及其中,为树Ti中所有深度为k的节点构成的集合;记Mk为得到的子集和的匹配结果,M为匹配过程得到的节点和的匹配结果,m为树形结构T1和T2的最小深度;获取M的过程如下:
3-1)树形结构整体匹配:
3-1-1)匹配子集和得到M1={(root(T1),root(T2))};
3-1-2)在第k次迭代时(k≥1),假设第k次匹配的结果记为其中,n1k和n2k分别为和中的节点数目;根据Mk推测Mk+1的过程包括两步:
3-1-2-1)对于Mk中每一个节点配对分别找出和的子节点集合,记为和对于和之间的每一对节点(vi′,vj′),找出节点(vi′,vj′)对应的树形结构中的区域,计算两个区域之间的重叠率Oi′j′:
式(1)中,A(v)代表了节点v对应区域的面积,A(vi′∩vj′)为两个节点vi′和vj′对应的区域之间的重叠面积;如果两个区域的面积重叠率Oi′j′大于0.5,那么将两个节点vi′和vj′建立匹配,然后将这两个区域对应的节点配对结果(vi′,vj′)存入Mk+1中;
3-1-2-2)将在步骤3-1-2-1)中已经建立匹配的节点从子节点集合和中移除;对于剩余的节点,采用组合优化算法建立匹配,其中,构造的目标函数为:
Q=∑Ci′j′ (2)
其中,i′和j′为子节点集合和中节点的索引值,Ci′j′为将节点i′和节点j′对应的区域建立匹配时需要的代价函数,其计算公式为:
其中dp为两个节点(vi′,vj′)质心之间的距离,ds为两个节点对应区域的面积之差;
对上述组合优化算法得到的匹配结果计算区域速度,当区域速度小于150km h-1时,将配对结果存入Mk+1;
3-1-3)如果Mk+1为空,或者k+1=m,那么树形结构的匹配过程结束,最终得到的树形结构的匹配结果为否则,令k=k+1,算法转到步骤3-1-2);
3-2)对流系统目标的匹配:按照步骤二分别获得的图片P1和图片P2的对流系统目标集合S1和S2,令为两个同种类型的对流系统目标,如果存在一对节点的配对(v1,v2)∈M,且那么将对流系统目标s1和s2建立匹配;
步骤四、对流系统目标的预测,包括:
4-1)通过交叉相关法估计当前雷达反射率图片中的运动矢量场:令当前时刻和前一时刻的雷达发射率图片记为P1和P2,将P1和P2划分为n×n个方形区域;对于P1中的每一个方形区域Rc1,寻找与之最相关的位于P2的区域Rc2,那么区域Rc1的中心点(xc1,yc1)处的运动矢量为(xc1-xc2,yc1-yc2),其中(xc1,yc1)和(xc2,yc2)分别为区域Rc1和Rc2的中心点;
4-2)通过轨迹拟合得到树形结构T1中每一个区域的的运动矢量:令tn时刻图片Pn对应的树结构为Tn,通过步骤三的跟踪方法得到的树形结构Tn中每一个区域的运动轨迹,记一个区域r通过跟踪得到的区域的序列为r1,r2,…,rn,该区域序列对应的质心点序列记为:(x1,y1),(x2,y2),…,(xn,yn),对应的时间时刻为t1,t2,…,tn;那么分别对质心点序列中的x坐标和y坐标相对于时间变量进行直线拟合,得到x=kx·t和y=ky·t;那么该区域r在tn时刻的运动矢量为(kx,ky);
4-3)计算树形结构中当前时刻每一个区域的运动矢量:从根节点开始,采用广度优先,遍历树形结构中的每一个区域r,若区域r的面积大于250km2,那么按照步骤4-1)统计所有位于该区域内部的所有方形区域的平均运动矢量,将此运动矢量作为区域r的运动矢量估计;若区域r的面积小于250km2,那么按照步骤4-2)将该区域通过轨迹直线拟合得到的运动矢量作为区域r的运动矢量估计;若区域r的面积小于250km2,且其不存在运动轨迹,那么就将其父区域的运动矢量作为该区域r的运动矢量;
4-4)通过外推预测当前时刻树形结构和对流系统目标:根据该树形结构中每一个区域r的运动矢量,计算在时间dt之后该区域的位置,当所有的区域进行外推之后,将所有外推的结果叠加起来,得到树形结构整体的外推结果;按照上述外推方法外推单个对流系统目标。
与现有技术相比,本发明的有益效果是:
本发明提供的技术方案的有益效果是:1)本发明能够同时识别出不同类型的对流系统目标,如对流风暴,对流单体和层状降水区域,并且能够识别和保存各种对流系统目标之间的空间关系;2)本发明将对流系统目标的跟踪问题转化为了树形结构的匹配问题,对流系统目标的识别过程和跟踪、预测过程是相互独立的;3)本发明能够预测对流系统目标内部结构的运动和演化。
附图说明
图1是基于树形结构描述的对流系统目标识别,跟踪和预测系统框图;
图2(a)至图2(c)是雷达反射率图片的树形结构描述示例,其中:
图2(a)是雷达反射率图片示意图;
图2(b)是采用三种阈值对图2(a)进行阈值分割和区域检测的结果;
图2(c)是图2(b)对应的树形结构描述;
图3(a)和图3(b)是雷达反射率图片树形结构描述的对流目标识别方法示意图;
图3(a)是不同类型的对流系统目标识别结果;
图3(b)是不同类型的对流系统目标识别结果构成的目标树结构;
图4(a)至图4(d)是基于树形结构对流系统匹配跟踪示意图;
图4(a)和图4(b)分别是一个线性对流系统在两个连续时刻的轮廓示意图;
图4(c)是图4(a)和图4(b)的重叠效果;
图4(d)是图4(a)和图4(b)树形结构描述结果及两个树形结构的匹配结果示意图;
图5是基于树形结构描述的对流风暴匹配方法示意图;
图6(a)至图6(d)是基于树形结构描述的对流系统目标外推方法示意图;
图6(a)是一个线性对流系统的示意图;
图6(b)是图6(a)中线性对流系统的树形结构描述,箭头是每一个区域的运动矢量;
图6(c)是树形结构中的每片区域的单独外推效果;
图6(d)是对流系统目标的整体外推效果;
图7是三种对流风暴跟踪方法的匹配临界成功指数;
图8(a)至8(d)是三种对流风暴预测算法的对比评分结果;
图8(a)和图8(b)分别是18分钟和30分钟的预测临界成功指数;
图8(c)和图8(d)分别是18分钟和30分钟的预测平均绝对误差。
具体实施方式
下面结合附图和具体实施例对本发明技术方案作进一步详细描述,所描述的具体实施例仅对本发明进行解释说明,并不用以限制本发明。
本发明提出的自动识别,跟踪并预测对流系统目标的方法,其设计思路如图1所示,将天气雷达获得的对流系统单仰角雷达反射率图片可采用一个区域的树形结构描述。在此树形结构中,每一个对流系统目标对应一个子树结构。对流系统目标的识别问题转化为子树结构的检测问题,对流系统目标的跟踪问题转化为树形结构的匹配问题,通过树形结构的外推,可以预测所有对流系统目标的位置和内部结构。本发明实现了自动识别、跟踪和预测对流系统目标。该发明的内容构成一个对流系统目标的临近预报系统,可以用于预测各类对流系统目标的位置和内部结构,有助于强对流天气灾害的预报。
本发明自动识别,跟踪并预测对流系统目标的方法,主要包括:建立雷达反射率图片的树形结构,自动识别对流系统目标,对流系统目标跟踪方法和对流系统目标的预测,其具体内容如下:
步骤一:建立雷达反射率图片的树形结构;
输入天气雷达在0.5°仰角获得的雷达反射率图片P,图片P的大小为512×512像素,每个像素点的分辨率为1km×1km,图片P上的每个像素点的强度范围为-20dBZ到75dBZ,强度间隔1dBZ;一个雷达反射率图片的示意图如图2(a)所示。
一个图片的树形结构由节点集合和边集合构成,其中每个节点对应一片区域,每个边代表了区域之间的重叠关系,树形结构的构建过程如下:
1-1)使用一组阈值{gi}={0,20,25,30,35,40,45,50,55,60}dBZ对图片P分割得到一组图片{Pi};在求取该一组图片Pi的过程中,如果图片P中一个像素点p的强度小于阈值gi,那么图片Pi中该像素点的强度值置为0;图2(a)采用三个阈值(30dBZ,35dBZ,和40dBZ)分割得到的结果分别为图2(b)中的P1,P2和P3;
1-2)使用区域生长法识别图片Pi中的所有区域,计算每个区域r的各种属性参数,属性参数至少包括面积、几何中心点坐标和平均强度;在图2(b)中,采用区域生长法获得的P1,P2和P3中的区域的识别结果为
1-3)对于每一个区域r,构造节点v(r)存储该区域中所有属性参数;在节点v(r)中同时存储区域内部的所有像素点的坐标和强度值;将节点v(r)添加到树形结构的节点集合VT中;
1-4)检查所有区域对ri和ri-1,其中,ri和ri-1为图片Pi和图片Pi-1中的区域;如果区域ri-1包含区域ri,那么构造一个边连接节点v(ri)和v(ri-1),将边存储在树形结构的边集合ET中;在图2(b)中,区域之间的包含关系采用区域间的连线表示。
至此,得到了雷达反射率图片P的树形结构T=(VT,ET),如图2(c)所示。
步骤二:自动识别对流系统目标;
图3说明如何识别树形结构中的各种对流系统目标。图3(a)给出一个树形结构,其中识别出的对流系统目标用矩形区域标记,并且给出所有对流系统目标的编号。图3(b)给出相对于图3(a)的对流系统目标的树形结构。定义树形结构T=(VT,ET)中每个节点的度数为该节点的子节点的数目,对流系统目标包括对流风暴、对流单体和层状降水区域,其识别步骤分别如下:
2-1)对流风暴的识别:
在树形结构T=(VT,ET)中,找出所有满足以下两个条件之一的子树结构:
1)子树的根节点强度为30dBZ,并且根节点的度数小于等于1;
2)子树的根节点的强度为35dBZ,且子树的根节点的父节点的度数大于1;
图3(a)中满足以上条件的子树为子树3,4和5,其中子树3和4满足以上条件2),子树5满足以上条件1)。
然后,将子树结构中的节点对应的区域叠加在一起构成相应的对流风暴;
最终得到对流风暴集合(Sstorm)
2-2)对流单体的识别:
在树形结构T=(VT,ET)中,找出所有满足以下两个条件之一的子树结构:
1)子树的根节点强度为40dBZ,并且根节点的度数小于等于1;
2)子树的根节点的强度为45dBZ,且子树的根节点的父节点的度数大于1;
然后,将子树结构中的节点对应的区域叠加在一起构成相应的对流单体;
图3(a)中满足以上条件的子树为子树6,且满足条件1)。
最终得到对流单体集合(Scell);
2-3)层状降水区域的识别:
在树形结构中,找出所有同时满足以下两个条件的子树结构:
1)该子树根节点的反射率强度为20dBZ;
2)该子树中所有反射率强度为40dBZ的区域面积之和与所有反射率强度为20dBZ的区域面积之和的比值小于0.3;
图3(a)中满足以上条件的子树为子树1和2。
然后,将子树结构中的节点对应的区域叠加在一起构成相应的层状降水区域;
最终得到层状降水区域集合(Sstratiform);
2-4)识别对流系统目标之间的空间关系:
上述得到的对流风暴集合(Sstorm)、对流单体集合(Scell)和层状降水区域集合(Sstratiform)中的每一个目标s=(Vs,Es)都对应一个树T=(VT,ET)中的子树;
设s1和s2为两个对流系统目标,它们对应的子树结构分别记为和s1和s2之间存在的空间关系定义如下:
(1)如果包含那么s1包含s2;或:如果包含那么s2包含s1;
(2)如果没满足上述关系(1),且树T=(VT,ET)存在一个对流系统目标s3,满足:包含且包含那么s1和s2为空间相邻关系;
根据以上的定义,判断对流风暴和对流单体之间的包含关系、层状降水区域和对流风暴之间的包含关系、对流风暴之间的相邻关系和对流单体之间的相邻关系;
然后,使用一个对流系统目标树描述所有目标之间的空间关系;
图3(a)展示如何识别对流系统目标之间的空间关系。在此案例中,有一个对流单体(6),三个对流风暴(3,4,和5),以及两个层状降水区域(1和2)。两个层状降水区域为空间相邻关系;三个对流风暴彼此空间相邻,且都包含于层状降水区域2;唯一的对流单体6包含于对流风暴3。图3(b)采用一个对流系统目标的树形结构描述了所有对流系统目标之间的空间关系。
步骤三、对流系统目标跟踪方法;
图4给出一个树形结构匹配过程的示例。图4(a)和(b)分别给出一个对流系统在两个时刻的结构示意图,图4(c)给出这两个对流系统的重叠结果(这里假设在t1时刻所有区域的移动速度为0。图4(d)给出该对流系统在两个时刻的树状结构描述及最终的匹配结果。具体的匹配过程如下:
令P1和P2为t1和t2时刻的雷达反射率图片,按照步骤一分别获得的图片P1和图片P2的树形结构和其中的节点根据其深度划为不同的子集,分别为及其中,为树Ti中所有深度为k的节点构成的集合;记Mk为得到的子集和的匹配结果,M为匹配过程得到的节点和的匹配结果,m为树形结构T1和T2的最小深度;获取M的过程如下:
3-1)树形结构整体匹配:
3-1-1)匹配子集和得到M1={(root(T1),root(T2))};见图4(d)中两个根节点之间的配对结果。
3-1-2)在第k次迭代时(k≥1),假设第k次匹配的结果记为其中,n1k和n2k分别为和中的节点数目;根据Mk推测Mk+1的过程包括两步:
3-1-2-1)对于Mk中每一个节点配对分别找出和的子节点集合,记为和对于和之间的每一对节点(vi′,vj′),找出节点(vi′,vj′)对应的树形结构中的区域,计算两个区域之间的重叠率Oi′j′:
式(1)中,A(v)代表了节点v对应区域的面积,A(vi′∩vj′)为两个节点vi′和vj′对应的区域之间的重叠面积;如果两个区域的面积重叠率Oi′j′大于0.5,那么将两个节点vi′和vj′建立匹配,然后将这两个区域对应的节点配对结果(vi′,vj′)存入Mk+1中;图4示例中采用面积重叠法获得配对的节点对包括:节点3和节点10,节点6和节点13,节点6和节点14。
3-1-2-2)将在步骤3-1-2-1)中已经建立匹配的节点从子节点集合和中移除;对于剩余的节点,采用组合优化算法建立匹配,其中,构造的目标函数为:
Q=∑Ci′j′ (2)
其中,i′和j′为子节点集合和中节点的索引值,Ci′j′为将节点i′和节点j′对应的区域建立匹配时需要的代价函数,其计算公式为:
其中dp为两个节点(vi′,vj′)质心之间的距离,ds为两个节点对应区域的面积之差;
图4示例中采用组合优化法配对的节点对包括:节点1和节点8,节点2和节点9,节点4和节点11,节点5和节点12。
对上述组合优化算法得到的匹配结果计算区域速度,当区域速度小于150km h-1时,将配对结果存入Mk+1;
3-1-3)如果Mk+1为空,或者k+1=m,那么树形结构的匹配过程结束,最终得到的树形结构的匹配结果为否则,令k=k+1,算法转到步骤3-1-2);图4示例中m=3。迭代匹配过程只执行3次。
3-2)对流系统目标的匹配:
按照步骤二分别获得的图片P1和图片P2的对流系统目标集合S1和S2,令为两个同种类型的对流系统目标,如果存在一对节点的配对(v1,v2)∈M,且那么将对流系统目标s1和s2建立匹配;
图5说明了如何根据树形结构的匹配结果跟踪对流风暴目标。图5给出在t1和t2两个时刻的两个树形结构及其匹配结果。树形结构中节点的匹配结果采用虚线表示,对流风暴的识别结果采用方框标记,并且在方框上标出对流风暴的编号。对流风暴目标的匹配过程如下:
依次遍历所有树中节点的匹配结果。记其中一个配对为(v1,v2),检查v1和v2分别属于哪一个对流风暴,然后将两个对流风暴建立匹配。在此案例中,风暴1和风暴3之间存在两对节点配对,所以匹配两者;风暴2和风暴4之间也存在两对节点的配对,所以两者之间也建立匹配。图5中的对流风暴的匹配结果用实线箭头表示。
步骤四、对流系统目标的预测;
图6说明如何通过外推树形结构预测对流系统目标。图6(a)为一个对流系统的示意图,图6(b)为图6(a)对应的树形结构,图6(c)为树形结构每一个区域的外推结构,图6(d)为整个对流系统的外推效果。
4-1)通过交叉相关法估计当前雷达反射率图片中的运动矢量场:
令当前时刻和前一时刻的雷达发射率图片记为P1和P2,将P1和P2划分为n×n个方形区域;对于P1中的每一个方形区域Rc1,寻找与之最相关的位于P2的区域Rc2,那么区域Rc1的中心点(xc1,yc1)处的运动矢量为(xc1-xc2,yc1-yc2),其中(xc1,yc1)和(xc2,yc2)分别为区域Rc1和Rc2的中心点;
4-2)通过轨迹拟合得到树形结构T1中每一个区域的的运动矢量:
令tn时刻图片Pn对应的树结构为Tn,通过步骤三的跟踪方法得到的树形结构Tn中每一个区域的运动轨迹,记一个区域r通过跟踪得到的区域的序列为r1,r2,…,rn,该区域序列对应的质心点序列记为:(x1,y1),(x2,y2),…,(xn,yn),对应的时间时刻为t1,t2,…,tn;那么分别对质心点序列中的x坐标和y坐标相对于时间变量进行直线拟合,得到x=kx·t和y=ky·t;那么该区域r在tn时刻的运动矢量为(kx,ky);
4-3)计算树形结构中当前时刻每一个区域的运动矢量:
从根节点开始,采用广度优先,遍历树形结构中的每一个区域,
若区域r的面积大于250km2,那么按照步骤4-1)统计所有位于该区域内部的所有方形区域的平均运动矢量,将此运动矢量作为区域r的运动矢量估计;
若区域r的面积小于250km2,那么按照步骤4-2)将该区域通过轨迹直线拟合得到的运动矢量作为区域r的运动矢量估计;
若区域r的面积小于250km2,且其不存在运动轨迹,那么就将其父区域的运动矢量作为该区域r的运动矢量;
图6(b)中每一个区域上标记的箭头代表了估计得到的区域运动矢量。
4-4)通过外推预测当前时刻树形结构和对流系统目标:
根据该树形结构中每一个区域的运动矢量,计算在时间dt之后该区域的位置,如图6(c)所示,当所有的区域进行外推之后,将所有外推的结果叠加起来,得到树形结构整体的外推结果,如图6(d)所示;
按照上述外推方法外推单个对流系统目标。
下面以对流风暴为具体的目标进行测试以验证本发明方法的可行性,详见以下描述:
表1给出测试算法的8个案例,其中包括两种类型的对流系统:孤立单体风暴和中尺度对流系统(Mesoscale Convective System;MCS)。案例中的雷达数据源自美国国家气候数据中心(National Climatic Data Center;NCDC)。每个案例的时间段为1800到2100(国际时间)。雷达的探测距离分辨率为1km,方位角分辨率为1°,覆盖范围为230km×230km。雷达反射率图片的强度范围为-25dBZ到75dBZ,分辨率为1dBZ。雷达图片的时间分辨率为6分钟(VCP 21)或5分钟(VCP 11)。
表1算法测试案例
本发明给出的对流系统目标自动跟踪和预测方法与SCIT方法和ETITAN方法对比进行评估。对流系统目标的跟踪算法的效果通过目标的正确匹配率进行评估。三位气象预报人员参与了此对比评估实验,每一位气象预报人员给出一个对流风暴的匹配结果集合,综合三份匹配结果集合得到一个真实的对流风暴匹配结果集合:当一个匹配结果同时存在于两个或两个以上的人工匹配集合中时,则认为该匹配结果是正确的。
将三种对流风暴跟踪算法产生的匹配集合与真实的匹配集合进行对比,从而评估每种对流风暴跟踪算法的跟踪性能。每一个自动匹配的结果归为以下三类之一:称为“击中”的匹配同时存在于自动匹配集合和真实匹配集合中;称为“丢失”的匹配只存在于真实匹配集合中,而不存在于自动匹配集合中;称为“错误”的匹配为只存在于自动匹配集合中,而不存在于真实匹配集合中。记一种跟踪算法产生的“击中”、“丢失”和“错误”的匹配数目分别为x,y和z,三种评价指标为:识别率POD=x/(x+y),误报率FAR=z/(x+z),临界成功指数CSI=x/(x+y+z)。获得最高CSI评分值的跟踪算法性能最好。
图7给出三种跟踪算法获得的CSI评分结果。对于不同类型的对流系统,基于树形结构的对流风暴跟踪算法都获得了最高的CSI。在所有案例上,基于树形结构的对流风暴跟踪算法获得78.15%的平均CSI评分值;与此相比,SCIT和ETITAN的获得的平均CSI评分值分别为74.88%和74.71%。
将对流系统目标的预测结果与观测结果对比,可以评估预测算法的性能。预测评估实验采用了表1中8个案例的共442帧位于0.5°仰角的雷达反射率图片。在对比评估过程中,首先将预测结果和观测结果映射到一个1km×1km的网格中,然后对比每一个格点处的预测值和真实值,如果在一个格点内预测值和真实值都包含对流风暴数据,那么在该格点处成功预报;如果在该格点处只有观测值包含对流风暴数据,那么在该格点处丢失预报;如果在该格点处只有预报值包含对流风暴数据,那么在该格点处错误预报。记所有预测得到的“成功”、“丢失”和“错误”的数目分别为为x,y和z,计算POD、FAR和CSI(计算公式如前所述)。
由于基于树形结构的对流系统目标预测方法除了能够预测目标的位置,还能够预测目标内部结构的演化,而指标CSI的计算过程不考虑预测目标和真实目标内部结构上的差异,所以指标CSI不能够完全评估对流系统目标的预测方法。对比实验中引入平均绝对误差(Mean Absolute Error;MAE)作为指标CSI的补充,其计算公式为:
其中,Fi和Oi代表了第i对预测值和观测值,N为对比格点的总数。能够预测对流系统目标内部结构演化的预报方法应该产生较小的MAE值。
图8(a)和图8(b)分别给出三种预测方法的18和30分钟平均CSI评分值;图8(c)和图8(d)分别给出18和30分钟的平均MAE评分值。图8(a)显示,对于18分钟的预测结果,基于树形结构的预测方法获得了29.02%的平均CSI评分值,高于SCIT算法的24.98%和ETITAN的24.44%。图8(a)还显示,三种预测方法在预测中尺度对流系统时表现出较大的差距。与SCIT和ETITAN方法相比,基于树形结构的预测方法分别获得了6.05%和5.81%的CSI评分值改善。图8(b)显示,对于30分钟的预测结果,基于树形结构的预测方法同样获得了相对较高的评分值。图8(c)显示,对于18分钟的预测结果,基于树形结构的预测方法获得了最小的平均MAE值(4.63dBz),SCIT方法和ETITAN方法的平均MAE值分别为5.22dBZ和4.80dBZ。图8(d)显示,对于30分钟的预测结果,基于树形结构的预测方法同样获得了最小的平均MAE值。
表2给出三种方法识别、跟踪和预测数据集中对流风暴需要的平均运行时间。算法的测试环境为:处理器为英特酷睿2.1,计算机内存为2GB,算法运行环境为MATLAB 2014b。表2显示,基于树形结构描述的对流风暴识别方法平均需要965.25ms,这一时间远远大于跟踪和预测对流风暴所需的运行时间。但是相比于天气雷达的采样间隔(5到6分钟),基于树形结构的对流系统目标自动识别、跟踪和预测方法可以满足实时运行的需求。
表2三种临近预报方法的运行时间对比
尽管上面结合附图对本发明进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨的情况下,还可以做出很多变形,这些均属于本发明的保护之内。
Claims (1)
1.一种自动识别,跟踪并预测对流系统目标的方法,其特征在于,步骤如下:
步骤一、建立雷达反射率图片的树形结构:
输入天气雷达在0.5°仰角获得的雷达反射率图片P,图片P的大小为512×512像素,每个像素点的分辨率为1km×1km,图片P上的每个像素点的强度范围为-20dBZ到75dBZ,强度间隔1dBZ;
一个图片的树形结构由节点集合和边集合构成,其中每个节点对应一片区域,每个边代表了区域之间的重叠关系,树形结构的构建过程如下:
1-1)使用一组阈值{gi}={0,20,25,30,35,40,45,50,55,60}dBZ对图片P分割得到一组图片{Pi};在求取该一组图片Pi的过程中,如果图片P中一个像素点p的强度小于阈值gi,那么图片Pi中该像素点的强度值置为0;
1-2)使用区域生长法识别图片Pi中的所有区域,计算每个区域r的各种属性参数,属性参数至少包括面积、几何中心点坐标和平均强度;
1-3)对于每一个区域r,构造节点v(r)存储该区域中所有属性参数;在节点v(r)中同时存储区域内部的所有像素点的坐标和强度值;将节点v(r)添加到树形结构的节点集合VT中;
1-4)检查所有区域对ri和ri-1,其中,ri和ri-1为图片Pi和图片Pi-1中的区域;如果区域ri-1包含区域ri,那么构造一个边连接节点v(ri)和v(ri-1),将边存储在树形结构的边集合ET中;
至此,得到了雷达反射率图片P的树形结构T=(VT,ET);
步骤二、自动识别对流系统目标:
定义树形结构T=(VT,ET)中每个节点的度数为该节点的子节点的数目;对流系统目标包括对流风暴、对流单体和层状降水区域,识别步骤分别如下:
2-1)对流风暴的识别:
在树形结构T=(VT,ET)中,找出所有满足以下两个条件之一的子树结构:
2-1-1)子树的根节点强度为30dBZ,并且根节点的度数小于等于1;
2-1-2)子树的根节点的强度为35dBZ,且子树的根节点的父节点的度数大于1;
然后,将子树结构中的节点对应的区域叠加在一起构成相应的对流风暴;
最终得到对流风暴集合(Sstorm)
2-2)对流单体的识别:
在树形结构T=(VT,ET)中,找出所有满足以下两个条件之一的子树结构:
2-2-1)子树的根节点强度为40dBZ,并且根节点的度数小于等于1;
2-2-2)子树的根节点的强度为45dBZ,且子树的根节点的父节点的度数大于1;
然后,将子树结构中的节点对应的区域叠加在一起构成相应的对流单体;
最终得到对流单体集合(Scell);
2-3)层状降水区域的识别:
在树形结构中,找出所有同时满足以下两个条件的子树结构:
2-3-1)该子树根节点的反射率强度为20dBZ;
2-3-2)该子树中所有反射率强度为40dBZ的区域面积之和与所有反射率强度为20dBZ的区域面积之和的比值小于0.3;
然后,将子树结构中的节点对应的区域叠加在一起构成相应的层状降水区域;
最终得到层状降水区域集合(Sstratiform);
2-4)上述识别对流系统目标之间的空间关系:
上述得到的对流风暴集合(Sstorm)、对流单体集合(Scell)和层状降水区域集合(Sstratiform)中的每一个目标s=(Vs,Es)都对应一个树T=(VT,ET)中的子树;
设s1和s2为两个对流系统目标,它们对应的子树结构分别记为和s1和s2之间存在的空间关系定义如下:
(1)如果包含那么s1包含s2;或:如果包含那么s2包含s1;
(2)如果没满足上述关系(1),且树T=(VT,ET)存在一个对流系统目标s3,满足:包含且包含那么s1和s2为空间相邻关系;
根据以上的定义,判断对流风暴和对流单体之间的包含关系、层状降水区域和对流风暴之间的包含关系、对流风暴之间的相邻关系和对流单体之间的相邻关系;
然后,使用一个对流系统目标树描述所有目标之间的空间关系;
步骤三、对流系统目标跟踪方法:
令P1和P2分别为t1和t2时刻的雷达反射率图片,按照步骤一分别获得的图片P1和图片P2的树形结构和其中的节点根据其深度划为不同的子集,分别为及其中,为树Ti中所有深度为k的节点构成的集合;记Mk为得到的子集和的匹配结果,M为匹配过程得到的节点和的匹配结果,m为树形结构T1和T2的最小深度;获取M的过程如下:
3-1)树形结构整体匹配:
3-1-1)匹配子集和得到M1={(root(T1),root(T2))};
3-1-2)在第k次迭代时(k≥1),假设第k次匹配的结果记为其中,n1k和n2k分别为和中的节点数目;根据Mk推测Mk+1的过程包括两步:
3-1-2-1)对于Mk中每一个节点配对分别找出和的子节点集合,记为和对于和之间的每一对节点(vi′,vj′),找出节点(vi′,vj′)对应的树形结构中的区域,计算两个区域之间的重叠率Oi′j′:
<mrow>
<msub>
<mi>O</mi>
<mrow>
<msup>
<mi>i</mi>
<mo>&prime;</mo>
</msup>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>A</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<msup>
<mi>i</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mo>&cap;</mo>
<msub>
<mi>v</mi>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>min</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>(</mo>
<msub>
<mi>v</mi>
<msup>
<mi>i</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mo>)</mo>
<mo>,</mo>
<mi>A</mi>
<mo>(</mo>
<msub>
<mi>v</mi>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式(1)中,A(v)代表了节点v对应区域的面积,A(vi′∩vj′)为两个节点vi′和vj′对应的区域之间的重叠面积;如果两个区域的面积重叠率Oi′j′大于0.5,那么将两个节点vi′和vj′建立匹配,然后将这两个区域对应的节点配对结果(vi′,vj′)存入Mk+1中;
3-1-2-2)将在步骤3-1-2-1)中已经建立匹配的节点从子节点集合和中移除;对于剩余的节点,采用组合优化算法建立匹配,其中,构造的目标函数为:
Q=∑Ci′j′ (2)
其中,i′和j′为子节点集合和中节点的索引值,Ci′j′为将节点i′和节点j′对应的区域建立匹配时需要的代价函数,其计算公式为:
<mrow>
<msub>
<mi>C</mi>
<mrow>
<msup>
<mi>i</mi>
<mo>&prime;</mo>
</msup>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>d</mi>
<mi>p</mi>
</msub>
<mo>+</mo>
<msqrt>
<mfrac>
<msub>
<mi>d</mi>
<mi>s</mi>
</msub>
<mi>&pi;</mi>
</mfrac>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中dp为两个节点(vi′,vj′)质心之间的距离,ds为两个节点对应区域的面积之差;
对上述组合优化算法得到的匹配结果计算区域速度,当区域速度小于150km h-1时,将配对结果存入Mk+1;
3-1-3)如果Mk+1为空,或者k+1=m,那么树形结构的匹配过程结束,最终得到的树形结构的匹配结果为否则,令k=k+1,算法转到步骤3-1-2);
3-2)对流系统目标的匹配:
按照步骤二分别获得的图片P1和图片P2的对流系统目标集合S1和S2,令为两个同种类型的对流系统目标,如果存在一对节点的配对(v1,v2)∈M,且那么将对流系统目标s1和s2建立匹配;
步骤四、对流系统目标的预测,包括:
4-1)通过交叉相关法估计当前雷达反射率图片中的运动矢量场:
令当前时刻和前一时刻的雷达发射率图片记为P1和P2,将P1和P2划分为n×n个方形区域;对于P1中的每一个方形区域Rc1,寻找与之最相关的位于P2的区域Rc2,那么区域Rc1的中心点(xc1,yc1)处的运动矢量为(xc1-xc2,yc1-yc2),其中(xc1,yc1)和(xc2,yc2)分别为区域Rc1和Rc2的中心点;
4-2)通过轨迹拟合得到树形结构T1中每一个区域的的运动矢量:
令tn时刻图片Pn对应的树结构为Tn,通过步骤三的跟踪方法得到的树形结构Tn中每一个区域的运动轨迹,记一个区域r通过跟踪得到的区域的序列为r1,r2,…,rn,该区域序列对应的质心点序列记为:(x1,y1),(x2,y2),…,(xn,yn),对应的时间时刻为t1,t2,…,tn;那么分别对质心点序列中的x坐标和y坐标相对于时间变量进行直线拟合,得到x=kx·t和y=ky·t;那么该区域r在tn时刻的运动矢量为(kx,ky);
4-3)计算树形结构中当前时刻每一个区域的运动矢量:
从根节点开始,采用广度优先,遍历树形结构中的每一个区域r,
若区域r的面积大于250km2,那么按照步骤4-1)统计所有位于该区域内部的所有方形区域r的平均运动矢量,将此运动矢量作为区域r的运动矢量估计;
若区域r的面积小于250km2,那么按照步骤4-2)将区域r通过轨迹直线拟合得到的运动矢量作为区域r的运动矢量估计;
若区域r的面积小于250km2,且其不存在运动轨迹,那么就将其父区域的运动矢量作为区域r的运动矢量;
4-4)通过外推预测当前时刻树形结构和对流系统目标:
根据该树形结构中每一个区域r的运动矢量,计算在时间dt之后区域r的位置,当所有的区域进行外推之后,将所有外推的结果叠加起来,得到树形结构整体的外推结果;
按照上述外推方法外推单个对流系统目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710431186.XA CN107229084B (zh) | 2017-06-08 | 2017-06-08 | 一种自动识别,跟踪并预测对流系统目标的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710431186.XA CN107229084B (zh) | 2017-06-08 | 2017-06-08 | 一种自动识别,跟踪并预测对流系统目标的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107229084A true CN107229084A (zh) | 2017-10-03 |
CN107229084B CN107229084B (zh) | 2019-08-27 |
Family
ID=59934682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710431186.XA Expired - Fee Related CN107229084B (zh) | 2017-06-08 | 2017-06-08 | 一种自动识别,跟踪并预测对流系统目标的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107229084B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109061649A (zh) * | 2018-08-10 | 2018-12-21 | 中国气象局气象探测中心 | 一种冰雹监测方法及系统 |
CN109164450A (zh) * | 2018-09-12 | 2019-01-08 | 天津大学 | 一种基于多普勒雷达数据的下击暴流预测方法 |
CN109917394A (zh) * | 2019-03-13 | 2019-06-21 | 南京信息工程大学 | 一种基于天气雷达的短临智能外推方法 |
CN110309802A (zh) * | 2019-07-05 | 2019-10-08 | 商丘师范学院 | 一种基于扩展极大值变换的对流单体检测方法 |
CN110687618A (zh) * | 2019-09-25 | 2020-01-14 | 天津大学 | 一种多单体对流系统短时强降水事件的自动临近预报方法 |
CN112347872A (zh) * | 2020-10-23 | 2021-02-09 | 重庆市气象台 | 一种基于地面观测的雷暴大风风暴体标识方法及系统 |
CN116430336A (zh) * | 2023-03-14 | 2023-07-14 | 中国气象局成都高原气象研究所 | 基于自适应阈值的对流单体识别方法 |
CN117907965A (zh) * | 2024-03-19 | 2024-04-19 | 江苏省气象台 | 面向对流风暴精细结构的三维雷达回波临近预报方法 |
CN117907965B (zh) * | 2024-03-19 | 2024-05-24 | 江苏省气象台 | 面向对流风暴精细结构的三维雷达回波临近预报方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102662172A (zh) * | 2012-03-29 | 2012-09-12 | 天津大学 | 一种基于多普勒雷达反射率图像的风暴云团的外推方法 |
CN102721987A (zh) * | 2012-06-12 | 2012-10-10 | 中国海洋大学 | 多普勒雷达遥感强风暴的预警方法 |
CN104237889A (zh) * | 2013-06-05 | 2014-12-24 | 霍尼韦尔国际公司 | 在气象雷达显示器上显示对流天气的系统和方法 |
-
2017
- 2017-06-08 CN CN201710431186.XA patent/CN107229084B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102662172A (zh) * | 2012-03-29 | 2012-09-12 | 天津大学 | 一种基于多普勒雷达反射率图像的风暴云团的外推方法 |
CN102721987A (zh) * | 2012-06-12 | 2012-10-10 | 中国海洋大学 | 多普勒雷达遥感强风暴的预警方法 |
CN104237889A (zh) * | 2013-06-05 | 2014-12-24 | 霍尼韦尔国际公司 | 在气象雷达显示器上显示对流天气的系统和方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109061649A (zh) * | 2018-08-10 | 2018-12-21 | 中国气象局气象探测中心 | 一种冰雹监测方法及系统 |
CN109164450A (zh) * | 2018-09-12 | 2019-01-08 | 天津大学 | 一种基于多普勒雷达数据的下击暴流预测方法 |
CN109164450B (zh) * | 2018-09-12 | 2022-11-22 | 天津大学 | 一种基于多普勒雷达数据的下击暴流预测方法 |
CN109917394A (zh) * | 2019-03-13 | 2019-06-21 | 南京信息工程大学 | 一种基于天气雷达的短临智能外推方法 |
CN109917394B (zh) * | 2019-03-13 | 2022-12-23 | 南京信息工程大学 | 一种基于天气雷达的短临智能外推方法 |
CN110309802A (zh) * | 2019-07-05 | 2019-10-08 | 商丘师范学院 | 一种基于扩展极大值变换的对流单体检测方法 |
CN110687618B (zh) * | 2019-09-25 | 2021-10-01 | 天津大学 | 一种多单体对流系统短时强降水事件的自动临近预报方法 |
CN110687618A (zh) * | 2019-09-25 | 2020-01-14 | 天津大学 | 一种多单体对流系统短时强降水事件的自动临近预报方法 |
CN112347872A (zh) * | 2020-10-23 | 2021-02-09 | 重庆市气象台 | 一种基于地面观测的雷暴大风风暴体标识方法及系统 |
CN112347872B (zh) * | 2020-10-23 | 2024-05-31 | 重庆市气象台 | 一种基于地面观测的雷暴大风风暴体标识方法及系统 |
CN116430336A (zh) * | 2023-03-14 | 2023-07-14 | 中国气象局成都高原气象研究所 | 基于自适应阈值的对流单体识别方法 |
CN116430336B (zh) * | 2023-03-14 | 2023-10-24 | 中国气象局成都高原气象研究所 | 基于自适应阈值的对流单体识别方法 |
CN117907965A (zh) * | 2024-03-19 | 2024-04-19 | 江苏省气象台 | 面向对流风暴精细结构的三维雷达回波临近预报方法 |
CN117907965B (zh) * | 2024-03-19 | 2024-05-24 | 江苏省气象台 | 面向对流风暴精细结构的三维雷达回波临近预报方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107229084B (zh) | 2019-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107229084B (zh) | 一种自动识别,跟踪并预测对流系统目标的方法 | |
CN108226892B (zh) | 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 | |
Lakshmanan et al. | Multiscale storm identification and forecast | |
Hilburn et al. | Development and interpretation of a neural-network-based synthetic radar reflectivity estimator using GOES-R satellite observations | |
Rigo et al. | Analysis of warm season thunderstorms using an object-oriented tracking method based on radar and total lightning data | |
Liang et al. | A composite approach of radar echo extrapolation based on TREC vectors in combination with model-predicted winds | |
CN109814175A (zh) | 一种基于卫星的强对流监测方法及其应用 | |
Jing et al. | AENN: A generative adversarial neural network for weather radar echo extrapolation | |
Li et al. | A new approach to detect ground clutter mixed with weather signals | |
Tsai et al. | Impacts of topography on airflow and precipitation in the Pyeongchang area seen from multiple-Doppler radar observations | |
CN111323782B (zh) | 一种基于模糊逻辑的雷达同步监测方法 | |
Liu et al. | A spatio-temporal modeling framework for weather radar image data in tropical southeast Asia | |
Wang et al. | A conformal regressor with random forests for tropical cyclone intensity estimation | |
Alqudah et al. | Investigating rainfall estimation from radar measurements using neural networks | |
Li et al. | Polarimetric radar quantitative precipitation estimation using deep convolutional neural networks | |
CN107607955B (zh) | 一种数据筛选方法以及地物杂波的筛选装置 | |
Vergara et al. | Multi‐sensor data fusion between radio tomographic imaging and noise radar | |
Szuster | Blob extraction algorithm in detection of convective cells for data fusion | |
Kretzschmar et al. | Removal of bird-contaminated wind profiler data based on neural networks | |
Zhang et al. | A novel fusion forecast model for hail weather in plateau areas based on machine learning | |
Liu et al. | An Intelligent Signal Processing Method for Motional Vital Signs Detection System Based on Deep Learning | |
Zhang et al. | 3.5 THREE-DIMENSIONAL HIGH-RESOLUTION NATIONAL RADAR MOSAIC | |
CN116430349B (zh) | 一种基于物理先验知识的空间群目标探测方法及系统 | |
CN114325625B (zh) | 海洋-电离层混沌动力学特征提取方法、装置、介质、应用 | |
CN108872993A (zh) | 一种基于循环动态卷积神经网络的雷达回波外推方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190827 |
|
CF01 | Termination of patent right due to non-payment of annual fee |