CN108931774B - 基于闪电资料的对流性降水识别产品检验方法及系统 - Google Patents

Abstract

本发明涉及基于闪电资料的对流性降水识别产品检验方法及系统，其方法包括获取组网雷达的雷达数据，并将雷达数据进行计算得到对流性降水识别数据；通过ADTD获取闪电数据并进行质量控制，得到优化闪电数据；将对流性降水识别数据和优化闪电数据按照预设时间间隔进行时空模糊匹配，得到对流性降水检验数据；并验证对流性降水检验数据的正确率。通过闪电资料定量检验天气雷达识别的对流性降水数据，并采用时空模糊匹配的方式定量检验基于雷达资料识别的对流性降水识别数据，检验结果用正确率表示，测试结果表明该方法不仅可用于对流性降水识别数据的定量检验，而且检验方法具有清楚的物理意义，在不同的时空匹配方式下的检验结果符合实际情况。

Description

基于闪电资料的对流性降水识别产品检验方法及系统

技术领域

本发明涉及对流性降水检验领域，尤其涉及基于闪电资料的对流性降水识别产品检验方法及系统。

背景技术

大范围内的暴雨天气过程，常常是层状云与对流云降水的混合，在大片的降水中嵌入有对流降水系统，因为对流云与层状云降水具有不同的特点，可以区分出对流云与层状云降水，这对进一步研究对流云与层状云降水机理、定量降水估测、强对流天气监测预警、人工影响天气作业指挥、航空航天及数值预报中的资料同化以及对流活动的气候统计分析等方面起到重要作用。

目前，国内外对降水或降水云分类方面的研究较多，根据使用不同的资料可分为：天气雷达、风廓线雷达、气象卫星及雨量计，也有利用多种资料共同识别或相互验证。从时空分辨率及空间覆盖范围方面考虑，采用天气雷达资料来进行降水分类具有明显优势，国内外采用雷达资料来区分降水类型方面的方法较多。在国外，Churchilletal利用雷达反射率因子阈值确定对流中心，再固定一个对流中心影响的半径以确定对流云的面积。Steineretal 在Churchill的基础上将固定的影响半径改为反射率因子的函数，同时将反射率因子阈值改为局地平均背景反射率因子的函数，这对识别效果有所改进。Biggerstaffetal考虑零度层亮带的影响与对流云与层状云的三维结构特征，采用雷达反射率因子来对其进行识别。在国内，仲凌志等在Steiner 的“峰值法”的基础上，根据我国暴雨的特点，对方法中的步骤与参数设置进行了调整，实现了本地移用，并分析了降水分类在定量降水估测中的应用。王静等采用神经网络方法对雷达资料进行降水分类研究，取适当的参数时取得较好的试验效果。肖艳姣等采用模糊逻辑法对雷达回波进行了对流云与层状云的分类，结果显示分类效果较好。

前面的研究均采用单雷达资料，一方面，单雷达本身观测具有一定的局限。另一方面，对降水分类结果的检验方面大多建立在主观识别的基础上或利用其他资料(如：降水)验证，检验结果具有一定的主观性，检验范围也具有一定的局限性，一定程度上限制了实际业务应用。

发明内容

本发明为了解决上述技术问题提供基于闪电资料的对流性降水识别产品检验方法。

本发明解决上述技术问题的技术方案如下：基于闪电资料的对流性降水识别产品检验方法，包括以下几个步骤：

S1，获取组网雷达的雷达数据，并将所述雷达数据进行计算得到对流性降水识别数据；

S2，通过ADTD获取闪电数据并进行质量控制，得到优化闪电数据；

S3，将所述对流性降水识别数据和所述优化闪电数据按照预设时间间隔进行时空模糊匹配，得到对流性降水检验数据；

S4，验证所述对流性降水检验数据的正确率。

本发明的有益效果是：通过闪电资料定量检验天气雷达识别的对流性降水检验数据，并采用时空模糊匹配的方式定量检验基于雷达资料识别的对流性降水检验数据，检验结果用正确率表示，测试结果表明该方法不仅可用于对流性降水识别数据的定量检验，而且检验方法具有清楚的物理意义，在不同的时空匹配方式下的检验结果符合实际情况。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述S1中将所述雷达数据进行计算的具体步骤为：

S11,将雷达数据通过SWAN组网拼图生成组合反射率因子、回波顶高、垂直累积液态水含量；

S12，将所述组合反射率因子经过计算处理得到组合反射率因子水平梯度；

S13，将所述组合反射率因子水平梯度、所述组合反射率因子、所述回波顶高、所述垂直累积液态水含量进行模糊逻辑法处理得到所述对流性降水识别数据。

进一步，所述S12中将所述组合反射率因子经过计算处理得到组合反射率因子水平梯度的具体公式为：

GCR＝max(|lg(|Z_i+n-Z_i-n|)/(2n)|，|lg(|Z_j+n-Z_j-n|)/(2n)|)

其中，GCR为所述组合反射率因子水平梯度，Z为所述组合反射率因子的坐标，所述坐标的整体为n×n的二维格点坐标，i为X方向上的第i个格点，j为Y方向上的第j个格点。

进一步，所述S2中所述质量控制的具体方法为：剔除所述闪电数据中电流幅值为0或/和陡度为0的闪电。

进一步，所述S3中的时空模糊匹配还包括以下步骤：将所述对流性降水识别数据和所述优化闪电数据划分为多个研究区域；将所述对流性降水识别数据和所述优化闪电数据划分为多个时间起点。

进一步，所述S4中验证所述对流性降水检验数据正确率的具体方法为：检验每个所述时间起点下的每个所述研究区域中的所述对流性降水检验数据的正确率。

本发明为了解决上述技术问题还提供一种基于闪电资料的对流性降水识别产品检验系统。

其技术方案如下：一种基于闪电资料的对流性降水识别产品检验系统，包括对流性降水识别数据生成模块，用于获取组网雷达的雷达数据，并将所述雷达数据进行计算得到对流性降水识别数据；

优化闪电数据生成模块，用于通过ADTD获取闪电数据并进行质量控制，得到优化闪电数据；

对流性降水检验数据生成模块，用于将所述对流性降水识别数据和所述优化闪电数据按照预设时间间隔进行时空模糊匹配，得到对流性降水检验数据；

验证模块，用于验证所述对流性降水检验数据的正确率。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述对流性降水识别数据生成模块还用于将雷达数据通过SWAN 组网拼图生成组合反射率因子、回波顶高、垂直累积液态水含量；

将所述组合反射率因子经过计算处理得到组合反射率因子水平梯度；

将所述组合反射率因子水平梯度、所述组合反射率因子、所述回波顶高、所述垂直累积液态水含量进行模糊逻辑法处理得到所述对流性降水识别数据。

进一步，所述对流性降水识别数据生成模块在将所述组合反射率因子经过计算处理得到组合反射率因子水平梯度采用的计算公式具体为：

GCR＝max(|lg(|Z_i+n-Z_i-n|)/(2n)|，|lg(|Z_j+n-Z_j-n|)/(2n)|)

其中，GCR为所述组合反射率因子水平梯度，Z为所述组合反射率因子的坐标，所述坐标的整体为n×n的二维格点坐标，i为X方向上的第i个格点，j为Y方向上的第j个格点。

进一步，优化闪电数据生成模块还用于剔除所述闪电数据中电流幅值为 0或/和陡度为0的闪电。

进一步，对流性降水检验数据生成模块还用于将所述对流性降水识别数据和所述优化闪电数据划分为多个研究区域；将所述对流性降水识别数据和所述优化闪电数据划分为多个时间起点。

进一步，验证模块还用于检验每个所述时间起点下的每个所述研究区域中的所述对流性降水检验数据的正确率。

附图说明

图1为本发明的方法流程图；

图2为本发明实施例中检验区域及13部闪电定位仪分布示意图；

图3为本发明实施例中空间与时间匹配示意图

图4位本发明实施例中整个基于ADTD闪电和天气雷达资料的对流性降水的检验具体流程图；

图5为本发明实施例中暴雨1在半径2km的空间匹配及时间匹配为A方式的逐6min检验结果序列；

图6本发明实施例中暴雨1分别采用半径2、5、10及20km的空间匹配及时间匹配为A方式的逐6min检验结果序列；

图7发明实施例中暴雨1分别采用A、B、C及D的时间匹配方式及半径 5km的空间匹配的逐6min的正确率序列

图8位本发明的系统原理框图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，本发明实施例提供的基于闪电资料的对流性降水识别产品检验方法，包括S1，获取组网雷达的雷达数据，并将雷达数据进行计算得到对流性降水识别数据；

S2，通过ADTD获取闪电数据并进行质量控制，得到优化闪电数据；

S3，将对流性降水识别数据和优化闪电数据按照预设时间间隔进行时空模糊匹配，得到对流性降水检验数据；

S4，验证对流性降水检验数据的正确率。

在实际应用场景中，涉及到两类数据，数据有两类，一类是雷达数据，另一类是闪电数据。雷达数据是单站雷达基数据经过SWAN组网拼图生成CR、ET、VIL，并基于CR计算得到GCR。下面以参与组网的单站雷达12部为例进行说明，其型号见表1：

表1SWAN拼图雷达站点及型号

拼图产品覆盖范围包括全重庆及周边省部分地区，由于雷达观测的时间分辨率是6min左右，最后形成的拼图产品也为6min。

闪电数据是ADTD闪电资料，以重庆及周边省共13部闪电定位仪组成的探测网为例进行说明，其空间分布见图2：

其中，虚线框分别代表检验区域，西部、东北部、东南部分别用A、B、 C表示，×表示闪电定位仪

闪电位置需要多部定位仪联合确定，常用的如3站、4站定位，需要多部闪电定位仪共同的观测区域，因此其覆盖范围主要是重庆，对识别的对流性降水数据检验也主要是重庆范围内。

ADTD观测的是二维闪电信息，假定对流云降水产生闪电，且闪电与地面接通，即云闪电，且云闪电被ADTD观测定位，这样就可以用ADTD观测到的闪电来检验对流云的识别效果。

在实际定位中，由于定位方法、电磁干扰、地形地貌及数据传输等影响，一部分数据存在失真的情况，然后可参照文献曾金全的基于统计分布特征的闪电强度等级划分的方式来剔除闪电数据中电流幅值为0或/和陡度为0的闪电，以得到优化闪电数据，再将闪电处理为与雷达拼图产品时间分辨率保持一致的6min数据。

在将雷达数据和闪电数据进行匹配前需将雷达数据进行计算得到对流性降水识别数据，其中所用到的具体算法为模糊逻辑法，模糊逻辑法最早由 Zadeh提出，其最大特点是不需要识别量的具体值，仅需要识别量较宽松的分级区间，即可得到较为合适的结果，具有较强的扩充性和兼容性，在冰雹识别及云分类方面得到广泛应用。传统的FLM包括四个过程：模糊化、规则推断、集成与退模糊。FLM隶属函数采用梯形函数系的基本形式，隶属函数表达式为

其中x表示识别量，根据对流云与层状云降水特点，选取4个识别量，分别是组合反射率因子(Composite Reflectivity factor，CR)、组合反射率因子水平梯度(horizontalGradient of CR，GCR)、反射率因子等于 18dBZ的回波顶高(Echo Top，ET)、垂直累积液态水含量(Vertically Integrated Liquid Water Content，VIL)，CR是垂直方向上的最大回波强度在二维平面上的投影，反映回波的最大强度，其值的大小一定程度上表示对流发展强弱。GCR是反映最大回波的水平差异，一般层状云降水的回波在水平上的差异较小，而对流性降水回波较大。ET是18dBZ回波强度达到的最高高度，也是对流发展强弱的一个指标，一般而言，对流越强，回波发展越高，对应ET越大。VIL是将反射率因子换算成液态水含量，并在垂直方向上进行累加，包括了强回波、强回波的高度及强回波的厚度的贡献，其值越大，对应的对流性越强。GCR与VIL的计算方法表达式分别为：

GCR＝max(|lg(|Z_i+n-Z_i-n|)/(2n)|，|lg(|Z_j+n-Z_j-n|)/(2n)|)

GCR中Z表示ZCR，单位为mm6/m3，i与j分别代表x方向第i个格点与y方向的第j个格点，n表示格点数，并且当n＝2时，层状云与对流云的 GCR差异最明显，GCR的单位为dB/km。VIL中Zi与Zi+1分别是第i层与第 i+1层的反射率因子，单位是mm6/m3，Δh_i表示第i层与第i+1层之间的厚度，单位是m，VIL的单位是kg/m2。对于识别参量门限值x1与x2的取值，严格来说，门限值需要通过大量的样本统计来确定，但由于统计大量样本存在困难，且区分层状云与对流云降水的识别量也较主观，实际业务中一般结合经验给出门限值。这里通过暴雨个例中识别量的大致取值范围并结合经验及参考相关文献,具体文献可参考肖艳姣的新一代天气雷达三维组网技术及其应用研究，4个识别量门限值分别为：对于CR，x1＝25，x2＝45；对于GCR，x1＝0.4， x2＝1.0；对于ET，x1＝6，x2＝12；对于VIL，x1＝2，x2＝10。确定识别量的门限值，其模糊基函数也就确定了。在区分层状云与对流云降水时首先将识别量通过模糊基函数模糊化，再通过识别参数模糊值按照各自的权重累加得到确定值，即计算T＝k1T(CR)+k2T(GCR)+k3T(ET)+k4T(VIL)，这里取权重系数 k1＝k2＝k3＝k4＝0.25，最后将T值与设置的识别阈值比较，这里设置识别阈值为0.5，当T＞0.5时即识别为对流云降水即得到对流性降水识别数据。

接下来，将对流性降水识别数据和优化闪电数据按照预设时间间隔进行时空模糊匹配以建立检验模型，这里的预设时间间隔以6min为例。利用ADTD 闪电资料作为检验效果的实况资料，ADTD是中国科学院空间科学与应用研究中心研制的闪电定位系统，各子站探测范围250km，按150km的基线距离及一定几何形状组成的探测网，其探测效率高于85％，时间精度为0.1μm，网内探测定位精度小于300m。

需要注意的是ADTD主要探测到的是云地之间的闪电。因而实际情况中，对流云降水可能产生云间或云内闪电，在实际经验中也发现听到有雷声，而 ADTD系统上没有观测到相应的闪电。鉴于此，采用适当宽松的时间、空间匹配方法来定量检验对流云降水数据识别效果，即采用时空模糊匹配方式，而不是传统的“点对点”精确的时间和空间匹配。表1是对流云降水识别与ADTD 闪电观测列联表，正确率Rr(保留一位小数)表达式为：

其中,N_t＝N_r+N_w

其中,Nt表示与雷达观测产品匹配的6min闪电发生次数，Nr表示正确次数，Nw表示错误次数。如：在6min内研究区域内观测到10次闪电，其中 6次闪电的匹配区有对流云降水，则对该次识别效果评定正确率为60.0％。闪电与对流云采用点对面的模糊空间匹配方法，观测到的闪电对应一定范围内有对流云即为正确，否则错误。由于对流降水云体具有从几千米至几百千米的水平尺度，这里分别设模糊半径为2、5、10、20km。

在时间匹配上，首先将闪电处理成与拼图产品一致的6min间隔。由于 闪电时效性很高，设置模糊时间匹配时间起点分别为雷达拼图资料时间点的 前6min、前3min、0min及后3min。闪电与识别出的对流云的空间、时间匹 配示意图如图3所示，图3中的a表示空间匹配，在以闪电为中心半径R范 围内有识别出的对流云即为正确。图3中的b表示时间匹配，闪电与雷达拼 图均为6min间隔，闪电起始时间相对于雷达拼图起始时间分别为-6min、 -3min、0min及3min，并分别用A、B、C及D表示。按照模糊时空匹配的方 式计算逐6min的对流性降水识别数据的正确率。

表2对流云降水识别与ADTD闪电观测列联表

如图3所示：空间与时间匹配示意图，(a)空间匹配，

代表闪电位置，R表示闪电匹配的空间半径，(b)时间匹配，

代表雷达拼图产品起始时刻，其后的红色直线表示拼图产品的时间长度6min，

表示闪电资料相对于拼图产品时间的起始时刻，闪电数据的时长与雷达拼图产品一致，均为 6min，并根据其相对位置，依次用A、B、C、D表示。

然后进行基于上述方法进行实际测试，选取2015-2016年发生在重庆的 12次区域性暴雨过程为例，见表3，各暴雨过程的开始与结束时间以及对应的检验区域。这里将检验区域划分为西部、东北部、东南部，并分别用A、B、 C表示，其对应范围如图2，这样划分主要原因有2点，一是每次暴雨过程的主要降雨具有区域性特点，暴雨过程对应的检验区域即为主要的降水区，可以减少6min间隔的高频次资料处理；二是检验区域均在闪电定位仪探测网覆盖范围内，确保在检验区域内的闪电资料的全覆盖，以此作为检验资料才有意义。三个检验区对应的暴雨过程均为4次，利用12次暴雨过程的实测资料，首先应用FLM将12次暴雨过程逐6min间隔的拼图产品区分为层状云与对流云降水，得到逐6min间隔的对流性降水识别数据，再利用ADTD闪电资料在时空模糊匹配方式下检验识别数据。

表3选取的12次暴雨过程的检验时段及对应区域

整个基于ADTD闪电和天气雷达资料的对流性降水的检验具体流程如图 4所示，需要说明的是，图中虚框内的识别方法可以是其他的识别方法，对其识别的对流性降水产品同样可以利用ADTD观测资料来检验其效果，这里作为示例，检验基于组网雷达资料的模糊逻辑法识别对流性降水效果。

最终得到检验结果：图5是暴雨1在半径2km的空间匹配与A方式的时间匹配的逐6min检验结果序列图，在研究区域内观测到闪电共4369次，其中识别出对流性降水对应的有2883次，正确率为66.0％(见表4、表5)。从逐6min检验结果看，6min的闪电频次变化很大，最大达到177次，对应的有151次评定为正确，正确率为85.3％。单从正确率看，有的时次达到100％，有的为0％，正确率为100％与0％对应的闪电频次一般较低，多数在1到几次之间。在A方式的时间匹配下，不同半径(2、5、10及20km)的空间匹配的逐6min检验结果序列如图6，从图中可以看出，随着匹配半径的增大，正确率也增大，分别为66.0％、74.0％、81.8％与88.4％(见表4、表5)。图7 是在5km半径的空间匹配方式下，不同时间匹配方式的检验序列，从图中可以看出检验结果变化很小，A、B、C及D时间匹配方式逐6min的正确率非常一致，其值分别为74.0％、74.3％、74.5％及74.7％(见表4、表5)。表4、表5是在不同的时空匹配方式下的检验结果，考虑随机因素可能带来的影响，表中给出了去掉1次及≤3次闪电后的检验结果。

从表4中可以看出，无论是否去掉1次及≤3次闪电的情况，A、B、C 及D四种时间匹配下的2、5、10及20km匹配半径的平均正确率略有增大，但增大都不明显，在1％以内。在去掉1次及≤3次闪电时，正确率略有提高，约1％，对检验结果影响较小。在未去掉少频次闪电时，平均正确率分别为77.6％、77.9％、78.0％及78.2％，去掉1次闪电时，平均正确率分别为78.4％、 78.7％、78.8％及79.0％，去掉≤3次闪电时，平均正确率分别为79.5％、79.8％、 79.9％及80.1％。表5是2、5、10及20km四种匹配半径下的A、B、C及D 时间匹配的检验结果，同时也给出去掉1次及≤3次闪电时的检验结果，从表中可以看出，随着匹配半径的增大，正确率明显提高，在未去掉少频次闪电时，2km半径的空间匹配在四种时间匹配方式下的平均正确率为66.4％，5、 10及20km分别为74.4％、82.2％及88.8％。当去掉1次及≤3次闪电时，正确率依次提高1％左右，对检验结果影响较小，检验结果较稳定。

由此可见当匹配半径增大时，实际上是放宽了评定正确率的条件，正确率提高明显，符合实际情况，而在时间匹配变化不大的情况下(6min以内)，对流云的移动、变化较小，其闪电的空间时空变化不大，因而评定的正确率变化不大，也是符合实际情况。从此次暴雨过程对流云降水分类的定量评分结果看，总体评分较高，在不同的时空匹配方式下的评分结果也符合实际情况，说明对流云与层状云降水分类效果较好，同时也是对对流云降水识别定量检验的一次探索。

表6、表7是12次暴雨过程的检验结果，由于去掉1次及≤3次闪电时对检验结果影响较小，表中没有给出这两种情况的检验结果。从表中可以看出其检验结果与以上分析的暴雨1趋势完全一致，并且在12次暴雨过程的平均情况上，正确率高于暴雨1。12次暴雨过程在时间匹配方式为相对于拼图产品前6min、前3min、0min及后3min时，4种空间匹配方式的平均正确率分别为84.5％、84.7％、84.6％及84.2％。在2、5、10及20km的空间半径匹配时，4种时间匹配方式的平均正确率分别为75.1％、82.2％、87.8％与 92.8％。

表4暴雨1不同时间匹配方式在不同的空间匹配半径下的对流性降水分类定量检验结果(无处理/去掉1次闪电/去掉≤3次闪电)

表5暴雨1不同空间匹配半径方式在不同的时间匹配下的对流性降水分类定量检验结果(无处理/去掉1次闪电/去掉≤3次闪电)

表6暴雨1-12在不同的空间、时间匹配方式下的对流性降水分类正确率

表7暴雨1-12在不同的空间、时间匹配方式下的对流性降水分类正确率

如图8所示：本实施例提供一种基于闪电资料的对流性降水识别产品检验系统，包括对流性降水识别数据生成模块，用于获取组网雷达的雷达数据，并将雷达数据进行计算得到对流性降水识别数据；

优化闪电数据生成模块，用于通过ADTD获取闪电数据并进行质量控制，得到优化闪电数据；

对流性降水检验数据生成模块，用于将对流性降水识别数据和优化闪电数据按照预设时间间隔进行时空模糊匹配，得到对流性降水检验数据；

验证模块，用于验证对流性降水检验数据的正确率。

优选地，对流性降水识别数据生成模块还用于将雷达数据通过SWAN组网拼图生成组合反射率因子、回波顶高、垂直累积液态水含量；

将组合反射率因子经过计算处理得到组合反射率因子水平梯度；

将组合反射率因子水平梯度、组合反射率因子、回波顶高、垂直累积液态水含量进行模糊逻辑法处理得到对流性降水识别数据。

优选地，对流性降水识别数据生成模块在将组合反射率因子经过计算处理得到组合反射率因子水平梯度采用的计算公式具体为：

GCR＝max(|lg(|Z_i+n-Z_i-n|)/(2n)|，|lg(|Z_j+n-Z_j-n|)/(2n)|)

其中，GCR为组合反射率因子水平梯度，Z为组合反射率因子的坐标，坐标的整体为n×n的二维格点坐标，i为X方向上的第i个格点，j为Y方向上的第j个格点。

优选地，优化闪电数据生成模块还用于剔除闪电数据中电流幅值为0或 /和陡度为0的闪电。

优选地，对流性降水检验数据生成模块还用于将对流性降水识别数据和优化闪电数据划分为多个研究区域；将对流性降水识别数据和优化闪电数据划分为多个时间起点。

优选地，验证模块还用于检验每个时间起点下的每个研究区域中的对流性降水检验数据的正确率。

综上所述,基于雷达拼图产品资料，采用模糊逻辑法实现了暴雨过程中的对流云与层状云降水分类。并以发生在重庆的12次暴雨过程作为实测检验对象，得到如下结论：

(1)本发明根据对流云与层状云降水的雷达回波及其产品所表现出不同的特征，选取了组合反射率因子(CR)、组合反射率因子水平梯度(GCR)、回波顶高(ET)及垂直累积液态水含量(VIL)四个识别量，采用模糊逻辑法(FLM)实现了暴雨过程中逐6min对流性降水识别，并以此作为检验对象, 实现了对流性降水识别产品的客观定量检验。

(2)本发明提出采用ADTD闪电探测资料来定量检验对流性降水识别产品，是基于对流性降水容易产生闪电的物理基础。假设对流云降水产生闪电，并被ADTD定位观测到，以ADTD闪电作为实况数据，采用模糊时空匹配方式对对流云降水识别产品进行了定量检验。对发生在重庆的12次区域性暴雨过程进行了实测检验，结果显示：空间匹配半径分别为2km、5km、10km、20km 时，随着匹配半径的增大，正确率明显提高，分别为75.1％、82.2％、87.8％与92.8％。而6min闪电相对于6min对流性降水识别产品提前6min、3min、 0min及滞后3min四种时间匹配方式，其正确率变化很小，分别为84.5％、 84.7％、84.6％及84.2％。

本发明提出以ADTD闪电资料作为对流性降水的实况观测，采用模糊时空匹配方式，对基于SWAN拼图产品识别出的对流性降水进行了定量检验，检验本身是基于对流性降水的物理过程，具有清楚的物理意义，从检验结果分析看也具有合理性，是对对流性降水识别效果定量检验的一次探索。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.基于闪电资料的对流性降水识别产品检验方法，其特征在于，包括以下几个步骤：

S1，获取组网雷达的雷达数据，并将所述雷达数据进行计算得到对流性降水识别数据；

S2，通过ADTD获取闪电数据并进行质量控制，得到优化闪电数据；

S3，将所述对流性降水识别数据和所述优化闪电数据按照预设时间间隔进行时空模糊匹配，得到对流性降水检验数据；

S4，验证所述对流性降水检验数据的正确率；

所述S3中的时空模糊匹配还包括以下步骤：将所述对流性降水识别数据和所述优化闪电数据划分为多个研究区域；将所述对流性降水识别数据和所述优化闪电数据划分为多个时间起点；

所述S1中将所述雷达数据进行计算的具体步骤为：

S11,将雷达数据通过SWAN组网拼图生成组合反射率因子、回波顶高、垂直累积液态水含量；

S12，将所述组合反射率因子经过计算处理得到组合反射率因子水平梯度；

S13，将所述组合反射率因子水平梯度、所述组合反射率因子、所述回波顶高、所述垂直累积液态水含量进行模糊逻辑法处理得到所述对流性降水识别数据。

2.根据权利要求1所述基于闪电资料的对流性降水识别产品检验方法，其特征在于，所述S12中将所述组合反射率因子经过计算处理得到组合反射率因子水平梯度的具体公式为：

GCR＝max(|lg(|Z_i+n-Z_i-n|)/(2n)|，|lg(|Z_j+n-Z_j-n|)/(2n)|)

其中，GCR为所述组合反射率因子水平梯度，Z为所述组合反射率因子的坐标，所述坐标的整体为n×n的二维格点坐标，i为X方向上的第i个格点，j为Y方向上的第j个格点。

3.根据权利要求1所述基于闪电资料的对流性降水识别产品检验方法，其特征在于，所述S2中所述质量控制的具体方法为：剔除所述闪电数据中电流幅值为0或/和陡度为0的闪电。

4.根据权利要求1所述基于闪电资料的对流性降水识别产品检验方法，其特征在于，所述S4中验证所述对流性降水检验数据正确率的具体方法为：检验每个所述时间起点下的每个所述研究区域中的所述对流性降水检验数据的正确率。

5.基于闪电资料的对流性降水识别产品检验系统，其特征在于，包括：

对流性降水识别数据生成模块，用于获取组网雷达的雷达数据，并将所述雷达数据进行计算得到对流性降水识别数据；

优化闪电数据生成模块，用于通过ADTD获取闪电数据并进行质量控制，得到优化闪电数据；

对流性降水检验数据生成模块，用于将所述对流性降水识别数据和所述优化闪电数据按照预设时间间隔进行时空模糊匹配，得到对流性降水检验数据；

验证模块，用于验证所述对流性降水检验数据的正确率；

所述对流性降水检验数据生成模块，还用于将所述对流性降水识别数据和所述优化闪电数据划分为多个研究区域；将所述对流性降水识别数据和所述优化闪电数据划分为多个时间起点；所述对流性降水识别数据生成模块还用于将雷达数据通过SWAN组网拼图生成组合反射率因子、回波顶高、垂直累积液态水含量；

将所述组合反射率因子经过计算处理得到组合反射率因子水平梯度；

将所述组合反射率因子水平梯度、所述组合反射率因子、所述回波顶高、所述垂直累积液态水含量进行模糊逻辑法处理得到所述对流性降水识别数据。

6.根据权利要求5所述基于闪电资料的对流性降水识别产品检验系统，其特征在于，

所述对流性降水识别数据生成模块将所述组合反射率因子经过计算处理得到组合反射率因子水平梯度时所用的具体计算公式为：

GCR＝max(|lg(|Z_i+n-Z_i-n|)/(2n)|，|lg(|Z_j+n-Z_j-n|)/(2n)|)

其中，GCR为所述组合反射率因子水平梯度，Z为所述组合反射率因子的坐标，所述坐标的整体为n×n的二维格点坐标，i为X方向上的第i个格点，j为Y方向上的第j个格点。

7.根据权利要求5所述基于闪电资料的对流性降水识别产品检验系统，其特征在于，所述优化闪电数据生成模块，还用于剔除所述闪电数据中电流幅值为0或/和陡度为0的闪电；

所述验证模块还用于检验每个所述时间起点下的每个所述研究区域中的所述对流性降水检验数据的正确率。

Images