CN110346800A - 一种基于双偏振天气雷达体扫数据的雷暴识别方法 - Google Patents

一种基于双偏振天气雷达体扫数据的雷暴识别方法 Download PDF

Info

Publication number
CN110346800A
CN110346800A CN201910734332.5A CN201910734332A CN110346800A CN 110346800 A CN110346800 A CN 110346800A CN 201910734332 A CN201910734332 A CN 201910734332A CN 110346800 A CN110346800 A CN 110346800A
Authority
CN
China
Prior art keywords
thunderstorm
echo
strong
cappi
total number
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
Application number
CN201910734332.5A
Other languages
English (en)
Other versions
CN110346800B (zh
Inventor
韦一
杨波
高细桥
谭学
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Jinjiang Electronic System Engineering Co Ltd
Original Assignee
Chengdu Jinjiang Electronic System Engineering Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Jinjiang Electronic System Engineering Co Ltd filed Critical Chengdu Jinjiang Electronic System Engineering Co Ltd
Publication of CN110346800A publication Critical patent/CN110346800A/zh
Application granted granted Critical
Publication of CN110346800B publication Critical patent/CN110346800B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种基于双偏振天气雷达体扫数据的雷暴识别方法，本方法包括组合反射率强回波区识别，CAPPI水平尺度筛选、回波强度约束，CAPPI粒子类型约束等过程。为得到最优识别参数，对312个雷暴单体的雷达回波进行了识别检验，检验了CAPPI不同温度层结高度（0℃，‑10℃，‑15℃）不同强回波区域反射率因子识别阈值（30dBZ，35dBZ，40dBZ）以及霰粒子区域尺度（1km2，2km2，3km2）对识别结果的影响。结果表明，在组合反射率以40dBZ为强回波区识别阈值，CAPPI 0℃层结高度层强回波区域反射率因子识别阈值为30dBZ，霰粒子区筛选阈值为2km2时，可得到最优的雷暴识别结果，识别准确度达到91%以上，识别虚警率仅为6.9%，临界成功指数为85.3%。

Description

一种基于双偏振天气雷达体扫数据的雷暴识别方法
技术领域
本发明涉及雷达领域，具体涉及一种基于双偏振天气雷达体扫数据的雷暴识别方法。
背景技术
由于雷暴生命周期短、范围小，而业务数值预报模式时空扩展性小以及水平和垂直分辨率较低，所以雷暴预警预报是天气预报中较困难的工作之一，也是气象部门所面临的难点和挑战。由于强对流天气的发生、发展具有突发性和局地性，因此雷电预警更多地借助于天气雷达实时监测手段。
目前基于天气雷达对雷暴进行识别的技术方法主要包括以下几个方面：
(1)建立回波顶高、垂直累积液态水含量(VIL)与闪电频数的分布关系。统计分析发现:初闪发生时，回波顶高度达到9km以上，VIL达到25kg/m以上。
(2)40dBZ强度的回波发展高度是否达到7km是判别有无雷暴的指标之一，在7km高度的CAPPI图像上，回波强度大于等于40dBZ的区域与闪电区域有一定的对应关系。
(3)建立雷达强回波中心、回波顶高、垂直液态水含量、7km高度的回波强度与闪电概率之间的关系，通过模糊逻辑的方法完成雷暴识别。
针对以上方法进行的应用统计结果分析，雷暴识别准确率一般不超过80％，很难做到对雷暴的精确预警。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于双偏振天气雷达体扫数据的雷暴识别方法，以提高雷暴识别准确率。
本发明的目的是通过以下技术方案来实现的：
一种基于双偏振天气雷达体扫数据的雷暴识别方法，该方法包括：
S1：以双偏振雷达体扫数据作为输入量，完成数据解析；
S2：组合反射率强回波区域识别；
1)利用体扫回波数据各层的反射率因子生成组合反射率数据；
2)通过设定的反射率因子阈值，利用组合反射率数据进行雷达回波强中心搜索；
3)通过设定的区域尺度因子A1阈值，对组合反射率数据雷达回波强中心进行区域尺度筛选，筛选出区域尺度大于区域尺度因子A1的回波区域，筛选结果为构成待定雷暴区域集合C1；
S3：CAPPI水平尺度筛选；
1)利用解析得到的体扫数据，生成各温度层结高度CAPPI反射率因子和粒子识别结果数据；
2)利用某温度层结高度CAPPI反射率因子进行雷达回波强中心搜索；
S4：回波强度约束；
通过设定的区域尺度因子A2阈值，对CAPPI反射率因子雷达回波强中心进行区域尺度筛选，筛选出区域尺度大于区域尺度因子A2的回波区域，构成区域集合CT；
S5：CAPPI粒子类型约束；
利用粒子识别结果对上一步的筛选结果进行进一步的约束粒子类型筛选，在区域集合CT中筛选出约束粒子类型尺度范围大于设定面积阈值APTh的区域，构成待定雷暴区域集合C2；
S6：将待定雷暴区域集合C1与待定雷暴区域集合C2进行匹配，当集合C2中某区域中心的水平投影落在集合C1中某区域的范围内时，判断为匹配成功，将C1对应的待定雷暴区域确定为雷暴单体。
进一步的，所述雷达回波强中心搜索的具体步骤为：
S01：强回波点提取
设组合反射率雷达回波图和CAPPI反射率因子回波图为分辨率为H×V的图像，则图像共包含H×V个像素点，由ZH(H,V)表示各像素点的雷达回波反射率因子值，当ZH(i,j)>ZTh时，ZH(i,j)即为强回波点，其中，i为回波图横坐标，j为回波图纵坐标，0<i<H，0<j<V，ZTh为强回波中心搜索阈值，通过强回波中心提取后得到回波图像的强回波点集合ZHC，各强回波点表示为ZHC(i，j)；
S02：强回波段合成
在横向或纵向上，逐点对上一步骤得到的强回波点集合ZHC进行相邻点合并，构成横向或纵向强回波段集合，表示为ZHS(N)，N为强回波段集合大小，以纵向强回波段为例，强回波段ZHS(x)是由多个横坐标相同，在纵向坐标位置连续的点构成的一维回波数据点集合，当某强回波点ZHC(i，j)为孤立点时，则判定该回波点为无效点，直接删除；
S03：强回波区域合成
对强回波段合成后得到的强回波段集合ZHS(N)进行相邻强回波段合成，即可构成强回波区域集合ZHA(M)，M为强回波区域集合大小，当某强回波段ZHS(x)为孤立强回波段时，则判定该回波段为无效回波段，直接删除，强回波区域合成后，可利用边界点识别算法提取各强回波区域的边界点。
进一步的，所述约束粒子类型筛选的步骤为：
以ZH,ZDR,KDP,ρhv及温度廓线T为输入参量，通过模糊化、规则判断、最大集成法集成、退模糊等步骤实现对粒子类型对识别；
所述模糊化的隶属函数，表达式如下：
进一步的，所述粒子类型分为毛毛雨、小到中雨、大雨、干雪、湿雪、冰晶、干霰、湿霰、小湿雹、大冰雹和雨雹。
进一步的，所述约束粒子类型筛选主要是指选取与雷暴起电最为密切的霰粒子。
进一步的，所述组合反射率数据的反射率因子识别阈值为30dBZ、35dBZ、40dBZ，所述设定的反射率因子阈值为40dBZ。
进一步的，所述各温度层结高度包括0℃、-10℃、-15℃。
进一步的，所述区域尺度因子A1阈值和区域尺度因子A2阈值的取值为1km2、2km2、3km2，所述面积阈值APTh的取值为2km2。
进一步的，所述步骤S3中，CAPPI反射率因子的取值为30dBZ。
进一步的，所述组合反射率回波图以区域尺度因子A1，CAPPI回波图中区域尺度因子A2为阈值进行筛选，当强回波区域的积分面积小于对应的区域尺度因子时，强回波区域集合中删除该区域。
本发明的有益效果是：本方法包括组合反射率强回波区识别，CAPPI水平尺度筛选、回波强度约束，CAPPI粒子类型约束等过程。为得到最优识别参数，对312个雷暴单体的雷达回波进行了识别检验，检验了CAPPI不同温度层结高度(0℃，-10℃，-15℃)不同强回波区域反射率因子识别阈值(30dBZ，35dBZ，40dBZ)以及霰粒子区域尺度(1km2，2km2，3km2)对识别结果的影响。结果表明，在组合反射率以40dBZ为强回波区识别阈值，CAPPI0℃层结高度层强回波区域反射率因子识别阈值为30dBZ，霰粒子区筛选阈值为2km2时，可得到最优的雷暴识别结果，识别准确度达到91％以上，识别虚警率仅为6.9％，临界成功指数为85.3％。
附图说明
图1为本发明的流程示意图；
图2为本发明模糊逻辑算法粒子识别流程；
图3为雷达回波雷暴识别结果检验图；
图4为ZTh＝30dBZ的雷暴识别结果统计图；
图5为ZTh＝35dBZ的雷暴识别结果统计图；
图6为ZTh＝30dBZ的雷暴识别结果统计图。
具体实施方式
下面结合具体实施例进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下。
如图1所示，一种基于双偏振天气雷达体扫数据的雷暴识别方法，该方法包括：
S1：以双偏振雷达体扫数据作为输入量，完成数据解析；
S2：组合反射率强回波区域识别；
1)利用体扫回波数据各层的反射率因子生成组合反射率数据，其中反射率因子识别阈值为30dBZ、35dBZ、40dBZ；
2)通过设定的反射率因子阈值40dBZ，利用组合反射率数据进行雷达回波强中心搜索；
3)通过设定的区域尺度因子A1阈值(1km2、2km2、3km2)，对组合反射率数据雷达回波强中心进行区域尺度筛选，约束粒子类型筛选主要是指选取与雷暴起电最为密切的霰粒子，筛选出区域尺度大于区域尺度因子A1的回波区域，筛选结果为构成待定雷暴区域集合C1；
S3：CAPPI水平尺度筛选；
1)利用解析得到的体扫数据，生成0℃温度层结、-10℃温度层结、-15℃温度层结高度CAPPI反射率因子和粒子识别结果数据；
2)利用0℃温度层结高度CAPPI反射率因子进行雷达回波强中心搜索，其中CAPPI反射率因子的取值为30dBZ；
S4：回波强度约束；
通过设定的区域尺度因子A2阈值(1km2、2km2、3km2)，对CAPPI反射率因子雷达回波强中心进行区域尺度筛选，筛选出区域尺度大于区域尺度因子A2的回波区域，构成区域集合CT；
由于雷暴单体的尺度一般在几公里到上百公里，对应尺度过小的区域，可通过区域尺度筛选是将其判断为非雷暴区域。雷暴识别算法总体流程中，组合反射率回波图和CAPPI回波图中都采用了区域尺度筛选，对尺度过小的区域进行筛选。在组合反射率回波图以区域尺度因子A1，CAPPI回波图中区域尺度因子A2为阈值进行筛选，当强回波区域的积分面积小于对应的区域尺度因子时，强回波区域集合中删除该区。
S5：CAPPI粒子类型约束；
利用粒子识别结果对上一步的筛选结果进行进一步的约束粒子类型筛选，在区域集合CT中筛选出约束粒子类型尺度范围大于设定面积阈值APTh的区域，其中APTh取值为2km2，构成待定雷暴区域集合C2；
S6：将待定雷暴区域集合C1与待定雷暴区域集合C2进行匹配，当集合C2中某区域中心的水平投影落在集合C1中某区域的范围内时，判断为匹配成功，将C1对应的待定雷暴区域确定为雷暴单体。
进一步的，雷达回波强中心搜索的具体步骤为：
S01：强回波点提取
设组合反射率雷达回波图和CAPPI反射率因子回波图为分辨率为H×V的图像，则图像共包含H×V个像素点，由ZH(H,V)表示各像素点的雷达回波反射率因子值，当ZH(i,j)>ZTh时，ZH(i,j)即为强回波点，其中，i为回波图横坐标，j为回波图纵坐标，0<i<H，0<j<V，ZTh为强回波中心搜索阈值，通过强回波中心提取后得到回波图像的强回波点集合ZHC，各强回波点表示为ZHC(i，j)；
S02：强回波段合成
在横向或纵向上，逐点对上一步骤得到的强回波点集合ZHC进行相邻点合并，构成横向或纵向强回波段集合，表示为ZHS(N)，N为强回波段集合大小，以纵向强回波段为例，强回波段ZHS(x)是由多个横坐标相同，在纵向坐标位置连续的点构成的一维回波数据点集合，当某强回波点ZHC(i，j)为孤立点时，则判定该回波点为无效点，直接删除；
S03：强回波区域合成
对强回波段合成后得到的强回波段集合ZHS(N)进行相邻强回波段合成，即可构成强回波区域集合ZHA(M)，M为强回波区域集合大小，当某强回波段ZHS(x)为孤立强回波段时，则判定该回波段为无效回波段，直接删除，强回波区域合成后，可利用边界点识别算法提取各强回波区域的边界点。
雷暴识别过程中，一个重要步骤为约束粒子类型筛选，即利用某个温度高度层上霰粒子的分布对CAPPI强回波区域进行进一步筛选。因此，该雷暴识别算法的前提是完成水成物粒子识别，本文利用基于ZH,ZDR,KDP,ρhv及温度廓线参数的模糊逻辑法对粒子类型进行了识别，粒子类型识别的模糊逻辑法基本流程如图2所示：
以ZH,ZDR,KDP,ρhv及温度廓线T为输入参量，通过模糊化、规则判断、最大集成法集成、退模糊等步骤实现对粒子类型对识别，即采用上述的隶属函数，计算各粒子类型的判别值(0-1)，判别值越大，对应为某粒子的可能性越大，取最大的判别值，完成退模糊，即可完成粒子的识别。
粒子类型分为毛毛雨、小到中雨、大雨、干雪、湿雪、冰晶、干霰、湿霰、小湿雹、大冰雹和雨雹；
模糊化的隶属函数采用梯形函数，表达式如下：
其中，确定每个隶属函数中参数X1、X2、X3和X4是模糊逻辑算法判断粒子类型的关键。11种粒子类型隶属函数中参数取值如下表1：
表1粒子相态隶属函数参数设置
根据表1，分别计算各个回波点的特征量，并根据相应的隶属函数，计算各自的判据，对每个点的判据进行叠加平均，得到判别值越大，代表该回波粒子类型的可能性就越大。
为检验上述雷暴识别算法的有效性，利用表2所示天气过程的雷达回波数据和闪电定位数据进行验证。此外，粒子识别算法中所需的环境温度以及CAPPI图像生成中所需的温度层结高度数据来源于南京探空站(站点代码：58238；经纬度：32°N，118°48′E)每天于北京时间8:00及20:00发布的探空数据。
表2样本资料简要说明
日期 天气简要描述 日期 天气简要描述
2014.06.01 强雷暴 2015.6.24 非雷暴降水
2014.07.05 弱雷暴 2015.06.26 暴雨弱雷暴
2014.07.12 强雷暴 2015.06.27 暴雨弱雷暴
2014.07.27 强雷暴 2015.06.28 非雷暴强降水
2014.07.31 弱雷暴 2015.06.29 强降水弱雷暴
2014.08.06 强雷暴 2015.07.12 强雷暴
2014.08.24 强雷暴 2015.07.23 弱雷暴
2014.08.31 弱雷暴 2015.07.25 非雷暴强降水
2014.11.27 冬季雷暴 2015.08.29 局地弱雷暴
2015.6.16 弱雷暴和非雷暴降水 2015.08.31 局地强雷暴
根据上述雷暴识别算法流程，将组合反射率强回波中心搜索阈值设为固定值40dBZ，即设定的反射率因子阈值为40dBZ，CAPPI区域尺度因子A2阈值设为固定值1km2；此外，识别过程中还需要设置CAPPI反射率图像为强回波中心搜索阈值ZTh，温度层结高度以及霰粒子积分面积阈值APTh，这3种参数可以构成27种参数组合，本文利用各参数组合对表1所示的天气过程进行了雷暴识别检验，检验结果如表3所示，表中Total列为检验数据中实际的雷暴区域总数，R1，R2和R3分别为识别准确数，漏警数和虚警数，探测概率POD(Probability ofdetection)＝R1/Total，漏警率MR(Missrate)＝R2/Total，虚警率FAR(Falsealarm rate)＝R3/(R1+R3)，临界成功指数CSI(Criticalsuccessindex)＝R1/(R1+R2+R3)。检验过程中，利用上述识别雷暴算法结合识别参数组合，生成识别结果回波图像，再将雷达回波数据对应时段的闪电定位结果叠加到识别结果回波图像上，如图3所示，图中椭圆内的强回波区为通过上述识别算法自动计算得到的雷暴区域；当闪电定位结果落在雷暴识别的区域时，判定雷暴识别结果准确，相应R1增加1；当某区域有闪电发生，但未识别为雷暴区域时，判定为漏警，相应R2增加1；当某区域被识别为雷暴区域，但该区域没有闪电发生时，判定为虚警，相应R3增加1。
表3中参数组合中，可按序号为1～9、10～18、19～27三组，分别表示CAPPI图像在0℃、-10℃、-15℃层高度上ZTh为30dBZ、35dBZ、40dBZ的参数组合，为得到直观的结果，将三组参数组合识别得到的POD、MR、FAR及CSI以柱状图的形式绘制在图4-6中。由图4-6可以看出，以ZTh为30dBZ、35dBZ能够得到较好的识别结果，ZTh等于40dBZ时，所有参数组合得到的FAR都为0，说明在这样的识别参数组合中，只要对流区域的CAPPI对应高度反射率因子ZH只要达到40dBZ，就一定是雷暴，但40dBZ的识别阈值过高，导致FOD太低，MR过高。在ZTh为30dBZ、35dBZ，HT为0℃时(对应的参数组合1～3和10～12)能够得到较好的识别结果，识别POD达到88％以上，FAR在12％以下，CSI超过了83％。APTh的影响相对较小，且随APTh增大，POD减小，FAR减小。以CSI为标准进行识别能力判别，第二组参数组合(ZTh＝30dBZ,HT＝0℃,APTh＝2km2)能够给出最优的识别结果。
根据以上统计结果可以看出，以霰粒子在某温度层结高度上的进行面积积分，将积分面积作为雷暴识别的基本指标是合理的，且能够得到较好的识别结果，这与雷暴的非感应起电机制相吻合。又由于不同雷暴的对流发展不同，导致不同雷暴在不同的温度层结高度的霰粒子积分面积不同，对流越旺盛，越有利于霰粒子的生成，且霰粒子分布区域能够达到的高度越高，在云内产生的电荷量越大，雷暴的闪电活动也越剧烈。在将-10℃或-15℃高度层的霰粒子积分面积作为识别参数时，尽管识别POD较低，但FAR几乎为0，识别到的雷暴区域是所有雷暴区域中闪电活动相对较为剧烈的区域，因此，以强雷暴筛选为目的时，可以选择相应的参数组合。
以上仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (10)

1.一种基于双偏振天气雷达体扫数据的雷暴识别方法，其特征在于，该方法包括：
S1：以双偏振雷达体扫数据作为输入量，完成数据解析；
S2：组合反射率强回波区域识别；
1)利用体扫回波数据各层的反射率因子生成组合反射率数据；
2)通过设定的反射率因子阈值，利用组合反射率数据进行雷达回波强中心搜索；
3)通过设定的区域尺度因子A1阈值，对组合反射率数据雷达回波强中心进行区域尺度筛选，筛选出区域尺度大于区域尺度因子A1的回波区域，筛选结果为构成待定雷暴区域集合C1；
S3：CAPPI水平尺度筛选；
1)利用解析得到的体扫数据，生成各温度层结高度CAPPI反射率因子和粒子识别结果数据；
2)利用某温度层结高度CAPPI反射率因子进行雷达回波强中心搜索；
S4：回波强度约束；
通过设定的区域尺度因子A2阈值，对CAPPI反射率因子雷达回波强中心进行区域尺度筛选，筛选出区域尺度大于区域尺度因子A2的回波区域，构成区域集合CT；
S5：CAPPI粒子类型约束；
利用粒子识别结果对上一步的筛选结果进行进一步的约束粒子类型筛选，在区域集合CT中筛选出约束粒子类型尺度范围大于设定面积阈值APTh的区域，构成待定雷暴区域集合C2；
S6：将待定雷暴区域集合C1与待定雷暴区域集合C2进行匹配，当集合C2中某区域中心的水平投影落在集合C1中某区域的范围内时，判断为匹配成功，将C1对应的待定雷暴区域确定为雷暴单体。
2.根据权利要求1所述的一种基于双偏振天气雷达体扫数据的雷暴识别方法，其特征在于，所述雷达回波强中心搜索的具体步骤为：
S01：强回波点提取
设组合反射率雷达回波图和CAPPI反射率因子回波图为分辨率为H×V的图像，则图像共包含H×V个像素点，由ZH(H,V)表示各像素点的雷达回波反射率因子值，当ZH(i,j)>ZTh时，ZH(i,j)即为强回波点，其中，i为回波图横坐标，j为回波图纵坐标，0<i<H，0<j<V，ZTh为强回波中心搜索阈值，通过强回波中心提取后得到回波图像的强回波点集合ZHC，各强回波点表示为ZHC(i，j)；
S02：强回波段合成
在横向或纵向上，逐点对上一步骤得到的强回波点集合ZHC进行相邻点合并，构成横向或纵向强回波段集合，表示为ZHS(N)，N为强回波段集合大小，以纵向强回波段为例，强回波段ZHS(x)是由多个横坐标相同，在纵向坐标位置连续的点构成的一维回波数据点集合，当某强回波点ZHC(i，j)为孤立点时，则判定该回波点为无效点，直接删除；
S03：强回波区域合成
对强回波段合成后得到的强回波段集合ZHS(N)进行相邻强回波段合成，即可构成强回波区域集合ZHA(M)，M为强回波区域集合大小，当某强回波段ZHS(x)为孤立强回波段时，则判定该回波段为无效回波段，直接删除，强回波区域合成后，可利用边界点识别算法提取各强回波区域的边界点。
3.根据权利要求2所述的一种基于双偏振天气雷达体扫数据的雷暴识别方法，其特征在于，所述约束粒子类型筛选的步骤为：
以ZH,ZDR,KDP,ρhv及温度廓线T为输入参量，通过模糊化、规则判断、最大集成法集成、退模糊等步骤实现对粒子类型对识别；
所述模糊化的隶属函数，表达式如下：
4.根据权利要求3所述的一种基于双偏振天气雷达体扫数据的雷暴识别方法，其特征在于，所述粒子类型分为毛毛雨、小到中雨、大雨、干雪、湿雪、冰晶、干霰、湿霰、小湿雹、大冰雹和雨雹。
5.根据权利要求1所述的一种基于双偏振天气雷达体扫数据的雷暴识别方法，其特征在于，所述约束粒子类型筛选主要是指选取与雷暴起电最为密切的霰粒子。
6.根据权利要求1所述的一种基于双偏振天气雷达体扫数据的雷暴识别方法，其特征在于，所述组合反射率数据的反射率因子识别阈值为30dBZ、35dBZ、40dBZ，所述设定的反射率因子阈值为40dBZ。
7.根据权利要求6所述的一种基于双偏振天气雷达体扫数据的雷暴识别方法，其特征在于，所述各温度层结高度包括0℃、-10℃、-15℃。
8.根据权利要求7所述的一种基于双偏振天气雷达体扫数据的雷暴识别方法，其特征在于，所述区域尺度因子A1阈值和区域尺度因子A2阈值的取值为1km2、2km2、3km2，所述面积阈值APTh的取值为2km2。
9.根据权利要求8所述的一种基于双偏振天气雷达体扫数据的雷暴识别方法，其特征在于，所述步骤S3中，CAPPI反射率因子的取值为30dBZ。
10.根据权利要求9所述的一种基于双偏振天气雷达体扫数据的雷暴识别方法，其特征在于，所述组合反射率回波图以区域尺度因子A1，CAPPI回波图中区域尺度因子A2为阈值进行筛选，当强回波区域的积分面积小于对应的区域尺度因子时，强回波区域集合中删除该区域。
CN201910734332.5A 2019-04-02 2019-08-09 一种基于双偏振天气雷达体扫数据的雷暴识别方法 Active CN110346800B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910263350 2019-04-02
CN201910263350X 2019-04-02

Publications (2)

Publication Number Publication Date
CN110346800A true CN110346800A (zh) 2019-10-18
CN110346800B CN110346800B (zh) 2021-08-17

Family

ID=68184455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910734332.5A Active CN110346800B (zh) 2019-04-02 2019-08-09 一种基于双偏振天气雷达体扫数据的雷暴识别方法

Country Status (1)

Country Link
CN (1) CN110346800B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110907708A (zh) * 2019-12-09 2020-03-24 国网江苏省电力有限公司电力科学研究院 一种雷电预警方法
CN111337928A (zh) * 2020-03-20 2020-06-26 厦门市气象台(厦门市海洋气象台、海峡气象开放实验室) 一种雷达回波移动信息计算方法和装置
CN112596058A (zh) * 2021-03-03 2021-04-02 南京信息工程大学 一种基于三维雷达探测数据的闪电落区识别方法
CN113466856A (zh) * 2021-08-04 2021-10-01 广州市气象台 基于x波段双偏振相控阵雷达的林火早期识别与预警方法
CN113933845A (zh) * 2021-10-18 2022-01-14 南京气象科技创新研究院 一种基于双线偏振雷达的地面降雹识别和预警方法
CN115792918A (zh) * 2022-12-07 2023-03-14 中国民用航空飞行学院 基于多源数据融合的配料法识别航空对流风险区的方法
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
CN116975716A (zh) * 2023-07-31 2023-10-31 云南省大气探测技术保障中心 一种基于天气雷达的重要天气识别方法和系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11304913A (ja) * 1998-04-24 1999-11-05 Matsushita Electric Works Ltd ドップラーセンサ
US7307577B1 (en) * 2006-09-28 2007-12-11 Rockwell Collins, Inc. Storm top detection
US20110001662A1 (en) * 2009-07-03 2011-01-06 Airbus Operations (Sas) Process and a device for automatically determining meteorological conditions in the vicinity of an aircraft
US20110148694A1 (en) * 2009-12-17 2011-06-23 Honeywell International Inc. Systems and methods for infering hail and lightning using an airborne weather radar volumetric buffer
CN107238826A (zh) * 2017-06-09 2017-10-10 杨波 利用双偏振多普勒天气雷达回波反演雷暴电荷分布的方法
CN107843884A (zh) * 2017-09-13 2018-03-27 成都信息工程大学 基于双偏振雷达观测提高雷暴天气预警预报准确度的方法
CN108761408A (zh) * 2018-06-24 2018-11-06 中国气象局上海台风研究所 一种评估地基天气雷达非降水回波识别算法效果的方法
CN108802733A (zh) * 2018-06-15 2018-11-13 安徽诺安信息科技有限公司 一种基于气象雷达数据对冰雹探测的算法
CN108896995A (zh) * 2018-08-03 2018-11-27 中国航空工业集团公司雷华电子技术研究所 一种机载气象雷达雷暴识别方法
CN109116358A (zh) * 2018-08-09 2019-01-01 成都信息工程大学 基于新一代天气雷达的冰雹识别及落区预报方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11304913A (ja) * 1998-04-24 1999-11-05 Matsushita Electric Works Ltd ドップラーセンサ
US7307577B1 (en) * 2006-09-28 2007-12-11 Rockwell Collins, Inc. Storm top detection
US20110001662A1 (en) * 2009-07-03 2011-01-06 Airbus Operations (Sas) Process and a device for automatically determining meteorological conditions in the vicinity of an aircraft
US20110148694A1 (en) * 2009-12-17 2011-06-23 Honeywell International Inc. Systems and methods for infering hail and lightning using an airborne weather radar volumetric buffer
CN107238826A (zh) * 2017-06-09 2017-10-10 杨波 利用双偏振多普勒天气雷达回波反演雷暴电荷分布的方法
CN107843884A (zh) * 2017-09-13 2018-03-27 成都信息工程大学 基于双偏振雷达观测提高雷暴天气预警预报准确度的方法
CN108802733A (zh) * 2018-06-15 2018-11-13 安徽诺安信息科技有限公司 一种基于气象雷达数据对冰雹探测的算法
CN108761408A (zh) * 2018-06-24 2018-11-06 中国气象局上海台风研究所 一种评估地基天气雷达非降水回波识别算法效果的方法
CN108896995A (zh) * 2018-08-03 2018-11-27 中国航空工业集团公司雷华电子技术研究所 一种机载气象雷达雷暴识别方法
CN109116358A (zh) * 2018-08-09 2019-01-01 成都信息工程大学 基于新一代天气雷达的冰雹识别及落区预报方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FUKAO S 等: ""Dual Polarization radar observation of thunderclouds on the coast of the Sea of Japan in the winter season"", 《GEOPHYS.RES.LETT》 *
SUKMIN YOON 等: ""Flood flow simulation using CMAX radar rainfall estimates in orographic basins"", 《METEORLOGICAL APPLICATIONS》 *
李超: ""双偏振多普勒天气雷达探测雷电的初步研究"", 《气象与环境科学》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110907708A (zh) * 2019-12-09 2020-03-24 国网江苏省电力有限公司电力科学研究院 一种雷电预警方法
CN111337928A (zh) * 2020-03-20 2020-06-26 厦门市气象台(厦门市海洋气象台、海峡气象开放实验室) 一种雷达回波移动信息计算方法和装置
CN111337928B (zh) * 2020-03-20 2021-09-28 厦门市气象台(厦门市海洋气象台、海峡气象开放实验室) 一种雷达回波移动信息计算方法和装置
CN112596058A (zh) * 2021-03-03 2021-04-02 南京信息工程大学 一种基于三维雷达探测数据的闪电落区识别方法
CN112596058B (zh) * 2021-03-03 2021-06-01 南京信息工程大学 一种基于三维雷达探测数据的闪电落区识别方法
CN113466856A (zh) * 2021-08-04 2021-10-01 广州市气象台 基于x波段双偏振相控阵雷达的林火早期识别与预警方法
CN113933845A (zh) * 2021-10-18 2022-01-14 南京气象科技创新研究院 一种基于双线偏振雷达的地面降雹识别和预警方法
CN113933845B (zh) * 2021-10-18 2024-05-28 南京气象科技创新研究院 一种基于双线偏振雷达的地面降雹识别和预警方法
CN115792918A (zh) * 2022-12-07 2023-03-14 中国民用航空飞行学院 基于多源数据融合的配料法识别航空对流风险区的方法
CN115792918B (zh) * 2022-12-07 2023-09-05 中国民用航空飞行学院 基于多源数据融合的配料法识别航空对流风险区的方法
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
CN116975716A (zh) * 2023-07-31 2023-10-31 云南省大气探测技术保障中心 一种基于天气雷达的重要天气识别方法和系统
CN116975716B (zh) * 2023-07-31 2024-06-07 云南省大气探测技术保障中心 一种基于天气雷达的重要天气识别方法和系统

Also Published As

Publication number Publication date
CN110346800B (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
CN110346800A (zh) 一种基于双偏振天气雷达体扫数据的雷暴识别方法
CN104899437B (zh) 强降雨型滑坡灾害预警方法
CN110263705A (zh) 面向遥感技术领域两期高分辨率遥感影像变化检测方法
CN110263717A (zh) 一种融入街景影像的土地利用类别确定方法
CN107526083B (zh) 一种基于天气雷达数据的强对流风力等级预测方法
CN109165693B (zh) 一种适用于露、霜和结冰的天气现象的自动判识方法
Wei et al. Hotspots Infrared detection of photovoltaic modules based on Hough line transformation and Faster-RCNN approach
CN109919875A (zh) 一种高时频遥感图像特征辅助的居民地提取与分类方法
CN104036239A (zh) 基于特征融合和聚类的高分辨sar图像快速舰船检测方法
CN109946762A (zh) 一种基于概率分布短时预报降水的方法及系统
CN104200081B (zh) 基于历史数据的登陆台风特征因子的预报方法及系统
CN111366931A (zh) 一种基于云雷达的云降水精细化反演方法
KR101255736B1 (ko) 단일편파 레이더를 이용한 기상 및 비기상 에코 분류 방법
CN115271255A (zh) 基于知识图谱和机器学习的雨洪相似性分析方法和系统
CN113469278B (zh) 一种基于深度卷积神经网络的强天气目标识别方法
CN113866770B (zh) 一种冰雹云早期识别方法及存储介质
CN110362907A (zh) 基于ssd神经网络输电线路目标缺陷识别与诊断方法
CN104237890A (zh) 一种由“列车效应”引起的暴雨识别及预报方法
CN110570462A (zh) 基于极化雷达遥感影像的洪水淹没范围自动提取方法
CN117518299B (zh) 一种分类强对流临近概率预报方法、系统、设备及终端
CN114254692B (zh) 基于多源闪电数据的多尺度的雷暴智能分类与识别方法
Zuo et al. Identification of convective and stratiform clouds based on the improved DBSCAN clustering algorithm
CN107480867A (zh) 自适应变尺度干旱评价模型及评价方法
CN107066501A (zh) 一种基于道路相似性的机动车尾气遥测设备布点方法
CN115048986B (zh) 一种基于多分类器动态剪枝选择的地表冻融状态分类方法

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