CN110515081B - 一种雷达回波零度层亮带智能识别预警方法 - Google Patents
一种雷达回波零度层亮带智能识别预警方法 Download PDFInfo
- Publication number
- CN110515081B CN110515081B CN201910560579.XA CN201910560579A CN110515081B CN 110515081 B CN110515081 B CN 110515081B CN 201910560579 A CN201910560579 A CN 201910560579A CN 110515081 B CN110515081 B CN 110515081B
- Authority
- CN
- China
- Prior art keywords
- zero
- bright band
- max
- radar
- degree layer
- 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.)
- Active
Links
Images
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
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- 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
- 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
- G01S13/958—Theoretical aspects
-
- 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)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种雷达回波零度层亮带智能识别预警方法,该方法以天气雷达资料为主要数据源,对雷达回波零度层亮带进行智能识别和预警,通过3个判定公式以及一系列计算流程,将以往需要由气象业务人员主观分析、判定的业务流程自动化、标准化,对雷达回波零度层亮带的各种潜在特征进行客观且定量地分析,提高了相关业务的实时性和预警的时效性,为相关业务的自动化、智能化开展提供一种新的技术手段。本发明的一种雷达回波零度层亮带智能识别预警方法,利用上一时刻的雷达基数据文件和常规探空观测资料、数值模式资料,对“疑似”或“确定”存在零度层亮带进行细化分区,提高了对雷达回波零度层亮带识别的客观性和准确性。
Description
技术领域:
本发明属于地球科学领域,涉及一种对天气雷达回波所表征出的“零度层亮带”现象进行智能识别、预警的方法,尤其涉及一种雷达回波零度层亮带智能识别预警方法。
背景技术:
“零度层亮带”是天气雷达进行探测时,在雷达回波图像上呈现出的明显的环状或圆弧状图像,该形状区域的回波强度往往高于该区域以外的相邻区域。构成零度层亮带的物理机制主要是:大气中的冰晶、雪花等水凝物在下降过程中穿越0℃高度层时,随着环境温度的上升,水凝物的表面逐步融化,雪花、冰晶等粒子发生碰并的机率增加,粒子逐渐增大,散射作用增强,使得雷达探测到的基本反射率因子陡然上升。当冰晶、雪花等水凝物进一步下降,融化、碰并成水滴,其下降速度进一步增加,而水凝物在空间分布的密度逐步降低,散射作用又迅速减弱,进而在雷达回波图像上表现出亮带特征。
零度层亮带是现代气象学上利用天气雷达进行层状云降水分析的重要依据之一,亮带的出现往往可为大气中不存在强烈对流或湍流活动提供判据,在航空气象监测、预警等应用中具有实践指导意义。同时,亮带也是影响雷达探测数据质量的一个重要因素,由于雷达定量降水估测、定量降水预报,以及利用雷达回波图像进行天气特征的识别、追踪、外推和预报等业务的水平都依赖于雷达基本反射率等数据的准确程度,而零度层亮带附近区域的基本反射率比实际高出很多,如果不做有效处理,由此数据得到的降水量往往会被高估,进而影响了降水等预报的准确性。
在以往的业务中,对于零度层亮带的判别主要依靠气象业务人员的主观分析,分析的方法和指标主要包括基本反射率垂直廓线特征、探空资料中的温、湿、风数值,以及结合雷达径向速度和谱宽等数值的综合分析等。但随着气象观测资料及产品种类的不断丰富,可用的气象数据信息量爆炸式增长,业务人员在有限的时间内已然难以关注到所有的气象产品。因此,由计算机智能高效地识别出雷达回波中的零度层亮带等特征,生成0℃层的空间位置、强度等产品,将具有非常重要的实践意义和应用价值。
发明内容:
为了实现雷达回波零度层亮带的智能识别和预警,本发明提出一种基于雷达基本反射率空间特征分析的判别方法,本发明所采用的具体技术方案如下:
一种雷达回波零度层亮带智能识别预警方法,包括如下具体步骤:
步骤1:读取一个雷达基数据文件,从该文件中提取基本反射率信息,记为其中,表示雷达探测的仰角,γ[j]∈{γ_min,…,γ_max}表示雷达探测点到雷达中心点的距离,ω[k]∈{ω_min,…,ω_max}表示雷达探测点的方位角;
步骤2:定义一个集合H,将雷达探测区间按垂直高度划分为若干等份,每份垂直高度定义为Alt_N,集合H表示为:
H∈{Alt_min,Alt_min+Alt_N,Alt_min+Alt_N×2,…,Alt_max}
其中,Alt_min和Alt_max分别表示雷达探测的最小垂直高度和最大垂直高度;Alt_N为经验阈值,Alt_N为整数,取值范围为[5,20];
步骤4)将步骤3.2)中数组VA[i]中数值最大的元素记为VA[i_max],记录其在数组中的位置为i_max,然后判断VA[i_max]是否满足以下公式1,如果满足,则进入步骤5);反之,则进入步骤8):
式中,VA[i_max-1]和VA[i_max+1]分别表示数组VA中第i_max-1个和第i_max+1个元素;表示集合中元素的数量,即不同仰角的数量;Thd_A是一个经验阈值,取值范围为[5,20],单位为dBZ;
步骤5)存储VA[i]中数值最大的元素在数组中的位置i_max,清空数组VA[i],将步骤3.1)中i和j重置为0,k自增1,即k=1,并将存储到VA[i],记为VA[0];再按照步骤3.2)的方法,依次记录与探测点具有相同方位角且位于同一垂线上的探测点的基本反射率数据,重新存储至数组VA[i];
步骤6)定义变量A(γ[j])和C(γ[j]),其中,A(γ[j])和C(γ[j])的初始值均为0;
取上步中的i_max,并以该i_max的值判断当前数组VA[i]是否满足公式1,如果满足,则将变量A(γ[j])和C(γ[j])分别自增1;反之,则仅将变量C(γ[j])自增1,A(γ[j])的值保持不变;
步骤7)定义二维数组E(δ,h),该二维数组中的各个元素初始值均为-1;
其中,δ∈{γ_min,…,γ_max};h∈H,h的计算方法包括如下步骤:
然后,确定上述垂直高度Vh在步骤2中阈值范围H中所属区间,并将该区间的下界值赋给h;
最后采用步骤5和步骤6的方法,令k不断自增1至方位角ω[k]=ω_max,分析变量A(γ[j])和C(γ[j])是否满足以下公式2,如果满足,则将变量E(δ,h)标记为1;反之,则将变量E(δ,h)标记为0,得到距离库长γ[0]对应的判定值E(γ[0],h):
其中,Thd_B是一个经验阈值,取值范围为[0.4,1];
步骤8)将步骤3.1)中i和k重置为0,j不断自增1,采用步骤3~步骤7的方法,直到γ[j]=γ_max,得到所有距离库长对应的判定值E(γ[j],h),即E(δ,h);
步骤9)以列为单位,找出步骤8中所有距离库长对应的判定值E(δ,h)中每一列元素中取值连续为1的且连续为1长度最长的一段序列,并将该序列长度记为Len_max(h);
再将所有满足Len_max(h)>Thd_C的序列长度Len_max(h)按大小进行排序,从中找出最大的前Trd_D个列,并记录下这些列的h,记为RH,RH是一个数组,该数组中的元素项记为RH(s),其中,s为自然数;Trd_C是一个经验阈值,取值范围为[5,MaxDis],MaxDis表示雷达探测的最大距离;Trd_D为一个经验阈值,取值范围为[1,4];
步骤10)如果RH(s)中没有任何高度信息,则可判定步骤1所取的雷达基数据文件中不存在零度层亮带;如果RH(s)中存在1个或多个高度信息,那么在这些高度层上,可判定为疑似存在零度层亮带。
优选地,对于所述疑似存在零度层亮带的高度层是否确定存在零度层亮带的判定方法如下:
利用同一雷达上一时刻的天气雷达基数据文件,采用步骤1-步骤10的方法判定得到同一雷达上一时刻对应的RH’,如果RH’在RH疑似存在零度层亮带的高度层也疑似存在零度层亮带,则该高度层确定存在零度层亮带;反之,如果RH’在RH疑似存在零度层亮带的高度层不存在零度层亮带,则该高度层疑似存在零度层亮带。
优选地,对于所述疑似存在零度层亮带的高度层是否确定存在零度层亮带的判定方法如下:
读取与当前雷达基数据文件探测时间相近的常规探空观测资料或数值模式资料,从这些资料中提取与步骤10中RH(s)中疑似存在零度层亮带的高度层的温度信息,记为DT(RH(s)),分析RH(s)是否满足公式3,如果满足,则判定当前雷达探测到在RH(s)中疑似存在零度层亮带的高度层确定存在零度层亮带;反之,在RH(s)中疑似存在零度层亮带的高度层不存在零度层亮带:
Trd_E≤DT(RH(s))≤Thd_F 公式3
其中,Trd_E和Thd_F均为经验阈值,Trd_E∈[-20℃,0℃],Trd_F∈[0℃,10℃]。
优选地,将疑似存在的零度层亮带或确定存在零度层亮带呈现给业务人员,用于雷达回波资料的零度层亮带智能识别和预警。
本发明相比现有技术具有的优点如下:
1、本发明的一种雷达回波零度层亮带智能识别预警方法,以天气雷达资料为主要数据源,对雷达回波零度层亮带进行智能识别和预警,该方法通过3个判定公式以及一系列计算流程,将以往需要由气象业务人员主观分析、判定的业务流程自动化、标准化,对雷达回波零度层亮带的各种潜在特征进行客观且定量地分析,提高了相关业务的实时性和预警的时效性,为相关业务的自动化、智能化开展提供一种新的技术手段。
2、本发明的一种雷达回波零度层亮带智能识别预警方法,利用上一时刻的雷达基数据文件和常规探空观测资料、数值模式资料,对“疑似”或“确定”存在零度层亮带进行细化分区,提高了对雷达回波零度层亮带识别的客观性和准确性。
附图说明
图1为实施例中的控制流程图;
图2为实施例中的二维数组E(δ,h)的数据结构示例图。
图3为实施例中的测试样本数据Sample_A所绘制的雷达回波图;
图4为实施例中的测试样本数据Sample_B所绘制的雷达回波图;
图5为实施例中的测试样本数据Sample_A的5条基本反射率曲线图。
具体实施方式
下面结合附图对本发明作进一步的说明。
实施例一:
本实施例的一种雷达回波零度层亮带智能识别预警方法,如图1所示,包括如下具体步骤:
步骤1:读取一个雷达基数据文件,从该文件中提取基本反射率信息,记为其中,表示雷达探测的仰角,为提取基本反射率信息中雷达探测的最低仰角,为提取基本反射率信息中雷达探测的最高仰角,γ[j]∈{γ_min,…,γ_max}表示雷达探测点与雷达中心点之间的距离,γ_min为提取基本反射率信息中雷达探测的最小库长,γ_max为提取基本反射率信息中雷达探测的最大库长,ω[k]∈{ω_min,…,ω_max}表示雷达探测的方位角,ω_min为提取基本反射率信息中雷达探测的最小方位角,ω_max为提取基本反射率信息中雷达探测的最大方位角;ω_min和ω_max由雷达硬件型号和雷达体扫方式等参数决定,很显然,对于任一组γ[j]和ω[k],可确定三维空间中的一个位置,记为以下步骤中称其为雷达探测点或探测点。
步骤2:定义一个集合H,将雷达探测区间按垂直高度划分为N等份,每份垂直高度定义为Alt_N,并保存至H:
H∈{Alt_min,Alt_min+Alt_N,Alt_min+Alt_N×2,…,Alt_max};
其中,Alt_min和Alt_max分别表示雷达探测的最小垂直高度和最大垂直高度;这两个高度的取值由雷达硬件参数、雷达部署的地理位置、海拔高度以及雷达探测的方式等因素决定,很显然,步骤1中由构成的所有探测点的垂直高度都在Alt_min和Alt_max之间,且探测点的垂直高度一定是在H的某个区间。Alt_N为经验阈值,取值范围为[5,20]之间的整数;
步骤3.2)令i自增1至仰角即i=i+1,找到仰角面上与最低一个仰角面上探测点具有相同方位角且位于同一垂线上,即具有相同水平面空间位置但不同垂直高度的探测点D,并将该探测点的基本反射率数值存储到VA[i],由于方位角ω[k]和仰角已知,因此,需要计算出D的γ值,才能确定该探测点的空间位置,计算方法为:
步骤4)将步骤3.3)中数组VA[i]中数值最大的元素记为VA[i_max],其在数组中的位置为i_max,然后判断VA[i_max]是否满足以下公式1,如果满足,则进入步骤5);反之,则进入步骤8):
式中,VA[i_max-1]和VA[i_max+1]分别表示数组VA中第i_max-1个和第i_max+1个元素;表示集合中元素的数量,即不同仰角的数量;Thd_A是一个经验阈值,取值范围为[5,20],单位为dBZ。
步骤5)存储VA[i]中数值最大的元素在数组中的位置i_max,清空数组VA[i],将步骤3.1)中i和j重置为0,k自增1,即k=k+1=0,并将存储到VA[i],记为VA[0];再采用步骤3的方法,依次记录一组与探测点具有相同水平面空间位置不同垂直高度的一组探测点的基本反射率数据,重新存储至数组VA[i];
步骤6)定义变量A(γ[j])和C(γ[j]),其中,A(γ[j])和C(γ[j])的初始值均为0;
取步骤4中的i_max,判断步骤5)得到的数组VA[i]是否满足公式1,如果满足,则将变量A(γ[j])和C(γ[j])分别自增1;反之,则仅将变量C(γ[j])自增1,A(γ[j])的值保持不变;
步骤7)定义二维数组E(δ,h),该二维数组中的各个元素初始值均为-1;
其中,δ∈{γ_min,…,γ_max};h∈H,h的计算方法包括如下步骤:
然后,确定上述垂直高度Vh在步骤2中阈值范围H中所属区间,并将该区间的下界值赋给h;
再令k不断自增1,采用步骤5和步骤6的方法,直到方位角ω[k]=ω_max,分析变量A(γ[j])和C(γ[j])是否满足以下公式2,如果满足,则将变量E(δ,h)标记为1;反之,则将变量E(δ,h)标记为0,得到距离库长γ[0]对应的判定值,E(γ[0],h):
其中,Thd_B是一个经验阈值,取值范围为[0.4,1];
步骤8)将步骤3.1)中i和k重置为0,j自增1,即j=j+1,再采用步骤3~步骤7的方法,直到γ[j]取值到其值域中最后一个值γ_max,由此得到所有距离库长对应的判定值E(γ[j],h),即E(δ,h);。
步骤10)以列为单位,分析判定值E(δ,h)中各个元素的数值,找出每一列元素中取值连续为1的且连续为1长度最长的一段序列,并统计该序列的长度,记为Len_max(h);
再将所有满足Len_max(h)>Thd_C的Len_max(h)按大小进行排序,从中找出最大的前Trd_D个列,并记录下这些列的h,记为RH,RH是一个数组,该数组中的元素项记为RH(s),其中,s为自然数;Trd_C是一个经验阈值,取值范围为[5,MaxDis],MaxDis表示雷达探测的最大距离(该值取决于雷达硬件技术参数和雷达探测的方式);Trd_D为一个经验阈值,取值范围为[1,4];
如果Len_max(h)中存在多个相同大小的值,使得上述“找出最大的前Trd_D个列”无法划定时,则将这些相同大小的值所对应的h,都记录于RH(s)中。如果上述Len_max(h)均小于或等于Thd_C,则没有相适应的h可记录于RH(s)中。由于RH(s)可能记录了0个、1个或多个高度信息,因此,s的最大值可能为0、1或大于1的自然数。
对于所述疑似存在零度层亮带的高度层是否确定存在零度层亮带的判定方法如下:
利用同一雷达上一时刻的天气雷达基数据文件,采用步骤1-步骤10的方法判定得到同一雷达上一时刻对应的RH’,如果RH’在RH疑似存在零度层亮带的高度层也疑似存在零度层亮带,则该高度层确定存在零度层亮带;反之,如果RH’在RH疑似存在零度层亮带的高度层不存在零度层亮带,则该高度层疑似存在零度层亮带;
或者,读取与当前雷达基数据文件探测时间相近的常规探空观测资料或数值模式资料,从这些资料中提取与步骤10中RH(s)中疑似存在零度层亮带的高度层的温度信息,记为DT(RH(s)),分析RH(s)是否满足公式3,如果满足,则判定当前雷达探测到在RH(s)中疑似存在零度层亮带的高度层确定存在零度层亮带;反之,在RH(s)中疑似存在零度层亮带的高度层不存在零度层亮带:将上述步骤中疑似存在的零度层亮带或确定存在零度层亮带呈现给业务人员,用于雷达回波资料的零度层亮带智能识别和预警。
应用实施例一:
本应用实施例挑选了同一部多普勒天气雷达在两个不同探测时间的基数据文件,这里分别命名为Sample_A和Sample_B。该雷达采用S波段,型号为CINRAD/SA,体扫方式采用VCP 21。其中,Sample_A经气象专业角度主观分析,判定存在零度层亮带,该资料第7个仰角面的雷达回波图像如图3所示,从该图像中可以看到一个近似圆环的浅色图形,需要补充说明的是,由于雷达回波图像存在多个仰角,而不同仰角的图像差异很大,这里只显示了判定存在零度层亮带的仰角的图像。Sample_B经气象专业角度主观分析,判定不存在零度层亮带,需要补充说明的是,由于雷达回波图像存在多个仰角,而不同仰角的图像差异很大,这里只显示了其中一个仰角的图像。
本应用实施例涉及Thd_A、Thd_B、Thd_C和Thd_D等多个经验阈值参数,它们在应用中均须有明确的数值,而数值的大小与雷达资料探测的时间、季节、地理区域以及雷达硬件参数等因素息息相关。本应用实施例上述参数采用的定值如下表1所示:
表1
步骤1:读取一个天气雷达基数据文件Sample_A,从该文件中提取基本反射率信息,记为其中,表示雷达探测的仰角,γ[j]∈{γ_min,…,γ_max}表示雷达探测点与雷达中心点之间的距离,ω[k]∈{ω_min,…,ω_max}表示雷达探测的方位角。很显然,对于任一组γ和ω,可确定三维空间中的一个位置,记为以下步骤中称其为雷达探测点或探测点。上述基本反射率信息中,仰角的数量、每个仰角的度数、雷达探测点与雷达中心点之间的最大距离以及雷达探测的空间分辨率,都是由雷达的型号和雷达体扫方式等参数决定。基数据文件Sample_A中,的实际取值范围分别近似为{0.5°,1.45°,2.4°,3.35°,4.3°,6.0°,9.9°,14.6°,19.5°},γ[j]∈{1,2,3,…,460},ω[k]∈{0°,1°,2°,…,359°}。
步骤2:由于大气环境中0℃温度层出现的位置是在一个相对固定的空间高度范围,而雷达探测的空间结构是若干个同心的锥面,为了提高零度层亮带识别的效率,减少对中无意义数据的计算分析,将雷达探测区间按垂直高度划分为N等份,每份垂直高度定义为Alt_N,并保存至H:
H∈{Alt_min,Alt_min+Alt_N,Alt_min+Alt_N×2,…,Alt_max}
其中,Alt_min和Alt_max分别表示雷达探测的最小垂直高度和最大垂直高度;Alt_N为经验阈值,Alt_N为整数,取值范围为[5,20];
这两个高度的取值由雷达硬件参数、雷达部署的地理位置、海拔高度以及雷达探测的方式等因素决定。本应用实施例中,Alt_min=0,Alt_max=20,Alt_N=2,单位为公里。即H∈{0,2,4,6,…,20}。很显然,步骤1中由构成的所有探测点的垂直高度都在Alt_min和Alt_max之间,且探测点的垂直高度一定是在H的某个区间。
步骤4)将步骤3.3)中数组VA[i]中数值最大的元素记为VA[i_max],其在数组中的位置记为i_max,然后判断VA[i_max]是否满足以下公式1,如果满足,则进入步骤5);反之,则进入步骤8):
式中,VA[i_max-1]和VA[i_max+1]分别表示数组VA中第i_max-1个和第i_max+1个元素;表示集合中元素的数量,即不同仰角的数量;Thd_A是一个经验阈值,取值范围为[5,20],单位为dBZ;本实施例中,ThdA=8dbz
步骤5:存储VA[i]中数值最大的元素在数组中的位置i_max,清空上述步骤中VA[i]的值,再将步骤3.1)中的i和j重置为0,k自增1,即方位角增加1,即由ω0调整为ω1,并将存储到VA[i],记为VA[0];再重复步骤3的计算过程,依次记录一组与探测点具有相同水平面空间位置不同垂直高度的一组探测点的基本反射率数据,重新存储至数组VA[i];
为了清楚说明VA[i]的数据特征,本应用实施例中随机挑选了Sample_A中5个探测点,绘制出5条基于相同水平面空间位置、不同垂直高度的基本反射率曲线图,如图5所示。其中,每条曲线对应步骤3.3)中一个探测点并由步骤4计算出的一组VA[i],横坐标为仰角纵坐标为基本反射率值。这5条曲线中,只有D(0.5°,30,0°)曲线满足公式1,i_max=4,VA[ai_max-1]=21,VA[ai_max]=30,VA[ai_max+1]=19,具体为:
步骤6:定义变量A(γ[j])和C(γ[j]),其中,A(γ[j])和C(γ[j])的初始值均为0;
沿用步骤4中的i_max值,并以该值分析由步骤5得到的数组VA[i]是否满足公式1。如果公式1成立,则将变量A(γ[j])和C(γ[j])分别自增1;反之,则仅将变量C(γ[j])自增1,A(γ[j])的值保持不变。其中,A(γ[j])和C(γ[j])在未定义的情况下,初始值均为0,γ[j]的取值与上述步骤3相一致。
步骤7:定义二维数组E(δ,h),该二维数组中的各个元素初始值均为-1;
其中,δ=γ[j],δ∈{γ_min,…,γ_max};h∈H,h的计算方法包括如下步骤:
然后,确定上述Vh在步骤2中阈值范围H中所属区间,并将该区间的下界值赋给h;
重复步骤5和步骤6,直到方位角ω取值到其值域中最后一个值ω_max。然后,分析变量A(γ[j])和C(γ[j])是否满足以下公式2的特征,如果满足,则将变量E(δ,h)标记为1;反之,则将变量E(δ,h)标记为0,得到距离库长γ[0]对应的判定值,即E(δ,h):
其中,Thd_B是一个经验阈值,本应用实施例中Thd_B=0.6。
步骤8:将步骤3.1)中的i和k重置为0,j增加1,即i=0,k=0,j=j+1。采用步骤3~步骤7的方法,直到γ[j]=γ_max,得到所有距离库长对应的判定值E(δ,h);E(δ,h)的数据结构示例如图2所示,每一行对应一个定值的γ[j],h各列的数值即垂直高度,从左往右逐步增加。每一行有且仅有一列的数值为非“-1”值,即0或1。
步骤9:以列为单位,分析二维数组E(δ,h)中各个元素的数值,找出每一列元素中最长的、取值连续为1的一段序列,统计该序列的长度,记为Len_max(h)。仍以图2所示的二维数组为例,γ[3]~γ[7]行,第3列,为连续5个取值为1的序列,该序列的长度“5”是当前二维数组最大的,即Len_max(Alt_min+2Alt_N)=5。
再将所有满足Len_max(h)>Thd_C的Len_max(h)按大小进行排序,从中找出最大的前Trd_D个列,并记录下这些列的h,记为RH。其中,Trd_C是一个经验阈值,本应用实施例中Thd_C=3。Trd_D也是一个经验阈值,本应用实施例中Trd_D=1。如果Len_max(h)中存在多个相同大小的值,使得上述“找出最大的前Trd_D个列”无法划定时,则将这些相同大小的值所对应的h,都记录于RH(s)中,其中s为自然数。如果上述Len_max(h)均小于或等于Thd_C,则没有相适应的h可记录于RH(s)中。由于RH(s)可能记录了0个、1个或多个高度信息,因此,s的最大值可能为0、1或大于1的自然数。
文件Sample_A经过上述步骤的计算,得到Len_max(h)=3,其中,h=4。因此,当前RH(s)中记录了1个高度信息,即RH(s)={4},单位为km。
步骤10:由于当前RH(s)中存在1个高度信息,那么在该高度层上,可判定为疑似存在零度层亮带。如要断定该高度差是否确定存在零度层亮带,可通过实施例一中的两种判定方法,这里采用第2种方法,即读取与当前雷达基数据文件探测时间相近的数值模式资料,从该资料中提取与RH(s)中疑似存在零度层亮带的高度层相一致的温度信息,即DT(4km)。分析其是否满足以下特征:
Trd_E≤DT(RH(s))≤Thd_F 公式3
其中,Trd_E和Thd_F均为经验阈值,应用实施例中TrdE=-5℃,TrdF=5℃。上述DT(4km)数值为-0.8℃,满足公式3,因此,判定当前雷达探测到在RH(s)高度层确定存在零度层亮带。
如果上述步骤中分析判定出有1个或多个RH(s)高度层存在零度层亮带,则可进一步计算出如“零度层亮带的空间位置”“范围”“高度”等信息并发布到特定的平台、业务系统,或以任意方式推送、呈现给相关业务人员。实现基于雷达回波资料的零度层亮带智能识别和预警。
采用上述应用实施例一中相同的计算方法、步骤和经验阈值参数,对天气雷达基数据文件Sample_B进行计算,结果发现,始终没有数据满足上述步骤中Len_max(h)>Thd_C的条件,进而RH(s)中没有任何高度信息,因此,判定雷达基数据文件Sample_B中不存在零度层亮带。
Claims (4)
1.一种雷达回波零度层亮带智能识别预警方法,其特征在于:包括如下具体步骤:
步骤1:读取一个雷达基数据文件,从该文件中提取基本反射率信息,记为其中,表示雷达探测的仰角,γ[j]∈{γ_min,…,γ_max}表示雷达探测点到雷达中心点的距离,ω[k]∈{ω_min,…,ω_max}表示雷达探测点的方位角;
步骤2:定义一个集合H,将雷达探测区间按垂直高度划分为若干等份,每份垂直高度定义为Alt_N,集合H表示为:
H∈{Alt_min,Alt_min+Alt_N,Alt_min+Alt_N×2,…,Alt_max}
其中,Alt_min和Alt_max分别表示雷达探测的最小垂直高度和最大垂直高度;Alt_N为经验阈值,Alt_N为整数,取值范围为[5,20];
步骤4)将步骤3.2)中数组VA[i]中数值最大的元素记为VA[i_max],记录其在数组中的位置为i_max,然后判断VA[i_max]是否满足以下公式1,如果满足,则进入步骤5);反之,则进入步骤8):
式中,VA[i_max-1]和VA[i_max+1]分别表示数组VA中第i_max-1个和第i_max+1个元素;表示集合中元素的数量,即不同仰角的数量;Thd_A是一个经验阈值,取值范围为[5,20],单位为dBZ;
步骤5)存储VA[i]中数值最大的元素在数组中的位置i_max,清空数组VA[i],将步骤3.1)中i和j重置为0,k自增1,即k=1,并将存储到VA[i],记为VA[0];再按照步骤3.2)的方法,依次记录与探测点具有相同方位角且位于同一垂线上的探测点的基本反射率数据,重新存储至数组VA[i];
步骤6)定义变量A(γ[j])和C(γ[j]),其中,A(γ[j])和C(γ[j])的初始值均为0;
取上步中的i_max,并以该i_max的值判断当前数组VA[i]是否满足公式1,如果满足,则将变量A(γ[j])和C(γ[j])分别自增1;反之,则仅将变量C(γ[j])自增1,A(γ[j])的值保持不变;
步骤7)定义二维数组E(δ,h),该二维数组中的各个元素初始值均为-1;
其中,δ∈{γ_min,…,γ_max};h∈H,h的计算方法包括如下步骤:
然后,确定上述垂直高度Vh在步骤2中阈值范围H中所属区间,并将该区间的下界值赋给h;
最后采用步骤5和步骤6的方法,令k不断自增1至方位角ω[k]=ω_max,分析变量A(γ[j])和C(γ[j])是否满足以下公式2,如果满足,则将变量E(δ,h)标记为1;反之,则将变量E(δ,h)标记为0,得到距离库长γ[0]对应的判定值E(γ[0],h):
其中,Thd_B是一个经验阈值,取值范围为[0.4,1];
步骤8)将步骤3.1)中i和k重置为0,j不断自增1,采用步骤3~步骤7的方法,直到γ[j]=γ_max,得到所有距离库长对应的判定值E(γ[j],h),即E(δ,h);
步骤9)以列为单位,找出步骤8中所有距离库长对应的判定值E(δ,h)中每一列元素中取值连续为1的且连续为1长度最长的一段序列,并将该序列长度记为Len_max(h);
再将所有满足Len_max(h)>Thd_C的序列长度Len_max(h)按大小进行排序,从中找出最大的前Trd_D个列,并记录下这些列的h,记为RH,RH是一个数组,该数组中的元素项记为RH(s),其中,s为自然数;Trd_C是一个经验阈值,取值范围为[5,MaxDis],MaxDis表示雷达探测的最大距离;Trd_D为一个经验阈值,取值范围为[1,4];
步骤10)如果RH(s)中没有任何高度信息,则可判定步骤1所取的雷达基数据文件中不存在零度层亮带;如果RH(s)中存在1个或多个高度信息,那么在这些高度层上,可判定为疑似存在零度层亮带。
2.根据权利要求1所述的雷达回波零度层亮带智能识别预警方法,其特征在于:对于所述疑似存在零度层亮带的高度层是否确定存在零度层亮带的判定方法如下:
利用同一雷达上一时刻的天气雷达基数据文件,采用步骤1-步骤10的方法判定得到同一雷达上一时刻对应的RH’,如果RH’在RH疑似存在零度层亮带的高度层也疑似存在零度层亮带,则该高度层确定存在零度层亮带;反之,如果RH’在RH疑似存在零度层亮带的高度层不存在零度层亮带,则该高度层疑似存在零度层亮带。
3.根据权利要求2所述的雷达回波零度层亮带智能识别预警方法,其特征在于:对于所述疑似存在零度层亮带的高度层是否确定存在零度层亮带的判定方法如下:
读取与当前雷达基数据文件探测时间相近的常规探空观测资料或数值模式资料,从这些资料中提取与步骤10中RH(s)中疑似存在零度层亮带的高度层的温度信息,记为DT(RH(s)),分析RH(s)是否满足公式3,如果满足,则判定当前雷达探测到在RH(s)中疑似存在零度层亮带的高度层确定存在零度层亮带;反之,在RH(s)中疑似存在零度层亮带的高度层不存在零度层亮带:
Trd_E≤DT(RH(s))≤Thd_F 公式3
其中,Trd_E和Thd_F均为经验阈值,Trd_E∈[-20℃,0℃],Trd_F∈[0℃,10℃]。
4.根据权利要求3所述的雷达回波零度层亮带智能识别预警方法,其特征在于:将疑似存在的零度层亮带或确定存在零度层亮带呈现给业务人员,用于雷达回波资料的零度层亮带智能识别和预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910560579.XA CN110515081B (zh) | 2019-06-26 | 2019-06-26 | 一种雷达回波零度层亮带智能识别预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910560579.XA CN110515081B (zh) | 2019-06-26 | 2019-06-26 | 一种雷达回波零度层亮带智能识别预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110515081A CN110515081A (zh) | 2019-11-29 |
CN110515081B true CN110515081B (zh) | 2022-04-26 |
Family
ID=68623524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910560579.XA Active CN110515081B (zh) | 2019-06-26 | 2019-06-26 | 一种雷达回波零度层亮带智能识别预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110515081B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110988883B (zh) * | 2019-12-18 | 2022-08-02 | 南京信息工程大学 | 雷达回波图像中飑线特征的智能识别预警方法 |
CN111337920B (zh) * | 2020-03-03 | 2022-07-15 | 成都金宇防务科技有限公司 | 一种防止云雾干扰的弹载雷达对地探测方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103337133B (zh) * | 2013-06-14 | 2015-08-05 | 广东电网公司中山供电局 | 基于识别预报技术的电网雷暴灾害预警系统及方法 |
CN107843884B (zh) * | 2017-09-13 | 2021-09-14 | 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 |
CN109100722B (zh) * | 2018-07-25 | 2022-08-12 | 南京信息工程大学 | 基于雷达回波图像扇区分量分析的风暴趋势预测方法 |
CN109490891B (zh) * | 2018-11-23 | 2023-03-31 | 四川省气象探测数据中心 | 二次云数据获取方法、装置及云参数计算设备 |
CN109828275B (zh) * | 2019-01-28 | 2021-03-02 | 北京城市气象研究院 | 一种零度层亮带的识别方法和系统 |
-
2019
- 2019-06-26 CN CN201910560579.XA patent/CN110515081B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110515081A (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Praz et al. | Solid hydrometeor classification and riming degree estimation from pictures collected with a Multi-Angle Snowflake Camera | |
Korolev et al. | A technique for habit classification of cloud particles | |
CN111539454B (zh) | 一种基于元学习的车辆轨迹聚类方法及系统 | |
CN110333554B (zh) | Nriet暴雨智能相似分析方法 | |
Ortega | Evaluating multi-radar, multi-sensor products for surface hailfall diagnosis | |
Grazioli et al. | Hydrometeor classification from two-dimensional video disdrometer data | |
CN110515081B (zh) | 一种雷达回波零度层亮带智能识别预警方法 | |
CN109164450B (zh) | 一种基于多普勒雷达数据的下击暴流预测方法 | |
Baldwin et al. | Development of an automated classification procedure for rainfall systems | |
Mayer et al. | A random forest model to assess snow instability from simulated snow stratigraphy | |
CN104237890A (zh) | 一种由“列车效应”引起的暴雨识别及预报方法 | |
Rieutord et al. | Deriving boundary layer height from aerosol lidar using machine learning: KABL and ADABL algorithms | |
Kalesse et al. | Development and validation of a supervised machine learning radar Doppler spectra peak-finding algorithm | |
CN112327265A (zh) | 一种基于语义分割网络的分治检测方法 | |
Komarov et al. | Ice concentration from dual-polarization SAR images using ice and water retrievals at multiple spatial scales | |
Kuster et al. | Using ZDR columns in forecaster conceptual models and warning decision-making | |
Weekley et al. | An algorithm for classification and outlier detection of time-series data | |
Hou et al. | Storm tracking via tree structure representation of radar data | |
Chen et al. | A supervoxel-based vegetation classification via decomposition and modelling of full-waveform airborne laser scanning data | |
Matyas | A spatial analysis of radar reflectivity regions within Hurricane Charley (2004) | |
Atlas et al. | The University of Washington Ice-Liquid Discriminator (UWILD) improves single particle phase classifications of hydrometeors within Southern Ocean clouds using machine learning | |
Wang et al. | Forewarning method of downburst based on feature recognition and extrapolation | |
Zha et al. | Detecting of overshooting cloud tops via Himawari-8 imagery using dual channel multiscale deep network | |
CN114019503A (zh) | 基于fod检测系统的机场跑道异物检测方法、设备、存储介质 | |
CN111650671B (zh) | 一种基于多对象最优匹配技术的降水预报空间检验方法 |
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 |