CN111694000A - 雹云单体发展过程中雹胚形成及冰雹增长的预报方法 - Google Patents
雹云单体发展过程中雹胚形成及冰雹增长的预报方法 Download PDFInfo
- Publication number
- CN111694000A CN111694000A CN202010529069.9A CN202010529069A CN111694000A CN 111694000 A CN111694000 A CN 111694000A CN 202010529069 A CN202010529069 A CN 202010529069A CN 111694000 A CN111694000 A CN 111694000A
- Authority
- CN
- China
- Prior art keywords
- hail
- polarization
- data
- aragonite
- embryo
- 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
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
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- 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)
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明专利公开了一种雹云单体发展过程中雹胚形成及冰雹增长的预报方法，包括：采集相关数据，包括偏振雷达涉及的偏振相关数据；以及WRF模式模拟数据相关提取量；对提取的偏振相关数据进行质量控制，通过偏振相关数据与模式模拟数据进行对比验证，获取可靠的模拟数据；对经过对比验证后的模式模拟数据的相关输出量进行技术提取，对已经获取的偏振相关数据利用模糊逻辑粒子相态识别算法进行相态识别；对得到相态识别结果以及模式输出量进行计算，确定雹胚形成阶段及降雹阶段，并获取相应雹胚增长速率和成雹速率；采用本发明的方法能够较为准确的从微观层面获得雹云发展过程中针对雹胚形成过程及冰雹增长的定量特征预报指标。
Description
技术领域
本发明属于人工影响天气防灾减灾技术领域，具体涉及一种雹云单体发展过程中雹胚形成及冰雹增长的预报方法。
背景技术
冰雹作为我国主要的气象灾害之一，具有生消演变快，降雹频次高，突发性强等特点，因此难以捕捉，防范难度极大，所造成的局地灾害也较重。这对雹灾多发区的农业、经济发展以及人民的生命财产安全都产生了严重的影响。
了解雹胚的形成过程及冰雹的增长过程对整个冰雹的形成发展以及后续的人工防雹消雹都有着重要的意义。而所研究的核心主要集中在雹胚的形成机理和冰雹的增长方式两个问题当中。SulakvelidzeandBibilashvili(1976)提出冰雹“累积带”理论，认为在强雹云单体中必定存在着一个过冷水累积区，而此区域存在于最大上升气流的上部，而过冷水累积地带也必定是雹胚以及冰雹的主要生长区。Knightetal.(1970)将雹胚分为四种主要类型，分别是锥形霰胚、球状的纯净(透明)雹胚、球状不透明雹胚和不规则状雹胚。而充分了解水成物之间的转化情况是掌握成雹机制的基础。Danielsonetal.(1972)通过对美国西部地区对流风暴的研究得出结论：冰相微物理过程是影响雹云生命史以及降水的关键因素。Footeetal.(1982)认为，绝大部分雹块的生长发生在-25℃～-10℃层之间。Nelson(1987)认为在强雹云过程中动力特征对冰雹的影响要比微物理特征更多。TakahashiTetal.(2001)通过探空数据对单体合并前后云内粒子相态进行了观测，发现合并后霰粒子出现了显著增加。Leeetal.(2006)在研究龙卷爆发期间合并所起作用时指出，在龙卷合并过程后，随着上升气流的加强，单体内水成物粒子及过冷水数量均有所增加。
而任何强雹云的发展及形成最终的降雹，都是由雹云内部的宏观热动力过程与微观云微物理过程之间的相互作用所造成。从宏观角度上讲，热力与动力特征二者是相互转化、相互影响并最终通过微观物理过程如雹胚的形成过程及冰雹的增长过程来最终实现降雹的。
通过WRF模式模拟输出相关诊断量结合统计方法定量获取雹云发展过程雹胚形成及冰雹后增长的预报指标，霰粒子的形成是以雪晶粒子为主要胚源，而雹胚是以霰胚为主，同时在成胚及成雹过程中过冷水的参与非常重要，同时，利用模糊逻辑粒子相态识别算法结合统计方法获得各相关水成物粒子的增长速率
经过专利和文献检索，目前已公开的对流单体降雹预警大都集中在对降雹方法上的探究，而较少涉及在雹云发展过程中雹胚形成过程的预报指示，同时研究大都采用观测数据进行宏观层面定性的分析探究，数据较为单一，且无法确定其准确度，不能够较为准确的从微观层面获得雹云发展过程中针对雹胚形成过程及冰雹增长的定量特征预报指标。
发明内容
本发明的目的就在于为了解决上述问题而提供一种雹云单体发展过程中雹胚形成及冰雹增长的预报方法。
本发明通过以下技术方案来实现上述目的：
一种雹云单体发展过程中雹胚形成及冰雹增长的预报方法，包括以下步骤：
S1、采集相关数据，包括偏振雷达涉及的偏振相关数据，包括：反射率ZH、差分传播相移φDP，差分反射率ZDR、差分传播相移率KDP、零滞后互相关系数ρHV；以及WRF模式模拟数据相关提取量，包括风暴相对螺旋度SRH、风暴最大上升速度Wmax、霰粒子、冰晶粒子和雪晶粒子以及过冷云水的质量混合比；
S2、对经过步骤S1提取的偏振相关数据进行质量控制，通过偏振相关数据与模式模拟数据进行对比验证，获取可靠的模拟数据；
S3、对经过步骤S2对比验证后的模式模拟数据的相关输出量进行技术提取，对已经获取的偏振相关数据利用模糊逻辑粒子相态识别算法进行相态识别；
S4、对经过步骤S1、S2、S3后得到相态识别结果以及模式输出量进行计算，最终得到雹胚形成指数及降雹指数从而确定雹胚形成阶段及降雹阶段，并获取相应雹胚增长速率和成雹速率。
进一步地，步骤S2包括：
S21、质量控制；步骤S21包括步骤S211和S212；
S211，差分相移退折叠；即对前后径向差分传播相移φDP进行连续性检查，保证可测量范围被限制在180°间隔范围内；
S212，滤波；即对退折叠后的差分传播相移φDP进行综合小波去噪；步骤S212包括步骤S2121和步骤S2122；步骤S2121为资料识别：利用模糊逻辑算法对φDP进行识别；步骤S2122为逐步订正：将超出±2°的φDP限制在±2°范围内，对反射率ZH及差分反射率ZDR通过自适应约束算法进行衰减订正；
S22、初步筛选出偏振相关数据及模式模拟中反射率ZH≥45dBZ的个例；
S23、偏振相关数据中冰晶粒子CR的最低海拔高度及最高海拔高度差值为HOCR；偏振相关数据中雪晶粒子AG的最低海拔高度及最高海拔高度差值为HOAG；偏振相关数据中过冷云水RA的最低海拔高度及最高海拔高度差值为HORA；模式模拟中冰晶粒子CR的最低海拔高度及最高海拔高度差值为HSCR；模式模拟中雪晶粒子AG的最低海拔高度及最高海拔高度差值为HSAG；模式模拟中过冷云水RA的最低海拔高度及最高海拔高度差值为HSRA；
S231、偏振相关数据及模式模拟结果中冰晶粒子CR的对应高度差值为HSCR-HOCR；偏振相关数据及模式模拟结果中雪晶粒子AG的对应高度差值为HSAG-HOAG；偏振相关数据及模式模拟结果中过冷云水RA的对应高度差值为HSRA-HORA；
S232、对HSCR-HOCR、HSAG-HOAG、HSRA-HORA分别赋予0.2，0.4,0.4的权重进行加权，将满足此绝对值|0.2(HSCR-HOCR)+0.4(HSAG-HOAG)+0.4(HSRA-HORA)|≥0.5的阈值条件判定为偏振相关数据与模式模拟结果相符合的结果。
进一步地，步骤S3包括以下步骤：
S31、选取反射率ZH≥45dBZ的三维对流空间范围内进行提取WRF模式相关输出量，并获取关键粒子权重，通过权重加权公式
得出雹胚形成阈值指数及降雹阈值指数，公式
中，其中：M为权重0.1、0.25、0.25、0.4，Tis为符合限定条件的各水成物粒子最值范围；
S32、观测利用模糊逻辑粒子相态识别算法，采用不对称梯形函数作为隶属函数对雹胚及冰雹进行识别，输入参量为偏振相关量ZH、ZDR、KDP、ρHV以及环境温度参量T；
其中，x1、x2、x3、x4为阈值参数，x为变量值；
S321、通过模糊逻辑算法,根据公式
其中Mis为各偏振相关量权重，Ai为最终获得粒子识别结果即库数值；
冰雹HA的权重对应ZH、ZDR、KDP、ρHV分别为0.4、0.3、0.2、0.1；
低密度霰LDG的权重对应ZH、ZDR、KDP、ρHV、T分别为0.3、0.2、0.1、0.1、0.3
高密度霰HDG的权重对应ZH、ZDR、KDP、ρHV、T分别为0.3、0.2、0.1、0.1、0.3
对应加权得到HA、LDG、HDG具体值；
S322、获取m时段内，低密度霰形成速率SLDG、高密度霰形成速率SHDG；
其中，LDGt是t时刻时低密度霰粒子所占的库数；LDGt+m是经过m时间段后低密度霰粒子所占库数；HDGt是t时刻高密度霰粒子所占的库数；HDGt+m是经过m时间段后高密度霰粒子所占库数。
进一步地，步骤S31包括：从选定区域内部获取低层[0-3km]范围内，区间在[90，150]范围内部的风暴相对螺旋度的最大值SRHmax，获取单体内部区间值在[9，Wmax]上升速度值中最大速度Wmax，并保证在满足条件①90≤SRH≤SRHmax及满足条件②9≤W≤Wmax，获取模式输出量中冰晶的质量混合比最大值CRmax、最小值CRmin，获取雪晶质量混合比最大值AGmax、最小值AGmin，获取过冷云水(在0℃层上方)质量混合比最大值RAmax、最小值RAmin，获取霰粒子质量混合比最大值GRmax、最小值GRmin；最终得到各水成物粒子区间：CR[CRmin，CRmax]、AG[AGmin，AGmax]、RA[RAmin，RAmax]、GR[GRmin，GRmax]；所选取的CR、AG、RA、GR的质量混合比值应当符合各对应最值区间范围。
进一步地，在步骤S4中，包括：
S41、雹胚增长速率确定；通过公式
确定雹胚增长速率SGR，其中，M为权重，设置为0.5、0.5；Sit为SLDG和SHDG在m时段内的库数变化率，即低密度霰LDG和高密度霰HDG两种雹胚各自的形成速率,进行权重加权后设定为雹胚增长速率SGR；
S42、冰雹形成速率确定；获取m时段内，冰雹形成速率SHA；
其中，HAt是t时刻冰雹粒子所占库数；HAt+m是经过m时间段后冰雹粒子所占库数；
S43、雹胚的形成阶段和降雹阶段确定；公式
中，当1.5≤HF＜3时为雹胚的形成阶段；当HF≥3时为降雹阶段。
本发明的有益效果在于：
通过观测与WRF模式模拟双重手段对雹胚的形成过程及冰雹增长的过程进行技术实现，具体而言，提取WRF模式相关量进行技术提取并设定阈值限定，最终通过统计加权获取雹胚形成阈值指数及冰雹增长阈值指数，以及通过模糊逻辑粒子相态识别算法得到雹胚、冰雹等相关水成物粒子在特定时段的变化率；这样的指数预报预测可以大致确定雹云发展到特定阶段冰雹增长的趋势及是否能够降雹做出指示。
附图说明
图1是本发明实施例中一种雹云单体发展过程中雹胚形成及冰雹增长的预报方法流程图；
图2是本发明实施例中一种雹云单体发展过程中雹胚形成及冰雹增长的预报方法的对应系统图；
图3是本发明实施例中(观测)(a)15:13时刻、(b)15:27时刻沿径向114°所做反射率剖面(单位：dBZ)；
图4是本发明实施例中(模拟)(a)15:20时刻、(b)15:30时刻为沿单体最大反射率中心所做剖面，反射率(单位：dBZ)；
图5是本发明实施例中(观测)(a)15:13时刻、(b)15:27时刻沿径向114°所做HID粒子识别结果剖面；
图6是本发明实施例中(模拟)15:20时刻沿所做剖面的各水成物粒子质量混合比垂直分布；(a)云滴粒子；(b)雨滴；(c)霰粒子；(d)雪晶粒子；(5)冰晶粒子；
图7是本发明实施例中(模拟)15:30时刻沿所做剖面的各水成物粒子质量混合比垂直分布；(a)云滴粒子；(b)雨滴；(c)霰粒子；(d)雪晶粒子；(5)冰晶粒子。
具体实施方式
下面结合附图对本发明作进一步说明：
如图1所示，一种雹云单体发展过程中雹胚形成及冰雹增长的预报方法，包括以下步骤：
S1、采集相关数据，包括偏振雷达涉及的偏振相关数据，包括：反射率ZH、差分传播相移φDP，差分反射率ZDR、差分传播相移率KDP、零滞后互相关系数ρHV；以及WRF模式模拟数据相关提取量，包括风暴相对螺旋度SRH、风暴最大上升速度Wmax、霰粒子、冰晶粒子和雪晶粒子以及过冷云水的质量混合比；
S2、对经过步骤S1提取的偏振相关数据进行质量控制，通过偏振相关数据与模式模拟数据进行对比验证，获取可靠的模拟数据；
S3、对经过步骤S2对比验证后的模式模拟数据的相关输出量进行技术提取，对已经获取的偏振相关数据利用模糊逻辑粒子相态识别算法进行相态识别；
S4、对经过步骤S1、S2、S3后得到相态识别结果以及模式输出量进行计算，最终得到雹胚形成指数及降雹指数从而确定雹胚形成阶段及降雹阶段，并获取相应雹胚增长速率和成雹速率。
步骤S2包括：
S21、质量控制；步骤S21包括步骤S211和S212；
S211，差分相移退折叠；即对前后径向差分传播相移φDP进行连续性检查，保证可测量范围被限制在180°间隔范围内；
S212，滤波；即对退折叠后的差分传播相移φDP进行综合小波去噪；步骤S212包括步骤S2121和步骤S2122；步骤S2121为资料识别：利用模糊逻辑算法对φDP进行识别；步骤S2122为逐步订正：将超出±2°的φDP限制在±2°范围内，对反射率ZH及差分反射率ZDR通过自适应约束算法进行衰减订正；
S22、初步筛选出偏振相关数据及模式模拟中反射率ZH≥45dBZ的个例；
S23、偏振相关数据中冰晶粒子CR的最低海拔高度及最高海拔高度差值为HOCR；偏振相关数据中雪晶粒子AG的最低海拔高度及最高海拔高度差值为HOAG；偏振相关数据中过冷云水RA的最低海拔高度及最高海拔高度差值为HORA；模式模拟中冰晶粒子CR的最低海拔高度及最高海拔高度差值为HSCR；模式模拟中雪晶粒子AG的最低海拔高度及最高海拔高度差值为HSAG；模式模拟中过冷云水RA的最低海拔高度及最高海拔高度差值为HSRA；
S231、偏振相关数据及模式模拟结果中冰晶粒子CR的对应高度差值为HSCR-HOCR；偏振相关数据及模式模拟结果中雪晶粒子AG的对应高度差值为HSAG-HOAG；偏振相关数据及模式模拟结果中过冷云水RA的对应高度差值为HSRA-HORA；
S232、对HSCR-HOCR、HSAG-HOAG、HSRA-HORA分别赋予0.2,0.4,0.4的权重进行加权，将满足此绝对值|0.2(HSCR-HOCR)+0.4(HSAG-HOAG)+0.4(HSRA-HORA)|≥0.5的阈值条件判定为偏振相关数据与模式模拟结果相符合的结果。
步骤S3包括以下步骤：
S31、选取反射率ZH≥45dBZ的三维对流空间范围内进行提取WRF模式相关输出量，并获取关键粒子权重，通过权重加权公式
得出雹胚形成阈值指数及降雹阈值指数，公式
中，其中：M为权重0.1、0.25、0.25、0.4，Tis为符合限定条件的各水成物粒子最值范围；
S32、观测利用模糊逻辑粒子相态识别算法，采用不对称梯形函数作为隶属函数对雹胚及冰雹进行识别，输入参量为偏振相关量ZH、ZDR、KDP、ρHV以及环境温度参量T；
其中，x1、x2、x3、x4为阈值参数，x为变量值；
S321、通过模糊逻辑算法,根据公式
其中Mis为各偏振相关量权重，Ai为最终获得粒子识别结果即库数值；
冰雹HA的权重对应ZH、ZDR、KDP、ρHV分别为0.4、0.3、0.2、0.1；
低密度霰LDG的权重对应ZH、ZDR、KDP、ρHV、T分别为0.3、0.2、0.1、0.1、0.3
高密度霰HDG的权重对应ZH、ZDR、KDP、ρHV、T分别为0.3、0.2、0.1、0.1、0.3
对应加权得到HA、LDG、HDG具体值；
S322、获取m时段内，低密度霰形成速率SLDG、高密度霰形成速率SHDG；
其中，LDGt是t时刻时低密度霰粒子所占的库数；LDGt+m是经过m时间段后低密度霰粒子所占库数；HDGt是t时刻高密度霰粒子所占的库数；HDGt+m是经过m时间段后高密度霰粒子所占库数。
步骤S31包括：从选定区域内部获取低层[0-3km]范围内，区间在[90，150]范围内部的风暴相对螺旋度的最大值SRHmax，获取单体内部区间值在[9，Wmax]上升速度值中最大速度Wmax，并保证在满足条件①90≤SRH≤SRHmax及满足条件②9≤W≤Wmax，获取模式输出量中冰晶的质量混合比最大值CRmax、最小值CRmin，获取雪晶质量混合比最大值AGmax、最小值AGmin，获取过冷云水(在0℃层上方)质量混合比最大值RAmax、最小值RAmin，获取霰粒子质量混合比最大值GRmax、最小值GRmin；最终得到各水成物粒子区间：CR[CRmin，CRmax]、AG[AGmin，AGmax]、RA[RAmin，RAmax]、GR[GRmin，GRmax]；所选取的CR、AG、RA、GR的质量混合比值应当符合各对应最值区间范围。
在步骤S4中，包括：
S41、雹胚增长速率确定；通过公式
确定雹胚增长速率SGR，其中，M为权重，设置为0.5、0.5；Sit为SLDG和SHDG在m时段内的库数变化率，即低密度霰LDG和高密度霰HDG两种雹胚各自的形成速率,进行权重加权后设定为雹胚增长速率SGR；
S42、冰雹形成速率确定；获取m时段内，冰雹形成速率SHA；
其中，HAt是t时刻冰雹粒子所占库数；HAt+m是经过m时间段后冰雹粒子所占库数；
S43、雹胚的形成阶段和降雹阶段确定；公式
中，当1.5≤HF＜3时为雹胚的形成阶段；当HF≥3时为降雹阶段。
如图2所示，公开了一种雹云单体发展过程中雹胚形成及冰雹增长的预报方法的系统结构图；系统主要涉及观测和模拟两套主系统，其中观测主系统包括三个子系统(数据提取系统、质量控制系统、HID粒子识别系统)，采集数据先由数据提取系统提取偏振雷达观测数据(ZH、φDP、ZDR、KDP、ρHV以及探空温度T)，提取后经过质量控制系统进行质控，对符合运算要求的偏振数据导入到HID粒子识别系统，通过HID粒子识别系统对雹云发展各阶段全过程进行识别监测，特别是针对在成熟阶段中，雹胚形成的过程及冰雹增长过程进行定量监测。模拟主系统是利用WRF中尺度数值模式，通过FNL数据作为初始背景场，结合morrison双参数微物理方案，共涉及数据提取系统、运算系统两个子系统，首先由数据提取系统对模式输出结果进行提取，提取量涉及相关动力参量和过冷云水、过冷雨水、冰晶、雪晶、霰等液相和冰相的质量混合比值，之后通过运算系统进行算法统计加权，将两套系统得到的最终结果进行阈值比对，得出预报结果。
例举一个实施例，雹暴过程发生于2018年6月28日，整个过程持续时间近1小时，降雹时段集中发生在15:40-15:41时。最强回波超过60dBZ,单体强中心(ZH≥55dBZ)，雹云单体生成于威宁县羊街镇上空，整体稳定少动。在羊街镇与小海镇交界上空强回波区迅速加强并逐渐向南延伸。
如图3中a所示，是实验结果图1，在15:13时刻，反射率出现大于50dBZ的强中心，且强中心高度已经接近-20℃层(6.8km)。如图3中回波顶高度迅速增加至13km以上，强回波中心范围继续扩大，ZH≥55dBZ。
如图3、4所示，观测结果及模拟结果，提炼HSCR-HOCR、HSAG-HOAG、HSRA-HORA分别为0.6、0.7、0.9，得到权重加权结果0.76≥0.5，因此符合本实施例选例要求。
通过算法提取模式诊断量SRHmax(风暴相对螺旋度)为92.9、186.3，符合本发明中步骤S31参数限定，通过算法提取模式输出量量值Wmax(最大上升速度)分别为11.9、12.1，符合本发明中步骤S31参数限定。
如图6所示，选取雹云发展某时刻冰晶、雪晶、过冷云水、霰粒子质量混合比值为0.1、0.1、1.5、4通过加权求和，计算所得HF＝2.01，属于1.5≤HF＜3范围内，此时雹云发展正处于雹胚形成阶段。
如图7所示，选取雹云发展某时刻冰晶、雪晶、过冷云水、霰粒子质量混合比值为0.6、0.5、2、6.5通过加权求和，计算所得HF＝3.29，属于HF≥3范围内，此时雹云发展正处于冰雹增长阶段。
如图5a、5b，通过HID模糊逻辑算法确定在上述算例时间段(15:13-15:27)内，即m时间段内LDG、HDG、HA所占库数，得出雹胚形成速率及冰雹增长速；
即:SLDG＝62.6％，SHDG＝10.5％，SHA＝64.7％,根据SLDG、SHDG按照各自0.5的权重，最终得出雹胚形成率为SGR＝36.5％,冰雹增长率为SHA＝64.7％。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其效物界定。
Claims (5)
1.一种雹云单体发展过程中雹胚形成及冰雹增长的预报方法，其特征在于，包括以下步骤：
S1、采集相关数据，包括偏振雷达涉及的偏振相关数据，包括：反射率ZH、差分传播相移φDP，差分反射率ZDR、差分传播相移率KDP、零滞后互相关系数ρHV；以及WRF模式模拟数据相关提取量，包括风暴相对螺旋度SRH、风暴最大上升速度Wmax、霰粒子、冰晶粒子和雪晶粒子以及过冷云水的质量混合比；
S2、对经过步骤S1提取的偏振相关数据进行质量控制，通过偏振相关数据与模式模拟数据进行对比验证，获取可靠的模拟数据；
S3、对经过步骤S2对比验证后的模式模拟数据的相关输出量进行技术提取，对已经获取的偏振相关数据利用模糊逻辑粒子相态识别算法进行相态识别；
S4、对经过步骤S1、S2、S3后得到相态识别结果以及模式输出量进行计算，最终得到雹胚形成指数及降雹指数从而确定雹胚形成阶段及降雹阶段，并获取相应雹胚增长速率和成雹速率。
2.根据权利要求1所述的一种雹云单体发展过程中雹胚形成及冰雹增长的预报方法，其特征在于，步骤S2包括：
S21、质量控制；步骤S21包括步骤S211和S212；
S211，差分相移退折叠；即对前后径向差分传播相移φDP进行连续性检查，保证可测量范围被限制在180°间隔范围内；
S212，滤波；即对退折叠后的差分传播相移φDP进行综合小波去噪；步骤S212包括步骤S2121和步骤S2122；步骤S2121为资料识别：利用模糊逻辑算法对φDP进行识别；步骤S2122为逐步订正：将超出±2°的φDP限制在±2°范围内，对反射率ZH及差分反射率ZDR通过自适应约束算法进行衰减订正；
S22、初步筛选出偏振相关数据及模式模拟中反射率ZH≥45dBZ的个例；
S23、偏振相关数据中冰晶粒子CR的最低海拔高度及最高海拔高度差值为HOCR；偏振相关数据中雪晶粒子AG的最低海拔高度及最高海拔高度差值为HOAG；偏振相关数据中过冷云水RA的最低海拔高度及最高海拔高度差值为HORA；模式模拟中冰晶粒子CR的最低海拔高度及最高海拔高度差值为HSCR；模式模拟中雪晶粒子AG的最低海拔高度及最高海拔高度差值为HSAG；模式模拟中过冷云水RA的最低海拔高度及最高海拔高度差值为HSRA；
S231、偏振相关数据及模式模拟结果中冰晶粒子CR的对应高度差值为HSCR-HOCR；偏振相关数据及模式模拟结果中雪晶粒子AG的对应高度差值为HSAG-HOAG；偏振相关数据及模式模拟结果中过冷云水RA的对应高度差值为HSRA-HORA；
S232、对HSCR-HOCR、HSAG-HOAG、HSRA-HORA分别赋予0.2,0.4,0.4的权重进行加权，将满足此绝对值|0.2(HSCR-HOCR)+0.4(HSAG-HOAG)+0.4(HSRA-HORA)|≥0.5的阈值条件判定为偏振相关数据与模式模拟结果相符合的结果。
3.根据权利要求2所述的一种雹云单体发展过程中雹胚形成及冰雹增长的预报方法，其特征在于，步骤S3包括以下步骤：
S31、选取反射率ZH≥45dBZ的三维对流空间范围内进行提取WRF模式相关输出量，并获取关键粒子权重，通过权重加权公式
得出雹胚形成阈值指数及降雹阈值指数，公式
中，其中：M为权重0.1、0.25、0.25、0.4，Tis为符合限定条件的各水成物粒子最值范围；
S32、观测利用模糊逻辑粒子相态识别算法，采用不对称梯形函数作为隶属函数对雹胚及冰雹进行识别，输入参量为偏振相关量ZH、ZDR、KDP、ρHV以及环境温度参量T；
其中，x1、x2、x3、x4为阈值参数，x为变量值；
S321、通过模糊逻辑算法,根据公式
其中Mis为各偏振相关量权重，Ai为最终获得粒子识别结果即库数值；
冰雹HA的权重对应ZH、ZDR、KDP、ρHV分别为0.4、0.3、0.2、0.1；
低密度霰LDG的权重对应ZH、ZDR、KDP、ρHV、T分别为0.3、0.2、0.1、0.1、0.3
高密度霰HDG的权重对应ZH、ZDR、KDP、ρHV、T分别为0.3、0.2、0.1、0.1、0.3
对应加权得到HA、LDG、HDG具体值；
S322、获取m时段内，低密度霰形成速率SLDG、高密度霰形成速率SHDG；
其中，LDGt是t时刻时低密度霰粒子所占的库数；LDGt+m是经过m时间段后低密度霰粒子所占库数；HDGt是t时刻高密度霰粒子所占的库数；HDGt+m是经过m时间段后高密度霰粒子所占库数。
4.根据权利要求3所述的一种雹云单体发展过程中雹胚形成及冰雹增长的预报方法，其特征在于,步骤S31包括：从选定区域内部获取低层[0-3km]范围内，区间在[90，150]范围内部的风暴相对螺旋度的最大值SRHmax，获取单体内部区间值在[9，Wmax]上升速度值中最大速度Wmax，并保证在满足条件①90≤SRH≤SRHmax及满足条件②9≤W≤Wmax，获取模式输出量中冰晶的质量混合比最大值CRmax、最小值CRmin，获取雪晶质量混合比最大值AGmax、最小值AGmin，获取过冷云水(在0℃层上方)质量混合比最大值RAmax、最小值RAmin，获取霰粒子质量混合比最大值GRmax、最小值GRmin；最终得到各水成物粒子区间：CR[CRmin，CRmax]、AG[AGmin，AGmax]、RA[RAmin，RAmax]、GR[GRmin，GRmax]；所选取的CR、AG、RA、GR的质量混合比值应当符合各对应最值区间范围。
5.根据权利要求4所述的一种雹云单体发展过程中雹胚形成及冰雹增长的预报方法，其特征在于,在步骤S4中，包括：
S41、雹胚增长速率确定；通过公式
确定雹胚增长速率SGR，其中，M为权重，设置为0.5、0.5；Sit为SLDG和SHDG在m时段内的库数变化率，即低密度霰LDG和高密度霰HDG两种雹胚各自的形成速率,进行权重加权后设定为雹胚增长速率SGR；
S42、冰雹形成速率确定；获取m时段内，冰雹形成速率SHA；
其中，HAt是t时刻冰雹粒子所占库数；HAt+m是经过m时间段后冰雹粒子所占库数；
S43、雹胚的形成阶段和降雹阶段确定；公式
中，当1.5≤HF＜3时为雹胚的形成阶段；当HF≥3时为降雹阶段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010529069.9A CN111694000B (zh) | 2020-06-11 | 2020-06-11 | 雹云单体发展过程中雹胚形成及冰雹增长的预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010529069.9A CN111694000B (zh) | 2020-06-11 | 2020-06-11 | 雹云单体发展过程中雹胚形成及冰雹增长的预报方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111694000A true CN111694000A (zh) | 2020-09-22 |
| CN111694000B CN111694000B (zh) | 2023-03-21 |
Family
ID=72480319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010529069.9A Active CN111694000B (zh) | 2020-06-11 | 2020-06-11 | 雹云单体发展过程中雹胚形成及冰雹增长的预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111694000B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114706146A (zh) * | 2022-03-23 | 2022-07-05 | 成都信息工程大学 | 复杂地形下雹暴过程中雹胚的生长和降雹阶段的预报方法 |
| CN114706145A (zh) * | 2022-03-23 | 2022-07-05 | 成都信息工程大学 | 基于雹云微物理与热动力特征的冰雹预警方法 |
| CN116108338A (zh) * | 2023-04-13 | 2023-05-12 | 北京弘象科技有限公司 | 一种针对粒子相态的动态集合识别方法和装置 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1082311A (zh) * | 1993-04-21 | 1994-02-23 | 黑龙江省人民政府人工降雨办公室 | 人工影响天气技术系统 |
| CN1117619A (zh) * | 1994-03-25 | 1996-02-28 | 摩托罗拉公司 | 执行模糊逻辑运算的数字处理器及其执行方法 |
| US7983843B1 (en) * | 2006-04-24 | 2011-07-19 | Wsi, Corporation | Weather severity and characterization system |
| CN102577799A (zh) * | 2012-02-20 | 2012-07-18 | 北京师范大学 | 一种人工模拟降雹灾害的试验方法 |
| WO2014144331A1 (en) * | 2013-03-15 | 2014-09-18 | The Board Of Regents Of The University Of Oklahoma | System and method for tornado prediction and detection |
| CN105334551A (zh) * | 2015-12-10 | 2016-02-17 | 国网四川省电力公司电力科学研究院 | 基于数值天气预报模式的电网气象预测预警系统 |
| 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 |
| 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 |
| CN109814179A (zh) * | 2019-01-04 | 2019-05-28 | 南京信息工程大学 | 一种基于云感知的应急通信处理系统 |
| CN109975809A (zh) * | 2019-04-26 | 2019-07-05 | 兰州大学 | 一种同化雷达及闪电资料的方法 |
| CN110390117A (zh) * | 2018-04-20 | 2019-10-29 | 中国电力科学研究院有限公司 | 一种雷暴起电过程的数值模拟方法和系统 |
| CN110488296A (zh) * | 2019-08-21 | 2019-11-22 | 成都信息工程大学 | 对流单体降雹偏振雷达zdr柱在线监测数据预警方法 |
| CN110488297A (zh) * | 2019-08-30 | 2019-11-22 | 成都信息工程大学 | 一种复杂地形区域雹暴的预警方法 |
| US20190383966A1 (en) * | 2018-04-19 | 2019-12-19 | Korea Meteorological Administration | Apparatus for forecasting of hydrometeor classification using numerical weather prediction model and method thereof |
| CN110632574A (zh) * | 2019-11-12 | 2019-12-31 | 徐州市气象局 | 一种雹暴单体回波识别、追踪与短时预报系统 |
| CN110929543A (zh) * | 2018-08-30 | 2020-03-27 | 阿里巴巴集团控股有限公司 | 一种气象数据处理方法及装置 |
-
2020
- 2020-06-11 CN CN202010529069.9A patent/CN111694000B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1082311A (zh) * | 1993-04-21 | 1994-02-23 | 黑龙江省人民政府人工降雨办公室 | 人工影响天气技术系统 |
| CN1117619A (zh) * | 1994-03-25 | 1996-02-28 | 摩托罗拉公司 | 执行模糊逻辑运算的数字处理器及其执行方法 |
| US7983843B1 (en) * | 2006-04-24 | 2011-07-19 | Wsi, Corporation | Weather severity and characterization system |
| CN102577799A (zh) * | 2012-02-20 | 2012-07-18 | 北京师范大学 | 一种人工模拟降雹灾害的试验方法 |
| WO2014144331A1 (en) * | 2013-03-15 | 2014-09-18 | The Board Of Regents Of The University Of Oklahoma | System and method for tornado prediction and detection |
| CN105334551A (zh) * | 2015-12-10 | 2016-02-17 | 国网四川省电力公司电力科学研究院 | 基于数值天气预报模式的电网气象预测预警系统 |
| 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 |
| US20190383966A1 (en) * | 2018-04-19 | 2019-12-19 | Korea Meteorological Administration | Apparatus for forecasting of hydrometeor classification using numerical weather prediction model and method thereof |
| CN110390117A (zh) * | 2018-04-20 | 2019-10-29 | 中国电力科学研究院有限公司 | 一种雷暴起电过程的数值模拟方法和系统 |
| 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 |
| CN110929543A (zh) * | 2018-08-30 | 2020-03-27 | 阿里巴巴集团控股有限公司 | 一种气象数据处理方法及装置 |
| CN109814179A (zh) * | 2019-01-04 | 2019-05-28 | 南京信息工程大学 | 一种基于云感知的应急通信处理系统 |
| CN109975809A (zh) * | 2019-04-26 | 2019-07-05 | 兰州大学 | 一种同化雷达及闪电资料的方法 |
| CN110488296A (zh) * | 2019-08-21 | 2019-11-22 | 成都信息工程大学 | 对流单体降雹偏振雷达zdr柱在线监测数据预警方法 |
| CN110488297A (zh) * | 2019-08-30 | 2019-11-22 | 成都信息工程大学 | 一种复杂地形区域雹暴的预警方法 |
| CN110632574A (zh) * | 2019-11-12 | 2019-12-31 | 徐州市气象局 | 一种雹暴单体回波识别、追踪与短时预报系统 |
Non-Patent Citations (7)
| Title |
|---|
| A. LUPIDI, C. MOSCARDINI, F. BERIZZI AND M. MARTORELLA: "Simulation of X-band polarimetric weather radar returns based on the Weather Research and Forecast model", 《IEEE》 * |
| BAE, SY; HONG, SY AND TAO, WK: "Development of a Single-Moment Cloud Microphysics Scheme with Prognostic Hail for the Weather Research and Forecasting (WRF) Model", 《ASIA-PACIFIC JOURNAL OF ATMOSPHERIC SCIENCES 》 * |
| BRADLEY T. ZAVODSKY;SHIH-HUNG CHOU;GARY J. JEDLOVEC: "Improved Regional Analyses and Heavy Precipitation Forecasts With Assimilation of Atmospheric Infrared Sounder Retrieved Thermodynamic Profiles", 《IEEE》 * |
| JOHNSON, M: "Comparison of Simulated Polarimetric Signatures in Idealized Supercell Storms Using Two-Moment Bulk Microphysics Schemes in WRF", 《MONTHLY WEATHER REVIEW》 * |
| 廉纯皓,郭凤霞,曾凡辉,甘明骏,黎奇,刘泽,张晓黄,蔡彬彬,张坤: "雷暴云中起电活动对动力和微物理过程的影响", 《大气科学》 * |
| 赵川鸿: "雹暴的微物理过程观测研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
| 钱鑫铭,周筠珺,赵鹏国,刘恒,李思盟: "一次四川盆地雷暴天气的数值模拟分析", 《成都信息工程大学学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114706146A (zh) * | 2022-03-23 | 2022-07-05 | 成都信息工程大学 | 复杂地形下雹暴过程中雹胚的生长和降雹阶段的预报方法 |
| CN114706145A (zh) * | 2022-03-23 | 2022-07-05 | 成都信息工程大学 | 基于雹云微物理与热动力特征的冰雹预警方法 |
| CN114706146B (zh) * | 2022-03-23 | 2023-11-03 | 成都信息工程大学 | 复杂地形下雹暴过程中雹胚的生长和降雹阶段的预报方法 |
| CN114706145B (zh) * | 2022-03-23 | 2023-11-21 | 成都信息工程大学 | 基于雹云微物理与热动力特征的冰雹预警方法 |
| CN116108338A (zh) * | 2023-04-13 | 2023-05-12 | 北京弘象科技有限公司 | 一种针对粒子相态的动态集合识别方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111694000B (zh) | 2023-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111694000B (zh) | 雹云单体发展过程中雹胚形成及冰雹增长的预报方法 | |
| CN107843884B (zh) | 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 | |
| Bouttier et al. | Sensitivity of the AROME ensemble to initial and surface perturbations during HyMeX | |
| Moon et al. | An improved forecast of precipitation type using correlation-based feature selection and multinomial logistic regression | |
| CN104408900B (zh) | 基于动态优化的神经网络洪水预警装置及其方法 | |
| CN107526083B (zh) | 一种基于天气雷达数据的强对流风力等级预测方法 | |
| CN111366931B (zh) | 一种基于云雷达的云降水精细化反演方法 | |
| Adams-Selin et al. | Evolution of WRF-HAILCAST during the 2014–16 NOAA/hazardous weather testbed spring forecasting experiments | |
| CN111767517B (zh) | 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质 | |
| CN111414991A (zh) | 一种基于多元回归的气象锋面自动识别方法 | |
| CN113420489A (zh) | 一种双偏振雷达降水优化反演方法 | |
| CN107356926A (zh) | 基于Hu矩的差值云团外推降雨预测算法 | |
| CN110488296B (zh) | 对流单体降雹偏振雷达zdr柱在线监测数据预警方法 | |
| CN110488297B (zh) | 一种复杂地形区域雹暴的预警方法 | |
| CN107229084A (zh) | 一种自动识别，跟踪并预测对流系统目标的方法 | |
| CN115935215B (zh) | 极端天气下基于深度学习的输电线路覆冰预警方法及系统 | |
| CN111352113A (zh) | 一种强对流天气短临预报方法及系统、存储介质和终端 | |
| CN109948839B (zh) | 架空输电线路舞动风险的预测和预警方法及系统 | |
| Valverde et al. | Neural network and fuzzy logic statistical downscaling of atmospheric circulation-type specific weather pattern for rainfall forecasting | |
| CN110456355A (zh) | 一种基于长短时记忆和生成对抗网络的雷达回波外推方法 | |
| CN108254750A (zh) | 一种基于雷达资料的下击暴流智能识别预警方法 | |
| Liu et al. | Classified early warning and forecast of severe convective weather based on LightGBM algorithm | |
| CN110502526A (zh) | 一种适用于结冰现象的资料序列插补的方法 | |
| CN110687618A (zh) | 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 | |
| CN117784288A (zh) | 一种基于天气预报的覆冰增长的预测方法及系统 |
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 |