CN112965068A - 一种基于雷达回波数据的雨团检测与追踪的短临降雨预报算法 - Google Patents

Abstract

一种基于雷达回波数据的雨团检测与追踪的短临降雨预报算法，其属于水文气象预报预警的技术领域。该算法首先引入降雨单体识别与追踪算法‑RCIT用于识别雷达数据的降雨回波和生成回波的历史移动轨迹，然后根据历史移动轨迹使用半拉格朗日与拉格朗日方程在指定的预见期内对回波进行外推。RCIT算法改进了基于对流场算法无法有效提取雨团特征的缺点，并且改进了基于质心追踪和形状匹配的算法只能获取雨团的局部移动矢量的缺点。RCIT算法增加雨团生命周期内其合并和分裂形态特征的判别和描述，扩充了对雨团变化特征的识别，包括：生长、移动、合并、分裂、消亡。本算法采用PIV方法生成的雨团全局移动矢量，具有很好的连续性，可应用于降雨的临近外推预报。

Description

一种基于雷达回波数据的雨团检测与追踪的短临降雨预报 算法

技术领域

本发明涉及一种基于雷达回波数据的雨团检测与追踪的短临降雨预报算法，其属于水文气象预报预警的技术领域。

背景技术

强降水引发的气象灾害对社会危害极大，对其进行分析和临近预报，对于防灾减灾意义重大。以气象雷达观测资料为主的降雨分析和临近预报方法是构成短时临近预报系统的关键技术之一，是气象灾害预报预警的重要技术支撑。

天气雷达在降雨分析和临近预报中的重要应用之一是利用其生成的雷达回波数据产品识别和跟踪降雨对象，并对回波数据进行外推已获得短临预报结果。基本原理表述如下：在对流条件下，单个雨团形成于与强降水相关的中尺度对流系统中，并展示出有组织的结构。基于此，可以对雨团进行建模，获取它们的物理或几何特征并且追踪雨团的运动轨迹，根据运动轨迹在设定的预见期内模拟雨团未来的运动情况。

目前基于天气雷达的降雨分析和临近预报算法可以分为：

(1)基于最大相关性的对流场分析算法(例如：TREC、CO-TREC)；

(2)基于质心追踪和形状匹配的算法(例如：TITAN、SCIT、Trace3D)；

(3)基于数值模型融合的算法(例如：STEPS、COSMO、GANDOLF)。

目前大多数临近预报算法存在的不足主要体现在：

(1)对降雨单体移动轨迹的稳定性和鲁棒性不够。

(2)无法有效获取与降雨单体在生命周期内的全部形态特征。现有技术多集中在获取雨团的生长和消亡过程中的形态特征，而对起生命周期内频繁发生的合并和分裂特征研究较少。

发明内容

针对以上两点不足提出了一种新的基于气象雷达回波数据的临近预报算法，新算法首先引入降雨单体识别与追踪算法-RCIT(Rain Cluster Identification andTracking)用于识别雷达数据的降雨回波和生成回波的历史移动轨迹，然后根据历史移动轨迹使用半拉格朗日与拉格朗日方程在指定的预见期内对回波进行外推。RCIT算法改进了基于对流场算法无法有效提取雨团特征的缺点，并且改进了基于质心追踪和形状匹配的算法只能获取雨团的局部移动矢量的缺点。RCIT算法也增加了雨团生命周期内其合并和分裂形态特征的判别和描述。

本发明采用的技术方案为：一种基于雷达回波数据的雨团检测与追踪的短临降雨预报算法，该算法的总体流程包括照雨团识别和雨团追踪两个模块，具体包括以下步骤：

S1、雨团识别采用中值滤波算法来平滑雷达回波数据中具有异常值的元素，即通过大小预先定义的区域来将区域内需要被处理的的元素值更改为该子区域所有元素的中值；

S2、雨团判别流程从经过数据平滑的雷达回波数据中确定具有相同特征并且联通的元素区域；是对超过给定回波反射率阈值的元素分配标签并形成簇，使得具有相同标签的元素拥有共同的特性，然后通过边缘检测方法提取簇的轮廓；

如果元素的回波反射率回波阈值低于给定的阈值，则将其设置为空值；对于任意元素及其周边的8个相邻元素，如果存在5个以上的空值，则将该元素其设置为空值；如果存在“峰值”元素，则将该元素设置为空值；如果识别的雨团面积小于9km²，则忽略该雨团；

S3、雨团追踪采用粒子图像测速法从雷达回波数据中获得雨团在连续时间间隔内的全局移动矢量；

1)选取任意两个相邻时刻的雷达回波数据，以矩阵的形式表示；定义r×r大小的区域，则整个雷达回波数据矩阵可以分为L/r个子区域,L为雷达回波数据矩阵的长度；

2)对于前一时间雷达回波数据矩阵任意子区域中的任意元素，使用最小二次差方法推导它们与下时间雷达回波数据矩阵任意子区域中任意像元的最小反射率差值，对计算结果取反，得到值最大的元素的位置；

3)使用二元多项式拟合方法提取下一时刻雷达回波数据中最佳u的位置Δx、Δy；对所有像元执行上述操作，最终得到雨团的全局移动矢量；

最小二次方差MQD表达为：

其中，R₁(X_i,Y_j)和R₂(X_i+Δx,Y_j+Δy)分别是时间t和t+Δt时刻包含在雷达图像诊断框内的像元反射率；Δx和Δy分别是水平和垂直方向上最小反射率差的位移；

S4、雨团匹配：对于任意连续时刻的雷达回波数据，定义前一时刻雷达回波数据中识别的雨团称为父雨团，下一时刻雷达回波数据中识别的雨团称为子雨团；对于每个已识别的父雨团，使用雨团匹配规则来找到其最匹配的子雨团；前后时刻的间隔为Δt；雨团匹配方法如下：

1)每个父雨团定义一个边界框，该框的范围大于父雨团的大小；边界框的水平长度是父雨团的最大水平长度加20km，边界框的垂直长度是父雨团的最大垂直长度加20km；

2)计算落入边界框中的子雨团个数：对于每个落入边界框的子雨团，记录其面积、累积降雨量、最大降雨率、平均降雨率和质心；根据每个子雨团的质心，算出子雨团与父雨团的位移差；

3)对于落入边界框中的每个子雨团，寻找其中最匹配的子雨团；分两种情形：如果只有一个子雨团落入边界框中，并且与父雨团存在交叉，则它就是最匹配的子雨团；

否则就考虑以下情形：首先，与算出的全局运动矢量的平均值比对，当与父雨团的质心距离和角度差小于给定的阈值时，该雨团为最匹配的子雨团；其次，如果两个或多个子雨团落入边界框但与父雨团无重叠，需要计算子雨团与其父雨团的面积差异，面积差最小的子雨团即是最匹配的子雨团。

本发明的有益效果为：与传统降雨对象识别与追踪算法相比，RCIT算法的优点如下：

可以识别并捕捉雨团在其生命周期中的生长和消亡状态。在一次降雨事件中，雨团的物理和几何特征总是有变化的，现有算法只能识别雨团的生成、增长和消亡状态。事实上，雨团的变化不仅仅与其内部增长和衰减有关，而且也受外部雨团影响(例如合并或分裂)。RCIT算法扩充了对雨团变化特征的识别，包括：生长、移动、合并、分裂、消亡。

采用PIV方法生成的雨团全局移动矢量与基于最大相关性的对流场分析算法相比，具有很好的连续性，可以进一步应用于降雨的临近外推预报。

附图说明

图1是雨团识别模块的流程图。

图2是雨团追踪模块的流程图。

图3是雷达反射阈值水平和对应的降雨类型。

图4是使用PIV方法生成全局移动矢量的流程图。

图5是最佳子雨团判别流程图。

图6是RCIT算法的SAL验证结果，(a)表示对2007年5月26日雷达图像生成的弱雨团的SAL验证结果；(b)表示对2008年7月19日雷达图像生成的弱雨团的SAL验证结果；(c)表示对2008年7月26日雷达图像生成的弱雨团的SAL 验证结果；(d)与(a)相同，但表示的是对流雨团的SAL验证结果；(e)与 (b)相同，但表示的是对流雨团的SAL验证结果；(f)与(c)相同，但表示的是对流雨团的SAL验证结果。

图7是RCIT算法生成的雨团移动向量的风玫瑰图。

具体实施方式

结合附图1到图7，RCIT算法的总体流程按照雨团识别和雨团追踪两个模块分别进行叙述。

雨团识别中，首先，采用中值滤波算法平滑雷达回波数据；其次，设计了雨团判别流程，并通过椭圆形拟合得到雨团的物理和几何特征；最后，将这些特征存储在关系数据库中。雨团识别模块的流程如图1所示。

数据平滑用来平滑雷达回波数据中具有异常值的元素。采用了中值滤波算法来进行数据平滑。通过大小预先定义的区域来将区域内需要被处理的的元素值更改为该子区域所有元素的中值。

雨团判别流程用于从经过数据平滑的雷达回波数据中确定具有相同特征并且联通的元素区域。确切地说，是对超过给定回波反射率阈值的元素分配标签并形成簇(图2中表示雷达反射阈值水平和对应的降雨类型)，使得具有相同标签的元素拥有共同的特性，然后通过边缘检测方法提取簇的轮廓。具体流程展示如下：如果元素的回波反射率回波阈值低于给定的阈值，则将其设置为空值。对于任意元素及其周边的8个相邻元素，如果存在5个以上的空值，则将该元素其设置为空值。如果存在“峰值”元素，则将该元素设置为空值。如果识别的雨团面积小于9km²，则忽略该雨团。

雨团追踪模块，雨团追踪模块的流程如图3所示。

步骤一：采用粒子图像测速法从雷达回波数据中获得雨团在连续时间间隔内的全局移动矢量(这里的雷达回波数据没有经过中值滤波过程处理并且未设定反射率阈值)；

步骤二：对任意前后相邻时刻的雷达回波数据，使用雨团识别模块识别它们的雨团并提取其特征；

步骤三：设计雨团匹配规则用于识别后一时刻雷达回波数据中与前一时刻雨团最佳匹配的子雨团；

步骤四：根据相邻时刻雨团的父子关系对其进行连接，并存储到关系数据库中。

粒子图像测速(Particle Image Velocimetry,PIV)法是一种流动可视化的光学方法，用于获得流体的瞬时速度和相关性质。PIV方法包括一系列流体测量技术，其特征是通过记录事先掺入流体中的小颗粒的位移情况来获取整个流体的位移情况。在本发明中，PIV方法被用于模拟相邻时间间隔内雨团的全局运动矢量，图4介绍了本专利中采用PIV方法生成全局运动矢量的流程。

详细步骤说明如下：

步骤一：选取任意两个相邻时刻的雷达回波数据，以矩阵的形式表示。定义 r×r大小的区域，则整个雷达回波数据矩阵可以分为L/r个子区域,L为雷达回波数据矩阵的长度；

步骤二：对于前一时间雷达回波数据矩阵任意子区域中的任意元素，使用最小二次差(MQD)方法推导它们与下时间雷达回波数据矩阵任意子区域中任意像元的最小反射率差值，对计算结果取反，得到值最大的元素的位置；

步骤三：使用二元多项式(Second order poly nominal)拟合方法提取下一时刻雷达回波数据中最佳u的位置Δx、Δy。对所有像元执行上述操作，最终得到雨团的全局移动矢量。最小二次方差(MQD)方法在本发明中表达为：

其中R₁(X_i,Y_j)和R₂(X_i+Δx,Y_j+Δy)分别是时间t和t+Δt时刻包含在雷达图像诊断框内的像元反射率；Δx和Δy分别是水平和垂直方向上最小反射率差的位移。

雨团匹配规则：对于任意连续时刻的雷达回波数据，定义前一时刻雷达回波数据中识别的雨团称为父雨团，下一时刻雷达回波数据中识别的雨团称为子雨团。对于每个已识别的父雨团，使用雨团匹配规则来找到其最匹配的子雨团。图5 阐释了本研究中使用的雨团匹配规则。在这里，前后时刻的间隔为Δt。

所提出的雨团匹配方法如下：

1)每个父雨团定义一个边界框，该框的范围大于父雨团的大小。这里，边界框的水平长度是父雨团的最大水平长度加20km，边界框的垂直长度亦然。

2)计算落入边界框中的子雨团个数。对于每个落入边界框的子雨团，记录其以下4个特征：面积，累积降雨量，最大和平均降雨率。本步骤要考虑的另一个重要特征是质心。一旦得到每个子雨团的质心，就能很容易地算出子雨团与父雨团的位移差。

3)对于落入边界框中的每个子雨团，寻找其中最匹配的子雨团。分两种情形：如果只有一个子雨团落入边界框中，并且与父雨团存在交叉，则它就是最匹配的子雨团；否则就考虑以下情形：首先，与算出的全局运动矢量的平均值比对，当与父雨团的质心距离和角度差小于给定的阈值时，该雨团也算作最匹配的子雨团；其次，如果两个或多个子雨团落入边界框但与父雨团无重叠，匹配规则与第一种情形相同，但需要计算这些子雨团与其父雨团的面积差异，面积差最小的子雨团即是最匹配的子雨团。

采用上述技术方案工作时，应用RCIT算法分析德国埃森雷达站2007年5月 26日、2008年7月19日和2008年7月26日的雷达回波数据，共得到反射率阈值超过19dBZ的弱雨团9991个，反射率阈值超过37dBZ的对流雨团3988个。表1展示了使用RCIT算法分析得到的处于各个变化特征阶段的雨团数量。

表1使用RCIT算法分析得到的处于各个变化特征阶段的雨团数量

为了验证RCIT算法对雨团的识别效果，采用基于对象的降雨验证方法-SAL，图 6展示了SAL方法的验证结果。可以看出S和A主要集中在0附近，说明通过算法生成的雨团的雨量和形态与雷达图像的观测值接近，而L值大部分小于0.2，说明生成的雨团位置与通过雷达图像观测的雨团位置差别很小。

通过绘制雨团移动向量的风玫瑰图(如图7所示)，可以看出RCIT算法生成的雨团移动情况与雷达观测的降雨移动方向是一致的。

Claims (1)

1.一种基于雷达回波数据的雨团检测与追踪的短临降雨预报算法，其特征在于，该算法的总体流程包括照雨团识别和雨团追踪两个模块，具体包括以下步骤：

S1、雨团识别采用中值滤波算法来平滑雷达回波数据中具有异常值的元素，即通过大小预先定义的区域来将区域内需要被处理的的元素值更改为该子区域所有元素的中值；

S2、雨团判别流程从经过数据平滑的雷达回波数据中确定具有相同特征并且联通的元素区域；是对超过给定回波反射率阈值的元素分配标签并形成簇，使得具有相同标签的元素拥有共同的特性，然后通过边缘检测方法提取簇的轮廓；

如果元素的回波反射率回波阈值低于给定的阈值，则将其设置为空值；对于任意元素及其周边的8个相邻元素，如果存在5个以上的空值，则将该元素其设置为空值；如果存在“峰值”元素，则将该元素设置为空值；如果识别的雨团面积小于9km²，则忽略该雨团；

S3、雨团追踪采用粒子图像测速法从雷达回波数据中获得雨团在连续时间间隔内的全局移动矢量；

1)选取任意两个相邻时刻的雷达回波数据，以矩阵的形式表示；定义r×r大小的区域，则整个雷达回波数据矩阵可以分为L/r个子区域,L为雷达回波数据矩阵的长度；

2)对于前一时间雷达回波数据矩阵任意子区域中的任意元素，使用最小二次差方法推导它们与下时间雷达回波数据矩阵任意子区域中任意像元的最小反射率差值，对计算结果取反，得到值最大的元素的位置；

3)使用二元多项式拟合方法提取下一时刻雷达回波数据中最佳u的位置Δx、Δy；对所有像元执行上述操作，最终得到雨团的全局移动矢量；最小二次方差MQD表达为：

其中，R₁(X_i,Y_j)和R₂(X_i+Δx,Y_j+Δy)分别是时间t和t+Δt时刻包含在雷达图像诊断框内的像元反射率；Δx和Δy分别是水平和垂直方向上最小反射率差的位移；

S4、雨团匹配：对于任意连续时刻的雷达回波数据，定义前一时刻雷达回波数据中识别的雨团称为父雨团，下一时刻雷达回波数据中识别的雨团称为子雨团；对于每个已识别的父雨团，使用雨团匹配规则来找到其最匹配的子雨团；前后时刻的间隔为Δt；雨团匹配方法如下：

1)每个父雨团定义一个边界框，该框的范围大于父雨团的大小；边界框的水平长度是父雨团的最大水平长度加20km，边界框的垂直长度是父雨团的最大垂直长度加20km；

2)计算落入边界框中的子雨团个数：对于每个落入边界框的子雨团，记录其面积、累积降雨量、最大降雨率、平均降雨率和质心；根据每个子雨团的质心，算出子雨团与父雨团的位移差；

3)对于落入边界框中的每个子雨团，寻找其中最匹配的子雨团；分两种情形：如果只有一个子雨团落入边界框中，并且与父雨团存在交叉，则它就是最匹配的子雨团；

否则就考虑以下情形：首先，与算出的全局运动矢量的平均值比对，当与父雨团的质心距离和角度差小于给定的阈值时，该雨团为最匹配的子雨团；其次，如果两个或多个子雨团落入边界框但与父雨团无重叠，需要计算子雨团与其父雨团的面积差异，面积差最小的子雨团即是最匹配的子雨团。

Images