CN113900103A - 突发性强对流灾害天气自适应快速识别预警改进算法 - Google Patents
突发性强对流灾害天气自适应快速识别预警改进算法 Download PDFInfo
- Publication number
- CN113900103A CN113900103A CN202110970371.2A CN202110970371A CN113900103A CN 113900103 A CN113900103 A CN 113900103A CN 202110970371 A CN202110970371 A CN 202110970371A CN 113900103 A CN113900103 A CN 113900103A
- Authority
- CN
- China
- Prior art keywords
- weather
- storm
- dimensional
- early warning
- radar
- 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.)
- Pending
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
- G01S13/958—Theoretical aspects
-
- 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
- G01S7/418—Theoretical aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了突发性强对流灾害天气自适应快速识别预警改进算法,包括如下步骤:S1、雷达数据质量控制;S2、数据插值与风暴单体识别;S3、计算获取强风暴灾害性天气雷达特征物理量;S4、建立强对流灾害性天气Logistic概率预警模型;S5、发布预警信息。本发明相比于传统单极化多普勒天气雷达,双线偏振多普勒天气雷达电磁散射波的偏振参数中包含了更为丰富的降水过程变化信息,除传统的反射率因子、径向速度和谱宽等物理量外,还包括差分反射率、差分传播相位、差分传播相移率、相关系数和退极化偏振比等偏振物理量;能够更准确地估计三维空间上水凝物大小、相态和数浓度分布,从而更精确的识别预警冰雹、龙卷和雷电等强对流灾害性天气。
Description
技术领域
本发明属于突发性强对流灾害天气识别领域,更具体地说,尤其涉及突发性强对流灾害天气自适应快速识别预警改进算法。
背景技术
强对流灾害性天气具有空间尺度小、生命史短、突发性强、发展演变迅速、破坏力大等特点,多普勒天气雷达以其高时空分辨率和快速扫描机制,成为实时探测预警中小尺度灾害性天气最为独特而有效的手段。
现有技术使用的TITAN系统是大气研究中心基于雷达观测体系开发的风暴识别、跟踪、分析和预报系统,在诸多地区得到了广泛应用,然而,TITAN 系统在识别强风暴单体时存在效率偏差,且没有充分考虑到强对流灾害性天气在不同气候、季节和复杂地形条件下三维结构特征的差异,仅采用反射率因子及其衍生产品和较为单一的阈值判定法来识别预警灾害性天气,使得该类方法存在较大误差,因此,我们提出突发性强对流灾害天气自适应快速识别预警改进算法。
发明内容
本发明的目的是为了解决现有技术中存在的缺点,而提出的突发性强对流灾害天气自适应快速识别预警改进算法。
为实现上述目的,本发明提供如下技术方案:
突发性强对流灾害天气自适应快速识别预警改进算法,包括如下步骤:
S1、雷达数据质量控制,所述雷达数据质量控制采用双线偏振雷达数据质量控制,所述双线偏振雷达数据质量控制包括地物杂波抑制、电磁波干扰抑制、晴空湍流抑制、缺测数据填补、差分传播相位噪声控制以及反射率因子和差分反射率衰减订正;
S2、数据插值与风暴单体识别,利用四点反距离权重法,将极坐标系数据插值转换为笛卡尔空间坐标系数据;
S3、计算获取强风暴灾害性天气雷达特征物理量,基于双线偏振雷达计算获取强风暴灾害性天气雷达特征物理量,并且给出特征物理量计算方法及其冰雹、雷电和龙卷等三类灾害性天气之间的关系;
S4、建立强对流灾害性天气Logistic概率预警模型,基于大样本的强对流灾害天气采样观测数据,使用极大似然函数估计法反演确定Logistics回归模型;
S5、发布预警信息。
优选的,步骤S2中待求笛卡尔空间插值点的计算式为:
其中,Dr,h为待求笛卡尔空间插值点,r,h分别为Dr,h距离雷达中心的水平距离和垂直高度;Db,Df,Du,Dd分别为Dr,h与相邻仰角数据的4个交点,rb,rf为点Db,Df距离雷达中心的水平距离,hu,hd为点Du,Dd所在高度。
优选的,完成笛卡尔三维空间坐标系数据插值后,采用基于二维图像识别的多次循环递归的区域生长法快速准确的识别二维强风暴面。
优选的,具体解决方法如下:
1)针对不同气候、季节和复杂地形区域,设置强对流风暴天气单体反射率因子阈值门限;沿垂直高度方向,由低到高一次遍历每层高度上的二维网格数据点;
2)设大于上述阈值门限的反射率因子为初始种子点,并以该种子点为中心,依次遍历指定高度二维网格数据点四个邻域点是否满足阈值条件,满足条件的邻域点成为新的种子点,并将该点的三维坐标信息和反射率因子数据存入二维风暴特征向量中,同时将该点反射率因子值删除,防止重复遍历;当不再有新种子点满足阈值条件后,结束当前遍历;递归重复上述区域生长检索过程,直到遍历完整个二维网格数据点位置;删除面积小于给定阈值的二维风暴面,最终获取满足预设条件的二维强风暴面;
3)沿垂直高度方向上,从低到高依次搜寻相邻高度上的二维风暴面;检索完毕后,从最低高度层开始,每个二维风暴面都和相邻高度层的二维风暴面进行比较;判断相邻两个高度层二维风暴面质心点的水平距离相关度是否在给定阈值范围以内;重复上述步骤直到无相关二维风暴面,则终止当前搜索;加入该组二维风暴面到一个三维风暴体中,并删除它们防止重复搜索;依次循环检索识别,直到遍历完所有垂直高度层上的二维风暴面,则全部搜索完成。
优选的,步骤S4中,强对流灾害性天气的雷达特征物理变量定义如下:
X1=30dBZ强回波高度;X2=40dBZ强回波高度;X3=最大反射率因子;X4=垂直累积液水含量密度;X5=回波顶高;X6=-20°等温线高度差;X7=0°等温线高度差;X8=相对径向速度负散度极大值;X9=相对径向速度正涡度极大值;X10=冰雹指数;X11=谱宽大值;X12=对流风暴垂直延展厚度;X13=龙卷TVS。
优选的,步骤S4中基于下式建立强对流灾害性天气Logistics概率预警模型:
其中,式中a0,a1,i=1,2,3...n为待反演的回归模型系数,对于冰雹灾害性天气的识别预警,自变量因子取X1,X2,X3,X4,X5,X10;对于雷电灾害性天气的识别预警,自变量因子取X3,X5,X6,X7;对于龙卷灾害性天气的识别预警,自变量因子取X8,X9,X11,X12,X13。
本发明的技术效果和优点:
1.本发明相比于传统单极化多普勒天气雷达,双线偏振多普勒天气雷达电磁散射波的偏振参数中包含了更为丰富的降水过程变化信息,除传统的反射率因子、径向速度和谱宽等物理量外,还包括差分反射率、差分传播相位、差分传播相移率、相关系数和退极化偏振比等偏振物理量;它们能够反映水凝物粒子在水平和垂直方向上尺度的差异,从而能够更准确地估计三维空间上水凝物大小、相态和数浓度分布,从而更精确的识别预警冰雹、龙卷和雷电等强对流灾害性天气;
2.本发明中,Logistics多元回归函数是一种利用多个因变量联合统计分析的非线性概率模型;该模型指出:对于非线性物理过程,当无法用准确函数进行描述时,可以先分析研究模型的关键影响因子,然后通过大样本观测数据反演回归概率模型;建立不同气候、季节和地形条件下的强对流灾害性天气Logistics识别预警概率模型,能够很好解决单一阈值判定法对非线性强对流天气识别预警产生的较大误差。
附图说明
图1为本发明的突发性强对流灾害天气的自适应快速识别预警算法总体流程框架图;
图2为本发明的双线偏振雷达数据质量法控制技术方案流程图;
图3为本发明的双线偏振雷达地物杂波抑制对比图;
图4为本发明的双线偏振雷达差分反射率值衰减订正对比图;
图5为本发明的四点反距离权重插值法示意图;
图6为本发明的循环递归的区域生长法识别二维强风暴面流程图;
图7为本发明的实时例中强对流暴雨天气的风暴单体识别图;
图8为本发明的强对流风暴天气雷达特征物理量与冰雹、雷电和龙卷等灾害性天气之间的关系图;
图9为本发明的实施例中强飑线天气的冰雹、雷电和龙卷识别预警图;
图10为本发明实施例2中笛卡尔直角坐标系下的二维对流回波识别示意图;
图11为本发明实施例2中二维风暴面合成三维风暴单体示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合具体实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本发明技术直接采用双线偏振雷达观测资料,相比于传统算法采用的单极化雷达资料,在雷达数据质量控制方法上有所差异;主要包括地物杂波抑制、电磁波干扰抑制、晴空湍流抑制、缺测数据填补、差分传播相位噪声控制以及反射率因子和差分反射率衰减订正等几个方面;
如图1所示,突发性强对流灾害天气自适应快速识别预警改进算法,包括如下步骤:
S1、雷达数据质量控制,所述雷达数据质量控制采用双线偏振雷达数据质量控制,所述双线偏振雷达数据质量控制包括地物杂波抑制、电磁波干扰抑制、晴空湍流抑制、缺测数据填补、差分传播相位噪声控制以及反射率因子和差分反射率衰减订正;
S2、数据插值与风暴单体识别,利用四点反距离权重法,将极坐标系数据插值转换为笛卡尔空间坐标系数据;
S3、计算获取强风暴灾害性天气雷达特征物理量,基于双线偏振雷达计算获取强风暴灾害性天气雷达特征物理量,并且给出特征物理量计算方法及其冰雹、雷电和龙卷等三类灾害性天气之间的关系;
S4、建立强对流灾害性天气Logistic概率预警模型,基于大样本的强对流灾害天气采样观测数据,使用极大似然函数估计法反演确定Logistics回归模型;
S5、发布预警信息;
相比于传统单极化多普勒天气雷达,双线偏振多普勒天气雷达电磁散射波的偏振参数中包含了更为丰富的降水过程变化信息,除传统的反射率因子、径向速度和谱宽等物理量外,还包括差分反射率、差分传播相位、差分传播相移率、相关系数和退极化偏振比等偏振物理量;它们能够反映水凝物粒子在水平和垂直方向上尺度的差异,从而能够更准确地估计三维空间上水凝物大小、相态和数浓度分布,从而更精确的识别预警冰雹、龙卷和雷电等强对流灾害性天气;
Logistics多元回归函数是一种利用多个因变量联合统计分析的非线性概率模型;该模型指出:对于非线性物理过程,当无法用准确函数进行描述时,可以先分析研究模型的关键影响因子,然后通过大样本观测数据反演回归概率模型;建立不同气候、季节和地形条件下的强对流灾害性天气 Logistics识别预警概率模型,能够很好解决单一阈值判定法对非线性强对流天气识别预警产生的较大误差;
步骤S2中的双线偏振雷达数据质量法控制技术方案流程如图2所示;图 3和图4分别给出经过地物杂波抑制和衰减订正的雷达数据质量控制前后效果对比;
其中,步骤S2中待求笛卡尔空间插值点的计算式为:
其中,Dr,h为待求笛卡尔空间插值点,r,h分别为Dr,h距离雷达中心的水平距离和垂直高度;Db,Df,Du,Dd分别为Dr,h与相邻仰角数据的4个交点,rb,rf为点Db,Df距离雷达中心的水平距离,hu,hd为点Du,Dd所在高度;
完成笛卡尔三维空间坐标系数据插值后,采用基于二维图像识别的多次循环递归的区域生长法快速准确的识别二维强风暴面;具体解决方法如下:
1)针对不同气候、季节和复杂地形区域,设置强对流风暴天气单体反射率因子阈值门限;沿垂直高度方向,由低到高一次遍历每层高度上的二维网格数据点;
2)设大于上述阈值门限的反射率因子为初始种子点,并以该种子点为中心,依次遍历指定高度二维网格数据点四个邻域点是否满足阈值条件,满足条件的邻域点成为新的种子点,并将该点的三维坐标信息和反射率因子数据存入二维风暴特征向量中,同时将该点反射率因子值删除,防止重复遍历;当不再有新种子点满足阈值条件后,结束当前遍历;递归重复上述区域生长检索过程,直到遍历完整个二维网格数据点位置;删除面积小于给定阈值的二维风暴面,最终获取满足预设条件的二维强风暴面;
3)沿垂直高度方向上,从低到高依次搜寻相邻高度上的二维风暴面;检索完毕后,从最低高度层开始,每个二维风暴面都和相邻高度层的二维风暴面进行比较;判断相邻两个高度层二维风暴面质心点的水平距离相关度是否在给定阈值范围以内;重复上述步骤直到无相关二维风暴面,则终止当前搜索;加入该组二维风暴面到一个三维风暴体中,并删除它们防止重复搜索;依次循环检索识别,直到遍历完所有垂直高度层上的二维风暴面,则全部搜索完成;
对识别获取的若干个三维风暴体进行如下判定:a)三维风暴体垂直高度不低于给定阈值;b)三维风暴总体积必须大于预设阈值。
通过上述步骤,可识别获取强对流天气中的一个或多个强风暴单体,图7 是一次强对流暴雨天气的3千米高度反射率因子,采用上述算法识别该高度的二维对流风暴面为69个,整个三维空间上的有效风暴单体为25个;
在单极化天气雷达传统算法基础上,本方案基于双线偏振雷达计算获取 13个强风暴灾害性天气雷达特征物理量;图8为特征物理量计算方法及其冰雹、雷电和龙卷等三类灾害性天气之间的关系;
步骤S4中,强对流灾害性天气的雷达特征物理变量定义如下:
X1=30dBZ强回波高度;X2=40dBZ强回波高度;X3=最大反射率因子;X4=垂直累积液水含量密度;X5=回波顶高;X6=-20°等温线高度差;X7=0°等温线高度差;X8=相对径向速度负散度极大值;X9=相对径向速度正涡度极大值;X10=冰雹指数;X11=谱宽大值;X12=对流风暴垂直延展厚度;X13=龙卷TVS。
步骤S4中基于下式建立强对流灾害性天气Logistics概率预警模型:
其中,式中a0,a1,i=1,2,3...n为待反演的回归模型系数,对于冰雹灾害性天气的识别预警,自变量因子取X1,X2,X3,X4,X5,X10;对于雷电灾害性天气的识别预警,自变量因子取X3,X5,X6,X7;对于龙卷灾害性天气的识别预警,自变量因子取X8,X9,X11,X12,X13;
基于大样本的强对流灾害天气采样观测数据,使用极大似然函数估计法可以反演获取上式中系数ai,从而确定Logistics回归模型,表1是采用近十年的夏季冰雹灾害性天气样本观测资料和30次Wald后向迭代求出的冰雹 Logistics预警概率模型;
表中第二列B值即为求得的Logistics回归模型系数ai值;S.E表示各自变量的标准误差;Exp(B)为自变量因子的优势比,从表中可以看出,冰雹指数、30dBZ和40dBZ强回波高度这3个自变量因子优势比远大于其他自变量,说明这三个变量对该地区的冰雹识别预警权重影响最大;同理,采用类似的反演方法还可以获取该地区雷电和龙卷灾害性天气的Logistics预警概率模型;
B | S.E | Wals | df | Sig. | Exp(B) | |
x<sub>1</sub> | 5.707 | 1625.132 | .000 | 1 | .997 | 300.987 |
x<sub>2</sub> | 5.852 | 3165.734 | .000 | 1 | .999 | 348.066 |
x<sub>3</sub> | 1.022 | 1000.891 | .000 | 1 | .999 | 2.799 |
x<sub>4</sub> | -2.199 | 5147.815 | .000 | 1 | 1.000 | .111 |
x<sub>5</sub> | 1.747 | 1476.201 | .000 | 1 | .999 | 556.124 |
x<sub>10</sub> | 8.747 | 2476.433 | .000 | 1 | .999 | 6.726 |
常系数 | -49.649 | 17381.049 | .000 | 1 | .998 | .000 |
表1
图9为采用本发明专利算法对某地区的一次强飑线天气的灾害性天气识别预警结果,从图9中可以看出:采用本发明算法共计识别强风暴单体15个,红色区域为三维超级单体风暴的投影面积;
其中1、12号风暴单体内部存在中气旋,7、13和15号风暴单体内部存在雷电的可能性,而2,3,5,6,11,13,14,15号风暴单体内部存在冰雹;
如下面传统算法与本发明算法对照表所示,与实际测量结果对比,传统算法在冰雹预警中出现较大的虚报率,改进算法仅出现一处漏报,且没有虚报;传统算法在雷电预警中出现两次漏报,改进算法与实况结果完全一致;传统算法因没有涉及龙卷识别的特征参数,所以未能识别出本次天气过程中的中气旋(龙卷),而本发明改进算法预警结果与实况结果完全吻合;此外,对比分析发现,即使传统算法与改进算法预警结果与实况结果一致,但传统算法的识别定位误差要明显大于改进算法;综上所述,本发明采用的强对流灾害性天气改进算法在预警概率和识别位置精度上要明显优于传统算法;
传统算法与本发明算法对照表
表2
针对此次强对流灾害性天气过程,联合使用地面自动站和闪电定位仪资料对传统算法和改进算法进行了识别预警误差实验对比,分析结果如表1和2 所示;
综上,本发明将极坐标系下的雷达体扫数据转换为笛卡尔坐标系下的格点数据,并采用循环递归的区域生长法能够快速、准确的识别强对流风暴单体;增加相对径向速度散度、涡度;差分反射率和差分传播相移率等偏振雷达特征物理量,有助于提高冰雹、龙卷等灾害性天气预警精度;建立Logistics 多元回归概率预警模型,能够在不同气候、季节和复杂地形条件下,准确识别和预警突发性强对流灾害天气。
实施例2
基于三维强风暴单体识别的冰雹、雷电灾害性天气预警算法已经在很多领域取得广泛业务应用,本发明也基于该算法做进一步优化和改进,改进算法基本技术方案步骤如下:
(1)极坐标系下风暴二维面识别
如图10,沿不同仰角层,找到反射率因子大于给定阈值的邻接区域;在指定某一仰角层下,分别沿X(径向)、Y(切向)识别反射率因子大于给定阈值的邻接序列,将识别后的两个方向上的一维风暴段合成二维风暴面,图1中包括15个这样的区域;删除面积小于给定阈值的二维风暴面,得到最终实际强对流风暴面;
(2)极坐标系下三维风暴单体识别
如图11,对于同一体积扫描雷达回波,沿不同仰角依次遍历满足一定空间距离相关的二维对流回波面,合成有一定几何体积(或反射率因子权重体积)的三维对流风暴单体;对流回波体的合成采用垂直相关算法;
对流回波垂直相关算法为:搜寻不同仰角层(即不同仰角的PPI插值到笛卡尔坐标)垂直相关的对流回波分量;从第二个仰角开始,每个仰角层的对流回波分量都和它下面相邻仰角层的对流回波分量进行比较,它可分成以下几个步骤:
判断相邻仰角层中上一层的对流回波分量的反射率因子权重质心是否在下一层对流回波距离范围内,定义在给定阈值范围内的对流回波为垂直相关的对流回波分量;若无相关的对流回波分量,则立即终止遍历;如果同时有几个对流回波分量与其相邻高度的一个对流回波分量垂直相关,则选择相邻仰角对流回波分量中面积最大的一个;合成多个三维对流风暴单体后进行如下判定:至少有三个相邻仰角且垂直相关的对流风暴面,且三维对流风暴总体积必须大于给定阈值;
(3)强对流风暴冰雹、雷电等灾害性天气识别预警
计算出TITAN主要物理量:
1.30dBZ反射率因子值所在的最大高度;2.40dBZ反射率因子值所在的最大高度;3.回波顶高(一般去18dBZ回波所在最大高度);4.垂直累积液态水含量密度DVIL
5.Ctrec风:由交叉相关法获取;6.强风暴单体质心相对于-20°等温线高度;7.强风暴单体质心相对于0°等温线高度;8.最大反射率因子;9.由反射率因子及其所在高度计算出的雷电发生概率;根据上述物理量建立隶属函数,综合判定冰雹和雷电发生概率。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,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 (6)
1.突发性强对流灾害天气自适应快速识别预警改进算法,其特征在于:包括如下步骤:
S1、雷达数据质量控制,所述雷达数据质量控制采用双线偏振雷达数据质量控制,所述双线偏振雷达数据质量控制包括地物杂波抑制、电磁波干扰抑制、晴空湍流抑制、缺测数据填补、差分传播相位噪声控制以及反射率因子和差分反射率衰减订正;
S2、数据插值与风暴单体识别,利用四点反距离权重法,将极坐标系数据插值转换为笛卡尔空间坐标系数据;
S3、计算获取强风暴灾害性天气雷达特征物理量,基于双线偏振雷达计算获取强风暴灾害性天气雷达特征物理量,并且给出特征物理量计算方法及其冰雹、雷电和龙卷等三类灾害性天气之间的关系;
S4、建立强对流灾害性天气Logistic概率预警模型,基于大样本的强对流灾害天气采样观测数据,使用极大似然函数估计法反演确定Logistics回归模型;
S5、发布预警信息。
3.根据权利要求2所述的突发性强对流灾害天气自适应快速识别预警改进算法,其特征在于:完成笛卡尔三维空间坐标系数据插值后,采用基于二维图像识别的多次循环递归的区域生长法快速准确的识别二维强风暴面。
4.根据权利要求3所述的突发性强对流灾害天气自适应快速识别预警改进算法,其特征在于:具体解决方法如下:
1)针对不同气候、季节和复杂地形区域,设置强对流风暴天气单体反射率因子阈值门限;沿垂直高度方向,由低到高一次遍历每层高度上的二维网格数据点;
2)设大于上述阈值门限的反射率因子为初始种子点,并以该种子点为中心,依次遍历指定高度二维网格数据点四个邻域点是否满足阈值条件,满足条件的邻域点成为新的种子点,并将该点的三维坐标信息和反射率因子数据存入二维风暴特征向量中,同时将该点反射率因子值删除,防止重复遍历;当不再有新种子点满足阈值条件后,结束当前遍历;递归重复上述区域生长检索过程,直到遍历完整个二维网格数据点位置;删除面积小于给定阈值的二维风暴面,最终获取满足预设条件的二维强风暴面;
3)沿垂直高度方向上,从低到高依次搜寻相邻高度上的二维风暴面;检索完毕后,从最低高度层开始,每个二维风暴面都和相邻高度层的二维风暴面进行比较;判断相邻两个高度层二维风暴面质心点的水平距离相关度是否在给定阈值范围以内;重复上述步骤直到无相关二维风暴面,则终止当前搜索;加入该组二维风暴面到一个三维风暴体中,并删除它们防止重复搜索;依次循环检索识别,直到遍历完所有垂直高度层上的二维风暴面,则全部搜索完成。
5.根据权利要求1所述的突发性强对流灾害天气自适应快速识别预警改进算法,其特征在于:步骤S4中,强对流灾害性天气的雷达特征物理变量定义如下:
X1=30dBZ强回波高度;X2=40dBZ强回波高度;X3=最大反射率因子;X4=垂直累积液水含量密度;X5=回波顶高;X6=-20°等温线高度差;X7=0°等温线高度差;X8=相对径向速度负散度极大值;X9=相对径向速度正涡度极大值;X10=冰雹指数;X11=谱宽大值;X12=对流风暴垂直延展厚度;X13=龙卷TVS。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110970371.2A CN113900103A (zh) | 2021-08-23 | 2021-08-23 | 突发性强对流灾害天气自适应快速识别预警改进算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110970371.2A CN113900103A (zh) | 2021-08-23 | 2021-08-23 | 突发性强对流灾害天气自适应快速识别预警改进算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113900103A true CN113900103A (zh) | 2022-01-07 |
Family
ID=79187863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110970371.2A Pending CN113900103A (zh) | 2021-08-23 | 2021-08-23 | 突发性强对流灾害天气自适应快速识别预警改进算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113900103A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115269582A (zh) * | 2022-09-26 | 2022-11-01 | 中国民用航空局空中交通管理局航空气象中心 | 一种用于航空雷达数据的归一化方法及系统 |
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 |
CN117809192A (zh) * | 2024-03-01 | 2024-04-02 | 南京信息工程大学 | 一种基于denclue聚类算法的雷暴识别方法 |
CN117872510A (zh) * | 2024-03-11 | 2024-04-12 | 成都润联科技开发有限公司 | 一种气象数据分析方法、装置、设备及介质 |
-
2021
- 2021-08-23 CN CN202110970371.2A patent/CN113900103A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115269582A (zh) * | 2022-09-26 | 2022-11-01 | 中国民用航空局空中交通管理局航空气象中心 | 一种用于航空雷达数据的归一化方法及系统 |
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 |
CN117809192A (zh) * | 2024-03-01 | 2024-04-02 | 南京信息工程大学 | 一种基于denclue聚类算法的雷暴识别方法 |
CN117809192B (zh) * | 2024-03-01 | 2024-04-26 | 南京信息工程大学 | 一种基于denclue聚类算法的雷暴识别方法 |
CN117872510A (zh) * | 2024-03-11 | 2024-04-12 | 成都润联科技开发有限公司 | 一种气象数据分析方法、装置、设备及介质 |
CN117872510B (zh) * | 2024-03-11 | 2024-05-17 | 成都润联科技开发有限公司 | 一种气象数据分析方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113900103A (zh) | 突发性强对流灾害天气自适应快速识别预警改进算法 | |
CN111583214B (zh) | 基于rbf神经网络的航海雷达图像反演海面风速方法 | |
Anagnostou | A convective/stratiform precipitation classification algorithm for volume scanning weather radar observations | |
JP6689396B2 (ja) | 気象予測装置、気象予測方法、およびプログラム | |
CN111352113B (zh) | 一种强对流天气短临预报方法及系统、存储介质和终端 | |
CN110261857B (zh) | 一种天气雷达空间插值方法 | |
CN109001701B (zh) | 基于双偏振参数特征库匹配的雷达动态定量估测降水方法 | |
Houston et al. | Thunderstorm Observation by Radar (ThOR): An algorithm to develop a climatology of thunderstorms | |
Zou et al. | A method of radar echo extrapolation based on TREC and Barnes filter | |
KR101221755B1 (ko) | 위험기상과 관련된 반사도 셀의 탐지 방법 | |
CN112327265A (zh) | 一种基于语义分割网络的分治检测方法 | |
Wang et al. | A quantitative comparison of precipitation forecasts between the storm-scale numerical weather prediction model and auto-nowcast system in Jiangsu, China | |
CN115049013A (zh) | 一种联合线性和svm的短时降雨预警模型融合方法 | |
CN112731564B (zh) | 一种基于多普勒天气雷达数据的雷电智能预报方法 | |
CN114898206A (zh) | 一种短时强降水预报方法及计算机设备和存储介质 | |
CN111898089B (zh) | 确定台风影响海域有效波高和增水联合概率的方法 | |
Zhu et al. | A rain-type adaptive optical flow method and its application in tropical cyclone rainfall nowcasting | |
Pilorz et al. | Large hail detection using radar-based VIL calibrated with isotherms from the ERA5 reanalysis | |
CN116027333B (zh) | 一种微波测雨雷达立体扫描仰角参数生成方法 | |
Montopoli et al. | Spatially-adaptive advection radar technique for precipitation mosaic nowcasting | |
CN106249241B (zh) | 一种自适应杂波功率统计算法 | |
CN113936166A (zh) | 一种基于多普勒天气雷达数据的冰雹回波识别方法及系统 | |
CN114935759A (zh) | 基于高频地波雷达观测的波浪场缺失值填补方法及系统 | |
Wong et al. | From SWIRLS to RAPIDS: Nowcast applications development in Hong Kong | |
Ortega et al. | Verification of multi-sensor, multi-radar hail diagnosis techniques |
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 |