CN114137637B - 基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法 - Google Patents

基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法 Download PDF

Info

Publication number
CN114137637B
CN114137637B CN202111316842.4A CN202111316842A CN114137637B CN 114137637 B CN114137637 B CN 114137637B CN 202111316842 A CN202111316842 A CN 202111316842A CN 114137637 B CN114137637 B CN 114137637B
Authority
CN
China
Prior art keywords
thunderstorm
center
data
radar
lightning
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
Application number
CN202111316842.4A
Other languages
English (en)
Other versions
CN114137637A (zh
Inventor
郭禹琛
孙世军
何晓凤
康文明
武正天
朱坤双
吕瑞
许永刚
张晓鑫
韩洪
王明军
张鹏
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.)
Beijing Jiutian Jiutian Meteorological Technology Co ltd
Emergency Management Center Of State Grid Shandong Electric Power Co
Original Assignee
Beijing Jiutian Jiutian Meteorological Technology Co ltd
Emergency Management Center Of State Grid Shandong Electric Power Co
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 Beijing Jiutian Jiutian Meteorological Technology Co ltd, Emergency Management Center Of State Grid Shandong Electric Power Co filed Critical Beijing Jiutian Jiutian Meteorological Technology Co ltd
Priority to CN202111316842.4A priority Critical patent/CN114137637B/zh
Publication of CN114137637A publication Critical patent/CN114137637A/zh
Application granted granted Critical
Publication of CN114137637B publication Critical patent/CN114137637B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • G01S7/412—Identification of targets based on measurements of radar reflectivity based on a comparison between measured values and known or stored values
    • 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

Abstract

基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法涉及雷暴预测技术领域，其步骤为：根据三维雷达数据获取多个仰角的雷达回波数据；根据雷达回波数据的雷达反射率得到组合反射率CR；根据每个仰角雷达反射率和CR得到对流单体，并计算对流单体的几何中心和强度中心；根据闪电数据获得雷暴单体和雷暴密度中心；建立雷暴单体与对流单体的一一映射关系；根据对流单体的几何中心、强度中心以及雷暴密度中心计算出历史时刻下对流单体所对应的历史点；根据历史点计算出预报路径；得出最优预报路径和边界预报路径。本发明深度应用多源数据，可以快速的对识别到的雷电进行外推，在预报雷暴影响区域有着明显效果和预测精度。应用于电网、储油等领域。

Description

基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法
技术领域
本发明涉及雷暴预测技术领域，具体涉及基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法。
背景技术
雷暴是一种伴有放电现象的雷电活动，对闪电的直接观测可以直观的反应一次雷暴活动的变化和运动，随着国家的气象监测的手段升级，雷暴可以分别从雷达、卫星、闪电仪等手段进行实时监测。目前对雷暴的监测也比较多样，有基于单一闪电数据的雷暴识别、追踪与外推算法；有利用时空阈值区分闪电簇进而识别并追踪雷暴的算法；有利用雷达与闪电定位数据，通过设置时空阈值实现雷暴路径的识别、追踪与外推，并能够实现30min或更长时间的外推；还有通过叠加可对已发生闪电的区域(如回波强度超过某个阈值或云顶亮温低于某个阈值的区域等)进行识别，利用一段时间的监测资料便可进行跟踪，采用Holt双参数线性指数平滑方法，对区域的中心位置坐标进行预测；以及有基于密度极大值快速搜索的聚类算法实现雷暴识别，采用Kalman滤波惊醒雷暴外推的算法技术等。
现今的预测方式的预测速度和精度都有待提高，通常对更多相关数据尤其是实时监测数据进行应用能够得到相对更加精确的预测，那么如何深度应用多源数据、结合现有的监测技术，提高监测能力，是如今需要研究的课题。
发明内容
为了实现上述目的，本发明提供基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法。
本发明为解决技术问题所采用的技术方案如下：
基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法，包括如下步骤：
步骤一、根据三维雷达数据获取多个仰角的雷达回波数据；
步骤二、根据雷达回波数据的雷达反射率得到组合反射率CR；
步骤三、根据每个仰角雷达反射率和CR得到对流单体，并计算对流单体的几何中心和强度中心；
步骤四、根据闪电数据获得雷暴单体和雷暴密度中心；
步骤五、建立雷暴单体与对流单体的一一映射关系；
步骤六、根据t时刻下对流单体的几何中心、强度中心以及雷暴密度中心计算出历史时刻下对流单体所对应的历史点；
步骤七、根据历史点计算出预报路径；
步骤八、根据预报路径得出最优预报路径和边界预报路径。
本发明的有益效果是：
本发明基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法为如何判断雷暴单体的未来运动轨迹预测提供了一种方法，深度应用多源数据、可以快速的对识别到的雷电进行外推，并具有非线性的特点，预报能力也展现出了不错的效果，可以在一些局地区域雷暴追踪和预报提供不错的数据。本发明为雷暴的识别和预报提供了一种较为简单快捷的方法，在预报雷暴影响区域有着明显效果和预测精度。
附图说明
图1为本发明的基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法的流程图。
图2为本发明的基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法的北京一次强降水过程中雷电仪器对雷电的记录图。
图3A为采用本发明的基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法进行分析得到的雷暴单体分类以及雷暴密度中心展示图。
图3B为图3A对应的时刻之后的雷暴单体分类以及雷暴密度中心展示图。
图3C为图3B对应的时刻之后的雷暴单体分类以及雷暴密度中心展示图。
图3D为图3C对应的时刻之后的雷暴单体分类以及雷暴密度中心展示图。
图3E为图3D对应的时刻之后的雷暴单体分类以及雷暴密度中心展示图。
图3F为图3E对应的时刻之后的雷暴单体分类以及雷暴密度中心展示图。
图3G为图3F对应的时刻之后的雷暴单体分类以及雷暴密度中心展示图。
图3H为图3G对应的时刻之后的雷暴单体分类以及雷暴密度中心展示图。
图3I为图3H对应的时刻之后的雷暴单体分类以及雷暴密度中心展示图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明。
基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法，如图1，包括如下步骤：
步骤一、根据三维雷达数据获取多个仰角的雷达回波数据；
步骤二、根据雷达回波数据的雷达反射率得到组合反射率CR；
步骤三、根据每个仰角雷达反射率和CR得到对流单体，并计算所有对流单体的几何中心和强度中心；
步骤四、根据闪电数据获得雷暴单体和雷暴密度中心；
步骤五、建立雷暴单体与对流单体的一一映射关系；
步骤六、根据时刻t下所有对流单体的几何中心、强度中心以及雷暴密度中心计算出t时刻的历史时刻下对流单体所对应的历史点；
步骤七、根据历史点计算出所有预报路径；
步骤八、根据预报路径得出最优预报路径和边界预报路径。
下面对本发明的方法进行详细阐述。
步骤一、三维雷达数据存储格式为雷达数据存储的形式，需要将数据进行坐标转换，将极坐标转换为经纬度坐标系，插值到分辨率为1km的网格，得到多个仰角的雷达回波数据，即多仰角雷达回波数据，本实施方式的为6个仰角[5°,15°,24°,34°,43°,60°]。
步骤二、将插值好的多仰角雷达回波数据按照经纬度网格一一对应，即对步骤一的网格赋值经纬度得到经纬度网格，并找出多仰角雷达回波数据对应经纬度下雷达反射率最高值，最终得到二维空间雷达反射率数值最大值，即为组合反射率(CR)。
步骤三、将每个仰角和CR的雷达反射率因子中小于最小dBZ阈值的雷达反射率因子设为最小dBZ阈值；对歩骤二得到的雷达反射率进行超过2次的掩膜，每次掩膜后，均计算对流单体、该对流单体的(雷暴)几何中心和该对流单体的(雷暴)强度中心。
针对[5°,15°,24°,34°,43°,60°,CR]，将雷达反射率因子dBZ<25的雷达反射率置为25(最小dBZ阈值)，对雷达反射率进行两次高斯滤波，高斯核为15×15，计算dBZ<30的掩膜MASK[dBZ30]，将MASK[dBZ30]对原始的(在步骤二得到的)雷达反射率进行掩膜，作为快速杂波滤除手段，去除非对流云团引起的高反射率回波，通过轮廓检测算法，从多仰角[5°,15°,24°,34°,43°,60°,CR]的雷达回波数据中得到每个对流云团的外轮廓，即为对流单体，又可称为雷达回波单体，对MASK[dBZ30]下每个对流单体进行编号[030,130,230,..,N30](对流单体共N个，N为正整数)并计算几何中心Mean(Lon,Lat)和强度中心(MaxdBZ)，[030,130,230,..,N30]的几何中心记为[030G,130G,230G,..,N30G]，[030,130,230,..,N30]的强度中心记为[030D,130D,230D,..,N30D]。对MASK[dBZ30]下进行MASK[dBZ40]操作，经过高斯滤波、掩膜和轮廓检测算法后，对MASK[dBZ40]下每一个对流单体进行编号[040,140,240,..,N40]，并计算[040,140,240,..,N40]每一个对流单体的几何中心记为[040G,140G,240G,..,N40G]和计算[040,140,240,..,N40]每一个对流单体的强度中心记为[040D,140D,240D,..,N40D]。对50dBZ重复以上操作，即对MASK[dBZ40]下MASK[dBZ50]操作，经过高斯滤波、掩膜和轮廓检测算法后，得到对流单体[050,150,250,..,N50]、对流单体[050,150,250,..,N50]的几何中心[050G,150G,250G,..,N50G]、对流单体[050,150,250,..,N50]的强度中心[050D,150D,250D,..,N50D]。对60dBZ重复以上操作，即对MASK[dBZ50]下MASK[dBZ60]操作，经过高斯滤波、掩膜和轮廓检测算法后，得到对流单体[060,160,260,..,N60]、对流单体[060,160,260,..,N60]的几何中心[060G,160G,260G,..,N60G]、对流单体[060,160,260,..,N60]的强度中心[060D,160D,260D,..,N60D]。
步骤四、包括如下步骤：
S1、获取闪电数据，并将闪电数据统一在预设格式。
收集闪电仪的闪电数据，数据包括地基闪电定位仪的闪电数据和星载闪电成像仪的闪电数据，具体包括三维闪电仪的闪电数据和FY4卫星闪电成像仪的闪电数据。对所有闪电数据进行多源数据融合，具体为将所有闪电数据的经纬度统一，解析成经度、纬度、高度、强度这四种有效信息。
S2、将统一后的闪电数据按照一定的时间间隔切割。
本实施方式中将闪电数据按照5分钟的时间间隔切割，通常也根据实际业务的需求，为了和雷达匹配可以将闪电数据切割成6分钟。将切割后的闪电数据进行空间投影运算，即将经纬度坐标转化成大地坐标。
将S2得到的闪电数据放入DBSCADP&N(Density-Based Spatial Clustering ofApplications with Density Peak and Noise具有密度峰值和噪声的密度聚类方法)的自动分类器中，具体如下S3～S11。
S3、切割后的闪电数据(S2切割且转化成大地坐标的闪电数据)为X＝{xj}＝(x1,x2,x3…xm)，j＝1,2,3,…m，m为正整数；设置邻域参数∈，设置尺度信息。
在DBSCADP&N中输入切割后的闪电数据，X＝{xj}＝(x1,x2,x3…xm)，输入邻域参数∈(即为最少样本数、为邻域距离阈值)，输入尺度信息。还包括输入\设置雷暴最小闪电次数MinPts，通常设置为2或3。
S4、初始化核心对象集合Ω，令核心对象集合初始化聚类簇数k，令k＝0。初始化分类样本集合Γ，令Γ＝X。初始化簇划分C，令/>
S5、找出S3中切割后的闪电数据X＝{xj}＝(x1,x2,x3…xm)中的所有核心对象，并根据所有核心对象更新核心对象集合Ω。具体过程如图2所示。
S5.1、令j＝1；
S5.2、计算xj的欧式距离，找到xj的邻域参数∈的邻域子样本集M∈(xj)；
S5.3、如果邻域子样本集M∈(xj)的样本满足个数|M∈(xj)|≥MinPts，将xj加入核心对象集合Ω，即更新Ω：Ω'＝Ω∪{xj}、Ω＝Ω'，进行S5.4；如果|M∈(xj)|＜MinPts，则xj不加入核心对象集合Ω，进行S5.4。
S5.4、判断j是否等于m，若j≠m，则j'＝j+1，再令j＝j'，用新的j返回S5.2；若j＝m则进行S6。
S6、判断核心对象集合Ω是否为空集，若则进行S7；若/>则进行S10。
S7、在核心对象集合Ω中，随机选择一个第一核心对象o，初始化当前簇核心对象队列Ωcur＝{o}；k'＝k+1，令k＝k'；初始化当前聚类簇Ck(当前聚类簇也称为当前簇样本集合)，Ck＝{o}；更新未访问的分类样本集合Γ，即Γ'＝Γ-{o}、令Γ＝Γ'；进行S8。
S8、判断核心对象队列Ωcur是否为空集。若则当前聚类簇Ck生成完毕；更新簇划分，即令C＝{C1,C2,...,Ck}；更新核心对象集合Ω，即Ω'＝Ω-Ck、令Ω＝Ω'；返回S6。若/>则更新核心对象集合Ω，即Ω'＝Ω-Ck、令Ω＝Ω'，进行S9。
S9、在当前簇核心对象队列Ωcur中随机取出一个第二核心对象o′，通过邻域参数∈找出所有的邻域子样本集M∈(o′)，令Δ＝M∈(o′)∩Γ，更新当前聚类簇Ck，即Ck'＝Ck∪Δ、Ck＝Ck'；更新未访问的分类样本集合Γ，即Γ'＝Γ-Δ、令Γ＝Γ'；更新Ωcur，即Ωcur'＝Ωcur∪(Δ∩Ω)-o′、令Ωcur＝Ωcur'；返回S8。
S10、计算簇划分C＝{C1,C2,...,Ck}的密度中心点得到{Cρ1,Cρ2,...,Cρk}。
簇划分C＝{Ci}＝{C1,C2,...,Ck}，i＝1,2,3,…k，k为大于等于0的整数。计算簇划分C中每个聚类簇Ci的密度中心点，聚类簇Ci简称簇Ci，簇Ci的密度中心点为簇Ci内所有点的密度最大值，记为Cρi，簇Ci内共有q个点(q为正整数)。
Ci内任意一点的密度计算公式为：
其中，ρ为簇Ci内任意一个点的密度值，dq为该点到簇Ci内其他点的距离，Dmax为簇Ci内任意两点距离中最大的距离。
Cρi＝Max{ρ1,ρ2,...,ρq}＝ρmax，ρmax为该簇Ci的密度中心点。
依次求出簇划分C中所有簇的密度中心Cρ，Cρ＝{Cρ1,Cρ2,...,Cρk}。
S11、输出簇划分C＝{C1,C2,...,Ck}，输出密度中心点{Cρ1,Cρ2,...,Cρk}。
簇划分C＝{C1,C2,...,Ck}为k个不同雷暴单体，密度中心点{Cρ1,Cρ2,...,Cρk}为雷暴密度中心。
S10和S11中簇划分C的k和所有簇的密度中心Cρ＝{Cρ1,Cρ2,...,Cρk}的k等于N，即等于对流单体个数。
步骤四还包括根据雷暴单体和雷暴密度中心获得每个雷暴单体中闪电距离雷暴密度中心Dis-max的步骤。
步骤五、针对闪电数据识别出来的雷暴单体[C1,C2,...,Ck]，计算雷暴单体密度中心点与所有对流单体的几何中心和强度中心{[5°,15°,24°,34°,43°,60°,CR]:[030G,130G,230G,..,N30G],[030D,130D,230D,..,N30D],[040G,140G,240G,..,N40G],[040D,140D,240D,..,N40D],[050G,150G,250G,..,N50G],[050D,150D,250D,..,N50D],[060G,160G,260G,..,N60G],[060D,160D,260D,..,N60D]}的距离的最小值，记为distance min，并且如果distance min≤Dis-max，则找到最近距离，distance min作为最近距离，实现了映射；如果distance min>Dis-max，则为未找到最近距离，记为空，舍弃。基于寻找最近距离，最终针对每个雷暴单体找到所有雷达回波数据的映射，也就是基于最近距离建立雷暴单体与对流单体的一一映射关系。
步骤六、根据时刻t下所有对流单体的几何中心、强度中心以及雷暴密度中心计算出至少两个历史时刻下对流单体所对应的历史点。通常计算t-1、t-2、t-3这三个历史时刻的历史点，或者计算t-1、t-2、t-3、t-4这四个历史时刻的历史点。
对于时刻t下所有对流单体[0,1,2…,N]的每个对流单体，根据其在[5°,15°,24°,34°,43°,60°,CR]下的{[030G,130G,230G,..,N30G],[030D,130D,230D,..,N30D],[040G,140G,240G,..,N40G],[040D,140D,240D,..,N40D],[050G,150G,250G,..,N50G],[050D,150D,250D,..,N50D],[060G,160G,260G,..,N60G],[060D,160D,260D,..,N60D]}以及雷暴强度中心，计算t-1时刻下与该对流单体最近的点。如果该对流单体与t-1时刻这个最近的点的距离min(distance[t,t-1])小于等于阈值thresh，则记该点为历史点，即t-1时刻该对流单体所对应的历史点；否则舍弃该点，也就是该对流单体的路径不足下述的15条路径。根据t-1时刻的历史点计算t-2时刻该对流单体所对应的历史点，根据t-2时刻的历史点计算t-3时刻该对流单体所对应的历史点，根据t-3时刻的历史点计算t-4时刻该对流单体所对应的历史点，以此类推。
针对每个中心(几何中心、强度中心以及雷暴密度中心)通常均有对应的历史轨迹，即针对每一个对流单体都有最多15条路径，15条路径为7×2+1，其中的7对应[5°,15°,24°,34°,43°,60°,CR]这7个；2对应对流单体的几何中心和对流单体的强度中心，1对应雷暴单体的雷暴密度中心。根据历史点能够得出对流单体几何中心的历史轨迹、对流单体强度中心的历史轨迹、雷暴单体雷暴密度中心的历史轨迹，所有历史轨迹作为预报路径。
步骤七踪迹外推(雷暴路径的追踪与外推)为：对于每个对流单体，对t-1历史时刻该对流单体的历史点进行线性拟合，计算出斜率值，以及历史点在经度移动的平均位移；对t-2历史时刻该对流单体的历史点进行线性拟合，计算出斜率值，以及历史点在经度移动的平均位移；对t-3历史时刻该对流单体的历史点进行线性拟合，计算出斜率值，以及历史点在经度移动的平均位移。即可以计算出最多45条(15×3)轨迹，即每个对流单体最多45条预报路径，这45条轨迹为得到的6min间隔未来2小时的运动轨迹。
步骤八、整理步骤七得到的所有轨迹，对每个对流单体的所有轨迹求取中值，即为最优预报路径；求取每个对流单体的所有轨迹的最大值和最小值，即为边界预报路径。
下面采用2020年8月2日傍晚北京的一次强降水过程的数据对本发明的方法进行验证，在19时至21时有两次雷暴过程经过北京，对该过程进行分析，按照雷达回波数据的时间间隔，对闪电数据按照6min间隔进行预处分段，并进行雷暴中心识别，并对其中一个(自西北向东南横跨北京)雷暴进行路径集合概率预测。图2为北京地区2020年8月2日19时～21时雷电仪器对闪电的记录图，横纵坐标分别表示东经和北纬，图中的“+”表示带正点电荷的雷电，图中的“-”表示带负点电荷的雷电。图3A至图3I为雷暴单体分类以及雷暴密度中心展示图，图3A至图3I的对应的当前时刻逐渐延后，①表示当前时刻之前的历史雷暴强度中心的连线，②表示基于闪电数据的雷暴强度中心的观测结果的连线，③表示最优预报路径，位于②③外侧的两条实线表示边界预报路径。
对2020年8月2日傍晚北京这次过程进行分析，自19时～21时，每隔6分钟进行雷暴识别和外推概率预报，在观测较少时刻，最优的概率预报也表现了相对准确的路径轨迹预测，预报的可能范围较大，随着时间的推移，在实际路径未出现较大变化下，可能范围会变得更加精确，在实际闪电路径出现较大变化下，最优趋势会向着实际路径发生偏移，说明有不错的预报能力。
本发明基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法为如何判断雷暴单体的未来运动轨迹预测提供了一种方法，深度应用多源数据、可以快速的对识别到的雷电进行外推，并具有非线性的特点，预报能力也展现出了不错的效果，可以在一些局地区域雷暴追踪和预报提供不错的数据。本发明为雷暴的识别和预报提供了一种较为简单快捷的方法，在预报雷暴影响区域有着明显效果和预测精度，并在电网、储油等需要雷电预警预测的领域有着广泛的应用。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法，其特征在于，包括如下步骤：
步骤一、根据三维雷达数据获取多个仰角的雷达回波数据；
步骤二、根据雷达回波数据的雷达反射率得到组合反射率CR；
步骤三、根据每个仰角雷达反射率和CR得到对流单体，并计算对流单体的几何中心和强度中心；
步骤四、根据闪电数据获得雷暴单体和雷暴密度中心；
步骤五、建立雷暴单体与对流单体的一一映射关系；
步骤六、根据t时刻下对流单体的几何中心、强度中心以及雷暴密度中心计算出历史时刻下对流单体所对应的历史点；
步骤七、根据历史点计算出预报路径；
步骤八、根据预报路径得出最优预报路径和边界预报路径；
所述步骤四还包括根据雷暴单体和雷暴密度中心获得雷暴单体中闪电距离雷暴密度中心Dis-max的步骤；
所述步骤五具体为：计算雷暴单体密度中心点与所有对流单体的几何中心和强度中心的距离的最小值distance min，如果distance min>Dis-max，则为未找到最近距离，否则为找到最近距离，且distance min作为最近距离，基于最近距离建立雷暴单体与对流单体的一一映射关系；
所述步骤四具体为：
S1、获取闪电数据，并将闪电数据统一在预设格式；
S2、将统一后的闪电数据按照一定的时间间隔切割；
S3、切割后的闪电数据记为X＝{xj}＝(x1,x2,x3…xm)，j＝1,2,3,…m，m为正整数；设置邻域参数∈，设置尺度信息；
S4、初始化核心对象集合初始化聚类簇数k＝0，初始化分类样本集合Γ＝X，初始化簇划分/>
S5、找出S3所述X＝{xj}中的所有核心对象并据此更新Ω；
S6、判断Ω是否为空集，若则进行S7，若/>则进行S10；
S7、在Ω中，随机选择一个第一核心对象o，初始化当前簇核心对象队列Ωcur＝{o}，k'＝k+1，令k＝k'，初始化当前聚类簇Ck＝{o}，更新Γ，即Γ'＝Γ-{o}、Γ＝Γ'；
S8、判断Ωcur是否为空集，若则Ck生成完毕，更新C，即令C＝{C1,C2,...,Ck}，更新Ω，即Ω'＝Ω-Ck、Ω＝Ω'，返回S6；若/>则更新Ω，即Ω'＝Ω-Ck、Ω＝Ω'，进行S9；
S9、在Ωcur中，随机取出一个第二核心对象o′，通过∈找出所有的邻域子样本集M∈(o′)，令Δ＝M∈(o′)∩Γ，更新Ck，即Ck'＝Ck∪Δ、Ck＝Ck'，更新Γ，即Γ'＝Γ-Δ、Γ＝Γ'，更新Ωcur，即Ωcur'＝Ωcur∪(Δ∩Ω)-o′、Ωcur＝Ωcur'，返回S8；
S10、计算C的密度中心点得到{Cρ1,Cρ2,...,Cρk}；
所述S3中还包括设置MinPts的步骤，所述S5具体为：
S5.1、令j＝1；
S5.2、计算xj的欧式距离，找到xj的∈的邻域子样本集M∈(xj)；
S5.3、如果|M∈(xj)|≥MinPts，将xj加入核心对象集合Ω，即Ω'＝Ω∪{xj}、Ω＝Ω'；进行S5.4；
S5.4、判断j是否等于m，若j≠m，则j'＝j+1，并令j＝j'，返回S5.2；若j＝m则进行S6；
所述步骤五具体为：
所述S10具体为：C＝{Ci}＝{C1,C2,...,Ck}，i＝1,2,3,…k，计算簇划分C中每个簇Ci的密度中心点，簇Ci的密度中心点为簇Ci内所有点的密度最大值Cρi，Ci内共有q个点，q为正整数，Ci内任意一点的密度计算公式为：
其中，ρ为簇Ci内任意一个点的密度值，dq为该点到簇Ci内其他点的距离，Dmax为簇Ci内任意两点距离中最大的距离；
所述步骤六具体为：对于时刻t下的每个对流单体，根据每个仰角和CR下的几何中心和强度中心、以及雷暴强度中心计算t-1历史时刻下与该对流单体最近的点，如果该对流单体与t-1历史时刻这个最近的点的距离min(distance[t,t-1])小于等于阈值thresh，则记该点为t-1历史时刻的历史点；根据t-1历史时刻的历史点计算t-2历史时刻的历史点。
2.如权利要求1所述的基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法，其特征在于，所述步骤一为：获取三维雷达数据，将三维雷达数据转换至经纬度坐标系，并插值到网格中，得到多个仰角的雷达回波数据；所述步骤二为：对步骤一的网格赋值经纬度得到经纬度网格，并找出多个仰角的雷达回波数据对应经纬度下的CR。
3.如权利要求1所述的基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法，其特征在于，所述步骤三为：将所有仰角和CR的雷达反射率因子中小于最小dBZ阈值的雷达反射率因子设为最小dBZ阈值；对歩骤二得到的雷达反射率进行超过2次的掩膜，每次掩膜后，均计算对流单体、对流单体的几何中心和对流单体的强度中心。
4.如权利要求1所述的基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法，其特征在于，所述步骤七具体为：对t-1历史时刻的历史点、对t-2历史时刻的历史点分别进行线性拟合，拟合得出预报路径；所述步骤八具体为：取预报路径的中值作为最优预报路径，取所有预报路径的最大值和最小值作为边界预报路径。
CN202111316842.4A 2021-11-09 2021-11-09 基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法 Active CN114137637B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111316842.4A CN114137637B (zh) 2021-11-09 2021-11-09 基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111316842.4A CN114137637B (zh) 2021-11-09 2021-11-09 基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法

Publications (2)

Publication Number Publication Date
CN114137637A CN114137637A (zh) 2022-03-04
CN114137637B true CN114137637B (zh) 2024-03-01

Family

ID=80392719

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111316842.4A Active CN114137637B (zh) 2021-11-09 2021-11-09 基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法

Country Status (1)

Country Link
CN (1) CN114137637B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116500703B (zh) * 2023-06-28 2023-09-01 成都信息工程大学 一种雷暴单体识别方法和装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005274321A (ja) * 2004-03-24 2005-10-06 Central Japan Railway Co 落雷予測装置、落雷予測結果報知システムおよびプログラム
US7069258B1 (en) * 2002-09-26 2006-06-27 Bothwell Phillip D Weather prediction method for forecasting selected events
CN108520023A (zh) * 2018-03-22 2018-09-11 合肥佳讯科技有限公司 一种基于混合聚类算法的雷暴核识别及追踪方法
CN108537368A (zh) * 2018-03-20 2018-09-14 国家气象中心 一种闪电预警方法、装置及系统
CN108957595A (zh) * 2018-08-09 2018-12-07 深圳市雅码科技有限公司 一种雷电预报方法及系统
CN112764129A (zh) * 2021-01-22 2021-05-07 易天气(北京)科技有限公司 一种雷暴短临预报方法、系统及终端
CN113238230A (zh) * 2021-04-12 2021-08-10 国网河南省电力公司电力科学研究院 一种针对电网生产的夏季强对流引起的大风预警方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7069258B1 (en) * 2002-09-26 2006-06-27 Bothwell Phillip D Weather prediction method for forecasting selected events
JP2005274321A (ja) * 2004-03-24 2005-10-06 Central Japan Railway Co 落雷予測装置、落雷予測結果報知システムおよびプログラム
CN108537368A (zh) * 2018-03-20 2018-09-14 国家气象中心 一种闪电预警方法、装置及系统
CN108520023A (zh) * 2018-03-22 2018-09-11 合肥佳讯科技有限公司 一种基于混合聚类算法的雷暴核识别及追踪方法
CN108957595A (zh) * 2018-08-09 2018-12-07 深圳市雅码科技有限公司 一种雷电预报方法及系统
CN112764129A (zh) * 2021-01-22 2021-05-07 易天气(北京)科技有限公司 一种雷暴短临预报方法、系统及终端
CN113238230A (zh) * 2021-04-12 2021-08-10 国网河南省电力公司电力科学研究院 一种针对电网生产的夏季强对流引起的大风预警方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周康辉 ; 郑永光 ; 蓝渝 ; .基于闪电数据的雷暴识别、追踪与外推方法.应用气象学报.2016,(第02期),第173-181页. *

Also Published As

Publication number Publication date
CN114137637A (zh) 2022-03-04

Similar Documents

Publication Publication Date Title
CN109738970B (zh) 基于雷电数据挖掘实现雷电预警的方法、装置和存储介质
EP2927709B1 (en) Identifying and tracking convective weather cells
CN110033132B (zh) 基于深度目标检测和数值天气预报的热带气旋预报方法
CN110501006B (zh) 一种异类传感器联合航迹关联与跟踪方法
CN109917394B (zh) 一种基于天气雷达的短临智能外推方法
WO2018168165A1 (ja) 気象予測装置、気象予測方法、およびプログラム
CN114137637B (zh) 基于闪电和雷达数据的雷暴中心踪迹的集合概率预报方法
CN109100722B (zh) 基于雷达回波图像扇区分量分析的风暴趋势预测方法
CN113777600A (zh) 一种多毫米波雷达协同定位跟踪方法
CN111680870A (zh) 目标运动轨迹质量综合评估方法
JP2019138737A (ja) 雷危険度判定装置
CN112924975A (zh) 组网天气雷达适用aoi的自适应观测方法及系统
CN114254692A (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
WO2020202259A1 (ja) 合成開口レーダの画像処理装置及び画像処理方法
CN114898206A (zh) 一种短时强降水预报方法及计算机设备和存储介质
JP2018031682A (ja) 降水予測装置及び降水予測方法
Lu et al. A new technique for automatically locating the center of tropical cyclones with multi-band cloud imagery
CN111274529B (zh) 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法
Yao et al. CIKM AnalytiCup 2017: short-term precipitation forecasting based on radar reflectivity images
CN104463841A (zh) 衰减系数自适应的滤波方法及滤波系统
CN117029840A (zh) 一种移动车辆定位方法及系统
CN116340876A (zh) 一种局域多源数据融合的空间目标态势感知方法
Bilimoria et al. Analysis of aircraft clusters to measure sector-independent airspace congestion
Uzkent et al. Efficient integration of spectral features for vehicle tracking utilizing an adaptive sensor
Chen et al. Analysis of bird situation around airports using avian radar

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