CN114706145B - 基于雹云微物理与热动力特征的冰雹预警方法 - Google Patents

基于雹云微物理与热动力特征的冰雹预警方法 Download PDF

Info

Publication number
CN114706145B
CN114706145B CN202210290432.5A CN202210290432A CN114706145B CN 114706145 B CN114706145 B CN 114706145B CN 202210290432 A CN202210290432 A CN 202210290432A CN 114706145 B CN114706145 B CN 114706145B
Authority
CN
China
Prior art keywords
column
zdr
hail
swa
hdg
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
CN202210290432.5A
Other languages
English (en)
Other versions
CN114706145A (zh
Inventor
周筠珺
沈雨
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.)
Chengdu University of Information Technology
Original Assignee
Chengdu University of Information Technology
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 Chengdu University of Information Technology filed Critical Chengdu University of Information Technology
Priority to CN202210290432.5A priority Critical patent/CN114706145B/zh
Publication of CN114706145A publication Critical patent/CN114706145A/zh
Application granted granted Critical
Publication of CN114706145B publication Critical patent/CN114706145B/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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Electromagnetism (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明属于气象数据监测管理技术领域，公开了一种基于雹云微物理与热动力特征的冰雹预警方法及设备，采集双偏振雷达数据和探空数据，对双偏振雷达资料进行质量控制；获取经过质量控制后的降雹单体内ZDR柱的具体参数，包括ZDR柱深度、ZDR柱宽度以及ZDR柱面积；采用模糊逻辑算法对单体内的关键水成物粒子进行识别，得到0℃层以上关键水成物粒子库数和ZDR柱内关键水成物粒子的占比与增长速率，关键水成物粒子包括过冷水SWA、高密度霰HDG，计算降雹指数和降雹严重程度指数，发布相应预警。本发明通过单体内部的热动力作用与微物理作用，得到降雹指数与降雹严重程度指数，能够准确地判断是否降雹以及降雹严重程度。

Description

基于雹云微物理与热动力特征的冰雹预警方法
技术领域
本发明属于气象数据监测管理技术领域，尤其涉及一种基于雹云微物理与热动力特征的冰雹预警方法。
背景技术
目前，冰雹作为强对流天气的一种，具有局地性强、历时短、受地形影响显著、季节性等特点。冰雹天气往往伴随着各种极端灾害性天气过程，如狂风、强降水以及龙卷风等，对农业、交通、通讯等带来极大的危害，特别是在农业方面，冰雹发生的季节往往是在农作物发芽或者生长旺盛的阶段，一次几分钟的冰雹灾害过程可能导致全年农作物的减产。我国作为遭受冰雹灾害最为严重的国家之一，每年因冰雹造成的经济损失可达到数十亿以上。因此，对冰雹的研究一直都是气象学的重要研究方向。
Seliga et al.(1986)提出的双偏振探测理论，使得对雹云内部微物理过程的研究变为可能。双偏振雷达可以同时发射水平和垂直两个方向的电磁波，能够获得一系列可以反应雹云内部水成物粒子相态、形状和空间取向的偏振参数。差分反射率ZDR是常用的偏振参量，其值为水平反射率ZH与垂直反射率ZV之比，可以反映水成物粒子的形状以及空间取向。在环境0℃层以上，强对流风暴的上升气流处存在ZDR极大值区(ZDR柱)，是强对流风暴最为显著的偏振特征之一(Bringi et al.,1988)。目前，ZDR柱作为研究对流风暴动力特征的偏振产品已经取得了不小的进展。Hall et al.(1988)发现在ZDR柱内有上升气流带来的过冷水滴，ZDR柱位置与上升气流有很好的对应关系。Picca et al.(2010)的研究证明了0℃层以上ZDR柱范围的增加与ZH值10至30分钟的滞后增加呈正相关。Matthew et al.(2014)提出ZDR柱高度与上升气流强度呈正相关，ZDR柱高度可以作为对流风暴强度的指标。ZDR柱深度等值线高度与相同高度的上升气流强度密切相关，其最大深度往往对应着最强上升气流(Kumjian et al.，2014)。综上所述，ZDR柱深度与上升气流强度呈正相关，可以用ZDR柱深度参数表征雹云内部热动力特征。现阶段，基于模糊逻辑算法的双偏振雷达粒子识别算法也取得了不错的进展，可以对雹云内部的微物理结构进行探究。经过专利和文献检索，目前已公开的冰雹预报方式的物理指示特征单一，预测指数只考虑微物理特征或者热动力特征，未结合两者的特点对冰雹进行预报，导致预报的精准度不够，也缺少对冰雹灾害严重程度的预报指标。
通过上述分析，现有技术存在的问题及缺陷为：现有技术中冰雹预报方式的物理指示特征单一，预测指数只考虑微物理特征或者热动力特征，未结合两者的特点对冰雹进行更加精准的预报，导致预报的准确度不够，也缺少对冰雹灾害严重程度的预报指标。
发明内容
针对现有技术存在的问题，本发明提供了一种基于雹云微物理与热动力特征的冰雹预警方法。本发明采集双偏振雷达数据和探空数据，对双偏振雷达资料进行质量控制；获取经过质量控制后的降雹单体内ZDR柱的具体参数，包括ZDR柱深度、ZDR柱宽度以及ZDR柱面积；采用模糊逻辑算法对单体内的关键水成物粒子进行识别，得到0℃层以上关键水成物粒子库数和ZDR柱内关键水成物粒子的占比与增长速率，关键水成物粒子包括过冷水SWA、高密度霰HDG，计算降雹指数和降雹严重程度指数，发布相应预警。
本发明是这样实现的，一种基于雹云微物理与热动力特征的冰雹预警方法，所述基于雹云微物理与热动力特征的冰雹预警方法包括：采集双偏振雷达数据和探空数据，对双偏振雷达资料进行质量控制；获取经过质量控制后的降雹单体内ZDR柱的具体参数，包括ZDR柱深度、ZDR柱宽度以及ZDR柱面积；采用模糊逻辑算法对单体内的关键水成物粒子进行识别，得到0℃层以上关键水成物粒子库数和ZDR柱内关键水成物粒子的占比与增长速率，关键水成物粒子包括过冷水SWA、高密度霰HDG，计算降雹指数和降雹严重程度指数，发布相应预警。
进一步，所述基于雹云微物理与热动力特征的冰雹预警方法具体过程为：
步骤一，获取单体的双偏振雷达数据和雷达基本参数，包括基本反射率ZH、差分反射率ZDR、差分传播相移率KDP以及零滞后相关系数ρHV和当地的探空数据；
步骤二，对双偏振雷达数据进行质量控制，可以有效地提升微粒识别的准确性；
步骤三，获取经过质量控制后的单体内ZDR柱的具体参数，包括ZDR柱深度、ZDR柱宽度以及ZDR柱面积；
步骤四，采用微粒识别对单体内的关键水成物粒子进行统计，得到0℃层以上关键水成物粒子库数和关键水成物粒子在ZDR柱内的占比和时间变化率，关键水成物粒子包括过冷水SWA、高密度霰HDG，计算降雹指数和降雹严重程度指数，发布相应预警。
进一步，所述步骤二中，对双偏振雷达数据进行质量控制，具体过程为：
差分传播相移退折叠处理，差分传播相移滤波，基本反射率和差分反射率自适应性衰减订正。
进一步，所述步骤三中，获取经过质量控制后的单体内ZDR柱的具体参数，具体过程为：
提取双偏振雷达差分反射率沿雷达径向的垂直剖面，将处于环境0℃层以上且差分反射率ZDR≥1的连续区域定义为ZDR柱，ZDR柱沿雷达垂直剖面上ZDR≥1的距离库数为ZDR柱面积S，单位为库；ZDR柱深度为ZDR柱最大高度与环境0℃层高度之间的高度差H，单位为km；ZDR柱宽度为ZDR柱体投影到平面的长度L，单位为km；
根据公式H＝r×s×sinα-H0获取ZDR柱深度，其中，H为ZDR柱深度，单位为km，r为双偏振雷达的库长，单位为km；s为ZDR柱最大高度所在库数，α为ZDR柱最大高度所在库的仰角度数；H0为当天环境0℃温度层所在高度，单位为km；
根据公式L＝r×(s2×cosα2-s1×cosα1)获取ZDR柱宽度，其中，L为ZDR柱宽度，单位为km；r为双偏振雷达的库长，单位为km；s1为ZDR柱水平距离最接近雷达所在库数，单位为库；α1为所在库对应的仰角度数，单位为度；s2为ZDR柱水平距离最远离雷达所在的库数，单位为库；α2为所在库对应的仰角度数，单位为(°)。
进一步，所述步骤四中，采用微粒识别对单体内的关键水成物粒子进行统计，得到0℃层以上关键水成物粒子库数和关键水成物粒子在ZDR柱内的占比和时间变化率，计算降雹指数和降雹严重程度指数，发布相应预警，具体过程为：
第一步，采用不对称T型函数作为隶属函数对单体内关键水成物粒子进行识别；
第二步，采用权重求和的方法计算各隶属函数的加权结果，得出最终的粒子识别结果；
第三步，对ZDR柱内的SWA及HDG的数量和随时间的变化率进行统计；
第四步，关键水成物粒子在ZDR柱内的库数占比确定；
第五步，通过隶属函数对ZDR柱深度H、SWA与HDG在ZDR柱内的库数占比KSWA+KHDG、ZDR柱内SWA增长速率QSWA、ZDR柱内HDG增长速率QHDG参数进行模糊化，每个参数对应一个隶属函数；
第六步，计算成熟阶段ZDR柱最大深度的所处时刻；
第七步，通过隶属函数对CHt<0，m+n-1时次单体内ZDR柱面积S、ZDR柱深度H、ZDR柱宽度L和0℃层以上HDG数量THDG、SWA数量TSWA进行模糊化，每个参数对应一个隶属函数；
第八步，采用权重求和的方式，计算各参数隶属函数的加权结果，作为严重程度预测指数U，U的计算公式为：
其中，n为隶属函数的参数个数，Mi为各个参数隶属函数的值，Ni为各个参数的权重值；根据各个参数对雹胚生成数量的敏感程度，对M1、M2、M3、M4、M5分别赋予0.3、0.2、0.1、0.3、0.1的权重值。
第九步，根据严重程度预测指数U的计算结果发布相对应的预警：当U≥0.8时，发布重雹预警；当0.4≤U<0.8时，发布中雹预警；当0≤U<0.4时，发布轻雹预警。
进一步，所述第三步中，对ZDR柱内的SWA及HDG的数量和随时间的变化率进行统计，具体过程为：
通过计算模型：
分别计算ZDR柱内的SWA与HDG的数量，单位为库；其中，i1,i2为ZDR柱在垂直剖面上的上下边界，j1、j2为ZDR柱在垂直剖面上的左右边界，H1为ZDR柱的最大深度，单位为km；H0为环境0℃层高度，单位为km；L1为ZDR柱的左侧边缘库数，单位为库；L2为ZDR柱的右侧边缘库数，单位为库；二维矩阵(i,j)表示微粒的具体位置；再通过公式计算单位时间内ZDR柱内SWA增长速率，单位为库/min；公式/>计算单位时间内ZDR柱内HDG增长速率，单位为库/min。
所述第四步中，关键水成物粒子在ZDR柱内的库数占比确定，具体过程为：
过冷水SWA在ZDR柱内的库数占比：
其中，KSWA为过冷水SWA在ZDR柱内的库数占比，GSWA为ZDR柱内过冷水SWA的库数，单位为库；S为ZDR柱沿雷达垂直剖面上ZDR≥1的距离库数，单位为库。
高密度霰HDG在ZDR柱内的库数占比：
其中，KHDG为高密度霰HDG在ZDR柱内的库数占比，GHDG为ZDR柱内高密度霰HDG的库数，单位为库；S为ZDR柱沿雷达垂直剖面上ZDR≥1的距离库数，单位为库。
进一步，所述第五步中，隶属函数的基本形式为：
其中，Oi为各个参数隶属函数的值，O1为ZDR柱深度H的隶属函数值，O2为SWA与HDG在ZDR柱内的库数占比KSWA+KHDG的隶属函数值，O3为ZDR柱内SWA增长速率QSWA的隶属函数值，O4为ZDR柱内HDG增长速率QHDG的隶属函数值；右侧X1、X2、X3、X4为函数阈值，x为输入参数值。
所述第五步中，通过隶属函数对ZDR柱深度H、SWA与HDG在ZDR柱内的库数占比KSWA+KHDG、ZDR柱内SWA增长速率QSWA、ZDR柱内HDG增长速率QHDG参数进行模糊化，每个参数对应一个隶属函数，具体过程为：
采用权重求和的方式，计算各参数隶属函的加权结果，作为降雹预测指数PP，PP计算公式为：
其中，n为隶属函数的参数个数，Oi为各个参数隶属函数的值，Vi为各个参数的权重值；根据各参数对雹胚生成的敏感程度采用不同的权重值，对O1、O2、O3、O4分别赋予0.3、0.3、0.2、0.2的权重值；
根据降雹预测指数PP的计算结果发布相对应的预警：当0.1≤PP<0.8时，单体处于发展阶段，准备发布冰雹预警；当PP≥0.8时，单体处于成熟阶段，发布冰雹预警；当0≤PP<0.1时，单体处于消散阶段，解除冰雹预警。
进一步，所述第六步中，计算成熟阶段ZDR柱最大深度的所处时刻，具体过程为：
按如下公式计算ZDR柱深度H的增率，
其中，CHt为t时次ZDR柱深度的增率，单位为km/min，Ht为t时次ZDR柱深度，单位为km，Ht-1为t-1时次ZDR柱深度，单位为km(单个时次为6min)；
预警m个时次后，若CHm>0，说明m时次ZDR柱深度仍在增大，继续观测下一时次ZDR柱深度的增率；预警m+n个时次后，若CH(m+n)<0，说明(m+n)时次ZDR柱深度首次降低，则ZDR柱最大深度所处时刻为发布冰雹预警后的m+n-1时次。
所述第七步中，隶属函数的基本形式为：
其中，Mi为各个参数隶属函数的值，M1为ZDR柱面积S的隶属函数值，M2为ZDR柱深度H的隶属函数值，M3为ZDR柱宽度L的隶属函数值，M4为0℃层以上HDG数量THDG的隶属函数值，M5为SWA数量TSWA的隶属函数值；右侧X1、X2、X3、X4为函数阈值，x为输入参数值。
本发明的另一目的在于提供一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
步骤一，获取单体的双偏振雷达数据和雷达基本参数，包括基本反射率ZH、差分反射率ZDR、差分传播相移率KDP以及零滞后相关系数ρHV和当地的探空数据；
步骤二，对双偏振雷达数据进行质量控制；
步骤三，获取经过质量控制后的单体内ZDR柱的具体参数，包括ZDR柱深度、ZDR柱宽度以及ZDR柱面积；
步骤四，采用微粒识别对单体内的关键水成物粒子进行统计，得到0℃层以上关键水成物粒子库数和关键水成物粒子在ZDR柱内的占比和时间变化率，关键水成物粒子包括过冷水SWA、高密度霰HDG，计算降雹指数和降雹严重程度指数，发布相应预警。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
步骤一，获取单体的双偏振雷达数据和雷达基本参数，包括基本反射率ZH、差分反射率ZDR、差分传播相移率KDP以及零滞后相关系数ρHV和当地的探空数据；
步骤二，对双偏振雷达数据进行质量控制；
步骤三，获取经过质量控制后的单体内ZDR柱的具体参数，包括ZDR柱深度、ZDR柱宽度以及ZDR柱面积；
步骤四，采用微粒识别对单体内的关键水成物粒子进行统计，得到0℃层以上关键水成物粒子库数和关键水成物粒子在ZDR柱内的占比和时间变化率，关键水成物粒子包括过冷水SWA、高密度霰HDG，计算降雹指数和降雹严重程度指数，发布相应预警。
结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
本发明根据ZDR柱特征参数以及柱内水成物粒子数量对冰雹进行预测，同时考虑到了单体内部的热动力作用与微物理作用，先通过ZDR柱特征参数与水成物粒子数量占比确定了单体所处阶段，能够预测是否降雹；后得出严重程度预测指数，能够预测降雹过程是否属于严重冰雹。
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：本发明考虑到了单体内部的热动力作用与微物理作用，得到降雹指数与降雹严重程度指数，能够准确地判断是否降雹以及降雹严重程度。
第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
本发明的技术方案填补了国内外业内技术空白：现有的冰雹预警方法主要集中在宏观层面(如雹云内液态水含量、回波强度、有界弱回波区的范围大小等)，预报指标单一，具有很强的局地性；也缺乏涉及雹云内具体成雹过程的微观特征，预报的准确性有限。本发明将雹云内部的微观特征进行量化，基于多个气象参数对雹云所处阶段及冰雹生长潜力进行分析，能够有效的提升预报的准确性并且具有普适性。
附图说明
图1是本发明实施例提供的基于雹云微物理与热动力特征的冰雹预警方法流程图。
图2是本发明实施例提供的基于雹云微物理与热动力特征的冰雹预警过程示意图。
图3是本发明实施例提供的16:48时刻差分反射率与粒子识别结果示意图；
图3中：图a、沿雷达径向140°的差分反射率-雷达距离剖面；图b、粒子识别结果-雷达距离剖面图。
图4是本发明实施例提供的17:01时刻差分反射率与粒子识别结果示意图；
图4中：图a、沿雷达径向127°的差分反射率-雷达距离剖面；图b、粒子识别结果-雷达距离剖面图。
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。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示，本发明实施例提供的基于雹云微物理与热动力特征的冰雹预警方法包括：
S101：获取单体的双偏振雷达数据和雷达基本参数，包括基本反射率ZH、差分反射率ZDR、差分传播相移率KDP以及零滞后相关系数ρHV和当地的探空数据。
S102：对双偏振雷达数据进行质量控制。
S103：获取经过质量控制后的单体内ZDR柱的具体参数，包括ZDR柱深度、ZDR柱宽度以及ZDR柱面积。
S104：采用微粒识别对单体内的关键水成物粒子进行统计，得到0℃层以上关键水成物粒子库数和关键水成物粒子在ZDR柱内的占比和时间变化率，关键水成物粒子包括过冷水SWA、高密度霰HDG，计算降雹指数和降雹严重程度指数，发布相应预警。
本发明实施例提供的S102中，对双偏振雷达数据进行质量控制，具体过程为：
差分传播相移退折叠处理，差分传播相移滤波，基本反射率和差分反射率自适应性衰减订正。
本发明实施例提供的S103中，获取经过质量控制后的单体内ZDR柱的具体参数，具体过程为：
提取双偏振雷达差分反射率沿雷达径向的垂直剖面，将处于环境0℃层以上且差分反射率ZDR≥1的连续区域定义为ZDR柱，ZDR柱沿雷达垂直剖面上ZDR≥1的距离库数为ZDR柱面积S，单位为库；ZDR柱深度为ZDR柱最大高度与环境0℃层高度之间的高度差H，单位为km；ZDR柱宽度为ZDR柱体投影到平面的长度L，单位为km；
根据公式H＝r×s×sinα-H0获取ZDR柱深度，其中，H为ZDR柱深度，单位为km，r为双偏振雷达的库长，单位为km；s为ZDR柱最大高度所在库数，α为ZDR柱最大高度所在库的仰角度数；H0为当天环境0℃温度层所在高度，单位为km；
根据公式L＝r×(s2×cosα2-s1×cosα1)获取ZDR柱宽度，其中，L为ZDR柱宽度，单位为km；r为双偏振雷达的库长，单位为km；s1为ZDR柱水平距离最接近雷达所在库数，单位为库；α1为所在库对应的仰角度数，单位为度；s2为ZDR柱水平距离最远离雷达所在的库数，单位为库；α2为所在库对应的仰角度数，单位为度°。
本发明实施例提供的S104中，采用微粒识别对单体内的关键水成物粒子进行统计，得到0℃层以上关键水成物粒子库数和关键水成物粒子在ZDR柱内的占比和时间变化率，计算降雹指数和降雹严重程度指数，发布相应预警，具体过程为：
第一步，采用不对称T型函数作为隶属函数对单体内关键水成物粒子进行识别。
第二步，采用权重求和的方法计算各隶属函数的加权结果，得出最终的粒子识别结果。
第三步，对ZDR柱内的SWA及HDG的数量和其随时间的变化率进行统计。
第四步，关键水成物粒子在ZDR柱内的库数占比确定。
第五步，通过隶属函数对ZDR柱深度H、SWA与HDG在ZDR柱内的库数占比KSWA+KHDG、ZDR柱内SWA增长速率QSWA、ZDR柱内HDG增长速率QHDG等参数进行模糊化，每个参数对应一个隶属函数。
第六步，计算成熟阶段ZDR柱最大深度的所处时刻。
第七步，通过隶属函数对CHt<0(m+n-1)时次单体内ZDR柱面积S、ZDR柱深度H、ZDR柱宽度L和0℃层以上HDG数量THDG、SWA数量TSWA进行模糊化，每个参数对应一个隶属函数。
第八步，采用权重求和的方式，计算各参数隶属函数的加权结果，作为严重程度预测指数U，U的计算公式为：
其中，n为隶属函数的参数个数，Mi为各个参数隶属函数的值，Ni为各个参数的权重值。根据各个参数对雹胚生成数量的敏感程度，对M1、M2、M3、M4、M5分别赋予0.3、0.2、0.1、0.3、0.1的权重值。
第九步，根据严重程度预测指数U的计算结果发布相对应的预警：当U≥0.8时，发布重雹预警；当0.4≤U<0.8时，发布中雹预警；当0≤U<0.4时，发布轻雹预警。
所述第三步中，对ZDR柱内的SWA及HDG的数量和其随时间的变化率进行统计，具体过程为：
通过计算模型：
分别计算ZDR柱内的SWA与HDG的数量(库)。其中，i1,i2为ZDR柱在垂直剖面上的上下边界，j1、j2为ZDR柱在垂直剖面上的左右边界(H1为ZDR柱的最大深度，单位为km；H0为环境0℃层高度，单位为km；L1为ZDR柱的左侧边缘库数，单位为库；L2为ZDR柱的右侧边缘库数，单位为库；二维矩阵(i,j)表示微粒的具体位置。再通过公式计算单位时间内ZDR柱内SWA增长速率，单位为库/min；公式/>计算单位时间内ZDR柱内HDG增长速率，单位为库/min。
所述第四步中，关键水成物粒子在ZDR柱内的库数占比确定，具体过程为：
过冷水SWA在ZDR柱内的库数占比：
其中，KSWA为过冷水SWA在ZDR柱内的库数占比，GSWA为ZDR柱内过冷水SWA的库数，单位为库；S为ZDR柱沿雷达垂直剖面上ZDR≥1的距离库数，单位为库。
高密度霰HDG在ZDR柱内的库数占比：
其中，KHDG为高密度霰HDG在ZDR柱内的库数占比，GHDG为ZDR柱内高密度霰HDG的库数(库)，S为ZDR柱沿雷达垂直剖面上ZDR≥1的距离库数(库)。
所述第五步中，隶属函数的基本形式为：
其中，Oi为各个参数隶属函数的值，O1为ZDR柱深度H的隶属函数值，O2为SWA与HDG在ZDR柱内的库数占比KSWA+KHDG的隶属函数值，O3为ZDR柱内SWA增长速率QSWA的隶属函数值，O4为ZDR柱内HDG增长速率QHDG的隶属函数值；右侧X1、X2、X3、X4为函数阈值，x为输入参数值，具体阈值设置如表1所示。
表1降雹预测指数的隶属函数阈值
X1 X2 X3 X4
H(km) 1.0 1.4 3.5 3.5
KSWA+KHDG 0 0 0.15 0.2
QHDG -20.5 -20.5 -2 -2
QSWA -18 -18 -4 0
所述第五步中，通过隶属函数对ZDR柱深度H、SWA与HDG在ZDR柱内的库数占比KSWA+KHDG、ZDR柱内SWA增长速率QSWA、ZDR柱内HDG增长速率QHDG等参数进行模糊化，每个参数对应一个隶属函数，具体过程为：
采用权重求和的方式，计算各参数隶属函的加权结果，作为降雹预测指数PP，PP计算公式为：
其中，n为隶属函数的参数个数，Oi为各个参数隶属函数的值，Vi为各个参数的权重值。根据各参数对雹胚生成的敏感程度采用不同的权重值，对O1、O2、O3、O4分别赋予0.3、0.3、0.2、0.2的权重值。
根据降雹预测指数PP的计算结果发布相对应的预警：当0.1≤PP<0.8时，单体处于发展阶段，准备发布冰雹预警；当PP≥0.8时，单体处于成熟阶段，发布冰雹预警；当0≤PP<0.1时，单体处于消散阶段，解除冰雹预警。
所述第六步中，计算成熟阶段ZDR柱最大深度的所处时刻，具体过程为：
按如下公式计算ZDR柱深度H的增率，
其中，CHt为t时次ZDR柱深度的增率，单位为km/min；Ht为t时次ZDR柱深度，单位为km；Ht-1为t-1时次ZDR柱深度，单位为km(单个时次为6min)。
进一步地，预警m个时次后，若CHm>0，说明m时次ZDR柱深度仍在增大，继续观测下一时次ZDR柱深度的增率；预警m+n个时次后，若CH(m+n)<0，说明(m+n)时次ZDR柱深度首次降低，则ZDR柱最大深度所处时刻为发布冰雹预警后的m+n-1时次；
所述第七步中，隶属函数的基本形式为：
其中，Mi为各个参数隶属函数的值，M1为ZDR柱面积S的隶属函数值，M2为ZDR柱深度H的隶属函数值，M3为ZDR柱宽度L的隶属函数值，M4为0℃层以上HDG数量THDG的隶属函数值，M5为SWA数量TSWA的隶属函数值；右侧X1、X2、X3、X4为函数阈值，x为输入参数值，具体阈值设置如表2所示。
表2严重程度预测指数的隶属函数阈值
X1 X2 X3 X4
H(km) 1.4 2.5 3.5 3.5
S(库) 350 450 500 550
L(km) 3.5 4 4.5 5
TSWA 250 300 400 450
THDG 300 450 650 800
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
实施例，2018年5月18日，某省某地发生了一次降雹过程，降雹时间为17:10时刻左右。如图3所示，在16:48时刻，提取单体内ZDR柱特征参数、关键水成物粒子在ZDR柱内的库数占比、ZDR柱内SWA的变化速率QSWA，ZDR柱内HDG的变化速率QHDG、0℃层以上HDG与SWA的数量。结果表明，ZDR柱深度H为1.16km，ZDR柱面积S为98库，ZDR柱宽度L为1.1km，SWA与HDG在ZDR柱内的库数占比KSWA+KHDG为1，ZDR柱内SWA增率QSWA为5库/min，ZDR柱内HDG增率QHDG为11库/min，0℃层以上HDG数量THDG为407库，0℃层以上SWA数量TSWA为347库，CH>1。将相关参数代入隶属函数并加权求和，计算降雹指数PP＝0.12，单体处于发展阶段，不发布冰雹预警。如图4所示，在17:01时刻，提取单体内ZDR柱特征参数、关键水成物粒子在ZDR柱内的库数占比、ZDR柱内SWA的变化速率QSWA，ZDR柱内HDG的变化速率QHDG、0℃层以上HDG与SWA的数量。结果表明，ZDR柱深度H为2.13km，ZDR柱面积S为295库，ZDR柱宽度L为2.2km，SWA与HDG在ZDR柱内的库数占比KSWA+KHDG为0.12，ZDR柱内SWA增率QSWA为-1库/min，ZDR柱内HDG增率QHDG为-11库/min，0℃层以上HDG数量THDG为404库，0℃层以上SWA数量TSWA为159库，CH<1。将相关参数代入隶属函数并加权求和，计算降雹指数PP＝0.85，单体处于成熟阶段，发布冰雹预警。CH<1，表明17:01时刻为ZDR柱深度最大时刻。计算17:01时刻的严重程度预测指数U＝0.27，属于U<0.4的范围内，发布轻雹预警。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
根据地面观测数据，地面观测到降雹的时间为17:10时刻，降雹粒径为9mm，为轻雹，未造成灾害。相较其他发明，本发明基于冰雹生成的微物理与热动力环境对冰雹作出预报，可以更为准确的预测冰雹时间，并对雹灾大小做出精准预警。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于雹云微物理与热动力特征的冰雹预警方法，其特征在于，所述基于雹云微物理与热动力特征的冰雹预警方法包括：
步骤一，获取单体的双偏振雷达数据和雷达基本参数，包括基本反射率ZH、差分反射率ZDR、差分传播相移率KDP以及零滞后相关系数ρHV和当地的探空数据；
步骤二，对双偏振雷达数据进行质量控制；
步骤三，获取经过质量控制后的单体内ZDR柱的具体参数，包括ZDR柱深度、ZDR柱宽度以及ZDR柱面积；
步骤四，采用微粒识别对单体内的关键水成物粒子进行统计，得到0℃层以上关键水成物粒子库数和关键水成物粒子在ZDR柱内的占比和时间变化率，关键水成物粒子包括过冷水SWA、高密度霰HDG，计算降雹指数和降雹严重程度指数，发布相应预警；
所述步骤四中，采用微粒识别对单体内的关键水成物粒子进行统计，得到0℃层以上关键水成物粒子库数和关键水成物粒子在ZDR柱内的占比和时间变化率，计算降雹指数和降雹严重程度指数，发布相应预警，具体过程为：
第一步，采用不对称T型函数作为隶属函数对单体内关键水成物粒子进行识别；
第二步，采用权重求和的方法计算各隶属函数的加权结果，得出最终的粒子识别结果；
第三步，对ZDR柱内的SWA及HDG的数量和随时间的变化率进行统计；
第四步，关键水成物粒子在ZDR柱内的库数占比确定；
第五步，通过隶属函数对ZDR柱深度H、SWA与HDG在ZDR柱内的库数占比KSWA+KHDG、ZDR柱内SWA增长速率QSWA、ZDR柱内HDG增长速率QHDG参数进行模糊化，每个参数对应一个隶属函数；
第六步，计算成熟阶段ZDR柱最大深度的所处时刻；
第七步，通过隶属函数对CHt<0，m+n-1时次单体内ZDR柱面积S、ZDR柱深度H、ZDR柱宽度L和0℃层以上HDG数量THDG、SWA数量TSWA进行模糊化，每个参数对应一个隶属函数；
第八步，采用权重求和的方式，计算各参数隶属函数的加权结果，作为降雹严重程度指数U，U的计算公式为：
其中，n为隶属函数的参数个数，Mi为各个参数隶属函数的值，Ni为各个参数的权重值；
根据各个参数对雹胚生成数量的敏感程度，对M1、M2、M3、M4、M5分别赋予0.3、0.2、0.1、0.3、0.1的权重值；
第九步，根据降雹严重程度指数U的计算结果发布相对应的预警：当U≥0.8时，发布重雹预警；当0.4≤U<0.8时，发布中雹预警；当0≤U<0.4时，发布轻雹预警；
所述第五步中，隶属函数的基本形式为：
其中，Oi为各个参数隶属函数的值，O1为ZDR柱深度H的隶属函数值，O2为SWA与HDG在ZDR柱内的库数占比KSWA+KHDG的隶属函数值，O3为ZDR柱内SWA增长速率QSWA的隶属函数值，O4为ZDR柱内HDG增长速率QHDG的隶属函数值；右侧X1、X2、X3、X4为函数阈值，x为输入参数值；
所述第五步中，通过隶属函数对ZDR柱深度H、SWA与HDG在ZDR柱内的库数占比KSWA+KHDG、ZDR柱内SWA增长速率QSWA、ZDR柱内HDG增长速率QHDG参数进行模糊化，每个参数对应一个隶属函数，具体过程为：
采用权重求和的方式，计算各参数隶属函的加权结果，作为降雹指数PP，PP计算公式为：
其中，n为隶属函数的参数个数，Oi为各个参数隶属函数的值，Vi为各个参数的权重值；
根据各参数对雹胚生成的敏感程度采用不同的权重值，对O1、O2、O3、O4分别赋予0.3、0.3、0.2、0.2的权重值；
根据降雹指数PP的计算结果发布相对应的预警：当0.1≤PP<0.8时，单体处于发展阶段，准备发布冰雹预警；当PP≥0.8时，单体处于成熟阶段，发布冰雹预警；当0≤PP<0.1时，单体处于消散阶段，解除冰雹预警。
2.如权利要求1所述基于雹云微物理与热动力特征的冰雹预警方法，其特征在于，所述步骤二中，对双偏振雷达数据进行质量控制，具体过程为：
差分传播相移退折叠处理，差分传播相移滤波，基本反射率和差分反射率自适应性衰减订正。
3.如权利要求1所述基于雹云微物理与热动力特征的冰雹预警方法，其特征在于，所述步骤三中，获取经过质量控制后的单体内ZDR柱的具体参数，具体过程为：
提取双偏振雷达差分反射率沿雷达径向的垂直剖面，将处于环境0℃层以上且差分反射率ZDR≥1的连续区域定义为ZDR柱，ZDR柱沿雷达垂直剖面上ZDR≥1的距离库数为ZDR柱面积S，单位为库；ZDR柱深度为ZDR柱最大高度与环境0℃层高度之间的高度差H，单位为km；ZDR柱宽度为ZDR柱体投影到平面的长度L，单位为km；
根据公式H＝r×s×sinα-H0获取ZDR柱深度，其中，H为ZDR柱深度，单位为km，r为双偏振雷达的库长，单位为km；s为ZDR柱最大高度所在库数，α为ZDR柱最大高度所在库的仰角度数；
H0为当天环境0℃温度层所在高度，单位为km；
根据公式L＝r×(s2×cosa2-S1×cosαi)获取ZDR柱宽度，其中，L为ZDR柱宽度，单位为km；
r为双偏振雷达的库长，单位为km；s1为ZDR柱水平距离最接近雷达所在库数，单位为库；α1为所在库对应的仰角度数，单位为度；s2为ZDR柱水平距离最远离雷达所在的库数，单位为库；
α2为所在库对应的仰角度数，单位为度°。
4.如权利要求1所述基于雹云微物理与热动力特征的冰雹预警方法，其特征在于，所述第三步中，对ZDR柱内的SWA及HDG的数量和随时间的变化率进行统计，具体过程为：
通过计算模型：
分别计算ZDR柱内的SWA与HDG的数量，单位为库；其中，i1,i2为ZDR柱在垂直剖面上的上下边界，j1、j2为ZDR柱在垂直剖面上的左右边界，H1为ZDR柱的最大深度，单位为km；H0为环境0℃层高度，单位为km；L1为ZDR柱的左侧边缘库数，单位为库；L2为ZDR柱的右侧边缘库数，单位为库；二维矩阵(i,j)表示微粒的具体位置，再通过公式计算单位时间内ZDR柱内SWA增长速率，单位为库/min；公式/>计算单位时间内ZDR柱内HDG增长速率，单位为库/min；
所述第四步中，关键水成物粒子在ZDR柱内的库数占比确定，具体过程为：
过冷水SWA在ZDR柱内的库数占比：
其中，KSWA为过冷水SWA在ZDR柱内的库数占比，GSWA为ZDR柱内过冷水SWA的库数，单位为库；S为ZDR柱沿雷达垂直剖面上ZDR≥1的距离库数，单位为库；
高密度霰HDG在ZDR柱内的库数占比：
其中，KHDG为高密度霰HDG在ZDR柱内的库数占比，GHDG为ZDR柱内高密度霰HDG的库数，单位为库；S为ZDR柱沿雷达垂直剖面上ZDR≥1的距离库数，单位为库。
5.如权利要求1所述基于雹云微物理与热动力特征的冰雹预警方法，其特征在于，所述第六步中，计算成熟阶段ZDR柱最大深度的所处时刻，具体过程为：
按如下公式计算ZDR柱深度H的增率，
其中，CHt为t时次ZDR柱深度的增率，单位为km/min，Ht为t时次ZDR柱深度，单位为km，Ht-1为t-1时次ZDR柱深度，单位为km，单个时次为6min；
预警m个时次后，若CHm>0，说明m时次ZDR柱深度仍在增大，继续观测下一时次ZDR柱深度的增率；预警m+n个时次后，若CH(m+n)<0，说明(m+n)时次ZDR柱深度首次降低，则ZDR柱最大深度所处时刻为发布冰雹预警后的m+n-1时次；
所述第七步中，隶属函数的基本形式为：
其中，Mi为各个参数隶属函数的值，M1为ZDR柱面积S的隶属函数值，M2为ZDR柱深度H的隶属函数值，M3为ZDR柱宽度L的隶属函数值，M4为0℃层以上HDG数量THDG的隶属函数值，M5为SWA数量TSWA的隶属函数值；右侧X1、X2、X3、X4为函数阈值，x为输入参数值。
6.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
步骤一，获取单体的双偏振雷达数据和雷达基本参数，包括基本反射率ZH、差分反射率ZDR、差分传播相移率KDP以及零滞后相关系数ρHV和当地的探空数据；
步骤二，对双偏振雷达数据进行质量控制；
步骤三，获取经过质量控制后的单体内ZDR柱的具体参数，包括ZDR柱深度、ZDR柱宽度以及ZDR柱面积；
步骤四，采用微粒识别对单体内的关键水成物粒子进行统计，得到0℃层以上关键水成物粒子库数和关键水成物粒子在ZDR柱内的占比和时间变化率，关键水成物粒子包括过冷水SWA、高密度霰HDG，计算降雹指数和降雹严重程度指数，发布相应预警。
7.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
步骤一，获取单体的双偏振雷达数据和雷达基本参数，包括基本反射率ZH、差分反射率ZDR、差分传播相移率KDP以及零滞后相关系数ρHV和当地的探空数据；
步骤二，对双偏振雷达数据进行质量控制；
步骤三，获取经过质量控制后的单体内ZDR柱的具体参数，包括ZDR柱深度、ZDR柱宽度以及ZDR柱面积；
步骤四，采用微粒识别对单体内的关键水成物粒子进行统计，得到0℃层以上关键水成物粒子库数和关键水成物粒子在ZDR柱内的占比和时间变化率，关键水成物粒子包括过冷水SWA、高密度霰HDG，计算降雹指数和降雹严重程度指数，发布相应预警。
CN202210290432.5A 2022-03-23 2022-03-23 基于雹云微物理与热动力特征的冰雹预警方法 Active CN114706145B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210290432.5A CN114706145B (zh) 2022-03-23 2022-03-23 基于雹云微物理与热动力特征的冰雹预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210290432.5A CN114706145B (zh) 2022-03-23 2022-03-23 基于雹云微物理与热动力特征的冰雹预警方法

Publications (2)

Publication Number Publication Date
CN114706145A CN114706145A (zh) 2022-07-05
CN114706145B true CN114706145B (zh) 2023-11-21

Family

ID=82169467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210290432.5A Active CN114706145B (zh) 2022-03-23 2022-03-23 基于雹云微物理与热动力特征的冰雹预警方法

Country Status (1)

Country Link
CN (1) CN114706145B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7109913B1 (en) * 2004-05-04 2006-09-19 Rockwell Collins, Inc. Airborne weather radar system and radar display
JP2009008440A (ja) * 2007-06-26 2009-01-15 Mitsubishi Electric Corp 気象レーダ装置
KR101431707B1 (ko) * 2013-11-26 2014-09-22 한국건설기술연구원 엑스밴드 이중편파 레이더 관측자료를 이용한 통합형 강우량 산정 방법
CN105137407A (zh) * 2015-10-08 2015-12-09 南京信息工程大学 一种双偏振天气雷达zdr在线标定方法及装置
CN106501806A (zh) * 2016-10-31 2017-03-15 北京市人工影响天气办公室 一种降水粒子的类型识别方法及装置
CN107015229A (zh) * 2017-05-22 2017-08-04 新疆维吾尔自治区人工影响天气办公室 基于双偏振天气雷达的人工防雹作业指挥方法
KR101966639B1 (ko) * 2018-04-19 2019-07-26 대한민국 수치 예보 모델을 이용한 대기수상체 분류 예측 장치 및 그 방법
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
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
CN110501760A (zh) * 2019-07-29 2019-11-26 中国气象局广州热带海洋气象研究所（广东省气象科学研究所） 一种基于气象雷达的冰雹识别及临近预报方法
KR102101436B1 (ko) * 2019-09-25 2020-04-16 대한민국 이중편파 기상레이더 기반의 우박 및 강우 영역별 강우 추정 장치 및 그 방법
KR102115182B1 (ko) * 2019-09-03 2020-05-28 대한민국 지구 구면좌표계를 이용한 이중편파 기상레이더 관측자료 합성 장치 및 방법
CN111694000A (zh) * 2020-06-11 2020-09-22 成都信息工程大学 雹云单体发展过程中雹胚形成及冰雹增长的预报方法
CN111738339A (zh) * 2020-06-23 2020-10-02 中国民航大学 一种针对双偏振气象雷达低分辨数据的降水粒子分类方法
CN112068104A (zh) * 2020-09-11 2020-12-11 中国航空工业集团公司雷华电子技术研究所 一种冰晶识别方法、装置、电子设备及双极化气象雷达
CN113933845A (zh) * 2021-10-18 2022-01-14 南京气象科技创新研究院 一种基于双线偏振雷达的地面降雹识别和预警方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9678206B2 (en) * 2012-11-21 2017-06-13 Dynamic Weather Solutions, Inc. Systems and methods for inferring localized hail intensity
US10613252B1 (en) * 2015-10-02 2020-04-07 Board Of Trustees Of The University Of Alabama, For And On Behalf Of The University Of Alabama In Huntsville Weather forecasting systems and methods
CN110135654B (zh) * 2019-05-24 2021-08-27 北京百度网讯科技有限公司 用于预测强对流天气的方法和装置

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7109913B1 (en) * 2004-05-04 2006-09-19 Rockwell Collins, Inc. Airborne weather radar system and radar display
JP2009008440A (ja) * 2007-06-26 2009-01-15 Mitsubishi Electric Corp 気象レーダ装置
KR101431707B1 (ko) * 2013-11-26 2014-09-22 한국건설기술연구원 엑스밴드 이중편파 레이더 관측자료를 이용한 통합형 강우량 산정 방법
CN105137407A (zh) * 2015-10-08 2015-12-09 南京信息工程大学 一种双偏振天气雷达zdr在线标定方法及装置
CN106501806A (zh) * 2016-10-31 2017-03-15 北京市人工影响天气办公室 一种降水粒子的类型识别方法及装置
CN107015229A (zh) * 2017-05-22 2017-08-04 新疆维吾尔自治区人工影响天气办公室 基于双偏振天气雷达的人工防雹作业指挥方法
KR101966639B1 (ko) * 2018-04-19 2019-07-26 대한민국 수치 예보 모델을 이용한 대기수상체 분류 예측 장치 및 그 방법
CN110501760A (zh) * 2019-07-29 2019-11-26 中国气象局广州热带海洋气象研究所（广东省气象科学研究所） 一种基于气象雷达的冰雹识别及临近预报方法
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
KR102115182B1 (ko) * 2019-09-03 2020-05-28 대한민국 지구 구면좌표계를 이용한 이중편파 기상레이더 관측자료 합성 장치 및 방법
KR102101436B1 (ko) * 2019-09-25 2020-04-16 대한민국 이중편파 기상레이더 기반의 우박 및 강우 영역별 강우 추정 장치 및 그 방법
CN111694000A (zh) * 2020-06-11 2020-09-22 成都信息工程大学 雹云单体发展过程中雹胚形成及冰雹增长的预报方法
CN111738339A (zh) * 2020-06-23 2020-10-02 中国民航大学 一种针对双偏振气象雷达低分辨数据的降水粒子分类方法
CN112068104A (zh) * 2020-09-11 2020-12-11 中国航空工业集团公司雷华电子技术研究所 一种冰晶识别方法、装置、电子设备及双极化气象雷达
CN113933845A (zh) * 2021-10-18 2022-01-14 南京气象科技创新研究院 一种基于双线偏振雷达的地面降雹识别和预警方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Hail track- improving radar-based hailfall estimates by modeling hail trajectories;Jordan P. Brook;《Journal of Applied Meteorology and Climatology》;第60卷(第3期);237-254 *
Use of X-band differential reflectivity measurements to sutdy shallow arctic mixed-phase clouds;Mariko Oue;《Journal of Applied Meteorology and Climatology》;第55卷(第2期);403-424 *
一次孤立单体雹暴过程"ＺＤＲ柱"演变特征分析;沈雨;《气象科技》;第51卷(第1期);104-144 *
用降雹指数法作冰雹预报;苏福庆;《气象》;11-12 *
闽南地区大冰雹超级单体演变的双偏振特征分析;潘佳文;《气象》;第46卷(第12期);1608-1620 *

Also Published As

Publication number Publication date
CN114706145A (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
Pham et al. Development of advanced artificial intelligence models for daily rainfall prediction
Park et al. Soil erosion risk in Korean watersheds, assessed using the revised universal soil loss equation
Chiang et al. Dynamic ANN for precipitation estimation and forecasting from radar observations
CN113420489B (zh) 一种双偏振雷达降水优化反演方法
Song et al. Differences in extremes and uncertainties in future runoff simulations using SWAT and LSTM for SSP scenarios
CN110967695A (zh) 一种基于深度学习的雷达回波外推短临预报方法
CN114706145B (zh) 基于雹云微物理与热动力特征的冰雹预警方法
CN108983164A (zh) 雷达信号处理装置和雷达信号处理方法
CN110488296B (zh) 对流单体降雹偏振雷达zdr柱在线监测数据预警方法
CN113933845B (zh) 一种基于双线偏振雷达的地面降雹识别和预警方法
WO2018168165A1 (ja) 気象予測装置、気象予測方法、およびプログラム
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
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
CN113311416A (zh) 山地小流域雷达定量降水估计技术
CN113740934A (zh) 一种基于s波段双偏振天气雷达降水估测方法
Chenchen et al. Improvement in the forecasting of heavy rainfall over South China in the DSAEF_LTP model by introducing the intensity of the tropical cyclone
Ghile et al. Evaluation of three numerical weather prediction models for short and medium range agrohydrological applications
CN114898206A (zh) 一种短时强降水预报方法及计算机设备和存储介质
CN114706146B (zh) 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
Yang et al. [Retracted] Prediction and Risk Assessment of Extreme Weather Events Based on Gumbel Copula Function
Lim et al. Damage prediction on bridge decks considering environmental effects with the application of deep neural networks
CN114895381B (zh) 一种基于双线偏振雷达的地闪分级预警方法
Wang et al. Modeling spatial pattern of precipitation with GIS and multivariate geostatistical methods in Chongqing tobacco planting region, China
Li et al. Improving multi-model ensemble probabilistic prediction of Yangtze River valley summer rainfall
Zhou et al. Real‐time prediction and ponding process early warning method at urban flood points based on different deep learning methods

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