CN115494507A - 基于星载双频降水雷达和微波成像仪的闪电识别方法 - Google Patents

基于星载双频降水雷达和微波成像仪的闪电识别方法 Download PDF

Info

Publication number
CN115494507A
CN115494507A CN202211451894.7A CN202211451894A CN115494507A CN 115494507 A CN115494507 A CN 115494507A CN 202211451894 A CN202211451894 A CN 202211451894A CN 115494507 A CN115494507 A CN 115494507A
Authority
CN
China
Prior art keywords
rain
lightning
radar
mass
cluster
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
Application number
CN202211451894.7A
Other languages
English (en)
Other versions
CN115494507B (zh
Inventor
陈凤娇
诸葛小勇
宇路
王瑞
阚琬琳
姚彬
唐飞
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.)
Nanjing Institute Of Meteorological Science And Technology Innovation
Original Assignee
Nanjing Institute Of Meteorological Science And Technology Innovation
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 Nanjing Institute Of Meteorological Science And Technology Innovation filed Critical Nanjing Institute Of Meteorological Science And Technology Innovation
Priority to CN202211451894.7A priority Critical patent/CN115494507B/zh
Publication of CN115494507A publication Critical patent/CN115494507A/zh
Application granted granted Critical
Publication of CN115494507B publication Critical patent/CN115494507B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S13/955—Radar or analogous systems specially adapted for specific applications for meteorological use mounted on satellite
    • 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
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • 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)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Atmospheric Sciences (AREA)
  • Electromagnetism (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于星载双频降水雷达和微波成像仪的闪电识别方法，其首先利用星载双频降水雷达和微波成像仪进行时空匹配，得到双频测雨雷达像素上的微波亮温信息；根据近地表雷达反射率因子对降水像素进行识别，将星载双频降水雷达扫描范围内的完整降水区识别为雨团；统计得到雨团物理特征参数；采用闪电定位系统观测的闪电为实况数据，进行闪电雨团物理特征参数最优阈值训练；根据雨团物理特征参数最优阈值，判别闪电雨团。该方法能够判识闪电，弥补我国闪电定位系统在西北、青藏高原等区域观测能力不足的问题，同时可为未来雷暴短时临近预报提供观测依据。

Description

基于星载双频降水雷达和微波成像仪的闪电识别方法
技术领域
本发明属于气象参数特征识别和预报技术，尤其涉及一种基于星载双频降水雷达和微波成像仪的闪电识别方法。
背景技术
闪电是雷暴活动的基本特征。除闪电外，雷暴活动常伴随大风、冰雹等灾害性天气、是一种伴随阵性降水的强对流系统。雷暴起电与云内的冰晶、软雹、过冷水等水成物粒子、以及动力条件等密切相关，因此，雷暴宏微观参数（如雷达反射率因子强度、回波顶高、液水和冰水路径等）特征在一定程度上影响着闪电的发生。目前地基闪电定位系统虽然可实现对我国东部的较高精度的监测，但是对于我国人烟稀少的西北、青藏高原等区域观测能力还不足。
现有技术多基于地基多普勒或双偏振雷达的观测，针对单个或少数个雷暴过程来建立闪电与雨团物理特征参数的关系，由于雷暴系统的复杂性和多样性，研究结果不具有代表性和说服力。此外，地基雷达由于探测的有效范围限制，加上雷达组网的定标误差，无法对全国雷暴活动实现均一的观测。虽然热带测雨卫星实现了对热带和副热带的均一观测，但由于观测角度限制，对我国高纬地区（北纬35度以北）无法进行有效观测。因此，在全国范围内获取闪电识别的最优雨团物理特征参数阈值是一个难点。
发明内容
基于以上原因，本发明提出基于星载双频降水雷达和微波成像仪的闪电识别方法，以能够构建基于雨团特征物理参数的闪电识别最优阈值，为未来通过地基雷达进行雷暴短临预报提供观测基础。
为了解决上述技术问题，本发明将提供如下的技术方案：
基于星载双频降水雷达和微波成像仪的闪电识别方法，包括如下步骤：
步骤一、获取像素级星载双频降水雷达、微波成像仪的观测数据
获取像素级星载双频降水雷达的观测数据：三维雷达反射率因子；
获取微波成像仪的观测数据：微波极化亮温数据；并对微波成像仪所观测到的微波极化亮温数据进行修正；
步骤二、星载双频降水雷达、微波成像仪两者观测数据的时空匹配
采用时空匹配方法，将修正后的微波极化亮温数据插值到星载双频降水雷达像素上；
步骤三、雨团识别
利用星载双频降水雷达提供的近地表雷达反射率因子对降水像素进行识别，将所述星载双频降水雷达扫描范围内探测的连续降水区识别为雨团；
步骤四、统计雨团物理特征参数
根据所述雨团的物理内涵，统计雨团物理特征参数；
步骤五、闪电雨团物理特征参数最优阈值训练
采用闪电定位系统所观测到的闪电为实况数据，结合步骤四统计出的雨团物理特征参数，进行闪电雨团物理特征参数最优阈值训练；
步骤六、闪电雨团判别
根据步骤五得到的闪电雨团物理特征参数最优阈值，判别闪电雨团。
作为本发明的进一步改进，步骤一中，所获取的微波成像仪的观测数据为37GHz和89GHz通道的垂直和水平极化亮温数据。
步骤一中，对微波成像仪所观测到的微波极化亮温数据进行修正，包括：对所获取到的微波成像仪的37GHz通道观测到的垂直和水平极化亮温数据进行修正，以对应得到修正后的极化亮温PCT37；对所获取到的微波成像仪的89GHz通道观测到的垂直和水平极化亮温数据进行修正，以对应得到修正后的极化亮温PCT89。
作为本发明的进一步改进，修正后的极化亮温PCT37根据下式计算：
PCT37 =(2.20 × T37v) – (1.20 ×T37h)
修正后的极化亮温PCT89根据下式计算：
PCT89 =(1.818× T89v) – (0.818 ×T89h)
其中，T37V、T37h分别表示微波成像仪的37GHz通道的垂直极化亮温、水平极化亮温。T89V、T89h分别表示微波成像仪的89GHz通道的垂直极化亮温、水平极化亮温。
作为本发明的进一步改进，步骤二中，采用时空匹配方法，将修正后的微波极化亮温数据插值到星载双频降水雷达像素上，具体过程为：根据微波成像仪观测像素的时间信息、空间位置信息，利用最近距离时空匹配法，将修正后的极化亮温PCT37和修正后的极化亮温PCT89匹配到星载双频降水雷达观测的雷达反射率因子像素上。
作为本发明的进一步改进，所述步骤三中，雨团识别的具体过程为：
步骤3.1、在所述星载双频降水雷达扫描范围内，星载双频降水雷达在任意像素i位置观测到对应的近地表雷达反射率因子Zi；
步骤3.2、通过比较近地表雷达反射率因子Zi与预设阈值Z0的大小，来判断这一对应的像素点i是否为降水像素：当Zi≥Z0时，像素点i被识别为降水像素，否则为非降水像素。i为正整数；
步骤3.3、对降水像素i的周围像素进行遍历，若周围存在降水像素则继续遍历，直至周围相邻像素均为非降水像素，则一个完整的雨团识别结束，并对该识别的雨团进行编号，记为雨团j，j为正整数。
作为本发明的进一步改进，所述步骤四中的雨团物理特征参数包括：雨团的20dBZ回波顶最大高度、雨团的30dBZ回波顶最大高度、雨团的修正后的极化亮温PCT37最小值、雨团的修正后的极化亮温PCT89最小值、雨团的各垂直高度层雷达反射率因子超过40dBZ的面积、雨团的各垂直高度层的最大雷达反射率因子。
作为本发明的进一步改进，所述步骤五中的最优雨团物理特征参数阈值训练方法如下：所述雨团物理特征参数首先按照一定间隔设置多组测试阈值，接着一一通过测试阈值对闪电步骤三识别出的雨团是否为闪电雨团进行判识，然后结合实际闪电观测结果进行分类统计，最后一一计算出各测试阈值对应的Heidke技巧评分HSS并筛选出候选最优阈值。所述候选最优阈值为前述最高的Heidke技巧评分对应的测试阈值。
作为本发明的进一步改进，所述步骤五中的最优雨团物理特征参数阈值训练方法具体包括如下步骤：
步骤5.1、闪电雨团观测标记
根据闪电定位系统观测到的闪电发生位置和闪电发生时间数据，将5公里范围内，观测时间差在前后5分钟内的闪电数据匹配到星载双频降水雷达观测的像素上；然后，对雨团内发生至少一次的闪电标记为闪电雨团，否则标记为非闪电雨团；
步骤5.2、设置测试阈值
所述雨团物理特征参数按照一定间隔设置多组测试阈值；
步骤5.3、闪电雨团反演标记
通过步骤5.2所设置的测试阈值一一对步骤三识别出的雨团是否为闪电雨团进行判识，如果判识结果表明为闪电雨团，则标记为闪电雨团，反之则为非闪电雨团；
步骤5.4、雨团分类统计
将步骤三识别出的雨团根据步骤5.1所获得的闪电雨团观测标记、步骤5.3所获得的闪电雨团反演标记结合起来进行分类统计；
步骤5.5、计算Heidke技巧评分
根据步骤5.4获得的雨团分类统计结果，按照下式一一计算出各测试阈值对应的Heidke技巧评分HSS：
Figure 264413DEST_PATH_IMAGE001
式中：H代表雨团中闪电雨团观测标记结果以及闪电雨团反演标记结果均为闪电雨团的样本总数目；Z代表雨团中闪电雨团观测标记结果以及闪电雨团反演标记结果均为非闪电雨团的样本总数目；M代表雨团中闪电雨团观测标记为闪电雨团、而闪电雨团反演标记为非闪电雨团的样本总数目；F代表雨团中闪电雨团观测标记为非闪电雨团、而闪电雨团反演标记为闪电雨团的样本总数目。
步骤5.6、筛选候选最优阈值
根据步骤5.5所计算出的每一类雨团物理特征参数的各测试阈值对应的Heidke技巧评分，将Heidke技巧评分最高值对应的雨团物理特征参数数值，作为该类雨团物理特征参数对应的候选最优阈值；
步骤5.7、根据步骤5.6筛选出的候选最优阈值对应的Heidke技巧评分，选择出Heidke技巧评分最高的3个候选最优阈值作为最终的最优阈值；3个候选最优阈值即为步骤六中用于判别闪电雨团的雨团物理特征参数最优阈值。
作为本发明的进一步改进，步骤5.2中，各雨团物理特征参数的测试阈值通过如下过程设置：
当雨团物理特征参数为雨团的20dBZ回波顶最大高度H1时，将在雨团的20dBZ回波顶最大高度H1所在范围内，以高度差h1为间隔，设置m1个测试阈值；
当雨团物理特征参数为雨团的30dBZ回波顶最大高度H2时，将在雨团的30dBZ回波顶最大高度H2所在范围内，以高度差h2为间隔，设置m2个测试阈值；
当雨团物理特征参数为雨团的修正后的极化亮温PCT37最小值T1时，将在雨团的修正后的极化亮温PCT37最小值T1所在范围内，以温度差t1为间隔，设置m3个测试阈值；
当雨团物理特征参数为雨团的修正后的极化亮温PCT89最小值T2时，将在雨团的修正后的极化亮温PCT89最小值T2所在范围内，以温度差t2为间隔，设置m4个测试阈值；
当雨团物理特征参数为雨团的各垂直高度层雷达反射率因子超过40dBZ的面积S1时，将在雨团的各垂直高度层雷达反射率因子超过40dBZ的面积S1所在范围内，以面积差s1为间隔，设置m5个测试阈值；
当雨团物理特征参数为雨团的各垂直高度层的最大雷达反射率因子Z1时，将在雨团的各垂直高度层的最大雷达反射率因子Z1所在的范围内，以差值z1为间隔，设置m6个测试阈值。
作为本发明的进一步改进，所述步骤六中的具体过程为：基于步骤5.7选择出的三个候选最优阈值来判别步骤三中所识别出的雨团是否为闪电雨团：当步骤三中所识别出的任意雨团j满足步骤5.3选择出的三个候选最优阈值中的任意一个候选最优阈值时，雨团j即被标识为闪电雨团，反之为非闪电雨团。
根据上述的技术方案，相对于现有技术，本发明具有如下的有益效果：
本发明所提供的基于星载双频降水雷达和微波成像仪的闪电识别方法，一方面提炼出卫星观测的雨团物理特征参数，并用以建立闪电与之的关系，可大大弥补我国闪电定位系统在西北、青藏高原等区域观测能力不足的问题。另一方面，本发明建立基于雨团物理特征参数的阈值的闪电识别算法，为未来通过地基雷达进行雷暴短临预报提供观测基础。
附图说明
图1 为本发明实施例提供的基于星载双频降水雷达和微波成像仪的闪电识别方法流程示意图。
图2为本发明所举实例降水过程的微波亮温匹配效果示意图，分别为匹配到星载双频降水雷达像素上后的PCT89值（a）和微波成像仪原始分辨率的PCT´89值（b）。
图3为本发明实施例提供的雨团物理特征参数说明图。
图4为本发明所举实例雷暴过程中闪电雨团识别效果图，分别为地基闪电定位仪实测的闪电位置（a）和根据雨团物理特征参数识别的闪电雨团（b）。
具体实施方式
下面结合本发明实施例中的附图，对本发明进行进一步详细说明。应当理解，此处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。
本发明实施例的方法利用了星载双频降水雷达的三维雷达反射率因子和微波成像仪的极化亮温数据，结合地基闪电定位系统的闪电数据，进行雨团的识别、雨团物理特征参数计算、最优阈值训练，最终实现闪电雨团识别。这可有效弥补我国地基闪电定位系统在西北、青藏高原等区域观测能力不足的问题。下面将结合附图对本发明实施例作进一步地详细描述，如图1所示，本发明实施例所提供的基于星载双频降水雷达和微波成像仪的闪电识别方法流程示意图，具体步骤如下：
步骤一、分别获取星载双频降水雷达、微波成像仪的观测数据
获取像素级星载双频降水雷达观测到的三维雷达反射率因子数据。
获取微波成像仪的37GHz和89GHz通道观测到的垂直和水平极化亮温数据，并对所获取到的微波成像仪的37GHz和89GHz通道观测到的垂直和水平极化亮温数据进行修正，以分别对应得到修正后的极化亮温PCT37、修正后的极化亮温PCT89。
修正后的极化亮温PCT37根据下式计算：
PCT37 =(2.20 × T37v) – (1.20 ×T37h)
修正后的极化亮温PCT89根据下式计算：
PCT89 =(1.818× T89v) – (0.818 ×T89h)
其中，T37V、T37h分别表示微波成像仪的37GHz通道的垂直极化亮温、水平极化亮温。T89V、T89h分别表示微波成像仪的89GHz通道的垂直极化亮温、水平极化亮温。
步骤二、星载双频降水雷达、微波成像仪两者观测数据的时空匹配
基于时空匹配的原则，将步骤1中修正后的极化亮温数据插值到星载双频降水雷达的观测像素上，具体是：
根据微波成像仪观测像素的时间信息、位置信息（即为经纬度信息），利用最近距离法，将修正后的极化亮温数据PCT37、PCT89插值到星载双频降水雷达观测的像素上，若星载双频降水雷达观测的两像素点的距离超过5公里，则不进行插值。由于星载双频降水雷达轨道幅宽为245公里，微波成像仪为903公里，因此，使用时，需要剔除微波成像仪观测中处于星载双频降水雷达轨道幅宽之外的观测。
图2为本发明实例所提供的匹配方法的应用实例示意图，图2中的（a）为将修正后的极化亮温PCT89匹配到星载双频降水雷达观测的像素上后的PCT89值，图2中的（b）则为微波成像仪原始分辨率的PCT´89值，图2中的（a）在空间分布上与图2中的（b）相似。
步骤三、雨团识别
利用星载双频降水雷达提供的近地表雷达反射率因子对星载双频降水雷达扫描范围内的降水像素进行识别，以将星载双频降水雷达扫描范围内探测到的连续降水区识别为雨团，具体方式如下：
步骤3.1、在所述星载双频降水雷达扫描范围内，星载双频降水雷达在任意像素i所在的区域观测到对应的近地表雷达反射率因子Zi。
步骤3.2、通过比较近地表雷达反射率因子Zi与预设阈值Z0（Z0=20dBZ）的大小，来判断这一对应的像素点i是否为降水像素：当Zi≥Z0时，像素点i被识别为降水像素，否则为非降水像素。i为正整数。
步骤3.3、对降水像素i的周围像素进行遍历，若周围存在降水像素则继续遍历，直至周围相邻像素均为非降水像素，则一个完整的雨团识别结束，并对该识别的雨团进行编号，记为雨团j，j为正整数。
步骤四、统计雨团物理特征参数
根据所述雨团的物理内涵，统计雨团物理特征参数。
雨团物理特征参数包括，见图3：雨团的20dBZ回波顶最大高度、雨团的30dBZ回波顶最大高度、雨团的修正后的极化亮温PCT37最小值、雨团的修正后的极化亮温PCT89最小值、雨团的各垂直高度层雷达反射率因子超过40dBZ的面积、雨团的各垂直高度层的最大雷达反射率因子。
具体实现中，对于任意雨团j，计算雨团j内所有像素点的双频降水雷达观测从上至下的第一个超过20dBZ所对应的高度，然后统计得到雨团j的20dBZ回波顶最大高度最大值。
对于任意雨团j，计算雨团j内所有像素点的双频降水雷达从上至下的第一个超过30dBZ所对应的高度，然后统计得到雨团j的30dBZ回波顶最大高度最大值。
对于任意雨团j，遍历雨团j内所有像素点的修正后的极化亮温PCT37值和PCT89值，统计得到雨团j的修正后的极化亮温PCT37最小值和雨团j的修正后的极化亮温PCT89最小值。
对于任意雨团j，统计雨团j内所有像素点的雷达反射率因子廓线超过40dBZ的数目，然后根据每个像素点的面积大约为78.5平方公里，计算得到雨团j的各垂直高度层雷达反射率因子超过40dBZ的面积。
对于任意雨团j，遍历雨团j内所有像素点各高度层的雷达反射率因子，计算得到雨团j的各垂直高度层的最大雷达反射率因子。
步骤五、闪电雨团物理特征参数最优阈值训练
采用闪电定位系统观测的闪电为实况数据，进行雨团物理特征参数最优阈值训练。本实施例中，所述雨团物理特征参数首先按照一定间隔设置多组测试阈值，接着一一通过测试阈值对闪电步骤三识别出的雨团是查为闪电雨团进行判识，然后结合步骤5.1中标识出的实际闪电观测结果进行分类统计，最后一一计算出各测试阈值对应的Heidke技巧评分HSS并进行排序，以筛选出候选最优阈值。所述候选最优阈值为前述最高的Heidke技巧评分对应的测试阈值。具体实现方法包括如下步骤：
步骤5.1、闪电雨团观测标记
根据闪电定位系统观测到的闪电发生位置和闪电发生时间数据，将5公里范围内，观测时间差在前后5分钟内的闪电数据匹配到星载双频降水雷达观测的像素上。然后，对雨团内发生至少一次的闪电标记为闪电雨团，否则标记为非闪电雨团。
步骤5.2、设置测试阈值
所述雨团物理特征参数按照一定间隔设置多组测试阈值。
具体地，当雨团物理特征参数为雨团的20dBZ回波顶最大高度H1（H1取值可以为0到20千米）时，本实施例将在雨团的20dBZ回波顶最大高度H1所在范围内，以高度差h1（h1取值可以为500米）为间隔，设置m1（m1的取值可以为40）个测试阈值。
当雨团物理特征参数为雨团的30dBZ回波顶最大高度H2（H2取值可以为0到20千米）时，本实施例将在雨团的30dBZ回波顶最大高度H2所在范围内，以高度差h2（h2取值可以为500米）为间隔，设置m2（m2的取值可以为40）个测试阈值。
当雨团物理特征参数为雨团的修正后的极化亮温PCT37最小值T1（T1的取值可为180到300开尔文）时，本实施例将在雨团的修正后的极化亮温PCT37最小值T1所在范围内，以温度差t1（t1的取值可以为1开尔文）为间隔，设置m3（m3的取值可以为120）个测试阈值。
当雨团物理特征参数为雨团的修正后的极化亮温PCT89最小值T2（T2的取值可以为180到300开尔文）时，本实施例将在雨团的修正后的极化亮温PCT89最小值T2所在范围内，以温度差t2（t2的取值可以为1开尔文）为间隔，设置m4（m4的取值可以为120）个测试阈值。
当雨团物理特征参数为雨团的各垂直高度层雷达反射率因子超过40dBZ的面积S1（S1的取值可以为100到10000平方公里）时，本实施例将在雨团的各垂直高度层雷达反射率因子超过40dBZ的面积S1所在范围内，以面积差s1（s1的取值可以为100平方公里）为间隔，设置m5（m5的取值可以为99）个测试阈值。
当雨团物理特征参数为雨团的各垂直高度层的最大雷达反射率因子Z1（Z1的取值可以为17到100dBZ）时，本实施例将在雨团的各垂直高度层的最大雷达反射率因子Z1所在的范围内，以差值z1（z1的取值可以为1dBZ）为间隔，设置m6（m6的取值可以为83）个测试阈值。
步骤5.3、闪电雨团反演标记
通过步骤5.2所设置的测试阈值一一对步骤三识别出的雨团是否为闪电雨团进行判识，如果判识结果表明为闪电雨团，则标记为闪电雨团，反之则为非闪电雨团。
步骤5.4、雨团分类统计
将步骤三识别出的雨团根据步骤5.1所获得的闪电雨团观测标记、步骤5.3所获得的闪电雨团反演标记结合起来进行分类统计。本实施例中，所有的雨团，可以分为四类：第一类是闪电雨团观测标记结果以及闪电雨团反演标记结果均表明该雨团为闪电雨团。第二类是闪电雨团观测标记结果表明该雨团为闪电雨团，而闪电雨团反演标记结果表明该雨团为非闪电雨团。第三类是闪电雨团观测标记结果表明该雨团为非闪电雨团，而闪电雨团反演标记结果表明该雨团为闪电雨团。第四类则是闪电雨团观测标记结果以及闪电雨团反演标记结果均表明该雨团为非闪电雨团。
步骤5.5、计算Heidke技巧评分
根据步骤5.4获得的雨团分类统计结果，按照下式一一计算出各测试阈值对应的Heidke技巧评分HSS：
Figure 275225DEST_PATH_IMAGE001
式中：H代表雨团中闪电雨团观测标记结果以及闪电雨团反演标记结果均为闪电雨团的样本总数目。Z代表雨团中闪电雨团观测标记结果以及闪电雨团反演标记结果均为非闪电雨团的样本总数目。M代表雨团中闪电雨团观测标记为闪电雨团、而闪电雨团反演标记为非闪电雨团的样本总数目。F代表雨团中闪电雨团观测标记为非闪电雨团、而闪电雨团反演标记为闪电雨团的样本总数目。
步骤5.6、筛选候选最优阈值
根据步骤5.5所计算出的各测试阈值对应的Heidke技巧评分，筛选出每一个雨团物理特征参数对应的候选最优阈值。所述候选最优阈值即为最高的Heidke技巧评分对应的测试阈值。实施时，先将步骤5.5所计算出的各测试阈值对应的Heidke技巧评分进行排序，然后再进行候选最优阈值的筛选。
换句话来讲，本实施例中，对于每一个雨团物理特征参数，均有一个对应的候选最优阈值，其为针对该雨团物理特征参数计算出的Heidke技巧评分最高的测试阈值。
步骤5.7、根据步骤5.6筛选出的候选最优阈值对应的Heidke技巧评分，选择出Heidke技巧评分最高的3个候选最优阈值。3个候选最优阈值即为本发明用于判别闪电雨团的雨团物理特征参数阈值。
步骤6，根据雨团物理特征参数阈值，判别闪电雨团。
对于上述3个候选最优阈值，满足条件之一即判定为闪电雨团。具体地，基于步骤5.7选择出的三个候选最优阈值，判别步骤三中所识别出的雨团是否为闪电雨团，并进行标记。具体来说，当步骤三中所识别出的任意雨团j满足步骤5.3选择出的三个候选最优阈值中的任意一个候选最优阈值时，雨团j即被标识为闪电雨团，反之为非闪电雨团。图4为本发明所举实例雷暴过程中闪电雨团识别效果图，图4的（b）中：黑色代表识别的闪电雨团，灰色代表识别的非闪电雨团。
本方案的基于星载双频降水雷达和微波成像仪的闪电识别方法，有效弥补我国闪电定位系统在西北、青藏高原等区域观测能力不足的问题。
下面结合具体应用例对本发明作进一步描述。
应用例
本发明实施例所提供的2014年6月4日的闪电过程示意图如图4所示。图4中 的（a）为地基闪电定位仪实测的闪电位置，图4中 的（b）为根据雨团物理特征参数，即雨团的3公里高度层雷达反射率因子>45dBZ、雨团的修正后的极化亮温PCT37最小值<258 K，雨团的修正后的极化亮温PCT89最小值<215 K，三者条件满足其一识别的闪电雨团（用黑色表示）。

Claims (10)

1.基于星载双频降水雷达和微波成像仪的闪电识别方法，其特征在于，包括如下步骤：
步骤一、获取像素级星载双频降水雷达、微波成像仪的观测数据
获取像素级星载双频降水雷达的观测数据：三维雷达反射率因子；
获取微波成像仪的观测数据：微波极化亮温数据；并对微波成像仪所观测到的微波极化亮温数据进行修正；
步骤二、星载双频降水雷达、微波成像仪两者观测数据的时空匹配
采用时空匹配方法，将修正后的微波极化亮温数据插值到星载双频降水雷达像素上；
步骤三、雨团识别
利用星载双频降水雷达提供的近地表雷达反射率因子对降水像素进行识别，将所述星载双频降水雷达扫描范围内探测的连续降水区识别为雨团；
步骤四、统计雨团物理特征参数
根据所述雨团的物理内涵，统计雨团物理特征参数；
步骤五、闪电雨团物理特征参数最优阈值训练
采用闪电定位系统所观测到的闪电为实况数据，结合步骤四统计出的雨团物理特征参数，进行闪电雨团物理特征参数最优阈值训练；
步骤六、闪电雨团判别
根据步骤五得到的闪电雨团物理特征参数最优阈值，判别闪电雨团。
2.如权利要求1所述的基于星载双频降水雷达和微波成像仪的闪电识别方法，其特征在于，步骤一中，所获取的微波成像仪的观测数据为37GHz和89GHz通道的垂直和水平极化亮温数据；
步骤一中，对微波成像仪所观测到的微波极化亮温数据进行修正，包括：对所获取到的微波成像仪的37GHz通道观测到的垂直和水平极化亮温数据进行修正，以对应得到修正后的极化亮温PCT37；对所获取到的微波成像仪的89GHz通道观测到的垂直和水平极化亮温数据进行修正，以对应得到修正后的极化亮温PCT89。
3.如权利要求2所述的基于星载双频降水雷达和微波成像仪的闪电识别方法，其特征在于，修正后的极化亮温PCT37根据下式计算：
PCT37 =(2.20 × T37v) – (1.20 ×T37h)
修正后的极化亮温PCT89根据下式计算：
PCT89 =(1.818× T89v) – (0.818 ×T89h)
其中，T37V、T37h分别表示微波成像仪的37GHz通道的垂直极化亮温、水平极化亮温；T89V、T89h分别表示微波成像仪的89GHz通道的垂直极化亮温、水平极化亮温。
4.如权利要求1所述的基于星载双频降水雷达和微波成像仪的闪电识别方法，其特征在于，
步骤二中，采用时空匹配方法，将修正后的微波极化亮温数据插值到星载双频降水雷达像素上，具体过程为：根据微波成像仪观测像素的时间信息、空间位置信息，利用最近距离时空匹配法，将修正后的极化亮温PCT37和修正后的极化亮温PCT89匹配到星载双频降水雷达观测的雷达反射率因子像素上。
5.如权利要求1所述的基于星载双频降水雷达和微波成像仪的闪电识别方法，其特征在于，所述步骤三中，雨团识别的具体过程为：
步骤3.1、在所述星载双频降水雷达扫描范围内，星载双频降水雷达在任意像素i位置观测到对应的近地表雷达反射率因子Zi；
步骤3.2、通过比较近地表雷达反射率因子Zi与预设阈值Z0的大小，来判断这一对应的像素点i是否为降水像素：当Zi≥Z0时，像素点i被识别为降水像素，否则为非降水像素；i为正整数；
步骤3.3、对降水像素i的周围像素进行遍历，若周围存在降水像素则继续遍历，直至周围相邻像素均为非降水像素，则一个完整的雨团识别结束，并对该识别的雨团进行编号，记为雨团j，j为正整数。
6.如权利要求1所述的基于星载双频降水雷达和微波成像仪的闪电识别方法，其特征在于，所述步骤四中的雨团物理特征参数包括：雨团的20dBZ回波顶最大高度、雨团的30dBZ回波顶最大高度、雨团的修正后的极化亮温PCT37最小值、雨团的修正后的极化亮温PCT89最小值、雨团的各垂直高度层雷达反射率因子超过40dBZ的面积、雨团的各垂直高度层的最大雷达反射率因子。
7.如权利要求1所述的基于星载双频降水雷达和微波成像仪的闪电识别方法，其特征在于，所述步骤五中的最优雨团物理特征参数阈值训练方法如下：所述雨团物理特征参数首先按照一定间隔设置多组测试阈值，接着一一通过测试阈值对步骤三识别出的雨团是否为闪电雨团进行判识，然后结合实际闪电观测结果进行分类统计,最后一一计算出各测试阈值对应的Heidke技巧评分HSS并筛选出候选最优阈值；所述候选最优阈值为前述最高的Heidke技巧评分对应的测试阈值。
8.如权利要求7所述的基于星载双频降水雷达和微波成像仪的闪电识别方法，其特征在于，所述步骤五中的最优雨团物理特征参数阈值训练方法具体包括如下步骤：
步骤5.1、闪电雨团观测标记
根据闪电定位系统观测到的闪电发生位置和闪电发生时间数据，将5公里范围内，观测时间差在前后5分钟内的闪电数据匹配到星载双频降水雷达观测的像素上；然后，对雨团内发生至少一次的闪电标记为闪电雨团，否则标记为非闪电雨团；
步骤5.2、设置测试阈值
所述雨团物理特征参数按照一定间隔设置多组测试阈值；
步骤5.3、闪电雨团反演标记
通过步骤5.2所设置的测试阈值一一对步骤三识别出的雨团是否为闪电雨团进行判识，如果判识结果表明为闪电雨团，则标记为闪电雨团，反之则为非闪电雨团；
步骤5.4、雨团分类统计
将步骤三识别出的雨团根据步骤5.1所获得的闪电雨团观测标记、步骤5.3所获得的闪电雨团反演标记结合起来进行分类统计；
步骤5.5、计算Heidke技巧评分
根据步骤5.4获得的雨团分类统计结果，按照下式一一计算出各测试阈值对应的Heidke技巧评分HSS：
Figure 155680DEST_PATH_IMAGE001
式中：H代表雨团中闪电雨团观测标记结果以及闪电雨团反演标记结果均为闪电雨团的样本总数目；Z代表雨团中闪电雨团观测标记结果以及闪电雨团反演标记结果均为非闪电雨团的样本总数目；M代表雨团中闪电雨团观测标记为闪电雨团、而闪电雨团反演标记为非闪电雨团的样本总数目；F代表雨团中闪电雨团观测标记为非闪电雨团、而闪电雨团反演标记为闪电雨团的样本总数目；
步骤5.6、筛选候选最优阈值
根据步骤5.5所计算出的每一类雨团物理特征参数的各测试阈值对应的Heidke技巧评分，将Heidke技巧评分最高值对应的雨团物理特征参数数值，作为该类雨团物理特征参数对应的候选最优阈值；
步骤5.7、根据步骤5.6筛选出的候选最优阈值对应的Heidke技巧评分，选择出Heidke技巧评分最高的3个候选最优阈值作为最终的最优阈值；3个候选最优阈值即为步骤六中用于判别闪电雨团的雨团物理特征参数最优阈值。
9.如权利要求8所述的基于星载双频降水雷达和微波成像仪的闪电识别方法，其特征在于，步骤5.2中，各雨团物理特征参数的测试阈值通过如下过程设置：
当雨团物理特征参数为雨团的20dBZ回波顶最大高度H1时，将在雨团的20dBZ回波顶最大高度H1所在范围内，以高度差h1为间隔，设置m1个测试阈值；
当雨团物理特征参数为雨团的30dBZ回波顶最大高度H2时，将在雨团的30dBZ回波顶最大高度H2所在范围内，以高度差h2为间隔，设置m2个测试阈值；
当雨团物理特征参数为雨团的修正后的极化亮温PCT37最小值T1时，将在雨团的修正后的极化亮温PCT37最小值T1所在范围内，以温度差t1为间隔，设置m3个测试阈值；
当雨团物理特征参数为雨团的修正后的极化亮温PCT89最小值T2时，将在雨团的修正后的极化亮温PCT89最小值T2所在范围内，以温度差t2为间隔，设置m4个测试阈值；
当雨团物理特征参数为雨团的各垂直高度层雷达反射率因子超过40dBZ的面积S1时，将在雨团的各垂直高度层雷达反射率因子超过40dBZ的面积S1所在范围内，以面积差s1为间隔，设置m5个测试阈值；
当雨团物理特征参数为雨团的各垂直高度层的最大雷达反射率因子Z1时，将在雨团的各垂直高度层的最大雷达反射率因子Z1所在的范围内，以差值z1为间隔，设置m6个测试阈值。
10.如权利要求1所述的基于星载双频降水雷达和微波成像仪的闪电识别方法，其特征在于，所述步骤六中的具体过程为：基于步骤5.7选择出的三个候选最优阈值来判别步骤三中所识别出的雨团是否为闪电雨团：当步骤三中所识别出的任意雨团j满足步骤5.3选择出的三个候选最优阈值中的任意一个候选最优阈值时，雨团j即被标识为闪电雨团，反之为非闪电雨团。
CN202211451894.7A 2022-11-21 2022-11-21 基于星载双频降水雷达和微波成像仪的闪电识别方法 Active CN115494507B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211451894.7A CN115494507B (zh) 2022-11-21 2022-11-21 基于星载双频降水雷达和微波成像仪的闪电识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211451894.7A CN115494507B (zh) 2022-11-21 2022-11-21 基于星载双频降水雷达和微波成像仪的闪电识别方法

Publications (2)

Publication Number Publication Date
CN115494507A true CN115494507A (zh) 2022-12-20
CN115494507B CN115494507B (zh) 2023-02-14

Family

ID=85116254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211451894.7A Active CN115494507B (zh) 2022-11-21 2022-11-21 基于星载双频降水雷达和微波成像仪的闪电识别方法

Country Status (1)

Country Link
CN (1) CN115494507B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115828187A (zh) * 2023-02-15 2023-03-21 南京气象科技创新研究院 一种星基和地基闪电数据融合方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009192311A (ja) * 2008-02-13 2009-08-27 Nippon Telegr & Teleph Corp <Ntt> 発雷予測装置およびその方法、プログラム
US20110148694A1 (en) * 2009-12-17 2011-06-23 Honeywell International Inc. Systems and methods for infering hail and lightning using an airborne weather radar volumetric buffer
CN105068151A (zh) * 2015-07-31 2015-11-18 中国科学技术大学 一种雨团识别及其特征参数的构建方法和装置
CN106526708A (zh) * 2016-09-21 2017-03-22 广东奥博信息产业有限公司 一种基于机器学习的气象强对流天气的智能预警分析方法
CN112596058A (zh) * 2021-03-03 2021-04-02 南京信息工程大学 一种基于三维雷达探测数据的闪电落区识别方法
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
CN112965068A (zh) * 2021-03-04 2021-06-15 水利部信息中心 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
CN114994801A (zh) * 2022-08-05 2022-09-02 中国气象局公共气象服务中心(国家预警信息发布中心) 一种雷电监测预警方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009192311A (ja) * 2008-02-13 2009-08-27 Nippon Telegr & Teleph Corp <Ntt> 発雷予測装置およびその方法、プログラム
US20110148694A1 (en) * 2009-12-17 2011-06-23 Honeywell International Inc. Systems and methods for infering hail and lightning using an airborne weather radar volumetric buffer
CN105068151A (zh) * 2015-07-31 2015-11-18 中国科学技术大学 一种雨团识别及其特征参数的构建方法和装置
CN106526708A (zh) * 2016-09-21 2017-03-22 广东奥博信息产业有限公司 一种基于机器学习的气象强对流天气的智能预警分析方法
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
CN112596058A (zh) * 2021-03-03 2021-04-02 南京信息工程大学 一种基于三维雷达探测数据的闪电落区识别方法
CN112965068A (zh) * 2021-03-04 2021-06-15 水利部信息中心 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
CN114994801A (zh) * 2022-08-05 2022-09-02 中国气象局公共气象服务中心(国家预警信息发布中心) 一种雷电监测预警方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115828187A (zh) * 2023-02-15 2023-03-21 南京气象科技创新研究院 一种星基和地基闪电数据融合方法

Also Published As

Publication number Publication date
CN115494507B (zh) 2023-02-14

Similar Documents

Publication Publication Date Title
Manton et al. Trends in extreme daily rainfall and temperature in Southeast Asia and the South Pacific: 1961–1998
Goudenhoofdt et al. Generation and verification of rainfall estimates from 10-yr volumetric weather radar measurements
CN110045441B (zh) 基于雷达回波图的天气分析方法及装置
Sieglaff et al. A satellite-based convective cloud object tracking and multipurpose data fusion tool with application to developing convection
Zhuge et al. Summertime convective initiation nowcasting over southeastern China based on Advanced Himawari Imager observations
CN115494507B (zh) 基于星载双频降水雷达和微波成像仪的闪电识别方法
CN102129566A (zh) 基于静止气象卫星识别暴雨云团的方法
CN106950574B (zh) 一种大气中灰霾总量的遥感测算方法及装置
CN108154271A (zh) 一种基于空间相关性和曲面拟合的地面气温质量控制方法
CN113469278A (zh) 一种基于深度卷积神经网络的强天气目标识别方法
CN115267941A (zh) 一种高解析度真彩可见光模型生成、反演方法及其系统
CN115691049A (zh) 一种基于深度学习的对流初生预警方法
CN109902666B (zh) 一种基于二维otsu的电网山火潜在火点识别方法
CN116740579B (zh) 一种国土空间规划数据智能采集方法
Li et al. Polarimetric radar quantitative precipitation estimation using deep convolutional neural networks
CN112924967B (zh) 一种基于雷达和光学数据组合特征的农作物倒伏遥感监测方法与应用
Hartung et al. An intercomparison of UW cloud-top cooling rates with WSR-88D radar data
CN115902812B (zh) 一种短时暴雨天气背景自动判别方法、系统、设备及终端
CN115511192A (zh) 一种基于闪电资料同化的降水预报方法及系统
CN115421220A (zh) 一种基于深度学习的多因子局部降水指示方法及系统
CN113311424A (zh) X波段双偏振相控阵雷达定量降水估测技术
CN105574551A (zh) 一种基于组群模式的地基云图自动分类算法
Ebert et al. Incorporating satellite observations of “no rain” in an Australian daily rainfall analysis
Xu et al. A Comparison of Quality Indicators for Ku-Band Wind Scatterometry & for Typhoons Lekima and Krosa
CN111552919B (zh) 一种线阵推扫式遥感成像仪信噪比评估方法

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