CN116609749A - 一种基于s波段双偏振雷达识别水凝物粒子分类的方法 - Google Patents
一种基于s波段双偏振雷达识别水凝物粒子分类的方法 Download PDFInfo
- Publication number
- CN116609749A CN116609749A CN202310562710.2A CN202310562710A CN116609749A CN 116609749 A CN116609749 A CN 116609749A CN 202310562710 A CN202310562710 A CN 202310562710A CN 116609749 A CN116609749 A CN 116609749A
- Authority
- CN
- China
- Prior art keywords
- radar
- hca
- classification
- type
- hydrogel
- 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
- 239000000017 hydrogel Substances 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000002245 particle Substances 0.000 title claims abstract description 30
- 238000002844 melting Methods 0.000 claims abstract description 29
- 230000008018 melting Effects 0.000 claims abstract description 29
- 238000001556 precipitation Methods 0.000 claims abstract description 15
- 239000013078 crystal Substances 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 11
- VTYYLEPIZMXCLO-UHFFFAOYSA-L Calcium carbonate Chemical compound [Ca+2].[O-]C([O-])=O VTYYLEPIZMXCLO-UHFFFAOYSA-L 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 10
- 230000010363 phase shift Effects 0.000 claims description 7
- VJJPUSNTGOMMGY-NBJJDLTASA-N (8aR,9R)-5-[[(2R,4aR,6R,7R,8R,8aS)-7,8-dihydroxy-2-methyl-4,4a,6,7,8,8a-hexahydropyrano[3,2-d][1,3]dioxin-6-yl]oxy]-9-(4-hydroxy-3,5-dimethoxyphenyl)-5a,6,8a,9-tetrahydro-5H-isobenzofuro[6,5-f][1,3]benzodioxol-8-one Chemical compound COC1=C(O)C(OC)=CC([C@@H]2C3=CC=4OCOC=4C=C3C(O[C@H]3[C@@H]([C@@H](O)[C@@H]4O[C@H](C)OC[C@H]4O3)O)C3[C@@H]2C(OC3)=O)=C1 VJJPUSNTGOMMGY-NBJJDLTASA-N 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 230000003203 everyday effect Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000002592 echocardiography Methods 0.000 claims description 5
- 238000002310 reflectometry Methods 0.000 claims description 5
- 230000000903 blocking effect Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 239000000155 melt Substances 0.000 claims description 4
- 241000208818 Helianthus Species 0.000 claims description 3
- 235000003222 Helianthus annuus Nutrition 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 239000008186 active pharmaceutical agent Substances 0.000 claims 3
- 230000009977 dual effect Effects 0.000 claims 1
- 208000037280 Trisomy Diseases 0.000 abstract description 3
- 239000007787 solid Substances 0.000 description 9
- 239000007788 liquid Substances 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 241000498779 Myristica Species 0.000 description 2
- 235000009421 Myristica fragrans Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000009833 condensation Methods 0.000 description 2
- 230000005494 condensation Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000001702 nutmeg Substances 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 150000004677 hydrates Chemical class 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
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
- 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
- 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
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达定量估测降水、数值天气预报模式资料同化、强对流天气预警、降水天气系统微物理特征分析技术领域,具体涉及一种基于S波段双偏振雷达识别水凝物粒子分类(HCA)的方法。通过加入相应判别条件,解决HCA在冰雹区与三体散射区识别的水凝物粒子类型错误问题。利用山东省气象科学研究所逐半小时循环更新预报系统(Half‑Hourly Update and Prediction System,简称HHUPS)短临模式的温度分析场确定融化层高度,解决了HCA在强对流条件下无法识别融化层的问题。根据8类水凝物之间的关系,对HCA识别的水凝物垂直分布进行限定,解决了HCA识别的水凝物粒子垂直分布不合理的问题。
Description
技术领域
本发明属于雷达定量估测降水、数值天气预报模式资料同化、强对流天气预警、降水天气系统微物理特征分析技术领域,具体涉及一种基于S波段双偏振雷达识别水凝物粒子分类的方法。
背景技术
双偏振雷达带来的一大业务突破是可以在降水系统中进行高时空分辨率的水凝物分类,这主要得益于新增的双偏振观测量对不同水凝物的粒子形状、大小、取向等信息较为敏感。模糊逻辑法逐渐成为水凝物分类的主流方法,其原理是利用不同水凝物的隶属函数对雷达参量进行泛化处理,消除不同水凝物对应雷达参量分布存在重叠带来的影响,较为准确地识别各类水凝物。Park et al(2009)基于前人的研究成果,在隶属函数中加入置信度因子,还增加了层状云与对流云判别条件,建立了水凝物分类方法(HydrometeorClassification Algorithm,HCA)。
(1)式为HCA的计算公式,i表示水凝物类型,HCA可识别8类水凝物,分别是干雪(DS)、湿雪(WS)、冰晶(CR)、霰(GR)、大滴(BD)、中(小)雨(RA)、大雨(HR)、雨雹混合(RH),附加识别地物或超折射地物(GC/AP)与生物(BS)。A表示集成概率值,对于每个雷达探测距离库,HCA根据隶属函数计算所有类型的集成概率值,选取最大值对应的类型作为识别结果。V表示雷达参量,j表示参量类型,包括水平反射率因子(ZH)、差分反射率(ZDR)、零滞后相关系数(CC)、比差分相移对数形式(LKDP),ZH纹理(SDZH)与差分相移纹理(SDΦDP)。P是隶属函数,选取非对称梯形确定参量的概率分布边界。W表示权重因子,取值介于0-1之间,数值越高表示识别水凝物的作用越大。Q表示置信度因子,它的作用是消除了雷达定标、衰减、非均一性填充、波束阻挡、观测误差与噪声带来的影响(Park H S,Ryzhkov A V, Zrnic D S, etal, 2009. The Hydrometeor Classification Algorithm for the Polarimetric WSR-88D: Description and Application to an MCS[J]. Weather and Forecasting, 24(3): 730-748)。
HCA融合了Giangrande et al,2008设计的融化层自动识别方法(MLDA),根据融化层位置将整层大气分为5个高度层,限定了每层不可能出现的水凝物类型;HCA增加了层状云与对流云的识别,规定了两类云中可以出现的水凝物类型;HCA还包括单雷达参量阈值判别条件(Giangrande S E, Krause J M, Ryzhkov A V, 2008. Automatic Designationof the Melting Layer with a Polarimetric Prototype of the WSR-88D Radar[J]. JAppl Meteor Climatol, 47(5): 1354-1364)。
但是上述方法中存在以下技术问题:(1)由于冰雹区通常伴有强降水,固、液态水凝物共存,CC通常会小于0.9,HCA会将冰雹区的水凝物识别为地物。三体散射(TBSS)区域是雷达波束在经过大粒子-地面-大粒子的三次散射返回雷达天线,并在粒子后方出现的虚假回波区域。大量观测发现,冰雹伴随降水时,TBSS区可能出现降水粒子,通常也会被HCA错误识别为地物。(2)HCA利用MLDA识别融化层位置,以此区分隶属函数重合部分较多的水凝物类型,如干雪与中(小)雨。MLDA的优势是可以获取时空分辨率较高的融化层位置,不足之处是当融化层特征不明显时,如局地强对流天气,利用MLDA则无法识别出融化层,这需要其他数据来辅助判别。(3)HCA识别的水凝物在垂直分布上有时存在不合理现象,如在固态粒子(冰雹)上方为液态粒子(大雨)。
发明内容
针对HCA在冰雹与TBSS区识别水凝物粒子类型错误,在强对流天气下利用MLDA无法识别出融化层,以及识别的水凝物在垂直分布上不合理的问题,本发明提供一种S波段双偏振雷达水凝物粒子分类的方法,通过加入相应判别条件,用于识别冰雹区与三体散射区水凝物粒子类型;利用逐半小时循环更新预报系统(Half-Hourly Update and PredictionSystem,简称HHUPS)短临模式的温度分析场确定融化层高度,解决HCA在强对流条件下无法识别融化层的问题;根据8类水凝物之间的关系,对识别的水凝物垂直分布进行限定,解决水凝物粒子垂直分布不合理的问题。
本发明的方案如下:
一种基于S波段双偏振雷达识别水凝物粒子分类的方法,所述的水凝物粒子分类采用HCA-Opt方法,通过在HCA方法中,采用式2、式3增加对冰雹与三体散射区识别,以此订正HCA在两类区域中识别的水凝物;所述的HCA方法如式1所示;
式1中:
i表示水凝物类型,HCA可识别8类水凝物,分别是干雪DS、湿雪WS、冰晶CR、霰GR、大滴BD、中小雨RA、大雨HR、雨雹混合RH;
A表示集成概率值;V表示雷达参量;j表示参量类型,包括水平反射率因子ZH、差分反射率ZDR、零滞后相关系数CC、比差分相移对数形式LKDP,ZH纹理SDZH与差分相移纹理SDΦDP;
P表示隶属函数,选取非对称梯形确定参量的概率分布边界;
W表示权重因子,取值介于0-1之间,数值越高表示识别水凝物的作用越大;
Q表示置信度因子,它的作用是消除了雷达定标、衰减、非均一性填充、波束阻挡、观测误差与噪声带来的影响;
式2中:
ETOP18dBZ表示ZH为18dBZ的回波高度;
式3中:
ETOP0dBZ表示ZH为0dBZ的回波高度;
rstormcore为强回波区,表示径向上ZH大于45dBZ、累计距离大于1 km的区域;
R为强回波区到雷达站的径向距离;
式2表示CC小于0.9,并且ZH大于45dBZ、18dBZ回波顶高大于8 km时判定为冰雹区;
式3表示在强回波中心后侧确定可能出现TBSS的区域,再利用CC阈值与0dBZ回波顶高,判断TBSS区域的水凝物类型,满足式3条件时为降水类型,否则为非降水类型;
当某个距离库参量满足式2或式3时,HCA-Opt将地物与生物的集成概率设置为0。
进一步地,还包括采用HHUPS短临模式的温度分析场确定融化层高度。
优选地,所述的HHUPS短临模式的温度分析场为:基于天气研究与预报模式搭建而成,以美国美国环境预报中心的全球预报模式0.25°分辨率数据作为背景场资料,以数据同化与格点统计插值模块作为模式同化系统;每天08:00与20:00进行两次冷启动,其他时次为热启动,前一时次积分一小时后的预报场作为下一个时次的背景场,逐半小时同化一次观测资料;同化资料包括国家级地面气象观测站、地面自动气象观测站、常规探空站、L波段雷达探空站与飞机报资料,雷达反射率与葵花8卫星资料;每天逐时制作0-24小时预报,其中0时刻预报场为起报时刻的分析场。
优选地,从短临模式的温度分析场中提取0℃温度高度作为融化层顶,2℃湿球温度作为融化层底,依次计算雷达探测每个距离库中心对应的经纬度,选取距离最近的4个模式格点数据,利用双线性法将模式的融化层顶与底对应高度插值到所计算距离库的中心坐标上。
进一步地,还包括,根据水凝物类型垂直分布限制条件,对识别的水凝物垂直分布进行限定,所述的水凝物类型垂直分布限制条件如下表所示:
表中√号、×号分别表示其所在列对应的水凝物可以、不可以出现在其所在行对应的水凝物下方;当某个距离库被判别为干雪DS,见表中第1行,其下方可以出现任何类型水凝物,当某个距离库被判别为湿雪WS,见表中第2行,其下方不可以出现干雪DS与冰晶CR。
优选地,由于低层仰角容易受到非气象回波的污染,将最高层仰角识别的水凝物类型作为真值,按表格限定条件从高仰角到低仰角依次进行订正;当下层仰角识别的水凝物类型不符合条件时,根据上层仰角分类结果查看符合条件的水凝物,选取最大集成概率值对应的水凝物作为订正后的分类结果。
优选地,使用fortran语言实现HCA-Opt方法。
本发明的另一目的,保护上述方法在识别水凝物粒子分类上的应用。
本发明的有益效果
1.解决了HCA在冰雹与三体散射区域对水凝物类型识别错误问题。
通过加入相应判别条件,通过反射率阈值(ZH>45dBZ)与大于等于18dBZ回波顶高度判别是否为冰雹区;根据反射率阈值(ZH>45dBZ)和长度(累计距离大于1 km)确定强回波区的位置,通过强回波区后侧大于0dBZ回波顶高判别定三体散射区域后的粒子类型。最后订正识别冰雹区与三体散射区水凝物粒子类型。
2.利用HHUPS短临模式的温度分析场确定融化层高度,解决了HCA在强对流条件下无法识别融化层的问题。
该模式基于天气研究与预报(Weather Research and Forecast,WRF)模式搭建而成,以美国美国环境预报中心(NCEP)全球预报模式(Global Forecast System,简称GFS)0.25°分辨率数据作为背景场资料,以数据同化(Data Assimilation,简称DA)与格点统计插值(Gridpoint Statistical Interpolation,简称GSI)模块作为模式同化系统,每天08:00与20:00进行两次冷启动,其他时次为热启动,前一时次积分一小时后的预报场作为下一个时次的背景场,逐半小时同化一次观测资料,每天逐时制作0-24小时预报,其中0时刻预报场为起报时刻的分析场;从短临模式的温度分析场中提取0℃高度作为融化层顶,2℃湿球温度作为融化层底,依次计算雷达探测每个距离库中心对应的经纬度,选取距离最近的4个模式格点数据,利用双线性法将模式的融化层顶与底对应高度插值到所计算距离库的中心坐标上。
3.结合水凝物类型垂直分布限制条件,对识别的水凝物垂直分布进行限定,解决了HCA识别的水凝物粒子垂直分布不合理的问题。
八类水凝物粒子上下分布的限制条件具体见上表,由于低层仰角容易受到非气象回波的污染,将最高层仰角识别的水凝物类型作为真值,按表格限定条件从高仰角到低仰角依次进行订正。当下层仰角识别的水凝物类型不符合条件时,根据上层仰角分类结果查看符合条件的水凝物,选取最大集成概率值对应的水凝物作为订正后的分类结果。
4.使用fortran语言实现HCA-Opt方法,单部雷达单线程完成一次计算大致需要7s。
附图说明
图1为2019年8月16日15:30时青岛雷达0.5°仰角的ZH水凝物分类结果(白色椭圆实线表示冰雹区,黑色椭圆虚线表示三体散射区域);
图2为2019年8月16日15:30时青岛雷达0.5°仰角的ZDR水凝物分类结果(白色椭圆实线表示冰雹区,黑色椭圆虚线表示三体散射区域);
图3为2019年8月16日15:30时青岛雷达0.5°仰角的CC水凝物分类结果(白色椭圆实线表示冰雹区,黑色椭圆虚线表示三体散射区域);
图4为2019年8月16日15:30时青岛雷达0.5°仰角的HCA水凝物分类结果(白色椭圆实线表示冰雹区,黑色椭圆虚线表示三体散射区域);
图5为2019年8月16日15:30时青岛雷达0.5°仰角的HCA-Opt水凝物分类结果(白色椭圆实线表示冰雹区,黑色椭圆虚线表示三体散射区域);
图6为2021年7月9日14:19时济南雷达1.5°仰角的ZH水凝物分类结果(黑色虚线表示三体散射区域);
图7为2021年7月9日14:19时济南雷达1.5°仰角的ZDR水凝物分类结果(黑色虚线表示三体散射区域);
图8为2021年7月9日14:19时济南雷达1.5°仰角的CC水凝物分类结果(黑色虚线表示三体散射区域);
图9为2021年7月9日14:19时济南雷达1.5°仰角的HCA-Opt水凝物分类结果(黑色虚线表示三体散射区域);
图10为2021年7月9日(a)章丘探空站08:00、20:00时观测0℃高度与HHUPS模式08:00-20:00时0℃高度,(b)14:00时HHUPS模式0℃高度水平分布
图11为2021年7月9日14:19时济南雷达0.5°仰角的HCA(黑色虚线表示HCA识别的水凝物出现错误的区域)水凝物分类结果;
图12为2021年7月9日14:19时济南雷达0.5°仰角的HCA-Opt水凝物分类结果;
图13为2021年7月9日14:19济南雷达(a)HCA与(b)HCA-Opt沿87°方位角的水凝物分类结果垂直剖面(黑色虚线为HCA-Opt将冰晶订正识为霰的区域,白色虚线为HCA-Opt将冰雹订正识别为大雨的区域)。
具体实施例
一种基于S波段双偏振雷达识别水凝物粒子分类的方法,所述的水凝物粒子分类采用HCA-Opt方法,通过在HCA方法中,采用式2、式3增加对冰雹与三体散射区识别,以此订正HCA在两类区域中识别的水凝物;所述的HCA方法如式1所示;
式1中:
i表示水凝物类型,HCA可识别8类水凝物,分别是干雪DS、湿雪WS、冰晶CR、霰GR、大滴BD、中小雨RA、大雨HR、雨雹混合RH;
A表示集成概率值;V表示雷达参量;j表示参量类型,包括水平反射率因子ZH、差分反射率ZDR、零滞后相关系数CC、比差分相移对数形式LKDP、ZH纹理SDZH与差分相位纹理SDΦDP;
P表示隶属函数,选取非对称梯形确定参量的概率分布边界;
W表示权重因子,取值介于0-1之间,数值越高表示识别水凝物的作用越大;
Q表示置信度因子,它的作用是消除了雷达定标、衰减、非均一性填充、波束阻挡、观测误差与噪声带来的影响;
式2中:
ETOP18dBZ表示ZH为18dBZ的回波高度;
式3中:
ETOP0dBZ表示ZH为0dBZ的回波高度;
rstormcore为强回波区,表示径向上ZH大于45dBZ、累计距离大于1 km的区域;
R为强回波区到雷达站的径向距离;
式2表示CC小于0.9,并且ZH大于45dBZ、18dBZ回波顶高大于8 km时判定为冰雹区;
式3表示在强回波中心后侧确定可能出现TBSS的区域,再利用CC阈值与0dBZ回波顶高,判断TBSS区域的水凝物类型,满足式3条件时为降水类型,否则为非降水类型;
当某个距离库参量满足式2或式3时,HCA-Opt将地物与生物的集成概率设置为0。
再结合采用HHUPS短临模式的温度分析场确定融化层高度。
所述的HHUPS短临模式的温度分析场为:该模式基于天气研究与预报(WeatherResearch and Forecast,WRF)模式搭建而成,以美国美国环境预报中心(NCEP)全球预报模式(Global Forecast System,简称GFS)0.25°分辨率数据作为背景场资料,以数据同化(Data Assimilation,简称DA)与格点统计插值(Gridpoint Statistical Interpolation,简称GSI)模块作为模式同化系统,每天08:00与20:00进行两次冷启动,其他时次为热启动,前一时次积分一小时后的预报场作为下一个时次的背景场,逐半小时同化一次观测资料,目前同化资料包括国家级地面气象观测站、地面自动气象观测站、常规探空站、L波段雷达探空站与飞机报资料,雷达反射率与葵花8卫星资料。水平分辨率3km,时间分辨率1h。每天逐时制作0-24小时预报,其中0时刻预报场为起报时刻的分析场;
从短临模式的温度分析场中提取0℃高度作为融化层顶,2℃湿球温度作为融化层底,依次计算雷达探测每个距离库中心对应的经纬度,选取距离最近的4个模式格点数据,利用双线性法将模式的融化层顶与底对应高度插值到所计算距离库的中心坐标上。
然后根据水凝物类型垂直分布限制条件,对识别的水凝物垂直分布进行限定,所述的水凝物类型垂直分布限制条件如下表所示:
表中√号、×号分别表示其所在列对应的水凝物可以、不可以出现在其所在行对应的水凝物下方;当某个距离库被判别为干雪DS,见表中第1行,其下方可以出现任何类型水凝物,当某个距离库被判别为湿雪WS,见表中第2行,其下方不可以出现干雪DS与冰晶CR。
由于低层仰角容易受到非气象回波的污染,将最高层仰角识别的水凝物类型作为真值,按表格限定条件从高仰角到低仰角依次进行订正;当下层仰角识别的水凝物类型不符合条件时,根据上层仰角分类结果查看符合条件的水凝物,选取最大集成概率值对应的水凝物作为订正后的分类结果。
下面将采用上述方法具体应用,如下:
实施例1
2019年8月16日,山东潍坊诸城市出现一次强雹暴过程。图1-5中给出了8月16日15:30时青岛雷达0.5°仰角雷达参量与水凝物分布,可见诸城境内强回波区(ZH>60 dBZ)南侧存在暖湿气流前侧入流槽口(图1黑色箭头),回波顶高普遍超过10 km,符合超级单体特征;
强回波区对应的ZDR主要分布在-2.5-0 dB(图2)、CC主要分布在0.8-0.9(图3),HCA识别的强回波区水凝物除了冰雹和大雨外,还被识别为地物(图4白色椭圆),这是由于取向较为固定的非球形冰雹,ZDR通常小于0,而冰雹融化使得固、液态水凝物共存,CC减小,ZDR与CC的冰雹隶属度较低,导致冰雹的集成概率值较低,误识别为地物。加入冰雹区判别条件(式2)后,HCA-Opt不再将部分强回波区域识别为地物(图5),而是识别为雨加雹,与实况一致。
强回波中心西侧,沂水县境内有三个径向的ZDR分布在-3-0dB(图2黑色椭圆)、CC分布在0.65-0.85(图3黑色椭圆),出现TBSS特征,ZDR负值区与CC小值区分别由强冰雹对电磁波衰减与冰雹后方非均匀填充所致,对应的ZH为20-40dBZ,上层仰角的ZH分布范围大致相同,垂直梯度较小,应为降水回波,从HCA分类结果(图4黑色椭圆)可见,该区域不仅包含了中(小)雨,还有地物。ZDR负值与CC小值导致地物比冰雹的集成概率高。增加TBSS判别条件(式3),图4中黑色椭圆区的地物被HCA-Opt识别为中(小)雨(图5)。同样,图4中黑色椭圆区以西原识别为地物的区域,HCA-Opt订正识别为冰雹和中(小)雨。
实施例2
2021年7月9日下午,济南市章丘区出现一次雹暴天气过程。图6-9中给出了2021年7月9日14:19时济南雷达1.5°仰角雷达参量分布,章丘东部有一强回波中心(图6),ZH超过65dBZ,HCA-Opt分类结果(图9)将该区域识别冰雹。冰雹区后侧ZDR先增大后减小为负值(图7黑色虚线)、CC也较低(图8黑色虚线),出现典型TBSS特征,该区域ZH主要分布在5-15dBZ,回波顶较低,不符合式3条件,HCA-Opt将该区域识别为超折射地物,即对应TBSS。
实施例3
融化层高度可为水凝物分类结果提供一些限制,在融化层以下分类结果不应该有干(湿)雪、冰晶,在融化层以上不应该有中(小)雨、大雨分类。图10a是由HHUPS模式分析场给出的2021年7月9日章丘0℃逐时高度和当日08、20时探空观测的0℃高度,可见模式分析的0℃高度(融化层顶)与探空观测差异不大,因此利用模式分析场0℃高度代替探空是可行的。同时可看到,模式给出的0℃高度随时间存在明显的波动变化。从HHUPS模式14时0℃高度分析场(图10b)可见,鲁西北东部到鲁中地区的0℃高度逐渐增加约300 m。因此,引入模式分析的逐小时融化层高度,可更好地与雷达观测进行匹配,提高融化层高度在水凝物识别中的约束作用。
图4给出的是2021年7月9日14:19时济南雷达0.5°仰角HCA与HCA-Opt分类结果。HCA的水凝物分类结果显示(图11在渤海、潍坊东部、青岛与日照沿海等区域(黑色虚线)存在大量中(小)雨,其中夹杂部分干雪与霰,这些区域距离雷达站250-350 km,垂直高度为8-12 km,高于-20℃高度(7.4 km),不可能存在液态水凝物。分析14:19济南雷达站各层仰角ZH、ZDR与CC分布(图略)可见,融化层特征不明显,未满足MLDA阈值条件,HCA无法对高度进行分层,因此不能对水凝物类型进行限定,而中(小)雨与干雪隶属函数大致相同,导致这些区域出现液、固态水凝物交错分布,并且以中(小)雨为主。加入模式分析场提供的融化层高度信息后,HCL-Opt在上述区域的水凝物识别类型主要为干雪、霰与冰晶,消除了零度层以上的中(小)雨(图12),分布更为合理。
实施例4
图5给出了2021年7月9日14:19的HCA、HCA-Opt水凝物分类沿87°方位角的剖面图。在3.3°仰角、69-73 km处(图13a),HCA识别的水凝物有冰晶CR出现在霰GR之下。霰是由干雪或冰晶淞附冻滴形成,霰在下落过程中与冻滴碰撞形成雹或融化成雨,因此冰晶出现在零度层附近,且处于霰之下是不合理的。在0.5°仰角、76km处,有两个距离库出现雨加雹,并处于1.5°仰角的大雨下方,与2.4°仰角的冰雹分离,也不尽合理。增加了水凝物垂直分布限定条件后,HCA-Opt将69-73km处的冰晶识别为霰(图13b黑色虚线区),76km处的冰雹识别为大雨(图13b白色虚线区),水凝物的垂直分布更加合理。
Claims (8)
1.一种基于S波段双偏振雷达识别水凝物粒子分类的方法,其特征在于,所述的水凝物粒子分类采用HCA-Opt方法,通过在HCA方法上,采用式2、式3增加对冰雹与三体散射区识别,以此订正HCA在两类区域中识别的水凝物;所述的HCA方法如式1所示,
式1中:
A表示集成概率值;i表示水凝物类型,HCA可识别8类水凝物,分别是干雪DS、湿雪WS、冰晶CR、霰GR、大滴BD、中小雨RA、大雨HR、雨雹混合RH;V表示雷达参量,j表示雷达参量类型,包括水平反射率因子ZH、差分反射率ZDR、零滞后相关系数CC、比差分相移对数形式LKDP、ZH纹理SDZH与差分相移纹理SDΦDP;P表示隶属函数,它的作用对雷达参量进行泛化处理;W表示权重因子,取值介于0-1之间,数值越高表示识别水凝物的作用越大;Q表示置信度因子,它的作用是消除了雷达定标、衰减、非均一性填充、波束阻挡、观测误差与噪声带来的影响;
式2中:
ETOP18dBZ表示ZH为18dBZ的回波高度;
式3中:
ETOP0dBZ表示ZH为0dBZ的回波高度;
rstormcore为强回波区,表示径向上ZH大于45dBZ、累计距离大于1 km的区域;
R为强回波区到雷达站的径向距离;
式2表示CC小于0.9,并且ZH大于45dBZ、18dBZ回波顶高大于8 km时判定为冰雹区;
式3表示在强回波中心后侧确定可能出现TBSS的区域,再利用CC阈值与0dBZ回波顶高,判断TBSS区域的水凝物类型,满足式3条件时为降水类型,否则为非降水类型;
当某个距离库参量满足式2或式3时,HCA-Opt将地物与生物的集成概率设置为0。
2.根据权利要求1所述的基于S波段双偏振雷达识别水凝物粒子分类的方法,其特征在于,还包括采用HHUPS短临模式的温度分析场确定融化层高度。
3.根据权利要求2所述的基于S波段双偏振雷达识别水凝物粒子分类的方法,其特征在于,所述的HHUPS短临模式的温度分析场为:基于天气研究与预报模式搭建而成,以美国美国环境预报中心的全球预报模式0.25°分辨率数据作为背景场资料,以数据同化与格点统计插值模块作为模式同化系统;每天08:00与20:00进行两次冷启动,其他时次为热启动,前一时次积分一小时后的预报场作为下一个时次的背景场,逐半小时同化一次观测资料,同化资料包括国家级地面气象观测站、地面自动气象观测站、常规探空站、L波段雷达探空站与飞机报资料,雷达反射率与葵花8卫星资料;每天逐时制作0-24小时预报,其中0时刻预报场为起报时刻的分析场。
4.根据权利要求2或3所述的基于S波段双偏振雷达识别水凝物粒子分类的方法,其特征在于,从短临模式的温度分析场中提取0℃温度高度作为融化层顶,2℃湿球温度作为融化层底,依次计算雷达探测每个距离库中心对应的经纬度,选取距离最近的4个模式格点数据,利用双线性法将模式的融化层顶与底对应高度插值到所计算距离库的中心坐标上。
5.根据权利要求1所述的基于S波段双偏振雷达识别水凝物粒子分类的方法,其特征在于,还包括,根据水凝物类型垂直分布限制条件,对识别的水凝物垂直分布进行限定,所述的水凝物类型垂直分布限制条件如下表所示:
表中√号、×号分别表示其所在列对应的水凝物可以、不可以出现在其所在行对应的水凝物下方;当某个距离库被判别为干雪DS,见表中第1行,其下方可以出现任何类型水凝物,当某个距离库被判别为湿雪WS,见表中第2行,其下方不可以出现干雪DS与冰晶CR。
6.根据权利要求5所述的基于S波段双偏振雷达识别水凝物粒子分类的方法,其特征在于,由于低层仰角容易受到非气象回波的污染,将最高层仰角识别的水凝物类型作为真值,按表格限定条件从高仰角到低仰角依次进行订正;当下层仰角识别的水凝物类型不符合条件时,根据上层仰角分类结果查看符合条件的水凝物,选取最大集成概率值对应的水凝物作为订正后的分类结果。
7.根据权利要求1-6任一所述的基于S波段双偏振雷达识别水凝物粒子分类的方法,其特征在于,使用fortran语言实现HCA-Opt方法。
8.权利要求1-7任一所述的方法在识别水凝物粒子分类上的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310562710.2A CN116609749A (zh) | 2023-05-18 | 2023-05-18 | 一种基于s波段双偏振雷达识别水凝物粒子分类的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310562710.2A CN116609749A (zh) | 2023-05-18 | 2023-05-18 | 一种基于s波段双偏振雷达识别水凝物粒子分类的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116609749A true CN116609749A (zh) | 2023-08-18 |
Family
ID=87674080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310562710.2A Pending CN116609749A (zh) | 2023-05-18 | 2023-05-18 | 一种基于s波段双偏振雷达识别水凝物粒子分类的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116609749A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117706559A (zh) * | 2024-02-05 | 2024-03-15 | 南京信息工程大学 | 一种基于双偏振雷达资料的水凝物和水汽反演方法 |
CN118033548A (zh) * | 2024-04-12 | 2024-05-14 | 成都远望科技有限责任公司 | 一种双发双收顶扫云雷达同频干扰识别方法及装置 |
-
2023
- 2023-05-18 CN CN202310562710.2A patent/CN116609749A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117706559A (zh) * | 2024-02-05 | 2024-03-15 | 南京信息工程大学 | 一种基于双偏振雷达资料的水凝物和水汽反演方法 |
CN117706559B (zh) * | 2024-02-05 | 2024-05-03 | 南京信息工程大学 | 一种基于双偏振雷达资料的水凝物和水汽反演方法 |
CN118033548A (zh) * | 2024-04-12 | 2024-05-14 | 成都远望科技有限责任公司 | 一种双发双收顶扫云雷达同频干扰识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116609749A (zh) | 一种基于s波段双偏振雷达识别水凝物粒子分类的方法 | |
Ryzhkov et al. | Polarimetric radar characteristics of melting hail. Part II: Practical implications | |
Liu et al. | “Warm rain” in the tropics: Seasonal and regional distributions based on 9 yr of TRMM data | |
Jiang | The relationship between tropical cyclone intensity change and the strength of inner-core convection | |
Boodoo et al. | Application of dual-polarization radar melting-layer detection algorithm | |
Kunz et al. | Detection of hail signatures from single-polarization C-band radar reflectivity | |
Kouketsu et al. | A hydrometeor classification method for X-band polarimetric radar: Construction and validation focusing on solid hydrometeors under moist environments | |
Zwiebel et al. | Impacts of orography and rain intensity on rainfall structure. The case of the HyMeX IOP7a event | |
Chang et al. | An application of reflectivity climatology in constructing radar hybrid scans over complex terrain | |
Sakurai et al. | Case study of misoscale convective echo behavior associated with cumulonimbus development observed by Ka-band Doppler radar in the Kanto region, Japan | |
Chen et al. | Variability of microphysical characteristics in the “21· 7” Henan extremely heavy rainfall event | |
Sumesh et al. | Microphysical aspects of tropical rainfall during Bright Band events at mid and high-altitude regions over Southern Western Ghats, India | |
Seto et al. | Rain/no-rain classification methods for microwave radiometer observations over land using statistical information for brightness temperatures under no-rain conditions | |
Rowe et al. | Investigation of microphysical processes occurring in organized convection during NAME | |
Trombe et al. | Weather radars–the new eyes for offshore wind farms? | |
Cremonini et al. | The weather radar observations applied to shallow landslides prediction: a case study from north-western Italy | |
Furuzawa et al. | Differences of rainfall estimates over land by Tropical Rainfall Measuring Mission (TRMM) Precipitation Radar (PR) and TRMM Microwave Imager (TMI)—Dependence on storm height | |
Xie et al. | Precipitation and microphysical processes observed by three polarimetric X-band radars and ground-based instrumentation during HOPE | |
JP7448725B2 (ja) | 非シーディング影響領域対比シーディング影響領域の総人工降水量の算出方法 | |
Kato et al. | Prediction of meso-γ-scale local heavy rain by ground-based cloud radar assimilation with water vapor nudging | |
Shusse et al. | Relationship between precipitation core behavior in cumulonimbus clouds and surface rainfall intensity on 18 August 2011 in the Kanto Region, Japan | |
Tuomi et al. | Identification and analysis of flash cells in thunderstorms | |
Biswas et al. | Quantitative precipitation estimation using X-band radar for orographic rainfall in the San Francisco Bay Area | |
Zhang et al. | A real-time algorithm to identify convective precipitation adjacent to or within the bright band in the radar scan domain | |
Evaristo et al. | Polarimetric signatures and hydrometeor classification of West African squall lines |
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 |