CN116821623A - 一种短时强降水识别方法、装置及设备 - Google Patents

一种短时强降水识别方法、装置及设备 Download PDF

Info

Publication number
CN116821623A
CN116821623A CN202310789247.5A CN202310789247A CN116821623A CN 116821623 A CN116821623 A CN 116821623A CN 202310789247 A CN202310789247 A CN 202310789247A CN 116821623 A CN116821623 A CN 116821623A
Authority
CN
China
Prior art keywords
radar
region
differential
phase shift
preset
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
Application number
CN202310789247.5A
Other languages
English (en)
Inventor
吴毅楠
崔梦雪
黄昕
郑辉
黄亦鹏
荀爱萍
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.)
Xiamen Meteorological Station Xiamen Ocean Meteorological Station Taiwan Strait Meteorological Open Laboratory
Original Assignee
Xiamen Meteorological Station Xiamen Ocean Meteorological Station Taiwan Strait Meteorological Open Laboratory
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 Xiamen Meteorological Station Xiamen Ocean Meteorological Station Taiwan Strait Meteorological Open Laboratory filed Critical Xiamen Meteorological Station Xiamen Ocean Meteorological Station Taiwan Strait Meteorological Open Laboratory
Priority to CN202310789247.5A priority Critical patent/CN116821623A/zh
Publication of CN116821623A publication Critical patent/CN116821623A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及电磁波技术领域，具体涉及一种短时强降水识别方法、装置及设备。该方法包括：获取雷达基数据；其中，所述雷达基数据基于X波段雷达获取；解析雷达基数据，得到目标空间区域对应的双偏振参量，所述双偏振参量包括差分反射率和差分相移率；确定目标空间区域中符合预设要求的部分区域为预警区域；其中，预设要求包括：所述差分反射率小于第一预设值阈且所述差分相移率大于第二预设值阈。以解决现有技术中需要依赖其他波段雷达进行数据订正等复杂操作才能快速准确识别降水的问题。

Description

一种短时强降水识别方法、装置及设备
技术领域
本发明涉及电磁波技术领域，具体涉及一种短时强降水识别方法、装置及设备。
背景技术
相控阵天气雷达采用近几年雷达领域的最新技术，与常规雷达相比，它扫描速度更快、探测精度及可靠性更高、探测能力更强，灵敏度高、使用维护方便。
但是，X波段双偏振相控阵天气雷达目前作为气象业务雷达观测网的时空补盲观测雷达，在时间和空间分辨率上有强大的优势，但X波段双偏振衰减特性明显，尤其是差分反射率在强天气过程中，水平偏振波衰减过大，导致差分反射率数值“失真”，难以正常应用。在与业务雷达的融合应用中多需要进行强度订正，且融合应用的方法大部分在于反射率组网应用、风场应用等，其主要原因是由于X波段双偏振衰减特性明显，因此在方法应用中常需要进行衰减订正，误差较大，操作复杂，因此应用相对较少。
发明内容
有鉴于此，本发明提供一种短时强降水识别方法、装置及设备，以解决现有技术中需要依赖其他波段雷达进行数据订正等复杂操作才能快速准确识别降水的问题。
根据本发明实施例的第一方面，一种短时强降水识别方法，包括：
获取雷达基数据；其中，所述雷达基数据基于X波段雷达获取；
解析雷达基数据，得到目标空间区域对应的双偏振参量，所述双偏振参量包括差分反射率和差分相移率；
确定目标空间区域中符合预设要求的部分区域为预警区域；
其中，预设要求包括：所述差分反射率小于第一预设值阈且所述差分相移率大于第二预设值阈。
进一步的，所述第一预设阈值为0；所述第二预设值阈为0；
所述确定目标空间区域中符合预设要求的部分区域为预警区域，包括：
确定目标空间区域中差分反射率小于0的负值区域为第一空间区域；
确定目标空间区域中差分相移率大于0的区域为第二空间区域；
确定第一空间区域和第二空间区域的重合区域为预警区域。
进一步的，所述目标空间区域包括多个网格；
所述确定目标空间区域中符合预设要求的部分区域为预警区域，包括：
针对每一个网格，判断所述网格是否符合预设要求；若符合，确定所述网格属于预警区域。
进一步的，所述解析雷达基数据，得到目标空间区域对应的双偏振参量，所述双偏振参量包括差分反射率和差分相移率包括：
解析雷达基数据，得到在第一分辨率下，目标空间区域中各个离散点对应的双偏振参量；
基于空间插值法，得到在第二分辨率下，目标空间区域中各个离散点对应的双偏振参量；
其中，在第二分辨率大于第一分辨率。
进一步的，所述差分反射率是水平偏振波反射率和垂直偏振波反射率估计的比值，计算公式为：
ZDR＝10*lg(ZHH/ZVV)
其中，ZDR是差分反射率，ZHH是水平偏振波反射率，ZVV是垂直偏振波反射率；所述差分反射率表征降水粒子的形态；
所述差分相移率表征降水粒子的大小和密度。
进一步的，包括：
所述雷达基数据包括低仰角。
进一步的，还包括：
识别所述预警区域并在地图上进行预警显示。
进一步的，还包括：
所述第一预设值阈和第二预设值阈是基于所在地区的气候特征和雷达性能设定。
根据本发明实施例的第二方面，一种短时强降水识别装置，包括：
获取模块，用于获取雷达基数据；其中，基于X波段雷达获取所述雷达基数据；
解析模块，用于解析雷达基数据，得到目标空间区域对应的双偏振参量，所述双偏振参量包括差分反射率和差分相移率；
确定模块，用于确定目标空间区域中符合预设要求的部分区域为预警区域；
其中，预设要求包括：所述差分反射率处于第一预设阈值内且所述差分相移率处于第二预设值阈内。
根据本发明实施例的第三方面，一种智能设备，包括：
处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行本发明实施例的第一方面所述的短时强降水识别的方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
本发明采用以上技术方案，本发明获取X波段的雷达基数据，解析雷达基数据得到目标空间区域对应的双偏振参量：差分反射率和差分相移率。利用X波段双偏振参量具有明显的衰减特征这一特点，直接识别出满足差分反射率小于第一预设值阈同时又满足差分相移率大于第二预设值阈的部分区域，实现预警区域的快速识别和准确定位，此方法正是利用了X波段差分反射率和差分相移率衰减特征大的特点进行预警区域的快速识别，从而快速准确识别出强降水区域，因此，此方法避免了传统方法中因为X波段双偏振参量衰减特征明显的应用造成的估测结果误差大，且需要依赖其他波段雷达生成的衰减小的数据进行数据订正等复杂操作，基于X波段的衰减特性和X波段双偏振相控阵天气雷达在时间和空间分辨率上的强大的优势，利用本发明的方法实现了短时强降水的识别，有效的提升了灾害性天气预警能力。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种短时强降水识别方法的流程示意图；
图2是根据一示例性实施例示出的一种短时强降水的识别方法的数据处理流程图；
图3是根据一示例性实施例示出的自一种短时强降水识别装置的示意框图；
图4是根据一示例性实施例示出的一种智能设备的结构示意图；
图5是根据另一示例性实施例示出的一种短时强降水识别方法的具体流程图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在传统技术中，相控阵天气雷达的降水估测方法有三种：
第一种是Z-I关系进行回波强度与降水量级的估算，该方法是天气雷达降水估测方法之一，根据统计特征，利用回波强度对降水量级进行定量估测，估测结果可作为短时强降水的参考标准之一，该方法主要应用在S波段、C波段雷达中；
第二种是基于双偏振雷达的双偏振参量进行降水估测，在降水估测过程中引入双偏振参量(ZDR、KDP等)，有效提升降水估测精度，并且在相态识别上优势较大，该方法多在S波段、C波段双偏振雷达中应用。
第三种是利用现有的各类雷达参量进行强降水识别方法较多，该方法主要应用于S波段、C波段业务雷达产品。
本发明应用于相控阵天气雷达，常规天气雷达需要6分钟完成一次11层体积扫描，该雷达只需要1分钟就能完成；采用分布式发射与接收技术，可靠性由常规雷达的600小时提升至3000小时以上。相控阵天气雷达全面提高了地物杂波抑制能力、抗干扰能力与自动化探测能力，能更快、更准确发现雷雨、大风、下击暴流、风切变等影响航空安全的危险天气，并能更加精细化捕捉与分析危险天气的内部结构，为精准航空预报服务提供探测依据；可以及时发现航危天气并监控其发展，在空管气象危险天气监测中意义重大。
实施例一
参考图1，图1是根据一示例性实施例示出的一种短时强降水识别方法的流程示意图，如图1所示，该方法具体可以包括如下步骤：
S11步骤：获取雷达基数据；其中，所述雷达基数据基于X波段雷达获取。
在具体实践中，雷达基数据包含仰角、方位角、反射率因子等，雷达基数据中的仰角为低仰角，主要是因为强对流天气系统常常会发展到10公里以上，水凝物会在系统中循环，低仰角更多是雨滴下落的区域。
S12步骤：解析雷达基数据，得到目标空间区域对应的双偏振参量，所述双偏振参量包括差分反射率和差分相移率。
在具体实践中，天气雷达的双偏振技术主要通过同时发射水平偏振波和垂直偏振波，能够接收到降水粒子水平方向和垂直方向的电磁波后向散射信号，通过水平方向和垂直方向接收到的回波信号差异，可以判断水凝物粒子的形态，如扁平、圆形或菱形等。本发明所涉及到的主要的双偏振参量包括：差分反射率(ZDR)和差分相移率(ZDR)。
优选的，所述差分反射率是水平偏振波反射率和垂直偏振波反射率估计的比值，计算公式为：
ZDR＝10*lg(ZHH/ZVV)
其中，ZDR是差分反射率，ZHH是水平偏振波反射率，ZVV是垂直偏振波反射率；所述差分反射率表征降水粒子的形态；
所述差分相移率表征降水粒子的大小和密度。
ZDR(差分反射率)：主要体现水凝物形态的参量，是水平和垂直回波功率估计的比值，计算公式如下所示：
值得说明的是，当水滴粒子越大，扁平状态越明显，ZDR值越大，但是如果水平偏振波ZHH衰减速度远大于ZHH时，即ZHH小于ZVV，ZDR会呈现负值。差分相移率代表电磁波在水凝物粒子传播过程中单位距离内的相位变化，能够指示降水粒子的大小和密度，并且数值不受电磁波强度衰减的影响(电磁波完全衰减的情况除外)。
优选的，所述解析雷达基数据，得到目标空间区域对应的双偏振参量，所述双偏振参量包括差分反射率和差分相移率包括：
解析雷达基数据，得到在第一分辨率下，目标空间区域中各个离散点对应的双偏振参量；
基于空间插值法，得到在第二分辨率下，目标空间区域中各个离散点对应的双偏振参量；
其中，在第二分辨率大于第一分辨率。
在具体实践中，所述解析雷达基数据，得到目标空间区域对应的双偏振参量，具体内容如下：
参照图2，图2是一种短时强降水的识别方法的数据处理流程图，如图所示，包括：
天气雷电天线往一个方向发射电磁波，可以得到一个方向上经过的水凝物的相关参数，对一个平面的扫描即旋转360°，不断发射和接受电磁波，可以得到一个面的数据。存储方式就是根据天线的方向，存储各个距离的参数，以此类推，因此是极坐标方式保存；
解析雷达基数据也就对将极坐标转换到PPI数据再到CAPPI数据的处理。
在实际实践中，雷达基数据的坐标是极坐标格式，即方位、仰角、距离二要素来确定一个位置，而我们的格点是直角，坐标X、Y、Z，或者是地球坐标经度、纬度、海拔。PPI指的是同一层仰角的俯视图，例如天线向上0.5°仰角扫描一圈得到的数据、1.5°仰角扫描一圈得到的数据等，它在空间上其实是锥形排列；CAPPI数据指的是等高面上的数据，就是正常意义上的三维网格数据，不同仰角的锥形数据也就是PPI数据，对PPI数据进行空间插值得到CAPPI数据。这里具体的实现方法为现有技术，此处不在赘述。
可以理解的是，同一层仰角的俯视图上的PPI数据就是图2中极坐标转换的平面显示的PPI数据，平面显示的分辨率即为第一分辨率，各个离散点对应的双偏振参量就是PPI数据，基于平面显示上的PPI数据和空间插值法，获取更多的离散点，得到第二分辨率下的等高面数据，获取该等高面数据中的双偏振参量，也就是差分反射率和差分相移率。第二分辨率比第一分辨率离散点密集，所以分辨率更高。
优选的，所述第一预设阈值为0，所述第二预设值阈为0。所述第一预设值阈和第二预设值阈是基于所在地区的气候特征和雷达性能设定。
在一些实施例中，差分反射率和差分相移率需要进行阈值控制，并滤除不必要的杂波，防止杂波信息影响计算结果。差分相移率的阈值需要根据各地区的气候特征和雷达性能设定，一般大于3.1；差分反射率的阈值小于0。
S13步骤：确定目标空间区域中符合预设要求的部分区域为预警区域。
其中，预设要求包括：所述差分反射率处于第一预设阈值内且所述差分相移率处于第二预设值阈内。
在一些实施例中，所述目标空间区域包括多个网格；
所述确定目标空间区域中符合预设要求的部分区域为预警区域，包括：
针对每一个网格，判断所述网格是否符合预设要求；若符合，确定所述网格属于预警区域。
可以理解的是，网格是指在雷达基数据处理或显示的时候，转为等距离或等经纬网格，三维空间的计算处理或显示。图2的流程图是把数据处理的流程绘制出来，从雷达基数据的读取解析，到空间插值，再对插值后的目标空间区域进行网格划分，提取每个网格的数据，形成一个过程网格数据。
具体的，参照图2，针对每一个网格，判断所述网格是否符合预设要求；若符合，确定符合要求的网格标记为预警区域。其中，图2中的产品数据网格就是符合要求的网格，需要将这些网格全部识别出来。
优选的，所述确定目标空间区域中符合预设要求的部分区域为预警区域，包括：
确定目标空间区域中差分反射率小于0的负值区域为第一空间区域；
确定目标空间区域中差分相移率大于0的区域为第二空间区域；
确定第一空间区域和第二空间区域的重合区域为预警区域。
可以理解的是，预设要求就是识别出差分相移率的数值大于0的区域内，(也是就第二空间区域)，差分反射率小于0的区域(也是就第一空间区域)；因此预警区域就是第一空间区域和第二空间区域的重合区域。
值得说明的是，本发明提供了一种短时强降水识别方法是基于X波段双偏振参量衰减特性识别的，该方法最大价值在于，提出了一种新的X波段双偏振参量应用思路，利用的正是双偏振参量明显的衰减特性。而传统方法中如果利用双偏振参量衰减特性应用的方法识别出的降水预测结果都根据其他波段雷达测算的数据进行数据订正，例如C波段雷达衰减小，可以和C波段雷达测算的数据进行数据订正来降低因为X波段双偏振参量衰减明显造成的数据误差大的问题。
本发明提供的一种短时强降水识别方法是基于X波段双偏振参量衰减特性识别的方法可作为短时强降水识别参考指标之一，不需要依赖其他波段雷达进行数据订正、质控等复杂操作，而是利用X波段电磁波的衰减特征，快速进行短时强降水的识别、定位及告警，能有效提升灾害性天气预警能力。
示例性的，例如S12步骤中得到第二分辨率为1km的等高面，确定目标空间区域，将目标空间区域划分成多个网格，形成了网格矩阵，得到网个矩阵中的差分反射率和差分相移率，对网格矩阵中的每一个格点进行数值判断，具体如下：
首先提取每格点差分相移率和差分反射率的数值，然后根据设定的阈值来确定格点是否满足要求，到所有格点都计算完毕。如果识别结果为该网格不满足要求，就是没有预警信息，满足要求就认为这个格点所在的位置都出现了短时强降水。
优选的，还包括：识别所述预警区域并在地图上进行预警显示。
可以理解的是，本发明获取X波段的雷达基数据，解析雷达基数据得到目标空间区域对应的双偏振参量：差分反射率和差分相移率。利用X波段双偏振参量具有明显的衰减特征这一特点，直接识别出满足差分反射率小于第一预设值阈同时又满足差分相移率大于第二预设值阈的部分区域，实现预警区域的快速识别和准确定位，此方法正是利用了X波段差分反射率和差分相移率衰减特征大的特点进行预警区域的快速识别，从而快速准确识别出强降水区域，因此，此方法避免了传统方法中因为X波段双偏振参量衰减特征明显的应用造成的估测结果误差大，且需要依赖其他波段雷达生成的衰减小的数据进行数据订正等复杂操作，基于X波段的衰减特性和X波段双偏振相控阵天气雷达在时间和空间分辨率上的强大的优势，利用本发明的方法实现了短时强降水的识别，有效的提升了灾害性天气预警能力。
参照图3，图3是一种短时强降水识别装置的示意框图，如图3所示，包括：
获取模块1，用于获取雷达基数据；其中，基于X波段雷达获取所述雷达基数据；
解析模块2，用于解析雷达基数据，得到目标空间区域对应的双偏振参量，所述双偏振参量包括差分反射率和差分相移率；
确定模块3，用于确定目标空间区域中符合预设要求的部分区域为预警区域；
其中，预设要求包括：所述差分反射率处于第一预设阈值内且所述差分相移率处于第二预设值阈内。
具体的，一种短时强降水识别装置具体实现方法可以参考以上任一实施例所述的一种短时强降水识别装置方法的具体实施方式，此处不再赘述。
可以理解的是，本发明获取X波段的雷达基数据，解析雷达基数据得到目标空间区域对应的双偏振参量：差分反射率和差分相移率。利用X波段双偏振参量具有明显的衰减特征这一特点，直接识别出满足差分反射率小于第一预设值阈同时又满足差分相移率大于第二预设值阈的部分区域，实现预警区域的快速识别和准确定位，此方法正是利用了X波段差分反射率和差分相移率衰减特征大的特点进行预警区域的快速识别，从而快速准确识别出强降水区域，因此，此方法避免了传统方法中因为X波段双偏振参量衰减特征明显的应用造成的估测结果误差大，且需要依赖其他波段雷达生成的衰减小的数据进行数据订正等复杂操作，基于X波段的衰减特性和X波段双偏振相控阵天气雷达在时间和空间分辨率上的强大的优势，利用本发明的方法实现了短时强降水的识别，有效的提升了灾害性天气预警能力。
本发明实施例还提供一种智能设备，请参阅图4，图4是一种智能设备的结构示意图，如图所示，包括：
处理器202，以及与所述处理器202相连接的存储器201。
所述存储器201用于存储计算机程序，所述计算机程序至少用于执行本发明实施例中任一项所述的短时强降水识别的方法。
所述处理器202用于调用并执行所述存储器201中的所述计算机程序。具体的，一种智能设备的具体实现方法可以参考以上任一实施例所述的一种短时强降水识别方法的具体实施方式，此处不再赘述。
可以理解的是，本发明获取X波段的雷达基数据，解析雷达基数据得到目标空间区域对应的双偏振参量：差分反射率和差分相移率。利用X波段双偏振参量具有明显的衰减特征这一特点，直接识别出满足差分反射率小于第一预设值阈同时又满足差分相移率大于第二预设值阈的部分区域，实现预警区域的快速识别和准确定位，此方法正是利用了X波段差分反射率和差分相移率衰减特征大的特点进行预警区域的快速识别，从而快速准确识别出强降水区域，因此，此方法避免了传统方法中因为X波段双偏振参量衰减特征明显的应用造成的估测结果误差大，且需要依赖其他波段雷达生成的衰减小的数据进行数据订正等复杂操作，基于X波段的衰减特性和X波段双偏振相控阵天气雷达在时间和空间分辨率上的强大的优势，利用本发明的方法实现了短时强降水的识别，有效的提升了灾害性天气预警能力。
实施例二
参照图5，图5是一种短时强降水识别方法的具体流程图，如图5所示，所述方法包括：
1)数据处理部分：
解析雷达基数据，获取各个雷达参量；获取低仰角双偏振参量差分反射率的空间信息Z1，Z2…ZN；获取低仰角双偏振参量差分相移率的空间信息K1，K2…KN。
值得说明的是，各个雷达参量主要包括差分反射率和差分相移率，空间信息也就是差分反射率和差分相移率的坐标或数值。
可以理解的是，雷达基数据处理，通过气象雷达探测数据的特点以及强对流天气系统特征进行基础数据处理，主要提取双偏振参量差分反射率和差分相移率的数据。
2)空间计算部分：
主要进行差分反射率和差分相移率的坐标的空间匹配：
判断强KDP区域是否存在ZDR负值区；
建立对应关系W1，W2…WN，并储存为预警区域。
值得说明的是，强KDP区域就是差分相移率大于第二预设值阈的区域，即KDP大于0的第二空间区域。ZDR负值区就是差分反射率小于第一预设值阈的区域，即ZDR小于0的第一空间区域，识别KDP大于0的区域中ZDR小于0的区域，即第一空间区域和第一空间区域重合的区域就是上述文字中的W1，W2…WN，重合区域就是预警区域。
可以理解的是，此部分主要针对雷达探测范围内的所有达到阈值的KDP区域进行逐个识别，判断对应区域内的是否存在因为衰减导致ZDR出现负值的区域，并建立预警区域。
通过上述计算流程，即可快速计算得到短时强降水影响区域的预警区域。
可以理解的是，本发明获取X波段的雷达基数据，解析雷达基数据得到目标空间区域对应的双偏振参量：差分反射率和差分相移率。利用X波段双偏振参量具有明显的衰减特征这一特点，直接识别出满足差分反射率小于第一预设值阈同时又满足差分相移率大于第二预设值阈的部分区域，实现预警区域的快速识别和准确定位，此方法正是利用了X波段差分反射率和差分相移率衰减特征大的特点进行预警区域的快速识别，从而快速准确识别出强降水区域，因此，此方法避免了传统方法中因为X波段双偏振参量衰减特征明显的应用造成的估测结果误差大，且需要依赖其他波段雷达生成的衰减小的数据进行数据订正等复杂操作，基于X波段的衰减特性和X波段双偏振相控阵天气雷达在时间和空间分辨率上的强大的优势，利用本发明的方法实现了短时强降水的识别，有效的提升了灾害性天气预警能力。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结果、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结果、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种短时强降水识别方法，其特征在于，包括：
获取雷达基数据；其中，所述雷达基数据基于X波段雷达获取；
解析雷达基数据，得到目标空间区域对应的双偏振参量，所述双偏振参量包括差分反射率和差分相移率；
确定目标空间区域中符合预设要求的部分区域为预警区域；
其中，预设要求包括：所述差分反射率小于第一预设值阈且所述差分相移率大于第二预设值阈。
2.根据权利要求1所述的方法，其特征在于，所述第一预设阈值为0；所述第二预设值阈为0；
所述确定目标空间区域中符合预设要求的部分区域为预警区域，包括：
确定目标空间区域中差分反射率小于0的负值区域为第一空间区域；
确定目标空间区域中差分相移率大于0的区域为第二空间区域；
确定第一空间区域和第二空间区域的重合区域为预警区域。
3.根据权利要求1所述的方法，其特征在于，所述目标空间区域包括多个网格；
所述确定目标空间区域中符合预设要求的部分区域为预警区域，包括：
针对每一个网格，判断所述网格是否符合预设要求；若符合，确定所述网格属于预警区域。
4.根据权利要求1所述的方法，其特征在于，所述解析雷达基数据，得到目标空间区域对应的双偏振参量，所述双偏振参量包括差分反射率和差分相移率包括：
解析雷达基数据，得到在第一分辨率下，目标空间区域中各个离散点对应的双偏振参量；
基于空间插值法，得到在第二分辨率下，目标空间区域中各个离散点对应的双偏振参量；
其中，在第二分辨率大于第一分辨率。
5.根据权利要求4所述的方法，其特征在于，所述差分反射率是水平偏振波反射率和垂直偏振波反射率估计的比值，计算公式为：
ZDR＝10*lg(ZHH/ZVV)
其中，ZDR是差分反射率，ZHH是水平偏振波反射率，ZVV是垂直偏振波反射率；所述差分反射率表征降水粒子的形态；
所述差分相移率表征降水粒子的大小和密度。
6.根据权利要求1所述的方法，其特征在于，包括：
所述雷达基数据包括低仰角。
7.根据权利要求1所述的方法，其特征在于，还包括：
识别所述预警区域并在地图上进行预警显示。
8.根据权利要求1所述的方法，其特征在于，还包括：
所述第一预设值阈和第二预设值阈是基于所在地区的气候特征和雷达性能设定。
9.一种短时强降水识别装置，其特征在于，包括：
获取模块，用于获取雷达基数据；其中，基于X波段雷达获取所述雷达基数据；
解析模块，用于解析雷达基数据，得到目标空间区域对应的双偏振参量，所述双偏振参量包括差分反射率和差分相移率；
确定模块，用于确定目标空间区域中符合预设要求的部分区域为预警区域；
其中，预设要求包括：所述差分反射率处于第一预设阈值内且所述差分相移率处于第二预设值阈内。
10.一种智能设备，其特征在于，包括：
处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行权利要求1-8任一项所述的短时强降水识别的方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
CN202310789247.5A 2023-06-30 2023-06-30 一种短时强降水识别方法、装置及设备 Pending CN116821623A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310789247.5A CN116821623A (zh) 2023-06-30 2023-06-30 一种短时强降水识别方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310789247.5A CN116821623A (zh) 2023-06-30 2023-06-30 一种短时强降水识别方法、装置及设备

Publications (1)

Publication Number Publication Date
CN116821623A true CN116821623A (zh) 2023-09-29

Family

ID=88114229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310789247.5A Pending CN116821623A (zh) 2023-06-30 2023-06-30 一种短时强降水识别方法、装置及设备

Country Status (1)

Country Link
CN (1) CN116821623A (zh)

Similar Documents

Publication Publication Date Title
Brusch et al. Ship surveillance with TerraSAR-X
US5568151A (en) Statistical averaging method for wind profiler doppler spectra
US8368581B2 (en) Method for determining compound data of weather radars in an overlapping region of the monitoring regions of at least two weather radars
KR101531224B1 (ko) 이중편파 레이더 기반의 강수 추정 시스템 및 그 방법
KR102440355B1 (ko) 해수면 전파 반사율을 이용한 딥 러닝 해양 클러스터 데이터 측정 시스템
Averyanova et al. Turbulence detection and classification algorithm using data from AWR
CN111323782B (zh) 一种基于模糊逻辑的雷达同步监测方法
WO2018168165A1 (ja) 気象予測装置、気象予測方法、およびプログラム
EP3255452A1 (en) Detection device and detection method
JP2023047319A (ja) 気象レーダーのためのノイズ除去装置および方法
JP2009075017A (ja) 表層流速推定方法、装置並びにプログラム
DE112016006775B4 (de) Radarsignal-Verarbeitungsvorrichtung und Radarsignal-Verarbeitungsverfahren
CN116821623A (zh) 一种短时强降水识别方法、装置及设备
JP2019219236A (ja) 処理装置、処理方法、およびプログラム
Medina et al. Dual polarization radar Lagrangian parameters: a statistics-based probabilistic nowcasting model
CN113406644A (zh) 天气雷达数据质量控制方法、装置及设备
US20190257942A1 (en) Method and apparatus to minimize the effects of radar anomalous propagation for air traffic control
Gabban et al. Ship surveillance with Terrasar-X scansar
Yeung et al. Development of a localized radar-rain gauge co-kriging QPE scheme for potential use in quality control of real-time rainfall data
Yu et al. Application of X-band Polarimetric Phased-array Radars in Quantitative Precipitation Estimation
Geng et al. Beam blockage identification for weather radars on board the R/V Mirai using archived data
Harjupa et al. RDCA Index Based Updraft Area And Its Verification Using Polarimetric Doppler Radar
Antonini et al. Radar Networking over the Tyrrenian Sea
KR102694525B1 (ko) 위성 기반의 선박 탐지 방법, 선박 탐지 시스템, 이를 위한 컴퓨터 프로그램
Katsumata et al. An attempt to estimate differential reflectivity bias using volume scan dataset obtained by C-band polarimetric radar on board R/V Mirai

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