CN116879900A - 一种基于灰度处理的雷暴质心定位以及追踪预测方法 - Google Patents
一种基于灰度处理的雷暴质心定位以及追踪预测方法 Download PDFInfo
- Publication number
- CN116879900A CN116879900A CN202310824841.3A CN202310824841A CN116879900A CN 116879900 A CN116879900 A CN 116879900A CN 202310824841 A CN202310824841 A CN 202310824841A CN 116879900 A CN116879900 A CN 116879900A
- Authority
- CN
- China
- Prior art keywords
- gray
- data
- thunderstorm
- azimuth
- reflectivity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 title claims abstract description 21
- 238000002310 reflectometry Methods 0.000 claims abstract description 60
- 238000006243 chemical reaction Methods 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000007906 compression Methods 0.000 claims abstract description 3
- 230000006835 compression Effects 0.000 claims abstract description 3
- 238000003908 quality control method Methods 0.000 claims abstract description 3
- 230000009466 transformation Effects 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000004807 localization Effects 0.000 claims description 4
- 238000002592 echocardiography Methods 0.000 claims description 2
- 238000009472 formulation Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
-
- 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
- G01S7/414—Discriminating targets with respect to background clutter
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Physics (AREA)
- Environmental & Geological Engineering (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (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
本发明公开了一种基于灰度处理的雷暴质心定位以及追踪预测方法,步骤如下:多普勒天气雷达的数据获取;对读取的数据进行质量控制;将读取的数据以PPI形式进行转化,并计算各反射率点距离雷达的方位、仰角以及距离;将雷达反射率数据进行灰度转化;将雷达反射率大值区域和小值区域进行灰度压缩和灰度拉伸;通过灰度质心法计算雷暴质心数据;累计多个相邻时次的质心数据,对编号雷暴进行方位、速度、质心高度的计算并进行下一时刻的路径预测,并将预测值与下一时次实测值进行校正;通过预测的移速移向做出雷暴的预警预报,结合当地的历史数据,发布相应的天气预报数据。本发明能够更大限度上保留原始数据,结合灰度质心法提升雷暴质心计算的精度。
Description
技术领域
本发明涉及天气预测,特别是一种基于灰度处理的雷暴质心定位以及追踪预测方法。
背景技术
全球气候状态复杂多变,经常会对人类的生产生活造成诸多的严重影响。由于中小尺度的强对流天气的生消演变迅速,因此很难进行及时准确的预警预报,从而会导致了一些灾害性的天气,例如:局地大风、冰雹、龙卷、暴雨等。
雷暴是局部强对流天气,并伴有雷电,其发生通常也伴随着雷暴大风、短时强降水、冰雹、龙卷等一种或多种天气现象。雷暴天气最常发生在夏季,其次是秋季。雷暴可以水平发展,从几公里到几十公里,垂直发展高度可以从几公里到十几公里,持续时间几分钟到几个小时。天气变化频繁,给人们的生产生活造成了极大的影响和损失,提高雷暴天气的监测水准,可在一定程度上提前预警灾害事件的发生并可以最大程度上减小自然灾害带来的损失。据不完全统计,全球每天约有4.4万场雷暴,每小时有0.2至0.4万场雷暴在世界各地发展演变,雷暴日均活动区域约占全球面积的1%,雷暴活动严重威胁着广大人民群众的生命财产安全。提高现有天气预测技术水平对于预报服务行业将会带来巨大便利。
传统的气象雷达数据在时间和空间上的分辨率都很低,很难准确地进行雷暴等强对流天气系统的监测和预警,而多普勒雷达数据在时空上的分辨率更高,是一种很好的工具,因此,利用高时空分辨率的气象雷达进行雷暴识别是当前最有效的方法。以较高精度雷达资料为基础的雷暴识别追踪及外推预报技术,其基本原理是将反射率数值和体积大于某一阈值的区域将其作为雷暴辨识的初步判别指标,并将其与前一时次及后一时次的观测数据进行关联,以预测雷暴的运动并进行追踪预报。比较成熟的雷暴识别方法为SCIT、TITAN等算法。
TITAN方法将满足雷暴发生阈值的连续回波区域定义为一个雷暴发生的潜在区域。在连续的回波区内,存在两种限制条件,反射率阈值(Z)和雷暴体积(V)。在两个条件都符合的情况下,这一地区被认为是一块雷暴发生的潜在区域。在单阈值的辨识中,使用了一个单一的反射率阈值作为界限标准,例如小雨30dBz,中雨40dBz,大雨50dBz,50dBz以上基本上判定为冰雹。TITAN算法识别雷暴比较简单,但识别的结果不能很好地区分出单个的雷暴,尽管该方法具有更好的判别能力,但在识别时仅保留了强回波中心的特征,从而导致了部分雷暴信息的丢失,也不适合单独使用。
SCIT算法(StormCellIdentificationandTracking),中文全称“风暴识别和跟踪”,SCIT算法是在极坐标系统中提出的,由于该方法采用的数据是以直角坐标为基础的三维空间回波场,该方法的核心思想是在B7SI的核心辨识基础上,对B9SI算法进行了改进,由三个部分组成:搜索潜在雷暴段、融合雷暴段、三维雷暴体的合成。SCIT算法是基于质心识别基础,通过对雷达体扫描数据的处理,识别出雷暴的单体质心,然后提取出相应部分的特征信息,并基于这些特性信息对接下来雷暴的发展变化趋势做出形势预报,它不仅仅是一种雷暴识别的探测方法,而且它还包含了对雷暴的跟踪和预测方面的研究。
SCIT算法的不足主要体现在以下几个方面:(1)风暴检测效率过低;(2)风暴检测准确率较低;(3)空间雷达回波数据之间相关性不足。因此SCIT算法单独使用起来具有很大的不足之处。
此外多种方法都是基于以上两种方法发源起来的,他们共同的特点就是设置一个反射率阈值,而这个反射率阈值会直接影响到后面质心数据准确计算,以40dBz为反射率阈值和以45dBz为反射率阈值计算的质心数据是不同的。
发明内容
发明目的:本发明的目的是提供一种基于灰度处理的雷暴质心定位以及追踪预测方法,从而提升对于质心数据计算的精度。
技术方案:本发明所述的一种基于灰度处理的雷暴质心定位以及追踪预测方法,包括以下步骤:
(1)多普勒天气雷达的数据获取;所述的数据包括时间、仰角、方位角、径向距离、反射率、速度、谱宽、体扫方式、距离库数、反射率值。
(2)对读取的数据进行质量控制,剔除无关因素的影响;所述的无关因素包括晴空回波、地表杂波。
(3)将读取的数据以PPI(平面位置显示)显示,并计算各点距离雷达的方位、仰角以及距离;
将读取的雷达反射率数据以PPI形式进行转化,并计算雷达反射率各点距离雷达站的方位、仰角、高度以及距离;原始雷达反射率数据读取进入结构体数组中进行存储,结构体数据中包含为以弧度制形式存储的仰角、方位角,距离库数信息,以及反射率数据,仰角、方位角数值从弧度制到角度制的转化方式为:
其中,rad为弧度值;距雷达站的距离、高度计算方式如下:
其中,数据均以直角坐标系表示,雷达站为坐标中心原点,X轴正向为正东方向,Y正向为正北方向,Z为反射率的离地高度,Theta、ElevationAngle为弧度制下的方位角和仰角,R为距离库数,一库代表距离为1km。
(4)将雷达反射率数据进行灰度转化;具体变换方式包括对数变换和伽马变换;
(4.1)将雷达反射率数据进行灰度转化,使得反射率数值越大的区域越突出显示,反射率值越小的区域色调越浅;在灰度值转化时需要用到两种非线性灰度变换方法,分别为对数变换和伽马变换;
对数变换方式如下所示:
s=c*log(1+v*r) (5)
其中,s表示变换后的灰度级,r表示原始数据的灰度级,v为变换指数,c为常数;对数变换将雷达反射率数据中范围较窄的低灰度值映射到范围较宽的灰度区间,同时将范围较宽的高灰度值区间映射为较窄的灰度区间,从而扩展了暗像素的值,压缩了高灰度的值,能够对图像中低灰度细节进行增强;
伽玛变换又称为指数变换或幂指数变换,是另一种常用的灰度非线性变换;图像灰度的伽玛变换表示如下所示:
S=crγ(6)
其中,s表示变换后的灰度级,r表示原始数据的灰度级,γ为变换指数,c为常数;
1)当γ>1时,会拉伸图像中灰度级较高的区域,压缩灰度级较低的部分;
2)当γ<1时,会拉伸图像中灰度级较低的区域,压缩灰度级较高的部分;
3)当γ=1时,该灰度变换是线性的,此时通过线性方式改变原图像;
当γ>1时,低灰度区域被压缩,高灰度区域被扩展;使得雷暴可在整个显示中突出显示。
(5)通过灰度转化将雷达反射率大值区域和小值区域进行灰度压缩和拉伸;以突出雷暴的具体位置和提升小值反射率对于计算质心的权重;
(5.1)雷暴发生存在一定的反射率阈值,将大于45dBz的区域划定为雷暴发生的潜在区域,通过使用灰度转化,使得大于45dBz的数据通过非线性转化在灰度值范围内被压缩,使其能够在后期在图中突出显示出来;另一方面将反射率较小的区域进行灰度转化,通过非线性转化在灰度范围内进行拉伸,使其在质心计算时不会被过度忽略,提升在质心计算时的权重。
(6)通过使用灰度质心法计算雷暴质心数据;
(6.1)在二维雷达反射率数据矩阵中,将其中每一点像素的值mpq定义为:
mpq=∑x,y∈BxpyqI(x,y)p,q={0,1}(7)
其中x,y表示像素坐标,I(x,y)表示此像素坐标的灰度值;矩阵的质心C可以通过公式(11)中的矩C找到:
m00=∑x,y∈BI(x,y) (8)
m10=∑x,y∈Bx*I(x,y) (9)
m01=∑x,y∈By*I(x,y) (10)
其中计算质心C所使用的公式展开如下所示
其中,公式(12)、(13)为计算m10的两种方式,公式(14)、(15)为计算m01的两种方式,选择其一均可;通过以上步骤,即可将雷暴在已转化为灰度值数据后的质心位置求解出来,根据求解出来的质心在去应用到后面的计算中去。
(7)累计多个相邻时次的质心数据,对雷暴进行方位、速度的计算并进行下一时刻的路径预测,并将预测值与下一时次实测值进行校正;
(7.1)获取前一时刻的质心坐标,在当计算出当前时刻的质心坐标之后,计算两者的方位差以及移动速度;
(7.2)已知两个时刻质心的位置,即目标的上一时刻位置(x1,y1)和此时位置(x2,y2),首先计算坐标增量dx,dy(两个对应坐标分量相减,终点的减始点的),因为已知两点坐标,坐标增量dx=(x2-x1),dy=(y2-y1);dx、dy中有一个为零时,根据另一个的正负决定方位角(0,90,180,270这四个中的一个);若dx=0、dy≠0且dy>0,方位角=0;若dx=0、dy≠0且dy<0、方位角=180;若dx≠0、dy=0且dx>0、方位角=90;若dx≠0、dy=0且dx<0、方位角=270;若dx、dy都不为零,则计算a=arctan(|dy/dx|),方位表示正北为零度,顺时针旋转增大直至再次到达正北方向;当dx>0、dy>0时方位角=90-a;当dx<0、dy>0时方位角=270+a;当dx<0、dy<0时方位角=270-a;当dx>0、dy<0时方位角=90+a;
(7.3)计算移动速度;上一时刻位置(x1,y1)和此时位置(x2,y2),则移动速度为
式中,t为相邻两个时刻的时间间隔,至此计算出移动速度,结合当日风速,风向对移动方位和速度进行校正,预测下一时刻方位与速度,全部步骤完成。(8)通过预测的移速移向做出雷暴的预警预报,结合当地的历史数据,发布相应的天气预报数据。
一种计算机存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的一种基于灰度处理的雷暴质心定位以及追踪预测方法。
一种计算机设备,包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的一种基于灰度处理的雷暴质心定位以及追踪预测方法。
有益效果:与现有技术相比,本发明具有如下优点:
1、本发明将以往以反射率阈值作为雷暴质心计算的先决条件的方法进行了改进,通过对原始数据进行灰度转化将减小通过阈值的设置导致质心计算的偏差,能够更大限度上保留原始数据,提升质心计算的精度;
2、本发明基于灰度质心法计算雷暴的质心,相比于使用反射率数据在进行雷暴段搜索、合并去计算质心时,本发明更注重对于区域连续性的处理,通过灰度质心法,不存在片段的处理,而是以整体出发,考虑到每个数据对于质心计算的影响,进一步提升计算精度。
附图说明
图1为本发明的步骤流程图;
图2为灰度处理流程图;
图3为跟踪预测示意图;
图4为对数变换示意图
图5为伽马变换示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示,一种基于灰度处理的雷暴质心定位以及追踪预测方法,包括以下步骤;
(1)获取天气雷达反射率数据并以PPI(平面位置显示)形式进行转化,计算雷达反射率各点距离雷达站的方位、仰角、高度以及距离;仰角、方位角数值从弧度制到角度制的转化方式为:
其中,rad为弧度值;距雷达站的距离、高度计算方式如下:
其中,数据均以直角坐标系表示,雷达站为坐标中心原点,X轴正向为正东方向,Y正向为正北方向,Z为反射率的离地高度,Theta、ElevationAngle为弧度制下的方位角和仰角,R为距离库数,一库代表距离为1km(不同波段雷达此数值不同)。
(2)如图2所示将雷达反射率数据进行灰度转化,使得反射率数值越大的区域越突出显示,反射率值越小的区域色调越浅;在灰度值转化时需要用到两种非线性灰度变换方法,分别为对数变换和伽马变换;
对数变换方式如图4所示:
s=c*log(1+v*r)
为得到归一化结果,对公式进行图示处理。其中,s表示变换后的灰度级,r表示原始数据的灰度级,v为变换指数,c为常数。对数变换将雷达反射率数据中范围较窄的低灰度值映射到范围较宽的灰度区间,同时将范围较宽的高灰度值区间映射为较窄的灰度区间,从而扩展了暗像素的值,压缩了高灰度的值,能够对图像中低灰度细节进行增强。
伽玛变换又称为指数变换或幂指数变换,是另一种常用的灰度非线性变换。图像灰度的伽玛变换一般表示如图5所示:
S=crγ
其中,s表示变换后的灰度级,r表示原始数据的灰度级,γ为变换指数,c为常数;
1)当γ>1时,会拉伸图像中灰度级较高的区域,压缩灰度级较低的部分;
2)当γ<1时,会拉伸图像中灰度级较低的区域,压缩灰度级较高的部分;
3)当γ=1时,该灰度变换是线性的,此时通过线性方式改变原图像。
当γ>1时,低灰度区域被压缩,高灰度区域被扩展。使得雷暴可在整个显示中突出显示。
(3)雷暴发生存在一定的反射率阈值,将大于45dBz的区域划定为雷暴发生的潜在区域,通过使用灰度转化,使得大于45dBz的数据通过非线性转化在灰度值范围内被压缩,使其能够在后期在图中突出显示出来;另一方面将反射率较小的区域进行灰度转化,通过非线性转化在灰度范围内进行拉伸,使其在质心计算时不会被过度忽略,提升在质心计算时的权重。
(4)在二维雷达反射率数据矩阵中,将其中每一点像素的值mpq定义为:
mpq=∑x,y∈BxpyqI(x,y)p,q={0,1}
如以下矩阵,A为5*5大小,s为灰度值,(1,1)是在灰度矩阵上的坐标。关键点在矩阵的中心,即S(3,3)为关键点的灰度值,即为灰度质心所在位置
S(1,1) | S(1,2) | S(1,3) | S(1,4) | S(1,5) |
S(2,1) | S(2,2) | S(2,3) | S(2,4) | S(2,5) |
S(3,1) | S(3,2) | S(3,3) | S(3,4) | S(3,5) |
S(4,1) | S(4,2) | S(4,3) | S(4,4) | S(4,5) |
S(5,1) | S(5,2) | S(5,3) | S(5,4) | S(5,5) |
公式中x,y表示像素坐标,I(x,y)表示此像素坐标的灰度值。矩阵的质心C可以通过公式中的矩C找到:
其中,m00,m10,m01,为所需参量,具体计算如下所示
m00=∑x,y∈BI(x,y)
通过以上步骤,即可将雷暴在已转化为灰度值数据后的质心位置求解出来,根据求解出来的质心在去应用到后面的计算中去。
(5)通过上述计算获取前一时刻的质心坐标,并在当计算出当前时刻的质心坐标之后,计算两者的方位差以及移动速度;
(6)如图3所示、已知两个时刻质心的位置,即目标的上一时刻位置(x1,y1)和此时位置(x2,y2),首先计算坐标增量dx、dy(两个对应坐标分量相减,终点的减始点的),因为已知两点坐标,坐标增量dx=(x2-x1),dy=(y2-y1)。dx、dy中有一个为零时,根据另一个的正负决定方位角(0,90,180,270这四个中的一个);若dx=0、dy≠0且dy>0、方位角=0;若dx=0、dy≠0且dy<0、方位角=180;若dx≠0、dy=0且dx>0、方位角=90;若dx≠0、dy=0且dx<0、方位角=270;若dx、dy都不为零,则计算a=arctan(|dy/dx|),方位表示正北为零度,顺时针旋转增大直至再次到达正北方向。当dx>0、dy>0时方位角=90-a;当dx<0、dy>0时方位角=270+a;当dx<0、dy<0时方位角=270-a;当dx>0、dy<0时方位角=90+a。
(7)计算移动速度。上一时刻位置(x1,y1)和此时位置(x2,y2),则移动速度为
其中t为相邻两个时刻的时间间隔,至此计算出移动速度,结合当日风速,风向对移动方位和速度进行校正,预测下一时刻方位与速度,全部步骤完成。
Claims (10)
1.一种基于灰度处理的雷暴质心定位以及追踪预测方法,其特征在于,包括以下步骤:
(1)多普勒天气雷达的数据获取;
(2)对读取的数据进行质量控制,剔除无关因素的影响;
(3)将读取的雷达反射率数据以PPI形式进行转化,并计算雷达反射率各点距离雷达站的方位、仰角、高度以及距离;
(4)将雷达反射率数据进行灰度转化;
(5)通过灰度转化将雷达反射率大值区域和小值区域进行灰度压缩和拉伸;
(6)通过使用灰度质心法计算雷暴质心数据;
(7)累计多个相邻时次的质心数据,对雷暴进行方位、速度的计算并进行下一时刻的路径预测,并将预测值与下一时次实测值进行校正;
(8)通过预测的移速移向做出雷暴的预警预报,结合当地的历史数据,发布相应的天气预报数据。
2.根据权利要求1所述的一种基于灰度处理的雷暴质心定位以及追踪预测方法,其特征在于,步骤(1)中所述的数据包括时间、仰角、方位角、径向距离、反射率、速度、谱宽、体扫方式、距离库数、反射率值。
3.根据权利要求1所述的一种基于灰度处理的雷暴质心定位以及追踪预测方法,其特征在于,步骤(2)中所述的无关因素包括晴空回波、地表杂波。
4.根据权利要求1所述的一种基于灰度处理的雷暴质心定位以及追踪预测方法,其特征在于,所述步骤(3)具体为:
将读取的雷达反射率数据以PPI形式进行转化,并计算雷达反射率各点距离雷达站的方位、仰角、高度以及距离;原始雷达反射率数据读取进入结构体数组中进行存储,结构体数据中包含为以弧度制形式存储的仰角、方位角,距离库数信息,以及反射率数据,仰角、方位角数值从弧度制到角度制的转化方式为:
其中,rad为弧度值;距雷达站的距离、高度计算方式如下:
其中,数据均以直角坐标系表示,雷达站为坐标中心原点,X轴正向为正东方向,Y正向为正北方向,Z为反射率的离地高度,Theta、ElevationAngle为弧度制下的方位角和仰角,R为距离库数,一库代表距离为1km。
5.根据权利要求1所述的一种基于灰度处理的雷暴质心定位以及追踪预测方法,其特征在于,所述步骤(4)具体为:
(4.1)将雷达反射率数据进行灰度转化,使得反射率数值越大的区域越突出显示,反射率值越小的区域色调越浅;在灰度值转化时需要用到两种非线性灰度变换方法,分别为对数变换和伽马变换;
对数变换方式如下所示:
s=c*log(1+v*r)(5)
其中,s表示变换后的灰度级,r表示原始数据的灰度级,v为变换指数,c为常数;对数变换将雷达反射率数据中范围较窄的低灰度值映射到范围较宽的灰度区间,同时将范围较宽的高灰度值区间映射为较窄的灰度区间;
伽玛变换又称为指数变换或幂指数变换,是另一种常用的灰度非线性变换;图像灰度的伽玛变换表示如下所示:
S=crγ(6)
其中,s表示变换后的灰度级,r表示原始数据的灰度级,γ为变换指数,c为常数;
1)当γ>1时,会拉伸图像中灰度级较高的区域,压缩灰度级较低的部分;
2)当γ<1时,会拉伸图像中灰度级较低的区域,压缩灰度级较高的部分;
3)当γ=1时,该灰度变换是线性的,此时通过线性方式改变原图像;
当γ>1时,低灰度区域被压缩,高灰度区域被扩展;使得雷暴可在整个显示中突出显示。
6.根据权利要求1所述的一种基于灰度处理的雷暴质心定位以及追踪预测方法,其特征在于,所述步骤(5)具体为:
(5.1)雷暴发生存在一定的反射率阈值,将大于45dBz的区域划定为雷暴发生的潜在区域,通过使用灰度转化,使得大于45dBz的数据通过非线性转化在灰度值范围内被压缩,使其能够在后期在图中突出显示出来;另一方面将反射率较小的区域进行灰度转化,通过非线性转化在灰度范围内进行拉伸,使其在质心计算时不会被过度忽略,提升在质心计算时的权重。
7.根据权利要求1所述的一种基于灰度处理的雷暴质心定位以及追踪预测方法,其特征在于,所述步骤(6)具体为:
(6.1)在二维雷达反射率数据矩阵中,将其中每一点像素的值mpq定义为:
mpq=∑x,y∈BxpyqI(x,y)p,q={0,1} (7)
其中x,y表示像素坐标,I(x,y)表示此像素坐标的灰度值;矩阵的质心C可以通过公式(11)中的矩C找到:
m00=∑x,y∈BI(x,y) (8)
m10=∑x,y∈Bx*I(x,y) (9)
m01=∑x,y∈By*I(x,y) (10)
其中计算质心C所使用的公式展开如下所示
其中,公式(12)、(13)为计算m10的两种方式,公式(14)、(15)为计算m01的两种方式,选择其一均可;通过以上步骤,即可将雷暴在已转化为灰度值数据后的质心位置求解出来,根据求解出来的质心在去应用到后面的计算中去。
8.根据权利要求1所述的一种基于灰度处理的雷暴质心定位以及追踪预测方法,其特征在于,所述步骤(7)具体为:
(7.1)获取前一时刻的质心坐标,在当计算出当前时刻的质心坐标之后,计算两者的方位差以及移动速度;
(7.2)已知两个时刻质心的位置,即目标的上一时刻位置(x1,y1)和此时位置(x2,y2),首先计算坐标增量dx,dy,因为已知两点坐标,坐标增量dx=(x2-x1),dy=(y2-y1);dx、dy中有一个为零时,根据另一个的正负决定方位角(0,90,180,270这四个中的一个);若dx=0、dy≠0且dy>0,方位角=0;若dx=0、dy≠0且dy<0、方位角=180;若dx≠0、dy=0且dx>0、方位角=90;若dx≠0、dy=0且dx<0、方位角=270;若dx、dy都不为零,则计算a=arctan(|dy/dx|),方位表示正北为零度,顺时针旋转增大直至再次到达正北方向;当dx>0、dy>0时方位角=90-a;当dx<0、dy>0时方位角=270+a;当dx<0、dy<0时方位角=270-a;当dx>0、dy<0时方位角=90+a;
(7.3)计算移动速度;上一时刻位置(x1,y1)和此时位置(x2,y2),则移动速度为
式中,t为相邻两个时刻的时间间隔,至此计算出移动速度,结合当日风速,风向对移动方位和速度进行校正,预测下一时刻方位与速度,全部步骤完成。
9.一种计算机存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-8中任一项所述的一种基于灰度处理的雷暴质心定位以及追踪预测方法。
10.一种计算机设备,包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-8中任一项所述的一种基于灰度处理的雷暴质心定位以及追踪预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310824841.3A CN116879900A (zh) | 2023-07-06 | 2023-07-06 | 一种基于灰度处理的雷暴质心定位以及追踪预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310824841.3A CN116879900A (zh) | 2023-07-06 | 2023-07-06 | 一种基于灰度处理的雷暴质心定位以及追踪预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116879900A true CN116879900A (zh) | 2023-10-13 |
Family
ID=88257981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310824841.3A Pending CN116879900A (zh) | 2023-07-06 | 2023-07-06 | 一种基于灰度处理的雷暴质心定位以及追踪预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116879900A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117932989A (zh) * | 2024-03-25 | 2024-04-26 | 南京信息工程大学 | 一种基于Bezier曲线的雷暴路径预测方法 |
-
2023
- 2023-07-06 CN CN202310824841.3A patent/CN116879900A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117932989A (zh) * | 2024-03-25 | 2024-04-26 | 南京信息工程大学 | 一种基于Bezier曲线的雷暴路径预测方法 |
CN117932989B (zh) * | 2024-03-25 | 2024-05-17 | 南京信息工程大学 | 一种基于Bezier曲线的雷暴路径预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106526708B (zh) | 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 | |
US20220043182A1 (en) | Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data | |
Liang et al. | A composite approach of radar echo extrapolation based on TREC vectors in combination with model-predicted winds | |
CN103529492B (zh) | 基于多普勒雷达反射率图像的风暴体位置及形态预测方法 | |
CN111796343A (zh) | 一种基于人工智能算法的强对流天气短时临近识别方法 | |
CN111323782B (zh) | 一种基于模糊逻辑的雷达同步监测方法 | |
CN112764129A (zh) | 一种雷暴短临预报方法、系统及终端 | |
CN113496104A (zh) | 基于深度学习的降水预报订正方法及系统 | |
CN104237890B (zh) | 一种由“列车效应”引起的暴雨识别及预报方法 | |
WO2018168165A1 (ja) | 気象予測装置、気象予測方法、およびプログラム | |
CN116879900A (zh) | 一种基于灰度处理的雷暴质心定位以及追踪预测方法 | |
CN113033315A (zh) | 一种稀土开采高分影像识别与定位方法 | |
Zou et al. | A method of radar echo extrapolation based on TREC and Barnes filter | |
CN107403004A (zh) | 一种基于地形数据的遥测雨量站点可疑数值检验方法 | |
CN112084955B (zh) | 一种高压线检测识别方法、装置及电子设备 | |
Zhu et al. | A rain-type adaptive optical flow method and its application in tropical cyclone rainfall nowcasting | |
CN111736156B (zh) | 一种基于天气雷达的逆风区识别方法与装置 | |
CN116704366A (zh) | 基于transformer深度学习模型的暴雨落区识别预警方法和装置 | |
Wang et al. | An approach for radar quantitative precipitation estimation based on spatiotemporal network | |
Goodman | Predicting thunderstorm evolution using ground-based lightning detection networks | |
Zhu et al. | Percentile-based neighborhood precipitation verification and its application to a landfalling tropical storm case with radar data assimilation | |
CN113936166A (zh) | 一种基于多普勒天气雷达数据的冰雹回波识别方法及系统 | |
CN117055051B (zh) | 基于多源数据的冰雹识别方法、系统、设备及存储介质 | |
CN117725523B (zh) | 基于物理约束的雷暴天气预警方法及预警系统 | |
CN112162336A (zh) | 基于二维气象要素场的能见度预测方法和装置 |
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 |