CN118191781A - 一种基于雷达图像空间映射的冰雹自动识别方法 - Google Patents
一种基于雷达图像空间映射的冰雹自动识别方法 Download PDFInfo
- Publication number
- CN118191781A CN118191781A CN202410598635.XA CN202410598635A CN118191781A CN 118191781 A CN118191781 A CN 118191781A CN 202410598635 A CN202410598635 A CN 202410598635A CN 118191781 A CN118191781 A CN 118191781A
- Authority
- CN
- China
- Prior art keywords
- radar
- echo
- hail
- value
- tbss
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013507 mapping Methods 0.000 title claims abstract description 35
- 238000002310 reflectometry Methods 0.000 claims abstract description 26
- 238000002592 echocardiography Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 239000003086 colorant Substances 0.000 claims abstract description 13
- 238000010586 diagram Methods 0.000 claims description 44
- 238000001514 detection method Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 230000007123 defense Effects 0.000 abstract description 2
- 230000008030 elimination Effects 0.000 abstract description 2
- 238000003379 elimination reaction Methods 0.000 abstract description 2
- 102000005650 Notch Receptors Human genes 0.000 description 34
- 108010070047 Notch Receptors Proteins 0.000 description 34
- 239000002245 particle Substances 0.000 description 18
- 238000012545 processing Methods 0.000 description 9
- 230000010287 polarization Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 5
- 238000001556 precipitation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 208000037280 Trisomy Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于雷达图像空间映射的冰雹自动识别方法,属于涉及自然灾害防御中的气象灾害预警领域。包括获取雷达基本反射率图;利用不同颜色代表的强度值对雷达回波进行等级划分,并检测雷达中心坐标;将雷达回波信息进行空间映射,在新雷达图像空间中为雷达回波强度建立字典;展开该字典后,将原雷达强回波区域对应的V形缺口和TBSS特征,变换为新雷达图像空间强回波后的标准矩形和三角形;由是否存在强回波后的标准矩形或三角形,判断雷达强回波区域是否存在V形缺口和TBSS;若存在,则在原雷达图像中标识,并计算冰雹出现的位置。本发明为冰雹的监测和预警的自动化,消除预报员持续性高强度分析压力提供一种快速和准确的方法。
Description
技术领域
本发明涉及自然灾害防御中的气象灾害预警技术领域,尤其涉及一种基于雷达图像空间映射的冰雹自动识别方法。
背景技术
冰雹过程在气象学中指一种灾害性天气现象,由强雷暴引起。冰雹从个体来说是一种固态降水颗粒,它的降落速度很快,含有很高的能量。因此,冰雹对人类、动物、农业和财物等方面都可造成极为严重的损害,需要高度重视和及时防范。发现冰雹并及时发布预警是气象部门夏半年的主要业务工作之一,冰雹也是气象灾害预警信号必须发布预警的法定气象灾害。
当前冰雹的识别主要依靠气象雷达技术。即使冬季南方雷达照常工作,北方冬季每天白天定时监测。夏季则各地每一台雷达只要开机就不再停歇,持续地监测大气的活动。对全国的大气每时每刻进行三维的“CT检查”,以电磁波的光速随时发现大气的异常活动,包括冰雹过程,由此确立了雷达技术在冰雹监测预警工作中的核心地位。雷达发射电磁波并接收物体反射(这个反射过程本质上是后向散射,为方便下文称为反射)回来的电磁波,由接收到的回波强度与时间确定目标的性质、方位及距离,并将雷达的探测回波构成反射率的图。利用气象雷达图,经验丰富的专业人员通过观察和分析反射率图的特点,可以分析识别冰雹。
气象部门普遍使用的新一代天气雷达,可提供基本反射率、径向速度和谱宽等数十到上百产品,而基本反射率是最为核心的业务产品,反映了大气中各种粒子对雷达发射电磁波的反射情况。
V形缺口是指在雷达回波图像中,由于冰雹粒子的形状和物理特性,对电磁波遮挡而形成的一种反射结构。
在某地的雷达进行探测扫描时,如图1所示,图中O点雷达天线处发射电磁波探测的有效范围构成一个圆。在该圆内大气中的各种粒子后向散射(简称为反射便于理解)能力不同,所以雷达的水平扫描回波图(简称为雷达图)中,可看到各处不同强度的粒子回波。一般情况下普通的大气粒子反射部分电磁波后,更远处的粒子虽然反射强度有所衰减,但可依据物理机制,通过数学算法进行订正,从而在雷达图上仍然可以显示出位于某粒子后方的大气情况。
但是如果雷达探测的电磁波在较近处遇到的物体反射能力特别强,则电磁波受到阻挡无法探测该物体之后的大气,例如高大的楼房或山峰(图1中的五星位置-冰雹强反射造成的强回波)阻挡了雷达从O点发射的电磁波(图1中由原点雷达天线处发出的两条直线),因此该遮挡物之后(图1中两条直线与五星围出的区域)再无回波信号。这种情况下会发现,如果有降水时,则全图各处可出现强度不同的降水回波,但在图中五星强反射物远离雷达的区域内并无回波,雷达图上形成如图1所示的缺口。该缺口指向探测电磁波的发射原点,即雷达站,呈现出字母V的形状,即图中冰雹遮挡造成的V形缺口区。
布设雷达时会选择没有遮挡或遮挡很小的地点,而且高大的楼房或山峰是固定的位置易于识别。但在强烈天气,特别是强雷暴过程中,就会在雷达图的其他位置出现V形缺口,这一定是冰雹造成的,因为冰雹在大气中是相对具有很强反射能力比较大型的粒子。
天气雷达针对大气中降水粒子设计制造,一般目标物的尺寸很小。冰雹相对于水滴来说尺寸大很多,所以对电磁波的反射能力特别强。雷达探测的电磁波遇到冰雹就会产生很强的反射,并对C波段电磁波衰减极为严重,冰雹后面的降雨粒子无法产生有效回波被完全屏蔽,就会在雷达图上表现为一个V形的缺口。因此,可以通过分析V形缺口的特征来探测冰雹。
如果某个冰雹C其尺寸很大,反射能力很强,则雷达发射的电磁波遇到该冰雹C后,会反射到各个方向如地面,而后再从地面反射回冰雹,最终又有部分电磁波反射回雷达天线,这样就形成了虚假回波。 这种虚假回波经过多次反射后,到达雷达天线的时间更晚些。而雷达根据反射电磁波到达的时间判断距离,越远则返回的时间越晚,所以在雷达图上将这些迟到的、经过冰雹~地面~冰雹三体接力的信号误认为是更远处的物体,因此在很大的冰雹后面,就出现了这种回波强度很低的虚假信号,只有相当大冰雹才能将电磁波多次反射。这种现象称为Three Body Scatter Signature,即TBSS(以下称TBSS)。
TBSS在气象雷达图中通常呈现为一个明显的尖峰或条带状回波,表明存在更大的冰雹颗粒。
V形缺口和TBSS均是雷达回波图上判别冰雹物理机制最清晰、在监测预报业务中最为实用、最为可靠的方法,其中V形缺口对应粒径相对较小的冰雹,TBSS对应大尺寸的冰雹。V形缺口表现为大致的三角形,回波强度为0,其向内的角准确地指向雷达,且在该V形缺口的前部就是冰雹出现的位置,会有冰雹的强回波。TBSS出现在雷达和大型冰雹造成强烈回波之后的延长线上,表现为相对较弱的回波。出现这两个特征中的任意一个,即可判定为冰雹。理论上说,如果雷达的探测电磁波射线足够密集达到很高的分辨率,则V形缺口和TBSS都应表现为一段扇形。但当前雷达水平间隔1度进行扫描,分辨率过低,所以在雷达回波图上实际呈现的是三角形而非扇形。为了进行理论分析,后文用到理想状态的扇形进行讨论。V形缺口和TBSS识别冰雹的原理在工作中应用广泛,各气象部门普遍依靠分析上述特征来判定雷达图上探测到的冰雹。但是,目前各业务部门利用这些特征仅仅局限于人工主观判断,尚未实现业务的自动识别。
随着对冰雹研究的进一步深入,也出现了一些关于冰雹预报的方法,目前在气象领域人工识别冰雹的现有技术方案除了V形缺口和TBSS之外,主要有以下三种:
基于反射率因子结合其他参数的方法:利用雷达回波的强度和垂直分布,判断冰雹的可能性和大小。例如,如果50dBZ的回波扩展到-20°C等温线以上高度,同时0°C等温线距地面的高度约为3~4km,就可以考虑发布强冰雹预警。另外,利用反射率因子的衍生产品,如垂直积分液态含水量VIL和VIL密度,冰雹指数HI等,也可以用来判断冰雹的存在与大小。
基于径向速度的方法:利用雷达回波的速度和谱宽,判断冰雹的运动和分布。例如,利用多普勒雷达观测的上升气流特征,如中气旋,风暴顶辐散等,可以用来判断冰雹的增长和下落。另外,利用径向速度的衍生产品,如风暴相对运动速度SRM,风暴追踪算法STA等,也可以用来判断冰雹的方向和速度。
基于偏振参数的方法:利用双偏振雷达观测的偏振特征,判断冰雹的形状和相态。例如,利用差分反射率因子ZDR,差分相移KDP,相关系数CC等偏振参数,可以用来判断冰雹的球形程度,液态水含量,粒子密度。另外,利用偏振参数的衍生产品,如冰雹探测算法HDA,冰雹概率算法HPA等,也可以用来判断冰雹的存在和概率。
当前基于反射率因子的方法必须同时分析多种衍生产品,且参数需要根据不同地区和季节进行调整,例如-20°C,0°C出现的高度,不仅每天在变而且每个小时都变化,而垂直方向测量温度极为不便,这种情况会造成漏报或误报。应用不够方便受到诸多限制。
基于径向速度的方法需要高分辨率的多普勒雷达,且对雷达波束的质量和方向有较高的要求。另外,径向速度的特征可能受到风场的复杂性和不均匀性的影响,导致速度的变化和分布难以判断。
基于偏振参数的方法需要双偏振雷达,且对雷达的校准和维护有较高的要求。另外,偏振参数的特征可能受到冰雹的形状、相态、方向、密度等因素的影响,导致偏振参数的变化和分布难以判断。
但是,除上现有技术本身缺点以外,最大的问题为,目前在业务工作中仍然依赖于人工方法进行冰雹识别。
冰雹易发时节,每一部天气雷达持续对大气进行多层面的立体扫描,所以要求预报员必须随时分析相关的雷达产品,即使在相对干旱的西北地区,一部雷达每隔6分钟就可产生73种探测图。显然人工分析这些资料任务量极大,事实上不可能全部分析完成而只能放弃部分资料。人工识别冰雹的效率很低,专业要求高,压力很大,极易因工作疲劳造成误判漏报。
一部多普勒天气雷达一次扫描的数据量很大,且全天工作,持续多个月不停歇。但由于地形极为复杂,对一个气象台站来说,预报预警的全部区域无法保证处于某一部雷达的最佳探测范围,所以在很多情况下,同时要监测多台雷达对本地的探测结果。因为巨大数据量造成传输系统的持续压力,加上原始资料保密的相关规定,所以绝大多数(数千)台站不能获得雷达探测的数据资料,而只能接收雷达图像。因此,对这些几千台气象台站来说,其面临的困难是,在6分钟之内接收到多部雷达几十成百的图像产品而判读识别能力十分有限。有效正确及时地判别严重的灾害如冰雹,是极其严重的挑战。
人工识别冰雹的方式会受很多影响,要求预报员具有丰富的经验和专业知识,对雷达资料的特征有深入的理解,并在整个过程中保持高度专注,否则非常容易出现误判或漏判的情况。预报员的能力水平、疲劳程度不同等因素,可能导致识别结果不稳定和不一致。彻底解决上述问题的根本出路,在于物理机制清晰且方便可靠的自动识别方法。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于雷达图像空间映射的冰雹自动识别方法,为冰雹的监测和预警的自动化,消除预报员持续性高强度分析压力提供一种快速和准确的方法。
为了达到以上目的,本发明采用的技术方案为:一种基于雷达图像空间映射的冰雹自动识别方法,包括以下步骤:
S1、获取雷达基本反射率图,其中,雷达基本反射率图包括雷达信息参数部分和雷达回波图部分;
S2、从雷达信息参数中识别文字信息、数字参数以及色标,利用不同颜色代表的强度值对雷达回波进行等级划分,并从雷达回波图中检测雷达中心坐标;
S3、利用雷达中心坐标、识别的文字信息和数字参数,通过平面投影算法将雷达回波信息进行空间映射,并在新雷达图像空间中为雷达回波强度建立字典;
S4、在屏幕直角坐标系下展开该字典后,将原雷达强回波区域后对应的V形缺口和TBSS特征,变换为新雷达图像空间强回波后的标准矩形和三角形;
S5、针对新雷达图像空间强回波后的标准矩形和三角形建立识别规则,滤除噪声干扰后,在高强回波外侧通过图形拟合进行分析,若新雷达图像空间中强回波后的标准矩形拟合成功,则原雷达图像中存在V形缺口,有小冰雹;若新雷达图像空间中强回波后的三角形拟合成功,则原雷达图像中存在TBSS,有大冰雹;否则,无冰雹;
S6、针对存在V形缺口或TBSS,则在原雷达图像中标识,并利用识别的文字信息以及数字参数,计算冰雹出现的位置,输出识别结果为大冰雹或小冰雹,以及冰雹的出现位置,否则,输出无冰雹。
进一步地,所述S2包括以下步骤:
S201、从雷达基本反射率图的说明与雷达信息参数区域中识别文字描述中的文字信息与数字参数;
S202、从雷达基本反射率图的说明与雷达信息参数区域中识别参数及色标,利用不同颜色代表的强度值对雷达回波进行等级划分;
S203、根据等级划分结果,从雷达回波图的图像部分中检测雷达中心坐标,由正北方顺时针从雷达中心由内向外依次按各角度检测,直到完成整体雷达回波图的检测。
再进一步地,所述S3包括以下步骤:
S301、根据雷达中心坐标、识别的文字信息和数字参数,将原雷达回波图中各个点的雷达回波信息,按照平面投影算法经空间映射后,将各点的雷达回波强度等级存入字典中,其中,各点为原雷达回波图中所有的点;
S302、判断该点距离雷达中心的角度是否已存在字典的键中,若是,则将该点的坐标和雷达回波强度等级存入字典,并进入S303,否则,在字典中新建一个键值对,用以存储该点坐标和雷达回波强度等级,并进入S303,其中,该点为原雷达回波图中当前处理的点;
S303、建立完成空间映射后,在新雷达图像空间中为雷达回波强度建立的字典。
再进一步地,所述空间映射具体为:
在原雷达回波图中,每一点的位置以屏幕坐标(x,y)表示,并利用下式进行空间映射:;/>;其中,/>表示雷达回波各点的极坐标,θ表示角度,r表示到圆心的距离,/>表示雷达站的横坐标,/>表示雷达站的纵坐标,/>和/>共同表示原雷达回波图中原点所在位置,/>表示三角函数中的正切函数,/>表示正切函数的反函数,(x,y)表示屏幕坐标。
再进一步地,所述S5包括以下步骤:
S501、滤除新雷达图像的噪声干扰;
S502、将雷达回波强度等级大于等于12设为冰雹目标;
S503、在冰雹目标之后的位置,根据S502设置的条件,针对空间投影后的新雷达图像空间中,在高强回波外侧通过图形拟合进行分析;
S504、根据图形拟合分析结果,由是否存在强回波后的标准矩形或三角形,在二维数组D的基础上,判断雷达强回波区域是否存在V形缺口和TBSS,若新雷达图像空间中强回波后的标准矩形拟合成功,则原雷达回波图中存在V形缺口,有小冰雹;若新雷达图像空间中三角形拟合成功,则原雷达回波图中强回波后的存在TBSS,有大冰雹,否则,无冰雹,结束流程。
再进一步地,所述判断雷达强回波区域是否存在V形缺口,其具体为:
A1、创建用于存储V形缺口位置信息的空列表List1;
A2、转换后的字典为矩阵M,其中,表示第i行第j列的元素;;其中,/>表示取最大值,/>表示最大值出现的位置,/>表示对第i行所有元素取最大值得出的结果;
A3、若存在同列有相同最大值时,则确定最后出现最大值的位置:;其中,/>表示最后出现最大值的位置,/>表示查找同列中最后一个最大值出现的位置;
A4、通过下式,判断最大值是否在当前列的末尾,若是,则进入A6,否则,进入A5;;其中,/>表示最大值属于当前列的末尾,/>表示当前所在行的行数;
A5、通过下式,确定最大值是否在当前列的末尾,并进入A6:;其中,/>表示最大记回波阈值
A6、将确定的最大值及其位置添加至列表List1中;
A7、分别创建空列表List2和空列表List3,其中,列表List2用于存储从列表List1中提取的列名;列表List3用于存储均含有高回波值的连续区域;
A8、遍历列表List1中每个元素,获取连续段,并记录连续段的起始索引和结束索引,其中,在遍历连续段时,计算段的长度,所述连接段为连续列名;
A9、判断段的长度是否大于预设的阈值,若是,则将起始列名和长度作为一个元组存入至列表List3中,并进入A10,否则,返回A8;
A10、遍历列表List3和列表List1中的元组,判断列表List3中的起始列名是否与列表List1中的列名k相等,若是,则进入A11,否则,重复A10,其中,列表List1中的元组表示列名和位置,列表List3中的元组表示起始列名和长度;
A11、根据判断结果,判断该位置之后是否存在多个连续的零,若是,则标记区域,并进入A12,否则,返回A10;
A12、针对该标记区域高回波值的后面均为0时,则将该区域标记为V形缺口,并输出V形缺口的位置信息,完成雷达强回波区域是否存在V形缺口的判断。
再进一步地,所述判断雷达强回波区域是否存在TBSS,其具体为:
B1、创建空列表List4,令为高回波值的阈值,令/>为连续段的阈值,其中,连续段为连续的列名;列表List4用于存储高回波值连续段的位置信息;
B2、对于字典中每一列C的每个索引,若C列中的第个索引/>的高回波值大于等于高回波值的阈值/>,则将第/>个索引记录为一个高回波值的位置,若第/>个索引和第个索引是连续的高回波值的位置,则将第/>个索引和第/>个索引记录为一个连续段的起始位置和结束位置;
B3、针对每个记录的连续段,计算其长度,若计算的长度大于等于连续段的阈值,若则将连续段的位置信息作为一个元组(c,s,e)存储至列表List4中,其中,c表示列名,s表示起始位置,e表示结束位置;
B4、创建列表List5,令为TBSS的长度阈值,其中,列表List5用于存储TBSS的位置信息;
B5、对于每个元组(c,s,e),从起始位置e开始检查每一列C中的值,获取首个值为0的位置z;
B6、计算位置z与起始位置e的差值d,即,高回波值到首个0值的长度d;
B7、若长度d大于等于TBSS的长度阈值,则将元组(c,s,e)存储至列表List5;
B8、令R为一雷达图,其元素为回波值,令为TBSS的高度阈值;
B9、对于列表List5中的每个元组(c,s,e),在雷达图R中标记出TBSS的位置,完成雷达强回波区域对TBSS的判断。
本发明的有益效果:
本发明针对最为基础的雷达基本反射率因子图像,实现对气象雷达图的自动解析和处理,完成自动识别冰雹的工作。从雷达图中提取出文字信息,如日期、时间、地点等,和雷达经纬度、海拔高度、扫描范围等参数,利用雷达图像上冰雹的核心特征,即高强度回波、V形缺口与TBSS,通过雷达图像的空间映射变换,将上述特征转化为特定信息的空间梯度与几何形态。在图像新的映射空间中,大幅度降低判别核心信息数学表述的复杂程度,在此基础上构建了通过雷达图像识别冰雹的算法,并保证了判识效率与准确率。使用最为基础的雷达基本反射率产品以保证业务应用的便捷性和准确性,实现了冰雹快速自动识别,并可输出冰雹出现的地理位置和冰雹的强度等关键指标,从而为冰雹的监测和预警的自动化,消除预报员持续性高强度分析压力提供一种快速和准确的方法。
附图说明
图1为背景技术中冰雹造成雷达回波图上的V形缺口示意图。
图2为本发明的方法流程图。
图3为本实施例中雷达图显示区域示意图。
图4为本实施例中气象雷达回波V形缺口示意图。
图5为本实施例中气象雷达回波TBSS示意图。
图6为本实施例中非V形缺口示意图。
图7为本实施例中屏幕上一点在计算机和极坐标中的坐标示意图。
图8为本实施例中不同图像空间中的图形表述示意图。
图9为本实施例中不同图像空间中的图形表述的另一示意图。
图10为本实施例中角度计算对应的值域空间示意图。
图11为本实施例中字典中V形缺口可视化效果示意图。
图12为本实施例中字典 中TBSS可视化效果示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例
在对本发明进行说明前,先对以下术语进行说明:
V形缺口:在雷达回波图中,由于冰雹粒子的形状和物理特性,对电磁波遮挡而形成的一种反射结构。
TBSS(Three Body Scatter Signature):如果某个冰雹C其尺寸很大,反射能力很强,则雷达发射的电磁波遇到该冰雹C后,会反射到各个方向如地面,而后再从地面反射回冰雹,最终又有部分电磁波反射回雷达天线,这样就形成了虚假回波。虚假回波经过多次反射后,到达雷达天线的时间更晚些。而雷达根据反射电磁波到达的时间判断距离,越远则返回的时间越晚,所以在雷达图上将这些迟到的、经过冰雹-地面-冰雹三体接力的信号误认为是更远处的物体,因此在很大的冰雹后面,就出现了这种回波强度很低的虚假信号,只有相当大冰雹才能将电磁波多次反射。这种现象称为三体散射特征Three Body ScatterSignature,即TBSS。
如图2所示,本发明提供了一种基于雷达图像空间映射的冰雹自动识别方法,其实现方法如下:
S1、获取雷达基本反射率图,其中,雷达基本反射率图包括雷达信息参数部分和雷达回波图部分;
S2、从雷达信息参数中识别文字信息、数字参数以及色标,利用不同颜色代表的强度值对雷达回波进行等级划分,并从雷达回波图中检测雷达中心坐标,其实现方法如下:
S201、从雷达基本反射率图的说明与雷达信息参数区域中识别文字描述中的文字信息与数字参数;
S202、从雷达基本反射率图的说明与雷达信息参数区域中识别参数及色标,利用不同颜色代表的强度值对雷达回波进行等级划分,其中,参数包括雷达经纬度、海拔高度、扫描范围等;
S203、根据等级划分结果,从雷达回波图的图像部分中检测雷达中心坐标,由正北方顺时针从雷达中心由内向外依次按各角度检测,直到完成整体雷达回波图的检测,其中,数字参数包括雷达经纬度、海拔高度、扫描范围等;
S3、利用雷达中心坐标、识别的文字信息和数字参数,通过平面投影算法将雷达回波信息进行空间映射,并在新雷达图像空间中为雷达回波强度建立字典,其实现方法如下:
S301、根据雷达中心坐标、识别的文字信息和数字参数,将原雷达回波图中各个点的雷达回波信息,按照平面投影算法经空间映射后,将各点的雷达回波强度等级存入字典中,其中,各点为原雷达回波图中所有的点;
S302、判断该点距离雷达中心的角度是否已存在字典的键中,若是,则将该点的坐标和雷达回波强度等级存入字典,并进入S303,否则,在字典中新建一个键值对,用以存储该点坐标和雷达回波强度等级,并进入S303,其中,该点为原雷达回波图中当前处理的点;
S303、建立完成空间映射后,在新雷达图像空间中为雷达回波强度建立的字典。
所述空间映射具体为:
在原雷达回波图中,每一点的位置以屏幕坐标(x,y)表示,并利用下式进行空间映射:;/>;其中,/>表示雷达回波各点的极坐标,θ表示角度,r表示到圆心的距离,(x,y)表示屏幕坐标,/>表示雷达站的横坐标,/>表示雷达站的纵坐标,/>和/>共同表示原雷达回波图中原点所在位置,/>表示三角函数中的正切函数,/>表示正切函数的反函数;
S4、在屏幕直角坐标系下展开该字典后,将原雷达强回波区域后对应的V形缺口和TBSS特征,变换为新雷达图像空间强回波后的标准矩形和三角形;
S5、针对新雷达图像空间强回波后的标准矩形和三角形建立识别规则,滤除噪声干扰后,在高强回波外侧通过图形拟合进行分析,若新雷达图像空间中强回波后的标准矩形拟合成功,则原雷达图像中存在V形缺口,有小冰雹;若新雷达图像空间中强回波后的三角形拟合成功,则原雷达图像中存在TBSS,有大冰雹;否则,无冰雹,其实现方法如下:
S501、滤除新雷达图像的噪声干扰;
S502、将雷达回波强度等级大于等于12设为冰雹目标;
S503、在冰雹目标之后根据S502设置的条件,针对空间投影后的新雷达图像空间中,在高强回波外侧通过图形拟合进行分析;
S504、根据图形拟合分析结果,由是否存在强回波后的标准矩形或三角形,判断雷达强回波区域是否存在V形缺口和TBSS,若新雷达图像空间中强回波后的标准矩形拟合成功,则原雷达回波图中存在V形缺口,有小冰雹;若新雷达图像空间中强回波后的三角形拟合成功,则原雷达回波图中存在TBSS,有大冰雹,否则,无冰雹,结束流程;
所述判断雷达强回波区域是否存在V形缺口,其具体为:
A1、创建用于存储V形缺口位置信息的空列表List1;
A2、转换后的字典为矩阵M,其中,表示第i行第j列的元素:;其中,/>表示取最大值,/>表示最大值出现的位置,/>表示对第i行所有元素取最大值得出的结果;
A3、若存在同列有相同最大值时,则确定最后出现最大值的位置:;其中,/>表示最后出现最大值的位置,/>表示查找同列中最后一个最大值出现的位置;
A4、通过下式,判断最大值是否在当前列的末尾,若是,则进入A6,否则,进入A5;;其中,/>表示最大值属于当前列的末尾,/>表示当前所在行的行数;
A5、通过下式,确定最大值是否在当前列的末尾,并进入A6:;其中,/>表示最大记回波阈值;
A6、将确定的最大值及其位置添加至列表List1中;
A7、分别创建空列表List2和空列表List3,其中,列表List2用于存储从列表List1中提取的列名;列表List3用于存储均含有高回波值的连续区域;
A8、遍历列表List1中每个元素,获取连续段,并记录连续段的起始索引和结束索引,其中,在遍历连续段时,计算段的长度,所述连接段为连续列名;
A9、判断段的长度是否大于预设的阈值,若是,则将起始列名和长度作为一个元组存入至列表List3中,并进入A10,否则,返回A8;
A10、遍历列表List3和列表List1中的元组,判断列表List3中的起始列名是否与列表List1中的列名k相等,若是,则进入A11,否则,重复A10,其中,列表List1中的元组表示列名和位置,列表List3中的元组表示起始列名和长度;
A11、根据判断结果,判断该位置之后是否存在多个连续的零,若是,则标记区域,并进入A12,否则,返回A10;
A12、针对该标记区域高回波值的后面均为0时,则将该区域标记为V形缺口,并输出V形缺口的位置信息,完成雷达强回波区域是否存在V形缺口的判断;
所述判断雷达强回波区域是否存在TBSS,其具体为:
B1、创建空列表List4,令为高回波值的阈值,令/>为连续段的阈值,其中,连续段为连续的列名;列表List4用于存储高回波值连续段的位置信息;
B2、对于字典中每一列C的每个索引,若C列中的第个索引/>的高回波值大于等于高回波值的阈值/>,则将第/>个索引记录为一个高回波值的位置,若第/>个索引和第个索引是连续的高回波值的位置,则将第/>个索引和第/>个索引记录为一个连续段的起始位置和结束位置;
B3、针对每个记录的连续段,计算其长度,若计算的长度大于等于连续段的阈值,若则将连续段的位置信息作为一个元组(c,s,e)存储至列表List4中,其中,c表示列名,s表示起始位置,e表示结束位置;
B4、创建列表List5,令为TBSS的长度阈值,其中,列表List5用于存储TBSS的位置信息;
B5、对于每个元组(c,s,e),从起始位置e开始检查每一列C中的值,获取首个值为0的位置z;
B6、计算位置z与起始位置e的差值d,即,高回波值到首个0值的长度d;
B7、若长度d大于等于TBSS的长度阈值,则将元组(c,s,e)存储至列表List5;
B8、令R为一雷达图,其元素为回波值,令为TBSS的高度阈值;
B9、对于列表List5中的每个元组(c,s,e),在雷达图R中标记出TBSS的位置,完成雷达强回波区域对TBSS的判断;
S6、针对存在V形缺口或TBSS,则在原雷达图像中标识,并利用识别的文字信息以及数字参数,计算冰雹出现的位置,输出识别结果为大冰雹或小冰雹,以及冰雹的出现位置,否则,输出无冰雹。
本实施例中,本发明所需要的输入是天气雷达在工作中自动产生的基本反射率图像,该图包含两部分:雷达信息参数和雷达回波图像两部分,如图3所示,如图3中的雷达回波区B区(即雷达回波图部分)和参数信息区A区(即雷达信息参数部分)。
本实施例中,参数信息区:是指雷达图上的关键信息,如雷达站名、雷达类型、雷达波段、雷达所在的经纬度与海拔高度、雷达探测距离、本次观测时间、观测仰角、雷达回波参数等。该区也包含附加信息如雷达扫描模式、仪器型号、数据更新频率。
最为重要的是本图所用的色标,即以不同颜色所表示的反射率因子强度数值,单位是dBZ。雷达接收大气粒子电磁回波强度的差异极其巨大,是天文级的差别。为了显示方便就将这些强度取对数值得到了雷达图上的数据。例如图上某点的数据是50,则其表示的电磁波强度是10的50次方,想象一下在1后面数出50个零,数值确实极其巨大。
在雷达图的参数信息区A区可以发现,雷达的反射率因子其最大值往往是65 dBZ。最小值-10dBZ。这些信息将用于后续图像处理过程。信息中的雷达站经纬度及雷达天气的海拔高度可用于计算目标的相对位置。结合地理信息与时间可用于自动发布预警。
B区为雷达回波区,该图反映雷达探测结果,图中像素点的颜色即通过色标表示的回波强度。高强度的反射区域通常表示有造成强降水的粒子甚至冰雹,图像中的V形缺口、TBSS是本发明的关键目标特征。雷达图中V形缺口与TBSS示意如图4-图5所示,图4和图5中圆点代表冰雹点,图4中黑色区域表示V形缺口,虚线箭头表示冰雹点。图5中,黑色区域表示TBSS,虚线箭头表示冰雹点。
本实施例中,识别参数信息区中的色标:可以从气象雷达图文字描述中彩色条框中提取出颜色信息,即每个颜色所对应的RGB值(RGB值是一种表示色彩的方式,通常用于数字图像表述。在RGB模型中,颜色由红色(Red)、绿色(Green)和蓝色(Blue)三个基本颜色的强度组合而成。每个颜色通道的强度值通常在0到255的范围内,其中0表示最小强度,255表示最大强度),以及该颜色代表的雷达回波强度值,读出雷达回波强度值的分级,无回波区域的雷达回波强度值等级为0。将这些信息存储在一个数组中,后续根据图像中的颜色RGB值,自动识别出雷达回波强度值等级的对应数据。
本实施例中,提取参数信息区中的其他参数信息:该步骤旨在识别气象雷达图中的注释文字,并提取雷达地理位置、工作模式等参数信息。要对S1中输入的雷达基本反射率图进行处理,首先读取指定的需要进行识别的雷达图像文件。接着,将该彩色图像转换为灰度图像,以简化图像处理的复杂度。并对灰度图像进行二值化处理(二值化处理是图像处理中的一种常见操作,将一幅图像的像素值限定在两个数值之间,通常是0和255。将图像转换成黑白二色,简化图像并突出显示目标的特征),将图像转换为黑白两色,方便后续文字的识别。然后进行去噪、倾斜校正等操作,提高图像的质量和清晰度。使用连通域分析、投影法、边缘检测等方法,确定图片中的文本区域和文本行,然后进行空白分割、水平切割、垂直切割等方法,将文本行划分为单个字符或字符组。使用神经网络机器学习算法,对每个字符或字符组进行分类和识别。最后采用词典、语法规则、统计信息等方法,对识别结果进行校正和优化。并将识别结果输出和保存,以便查看和显示图像中提取的文字信息。该处理可以用于提取气象雷达图上的重要参数,包括地理位置(经度,纬度,海拔高度)、时间、探测范围等相关信息。
本实施例中,雷达回波圆形图检测:雷达天线向外发射电磁波进行探测,天线水平方向旋转一周,得到的回波形成一个圆形的雷达回波图。往往从雷达天线位置分别向正北、正南、正西、正东,以及东北、西北、东南、西南方向在圆上画出直线,以辅助预报员判别方位。围绕雷达在不同距离上画出大小不同的圆圈,以辅助预报员确定回波距离,如图3中的雷达回波区示意。从雷达回波图中检测出这些同心圆是确定回波具体位置的基础。
霍夫圆检测(Hough Circle Detection)是一种用于在图像中检测圆的技术。该技术的基本思想是,将雷达回波中的每个点都看作是圆周上的一个点,然后在累加器空间中进行投票,找到累加器中最高的峰值,即找到最可能的圆,它是基于霍夫变换的一种图像处理方法。首先通过霍夫圆检测算法,从雷达回波中检测出圆形目标,并得到它们各自的半径大小和共同的圆心。需要说明的是:/>为雷达在真实物理世界所在的位置,在雷达图像里为同心圆的原点,其共同表示原雷达回波图中原点,即雷达所在位置。在坐标系中,在屏幕坐标系里面表示坐标。这是物理层面、图像层面和坐标层面雷达所在位置的统一表述,是完全一致的,所以用同样符号。
本实施例中,对雷达图检测可识别出多个同心圆,根据从参数信息区提取参数信息中的雷达探测范围S,结合当前识别出的同心圆总数n,可得到相邻同心圆的对应距离d=S/n。而面积最大的圆即为雷达探测的全部回波区。
本实施例中,雷达回波图像屏幕转换空间的数学映射的目的:在雷达回波图上识别冰雹,就是在图中找到V形缺口及TBSS。V形缺口是一个在强回波之后的三角形0回波区,其中,最关键的要求是这个三角形的角要指向雷达回波图的原点。TBSS是指在强回波之后的持续弱回波区,关键也在于雷达回波图的原点、冰雹和TBSS严格处于一条直线上。如图6的(a)中(图6的(a)中五角星表示雷达站,三角形表示非V形缺口三角回波),虽然有三角形但不是V形缺口,其角未指向雷达即圆心方向,如图6的(b)中虽指向圆心(图6的(b)中五角星表示雷达站,×表示非雷达发射点),但其边缘的交会点并不在圆心,表明辐射电磁波并非从雷达站射出。但可能出现图6的两种情况。一种是雷达图上出现了三角形的无回波或弱回波区,但三角形的尖角并未指向雷达站如图6的(a)。另一种是尖角确实指向雷达站方向,但分析电磁辐射线却表明,并非由雷达站射出,如图6的(b)中×所示的错误位置。这两种情况均说明上述特征并非冰雹对雷达射线的正常反映,不是本发明的搜寻目标。直接在原始的雷达图上解决这两个关键问题相对比较麻烦。但如果进行数学映射,将当前的雷达回波图投影到另一个空间中,就可能更方便地进行数学表述,也会更方便地解决问题。
本实施例中,当前在计算机屏幕上显示,使用的是计算机图形图像学中规定的坐标系。该屏幕坐标系为左手坐标系如图7所示,三角形所在的点坐标为,/>表示雷达回波各点的极坐标,θ表示角度,r表示到圆心的距离,图7中,五角星表示雷达图中任意一点分别以屏幕坐标和极坐标表示。
与一般几何学中角度的规定不同,气象业务中以正北方为基准角度0,按照顺时针方向计算角度。
设想雷达工作时从正北方即0度起,每隔1度顺时针方向旋转,依次发射电磁波就形成了一条条射线,全图共有360条射线。在每条射线上按到圆心的距离可分别表示该条射线上每个点的位置。于是可用极坐标表示图中的每个点。
在计算机屏幕这个图像空间中,V形缺口就是雷达图像中正对圆心的三角形(理想状态为扇形),在极坐标图像空间中就可以表现为矩形如图8和图9所示。显然极坐标图像空间的表述更为简单方便,进行识别也更为快捷可靠。如图8所示(图8中黑色区域表示原雷达图V形缺口放大图):屏幕显示的原始雷达图像,可以计算每一点的极坐标。如图9所示(图9中黑色区域表示空间映射后V形缺口放大图,θ表示角度,R表示扫描半径,r表示到圆心的距离,r~y表示将r赋y方向,表示将/>赋予x方向:对极坐标表示的左图,取角度坐标/>作为x,取距离坐标/>作为y,计算机屏幕上图像显示的同样一片区域呈现为矩形。
本实施例中,在屏幕坐标系下,雷达回波图上的每一个点坐标,可用以雷达为圆心的极坐标/>表示。两套体系间的每一点坐标的数学关系为:/>。
注:整个雷达回波图的极坐标体系为360°的圆。当角度坐标分别处于180°~360°时和处于0°~ 180°时,三角函数/>和/>计算结果相同。
其中,表示此前所找到的圆心的横坐标,/>表示上述所找到的圆心的纵坐标,进行逆变换,可得到每一点的极坐标/>,即不同雷达回波图空间中进行映射转换的数学投影公式:/>;/>;其中,/>表示雷达回波各点的极坐标,θ表示角度,r表示到圆心的距离,/>表示雷达站的横坐标,/>表示雷达站的纵坐标,/>和/>共同表示原雷达回波图中原点所在位置,/>表示三角函数中的正切函数,/>表示正切函数的反函数。
因不同角度会具有同样的三角函数值,所以须分类处理,如图10所示。
1)情况一:且/>,此刻90°<θ≤180°。
2)情况二:且/>,此刻0°≤θ<90°。
3)情况三:且/>,此刻180°<θ≤270°。/>
4)情况四:如果且/>此刻270°<θ≤360°。
5)运算时首先分析分母为0特殊情况:当y等于,/>时,设定角度/>为90°,该点处于数轴上;当y等于/>,/>时,设定角度为270°,该点处于数轴上,图中,黑色圆圈表示原雷达回波图中的原点,/>和/>共同表示原雷达回波图中原点所在位置。
本实施例中,在原雷达回波图即B区上,各像素点已经通过表示,进行图像空间映射则使用数学投影公式得到以雷达为圆心的极坐标/>。通过对雷达回波区面积最大圆形图像(即全部回波)内各点进行逐一计算,得到以角度和距离/>表示的二维图像数组。在屏幕上令横向坐标取/>,纵向坐标取/>,即令/>,/>,则完成图像空间的映射,这时原雷达回波图的扇形转换为当前图像的矩形,即V形缺口表现为一个矩形。
本实施例中,在参数信息区的雷达信息参数处理步骤中,已经读取了色标的色彩值RGB和对应的反射率因子数值。在读取雷达回波区回波图像时,使用一个字典变量,用于存储每个角度上的回波强度值等级。如果是相同角度上的像素点的回波强度值等级就存储在同一个字典键(键名为角度大小)对应的值列表中。这样,可以统计每个角度上每个位置的回波强度值等级的数量和分布,由此可以得到列索引为距圆点的半径,行索引为角度。本实施例中,将雷达回波图转换为各个位置雷达回波强度值等级的矩阵数据。然后采用用于显示图像的函数,将字典中的数据可视化,展示矩阵或表格数据中各个单元格的相对数值大小。转换后的图及V形缺口和TBSS的区域如图11和图12所示。图11和图12中,横坐标为角度,单位为度,纵坐标为距离圆点的半径,单位为:km。图11中缺口表示映射后的V形缺口区域,图12中黑框表示映射后的TBSS区域。本实施例中,V形缺口识别如下:
创建一个空列表(List1)以存储符合条件(属于V形缺口)的位置信息。对上述过程得到的字典进行处理:
1.找出每一列的最大值及其位置。
设输入数据为一个矩阵M,其中表示第/>行第/>列的元素:;其中,/>表示取最大值,/>表示最大值出现的位置,/>表示对第i行所有元素取最大值得出的结果;
若存在同列有相同最大值的情况,则找出最后出现最大值的位置:;其中,/>表示最后出现最大值的位置,/>表示查找同列中最后一个最大值出现的位置;
判断最大值的位置是否在当前列的末尾:;其中,/>表示最大值属于当前列的末尾,/>表示当前所在行的行数;/>
若最大值不在末尾,则进一步判断:其中,/>表示最大记回波阈值。
通过大量分析和观察并借鉴学术研究成果,将高回波的阈值设置为12及以上(),即实际雷达回波强度在50dBz及以上。
在发现该列后续全为零()的情况时,记录第一个零出现的位置,并将该位置信息添加到 List1 中,这一操作旨在满足V形缺口在高回波之后出现的条件。
2.接着创建一个空列表List2用于存储从列表List1中提取的列名。同时,创建另一个空列表List3,遍历列表List1中的每一个元素,找到连续的段(即连续的列名),并记录其起始索引和结束索引。在遍历找到的连续段时,计算段的长度length。如果长度length大于等于设定的数值N((通过对比实验这里设置为10)),则将起始列名和长度作为一个元组(i,length)存储在列表List3中,否则继续遍历。列表List3用于存储均含有高回波值的某一连续区域。
3. 设列表 List3 中的元组为(i,length) ,表示找到的均含有高回波值的某一连续区域的起始列名和长度。设列表 List1 为包含位置信息的列表,其中元素表示从某一列开始连续为零的第一个位置:;,其中,/>中的/>表示找到第一个含有连续高回波值的列名,/>表示该列所含的连续高回波的长度;/>中的/>表示找到第二个含有连续高回波值的列名,/>表示该列所含的连续高回波的长度,/>中的/>表示找到第m个含有连续高回波值的列名,/>表示该列所含的连续高回波的长度;/>中的/>表示找到的某列具有高回波且后续数据值均连续为0的列名,/>为该列出现的第一个0所在的位置;/>中的/>表示找到的某列具有高回波且后续数据值均连续为0的列名,/>为该列出现的第二个0所在的位置;/>中的/>表示找到的某列具有高回波且后续数据值均连续为0的列名,/>为该列出现的第/>个0所在的位位置。
在两层循环中,遍历列表List3和列表List1中的元组。列表List3中的元组表示起始列名和长度;列表List1中的元组表示列名和位置。如果列表List3中的起始列名i与列表List1中的列名k相等(),说明需要检查该位置之后是否存在多个连续的零。如果存在,将特定区域用红色框出。这一步骤旨在对上一步找到的均含有高回波值的某一连续区域继续进行V形缺口判断。
判断该区域高回波值的后面是否均为0,即没有回波值。如果没有,将该区域标识为V形缺口,并使用红色框出该区域。同时,将该区域的信息,即V形缺口的位置,进行自动化输出。
本实施例中,TBSS识别如下:
创建一个空列表List4,用于存储高回波值连续段的位置信息。令为高回波的阈值,这里/>。令/>为连续段的阈值,这里/>。
对于字典中的每一列C,对于C中的每个索引,如果/>(高回波的阈值设置为12),那么将/>记录为一个高回波值的位置。如果/>和/>是连续的高回波值的位置,那么将第/>个索引和第/>个索引记录为一个连续段的起始和结束位置。否则,跳过索引/>。对于每个记录的连续段,计算其长度l,即结束位置减去起始位置加一。如果l≥t2(至少连续出现3个高回波值,才判断此处为强回波区域,可能存在TBSS的情况),那么将连续段的位置信息作为一个元组(c,s,e)存储在列表List4中,其中,c表示列名,s表示起始位置,e表示结束位置。否则,跳过该连续段。这一步骤的目的是找到D中所有高回波值连续段的位置,这是找到TBSS的第一步,因为TBSS的出现是在高回波之后。
令列表List5为一个空列表,用于存储TBSS的位置信息。令为TBSS的长度阈值,这里设定/>。对于列表List4中的每个元组(c,s,e),从e开始检查C中的值,找到首个值为0的位置z,然后计算z−e,即高回波值到首个0值的长度d。如果d≥t3(人工设置TBSS尖峰区域的长度范围),那么将元组(c,e,z)存储在列表List5中。否则,跳过该元组。这一做法是为了获得在高回波之后到没有回波之间存在的像素点数量,即通过高回波之后逐渐减少直至没有回波的区域长度。这种情况是判断该地是否存在TBSS的依据,因为TBSS通常在高回波之后形成尖峰区域。
令R为一个雷达图,其元素为回波值。令为TBSS的高度阈值,这里设定/>。对于列表List5中的每个元组(c,e,z),在R中用红色框标记出TBSS的位置,其左上角坐标为(c,e),其右下角坐标为(c,h),其中,h是由在列表List5中查找连续且大于等于/>个数的0值的首位置来动态调整的。同时,计算该区域的地理信息,如经纬度、海拔等。这一步骤旨在根据实际情况动态调整框的高度,以准确标识TBSS的位置。
本发明利用了图像空间映射处理技术,实现了快速准确地自动识别气象雷达图中的V形缺口和TBSS,并将位置准确传达给气象工作人员。该方法结构简单、计算开销低,全自动,无需人员的参与,大大减少了工作人员的工作量,而且高效,提高了预报的准确性,减少了人为主观判断带来的误差。
本发明实现了对气象雷达图中的V形缺口和TBSS的自动识别,能够精确地定位这些气象现象,并将识别结果及时传达给气象工作人员。相比传统方法,该方法具有结构简单、计算开销低的特点,实现了全自动化操作,无需人员参与,从而显著降低了工作人员的工作负担。同时,由于方法的高效性,成功提升了对冰雹这种强烈气象灾害监测预警的准确性和及时性,减少了人为主观判断可能引入的误差。本方法的自动化特性不仅提高了工作效率,而且降低了对操作人员专业知识的依赖。这种创新性的方法不仅仅是一项技术进步,更是对气象监测和预报领域的一次重要改进。通过减少人工干预,提高了气象数据的处理速度和准确性,从而更好地满足了现代气象工作对高效、准确、自动化处理的需求,对气象监测和预报的质量和效率具有积极的影响。
Claims (7)
1.一种基于雷达图像空间映射的冰雹自动识别方法,其特征在于,包括以下步骤:
S1、获取雷达基本反射率图,其中,雷达基本反射率图包括雷达信息参数部分和雷达回波图部分;
S2、从雷达信息参数中识别文字信息、数字参数以及色标,利用不同颜色代表的强度值对雷达回波进行等级划分,并从雷达回波图中检测雷达中心坐标;
S3、利用雷达中心坐标、识别的文字信息和数字参数,通过平面投影算法将雷达回波信息进行空间映射,并在新雷达图像空间中为雷达回波强度建立字典;
S4、在屏幕直角坐标系下展开该字典后,将原雷达强回波区域后对应的V形缺口和TBSS特征,变换为新雷达图像空间强回波后的标准矩形和三角形;
S5、针对新雷达图像空间强回波后的标准矩形和三角形建立识别规则,滤除噪声干扰后,在高强回波外侧通过图形拟合进行分析,若新雷达图像空间中强回波后的标准矩形拟合成功,则原雷达图像中存在V形缺口,有小冰雹;若新雷达图像空间中强回波后的三角形拟合成功,则原雷达图像中存在TBSS,有大冰雹;否则,无冰雹;
S6、针对存在V形缺口或TBSS,则在原雷达图像中标识,并利用识别的文字信息以及数字参数,计算冰雹出现的位置,输出识别结果为大冰雹或小冰雹,以及冰雹的出现位置,否则,输出无冰雹。
2.根据权利要求1所述的基于雷达图像空间映射的冰雹自动识别方法,其特征在于,所述S2包括以下步骤:
S201、从雷达基本反射率图的说明与雷达信息参数区域中识别文字描述中的文字信息与数字参数;
S202、从雷达基本反射率图的说明与雷达信息参数区域中识别参数及色标,利用不同颜色代表的强度值对雷达回波进行等级划分;S203、根据等级划分结果,从雷达回波图的图像部分中检测雷达中心坐标,由正北方顺时针从雷达中心由内向外依次按各角度检测,直到完成整体雷达回波图的检测。
3.根据权利要求1所述的基于雷达图像空间映射的冰雹自动识别方法,其特征在于,所述S3包括以下步骤:
S301、根据雷达中心坐标、识别的文字信息和数字参数,将原雷达回波图中各个点的雷达回波信息,按照平面投影算法经空间映射后,将各点的雷达回波强度等级存入字典中,其中,各点为原雷达回波图中所有的点;
S302、判断该点距离雷达中心的角度是否已存在字典的键中,若是,则将该点的坐标和雷达回波强度等级存入字典,并进入S303,否则,在字典中新建一个键值对,用以存储该点坐标和雷达回波强度等级,并进入S303,其中,该点为原雷达回波图中当前处理的点;
S303、建立完成空间映射后,在新雷达图像空间中为雷达回波强度建立的字典。
4.根据权利要求3所述的基于雷达图像空间映射的冰雹自动识别方法,其特征在于,所述空间映射具体为:
在原雷达回波图中,每一点的位置以屏幕坐标(x,y)表示,并利用下式进行空间映射:
其中,表示雷达回波各点的极坐标,θ表示角度,r表示到圆心的距离,/>表示雷达站的横坐标,/>表示雷达站的纵坐标,/>和/>共同表示原雷达回波图中原点所在位置,/>表示三角函数中的正切函数,/>表示正切函数的反函数,(x,y)表示屏幕坐标。
5.根据权利要求3所述的基于雷达图像空间映射的冰雹自动识别方法,其特征在于,所述S5包括以下步骤:
S501、滤除新雷达图像的噪声干扰;
S502、将雷达回波强度等级大于等于12设为冰雹目标;
S503、在冰雹目标之后的位置,根据S502设置的条件,针对空间投影后的新雷达图像空间中,在高强回波外侧通过图形拟合进行分析;
S504、根据图形拟合分析结果,由是否存在强回波后的标准矩形或三角形,判断雷达强回波区域是否存在V形缺口和TBSS,若新雷达图像空间中强回波后的标准矩形拟合成功,则原雷达回波图中存在V形缺口,有小冰雹;若新雷达图像空间中强回波后的三角形拟合成功,则原雷达回波图中存在TBSS,有大冰雹,否则,无冰雹,结束流程。
6.根据权利要求5所述的基于雷达图像空间映射的冰雹自动识别方法,其特征在于,所述判断雷达强回波区域是否存在V形缺口,其具体为:
A1、创建用于存储V形缺口位置信息的空列表List1;
A2、转换后的字典为矩阵M,其中,表示第i行第j列的元素:
其中,表示取最大值,/>表示最大值出现的位置,/>表示对第i行所有元素取最大值得出的结果;
A3、若存在同列有相同最大值时,则确定最后出现最大值的位置:
其中,表示最后出现最大值的位置,/>表示查找同列中最后一个最大值出现的位置;
A4、通过下式,判断最大值是否在当前列的末尾,若是,则进入A6,否则,进入A5;
其中,表示最大值属于当前列的末尾,/>表示当前所在行的行数;
A5、通过下式,确定最大值是否在当前列的末尾,并进入A6:
;
其中,表示最大记回波阈值;
A6、将确定的最大值及其位置添加至列表List1中;
A7、分别创建空列表List2和空列表List3,其中,列表List2用于存储从列表List1中提取的列名;列表List3用于存储均含有高回波值的连续区域;
A8、遍历列表List1中每个元素,获取连续段,并记录连续段的起始索引和结束索引,其中,在遍历连续段时,计算段的长度,所述连接段为连续列名;
A9、判断段的长度是否大于预设的阈值,若是,则将起始列名和长度作为一个元组存入至列表List3中,并进入A10,否则,返回A8;
A10、遍历列表List3和列表List1中的元组,判断列表List3中的起始列名是否与列表List1中的列名k相等,若是,则进入A11,否则,重复A10,其中,列表List1中的元组表示列名和位置,列表List3中的元组表示起始列名和长度;
A11、根据判断结果,判断该位置之后是否存在多个连续的零,若是,则标记区域,并进入A12,否则,返回A10;
A12、针对该标记区域高回波值的后面均为0时,则将该区域标记为V形缺口,并输出V形缺口的位置信息,完成雷达强回波区域是否存在V形缺口的判断。
7.根据权利要求5所述的基于雷达图像空间映射的冰雹自动识别方法,其特征在于,所述判断雷达强回波区域是否存在TBSS,其具体为:
B1、创建空列表List4,令为高回波值的阈值,令/>为连续段的阈值,其中,连续段为连续的列名;列表List4用于存储高回波值连续段的位置信息;
B2、对于字典中每一列C的每个索引,若C列中的第个索引/>的高回波值大于等于高回波值的阈值/>,则将第/>个索引记录为一个高回波值的位置,若第/>个索引和第/>个索引是连续的高回波值的位置,则将第/>个索引和第/>个索引记录为一个连续段的起始位置和结束位置;
B3、针对每个记录的连续段,计算其长度,若计算的长度大于等于连续段的阈值,若则将连续段的位置信息作为一个元组(c,s,e)存储至列表List4中,其中,c表示列名,s表示起始位置,e表示结束位置;
B4、创建列表List5,令为TBSS的长度阈值,其中,列表List5用于存储TBSS的位置信息;
B5、对于每个元组(c,s,e),从起始位置e开始检查每一列C中的值,获取首个值为0的位置z;
B6、计算位置z与起始位置e的差值d,即,高回波值到首个0值的长度d;
B7、若长度d大于等于TBSS的长度阈值,则将元组(c,s,e)存储至列表List5;
B8、令R为一雷达图,其元素为回波值,令为TBSS的高度阈值;
B9、对于列表List5中的每个元组(c,s,e),在雷达图R中标记出TBSS的位置,完成雷达强回波区域对TBSS的判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410598635.XA CN118191781B (zh) | 2024-05-15 | 一种基于雷达图像空间映射的冰雹自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410598635.XA CN118191781B (zh) | 2024-05-15 | 一种基于雷达图像空间映射的冰雹自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118191781A true CN118191781A (zh) | 2024-06-14 |
CN118191781B CN118191781B (zh) | 2024-07-09 |
Family
ID=
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108680920A (zh) * | 2018-04-28 | 2018-10-19 | 深圳市雅码科技有限公司 | 一种基于双偏振雷达的灾害天气识别预警系统及方法 |
CN110161506A (zh) * | 2019-07-01 | 2019-08-23 | 江苏省气象科学研究所 | 一种基于多源气象观测资料的分类型冰雹落区识别方法 |
CN113095442A (zh) * | 2021-06-04 | 2021-07-09 | 成都信息工程大学 | 基于半监督学习在多维度雷达数据下的冰雹识别方法 |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108680920A (zh) * | 2018-04-28 | 2018-10-19 | 深圳市雅码科技有限公司 | 一种基于双偏振雷达的灾害天气识别预警系统及方法 |
CN110161506A (zh) * | 2019-07-01 | 2019-08-23 | 江苏省气象科学研究所 | 一种基于多源气象观测资料的分类型冰雹落区识别方法 |
CN113095442A (zh) * | 2021-06-04 | 2021-07-09 | 成都信息工程大学 | 基于半监督学习在多维度雷达数据下的冰雹识别方法 |
Non-Patent Citations (8)
Title |
---|
WANG XUE 等: "Recognition of the Hail Image Based on Distance Discriminant", 2015 INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION, BIG DATA AND SMART CITY, 21 January 2016 (2016-01-21) * |
ZHIYING LU 等: "Hailstone Detection Based on Image Mining", 2008 FIFTH INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS AND KNOWLEDGE DISCOVERY, 5 November 2008 (2008-11-05) * |
丁倩雯: "基于图像特征分析的冰雹检测方法研究", 中国优秀硕士学位论文全文数据库 信息科技辑, 15 January 2023 (2023-01-15) * |
廖玉芳;潘志祥;郭庆;: "基于单多普勒天气雷达产品的强对流天气预报预警方法", 气象科学, no. 05, 30 October 2006 (2006-10-30) * |
李硕;王雪;徐文霞;李国东;: "基于SVM和雷达回波反射率的雹云模型识别研究", 东莞理工学院学报, no. 03, 15 June 2016 (2016-06-15) * |
潘跃: "基于显著性特征的大冰雹识别模型", 中国优秀硕士学位论文全文数据库 基础科学辑, 15 August 2014 (2014-08-15) * |
王萍 等: "天气雷达反射率因子图像中三体散射自动识别", 天津大学学报(自然科学与工程技术版), 11 September 2013 (2013-09-11) * |
路志英 等: "基于雷达反射率图像特征的冰雹暴雨识别", 物理学报, 23 September 2014 (2014-09-23) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wei et al. | HRSID: A high-resolution SAR images dataset for ship detection and instance segmentation | |
KR20220000898A (ko) | 다인자를 기반으로 한 해안선 변화 식별방법 | |
US8154952B1 (en) | Method and system for real-time automated change detection and classification for images | |
KR101258668B1 (ko) | 한반도 통합형 기상 레이더 품질 관리 시스템 및 그 방법 | |
CN108932521B (zh) | 一种基于深度学习的农作物分类方法及系统 | |
CN107479065B (zh) | 一种基于激光雷达的林窗立体结构量测方法 | |
CN112766221B (zh) | 基于船舶方向和位置多任务的sar图像船舶目标检测方法 | |
CN111126335B (zh) | 一种结合显著性和神经网络的sar船只识别方法及系统 | |
CN107862271B (zh) | 一种舰船目标的检测方法 | |
Antonini et al. | On the implementation of a regional X-band weather radar network | |
Lakshmanan | Automating the analysis of spatial grids: a practical guide to data mining geospatial images for human & environmental applications | |
CN110441743B (zh) | 一种基于ENet全卷积网络的气象杂波抑制方法 | |
CN110516552B (zh) | 一种基于时序曲线的多极化雷达图像分类方法及系统 | |
CN110658524B (zh) | 基于全空域多方位扫描模式的云雷达回波三维显示方法 | |
CN118191781B (zh) | 一种基于雷达图像空间映射的冰雹自动识别方法 | |
CN117557897A (zh) | 目标农作物的倒伏监测方法、装置、电子设备及存储介质 | |
CN108416760A (zh) | 一种震后高分辨率sar图像单体建筑物倒塌损毁检测方法 | |
Daliakopoulos et al. | A weather radar data processing module for storm analysis | |
CN118191781A (zh) | 一种基于雷达图像空间映射的冰雹自动识别方法 | |
CN116343057A (zh) | 一种联合sar与光学图像的舰船目标检测与识别方法 | |
CN114782324B (zh) | 一种基于地块形态特征的农田作物行向遥感识别方法 | |
CN115932762A (zh) | 一种气象数值预测雷达基数据质量控制方法 | |
CN111736157B (zh) | 基于ppi数据的临近预报的预测方法及设备 | |
CN116051426B (zh) | 一种合成孔径雷达图像处理方法 | |
Lakshmanan et al. | A fuzzy logic approach to detecting severe updrafts |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |