基于温度层强回波区域面积的天气雷达雷暴自动识别方法北大核心

为利用天气雷达回波资料实现雷暴的自动识别,提出了一种基于温度层强回波区域面积的天气雷达雷暴自动识别方法。该方法首先利用雷达回波体扫数据在水平范围内搜索强回波区域;再对某一温度层上,达到设定阈值的雷达回波反射率因子的区域进行面积求和,当水平范围强回波区域面积达到识别面积阈值时,判定该强回波区域为雷暴区域。在此基础上,结合S波段双偏振多普勒天气雷达观测资料、闪电定位资料,采用了17个雷暴天气过程的312个雷暴区域检验识别算法。结果表明:当等高度平面位置显示(CAPPI)数据处理中采用(35 dBZ,0℃,2 km^(2))参数组合能够达到最优的识别效果,识别概率可达87.5%,虚警率为32.9%,临界成功指数为61.2%。该方法可以用于天气雷达的雷暴计算机自动识别业务。     

利用雷达回波三维拼图资料识别雷暴大风统计研究

应用雷达回波三维组网拼图数据、加密自动站和地面灾害大风资料,对2008—2012年京津冀地区20次区域性雷暴大风天气过程进行了统计。检验了基于模糊逻辑建立的利用回波强度识别大风的算法,分析了大风出现的位置。该大风识别算法确定了雷暴大风的6个雷达识别指标及其对应的权重系数和不同季节的隶属函数。检验分析块状回波、带状回波和片状回波3类大风过程的识别效果,结果表明：块状回波类大风是由孤立的强单体风暴引发的,风暴单体具有回波强、回波顶高、垂直积分液态水含量大和移动快等特点,雷暴大风多出现在风暴单体附近且二者移动路径一致;带状回波的长度远大于宽度,主要包含飑线和弓状回波,大风影响范围广且多位于带状回波的前沿一带;片状回波多指大面积层云回波中镶嵌着强回波单体块的混合回波,对应出现的雷暴大风多位于风暴单体的周边区域。3类回波识别到的可能出现大风区域与实测大风范围基本吻合,块状、带状和片状3种类型的雷暴大风命中率分别为96.2%、68.6%和45.3%,漏报率分别为3.8%、31.4%和54.7%。由于垂直积分液态水含量偏低和回波强度弱,片状雷暴大风识别漏报相对较多;空报原因除了与测站分布稀疏有很大关系外,也与识别算法本身有关。识别检验证明雷暴大风综合识别方法是合理可靠、切实可行的,可以为雷暴大风的短时临近预警业务和系统开发提供技术支撑,这一工作也为进一步预警大风出现的位置提供了基础。     

基于雷达产品阈值与闻雷半径的雷暴过程判别

为向雷暴识别、跟踪和临近预报系统提供贴近台站实际的雷达产品阈值,建立基于雷达观测的雷暴日判别算法,利用雷暴人工观测资料和雷达产品数据构建匹配率模型,采用累积距平法识别匹配率拐点来判定阈值和最优闻雷半径,并计算出回波面积阈值.以常德气象观测站为例应用该方法,结果表明:①雷达产品阈值为38.5 dBz,最优闻雷半径达到25...     

基于改进DBSCAN聚类算法的雷暴单体三维结构识别技术介绍

雷暴是一种严重威胁飞行安全的天气系统,利用地基多普勒天气雷达反射率因子数据和改进的DBSCAN聚类算法对雷暴单体的三维结构识别及特征量计算进行了研究,并在地基平台上对雷暴单体识别算法的有效性进行了验证分析。识别算法核心是将插值后的反射率因子三维网格数据作为输入量,采用多层反射率因子阈值基于改进的DBSCAN聚类方法识别所有等高面上的雷暴分量,并进行结构元素为3×3的腐蚀膨胀运算及雷暴分量特征核心提取,最后基于雷暴分量重叠面积进行垂直关联。结果表明:相对于SCIT算法,雷暴单体识别算法减少了雷暴分量识别的复杂性,可很好地识别任意形状的雷暴单体;使用多层阈值及特征核心提取技术可识别雷暴簇中的雷暴单体;利用腐蚀膨胀技术可解决雷暴单体虚假合并现象。算法可应用于民航机场雷暴的识别和预警。      

基于雷达回波概率特征的雷达部分遮挡区域识别算法

部分遮挡是影响雷达观测资料质量的重要误差源之一。基于雷达回波的概率特征,本文提出一种不依赖高精度地形信息的雷达部分遮挡区域识别算法。该算法无须以人工方式建立样本数据库,只需直接检测实际业务应用中雷达连续观测的反射率因子,统计雷达探测范围内的每个格点出现大于某一反射率因子阈值(定义为Z阈值)的概率,并通过设置适当的概率阈值(定义为C阈值)来确定不同遮挡性质的雷达探测区域。应用该算法,使用2012年5-10月金华、衢州及上饶雷达连续探测资料,识别得到金华、衢州和上饶三部雷达距离地面3 km高度层上CAPPI的完全遮挡区域、部分遮挡区域和无遮挡区域;同时,通过对比2013年4月29日金华、衢州、杭州、上饶、黄山雷达3 km高度重叠探测区域的雷达反射率因子,检验了雷达部分遮挡区域识别结果的有效性,并分析了算法阈值的敏感性;最后,结合剔除部分区域弱回波的方案,对雷达组网拼图算法进行优化改进。结果表明:通过选择适当的Z阈值和C阈值算法,可以有效识别雷达部分遮挡区域;算法阈值的设置是识别部分遮挡区域的关键,较为适中的Z阈值有利于C阈值的选择;优化后的组网拼图算法可以有效解决部分遮挡问题,有效地提高了组网拼图数据的质量。     

三种机器学习方法在广东雷暴大风自动识别的应用效果评估

基于2012—2019年自动站雷暴大风观测实况和对应雷达回波,利用传统机器学习方法(决策树)和深度学习方法(CNN、YOLO)等三种机器学习方法分别建立雷暴大风自动识别模型。根据广东雷暴大风回波特征,选取50 dBZ高度、反射率因子强度梯度等5个回波参量作为决策树的特征因子;将1～9 km高度的雷达回波分为11层,作为YOLOv3的输入层,使其由原3个特征层扩展到11层,训练优化后的YOLOv3可更合理刻画雷暴大风的空间结构特征。经批量测试和业务试运行试验,检验结果表明：三种模型中基于决策树的模型虚警最高,基于CNN的模型漏报最多,基于YOLO的模型识别效果最好,其POD和CSI均最高。通过对广东2020年汛期5次系统性和5次局地性雷暴大风过程进行分类型自动识别效果评估,并选取任意天气下长达30天连续时段进行不间断识别检验,结果表明该算法对于不同类型的雷暴大风均有较好的识别能力,具备业务化应用前景。     

基于模糊逻辑的新一代天气雷达径向干扰回波识别算法

在雷达信号处理器异常、信号受到外部电磁干扰时,雷达会观测到沿径向分布的条幅状干扰回波,这类非气象回波须在雷达估测降水等定量应用之前消除。为适用体扫数据及正在业务推行的单径向流数据,利用2017年7—8月收集的雷达单站PPI数据,针对径向干扰回波,提出一种基于模糊逻辑的识别方法,该方法只提取径向上的特征参量,建立隶属函数和判定阈值,进行识别。通过对算法的评估和业务应用,结果表明:该算法对径向干扰回波和降水回波的识别和消除效果较好,与原业务算法相比,CSI评分提高0.232,能明显提高径向干扰回波的准确识别,略微降低对降水回波的误消除;算法在业务上能够稳定运行,对于定量化应用（降水估测等）具有正贡献。      

多普勒天气雷达地物回波识别算法改进

针对现有的地物回波识别算法在"新一代天气雷达建设业务软件系统开发及应用(ROSE)"前期评估中存在的地物回波漏判和气象回波误判问题,提出了地物回波识别改进算法。新算法在地物回波识别前对径向速度和速度谱宽资料作了处理,改善了因采用双PRF技术造成的径向速度资料质量下降对地物回波识别的影响,并增加了回波强度与径向速度处理阈值、回波强度垂直梯度参数,调整了回波强度沿径向的库间变化的判定阈值,减小了对气象回波的误判。利用SA、SB和CB雷达共432个地物与降水回波体扫资料进行数据统计和典型个例分析,对比算法改进前后的识别效果,结果表明:径向速度处理改善了径向速度资料质量,使地物回波的平均径向速度接近于零,将地物回波识别命中率提高了6.25%;阈值的设定和特征参数的改进,改善了对气象回波的误判,虚警率降低了1%~2%。     

利用SCIT算法分析江淮地区对流云特征

本文设计了一种运用SCIT算法提取雷达拼图中对流云特征量的方法:用SCIT算法识别并追踪云体,算法中只用一个反射率阈值识别对流单体、云体边界;使用模糊逻辑法区分层状云和对流云,提取对流云雷达特征量。使用该方法提取了2013—2015年江淮地区夏季对流云的雷达特征量,并对雷达特征量与降水量分布的关系进行统计分析。结果表明:江淮地区夏季对流云中生命史为13～30 min的对流云比较多,约占总数的60%;生命史大于30 min的对流云较少,并具有平均回波强度、VIL、冷层厚度较大的特征,其最大回波强度和VIL与降水量的相关性较好。     

突发性强对流天气快速识别预警改进方法

传统多普勒天气雷达强对流灾害性天气监测采用固定阈值判别法给出强风暴的冰雹闪电灾害预警结果,该方法不适用于不同经纬度、季节和复杂地形条件下的强对流天气识别预警。本文利用循环递归的区域生长法对TITAN算法进行改进,从而快速识别三维强风暴单体及其雷达特征物理量;使用多普勒天气雷达和TRMM星载气象雷达的历史观测数据反演河北石家庄地区春夏两季复杂地形条件下的强风暴灾害性天气Logistics多元线性回归概率预警模型。对发生在河北石家庄夏季的一次强飑线天气和发生在春季的一次超级多单体风暴天气进行冰雹闪电灾害性天气识别预警实验,并与传统算法进行误差对比分析。实验结果表明:与传统算法对比,该方法对强风暴天气识别预警的定位精度较高,并且其漏报率和虚报率较低,有助于快速识别预警强对流灾害性天气。      

基于雷达三维组网数据的对流性地面大风自动识别

应用雷达三维组网数据和地面加密自动站风场资料,统计分析了对流性地面大风的6个主要雷达识别指标：风暴最大反射率因子、风暴最大垂直积分液态水含量、垂直积分液态水含量随时间变率、风暴最大反射率因子下降高度、风暴体移动速度和垂直积分液态水含量密度等参数。根据雷达识别指标和地面大风的相关程度,给出了识别指标的隶属函数和权重系数;采用不等权重法,建立了具有模糊逻辑的对流性地面大风识别方法。并将对流性地面大风的出现概率分为3级：当识别风暴单体的判据小于0.3时,出现对流性地面大风的概率小;当判据在0.3—0.5时,产生对流性地面大风的概率较大;当判据大于0.5时,出现对流性地面大风的概率很大。通过对河北省2012年6月21日线状风暴和2009年7月23日孤立单体风暴引发的灾害大风典型个例的识别效果检验,证明这种方法识别到的风暴单体跟踪效果良好,识别出的大风范围与实况风场基本吻合,命中率、虚警率和临界成功指数分别达81.8%、25.0%和64.3%,利用模糊逻辑原理建立对流性大风的识别算法是切实可行的。     

基于支持向量机的雷暴大风识别方法

基于北京市观象台雷达基数据和加密自动气象站数据,利用支持向量机算法建立了雷暴大风天气的有效识别模型。首先确立了9个用于识别雷暴大风的预报因子:回波顶高、最大反射率因子、最大反射率因子所在高度、垂直积分液态水含量、垂直积分液态水含量随时间变率、垂直积分液态水含量密度、雷暴大风发生前最大反射率因子下降高度、风暴移动速度、速度谱宽。通过计算各预报因子在大风和非大风样本中的概率分布,得到对应的各项预报因子雷暴大风的隶属度,利用得到的隶属度函数对样本进行归一化处理。确立核函数和模型参数,利用支持向量机建立雷暴大风天气的提前识别和临近预警模型。通过对北京2017年7月7日飑线和2012年5月19日块状回波引起的灾害大风典型个例的识别效果检验,得到两个个例预测的命中率、误判率和临界成功指数分别为92.0%,22.1%,73.0%和99.1%,40.5%,59.2%,对于提高雷暴大风预警预报的准确率有一定帮助。     

北京2004年“7.10”突发性对流强降水的雷达回波特征分析

利用新一代天气雷达回波资料和一个雷暴单体识别、追踪和分析算法, 对2004年7月10日下午造成北京局地短时强降水的雷暴特征进行了初步分析。在偏南暖湿气流中生成的对流云团, 在北京上空迅速发展, 逐渐形成了一个覆盖城区的β-中尺度对流超级复合体, 导致了这次强降水过程。详细分析表明, 强对流主要是来自城区西南和东南两个方向生成和发展起来的雷暴。在北京西南部的雷暴逐渐向东北的城近郊区移动和发展, 并与新生成的雷暴合并加强, 造成了石景山、门头沟和海淀部分地区的大雨。在北京东南部逐渐形成的两个小雷暴单体迅速增长并向西北方的城区移动, 在到达城区时合并且迅速加强, 但移速缓慢, 在北京城区维持了两个多小时, 造成了城区的大暴雨过程, 降水量大但空间分布不均匀。雷暴顶高度和最大反射率因子的关系呈反位相变化, 雷暴最大反射率因子出现的高度均位于0 ℃等温线之下 (≥0 ℃) 或其附近, 雷暴的中心和反射率因子权重质心也基本位于0 ℃等温线之下, 均证实了这是一个典型的液态强降水对流系统。分析还表明, 20:00 (北京时) 左右的超强雷达回波是由大气异常传播造成的虚假超折射回波。     

交叉相关外推算法的改进及其在对流临近预报中的应用

交叉相关外推算法是目前对流临近预报的主要算法之一。它主要是通过计算雷达回波等资料在连续时次的空间最优相关, 得到对流系统不同位置的移动矢量特征, 并基于这些获得的移动矢量对雷达回波等进行外推, 从而达到预报的目的。因为算法既考虑了回波移动矢量大小和方向的变化, 也考虑了整个回波在移动过程中的形变, 所以, 基于该算法的外推临近预报具有一定的物理意义。该文介绍了交叉相关外推预报算法的基本原理, 对算法进行了一系列的质量控制, 包括抑制地物杂波和噪声的影响、对“丢失”计算的点进行矢量补充以及对追踪的矢量进行平滑处理等多个步骤。个例对比分析表明:算法在通过质量控制和优化处理后, 追踪的回波移动矢量质量明显改善。利用优化后的算法, 对2004年夏季和2005年夏季发生在京津冀地区的4个强对流个例, 包括2次飑线过程、1次雹暴过程和1次强雷暴过程, 进行了外推临近预报试验, 并且对算法在对流临近预报中的效果做了初步的检验评估。结果表明:该算法对强对流天气过程的临近预报具有一定效果, 算法可以给出未来30 min或者60 min内雷达回波和雷暴位置以及形状的外推预报, 预报结果与实况比较接近。     

基于数学形态学的三维风暴体自动识别方法研究

基于雷达数据的风暴体识别、追踪及预警方法是重要的临近预报技术之一,其中准确的风暴体自动识别是进行风暴体自动追踪和预警的前提。在风暴体识别中常会碰到的两个问题是:虚假合并和从风暴簇中分离出相距较近的风暴单体。美国国家大气科学研究中心提出的TITAN(Thunderstorm Identification,Tracking,Analysis,and Nowcasting)算法使用单阈值进行识别,容易将相邻的多单体回波识别为一个风暴体。美国国家强风暴实验室提出的SCIT(Storm Cell Identification and Tracking)算法使用7个反射率因子阈值进行识别,可以较好地分离出风暴簇中的风暴单体,但它直接抛弃了低阈值的识别结果,导致风暴体内部结构信息的丢失。SCIT的这种识别策略可能会使处于初生阶段、强度较低的风暴体被错误地抛弃掉。TITAN和SCIT都无法完全识别出相邻风暴的虚假合并。为了解决这两个问题,文章提出了基于数学形态学的识别方法。该方法首先使用第1级阈值进行单阈值识别;其次,对识别得到的风暴体执行基于动态卷积模板的腐蚀操作,以消除虚假合并;然后,使用高一级阈值进行识别,并对识别得到的风暴体进行膨胀操作,当风暴体的边界在膨胀的过程中相互之间接触,或接触到了原来较低阈值识别的风暴体的边界时,则停止膨胀过程;最后,逐次使用更高级别的阈值进行识别,并在每一级阈值的识别过程中执行腐蚀和膨胀操作。试验结果表明,通过在多阈值识别的过程中综合使用膨胀和腐蚀操作,基于数学形态学的三维风暴体识别方法不仅能够成功地识别出风暴体的虚假合并,同时还能在从风暴簇中分离出相距较近的风暴单体时,尽可能多地保留风暴单体的内部结构信息。     

雷暴与强对流临近天气预报技术进展

临近预报指0—6h(0—2h为重点)的高时空分辨率的天气预报,预报对象是该时段内出现明显变化的天气现象,主要包括雷暴、强对流、降水、冬季暴风雪、冻雨、沙尘暴、低能见度(雾)、天空云量等,其中,以雷暴和强对流天气的临近预报最具挑战性。综述了针对雷暴和强对流天气的以主观预报为主、结合客观算法的临近预报技术,同时讨论了高分辨率数值预报模式在临近预报中的应用。主观临近预报技术包括基于多普勒天气雷达观测数据并结合其他资料(常规高空和地面观测、气象卫星云图、快速同化循环的数值预报产品等)对雷暴生成、发展和衰减,特别是对强对流天气(包括强冰雹、龙卷、雷暴大风和对流性暴雨)的临近预报,客观算法包括几种应用最广的雷达回波或云图外推算法和强对流天气识别技术。高分辨率数值预报模式的应用包括与雷达回波外推融合延长临近预报时效,与各种观测资料融合得到快速更新的三维格点资料为雷暴和强对流近风暴环境的判断提供重要参考。     

阵风锋自动识别与预警

根据阵风锋的回波特征, 该文设计了阵风锋自动识别算法。在速度场中,考虑辐合线识别;在强度场中,考虑窄带回波识别;根据窄带与辐合线的空间一致性,综合二者识别出阵风锋。基于该算法,以锋线闪烁和物理量输出两种方式实现了预警功能。最后利用地面自动气象站资料和2009年6月3日河南商丘、郑州及2009年6月5日安徽阜阳3个雷达站探测的阵风锋98个体扫样本资料检验了识别效果,并采用临界成功指数进行评估。结果表明:双向梯度法能有效滤除大范围降水回波而保留窄带回波;该算法只需考虑较低仰角层,大大提高识别效率。在速度场中采用的算法能有效识别出径向辐合线,同时也适用于低空径向风切变和辐合线的识别;利用临界成功指数对98个体扫样本进行识别率评估,识别率达到68.4%。