一种由“列车效应”引起的暴雨识别及预报方法
【专利摘要】本发明公开了一种由“列车效应”引起的暴雨识别及预报方法，包括对实时雷达数据进行预处理；将经过面积初筛的单体进行初步拟合，消除干扰，寻找“列车效应”疑似区域；确定“列车效应”疑似区域后便可进行“列车效应”的自动识别；利用疑似区域带状回波的质心移动距离以及轴线旋转角度进行带状回波的跟踪，实现“列车效应”的跟踪；根据单体运动惯性对“列车效应”的疑似区域的移向、移速、形状变化进行外推。本发明的有益效果是：当出现“列车效应”现象的气象时，不仅能够识别出“列车效应”向预报员发出警报，还能根据多个时刻的“列车效应”的天气状况进行外推，对预报员进行后续的预报提供重要参考，准确性及快速性较高。
【专利说明】-种由"列车效应"引起的暴雨识别及预巧方法
【技术领域】
[0001] 本发明涉及一种气象领域，特别是涉及一种由"列车效应"的暴雨识别及预报的方 法。
【背景技术】
[0002] 在城市中小尺度强对流天气常常造成激烈的天气现象，如局地大暴风、大风、冰琶 等灾害性天气，严重威胁人们的生命财产安全。天气雷达是探测降水系统的主要手段，是对 强对流天气进行监测和预警的主要工具。多普勒天气雷达全天候的探测能力和十分丰富的 反映大气层云雨生消演变过程的动态信息，大大加强了对中小尺度天气系统的探测和预警 能力，并为开展短时灾害性天气的监测预报，奠定了坚实基础。
[0003] "列车效应"是指某区在一段时间内频繁地、接连不断地生成空间尺度不大的对流 单体，而每生成一个对流单体即沿着某一方向移动，接着在同一地方生成新的对流单体继 续沿着同一方向移动，从而形成由一系列对流单体排列组成类似于"列车"的排列，该一"列 车"对其下游某一地区可W造成接连不断的"持续"影响，从而造成强降水，其是产生极端雨 量从而造成洪溃等灾害的主要回波特征。
[0004] 近几年随着我国多普勒天气雷达网的逐步建立，多普勒雷达在灾害性天气的监测 和预警上的作用日益凸现，使我国对灾害性天气预报的准确率在原有的基础上有所提高， 但若想要充分发挥其在天气监测和预警中的作用，还应有相应的基于多普勒天气雷达资料 的风暴识别、追踪和预报算法与之相配套。目前，可应用于"列车效应"的识别跟踪算法；雷 暴识别跟踪分析预报（TITAN)、风暴识别追踪算法（SCIT)。其中，TITAN算法是用单个反射 率因子阔值来识别强对流风暴的，此算法适用于整体风暴带，但是强度阔值少，不能很好的 提取风暴内部的参数W及分辨风暴簇的细微构造。而SCIT算法采用走个阔值来识别风暴 的质也，可W较好地识别出风暴簇中的风暴单体，但是只保留高阔值的识别结果，而舍弃了 低阔值的识别结果，丢失了大量的风暴体结构信。
【发明内容】
[0005] 本发明所要解决的技术问题是，提供一种在实时天气监测预报中，当出现"列车效 应"现象时不仅能够识别出"列车效应"向预报员发出警报，还能根据多个时刻的"列车效 应"的天气状况进行外推的暴雨预报方法。
[0006] 本发明所采用的技术方案是；一种由"列车效应"引起的暴雨识别及预报方法，包 括如下步骤；步骤SI,对实时雷达数据进行预处理：消除超折射、细微单体及虚假合并；步 骤S2,将经过面积初筛的单体进行初步拟合：消除干扰，并对结果进行聚类，再对聚类结果 进行二次拟合，寻找"列车效应"疑似区域；步骤S3,确定"列车效应"疑似区域后：进行"列 车效应"的自动识别，如果是，则判断其为"列车效应"，进行S4,如果不是，则跳转到对下一 时刻的雷达数据进行处理，即从Sl开始；步骤S4,利用疑似区域带状回波的质也移动距离 W及轴线旋转角度进行带状回波的跟踪；在确定了整体带状回波的位置后，利用化矩和形 态变化进行疑似区域内的单体跟踪，实现"列车效应"的跟踪；步骤S5,根据单体运动惯性 对"列车效应"的疑似区域的移向、移速、形状变化进行外推。
[0007] 所述Sl中对实时雷达数据进行预处理的步骤为；SlOl ;通过抬高雷达回波数据 的仰角，滤除对自动识别阶段有较强干扰的超折射回波；S102 ;通过设定面积阔值，将不满 足阔值条件的细微单体删除；S103 ;判断目标连通区域反射率是否大于40地Z，如果大于 40地Z，则腐蚀一个像素点，将强回波区域少腐蚀一些；如果小于40地Z，则腐蚀两个像素 点，将弱回波区域多腐蚀一些，然后提高一级阔值，判断是否能检测到高一级阔值的单体， 若能检测到单体，则膨胀，并重复上述过程，若不能检测到单体，则停止。
[0008] 所述步骤S2具体包括如下步骤；S201 ;先用质也法得到各单体的代表点，再对该 些点进行直线拟合，得到"列车效应"的拟合直线，然后删除偏离该拟合直线程度比较大的 单体，消除与"列车效应"不相干的外围单体的干扰；S202 ;经过初步拟合后得到满足要求 的单体，提取该些单体的质也，利用近邻传播法进行自动聚类，然后分别针对每一类的点集 再次进行直线拟合，并删除偏离拟合直线程度较大的单体，得到"列车效应"的疑似区域。
[0009] 所述步骤S3具体包括如下步骤；S301 ;提取疑似区域中整体带状回波的信息，判 断整体带状回波的最小外界矩形的长宽比、整体带状回波的平均反射率和平均速度是否满 足"列车效应"标准，若满足标准则继续下面的判断过程，如若不满足标准则判断为不是"列 车效应"则废除，继续对下一时刻雷达数据进行从第一步开始的重新处理；S302 ;提取疑似 区域中所有单体的各项特征，放入规则库中，利用标准投票法判断该些单体回波是否满足 "列车效应"单体回波条件，在对疑似区域中所有单体进行判断识别后统计满足"列车效应" 单体回波条件的单体占所有单体的比例，若满足阔值条件，则判断为"列车效应"。
[0010] 所述步骤S4具体包括如下步骤；S401 ;对"列车效应"跟踪时，将"列车效应"整 体带状回波和单体回波的属性相融合；S402 ; W "列车效应"整体带状回波作为研究对象， 计算整体带状回波的质也位置和长轴线方向，并找出整体带状回波在相邻两时刻之间所有 可能的运动路径组合，计算出每种路径组合下带状回波质也的移动距离和长轴线的旋转角 度，在满足条件的路径组合中，选取最短路径组合作为回波带的移动路径；S403 ;确定了整 体带状回波的位置后，针对同一整体带状回波，计算当前时刻每个单体与前一时刻每个单 体之间的面积差异，如果面积差异小于一个阔值，则把前一时刻中的该些单体存储下来作 为一个与当前单体的可能的匹配，然后通过化矩计算出当前单体与其所有可能匹配的单 体的轮廓的相似程度，相似程度最大的组合被认为是同一单体，两者标注相同的ID ;S404 ; 基于初次对"列车效应"的识别及判定结果，划定区域范围，减小再次运算时间并提高准确 度；S405 ;通过对前后时间序列单体的各项特征的比较、整体带状特征的比较、"列车效应" 独有的整体带的长轴线方向与运动方向的比较、速度和运动方向的比较，获取关联性最大 的整体带与带内各个单体之间的信息，形成一一对应的关系。
[0011] 所述步骤S5具体包括如下步骤；S501 ;连续录入H个时刻"列车效应"数据，获 取相关特征，构造连续时刻的时间序列，建立单体族谱关系，通过相邻时次单体的相似性检 查与对比，并通过计算，识别出单体发生发展消亡的运动轨迹，从而预测单体的运动趋势； S502;首先进行整体带状回波的外推，根据单体运动的惯性，分别由录入的连续H个时刻间 的整体带的平均速度、移动方向和长轴线方向来确定下一时刻整体带的移动速度、移动方 向和长轴线方向，综合上述立个信息即可完成"列车效应"整体带状回波的跟踪；S503 ;在 外推出整体带状回波位置的基础上，用相同的方法对其中各单体回波的位置进行外推。
[0012] 所述的H个时刻分别进行6分钟、12分钟、18分钟外推。
[0013] 本发明的有益效果是；当出现"列车效应"现象的气象时，不仅能够识别出"列车效 应"向预报员发出警报，还能根据多个时刻的"列车效应"的天气状况进行外推，对预报员进 行后续的预报提供重要参考，准确性及快速性较高。
【专利附图】
【附图说明】
[0014] 图1中图a为原反射率图，图b滤除超折射后的反射率图；
[0015] 图2是经过面积初筛剩余单体的初步拟合图；
[0016] 图3中图a、b分别为原始轮廓和其对应的代表点；
[0017] 图4是图3的自动聚类图；
[0018] 图5中图a、b分别为各局部区域二次拟合后的图像；
[0019] 图6是存在两个过程的典型"列车效应"图；
[0020] 图7中图a、b、c分别为6、12、18分钟"列车效应"真实图与外推图对比图，
[0021] 图中所示为真实的图像与外图像对比图，其中al、bl、cl与a3、b3、c3为6、12、18 分钟"列车效应"真实反射率图与其局部放大图，a2、b2、c2与a4、b4、c4为6、12、18分钟 "列车效应"外推图与局部放大图。
【具体实施方式】
[0022] 下面结合附图和【具体实施方式】对本发明作进一步详细说明：
[0023] 一种由"列车效应"引起的暴雨识别及预报方法，包括如下步骤：
[0024] 步骤SI,对实时雷达数据进行预处理：消除超折射、细微单体及虚假合并；SlOl ; 通过抬高雷达回波数据的仰角，滤除对自动识别阶段有较强干扰的超折射回波；S102 ;通 过设定面积阔值，将不满足阔值条件的细微单体删除；S103 ;判断目标连通区域反射率是 否大于40地Z，如果大于40地Z，则腐蚀一个像素点，将强回波区域少腐蚀一些；如果小于 40地Z，则腐蚀两个像素点，将弱回波区域多腐蚀一些，然后提高一级阔值，判断是否能检测 到高一级阔值的单体，若能检测到单体，则膨胀，并重复上述过程，若不能检测到单体，则停 止。
[0025] 步骤S2,将经过面积初筛的单体进行初步拟合：消除干扰，并对结果进行聚类，再 对聚类结果进行二次拟合，寻找"列车效应"疑似区域；S201 ;先用质也法得到各单体的代 表点，再对该些点进行直线拟合，得到"列车效应"的拟合直线，然后删除偏离该拟合直线程 度比较大的单体，消除与"列车效应"不相干的外围单体的干扰；S202 ;经过初步拟合后得 到满足要求的单体，提取该些单体的质也，利用近邻传播法进行自动聚类，然后分别针对每 一类的点集再次进行直线拟合，并删除偏离拟合直线程度较大的单体，得到"列车效应"的 疑似区域。
[0026] 步骤S3,确定"列车效应"疑似区域后：进行"列车效应"的自动识别，如果是则判 断其为"列车效应"，进行S4,如果不是，则跳转到对下一时刻的雷达数据进行处理，即从Sl 开始；S301 ;提取疑似区域中整体带状回波的信息，判断整体带状回波的最小外界矩形的 长宽比、整体带状回波的平均反射率和平均速度是否满足"列车效应"标准，若满足标准则 继续下面的判断过程，如若不满足标准则判断为不是"列车效应"则废除，继续对下一时刻 雷达数据进行从第一步开始的重新处理；S302 ;提取疑似区域中所有单体的各项特征，放 入规则库中，利用标准投票法判断该些单体回波是否满足"列车效应"单体回波条件，在对 疑似区域中所有单体进行判断识别后统计满足"列车效应"单体回波条件的单体占所有单 体的比例，若满足阔值条件，则判断为"列车效应"。
[0027] 步骤S4,利用疑似区域带状回波的质也移动距离W及轴线旋转角度进行带状回波 的跟踪：在确定了整体带状回波的位置后，利用化矩和形态变化进行疑似区域内的单体跟 踪，实现"列车效应"的跟踪；S401 ;对"列车效应"跟踪时，将"列车效应"整体带状回波和 单体回波的属性相融合；S402 ; W "列车效应"整体带状回波作为研究对象，计算整体带状 回波的质也位置和长轴线方向，并找出整体带状回波在相邻两时刻之间所有可能的运动路 径组合，计算出每种路径组合下带状回波质也的移动距离和长轴线的旋转角度，在满足条 件的路径组合中，选取最短路径组合作为回波带的移动路径；S403 ;确定了整体带状回波 的位置后，针对同一整体带状回波，计算当前时刻每个单体与前一时刻每个单体之间的面 积差异，如果面积差异小于一个阔值，则把前一时刻中的该些单体存储下来作为一个与当 前单体的可能的匹配，然后通过化矩计算出当前单体与其所有可能匹配的单体的轮廓的 相似程度，相似程度最大的组合被认为是同一单体，两者标注相同的ID ;S404 ;基于初次对 "列车效应"的识别及判定结果，划定区域范围，减小再次运算时间并提高准确度；S405 ;通 过对前后时间序列单体的各项特征的比较、整体带状特征的比较、"列车效应"独有的整体 带的长轴线方向与运动方向的比较、速度和运动方向的比较，获取关联性最大的整体带与 带内各个单体之间的信息，形成一一对应的关系。
[002引步骤S5,根据单体运动惯性对"列车效应"的疑似区域的移向、移速、形状变化进行 外推。S501 ;连续录入H个时刻"列车效应"数据，获取相关特征，构造连续时刻的时间序列， 建立单体族谱关系，通过相邻时次单体的相似性检查与对比，并通过计算，识别出单体发生 发展消亡的运动轨迹，从而预测单体的运动趋势；S502 ;首先进行整体带状回波的外推，根 据单体运动的惯性，分别由录入的连续H个时刻间的整体带的平均速度、移动方向和长轴 线方向来确定下一时刻整体带的移动速度、移动方向和长轴线方向，综合上述H个信息即 可完成"列车效应"整体带状回波的跟踪；S503 ;在外推出整体带状回波位置的基础上，用 相同的方法对其中各单体回波的位置进行外推；所述的H个时刻分别进行6分钟、12分钟、 18分钟外推。
[002引 实施例：
[0030] 如图1中的图a到图b的过程所示，对实时雷达数据进行预处理，消除超折射、细 微单体及虚假合并。通过抬高雷达回波数据的仰角，滤除对自动识别阶段有较强干扰的超 折射回波；通过设定面积阔值，将不满足阔值条件的细微单体删除；判断目标连通区域反 射率是否大于40地Z，如果大于40地Z，则腐蚀一个像素点，如果小于，则腐蚀两个像素点， 目的是将强回波区域少腐蚀一些，将弱回波区域多腐蚀一些。然后用高一级阔值识别，判断 是否能检测到高一级阔值的单体，若能检测到则膨胀，并重复上述过程，若不能，则停止。
[0031] 如图2至图5所示，将经过面积初筛的单体进行初步拟合，消除干扰，并进对结 果利用近邻传播法进行聚类，再对聚类结果进行二次拟合，寻找列车效应疑似区域。具 体过程为；计算二值化后各单体轮廓的质也，并根据Q = E如-a-bXi)2,其中Q为所形 成的拟合直线的残差平方和，a表示拟合直线的截距，a = v-6吉；b为拟合和直线斜率 /，= )U. - S (-V, - )2，X = S - V' =乙;为 J'化目标残差平方和最 小，可W通过求偏导数的方式；^ = 〇, ^ = 0,获得拟合直线，并由拟合直线及两端点。 Oa Oh 图2中的粗线即为单体各质也拟合所得直线；计算各质也与该两个端点所形成的斜率，与 拟合直线进行比较，将差值大于设定阔值的质也所对应的轮廓删除。针对聚类后的各个单 体所形成的不通过程，分别进行拟合，获得不同的拟合直线，图3到图4即为一个聚类的过 程，图3中为经过初步拟合所得到各单体的质也，图4为聚类结果，图5为分类后二次拟合 的结果。通过上述过程的处理，便可大大消除"列车效应"识别过程中的干扰因素，得到"列 车效应"的疑似区域。
[0032] 上述过程中在聚类算法的选择上，采用了近邻传播法。它的理论基础是数据点的 相似度矩阵。对于规模较大的数据集，近邻传播法可W快速、高效的进行聚类，且结果比较 理想。它的核也是寻找目标区域的一个最优的代表点。该个类代表点，使得此区域中所有 数据到其的相似度之和最大，那么它们就可W被聚为一类。近邻传播法不像其他聚类算法， 开始聚类时，它会把所有数据点都假设成类代表点，该样，在后续的聚类过程中，就不会出 现收到初始值的设置W及人为的参与到聚类结果的情况发生，该也正是我们实现对"列车 效应"自动识别与跟踪的重要环节。其公式如下所示：
【权利要求】
1. 一种由"列车效应"引起的暴雨识别及预报方法，其特征是，包括如下步骤： 步骤S1，对实时雷达数据进行预处理：消除超折射、细微单体及虚假合并； 步骤S2,将经过面积初筛的单体进行初步拟合：消除干扰，并对结果进行聚类，再对聚 类结果进行二次拟合，寻找"列车效应"疑似区域； 步骤S3,确定"列车效应"疑似区域后：进行"列车效应"的自动识别，如果是则判断其 为"列车效应"，进行S4,如果不是，则跳转到对下一时刻的雷达数据进行处理，即从S1开 始； 步骤S4,利用疑似区域带状回波的质心移动距离以及轴线旋转角度进行带状回波的跟 踪：在确定了整体带状回波的位置后，利用Hu矩和形态变化进行疑似区域内的单体跟踪， 实现"列车效应"的跟踪； 步骤S5,根据单体运动惯性对"列车效应"的疑似区域的移向、移速、形状变化进行外 推。
2. 根据权利要求1所述的由"列车效应"引起的暴雨识别及预报方法，其特征是，所述 S1中对实时雷达数据进行预处理的步骤为： 5101 :通过抬高雷达回波数据的仰角，滤除对自动识别阶段有较强干扰的超折射回 波； 5102 :通过设定面积阈值，将不满足阈值条件的细微单体删除； 5103 :判断目标连通区域反射率是否大于40dBZ，如果大于40dBZ，则腐蚀一个像素点， 将强回波区域少腐蚀一些；如果小于40dBZ，则腐蚀两个像素点，将弱回波区域多腐蚀一 些，然后提高一级阈值，判断是否能检测到高一级阈值的单体，若能检测到单体，则膨胀，并 重复上述过程，若不能检测到单体，则停止。
3. 根据权利要求1所述的由"列车效应"引起的暴雨识别及预报方法，其特征是，所述 步骤S2具体包括如下步骤： 5201 :先用质心法得到各单体的代表点，再对这些点进行直线拟合，得到"列车效应"的 拟合直线，然后删除偏离该拟合直线程度比较大的单体，消除与"列车效应"不相干的外围 单体的干扰； 5202 :经过初步拟合后得到满足要求的单体，提取这些单体的质心，利用近邻传播法进 行自动聚类，然后分别针对每一类的点集再次进行直线拟合，并删除偏离拟合直线程度较 大的单体，得到"列车效应"的疑似区域。
4. 根据权利要求1所述的由"列车效应"引起的暴雨识别及预报方法，其特征是，所述 步骤S3具体包括如下步骤： 5301 :提取疑似区域中整体带状回波的信息，判断整体带状回波的最小外界矩形的长 宽比、整体带状回波的平均反射率和平均速度是否满足"列车效应"标准，若满足标准则继 续下面的判断过程，如若不满足标准则判断为不是"列车效应"则废除，继续对下一时刻雷 达数据进行从第一步开始的重新处理； 5302 :提取疑似区域中所有单体的各项特征，放入规则库中，利用标准投票法判断这些 单体回波是否满足"列车效应"单体回波条件，在对疑似区域中所有单体进行判断识别后统 计满足"列车效应"单体回波条件的单体占所有单体的比例，若满足阈值条件，则判断其为 "列车效应"。
5. 根据权利要求1所述的由"列车效应"引起的暴雨识别及预报方法，其特征是，所述 步骤S4具体包括如下步骤： 5401 :对"列车效应"跟踪时，将"列车效应"整体带状回波和单体回波的属性相融合； 5402 :以"列车效应"整体带状回波作为研究对象，计算整体带状回波的质心位置和长 轴线方向，并找出整体带状回波在相邻两时刻之间所有可能的运动路径组合，计算出每种 路径组合下带状回波质心的移动距离和长轴线的旋转角度，在满足条件的路径组合中，选 取最短路径组合作为回波带的移动路径； 5403 :确定了整体带状回波的位置后，针对同一整体带状回波，计算当前时刻每个单体 与前一时刻每个单体之间的面积差异，如果面积差异小于一个阈值，则把前一时刻中的这 些单体存储下来作为一个与当前单体的可能的匹配，然后通过Hu矩计算出当前单体与其 所有可能匹配的单体的轮廓的相似程度，相似程度最大的组合被认为是同一单体，两者标 注相同的ID ; S404:基于初次对"列车效应"的识别及判定结果，划定区域范围，减小再次运算时间并 提高准确度； S405 :通过对前后时间序列单体的各项特征的比较、整体带状特征的比较、"列车效应" 独有的整体带的长轴线方向与运动方向的比较、速度和运动方向的比较，获取关联性最大 的整体带与带内各个单体之间的信息，形成一一对应的关系。
6. 根据权利要求1所述的由"列车效应"引起的暴雨识别及预报方法，其特征是，所述 步骤S5具体包括如下步骤： 5501 :连续录入三个时刻"列车效应"数据，获取相关特征，构造连续时刻的时间序列， 建立单体族谱关系，通过相邻时次单体的相似性检查与对比，并通过计算，识别出单体发生 发展消亡的运动轨迹，从而预测单体的运动趋势； 5502 :首先进行整体带状回波的外推，根据单体运动的惯性，分别由录入的连续三个时 刻间的整体带的平均速度、移动方向和长轴线方向来确定下一时刻整体带的移动速度、移 动方向和长轴线方向，综合上述三个信息即可完成"列车效应"整体带状回波的跟踪； S503:在外推出整体带状回波位置的基础上，用相同的方法对其中各单体回波的位置 进行外推。
7. 根据权利要求6所述的由"列车效应"引起的暴雨识别及预报方法，其特征是，所述 的三个时刻分别进行6分钟、12分钟、18分钟外推。
【文档编号】G06T7/60GK104237890SQ201410446007
【公开日】2014年12月24日 申请日期:2014年9月3日 优先权日:2014年9月3日
【发明者】路志英, 陈靖, 程亮, 尹静 申请人:天津大学