多普勒雷达遥感强风暴的预警方法

本发明属于大气环境的遥感监测技术，具体涉及一种多普勒雷达遥感强风暴的自动预警 方法。

强对流天气，也称强风暴，是主要的灾害性天气之一，包括雷电、冰雹、雷雨、大风等， 其发生时会产生巨大的社会危害。因此，对强风暴的监测和预警具有显著的社会和经济意义。 由于强风暴空间尺度较小、持续时间较短，运用常规观测手段难以对其进行有效监测。而多 普勒天气雷达目前是强风暴的主要遥感监测手段，具有很高的时空分辨率，并且可以观测风 暴的三维空间结构。

强风暴在天气雷达上以三维回波图像的形式出现。当回波分布稀疏，且变化缓慢时，较 容易进行预警。但对回波分布密集的风暴簇，或回波变化剧烈，频繁出现分裂与合并等复杂 情况，会给预警带来很大困难，现有的方法无法处理。但随着气候变暖，极端强对流灾害天 气频发，这些回波分布复杂情况的出现也愈发频繁。因此，针对这些回波分布密集、分裂合 并频繁等复杂情况，提出能够处理这些问题的风暴自动预警方法是十分重要的。

本发明的目的，是提供一种强风暴的自动预警方法，以弥补现有技术的不足。

本发明首先在风暴的识别上，采用基于数学形态学的方法，可以较好地解决虚假合并问 题，并能从复杂的风暴簇中分离出风暴单体。然后，在风暴的追踪上，引入序贯蒙特卡洛方 法，使得追踪过程大为简化。不仅可以在追踪的过程中同时处理风暴的分裂与合并，还可以 处理风暴的漏测情况。最后，对风暴的预警，结合光流法得到的运动矢量场，进行线性拟合 外推预警。

本发明的强风暴预警方法步骤如下：

1.数据预处理：将质量控制后的雷达基数据，插值到三维地理坐标下。

2.强风暴的识别：本发明提出了基于数学形态学的风暴识别方法，首先使用第一级阈值 进行单阈值识别；其次，对识别得到的风暴执行腐蚀操作，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，并在每一个级阈值的识别过程中执行腐蚀和膨胀操作。

3.强风暴的追踪：本发明将序贯蒙特卡洛方法应用于风暴的追踪，其基本过程是一个随 着时间序列进行迭代的过程，每次迭代包括三步：抽样，预测和测量，从而实时地获得所需 要的动态信息。

本发明对相邻时刻风暴的追踪采用雷达组合反射率因子图像。抽样所得的每一个粒子都 要通过一阶线性系统模型，进行一步预测。

(1)相邻时刻风暴的追踪。定义为事件：t时刻的第m个风暴由t‑1时刻的第k个
风暴发展而来。当观测Y_t到达后，计算事件发生的概率：

$p\left({\mathrm{\θ}}_t^{m,k}\right|Y_t)=\max (\frac{{\mathrm{NF}}_{m,k}}{A_m},\frac{{\mathrm{NF}}_{m,k}}{A_k}),m=1..N_t,k=1..N_{t-1}$

其中，A_m是t时刻第m个风暴的面积，A_k是t‑1时刻第k个风暴的面积，NF_m，k是指从t‑1
时刻第k个风暴抽样出来的所有粒子中，经一步预测之后落入t时刻第m个风暴的粒子数目，
如果大于阈值T_r，本发明设为0.5，则t时刻的第m个风暴被认为是由t‑1时刻的
第k个风暴发展而来的。

(2)风暴漏测的处理。使用延迟逻辑来解决这个问题，即在当前时刻不做出决策，而是 延迟一个或多个时刻，直到有充分多的信息时才做出决策。首先，在t‑2时刻，对风暴做均匀 抽样并进行一步预测；然后，在t‑1时刻，对一步预测得到的新的粒子更新权重w，方法如下：

j＝1..NP，其中，I_j，t‑1是在粒子j所处位置实际观测到的反射率因子的值，
NP是在t‑2时刻从风暴中抽样的粒子数目，T_zmin是风暴算法中的第1级反射率因子阈值。正规化
这些粒子的权重，使得

按照来估计的风暴虚拟质心位置。然后，对粒子集进
行重抽样并进行一步预测，根据即可判断t‑2，t‑1，和t时刻风暴的关系，即是否出
现了漏测。

(3)分裂、合并的处理。根据的值，并从粒子与风暴边界的相对位置，容易判
断如果t时刻的两个风暴都是由t‑1时刻的同一个风暴发展而来的，则认为t‑1时刻的这个风暴
发生了分裂；类似地，可以判别合并的情况

4.强风暴的预警：首先，对最近时刻及前一时刻的雷达数据，计算其组合反射率因子图 像，使用光流法计算得到运动矢量场；然后对每一个识别的风暴，计算其所覆盖区域的平均 运动矢量(Vave)；最后，使用Vave和风暴的质心位置，预警未来时刻的风暴位置；对风暴的顶高、 体积等属性参数，使用一阶线性模型预警。

5.结果输出：不难将以上方法编制成软件系统在计算机上，以图像形式显示出来。

本发明的优点：可以有效的消除风暴的虚假合并，而且能够在回波分布较密集的情况下 正确地识别风暴；在风暴追踪过程中充分考虑了可能的风暴漏测情况，有效解决了风暴的分 裂与合并问题；结合使用回波运动矢量场和一阶线性模型进行预警，得到更稳定的结果。

图1是本发明的强风暴的预警方法的流程示意图。

如图1是本发明的强风暴预警方法的实现步骤如下：

1.数据预处理。首先进行质量控制，去除质量有严重问题的雷达基数据。然后采用径向和方 位上的最近邻居法和垂直线性内插法，将极坐标系下的基数据插值到三维地理坐标下。

2.强风暴的识别。主要步骤如下：

1)使用第一级阈值Tz，min，使用三维聚类法进行风暴的识别。

2)对第1)步识别得到的三维风暴进行一次腐蚀操作，消除相邻风暴之间的微弱连接， 从而解决虚假合并的问题。

3)依次使用阈值Tz，1＝Tz，min+(i‑1)×5dBZ，i＝2…Nthresh，进行风暴的识别，并 对识别的结果进行腐蚀和膨胀操作，从而逐级地分离出风暴簇中强弱不均的各个风暴单体。

3.强风暴的追踪：将序贯蒙特卡洛方法的原理应用于风暴的追踪，其基本过程是一个随着时 间序列进行迭代的过程，每次迭代包括三步：抽样，预测和测量。

(1)对相邻时刻风暴的追踪

a)抽样。对t‑1时刻的每一个被识别出来的风暴，在其覆盖的区域内进行重要性抽样， 抽样时考虑每一个样本所处位置处的反射率因子的大小，抽样的粒子数为：

NPk＝floor(Ak)，k＝1...Ni‑1

其中，Ak为第k个风暴的投影面积，大小在30～1000km2。Nt‑1为t‑1时刻检测到的风 暴总数。Floor(Ak)是指取不超过Ak的最大整数。

对每一个粒子状态以它所在的位置坐标x＝(x，y)表示。同时，为每个粒子分配其所属
风暴的标识号和一个相同的权重w。暴体的标识号用来在后继的预测和测量阶段区分属于不
同风暴的粒子。对t‑1时刻的第k个风暴，从中抽样得到的粒子集合可以表示为：
${\{x_{j,t-1},w_{j,t-1}=1/\mathrm{NP},k\}}_{j=1}^{{\mathrm{NP}}_k}.$

b)预测。通过使一个粒子都通过一阶线性系统模型：

xt＝xt‑1+Vt×Δt+ω(t)

得到在下一个时刻的预测位置。其中，Vt是由光流法计算得到的点(x，y)处的运动矢量。Δt 是雷达的采样间隔，一般是5～10分钟。ω(t)是均值为0，方差为σ2的高斯噪声。

c)测量。定义为事件：t时刻的第m个风暴由t‑1时刻的第k个风暴发展而来。当观
测Y_t到达后，计算事件发生的概率：

$p\left({\mathrm{\θ}}_t^{m,k}\right|Y_t)=\max (\frac{{\mathrm{NF}}_{m,k}}{A_m},\frac{{\mathrm{NF}}_{m,k}}{A_k}),m=1..N_t,k=1..N_{t-1}$

其中，Am是t时刻第m个风暴的面积，Ak是t‑1时刻第k个风暴的面积。NFm，k是指从t‑1时刻第k 个风暴抽样出来的所有粒子中，经一步预测之后落入t时刻第m个风暴的粒子数目。

如果大于阈值T_r(T_r＝0.5)，则t时刻的第m个风暴被认为是由t‑1时刻的第k
个风暴发展而来的。

(2)风暴漏测的处理

首先，在t‑2时刻，对风暴做均匀抽样并进行一步预测；然后，在t‑1时刻，对一步预测 得到的新的粒子更新权重w，方法如下：

$w_{j,t-1}=\frac{I_{j,t-1}}{T_{\mathrm{zmm}}},j=1..\mathrm{NP}$

其中，I_j，t‑1是在粒子j所处位置实际观测到的反射率因子的值，NP是在t‑2时刻从风暴中
抽样的粒子数目，T_zmin是风暴算法中的第1级反射率因子阈值。正规化这些粒子的权重，使得
${\mathrm{\Σ}}_{j=1}^{\mathrm{NP}}{w}_{j,t-1}=1.$

最后，按照来估计的风暴虚拟质心位置。对粒子集进
行重抽样并进行一步预测，根据即可判断t‑2，t‑1，和t时刻风暴的关系，即是否出
现了漏测。

(3)分裂与合并的处理

根据的值，并从粒子与风暴边界的相对位置，容易判断如果t时刻的两个风暴都
是由t‑1时刻的同一个风暴发展而来的，则认为t‑1时刻的这个风暴发生了分裂；类似地，可
以判别合并的情况。

4.强风暴的预警。实现方法如下：

(1)风暴运动速度的预警。首先，使用光流法计算得到运动矢量场；然后对每一个识别 的风暴，计算其所覆盖区域的平均运动矢量(Vave)；最后，使用Vave和风暴的质心位置，预警未 来时刻的风暴位置。

(2)对风暴的顶高、体积等属性参数，使用一阶线性模型预警。

5.结果输出：不难将以上方法编制成软件系统在计算机上，以图像形式显示出来。

用本发明的方法，可以得到5‑10分钟间隔的雷达实时监测图像，并同时给出风暴的识别、 追踪和预警结果信息，为强对流天气的预警提高重要的参考依据，具有广阔的应用前景。