基于雷達基數(shù)據(jù)的風(fēng)暴單體跟蹤與預(yù)報*

路志英， 趙冬陽

(天津大學(xué) 電氣與自動化工程學(xué)院，天津 300072)

?

基于雷達基數(shù)據(jù)的風(fēng)暴單體跟蹤與預(yù)報*

路志英， 趙冬陽

(天津大學(xué) 電氣與自動化工程學(xué)院，天津 300072)

多普勒雷達基數(shù)據(jù)對風(fēng)暴單體的跟蹤及預(yù)報具有十分重要的意義。針對雷達監(jiān)測預(yù)報的原理和特點，建設(shè)性地提出了一種跟蹤和預(yù)報方法。根據(jù)“體掃間隔，特征相似，近距離優(yōu)先”三個匹配準則來匹配兩時刻的風(fēng)暴單體，再利用加權(quán)最小二乘法對風(fēng)暴單體在下一時刻的位置進行預(yù)報。通過對天津市2005～2011年間74個天氣過程的實驗和評估，結(jié)果表明：該方法的可預(yù)報單體數(shù)更多，單體平均預(yù)報誤差更小，能夠更好地實現(xiàn)風(fēng)暴單體的跟蹤及預(yù)報。

雷達基數(shù)據(jù)； 風(fēng)暴單體； 跟蹤和預(yù)報； 平均預(yù)報誤差

0 引 言

為了降低強對流天氣的影響，人工的預(yù)報工作越來越受到人們的重視。為了能夠減小預(yù)報的誤差提高預(yù)報的精度，就需要更好地利用雷達監(jiān)測和雷達基數(shù)據(jù)提取出的統(tǒng)計特征和雷達產(chǎn)品[1,2]。傳統(tǒng)的預(yù)報算法包括雷暴識別跟蹤及預(yù)報[3](TITAN)算法和風(fēng)暴單體識別和跟蹤(SCIT)算法在實際業(yè)務(wù)中取得了一些效果，但是由于沒有將風(fēng)暴單體的整體結(jié)構(gòu)和局部信息很好地利用起來，使得其在預(yù)報的精度上不夠高，以及預(yù)報時效上的不穩(wěn)定性，因此,具有一定的局限性[4]。

本文通過概括TITAN和SCIT兩種算法的優(yōu)點，針對其預(yù)報誤差大、可預(yù)報單體數(shù)少的問題，首先根據(jù)“體掃間隔，特征相似，近距離優(yōu)先”的三匹配準則匹配兩時刻的風(fēng)暴單體，再利用加權(quán)最小二乘法[5]對風(fēng)暴單體在下一時刻的位置進行預(yù)報。從評估結(jié)果來看，本文算法可預(yù)報單體個數(shù)更多,得到的單體位置平均預(yù)報誤差更小，能夠更好地實現(xiàn)風(fēng)暴單體的跟蹤及預(yù)報。

1 相關(guān)的工作

介紹了一種基于多普勒天氣雷達基數(shù)據(jù)的風(fēng)暴單體跟蹤和預(yù)報方法，以及兩個最常用的預(yù)報有效性評估指標，可預(yù)報單體數(shù)指標和單體位置平均預(yù)報誤差指標。

1.1 數(shù)據(jù)資料選取

所選多普勒雷達數(shù)據(jù)樣本為天津市2005年～2011年期間74個天氣過程，因為對于每一個體掃數(shù)據(jù)，單體可能處于不同的發(fā)展階段，因此,選擇這74個天氣過程中最具代表性的冰雹和暴雨作為研究的對象，共選取了74個單體。

1.2 風(fēng)暴單體跟蹤和預(yù)報方法

結(jié)合TITAN和SCIT[6]兩種風(fēng)暴單體算法的優(yōu)點，改進其不足和局限性，針對其預(yù)報誤差大、可預(yù)報單體數(shù)少的問題，利用5個體掃的位置進行擬合,加權(quán)最小二乘法[7]來進行風(fēng)暴單體的外推預(yù)報。

1.3 預(yù)報有效性指標

1)可預(yù)報單體數(shù)指標

任何一個風(fēng)暴單體都是有生命周期的，而且每個單體生命周期的長短也各不一樣，本文通過多普勒雷達獲取的基數(shù)據(jù)體掃周期為6 min，在直線擬合階段利用前10個或者5個體掃的位置進行擬合可預(yù)報的單體數(shù)目不盡相同。因為有的風(fēng)暴單體的生命周期太短，以至于無法進行外推預(yù)報，所以對于相同的樣本，可預(yù)報單體數(shù)是一個很好的預(yù)報有效性評估指標。

2)單體位置平均預(yù)報誤差指標

(1)

(2)

2 本文提出的方法

對于某個天氣過程中風(fēng)暴單體的預(yù)報，該天氣過程中前期體掃中單體的跟蹤是擬合和外推預(yù)報的基礎(chǔ)，本文通過以下三個匹配準則來確定同一個天氣過程中單體的時間序列。

2.1 匹配準則

1)體掃間隔準則

由于研究所選多普勒雷達數(shù)據(jù)前后2次的體掃時間間隔為6min，為了應(yīng)對由于雷達故障或者通信中斷造成的數(shù)據(jù)不連續(xù)問題，有必要對數(shù)據(jù)的連續(xù)性進行檢查。

具體方法是：對前后兩個單體的體掃時間間隔進行檢查，用時間閾值與其比較，若閾值小于該時間間隔，則此次出現(xiàn)了數(shù)據(jù)的不連續(xù)，不對其進行時間相關(guān)分析。

2)特征相似準則

本文利用2個數(shù)值來檢測前后體掃是否為同一個單體，一個是強度均值的差值，另一個是單體的面積比。統(tǒng)計分析大量單體發(fā)現(xiàn)，同一個天氣過程中，前后體掃的強度均值的大小變化小于5dBz，面積比的大小不超過40 %，即當

0.6

(3)

|Meant-Meant-1|<1

(4)

時，說明前后兩單體滿足特征相似準則，可認為這兩個單體屬于同一天氣過程。

3)近距離優(yōu)先準則

(5)

(6)

式中 (Xt-1,Yt-1)為上一體掃的坐標；V→t-1為上一體掃的運動向量；θ為運動向量與X軸的角度；Δt為雷達體掃間隔，Δt=6min。

任何物體在一定時間內(nèi)運動的距離是有限的，單體也是一樣，統(tǒng)計分析大量單體發(fā)現(xiàn)，同一個天氣過程中，時間為6min時，其運動距離小于20km，利用距離公式

(7)

式中 (Xt,Yt)為t時刻可識別單體坐標。

2.2 風(fēng)暴單體的外推預(yù)報

1)單體運動軌跡的擬合

通過以上三個匹配準則跟蹤了同一個天氣過程中單體的時間序列，當這個時間序列滿足5個單體數(shù)目時，即可擬合這個時間序列的運動軌跡。統(tǒng)計分析多個時間序列樣本發(fā)現(xiàn)，在同一個天氣過程中，在一定時間內(nèi)，單體是沿直線運動的。利用加權(quán)最小二乘法擬合[8]同一時間序列中的單體質(zhì)心擬合函數(shù)為

Y=ax+b

(8)

(9)

式中 wi為權(quán)值;m=5;ti為第i個單體出現(xiàn)的時刻。可知，越臨近當前時刻，權(quán)值越大，說明對當前時刻的單體影響越大。

2)風(fēng)暴單體位置預(yù)報

得到擬合直線后，利用該直線進行外推預(yù)報[9]。用1h序列內(nèi)5個單體的位置來獲取單體的運動速度大小和方向。單體的運動向量計算公式

(10)

(11)

式中 m=5;tk為第k次體掃時間。

3 實驗與仿真

在VisualStudio2010的編程環(huán)境下實現(xiàn)仿真。選取的樣本是2010年7月12日的一個冰雹過程。圖1為跟蹤匹配效果圖，共10個時刻，其中，矩形框描述的是單體的位置，白色線是同一個時間序列的單體連接線，也就是單體的實際運動路徑。

圖1 跟蹤效果

在完成圖1匹配的基礎(chǔ)上,對于滿足5個時刻的時間序列進行擬合，圖2為用加權(quán)最小二乘法擬合的效果圖。

圖2 擬合效果

從圖2可以看出，分別對3個時間序列進行擬合，得到擬合線，3個時間序列分別為15∶15時，單體①所在的時間序列；15∶21時，單體①和單體②分別所在的時間序列；15∶45時，單體①,②,③各自所在的時間序列。

在完成了時間序列擬合的基礎(chǔ)上，需要對其進行進一步預(yù)報，預(yù)報效果圖在圖3中給出。由圖3可知：分別對3個時間序列進行了5個時刻的預(yù)報，在圖上將預(yù)報的未來的5個位置用圓點表示。

圖3 位置預(yù)報效果

4 有效性評估

經(jīng)統(tǒng)計，74個單體中有50個滿足5個體掃但不滿足10個體掃，即SCIT算法和本文相比能夠預(yù)報的單體數(shù)少67.9 %，說明相同樣本條件下，本文算法的通用性更強，能對更多的風(fēng)暴單體進行預(yù)報。統(tǒng)計平均預(yù)報誤差，如表1所示。

表1 單體位置平均預(yù)報誤差

由表1可知:1) 本文算法的平均預(yù)報誤差比SCIT算法的要小，對于單體位置的預(yù)報更加精確。2)預(yù)報時間越短，誤差也越小，比較精確，時間越長，誤差逐漸增大，精確性下降。

5 結(jié)束語

本文在風(fēng)暴單體自動識別的基礎(chǔ)上，綜合考慮單體的個體信息和單體在整個時間序列的整體信息，提出了三匹配準則法，實現(xiàn)了很好的匹配跟蹤；加權(quán)最小二乘法充分考慮同一天氣過程中前后單體在擬合過程中的比重分配，使得單體運動軌跡擬合的更加準確。預(yù)報結(jié)果表明：本文方法可預(yù)報單體個數(shù)更多，單體平均預(yù)報誤差更小，能夠更好地實現(xiàn)風(fēng)暴單體的跟蹤及預(yù)報。

該方法不足之處在于進行的是一個短時間內(nèi)的預(yù)報，對于更長時間預(yù)報工作需要考慮更多的外界條件和因素，因此，改進該方法得到更長時間的預(yù)報有待進一步的研究。

[1] 愈小鼎，周小剛，王秀明.雷暴與強對流臨近天氣預(yù)報技術(shù)進展[J].氣象學(xué)報，2012,70(3)：311-337.

[2] 路志英，劉 海，賈惠珍，等.基于雷達反射率圖像特征的冰雹暴雨識別[J].物理學(xué)報，2014，63(18)：201-212.

[3] Han L，F(xiàn)u S X，Zhao L F，et al.3D convective storm identification,tracking,and forecasting—An enhanced TITAN algori-thm[J].Journal of Atmospheric and Oceanic Technolgy，2009,26(4)：719-732.

[4] Du J H，Wu S H.Research on numerical weather prediction based on Doppler raw radar data and cloud mode[C]∥International Conference on Computer Science and Information Techno-logy，Kunming，2014:507-514.

[5] 賈小勇，徐傳勝，白 欣.最小二乘法的創(chuàng)立及其思想方法[J].西北大學(xué)學(xué)報:自然科學(xué)版，2006，36(3)：507-511.

[6] 王 芬，李腹廣，張 輝.風(fēng)暴單體識別與跟蹤(SCIT)算法評估[J].氣象，2010，36(12)：128-133.

[7] 蒼桂華，岳建平.基于加權(quán)最小二乘法的點云平面擬合[J].激光技術(shù)， 2014，38(3)：156-161.

[8] 姜德生，高 翩，張 翠，等.基于最小二乘法的光纖光柵Bragg波長直線擬合[J].傳感器與微系統(tǒng)，2006，25(6)：25-27.

[9] 楊 吉，鄭媛媛，夏文梅，等.雷達拼圖資料上中尺度對流系統(tǒng)的跟蹤和預(yù)報[J].氣象，2015，41(6)：738-744.

Storm cell tracking and forecasting based on radar raw data*

LU Zhi-ying， ZHAO Dong-yang

(School of Electrical Engineering and Automation,Tianjin University,Tianjin 300072,China)

It is of great significance to track and forecast storm cell based on Doppler radar raw data.In view of the principle and characteristics of radar monitoring and prediction,a method of storm cell tracking and forecasting is constractively given.According to three matching criterions of“body scanning interval,similar characteristics,close first”,it can match the two moments before and after the storm cell.Weighted least squares method is used to forecast the position of the storm cell in the next moment.Through experiment and evaluation of 74 weather process of Tianjin in 2005～2011,evaluation results show that this method can forecast more storm cell,average forecasting error of storm cell is more smaller,and can achieve better tracking and forecasting of storm cell.

radar raw data; storm cell; tracking and forecasting; average forecast error

10.13873/J.1000—9787(2017)07—0016—03

2016—06—30

天津市自然科學(xué)基金資助項目(14JCYBJC21800)

TP 391.4

A

1000—9787(2017)07—0016—03

路志英(1964-)，女，博士，教授，主要從事模式識別與智能系統(tǒng)研究工作。

趙冬陽(1990-)，男，通訊作者，碩士研究生，主要研究方向為模式識別與智能系統(tǒng)，E—mail：zhaodongyang@tju.edu.cn。