一種基于VLF/LF閃電數(shù)據(jù)的多算法融合雷暴系統(tǒng)識別技術(shù)

伍華麗，植耀玲，盧炳夫，曾鵬

(廣西壯族自治區(qū)氣象災(zāi)害防御技術(shù)中心，廣西南寧 530022)

1 引 言

雷電作為一種能引起嚴(yán)重災(zāi)害的自然現(xiàn)象，能造成人員傷亡，損毀電氣及電子通信設(shè)備、建筑物，誘發(fā)火災(zāi)和爆炸事故，威脅人們的生命和財(cái)產(chǎn)安全，是聯(lián)合國國際減災(zāi)委員會公布的最嚴(yán)重的十種自然災(zāi)害之一，是國家防災(zāi)減災(zāi)工作重點(diǎn)關(guān)注的領(lǐng)域。因此，開展雷電臨近預(yù)警預(yù)報(bào)關(guān)鍵技術(shù)研究工作對保護(hù)人民的生命財(cái)產(chǎn)安全有著非常重要的意義。雷電臨近預(yù)警預(yù)報(bào)常通過雷暴識別、追蹤及外推來實(shí)現(xiàn)，雷暴系統(tǒng)識別的準(zhǔn)確與否直接影響后續(xù)追蹤及趨勢外推的效果，是做好雷電臨近預(yù)警預(yù)報(bào)的關(guān)鍵。

學(xué)者們常利用雷達(dá)數(shù)據(jù)開展災(zāi)害性天氣系統(tǒng)的識別技術(shù)研究，呂偉濤等[1]利用雷達(dá)資料對可能發(fā)生或已經(jīng)發(fā)生閃電的區(qū)域進(jìn)行識別，并基于識別結(jié)果進(jìn)行追蹤和外推，實(shí)現(xiàn)雷電臨近預(yù)警。王萍等[2]采用分類決策樹法，基于多雷達(dá)參數(shù)構(gòu)建50 km以內(nèi)雷暴系統(tǒng)分類識別模型，較好地實(shí)現(xiàn)了小尺度雷暴系統(tǒng)中短時(shí)降水和冰雹之間的分類識別。Kelly 等[3]利用傅立葉變換算法、基于雷達(dá)反射率圖像的邊緣檢測以及形態(tài)分析，識別災(zāi)害性天氣。

相對于雷達(dá)數(shù)據(jù)，閃電定位數(shù)據(jù)具有更高的監(jiān)測頻率和更低時(shí)延，更有利于識別快速生消的中小尺度雷暴系統(tǒng)，也有一些學(xué)者基于二維(ADTD)閃電定位系統(tǒng)資料利用聚類算法開展雷暴系統(tǒng)的識別研究，侯榮濤等[4]基于改進(jìn)DBSCAN聚類算法(IDBSCAN)對江蘇地區(qū)一次雷暴過程中的閃電定位數(shù)據(jù)進(jìn)行聚類分析，識別地閃聚類簇及其中心并基于聚類中心的變化規(guī)律實(shí)現(xiàn)了對閃電移動趨勢的預(yù)報(bào)。周康輝等[5]利用密度極大值快速搜索聚類法，基于閃電定位數(shù)據(jù)實(shí)現(xiàn)了對雷暴的識別，有效處理雷暴分裂與合并的情況。侯榮濤等[6]、路郁[7]運(yùn)用改進(jìn)的OPTICS 聚類算法對閃電定位資料進(jìn)行分時(shí)段聚類分析并構(gòu)建了雷電臨近預(yù)警模型。上述研究充分印證了基于閃電定位數(shù)據(jù)開展雷暴系統(tǒng)識別的可行性，為基于閃電定位數(shù)據(jù)的雷暴系統(tǒng)識別技術(shù)提供了理論支撐，同時(shí)也指出了目前閃電定位數(shù)據(jù)在雷暴系統(tǒng)識別應(yīng)用方面存在的一些問題，如：傳統(tǒng)聚類法(如DBSCAN、K-Means 等)對參數(shù)敏感，無法有效處理密度差異較大的雷電數(shù)據(jù)集，不適用于多尺度的雷暴系統(tǒng)；閃電定位數(shù)據(jù)的數(shù)據(jù)量及密集程度影響著聚類效果的好壞，僅針對強(qiáng)雷暴及強(qiáng)對流天氣的情形識別效果較佳；當(dāng)被探測到的閃電定位數(shù)據(jù)稀少時(shí)，無法通過聚類來識別雷暴系統(tǒng)。

近年來隨著VLF/LF 三維閃電監(jiān)測網(wǎng)的高速建設(shè)[8]，源自該監(jiān)測網(wǎng)的閃電定位數(shù)據(jù)在北京[9]、湖北[10]、四川[11]、江蘇[12]、浙江[13]、福建[14]、山西[15]、貴州[16-17]、云南[18]、海南[19]、廣西[20]等多地氣象部門得到業(yè)務(wù)化應(yīng)用。針對VLF/LF 三維閃電監(jiān)測網(wǎng)閃電定位數(shù)據(jù)(下文簡稱VLF/LF閃電定位數(shù)據(jù))的研究，均集中在閃電活動特征分析、與二維(ADTD)閃電定位系統(tǒng)資料對比分析等方面，研究結(jié)果表明VLF/LF 三維閃電定位系統(tǒng)對地閃的探測效率及定位精度均高于ADTD 系統(tǒng)，探測的地閃數(shù)是ADTD 系統(tǒng)的2～3 倍[10,13-16]；兩套系統(tǒng)監(jiān)測到的雷電活動時(shí)空分布趨勢比較一致。目前，針對VLF/LF 閃電定位數(shù)據(jù)的雷暴系統(tǒng)識別及預(yù)警應(yīng)用研究開展較少，鑒于數(shù)據(jù)量級和密度分布上的差異性，現(xiàn)有的閃電定位數(shù)據(jù)的聚類識別技術(shù)研究成果無法適應(yīng)于VLF/LF閃電定位數(shù)據(jù)，迫切需要開展基于VLF/LF 閃電定位數(shù)據(jù)的雷暴災(zāi)害性天氣識別研究，深入挖掘VLF/LF三維閃電監(jiān)測網(wǎng)在雷電臨近預(yù)警中的應(yīng)用效益。

針對上述需求，本文提出一種多算法融合雷暴系統(tǒng)識別技術(shù)，該技術(shù)首創(chuàng)一種基于密度特性自適應(yīng)的改進(jìn)的OPTICS 聚類法，改善傳統(tǒng)OPTICS 聚類法無法處理影響雷暴分布識別的稀疏點(diǎn)、無法識別區(qū)分密度差異不大的相鄰雷暴體的缺陷；同時(shí)，與K-Means 聚類法融合應(yīng)用，解決OPTICS 聚類法[6,21]等無法準(zhǔn)確定位雷暴體的中心點(diǎn)的難題，實(shí)現(xiàn)任意尺度形狀雷暴體的識別及其幾何中心點(diǎn)的精準(zhǔn)計(jì)算，可為后續(xù)雷暴追蹤及趨勢外推工作提供良好的雷暴系統(tǒng)識別結(jié)果，也能為雷暴災(zāi)害天氣的預(yù)報(bào)及雷電預(yù)警模型的訓(xùn)練提供有效的知識庫支撐。

2 資料及來源

2.1 VLF/LF閃電定位數(shù)據(jù)

本文采用的閃電定位資料來源于廣西氣象部門VLF/LF 三維閃電監(jiān)測定位系統(tǒng)監(jiān)測的閃電定位數(shù)據(jù)[22]。該系統(tǒng)由中國科學(xué)院電工研究所制造[8]，包含20個(gè)三維閃電探測站(ADTD-2C 型閃電定位儀)和1 個(gè)數(shù)據(jù)處理中心，基線距離大于70 km，子站密度高，有效探測范圍覆蓋廣西全域。系統(tǒng)采用三維時(shí)差定位法(3D-TOA)，能對云地閃回?fù)?、云閃閃擊進(jìn)行定位，時(shí)間精度優(yōu)于10-4s，閃電強(qiáng)度相對誤差小于10%(在10～25 kA 范圍內(nèi))，10 kA 以上閃電探測效率大于90%，網(wǎng)內(nèi)平均水平定位誤差小于300 m，垂直定位誤差小于500 m[8,23-24]，可探測閃電位置、高度、強(qiáng)度、時(shí)間、類型以及極性等重要參數(shù)[8,25]。

2.2 雷達(dá)數(shù)據(jù)

本文所用的雷達(dá)數(shù)據(jù)，是中國氣象局研制的SWAN 系統(tǒng)(Severe Weather Automatic Nowcast System)[26]提供的雷達(dá)組合反射率拼圖數(shù)據(jù)。組合反射率因子表示的是垂直空氣柱內(nèi)的最大反射率因子在笛卡爾坐標(biāo)水平面上的投影，是各層較強(qiáng)回波的迭加反映，能較明顯地反映對流天氣的強(qiáng)度及發(fā)生位置。SWAN系統(tǒng)對廣西境內(nèi)10部雷達(dá)(南寧、柳州、桂林、百色、河池、崇左、梧州、防城港、北海、玉林)基數(shù)據(jù)進(jìn)行實(shí)時(shí)采集解析，經(jīng)過數(shù)據(jù)質(zhì)量控制、坐標(biāo)系轉(zhuǎn)換(極坐標(biāo)系與笛卡爾坐標(biāo)系插值轉(zhuǎn)換)、重疊區(qū)域融合拼接等流程后，生成網(wǎng)格化的雷達(dá)拼圖數(shù)據(jù)集，包括組合反射率拼圖、回波頂高拼圖、VIL 拼圖等。其中，組合反射率拼圖數(shù)據(jù)以dBZ 為單位存放，水平分辨率為0.01 °×0.01 °(約1 km×1 km)，時(shí)間分辨率為6 min，空間范圍是102～113 °E，19～28 °N。

3 多算法融合雷暴系統(tǒng)識別技術(shù)

3.1 主要技術(shù)路線

多算法融合的雷暴系統(tǒng)識別技術(shù)的主要技術(shù)路線如圖1 所示。首先對傳統(tǒng)的OPTICS 法進(jìn)行參數(shù)自適應(yīng)改進(jìn)，即基于VLF/LF 閃電定位數(shù)據(jù)的空間分布特征實(shí)時(shí)計(jì)算初始輸入?yún)?shù)Min_ρ，使其自適應(yīng)于待處理的閃電數(shù)據(jù)，有效解決固定的初始輸入?yún)?shù)因缺乏普適性而影響聚類效果的問題；而后與K-Means 聚類法融合應(yīng)用，計(jì)算雷暴系統(tǒng)的中心點(diǎn)，利用K-Means 法通過迭代計(jì)算聚類中心的優(yōu)勢，改進(jìn)僅憑OPTICS法無法直接準(zhǔn)確定位雷暴體的中心點(diǎn)(聚類中心)的缺陷。

圖1 多算法融合雷暴系統(tǒng)識別技術(shù)算法流程圖

3.2 OPTICS聚類法簡介

OPTICS(Ordering Points to identify the clustering structure)算法是一種基于密度的空間聚類算法。該算法將具有足夠密度的區(qū)域劃分為簇，并在含有噪聲的空間數(shù)據(jù)庫中發(fā)現(xiàn)任意形狀的簇。

3.2.1 算法涉及的基本概念

ε鄰域：給定對象半徑為ε內(nèi)的區(qū)域稱為該對象的ε鄰域。

核心點(diǎn)：如果給定對象ε鄰域內(nèi)的樣本點(diǎn)數(shù)大于等于Min_ρ，則稱該對象為核心點(diǎn)。

直接密度可達(dá)：對于樣本集合D，如果樣本點(diǎn)q在p的ε鄰域內(nèi)，并且p為核心點(diǎn)，那么對象q從對象p直接密度可達(dá)。

密度可達(dá)：對于樣本集合D，給定一串樣本點(diǎn)p1，p2，……，pn，p=p1，q=pn，假如對象pi從pi-1直接密度可達(dá)，那么對象q從對象p密度可達(dá)。

密度相連：存在樣本集合D 中的一點(diǎn)o，如果對象o到對象p和對象q都是密度可達(dá)的，那么p和q密度相聯(lián)。

核心距離：是使一個(gè)樣本點(diǎn)p0 成為核心對象的最小半徑，在給定鄰域半徑ε和Min_ρ參數(shù)的前提下，核心距離cd(p0) ≤鄰域半徑ε。

可達(dá)距離：核心點(diǎn)p0 與其鄰域內(nèi)的點(diǎn)p1 的距離d(p0，p1)與核心距離cd(p0)中較大的稱為p1 到p0 的可達(dá)距離rd(p1，p0)。易知，核心距離內(nèi)鄰域點(diǎn)到核心點(diǎn)的可達(dá)距離為固定值cd(p0)，核心距離外鄰域點(diǎn)到核心點(diǎn)可達(dá)距離為真實(shí)距離d(p0，p1)。

相關(guān)概念如圖2示。

圖2 OPTICS算法相關(guān)概念

3.2.2 算法流程

算法輸入：包含n個(gè)閃電對象的數(shù)據(jù)庫，鄰域半徑ε，最少數(shù)目Min_ρ。

算法輸出：所有達(dá)到密度要求而生成的簇。

算法過程如下。

(1) 創(chuàng)建兩個(gè)隊(duì)列，有序隊(duì)列seeds 和結(jié)果隊(duì)列order。

(a) 有序隊(duì)列用于存儲核心點(diǎn)及其直接密度可達(dá)點(diǎn)，并按可達(dá)距離升序排列。則序隊(duì)列里面放的為待處理的數(shù)據(jù)。

(b) 結(jié)果隊(duì)列用于存儲樣本點(diǎn)的輸出次序。則結(jié)果隊(duì)列里放的是已經(jīng)處理完的數(shù)據(jù)。

(2) 如果所有樣本集D 中所有點(diǎn)都處理完畢，則算法結(jié)束。否則，選擇一個(gè)未處理(即不在結(jié)果隊(duì)列中)且為核心對象的樣本點(diǎn)，將其放入結(jié)果隊(duì)列，同時(shí)計(jì)算鄰域內(nèi)樣本點(diǎn)的可達(dá)距離，按照可達(dá)距離升序?qū)⑧徲騼?nèi)樣本點(diǎn)依次放入有序隊(duì)列。

(3) 如果有序種子隊(duì)列不為空，則選擇有序隊(duì)列中的第一個(gè)對象p進(jìn)行擴(kuò)張：若p不是核心點(diǎn)，轉(zhuǎn)至步驟2；否則，搜索p的ε 鄰域，對于任一未擴(kuò)張的對象q，計(jì)算q到p的可達(dá)距離。若鄰域?qū)ο髊已在有序隊(duì)列seeds 中，則將可達(dá)距離與舊值中的較小值更新到seeds 中，并調(diào)整q的位置保證有序隊(duì)列seeds 的升序排列；若q不在seeds 中，則將q按可達(dá)距離升序插入到seeds 中的正確位置。從有序隊(duì)列seeds 中刪除p，并將p寫入結(jié)果隊(duì)列order。

(4) 迭代步驟(2)和(3)，直到數(shù)據(jù)集中所有點(diǎn)都處理完成，則算法結(jié)束，輸出結(jié)果隊(duì)列order 中有序樣本點(diǎn)。

(5) 基于最終的結(jié)果列隊(duì)order(可達(dá)距離列表)中凹陷區(qū)域及該區(qū)域最低點(diǎn)的提取，輸出簇群的個(gè)數(shù)、簇群所包含的閃電數(shù)。

3.3 OPTICS 聚類法改進(jìn)方案

由3.2 節(jié)中的OPTICS 聚類法原理可知，OPTICS 聚類法初始參數(shù)的設(shè)置主要用于篩選參與聚類的點(diǎn)(核心點(diǎn))，剔除離散點(diǎn)。當(dāng)篩選出參與聚類的點(diǎn)后，依靠Min_ρ來確定擴(kuò)張半徑，若該點(diǎn)處于密集區(qū)，則擴(kuò)張半徑就很小，若處于稀疏區(qū)，擴(kuò)張半徑就大，基于Min_ρ確定的擴(kuò)張半徑不是一個(gè)特定的值，而是一個(gè)范圍，鄰域ε的大小決定了這個(gè)范圍值的上限，則聚類結(jié)果對于鄰域ε不再敏感，鄰域ε只要在合理的范圍內(nèi)設(shè)定足夠大，就能取得不錯(cuò)的聚類效果。

由于OPTICS聚類法對于初始輸入?yún)?shù)鄰域ε不再敏感，則聚類效果的好壞主要取決于Min_ρ的選取。改進(jìn)的OPTICS聚類法與傳統(tǒng)的OPTICS聚類法相比，區(qū)別在于初始輸入?yún)?shù)Min_ρ不會取固定值，而是根據(jù)閃電空間分布特性實(shí)時(shí)計(jì)算獲取，具有自適應(yīng)的特性，隨實(shí)時(shí)閃電空間分布特性的變化而變化，自適應(yīng)于待處理的閃電數(shù)據(jù)。

改進(jìn)算法的流程如圖3所示。

圖3 改進(jìn)的OPTICS算法流程圖

密度特征參量ρ0根據(jù)閃電密度空間分布特性實(shí)時(shí)提取，計(jì)算步驟如下。

(1) 對VLF/LF 閃電定位數(shù)據(jù)進(jìn)行網(wǎng)格化處理，即將廣西區(qū)域劃分為10 km×10 km 的網(wǎng)格，計(jì)算每個(gè)網(wǎng)格內(nèi)VLF/LF閃電定位數(shù)據(jù)的頻數(shù)。

(2) 提取閃電頻數(shù)大于0 的網(wǎng)格，將網(wǎng)格按閃電頻數(shù)大小降序排列，得到序列Kn。其中n為降序排列后給每個(gè)網(wǎng)格標(biāo)注的序號(n=1，2，3，……，N，N為所含閃電頻數(shù)大于0 的網(wǎng)格的總數(shù))，Kn為序號n對應(yīng)的網(wǎng)格內(nèi)VLF/LF 閃電定位數(shù)據(jù)的總頻數(shù)。

(3) 對排序前n的網(wǎng)格數(shù)量進(jìn)行累加得到X(n)，即：

(4) 將排序前的n個(gè)網(wǎng)格內(nèi)所含的閃電數(shù)量進(jìn)行累加得到Y(jié)(n)，即：

其中，m1為序號1的網(wǎng)格內(nèi)VLF/LF閃電定位數(shù)據(jù)的總數(shù)，以此類推，mn為序號n的網(wǎng)格內(nèi)VLF/LF閃電定位數(shù)據(jù)的總數(shù)。

(5)以X(n)為橫坐標(biāo)，Y(n)為縱坐標(biāo)繪制曲線，采用雙總體t檢驗(yàn)法，計(jì)算該曲線的曲率突變點(diǎn)(X(m)，Y(m))，進(jìn)而得到對應(yīng)的Km，并通過公式ρ0=πε2×Km/(10×10)計(jì)算密度特征參量ρ0（圖4）。

圖4 雙總體t檢驗(yàn)法計(jì)算流程圖

其中，選用的t檢驗(yàn)統(tǒng)計(jì)公式為：

3.4 基于K-Means法的雷暴中心點(diǎn)提取

K-Means 法是一種基于劃分的聚類算法，以距離作為數(shù)據(jù)對象間相似性度量的標(biāo)準(zhǔn)(即數(shù)據(jù)對象間的距離越小，則它們的相似性越高)，將相似的對象歸于一個(gè)簇中，簇中心通過簇中所有點(diǎn)的均值來計(jì)算，通過迭代計(jì)算尋找最佳的分類結(jié)果(簇集合)及其聚類中心。

本文利用K-Means 法通過迭代計(jì)算聚類中心的優(yōu)勢來計(jì)算OPTICS法得到的簇類的幾何中心，算法的流程描述：(1) 根據(jù)OPTICS 聚類法的輸出結(jié)果初始化簇?cái)?shù)量值k及其對應(yīng)的初始聚類中心(x1，y1)，(x2，y2)，……，(xk，yk)；(2) 針對VLF/LF 閃電定位數(shù)據(jù)集中每個(gè)閃電計(jì)算得到k個(gè)聚類中心的距離并將其分到距離最小的聚類中心所對應(yīng)的簇類中；(3) 針對每個(gè)簇，重新計(jì)算它的聚類中心；(4) 重復(fù)(2)和(3)，直到聚類中心不再變化，這時(shí)就產(chǎn)生了最后的分類結(jié)果；(5) 輸出聚類簇集合以及相應(yīng)的聚類中心。

4 結(jié)果分析

本文提出的多算法融合雷暴系統(tǒng)識別技術(shù)，旨在解決兩個(gè)主要問題，一是探索適用于VLF/LF閃電定位數(shù)據(jù)的聚類算法；二是基于聚類結(jié)果研制雷暴系統(tǒng)識別產(chǎn)品，為雷暴系統(tǒng)的追蹤外推提供產(chǎn)品支撐，深入挖掘VLF/LF三維閃電監(jiān)測網(wǎng)在雷電臨近預(yù)警中的應(yīng)用效益。綜上，本小節(jié)分別從閃電數(shù)據(jù)的聚類效果及雷暴識別結(jié)果的優(yōu)劣兩方面進(jìn)行檢驗(yàn)分析。

4.1 實(shí)驗(yàn)數(shù)據(jù)

為了檢驗(yàn)本文算法對不同雷暴天氣過程的適應(yīng)性，選取不同類型雷暴天氣過程的VLF/LF閃電定位數(shù)據(jù)作為檢驗(yàn)數(shù)據(jù)。從聚類效果、單個(gè)時(shí)段的識別結(jié)果、連續(xù)時(shí)段雷暴系統(tǒng)運(yùn)行軌跡識別結(jié)果三個(gè)方面進(jìn)行檢驗(yàn)。

根據(jù)雷暴過程雷達(dá)回波發(fā)展形態(tài)，參考相關(guān)研究[27-29]，可將廣西常見的雷暴天氣過程分為三類：(1) 區(qū)域性雷暴天氣過程，即為與大尺度對流系統(tǒng)相關(guān)的雷暴天氣過程(如颮線、超級單體等系統(tǒng))；(2) 局地性雷暴天氣過程，即為局地突發(fā)的小尺度雷暴天氣系統(tǒng)；(3) 分散性雷暴天氣過程，即為分散性多單體的中小尺度雷暴天氣過程。選取上述三類雷暴天氣過程的個(gè)例進(jìn)行檢驗(yàn)實(shí)驗(yàn)，詳情如表1所示(表中時(shí)間為北京時(shí)間，下同)。

表1 雷暴天氣過程個(gè)例屬性表

4.2 聚類效果對比

分別利用傳統(tǒng)OPTICS 聚類法及本文提出的多算法融合雷暴系統(tǒng)識別技術(shù)，對個(gè)例1～3 的檢驗(yàn)數(shù)據(jù)進(jìn)行處理，結(jié)果如圖5～圖10 所示，其中圖5a～圖10a 為OPTICS 聚類法輸出的距離可達(dá)圖，圖中的每一個(gè)凹陷部分代表一個(gè)聚類簇，橫坐標(biāo)代表經(jīng)過聚類后被識別為簇的散點(diǎn)個(gè)數(shù)，縱坐標(biāo)為散點(diǎn)之間的距離；圖5b～圖10b 為基于可達(dá)圖進(jìn)一步提取的雷暴聚類結(jié)果的GIS 展示圖。特別說明的是，對于常規(guī)OPTICS 聚類法，本文參考了相關(guān)文獻(xiàn)[4, 6, 21]的閾值確定方法，經(jīng)多次實(shí)驗(yàn)后，選取初始輸入?yún)?shù)Min_ρ=15、ε=10。

圖5 區(qū)域性雷暴天氣過程(2020年7月10日19:20—30)VLF/LF閃電數(shù)據(jù)基于本文算法的處理結(jié)果a的橫坐標(biāo)為排序好的樣本，下同。

由圖5a 和圖6a、圖7a 和圖8a、圖9a 和圖10a對比可知，對于不同類型雷暴災(zāi)害性天氣，利用傳統(tǒng)OPTICS聚類法得到的可達(dá)圖形態(tài)不規(guī)則，不利于制定簇群提取規(guī)則，進(jìn)而影響簇群提取的效果，得到不佳的聚類結(jié)果，例如圖6b所示的結(jié)果，將本該屬于一個(gè)雷暴體的閃電數(shù)據(jù)識別得四分五裂，輸出多個(gè)雷暴體簇，與實(shí)際嚴(yán)重不符；例如圖8b所示的結(jié)果，不僅將閃電數(shù)據(jù)過度過濾，還將本應(yīng)屬于兩個(gè)雷暴體的數(shù)據(jù)識別為一個(gè)雷暴體；例如圖10b所示的結(jié)果，將本應(yīng)屬于一個(gè)雷暴體的數(shù)據(jù)識別為兩個(gè)雷暴體。而本文提出的多算法融合雷暴系統(tǒng)識別技術(shù)的輸出結(jié)果如圖5、圖7 以及圖9 所示，初始輸入?yún)?shù)Min_ρ及ε由實(shí)時(shí)VLF/LF 閃電定位數(shù)據(jù)估算動態(tài)獲取，得到的可達(dá)圖形態(tài)規(guī)則，凹陷和凸起的位置分明(圖5a、圖7a、圖9a)，最后的簇群提取效果良好(圖5b、圖7b、9b)，有效濾除影響雷暴體識別結(jié)果的離散閃電數(shù)據(jù)，很好地識別區(qū)分密度差異不大的相鄰雷暴體。

圖6 區(qū)域性雷暴天氣過程(2020年7月10日19:20—30)VLF/LF閃電數(shù)據(jù)基于OPTICS法的處理結(jié)果

圖7 分散性雷暴天氣過程(2020年7月2日16:40—50)VLF/LF閃電數(shù)據(jù)基于本文算法的處理結(jié)果

圖8 分散性雷暴天氣過程(2020年7月2日16:40—50)VLF/LF閃電數(shù)據(jù)基于OPTICS法的處理結(jié)果

圖9 局地性雷暴天氣過程(2020年7月9日17:40—50)VLF/LF閃電數(shù)據(jù)基于本文算法的處理結(jié)果

圖10 局地性雷暴天氣過程(2020年7月9日17:40—50)VLF/LF閃電數(shù)據(jù)基于OPTICS法的處理結(jié)果

4.3 雷暴識別結(jié)果分析

利用雷達(dá)組合反射率拼圖數(shù)據(jù)，分別從某個(gè)時(shí)刻的識別結(jié)果以及一段時(shí)間內(nèi)識別得到的雷暴運(yùn)行軌跡兩個(gè)角度，對本文算法得到的雷暴識別結(jié)果進(jìn)行檢驗(yàn)。

4.3.1 單個(gè)時(shí)刻的識別結(jié)果分析

將本文算法的識別結(jié)果與同時(shí)刻的雷達(dá)組合反射率拼圖數(shù)據(jù)疊加展示（圖11、圖12 及圖13），針對不同類型的雷暴天氣過程，本文提出的算法能實(shí)現(xiàn)任意尺度形狀雷暴體的識別，識別出的雷暴體均與雷達(dá)回波圖中對流單體位置具有較好的一致性。

圖11 區(qū)域性雷暴天氣過程(2020年7月10日19:20—30)本文算法輸出的雷暴聚類識別結(jié)果與雷達(dá)數(shù)據(jù)的疊加圖

圖12 分散性雷暴天氣過程(2020年7月2日16:40—50)本文算法輸出的雷暴聚類識別結(jié)果與雷達(dá)數(shù)據(jù)的疊加圖

圖13 局地性雷暴天氣過程(2020年7月9日17:40—50)本文算法輸出的雷暴聚類識別結(jié)果與雷達(dá)數(shù)據(jù)的疊加圖

4.3.2 雷暴運(yùn)行軌跡識別結(jié)果分析

圖14 給 出 了2020 年7 月10 日18:10—21:10廣西中南部的一次雷暴天氣過程中，由本文算法識別出的雷暴體移動路徑分布。雷暴A、B均起始于18:10，均向東北方向移動，在19:10 的時(shí)候，雷暴A分裂成單體A1和A2。單體A1繼續(xù)向東北方向移動。單體A2 向南移動，并于20:20 與一直持續(xù)向東北方向移動的雷暴B 合并成雷暴體C。此后直至21:10 雷暴體A1 與C 均持續(xù)向東北方向移動。

圖14 雷暴運(yùn)行軌跡識別結(jié)果與2020年7月10日18:10—21:10閃電數(shù)據(jù)的對比

總體而言，整個(gè)雷暴天氣過程中監(jiān)測到的閃電散點(diǎn)呈較明顯的折線狀分布，與雷暴路徑能較好地重合，表明本文算法能識別得到的雷暴運(yùn)行軌跡，并且能有效識別雷暴的分裂與合并的情況，能對雷暴未來移動路徑的追蹤外推提供較好的識別產(chǎn)品支撐。

將分裂前(18:20)、分裂后(19:20)以及合并后(20:20)三個(gè)時(shí)刻的雷達(dá)組合反射率拼圖與雷暴運(yùn)行軌跡識別結(jié)果進(jìn)行疊加對比，檢驗(yàn)雷暴體運(yùn)行軌跡識別效果，結(jié)果如圖15～17 所示。本文算法識別出的雷暴運(yùn)行軌跡與雷達(dá)強(qiáng)回波中心能較好重合；雷暴運(yùn)行軌跡和雷達(dá)回波均顯示了雷暴系統(tǒng)整體持續(xù)向東北方向運(yùn)動的趨勢；本文算法識別出的雷暴A 的分裂以及雷暴A2 與B 的合并情況，與雷達(dá)回波顯示的單體先分裂后合并在時(shí)間和空間上均具有很好的一致性，表明本文算法能有效識別雷暴的分裂及合并。

圖15 2020年7月10日18:20雷達(dá)組合反射率拼圖與雷暴運(yùn)行軌跡識別結(jié)果的疊加對比

圖16 2020年7月10日19:20雷達(dá)組合反射率拼圖與雷暴運(yùn)行軌跡識別結(jié)果的疊加對比

圖17 2020年7月10日20:20雷達(dá)組合反射率拼圖與雷暴運(yùn)行軌跡識別結(jié)果的疊加對比

5 結(jié) 語

本文為深入挖掘VLF/LF 閃電數(shù)據(jù)在雷暴災(zāi)害性天氣識別預(yù)警方面的天然優(yōu)勢，針對目前傳統(tǒng)密度聚類法(如OPTICS 法等)不適用于VLF/LF閃電數(shù)據(jù)聚類處理、無法識別區(qū)分密度差異不大的相鄰雷暴體、無法準(zhǔn)確定位雷暴體的中心點(diǎn)等缺陷，提出一種多算法融合雷暴系統(tǒng)識別技術(shù)，并利用不同尺度的雷暴天氣系統(tǒng)過程數(shù)據(jù)對其進(jìn)行檢驗(yàn)，結(jié)論如下。

(1) 本文算法利用雙總體t檢驗(yàn)法基于實(shí)時(shí)閃電定位數(shù)據(jù)密度分布特征對OPTICS 法進(jìn)行初始輸入?yún)?shù)自適應(yīng)改進(jìn)，較常規(guī)OPTICS 法，能輸出形態(tài)規(guī)則、無毛刺感，凹陷和凸起的位置分明的可達(dá)圖，有利于雷暴簇的自動提取，濾除影響雷暴體識別結(jié)果的離散閃電數(shù)據(jù)，識別區(qū)分密度差異不大的相鄰雷暴簇。

(2) 本文提出的多算法融合雷暴系統(tǒng)識別技術(shù)能較好地適應(yīng)不同類型雷暴系統(tǒng)，實(shí)現(xiàn)任意尺度形狀雷暴體的識別及幾何中心的較精準(zhǔn)定位，可為雷暴系統(tǒng)未來移動路徑的追蹤外推提供較好的識別產(chǎn)品支撐，一方面有助于填補(bǔ)由于山脈和其他遮擋物造成的雷達(dá)回波衰減區(qū)的監(jiān)測空白，另一方面可作為常規(guī)風(fēng)暴識別產(chǎn)品的補(bǔ)充，與基于雷達(dá)的風(fēng)暴識別產(chǎn)品聯(lián)合應(yīng)用，有利于實(shí)現(xiàn)針對雷暴系統(tǒng)的風(fēng)暴分類識別。

(3) 本文旨在探索適用于VLF/LF 閃電數(shù)據(jù)的聚類方法，僅針對聚類算法的創(chuàng)新性和可行性進(jìn)行討論，后續(xù)將考慮對該算法的應(yīng)用效益進(jìn)行深入挖掘，充分利用VLF/LF 閃電數(shù)據(jù)的三維屬性，按高度進(jìn)行分層聚類進(jìn)而反演雷暴系統(tǒng)三維結(jié)構(gòu)，研制具備三維屬性的雷暴系統(tǒng)識別產(chǎn)品。