一种雷达回波飑线智能识别的方法

王兴; 王坚红; 卞浩瑄; 张海阳

doi:10.16032/j.issn.1004-4965.2020.030

一种雷达回波飑线智能识别的方法

doi: 10.16032/j.issn.1004-4965.2020.030

王兴^{1, 2},
王坚红^2, ,,
卞浩瑄¹,
张海阳³

1.
南京信息工程大学大气科学与环境气象国家级实验教学示范中心，江苏南京 210044
2.
南京信息工程大学气象灾害预报预警与评估协同创新中心，江苏南京 210044
3.
南京信息工程大学大气科学学院，江苏南京 210044

基金项目:

国家自然科学基金项目 41805033

国家自然科学基金面上项目 41276033

中国气象局软科学研究项目 2019ZZXM45

江苏省产学研合作项目 BY2018010

详细信息

通讯作者:
王坚红，女，上海市人，教授，博士，主要从事大气与海洋动力学研究。E-mail: jhwang@nuist.edu.cn

中图分类号: P457.9
计量
- 文章访问数: 182
- HTML全文浏览量: 100
- PDF下载量: 26
- 被引次数: 0
出版历程
- 收稿日期: 2019-10-14
- 修回日期: 2020-03-18
- 刊出日期: 2020-06-01

A METHOD FOR INTELLIGENT RECOGNITION OF RADAR SQUALL LINE

1.
National Demonstration Center for Experimental Atmospheric Science and Environmental Meteorology Education, Nanjing University of Information Science & Technology, Nanjing 210044, China
2.
Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science & Technology, Nanjing 210044, China
3.
School of Atmospheric Science, Nanjing University of Information Science & Technology, Nanjing 210044, China

摘要

摘要: 提出一种雷达回波图像中飑线特征自动识别的方法。以多普勒天气雷达探测资料为主要数据源，对雷达探测到的基本反射率的空间分布和强度进行分析，通过数值预处理、高通滤波、二值化降噪、图像特征提取、目标物的中轴线提取，以及飑线形态分析等一系列步骤，实现对雷达飑线特征的智能识别。克服了回波高值区域不连通、碎块化对飑线自动识别造成的困难。通过4次强对流天气个例检验，飑线自动识别的准确率达到75%左右，尤其对呈现直线或劣弧状，且边界清晰的高值回波区，具有更高的识别成功率。该方法将以往需要由气象专业人员主观分析、判读雷达回波图像的工作自动化、客观化，可提高飑线识别、强对流天气预警相关业务的准确性和时效性。
- 天气学 /
- 飑线 /
- 天气雷达 /
- 雷达回波 /
- 飑线特征识别
Abstract: In this paper, we propose an intelligent and early warning recognition method of squall line characteristics in weather radar images. Doppler weather radar data is used as the main data to analyze the spatial distribution and intensity of the base reflectivity detected by radar. Through data preprocessing, high-pass filtering, binarization noise reduction, image feature extraction, central axis extraction of target, and morphological analysis of the squall line, intelligent recognition and early warning of radar squall line characteristics is realized. The method overcomes the difficulty caused by the disconnection of the high-value area of the echo and the automatic identification of the squall line by the fragmentation. Through the test of 4 strong convective weather cases, the accuracy of the automatic identification of the squall line reaches about 75%. In particular, the high-value echo region, which exhibits straight or inferior arc and clear boundary, has higher identification rate. This method can automatically and objectively analyze the work of subjective analysis and judgment of radar echo images by meteorological professionals, and can improve the accuracy and effectiveness of squall line identification and strong convective weather warning services.
- synoptic meteorology /
- squall line /
- weather radar /
- radar echo /
- squall line feature recognition

HTML全文

图 1 总体算法流程

下载: 全尺寸图片幻灯片

图 2 2019年4月9日11:35:05南京单站雷达0.5 °仰角基本反射率图像

下载: 全尺寸图片幻灯片

图 3 雷达0.5 °仰角的个例检验分析

a.经坐标转换得到的256阶雷达回波灰度图像；b.经高通滤波处理的图像；c.经二值化处理的图像；d.经降噪处理的图像；e.回波色块中轴线提取后的完整图像；f.回波色块中轴线提取后的主体区域图像；g.根据二维矩阵MAT计算出的法线式直线参数所绘制的直线；h.根据MAT计算出的法线式直线参数并结合基本反射率对飑线做出标识。

下载: 全尺寸图片幻灯片

图 4 2019年4月9日10时28分—11时23分共12个雷达基数据0.5 °仰角基本反射率图像及识别出的飑线的参数化直线

从左往右、从上往下，时间依次增加，时间间隔为6 min。

下载: 全尺寸图片幻灯片

图 5 飑线识别的POD指标

下载: 全尺寸图片幻灯片

图 6 形态“异常”的回波图像

下载: 全尺寸图片幻灯片

表 1 个例检验的参数取值

序号	参数名	参数值	参数意义
1	max_α	2	计算过程中处理的最高仰角
2	Filt_A	60 dBZ	回波图像高通滤波的阈值
3	SL	5	降噪处理时正方形区域的边长
4	k	0.25	降噪处理时的调节系数
5	r_i	20	二维矩阵MAT的纵向步长
6	ω_i	5	二维矩阵MAT的横向步长
7	n	57	计数器，与r_i配合使用
8	n﹒r_i	1140	MAT纵向的最大刻度
9	Trd	0.75	筛选MAT中的大值单元的判定阈值
10	Filt_B	5dBZ	下一次高通滤波时Filt_A降低的单位量
11	Filt_N	50 dBZ	高通滤波迭代计算的最小基本反射率

下载: 导出CSV

表 2 三项评价指标的得分汇总

地点	k	Trd	POD	FAR	CSI
南京	0.1	0.70	94.76%	84.69%	15.18%
	0.2	0.75	92.67%	83.72%	16.08%
	0.3	0.80	83.25%	84.65%	14.89%
合肥	0.1	0.70	92.56%	88.90%	11.00%
	0.2	0.75	89.26%	88.44%	11.40%
	0.3	0.80	81.82%	88.90%	10.83%

下载: 导出CSV

参考文献(25)

[1]	陈淑琴, 章丽娜, 俞小鼎.浙北沿海连续3次飑线演变过程的环境条件[J].应用气象学报, 2017, 28(3):357-368.
[2]	丁治英, 夏蘩, 高松, 等.一次飑线过程中雷达回波的组织结构变化及成因分析[J].热带气象学报, 2017, 33(3):323-333.
[3]	李文娟, 郦敏杰, 李嘉鹏, 等.浙江省春季至夏初飑线分型及对比分析[J].热带气象学报, 2019, 35(4):480-490.
[4]	徐凤梅, 王慧娟. 2009年6月3日商丘市强飑线天气过程及其对农业的影响[J].现代农业科技, 2011(11):306.
[5]	竹利, 陈朝平, 陈茂强, 等.川北飑线成熟阶段灾害性大风成因个例分析[J].暴雨灾害, 2018, 37(2):164-173.
[6]	李斌, 吴立广.自动气象站资料在模拟苏北一次飑线过程中的应用[J].热带气象学报, 2019, 35(6):789-800.
[7]	方翀, 林隐静, 曹艳察, 等.华南地区西风带飑线和台风飑线环境场特征统计对比分析[J].热带气象学报, 2017, 33(6):965-974.
[8]	KELLY W E, RAND T W, UCKUN S, et al. Image processing for hazard recognition in on-board weather radar: U. S. Patent 6650275 B1[P]. 1-12. 2003-11-18.
[9]	程凌舟, 何建新, 曾宪军.基于小波和Hu矩的飑线雷达回波识别[J].成都信息工程大学学报, 2017, 32(4):369-374.
[10]	李哲, 李国翠, 刘黎平, 等.飑线优化识别及雷暴大风分析[J].高原气象, 2017, 36(3):801-810.
[11]	BLUESTEIN H B, MARX G T, JAIN M H. Formation of mesoscale lines of precipitation:nonsevere squall lines in Oklahoma during the spring[J]. Mon Wea Rev, 1987, 115(11):2719-2727.
[12]	ROTUNNO R, KLEMP J B, WEISMAN M L. A theory for strong, long-lived squall lines[J]. J Atmos Sci, 1988, 45(3): 463-485.
[13]	田荟君, 潘玉洁, 刘佳, 等. 2014年5月31日华东地区一次暖区飑线过程的多普勒天气雷达分析[J].气象科学, 2018, 38(2):191-202.
[14]	万夫敬, 江敦双, 赵传湖. 2017年8月6日山东罕见雷暴大风成因分析[J].海洋气象学报, 2018, 38(2):60-66.
[15]	侯淑梅, 闵锦忠, 刁秀广, 等.飑线发展过程中回波合并的特征分析[J].大气科学学报, 2018, 41(3):367-376.
[16]	张萍, 桂园园, 李文辉, 等.一次强飑线天气过程的雷达回波特征分析[J].江西科学, 2018, 36(1):106-111.
[17]	吴瑞姣, 陶玮, 周昆, 等.江淮灾害性大风飑线的特征分析[J].气象, 2019, 45(2):155-165.
[18]	李少英.混合方法同化地面站和雷达观测对飑线预报的影响[D].兰州: 兰州大学, 2018: 16-83.
[19]	吴芳芳, 俞小鼎, 张志刚, 等.苏北地区超级单体风暴环境条件与雷达回波特征[J].气象学报, 2013, 71(2): 209-227.
[20]	鲁蓉, 孙建华, 李德帅.初值水汽场对华南春季一次强飑线触发和维持影响的数值试验[J].热带气象学报, 2019, 35(1):37-50.
[21]	王耀贵.图像高斯平滑滤波分析[J].计算机与信息技术, 2008(8):79-81+90.
[22]	KNOPP J, PRASAD M, WILLEMS G, et al. Hough transform and 3D SURF for robust three dimensional classification[M]. Computer Vision-ECCV, 2010:1-20.
[23]	YAO A, GALL J, GOOL L V. A Hough transform-based voting framework for action recognition[C]. Computer Vision & Pattern Recognition, 2010: 2-20.
[24]	DUDA R O, HART P E. Use of the hough transformation to detect lines and curves in pictures[J]. Communications of the ACM, 1972, 15(1):11-15.
[25]	钟敏, 吴翠红, 王珊珊, 等. CINRAD/SA雷达两种识别跟踪产品的评估分析[J].气象, 2012, 38(6):722-727.