基于雙向梯度法的陣風鋒自動識別

基于雙向梯度法的陣風鋒自動識別

陣風鋒識別算法通常，強風暴或線時，單光束向上推進，并沿水平方向移動，通常會形成波束矩陣。當矩陣前面的輻射線達到一定強度時，它被稱為矩陣前線。由于雷達速度回波圖中的強風設計中的強風峰顯示為窄帶回波，因此在雷達氣象學中也被稱為窄帶回波。風暴中的強烈出流不僅溫度低而且具有較高的水平動量,故陣風鋒常引起氣壓突變、風向突變、風速突變、溫度急降和相對濕度上升等強烈天氣現象。一般情況下陣風鋒不伴隨有降水發(fā)生,但常常造成嚴重的地面風災和強烈的風切變,因此,對陣風鋒的研究已成為短時臨近預報關注的重點之一。目前,國內外對陣風鋒的研究較多側重于陣風鋒的形成機制探討和天氣過程分析,Simpson國外較早開展陣風鋒識別算法研究,美國聯邦航空局(FAA)機場多普勒天氣雷達系統(tǒng)(TDWR)通過對徑向速度輻合線識別,并結合反射率因子和方位角切變形成了陣風鋒探測算法目前,陣風鋒識別算法尚未成熟,識別效果不甚理想,國內布網的多普勒天氣雷達用戶終端尚未開發(fā)出陣風鋒的識別產品,本文基于對雷達原始基數據進行一定質量控制,充分利用強度場窄帶回波的結構特征、幾何特征,設計了雙向梯度算法來識別窄帶回波;在速度場中通過徑向輻合來識別風的突變;最后綜合雙向梯度和切變輻合得到結果,確定出陣風鋒的準確位置。文中還利用河南商丘、鄭州及安徽阜陽3個雷達站探測的陣風鋒98個體掃資料,結合地面自動氣象站要素資料對本文的識別算法進行效果檢驗,并利用臨界成功指數進行了效果評估。1數據平滑控制多普勒天氣雷達能夠獲得較高時間和空間分辨率的體掃數據。但在陣風鋒識別前,必須先對原始數據進行一定的質量控制,避免后續(xù)工作引起較大的估算誤差和錯誤,也有利于提高算法的準確性。本文對強度數據的質量控制包括強度數據的填補、噪聲濾除和數據平滑。數據填補是針對單個缺值點或者單個缺測徑向;噪聲濾除主要針對孤立點和奇異點的濾除;數據平滑采用3X3網格的中值濾波。對速度數據的質量控制包括速度數據的填補(處理同強度數據)、數據平滑和速度退模糊,數據平滑為沿徑向進行九點滑動平均;速度退模糊的方法類似于WSR＿88D雷達的處理算法,即根據連續(xù)性原則,將每個速度初猜值與其周圍的相鄰速度值相比較,先計算平均值,用相同徑向上(靠近雷達)的4個鄰近距離庫的速度值和緊鄰的已用算法處理過的前一個徑向上的5個距離庫的速度值計算平均速度,然后將正在進行退模糊處理的距離庫的第1猜速度與這個平均值作比較。如果其差值大于最大可測速度,那么該點的可替代值為第1猜測速度減去(或加上)2倍的最大可測速度,如果該可替代值大于最大可測速度,去除該點,否則,保留該點。經過質量控制后,強度場圖像中的窄帶特征更加顯著,輪廓更加分明(噪聲被濾除、缺測點和缺測徑向數據被補齊、窄帶回波周圍的毛糙點被濾除);速度場圖像中陣風鋒對應的輻合(切變)區(qū)域更加清晰規(guī)整(噪聲被濾除、缺測點和缺測徑向被補齊、徑向數據被平滑、速度模糊區(qū)域被糾正)。因此,可以說明一定的質量控制對實現陣風鋒識別是有利的,可為后續(xù)算法準確識別打下基礎。2徑向速度值的脈動范圍陣風鋒在速度圖上表現為徑向速度的輻合(切變),可以分為風向切變和風速輻合兩種情況,這兩種情況的徑向速度都在鋒線附近有明顯變化。第1種是徑向速度的風向表現為由正速度向負速度的轉變,第2種是徑向速度的速度值表現為由較高的值向較低的值轉變。在鋒線兩側,兩種情況對應的速度值均呈一致減小,因此,根據該特征,首先沿著徑向距離遞增的方向尋找徑向速度值連續(xù)減小的一組相鄰距離庫,可得到一維的輻合段。但考慮到雷達接收到的速度數據有很大的脈動性,在經過徑向上九點滑動平均之后,相鄰兩個距離點上的速度大小仍很難代表某一段距離上速度的增加和減少的趨勢;因此,對徑向上的每一個點(指有速度資料的點)都計算一個輻合(切變)參量S式(1)中,V為了描述每個輻合段的強度,計算了如下物理量:速度梯度g=(v動量f=(v所在方位az;(4)徑向中心s=(re+r式(2)～(5)中,vb表示輻合段起點處的徑向速度;u3窄帶回波的保留陣風鋒在強度場上表現為細長的帶狀,通常稱之為窄帶回波。天氣雷達探測到的陣風鋒常常出現在低仰角層,回波高度一般不超過3km,強度一般為10～35dBZ,更高的強度通常是降水粒子的貢獻,不代表陣風鋒回波的真實強度。本文先對所有回波強度值進行分級處理,即將強度值按遞增劃分成若干個區(qū)間,每個區(qū)間用該區(qū)間最高值代替。如表1所示,其中-999代表無效值。因雷達圖像在繪制時,是將不同區(qū)間的反射率因子值用特定的色標表示,分類后的強度場的回波值雖然被改變,但所屬區(qū)間并未改變,即顏色不發(fā)生變化,所以分級處理前后的圖像完全相同,圖像保持了原有特征,因此可用分級后的強度場代替原始強度場作為窄帶回波的識別算法的處理對象。窄帶回波一般出現在強風暴回波移動方向的前沿,與強風暴回波之間存在一定間距,不同階段間距不等。在初始階段,窄帶離母體風暴較近,隨著母體風暴的發(fā)展,窄帶與母體逐步分離,它們之間的距離越來越大,且窄帶回波的強度較其前后方一般要高5dBZ或以上。利用這個特點本文通過計算每個回波點的雙向梯度來保留線狀的回波,如圖2所示,點O代表當前所要計算的回波點,點A,B為與O同根徑向相距5個距離庫的點(考慮一般的窄帶回波寬度<10km),點C,D為與O同距離圈相距5個方位的點,R(O),R(A),R(B),R(C),R(D)為對應點處的反射率因子值。計算了如下兩個方向的梯度,橫向梯度:縱向梯度:對兩個梯度進行判斷:當G實際工作中無法得知窄帶回波與徑向線的夾角,因此在具體算法中設計了12個不同夾角的模型,即每隔15°建立1個模型。經過雙向梯度處理后的強度場大部分降水回波被濾除,窄帶回波被完整保留,但圖像中仍然存在若干短線。為了去除這些短線,先將圖像細化,即只保留每個強度段的中心點(強度段是指從雷達站沿徑向穿越某一回波內部的段稱為強度段),并記錄下段寬,隨后利用遞歸算法計算每根短線的長度,將不滿足長度閾值的短線濾除。在此過程中保存每個有效點的方位角和徑向庫數。最后只保留一定長度的短線(閾值可調),并利用先前記錄的段寬還原成帶狀,形成最終的窄帶回波識別圖像。4鋒線的定位理論上,同一條陣風鋒的窄帶回波和輻合線(切變線)在空間上是完全對應的,但從實際得到的陣風鋒回波圖中會發(fā)現,窄帶回波和輻合線(切變線)往往只有大部分重合,甚至會出現基本不重合的情況。因此,為了較為完整地定位出鋒線,本文將識別的窄帶回波和輻合線(切變線)綜合,即某點對應位置處在窄帶回波圖像或輻合線圖像中有一方存在有效值,則保留該點,作為鋒線中的一點。再次,將綜合得到的圖像細化,并去除不滿足長度閾值的短線(方法如強度場),保留下來的線為最終識別的鋒線。在實際業(yè)務中,預報員更關心陣風鋒在速度場引起的風切變,因此為了定量描述陣風鋒的強度,將如下物理量作為輸出:鋒區(qū)最大正徑向速度V鋒線上最大徑向速度(單位:m·(s·km)鋒線長度:其中,V5算法效果檢驗利用2009年6月3日河南商丘、鄭州和2009年6月5日安徽阜陽3個雷達站探測到的陣風鋒雷達資料對本文的識別算法進行效果檢驗,并利用臨界成功指數對98個體掃樣本的識別效果進行評估。5.1氣象變化影響2009年6月3日陣風鋒于10:00左右開始影響鄭州站,10:00—13:00測站記錄表明,氣溫逐漸下降7.5℃,氣壓上升4hPa,2min平均風速從4.6m·s5.2算法未識別陣風鋒2009年6月3日從鄭州雷達上可初次判斷出陣風鋒的時刻為11:07,11:13在雷達站東南測開始可以看到弱小的窄帶回波(如圖3所示),對應速度場中有輻合線,但位置較窄帶回波偏西,算法成功識別出了陣風鋒;11:19—11:44窄帶回波較窄,數據密度不夠,輻合線消失,算法未能識別出陣風鋒;11:50—13:21窄帶回波加強,輻合線重新出現并進一步加強,算法均成功識別出陣風鋒;13:27—13:33陣風鋒處于消亡階段,窄帶回波和輻合線出現斷裂并逐漸消失,算法未能識別出消亡時刻的陣風鋒。商丘雷達在12:32—15:46也觀測到了陣風鋒(如圖4所示),12:32窄帶回波較弱且與前端回波混雜,表現得并不明顯,速度場中出現了輻合線,但由于部分輻合線與徑向線平行,因此所識別的鋒線較短。13:08窄帶回波的強度值不統(tǒng)一,大部分為20dBZ(歸類后),但內部為25dBZ,影響了窄帶回波識別。此外,速度場中輻合線基本與徑向平行,輻合線也未能成功識別。13:14—15:22窄帶回波和輻合線加強,均表現得較為明顯,算法均成功識別出陣風鋒。算法識別的過程中出現了偏短的情況,主要有兩個原因:首先由于雙向梯度法與窄帶回波到母體回波之間的間距大小密切相關,當窄帶回波有一段與母體回波相連時,窄帶回波識別將受到一定影響,但一般該相連段也較短或僅限于陣風鋒初生階段;其次由于本文輻合線的識別子算法基于徑向,當輻合線與徑向線近似平行時,輻合線將無法識別,但該情況較少出現。圖5給出了2009年6月5日安徽阜陽雷達探測到的陣風鋒3個時次識別圖,該過程陣風鋒初始時刻為11:05,11:05-12:25窄帶回波與降水回波嚴重混雜,輻合線偏弱或與徑向近似平行,算法未能識別出陣風鋒;12:31—14:39窄帶回波和輻合線加強,算法均成功識別出陣風鋒;14:45—14:51陣風鋒處于消亡階段,窄帶回波和輻合線斷裂并逐漸消亡,算法失效。5.3成功識別與未識別的樣本數本文選取這3個雷達站探測到的98個陣風鋒體掃描樣本(從鋒線初生到消亡),其中,商丘33個,鄭州25個,阜陽40個,算法識別情況如表2所示。商丘陣風鋒過程成功識別的樣本數為26個,未能識別的樣本數為7個;鄭州陣風鋒過程成功識別的樣本數為17個,未能識別的樣本數為8個;阜陽陣風鋒過程成功識別的樣本數為24個,未能識別的樣本數為16個;3個站探測的陣風鋒資料誤識別樣本數均為0。利用臨界成功指數I其中,x為有陣風鋒且成功識別的樣本數,y為有陣風鋒但未能識別的樣本數,z為無陣風鋒但誤識別為陣風鋒的樣本數。算法對98個樣本的臨界成功指數達到了0.684,成功識別率為68.4%,表明本方法對陣風鋒識別效果較好(表3)。6回波邊界評估本文在對天氣雷達體掃基數據進行一定質量控制的基礎上,根據陣風鋒在強度場和速度場所表現的回波特征和幾何特征,通過識別窄帶回波和輻合線(切變線)實現陣風鋒的識別,最后利用3個雷達站探測的陣風鋒資料,對識別算法進行效果檢驗,并利用臨界成功指數進行評估。得到如下結論:1)根據窄帶回波與母體回波的間隔,且窄帶回波強度較前后高5dBZ或以上,提出了雙向梯度法,該方法可以有效濾除大范圍降水回波而保留窄帶回波。2)結合組合反射率因子產品,