CN115902812B - 一种短时暴雨天气背景自动判别方法、***、设备及终端 - Google Patents
一种短时暴雨天气背景自动判别方法、***、设备及终端 Download PDFInfo
- Publication number
- CN115902812B CN115902812B CN202211709444.3A CN202211709444A CN115902812B CN 115902812 B CN115902812 B CN 115902812B CN 202211709444 A CN202211709444 A CN 202211709444A CN 115902812 B CN115902812 B CN 115902812B
- Authority
- CN
- China
- Prior art keywords
- mqvp
- probability
- short
- value
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于短时暴雨识别技术领域,公开了一种短时暴雨天气背景自动判别方法、***、设备及终端,利用短时暴雨的历史过程个例数据,构建出每一个双偏振雷达时次对应的MQVP,进而构建短时暴雨天气背景的MQVP数据集;根据短时暴雨天气背景的MQVP数据集,构建表征短时暴雨天气背景的MQVP概率模型;构建MQVP提前预警数据集,计算MQVP综合相似概率指数CP(TH),依据MQVP概率模型进行短时暴雨天气背景判别。本发明提供的判别方法,充分利用了双偏振雷达的偏振量特性进行MQVP概率建模,并据此实现分雨量等级的短时强降水天气背景的自动识别,可以更好的发挥出短时强降水的监测和提前预警领域的偏振雷达的优势。
Description
技术领域
本发明属于短时暴雨识别技术领域,尤其涉及一种短时暴雨天气背景自动判别方法、***、设备及终端。
背景技术
目前,基于反射率的垂直结构和降水率的降水分类(分为对流性和层云)方法,可以用于识别暖云降水、一定程度上提升雷达定量降水估计精度以及填补雷达波束遮挡区进而提高雷达数据质量。但是,该类传统方法因为缺少对短时暴雨微物理特征的识别能力,因此仍然存在一定局限性。随着双偏振雷达技术的成熟,为提供极端短时暴雨精细化云物理参数提供可能。双偏振雷达的准垂直廓线(quasi-vertical profiles,QVP)方法则能充分发挥双偏振雷达高时空分辨率的特点,从多维角度来监测短时暴雨的微物理特征,因此为短时暴雨特征提前识别提供了可能。
由于浅层降水和层云、对流性降水在垂直结构和微物理特征存在显著差异,因此,地面降水特别是极端降水微物理特征具有显著的时空变化和多样性。研究梅雨期极端对流***的微物理特征发现,在平原地区在某一时段内能观测到多种类型降水的存在。且联合雨滴谱资料发现梅雨期降水强度和对流发展深度并没有必然的联系,极端降水主要是中等高度的对流引起。双偏振雷达被广泛应用于降水微物理过程研究中,水平偏振反射率因子(ZH)、差分反射率因子(ZDR)、差传播相移(ΦDP)、差传播相移率(KDP)、等参量,这些物理参数与降水粒子类型、形状、空间取向和分布以及下落运动等要素密切相关。ZDR是判断不同类型云降水粒子相态的一个重要指标;强降水时雨滴的破碎和碰并趋于平衡,雨强的增大取决于雨滴浓度的升高,KDP可作为判断雨强是否增大的指标。ZDR柱与KDP柱的演变对于地面雨强的变化具有预示性,特别是在持续降水过程中,ZDR(KDP)柱的再度发展预示着降水***的再次增强。近年来,气象学者尝试用深度学习方法进行气象领域的研究。研究表明,利用双偏振3个偏振参数的不同组合作为输入因子,构建雷达定量降水估测深度学习网络架构,经检验,多参量网络架构对定量降水估测有较好的估测效果。但此方法没有构建多参数的垂直结构分析,存在一定的局限性。
目前国内对于偏振量垂直廓线的应用,主要集中于利用QVP方法对强对流发生过程时段内的微物理特性进行分析比较,缺乏识别QVP短时暴雨天气背景特征的自动化业务方法。传统的QVP构建方法,是基于垂直不同等高面上的平均策略(即利用等仰角面计算出等高面上的平均偏振量信息),因此获得是降水粒子微物理特征平均状态。但是,短时暴雨很多情况下具有局地特性,因此,传统的QVP构建方法对于直接识别短时暴雨这些特征还存在一定的不足。由于不同季节的0℃层高度、-10℃层高度,-20℃层高度不一,因此,不同季节的QVP特征存在较大的差异,按照现有的方法进行强对流天气背景下的QVP分析,需要分季节,并结合温度层结等探空信息进行分类研究,研究过程分析过程较复杂。虽然基于低层的偏振量(比如KDP)的定量降水估测方法可以相对较精确的估测出过去逐时雨量,但是该方法无法提前对极端短时暴雨进行预测和预警。
针对极端短时暴雨的天气背景特征,如何充分利用偏振量信息,设计合理的QVP统计构建方法。此外,传统的QVP模型,更多的表征了水汽特征,但是缺乏表征水汽动力(比如水汽通量散度)信息考虑,因此这也是本发明中所要解决难题之一。要建立适合短时暴雨天气背景特征的QVP模型匹配方法,从而实现极端短时暴雨的快速、准确的自动判别。此外,依据业务需求,提前预判出区域内局地最大暴雨的量级也是本发明所要解决的难题。针对以上两个难点问题,如何将气象学背景知识和计算机图像识别技术相结合,设计出高效精准的算法模型,是本发明所要解决的另一个重要难点问题。
通过上述分析,现有技术存在的问题及缺陷为:
(1)传统基于反射率的垂直结构和降水率的降水分类(分为对流性和层云)方法因为缺少对短时暴雨微物理特征的识别能力,因此仍然存在局限性。
(2)利用双偏振3个偏振参数的不同组合作为输入因子,构建雷达定量降水估测深度学习网络架构的方法没有构建多参数的垂直结构分析,存在局限性。
(3)目前国内对于偏振量垂直廓线的应用,缺乏识别QVP短时暴雨天气背景特征的自动化业务方法。
(4)传统的QVP构建方法对于直接识别短时暴雨特征还存在不足,缺乏表征水汽动力信息考虑,无法提前对极端短时暴雨进行预测和预警。
发明内容
针对现有技术存在的问题,本发明提供了一种短时暴雨天气背景自动判别方法、***、设备及终端,尤其涉及一种基于偏振量廓线特征识别的短时暴雨天气背景自动判别方法、***、介质、设备及终端。
本发明是这样实现的,一种短时暴雨天气背景自动判别方法,短时暴雨天气背景自动判别方法包括:利用短时暴雨的历史过程个例数据,构建出每一个双偏振雷达时次对应的MQVP(标准化的大值策略QVP),进而构建短时暴雨天气背景的MQVP数据集;根据短时暴雨天气背景的MQVP数据集,构建表征短时暴雨天气背景的MQVP概率模型;构建MQVP提前预警数据集,计算MQVP综合相似概率指数CP(TH),依据MQVP概率模型进行短时暴雨天气背景判别。
进一步,短时暴雨天气背景自动判别方法包括以下步骤:
步骤一,对每一个双偏振雷达资料的MQVP进行处理,构建表征短时暴雨天气背景的MQVP概率模型构建;
步骤二,计算MQVP综合相似概率指数CP(TH),依据MQVP概率模型进行短时暴雨天气背景判别。
进一步,步骤一中,利用短时暴雨的历史过程个例数据构建每一个双偏振雷达时次对应的MQVP,构建短时暴雨天气背景的MQVP数据集,依据数据集构建MQVP概率模型。
进一步,步骤一中的每一个双偏振雷达资料的MQVP处理包括:
(1)预处理
对单雷达资料进行双线性插值为等高面格点偏振数据;采用基于模糊逻辑的相态反演方法生成粒子相态识别数据;采用速度方位显示方法生成表征大气环境风场信息的垂直风廓线数据;其中,等高面数据统一为垂直间隔500m,从1km处理到17km。
(2)对流内核区域格点标记
依据等高面反射率和粒子相态识别结果进行不同高度的对流内核区域的判断,并进行格点标记。原始的粒子相态识别产品中识别的粒子相态包括地物、生物、干雪、湿雪、冰晶、霰、大滴、雨和大雨;判定为内核区域格点的标准为:对于0℃层高度以下,如果ZH>42dBZ,同时满足粒子相态识别为冰雹或者雨、大雨粒子相态,则标记为内核区域格点;对于0℃层高度以上,如果ZH>42dBZ,同时满足粒子相态识别为冰雹或者霰粒子相态,则标记为内核区域格点。
(3)在对流内核区域内统计MQVP的各个变量的最大准垂直廓线
对不同的等高面上标记过的对流内核点进行偏振量数值特征统计,生成对应的MQVPZH、MQVPPS、MQVPKDP、MQVPZDR、MQVPRHV以及MQVPKV;其中,准垂直廓线采样策略为采用最大值。
(4)依据基准温度层结对MQVP进行标准化处理
以温度层结曲线中的0℃层和-20℃高度作为基准,将原有的各个变量的准垂直廓线通过就近插值策略进行标准化处理。标准化后的准垂直廓线为3部分:a)地面到0℃层高度;b)0℃层高度到-20℃层高度;c)-20℃层高度到17km高度。每个垂直廓线数据段都进行n等分,n优先设置为10。
进一步,步骤(3)中的准垂直廓线采样策略包括:
1)MQVPZH的采样策略
对不同的等高面上标记过的对流内核点进行ZH数值特征统计,统计出不同的等高面高度上的最大ZH数值。为统计到0℃层高度附近的对流微物理结构特征,MQVP的有效统计水平范围[Dmin,Dmax]依据实际特定温度层的高度确定:
Dmin=(arccos((Rm+HR)*cos(θ19.5)/(H0+Rm))-θ19.5)*Rm;
Dmax=(arccos((Rm+HR)*cos(θ0.5)/(H0+Rm))-θ0.5)*Rm;
式中,Dmin表示统计水平范围中的以雷达为中心的最小半径,单位km;Dmax表示统计水平范围中的以雷达为中心的最大半径,单位km;arccos表示反余弦函数;cos表示余弦函数;Rm表示等效地球半径,单位km;HR表示雷达站高度,单位km;H0表示统计数据时段对应的探空观测的0℃层高度,单位km;θ19.5表示角度19.5°对应的弧度数值;θ0.5表示角度0.5°对应的弧度数值。
2)MQVPPS的采样策略
利用MQVPZH的统计水平范围算法确定MQVPPS水平统计范围信息。对不同的等高面上标记过的对流内核点进行显著粒子相态特征统计,统计出不同的等高面高度上的最显著的粒子相态数值。其中,对流内核中的不同粒子相态的显著度递减顺序排序为:冰雹、霰,大雨、雨、大滴、冰晶、湿雪、干雪。
3)MQVPKDP的采样策略
利用MQVPZH的统计水平范围算法确定MQVPKDP水平统计范围信息。对不同的等高面上标记过的对流内核点进行KDP数值特征统计,统计出不同的等高面高度上的最大KDP数值。其中,增加ρhv数值监测进行实现偏振量的简单质控约束;如果ρhv数值处于[0.6,1.0],则认为当前偏振量参与MQVP统计。
4)MQVPZDR的采样策略
利用MQVPZH的统计水平范围算法确定MQVPZDR水平统计范围信息。对不同的等高面上标记过的对流内核点进行ZDR数值特征统计,统计出不同的等高面高度上的最大ZDR数值。其中,增加ρhv数值监测进行实现偏振量的简单质控约束;如果ρhv数值处于[0.6,1.0],则认为当前偏振量参与MQVP统计。
5)MQVPRHV的采样策略
利用MQVPZH的统计水平范围算法确定MQVPRHV水平统计范围信息。对不同的等高面上标记过的对流内核点进行ρhv数值特征统计,统计出不同的等高面高度上的最大ρhv数值;其中,ρhv的合理数值范围为[0.6,1.0]。
6)MQVPKV的采样策略
将KDP乘以环境风速数值VADL,获得近似表示水汽通量分布特征的偏振水凝物通量KV。依据KDP是探测大气中的水凝物的含水量特性,故KV大数值预示着区域辐合特征存在。
KV(h)=MQVPKDP(h)*VADL(h),h∈[0,17km];
式中,h为准垂直廓线的高度,单位km。
通过将高度h对应的MQVPKDP乘以速度方位显示方法计算得到的环境风速VADL,进而计算获得高度h对应的偏振水凝物通量KV。
进一步,步骤一中的MQVP概率模型为分雨量等级的MQVP概率模型PMD(TH),按照暴雨雨量等级阈值TH进行统计构建;选择TH依次为20mm/h、30mm/h、40mm/h以及50mm/h。对应的数据集的构建以逐时自动雨量站监测雨量为基准,如果雷达监测范围内最大小时雨量达到TH标准,则将出现暴雨时刻之前1小时内的全部雷达数据的MQVP都归为阈值TH下的MQVP概率模型统计数据集。
进一步,步骤一中的MQVP概率模型的构建包括:
(1)PMDPS(TH)的构建
粒子相态的概率统计用于分析约束。概率模型由以下三类统计属性构成:
1)变量DG,用于表示霰粒子相态概率分布,计算公式为:
DG=NG/N;
其中,NG表示统计数据集中的每个MQVP中每一次层的霰粒子相态个数,N表示统计数据集中的MQVP样本个数。
2)变量DW,用于表示纯液态水粒子相态概率分布,计算公式为:
DW=NW/N;
其中,NW表示统计数据集中的每个MQVP中每一次层纯液态水粒子相态个数,大雨粒子相态个数+雨粒子相态个数+大滴粒子相态个数;N表示统计数据集中的MQVP样本个数。
3)变量DS,用于表示显著固态水粒子相态概率分布,计算公式为:
DS=NS/N;
其中,NS表示统计数据集中的每个MQVP中每一次层的显著固态水粒子相态个数,冰雹粒子相态个数+冰晶粒子相态个数;N表示统计数据集中的MQVP样本个数。
(2)非对称高斯分布概率模型的构建
利用非对称高斯分布概率模型构建方法生成PMDZH、PMDKDP、PMDZDR、PMDRHV、PMDKV。非对称高斯分布概率模型构建方法中,同一个层的概率分布是以MQVP的统计平均数值为中心,左侧最小数值到平均数值之间是高斯分布和右侧最大数值到平均数值之间高斯分布是非对称的。
非对称高斯分布概率模型计算步骤为:对数据集内标准化后MQVP进行统计,计算出每层的最小数值VMIN、最大数值VMAX、平均数值VAVE;以最小数值VMIN和平均数值VAVE计算该层的左侧分布概率PL曲线;以平均数值VAVE和最大数值VMAX计算该层的右侧分布概率PR曲线,最后生成对应的MQVP概率模型。
式中,σL取(VAVE-VMIN)/3,σR取(VMAX-VAVE)/3。
进一步,步骤二中的依据MQVP概率模型的短时暴雨天气背景判别包括:
计算基于当前分析时刻的偏振雷达资料,计算出标准化后的MQVP;依据PMD(TH),计算出不同雨量等级TH下的MQVP综合相似概率指数CP(TH);再进行判断:当CP(TH)超过雨量等级TH下的判定阈值R(TH),则认为雨量等级TH的事件在雷达监测区域内将发生,当前处于短时暴雨的天气背景中;将出现短时暴雨时刻之前1小时前后的MQVP数据筛选构成MQVP提前预警数据集。
当出现多个雨量等级TH下均满足判定阈值情况,则判定相对较大的雨量等级TH事件在雷达监测区域内将发生。
(1)粒子相态相似概率指数CPPS(TH)
基于PMDPS(TH)概率模型,对MQVP提前预警数据集内每个雷达数据进行统计,计算出每层的概率数值,并进行逐层累加,生成粒子相态相似概率指数CPPS(TH)。对MQVP提前预警数据集的每个雷达数据对应的CPPS(TH)的数值大小进行频率统计,选择通过率达到90%以上的数值作为粒子相态相似概率指数的判定阈值RPS(TH)。其中,每层概率数值的计算公式为:
式中,H代表标准化准垂直廓线的总层数;H代表MQVPPS的第H层的粒子相态;如果为霰粒子相态,则CPG等于第H层的DG概率数值,且CPW、CPS均为0概率数值;如果为大雨粒子相态或雨粒子相态或大滴粒子相态,则CPW等于第H层的DW概率数值,且CPG、CPS均为0概率数值;如果为冰雹粒子相态或冰晶粒子相态,则CPS等于第H层的DS概率数值,且CPG、CPW均为0概率数值。
(2)水平反射率因子相似概率指数CPZH(TH)
基于PMDZH(TH)概率模型,对MQVP提前预警数据集内每个雷达数据进行统计,计算出每层的概率数值,并进行逐层累加,生成水平反射率因子相似概率指数CPZH(TH)。对MQVP提前预警数据集的每个雷达数据对应的CPZH(TH)的数值大小进行频率统计,选择通过率达到90%以上的数值作为水平反射率因子相似概率指数的判定阈值RZH(TH)。其中,每层概率数值的计算公式为:
(3)传播相移率相似概率指数CPKDP(TH)
基于PMDKDP(TH)概率模型,对MQVP提前预警数据集内每个雷达数据进行统计,计算出每层的概率数值,并进行逐层累加,生成传播相移率相似概率指数CPKDP(TH)。对MQVP提前预警数据集的每个雷达数据对应的CPKDP(TH)的数值大小进行频率统计,选择通过率达到90%以上的数值作为传播相移率相似概率指数的判定阈值RKDP(TH)。其中,每层概率数值的计算公式为:
(4)传播相移率相似概率指数CPZDR(TH)
基于PMDZDR(TH)概率模型,对MQVP提前预警数据集内每个雷达数据进行统计,计算出每层的概率数值,并进行逐层累加,生成差分反射率相似概率指数CPZDR(TH)。对MQVP提前预警数据集的每个雷达数据对应的CPZDR(TH)的数值大小进行频率统计,选择通过率达到90%以上的数值作为差分反射率相似概率指数的判定阈值RZDR(TH)。其中,每层概率数值的计算公式为:
(5)相关系数相似概率指数CPRHV(TH)
基于PMDRHV(TH)概率模型,对MQVP提前预警数据集内每个雷达数据进行统计,计算出每层的概率数值,并进行逐层累加,生成相关系数相似概率指数CPRHV(TH)。对MQVP提前预警数据集的每个雷达数据对应的CPRHV(TH)的数值大小进行频率统计,选择通过率达到90%以上的数值作为相关系数相似概率指数的判定阈值RRHV(TH)。其中,每层概率数值的计算公式为:
(6)偏振水凝物通量相似概率指数CPKV(TH)
基于PMDKV(TH)概率模型,对MQVP提前预警数据集内每个雷达数据进行统计,计算出每层的概率数值,并进行逐层累加,生成偏振水凝物通量相似概率指数CPKV(TH)。对MQVP提前预警数据集的每个雷达数据对应的CPKV(TH)的数值大小进行频率统计,选择通过率达到90%以上的数值作为偏振水凝物通量相似概率指数的判定阈值RKV(TH)。其中,每层概率数值的计算公式为:
本发明的另一目的在于提供一种应用所述的短时暴雨天气背景自动判别方法的短时暴雨天气背景自动判别***,短时暴雨天气背景自动判别***包括:
数据集构建模块,用于利用短时暴雨的历史过程个例数据,构建每一个双偏振雷达时次对应的MQVP,进而构建短时暴雨天气背景的MQVP数据集;
MQVP概率模型构建模块,用于根据短时暴雨天气背景的MQVP数据集,构建表征短时暴雨天气背景的MQVP概率模型;
短时暴雨天气背景判别模块,用于构建MQVP提前预警数据集,计算MQVP综合相似概率指数CP(TH),依据MQVP概率模型进行短时暴雨天气背景判别。
本发明的另一目的在于提供一种计算机设备,计算机设备包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行所述的短时暴雨天气背景自动判别方法的步骤。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行所述的短时暴雨天气背景自动判别方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端,信息数据处理终端用于实现所述的短时暴雨天气背景自动判别***。
结合上述的技术方案和解决的技术问题,本发明所要保护的技术方案所具备的优点及积极效果为:
第一,针对上述现有技术存在的技术问题以及解决该问题的难度,紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等,详细、深刻地分析本发明技术方案如何解决的技术问题,解决问题之后带来的一些具备创造性的技术效果。具体描述如下:
(1)传统的QVP方法是基于平均统计策略,本发明中提出的MQVP(标准化的大值策略QVP)方法选择的是基于不同层等高面上的最大值策略。最大值策略的好处在于可以更及时的提前监测到局地短时暴雨特征的可能性。
(2)不同季节的温度层结(0℃层高度、-10℃层高度、-20℃层高度)不一样,因此,不同的季节产生短时暴雨天气背景的QVP存在一定的差异,不利于构建统一的判别模型。本发明提出的MQVP方法,其以0℃层高度和-20℃层高度为基准,通过垂直廓线标准化处理,因此,更利于构建统一的短时暴雨天气背景的特征识别模型。
(3)本发明提出新方法可以提供雷达监测区域内的短时暴雨天气背景的识别以及区域内最大雨量等级的预判信息,进而为短时暴雨灾害的***、预警提供技术支撑,对于提升气象强天气灾害的防灾减灾具有积极的意义。
第二,把技术方案看做一个整体或者从产品的角度,本发明所要保护的技术方案具备的技术效果和优点,具体描述如下:
本发明提供的判别方法,充分利用了双偏振雷达的偏振量特性进行MQVP概率建模,并据此实现分雨量等级的短时强降水天气背景的自动识别。相比较传统QVP方法,新方法可以更好的发挥出短时强降水的监测和提前预警领域的偏振雷达的优势,拓展QVP在强对流提前预警的应用邻域。本发明的概率模型的设计是建立在雷达气象业务逻辑基础上的智能识别模型,其对于未来在气象业务上如何合理科学的融合应用计算机识别技术等具有较好的示范效果。
第三,作为本发明的权利要求的创造性辅助证据,还体现在以下几个重要方面:
(1)本发明的技术方案转化后的预期收益和商业价值为:
本发明充分利用了双偏振雷达的优势,构建了短时暴雨天气背景识别模型,可以更好的发挥出短时强降水的监测和提前预警领域的偏振雷达的优势,拓展QVP在强对流提前预警的应用邻域。此外,该模型的构建方法未来如进一步升级,可以构建分降雨量级的识别模型,因此,其对极端短时强降水(>50mm/h)的天气背景识别理论上可以具有一定识别能力,这对于短时强降水的短临预警而言具有积极意义。
本发明是国内首次将QVP应用于短时强降水提前预警,进一步拓展QVP在强对流提前预警的应用邻域。
(2)本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题:
当前业务中有大量的监测设备可以用于监测短时强降水实况灾害,但是对于短时强降水提前预警而言相应的方法较为有限,因此,本发明是针对短时暴雨提前预警的业务需求而进行的发明模型设计。
(3)本发明的技术方案是否克服了技术偏见:
无论是气象还是计算机邻域,大量研究工作者研究重点着眼于机器学习方法模型、学习方法参数的改进,但是,就气象领域而言,由于存在数据量大、数据质量参差不齐、数据特征量多等问题,因此,气象识别模型的构建方法其实更为重要。本发明的概率模型的设计是建立在雷达气象业务逻辑基础上的智能识别模型,其对于未来在气象业务上如何合理科学的融合应用计算机识别技术等具有较好的示范效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的短时暴雨天气背景自动判别方法流程图;
图2是本发明实施例提供的标准化准垂直廓线示意图;图(a)为标准化的水平反射率因子准垂直廓线图,图(b)为水平反射率因子准垂直廓线图;
图3是本发明实施例提供的MQVP统计水平范围示意图;
图4是本发明实施例提供的MQVP粒子相态概率模型示意图;
图5是本发明实施例提供的非对称高斯概率分布曲线示意图;
图6是本发明实施例提供的MQVP概率模型示意图(1%、20%、40%、60%、80%以及100%概率特征曲线);
图7是本发明实施例提供的最大相关系数的准垂直廓线概率模型示意图(1%、20%、40%、60%、80%以及100%概率特征曲线);
图8是本发明实施例提供的最大传播相移率的准垂直廓线概率模型示意图(1%、20%、40%、60%、80%以及100%概率特征曲线);
图9是本发明实施例提供的最大差分反射率的准垂直廓线概率模型示意图(1%、20%、40%、60%、80%以及100%概率特征曲线);
图10是本发明实施例提供的最大水平反射率因子的准垂直廓线概率模型示意图(1%、20%、40%、60%、80%以及100%概率特征曲线);
图11是本发明实施例提供的最大偏振水凝物通量的准垂直廓线概率模型示意图(1%、20%、40%、60%、80%以及100%概率特征曲线);
图12是本发明实施例提供的最显著粒子相态的准垂直廓线概率模型示意图(霰粒子相态、纯液态粒子相态以及显著固态粒子相态概率特征曲线)。
图13是本发明实施例提供的2022年6月1日天气过程的短时暴雨天气背景自动判别结果和逐小时自动站暴雨监测结果比较。
图14是本发明实施例提供的2022年8月21日天气过程的短时暴雨天气背景自动判别结果和逐小时自动站暴雨监测结果比较。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种短时暴雨天气背景自动判别方法、***、设备及终端,下面结合附图对本发明作详细的描述。
为了使本领域技术人员充分了解本发明如何具体实现,该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示,本发明实施例提供的短时暴雨天气背景自动判别方法包括以下步骤:
S101,利用短时暴雨的历史过程个例数据,构建双偏振雷达时次对应的MQVP,进而构建短时暴雨天气背景的MQVP数据集;
S102,根据短时暴雨天气背景的MQVP数据集,构建表征短时暴雨天气背景的MQVP概率模型;
S103,构建MQVP提前预警数据集,计算MQVP综合相似概率指数CP(TH),依据MQVP概率模型进行短时暴雨天气背景判别。
作为优选实施例,本发明实施例提供的短时暴雨天气背景自动判别方法,具体包括以下步骤:
1.表征短时暴雨天气背景的MQVP概率模型构建
本发明利用短时暴雨的历史过程个例数据,构建出每一个双偏振雷达时次对应的MQVP,从而构建短时暴雨天气背景的MQVP数据集,然后依据此数据集构建MQVP概率模型。本发明实施例提供的短时暴雨天气背景自动判别方法选用表1所罗列的变量来构成表征短时暴雨天气背景的MQVP。
表1MQVP的变量列表
1.1MQVP方法
每一个双偏振雷达资料的MQVP处理过程分为4个步骤:
1)预处理
首先将对单雷达资料进行双线性插值为等高面格点偏振数据;然后采用基于模糊逻辑的相态反演方法生成粒子相态识别数据;采用速度方位显示(VAD)方法生成表征大气环境风场信息的垂直风廓线数据。这里的等高面数据统一为垂直间隔500m,从1km处理到17km。联合雨滴谱资料分析发现梅雨期降水强度和对流发展深度并没有必然的联系,极端降水主要是中等高度的对流引起。因此,等高面数据处理到17km高度可以满足分析需求。
2)对流内核区域格点标记
首先依据等高面反射率和粒子相态识别结果进行不同高度的对流内核区域的判断,并进行格点标记。原始的粒子相态识别产品中识别的粒子相态主要有:地物、生物、干雪、湿雪、冰晶、霰、大滴、雨、大雨。这里的判定为内核区域格点的标准为:对于0℃层高度以下,如果ZH>42dBZ,同时满足粒子相态识别为冰雹或者雨、大雨粒子相态,则标记为内核区域格点;对于0℃层高度以上,如果ZH>42dBZ,同时满足粒子相态识别为冰雹或者霰粒子相态,则标记为内核区域格点。
3)在对流内核区域内统计MQVP的各个变量的最大准垂直廓线
对不同的等高面上标记过的对流内核点进行偏振量数值特征统计,生成对应的MQVPZH、MQVPPS、MQVPKDP、MQVPZDR、MQVPRHV以及MQVPKV。这里的准垂直廓线采样策略为采用最大值,具体见步骤a)到f)。
4)依据基准温度层结对MQVP进行标准化处理
如图2所示,以温度层结曲线中的0℃层和-20℃高度作为基准,将原有的各个变量的准垂直廓线通过就近插值策略进行标准化处理。标准化后的准垂直廓线为3部分:a)地面到0℃层高度;b)0℃层高度到-20℃层高度;c)-20℃层高度到17km高度。每个垂直廓线数据段都进行n等分(默认可以取10),以确保不同数据段的数据特征信息的均衡性。
a)MQVPZH的采样策略
对不同的等高面上标记过的对流内核点进行ZH数值特征统计,统计出不同的等高面高度上的最大ZH数值。为了最大限度保证统计到较为完整的0℃层高度附近的对流微物理结构特征,MQVP的有效统计水平范围[Dmin,Dmax]依据实际特定温度层的高度计算确定:
Dmin=(arccos((Rm+HR)*cos(θ19.5)/(H0+Rm))-θ19.5)*Rm;
Dmax=(arccos((Rm+HR)*cos(θ0.5)/(H0+Rm))-θ0.5)*Rm;
式中,Dmin表示统计水平范围中的以雷达为中心的最小半径(单位km);Dmax表示统计水平范围中的以雷达为中心的最大半径(单位km);arccos表示反余弦函数;cos表示余弦函数;Rm表示等效地球半径(单位km);HR表示雷达站高度(单位km);H0表示统计数据时段对应的探空观测的0℃层高度(单位km);θ19.5表示角度19.5°对应的弧度数值;θ0.5表示角度0.5°对应的弧度数值。
b)MQVPPS的采样策略
参考和MQVPZH相同的统计水平范围算法(见公式1~2)确定MQVPPS水平统计范围信息。对不同的等高面上标记过的对流内核点进行显著粒子相态特征统计,统计出不同的等高面高度上的最显著的粒子相态数值。这里给出对流内核中的不同粒子相态的显著度递减顺序排序:冰雹、霰,大雨、雨、大滴、冰晶、湿雪、干雪。
c)MQVPKDP的采样策略
参考和MQVPZH相同的统计水平范围算法(见公式1~2)确定MQVPKDP水平统计范围信息。对不同的等高面上标记过的对流内核点进行KDP数值特征统计,统计出不同的等高面高度上的最大KDP数值。这里增加ρhv数值监测进行实现偏振量的简单质控约束;如果ρhv数值处于[0.6,1.0],则认为当前偏振量可以参与MQVP统计。
d)MQVPZDR的采样策略
参考和MQVPZH相同的统计水平范围算法(见公式1~2)确定MQVPZDR水平统计范围信息。对不同的等高面上标记过的对流内核点进行ZDR数值特征统计,统计出不同的等高面高度上的最大ZDR数值。这里增加ρhv数值监测进行实现偏振量的简单质控约束;如果ρhv数值处于[0.6,1.0],则认为当前偏振量可以参与MQVP统计。
e)MQVPRHV的采样策略
参考和MQVPZH相同的统计水平范围算法(见公式1~2)确定MQVPRHV水平统计范围信息。对不同的等高面上标记过的对流内核点进行ρhv数值特征统计,统计出不同的等高面高度上的最大ρhv数值。ρhv的合理数值范围为[0.6,1.0]。
f)MQVPKV的采样策略
将KDP其乘以环境风速数值VADL,可以获得近似表示水汽通量分布特征的偏振水凝物通量(KV,公式3)。此外,依据KDP是探测大气中的水凝物的含水量特性,因此KV大数值也预示着该区域辐合特征存在。
KV(h)=MQVPKDP(h)*VADL(h),h∈[0,17km](3)
公式3中h为准垂直廓线的高度(km);通过将高度h对应的MQVPKDP乘以速度方位显示(VAD)方法计算得到的环境风速VADL,可以计算获得高度h对应的偏振水凝物通量(KV)。
1.2MQVP概率模型的构建
本发明中的MQVP概率模型为分雨量等级的MQVP概率模型PMD(TH),其按照暴雨雨量等级阈值TH进行统计构建。方法中选择TH依次为20mm/h、30mm/h、40mm/h以及50mm/h。对应的数据集的构建以逐时自动雨量站监测雨量为基准,如果雷达监测范围内最大小时雨量达到TH标准,则将出现暴雨时刻之前1小时内的全部雷达数据的MQVP都归为阈值TH下的MQVP概率模型统计数据集。由于MQVP是经过标准化处理准垂直廓线,因此,在MQVP概率模型处理中不需再考虑季节温度层结差异问题,可以直接统一输出为唯一的MQVP概率模型。该概率模型主要由表2所罗列的变量概率模型构成。
表2PMD的变量列表
变量名 | 中文名 |
PMDZH | 最大ZH(水平反射率因子)的准垂直廓线概率模型 |
PMDPS | 最显著PS(粒子相态)的准垂直廓线概率模型 |
PMDKDP | 最大KDP(传播相移率)的准垂直廓线概率模型 |
PMDZDR | 最大ZDR(差分反射率)的准垂直廓线概率模型 |
PMDRHV | 最大ρhv(相关系数)的准垂直廓线概率模型 |
PMDKV | 最大KV(偏振水凝物通量)的准垂直廓线概率模型 |
1)PMDPS(TH)构建方法
粒子相态的概率统计主要是用于分析约束。该概率模型由三类统计属性构成(见表3),构建后的示意图见图4。
表3PMDPS统计属性表
2)非对称高斯分布概率模型构建方法
利用非对称高斯分布概率模型构建方法来生成PMDZH、PMDKDP、PMDZDR、PMDRHV、PMDKV。非对称高斯分布概率模型构建方法假设,同一个层的概率分布是以MQVP的统计平均数值为中心,左侧最小数值到平均数值之间是高斯分布和右侧最大数值到平均数值之间高斯分布是非对称的(见图5)。
非对称高斯分布概率模型计算步骤为:首先对数据集内标准化后MQVP进行统计,计算出每层的最小数值VMIN、最大数值VMAX、平均数值VAVE。然后,以最小数值VMIN和平均数值VAVE计算该层的左侧分布概率PL曲线(见公式4~5,图5);以平均数值VAVE和最大数值VMAX计算该层的右侧分布概率PR曲线(见公
式4~5,图5)。最后,生成对应的MQVP概率模型(见图6)。
公式(4)中的σL默认可以取(VAVE-VMIN)/3;公式(5)中的σR默认可以取(VMAX-VAVE)/3。
2.依据MQVP概率模型的短时暴雨天气背景判别方法
在实际业务应用中,首先,计算基于当前分析时刻的偏振雷达资料,计算出标准化后的MQVP;然后,依据PMD(TH),计算出不同雨量等级TH下的MQVP综合相似概率指数CP(TH);最后,进行判断:当CP(TH)超过雨量等级TH下的判定阈值R(TH),则认为该雨量等级TH的事件在雷达监测区域内将会发生(即当前处于短时暴雨的天气背景中)。
鉴于气象预警业务的需求为提前预警,因此,构建MQVP提前预警数据集,进而可以更早的监测判别出短时强降水的天气背景是十分有必要的。由于MQVP概率模型统计数据集包含了所有短时暴雨出现时刻之前1小时内的全部MQVP数据,因此,这里将出现短时暴雨时刻之前1小时前后的MQVP数据筛选构成MQVP提前预警数据集。
2.1MQVP综合相似概率指数CP(TH)的计算方法
MQVP综合相似概率指数CP(TH)由以下6个指数构成:粒子相态相似概率指数CPPS(TH)、水平反射率因子相似概率指数CPZH(TH)、传播相移率相似概率指数CPKDP(TH)、差分反射率相似概率指数CPZDR(TH)、相关系数相似概率指数CPRHV(TH)以及偏振水凝物通量相似概率指数CPKV(TH)。具体判识标准为:
如果CPZH(TH)、CPPS(TH)、CPRHV(TH)以及CPKV(TH)都大于对应的阈值,同时满足CPKDP(TH)或者CPZDR(TH)中有一个相似概率指数大于对应阈值,则可以判定当前雨量等级TH的事件在雷达监测区域内将会发生(即当前处于短时暴雨的天气背景中)。
当出现多个雨量等级TH下都满足判定阈值情况,则判定相对较大的雨量等级TH事件在雷达监测区域内将会发生。
(1)粒子相态相似概率指数CPPS(TH)
基于PMDPS(TH)概率模型,对MQVP提前预警数据集内每个雷达数据进行统计,按照公式(6)计算出每层的概率数值,并进行逐层累加,生成粒子相态相似概率指数CPPS(TH)。对MQVP提前预警数据集的每个雷达数据对应的CPPS(TH)的数值大小进行频率统计,选择通过率能达到90%以上的数值作为粒子相态相似概率指数的判定阈值RPS(TH)。
公式(6)中,H代表了标准化准垂直廓线的总层数;H代表了MQVPPS的第H层的粒子相态;如果其为霰粒子相态,则CPG等于第H层的DG概率数值,同时CPW、CPS都为0概率数值;如果其为大雨粒子相态或者雨粒子相态或者大滴粒子相态,则CPW等于第H层的DW概率数值,同时CPG、CPS都为0概率数值;如果其为冰雹粒子相态或者冰晶粒子相态,则CPS等于第H层的DS概率数值,同时CPG、CPW都为0概率数值。
(2)水平反射率因子相似概率指数CPZH(TH)
基于PMDZH(TH)概率模型,对MQVP提前预警数据集内每个雷达数据进行统计,按照公式(7)计算出每层的概率数值,并进行逐层累加,生成水平反射率因子相似概率指数CPZH(TH)。对MQVP提前预警数据集的每个雷达数据对应的CPZH(TH)的数值大小进行频率统计,选择通过率能达到90%以上的数值作为水平反射率因子相似概率指数的判定阈值RZH(TH)。
(3)传播相移率相似概率指数CPKDP(TH)
基于PMDKDP(TH)概率模型,对MQVP提前预警数据集内每个雷达数据进行统计,按照公式(8)计算出每层的概率数值,并进行逐层累加,生成传播相移率相似概率指数CPKDP(TH)。对MQVP提前预警数据集的每个雷达数据对应的CPKDP(TH)的数值大小进行频率统计,选择通过率能达到90%以上的数值作为传播相移率相似概率指数的判定阈值RKDP(TH)。
/>
(4)传播相移率相似概率指数CPZDR(TH)
基于PMDZDR(TH)概率模型,对MQVP提前预警数据集内每个雷达数据进行统计,按照公式(9)计算出每层的概率数值,并进行逐层累加,生成差分反射率相似概率指数CPZDR(TH)。对MQVP提前预警数据集的每个雷达数据对应的CPZDR(TH)的数值大小进行频率统计,选择通过率能达到90%以上的数值作为差分反射率相似概率指数的判定阈值RZDR(TH)。
(5)相关系数相似概率指数CPRHV(TH)
基于PMDRHV(TH)概率模型,对MQVP提前预警数据集内每个雷达数据进行统计,按照公式(10)计算出每层的概率数值,并进行逐层累加,生成相关系数相似概率指数CPRHV(TH)。对MQVP提前预警数据集的每个雷达数据对应的CPRHV(TH)的数值大小进行频率统计,选择通过率能达到90%以上的数值作为相关系数相似概率指数的判定阈值RRHV(TH)。
(6)偏振水凝物通量相似概率指数CPKV(TH)
基于PMDKV(TH)概率模型,对MQVP提前预警数据集内每个雷达数据进行统计,按照公式(11)计算出每层的概率数值,并进行逐层累加,生成偏振水凝物通量相似概率指数CPKV(TH)。对MQVP提前预警数据集的每个雷达数据对应的CPKV(TH)的数值大小进行频率统计,选择通过率能达到90%以上的数值作为偏振水凝物通量相似概率指数的判定阈值RKV(TH)。
本发明实施例提供的短时暴雨天气背景自动判别***包括:
数据集构建模块,用于利用短时暴雨的历史过程个例数据,构建每一个双偏振雷达时次对应的MQVP,进而构建短时暴雨天气背景的MQVP数据集;
MQVP概率模型构建模块,用于根据短时暴雨天气背景的MQVP数据集,构建表征短时暴雨天气背景的MQVP概率模型;
短时暴雨天气背景判别模块,用于构建MQVP提前预警数据集,计算MQVP综合相似概率指数CP(TH),依据MQVP概率模型进行短时暴雨天气背景判别。
为了证明本发明的技术方案的创造性和技术价值,该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
基于本发明提出的方法,基于短时暴雨的过程个例资料对台州地区(雷达IDZ9576)进行短时暴雨天气背景识别模型的构建。构建出的模型表明,台州地区的短时强降水偏振量具有低质心的强降水结构特征。
在获得台州地区的短时暴雨天气背景识别模型之后,针对今年汛期时段的两次短时强降水过程个例进行适用,评估该模型的识别出短时暴雨天气背景的提前量。两次过程个例时段(北京时)2022年6月1日和2022年8月21日。在2022年6月1日过程中,强降水天气***自北向南移动,影响到浙江南部区域大约在当日14时到20时。自动雨量站监测表明,在14-20时,台州南部到温州一带出现20mm/h以上短时强降水,因此该时段为台州雷达监测范围内的天气背景类型为短时强降水。在2022年8月21日过程中,强降水***主要影响浙江东南地区。自动雨量站监测表明,在13时到19时,台州地区出现了20mm/h以上短时强降水,因此该时段为台州雷达监测范围内的天气背景类型为短时强降水。
将台州地区的短时暴雨天气背景识别模型应用于2022年6月1日8时-23时的体扫资料(6分钟扫描一次)进行短时暴雨天气背景的判别。短时暴雨天气背景自动判别结果和逐小时自动站暴雨监测结果比较(图13)表明,在该过程中,本发明所提出的方法可以在13时15分就可以识别出短时暴雨天气背景特征。说明利用该方法可以提前近45分钟,判断出该地区雷达监测范围内将出现短时暴雨灾害。此外,判断出短时暴雨发生时段和实况监测基本相符。
将台州地区的短时暴雨天气背景识别模型应用于2022年8月21日8时-23时的体扫资料(6分钟扫描一次)进行短时暴雨天气背景的判别。短时暴雨天气背景自动判别结果和逐小时自动站暴雨监测结果比较(图14)表明,在该过程中,本发明所提出的方法可以在12时20分就可以识别出短时暴雨天气背景特征。说明利用该方法可以提前近40分钟,判断出该地区雷达监测范围内将出现短时暴雨灾害。此外,判断出短时暴雨发生时段和实况监测基本相符。
本发明实施例在研发或者使用过程中取得了一些积极效果,和现有技术相比的确具备很大的优势,下面内容结合试验过程的数据、图表等进行描述。
现有的客观的短时暴雨监测和预报主要基于自动站雨量监测和雷达外推预报两类方法。对于自动站雨量监测方法,通常以过去1小时的累积雨量作为判别短时暴雨的标准,因此,当监测到达标准,实际上已经发生了短时强降水灾害(对于短时暴雨的预警的提前量较有限)。而对于雷达外推预报方法,由于其是将引导气流场作为外推场进行外推,而实际上短时暴雨的对流云都存在后向传播特征,因此,雷达的外推场和实际对流传播的方向、速度上存在一定偏差。在30分钟内,雷达外推的强降水落区和实况较为接近,在30分钟之后,由于外推偏差加大,造成短时暴雨预测信息也会偏差加大。平均统计来看,对于短时暴雨的客观方法的预警提前量在30分钟左右。
对比以上现有的客观业务方法,本发明提出的方法的优势在于,其具有更好的短时暴雨预警提前量(提前时间增加到40-45分钟),能在临近预报时段给与预报员更准确的短时暴雨预警信息参考。此外,本发明未来可以进一步细分升级统计模型,构建极端短时强降水识别模型(比如50mm/h雨量识别模型),因此,本发明具有更好的适合业务的拓展应用前景。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行***,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种短时暴雨天气背景自动判别方法,其特征在于,包括:
利用短时暴雨的历史过程个例数据构建出每一个双偏振雷达时次对应的标准化的大值策略QVP,即MQVP,进而构建短时暴雨天气背景的MQVP数据集;根据短时暴雨天气背景的MQVP数据集,构建表征短时暴雨天气背景的MQVP概率模型;构建MQVP提前预警数据集,计算MQVP综合相似概率指数CP(TH),依据MQVP概率模型进行短时暴雨天气背景判别;
其中,每一个双偏振雷达资料的MQVP处理包括:
(1)预处理
对单雷达资料进行双线性插值为等高面格点偏振数据;采用基于模糊逻辑的相态反演方法生成粒子相态识别数据;采用速度方位显示方法生成表征大气环境风场信息的垂直风廓线数据;其中,等高面数据统一为垂直间隔500m,从1km处理到17km;
(2)对流内核区域格点标记
依据等高面反射率和粒子相态识别结果进行不同高度的对流内核区域的判断,并进行格点标记;原始的粒子相态识别产品中识别的粒子相态包括地物、生物、干雪、湿雪、冰晶、霰、大滴、雨和大雨;判定为内核区域格点的标准为:对于0℃层高度以下,如果ZH>42dBZ,同时满足粒子相态识别为冰雹或者雨、大雨粒子相态,则标记为内核区域格点;对于0℃层高度以上,如果ZH>42dBZ,同时满足粒子相态识别为冰雹或者霰粒子相态,则标记为内核区域格点;ZH是表示天气雷达水平反射率因子的符号,单位是Dbz,反映的是一个体积元中的水滴或冰晶数量与大小的综合效应,用于估计降水强度;
(3)在对流内核区域内统计MQVP的各个变量的最大准垂直廓线
对不同的等高面上标记过的对流内核点进行偏振量数值特征统计,生成对应的MQVPZH、MQVPPS、MQVPKDP、MQVPZDR、MQVPRHV以及MQVPKV;其中,准垂直廓线采样策略为采用最大值;MQVPZH表示,标准化的最大水平反射率因子ZH的准垂直廓线;表征监测范围内的大气中代表强天气特征的最大降水强度在垂直方向的变化,MQVPPS表示:标准化的最显著粒子相态PS的准垂直廓线,表征监测范围内的大气中能代表强天气特征的最显著降水粒子相态在垂直方向的分布;MQVPKDP表示:标准化的最大传播相移率KDP的准垂直廓线,表征监测范围内的大气中代表强天气特征的最大降水强度在垂直方向的分布;反映降水强度的另一种度量,并且对于强降水的垂直结构的监测;MQVPZDR表示:标准化的最大差分反射率ZDR的准垂直廓线,表征监测范围内的大气中能代表强天气特征的最显著降水粒子形态在垂直方向的分布;MQVPRHV表示:标准化的最大相关系数ρhv的准垂直廓线,表征监测范围内的大气中代表强天气特征的液态降水粒子垂直方向的分布;MQVPKV表示标准化的最大偏振水凝物通量KV的准垂直廓线,表征监测范围内的大气中代表强天气特征的最大水凝物通量垂直方向的分布;
(4)依据基准温度层结对MQVP进行标准化处理
以温度层结曲线中的0℃层和-20℃高度作为基准,将原有的各个变量的准垂直廓线通过就近插值策略进行标准化处理;标准化后的准垂直廓线为3部分:a)地面到0℃层高度;b)0℃层高度到-20℃层高度;c)-20℃层高度到17km高度;每个垂直廓线数据段都进行n等分,n优先设置为10;
依据MQVP概率模型的短时暴雨天气背景判别包括:
计算基于当前分析时刻的偏振雷达资料,计算出标准化后的MQVP;依据PMD(TH),计算出不同雨量等级TH下的MQVP综合相似概率指数CP(TH);再进行判断:当CP(TH)超过雨量等级TH下的判定阈值R(TH),则认为雨量等级TH的事件在雷达监测区域内将发生,当前处于短时暴雨的天气背景中;将出现短时暴雨时刻之前1小时前后的MQVP数据筛选构成MQVP提前预警数据集;
当出现多个雨量等级TH下均满足判定阈值情况,则判定相对较大的雨量等级TH事件在雷达监测区域内将发生。
2.如权利要求1所述短时暴雨天气背景自动判别方法,其特征在于,步骤(3)中的准垂直廓线采样策略包括:
1)MQVPZH的采样策略
对不同的等高面上标记过的对流内核点进行ZH数值特征统计,统计出不同的等高面高度上的最大ZH数值;为统计到0℃层高度附近的对流微物理结构特征,MQVP的有效统计水平范围[Dmin,Dmax]依据实际特定温度层的高度确定:
Dmin=(arccos((Rm+HR)*cos(θ19.5)/(H0+Rm))-θ19.5)*Rm;
Dmax=(arccos((Rm+HR)*cos(θ0.5)/(H0+Rm))-θ0.5)*Rm;
式中,Dmin表示统计水平范围中的以雷达为中心的最小半径,单位km;Dmax表示统计水平范围中的以雷达为中心的最大半径,单位km;arccos表示反余弦函数;cos表示余弦函数;Rm表示等效地球半径,单位km;HR表示雷达站高度,单位km;H0表示统计数据时段对应的探空观测的0℃层高度,单位km;θ19.5表示角度19.5°对应的弧度数值;θ0.5表示角度0.5°对应的弧度数值;
2)MQVPPS的采样策略
利用MQVPZH的统计水平范围算法确定MQVPPS水平统计范围信息;对不同的等高面上标记过的对流内核点进行显著粒子相态特征统计,统计出不同的等高面高度上的最显著的粒子相态数值;其中,对流内核中的不同粒子相态的显著度递减顺序排序为:冰雹、霰,大雨、雨、大滴、冰晶、湿雪、干雪;
3)MQVPKDP的采样策略
利用MQVPZH的统计水平范围算法确定MQVPKDP水平统计范围信息;对不同的等高面上标记过的对流内核点进行KDP数值特征统计,统计出不同的等高面高度上的最大KDP数值;其中,增加ρhv数值监测进行实现偏振量的简单质控约束;如果ρhv数值处于[0.6,1.0],则认为当前偏振量参与MQVP统计;KDP:表示传播相移率,是一个双偏振极化雷达偏振量的反演参数,表示差分相位随距离的变化率;相关系数是双偏振雷达观测的主要偏振量之一,这是一个衡量水平和垂直极化回波功率之间关系的参数,ρhv相关系数的数值范围是0到1;
4)MQVPZDR的采样策略
利用MQVPZH的统计水平范围算法确定MQVPZDR水平统计范围信息;对不同的等高面上标记过的对流内核点进行ZDR数值特征统计,统计出不同的等高面高度上的最大ZDR数值;其中,增加ρhv数值监测进行实现偏振量的简单质控约束;如果ρhv数值处于[0.6,1.0],则认为当前偏振量参与MQVP统计;ZDR差分反射率因子是双偏振雷达观测的主要偏振量之一;
5)MQVPRHV的采样策略
利用MQVPZH的统计水平范围算法确定MQVPRHV水平统计范围信息;对不同的等高面上标记过的对流内核点进行ρhv数值特征统计,统计出不同的等高面高度上的最大ρhv数值;其中,ρhv的合理数值范围为[0.6,1.0];
6)MQVPKV的采样策略
将KDP乘以环境风速数值VADL,获得近似表示水汽通量分布特征的偏振水凝物通量KV;依据KDP是探测大气中的水凝物的含水量特性,故KV大数值预示着区域辐合特征存在;
KV(h)=MQVPKDP(h)*VADL(h),h∈[0,17km];
式中,h为准垂直廓线的高度,单位km;
通过将高度h对应的MQVPKDP乘以速度方位显示方法计算得到的环境风速VADL,进而计算获得高度h对应的偏振水凝物通量KV。
3.如权利要求1所述短时暴雨天气背景自动判别方法,其特征在于,步骤一中的MQVP概率模型为分雨量等级的MQVP概率模型PMD(TH),按照暴雨雨量等级阈值TH进行统计构建;选择TH依次为20mm/h、30mm/h、40mm/h以及50mm/h;对应的数据集的构建以逐时自动雨量站监测雨量为基准,如果雷达监测范围内最大小时雨量达到TH标准,则将出现暴雨时刻之前1小时内的全部雷达数据的MQVP都归为阈值TH下的MQVP概率模型统计数据集;
其中,MQVP概率模型的构建包括:
(1)PMDPS(TH)的构建
粒子相态的概率统计用于分析约束,概率模型由以下三类统计属性构成:
1)变量DG,用于表示霰粒子相态概率分布,计算公式为:
DG=NG/N;
其中,NG表示统计数据集中的每个MQVP中每一次层的霰粒子相态个数,N表示统计数据集中的MQVP样本个数;
2)变量DW,用于表示纯液态水粒子相态概率分布,计算公式为:
DW=NW/N;
其中,NW表示统计数据集中的每个MQVP中每一次层纯液态水粒子相态个数:大雨粒子相态个数+雨粒子相态个数+大滴粒子相态个数;N表示统计数据集中的MQVP样本个数;
3)变量DS,用于表示显著固态水粒子相态概率分布,计算公式为:
DS=NS/N;
其中,NS表示统计数据集中的每个MQVP中每一次层的显著固态水粒子相态个数:冰雹粒子相态个数+冰晶粒子相态个数;N表示统计数据集中的MQVP样本个数;
(2)非对称高斯分布概率模型的构建
利用非对称高斯分布概率模型构建方法生成PMDZH、PMDKDP、PMDZDR、PMDRHV、PMDKV;非对称高斯分布概率模型构建方法中,同一个层的概率分布是以MQVP的统计平均数值为中心,左侧最小数值到平均数值之间是高斯分布和右侧最大数值到平均数值之间高斯分布是非对称的;
非对称高斯分布概率模型计算步骤为:对数据集内标准化后MQVP进行统计,计算出每层的最小数值VMIN、最大数值VMAX、平均数值VAVE;以最小数值VMIN和平均数值VAVE计算该层的左侧分布概率PL曲线;以平均数值VAVE和最大数值VMAX计算该层的右侧分布概率PR曲线,最后生成对应的MQVP概率模型;
式中,σL取(VAVE-VMIN)/3,σR取(VMAX-VAVE)/3。
4.如权利要求1所述短时暴雨天气背景自动判别方法,其特征在于,
(1)粒子相态相似概率指数CPPS(TH)
基于PMDPS(TH)概率模型,对MQVP提前预警数据集内每个雷达数据进行统计,计算出每层的概率数值,并进行逐层累加,生成粒子相态相似概率指数CPPS(TH);对MQVP提前预警数据集的每个雷达数据对应的CPPS(TH)的数值大小进行频率统计,选择通过率达到90%以上的数值作为粒子相态相似概率指数的判定阈值RPS(TH);其中,每层概率数值的计算公式为:
式中,H代表标准化准垂直廓线的总层数;MQVPPS(H)代表MQVPPS的第H层的粒子相态;如果为霰粒子相态,则CPG等于第H层的DG概率数值,且CPW、CPS均为0概率数值;如果为大雨粒子相态或雨粒子相态或大滴粒子相态,则CPW等于第H层的DW概率数值,且CPG、CPS均为0概率数值;如果为冰雹粒子相态或冰晶粒子相态,则CPS等于第H层的DS概率数值,且CPG、CPW均为0概率数值;
(2)水平反射率因子相似概率指数CPZH(TH)
基于PMDZH(TH)概率模型,对MQVP提前预警数据集内每个雷达数据进行统计,计算出每层的概率数值,并进行逐层累加,生成水平反射率因子相似概率指数CPZH(TH);对MQVP提前预警数据集的每个雷达数据对应的CPZH(TH)的数值大小进行频率统计,选择通过率达到90%以上的数值作为水平反射率因子相似概率指数的判定阈值RZH(TH);其中,每层概率数值的计算公式为:
(3)传播相移率相似概率指数CPKDP(TH)
基于PMDKDP(TH)概率模型,对MQVP提前预警数据集内每个雷达数据进行统计,计算出每层的概率数值,并进行逐层累加,生成传播相移率相似概率指数CPKDP(TH);对MQVP提前预警数据集的每个雷达数据对应的CPKDP(TH)的数值大小进行频率统计,选择通过率达到90%以上的数值作为传播相移率相似概率指数的判定阈值RKDP(TH);其中,每层概率数值的计算公式为:
(4)差分反射率相似概率指数CPZDR(TH)
基于PMDZDR(TH)概率模型,对MQVP提前预警数据集内每个雷达数据进行统计,计算出每层的概率数值,并进行逐层累加,生成差分反射率相似概率指数CPZDR(TH);对MQVP提前预警数据集的每个雷达数据对应的CPZDR(TH)的数值大小进行频率统计,选择通过率达到90%以上的数值作为差分反射率相似概率指数的判定阈值RZDR(TH);其中,每层概率数值的计算公式为:
(5)相关系数相似概率指数CPRHV(TH)
基于PMDRHV(TH)概率模型,对MQVP提前预警数据集内每个雷达数据进行统计,计算出每层的概率数值,并进行逐层累加,生成相关系数相似概率指数CPRHV(TH);对MQVP提前预警数据集的每个雷达数据对应的CPRHV(TH)的数值大小进行频率统计,选择通过率达到90%以上的数值作为相关系数相似概率指数的判定阈值RRHV(TH);其中,每层概率数值的计算公式为:
(6)偏振水凝物通量相似概率指数CPKV(TH)
基于PMDKV(TH)概率模型,对MQVP提前预警数据集内每个雷达数据进行统计,计算出每层的概率数值,并进行逐层累加,生成偏振水凝物通量相似概率指数CPKV(TH);对MQVP提前预警数据集的每个雷达数据对应的CPKV(TH)的数值大小进行频率统计,选择通过率达到90%以上的数值作为偏振水凝物通量相似概率指数的判定阈值RKV(TH);其中,每层概率数值的计算公式为:
5.一种应用如权利要求1~4任意一项所述短时暴雨天气背景自动判别方法的短时暴雨天气背景自动判别***,其特征在于,短时暴雨天气背景自动判别***包括:
数据集构建模块,用于利用短时暴雨的历史过程个例数据,构建每一个双偏振雷达时次对应的MQVP,进而构建短时暴雨天气背景的MQVP数据集;
MQVP概率模型构建模块,用于根据短时暴雨天气背景的MQVP数据集,构建表征短时暴雨天气背景的MQVP概率模型;
短时暴雨天气背景判别模块,用于构建MQVP提前预警数据集,计算MQVP综合相似概率指数CP(TH),依据MQVP概率模型进行短时暴雨天气背景判别。
6.一种计算机设备,其特征在于,计算机设备包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行如权利要求1~4任意一项所述短时暴雨天气背景自动判别方法的步骤。
7.一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行如权利要求1~4任意一项所述短时暴雨天气背景自动判别方法的步骤。
8.一种信息数据处理终端,其特征在于,信息数据处理终端用于实现如权利要求5所述短时暴雨天气背景自动判别***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211709444.3A CN115902812B (zh) | 2022-12-29 | 2022-12-29 | 一种短时暴雨天气背景自动判别方法、***、设备及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211709444.3A CN115902812B (zh) | 2022-12-29 | 2022-12-29 | 一种短时暴雨天气背景自动判别方法、***、设备及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115902812A CN115902812A (zh) | 2023-04-04 |
CN115902812B true CN115902812B (zh) | 2023-09-22 |
Family
ID=86483977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211709444.3A Active CN115902812B (zh) | 2022-12-29 | 2022-12-29 | 一种短时暴雨天气背景自动判别方法、***、设备及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115902812B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117706559B (zh) * | 2024-02-05 | 2024-05-03 | 南京信息工程大学 | 一种基于双偏振雷达资料的水凝物和水汽反演方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107843884A (zh) * | 2017-09-13 | 2018-03-27 | 成都信息工程大学 | 基于双偏振雷达观测提高雷暴天气预警预报准确度的方法 |
CN108680920A (zh) * | 2018-04-28 | 2018-10-19 | 深圳市雅码科技有限公司 | 一种基于双偏振雷达的灾害天气识别预警***及方法 |
KR20190068793A (ko) * | 2017-12-11 | 2019-06-19 | 경북대학교 산학협력단 | 기상레이더 관측변수의 준-연직프로파일 생성 장치, 방법 및 기록 매체 |
CN113420489A (zh) * | 2021-05-25 | 2021-09-21 | 南京信息工程大学 | 一种双偏振雷达降水优化反演方法 |
CN114019514A (zh) * | 2021-11-25 | 2022-02-08 | 浙江省气象台 | 一种雷暴大风预警方法、***、设备及终端 |
-
2022
- 2022-12-29 CN CN202211709444.3A patent/CN115902812B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107843884A (zh) * | 2017-09-13 | 2018-03-27 | 成都信息工程大学 | 基于双偏振雷达观测提高雷暴天气预警预报准确度的方法 |
KR20190068793A (ko) * | 2017-12-11 | 2019-06-19 | 경북대학교 산학협력단 | 기상레이더 관측변수의 준-연직프로파일 생성 장치, 방법 및 기록 매체 |
CN108680920A (zh) * | 2018-04-28 | 2018-10-19 | 深圳市雅码科技有限公司 | 一种基于双偏振雷达的灾害天气识别预警***及方法 |
CN113420489A (zh) * | 2021-05-25 | 2021-09-21 | 南京信息工程大学 | 一种双偏振雷达降水优化反演方法 |
CN114019514A (zh) * | 2021-11-25 | 2022-02-08 | 浙江省气象台 | 一种雷暴大风预警方法、***、设备及终端 |
Non-Patent Citations (3)
Title |
---|
A freezing rain storm explored with a C-band polarimetric weather radar using the QVP methodology;Rudolf Kaltenboeck;Traffic Meteorology;全文 * |
A Polarimetric Analysis of Ice Microphysical Processes in Snow, Using Quasi-Vertical Profiles;ERICA M. GRIFFIN;JOURNAL OF APPLIED METEOROLOGY AND CLIMATOLOGY;全文 * |
基于二维视频雨滴谱仪和双偏振雷达 研究中国东部地区降雪微物理特征与降雪估计;陶然亭;中国优秀硕士学位论文全文数据库 (基础科学辑);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115902812A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chang et al. | Characteristics of the raindrop size distribution and drop shape relation in typhoon systems in the western Pacific from the 2D video disdrometer and NCU C-band polarimetric radar | |
Montmerle et al. | Mesoscale assimilation of radial velocities from Doppler radars in a preoperational framework | |
Al-Sakka et al. | A new fuzzy logic hydrometeor classification scheme applied to the French X-, C-, and S-band polarimetric radars | |
Wood et al. | Spatial variability of liquid water path in marine low cloud: The importance of mesoscale cellular convection | |
Del Genio et al. | Climatic properties of tropical precipitating convection under varying environmental conditions | |
KR101531224B1 (ko) | 이중편파 레이더 기반의 강수 추정 시스템 및 그 방법 | |
Lakshmanan et al. | A technique to censor biological echoes in radar reflectivity data | |
Pincus et al. | Albedo bias and the horizontal variability of clouds in subtropical marine boundary layers: Observations from ships and satellites | |
Behrangi et al. | Daytime precipitation estimation using bispectral cloud classification system | |
Hashiguchi et al. | Precipitation microstructure in different Madden–Julian Oscillation phases over Sumatra | |
Virts et al. | Variation of lightning and convective rain fraction in mesoscale convective systems of the MJO | |
KR101255736B1 (ko) | 단일편파 레이더를 이용한 기상 및 비기상 에코 분류 방법 | |
Kim et al. | The relationship between tropical cyclone rainfall area and environmental conditions over the subtropical oceans | |
Griffin et al. | Seasonal analysis of cloud objects in the High-Resolution Rapid Refresh (HRRR) model using object-based verification | |
Trombe et al. | Weather radars–the new eyes for offshore wind farms? | |
CN115902812B (zh) | 一种短时暴雨天气背景自动判别方法、***、设备及终端 | |
Gagne et al. | Day-ahead hail prediction integrating machine learning with storm-scale numerical weather models | |
Wu et al. | Radiance-based assessment of bulk microphysics models with seven hydrometeor species in forecasting Super-typhoon Lekima (2019) near landfall | |
Pulkkinen et al. | Lagrangian integro-difference equation model for precipitation nowcasting | |
Peter et al. | Application of a Bayesian classifier of anomalous propagation to single-polarization radar reflectivity data | |
Zou et al. | A method of radar echo extrapolation based on TREC and Barnes filter | |
Kuster et al. | Using ZDR columns in forecaster conceptual models and warning decision-making | |
Kubar et al. | Regional assessments of low clouds against large-scale stability in CAM5 and CAM-CLUBB using MODIS and ERA-Interim reanalysis data | |
Lin et al. | Relating the radar bright band and its strength to surface rainfall rate using an automated approach | |
Montopoli et al. | Spatially-adaptive advection radar technique for precipitation mosaic nowcasting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |