一种多单体对流系统短时强降水事件的自动临近预报方法
阅读说明：本技术 一种多单体对流系统短时强降水事件的自动临近预报方法 (Automatic nowcasting method for short-time strong rainfall event of multi-monomer convection system ) 是由 王萍 王琮 王迪 于 2019-09-25 设计创作，主要内容包括：本发明公开了一种多单体对流系统短时强降水事件的自动临近预报方法,包括以下步骤：对流单体识别和跟踪。使用多阈值自适应算法进行对流单体识别,可以得到同时保留对流单体核心和周边相关信息的对流单体识别结果,并使用光流算法进行对流单体跟踪,可以得到对流单体的速度；多单体对流系统识别。根据多单体对流系统内部各对流单体之间的时空相关性和单体速度,给出了对流单体下一时刻的位置预测,并计算对流单体之间的叠加系数,根据叠加系数建立相关性矩阵,使用传递闭包聚类方法得到多单体对流系统的识别结果；多单体对流系统图模型的构建和短时强降水事件识别。本方法实现了自动的多单体对流系统短时强降水事件临近预报,对灾害进行及时的预警,减少了经济损失和人员伤亡。(The invention discloses an automatic nowcasting method for a short-time strong precipitation event of a multi-monomer convection system, which comprises the following steps of: and identifying and tracking the convection single body. The method comprises the steps of performing convection monomer identification by using a multi-threshold self-adaptive algorithm, obtaining a convection monomer identification result which simultaneously retains core and peripheral related information of a convection monomer, and performing convection monomer tracking by using an optical flow algorithm to obtain the speed of the convection monomer; and identifying the multi-monomer convection system. According to the space-time correlation and the monomer speed between each pair of convection monomers in the multi-monomer convection system, the position prediction of the convection monomers at the next moment is given, the superposition coefficient between the convection monomers is calculated, a correlation matrix is established according to the superposition coefficient, and the identification result of the multi-monomer convection system is obtained by using a transfer closure clustering method; and constructing a multi-monomer convection system graph model and identifying a short-time strong precipitation event. The method realizes the close forecast of the short-time strong rainfall event of the automatic multi-monomer convection system, carries out early warning on disasters in time, and reduces economic loss and casualties.)
技术领域
本发明涉及气象学领域，尤其涉及一种多单体对流系统短时强降水事件的自动临近预报方法。
背景技术
短时强降水(本文所指的短时强降水为中国国家气象中心业务标准规定的小时降水量大于20mm的降水事件)是中国最主要的强对流灾害之一，相比于普通的暴雨，短时强降水更强调降水的对流性和短历时性[1]。由于其在短时间内积累了较大的降水量，往往会形成暴洪，造成城市内涝和山洪、泥石流等危害。短时强降水的临近预报对于灾害预防和灾情控制具有重要的应用价值。
现有的短时强降水的临近预报方法主要可以分为两类：基于数值天气预报的方法[2]和基于雷达外推技术的方法。基于数值天气预报的方法通过一组数学物理方程描述大气环境的变化，在通过多种大气观测技术给定初始条件的情况下，可以解出任意时刻的大气物理状态，从而进行短时强降水临近预报。基于雷达外推技术的方法使用多普勒天气雷达进行临近预报，主要分为质心追踪法[3-4]和交叉相关法[5-6]，这些方法从相邻两个时刻的雷达资料中获取对流系统的变化趋势，从而对未来的短时强降水事件进行临近预报。
发明人在实现本发明的过程中，发现现有技术中至少存在以下缺点和不足：
上述文献中所述方法中，基于数值天气预报的方法可以模拟大气物理变化过程，但是需要较多的计算资源，运行速度很慢，同时还受分辨率限制，无法描述尺度较小、生命周期很短的对流系统；基于雷达外推技术的方法运行速度较快，但是由于缺乏对大气物理系统的描述，使得该方法无法模拟复杂的气象过程。所以现有的方法对于多单体对流系统短时强降水事件的识别率较低，无法准确进行灾害预测，造成经济损失和人员伤亡。
[参考文献]
[1]杨波,孙继松,毛旭,等.北京地区短时强降水过程的多尺度环流特征[J].气象学报,2016,74(6):919-934.
[2]Sokol Z,V,Zacharov P,et al.Nowcasting of hailstormssimulated by the NWP model COSMO for the area of the Czech Republic[J].Atmospheric research,2016,171:66-76.
[3]Dixon M,Wiener G.TITAN:Thunderstorm identification,tracking,analysis,and nowcasting—A radar-based methodology[J].Journal of atmosphericand oceanic technology,1993,10(6):785-797.
[4]Rossi P J,Chandrasekar V,Hasu V,et al.Kalman filtering–basedprobabilistic nowcasting of object-oriented tracked convective storms[J].Journal of Atmospheric and Oceanic Technology,2015,32(3):461-477.
[5]Johnson J T,MacKeen P L,Witt A,et al.The storm cell identificationand tracking algorithm:An enhanced WSR-88D algorithm[J].Weather andforecasting,1998,13(2):263-276.
[6]Liu Y,Xi D G,Li Z L,et al.A new methodology for pixel-quantitativeprecipitation nowcasting using a pyramid Lucas Kanade optical flow approach[J].Journal of Hydrology,2015,529:354-364.
发明内容
为了解决现有技术中的问题，本发明提供了一种多单体对流系统短时强降水事件的自动临近预报方法，解决现有技术中对于多单体对流系统短时强降水事件的识别率较低，无法准确进行灾害预测，造成经济损失和人员伤亡的问题。
为了解决上述技术问题，本发明提出的一种多单体对流系统短时强降水事件的自动临近预报方法，包括以下步骤：
1)对流单体识别和跟踪。使用多阈值自适应算法进行对流单体识别，可以得到同时保留对流单体核心和周边相关信息的对流单体识别结果，并使用光流算法进行对流单体跟踪，可以得到对流单体的速度；2)多单体对流系统识别。根据多单体对流系统内部各对流单体之间的时空相关性和单体速度，给出了对流单体下一时刻的位置预测，并计算对流单体之间的叠加系数，根据叠加系数建立相关性矩阵，使用传递闭包聚类方法得到多单体对流系统的识别结果；3)多单体对流系统图模型的构建和短时强降水事件识别。对于每一个多单体对流系统，建立图模型，并获得图特征，使用随机森林模型进行多单体对流系统短时强降水事件的临近预报。
步骤一：对流单体识别和跟踪；
1-1)设置阈值Tlow，用于确定对流单体初步候选区域。针对雷达图像中的每一个点，若该点反射率值大于或者等于Tlow，则将该点设定为对流单体候选点；若该点的反射率值小于Tlow，则将该点设置为非对流单体点；
1-2)设置由大到小的多个反射率阈值[Thigh,Thigh-5,Thigh-10...Tlow]，用作确定对流单体的核心和包含单个核心的最大区域中壳。对于一个区域，若其中的每一点的反射率都大于当前阈值，且其中不包含其它更大阈值所确定的区域，则称这一区域为对流单体核心。若一个区域大于当前阈值，且只包含一个对流单体核心，而在下一级阈值与其它区域被共同包含在一个区域内，则称这一区域为对流单体中壳；
1-3)对于各个中壳区域交替使用图像形态学中的膨胀算法，依次填充单体候选区域中除中壳区域的***区域，得到最终对流单体识别结果；
1-4)对于每一个识别出的对流单体，使用光流算法进行对流单体跟踪，计算得到每个对流单体的速度；
步骤二：多单体对流系统识别；
2-1)以步骤一获得的对流单体识别结果为基础，对于每一个对流单体，假设当前时刻的速度为vt，那么：
vt+1＝α0vt+α1vt-1+α2vt-2,(0≤α≤1) (1)
使用vt+1给出下一时刻单***置；
2-2)将若干时刻的外推结果叠加在一起，计算单体之间的叠加系数η。假设t时刻存在两个单体
叠加系数ηAB可以作为单体
2-3)假设在雷达某一次体扫结果中，存在n个单体O1,O2,...,On。建立n×n的布尔关系矩阵Rn×n＝[rij]n×n，R为对称矩阵，rij表示Oi与Oj之间的关联性，给定关联性度量阈值Tre，rij满足关系：
2-4)执行传递闭包聚类，对布尔矩阵Rn×n＝[rij]n×n执行p(p为整数，p≥2)次布尔幂运算得到
2-5)关系矩阵
步骤三、多单体对流系统图模型的构建和短时强降水事件识别；
3-1)一个包含多个对流单体的多单体对流系统，对于其中每一个对流单体，计算对流单体特征EOCL，EOCS，HOR30，LOR30，VILMAX，VILAVER，RPS。其中EOCL为对流单体外轮廓椭圆拟合的长轴长度；EOCS为对流单体外轮廓椭圆拟合的短轴长度；HOR30为对流单体30dBZ回波顶高；LOR30为对流单体30dBZ回波底高；VILMAX为对流单体逐点计算VIL后的最大值，这里的VIL指垂直累积液态水含量，是对对流单体中每一点降水总量的估计值；VILAVER为对流单体逐点计算VIL后的平均值；RPS为单体在速度矢量方向的投影与单体速度大小的比值；
3-2)对于一个多单体对流系统，建立一个图模型，表示为G＝(U,E)。其中U是节点的集合，E是边的集合。对系统中的每一个对流单体创建一个节点ui，ui的属性为对应单体的特征，将ui加入集合U中。对U中的任意两点ui和uj，假设它们的速度矢量分别为νi和νj。计算ui到uj的距离向量lij和用来表示ui和uj相对距离速度比的参数tij：
并设置阈值Tt，如果|tij|≤Tt，则创建一条连接ui和uj的边eij，并使用
3-3)假设存在单体图G＝(U,E)，G包含n个节点，每个节点的属性为一个7维向量。使用A来表示单体图的邻接矩阵，A为一个n×n的对称阵，包含单体图的所有边的信息，如果ui和uj之间存在边eij，那么Aij＝eij，否则Aij＝0。使用
Xi+1＝D(A+I)Xi,(i＝0,1,2,...) (7)
其中D为行标准化系数矩阵。每执行一次融合操作，节点属性就更新为该节点与相邻节点的属性加权和，权重为节点之间的空间分布关系。执行两次融合操作，并将两次融合结果连同原始属性一起作为单体图的特征Xfeature＝[X0,X1,X2]。
3-4)对Xfeature进行排序。Xfeature为一个n×21的矩阵，指定单体特征中最能直接表现局部含水量信息的特征VILMAX，即Xfeature的第19列作为排序索引将Xfeature由大到小排列，这样可以保证每个单体图的特征中，VILMAX含量最大的单体子图总排在最前面。同时为了保证Xfeature的行数一定，取排序过后的Xfeature前两行作为单体图的最终特征
3-5)使用大量历史气象数据，训练一个随机森林的二分类模型模型。对于每一个多单体对流系统，可以获得一个图模型G＝(U,E)。针对该图模型，可以获得一个图特征表示
与现有技术相比，本发明的有益效果是：
本发明提供的技术方案的有益效果是：本方法通过使用图模型对多单体对流系统进行建模，将多单体对流系统的物理特征和空间分布转化为图模型和图特征，并通过随机森林模型对由多单体对流系统得到的图特征进行短时强降水事件临近预报。本发明实现了多单体对流系统短时强降水的高质量的自动临近预报，有助于对天气灾害进行及时的预报，以减少经济损失和人员伤亡；并通过实验验证了本方法的有效性。
附图说明
图1是本发明提供的一种多单体对流系统短时强降水事件的自动临近预报方法的流程图；
图2是对流单体识别算法的示意图；
图3是多单体对流系统识别示意图。由对流单体跟踪方法得到对流单体的速度，进行对流单***置预测，并计算对流单体之间的叠加系数，建立关系布尔矩阵，通过传递闭包聚类得到多单体对流系统识别结果；
图4是对流单体物理特征RPS的计算方法示意图；
图5是多单体对流系统图模型构建方法示意图。
具体实施方式
下面结合附图和具体实施例对本发明技术方案作进一步详细描述，所描述的具体实施例仅对本发明进行解释说明，并不用以限制本发明。
本发明提出的一种多单体对流系统短时强降水事件的自动临近预报方法，其设计思路是：使用多阈值的基于数学形态学的方法进行对流单体识别，获得对流单体区域。使用光流算法进行对流单体的跟踪，获得对流单体的速度；利用获得的对流单体速度进行对流单体的位置预测，利用对流单体在未来的时空叠加性计算对流单体之间的相关性，使用传递闭包聚类进行多单体对流系统的识别；根据多单体对流系统的时空特性，构建图模型，将多单体对流系统中的单体映射为图模型中的节点，将对流单体的物理特征设置为对应节点的属性。使用图模型中的边描述多单体对流系统的空间分布。对于每个多单体对流系统，对应一个图模型，为这个图模型生成一个不受节点顺序影响的图特征。使用1079例历史数据训练一个随机森林模型，用作多单体对流系统短时强降水事件的临近预报。
如图1所示，该方法主要包括对流单体识别和跟踪，多单体对流系统识别，多单体对流系统图模型的构建和短时强降水事件识别；具体内容如下：
步骤一：对流单体识别和跟踪；
1-1)设置阈值Tlow，用于确定对流单体初步候选区域。针对雷达图像中的每一个点，若该点反射率值大于或者等于Tlow，则将该点设定为对流单体候选点；若该点的反射率值小于Tlow，则将该点设置为非对流单体点；如图2中步骤1所示，对于多普勒天气雷达反射率图像中的一个区域，本发明中，令Tlow＝35dBZ，遍历区域中的每一个点，对于反射率值大于或者等于35dBZ的点，将其设置为对流单体候选区域，其它点设置为非对流单体候选区域。对于图2中步骤1中的一个最小反射率值为30dBZ的区域，可以得到其中包含的2个最小反射率值为35dBZ的对流单体候选区域；
1-2)设置由大到小的多个反射率阈值[Thigh,Thigh-5,Thigh-10...Tlow]，用作确定对流单体的核心和包含单个核心的最大区域中壳。对于一个区域，若其中的每一点的反射率都大于当前阈值，且其中不包含其它更大阈值所确定的区域，则称这一区域为对流单体核心。若一个区域大于当前阈值，且只包含一个对流单体核心，而在下一级阈值与其它区域被共同包含在一个区域内，则称这一区域为对流单体中壳。如图2中步骤2所示，对于两个对流单体候选区域，令阈值Thigh＝50dBZ，可以确定第一个候选区域中下方的核心，第一个候选区域内上方的核心和第二个候选区域内的两个核心在此阈值下无法确定。当阈值为Thigh-5＝45dBZ时，第一个候选区域上方的核心和第二个候选区域中的两个核心可以被确定。因为在下一级阈值下，第二个候选区域中的两个核心区域将被同一个区所包含，所以对于第二个候选区域，其中的两个核心同时也是两个中壳。当阈值为Thigh-10＝40dBZ时，可以确定第一个候选区域中两个对流单体核心的中壳；
1-3)对于各个中壳区域交替使用图像形态学中的膨胀算法，依次填充单体候选区域中除中壳区域的***区域，得到最终对流单体识别结果。如图2中的步骤3，两个候选区域根据其中中壳各被分为两个对流单体区域；
1-4)对于每一个识别出的对流单体，使用光流算法进行对流单体跟踪，计算得到每个对流单体的速度；
步骤二：多单体对流系统识别；
2-1)以步骤一获得的对流单体识别结果为基础，对于每一个对流单体，假设当前时刻的速度为vt，那么：
vt+1＝α0vt+α1vt-1+α2vt-2,(0≤α≤1) (1)
使用vt+1给出下一时刻单***置。如图3中对流单***置外推这一步骤中，使用对流单体当前速度，计算对流单体下一时刻的速度，进而得到对流单体下一时刻的位置预测，使用虚线轮廓表示，以此类推获得对流单体后续9个时刻的位置预测结果；
2-2)将若干时刻的外推结果叠加在一起，计算单体之间的叠加系数η。假设t时刻存在两个单体
叠加系数ηAB可以作为单体
2-3)假设在雷达某一次体扫结果中，存在n个单体O1,O2,...,On。建立n×n的布尔关系矩阵Rn×n＝[rij]n×n，R为对称矩阵，rij表示Oi与Oj之间的关联性，给定关联性度量阈值Tre，rij满足关系：
如图3中对流单体相关性计算步骤，4个对流单体形成了4×4的布尔关系矩阵，通过计算单体之间的叠加性相关系数η并与阈值Tre比较可知，对流单体1、2之间存在相关性，2、3之间存在相关性。所以布尔关系矩阵中r12＝r21＝r23＝r32＝1，其它为0；
2-4)执行传递闭包聚类，对布尔矩阵Rn×n＝[rij]n×n执行p(p为整数，p≥2)次布尔幂运算得到
2-5)关系矩阵中的每行中所有为1的元素为一个多单体对流系统，剔除其中的重复结果，即可得到以叠加关系为单体相似性度量的多单体对流系统识别结果(每个结果中可能含有多个对流单体或者仅有一个对流单体)。如图3中对流系统识别步骤所示，布尔关系矩阵经过传递闭包聚类的多次幂运算后，关系矩阵中第1、2、3行相同，表示对流单体1、2、3为一个对流系统。关系矩阵中第4行表示对流单体4为一个对流系统；
步骤三、多单体对流系统图模型的构建和短时强降水事件识别；
3-1)一个包含多个对流单体的多单体对流系统，对于其中每一个对流单体，计算对流单体特征EOCL，EOCS，HOR30，LOR30，VILMAX，VILAVER，RPS。其中EOCL为对流单体外轮廓椭圆拟合的长轴长度；EOCS为对流单体外轮廓椭圆拟合的短轴长度；HOR30为对流单体30dBZ回波顶高；LOR30为对流单体30dBZ回波底高；VILMAX为对流单体逐点计算VIL后的最大值，这里的VIL指垂直累积液态水含量，是对对流单体中每一点降水总量的估计值；VILAVER为对流单体逐点计算VIL后的平均值；RPS为单体在速度矢量方向的投影与单体速度大小的比值。如图4所示，为RPS的计算方法，对于一个对流单体，计算其在速度方向上的投影长度Cpro，Cpro与对流单体速度的大小|v|的比值即为RPS；
3-2)对于一个多单体对流系统，建立一个图模型，表示为G＝(U,E)。其中U是节点的集合，E是边的集合。对系统中的每一个对流单体创建一个节点ui，ui的属性为对应单体的特征，将ui加入集合U中。对U中的任意两点ui和uj，假设它们的速度矢量分别为νi和νj。计算ui到uj的距离向量lij和用来表示ui和uj相对距离速度比的参数tij：
并设置阈值Tt，如果|tij|≤Tt，则创建一条连接ui和uj的边eij，并使用
3-3)假设存在单体图G＝(U,E)，G包含n个节点，每个节点的属性为一个7维向量。使用A来表示单体图的邻接矩阵，A为一个n×n的对称阵，包含单体图的所有边的信息，如果ui和uj之间存在边eij，那么Aij＝eij，否则Aij＝0。使用表示节点单体图的初始节点属性矩阵，每一行代表一个节点。定义一个节点融合操作：
Xi+1＝D(A+I)Xi,(i＝0,1,2,...) (7)
其中D为行标准化系数矩阵。每执行一次融合操作，节点属性就更新为该节点与相邻节点的属性加权和，权重为节点之间的空间分布关系。执行两次融合操作，并将两次融合结果连同原始属性一起作为单体图的特征Xfeature＝[X0,X1,X2]。
3-4)对Xfeature进行排序。Xfeature为一个n×21的矩阵，指定单体特征中最能直接表现局部含水量信息的特征VILMAX，即Xfeature的第19列作为排序索引将Xfeature由大到小排列，这样可以保证每个单体图的特征中，VILMAX含量最大的单体子图总排在最前面。同时为了保证Xfeature的行数一定，取排序过后的Xfeature前两行作为单体图的最终特征若
3-5)使用大量历史气象数据，训练一个随机森林的二分类模型模型。对于每一个多单体对流系统，可以获得一个图模型G＝(U,E)。针对该图模型，可以获得一个图特征表示
下面以具体的测试来验证本发明实施例提供的一种多单体对流系统短时强降水事件的自动临近预报方法的可行性，详见以下描述：
测试方法有效性的数据由中国气象局大气探测中心提供。具体为来自滨州、济南、青岛、石家庄、潍坊的5部S波段多普勒气象雷达数据，以及这些雷达探测范围覆盖下的气象自动站数据。时间范围为2015年和2016年的6、7、8、9月。由这些数据整理而来共有1349个气象样例，其中短时强降水事件样例590例，非短时强降水事件样例759例。这些样例中的1079例用作方法中各个参数参数的调整，270例用作方法最终性能评估。如表1所示，使用气象中常用的三个指标击中率(POD)、空报率(FAR)、临界成功指数(CSI)描述算法的最终性能。
表1本发明实施例的评估结果
尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保护之内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种用于农田气象站的气象数据校验方法及系统