基于SCIT算法的天氣雷達回波風暴識別跟蹤方法

湯玉杰，佘 勇

(成都信息工程學院 電子工程學院,成都 610225)

基于SCIT算法的天氣雷達回波風暴識別跟蹤方法

湯玉杰，佘 勇

(成都信息工程學院 電子工程學院,成都 610225)

基于雷達數據的風暴體識別、追蹤及預警方法是最早出現的臨近預報技術，其中對風暴的準確識別是進行風暴體追蹤和預警的前提。本文借鑒SCIT (Storm Cell Identification and Tracking)算法對強風暴進行識別，根據“寧短勿長，特征相似”的原則匹配兩時刻的風暴單體。通過風暴在過去兩時刻的質心位置進行線性外推從而預報下一時刻風暴的位置。結果顯示可以較好地識別強風暴并實現對識別出的風暴的大致跟蹤。

SCIT；線性外推；臨近預報

0 引 言

對流云降水是一種局地性天氣,在自然界降水中占了很大的比例。同時，又由于它具有生消變化快、降水強度大等特征,容易導致山洪、冰雹、泥石流等自然災害。因此，人們越來越重視利用雷達系統對強對流天氣進行自動識別、跟蹤和警戒。20世紀70年代以來, 國內外雷達氣象學者在用雷達探測強對流天氣領域做了大量的工作：Zittel[1]提出了利用雷達反射率在連續的三維區域大于給定的反射率閾值來識別風暴的方法, 并利用被識別的風暴在過去與現在的位置來估計它的運動速度, 以此速度來預報它在下一時刻的位置, Dix on 和Wiener等人[2]又先后改進了這種方法；肖艷姣等人[3]在風暴的自動識別、跟蹤與預報中詳細介紹了WSR-88D中的風暴核識別方法；Johnson等人[4]提出了一種用來識別、特征化、追蹤以及預報三維風暴體的短期運動的改進WSR-88D算法(SCIT，Storm Cell Identification and Tracking)；張鵬等[5]在多普勒天氣雷達單PPI上設想使用風暴核識別算法中搜索二維風暴分量的方法來探測強風暴；王芬等[6]用新一代多普勒天氣雷達復合體掃描資料及WSR-88D提供的SCIT算法對2007至2008年發生在貴州黔西南地區的40次天氣過程個例進行驗證分析。本文則利用CAPPI資料對SCIT算法進行改進性的驗證。

1 風暴識別

1.1 資料預處理

對風暴識別之前先對雷達數據資料進行處理，即先對立體壓縮原始數據進行解壓，然后對其讀取至相應的內存中。通過簡單插值將雷達數據映射到笛卡爾坐標下，則得到每個仰角層的原始雷達回波圖。本文所處理的資料是針對CAPPI資料，因此需要對PPI資料作進一步的處理，再次利用插補技術將所有的仰角層上的雷達圖按照高度進行切割，至此完成了本文的前期工作。

1.2 風暴定義

本文將某個連續三維區域的體積V和雷達反射率Z大于給定的體積閾值和反射率閾值(TZ)(其中也可包含一定數量的比反射率閾值小不到5 dBz的點)定義為風暴單體。文中假設風暴由每個高度層的二維風暴分量構成,而每個風暴分量又是由方位上連續的風暴段構成。反射率閾值的大小,根據不同的風暴類型來給定,可分成以下幾類[7]：

超級單體風暴

TZ=40～50 dBz

對流風暴

TZ=30～40 dBz

中尺度對流復合體

TZ=25～30 dBz

雪帶

TZ=15～20 dBz

1.3 風暴段的搜索

風暴段是指按徑向排列的反射率因子大于或等于給定閾值的一組連續距離庫，即該識別算法中的一維搜索。

1.3.1 風暴段搜索的閾值

本文中使用的主要閾值如下：

(1) 反射率因子閾值TZ：根據風暴定義此處選取40 dBz，大于該閾值的且滿足一定條件的即為有效風暴段；

(2) 風暴段長度閾值L：風暴段的長度必須大于該閾值，本文設定為4 km；

(3) 淘汰的反射率因子差閾值DZ：若風暴段遇到的庫點閾值與反射率因子閾值之差大于淘汰反射率因子閾值時，則終止該風暴段的搜索，本文設定為5 dBz；

(4) 淘汰的反射率因子個數閾值N：如果存在庫點反射率值在反射率閾值與淘汰反射率閾值之間，統計其個數，若個數大于該閾值，則終止本段搜索，本文設定為2。

1.3.2 風暴段的搜索過程[8]

(1) 沿徑向對240個庫點進行判斷，若搜索到反射率Z第一次大于TZ的點,則把這個點以后的連續滿足Z>TZ的且屬于同一條徑線的點歸入到一個風暴段中,直到遇到Z≤TZ的點。若這個滿足Z≤TZ的點的Z值大于DZ,則開始記下滿足DZ

(2) 對于搜尋到的風暴段,若長度大于L,則被視為有效風暴段。

同時，將有效風暴段的段起始點、段終止點、段所在的徑向標號、段所在的方位標號分別保存到數組中以備后用，還應通過計算得出每個有效風暴段的反射率中心點。

1.4 風暴分量的搜索

風暴分量的算法為在同一CAPPI中沿徑向搜尋連續的有效風暴段。若能夠同時滿足以下3個條件[8]的風暴段則認為可以合并成一個風暴分量：

(1) 在同一個風暴分量中,相鄰的風暴段的方位間距為0.7°;

(2) 在同一個風暴分量中,相鄰的風暴段的首尾距離至少重疊2.0 km;

(3) 一個風暴分量至少包含3個風暴段且幾何面積應大于30 km2。

同時，對識別出的有效風暴分量計算出以反射率因子為權重的風暴分量中心和面積以備后用。

1.5 三維風暴體的合成

風暴的算法為搜尋不同高度層(不同CAPPI)垂直相關的風暴分量。從第2個高度層開始每個高度層的風暴分量都和它下面相鄰的高度層的風暴分量進行比較,可分成以下幾個步驟：

(1) 尋相鄰仰角層的風暴分量的反射率權重中心之間的水平距離(也稱為搜尋半徑[8])小于5 km的風暴分量為垂直相關的風暴分量。

(2) 步驟(1)后,如果沒有垂直相關的風暴分量,則把搜尋半徑改為7.5 km,繼續搜尋。

(3) 步驟(2)后,如果還沒有垂直相關的風暴分量,則把搜尋半徑改為10 km,繼續搜尋。

如果同時有幾個風暴分量與其相鄰仰角的一個風暴分量垂直相關,那么選擇相鄰高度層的風暴分量的反射率權重中心之間的水平間距最小的一個。

多個風暴分量要合并成一個風暴必須滿足以下條件：同一個風暴中至少要有兩個仰角相鄰且垂直相關的風暴分量,并且風暴的體積必須大于50 km3。

對每一個風暴可先計算以反射率為權重的風暴中心和體積，以備后用。

2 風暴跟蹤與預報

要想對相鄰兩時刻的風暴單體進行跟蹤，首先要對兩時刻的單體進行匹配。本文借鑒TITAN算法中最優匹配[2,7]方法，即依據“寧短勿長，形狀相似”原則，得到相應的匹配結果，進而通過計算匹配風暴對之間的質心長度來確定下一時刻單體的偏移方向和大小，依據該單體的偏移速度進一步求出下一時刻單體的預測位置。前提是要假定風暴趨向于沿直線運動，風暴的消失或者增長遵循線性規則，偏離上述行為則是隨機發生的。根據風暴單體在過去相鄰時刻的反射率權重中心位置和面積及移動矢量, 利用線性外推方法預報單體下一時刻的中心位置。

3 結果分析

本文根據上述算法, 在Visual C++6.0平臺上利用天氣雷達體掃資料完成對風暴的自動識別、追蹤和臨近預報。圖1為2012年4月4日成都市氣象站X波段雷達14時52分體掃資料得到的12000 m高度上的原始雷達回波圖，圖2為利用SCIT識別后其單體圖。圖3為2012年4月4日成都市氣象站X波段雷達15時14分體掃資料得到的12000 m高度上的原始雷達回波圖，圖4為利用SCIT識別后其單體圖。 圖5為2012年4月4日成都市氣象站X波段雷達15時34分體掃資料得到的12000 m高度上的原始雷達回波圖, 圖6為利用SCIT識別后其單體圖。圖7為2012年4月4日成都市氣象站X波段雷達16時00分體掃資料得到的12000 m高度上的原始雷達回波圖, 圖8為利用SCIT識別后其單體圖,發現未識別出單體。前3組效果圖的對比驗證了基于SCIT強風暴識別方法的可行性。

對識別出的單體圖進行了簡單的跟蹤，14時52分識別出2個單體，但由于其中一個較小單體可能在下一時刻發生了消亡，而較強回波塊在15時14分的匹配單體如圖4中十字叉表示的位置，15時14分識別出了3個單體，其中被標記的為已存在的單體，至于其余兩個單體可能是上一時刻較大單體發生分裂或者

圖1 14時52分原始雷達回波圖

圖2 14時52分實際單體圖

圖3 15時14分原始雷達回波圖

圖4 15時14分單體生成圖

圖5 15時34分原始雷達回波圖

圖6 15時34分單體生成圖

圖7 16時00分原始雷達回波圖

圖8 16時00分單體生成圖

新生風暴。在此，只對標記的風暴單體進行預報，通過線性外推得到在15時34分單體質心的預測位置，如圖2中十字叉所在位置，與圖6中標號為1的單體的實測位置最為接近，基本實現了單體1的跟蹤與預報。對于圖4中兩個新生單體在下一時刻相匹配的單體為圖6中編號2與3的兩個單體，由于風暴單體生存周期短，所以26 min后3個單體發生了消亡，風暴周期結束。

4 結束語

在SCIT算法基礎上適當作了些調整，對處理的數據資料由PPI轉換到CAPPI上，進而在垂直關聯上也稍作調整，并用實測體掃資料檢驗了風暴自動識別、跟蹤與短時預報方法的可行性，得到了不錯的結果。但是，由于在識別過程中引用到的許多閾值都是國外長期研究總結的結果，并非是研究強對流風暴唯一的閾值，所以在試驗過程中針對本文的情況作了一下改動，發現識別結果更好些。另外，可能由于較高層上單體較少以及沒有地物雜波等的影響，所以得到的跟蹤效果比較可觀，但是對較低層進行驗證時出現的跟蹤結果不太好，需要在以后工作中進行改進。

[1] Zittel W D. Computer applications techniques for storm t racking and warning// Amer. M eteor. Soc, eds, Reprints of 17th conf on Radar Meteor, Boston: 1976:514- 521.

[2] Dixon M, G Wiener. TITAN: Thunderstorm identification, tracking, analysis, and nowcasting—A radar-based methodology[J].J.Atmos.Oceanic Technol., 1993(10):785-797.

[3] 肖艷姣，湯達章，李中華，蔣義芳.風暴的自動識別、跟蹤與預報[J].南京氣象學院學報，1998,21(2)：223-229.

[4] Johnson J T, Mac Keen P L, Witt A, et al. The storm cell identification and tracking algorithm: an enhanced WSR-88D algoritnm[J].Weather and Forecasting, 1998(13):263-276.

[5] 張鵬，胡明寶，吳書君.多普勒天氣雷達單PPI探測強風暴的方法[J].解放軍理工大學學報，2003,4(3)：83-85.

[6] 王芬，李腹廣，張輝. 風暴單體識別與跟蹤(SCIT)算法評估[J].氣象，2010,36(12)：128-133.

[7] 王改利，劉黎平，阮征，等. 基于雷達回波拼圖資料的風暴識別﹑跟蹤及臨近預報技術[J].高原氣象，2010,29(6)：1546-1555.

[8] 徐春芳.多普勒天氣雷達的風暴單體自動識別算法及工程設計[D]. 南京信息工程大學理學碩士學位論文,2006.

Storm identification and tracking of weather radars based on SCIT algorithm

TANG Yu-jie, SHE Yong

(Electronic Engineering School, Chengdu University of Information Technology, Chengdu 610225)

The earliest nowcasting technology is referred to as the method of storm identification, tracking and early-warning based on radar data, and accurate storm identification is the premise of storm tracking and early-warning. The Storm Cell Identification and Tracking (SCIT) algorithm is used to identify strong storms, and storm cells at two adjacent time are matched according to the principle "better short than long and similar characteristics". The linear extrapolation is carried out through the centroid positions in the past two moments to forecast the storm position next time. The result shows that strong storms can be better identified and roughly tracked.

SCIT; linear extrapolation; nowcasting

2013-12-10;

2014-01-02

湯玉杰(1988-)，女，碩士研究生，研究方向：雷達信號與信息處理；佘勇(1968-)，男，教授，研究方向：天氣雷達信 號處理技術及其應用。

TN959.4

A

1009-0401(2014)01-0019-03