一種由“列車效應(yīng)”引起的暴雨識別及預(yù)報方法
【專利摘要】本發(fā)明公開了一種由“列車效應(yīng)”引起的暴雨識別及預(yù)報方法，包括對實時雷達數(shù)據(jù)進行預(yù)處理；將經(jīng)過面積初篩的單體進行初步擬合，消除干擾，尋找“列車效應(yīng)”疑似區(qū)域；確定“列車效應(yīng)”疑似區(qū)域后便可進行“列車效應(yīng)”的自動識別；利用疑似區(qū)域帶狀回波的質(zhì)心移動距離以及軸線旋轉(zhuǎn)角度進行帶狀回波的跟蹤，實現(xiàn)“列車效應(yīng)”的跟蹤；根據(jù)單體運動慣性對“列車效應(yīng)”的疑似區(qū)域的移向、移速、形狀變化進行外推。本發(fā)明的有益效果是：當(dāng)出現(xiàn)“列車效應(yīng)”現(xiàn)象的氣象時，不僅能夠識別出“列車效應(yīng)”向預(yù)報員發(fā)出警報，還能根據(jù)多個時刻的“列車效應(yīng)”的天氣狀況進行外推，對預(yù)報員進行后續(xù)的預(yù)報提供重要參考，準(zhǔn)確性及快速性較高。
【專利說明】-種由"列車效應(yīng)"引起的暴雨識別及預(yù)巧方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種氣象領(lǐng)域，特別是涉及一種由"列車效應(yīng)"的暴雨識別及預(yù)報的方 法。

【背景技術(shù)】
[0002] 在城市中小尺度強對流天氣常常造成激烈的天氣現(xiàn)象，如局地大暴風(fēng)、大風(fēng)、冰琶 等災(zāi)害性天氣，嚴(yán)重威脅人們的生命財產(chǎn)安全。天氣雷達是探測降水系統(tǒng)的主要手段，是對 強對流天氣進行監(jiān)測和預(yù)警的主要工具。多普勒天氣雷達全天候的探測能力和十分豐富的 反映大氣層云雨生消演變過程的動態(tài)信息，大大加強了對中小尺度天氣系統(tǒng)的探測和預(yù)警 能力，并為開展短時災(zāi)害性天氣的監(jiān)測預(yù)報，奠定了堅實基礎(chǔ)。
[0003] "列車效應(yīng)"是指某區(qū)在一段時間內(nèi)頻繁地、接連不斷地生成空間尺度不大的對流 單體，而每生成一個對流單體即沿著某一方向移動，接著在同一地方生成新的對流單體繼 續(xù)沿著同一方向移動，從而形成由一系列對流單體排列組成類似于"列車"的排列，該一"列 車"對其下游某一地區(qū)可W造成接連不斷的"持續(xù)"影響，從而造成強降水，其是產(chǎn)生極端雨 量從而造成洪潰等災(zāi)害的主要回波特征。
[0004] 近幾年隨著我國多普勒天氣雷達網(wǎng)的逐步建立，多普勒雷達在災(zāi)害性天氣的監(jiān)測 和預(yù)警上的作用日益凸現(xiàn)，使我國對災(zāi)害性天氣預(yù)報的準(zhǔn)確率在原有的基礎(chǔ)上有所提高， 但若想要充分發(fā)揮其在天氣監(jiān)測和預(yù)警中的作用，還應(yīng)有相應(yīng)的基于多普勒天氣雷達資料 的風(fēng)暴識別、追蹤和預(yù)報算法與之相配套。目前，可應(yīng)用于"列車效應(yīng)"的識別跟蹤算法；雷 暴識別跟蹤分析預(yù)報（TITAN)、風(fēng)暴識別追蹤算法（SCIT)。其中，TITAN算法是用單個反射 率因子闊值來識別強對流風(fēng)暴的，此算法適用于整體風(fēng)暴帶，但是強度闊值少，不能很好的 提取風(fēng)暴內(nèi)部的參數(shù)W及分辨風(fēng)暴簇的細微構(gòu)造。而SCIT算法采用走個闊值來識別風(fēng)暴 的質(zhì)也，可W較好地識別出風(fēng)暴簇中的風(fēng)暴單體，但是只保留高闊值的識別結(jié)果，而舍棄了 低闊值的識別結(jié)果，丟失了大量的風(fēng)暴體結(jié)構(gòu)信。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明所要解決的技術(shù)問題是，提供一種在實時天氣監(jiān)測預(yù)報中，當(dāng)出現(xiàn)"列車效 應(yīng)"現(xiàn)象時不僅能夠識別出"列車效應(yīng)"向預(yù)報員發(fā)出警報，還能根據(jù)多個時刻的"列車效 應(yīng)"的天氣狀況進行外推的暴雨預(yù)報方法。
[0006] 本發(fā)明所采用的技術(shù)方案是；一種由"列車效應(yīng)"引起的暴雨識別及預(yù)報方法，包 括如下步驟；步驟SI,對實時雷達數(shù)據(jù)進行預(yù)處理：消除超折射、細微單體及虛假合并；步 驟S2,將經(jīng)過面積初篩的單體進行初步擬合：消除干擾，并對結(jié)果進行聚類，再對聚類結(jié)果 進行二次擬合，尋找"列車效應(yīng)"疑似區(qū)域；步驟S3,確定"列車效應(yīng)"疑似區(qū)域后：進行"列 車效應(yīng)"的自動識別，如果是，則判斷其為"列車效應(yīng)"，進行S4,如果不是，則跳轉(zhuǎn)到對下一 時刻的雷達數(shù)據(jù)進行處理，即從Sl開始；步驟S4,利用疑似區(qū)域帶狀回波的質(zhì)也移動距離 W及軸線旋轉(zhuǎn)角度進行帶狀回波的跟蹤；在確定了整體帶狀回波的位置后，利用化矩和形 態(tài)變化進行疑似區(qū)域內(nèi)的單體跟蹤，實現(xiàn)"列車效應(yīng)"的跟蹤；步驟S5,根據(jù)單體運動慣性 對"列車效應(yīng)"的疑似區(qū)域的移向、移速、形狀變化進行外推。
[0007] 所述Sl中對實時雷達數(shù)據(jù)進行預(yù)處理的步驟為；SlOl ;通過抬高雷達回波數(shù)據(jù) 的仰角，濾除對自動識別階段有較強干擾的超折射回波；S102 ;通過設(shè)定面積闊值，將不滿 足闊值條件的細微單體刪除；S103 ;判斷目標(biāo)連通區(qū)域反射率是否大于40地Z，如果大于 40地Z，則腐蝕一個像素點，將強回波區(qū)域少腐蝕一些；如果小于40地Z，則腐蝕兩個像素 點，將弱回波區(qū)域多腐蝕一些，然后提高一級闊值，判斷是否能檢測到高一級闊值的單體， 若能檢測到單體，則膨脹，并重復(fù)上述過程，若不能檢測到單體，則停止。
[0008] 所述步驟S2具體包括如下步驟；S201 ;先用質(zhì)也法得到各單體的代表點，再對該 些點進行直線擬合，得到"列車效應(yīng)"的擬合直線，然后刪除偏離該擬合直線程度比較大的 單體，消除與"列車效應(yīng)"不相干的外圍單體的干擾；S202 ;經(jīng)過初步擬合后得到滿足要求 的單體，提取該些單體的質(zhì)也，利用近鄰傳播法進行自動聚類，然后分別針對每一類的點集 再次進行直線擬合，并刪除偏離擬合直線程度較大的單體，得到"列車效應(yīng)"的疑似區(qū)域。
[0009] 所述步驟S3具體包括如下步驟；S301 ;提取疑似區(qū)域中整體帶狀回波的信息，判 斷整體帶狀回波的最小外界矩形的長寬比、整體帶狀回波的平均反射率和平均速度是否滿 足"列車效應(yīng)"標(biāo)準(zhǔn)，若滿足標(biāo)準(zhǔn)則繼續(xù)下面的判斷過程，如若不滿足標(biāo)準(zhǔn)則判斷為不是"列 車效應(yīng)"則廢除，繼續(xù)對下一時刻雷達數(shù)據(jù)進行從第一步開始的重新處理；S302 ;提取疑似 區(qū)域中所有單體的各項特征，放入規(guī)則庫中，利用標(biāo)準(zhǔn)投票法判斷該些單體回波是否滿足 "列車效應(yīng)"單體回波條件，在對疑似區(qū)域中所有單體進行判斷識別后統(tǒng)計滿足"列車效應(yīng)" 單體回波條件的單體占所有單體的比例，若滿足闊值條件，則判斷為"列車效應(yīng)"。
[0010] 所述步驟S4具體包括如下步驟；S401 ;對"列車效應(yīng)"跟蹤時，將"列車效應(yīng)"整 體帶狀回波和單體回波的屬性相融合；S402 ; W "列車效應(yīng)"整體帶狀回波作為研究對象， 計算整體帶狀回波的質(zhì)也位置和長軸線方向，并找出整體帶狀回波在相鄰兩時刻之間所有 可能的運動路徑組合，計算出每種路徑組合下帶狀回波質(zhì)也的移動距離和長軸線的旋轉(zhuǎn)角 度，在滿足條件的路徑組合中，選取最短路徑組合作為回波帶的移動路徑；S403 ;確定了整 體帶狀回波的位置后，針對同一整體帶狀回波，計算當(dāng)前時刻每個單體與前一時刻每個單 體之間的面積差異，如果面積差異小于一個闊值，則把前一時刻中的該些單體存儲下來作 為一個與當(dāng)前單體的可能的匹配，然后通過化矩計算出當(dāng)前單體與其所有可能匹配的單 體的輪廓的相似程度，相似程度最大的組合被認(rèn)為是同一單體，兩者標(biāo)注相同的ID ;S404 ; 基于初次對"列車效應(yīng)"的識別及判定結(jié)果，劃定區(qū)域范圍，減小再次運算時間并提高準(zhǔn)確 度；S405 ;通過對前后時間序列單體的各項特征的比較、整體帶狀特征的比較、"列車效應(yīng)" 獨有的整體帶的長軸線方向與運動方向的比較、速度和運動方向的比較，獲取關(guān)聯(lián)性最大 的整體帶與帶內(nèi)各個單體之間的信息，形成一一對應(yīng)的關(guān)系。
[0011] 所述步驟S5具體包括如下步驟；S501 ;連續(xù)錄入H個時刻"列車效應(yīng)"數(shù)據(jù)，獲 取相關(guān)特征，構(gòu)造連續(xù)時刻的時間序列，建立單體族譜關(guān)系，通過相鄰時次單體的相似性檢 查與對比，并通過計算，識別出單體發(fā)生發(fā)展消亡的運動軌跡，從而預(yù)測單體的運動趨勢； S502;首先進行整體帶狀回波的外推，根據(jù)單體運動的慣性，分別由錄入的連續(xù)H個時刻間 的整體帶的平均速度、移動方向和長軸線方向來確定下一時刻整體帶的移動速度、移動方 向和長軸線方向，綜合上述立個信息即可完成"列車效應(yīng)"整體帶狀回波的跟蹤；S503 ;在 外推出整體帶狀回波位置的基礎(chǔ)上，用相同的方法對其中各單體回波的位置進行外推。
[0012] 所述的H個時刻分別進行6分鐘、12分鐘、18分鐘外推。
[0013] 本發(fā)明的有益效果是；當(dāng)出現(xiàn)"列車效應(yīng)"現(xiàn)象的氣象時，不僅能夠識別出"列車效 應(yīng)"向預(yù)報員發(fā)出警報，還能根據(jù)多個時刻的"列車效應(yīng)"的天氣狀況進行外推，對預(yù)報員進 行后續(xù)的預(yù)報提供重要參考，準(zhǔn)確性及快速性較高。

【專利附圖】

【附圖說明】
[0014] 圖1中圖a為原反射率圖，圖b濾除超折射后的反射率圖；
[0015] 圖2是經(jīng)過面積初篩剩余單體的初步擬合圖；
[0016] 圖3中圖a、b分別為原始輪廓和其對應(yīng)的代表點；
[0017] 圖4是圖3的自動聚類圖；
[0018] 圖5中圖a、b分別為各局部區(qū)域二次擬合后的圖像；
[0019] 圖6是存在兩個過程的典型"列車效應(yīng)"圖；
[0020] 圖7中圖a、b、c分別為6、12、18分鐘"列車效應(yīng)"真實圖與外推圖對比圖，
[0021] 圖中所示為真實的圖像與外圖像對比圖，其中al、bl、cl與a3、b3、c3為6、12、18 分鐘"列車效應(yīng)"真實反射率圖與其局部放大圖，a2、b2、c2與a4、b4、c4為6、12、18分鐘 "列車效應(yīng)"外推圖與局部放大圖。

【具體實施方式】
[0022] 下面結(jié)合附圖和【具體實施方式】對本發(fā)明作進一步詳細說明：
[0023] 一種由"列車效應(yīng)"引起的暴雨識別及預(yù)報方法，包括如下步驟：
[0024] 步驟SI,對實時雷達數(shù)據(jù)進行預(yù)處理：消除超折射、細微單體及虛假合并；SlOl ; 通過抬高雷達回波數(shù)據(jù)的仰角，濾除對自動識別階段有較強干擾的超折射回波；S102 ;通 過設(shè)定面積闊值，將不滿足闊值條件的細微單體刪除；S103 ;判斷目標(biāo)連通區(qū)域反射率是 否大于40地Z，如果大于40地Z，則腐蝕一個像素點，將強回波區(qū)域少腐蝕一些；如果小于 40地Z，則腐蝕兩個像素點，將弱回波區(qū)域多腐蝕一些，然后提高一級闊值，判斷是否能檢測 到高一級闊值的單體，若能檢測到單體，則膨脹，并重復(fù)上述過程，若不能檢測到單體，則停 止。
[0025] 步驟S2,將經(jīng)過面積初篩的單體進行初步擬合：消除干擾，并對結(jié)果進行聚類，再 對聚類結(jié)果進行二次擬合，尋找"列車效應(yīng)"疑似區(qū)域；S201 ;先用質(zhì)也法得到各單體的代 表點，再對該些點進行直線擬合，得到"列車效應(yīng)"的擬合直線，然后刪除偏離該擬合直線程 度比較大的單體，消除與"列車效應(yīng)"不相干的外圍單體的干擾；S202 ;經(jīng)過初步擬合后得 到滿足要求的單體，提取該些單體的質(zhì)也，利用近鄰傳播法進行自動聚類，然后分別針對每 一類的點集再次進行直線擬合，并刪除偏離擬合直線程度較大的單體，得到"列車效應(yīng)"的 疑似區(qū)域。
[0026] 步驟S3,確定"列車效應(yīng)"疑似區(qū)域后：進行"列車效應(yīng)"的自動識別，如果是則判 斷其為"列車效應(yīng)"，進行S4,如果不是，則跳轉(zhuǎn)到對下一時刻的雷達數(shù)據(jù)進行處理，即從Sl 開始；S301 ;提取疑似區(qū)域中整體帶狀回波的信息，判斷整體帶狀回波的最小外界矩形的 長寬比、整體帶狀回波的平均反射率和平均速度是否滿足"列車效應(yīng)"標(biāo)準(zhǔn)，若滿足標(biāo)準(zhǔn)則 繼續(xù)下面的判斷過程，如若不滿足標(biāo)準(zhǔn)則判斷為不是"列車效應(yīng)"則廢除，繼續(xù)對下一時刻 雷達數(shù)據(jù)進行從第一步開始的重新處理；S302 ;提取疑似區(qū)域中所有單體的各項特征，放 入規(guī)則庫中，利用標(biāo)準(zhǔn)投票法判斷該些單體回波是否滿足"列車效應(yīng)"單體回波條件，在對 疑似區(qū)域中所有單體進行判斷識別后統(tǒng)計滿足"列車效應(yīng)"單體回波條件的單體占所有單 體的比例，若滿足闊值條件，則判斷為"列車效應(yīng)"。
[0027] 步驟S4,利用疑似區(qū)域帶狀回波的質(zhì)也移動距離W及軸線旋轉(zhuǎn)角度進行帶狀回波 的跟蹤：在確定了整體帶狀回波的位置后，利用化矩和形態(tài)變化進行疑似區(qū)域內(nèi)的單體跟 蹤，實現(xiàn)"列車效應(yīng)"的跟蹤；S401 ;對"列車效應(yīng)"跟蹤時，將"列車效應(yīng)"整體帶狀回波和 單體回波的屬性相融合；S402 ; W "列車效應(yīng)"整體帶狀回波作為研究對象，計算整體帶狀 回波的質(zhì)也位置和長軸線方向，并找出整體帶狀回波在相鄰兩時刻之間所有可能的運動路 徑組合，計算出每種路徑組合下帶狀回波質(zhì)也的移動距離和長軸線的旋轉(zhuǎn)角度，在滿足條 件的路徑組合中，選取最短路徑組合作為回波帶的移動路徑；S403 ;確定了整體帶狀回波 的位置后，針對同一整體帶狀回波，計算當(dāng)前時刻每個單體與前一時刻每個單體之間的面 積差異，如果面積差異小于一個闊值，則把前一時刻中的該些單體存儲下來作為一個與當(dāng) 前單體的可能的匹配，然后通過化矩計算出當(dāng)前單體與其所有可能匹配的單體的輪廓的 相似程度，相似程度最大的組合被認(rèn)為是同一單體，兩者標(biāo)注相同的ID ;S404 ;基于初次對 "列車效應(yīng)"的識別及判定結(jié)果，劃定區(qū)域范圍，減小再次運算時間并提高準(zhǔn)確度；S405 ;通 過對前后時間序列單體的各項特征的比較、整體帶狀特征的比較、"列車效應(yīng)"獨有的整體 帶的長軸線方向與運動方向的比較、速度和運動方向的比較，獲取關(guān)聯(lián)性最大的整體帶與 帶內(nèi)各個單體之間的信息，形成一一對應(yīng)的關(guān)系。
[002引步驟S5,根據(jù)單體運動慣性對"列車效應(yīng)"的疑似區(qū)域的移向、移速、形狀變化進行 外推。S501 ;連續(xù)錄入H個時刻"列車效應(yīng)"數(shù)據(jù)，獲取相關(guān)特征，構(gòu)造連續(xù)時刻的時間序列， 建立單體族譜關(guān)系，通過相鄰時次單體的相似性檢查與對比，并通過計算，識別出單體發(fā)生 發(fā)展消亡的運動軌跡，從而預(yù)測單體的運動趨勢；S502 ;首先進行整體帶狀回波的外推，根 據(jù)單體運動的慣性，分別由錄入的連續(xù)H個時刻間的整體帶的平均速度、移動方向和長軸 線方向來確定下一時刻整體帶的移動速度、移動方向和長軸線方向，綜合上述H個信息即 可完成"列車效應(yīng)"整體帶狀回波的跟蹤；S503 ;在外推出整體帶狀回波位置的基礎(chǔ)上，用 相同的方法對其中各單體回波的位置進行外推；所述的H個時刻分別進行6分鐘、12分鐘、 18分鐘外推。
[002引 實施例：
[0030] 如圖1中的圖a到圖b的過程所示，對實時雷達數(shù)據(jù)進行預(yù)處理，消除超折射、細 微單體及虛假合并。通過抬高雷達回波數(shù)據(jù)的仰角，濾除對自動識別階段有較強干擾的超 折射回波；通過設(shè)定面積闊值，將不滿足闊值條件的細微單體刪除；判斷目標(biāo)連通區(qū)域反 射率是否大于40地Z，如果大于40地Z，則腐蝕一個像素點，如果小于，則腐蝕兩個像素點， 目的是將強回波區(qū)域少腐蝕一些，將弱回波區(qū)域多腐蝕一些。然后用高一級闊值識別，判斷 是否能檢測到高一級闊值的單體，若能檢測到則膨脹，并重復(fù)上述過程，若不能，則停止。
[0031] 如圖2至圖5所示，將經(jīng)過面積初篩的單體進行初步擬合，消除干擾，并進對結(jié) 果利用近鄰傳播法進行聚類，再對聚類結(jié)果進行二次擬合，尋找列車效應(yīng)疑似區(qū)域。具 體過程為；計算二值化后各單體輪廓的質(zhì)也，并根據(jù)Q = E如-a-bXi)2,其中Q為所形 成的擬合直線的殘差平方和，a表示擬合直線的截距，a = v-6吉；b為擬合和直線斜率 /，= )U. - S (-V, - )2，X = S - V' =乙;為 J'化目標(biāo)殘差平方和最 小，可W通過求偏導(dǎo)數(shù)的方式；^ = 〇, ^ = 0,獲得擬合直線，并由擬合直線及兩端點。 Oa Oh 圖2中的粗線即為單體各質(zhì)也擬合所得直線；計算各質(zhì)也與該兩個端點所形成的斜率，與 擬合直線進行比較，將差值大于設(shè)定闊值的質(zhì)也所對應(yīng)的輪廓刪除。針對聚類后的各個單 體所形成的不通過程，分別進行擬合，獲得不同的擬合直線，圖3到圖4即為一個聚類的過 程，圖3中為經(jīng)過初步擬合所得到各單體的質(zhì)也，圖4為聚類結(jié)果，圖5為分類后二次擬合 的結(jié)果。通過上述過程的處理，便可大大消除"列車效應(yīng)"識別過程中的干擾因素，得到"列 車效應(yīng)"的疑似區(qū)域。
[0032] 上述過程中在聚類算法的選擇上，采用了近鄰傳播法。它的理論基礎(chǔ)是數(shù)據(jù)點的 相似度矩陣。對于規(guī)模較大的數(shù)據(jù)集，近鄰傳播法可W快速、高效的進行聚類，且結(jié)果比較 理想。它的核也是尋找目標(biāo)區(qū)域的一個最優(yōu)的代表點。該個類代表點，使得此區(qū)域中所有 數(shù)據(jù)到其的相似度之和最大，那么它們就可W被聚為一類。近鄰傳播法不像其他聚類算法， 開始聚類時，它會把所有數(shù)據(jù)點都假設(shè)成類代表點，該樣，在后續(xù)的聚類過程中，就不會出 現(xiàn)收到初始值的設(shè)置W及人為的參與到聚類結(jié)果的情況發(fā)生，該也正是我們實現(xiàn)對"列車 效應(yīng)"自動識別與跟蹤的重要環(huán)節(jié)。其公式如下所示：

【權(quán)利要求】
1. 一種由"列車效應(yīng)"引起的暴雨識別及預(yù)報方法，其特征是，包括如下步驟： 步驟S1，對實時雷達數(shù)據(jù)進行預(yù)處理：消除超折射、細微單體及虛假合并； 步驟S2,將經(jīng)過面積初篩的單體進行初步擬合：消除干擾，并對結(jié)果進行聚類，再對聚 類結(jié)果進行二次擬合，尋找"列車效應(yīng)"疑似區(qū)域； 步驟S3,確定"列車效應(yīng)"疑似區(qū)域后：進行"列車效應(yīng)"的自動識別，如果是則判斷其 為"列車效應(yīng)"，進行S4,如果不是，則跳轉(zhuǎn)到對下一時刻的雷達數(shù)據(jù)進行處理，即從S1開 始； 步驟S4,利用疑似區(qū)域帶狀回波的質(zhì)心移動距離以及軸線旋轉(zhuǎn)角度進行帶狀回波的跟 蹤：在確定了整體帶狀回波的位置后，利用Hu矩和形態(tài)變化進行疑似區(qū)域內(nèi)的單體跟蹤， 實現(xiàn)"列車效應(yīng)"的跟蹤； 步驟S5,根據(jù)單體運動慣性對"列車效應(yīng)"的疑似區(qū)域的移向、移速、形狀變化進行外 推。
2. 根據(jù)權(quán)利要求1所述的由"列車效應(yīng)"引起的暴雨識別及預(yù)報方法，其特征是，所述 S1中對實時雷達數(shù)據(jù)進行預(yù)處理的步驟為： 5101 :通過抬高雷達回波數(shù)據(jù)的仰角，濾除對自動識別階段有較強干擾的超折射回 波； 5102 :通過設(shè)定面積閾值，將不滿足閾值條件的細微單體刪除； 5103 :判斷目標(biāo)連通區(qū)域反射率是否大于40dBZ，如果大于40dBZ，則腐蝕一個像素點， 將強回波區(qū)域少腐蝕一些；如果小于40dBZ，則腐蝕兩個像素點，將弱回波區(qū)域多腐蝕一 些，然后提高一級閾值，判斷是否能檢測到高一級閾值的單體，若能檢測到單體，則膨脹，并 重復(fù)上述過程，若不能檢測到單體，則停止。
3. 根據(jù)權(quán)利要求1所述的由"列車效應(yīng)"引起的暴雨識別及預(yù)報方法，其特征是，所述 步驟S2具體包括如下步驟： 5201 :先用質(zhì)心法得到各單體的代表點，再對這些點進行直線擬合，得到"列車效應(yīng)"的 擬合直線，然后刪除偏離該擬合直線程度比較大的單體，消除與"列車效應(yīng)"不相干的外圍 單體的干擾； 5202 :經(jīng)過初步擬合后得到滿足要求的單體，提取這些單體的質(zhì)心，利用近鄰傳播法進 行自動聚類，然后分別針對每一類的點集再次進行直線擬合，并刪除偏離擬合直線程度較 大的單體，得到"列車效應(yīng)"的疑似區(qū)域。
4. 根據(jù)權(quán)利要求1所述的由"列車效應(yīng)"引起的暴雨識別及預(yù)報方法，其特征是，所述 步驟S3具體包括如下步驟： 5301 :提取疑似區(qū)域中整體帶狀回波的信息，判斷整體帶狀回波的最小外界矩形的長 寬比、整體帶狀回波的平均反射率和平均速度是否滿足"列車效應(yīng)"標(biāo)準(zhǔn)，若滿足標(biāo)準(zhǔn)則繼 續(xù)下面的判斷過程，如若不滿足標(biāo)準(zhǔn)則判斷為不是"列車效應(yīng)"則廢除，繼續(xù)對下一時刻雷 達數(shù)據(jù)進行從第一步開始的重新處理； 5302 :提取疑似區(qū)域中所有單體的各項特征，放入規(guī)則庫中，利用標(biāo)準(zhǔn)投票法判斷這些 單體回波是否滿足"列車效應(yīng)"單體回波條件，在對疑似區(qū)域中所有單體進行判斷識別后統(tǒng) 計滿足"列車效應(yīng)"單體回波條件的單體占所有單體的比例，若滿足閾值條件，則判斷其為 "列車效應(yīng)"。
5. 根據(jù)權(quán)利要求1所述的由"列車效應(yīng)"引起的暴雨識別及預(yù)報方法，其特征是，所述 步驟S4具體包括如下步驟： 5401 :對"列車效應(yīng)"跟蹤時，將"列車效應(yīng)"整體帶狀回波和單體回波的屬性相融合； 5402 :以"列車效應(yīng)"整體帶狀回波作為研究對象，計算整體帶狀回波的質(zhì)心位置和長 軸線方向，并找出整體帶狀回波在相鄰兩時刻之間所有可能的運動路徑組合，計算出每種 路徑組合下帶狀回波質(zhì)心的移動距離和長軸線的旋轉(zhuǎn)角度，在滿足條件的路徑組合中，選 取最短路徑組合作為回波帶的移動路徑； 5403 :確定了整體帶狀回波的位置后，針對同一整體帶狀回波，計算當(dāng)前時刻每個單體 與前一時刻每個單體之間的面積差異，如果面積差異小于一個閾值，則把前一時刻中的這 些單體存儲下來作為一個與當(dāng)前單體的可能的匹配，然后通過Hu矩計算出當(dāng)前單體與其 所有可能匹配的單體的輪廓的相似程度，相似程度最大的組合被認(rèn)為是同一單體，兩者標(biāo) 注相同的ID ; S404:基于初次對"列車效應(yīng)"的識別及判定結(jié)果，劃定區(qū)域范圍，減小再次運算時間并 提高準(zhǔn)確度； S405 :通過對前后時間序列單體的各項特征的比較、整體帶狀特征的比較、"列車效應(yīng)" 獨有的整體帶的長軸線方向與運動方向的比較、速度和運動方向的比較，獲取關(guān)聯(lián)性最大 的整體帶與帶內(nèi)各個單體之間的信息，形成一一對應(yīng)的關(guān)系。
6. 根據(jù)權(quán)利要求1所述的由"列車效應(yīng)"引起的暴雨識別及預(yù)報方法，其特征是，所述 步驟S5具體包括如下步驟： 5501 :連續(xù)錄入三個時刻"列車效應(yīng)"數(shù)據(jù)，獲取相關(guān)特征，構(gòu)造連續(xù)時刻的時間序列， 建立單體族譜關(guān)系，通過相鄰時次單體的相似性檢查與對比，并通過計算，識別出單體發(fā)生 發(fā)展消亡的運動軌跡，從而預(yù)測單體的運動趨勢； 5502 :首先進行整體帶狀回波的外推，根據(jù)單體運動的慣性，分別由錄入的連續(xù)三個時 刻間的整體帶的平均速度、移動方向和長軸線方向來確定下一時刻整體帶的移動速度、移 動方向和長軸線方向，綜合上述三個信息即可完成"列車效應(yīng)"整體帶狀回波的跟蹤； S503:在外推出整體帶狀回波位置的基礎(chǔ)上，用相同的方法對其中各單體回波的位置 進行外推。
7. 根據(jù)權(quán)利要求6所述的由"列車效應(yīng)"引起的暴雨識別及預(yù)報方法，其特征是，所述 的三個時刻分別進行6分鐘、12分鐘、18分鐘外推。
【文檔編號】G06T7/60GK104237890SQ201410446007
【公開日】2014年12月24日 申請日期:2014年9月3日 優(yōu)先權(quán)日:2014年9月3日
【發(fā)明者】路志英, 陳靖, 程亮, 尹靜 申請人:天津大學(xué)