一種自動識別，跟蹤并預測對流系統目標的方法與流程
本發明涉及大氣科學中的應用氣象學，尤其涉及使用天氣雷達的自動識別，跟蹤及預測對流系統目標的方法。
背景技術：
中尺度對流系統是造成強對流天氣的天氣系統[1]。對流系統目標包括對流風暴和對流單體。對流系統目標的自動識別、跟蹤和預測方法是強對流天氣臨近預報的基礎。自動識別方法獲取對流系統目標的各項屬性參數；自動跟蹤方法提供對流系統目標屬性參數的歷史信息；自動預測方法估計對流系統目標在未來時刻的屬性。對流系統的空間結構十分復雜，如對流風暴和對流單體之間存在嵌套關系。利用對流風暴的空間結構信息，能夠提高對流系統目標自動識別、跟蹤和預測的準確性。
天氣雷達是監測對流系統的主要手段之一[2,3]。天氣雷達發射脈沖形式的電磁波，當電磁波遇到降水物質時，大部分能量繼續前進，小部分能量被降水物質向四面八方散射，其中向后向散射的能量回到雷達天線，被雷達接收。根據雷達接收的回波數據，可以識別降水系統的內部結構。天氣雷達在一系列固定的仰角上360°掃描降水系統，采集不同圓錐面上的數據資料，綜合起來得到降水系統的三維結構描述。在天氣雷達反射率圖像上，對流風暴為一片高反射率聯通區域，其中的局部極大值區域為對流單體。
隨著天氣雷達的廣泛運用，使用天氣雷達的自動識別、跟蹤和預測對流系統目標的方法不斷出現，比如，scit方法[4]和titan方法[5]是其中的兩種經典方法，分別作用于對流單體和對流風暴。傳統的對流系統目標識別、跟蹤和預測方法構成一個串聯系統，其中每一部分的輸出作為后一部分的輸入。
發明人在實現本發明的過程中，發現現有技術中至少存在以下缺點和不足：①以往的對流系統目標的跟蹤方法[6～10]依賴于對流系統目標的識別結果，這使得一種跟蹤方法只適用于一類對流系統目標，不能夠同時跟蹤多種類別的多尺度的對流系統目標；②以往的對流系統目標的預測方法[11～15]不能預測對流目標內部的相對運動和結構演化。
[參考文獻]
[1]孫繼松，戴建華，何立富等；強對流天氣預報的基本原理與技術方法；中國強對流天氣預報手冊[m]；北京：氣象出版社，2014。
[2]俞小鼎，姚秀萍，熊廷南等；多普勒天氣雷達原理與業務應用[m]；北京：氣象出版社，2009。
[3]crumtd,albertyrl.thewsr-88dandthewsr-88doperationalsupportfacility[j].bulletinoftheamericanmeteorologicalsociety,1993,74(9):1669～1687。
[4]johnsonjt,mackeenpl,wittaetal.thestormcellidentificationandtrackingalgorithm:anenhancedwsr-88dalgorithm[j].weatherandforecasting,1998,13(2):263～276。
[5]dixonm,wienerg.titan:thunderstormidentification,tracking,analysis,andnowcasting—aradar-basedmethodology[j].journalofatmosphericandoceanictechnology,1993,10(6):785～797。
[6]kyznarováh,novákp.celltrack—convectivecelltrackingalgorithmanditsuseforderivinglifecyclecharacteristics[j].atmosphericresearch,2009,93(1):317～327。
[7]hanl,fus,zhaol,zhengyetal.3dconvectivestormidentification,tracking,andforecasting—anenhancedtitanalgorithm[j].journalofatmosphericandoceanictechnology,2009,26(4):719～732。
[8]cranerk.automaticcelldetectionandtracking[j].ieeetransactionsongeoscienceelectronics,1979,17(4):250～262。
[9]rosenfeldd.objectivemethodforanalysisandtrackingofconvectivecellsasseenbyradar[j].journalofatmosphericandoceanictechnology,1987,4(3):422～434。
[10]handwerkerj.celltrackingwithtrace3d—anewalgorithm[j].atmosphericresearch,2002,61(1):15～34。
[11]rossipj,chandrasekarv,hasuvetal.kalmanfiltering–basedprobabilisticnowcastingofobject-orientedtrackedconvectivestorms[j].journalofatmosphericandoceanictechnology,2015,32(3):461～477。
[12]lakshmananv,rabinr,debrunnerv.multiscalestormidentificationandforecast[j].atmosphericresearch,2003,67:367～380。
[13]rinehartre.apatternrecognitiontechniqueforusewithconventionalweatherradartodetermineinternalstormmotions[j].atmos.technol,1981,13:119～134。
[14]corfidisf,merittjh,fritschjm.predictingthemovementofmesoscaleconvectivecomplexes[j].weatherandforecasting,1996,11(1):41～46。
[15]corfidisf.coldpoolsandmcspropagation:forecastingthemotionofdownwind-developingmcss[j].weatherandforecasting,2003,18(6):997～1017。
技術實現要素：
針對上述現有技術，本發明提供一種用于天氣雷達的自動識別，跟蹤和預測對流系統目標的方法，能夠自動檢測出對流系統中的各類目標；識別出對流系統目標之間的空間關系；同時識別，跟蹤和預測多種對流系統目標；預測對流系統目標內部結構的演化和相對運動；提高了對流目標跟蹤和預測的準確性。
為了解決上述技術問題，本發明提出的一種自動識別，跟蹤并預測對流系統目標的方法，步驟如下：
步驟一、建立雷達反射率圖片的樹形結構：輸入天氣雷達在0.5°仰角獲得的雷達反射率圖片p，圖片p的大小為512×512像素，每個像素點的分辨率為1km×1km，圖片p上的每個像素點的強度范圍為-20dbz到75dbz，強度間隔1dbz；一個圖片的樹形結構由節點集合和邊集合構成，其中每個節點對應一片區域，每個邊代表了區域之間的重疊關系，樹形結構的構建過程如下：
1-1)使用一組閾值{gi}＝{0,20,25,30,35,40,45,50,55,60}dbz對圖片p分割得到一組圖片{pi}；在求取該一組圖片pi的過程中，如果圖片p中一個像素點p的強度小于閾值gi，那么圖片pi中該像素點的強度值置為0；
1-2)使用區域生長法識別圖片pi中的所有區域，計算每個區域r的各種屬性參數，屬性參數至少包括面積、幾何中心點坐標和平均強度；
1-3)對于每一個區域r，構造節點v(r)存儲該區域中所有屬性參數；在節點v(r)中同時存儲區域內部的所有像素點的坐標和強度值；將節點v(r)添加到樹形結構的節點集合vt中；
1-4)檢查所有區域對ri和ri-1，其中，ri和ri-1為圖片pi和圖片pi-1中的區域；如果區域ri-1包含區域ri，那么構造一個邊連接節點v(ri)和v(ri-1)，將邊存儲在樹形結構的邊集合et中；至此，得到了雷達反射率圖片p的樹形結構t＝(vt,et)；
步驟二、自動識別對流系統目標：定義樹形結構t＝(vt,et)中每個節點的度數為該節點的子節點的數目；對流系統目標包括對流風暴、對流單體和層狀降水區域，識別步驟分別如下：
2-1)對流風暴的識別：在樹形結構t＝(vt,et)中，找出所有滿足以下兩個條件之一的子樹結構：
2-1-1)子樹的根節點強度為30dbz，并且根節點的度數小于等于1；
2-1-2)子樹的根節點的強度為35dbz，且子樹的根節點的父節點的度數大于1；然后，將子樹結構中的節點對應的區域疊加在一起構成相應的對流風暴；最終得到對流風暴集合(sstorm)
2-2)對流單體的識別：在樹形結構t＝(vt,et)中，找出所有滿足以下兩個條件之一的子樹結構：
2-2-1)子樹的根節點強度為40dbz，并且根節點的度數小于等于1；
2-2-2)子樹的根節點的強度為45dbz，且子樹的根節點的父節點的度數大于1；然后，將子樹結構中的節點對應的區域疊加在一起構成相應的對流單體；最終得到對流單體集合(scell)；
2-3)層狀降水區域的識別：在樹形結構中，找出所有同時滿足以下兩個條件的子樹結構：
2-3-1)該子樹根節點的反射率強度為20dbz；
2-3-2)該子樹中所有反射率強度為40dbz的區域面積之和與所有反射率強度為20dbz的區域面積之和的比值小于0.3；然后，將子樹結構中的節點對應的區域疊加在一起構成相應的層狀降水區域；最終得到層狀降水區域集合(sstratiform)；
2-4)上述識別對流系統目標之間的空間關系：上述得到的對流風暴集合(sstorm)、對流單體集合(scell)和層狀降水區域集合(sstratiform)中的每一個目標s＝(vs,es)都對應一個樹t＝(vt,et)中的子樹；設s1和s2為兩個對流系統目標，它們對應的子樹結構分別記為
(1)如果
(2)如果沒滿足上述關系(1)，且樹t＝(vt,et)存在一個對流系統目標s3，滿足：
根據以上的定義，判斷對流風暴和對流單體之間的包含關系、層狀降水區域和對流風暴之間的包含關系、對流風暴之間的相鄰關系和對流單體之間的相鄰關系；然后，使用一個對流系統目標樹描述所有目標之間的空間關系；
步驟三、對流系統目標跟蹤方法：令p1和p2分別為t1和t2時刻的雷達反射率圖片，按照步驟一分別獲得的圖片p1和圖片p2的樹形結構
3-1)樹形結構整體匹配：
3-1-1)匹配子集
3-1-2)在第k次迭代時(k≥1)，假設第k次匹配的結果記為
3-1-2-1)對于mk中每一個節點配對
式(1)中，a(v)代表了節點v對應區域的面積，a(vi′∩vj′)為兩個節點vi′和vj′對應的區域之間的重疊面積；如果兩個區域的面積重疊率oi′j′大于0.5，那么將兩個節點vi′和vj′建立匹配，然后將這兩個區域對應的節點配對結果(vi′,vj′)存入mk+1中；
3-1-2-2)將在步驟3-1-2-1)中已經建立匹配的節點從子節點集合
q＝∑ci′j′(2)
其中，i′和j′為子節點集合
其中dp為兩個節點(vi′,vj′)質心之間的距離，ds為兩個節點對應區域的面積之差；
對上述組合優化算法得到的匹配結果計算區域速度，當區域速度小于150kmh-1時，將配對結果存入mk+1；
3-1-3)如果mk+1為空，或者k+1＝m，那么樹形結構的匹配過程結束，最終得到的樹形結構的匹配結果為
3-2)對流系統目標的匹配：按照步驟二分別獲得的圖片p1和圖片p2的對流系統目標集合s1和s2，令
步驟四、對流系統目標的預測，包括：
4-1)通過交叉相關法估計當前雷達反射率圖片中的運動矢量場：令當前時刻和前一時刻的雷達發射率圖片記為p1和p2，將p1和p2劃分為n×n個方形區域；對于p1中的每一個方形區域rc1，尋找與之最相關的位于p2的區域rc2，那么區域rc1的中心點(xc1，yc1)處的運動矢量為(xc1-xc2，yc1-yc2)，其中(xc1，yc1)和(xc2，yc2)分別為區域rc1和rc2的中心點；
4-2)通過軌跡擬合得到樹形結構t1中每一個區域的的運動矢量：令tn時刻圖片pn對應的樹結構為tn，通過步驟三的跟蹤方法得到的樹形結構tn中每一個區域的運動軌跡，記一個區域r通過跟蹤得到的區域的序列為r1,r2,…,rn，該區域序列對應的質心點序列記為：(x1,y1),(x2,y2),…,(xn,yn)，對應的時間時刻為t1,t2,…,tn；那么分別對質心點序列中的x坐標和y坐標相對于時間變量進行直線擬合，得到x＝kx·t和y＝ky·t；那么該區域r在tn時刻的運動矢量為(kx，ky)；
4-3)計算樹形結構中當前時刻每一個區域的運動矢量：從根節點開始，采用廣度優先，遍歷樹形結構中的每一個區域r，若區域r的面積大于250km2，那么按照步驟4-1)統計所有位于該區域內部的所有方形區域的平均運動矢量，將此運動矢量作為區域r的運動矢量估計；若區域r的面積小于250km2，那么按照步驟4-2)將該區域通過軌跡直線擬合得到的運動矢量作為區域r的運動矢量估計；若區域r的面積小于250km2，且其不存在運動軌跡，那么就將其父區域的運動矢量作為該區域r的運動矢量；
4-4)通過外推預測當前時刻樹形結構和對流系統目標：根據該樹形結構中每一個區域r的運動矢量，計算在時間dt之后該區域的位置，當所有的區域進行外推之后，將所有外推的結果疊加起來，得到樹形結構整體的外推結果；按照上述外推方法外推單個對流系統目標。
與現有技術相比，本發明的有益效果是：
本發明提供的技術方案的有益效果是：1)本發明能夠同時識別出不同類型的對流系統目標，如對流風暴，對流單體和層狀降水區域，并且能夠識別和保存各種對流系統目標之間的空間關系；2)本發明將對流系統目標的跟蹤問題轉化為了樹形結構的匹配問題，對流系統目標的識別過程和跟蹤、預測過程是相互獨立的；3)本發明能夠預測對流系統目標內部結構的運動和演化。
附圖說明
圖1是基于樹形結構描述的對流系統目標識別，跟蹤和預測系統框圖；
圖2(a)至圖2(c)是雷達反射率圖片的樹形結構描述示例，其中：
圖2(a)是雷達反射率圖片示意圖；
圖2(b)是采用三種閾值對圖2(a)進行閾值分割和區域檢測的結果；
圖2(c)是圖2(b)對應的樹形結構描述；
圖3(a)和圖3(b)是雷達反射率圖片樹形結構描述的對流目標識別方法示意圖；
圖3(a)是不同類型的對流系統目標識別結果；
圖3(b)是不同類型的對流系統目標識別結果構成的目標樹結構；
圖4(a)至圖4(d)是基于樹形結構對流系統匹配跟蹤示意圖；
圖4(a)和圖4(b)分別是一個線性對流系統在兩個連續時刻的輪廓示意圖；
圖4(c)是圖4(a)和圖4(b)的重疊效果；
圖4(d)是圖4(a)和圖4(b)樹形結構描述結果及兩個樹形結構的匹配結果示意圖；
圖5是基于樹形結構描述的對流風暴匹配方法示意圖；
圖6(a)至圖6(d)是基于樹形結構描述的對流系統目標外推方法示意圖；
圖6(a)是一個線性對流系統的示意圖；
圖6(b)是圖6(a)中線性對流系統的樹形結構描述，箭頭是每一個區域的運動矢量；
圖6(c)是樹形結構中的每片區域的單獨外推效果；
圖6(d)是對流系統目標的整體外推效果；
圖7是三種對流風暴跟蹤方法的匹配臨界成功指數；
圖8(a)至8(d)是三種對流風暴預測算法的對比評分結果；
圖8(a)和圖8(b)分別是18分鐘和30分鐘的預測臨界成功指數；
圖8(c)和圖8(d)分別是18分鐘和30分鐘的預測平均絕對誤差。
具體實施方式
下面結合附圖和具體實施例對本發明技術方案作進一步詳細描述，所描述的具體實施例僅對本發明進行解釋說明，并不用以限制本發明。
本發明提出的自動識別，跟蹤并預測對流系統目標的方法，其設計思路如圖1所示，將天氣雷達獲得的對流系統單仰角雷達反射率圖片可采用一個區域的樹形結構描述。在此樹形結構中，每一個對流系統目標對應一個子樹結構。對流系統目標的識別問題轉化為子樹結構的檢測問題，對流系統目標的跟蹤問題轉化為樹形結構的匹配問題，通過樹形結構的外推，可以預測所有對流系統目標的位置和內部結構。本發明實現了自動識別、跟蹤和預測對流系統目標。該發明的內容構成一個對流系統目標的臨近預報系統，可以用于預測各類對流系統目標的位置和內部結構，有助于強對流天氣災害的預報。
本發明自動識別，跟蹤并預測對流系統目標的方法，主要包括：建立雷達反射率圖片的樹形結構，自動識別對流系統目標，對流系統目標跟蹤方法和對流系統目標的預測，其具體內容如下：
步驟一：建立雷達反射率圖片的樹形結構；
輸入天氣雷達在0.5°仰角獲得的雷達反射率圖片p，圖片p的大小為512×512像素，每個像素點的分辨率為1km×1km，圖片p上的每個像素點的強度范圍為-20dbz到75dbz，強度間隔1dbz；一個雷達反射率圖片的示意圖如圖2(a)所示。
一個圖片的樹形結構由節點集合和邊集合構成，其中每個節點對應一片區域，每個邊代表了區域之間的重疊關系，樹形結構的構建過程如下：
1-1)使用一組閾值{gi}＝{0,20,25,30,35,40,45,50,55,60}dbz對圖片p分割得到一組圖片{pi}；在求取該一組圖片pi的過程中，如果圖片p中一個像素點p的強度小于閾值gi，那么圖片pi中該像素點的強度值置為0；圖2(a)采用三個閾值(30dbz，35dbz，和40dbz)分割得到的結果分別為圖2(b)中的p1，p2和p3；
1-2)使用區域生長法識別圖片pi中的所有區域，計算每個區域r的各種屬性參數，屬性參數至少包括面積、幾何中心點坐標和平均強度；在圖2(b)中，采用區域生長法獲得的p1，p2和p3中的區域的識別結果為
1-3)對于每一個區域r，構造節點v(r)存儲該區域中所有屬性參數；在節點v(r)中同時存儲區域內部的所有像素點的坐標和強度值；將節點v(r)添加到樹形結構的節點集合vt中；
1-4)檢查所有區域對ri和ri-1，其中，ri和ri-1為圖片pi和圖片pi-1中的區域；如果區域ri-1包含區域ri，那么構造一個邊連接節點v(ri)和v(ri-1)，將邊存儲在樹形結構的邊集合et中；在圖2(b)中，區域之間的包含關系采用區域間的連線表示。
至此，得到了雷達反射率圖片p的樹形結構t＝(vt,et)，如圖2(c)所示。
步驟二：自動識別對流系統目標；
圖3說明如何識別樹形結構中的各種對流系統目標。圖3(a)給出一個樹形結構，其中識別出的對流系統目標用矩形區域標記，并且給出所有對流系統目標的編號。圖3(b)給出相對于圖3(a)的對流系統目標的樹形結構。定義樹形結構t＝(vt,et)中每個節點的度數為該節點的子節點的數目，對流系統目標包括對流風暴、對流單體和層狀降水區域，其識別步驟分別如下：
2-1)對流風暴的識別：
在樹形結構t＝(vt,et)中，找出所有滿足以下兩個條件之一的子樹結構：
1)子樹的根節點強度為30dbz，并且根節點的度數小于等于1；
2)子樹的根節點的強度為35dbz，且子樹的根節點的父節點的度數大于1；
圖3(a)中滿足以上條件的子樹為子樹3，4和5，其中子樹3和4滿足以上條件2)，子樹5滿足以上條件1)。
然后，將子樹結構中的節點對應的區域疊加在一起構成相應的對流風暴；
最終得到對流風暴集合(sstorm)
2-2)對流單體的識別：
在樹形結構t＝(vt,et)中，找出所有滿足以下兩個條件之一的子樹結構：
1)子樹的根節點強度為40dbz，并且根節點的度數小于等于1；
2)子樹的根節點的強度為45dbz，且子樹的根節點的父節點的度數大于1；
然后，將子樹結構中的節點對應的區域疊加在一起構成相應的對流單體；
圖3(a)中滿足以上條件的子樹為子樹6，且滿足條件1)。
最終得到對流單體集合(scell)；
2-3)層狀降水區域的識別：
在樹形結構中，找出所有同時滿足以下兩個條件的子樹結構：
1)該子樹根節點的反射率強度為20dbz；
2)該子樹中所有反射率強度為40dbz的區域面積之和與所有反射率強度為20dbz的區域面積之和的比值小于0.3；
圖3(a)中滿足以上條件的子樹為子樹1和2。
然后，將子樹結構中的節點對應的區域疊加在一起構成相應的層狀降水區域；
最終得到層狀降水區域集合(sstratiform)；
2-4)識別對流系統目標之間的空間關系：
上述得到的對流風暴集合(sstorm)、對流單體集合(scell)和層狀降水區域集合(sstratiform)中的每一個目標s＝(vs,es)都對應一個樹t＝(vt,et)中的子樹；
設s1和s2為兩個對流系統目標，它們對應的子樹結構分別記為
(1)如果
(2)如果沒滿足上述關系(1)，且樹t＝(vt,et)存在一個對流系統目標s3，滿足：
根據以上的定義，判斷對流風暴和對流單體之間的包含關系、層狀降水區域和對流風暴之間的包含關系、對流風暴之間的相鄰關系和對流單體之間的相鄰關系；
然后，使用一個對流系統目標樹描述所有目標之間的空間關系；
圖3(a)展示如何識別對流系統目標之間的空間關系。在此案例中，有一個對流單體(6)，三個對流風暴(3，4，和5)，以及兩個層狀降水區域(1和2)。兩個層狀降水區域為空間相鄰關系；三個對流風暴彼此空間相鄰，且都包含于層狀降水區域2；唯一的對流單體6包含于對流風暴3。圖3(b)采用一個對流系統目標的樹形結構描述了所有對流系統目標之間的空間關系。
步驟三、對流系統目標跟蹤方法；
圖4給出一個樹形結構匹配過程的示例。圖4(a)和(b)分別給出一個對流系統在兩個時刻的結構示意圖，圖4(c)給出這兩個對流系統的重疊結果(這里假設在t1時刻所有區域的移動速度為0。圖4(d)給出該對流系統在兩個時刻的樹狀結構描述及最終的匹配結果。具體的匹配過程如下：
令p1和p2為t1和t2時刻的雷達反射率圖片，按照步驟一分別獲得的圖片p1和圖片p2的樹形結構
3-1)樹形結構整體匹配：
3-1-1)匹配子集
3-1-2)在第k次迭代時(k≥1)，假設第k次匹配的結果記為
3-1-2-1)對于mk中每一個節點配對
式(1)中，a(v)代表了節點v對應區域的面積，a(vi′∩vj′)為兩個節點vi′和vj′對應的區域之間的重疊面積；如果兩個區域的面積重疊率oi′j′大于0.5，那么將兩個節點vi′和vj′建立匹配，然后將這兩個區域對應的節點配對結果(vi′,vj′)存入mk+1中；圖4示例中采用面積重疊法獲得配對的節點對包括：節點3和節點10，節點6和節點13，節點6和節點14。
3-1-2-2)將在步驟3-1-2-1)中已經建立匹配的節點從子節點集合
q＝∑ci′j′(2)
其中，i′和j′為子節點集合
其中dp為兩個節點(vi′,vj′)質心之間的距離，ds為兩個節點對應區域的面積之差；
圖4示例中采用組合優化法配對的節點對包括：節點1和節點8，節點2和節點9，節點4和節點11，節點5和節點12。
對上述組合優化算法得到的匹配結果計算區域速度，當區域速度小于150kmh-1時，將配對結果存入mk+1；
3-1-3)如果mk+1為空，或者k+1＝m，那么樹形結構的匹配過程結束，最終得到的樹形結構的匹配結果為
3-2)對流系統目標的匹配：
按照步驟二分別獲得的圖片p1和圖片p2的對流系統目標集合s1和s2，令
圖5說明了如何根據樹形結構的匹配結果跟蹤對流風暴目標。圖5給出在t1和t2兩個時刻的兩個樹形結構及其匹配結果。樹形結構中節點的匹配結果采用虛線表示，對流風暴的識別結果采用方框標記，并且在方框上標出對流風暴的編號。對流風暴目標的匹配過程如下：
依次遍歷所有樹中節點的匹配結果。記其中一個配對為(v1,v2)，檢查v1和v2分別屬于哪一個對流風暴，然后將兩個對流風暴建立匹配。在此案例中，風暴1和風暴3之間存在兩對節點配對，所以匹配兩者；風暴2和風暴4之間也存在兩對節點的配對，所以兩者之間也建立匹配。圖5中的對流風暴的匹配結果用實線箭頭表示。
步驟四、對流系統目標的預測；
圖6說明如何通過外推樹形結構預測對流系統目標。圖6(a)為一個對流系統的示意圖，圖6(b)為圖6(a)對應的樹形結構，圖6(c)為樹形結構每一個區域的外推結構，圖6(d)為整個對流系統的外推效果。
4-1)通過交叉相關法估計當前雷達反射率圖片中的運動矢量場：
令當前時刻和前一時刻的雷達發射率圖片記為p1和p2，將p1和p2劃分為n×n個方形區域；對于p1中的每一個方形區域rc1，尋找與之最相關的位于p2的區域rc2，那么區域rc1的中心點(xc1，yc1)處的運動矢量為(xc1-xc2，yc1-yc2)，其中(xc1，yc1)和(xc2，yc2)分別為區域rc1和rc2的中心點；
4-2)通過軌跡擬合得到樹形結構t1中每一個區域的的運動矢量：
令tn時刻圖片pn對應的樹結構為tn，通過步驟三的跟蹤方法得到的樹形結構tn中每一個區域的運動軌跡，記一個區域r通過跟蹤得到的區域的序列為r1,r2,…,rn，該區域序列對應的質心點序列記為：(x1,y1),(x2,y2),…,(xn,yn)，對應的時間時刻為t1,t2,…,tn；那么分別對質心點序列中的x坐標和y坐標相對于時間變量進行直線擬合，得到x＝kx·t和y＝ky·t；那么該區域r在tn時刻的運動矢量為(kx，ky)；
4-3)計算樹形結構中當前時刻每一個區域的運動矢量：
從根節點開始，采用廣度優先，遍歷樹形結構中的每一個區域，
若區域r的面積大于250km2，那么按照步驟4-1)統計所有位于該區域內部的所有方形區域的平均運動矢量，將此運動矢量作為區域r的運動矢量估計；
若區域r的面積小于250km2，那么按照步驟4-2)將該區域通過軌跡直線擬合得到的運動矢量作為區域r的運動矢量估計；
若區域r的面積小于250km2，且其不存在運動軌跡，那么就將其父區域的運動矢量作為該區域r的運動矢量；
圖6(b)中每一個區域上標記的箭頭代表了估計得到的區域運動矢量。
4-4)通過外推預測當前時刻樹形結構和對流系統目標：
根據該樹形結構中每一個區域的運動矢量，計算在時間dt之后該區域的位置，如圖6(c)所示，當所有的區域進行外推之后，將所有外推的結果疊加起來，得到樹形結構整體的外推結果，如圖6(d)所示；
按照上述外推方法外推單個對流系統目標。
下面以對流風暴為具體的目標進行測試以驗證本發明方法的可行性，詳見以下描述：
表1給出測試算法的8個案例，其中包括兩種類型的對流系統：孤立單體風暴和中尺度對流系統(mesoscaleconvectivesystem；mcs)。案例中的雷達數據源自美國國家氣候數據中心(nationalclimaticdatacenter；ncdc)。每個案例的時間段為1800到2100(國際時間)。雷達的探測距離分辨率為1km，方位角分辨率為1°，覆蓋范圍為230km×230km。雷達反射率圖片的強度范圍為-25dbz到75dbz，分辨率為1dbz。雷達圖片的時間分辨率為6分鐘(vcp21)或5分鐘(vcp11)。
表1算法測試案例
本發明給出的對流系統目標自動跟蹤和預測方法與scit方法和etitan方法對比進行評估。對流系統目標的跟蹤算法的效果通過目標的正確匹配率進行評估。三位氣象預報人員參與了此對比評估實驗，每一位氣象預報人員給出一個對流風暴的匹配結果集合，綜合三份匹配結果集合得到一個真實的對流風暴匹配結果集合：當一個匹配結果同時存在于兩個或兩個以上的人工匹配集合中時，則認為該匹配結果是正確的。
將三種對流風暴跟蹤算法產生的匹配集合與真實的匹配集合進行對比，從而評估每種對流風暴跟蹤算法的跟蹤性能。每一個自動匹配的結果歸為以下三類之一：稱為“擊中”的匹配同時存在于自動匹配集合和真實匹配集合中；稱為“丟失”的匹配只存在于真實匹配集合中，而不存在于自動匹配集合中；稱為“錯誤”的匹配為只存在于自動匹配集合中，而不存在于真實匹配集合中。記一種跟蹤算法產生的“擊中”、“丟失”和“錯誤”的匹配數目分別為x，y和z，三種評價指標為：識別率pod＝x/(x+y)，誤報率far＝z/(x+z)，臨界成功指數csi＝x/(x+y+z)。獲得最高csi評分值的跟蹤算法性能最好。
圖7給出三種跟蹤算法獲得的csi評分結果。對于不同類型的對流系統，基于樹形結構的對流風暴跟蹤算法都獲得了最高的csi。在所有案例上，基于樹形結構的對流風暴跟蹤算法獲得78.15％的平均csi評分值；與此相比，scit和etitan的獲得的平均csi評分值分別為74.88％和74.71％。
將對流系統目標的預測結果與觀測結果對比，可以評估預測算法的性能。預測評估實驗采用了表1中8個案例的共442幀位于0.5°仰角的雷達反射率圖片。在對比評估過程中，首先將預測結果和觀測結果映射到一個1km×1km的網格中，然后對比每一個格點處的預測值和真實值，如果在一個格點內預測值和真實值都包含對流風暴數據，那么在該格點處成功預報；如果在該格點處只有觀測值包含對流風暴數據，那么在該格點處丟失預報；如果在該格點處只有預報值包含對流風暴數據，那么在該格點處錯誤預報。記所有預測得到的“成功”、“丟失”和“錯誤”的數目分別為為x，y和z，計算pod、far和csi(計算公式如前所述)。
由于基于樹形結構的對流系統目標預測方法除了能夠預測目標的位置，還能夠預測目標內部結構的演化，而指標csi的計算過程不考慮預測目標和真實目標內部結構上的差異，所以指標csi不能夠完全評估對流系統目標的預測方法。對比實驗中引入平均絕對誤差(meanabsoluteerror；mae)作為指標csi的補充，其計算公式為：
其中，fi和oi代表了第i對預測值和觀測值，n為對比格點的總數。能夠預測對流系統目標內部結構演化的預報方法應該產生較小的mae值。
圖8(a)和圖8(b)分別給出三種預測方法的18和30分鐘平均csi評分值；圖8(c)和圖8(d)分別給出18和30分鐘的平均mae評分值。圖8(a)顯示，對于18分鐘的預測結果，基于樹形結構的預測方法獲得了29.02％的平均csi評分值，高于scit算法的24.98％和etitan的24.44％。圖8(a)還顯示，三種預測方法在預測中尺度對流系統時表現出較大的差距。與scit和etitan方法相比，基于樹形結構的預測方法分別獲得了6.05％和5.81％的csi評分值改善。圖8(b)顯示，對于30分鐘的預測結果，基于樹形結構的預測方法同樣獲得了相對較高的評分值。圖8(c)顯示，對于18分鐘的預測結果，基于樹形結構的預測方法獲得了最小的平均mae值(4.63dbz)，scit方法和etitan方法的平均mae值分別為5.22dbz和4.80dbz。圖8(d)顯示，對于30分鐘的預測結果，基于樹形結構的預測方法同樣獲得了最小的平均mae值。
表2給出三種方法識別、跟蹤和預測數據集中對流風暴需要的平均運行時間。算法的測試環境為：處理器為英特酷睿2.1，計算機內存為2gb，算法運行環境為matlab2014b。表2顯示，基于樹形結構描述的對流風暴識別方法平均需要965.25ms，這一時間遠遠大于跟蹤和預測對流風暴所需的運行時間。但是相比于天氣雷達的采樣間隔(5到6分鐘)，基于樹形結構的對流系統目標自動識別、跟蹤和預測方法可以滿足實時運行的需求。
表2三種臨近預報方法的運行時間對比
盡管上面結合附圖對本發明進行了描述，但是本發明并不局限于上述的具體實施方式，上述的具體實施方式僅僅是示意性的，而不是限制性的，本領域的普通技術人員在本發明的啟示下，在不脫離本發明宗旨的情況下，還可以做出很多變形，這些均屬于本發明的保護之內。
- 還沒有人留言評論。精彩留言會獲得點贊！