[发明专利]一种基于多普勒雷达数据的下击暴流预测方法

说明书

本发明公开了一种基于多普勒雷达数据的下击暴流预测方法，包括：收集10年的风暴事件报告与之相匹配的多普勒天气雷达数据，识别出所有时刻的对流单体，提取静态特征，得到对流单体序列；将对流单体序列与风暴事件相匹配；以灾害发生时刻为时间参考点，将对流单体序列拆分为若干样本序列片段集；提取样本序列片段集的特征集并进行统计显著性检验，寻找正负样本特征集的显著特征集；通过主成分分析，对显著性特征集进行降维和解耦，得到有效特征，进而训练一个分类器模型，得到一组分类器模型；组合应用分类器模型集合，检测和预报下击暴流。本发明可以自动检测产生下击暴流的对流单体，预测下击暴流的发生时间和发生地点。

技术领域

本发明涉及气象学领域中的下击暴流灾害预测，尤其利用多普勒天气雷达数据对产生下击暴流的对流单体进行自动识别的方法。

背景技术

对流性大风包括直线性大风、龙卷等；直线性大风又包括弓形回波和下击暴流。其中，下击暴流在机场和港口等地的危害非常明显。在气象预报领域，多普勒天气雷达是一种有效的监视对流风暴的工具，利用多普勒天气雷达，能够获得对流风暴的三维结构，同时又能够检测对流风暴内部的粒子径向运动速度。借助于多普勒天气雷达，能够检测产生下击暴流的对流单体存在的一些显著特征，如高悬的单体核高度，中层径向辐合。

通常的下击暴流自动识别方法是使用多普勒天气雷达分析了几个案例中下击暴流对流单体的一些特征，如反射率形态结构特征和径向速度结构特征。并且基于这些特征设计了一些下击暴流的预测程序。然而该框架仅仅给出了几个案例的应用效果，并没有给出算法实际运行的效果。

还有一种下击暴流的自动检测和预测方法是通过线性分类器，对下击暴流对流单体的若干反射率特征和径向速度特征进行了组合测试，找出了一些与下击暴流最相关的一些特征。并且利用这些特征训练了一个线性分类器，能够自动识别和预测下击暴流灾害；然而，该方法在距离雷达0到40公里之间的识别率为0.40，在40到80公里之间的识别率为0.20。

上述现有技术中下击暴流自动识别方法至少存在以下缺点和不足：

仅仅使用了对流单体的静态特征，而没有考虑对流单体特征演化在对流单体分类中的作用。另外，对下击暴流的识别率较低，而基于多普勒天气雷达的下击暴流自动识别和预测方法存在有改进的空间。

[参考文献]

[1]Johnson J T,Mackeen P L,Witt A,et al.The Storm Cell Identificationand Tracking Algorithm:An Enhanced WSR-88D Algorithm[J].Wea Forecasting,1998,13(2):263-276.

[2]Smith T M,Elmore K L,Dulin S A.A Damaging Downburst Prediction andDetection Algorithm for the WSR-88D[J].WeatherForecasting,2004,19(2):240.

[3]罗辉,张杰,朱克云,等.下击暴流的雷达预警量化指标研究[J].气象学报,2015,73(5):853-867.

发明内容

针对现有技术，本发明提供了一种基于多普勒雷达数据的下击暴流预测方法，用于在气象学中自动预测下击暴流，本预测方法能自动检测出将会产生下击暴流的对流单体，对灾害进行及时的预警。

为了能自动检测产生下击暴流的对流单体，预测下击暴流的发生时间和发生地点，对灾害进行及时的预警，减少经济损失和人员伤亡，本发明提出的一种基于多普勒雷达数据的下击暴流预测方法，包括以下步骤：

步骤一、收集10年的风暴事件报告与之相匹配的多普勒天气雷达数据；