李碩　王雪　徐文霞　李國東，3

(1. 新疆財經(jīng)大學　應(yīng)用數(shù)學學院，烏魯木齊　830012;2. 新疆維吾爾自治區(qū)　氣象局人工影響天氣辦公室，烏魯木齊　830002；3.新疆財經(jīng)大學　新疆社會經(jīng)濟統(tǒng)計研究中心，烏魯木齊　830012)

?

基于SVM和雷達回波反射率的雹云模型識別研究

李碩1王雪1徐文霞2李國東1，3

(1. 新疆財經(jīng)大學應(yīng)用數(shù)學學院，烏魯木齊830012;2. 新疆維吾爾自治區(qū)氣象局人工影響天氣辦公室，烏魯木齊830002；3.新疆財經(jīng)大學新疆社會經(jīng)濟統(tǒng)計研究中心，烏魯木齊830012)

為了提高基于支持向量機(Support Vector Machine，SVM)的大雨、冰雹模型的分類準確率，利用SVM分類方法與雷達回波反射率圖像相結(jié)合的方法建立模型。提取雹云圖像與大雨圖像的的特征數(shù)據(jù)進行篩選，分別求出它們的和、中位數(shù)與方差，組成的三維識別向量作為SVM模型判別的變量數(shù)據(jù)訓練模型。利用該模型對已有樣本進行測試，可得雹云判別模型的識別率較高，且判別誤差率較低。結(jié)果表明，通過氣象雷達反射率圖像的回波強度數(shù)據(jù)與SVM分類模型相結(jié)合構(gòu)造的雹云判別模型，具有較好的效果。

支持向量機(SVM)；雷達回波反射率；大雨、冰雹分類；特征提取

冰雹是一種強對流天氣，來勢猛烈、強度大，給農(nóng)牧業(yè)、工礦企業(yè)、電訊、交通運輸及人民生命財產(chǎn)造成的損失較大，是一種嚴重的災(zāi)害性天氣，及時準確的預(yù)報冰雹是科研人員的重點研究項目。針對強對流天氣基于雷達回波的預(yù)報，國外從二十世紀中期就開始進行研究。目前，Johnson、Pamela[1]等人在強對流天氣的回波識別的閾值上的研究取得了很大的進展，該方法在美國的實地測試過程中取得了較好的效果。國內(nèi)對該項問題研究起步較晚，但近年來取得了很大的進展，劉黎平[2]等提出以面積較大的回波塊圖像為研究對象，通過計算等高面中的面積、強度來識別風暴的云圖；王萍[3]等研究發(fā)現(xiàn)，基于升維思想的支持向量機(Support Vector Machine，SVM)方法對來自實際氣候系統(tǒng)的非平穩(wěn)過程存在穩(wěn)定的預(yù)測能力，可用來實現(xiàn)冰雹和暴雨分類識別；范文等通過建立聚類評分的暴雨/冰雹分類模型[4]和SVM分類可信度的暴雨/冰雹分類模型[5]，分別采用K均值聚類評分的辦法確定具有高分類性的主成分和對雹云進行二次分類的方法，設(shè)計分類器對暴雨和冰雹進行區(qū)分。楊淑華[6]等研究發(fā)現(xiàn)春季冰雹在預(yù)報上具有更大的難度，預(yù)報時應(yīng)著眼于三體散射現(xiàn)象及速度場特征，當出現(xiàn)三體散射現(xiàn)象且速度場出現(xiàn)速度輻合、逆風區(qū)和切變等特征時應(yīng)啟動冰雹預(yù)警。夏季冰雹特征為三體散射現(xiàn)象對冰雹的預(yù)警具有大約40 min的提前量;速度場出現(xiàn)輻合、逆風區(qū)、中氣旋、大風區(qū)和切變等特征，一般在20～30 min左右出現(xiàn)冰雹。藍渝[7]等研究發(fā)現(xiàn)在掌握背景環(huán)境的前提下，綜合分析紅外圖像中對流系統(tǒng)的發(fā)展演變、水汽圖像暗帶和暗區(qū)變化等信息對冰雹的監(jiān)測和預(yù)警有一定的參考價值。路志英[8]等通過圖像處理方法，采用粗未選集理論數(shù)據(jù)挖掘方法對相關(guān)特征數(shù)據(jù)進行處理，建立了自動識別冰雹天氣的客觀模型。胡勝[9]等研究發(fā)現(xiàn)大冰雹風暴單體發(fā)展均非常旺盛,最大反射因子多超過65 dBZ,對應(yīng)高度幾乎都達到5 km。除受周圍大范圍雷達回波影響外,大冰雹風暴單體均觀測到了三體散射或旁瓣回波特征,并具有一定的預(yù)報提前量;在0 ℃到20 ℃溫度層層高度上的最大反射率因子均超過54 dBZ。大冰雹風暴單體與非冰雹風暴單體相比，低層回波迅速增加,強核心區(qū)垂直伸展更深厚,回波垂直遞減率更小。

由于冰雹的形成與地理環(huán)境有密切的聯(lián)系，國外所建立的雹云預(yù)報系統(tǒng)對于國內(nèi)的預(yù)報出現(xiàn)較大的偏差，國內(nèi)的研究大多集中在雷達所返回的數(shù)據(jù)如：溫度、云高、厚度，忽略了圖像本身所蘊含的信息。所以，以雷達反射率所成圖像，并以圖像中各強度的面積為基礎(chǔ)，測定圖像中各強度的和、中位數(shù)與方差，以它們組成的三維向量為變量，訓練并檢驗SVM雹云判別模型，對雹云圖像與大雨圖像進行有效的區(qū)分，可以為冰雹預(yù)報提供參考。

1　大雨、冰雹的SVM分類模型

1.1SVM簡介

Vapnik等人在統(tǒng)計學習理論基礎(chǔ)上對線性分類器提出了另一種設(shè)計準則[5]，原理是從線性可分，擴展到線性不可分的情況，甚至擴展到使用非線性函數(shù)，這種分類器被稱為支持向量機(Support Vector Machine，簡稱SVM)，SVM是借助最優(yōu)化方法來解決問題的機器學習方法，對于解決二分類問題非常有效。

SVM方法通過一個非線性映射p，將樣本空間映射到一個高維乃至無窮維的特征空間中(Hilbert空間)，使原來的樣本空間中非線性可分問題轉(zhuǎn)化為特征空間中的線性可分問題。一般情況下這會增加計算的復(fù)雜性，甚至會引起“維數(shù)災(zāi)難”，但SVM方法巧妙地解決了該難題：應(yīng)用核函數(shù)的展開定理，則不需要知道非線性映射的顯式表達式；由于是在高維特征空間中建立線性學習機，所以與線性模型相比，不但幾乎不增加計算的復(fù)雜性，而且在某種程度上避免了“維數(shù)災(zāi)難”。

1.2SVM分類模型算法

假定大小l為的訓練樣本集{(xi,yi),i=1,2,...,l},由二類別組成,如果xi∈R(N)屬于第1類,則標記為正(yi=1),如果屬于第二類,則標記為負(yi=-1)。學習的目標是構(gòu)造一個決策函數(shù),將測試數(shù)據(jù)盡可能正確地分類。

1)選擇核函數(shù)K和懲罰參數(shù)C，構(gòu)造并求解最優(yōu)化問題。

(1)

其中K(xi,xj)=φ(xi)φ(xj)稱為核函數(shù)。

2)決策函數(shù)和參數(shù)b分別為:

(2)

(3)

其中NNSV為標準支持向量數(shù),JN為標準支持向量的集合，J為支持向量的集合。

2　雷達回波反射率圖像的強度特征

圖1　雷達反射率圖像及基本反射率

雷達反射率是空間單位體積中的大氣物質(zhì)對雷達發(fā)射的微波的總后向散射截面。在雷達探測降水體或云體的情況下，后向散射主要由云雨粒子所造成的，反射率等于單位體積中各個水汽凝結(jié)體的后向散射截面之總和，即

η=∑σ ,

(4)

其中η為反射率，σ為單個粒子的后向散射截面，∑表示對單位空間體積中的所有粒子求和。氣象雷達發(fā)射的電磁波遇到大氣中的粒子時會發(fā)生散射,其中一部分能量散射回雷達,形成雷達回波反射率圖,圖中像素點的顏色值表示雷達回波強度,單位為dBZ。“dBZ”可用來估算降雨和降雪強度及預(yù)測諸如冰雹、大風等災(zāi)害性天氣出現(xiàn)的可能性。一般地說，它的值越大降雨、降雪可能性越大，強度也越強，當它的值大于或等于40 dBZ時，出現(xiàn)雷雨天氣的可能性較大，當它的值在45 dBZ或以上時，出現(xiàn)暴雨、冰雹、大風等強對流天氣的可能性較大(所用氣象圖像由新疆自治區(qū)氣象局提供)。

雷達反射率圖像是基于 RGB 彩色空間的，以基本反射率因子圖的圖例為基礎(chǔ)，利用 RGB彩色空間的成色原理，讀取回波反射圖[10]。即將反射率為-35～94 dBZ，分為17種相應(yīng)的量級。其中不同量級所對應(yīng)的 RGB 值如圖所示，由 RGB 與灰度值的換算關(guān)系式(5)，可知對應(yīng)的灰度值。

Gray=R×0.299+G×0.587+B×0.114 .

(5)

表1　反射率與RGB 值、灰度值對應(yīng)關(guān)系

雷達回波反射率圖像上的不同顏色代表的是不同的反射強度，即可以通過統(tǒng)計不同顏色在圖像中所占的面積的比例，體現(xiàn)圖像中回波強度的特征。假設(shè)一幅規(guī)格為A×B的圖像，含有A×B個像素，反射率強度分為17個量級，這不同量級在圖像中所占的面積的比重為：

(6)

其中，ni為第i個量級的顏色在圖像上的像素個數(shù)。

3　大雨、冰雹分類模型

3.1數(shù)據(jù)的篩選與處理

根據(jù)氣象學的理論可知，強對流的極端天氣，只可能出現(xiàn)在反射強度大于 45 dBZ 的區(qū)域。故本文只選取量級為11～17的面積比例作為實驗數(shù)據(jù)。分別計算各個雹云圖像和非雹云圖像中量級為11～17的面積比例的和、中位數(shù)和方差，組成三維的識別向量，作為SVM模型判別的變量數(shù)據(jù)，訓練模型。

中位數(shù)：是有標志值中所處的位置確定的全體單位標志值的代表值，不受分布數(shù)列的極大或極小值影響，從而在一定程度上提高了中位數(shù)對分布數(shù)列的代表性。對于有限的數(shù)集，可以通過把所有觀察值高低排序后找出正中間的一個作為中位數(shù)。如果觀察值有偶數(shù)個，則中位數(shù)不唯一，通常取最中間的兩個數(shù)值的平均數(shù)作為中位數(shù)。

方差：是反應(yīng)各個強度與均值的偏離程度。

(7)

3.2訓練及檢驗SVM分類模型[11]

選取 2009～2010 年新疆阿克蘇地區(qū)的降雹云和降雨云各47幅圖像(部分樣本圖如圖2)。

圖2　反射率圖像

隨機選取其中的各30幅圖像作為訓練樣本，對SVM進行訓練(部分訓練樣本數(shù)據(jù)如表2)。

表2　部分訓練樣本數(shù)據(jù)

將剩余的34幅圖像作為檢測樣本。進行實驗，并對模型進行檢驗，得到的結(jié)果如表3。

表3　34幅圖像對SVM模型的檢測結(jié)果

由表3可知，在17幅雹云圖像和17幅非雹云圖像中，有個別雹云圖被判為非雹云，也有個別非雹云被判為雹云。據(jù)統(tǒng)計在34幅圖中，有五幅圖被誤判，檢測的準確率約為85 %。準確率較高，說明具有一定的判別效果。

3.3實驗結(jié)果分析

為了凸顯文章研究的有效性，現(xiàn)將研究結(jié)果與近年的已有成果[4-5,8]對雹云識別的準確率進行對比(如表4所示)。

表4　研究結(jié)果與近年的已有成果對雹云識別準確率對比表　%

由表(4)可知所用的方法對雹云的識別具有一定的有效性。

3.4誤差分析

1)由于訓練樣本和判別樣本的容量小，故對SVM分類模型的判別造成一定程度的局限性，從而模型判定的準確性有提高的可能性;

2)由于樣本圖像是由原雷達圖像截取獲得，截取時存在誤差，會對模型的準確率造成影響；

3)模型本身核函數(shù)k的選取也存在一定的誤差。

從以上三個方面加以改進，此SVM模型的準確率將會更為完善。

4　結(jié)語

通過新疆自治區(qū)氣象局提供的 2009～2010 年阿克蘇地區(qū)的氣象雷達反射率圖像中，選取圖象素材，利用顏色空間轉(zhuǎn)換公式，由 RGB 轉(zhuǎn)換到灰度空間，計算出各強度的面積所占比例，求得各強度的和、中位數(shù)與方差，組成三維的識別向量，作為SVM模型判別的變量數(shù)據(jù)，訓練模型。利用此模型對已有樣本進行測試，檢驗結(jié)果表明：雹云判別模型識別率較高，可利用反射率圖像對雹云進行識別。但是由于樣本容量有限等因素，可能存在誤判。因此，判別樣本庫的建立是提高判別準確率的有效途徑，且方法對氣象預(yù)報方法具有一定的參考價值。

[1]Johnson J T. The storm cell identification and tracking algorithm:an enhanced WSR-88D Algorithm[J]. WeaForecasting, 1998, 13:263-276.[2]劉黎平,王致君,張鴻發(fā),等. 用雙線偏振雷達識別冰雹區(qū)[J]. 高原氣象, 1993, 12(3):333-337.

[3]王萍,潘躍.基于顯著性特征的大冰雹識別模型[J]. 物理學報,2013,62(6):069202.

[4]范文,王萍,孫紅躍.基于聚類評分的暴雨/冰雹分類模型[J].天津大學學報:自然科學版,2014(7):608-612.

[5]范文, 王萍, 袁悅, 等.基于SVM分類可信度的暴雨冰雹分類模型[J].北京工業(yè)大學學報,2015, 41(3):361-365.

[6]楊淑華,梁進秋,張玉芳,等.冰雹天氣的多普勒雷達特征統(tǒng)計分析[J].自然災(zāi)害學報,2014,23(3):101-106.

[7]藍渝,鄭永光,毛冬艷,等.華北區(qū)域冰雹天氣分型及云系特征[J].應(yīng)用氣象學報,2014,25(5):538-549.

[8]路志英,朱俊秀,田碩,等.雷達回波反射率垂直剖面圖的冰雹識別方法[J].天津大學學報:自然科學版,2015,48(8):742-749.

[9]胡勝,羅聰,張羽,等. 廣東大冰雹風暴單體的多普勒天氣雷達特征[J].應(yīng)用氣象學報,2015,26(1):57-65.

[10]楊玉峰. 基于雷達回波反射率圖的冰雹識別系統(tǒng)的研究[D].天津：天津大學,2005.

[11]張海燕,藍集明. 基于粗糙集和支持向量機的腫瘤圖像識別[J].四川理工學院學報:自然科學版,2014,27(6):38-42.

On the Identification of Hail Cloud Model Based on SVM and Radar Echo Reflectivity

LI Shuo1WANG Xue1XU Wenxia2LI Guodong1,3

(1. School of Applied Mathematics, Xinjiang University of Finance and Economics, Urumq 830012, China;2. Weather Modification Office, Weather Bureau of Xinjiang, Urumq 830012, China；3. Research Center of Xinjiang Social and Economic Statistics, Xinjiang University of Finance and Economics, Urumq 830012, China)

In order to improve classification accuracy of distinguishing between heavy rain and hail by support vector machine (SVM), this paper describes a model by means of combining the SVM classification and the echo intensity of radar echo reflectivity images. It gets the characteristic data of the hail cloud image and rain image, sorts out the data to get their sum, the median and variance, and then constitutes a three-dimensional recognition vector as variable data of the SVM model, a training model. The sample test by use of this model shows that the hail cloud discriminant model has a high recognition rate and judgment has lower error rate. The results show that this model has good effects.

support vector machine (SVM); radar echo reflectivity; heavy rain, hail classification; feature extraction

2015-12-20

國家教育部人文社會科學基金(13YJAZH040);國家社科基金(14BTJ021);國家自然科學基金(11461063);氣象局人影辦青年基金(RY1403);新疆自治區(qū)氣象局吐哈空中水資源項目(TUHA201514)。

李碩(1988—)，男，河北保定人，碩士生，主要從事數(shù)據(jù)挖掘與圖像處理方向研究。

O183.1；TN957.53

A

1009-0312(2016)03-0011-05