張軍　賀婷婷　侯謹(jǐn)毅　王萍

摘? ?要：風(fēng)暴單體是形成各類強對流災(zāi)害天氣的基本單元，它們的雷達回波形狀復(fù)雜、內(nèi)部分布不一、外層相互交織，從而造成單體分割困難. 提出了一種基于形態(tài)結(jié)構(gòu)特征的對流單體自動迭代分割方法. 以雷達圖片中區(qū)域樹結(jié)構(gòu)單體分割結(jié)果為初始輸入，在每次迭代分割過程中，首先計算各個分割結(jié)果的3個形態(tài)結(jié)構(gòu)特征，然后通過一個預(yù)先訓(xùn)練的支持向量機（Support Vector Machine，SVM）分類器判斷分割結(jié)果是否為對流單體，對非單體的分割結(jié)果進行再次分割. 通過3種不同類型的風(fēng)暴案例進行測試，結(jié)果表明，本文方法能夠有效地識別出聚集的單體和處于分裂/合并狀態(tài)的單體，并且能夠獲得單體的完整結(jié)構(gòu). 在定量評估測試中，本文算法獲得了0.84的臨界成功指數(shù)評分，高于傳統(tǒng)的風(fēng)暴單體識別與跟蹤算法（Storm Cell Identification and Tracking，SCIT）方法（0.55）和單閾值方法（0.49）.

關(guān)鍵詞：天氣雷達;風(fēng)暴單體;形態(tài)學(xué)特征;迭代分割;計算機視覺

中圖分類號：TP391.4? ? ? ? ? ? ? ? ? ? ? ? 文獻標(biāo)志碼：A

Research on Automatic Segmentation Method of Convective

Cell Based on Morphological Structure Characteristics

ZHANG Jun，HE Tingting，HOU Jinyi WANG Ping

（School of Electrical and Information Engineering，Tianjin University，Tianjin 300072，China）

Abstract：Storm cells are the basic units that form various types of severe convective weather. Their radar echoes have complex shapes，uneven internal distribution，and intertwined outer layers，which makes cell segmentation difficult. This paper proposes an automatic iterative segmentation method for convective cells based on their morphological structure characteristics. Taking the cell segmentation results based on the region-tree structure on the radar image as the initial input，in each iterative segmentation process，the three morphological structure features of each segmentation result are first calculated，and then a pre-trained SVM classifier is used to determine whether the segmentation result is a convective cell. The segmentation results that are not cells are segmented again. The method in this paper was tested through three storm cases with different types. The results show that the method can effectively identify aggregated cells and cells in a split/merged state，and can obtain the complete structure of cells. In the quantitative evaluation test，the algorithm presented in this paper obtained a Critical Success Index score of 0.84，which is higher than that of the traditional SCIT method （0.55） and the single threshold method （0.49）.

Key words：weather radar;storm cell;morphological characteristics;iterative segmentation;computer vision

由于氣候變化，近年來對流風(fēng)暴的頻率和強度都顯著增加[1-3].? 極端的對流風(fēng)暴事件會造成嚴(yán)重的社會經(jīng)濟損失. 由于對流風(fēng)暴高度動態(tài)的空間和時間過程，對流事件的研究仍然是一個具有挑戰(zhàn)性的問題. 天氣雷達是監(jiān)測強對流天氣（冰雹、大風(fēng)、龍卷和暴洪）的主要工具之一，利用天氣雷達，可以更詳細地分析對流風(fēng)暴的形成和運動過程.

在天氣雷達的反射率強度圖像上，對流風(fēng)暴經(jīng)常表現(xiàn)為多單體共存的結(jié)構(gòu). 其中，有些單體交織在一起. 雖然強對流災(zāi)害可能由這些相互交織的單體群共同引發(fā)，但不同的對流單體所引發(fā)的災(zāi)害類型、強度各有不同. 因此，強對流天氣的自動識別及預(yù)警的前提是正確分割出每個對流單體.

自20世紀(jì)50年代以來，已經(jīng)開發(fā)了許多基于天氣雷達的對流單體自動識別算法. 由于對流單體的強度較高，在雷達反射率圖片上表現(xiàn)為局部極大值區(qū)域. 最簡單的識別局部極大值區(qū)域的方法是基于閾值的方法，將雷達圖片上大于某個閾值的一片聯(lián)通區(qū)域識別為對流單體. 目前兩種主流的對流單體識別方法，雷暴識別、跟蹤、分析和臨近預(yù)報方法[4] （Thunderstorm Identification，Tracking，Analysis and Nowcasting，TITAN）和SCIT[5]方法都是基于閾值的方法. 其中TITAN是一種固定閾值方法，而SCIT是一種動態(tài)閾值方法.

一般來講，動態(tài)閾值方法是一種更加有效的方法，能夠有效的減少對流單體的分割錯誤. 其他的一些基于動態(tài)閾值方法包括：侯正俊等[6]根據(jù)不同下墊面選擇不同閾值增強了TITAN算法的地區(qū)適應(yīng)能力;楊吉等[7]以SCIT為基礎(chǔ)設(shè)計了一種基于三維雷達拼圖的單體分割算法;Crane[8]通過統(tǒng)計降水區(qū)域中的最大閾值獲得一個動態(tài)閾值對單體進行分割.

基于閾值的方法并不是唯一的能夠識別局部極大值區(qū)域的方法. Lakshmanan等先后提出了基于K-均值聚類[9]和分水嶺算法[10]的單體識別算法，同樣通過檢測局部極大值區(qū)域來檢測對流單體，但是，這種方法容易受到噪音的干擾，容易產(chǎn)生過分割，需要對分割結(jié)果進一步合并處理. 另外，Wang等[11]提出了基于種子點生長和膨脹避讓的單體識別算法，該方法在閾值分割的基礎(chǔ)上，利用數(shù)學(xué)形態(tài)學(xué)方法獲得對流單體的更加完整的結(jié)構(gòu). Hou等[12]使用區(qū)域樹結(jié)構(gòu)描述方法，將天氣雷達圖片描述為一個區(qū)域樹形結(jié)構(gòu)，然后通過剪枝法獲得圖片中的局部極大值區(qū)域，并以此作為對流單體的識別結(jié)果.

以上傳統(tǒng)的方法通過檢測天氣雷達反射率圖片中的局部極大值區(qū)域來識別對流單體. 在實際應(yīng)用中發(fā)現(xiàn)，簡單的通過檢測局部極大值區(qū)域來識別對流單體存在一些問題：首先，局部極大值區(qū)域不一定是對流單體，還可能是流場中的噪音和擾動;其次，傳統(tǒng)的對流單體識別算法只考慮對流單體的強度信息，而沒有考慮對流單體的形態(tài)結(jié)構(gòu)信息，會得到錯誤或不完整等單體識別結(jié)果;最后，傳統(tǒng)的單體識別算法都是一個開環(huán)的結(jié)構(gòu)，無反饋過程，換句話說，以往的單體識別算法不會檢驗分割結(jié)果是否正確，以及是否需要進一步對識別結(jié)果進行拆分等處理.

考慮到以上問題，本文設(shè)計了一種基于形態(tài)結(jié)構(gòu)特征的對流單體動態(tài)識別算法. 該算法在識別過程中加入了反饋環(huán)節(jié)，將單體識別過程設(shè)計為一個迭代識別過程，在每一步的迭代中，一個分類器通過分割結(jié)果的形態(tài)結(jié)構(gòu)特征判斷每個識別結(jié)果是否為對流單體. 若分割結(jié)果不是對流單體，那么進行進一步拆分. 設(shè)計算法提取每個分割結(jié)果的形態(tài)結(jié)構(gòu)特征也是本文工作的一個關(guān)鍵點.

1? ?數(shù)據(jù)和方法

1.1? ?數(shù)據(jù)和預(yù)處理

本文研究案例的雷達數(shù)據(jù)是由位于中國天津市塘沽區(qū)的S波段多普勒雷達收集的. 雷達站點位于中國北京東南100 km處的（117°43′E，39°00′N）. 雷達體掃模式為VCP 21，即每5 min進行一次體積掃描. 為了訓(xùn)練和測試本文算法，我們一共收集了10個案例. 這10個案例中包含不同模式的對流風(fēng)暴，每個案例的持續(xù)時間約為2 h. 具體的案例相關(guān)信息見表1. 其中，6個案例作為訓(xùn)練集，而剩余的4個案例作為測試集.

本方法設(shè)計用于處理0.5°仰角的雷達反射率圖像，原始的雷達數(shù)據(jù)被轉(zhuǎn)換到笛卡爾坐標(biāo)系下，其中，笛卡爾網(wǎng)格的水平空間分辨率為0.01° 0.01°（1 km? 1 km）. 為了濾除雷達圖片上的噪聲和地面雜波，對雷達圖片數(shù)據(jù)進行濾波操作，因此，利用中值濾波消除圖片中的噪音點.

1.2? ?對流單體識別方法

1.2.1? ?算法概述

圖1為本文設(shè)計方法的流程圖. 整體流程包括3個主要部分：初分割、迭代分割和判別器訓(xùn)練. 在初分割部分，首先利用區(qū)域樹方法檢測風(fēng)暴圖像中的極大值區(qū)域，然后以極大值區(qū)域為核心，采用分水嶺方法分割風(fēng)暴圖像;在迭代分割部分，首先提取分割結(jié)果的形態(tài)結(jié)構(gòu)特征，然后通過分類器判斷分割結(jié)果是否為對流單體，若不是對流單體，則進行進一步拆分;迭代分割過程中用到的分類器通過人工標(biāo)記的單體樣本圖片訓(xùn)練得到.

1.2.2? ?對流單體的初分割

對流單體初分割方法是建立在采用區(qū)域樹結(jié)構(gòu)描述對流風(fēng)暴圖片的基礎(chǔ)上. 區(qū)域樹結(jié)構(gòu)描述對流風(fēng)暴雷達圖片的方法見文獻[12].

圖2給出了構(gòu)造雷達反射率圖片區(qū)域樹結(jié)構(gòu)的示意圖. 圖2（a）為一個對流風(fēng)暴的示意圖. 圖2（b）中的P₁到P₂為不同閾值下的分割圖片，其中的聯(lián)通區(qū)域用標(biāo)號標(biāo)出. 圖2（c）為描述對流風(fēng)暴的抽象數(shù)據(jù)結(jié)構(gòu)，其中每個節(jié)點對應(yīng)一個區(qū)域，并且存儲了對應(yīng)區(qū)域的相關(guān)信息. 節(jié)點間的連線代表了區(qū)域的包含關(guān)系.

當(dāng)利用樹結(jié)構(gòu)描述對流風(fēng)暴的時候，需要引入一些樹結(jié)構(gòu)相關(guān)的定義. 樹中節(jié)點間的連線稱為邊，邊上強度值較低的節(jié)點稱為父節(jié)點，而強度值較高的節(jié)點稱為子節(jié)點. 沒有子節(jié)點的節(jié)點稱為葉節(jié)點，存在多個子節(jié)點的節(jié)點為分支節(jié)點，沒有父節(jié)點的節(jié)點為樹結(jié)構(gòu)中的根節(jié)點.

當(dāng)對流風(fēng)暴雷達反射率圖像被描述為區(qū)域樹結(jié)構(gòu)之后，可以借助區(qū)域樹結(jié)構(gòu)實現(xiàn)對風(fēng)暴圖片濾波和檢測其中的局部極大值區(qū)域. 在區(qū)域樹結(jié)構(gòu)中，將面積小于5的所有區(qū)域剔除，然后將剩下的區(qū)域疊加在一起，就實現(xiàn)了對風(fēng)暴結(jié)構(gòu)的濾波. 如圖3（a）所示，中間為去除小塊區(qū)域之后的樹結(jié)構(gòu)，右側(cè)為重新疊加區(qū)域得到的濾波結(jié)果.

在利用區(qū)域樹結(jié)構(gòu)尋找局部極大值區(qū)域的時候，首先遍歷樹中的每一個葉節(jié)點，沿著其父節(jié)點向根部探索，當(dāng)遇到一個分支節(jié)點時，探索過程結(jié)束，探索路徑上的節(jié)點集合對應(yīng)著一個局部極大值區(qū)域. 將探索路徑上的節(jié)點對應(yīng)的區(qū)域疊加在一起，得到局部極大值圖像. 圖3（b）給出了一個采用這種方式獲得局部極大值區(qū)域集合. 其中間圖上的矩形框標(biāo)記出所有探索得到的路徑，將這些路徑上的區(qū)域重疊在一起，得到了此案例中的局部極大值區(qū)域，見圖3（b）右側(cè).

算法獲得的局部極大值區(qū)域與SCIT方法獲得的對流單體檢測結(jié)果是相似的，其缺陷很明顯，當(dāng)對流風(fēng)暴內(nèi)部有多個細小的反射率核的時候，對流單體的檢測結(jié)構(gòu)不完整. 為了獲得對流單體的完整結(jié)構(gòu)，我們使用了基于距離變換的分水嶺分割算法[16-18]，利用距離變換方法計算出風(fēng)暴區(qū)域內(nèi)部所有點到局部極大值區(qū)域的最短歐式距離. 如果一個點在局部極值內(nèi)部，那么距離變換結(jié)果為0. 風(fēng)暴區(qū)域的距離變換示例如圖3（c）中部所示. 對距離變換的結(jié)果采用分水嶺方法分割，得到對流單體的初分割結(jié)果，見圖3（c）右側(cè). 可見，初分割方法能夠獲得對流單體的完整結(jié)構(gòu).

1.2.3? ?對流單體的迭代分割

對流單體的初分割過程只考慮了對流單體的強度信息，但是當(dāng)對流單體發(fā)生分裂與合并的時候，容易造成錯誤的分割結(jié)果. 因此需要對初分割的結(jié)果進行進一步處理，檢查每個分割結(jié)果的形態(tài)結(jié)構(gòu)特征以判斷其是否為一個對流單體. 當(dāng)對流單體的形態(tài)結(jié)構(gòu)表現(xiàn)為多個單體相互聯(lián)合的情況時，需要對其進一步拆分. 因此，本文設(shè)計了一個迭代的再分割過程.

對流風(fēng)暴的初分割結(jié)果送入迭代分割過程中，在迭代過程中的每一步，首先提取分割區(qū)域的形態(tài)結(jié)構(gòu)特征，然后利用一個判別器決定該區(qū)域是否需要進一步進行分割，若該分割區(qū)域滿足對流單體的判據(jù)，則輸出該分割結(jié)果;否則，對分割結(jié)果進一步拆分，不斷重復(fù)以上迭代過程. 在迭代過程中，重點是如何提取分割結(jié)果的幾何形態(tài)結(jié)構(gòu)，以及如何對分割區(qū)域進行再分割.

1.2.4? ?分割結(jié)果判別器訓(xùn)練

2? ?實驗與結(jié)果

本文算法與兩種傳統(tǒng)的對流單體識別算法進行對比來驗證算法的有效性，這兩種對流單體識別算法分別是SCIT方法和單閾值算法. SCIT方法是一個基于動態(tài)閾值的極大值區(qū)域檢測算法，而單閾值方法是一個基于固定閾值的方法. 評估系統(tǒng)平臺為個人PC機，處理器為英特酷睿5，系統(tǒng)內(nèi)存為8 Gb，評估實驗軟件及評估算法通過C++語言編寫.

評估過程包括定性評估和定量評估，在定性評估中，首先分析了本文設(shè)計的對流單體幾何特征對于分割對流單體的有效性，然后通過幾個典型的案例展示，在對流風(fēng)暴演化的過程中（如生長、消失、分裂、合并等過程），本文算法如何分割不同風(fēng)暴類型（如線性風(fēng)暴、團狀風(fēng)暴和孤立單體風(fēng)暴）中的對流單體，以及本文方法與傳統(tǒng)方法的區(qū)別. 在定量評估過程階段，通過人工評估對流單體的識別結(jié)果，給出不同單體分割方法的主觀定量評估結(jié)果.

2.1? ?定性評估

1）特征有效性. 圖8（a）（b）（c）分別是3個特征的可分性對比圖，左側(cè)分布圖表示無需再分割的單體特征，右側(cè)分布圖表示需要再分割的分割結(jié)果的特征.

可以看出：無需再分割的單體，其面積衰減率、質(zhì)心偏心率和凹陷度集中分布在低值區(qū)域，而內(nèi)含多單體區(qū)域的這三個特征較分散的分布于高值區(qū)域. 因此可以說三特征描述的單核單體和多核“單體”分別來自兩個均值、方差均具顯著性差異的總體. 簡單地說：三特征各自的分類能力是顯著的;假設(shè)令每個特征獨立承擔(dān)辯證上有待再做分割處理的任務(wù)，并取圖8中低值類上限值做閾值，面積衰減率的漏分辨率僅為9.09%，質(zhì)心偏心率和凹陷度的漏分割率也分別低于9.1%和21.05%. 聯(lián)合建立三特征空間樣本分布如圖8（d）所示，顯然，這兩類樣本在三維空間的分布狀態(tài)為支持向量機將其變換到高維空間后獲得優(yōu)質(zhì)分類能力奠定了重要基礎(chǔ)，詳見后面的分析.

2）案例分析. 在本節(jié)中，采用一個線性風(fēng)暴展示本文算法分割對流單體的各步中間結(jié)果，然后使用不同類型的風(fēng)暴說明本文方法與傳統(tǒng)方法的區(qū)別.

線性對流風(fēng)暴. 圖9展示了一個線性風(fēng)暴在天氣雷達0.5°仰角上的觀測結(jié)果. 雷達反射率圖片的大小為512 × 512，圖片中心為雷達所在的位置，3個距離圈分別標(biāo)記出離雷達中心50 km、150 km、230 km的范圍，各條斜線的角度分別為30°、60°、…、360°. 圖9中虛線框中的部分存在多個聚集的單體，而且其上部的單體正在發(fā)生分裂，我們使用線性風(fēng)暴的這一部分展圖10展示了初分割方法各個步驟的輸出結(jié)果，以及最終的初分割結(jié)果. 天氣雷達的反射率圖片首先需要從極坐標(biāo)系轉(zhuǎn)換到笛卡爾坐標(biāo)系，如圖10（a）所示，然后對雷達圖片進行中值濾波，去除噪點，得到圖10（b）. 利用圖10（b）的區(qū)域樹結(jié)構(gòu)，可以得到圖中的局部極大值區(qū)域，如圖10（c）所示，圖中陰影部分為局部極大值區(qū)域. 同時，圖10（c）中還展示了30 dBZ的風(fēng)暴區(qū)域（圖中白色部分）. 在風(fēng)暴區(qū)域內(nèi)部以局部極大值區(qū)域為核進行分水嶺分割，可以得到對流風(fēng)暴中單體的初分割結(jié)果，如圖10（d）和圖10（e）所示.

從圖10（e）展示的對流單體初步分割的結(jié)果可以看出，正在發(fā)生分裂或者合并的相鄰單體，由于這些單體共用一個內(nèi)核，難以通過局部極大值區(qū)域檢測分開. 為了能夠區(qū)分并分割這些單體，需要結(jié)合對流單體的形態(tài)結(jié)構(gòu)信息，對初分割結(jié)果進一步拆分.

圖11展示了對圖10（e）中14號分割結(jié)果進一步拆分的各個中間步驟. 在14號分割結(jié)果的特征提取過程中，記錄了具有最大面積凹陷比的區(qū)域強度Im以反射率強度為Im的區(qū)域作為再分割目標(biāo)區(qū)域，如圖11（a）所示. 對圖11（a）中的區(qū)域不斷進行開運算和濾波處理，直到將該區(qū)域拆分為多個區(qū)域并且滿足拆分的判據(jù)，拆分結(jié)果見圖11（b）. 在圖11（a）所示的區(qū)域中，以拆分結(jié)果為核，進行距離變換，得到圖11（c），對距離變換的結(jié)果圖進行分水嶺分割（圖11（d）是距離變換的局部放大示意圖）可以得到圖11（e）的再分割結(jié)果.

接下來，對再分割得到的單體進行特征提取、SVM分類，判斷是否需要進一步迭代分割. 在此案例中，圖11（e）中的兩個分割結(jié)果的集合結(jié)構(gòu)特征全部滿足對流單體的判據(jù)，因此無需進行再次分割，對流單體識別結(jié)束. 最終利用本文方法得到的分割結(jié)果如圖12（a）所示.

圖12中同時列出了利用單閾值分割算法及SCIT算法的單體分割結(jié)果. 為了詳細對比3種算法的分割結(jié)果，不同算法的單體分割結(jié)果采用兩種方式標(biāo)記出來，圖12（a）（c）（e）采用彩色掩膜的方式標(biāo)記出本文算法、單閾值方法及SCIT方法的單體分割結(jié)果;而圖12（b）（d）（f）再采用矩形框的形式標(biāo)記出3種算法的單體分割結(jié)果.

由圖12可見，單閾值方法將風(fēng)暴上部的5個相互黏連的、具有分裂趨勢的對流單體識別為了一個結(jié)構(gòu)，單體分割錯誤非常明顯. 相比之下，SCIT方法能夠?qū)⒕€性風(fēng)暴中相互臨近的對流單體分割出來，但是SCIT方法將一對正在分裂的對流單體識別為了一個單體. 另外，SCIT方法識別出的單體結(jié)構(gòu)明顯不夠完整，這些識別結(jié)果中不包含30 dBZ及35 dBZ的反射率區(qū)域. 在此案例中，本文算法獲得了最優(yōu)的單體分割結(jié)果，能夠?qū)⑺袑α鲉误w正確分割，而且相比于SCIT方法，本文算法能夠獲得更加完整的對流單體結(jié)構(gòu).

團狀風(fēng)暴與孤立單體風(fēng)暴的分割過程與線狀單體相同，采用的雷達基數(shù)據(jù)格式相同，且雷達反射率圖像與線狀單體所示的分辨率相同，因此，在本小節(jié)中，案例分析過程參照線狀單體，接下來，展示本文方法與單閾值方法及SCIT算法在團狀風(fēng)暴及孤立單體風(fēng)暴情況下的單體分割結(jié)果.

圖13 和圖14分別為3種單體分割算法對于團狀風(fēng)暴和孤立單體風(fēng)暴中的單體的識別效果. 圖13和圖14采用了與圖12相同的展示方法，使用色標(biāo)和矩形框標(biāo)記對流單體的分割結(jié)果.

從圖13中可以看出，在團狀風(fēng)暴的案例中，多個單體相互臨近，但是沒有單體分裂/合并的現(xiàn)象出現(xiàn). 在這種情況下，單閾值分割方法同樣將一些相鄰的對流單體識別為一個單體. SCIT方法與本文算法獲得了相似的識別結(jié)果，相對比本文方法，SCIT方法的缺陷主要在于單體結(jié)構(gòu)不夠完整，忽視了單體結(jié)構(gòu)的完整性，丟失了部分信息.

從圖14中可以看出，對于孤立單體風(fēng)暴的案例，由于各個孤立單體風(fēng)暴之間的距離較遠，3種單體分割算法獲得了幾乎相同的結(jié)果，而且各種方法都能夠獲得對流單體的完整結(jié)構(gòu).

2.2? ?定量評估

1）對流單體分割臨界成功指數(shù). 為了定量評估各類對流單體分割算法的性能，需要人工檢驗各類分割算法的識別結(jié)果. 首先人工標(biāo)記出每個算法正確分割的單體，錯誤分割的單體，以及漏識的單體;然后統(tǒng)計每種單體出現(xiàn)的數(shù)目，根據(jù)統(tǒng)計結(jié)果計算出單體分割算法的量化評分值.

在人工檢驗過程中，算法正確分割的對流單體為具有完整結(jié)構(gòu)的，存活時間超過兩個連續(xù)體掃的局部極值區(qū)域. 一個對流單體的空間結(jié)構(gòu)在演化過程中應(yīng)該保持相對穩(wěn)定. 算法正確分割的單體個數(shù)記為X. 錯誤的對流單體分割結(jié)果是指算法將由于擾動或者噪音造成的局部極大值區(qū)域識別為對流單體. 所有錯誤的對流單體分割結(jié)果個數(shù)記為Y. 漏識的單體是指由于面積較小，或強度過低等原因造成的算法不能夠分割的對流單體. 所有漏識的對流單體個數(shù)記為Z. 另外，當(dāng)對流單體發(fā)生分裂或合并時，如果n相鄰的對流單體被識別為一個對流單體，那么該對流單體識別結(jié)果被認為是錯誤的分割結(jié)果，同時認為算法漏識了n個對流單體. 由于分裂或合并造成對流單體分割錯誤則對分割的對流單體的數(shù)目進行單獨的統(tǒng)計，其數(shù)目分別記為Y′和Z′.

3? ?結(jié)? ?論

針對對流風(fēng)暴內(nèi)部單體分割困難的問題，本文提出了一種基于形態(tài)結(jié)構(gòu)特征的對流單體自動分割方法. 與傳統(tǒng)方法相比，本文方法的特點是：1）在對流單體的識別過程中考慮到了對流單體的形態(tài)結(jié)構(gòu)信息，而不僅僅是反射率強度信息;2）對流單體的分割過程設(shè)計為一個迭代過程，用于消除錯誤的單體分割結(jié)果;3）該方法是一種基于數(shù)據(jù)驅(qū)動的方法，而傳統(tǒng)方法是基于規(guī)則的目標(biāo)識別方法. 實驗結(jié)果顯示，本文算法在對流單體聚集或發(fā)生分裂與合并的時候，能夠更加有效的分割出對流單體的完整結(jié)構(gòu)，而且本文算法的量化評分值顯著高于傳統(tǒng)的SCIT方法和單閾值方法.

參考文獻

[1]? ? MAHONEY K，ALEXANDER M A，THOMPSON，G，et al. Changes in hail and flood risk in high-resolution simulations over Colorados mountains[J]. Nature. Climate，Change，2012，2：125—131.

[2]? ? TAYLOR C M，BELU?D，GUICHARD F，et al. Frequency of extreme Sahelian storms tripled since 1982 in satellite observations[J]. Nature，2017，544：475—478 .

[3]? ? WESTRA S，F(xiàn)OWLER H J，EVANS J P，et al. Future changes to the intensity and frequency of short-duration extreme rainfall[J]. Reviews of Geophysics，2014，52（3）：522—555.

[4]? ? DIXON M，WIENER G. TITAN：Thunderstorm identification，tracking，analysis，and nowcasting-A radar-based methodology[J]. Journal of Atmospheric and Oceanic Technology，1993，10 （6）：785—797.

[5]? ? JOHNSON J，MACKEEN P L，WITT A，et al. The storm cell identification and tracking algorithm：an enhanced WSR-88D algorithm [J]. Weather and Forecasting，1998，13 （2）：263—276.

[6]? ? 侯正俊，潘多，王磊. 改進氣象雷達TITAN算法在災(zāi)害性天氣預(yù)警中的應(yīng)用研究[J]. 大氣科學(xué)學(xué)報，2018，41（4）：561—568.HOU Z J，PAN D，WANG L. Application research on disaster weather warning based on improved TITAN algorithm of Doppler weather radar[J].Transactions of Atmospheric Sciences，2018，41（4）：561—568. （In Chinese）

[7]? ? 楊吉，劉黎平，李國平，等. 基于雷達回波拼圖資料的風(fēng)暴單體和中尺度對流系統(tǒng)識別、跟蹤及預(yù)報技術(shù)[J]. 氣象學(xué)報，2012，70（6）：1347—1355.YANG J，LIU L P，LI G P，et al. A new techniques for strom cell and mesoscale convective systems identification，tracking and nowcasting based on the radar mosaic data[J]. Acta Meteorologica Sinica，2012，70（6）：1347—1355. （In Chinese）

[8]? ? CRANE R K. Automatic cell detection and tracking [J]. IEEE Transactions on Geoscience Electronics，1979，17 （4）：250—262.

[9]? ? LAKSHMANAN V，RABIN R，DEBRUNNER V. Multiscale storm identification and forecast [J]. Atmospheric Research，2003，67：367—380.

[10]? LAKSHMANAN V，HONDL K，RABIN R. An efficient，general-purpose technique for identifying storm cells in geospatial images [J]. Journal of Atmospheric and Oceanic Technology，2009，26 （3）：523—537.

[11]? WANG P，LI C，ZHANG Y. An adaptive segmentation arithmetic adapted to intertwined irregular convective storm images[C]//2013 International Conference on Machine Learning and Cybernetics. Tianjin，China：IEEE，2013：896—900.

[12]? HOU J Y，WANG P. Storm tracking via tree structure representation of radar data [J]. Journal of Atmospheric and Oceanic Technology，2017，34 （4）：729—747.

[13]? ROBERT H M，SHAPIRO L G. Computer and Robot Vision，Vol. 1[M]. Boston：Addison-Wesley Press，1992：28—48.

[14]? HAPP P N，DA COSTA G A，BENTES C et al. A cloud computing strategy for region-growing segmentation[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2016，9（12）：5294—5303.

[15]? TREMEAU A，BOREL N. A region growing and merging algorithm to color segmentation[J]. Pattern recognition，1997，30（7）：1191—1203.

[16]? 王國權(quán)，周小紅，蔚立磊. 基于分水嶺算法的圖像分割方法研究[J].計算機仿真，2009（5）：255—258.WANG G Q，ZHOU X H，YU L L. Image segmentation based on watershed algorithm[J]. Computer Simulation，2009（5）：255—258. （In Chinese）

[17]? 趙曉晴，劉景鑫，張海濤等. 色彩空間變換和基于距離變換的分水嶺算法在白細胞圖像分割中的應(yīng)用[J].中國醫(yī)療設(shè)備，2019，34（7）：5—9.ZHAO X Q，LIU J X，ZHANG H T，et al. Application of color space transformation and watershed algorithm based on distance transform in white blood cell image segmentation[J] Chinese Medical Devices，2019，34（7）：5—9.

[18]? RAFAEL C，GONZALEZ R E，WOODS. Digital image processing，third edition[M]. Beijing：Publishing House of Electronics Industry，2011：497—501.

[19]? 張學(xué)工. 模式識別[M]. 北京：清華大學(xué)出版社，2002：60—81.? ?ZHANG X G. Pattern recognition[M]. Beijing：Tsinghua University Press，2002：60—81. （In Chinese）