吳奕霄,王珂清,程 婷,項 瑛,周學(xué)東,徐 芬
(1.江蘇省氣候中心,江蘇南京 210041;2.江蘇省人工影響天氣中心,江蘇南京 210041;3.江蘇省氣象信息中心,江蘇南京 210041;4.南京氣象科技創(chuàng)新研究院,江蘇南京 210041)
陣風(fēng)鋒過境伴有氣壓升高、風(fēng)速突增和溫度陡降等現(xiàn)象,陣風(fēng)鋒及其母雷暴經(jīng)常會產(chǎn)生地面大風(fēng),引發(fā)人員傷亡或者經(jīng)濟損失,因此陣風(fēng)鋒研究對防災(zāi)、減災(zāi)有重要意義[1]。提前識別和預(yù)警陣風(fēng)鋒有利于采取有效的措施避免危險事故發(fā)生,進(jìn)而降低和減少經(jīng)濟損失和人員傷亡。雷達(dá)目標(biāo)檢測能夠判斷回波信號中目標(biāo)存在與否,并提取目標(biāo)位置信息[2-3]。因此,利用雷達(dá)進(jìn)行易引發(fā)大風(fēng)的陣風(fēng)鋒自動檢測技術(shù)研究引起了廣泛關(guān)注。模板匹配技術(shù)是在設(shè)定一個目標(biāo)模板后,與具有相似目標(biāo)的圖像進(jìn)行比對,以獲取目標(biāo)模板在圖像中的位置,以此達(dá)到圖像識別的目的,其優(yōu)點是匹配的算法更加簡單,在圖像變化不大的情況下,識別率理想[4-5]。
在天氣雷達(dá)反射率因子圖像上陣風(fēng)鋒表現(xiàn)為一條高度較低(低仰角層觀測)、形態(tài)呈弧線結(jié)構(gòu)和具有移動特點這3 個特征的窄帶回波。在雷達(dá)徑向速度數(shù)據(jù)場上呈現(xiàn)速度輻合特征。Uyeda等[6]首先提出陣風(fēng)鋒自動探測算法(Automatic Detection of Gust Fronts,ADGF),該算法只使用沿雷達(dá)徑向的速度輻合,將徑向切變超過預(yù)設(shè)閾值的段組合在一起,用曲線擬合出每個段上的最大切變值,這條曲線就代表探測到的陣風(fēng)鋒。后來提出了改進(jìn)的陣風(fēng)鋒探測算法(Gust Front Detection Algorithm,GFDA)[7-9],利用兩個低仰角垂直關(guān)聯(lián)減少了虛假預(yù)警,該算法被用于美國TDWR 雷達(dá)業(yè)務(wù)系統(tǒng)。美國強風(fēng)暴實驗室和麻省理工學(xué)院林肯實驗室聯(lián)合開發(fā)了改進(jìn)的陣風(fēng)鋒自動探測算法[10-11],包含了陣風(fēng)鋒雷達(dá)回波細(xì)線探測,通過尋找局地最大反射率因子與陣風(fēng)鋒反射率因子和寬度一致性探測陣風(fēng)鋒回波細(xì)線。Delanoy等[12]開發(fā)了機器智能識別陣風(fēng)鋒算法(Machine Intelligent Gust Front Algorithm,MIGFA),該算法首次使用模板函數(shù)計算雷達(dá)回波圖和速度標(biāo)準(zhǔn)偏差得分,并設(shè)計了相應(yīng)的質(zhì)量控制算法抑制虛假信號,最后在組合得分圖像上提取陣風(fēng)鋒。隨著需求的提升和技術(shù)的發(fā)展,一些新的或改進(jìn)的陣風(fēng)鋒識別技術(shù)也得到全面發(fā)展,徐芬等[13]通過統(tǒng)計江蘇3種窄帶回波分布特征和徑向波形特征,在此基礎(chǔ)上設(shè)計了基于回波平坦性計算和陣風(fēng)鋒徑向波形尋找算法的陣風(fēng)鋒自動識別算法。冷亮等[14]基于陣風(fēng)鋒的3 個特征,提出了基于數(shù)字圖像處理技術(shù)中的數(shù)學(xué)形態(tài)學(xué)算法的陣風(fēng)鋒自動識別算法,通過建立雷達(dá)觀測范圍內(nèi)的二維特征量場,對其處理后得到一條反映陣風(fēng)鋒骨架特征的曲線。徐芬等[15]改進(jìn)和調(diào)整了MIGFA 算法,設(shè)計了較高仰角(1.5°/2.4°)反射率的陣風(fēng)鋒細(xì)線函數(shù)模板,替代原空間差分反射率函數(shù)模板,新的算法對于CINRAD/SA 雷達(dá)探測到的江蘇沿江地區(qū)陣風(fēng)鋒回波的識別更有針對性。HWANG 等[16]使用模糊邏輯理論開發(fā)了新的神經(jīng)模糊陣風(fēng)鋒檢測算法(Neuro-Fuzzy Gust Front Detection Algorithm,NFGDA),該算法通過使用神經(jīng)網(wǎng)絡(luò)的訓(xùn)練進(jìn)行優(yōu)化,對于陣風(fēng)鋒的識別率高達(dá)92%。Yuan等[17]基于統(tǒng)計特征分析和圖像處理技術(shù),提出一種基于本地二進(jìn)制雙模板(Local Binary with Dual-Template,LBDT)算法改進(jìn)的雷達(dá)數(shù)據(jù)自動檢測陣風(fēng)鋒的方法。該算法對反射率值和陣風(fēng)鋒寬度的變化不敏感,在自動識別陣風(fēng)鋒過程中檢測概率高、誤報率低。徐月飛等[18]基于Faster RCNN 算法和InceptionV2 模型,提出了改進(jìn)的深度卷積網(wǎng)絡(luò)陣風(fēng)鋒識別算法(d-CNNGFDA),利用窄帶弱回波的繞雷達(dá)中心旋轉(zhuǎn)不變性的特性,只對垂直走向的窄帶弱回波進(jìn)行標(biāo)記,擴充了數(shù)據(jù)量用以提升復(fù)雜回波中陣風(fēng)鋒引起的窄帶弱回波的自動識別能力。
上述這些方法均需選取陣風(fēng)鋒樣本符合各自算法設(shè)定條件上才可以較好的識別,各有使用局限性。本文試圖融合易引發(fā)大風(fēng)的陣風(fēng)鋒通用特征:雷達(dá)回波圖像所在高度較低、圖像特征呈弧線結(jié)構(gòu)和具有移動這3 個特征,設(shè)計能表征這3個特征的函數(shù)模板,再采用風(fēng)暴回波特征抑制技術(shù)和其他弧線回波特征抑制技術(shù)以降低檢測虛警率,最終實現(xiàn)更具普適性的一套陣風(fēng)鋒檢測技術(shù)。
根據(jù)觀測事實以及學(xué)者們總結(jié)[12]的易引發(fā)大風(fēng)的陣風(fēng)鋒雷達(dá)反射率因子圖像具有以下特征:1)陣風(fēng)鋒雷達(dá)反射率因子圖像呈細(xì)長線狀,其數(shù)值一般小于25 dBz;2)陣風(fēng)鋒圖像高度較低;3)呈現(xiàn)移動的特點,如圖1方框內(nèi)弧線狀圖像所示。根據(jù)這3個時空變化特征,采用相應(yīng)預(yù)處理方法提高雷達(dá)反射率因子圖像質(zhì)量后,借鑒模板匹配方法[12]得到3種不同的得分值結(jié)果。
圖1 陣風(fēng)鋒天氣雷達(dá)反射率因子圖像(方框內(nèi)弧線狀圖像)
融合3種時空變化特征匹配結(jié)果后,采用區(qū)域增長法提取陣風(fēng)鋒弧線圖像結(jié)構(gòu),達(dá)到自動檢測陣風(fēng)鋒的目的?;陉囷L(fēng)鋒時空變化特征的大風(fēng)識別算法流程如圖2所示,由該圖可見通過對包含有不同特征的雷達(dá)回波圖像進(jìn)行相應(yīng)的模板匹配后,融合多組得分值,經(jīng)過兩次有效提取,最終實現(xiàn)對易引發(fā)大風(fēng)的陣風(fēng)鋒雷達(dá)反射率因子圖像的提取。
在利用函數(shù)模板提取陣風(fēng)鋒圖像特征前,為提高圖像提取成功率,對數(shù)據(jù)質(zhì)量進(jìn)行如下預(yù)處理:將0.5°和1.5°仰角的雷達(dá)反射率因子圖像采用9 點平滑濾除孤立點、奇異點和回波圖像中的空點。將這兩個仰角的數(shù)據(jù)從極坐標(biāo)下轉(zhuǎn)換到直角坐標(biāo)下,空間分辨率為1 km×1 km。后續(xù)基于函數(shù)模板和得分函數(shù)的計算均基于直角坐標(biāo)系下的雷達(dá)回波圖像。
根據(jù)陣風(fēng)鋒圖像在不同仰角、仰角間圖像特征差異、同一仰角前后時刻圖像差異等設(shè)計相應(yīng)函數(shù)模板提取能夠反映陣風(fēng)鋒的圖像特征。根據(jù)陣風(fēng)鋒在空間變化上的特征設(shè)計了陣風(fēng)鋒線狀函數(shù)模板;根據(jù)陣風(fēng)鋒在空間上線狀差異特征分別設(shè)計了風(fēng)暴邊緣函數(shù)模板和放射狀回波圖像函數(shù)模板;根據(jù)陣風(fēng)鋒在時間變化上的特征設(shè)計了陣風(fēng)鋒差分反射率因子圖像函數(shù)模板。以上幾種函數(shù)模板和得分函數(shù)分別設(shè)計如下:由于陣風(fēng)鋒天氣雷達(dá)反射率因子圖像特征呈細(xì)長弧線結(jié)構(gòu),根據(jù)這一特征設(shè)計函數(shù)模板和得分函數(shù)如圖2所示,利用相應(yīng)的得分函數(shù)可得到高的陣風(fēng)鋒圖像得分值,抑制其他圖像得分值。該設(shè)計思路是依據(jù)盡管陣風(fēng)鋒圖像長度和彎曲弧度不等,但將其分為若干段,每一段均近似為直線,因此圖3(a)中的模板被設(shè)計為直線段主要基于假設(shè)陣風(fēng)鋒圖像的一個段為近似直線。黑色和灰色格點代表參與計算的點,灰色代表模板中陣風(fēng)鋒回波圖像上的點,對應(yīng)圖3(b)中的得分函數(shù)1。因為陣風(fēng)鋒回波一般在25 dBz 以下,所以給25 dBz 以下回波一個較高的得分值,特別是9 dBz 附近[10],是陣風(fēng)鋒最常出現(xiàn)的反射率因子值。給大于35 dBz 的回波一個緩慢下降的得分值,因為陣風(fēng)鋒在某些情況下會與風(fēng)暴邊緣結(jié)合在一起,而陣風(fēng)鋒一般不會出現(xiàn)負(fù)值,所以給負(fù)的反射率因子值一個負(fù)得分值。黑色的點代表陣風(fēng)鋒回波兩側(cè)的點,對應(yīng)圖3(b)中的得分函數(shù)0,給得分函數(shù)0 低反射率因子一個高的分值,而給高反射率因子一個低得分值。需要說明的是,函數(shù)模板和得分函數(shù)的長寬是可調(diào)的,因為各地發(fā)生的陣風(fēng)鋒長度、寬度和反射率因子值可能不盡相同,筆者結(jié)合江蘇地區(qū)陣風(fēng)鋒反射率因子值和相關(guān)文獻(xiàn)確定的得分函數(shù)值僅供參考。
因為陣風(fēng)鋒回波圖像出現(xiàn)的高度較低,一般為3 km 以下,可利用高低仰角層差分反射率因子來識別陣風(fēng)鋒,這樣做的好處是排除較多其他回波干擾,特別是貫穿了高低層的線狀對流風(fēng)暴圖像。將上下兩個仰角的反射率因子圖像經(jīng)上述數(shù)據(jù)預(yù)處理方法質(zhì)控后,上下仰角同一格點數(shù)據(jù)相減得到差分反射率因子圖像(圖4(a))。如圖4(a)所示,圖中大部分回波已被消除,陣風(fēng)鋒回波圖像基本被保留。根據(jù)陣風(fēng)鋒差分反射率因子圖像特征,設(shè)計圖5中的函數(shù)模板和得分函數(shù)對差分反射率因子圖像進(jìn)行特征提取。與圖3 陣風(fēng)鋒線狀函數(shù)模板和得分函數(shù)對比可見,采用的函數(shù)模板不變,得分函數(shù)根據(jù)陣風(fēng)鋒差分反射率圖像特征作了一定調(diào)整。同理,因為易引發(fā)大風(fēng)的陣風(fēng)鋒具有移動的特征,所以可以利用前后時刻差分反射率因子圖像特征來識別陣風(fēng)鋒。將前后連續(xù)兩個時刻的反射率因子圖像經(jīng)上述數(shù)據(jù)預(yù)處理方法質(zhì)控后,前后時刻同一格點數(shù)據(jù)相減得到陣風(fēng)鋒差分反射率因子圖像(圖4(b)),仍舊采用圖5的函數(shù)模板和得分函數(shù)對前后時刻陣風(fēng)鋒差分反射率圖像特征進(jìn)行提取。
圖4 陣風(fēng)鋒天氣雷達(dá)反射率因子圖像(方框內(nèi)弧線狀圖像)
圖5 陣風(fēng)鋒差分反射率因子圖像函數(shù)模板
圖4(b)中的前后時刻差分反射率因子排除了較多的回波,卻保留了風(fēng)暴邊緣圖像,該風(fēng)暴邊緣呈弧線狀,很容易被誤識別為陣風(fēng)鋒圖像。本文設(shè)計風(fēng)暴函數(shù)模板和相應(yīng)得分函數(shù)用以削弱線狀風(fēng)暴邊緣對識別結(jié)果的影響。如圖6(a)所示,函數(shù)模板被設(shè)計為一個近似的圓形,圖中的每個格點代表1 km 距離,該函數(shù)能夠抑制線狀回波圖像得分值,突出呈片狀的風(fēng)暴和層云圖像得分值。圖6(b)為風(fēng)暴邊緣得分函數(shù)圖。
圖6 風(fēng)暴邊緣函數(shù)模板
另外,在圖1 和圖4 的圖像中都受到一種放射狀回波的干擾。如圖4(a)第一象限中能看到一個沿雷達(dá)掃描方向的線狀圖像(圖中箭頭所示),這是由于放射狀回波干擾所致。為了排除放射狀回波干擾,設(shè)計如圖7所示的函數(shù)模板和得分函數(shù),圖7(a)中每個格點代表1 km,得分函數(shù)根據(jù)放射狀回波圖像特征設(shè)計。函數(shù)1 代表在放射狀回波圖像上,函數(shù)0代表在放射狀回波圖像兩側(cè)。因為放射狀回波干擾圖像一般只會出現(xiàn)在雷達(dá)掃描方向,所以該模板僅在極坐標(biāo)反射率圖像上沿雷達(dá)掃描方向進(jìn)行計算。再分別利用圖3、圖5 函數(shù)模板和得分函數(shù)處理每幅雷達(dá)反射率圖像得到的得分值結(jié)果中減去使用該模板計算得到的結(jié)果,即可排除放射狀回波干擾。
圖7 放射狀回波圖像函數(shù)模板
為了讓得分值結(jié)果便于提取,本文還設(shè)計了如圖8所示的函數(shù)模板和得分函數(shù)對融合的得分值結(jié)果進(jìn)行平滑處理。如圖8(a)所示,以黑色圓點為中心點,灰色方格代表陣風(fēng)鋒得分值上的點,黑色方格代表陣風(fēng)鋒得分值兩側(cè)的點,模板中心點兩側(cè)設(shè)計了較多的灰色格點,目的是讓陣風(fēng)鋒得分值更加連續(xù)。
圖8 平滑圖像函數(shù)模板
由于陣風(fēng)鋒圖像的朝向是不確定的,在某個格點上,上述圖3、圖5、圖8 中的函數(shù)模板以黑色小圓點為中心,讓其以10°的間隔旋轉(zhuǎn)180°,得到不同角度下模板匹配的得分值,最后在這個格點上只保留最高得分值。然后以1 個格點的步長移過所有格點,并在所有格點上重復(fù)以上步驟。旋轉(zhuǎn)公式如下:
式中,θ代表旋轉(zhuǎn)角度,x'和y'代表旋轉(zhuǎn)后新坐標(biāo),x和y代表原坐標(biāo)。
經(jīng)過上述多個函數(shù)模板和得分函數(shù)處理后,對多組得分值進(jìn)行融合處理,并對得分值結(jié)果作二值化處理,得分值大于0.5 賦值為1,小于0.5 則賦值為0。為提取屬于陣風(fēng)鋒的圖像,本文借鑒區(qū)域增長法[11]對二值化圖像進(jìn)行處理,得到的候選陣風(fēng)鋒圖像如果長度小于6 km,則排除這個候選陣風(fēng)鋒。然后再采用一個有條件的區(qū)域增長法對初次提取的陣風(fēng)鋒進(jìn)行處理:如果一個格點滿足與原候選陣風(fēng)鋒包含的點相鄰,得分值不低于0.2且該點得分值角度與原候選陣風(fēng)鋒平均角度相差不超過30°,則認(rèn)為該點是候選陣風(fēng)鋒中的一個點,并入候選陣風(fēng)鋒中。如果候選陣風(fēng)鋒長度超過20 km,則認(rèn)為是陣風(fēng)鋒,否則排除。
以2012年5月16日鹽城新一代多普勒天氣雷達(dá)探測到的陣風(fēng)鋒圖像為例(圖1方框內(nèi))。如圖1(a)中0.5°仰角雷達(dá)站東南方向的陣風(fēng)鋒圖像被風(fēng)暴邊緣掩蓋,圖1(b)中1.5°仰角雷達(dá)站東南方向的陣風(fēng)鋒圖像較明顯,基本未受影響,但是一般陣風(fēng)鋒圖像出現(xiàn)高度較低,抬高仰角至1.5°時,隨著離開雷達(dá)站距離增加,探測高度也在增加,在雷達(dá)站東偏北約25°方向第二個距離圈處已探測不到陣風(fēng)鋒圖像??梢?.5°雷達(dá)資料探測高度較低,在近距離處陣風(fēng)鋒圖像易被地物回波所掩蓋;1.5°仰角探測時,受地物回波影響較小,卻由于遠(yuǎn)距離處探測高度較高而不能探測到陣風(fēng)鋒。由此可以看出,單仰角的雷達(dá)資料并不一定能探測到完整的陣風(fēng)鋒圖像,這也是文中利用了兩個仰角的圖像進(jìn)行陣風(fēng)鋒自動識別的原因。
采用本文圖3 設(shè)計的函數(shù)模板和得分函數(shù)分別對0.5°仰角和1.5°仰角雷達(dá)圖像進(jìn)行處理后,用灰度值表達(dá)計算得到的得分值如圖9(a)和圖9(b)所示,圖像中越高的灰度值代表得分值越高。將圖9 與圖1 實況圖對比可以看出,陣風(fēng)鋒回波處明顯得到了較高的得分值,說明模板函數(shù)匹配技術(shù)能夠在陣風(fēng)鋒識別中發(fā)揮重要作用。圖9(a)和圖9(b)中部分非陣風(fēng)鋒圖像也得到了較高的得分值,這也是陣風(fēng)鋒自動識別中最困難的問題所在——相似回波較多且難以區(qū)分,所以文中基于多種陣風(fēng)鋒特征來對其進(jìn)行自動識別。圖9(c)是由圖9(a)和圖9(b)綜合后的組合得分值。綜合兩個仰角的探測優(yōu)勢,將得分值圖像組合起來,圖9(c)中得到較完整、連續(xù)的陣風(fēng)鋒得分值,但同時也組合了兩個得分值圖像中的干擾回波圖像得分值。
圖9 陣風(fēng)鋒線狀函數(shù)模板處理的0.5°和1.5°仰角雷達(dá)圖像
再利用圖5的函數(shù)模板和得分函數(shù)分別對圖4(a)和圖4(b)進(jìn)行得分計算,得到圖10兩個得分值圖像,從圖10 中可以看出陣風(fēng)鋒圖像處得分值明顯較高,且具有較好的連續(xù)性,與圖4 中陣風(fēng)鋒圖像所在位置和形狀有較高的一致性。
圖10 陣風(fēng)鋒差分反射率因子圖像函數(shù)模板計算的兩個得分值圖像
根據(jù)圖2 的算法流程,利用圖6 函數(shù)模板和得分函數(shù)處理前后時刻差分反射率圖像(圖4(b))得到風(fēng)暴邊緣圖像得分值(圖略),用圖10(b)得分值結(jié)果減去風(fēng)暴邊緣圖像得分值,降低風(fēng)暴邊緣圖像對識別結(jié)果的影響。再分別對圖9(c)、圖10(a)和圖10(b)得分值減去放射狀回波圖像得分值結(jié)果后,采用加權(quán)平均的方式融合3種得分值得到綜合得分值結(jié)果,如圖11(a)所示。由該圖可見,雷達(dá)站南偏東約20°方向的放射狀回波圖像已得到較好的抑制。利用圖8 平滑圖像函數(shù)模板和得分函數(shù)處理圖11(a),得到圖11(b)最終的得分值結(jié)果。由圖11(b)可見,本文設(shè)計的檢測技術(shù)成功突出了陣風(fēng)鋒得分值,而抑制其他得分值。在實際中可根據(jù)算法在本地運行情況調(diào)整權(quán)重,進(jìn)一步提高識別成功率。最后,利用區(qū)域增長法處理圖11(b),得到結(jié)果如圖11(c),對比實況圖1 可以看出,算法能夠較好地識別出陣風(fēng)鋒,且識別結(jié)果與原陣風(fēng)鋒位置和形狀比較一致。
圖11 多次處理后得分值及自動識別結(jié)果
本文根據(jù)我國易引發(fā)大風(fēng)的陣風(fēng)鋒雷達(dá)回波圖像高度較低、呈弧線結(jié)構(gòu)和具有移動特點的時空變化特征,在3 種不同反射率因子圖像上,采用模板匹配技術(shù)分別對其進(jìn)行處理,得到3種不同得分值結(jié)果。對3 種不同得分值結(jié)果進(jìn)行加權(quán)平均后,采用能夠使得分值平滑細(xì)化的函數(shù)模板技術(shù)進(jìn)行處理,最后采用兩次不同的區(qū)域增長法提取陣風(fēng)鋒,并排除虛假預(yù)警。在得到3種得分值結(jié)果的過程中,還采用了風(fēng)暴邊緣圖像抑制模板技術(shù)和放射狀回波圖像模板抑制技術(shù)。結(jié)果表明,算法能夠有效識別陣風(fēng)鋒,識別結(jié)果與原陣風(fēng)鋒位置和形狀比較一致。
作為會對生活和生產(chǎn)帶來嚴(yán)重影響的天氣因素,陣風(fēng)鋒常年帶來損失不容忽視。本文所設(shè)計的陣風(fēng)鋒模板匹配技術(shù)為能準(zhǔn)確地監(jiān)測和預(yù)警陣風(fēng)鋒導(dǎo)致的災(zāi)害性天氣提供多一種可能。目前本文中涉及的算法函數(shù)模板以及得分函數(shù)中的閾值集均來自江淮地區(qū)多年陣風(fēng)鋒圖像特征統(tǒng)計結(jié)果,適用于該地區(qū)的陣風(fēng)鋒特征識別,若要在其他地區(qū)進(jìn)行推廣,還需要結(jié)合其他地區(qū)陣風(fēng)鋒圖像特征進(jìn)行相應(yīng)閾值的調(diào)試;另外本文設(shè)計的算法僅利用了雷達(dá)反射率因子圖像,陣風(fēng)鋒在速度圖像上還具有輻合特征,但是雷達(dá)僅能探測到徑向速度,且算法對徑向速度圖像質(zhì)量有較高要求,導(dǎo)致在目前陣風(fēng)鋒圖像特征識別中雷達(dá)徑向速度圖像數(shù)據(jù)難以利用。后期作者將嘗試結(jié)合天氣雷達(dá)徑向速度圖像特征以及地面自動站氣象要素變化特征,以進(jìn)一步提升基于陣風(fēng)鋒的大風(fēng)識別算法。