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）

0 引言

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)。

1 識別方法研究

1.1 算法流程概述

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。

1.2 函數(shù)模板設(shè)計

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。

2 識別方法檢測

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

3 結(jié)束語

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。