路志英，朱俊秀，田 碩，賈惠珍

(1. 天津大學(xué)電氣與自動化工程學(xué)院，天津 300072；2. 天津市氣象局，天津 300074)

雷達(dá)回波反射率垂直剖面圖的冰雹識別方法

路志英1，朱俊秀1，田 碩1，賈惠珍2

(1. 天津大學(xué)電氣與自動化工程學(xué)院，天津 300072；2. 天津市氣象局，天津 300074)

為了更加準(zhǔn)確地識別冰雹天氣，對某地區(qū)2005—2010年間24個冰雹過程和19個暴雨過程的825個雷達(dá)樣本數(shù)據(jù)進(jìn)行了分析處理，建立了基于雷達(dá)回波反射率垂直剖面圖的冰雹自動識別的客觀模型．在分析冰雹云體形成機(jī)理和結(jié)構(gòu)的基礎(chǔ)上確定最佳剖線，并用插值法生成雷達(dá)回波反射率垂直剖面圖，通過圖像處理方法，提取特征數(shù)據(jù)(強(qiáng)回波(45,dBZ以上)與0,℃和－20,℃溫度層的高度差、弱回波區(qū)和有界弱回波區(qū)的寬度和高度)．然后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(jìn)行處理，建立了自動識別冰雹天氣的客觀模型．測試結(jié)果表明：該識別模型的判別規(guī)則對28個冰雹天氣過程的383個樣本的正確識別命中率是82.77%，可有效地識別和預(yù)報冰雹，有助于減輕冰雹災(zāi)害天氣造成的損失．

圖像處理；弱回波區(qū)；有界弱回波區(qū)；粗糙集；數(shù)據(jù)挖掘

冰雹作為一種強(qiáng)對流天氣會對人們的生命財產(chǎn)造成嚴(yán)重的威脅．因此，準(zhǔn)確地識別和預(yù)報冰雹天氣成為氣象研究人員的重點目標(biāo)之一．隨著雷達(dá)探測技術(shù)的發(fā)展，現(xiàn)已能夠獲得大量的實時數(shù)據(jù)，通過對這些數(shù)據(jù)的分析，能夠?qū)走_(dá)回波反射率圖和徑向速度圖進(jìn)行相關(guān)的特征提取，如強(qiáng)度特征、形態(tài)特征及梯度特征的提取[1-2]．另外，Montanya等[3]和李磊等[4]還研究了閃電活動對冰雹云的影響．但事實表明僅僅通過這些特征來進(jìn)行預(yù)報并不能達(dá)到十分準(zhǔn)確的效果．因此一些氣象人員通過對典型的冰雹天氣的雷達(dá)回波剖面圖進(jìn)行分析，總結(jié)出了雷達(dá)反射率垂直剖面圖(RCS)產(chǎn)品反映冰雹天氣過程的主要特征，如弱回波區(qū)和有界弱回波區(qū)(穹窿)等特征[5-6]．趙俊榮等[7]分析了冰雹過程的中氣旋、液態(tài)水含量和有界弱回波區(qū)的特征，并介紹了這些特征與冰雹落點的關(guān)系，為人工消雹提供依據(jù)．上述研究表明綜合運(yùn)用反射率圖和垂直剖面上的一些特征來進(jìn)行雹云單體的識別更為準(zhǔn)確有效．

本文在Visual Studio 2010開發(fā)環(huán)境下，利用MFC類庫實現(xiàn)了在生成雷達(dá)回波反射率剖面圖基礎(chǔ)上提取單體強(qiáng)回波(45,dBZ以上)高度、弱回波區(qū)和有界弱回波區(qū)以及探空得到的0,℃和－20,℃溫度層高度等相關(guān)特征數(shù)據(jù)，并對特征數(shù)據(jù)進(jìn)行了基于粗集理論的數(shù)據(jù)挖掘[8-11]，獲得了區(qū)分強(qiáng)天氣過程冰雹和暴雨的客觀模型——判別規(guī)則，然后利用這些規(guī)則對天氣過程進(jìn)行自動識別，結(jié)果表明本文的方法能有效地識別冰雹和暴雨過程．

1 基于剖面圖的特征提取

1.1 剖面圖生成算法

在了解冰雹的形成機(jī)理和雹云結(jié)構(gòu)特征的基礎(chǔ)上，通過對雷達(dá)回波反射率圖中回波單體的形態(tài)特征分析，確定剖線的位置，生成剖面圖．本文綜合3種不同的方法確定最佳剖線生成剖面圖．

1.1.1 剖線的確定方法

方法1 低仰角下梯度最強(qiáng)處與高仰角強(qiáng)回波中心連線.

以0.5°仰角下的反射率圖為研究基礎(chǔ)，如圖1所示為一冰雹回波，ABCD為單體所在區(qū)域的正外接矩形．對其進(jìn)行掃描，獲得冰雹單體最強(qiáng)回波的區(qū)域位置(矩形A1,B1,C1,D1)，并將其幾何中心作為該冰雹單體的強(qiáng)回波中心(圖中點O)．求出點O到矩形ABCD各邊的距離，將其中最大距離(圖中OE的長度)的2倍為邊長，以點O為幾何中心，做正方形A2,B2,C2,D2．然后以O(shè)B2作為掃描的起始位置，每10°為單位對正方形A2,B2,C2,D2進(jìn)行掃描．統(tǒng)計每一個區(qū)域中反射率因子不小于30,dBZ的像素點數(shù)，數(shù)目最小的區(qū)域即為反射率變化梯度最大區(qū)域，分別將該區(qū)域的每一點與包含30,dBZ以上回波的最高仰角的強(qiáng)回波中心的水平投影位置的連線做剖線，對其剖面進(jìn)行分析，特征最明顯的剖面所對應(yīng)的剖線即為此方法的最終剖線．

圖1 剖線算法1示意Fig.1 Schematic diagram for algorithm 1

方法2 各個仰角下的強(qiáng)回波中心點的線性擬合.

雷達(dá)VCP21體掃示意(如圖2所示)的基數(shù)據(jù)可以生成9個仰角的雷達(dá)回波反射率．

圖2 雷達(dá)體掃示意Fig.2 Schematic diagram for radar scanning

檢測同一個單體在不同仰角下的最強(qiáng)回波中心(各個仰角下單體的最大回波值可能不一樣)．然后將所獲得的點進(jìn)行直線擬合(一般情況下只能獲得前6個仰角的強(qiáng)回波中心，高仰角的一般無強(qiáng)回波)．

擬合過程：設(shè)直線方程為ykxb=+，根據(jù)直線擬合的性質(zhì)，可利用公式分別求得斜率及截距，從而獲得最佳剖線，其計算式為

方法3 最高仰角和最低仰角的強(qiáng)回波中心的連線.

找到包含30,dBZ以上強(qiáng)度回波反射率圖中的最高仰角和最低仰角的強(qiáng)回波中心，連接這兩點并延伸到整個單體就得到剖線．

1.1.2 剖面的生成

本文中的反射率圖都包含15種顏色，分別描述了雷達(dá)回波的15個強(qiáng)度區(qū)間(對應(yīng)關(guān)系見圖3).

由于雷達(dá)基數(shù)據(jù)只包含9個仰角對應(yīng)的錐面上的回波強(qiáng)度，且每個仰角上只存儲整數(shù)方位角和整數(shù)徑向距離交叉點上的回波強(qiáng)度信息，數(shù)據(jù)點是不連續(xù)的，要生成連續(xù)的剖面圖，必須采用插值算法[12]．

雷達(dá)回波反射率的示意如圖4所示，中心點O為雷達(dá)位置，線段AB為剖線，點C為剖線上任意點，圖中s表示點到雷達(dá)的徑向距離，θ表示方位角．

圖3 反射率強(qiáng)度與顏色的對應(yīng)關(guān)系Fig.3 Corresponding relation between colors and reflectivity intensity

圖4 雷達(dá)回波反射率示意Fig.4 Schematic of radar reflectivity

首先，從剖線的左側(cè)端點A開始，依次計算剖線上每個點的徑向距離和方位角．然后，設(shè)點M(如圖5所示)是剖面中與剖線上任意點所對應(yīng)的空間豎直線上的點，它在雷達(dá)空間坐標(biāo)系中的坐標(biāo)為（r,α,h），其中r為斜距，α為方位角，h為點M在剖面圖中的高度．點M位于其上下相鄰的仰角為e1和e2的掃描錐面之間．M1和M2分別是經(jīng)過點M的垂線與2個掃描錐面的交點，它們在雷達(dá)數(shù)據(jù)庫中的坐標(biāo)分別是(r1,α,e1)和(r2,α,e2)，其高度計算式為

圖5 線性內(nèi)插示意Fig.5 Schematic of liner interpolation

式中：0h為雷達(dá)天線的高度；ir為第i個仰角上的徑向距離為等效地球半徑．

點M的反射率強(qiáng)度的計算式為

根據(jù)上述插值算法獲得的剖面如圖6所示．

圖6 圖3中剖線對應(yīng)的剖面(RCS)Fig.6 RCS for cutting line in Fig.3

1.2 強(qiáng)回波(45,dBZ以上)高度

雹塊的增長發(fā)展過程是相當(dāng)復(fù)雜的，形成冰雹的雨滴半徑為4～5,mm，甚至更大．云體必須垂直發(fā)展到－20,℃溫度層以上才能形成大冰雹．另一個影響降落到地面的冰雹尺寸的因素是雹塊從凍結(jié)層(環(huán)境濕球溫度0,℃層高度)落向地面過程中的融化效應(yīng)．因此，冰雹識別首先要分析雹云單體中強(qiáng)回波(45,dBz以上)與相關(guān)溫度層之間的關(guān)系．

在0.5°仰角圖上過最強(qiáng)回波區(qū)域的幾何中心點每隔1°做一條剖線生成剖面．檢測每個剖面中45,dBZ以上強(qiáng)回波區(qū)域的高度，最終從180個高度數(shù)據(jù)中取得最大值作為當(dāng)前時刻雹云單體強(qiáng)回波高度，并將其與0,℃和－20,℃溫度層高度(探空測量數(shù)據(jù))寫入MySQL數(shù)據(jù)庫．經(jīng)過對訓(xùn)練樣本的統(tǒng)計得出45,dBZ高度、0,℃和－20,℃溫度層高度之間的關(guān)系，如表1所示.

表1 冰雹暴雨天氣中強(qiáng)回波高度與0,℃和－20,℃高度之間的關(guān)系Tab.1 Relationship between strong echo height，0,℃ and －20,℃ heights in hail and heavy rain process

1.3 弱回波區(qū)和有界弱回波區(qū)

冰雹增長為大雹塊的一個必要條件是有能支撐雹塊的強(qiáng)上升氣流，如果低層上升氣流較強(qiáng)，使該處形成的降水質(zhì)點被攜帶上升，加上風(fēng)暴頂?shù)妮椛⒑铜h(huán)境風(fēng)的影響，形成了低層無回波或回波強(qiáng)度很弱的弱回波區(qū)(weak echo recognition，WER)，當(dāng)其被上方的中高層懸垂回波包圍時，就形成了有界弱回波區(qū)(bounded weak echo recognition，BWER)[13]，如圖7所示．

圖7 WER和BWER示意Fig.7 Sketch for WER and BWER

在滿足0,℃層到地面的距離比較適宜的情況下，如果回波形態(tài)再呈現(xiàn)出弱回波和回波懸垂特征，則產(chǎn)生大冰雹的可能性會明顯增加，若出現(xiàn)有界弱回波區(qū)，則出現(xiàn)大冰雹的概率幾乎是100%[14]．

因此本文通過圖像處理[15]方法自動提取單體的WER和BWER特征，寫入數(shù)據(jù)庫，作為自動識別冰雹的重要特征．WER和BWER特征提取的具體操作步驟如下.

步驟1 劃分區(qū)域，改變顏色．30,dBZ以下為背景色(黑色)，30～40,dBZ為黃色，40,dBZ以上為紅色．

步驟2 去除干擾區(qū)域．在改變顏色的基礎(chǔ)上，利用八鄰域連通法標(biāo)識各個連通域，統(tǒng)計每個連通域的大小，然后根據(jù)預(yù)先設(shè)定的閾值，濾除小于這一閾值的區(qū)域．去除干擾區(qū)域后的效果如圖8所示．

圖8 去除干擾區(qū)域后的效果Fig.8 Profile after remove interference area

步驟3 確定弱回波區(qū)或穹窿位置.

(1) 從回波墻開始，分別向兩邊檢測30,dBZ以上區(qū)域和40,dBZ以上區(qū)域的下邊界，設(shè)為RWER1(右側(cè)30,dBZ以上區(qū)域的下邊界)、RWER2 (右側(cè)40,dBZ以上區(qū)域的下邊界)、LWER1(左側(cè)30,dBZ以上區(qū)域的下邊界)、LWER2(左側(cè)40,dBZ以上區(qū)域的下邊界)，將兩邊邊界進(jìn)行比較，對較長一側(cè)的2個邊界進(jìn)行特征分析．圖8(a)中弱回波區(qū)在回波墻右側(cè)，RWER1、RWER2如圖所示，LWER1、LWER2為零，故取RWER1、RWER2進(jìn)行分析；圖8(b)中弱回波區(qū)在回波墻左側(cè)，LWER1、LWER2如圖所示，RWER1、RWER2為零，故取LWER1、LWER2進(jìn)行分析．

(2) 檢測右側(cè)2個層次區(qū)域(30,dBZ以上區(qū)域和40,dBZ以上區(qū)域)下邊界的寬度和高度，如果寬度大于等于4,km(經(jīng)過多次調(diào)整觀察確定)，則認(rèn)為該邊界下方區(qū)域是弱回波區(qū)．

(3) 在存在弱回波區(qū)的基礎(chǔ)上，對邊界做進(jìn)一步分析：如果弱回波區(qū)上方邊界在上升過程中存在下降的趨勢(即存在被強(qiáng)回波包圍的弱回波區(qū))，并且下降部分的高度大于0.5,km、寬度大于2,km，則認(rèn)為存在有界弱回波區(qū)．

(4) 如果右側(cè)的2個層次區(qū)域都存在弱回波區(qū)或者都存在有界弱回波區(qū)，則標(biāo)注30,dBZ區(qū)域所顯示出的位置為弱回波區(qū)或者有界弱回波區(qū)，并計算其寬度和高度；如果只有1個區(qū)域存在有界弱回波區(qū)或者弱回波區(qū)，則按照該區(qū)域邊界計算弱回波區(qū)和有界弱回波區(qū)的高度和寬度數(shù)據(jù)．

本文從3種剖線所生成的剖面中選擇有界弱回波區(qū)或者弱回波區(qū)形態(tài)最明顯的剖面圖在屏幕上顯示，并標(biāo)出邊界位置(如圖9所示)．圖9中弱回波區(qū)和有界弱回波區(qū)的高度和寬度數(shù)據(jù)計算結(jié)果如表2所示．

表2 圖9中WER和BWER的特征數(shù)據(jù)Tab.2 Feature data for WER and BWER of Fig.9 km

圖9 弱回波區(qū)和有界弱回波區(qū)Fig.9 WER and BWER

2 特征數(shù)據(jù)庫生成

本文從某地區(qū)雷達(dá)站2005—2010年的歷史資料中的24個冰雹天氣過程和19個暴雨天氣過程共825個樣本數(shù)據(jù)進(jìn)行特征提取，并將特征數(shù)據(jù)和天氣類型寫入數(shù)據(jù)庫，得到825條數(shù)據(jù)記錄，其中10條數(shù)據(jù)如表3所示．

表3 部分特征數(shù)據(jù)Tab.3 Part of the feature data

3 冰雹識別客觀模型的建立

由于同一個特征的數(shù)據(jù)在不同強(qiáng)天氣過程之間并沒有嚴(yán)格的閾值界限，在部分特征相同的條件下可能會出現(xiàn)不同的天氣過程或者多種天氣過程同時發(fā)生，因此天氣過程的識別具有不確定性[16]．本文采用可以處理不確定性數(shù)據(jù)系統(tǒng)的粗糙集理論對特征數(shù)據(jù)庫中的特征(WER寬度、WER高度、BWER寬度、BWER高度、0,℃層高度、?20,℃層高度、強(qiáng)回波(45,dBZ以上)高度與0,℃以及?20,℃層高度之間的高度差和天氣類型)進(jìn)行分析．

粗糙集理論不需要任何附加條件就可以直接對由數(shù)據(jù)構(gòu)成的決策表進(jìn)行推理，它作為一種處理信息不確定、不精確、不完善系統(tǒng)的新的數(shù)學(xué)工具，是目前使用較多的一種歸納學(xué)習(xí)方法．

粗糙集理論認(rèn)為知識是一種根據(jù)特征屬性對現(xiàn)實中抽象的對象進(jìn)行分類的能力．為了處理智能數(shù)據(jù)，粗糙集將感興趣的研究領(lǐng)域?qū)ο蟮募媳硎緸橹R表達(dá)系統(tǒng)．如果知識表達(dá)系統(tǒng)的屬性集合分為條件屬性和決策屬性，那么這樣的知識表達(dá)系統(tǒng)就稱為決策表，本文所討論的問題(見表3)即可以用決策表來表達(dá)，其中第2～9列為條件屬性，第10列的天氣類型為決策屬性．

3.1 數(shù)據(jù)離散化

粗糙集理論只能處理離散數(shù)據(jù)，因此，在數(shù)據(jù)準(zhǔn)備階段首先應(yīng)該完成數(shù)據(jù)的離散化，就是對連續(xù)屬性的取值范圍進(jìn)行劃分，把一個大區(qū)間劃分為若干個小區(qū)間．本文采用等頻離散化方法進(jìn)行數(shù)據(jù)離散，該方法是一種簡單的無監(jiān)督單變量離散化方法．它是根據(jù)設(shè)定的頻數(shù)K利用每個特征屬性將測試樣本分為K個子區(qū)間，每個子區(qū)間包含相同的樣本數(shù)．本文將每個特征屬性值劃分為4個區(qū)間．

3.2 屬性約簡

為了獲取識別模型(即分類規(guī)則)，需要將離散化的決策表進(jìn)行約簡．所謂約簡就是化簡決策表中的條件屬性和屬性值，使得決策表在保持原有決策能力的同時，具有較少的條件屬性和屬性值．這里所說的決策能力實際上是指分類能力，即依據(jù)條件屬性值去判別對象類別的能力．由于決策表可看作是分類知識，因此決策表約簡就是知識約簡，即對知識的過濾、壓縮和提煉．本文采用Johnson算法進(jìn)行決策表的約簡．

3.3 客觀模型建立

本文根據(jù)決策表的約簡結(jié)果，最終生成分類規(guī)則. 通過對43個天氣過程(冰雹24個，暴雨19個)的825個(冰雹462個，暴雨363個)數(shù)據(jù)樣本進(jìn)行處理，得到825條特征數(shù)據(jù)，針對這些數(shù)據(jù)進(jìn)行基于粗糙集理論的數(shù)據(jù)挖掘和規(guī)則提取，最終得到89條分類規(guī)則，其中8條規(guī)則如表4所示．

表4 規(guī)則表Tab.4 Rules

規(guī)則表中第1條規(guī)則表示：如果某個樣本的特征同時滿足WER寬度小于2,km，?20,℃溫度層高度在［7.5，8.0)km區(qū)間內(nèi)，并且強(qiáng)回波高度與?20,℃溫度層高度之間的高度差小于?0.6,km的條件，則該關(guān)注對象屬于冰雹的支持票數(shù)增加13票，屬于暴雨的支持票數(shù)增加27票，最終按照各自支持票數(shù)與各自總樣本數(shù)的比值(支持率)的大小對樣本進(jìn)行分類．

4 冰雹的自動識別

利用本文中獲得的分類規(guī)則建立冰雹識別的客觀模型，對新的風(fēng)暴回波進(jìn)行類型識別時，首先計算出該實況所有關(guān)注對象的特征數(shù)據(jù)，然后采用投票決策法對樣本進(jìn)行識別，具體步驟如下．

步驟1 目標(biāo)回波區(qū)域的選擇．采用連通域標(biāo)記法搜索反射率強(qiáng)度大于等于40,dBZ的目標(biāo)區(qū)域．

步驟 2 特征提取.

(1) 分別按3種剖線確定方法確定剖線位置，生成反射率垂直剖面圖．

(2) 分別提取(1)中3個剖面圖的弱回波區(qū)和有界弱回波區(qū)特征，將有弱回波區(qū)或者有界弱回波區(qū)特征最明顯的剖面圖作為最佳剖面，并將其特征數(shù)據(jù)寫入特征數(shù)組feature[]．

步驟 3 規(guī)則匹配.

(1) 變量初始化．bao表示冰雹支持度變量，初始值為0；yu表示暴雨支持度變量，初始值為0；RuleNum表示分類規(guī)則總數(shù)；循環(huán)變量i＝1．

(2) 將特征數(shù)組中的特征數(shù)據(jù)依次與第i條規(guī)則匹配，如果匹配成功，則將該條規(guī)則中的冰雹支持度和暴雨支持度分別加到變量bao和yu中，并令i＝i＋1．若匹配不成功，直接令i＝i＋1．

(3) 判斷i是否滿足大于RuleNum，如果滿足，執(zhí)行步驟4，否則執(zhí)行步驟3中的(2)．

步驟 4 類型識別.

將變量bao和yu分別與冰雹和暴雨的總支持票數(shù)作比值，比值大的類型就是當(dāng)前回波所屬的類型．

5 識別結(jié)果及分析

本文將冰雹樣本作為正例，暴雨樣本作為反例，經(jīng)過經(jīng)驗豐富的氣象專家采用本文冰雹識別方法對未參加訓(xùn)練的28個冰雹過程的383條歷史樣本和17個暴雨過程的262個歷史樣本的測試，所得識別結(jié)果如表5和表6所示．通過對表5識別結(jié)果的分析、計算，本文冰雹識別方法的命中率POD為82.77%、誤警率FAR為3.06%、成功指數(shù)CSI為80.66%，其中：

表5 樣本識別結(jié)果Tab.5 Recognition results of sample

表6 單個過程中的正確識別率統(tǒng)計Tab.6 Correct recognition rate for single monomer

24個冰雹天氣過程中空報為暴雨的幾乎都是在冰雹單體初步形成或者消亡階段間斷的時刻．2009年6月16日發(fā)生在某地區(qū)的冰雹(最大直徑9,mm)天氣過程，0,℃和?20,℃高度分別為4.2,km和7.6,km，強(qiáng)回波高度基本上維持在?20,℃高度層以下(如圖10所示)，這些條件使得暴雨的支持度很大，導(dǎo)致誤判全部誤識別為暴雨．該過程持續(xù)時間為30,min，降雹時間只有3,min．

另外，本文方法對冰雹的短時預(yù)報的平均時效達(dá)21.6,min，具體情況如表7所示．

圖10 漏報的冰雹實況Fig.10 Characteristics of hail omission

表7 預(yù)報時間提前量Tab.7 Ahead time of the forecast

6 結(jié) 論

(1) 用本文提出的確定剖線的算法能使剖面準(zhǔn)確有效地確定出反映單體的弱回波區(qū)和有界弱回波區(qū)結(jié)構(gòu)特征的剖面圖．

(2) 本文提取的WER和BWER以及強(qiáng)波高度等特征數(shù)據(jù)的方法對于冰雹自動識別是合理有效的．

(3) 通過基于粗糙集理論的數(shù)據(jù)挖掘方法建立的客觀模型和投票決策法的綜合應(yīng)用，能有效地將冰雹和暴雨天氣區(qū)分開，實現(xiàn)了冰雹和暴雨的識別和短時臨近預(yù)報．

(4) 本文實現(xiàn)了WER和BWER的自動檢測，為更準(zhǔn)確自動識別冰雹創(chuàng)造了條件，為獲取冰雹消雹點以減輕冰雹造成的災(zāi)害奠定了基礎(chǔ)．

［1］ 王 萍，董曉凱，賈惠珍. 雹云雷達(dá)回波反射率圖像梯度及形態(tài)特征的提取[J]. 計算機(jī)應(yīng)用，2007，27(增1)：372-377.

Wang Ping，Dong Xiaokai，Jia Huizhen. Hail cloud radar echo reflectance image gradient and morphological characteristics of extraction[J]. Computer Application， 2007，27(Suppl 1)：372-377(in Chinese).

［2］ Lu Zhiying，Wang Lei，Ma Hongmin，et al. Hailstone detection based on image mining[C] //Fifth International Conference on Fuzzy Systems and Knowledge Discovery. Jinan，China，2008，10(4)：39-43.

［3］ Montanya J，Soula S，Pineda N，et al. Study of the total lightning activity in a hailstorm[J]. Atmospheric Research，2009，91(24)：430-437.

［4］ 李 磊，朱 莉. “20110629”云南特大區(qū)域性冰雹天氣過程分析[J]. 云南大學(xué)學(xué)報，2013，35(2)：199-207.

Li Lei，Zhu Li. Yunnan large regional hail weather proc-ess analysis for 20110629[J]. Journal of Yunnan University，2013，35(2)：199-207(in Chinese).

［5］ 江玉華，劉 娟，何 躍，等. 一次伴隨冰雹的超級單體風(fēng)暴特征[J]. 氣象科技，2011，39(2)：172-181.

Jiang Yuhua，Liu Juan，He Yue，et al. Characteristics of supercell storm accompanied by hail[J]. Meteorological Science and Technology，2011，39(2)：172-181(in Chinese).

［6］ 覃 靖，潘 海. 具有雙有界弱回波區(qū)的超級單體雹暴雷達(dá)回波分析[J]. 安徽農(nóng)業(yè)科學(xué)，2009，37(5)： 2088-2090.

Qin Jing，Pan Hai. Analysis of supercell hailstorms radar echo with double bounded weak echo[J]. Journal of Anhui Agricultural Sciences，2009，37(5)：2088-2090(in Chinese).

［7］ 趙俊榮，郭金強(qiáng)，楊景輝，等. 一次致災(zāi)冰雹的超級單體風(fēng)暴雷達(dá)回波特征分析[J]. 高原氣象，2011， 30(6)：1681-1689.

Zhao Junrong，Guo Jinqiang，Yang Jinghui，et al. A super monomer of disastrous hail storm radar echo characteristics analysis[J]. Plateau Meteorology，2011， 30(6)：1681-1689(in Chinese).

［8］ Lu Zhiying，Yang Le，Li Yanying，et al. Sand-dust storm ensemble forecast model based on rough set[J].Transactions of Tianjin University，2007，13(6)：441-446.

［9］ 張 靜. 基于粗糙集理論的數(shù)據(jù)挖掘算法研究[D]. 西安：西北工業(yè)大學(xué)計算機(jī)學(xué)院，2006

Zhang Jing. Theory Research of Data Mining Algorithm Based on Rough Set[D]. Xi’an：Computer College， Northwestern Polytechnical University，2006(in Chinese).

［10］ 王光宏. 數(shù)據(jù)挖掘綜述[J]. 同濟(jì)大學(xué)學(xué)報：自然科學(xué)版，2004，32(2)：246-252.

Wang Guanghong. Summarize for data mining[J]. Journal of Tongji University：Natural Science Edition， 2004，32(2)：246-252(in Chinese).

［11］ 張學(xué)民，安利平. 動態(tài)數(shù)據(jù)庫規(guī)則獲取和更新的粗糙集方法[J]. 天津大學(xué)學(xué)報，2001，34(4)：529-532.

Zhang Xuemin，An Liping. Obtaining and updating rules based on rough set theory in dynamic databases[J]. Journal of Tianjin University，2001，34(4)：529-532(in Chinese).

［12］ 潘留杰，朱偉軍，周毓荃，等. 天氣雷達(dá)資料的三維格點化及拼圖初探[J]. 安徽農(nóng)業(yè)科學(xué)，2010， 38(5)：2517-2519，2570.

Pan Liujie，Zhu Weijun，Zhou Yuquan，et al. Three dimensional attunements and puzzles for weather radar data[J]. Journal of Anhui Agricultural Sciences， 2010，38(5)：2517-2519，2570(in Chinese).

［13］ 章國材. 強(qiáng)對流天氣分析與預(yù)報[M]. 北京：氣象出版社，2011.

Zhang Guocai. Analysis and Forecasting for Strong Convective Weather[M]. Beijing：China Meteorological Press，2011(in Chinese).

［14］ 俞小鼎，姚秀萍，熊廷南，等. 多普勒天氣雷達(dá)原理與業(yè)務(wù)應(yīng)用[M]. 北京：氣象出版社，2006.

Yu Xiaoding，Yao Xiuping，Xiong Tingnan，et al. Doppler Weather Radar Principle and Business Applications[M]. Beijing：China Meteorological Press， 2006(in Chinese).

［15］ 申俊琦，馮勝強(qiáng)，朱莉娜，等. 基于數(shù)學(xué)形態(tài)學(xué)的焊縫圖像邊緣提取[J]. 天津大學(xué)學(xué)報，2010，43(4)： 373-377.

Shen Junqi，F(xiàn)eng Shengqiang，Zhu Lina，et al. Edge detection of seam image based on mathematical morphology[J]. Journal of Tianjin University，2010， 43(4)：373-377(in Chinese).

［16］ 穆 穆，陳博宇. 氣象預(yù)報的方法與不確定性[J]. 氣象，2011，37(1)：1-13.

Mu Mu，Chen Boyu. Weather forecast method and its uncertainty[J]. Meteorological Monthly，2011，37(1)： 1-13(in Chinese).

(責(zé)任編輯：孫立華)

Hail Recognition Using Radar Echo Reflectivity Cross Section

Lu Zhiying1，Zhu Junxiu1，Tian Shuo1，Jia Huizhen2
(1. School of Electrical Engineering and Automation，Tianjin University，Tianjin 300072，China；2. Tianjin Meteorological Bureau，Tianjin 300074，China)

To recognize the hail weather more accurately，852 radar base data were analyzed. These data were collected from 24 hail processes and 19 heavy rain processes in a certain area between 2005 and 2010. Automatic identification model for hail was built by using radar reflectivity cross section. The optimal cutting lines were determined based on the analysis on the forming mechanism and structure of hail cloud. Radar reflectivity cross section was obtained by using interpolation algorithm and was analyzed with image processing methods. Features data such as the height differences between strong echo(over 45,dBZ)and 0,℃ as well as －20,℃ isothermal layer，and the height and width of weak echo recognition and bounded weak echo recognition were obtained. Rules for hail and heavy rain recognition were acquired by using data mining based on rough set，and automatic identification model was built. 385 hail samples from 28 hail processes were distinguished with this model. The test results show that the accuracy of recognition rate is 82.77%. This provides an effective method for identification and short-time forecast for hail，and it is helpful for reducing the loss caused by hail.

image processing；weak echo recognition；bounded weak echo recognition；rough set；data mining

P412.25

A

0493-2137(2015)08-0742-08

10.11784/tdxbz201401022

2014-01-08；

2014-03-16.

天津市自然科學(xué)基金資助項目(14JCYBJC21800)．

路志英（1964— ），女，博士，副教授.

路志英，luzy@tju.edu.cn.

時間：2014-03-14.

http://www.cnki.net/kcms/doi/10.11784/tdxbz201401022.html.