王萍,主要从事计算机视觉、模式识别应用研究.Email:
低空急流对强对流天气的预报有重要意义。针对目前低空急流主要由手工绘制,存在效率低、易受主观因素影响的问题,本文基于MICAPS高空全要素填图数据中的探空站风场信息,提出了一种低空急流自动识别及急流轴自动绘制算法。算法从急流轴定义出发,依次从风速、风向、探空站分布、中轴线位置等多个角度对低空急流轴进行检测。经过传递闭包聚类、急流轴关键点提取、不同风向急流轴关键点归并、急流轴平滑等步骤,实现了低空急流自动识别及急流轴的自动绘制。测试表明,在识别的基础上自动绘制的急流轴具有位置准确、形态自然、能完整反映急流水汽输送路径、适应复杂环境低空急流等特点。在291组测试数据中未发现空报,准确击中率达到94.96%。
Low-level jet is important for predicting severe convective weather. At present, the identification of low-level jet is conducted mainly by handwork, which brings the problem of low efficiency, easily influenced by subjective factors. So, based on the wind field data of the sounding stations in MICAPS, we propose an automatic low-level jet identification and drawing algorithm in this paper. The algorithm is based on the definition of the low-level jet axis, and detects the low-level jet axis from several aspects in terms of wind speed, wind direction, sounding station distribution, and the central axis position. Then after the steps of transitive closure clustering, key points extracting, low-level jet axis merging and the axis smooth- ing, the automatic identification and drawing of low-level jet are achieved. The test result shows that the jet axis, which is automatically drawn, has the characteristics of accurate position and natural shape. Besides, it could reflect the transport path of water vapor in jet, and adapt to the complex environment of low-level jet. In the 291 test data, the identification rate reaches 94.96% and false alarm is not found.
600 hPa以下出现的窄而强的气流称为低空急流(
气象业务中,低空急流通常借助MICAPS平台人机交互绘制,效率低且易受主观因素影响。对此,
中国境内的低空急流主要以偏南向急流为主,存在方向缓变(或不变)及方向急变两种类型,通常会延绵上千甚至几千千米。基于探空站风场信息(850 hPa),本文提出一种能适应不同类型低空急流自动识别算法。该算法首先利用传递闭包聚类法形成满足风向条件的探空站聚类,每个子聚类与一个急流的全部或局部相关联。然后在每个子类中提取急流轴关键点,归纳出局部急流区域连接规则,给出全部关键点的平滑急流轴自动绘制方法。
低空急流的分布特点一定会得到多个测站的数据支持,这些测站点虽非均匀布局,但它们覆盖的区域形同急流分布,同时,各站数据受到风速和风向的一致性或相似性制约。本文提出的从点(各测站)到面(急流域)、再到线(急流轴)的低空急流自动识别算法流程主要思想如
低空急流自动识别算法流程图
Flow chart of low-level jet automatic identification algorithm
面对全部境内探空站,仅有一部分探空站能联合给出低空急流的可用信息,它们之间满足以下约束条件:
(1) 在850 hPa等压面上,连续两个以上测站风速超过12 m·s-1。
(2) 中国境内的低空急流主要以偏南风急流为主。
用满足以上条件的探空站勾勒出大风区,并在大风区的几何中心分析低空急流轴。为此,设探空站筛选条件为:
(风速≥
为了更加完整地体现水汽输送路径,对南部沿海地区将阈值
急流区是狭长的带状,我们称同属这样的带状区域的探空站为一个聚类。例如在
基于2009年4月19日20时850 hPa探空站风场数据的低空急流轴
The low-level jet axis at 850 hPa wind field from sounding stations at 20:00 BT 19 April 2009
传递闭包聚类的主要思想是基于两两样本间的相似性来决定某样本是否具有进入当前子类的资格(
经过筛选,得到满足风向、风速要求的探空站
定义
定义布尔关系矩阵
设布尔矩阵
传递闭包聚类算法步骤如下:
步骤1:生成一个布尔矩阵
步骤2:对布尔矩阵
步骤3:分析
对2009年7月23日08时数据,在
Result of the transitive closure clustering algorithm performed under the condition of
在聚类过程中为了尽可能找到支持急流的探空站,需要适当将阈值
同
Same as
仅保留
2009年7月23日08时(a),20日08时(b)聚类结果在±45°方向上进行的投影
Clustering results projected in the direction of ±45° at 08:00 BT 23 (a) and 08:00 BT 20 (b) July 2009
算法步骤如下:
步骤1:假设
步骤2:给定
步骤3:对于
步骤4:选择
为确定二次传递闭包聚类时相似性度量
二次聚类中需要“保留”类站点和需要“去除”类站点间的分布
Distribution of stations in the secondary clustering to be "reserved" or "removed"
对
Performing the secondary transitive closure clustering algorithm (
二次传递闭包聚类后,得到若干组沿风向呈带状分布的探空站点集合,急流轴应从它们中间穿过。由于探空站地理位置分布的不均匀性,不宜采用简单的取中法。下面给出一种根据站点数量及站点之间相对关系确定急流轴关键点的算法。算法步骤如下:
步骤1:假设
步骤2:直接将
急流中轴关键点提取算法示意图
Schematic diagram of low-level jet axis key points extraction algorithm
步骤3:若
步骤4:
(1) 求取
(2)
(3) 将线段
(4) 将
按照以上步骤,分别找到
行进过程中方向发生较大改变的低空急流下的探空站,一般会被传递闭包算法至少聚成两个子类(参见
对2009年7月17日08时数据,得到两个子类的区域中轴的关键点
The key points of the axis in two subclasses obtained from the data at 08:00 BT 17 July 2009
首先定义不同聚类子集的连接规则:设两个聚类子集区域中轴为
急流轴关键点归并算法步骤如下:
步骤1:取
步骤2:若
经过以上步骤,得到低空急流轴
对2009年7月20日08时数据,经过急流轴提取并平滑的结果
Result from the data at 08:00 BT 20 July 2009 after the extraction and smoothing of jet axis
本算法基于Visual Studio 2015平台使用C++编程语言实现,输入数据为MICAPS第2类数据中的850 hPa探空站风场信息,输出为低空急流轴的经纬度坐标。在Intel i5-4590硬件平台下整个算法运行平均耗时0.0249 s。
使用2009年3月12日至8月27日及2012年5月31日至12月18日08—20时中的291组数据对算法的准确性和鲁棒性进行测试。并将测试结果交予气象专家核实,若识别结果与人工分析结果一致则定义为准确检出;若识别结果与人工分析结果不完全一致但自动识别结果能大致反映低空急流趋势,则定义为偏差;若自动识别存在低空急流但人工分析不存在低空急流,则认为空报;若人工分析存在低空急流但本算法并未识别出,则认为漏报。在上述291组数据中,有位于中国地区的低空急流139处,准确检测出132处,有偏差的为4处,漏报3处,空报0处,检出率达到97.84%,准确击中率为94.96%(
算法性能测试统计结果
Result of algorithm performance test
样本数 | 击中率 | 准确击中率 |
偏差击中率 |
|
漏报率 |
空报率 |
|||
139 | 94.96%(132) | 2.88%(4) | 2.16%(3) | 0 |
2009年3月21日08时(a), 2012年6月3日20时(b), 2009年4月19日08时(c), 和2009年6月10日08时(d)低空急流轴检测结果
Result of low-level jet identification and drawing at 08:00 BT 21 March 2009 (a), 20:00 BT 3 June 2012 (b), 08:00 BT 19 April 2009 (c), and 08:00 BT 10 June 2009 (d)
本文根据低空急流定义及其特点,首先,以相邻探空站位置分布与其风向的一致性关系为依据,对探空站进行传递闭包聚类分析,得到多个聚类子集。针对同属一个聚类子集但分布不均的探空站,提出探空站凸包法,得到基于这些探空站的一片区域,并对该区域求取满足风向约束的关键点。针对急流行进过程中可能产生的风向改变的情形,提出一种距离约束下的急流轴关键点归并算法,最后选用贝塞尔曲线模型实现基于关键点的低空急流的自动绘制。
经对291组数据检验,结果经人工核实,得出以下结论:
(1) 算法中的两次传递闭包聚类可以在最大程度上识别出急流完整路径的基础上,圈定急流的准确区域范围,达到较为完整和准确地反映水汽输送路径的目的。
(2) 算法同时适用于单一风向的低空急流和方向发生改变的低空急流的自动识别,算法鲁棒性强。
(3) 绘制出的急流轴均处于急流区域的中轴位置且表现为光滑的曲线,与手工绘制的结果相符。
(4) 在291组数据中,准确检出139例低空急流中的132例,准确击中率达到94.96%,未发现空报。
(5) 本算法使用C++语言实现,便于编译成库文件以提供给气象部门进行业务应用。同时本算法适用性较强,稍作改动亦可用于格点数据中的低空急流的识别。
本文的算法还存在一些缺陷,(1)当支持方向急转型急流的探空站过少时,会出现漏检。(2)当在一个区域内满足风向条件的探空站过于密集但同时存在两类风向子集时,可能出现急流轴关键点归并算法失效或在同一区域识别出多条急流轴的情况。这需要在更大规模样本的支持下,发现问题的规律,对本文方法进行改进和补充。
陈显强, 2004.二元关系的传递性和传递闭包探讨[J].数学的实践与认识, 34(9):135-137.
冯文, 符式红, 赵付竹, 2015.近10年海南岛后汛期特大暴雨环流配置及其异常特征[J].气象, 41(2):143-152.
金宏忆, 顾松山, 王珊珊, 等, 2008.多普勒雷达低空大风轴线自动识别方法的探讨[J].南京气象学院学报, 31(5):702-710.
李进, 丁婷, 赵思楠, 等, 2015.2013年6月7日浙江省中北部暴雨过程诊断分析[J].气象, 41(10):1215-1221.
孙淑清, 1979.关于低空急流对暴雨的触发作用的一种机制[J].气象, 5(4):8-10.
王东阡, 王艳姣, 崔童, 等, 2016.2015年夏季气候异常特征及其成因简析[J].气象, 42(1):115-121.
王家润, 赵南松, 华文元, 等, 2010.分段连续三次Bezier曲线控制点的构造算法[J].计算机工程与应用, 46(22):190-193.
王毅, 代刊, 黄小玉, 2013.高、低空急流的客观识别及其初步应用[J].天气预报技术总结专刊, 5(5):46-50.
朱乾根, 2007. 天气学原理和方法: 第4版[M]. 北京: 气象出版社: 375-381.
Graham R L, 1972.An efficient algorith for determining the convex hull of a finite planar set[J].Inf Process Lett, 1(4):132-133.
Higgins R W, Yao Y, Yarosh E S, et al, 1997.Influence of the Great Plains low-level jet on summertime precipitation and moisture transport over the central United States[J].J Climate, 10(3):481-507.
Qian Jianhua, Tao Weikuo, Lau K M, 2004.Mechanisms for torrential rain associated with the Mei-Yu development during SCSMEX 1998[J].Mon Wea Rev, 132(1):3-27.
Rosen K H, 2006. Discrete Mathematics and Its Applications[M]. 6th ed. New York: McGraw-Hill: 544-555.
Weaver S J, Nigam S, 2008.Variability of the Great Plains low-level jet:large-scale circulation context and hydroclimate impacts[J].J Climate, 21(7):1532-1551.
Zhao Yuchun, 2012.Numerical investigation of a localized extremely heavy rainfall event in complex topographic area during midsummer[J].Atmos Res, 113:22-39.