基于物理的降水–在实时国家系统中使用偏振和环境数据进行非降水雷达回波分类外文翻译资料

 2022-12-19 18:03:47

英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料

基于物理的降水--在实时国家系统中使用偏振和环境数据进行非降水雷达回波分类

LIN TANG

Cooperative Institute for Mesoscale Meteorological Studies, University of Oklahoma, and NOAA/OAR/National Severe Storms Laboratory, Norman, Oklahoma

JIAN ZHANG

NOAA/OAR/National Severe Storms Laboratory, Norman, Oklahoma

CARRIE LANGSTON AND JOHN KRAUSE

Cooperative Institute for Mesoscale Meteorological Studies, University of Oklahoma, and NOAA/OAR/National Severe Storms Laboratory, Norman, Oklahoma

KENNETH HOWARD

NOAA/OAR/National Severe Storms Laboratory, Norman, Oklahoma

VALLIAPPA LAKSHMANAN

Cooperative Institute for Mesoscale Meteorological Studies, University of Oklahoma, and NOAA/OAR/National Severe Storms Laboratory, Norman, Oklahoma

(Manuscript received 27 June 2013, in final form 23 March 2014)

简述

偏振雷达观测提供有关大气中散射体的形状和大小的信息，帮助用户区分降水和非降水雷达回波。识别和消除雷达反射率场中的非沉淀回波是基于雷达定量降水估量的关键步骤。开发出基于反射率，相关系数和温度数据的自动算法，通过一组基于物理的规则执行反射率数据质量控制。在不同地理区域和季节的大量实际数据案例中对该算法进行了测试，其在分离降水和非降水回波方面表现出高准确度（Heidke技能得分为0.83）。将该算法与其他两种操作和实验反射率质量控制方法进行了比较，其显示出了更有效的非沉淀回波消除能力以及更高的计算效率。目前的方法也在实时国家多雷达和多传感器系统中表现出令人满意的性能。

1.介绍

将预测与非降水（NP）雷达回波分开是雷达衍生定量降水估算（QPE）的一个重大挑战。NP回波包括来自人造电信发射机和太阳尖峰（SS）的电磁干扰（EI）; 由于特定的大气温度和/或湿度梯度，雷达波束的异常传播（AP）引起的地面杂波（Grecu和Krajewski 2000）; 生物散射体（鸟类，蝙蝠和昆虫）（Lakshmanan et al.2010）; 来自地面结构的地面杂物，如塔楼和建筑物（Bachmann and Tracy 2009）; 和海杂波（Gray and Larsen 2005）。 雷达反射率（Z）场的有效质量控制（QC）对于确保风暴结构的真实描述和雷达数据的准确降水估计至关重要。

Corresponding author address: Lin Tang, CIMMS, University of Oklahoma, 120 David Boren Blvd., Norman, OK 73072.

E-mail: lin.tang@noaa.gov

DOI: 10.1175/WAF-D-13-00072.1

! 2014 American Meteorological Society

FIG. 1. (a) Base reflectivity and (b) corresponding hydrometeor classification fields on 0.58 tilt of KEWX observations valid at 0719:46 UTC 6 May 2012.

在偏振雷达技术变得广泛可用之前，基于启发式规则（e.g., Zhang et al. 2004）和基于神经网络的[质量控制神经网络（QCNN）就已（e.g., Lakshmanan et al. 2007, 2010）使用反射率QC技术开发Z，径向速度V，谱宽sy和大气环境数据以分离降水和非降水（P-NP）回波。这些技术可以在各种情况下消除大量的NP回报。然而，在鸟类迁徙季节，春季和秋季的高峰期，夜间生物回声（“绽放”）仍然是一个主要问题，特别是当它们与降水回波相关时。另一方面，由于试图使绽放回波最小化的技术，有时会消除小雨和雪回波。雷达反射率领域的手动质量控制已经在商业天气公司和国家气象服务河流预报中心(http://www.emc.ncep.noaa.gov/mmb/yli n/pcpanl/stage4/) 等业务中实施。然而，手动QC是一种费力的工具，并且并不能及时预报恶劣天气和山洪。对于实时应用，仍然需要自动化方法。

美国天气监测雷达-88多普勒（WSR-88D）网络的偏振升级为许多学科的雷达数据应用开辟了一个新时代（Kumjian 2013b）。随着升级，可获得差分反射率ZDR，差分相位FDP和特定差分相位KDP以及相关系数rHV的新变量。这些变量测量水平和垂直通道中功率返回信号的强度和相位之间的差异和相关性，并提供有用的与给定分辨率体积中散射体的形状，大小和方向相关的信息。基于这些新的测量，人们已经为不同波长的雷达开发了具有不同复杂程度的水凝胶分类算法（HCA）(e.g., Straka and Zrnic 1993; Vivekanandan et al. 1999; Straka et al. 2000; Liu and Chandrasekar 2000; Zrnic et al. 2001; Lim et al. 2005; Gourley et al. 2007; Marzano et al. 2008; Park et al. 2009; and many others)。Park et al. (2009) 为WSR-88D开发了一种基于模糊逻辑的HCA，将雷达回波分为10种不同的水文气象和非水文类别。该算法已作为国家气象局业务雷达产品基线的一部分实施。 HCA通常提供非常好的P-NP回波分离，尽管由于不同回波类型的模糊逻辑中的非排他性隶属函数仍然存在一些问题(e.g., Liu and Chandrasekar， 2000)。例如，HCA有时可能将生物或杂波回声错误分类为“大雨滴”（BD;图1b）。 在光束与熔化层相交的范围之外识别花朵或AP回波也存在一些困难（图1b）。 HCA涉及所有极化雷达变量，包括Z，V，sy，rHV，ZDR和FDP，含有多个复杂的过程，并且需要大量的计算资源。

Lakshmanan等人（2013）开发了一种双极化（dp）雷达反射率质量控制算法，他们使用神经网络方法（dpQCNN）输入六个变量（Z，V，sy，rHV，ZDR和FDP）来分离非降水回波与降水回波。，dpQCNN利用预处理的神经网络或是基于Zh，ZDR和Zv的单分类器计算每个像素的降水概率和rHV阈值。应用聚类后处理将范围门分组为降水或非降水实体，并移除非降水实体。结果显示，dpQCNN提供了良好的Heidke技能评分（HSS），分数为（Lakshmanan et al.，2013）。然而，由于统计评分过程和神经网络模型的特征，dpQCNN的性能高度依赖于可用于预处理的数据集，并且神经网络方法通常在明确识别可能的因果关系时能力有限（Tu 1996）。 此外，CNN还需要应用到全部6个偏振雷达变量，计算费用可能相对较高。

普遍认为，在大多数情况下，相关系数rHV在降水回波与非降水回波中具有截然不同的特征（例如，Balakrishnan和Zrni c 1990; Doviak和Zrni c 1993; Zrni c和Ryzhkov 1999; Melnikov和Zrni c 2007; Kumjian 2013a）。数量rHV测量在给定分辨率体积内有助于两个偏振雷达返回的散射体的多样性。一般来说，它的值从小于0.5到1（Melnikov and Zrni c 2007）同时均匀的散射体，例如相似尺寸的雨滴产生的rHV接近1（Kumjian 2013a），非均匀散射体如鸟类和昆虫产生的值小于0.75（ Zrni and Ryzhkov 1999）。利用这一独特功能，目前的研究旨在实现一种简单的基于rHV的P-NP分离算法（dpQC），该算法可应用于实时国家多传感器和多传感器（MRMS）QPE系统(Zhang et al. 2014)。MRMS QPE系统采集了146个WSR-88D雷达和30个加拿大环境公司的气象雷达，并以1公里的分辨率和2分钟的更新周期生成一套降水产品。 大量数据和快速的产品更新速率要求系统中的算法具有高计算效率。

dpQC是一种基于物理的方案，根据rHV，Z和大气热力学场从而应用一组明确的气象原理。它结合了一个简单的rHV滤波器，用于分离P（高rHV值）和NP（低rHV值）区域，并应用一组启发式规则来处理基本rHV滤波器的异常。这些例外包括具有低rHV值的冰雹，不均匀束填充（NBF）和熔化层（ML）的区域，以及具有高rHV值的随机杂波和生物像素。dpQC使用3D反射率结构和环境数据来保护冰雹，NBF和ML区域免受简单的rHV滤波器的影响，它使用空间滤波器和垂直和水平一致性检查来移除具有高rHV值的随机NP像素。 dpQC在计算上是高效的，因为简单的rHV过滤器可以标记不需要进一步处理的大部分数据。 其他过滤器和空间分析步骤按顺序排列，每个步骤中的数据较少。 该算法基于一般的和明确的气象原理，对特定情况不敏感。 该算法的透明性使得dpQC易于在实时环境中维护和更新。

本文的其余部分安排如下。 第2节提供了dpQC方法的详细描述，第3节提供了案例研究结果和讨论。 结论和评论见第4节。

FIG. 2. Flowchart of the dpQC algorithm.

  1. 方法论

图2显示了dpQC算法的概述流程图，该算法由七个步骤组成，包括1）基本的rHV过滤器，用于区分“最可能的”降水区域; 2）划定冰雹和NBF区域; 3）划定ML区域; 4）rHV纹理滤波器，用于去除与噪声rHV结构相关的NP回波; 5）尖峰滤波器，以消除与SS和EI相关的NP回波; 6）通过垂直梯度和水平平滑度检查去除AP; 7）最后的清理程序，去除降水区域的小孔中的斑点和填充物。 输入数据包括雷达站点的Z，rHV和温度曲线。 输出是降水反射率场。 每个步骤的细节如下所示。

FIG. 3. (a) Raw Z, (b) rHV , (c) Z fields after the QCNN process, and (d) Z field after the basic rHV filter (threshold 5 0.95) from the 0.58 tilt of KEWX observations valid at 0551:39 UTC 6 May 2012.

  1. 基本rHV过滤器

众所周知，纯雨和纯雪与接近1的高rHV值相关，并且NP散射体通常产生低rHV值。 图3a显示了KEWX在0551：39 UTC 2012年5月6日的基本反射率图。单极化雷达QCNN（Lakshmanan et al.，2007）难以将降水与NP回波分开（图3c），因为反射率和 鸟类和昆虫的速度特征与层状降水的速度特征非常相似。另一方面，两组的rHV值明显不同（图3b）。一个阈值为0.95的简单rHV过滤器在去除大量杂波方面非常有效（图3d）。 图3d中的残余NP回波可能来自与昆虫相关的随机高rHV值（Doviak and Zrni c 1993）以及由于噪声变化的校正偏差而导致的高rHV像素（Melnikov and Zrnic,2007）。

图4显示了rHV的归一化直方图，其中有经验的雷达气象学家手动分离降水（图中表示为黑条）和NP（表示为灰条）回波。 根据KARX的情况（图4a），与NP回波相关的rHV值往往在0.3和0.95之间，而降水回波的rHV值通常大于0.95。 然而，这种rHV特征并非在所有降水方案中持久存在。 对于KVNX于2011年5月20日（0736 UTC）观测到的对流风暴，P-NP回波的直方图（图4b）有一个非常明显的重叠，NP回波的rHV值在整个范围内蔓延 范围0到1。 同时，由于大型冰雹，一些降水回波的rHV值小于0.80.

FIG. 4. Histogram plots of the rHV values associated with NP (gray) and P echoes (black), observed by (a) KARX at 1933 UTC 26 Jun 2012 and (b) KVNX at 0736 UTC 20 May 2011.

这些降水回波需要在dpQC中进行特殊处理，如下所述。

  1. 冰雹和NBF

低rHV值通常出现在对流风暴的冰雹区域或存在混合水文气象类型的区域（雨/冰雹，雨/雪等）。它们表明了更多的水力学多样性和可能的混合相沉淀(e.g., Balakrishnan and Zrnic 1990; R

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[19792]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章