吳奕霄，王珂清,程 婷，項 瑛，周學東，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

陣風鋒過境伴有氣壓升高、風速突增和溫度陡降等現(xiàn)象，陣風鋒及其母雷暴經(jīng)常會產(chǎn)生地面大風，引發(fā)人員傷亡或者經(jīng)濟損失，因此陣風鋒研究對防災、減災有重要意義［1］。提前識別和預警陣風鋒有利于采取有效的措施避免危險事故發(fā)生，進而降低和減少經(jīng)濟損失和人員傷亡。雷達目標檢測能夠判斷回波信號中目標存在與否，并提取目標位置信息［2-3］。因此，利用雷達進行易引發(fā)大風的陣風鋒自動檢測技術研究引起了廣泛關注。模板匹配技術是在設定一個目標模板后，與具有相似目標的圖像進行比對，以獲取目標模板在圖像中的位置，以此達到圖像識別的目的，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］。

在天氣雷達反射率因子圖像上陣風鋒表現(xiàn)為一條高度較低（低仰角層觀測）、形態(tài)呈弧線結構和具有移動特點這3 個特征的窄帶回波。在雷達徑向速度數(shù)據(jù)場上呈現(xiàn)速度輻合特征。Uyeda等［6］首先提出陣風鋒自動探測算法（Automatic Detection of Gust Fronts,ADGF），該算法只使用沿雷達徑向的速度輻合，將徑向切變超過預設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鋒。后來提出了改進的陣風鋒探測算法（Gust Front Detection Algorithm,GFDA）［7-9］，利用兩個低仰角垂直關聯(lián)減少了虛假預警，該算法被用于美國TDWR 雷達業(yè)務系統(tǒng)。美國強風暴實驗室和麻省理工學院林肯實驗室聯(lián)合開發(fā)了改進的陣風鋒自動探測算法［10-11］，包含了陣風鋒雷達回波細線探測，通過尋找局地最大反射率因子與陣風鋒反射率因子和寬度一致性探測陣風鋒回波細線。Delanoy等［12］開發(fā)了機器智能識別陣風鋒算法（Machine Intelligent Gust Front Algorithm,MIGFA），該算法首次使用模板函數(shù)計算雷達回波圖和速度標準偏差得分，并設計了相應的質(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鋒。隨著需求的提升和技術的發(fā)展，一些新的或改進的陣風鋒識別技術也得到全面發(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，在此基礎上設計了基于回波平坦性計算和陣風鋒徑向波形尋找算法的陣風鋒自動識別算法。冷亮等［14］基于陣風鋒的3 個特征，提出了基于數(shù)字圖像處理技術中的數(shù)學形態(tài)學算法的陣風鋒自動識別算法，通過建立雷達觀測范圍內(nèi)的二維特征量場，對其處理后得到一條反映陣風鋒骨架特征的曲線。徐芬等［15］改進和調(diào)整了MIGFA 算法，設計了較高仰角（1.5°/2.4°）反射率的陣風鋒細線函數(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 雷達探測到的江蘇沿江地區(qū)陣風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)絡的訓練進行優(yōu)化，對于陣風鋒的識別率高達92%。Yuan等［17］基于統(tǒng)計特征分析和圖像處理技術，提出一種基于本地二進制雙模板（Local Binary with Dual-Template,LBDT）算法改進的雷達數(shù)據(jù)自動檢測陣風鋒的方法。該算法對反射率值和陣風鋒寬度的變化不敏感，在自動識別陣風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，提出了改進的深度卷積網(wǎng)絡陣風鋒識別算法（d-CNNGFDA），利用窄帶弱回波的繞雷達中心旋轉不變性的特性，只對垂直走向的窄帶弱回波進行標記，擴充了數(shù)據(jù)量用以提升復雜回波中陣風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鋒樣本符合各自算法設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)大風的陣風鋒通用特征:雷達回波圖像所在高度較低、圖像特征呈弧線結構和具有移動這3 個特征，設計能表征這3個特征的函數(shù)模板，再采用風暴回波特征抑制技術和其他弧線回波特征抑制技術以降低檢測虛警率，最終實現(xiàn)更具普適性的一套陣風鋒檢測技術。

1 識別方法研究

1.1 算法流程概述

根據(jù)觀測事實以及學者們總結［12］的易引發(fā)大風的陣風鋒雷達反射率因子圖像具有以下特征:1）陣風鋒雷達反射率因子圖像呈細長線狀，其數(shù)值一般小于25 dBz；2）陣風鋒圖像高度較低；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，采用相應預處理方法提高雷達反射率因子圖像質(zhì)量后，借鑒模板匹配方法［12］得到3種不同的得分值結果。

圖1 陣風鋒天氣雷達反射率因子圖像（方框內(nèi)弧線狀圖像）

融合3種時空變化特征匹配結果后，采用區(qū)域增長法提取陣風鋒弧線圖像結構，達到自動檢測陣風鋒的目的?；陉囷L鋒時空變化特征的大風識別算法流程如圖2所示，由該圖可見通過對包含有不同特征的雷達回波圖像進行相應的模板匹配后，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)大風的陣風鋒雷達反射率因子圖像的提取。

在利用函數(shù)模板提取陣風鋒圖像特征前，為提高圖像提取成功率，對數(shù)據(jù)質(zhì)量進行如下預處理:將0.5°和1.5°仰角的雷達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)從極坐標下轉換到直角坐標下，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系下的雷達回波圖像。

1.2 函數(shù)模板設計

根據(jù)陣風鋒圖像在不同仰角、仰角間圖像特征差異、同一仰角前后時刻圖像差異等設計相應函數(shù)模板提取能夠反映陣風鋒的圖像特征。根據(jù)陣風鋒在空間變化上的特征設計了陣風鋒線狀函數(shù)模板；根據(jù)陣風鋒在空間上線狀差異特征分別設計了風暴邊緣函數(shù)模板和放射狀回波圖像函數(shù)模板；根據(jù)陣風鋒在時間變化上的特征設計了陣風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)分別設計如下:由于陣風鋒天氣雷達反射率因子圖像特征呈細長弧線結構，根據(jù)這一特征設計函數(shù)模板和得分函數(shù)如圖2所示，利用相應的得分函數(shù)可得到高的陣風鋒圖像得分值，抑制其他圖像得分值。該設計思路是依據(jù)盡管陣風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）中的模板被設計為直線段主要基于假設陣風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鋒回波圖像上的點，對應圖3（b）中的得分函數(shù)1。因為陣風鋒回波一般在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，因為陣風鋒在某些情況下會與風暴邊緣結合在一起，而陣風鋒一般不會出現(xiàn)負值，所以給負的反射率因子值一個負得分值。黑色的點代表陣風鋒回波兩側的點，對應圖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)生的陣風鋒長度、寬度和反射率因子值可能不盡相同，筆者結合江蘇地區(qū)陣風鋒反射率因子值和相關文獻確定的得分函數(shù)值僅供參考。

因為陣風鋒回波圖像出現(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，陣風鋒回波圖像基本被保留。根據(jù)陣風鋒差分反射率因子圖像特征，設計圖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行特征提取。與圖3 陣風鋒線狀函數(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)大風的陣風鋒具有移動的特征，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)對前后時刻陣風鋒差分反射率圖像特征進行提取。

圖4 陣風鋒天氣雷達反射率因子圖像（方框內(nèi)弧線狀圖像）

圖5 陣風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，卻保留了風暴邊緣圖像，該風暴邊緣呈弧線狀，很容易被誤識別為陣風鋒圖像。本文設計風暴函數(shù)模板和相應得分函數(shù)用以削弱線狀風暴邊緣對識別結果的影響。如圖6（a）所示，函數(shù)模板被設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，突出呈片狀的風暴和層云圖像得分值。圖6(b)為風暴邊緣得分函數(shù)圖。

圖6 風暴邊緣函數(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。因為放射狀回波干擾圖像一般只會出現(xiàn)在雷達掃描方向，所以該模板僅在極坐標反射率圖像上沿雷達掃描方向進行計算。再分別利用圖3、圖5 函數(shù)模板和得分函數(shù)處理每幅雷達反射率圖像得到的得分值結果中減去使用該模板計算得到的結果，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

為了讓得分值結果便于提取，本文還設計了如圖8所示的函數(shù)模板和得分函數(shù)對融合的得分值結果進行平滑處理。如圖8（a）所示，以黑色圓點為中心點，灰色方格代表陣風鋒得分值上的點，黑色方格代表陣風鋒得分值兩側的點，模板中心點兩側設計了較多的灰色格點，目的是讓陣風鋒得分值更加連續(xù)。

圖8 平滑圖像函數(shù)模板

由于陣風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以上步驟。旋轉公式如下:

式中，θ代表旋轉角度，x'和y'代表旋轉后新坐標，x和y代表原坐標。

經(jīng)過上述多個函數(shù)模板和得分函數(shù)處理后，對多組得分值進行融合處理，并對得分值結果作二值化處理，得分值大于0.5 賦值為1，小于0.5 則賦值為0。為提取屬于陣風鋒的圖像，本文借鑒區(qū)域增長法［11］對二值化圖像進行處理，得到的候選陣風鋒圖像如果長度小于6 km，則排除這個候選陣風鋒。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鋒進行處理:如果一個格點滿足與原候選陣風鋒包含的點相鄰，得分值不低于0.2且該點得分值角度與原候選陣風鋒平均角度相差不超過30°，則認為該點是候選陣風鋒中的一個點，并入候選陣風鋒中。如果候選陣風鋒長度超過20 km，則認為是陣風鋒，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探測到的陣風鋒圖像為例（圖1方框內(nèi)）。如圖1（a）中0.5°仰角雷達站東南方向的陣風鋒圖像被風暴邊緣掩蓋，圖1（b）中1.5°仰角雷達站東南方向的陣風鋒圖像較明顯，基本未受影響，但是一般陣風鋒圖像出現(xiàn)高度較低，抬高仰角至1.5°時，隨著離開雷達站距離增加，探測高度也在增加，在雷達站東偏北約25°方向第二個距離圈處已探測不到陣風鋒圖像?？梢?.5°雷達資料探測高度較低，在近距離處陣風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，卻由于遠距離處探測高度較高而不能探測到陣風鋒。由此可以看出，單仰角的雷達資料并不一定能探測到完整的陣風鋒圖像，這也是文中利用了兩個仰角的圖像進行陣風鋒自動識別的原因。

采用本文圖3 設計的函數(shù)模板和得分函數(shù)分別對0.5°仰角和1.5°仰角雷達圖像進行處理后，用灰度值表達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)匹配技術能夠在陣風鋒識別中發(fā)揮重要作用。圖9（a）和圖9（b）中部分非陣風鋒圖像也得到了較高的得分值，這也是陣風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鋒特征來對其進行自動識別。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 陣風鋒線狀函數(shù)模板處理的0.5°和1.5°仰角雷達圖像

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 中陣風鋒圖像所在位置和形狀有較高的一致性。

圖10 陣風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））得到風暴邊緣圖像得分值（圖略），用圖10（b）得分值結果減去風暴邊緣圖像得分值，降低風暴邊緣圖像對識別結果的影響。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果后，采用加權平均的方式融合3種得分值得到綜合得分值結果，如圖11（a）所示。由該圖可見，雷達站南偏東約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）最終的得分值結果。由圖11（b）可見，本文設計的檢測技術成功突出了陣風鋒得分值，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)整權重，進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鋒，且識別結果與原陣風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果

3 結束語

本文根據(jù)我國易引發(fā)大風的陣風鋒雷達回波圖像高度較低、呈弧線結構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，采用模板匹配技術分別對其進行處理，得到3種不同得分值結果。對3 種不同得分值結果進行加權平均后，采用能夠使得分值平滑細化的函數(shù)模板技術進行處理，最后采用兩次不同的區(qū)域增長法提取陣風鋒，并排除虛假預警。在得到3種得分值結果的過程中，還采用了風暴邊緣圖像抑制模板技術和放射狀回波圖像模板抑制技術。結果表明，算法能夠有效識別陣風鋒，識別結果與原陣風鋒位置和形狀比較一致。

作為會對生活和生產(chǎn)帶來嚴重影響的天氣因素，陣風鋒常年帶來損失不容忽視。本文所設計的陣風鋒模板匹配技術為能準確地監(jiān)測和預警陣風鋒導致的災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)多年陣風鋒圖像特征統(tǒng)計結果，適用于該地區(qū)的陣風鋒特征識別，若要在其他地區(qū)進行推廣，還需要結合其他地區(qū)陣風鋒圖像特征進行相應閾值的調(diào)試；另外本文設計的算法僅利用了雷達反射率因子圖像，陣風鋒在速度圖像上還具有輻合特征，但是雷達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，導致在目前陣風鋒圖像特征識別中雷達徑向速度圖像數(shù)據(jù)難以利用。后期作者將嘗試結合天氣雷達徑向速度圖像特征以及地面自動站氣象要素變化特征，以進一步提升基于陣風鋒的大風識別算法。