开云优惠体育网页版入口

专利名称：一种强对流触发动力信号的观测辨识方法

专利类型：发明专利

专利申请号：CN202411195083.4

专利申请（专利权）人：河北省气象技术装备中心
权利人地址：河北省石家庄市裕华区槐中路253号

专利发明（设计）人：杨荣芳,孟德利,郭建平,韦伟,郭在华,甄树勇,幺伦韬,梁如意

专利摘要：本发明提供一种强对流触发动力信号的观测辨识方法，包括：采集风廓线雷达的第一雷达数据，根述第一雷达数据计算获得边界层参数；采集毫米波云雷达的第二雷达数据，根据第二雷达数据计算获得云宏观参数；根据边界层参数及云宏观参数，判断边界层与云的耦合状态；获取历史降水数据，由历史降水数据对应的边界层动力场筛选获得降水特征状态；通过多参数阈值法，对边界层参数、耦合状态及降水特征状态进行分析，获得用于对强对流触发动力信号观测识别的判别指标。本发明利用地基遥感手段，捕捉降水前的动力演变特征，通过风切变和湍流耗散率等动力廓线提取动力信号，构建强对流触发前期动力信号判别指标，能够提升大气动力场分析的准确度。

主权利要求：
1.一种强对流触发动力信号的观测辨识方法，其特征在于，包括：S1：采集风廓线雷达的第一雷达数据，根据所述第一雷达数据计算获得边界层参数，其中所述边界层参数为边界层高度；
S2：采集毫米波云雷达的第二雷达数据，根据所述第二雷达数据计算获得云宏观参数；
S3：根据所述边界层参数及所述云宏观参数，判断边界层与云的耦合状态；
其中，步骤S3中的所述耦合状态具体包括：
当所述云宏观参数中的云底高度小于所述边界层高度时，边界层与云为耦合态；
当所述云宏观参数中的云底高度大于或等于所述边界层高度时，边界层与云为解耦态；
S4：获取历史降水数据，由所述历史降水数据对应的边界层动力场筛选获得降水特征状态；
S5：通过多参数阈值法，对所述边界层参数、所述耦合状态及所述降水特征状态进行分析，获得用于对强对流触发动力信号观测识别的判别指标。
2.根据权利要求1所述的一种强对流触发动力信号的观测辨识方法，其特征在于，步骤S1进一步包括：S11：采集风廓线雷达的原始数据作为第一雷达数据，对所述第一雷达数据进行解码，获得功率谱参数；
S12：将所述功率谱参数进行预处理，获得预处理的径向数据；
S13：根据所述径向数据计算获得风切变数据；
S14：根据所述风切变数据及风向廓线的速度谱宽反演获得湍流耗散率；
S15：根据所述风切变数据及所述湍流耗散率，反演获得边界层参数。
3.根据权利要求2所述的一种强对流触发动力信号的观测辨识方法，其特征在于，步骤S13中的所述风切变数据的表达式为：其中， 为计算获得的风切变指数， 为水平风的径向分量， 为水平风的纬向分量，为离地探测高度。
4.根据权利要求2所述的一种强对流触发动力信号的观测辨识方法，其特征在于，步骤S14中的所述湍流耗散率的表达式为：其中，为计算获得的湍流耗散率， 为湍流谱宽，为3?DKolmogorov常数，为风廓线雷达的平均风速的估计值的二重积分， 为风廓线雷达观测到的回波谱宽，为波束加宽引起的谱宽， 为风切变引起的谱宽， 为数据处理引起的谱宽，为残余误差引起的谱宽， 为伽马函数，为雷达波束横截面的半径，为脉冲长度的半数，为多普勒平均速度和多普勒时间序列的乘积。
5.根据权利要求1所述的一种强对流触发动力信号的观测辨识方法，其特征在于，步骤S1中的所述边界层高度的表达式为：其中， 为计算获得的边界层高度， 为融合函数， 为基于归一化的信噪比阈值法估算的边界层高度， 为基于风切变估算的边界层高度， 表示基于湍流耗散率估算的边界层高度。
6.根据权利要求1所述的一种强对流触发动力信号的观测辨识方法，其特征在于，步骤S2进一步包括：S21：采集毫米波云雷达的基数据作为第二雷达数据；
S22：对所述第二雷达数据进行云雷达反射率因子滤波，获得云雷达反射率数据；
S23：通过所述云雷达反射率数据反演获得云宏观参数。
7.根据权利要求6所述的一种强对流触发动力信号的观测辨识方法，其特征在于，步骤S22中，对所述第二雷达数据进行的云雷达反射率因子滤波具体包括：噪声回波去除、缺测补充、杂波去除、旁瓣回波去除及噪点径向干扰波去除。
8.根据权利要求6所述的一种强对流触发动力信号的观测辨识方法，其特征在于，步骤S23中的所述云宏观参数还包括：云顶高度、云厚度、云层数。
9.根据权利要求1所述的一种强对流触发动力信号的观测辨识方法，其特征在于，步骤S4中的所述降水特征状态具体包括：降水事件前的预设时间内的未耦合至开始耦合至持续耦合状态；
降水事件前的预设时间内的未耦合至开始耦合至解耦合状态。 说明书 : 一种强对流触发动力信号的观测辨识方法技术领域[0001] 本发明涉及大气湍流运动分析技术领域，尤其涉及一种强对流触发动力信号的观测辨识方法。背景技术[0002] 强对流天气是一种因大气强烈垂直运动而产生的天气现象，具有很强的破坏力，常伴有强降水、大风和雷暴等灾害，比如短时强降水和对流性大风就是典型的强对流天气，应用多普勒、相控阵技术的天气雷达能够对其进行有效监测，目前，结合专业理论和方法能够分析出风暴发生的空间位置、移动速度和发展趋势，以及大风或降水的强度等大量有价值的天气信息，但是，对于强对流的发生发展，仍然缺乏有效的预测方法。[0003] 当前对辨识强对流天气的辨识方法一般通过风廓线雷达组网，首先筛选风廓线雷达组网，然后使用有限元法遍历三角形组网，计算分层水平散度和相对涡度，后续构建深度神经网络模型训练，获得前一时刻散度图、廓线图等图像数据集与对流天气发展的函数映射关系，实现对流发展的识别。对于该种方法的预测模式，由于其中的深度神经网络，模型可能出现过拟合情况，导致模型的预测准确性不足。发明内容[0004] 本发明旨在至少解决相关技术中存在的技术问题之一。为此，本发明提供一种强对流触发动力信号的观测辨识方法。[0005] 本发明提供一种强对流触发动力信号的观测辨识方法，包括：[0006] S1：采集风廓线雷达的第一雷达数据，根据所述第一雷达数据计算获得边界层参数；[0007] S2：采集毫米波云雷达的第二雷达数据，根据所述第二雷达数据计算获得云宏观参数；[0008] S3：根据所述边界层参数及所述云宏观参数，判断边界层与云的耦合状态；[0009] S4：获取历史降水数据，由所述历史降水数据对应的边界层动力场筛选获得降水特征状态；[0010] S5：通过多参数阈值法，对所述边界层参数、所述耦合状态及所述降水特征状态进行分析，获得用于对强对流触发动力信号观测识别的判别指标。[0011] 根据本发明提供的一种强对流触发动力信号的观测辨识方法，步骤S1进一步包括：[0012] S11：采集风廓线雷达的原始数据作为第一雷达数据，对所述第一雷达数据进行解码，获得功率谱参数；[0013] S12：将所述功率谱参数进行预处理，获得预处理的径向数据；[0014] S13：根据所述径向数据计算获得风切变数据；[0015] S14：根据所述风切变数据及风向廓线的速度谱宽反演获得湍流耗散率；[0016] S15：根据所述风切变数据及所述湍流耗散率，反演获得边界层参数，其中所述边界层参数为边界层高度。[0017] 根据本发明提供的一种强对流触发动力信号的观测辨识方法，步骤S13中的所述风切变数据的表达式为：[0018][0019] 其中，为计算获得的风切变指数， 为水平风的径向分量， 为水平风的纬向分量， 为离地探测高度。[0020] 根据本发明提供的一种强对流触发动力信号的观测辨识方法，步骤S14中的所述湍流耗散率的表达式为：[0021][0022][0023] 其中，为计算获得的湍流耗散率， 为湍流谱宽，为3?DKolmogorov常数，为风廓线雷达的平均风速的估计值的二重积分， 为风廓线雷达观测到的回波谱宽， 为波束加宽引起的谱宽， 为风切变引起的谱宽， 为数据处理引起的谱宽，为残余误差引起的谱宽， 为伽马函数，为雷达波束横截面的半径，为脉冲长度的半数，为多普勒平均速度和多普勒时间序列的乘积。[0024] 根据本发明提供的一种强对流触发动力信号的观测辨识方法，步骤S15中的所述边界层高度的表达式为：[0025][0026] 其中， 为计算获得的边界层高度， 为融合函数， 为基于归一化的信噪比阈值法估算的边界层高度， 为基于风切变估算的边界层高度，表示基于湍流耗散率估算的边界层高度。[0027] 根据本发明提供的一种强对流触发动力信号的观测辨识方法，步骤S2进一步包括：[0028] S21：采集毫米波云雷达的基数据作为第二雷达数据；[0029] S22：对所述第二雷达数据进行云雷达反射率因子滤波，获得云雷达反射率数据；[0030] S23：通过所述云雷达反射率数据反演获得云宏观参数。[0031] 根据本发明提供的一种强对流触发动力信号的观测辨识方法，步骤S22中，对所述第二雷达数据进行的云雷达反射率因子滤波具体包括：噪声回波去除、缺测补充、杂波去除、旁瓣回波去除及噪点径向干扰波去除。[0032] 根据本发明提供的一种强对流触发动力信号的观测辨识方法，步骤S23中的所述云宏观参数包括：云底高度、云顶高度、云厚度、云层数。[0033] 根据本发明提供的一种强对流触发动力信号的观测辨识方法，步骤S3中的所述耦合状态具体包括：[0034] 当所述云宏观参数中的云底高度小于所述边界层参数中的边界层高度时，边界层与云为耦合态；[0035] 当所述云宏观参数中的云底高度大于或等于所述边界层参数中的边界层高度时，边界层与云为解耦态。[0036] 根据本发明提供的一种强对流触发动力信号的观测辨识方法，步骤S4中的所述降水特征状态具体包括：[0037] 降水事件前的预设时间内的未耦合至开始耦合至持续耦合状态；[0038] 降水事件前的预设时间内的未耦合至开始耦合至解耦合状态。[0039] 本发明提供的一种强对流触发动力信号的观测辨识方法，利用风廓线雷达和云雷达等地基遥感手段，捕捉晴空?有云?降水前的动力演变特征，通过风切变和湍流耗散率等动力廓线提取动力信号，构建强对流触发前期动力信号判别指标。[0040] 本发明提供的一种强对流触发动力信号的观测辨识方法，相较于传统方法而言，通过多参数阈值法进行分析，不依赖于复杂的神经网络模型，因此降低了过拟合的风险，提高了预测的稳健性；另外传统方法需要大量的图像数据集进行模型训练，对数据依赖性强且计算资源消耗大，而本发明主要基于雷达数据和历史降水数据进行分析，减少了数据依赖，并且计算过程节省了计算资源。[0041] 本发明提供的一种强对流触发动力信号的观测辨识方法，通过结合风廓线雷达和毫米波云雷达的数据，能够更全面地获取大气边界层和云的宏观参数，进而更准确地判断边界层与云的耦合状态，以及降水特征状态，从而提高了对强对流触发动力信号的观测识别精度；同时本发明通过多参数阈值法，实时分析边界层参数、耦合状态及降水特征状态，能够快速识别出强对流触发的动力信号，为强对流天气的预测提供了更及时的信息，有助于提升天气预报的时效性和准确性。[0042] 本发明提供的一种强对流触发动力信号的观测辨识方法，通过对强对流触发动力信号的准确观测和识别，本发明能够为气象服务提供更精准的数据支持，有助于及时预警，增强了气象服务的实用性。[0043] 本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。附图说明[0044] 为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0045] 图1是本发明实施例提供的一种强对流触发动力信号的观测辨识方法的流程示意图；[0046] 图2是本发明实施例提供的边界层参数的获取方法的流程示意图；[0047] 图3是本发明实施例提供的云宏观参数的获取方法的流程示意图。具体实施方式[0048] 为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。以下实施例用于说明本发明，但不能用来限制本发明的范围。[0049] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。[0050] 下面结合图1至图3描述本发明的实施例。[0051] 如图1所示，本发明提供一种强对流触发动力信号的观测辨识方法，包括：[0052] S1：采集风廓线雷达的第一雷达数据，根据所述第一雷达数据计算获得边界层参数。[0053] 如图2所示，步骤S1进一步包括：[0054] S11：采集风廓线雷达的原始数据作为第一雷达数据，对所述第一雷达数据进行解码，获得功率谱参数。[0055] 步骤S11中首先获取风廓线雷达原始数据数据，然后解码FFT数据，计算功率谱参数。[0056] S12：将所述功率谱参数进行预处理，获得预处理的径向数据。[0057] 进一步的，对步骤S11中获得的FFT数据，也就是傅里叶变换数据进行质量控制，依次包括平滑滤波、确认噪声电平、抑制地物杂波、谱矩参数估计、计算径向速度、模式拼接、一致性平均、中值检验和质控结果对比分析等，得到质控后的RAD数据。[0058] S13：根据所述径向数据计算获得风切变数据。[0059] 进一步的，垂直风切变是驱动湍流发展的重要动力因素，步骤S13中基于质控后的RAD径向数据，可以得到5个波束径向速度，然后根据五波束法或三波束法计算水平风，最后利用风廓线雷达观测的风速和风向廓线资料可以计算得到垂直风切变，具体的风切变的计算公式如下。[0060] 其中，步骤S13中的所述风切变数据的表达式为：[0061][0062] 其中，为计算获得的风切变指数， 为水平风的径向分量， 为水平风的纬向分量， 为离地探测高度。[0063] S14：根据所述风切变数据及风向廓线的速度谱宽反演获得湍流耗散率。[0064] 步骤S14中，由速度谱宽和风切变，利用功率谱展宽法反演湍流耗散率。根据湍流动能收支方程，湍流耗散率可以揭示边界层内不同尺度湍流演变规律，是湍流研究中的关键参数，通过高时空分辨率风廓线雷达组网可实时获取其多普勒谱宽数据，具体的湍流耗散率的计算公式如下。[0065] 其中，步骤S14中的所述湍流耗散率的表达式为：[0066][0067][0068] 其中，为计算获得的湍流耗散率， 为湍流谱宽，为3?DKolmogorov常数，为风廓线雷达的平均风速的估计值的二重积分， 为风廓线雷达观测到的回波谱宽， 为波束加宽引起的谱宽， 为风切变引起的谱宽， 为数据处理引起的谱宽，为残余误差引起的谱宽， 为伽马函数，为雷达波束横截面的半径，为脉冲长度的半数，为多普勒平均速度和多普勒时间序列的乘积。[0069] 上述公式中的3?DKolmogorov常数，范围介于1.53～1.68，另外其中的 包括在中。[0070] 对于风廓线雷达的湍流耗散率的反演，具体步骤为首先获得径向谱数据，对径向谱数据进行质控处理后可以获得水平风及观测展宽，将观测展宽融合雷达参数后，可以获得光束展宽、湍流展宽、信号展宽和残余噪声，对于另一部分的质控处理后的水平风，可以和观测展宽结合处理得到风切变展宽，最终由湍流展宽能够计算得到湍流耗散率。[0071] S15：根据所述风切变数据及所述湍流耗散率，反演获得边界层参数，其中所述边界层参数为边界层高度。[0072] 步骤S15中，通过联合信噪比、湍流耗散率和风切变，基于阈值法和梯度法，能够反演边界层高度，具体的表达式如下。[0073] 其中，步骤S15中的所述边界层高度的表达式为：[0074][0075] 其中， 为计算获得的边界层高度，为融合函数， 为基于归一化的信噪比阈值法估算的边界层高度， 为基于风切变估算的边界层高度，表示基于湍流耗散率估算的边界层高度。[0076] 上述的公式表示，在边界层内湍流耗散率 较大，边界层以上湍流耗散率较。诒呓绮愣ゲ扛浇缜斜湟话慊岢鱿旨，所以融合风切变、归一化信噪比和湍流耗散率等参数估算的边界层高度，可以较为精确地估算边界层的高度。[0077] S2：采集毫米波云雷达的第二雷达数据，根据所述第二雷达数据计算获得云宏观参数。[0078] 如图3所示，步骤S2进一步包括：[0079] S21：采集毫米波云雷达的基数据作为第二雷达数据。[0080] S22：对所述第二雷达数据进行云雷达反射率因子滤波，获得云雷达反射率数据。[0081] 步骤S21至S22中，利用毫米波云雷达的基数据，采用改进后的高斯滤波算法，能够实现云雷达反射率因子滤波，输出数据为滤波后的云雷达反射率数据。[0082] 其中，步骤S22中，对所述第二雷达数据进行的云雷达反射率因子滤波具体包括：噪声回波去除、缺测补充、杂波去除、旁瓣回波去除及噪点径向干扰波去除。[0083] 在一个具体的实施例中，具体的滤波过程为：[0084] 首先获取雷达性能参数、观测参数和不同探测模式等主要参数信息；获取云雷达探测的高度范围、高度分辨率、时间分辨率等参数信息；获取毫米波云雷达的基数据，包括雷达反射率因子（Z）、径向速度（V）、谱宽（ ）、线性退偏振比（LDR）和功率谱等。[0085] 其次进行噪声和缺测判断。通过设定滑动窗口对雷达噪声回波和缺测进行判断和处理。以窗口中心为判断目标，统计距离库内有效和无效回波个数。若中心为有效回波且回波个数较少，则中心被判定为噪声回波,删除；若中心为无效回波且回波个数较多，则中心被判定为缺测回波，取周围有效回波的平均值代替。[0086] 第三去除地物杂波和悬浮物杂波。确定晴空时段，将晴空观测到的回波作为一种非气象回波，包括气溶胶、昆虫和湍流、地面灰尘等地物杂波和悬浮物杂波。采用回波强度Z和退偏振比LDR阈值的方法，以去除3km以下非浮游物杂波。对比分析杂波和云回波的特征，如Z和LDR的分布范围等,提取出能够将杂波和云回波进行区分的特征闯值，从而实现对杂波的滤除。[0087] 第四去除旁瓣回波的影响。识别距离旁瓣回波特征和形态特征。根据“底部截面式”弱回波的形态特征确定该弱回波出现的高度区间；根据“普通式”旁瓣回波的回波特征确定该类型回波出现的高度区间。并结合上述距离旁瓣的回波特征和形态特征，进行旁瓣回波的滤除。根据“底部截面式”距离旁瓣回波的形态特征,检测中和高模式第一个有效距离库是否有前后时次连续7个以上的径向有效回波，且其下方是否都为无效回波;若两个条件都满足,则认为其上部存在“底部截面式”的旁瓣回波,从旁瓣底部一直将回波删除至顶部。然后根据阈值法，对两个模式的“普通式”旁瓣回波进一步识别，若检测到旁瓣影响范围上下PCR个距离库内存在高出阈值的回波,则认为当前回波受距离旁瓣回波污染，则将其删除。通过对雷达实际探测的雷达回波进行不同阈值的筛。范ê鲜实你兄，以保留云底和碎云的信号。[0088] 第五统计距离旁瓣回波对空中云雨回波的影响。统计云雷达回波频次在滤除旁瓣回波前后的高度变化情况，刻画出旁瓣对云雨回波体量的影响，确定旁瓣回波占总回波频次10%以上的影响高度区间，评估影响高度区间与宽脉冲模式的盲区以上起始高度的差异。进一步分析距离旁瓣对空中云雨回波空间分布的影响,统计雷达探测到的雷达反射率、径向速度和观测谱宽的高度?频次分布。[0089] 第六进行噪点?径向干扰杂波滤除。根据回波变化的连续性原则，将滑动窗口内要判断点的回波与周围回波进行比较,通过统计周围回波分布范围和频数来决定当前回波点是否为杂波，若周围存在较多与之相近的回波时,则说明该点原本为有效的回波点,将其保留；反之，则说明该点周围都没有回波，它应该也为无回波点，将其滤除。同时，还能在一定程度上对缺测点进行补值。[0090] S23：通过所述云雷达反射率数据反演获得云宏观参数。[0091] 步骤S23中，利用滤波后的云雷达反射率因子，基于反射率因子阈值法，实现云宏观参数反演和云垂直结构分析功能，输出数据为云宏观参数。[0092] 其中，步骤S23中的所述云宏观参数包括：云底高度、云顶高度、云厚度、云层数。[0093] 在一个具体的实施例中，上述的云宏观参数的获取步骤如下:[0094] 首先进行云回波提取。根据毫米波雷达自身观测性能,在反射率产品生成时将最低阈值设置成为某一阈值（?40dBz），将高于该阈值的距离库提取出来作为云回波，将低于该阈值的距离库则赋值为空值，选取每根径向第8库(240m)以上距离库为有效数据。[0095] 第二进行云底高度计算。从第一条时间序列线开始，自下而上判断每个距离库，如果从某个库开始有回波信号，将其提取为云底位置。[0096] 第三进行云顶高度计算。从第一条时间序列线开始，自上而下判断每个距离库，如果从某个库开始有回波信号，将其提取为云顶位置。[0097] 第四进行云层边界计算。从第一条时间序列线开始，自下而上判断每个距离库。从云底位置向上继续扫描，直到遇到无效值，将此库作为该第一层云的云顶高度；依此类推判断是否有上一层云，直到最上面的距离库位置判断完成。[0098] 第五进行云厚度计算。利用上一步找到的云边界计算各云层的厚度。如果相邻云层的间隔距离,对于厚度小于7个距离库(即210m)的云层，如果其与上下库的间隔大于24个库(即720m)，就删除这层云;否则将其与前后较邻近的云层合并，最终,得到毫米波雷达每一层的完整云边界。[0099] 第六进行云层数计算。根据每一层云的云顶高度和云底高度，计算每一云的云厚度，然后计算得到云层数据，根据云层数将云分为三类，单层云、两层云和多层云(三层及三层以上的云)。[0100] 在完成上述的云宏观参数计算后，根据云雷达云垂直结构特征，将其时空分辨率重采样至6min和120m，使之与风廓线雷达时空分辨率一致；然后筛选出逐6min的有云时刻，根据是否有云，将边界层分为白天晴空边界层和有云边界层；最后统计晴空和有云边界层，信噪比、湍流耗散率、风切变和垂直速度的概率密度函数，分析后可以获得晴空和有云边界层垂直结构的差异特征。[0101] S3：根据所述边界层参数及所述云宏观参数，判断边界层与云的耦合状态。[0102] 由于大气边界层是受下垫面影响的最低大气层，因此边界层顶部与云底重叠的程度就成为区分耦合和非耦合低层云的一个很好的标准。将大气边界层高度(PlanetaryBoundaryLayerHeight,PBLH)和云底高度(cloudbaseheight，CBH)作为诊断云和边界层之间是否耦合的关键参数。[0103] 其中，步骤S3中的所述耦合状态具体包括：[0104] 当所述云宏观参数中的云底高度小于所述边界层参数中的边界层高度时，边界层与云为耦合态；[0105] 当所述云宏观参数中的云底高度大于或等于所述边界层参数中的边界层高度时，边界层与云为解耦态。[0106] 进一步的，将大气边界层高度和云底高度作为诊断云和边界层之间是否耦合的关键参数，可以得到当在当前廓线时刻（6min内），云底高度低于边界层高度时，认定为两者耦合，反之则为解耦状态，查看30min内，边界层高度和云底高度的相对位置情况，最后构建边界层?云耦合判别指标，能够识别出30min内耦合状态和非耦合状态的边界层时刻。[0107] S4：获取历史降水数据，由所述历史降水数据对应的边界层动力场筛选获得降水特征状态。[0108] 步骤S4中首先获取地面站点分钟级降水数据，并进行质量控制处理后，可以筛选出过去一年的降水事件，也就是历史降水数据及其中的历史降水事件。[0109] 其中，步骤S4中的所述降水特征状态具体包括：[0110] 降水事件前的预设时间内的未耦合至开始耦合至持续耦合状态；[0111] 降水事件前的预设时间内的未耦合至开始耦合至解耦合状态。[0112] 进一步的，针对有云边界层，可以刻画不同边界层?云耦合状态的动力参数演变特征，具体的步骤为：[0113] 首先根据边界层?云耦合判别指标，将边界层?云耦合状态分为三种状态，即未耦合、耦合—解耦合—未降水、耦合—持续耦合—降水。[0114] 其次针对边界层?云的未耦合状态，分析云下边界层湍流动力参数垂直结构特征。[0115] 再其次针对边界层?云的耦合—解耦合—未降水状态，分析耦合前后120min内，边界层和自由大气、云内和云下，湍流动力参数垂直结构特征，刻画非降水云条件下，边界层—云耦合的湍流运动与云宏观参数的关系。[0116] 最后针对边界层?云的耦合—持续耦合—降水状态，分析降水前60min内，持续耦合状态下，强对流天气触发前后大气动力场的变化特征，刻画边界层湍流耗散率、风切变和边界层高度的演变特征。[0117] S5：通过多参数阈值法，对所述边界层参数、所述耦合状态及所述降水特征状态进行分析，获得用于对强对流触发动力信号观测识别的判别指标。[0118] 步骤S5的目的为构建对流触发前期动力信号判别指标。具体的过程为首先将降水量进行分级，统计分析不同降水强度下，降水前30min湍流耗散率、风切变和边界层高度的四分位数和变化率；然后利用阈值法，确定不同降水强度下，湍流耗散率阈值、风切变阈值、边界层高度变率阈值、云底高度变率阈值；最后考虑边界层—云耦合判别指标，融合多参数阈值，构建提前30min对流触发前期动力信号判别指标。[0119] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

专利地区：河北

专利申请日期：2024-08-29

专利公开日期：2024-11-29

专利公告号：CN118707633B