本發(fā)明涉及氣象學領域，特別涉及一種基于高精度數(shù)值風場資料的渦旋中心自動識別方法。
背景技術(shù)：
：在中尺度天氣系統(tǒng)分析領域，基于地面和高空的風場數(shù)據(jù)是預報員在分析和跟蹤天氣系統(tǒng)的主要資料依據(jù)。其中，輻合(或輻散)式渦旋是構(gòu)成強對流或災害性天氣的重要風場系統(tǒng)。例如在北半球，中尺度的逆時針渦旋是災害性風暴,龍卷風的重要成因；大尺度的熱帶氣旋，是形成我國夏季臺風的主要因素；反氣旋也是形成雷暴天氣的重要載體。因此，渦旋自動識別算法對于上述災害性天氣的預警和預測具有至關重要的作用(coreyk.和potvin2013)[1]；并且，實現(xiàn)計算機對渦旋的自動識別和量化描述，會有助于智能處理目前地面和高空龐大的數(shù)值資料，有助于利用數(shù)據(jù)挖掘技術(shù)在大數(shù)據(jù)中探索新規(guī)律。目前，國內(nèi)外氣象界研制開發(fā)的中小尺度的渦旋檢測算法大部分是基于雷達數(shù)據(jù)的。(potvin等2009[2]，potvin等2011[3])。對于中大尺度的渦旋識別，大都基于網(wǎng)格氣壓數(shù)據(jù)的局部高(低)氣壓中心這一判別條件(john和rodrigo2012[4]，林志強，周振波2013[5])?；诰W(wǎng)格數(shù)據(jù)的風場渦旋識別算法在氣象領域相對較少：mark,r.和sinclair.(1994)提出基于風場的位勢相對渦度代替氣壓低中心[6]。但是，高渦度值的風場包含了渦旋區(qū)，風切變區(qū)以及風向變化雜亂的區(qū)域(coreyk.和potvin2013)[1]，因此單純地計算高渦度區(qū)，對于檢測氣旋會產(chǎn)生大量的空報。mark和sinclair(1997)[7]提出了基于上述方法的擴展算法：通過一種空間平滑技術(shù)來控制需檢測渦旋的尺度，保證了在不同分辨率的網(wǎng)格數(shù)據(jù)下對固定尺度的氣旋檢測的一致性。同時，結(jié)合氣旋的中心低氣壓值和高渦度值的特性作為衡量氣旋強度的條件。但其仍然沒有解決空報的問題。naylor和gilmore(2012)[8]通過在網(wǎng)格風場數(shù)據(jù)上添加規(guī)則(包括：垂直渦度，水平風速的大小和中心點向四周方向的水平氣壓梯度)識別龍卷風。但該方法疏忽了實際的復雜流場上渦旋不具有完整的軸對稱結(jié)構(gòu)的現(xiàn)實，也就是相對于理想的圓形渦旋結(jié)構(gòu)，實際的渦旋往往帶有不同程度的形變。針對此問題，coreyk.和potvin(2013)[1]提出針對形變渦旋結(jié)構(gòu)的對流性渦旋的檢測模型：將基于多普勒雷達數(shù)據(jù)的風暴檢測和對流性渦旋檢測方法應用在笛卡爾網(wǎng)格風場數(shù)據(jù)中。該模型由蘭金渦旋模式和恒定流場、線性切變流場和線性輻散流場線性組合而成。然而，受氣壓、溫度、地勢等多環(huán)境因素的影響，實際的風場在中大尺度下已不具有線性的性質(zhì)，當流場較復雜時，模型的誤差較大，只有縮小檢索域尺度才能降低誤差。[參考文獻][1]coreyk.potvin.avariationalmethodfordetectingandcharacterizingconvectivevorticesincartesianwindfields.monthlyweatherreview.2013,141(9):3102-3114。[2]potvin,c.k.,a.shapiro,t.-y.yu,j.gao,andm.xue,usingalow-ordermodeltodetectandcharacterizetornadoesinmultiple-dopplerradardata.mon.wea.rev.,2009,137:1230–1249。[3]potvin,c.k.,a.shapiro,m.i.biggerstaff,andj.m.wurman,thevdactechnique:avariationalmethodfordetectingandcharacter-izingconvectivevorticesinmultiple-dopplerradardata.mon.wea.rev.,2011,139:2593–2613。[4]johnhanley,rodrigocaballero.objectiveidentificationandtrackingofmulticentrecyclonesintheera-interimreanalysisdataset.quarterlyjournaloftheroyalmeteorologicalsociety.2012:612-625。[5]林志強，周振波假拉.高原低渦客觀識別方法及初步應用.高原氣象[j],2013,32(6)。[6]mark,r.sinclair.anobjectivecycloneclimatologyforthesouthernhemisphere.monthlyweatherreview[j].1994:2239-2256。[7]mark,r.sinclair.objectiveidentificationofcyclonesandtheircirculationintensity,andclimatology.weatherandforecasting.1997:595-612。[8]naylor,j.,andm.s.gilmore,environmentalfactorsinfluentialtothedurationandintensityoftornadoesinsimulatedsupercells.geophys.res.lett.,2012,39。技術(shù)實現(xiàn)要素：本發(fā)明公開了一種基于高精度數(shù)值風場資料的渦旋中心自動識別方法，可以解決的技術(shù)問題包括：自動識別和定位多種類型的軸對稱風場中心(包括：順(逆)時針旋轉(zhuǎn)渦旋，輻合(散))；能識別多尺度的渦旋系統(tǒng)；能夠識別復雜風場中帶有一定形變的渦旋系統(tǒng)；達到準確、完整自動識別渦旋系統(tǒng)和定位渦旋中心的目的。為了解決上述技術(shù)問題，本發(fā)明提出的一種基于高精度數(shù)值風場資料的渦旋中心自動識別方法，包括以下步驟：步驟一、依據(jù)850pha數(shù)值風場的矢量特征，利用衡量風向雜亂度的特征提取出包含軸對稱型風場的感興趣區(qū)域；步驟如下：1-1)設輸入的風場矩陣為wm,n，其中，m,n分別為矩陣的行數(shù)和列數(shù)；設風場矩陣wm,n中的兩個矢量的方向夾角為λ，構(gòu)建一個統(tǒng)計特征即：在l×l窗口內(nèi)，分別計算風場矩陣wm,n中的網(wǎng)格點(i,j)和該網(wǎng)格點的相鄰點(i，j+1)與(i-1,j)的方向夾角λ，并累積求和；設風矢量的角度分量為θ，則兩個矢量的方向夾角為λ(θ1,θ2)，統(tǒng)計特征的計算公式如下：式(1)中，i，j，m和n分別是風場矩陣wm,n中網(wǎng)格的東西方向和南北方向的索引；m＝r+2，…，m-r；n＝r+1，…，n-(r+1)，l為窗口的尺度，且為奇數(shù)；1-2)對上述統(tǒng)計特征進行歸一化得到歸一化的統(tǒng)計特征對輸入的給定分辨率的高精度網(wǎng)格風場數(shù)據(jù)，計算出統(tǒng)計特征的最大值，即對進行歸一化得到計算公式為最后，遍歷計算wm,n，得到歸一化的特征矩陣即為：1-3)利用bayesian決策對參數(shù)l進行優(yōu)化，和對公式(1)得出的進行閾值選取，以獲得輸入風場矩陣的最優(yōu)感興趣區(qū)；從給定分辨率的風場數(shù)據(jù)中搜集渦旋樣本v，等分為三組測試樣本，包括：va，vb和vc，其中，風場數(shù)據(jù)包含不同季節(jié)、時間和海拔高度；然后，對雜亂風樣本m的三個子樣本：ma，mb和mc和一致風樣本s的三個子樣本：sa，sb和sc分別計算當l＝5,7,9,11和13的五類訓練子特征：和當l取上述給定某一尺度值時，分別計算對于類別va，ma和sa的條件概率密度：和根據(jù)最小錯誤率的原則，獲得的最優(yōu)閾值和相應的最小錯誤率同樣的過程應用于[vb,mb,sb]和[vc,mc,sc]，獲得相應的最小錯誤率和比較不同的l取值下的最小錯誤率的平均值，求得對于給定分辨率的風場數(shù)據(jù)的最優(yōu)l取值；基于最優(yōu)l值，確定的最優(yōu)閾值，該閾值包含一個與雜亂區(qū)域分界的最大值和與一致風向區(qū)域的最小值。步驟二、利用圓形數(shù)據(jù)理論，對理想的軸對稱型風場，包括：順時針旋轉(zhuǎn)場、逆時針旋轉(zhuǎn)場、輻合場、輻散場和鞍形場進行特征描述和分類；步驟如下：2-1)對于兩個圓形數(shù)據(jù)變量α和β，它們之間的一種有向的方向差q(α,β)，定義為：定義α到β的一種走向為：其中，α和β的取值范圍各為[-180°,180°]；α到β的走向α→β為：在極坐標系下從α到β的走向；2-2)結(jié)論1：設θk是以理想軸對稱風場中心為中心的單位圓弧上k位置處風的角度，當0°<q(θk,θk+ε)<180°,ε>0時，則θk→θk+ε:counterclockwise；對于所有的0°≤k<360°，結(jié)論1都成立時，判定θk為第一類軸對稱場，即渦旋場或輻合場或輻散場；結(jié)論2：設θk是以理想軸對稱風場中心為中心的單位圓弧上k位置處風的角度，當-180°<q(θk,θk+ε)<0°,ε>0時，則θk→θk+ε:clockwise；對于所有的0°≤k<360°，結(jié)論2都成立時，判定θk為第二類軸對稱場，即鞍形場；2-3)設是軸對稱型風場，對于所有的0°≤k<360°，當時，和θk同屬一類軸對稱場；如果θk為逆時針渦旋場，當δ＝90°時，為輻合場；當δ＝180°時，為順時針渦旋場；當δ＝270°時，為輻散場；如果θk為鞍形場，δ取0°～360°任意值，為鞍形場；步驟三、相對于理想軸對稱風場，實際的渦旋場是復雜的軸對稱風場，依據(jù)步驟二的結(jié)論和構(gòu)建變形系數(shù)，初步檢索出渦旋候選中心點集；步驟如下：3-1)對步驟一計算出的感興趣區(qū)域的每個格點風向值進行角度量化：依次為：東風、東北風、北風、西北風、西風、西南風、南風和東南風八個方向；3-2)以步驟一計算出的感興趣區(qū)域為當前檢索范圍，依次對每個以當前格點為中心的d×d窗口下分析域的風向進行特征提取，判定當前格點是否為渦旋中心點；從中心點向x軸方向的射線開始，以45°角為步長，依次引出八條射線對分析域進行八等分；3-3)渦旋場的特征提?。粚τ诋斍胺治鲇虻牡趇(i＝1,2,…,8.)個子區(qū)域，所有格點數(shù)為si、具有相同角度α的連通格點數(shù)為則該子區(qū)域的特征值定義為ci，因此當前分析域的特征向量描述為c＝{c1,c2,…c8}；c的提取規(guī)則為：if存在α使得ci＝α；else停止并檢索下一格點；end其中，ρ是閾值變量，默認值是0.4；3-4)將c簡化為設ci和cj是兩個相鄰子區(qū)域的特征值；即，其中，如果i<8,j＝i+1,如果i＝8,j＝1；簡化規(guī)則為：ifci＝cj去掉cjend3-5)剔除不合理的設q是的長度，和是的相鄰元素，其中，如果i<8,j＝i+1,如果i＝8,j＝1；則規(guī)則為：ifq<4或存在ci使得停止并檢索下一格點；end3-6)設為中方向角所對應的空間子象限的索引向量；對通過步驟3-5)的和映射為單位圓的內(nèi)接多邊形；規(guī)則是：以或中元素的值作為單位圓的內(nèi)接多邊形的頂點；或映射的19種圓內(nèi)接多邊形如表1所示；表13-7)對步驟3-6)中的所有多邊形構(gòu)建形變指數(shù)λ，去除形變過度的候選中心，并獲得確定下的渦旋的形變指數(shù)，如表1所示；λ的構(gòu)建方法如下：設圓形數(shù)據(jù)向量a＝{α1,α2,...,αn}，其中，αi≠αj，當0°<q(αi,αi+1)<180°且0°<q(αn,α1)<180°時，構(gòu)建形變指數(shù)λ；λ是圓形數(shù)據(jù)向量a的合成向量長度、圓形數(shù)據(jù)向量a均勻波動性和圓形數(shù)據(jù)向量a的空缺率的線性組合；(1)合成向量長度：roro的取值范圍為[0，1]；ro越接近1，α1,α2,...,αn越聚焦于它們的均值；(2)均勻波動性：δo圓形數(shù)據(jù)向量a的有向方向差為q(a),則q(a)的標準差為：同樣地，表1中所有圓內(nèi)接多邊形的δ值中的最大值為1.73，得出標準化后的δo：(3)空缺率：ρo設圓形數(shù)據(jù)向量a的維度為n,空缺率ρo的計算如下：最后，將上述三種特征線性組合，得到一個綜合的形變指數(shù)λ：λ＝aro+bδo+cρo(9)式(9)中，0<a<1,0<b<1,0<c<1且a+b+c＝1.經(jīng)實驗得出a＝b＝0.25,c＝0.5，所有圓內(nèi)接多邊形的λ值如表1所示；3-8)排除渦旋的偽中心點從風場數(shù)據(jù)中挑選渦旋樣本估計λ的值；首先，每個樣本的和分別由d＝5,7,9的分析域計算得到；利用步驟1-3)中的bayesian決策得到最優(yōu)λ值，從而得到：或停止并檢索下一格點；end步驟四、改進ward聚類算法，對屬于同一個渦旋系統(tǒng)的中心點集聚類；步驟如下：4-1)對步驟三使用d＝5，7和9對感興區(qū)域進行多尺度窗口的搜索候選中心點集p，其中p包含了多個渦旋系統(tǒng)的候選中心點集；利用ward聚類算法將p中的各點聚類到各自的渦旋系統(tǒng)得到pk，k＝1,2,…,k；k為類別數(shù)；4-2)對于類別數(shù)k進行自適應選取；步驟4-1)中，每步類合并計算的最小離差平方和為di，計算di在最大離散曲率ti處對應的類別數(shù)為最終認定的k；ti的計算方法如下：ti＝1-|cosωi|(10)式(10)中，ωi＝angle(pi-1,pi,pi+1)是線段[pi-1,pi]和[pi,pi+1]的夾角，而k＝argmaxi{ti}；步驟五、利用步驟三的候選中心點集的渦度對渦旋系統(tǒng)分類，并精確定位全局的渦旋中心；5-1)得到了每類渦旋系統(tǒng)的候選中心點集pk后，采用數(shù)學形態(tài)學中的膨脹算法對pk進行膨脹處理，以完全覆蓋渦旋中心區(qū)域，方法如下：式(11)中，b是一個3×3的結(jié)構(gòu)元素；5-2)將渦旋類別判定為順時針方向或逆時針方向；引進二維連續(xù)風場的垂直渦度ζ：將式(12)轉(zhuǎn)換為離散風向場的垂直渦度式(13)中，θi,j是單位矢量的角，i和j是水平方向和豎直方向的索引；令l1(或l2)記為zk元素的正或負渦度的個數(shù)；l1或l2定義為如下：式(14)中，#{·}集合{·}的基數(shù)；如果l1>l2，當前第k個渦旋判定為逆時針渦旋，否則判定為順時針渦旋；5-3)根據(jù)渦度值確定渦旋中心參考點；在渦旋中心區(qū)域zk，由公式(13)計算每個格點的垂直渦度將垂直渦度絕對值最大的檢測點作為渦旋中心的參考點；5-4)根據(jù)零風速約束精確定位渦旋中心；在到渦旋中心參考點距離小于ε的區(qū)域內(nèi)，(ε＝3)，將網(wǎng)格劃分為兩個三角網(wǎng)格，在三角網(wǎng)格內(nèi)通過線性插值算法計算出零風速點坐標位置，連接兩個零風速點即可得到零等值線段；由此得到風速東西分量u和南北分量v在一個網(wǎng)格內(nèi)的零等值線段，同一網(wǎng)格上u、v的等值線段的交點，即為風速零點；若整個局部區(qū)域存在多個風速零點，則選擇距離氣旋中心參考點最近的點作為氣旋中心；若整個局部區(qū)域不存在風速零點，則對風速分量u、v分別進行線性插值，求解風速矢量u、v的強度極小值，將氣旋中心點校正到風速矢量u、v極小值點位置。與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：氣象中的渦旋本身就屬于風場的一個基本特性，由于在風矢量場上識別渦旋存在一定難度，目前國內(nèi)現(xiàn)有的技術(shù)基本都是基于低氣壓中心識別氣旋與反氣旋中心。本發(fā)明的渦旋識別算法完全基于高精度的風場網(wǎng)格數(shù)據(jù)，通過構(gòu)建風向紋理特征，提取出包含識別目標的感興趣區(qū)域；利用多尺度窗口，提取帶有空間位置信息的子區(qū)域風向向量，在此基礎上建立一系列規(guī)則，包括圓形數(shù)據(jù)的走向、風向向量的形變度，搜索出候選渦旋中心點集；再將其聚類到各自的渦旋系統(tǒng)；最后對渦旋的旋轉(zhuǎn)模式分類，并定位出渦旋系統(tǒng)的中心點。本方法特別針對高精度的復雜風場網(wǎng)格資料。定位準確，并對帶有形變的渦旋進行度量和篩選。最后，實驗驗證了本方法的有效性。附圖說明圖1(a)為使用l×l的窗口在風矢量矩陣wm,n(實線矩形表示)上計算出特征矩陣γl(虛線矩形表示)的過程示意。圖1(b)是一幅850pha的0.25°分辨率的風向場和灰度圖的疊加圖。顏色越深代表風向紋理越一致，顏色越淺代表風向紋理越雜亂。圖1(c)是(b)經(jīng)過參數(shù)優(yōu)化后的感興趣區(qū)域(灰色區(qū)域)提取的效果圖。其中，l＝9,圖2(a)到圖2(e)是五類典型的中心對稱型風場的簡化圖，其中：圖2(a)逆時針旋轉(zhuǎn)場的簡化圖，圖2(b)是輻合場的簡化圖，圖2(c)是順時針旋轉(zhuǎn)場的簡化圖,圖2(d)是輻散場的簡化圖，圖2(e)是鞍形場的簡化圖。圖3(a)是搜索到風場網(wǎng)格點(214，286)，并以該點為中心的一個9×9的分析域。圖3(b)將圖3(a)的分析域八等分，在等分線上的網(wǎng)格點同屬于相鄰的兩個子域。圖3(c)將圖3(b)提取的特征向量映射到單位圓的內(nèi)接多邊形(實線標記)。圖3(d)將圖3(b)提取的特征向量映射到單位圓的內(nèi)界接多邊形(實線標記)。圖4為是一幅850pha的0.25°分辨率的風向場通過d＝5,7和9窗口分析后，得到的候選中心點集。圖5是分別顯示了逆時針渦旋和順時針渦旋經(jīng)過多尺度d的分析和規(guī)則驗證，得到候選中心點集，以及通過方向渦度場對渦旋旋轉(zhuǎn)方向的分類和全局中心點的定位。圓圈表示候選中心點，方框表示順時針渦旋中心，三角表示逆時針渦旋中心。圖6是得到的渦旋中心定位點結(jié)果示意，該網(wǎng)格資料的高度為：850pha；經(jīng)緯度范圍為：60-150e，60n-10s；網(wǎng)格分辨率為：0.25°；圖中d表示逆時針渦旋中心，g表示順時針渦旋中心，d和g代表逆時針渦旋和順時針渦旋中心參考點。圖7是本發(fā)明方法的流程圖。具體實施方式下面結(jié)合附圖和具體實施例對本發(fā)明技術(shù)方案作進一步詳細描述，所描述的具體實施例僅對本發(fā)明進行解釋說明，并不用以限制本發(fā)明。本發(fā)明提供了一種基于高精度網(wǎng)格點風場資料的渦旋中心自動識別方法，本方法能自動檢測出順(逆)時針渦旋中心，對基于數(shù)值場的天氣系統(tǒng)智能預報和統(tǒng)計分析，奠定了重要的研究基礎。實施例：給出一張包含我國主要地區(qū)的高度為850pha風場流線圖，如圖1(b)。其中，渦旋中心以人工標定，用來檢驗預處理的效果。本發(fā)明基于高精度網(wǎng)格點風場資料的渦旋中心自動識別方法，如圖7所示，包括以下步驟：步驟一、依據(jù)850pha數(shù)值風場的矢量特征，利用衡量風向雜亂度的特征提取出包含軸對稱型風場的感興趣區(qū)域；步驟如下：1-1)設輸入的風場矩陣為wm,n，其中，m,n分別為矩陣的行數(shù)和列數(shù)；設風場矩陣wm,n中的兩個矢量的方向夾角為λ，構(gòu)建一個統(tǒng)計特征即：在l×l窗口內(nèi)，分別計算風場矩陣wm,n中的網(wǎng)格點(i,j)和該網(wǎng)格點的相鄰點(i，j+1)與(i-1,j)的方向夾角λ，并累積求和；設風矢量的角度分量為θ，則兩個矢量的方向夾角為λ(θ1,θ2)，統(tǒng)計特征的計算公式如下：式(1)中，i，j，m和n分別是風場矩陣wm,n中網(wǎng)格的東西方向和南北方向的索引；m＝r+2，…，m-r；n＝r+1，…，n-(r+1)，l為窗口的尺度，且為奇數(shù)；遍歷整個wm,n，獲得特征矩陣γl的過程如圖1(a)所示。1-2)對上述統(tǒng)計特征進行歸一化得到歸一化的統(tǒng)計特征對輸入的給定分辨率的高精度網(wǎng)格風場數(shù)據(jù)，計算出統(tǒng)計特征的最大值，即對進行歸一化得到計算公式為最后，遍歷計算wm,n，得到歸一化的特征矩陣即為：1-3)利用bayesian決策對參數(shù)l進行優(yōu)化，和對公式(1)得出的進行閾值選取，以獲得輸入風場矩陣的最優(yōu)感興趣區(qū)；從0.25°分辨率的風場數(shù)據(jù)(包含不同季節(jié)、時間和海拔高度)中搜集渦旋樣本v，等分為三組測試樣本，包括：va，vb和vc；然后，分別計算當l＝5,7,9,11和13的五類訓練子特征：和對雜亂風樣本m的三個子樣本：ma，mb和mc和一致風樣本s的三個子樣本：sa，sb和sc分別進行同樣的計算和的操作。當l取上述給定某一尺度值時，分別計算對于類別va，ma和sa的條件概率密度：和根據(jù)最小錯誤率的原則，獲得的最優(yōu)閾值和相應的最小錯誤率同樣的過程應用于[vb,mb,sb]和[vc,mc,sc]，獲得相應的最小錯誤率和比較不同的l取值下的最小錯誤率的平均值，求得對于0.25°分辨率的風場數(shù)據(jù)的最優(yōu)l取值；經(jīng)實驗，求得對于0.25°分辨率的風場數(shù)據(jù)的最優(yōu)l取值為9，最優(yōu)閾值為圖1(b)是0.25°分辨率的風矢量場和灰度圖的疊加圖，圖1(c)是根據(jù)最優(yōu)閾值求得的包含軸對稱型風場的感興趣趣區(qū)域。步驟二、利用圓形數(shù)據(jù)理論，對理想的軸對稱型風場(包括：順時針旋轉(zhuǎn)場、逆時針旋轉(zhuǎn)場、輻合場、輻散場和鞍形場)進行特征描述和分類；步驟如下：2-1)對于兩個圓形數(shù)據(jù)變量α和β，它們之間的一種有向的方向差q(α,β)，定義為：定義α到β的一種走向為：其中，α和β的取值范圍各為[-180°,180°]；α到β的走向α→β為：在極坐標系下從α到β的走向；2-2)結(jié)論1：設θk是以理想軸對稱風場中心為中心的單位圓弧上k位置處風的角度，當0°<q(θk,θk+ε)<180°,ε>0時，則θk→θk+ε:counterclockwise。對于所有的0°≤k<360°，結(jié)論1都成立時，判定θk為第一類軸對稱場，即渦旋場或輻合場或輻散場。結(jié)論2：設θk是以理想軸對稱風場中心為中心的單位圓弧上k位置處風的角度，當-180°<q(θk,θk+ε)<0°,ε>0時，則θk→θk+ε:clockwise。對于所有的0°≤k<360°，結(jié)論2都成立時，判定θk為第二類軸對稱場，即鞍形場。2-3)設是軸對稱流場，對于所有的0°≤k<360°，當時，和θk同屬一類軸對稱場。如果θk為逆時針渦旋場，如圖2(a)所示；當δ＝90°時，為輻合場，如圖2(b)所示；當δ＝180°時，為順時針渦旋場，如圖2(c)所示；當δ＝270°時，為輻散場，如圖2(d)所示；如果θk為鞍形場，如圖2(e)所示，δ取0°～360°任意值，為鞍形場。步驟三、相對于理想軸對稱風場，實際的渦旋場是復雜的軸對稱風場，依據(jù)步驟二的結(jié)論和構(gòu)建變形系數(shù)，初步檢索出渦旋候選中心點集；步驟如下：3-1)對步驟一計算出的感興趣區(qū)域的每個格點風向值進行角度量化：依次為：東風、東北風、北風、西北風、西風、西南風、南風和東南風八個方向。3-2)以步驟一計算出的感興趣區(qū)域為當前檢索范圍，依次對每個以當前格點為中心的d×d窗口下分析域的風向進行特征提取，判定當前格點是否為渦旋中心點，如圖3(a)所示。從中心點向x軸方向的射線開始，以45°角為步長，依次引出八條射線對分析域進行八等分，如圖3(b)所示。3-3)渦旋場的特征提?。簩τ诋斍胺治鲇虻牡趇(i＝1,2,…,8.)個子區(qū)域，所有格點數(shù)為si，具有相同角度α的連通格點數(shù)為則該子區(qū)域的特征值定義為ci，因此當前分析域的特征向量描述為c＝{c1,c2,…c8}；c的提取規(guī)則為：if存在α使得ci＝α；else停止并檢索下一格點；end其中，ρ是閾值變量，默認值是0.4；對于圖3(b)的實例，c＝{-90°,0°,0°,45°,135°,±180°,-135°,-90°}。3-4)將c簡化為設ci和cj是兩個相鄰子區(qū)域的特征值；即，其中，如果i<8,j＝i+1,如果i＝8,j＝1；簡化規(guī)則為：ifci＝cj去掉cjend那么，設為中方向角所對應的空間子象限的索引向量，則3-5)剔除不合理的設q是的長度，和是的相鄰元素，其中，如果i<8,j＝i+1,如果i＝8,j＝1；則規(guī)則為：ifq<4或存在ci使得停止并檢索下一格點；end對于圖3(a)實例，其是合理的。3-6)設為中方向角所對應的空間子象限的索引向量；對步驟3-5)的和映射為單位圓的內(nèi)接多邊形；規(guī)則是：以或中元素的值作為單位圓的內(nèi)接多邊形的頂點；圖3(b)的多邊形映射如圖3(c)和圖3(d)所示。或映射能夠映射的19種圓內(nèi)接多邊形如表1所示。表119種圓內(nèi)接多邊形及相應形變指數(shù)3-7)對步驟3-6)中的所有多邊形構(gòu)建形變指數(shù)λ，去除形變過度的候選中心，并獲得確定下的渦旋的形變指數(shù)，如表1所示；λ的構(gòu)建方法如下：設圓形數(shù)據(jù)向量a＝{α1,α2,...,αn}，其中，αi≠αj，當0°<q(αi,αi+1)<180°且0°<q(αn,α1)<180°時，構(gòu)建形變指數(shù)λ；λ是圓形數(shù)據(jù)向量a的合成向量長度、圓形數(shù)據(jù)向量a均勻波動性和圓形數(shù)據(jù)向量a的空缺率的線性組合。(1)合成向量長度：roro的取值范圍為[0，1]；ro越接近1，α1,α2,...,αn越聚焦于它們的均值。(2)均勻波動性：δo圓形數(shù)據(jù)向量a的有向方向差為q(a),則q(a)的標準差為：同樣地，表1中19類圓內(nèi)接多邊形的δ值中的最大值為1.73，得出標準化后的δo：(3)圓形數(shù)據(jù)向量a的空缺率：ρo設圓形數(shù)據(jù)向量a的維度為n,空缺率ρo的計算如下：最后，將上述三種特征線性組合，得到一個綜合的形變指數(shù)λ：λ＝aro+bδo+cρo(9)式(9)中，0<a<1,0<b<1,0<c<1且a+b+c＝1，a＝b＝0.25,c＝0.5，19個圓內(nèi)接多邊形的λ值如表1所示。3-8)排除渦旋的偽中心點。從風場數(shù)據(jù)中挑選渦旋樣本估計λ的值：首先，每個樣本的和分別由d＝5,7,9的分析域計算得到；與步驟1-3)類似，利用bayesian決策得到最優(yōu)的λ值。得到如下規(guī)則：或停止并檢索下一格點；end步驟四、改進ward聚類算法，對屬于同一個渦旋系統(tǒng)的中心點集聚類；步驟如下：4-1)對步驟三使用多維的窗口，即d＝5，7和9對感興區(qū)域進行多尺度窗口的搜索候選中心點集p，其中p包含了多個渦旋系統(tǒng)的候選中心點集，如圖4所示。利用ward聚類算法將p中的各點聚類到各自的渦旋系統(tǒng)得到pk，k＝1,2,…,k；k為類別數(shù)。4-2)對于類別數(shù)k進行自適應選?。翰襟E4-1)中，每步類合并計算的最小離差平方和為di，計算di在最大離散曲率ti處對應的類別數(shù)為最終認定的k；ti的計算方法如下：ti＝1-|cosωi|(10)式(10)中，ωi＝angle(pi-1,pi,pi+1)是線段[pi-1,pi]和[pi,pi+1]的夾角，而k＝argmaxi{ti}。步驟五、利用步驟三的候選中心點集的渦度對渦旋系統(tǒng)分類，并精確定位全局的渦旋中心。圖5分別給出了逆時針渦旋和順時針渦旋分類和定位的詳細過程。5-1)得到了每類渦旋系統(tǒng)的候選中心點集pk后，采用數(shù)學形態(tài)學中的膨脹算法對pk進行膨脹處理，以完全覆蓋渦旋中心區(qū)域，方法如下：式(11)中，b是一個3×3的結(jié)構(gòu)元素。5-2)將渦旋類別判定為順時針方向或逆時針方向。引進二維連續(xù)風場的垂直渦度ζ：將式(12)轉(zhuǎn)換為離散風向場的垂直渦度式(13)中，θi,j是單位矢量的角，i和j是水平方向和豎直方向的索引；令l1(或l2)記為zk元素的正(或負)渦度的個數(shù)；l1(或l2)定義為如下：式(14)中，#{·}集合{·}的基數(shù)；如果l1>l2，當前第k個渦旋判定為逆時針渦旋，否則判定為順時針渦旋。5-3)根據(jù)渦度值確定渦旋中心參考點。在渦旋中心區(qū)域zk，由公式(13)計算每個格點的垂直渦度將垂直渦度絕對值最大的檢測點作為渦旋中心的參考點。5-4)根據(jù)零風速約束精確定位渦旋中心。在到渦旋中心參考點距離小于ε的區(qū)域內(nèi)，(ε＝3)，將網(wǎng)格劃分為兩個三角網(wǎng)格，在三角網(wǎng)格內(nèi)通過線性插值算法計算出零風速點坐標位置，連接兩個零風速點即可得到零等值線段。由此得到風速東西分量u和南北分量v在一個網(wǎng)格內(nèi)的零等值線段，同一網(wǎng)格上u、v的等值線段的交點，即為風速零點。若整個局部區(qū)域存在多個風速零點，則選擇距離氣旋中心參考點最近的點作為氣旋中心。若整個局部區(qū)域不存在風速零點，則對風速分量u、v分別進行線性插值，求解風速矢量u、v的強度極小值，將氣旋中心點校正到風速矢量u、v極小值點位置。下面以具體的實驗來驗證本發(fā)明提供的一種基于高精度數(shù)值風場資料的渦旋中心自動識別方法的可行性，測試樣本由中國天津氣象臺提供，詳見下文描述：圖6是利用本發(fā)明方法自動識別得到的渦旋中心定位點結(jié)果示意，該網(wǎng)格資料的高度為：850pha；經(jīng)緯度范圍為：60-150e，60n-10s；網(wǎng)格分辨率為：0.25°；圖6中d表示逆時針渦旋中心，g表示順時針渦旋中心，d和g代表逆時針渦旋和順時針渦旋中心參考點。對2014年4月含有渦旋特征的9個高精度數(shù)值風場資料進行檢測驗證。利用擊中率pod、虛警率far、臨界成功指數(shù)csi和渦旋中心定準率對檢驗結(jié)果進行評價(見表2)。表2檢出渦旋場的臨界成功指數(shù)(csi)及渦旋中心定準率樣本檢出數(shù)漏報數(shù)空報數(shù)中心校準數(shù)擊中率(％)虛警率(％)csi(％)定準率(％)1404080827152496.415.681.888.914040908351133097.227.171.485.71404100826092010025.774.376.914041108370103410021.378.791.914041208411143597.625.573.285.414041308410133710024.175.990.21404140835093110020.579.588.61404150842253995.510.685.792.914041608380113410022.477.689.5總計32258928498.521.777.488.2表2描述了9個高精度數(shù)值風場的識別情況，對其進行統(tǒng)計后得到渦旋樣本總數(shù)為327個，成功識別樣本數(shù)322個，未識別樣本數(shù)5，誤識別樣本數(shù)89，渦旋中心校準樣本數(shù)284，得出擊中率、虛警率、臨界成功指數(shù)和渦旋中心定準率分別為98.5％,21.7％,77.4％和88.2％。本領域技術(shù)人員可以理解附圖只是一個優(yōu)選實施例的示意圖，上述本發(fā)明實施例序號僅僅為了描述，不代表實施例的優(yōu)劣。以上所述僅為本發(fā)明的較佳實施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內(nèi)。當前第1頁12