一种由“列车效应”引起的暴雨识别及预报方法

摘要

本发明公开了一种由“列车效应”引起的暴雨识别及预报方法，包括对实时雷达数据进行预处理；将经过面积初筛的单体进行初步拟合，消除干扰，寻找“列车效应”疑似区域；确定“列车效应”疑似区域后便可进行“列车效应”的自动识别；利用疑似区域带状回波的质心移动距离以及轴线旋转角度进行带状回波的跟踪，实现“列车效应”的跟踪；根据单体运动惯性对“列车效应”的疑似区域的移向、移速、形状变化进行外推。本发明的有益效果是：当出现“列车效应”现象的气象时，不仅能够识别出“列车效应”向预报员发出警报，还能根据多个时刻的“列车效应”的天气状况进行外推，对预报员进行后续的预报提供重要参考，准确性及快速性较高。

说明书

技术领域

本发明涉及一种气象领域，特别是涉及一种由“列车效应”的暴雨识别 及预报的方法。

背景技术

在城市中小尺度强对流天气常常造成激烈的天气现象，如局地大暴风、 大风、冰雹等灾害性天气，严重威胁人们的生命财产安全。天气雷达是探测 降水系统的主要手段，是对强对流天气进行监测和预警的主要工具。多普勒 天气雷达全天候的探测能力和十分丰富的反映大气层云雨生消演变过程的 动态信息，大大加强了对中小尺度天气系统的探测和预警能力，并为开展短 时灾害性天气的监测预报，奠定了坚实基础。

“列车效应”是指某区在一段时间内频繁地、接连不断地生成空间尺度 不大的对流单体，而每生成一个对流单体即沿着某一方向移动，接着在同一 地方生成新的对流单体继续沿着同一方向移动，从而形成由一系列对流单体 排列组成类似于“列车”的排列，这一“列车”对其下游某一地区可以造成 接连不断的“持续”影响，从而造成强降水，其是产生极端雨量从而造成洪 涝等灾害的主要回波特征。

近几年随着我国多普勒天气雷达网的逐步建立，多普勒雷达在灾害性天 气的监测和预警上的作用日益凸现，使我国对灾害性天气预报的准确率在原 有的基础上有所提高，但若想要充分发挥其在天气监测和预警中的作用，还 应有相应的基于多普勒天气雷达资料的风暴识别、追踪和预报算法与之相配 套。目前，可应用于“列车效应”的识别跟踪算法：雷暴识别跟踪分析预报 (TITAN)、风暴识别追踪算法(SCIT)。其中，TITAN算法是用单个反射率 因子阈值来识别强对流风暴的，此算法适用于整体风暴带，但是强度阈值少， 不能很好的提取风暴内部的参数以及分辨风暴簇的细微构造。而SCIT算法采 用七个阔值来识别风暴的质心，可以较好地识别出风暴簇中的风暴单体，但 是只保留高阈值的识别结果，而舍弃了低阈值的识别结果，丢失了大量的风 暴体结构信。

发明内容

本发明所要解决的技术问题是，提供一种在实时天气监测预报中，当出 现“列车效应”现象时不仅能够识别出“列车效应”向预报员发出警报，还 能根据多个时刻的“列车效应”的天气状况进行外推的暴雨预报方法。

本发明所采用的技术方案是：一种由“列车效应”引起的暴雨识别及预 报方法，包括如下步骤：步骤S1，对实时雷达数据进行预处理：消除超折射、 细微单体及虚假合并；步骤S2，将经过面积初筛的单体进行初步拟合：消除 干扰，并对结果进行聚类，再对聚类结果进行二次拟合，寻找“列车效应” 疑似区域；步骤S3，确定“列车效应”疑似区域后：进行“列车效应”的自 动识别，如果是，则判断其为“列车效应”，进行S4，如果不是，则跳转到 对下一时刻的雷达数据进行处理，即从S1开始；步骤S4，利用疑似区域带 状回波的质心移动距离以及轴线旋转角度进行带状回波的跟踪：在确定了整 体带状回波的位置后，利用Hu矩和形态变化进行疑似区域内的单体跟踪，实 现“列车效应”的跟踪；步骤S5，根据单体运动惯性对“列车效应”的疑似 区域的移向、移速、形状变化进行外推。

所述S1中对实时雷达数据进行预处理的步骤为：S101：通过抬高雷达 回波数据的仰角，滤除对自动识别阶段有较强干扰的超折射回波；S102：通 过设定面积阈值，将不满足阈值条件的细微单体删除；S103：判断目标连通 区域反射率是否大于40dBZ，如果大于40dBZ，则腐蚀一个像素点，将强回波 区域少腐蚀一些；如果小于40dBZ，则腐蚀两个像素点，将弱回波区域多腐 蚀一些，然后提高一级阈值，判断是否能检测到高一级阈值的单体，若能检 测到单体，则膨胀，并重复上述过程，若不能检测到单体，则停止。

所述步骤S2具体包括如下步骤：S201：先用质心法得到各单体的代表 点，再对这些点进行直线拟合，得到“列车效应”的拟合直线，然后删除偏 离该拟合直线程度比较大的单体，消除与“列车效应”不相干的外围单体的 干扰；S202：经过初步拟合后得到满足要求的单体，提取这些单体的质心， 利用近邻传播法进行自动聚类，然后分别针对每一类的点集再次进行直线拟 合，并删除偏离拟合直线程度较大的单体，得到“列车效应”的疑似区域。

所述步骤S3具体包括如下步骤：S301：提取疑似区域中整体带状回波 的信息，判断整体带状回波的最小外界矩形的长宽比、整体带状回波的平均 反射率和平均速度是否满足“列车效应”标准，若满足标准则继续下面的判 断过程，如若不满足标准则判断为不是“列车效应”则废除，继续对下一时 刻雷达数据进行从第一步开始的重新处理；S302：提取疑似区域中所有单体 的各项特征，放入规则库中，利用标准投票法判断这些单体回波是否满足“列 车效应”单体回波条件，在对疑似区域中所有单体进行判断识别后统计满足 “列车效应”单体回波条件的单体占所有单体的比例，若满足阈值条件，则 判断为“列车效应”。

所述步骤S4具体包括如下步骤：S401：对“列车效应”跟踪时，将“列 车效应”整体带状回波和单体回波的属性相融合；S402：以“列车效应”整 体带状回波作为研究对象，计算整体带状回波的质心位置和长轴线方向，并 找出整体带状回波在相邻两时刻之间所有可能的运动路径组合，计算出每种 路径组合下带状回波质心的移动距离和长轴线的旋转角度，在满足条件的路 径组合中，选取最短路径组合作为回波带的移动路径；S403：确定了整体带 状回波的位置后，针对同一整体带状回波，计算当前时刻每个单体与前一时 刻每个单体之间的面积差异，如果面积差异小于一个阈值，则把前一时刻中 的这些单体存储下来作为一个与当前单体的可能的匹配，然后通过Hu矩计算 出当前单体与其所有可能匹配的单体的轮廓的相似程度，相似程度最大的组 合被认为是同一单体，两者标注相同的ID；S404：基于初次对“列车效应” 的识别及判定结果，划定区域范围，减小再次运算时间并提高准确度；S405： 通过对前后时间序列单体的各项特征的比较、整体带状特征的比较、“列车 效应”独有的整体带的长轴线方向与运动方向的比较、速度和运动方向的比 较，获取关联性最大的整体带与带内各个单体之间的信息，形成一一对应的 关系。

所述步骤S5具体包括如下步骤：S501：连续录入三个时刻“列车效应” 数据，获取相关特征，构造连续时刻的时间序列，建立单体族谱关系，通过 相邻时次单体的相似性检查与对比，并通过计算，识别出单体发生发展消亡 的运动轨迹，从而预测单体的运动趋势；S502：首先进行整体带状回波的外 推，根据单体运动的惯性，分别由录入的连续三个时刻间的整体带的平均速 度、移动方向和长轴线方向来确定下一时刻整体带的移动速度、移动方向和 长轴线方向，综合上述三个信息即可完成“列车效应”整体带状回波的跟踪； S503：在外推出整体带状回波位置的基础上，用相同的方法对其中各单体回 波的位置进行外推。

所述的三个时刻分别进行6分钟、12分钟、18分钟外推。

本发明的有益效果是：当出现“列车效应”现象的气象时，不仅能够识 别出“列车效应”向预报员发出警报，还能根据多个时刻的“列车效应”的 天气状况进行外推，对预报员进行后续的预报提供重要参考，准确性及快速 性较高。

附图说明

图1 中图a为原反射率图，图b滤除超折射后的反射率图；

图2 是经过面积初筛剩余单体的初步拟合图；

图3 中图a、b分别为原始轮廓和其对应的代表点；

图4 是图3的自动聚类图；

图5 中图a、b分别为各局部区域二次拟合后的图像；

图6 是存在两个过程的典型“列车效应”图；

图7 中图a、b、c分别为6、12、18分钟“列车效应”真实图与外推图 对比图，

图中所示为真实的图像与外图像对比图，其中a1、b1、c1与a3、b3、 c3为6、12、18分钟“列车效应”真实反射率图与其局部放大图，a2、b2、 c2与a4、b4、c4为6、12、18分钟“列车效应”外推图与局部放大图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细说明：

一种由“列车效应”引起的暴雨识别及预报方法，包括如下步骤：

步骤S1，对实时雷达数据进行预处理：消除超折射、细微单体及虚假合 并；S101：通过抬高雷达回波数据的仰角，滤除对自动识别阶段有较强干扰 的超折射回波；S102：通过设定面积阈值，将不满足阈值条件的细微单体删 除；S103：判断目标连通区域反射率是否大于40dBZ，如果大于40dBZ，则腐 蚀一个像素点，将强回波区域少腐蚀一些；如果小于40dBZ，则腐蚀两个像 素点，将弱回波区域多腐蚀一些，然后提高一级阈值，判断是否能检测到高 一级阈值的单体，若能检测到单体，则膨胀，并重复上述过程，若不能检测 到单体，则停止。

步骤S2，将经过面积初筛的单体进行初步拟合：消除干扰，并对结果进 行聚类，再对聚类结果进行二次拟合，寻找“列车效应”疑似区域；S201： 先用质心法得到各单体的代表点，再对这些点进行直线拟合，得到“列车效 应”的拟合直线，然后删除偏离该拟合直线程度比较大的单体，消除与“列 车效应”不相干的外围单体的干扰；S202：经过初步拟合后得到满足要求的 单体，提取这些单体的质心，利用近邻传播法进行自动聚类，然后分别针对 每一类的点集再次进行直线拟合，并删除偏离拟合直线程度较大的单体，得 到“列车效应”的疑似区域。

步骤S3，确定“列车效应”疑似区域后：进行“列车效应”的自动识别， 如果是则判断其为“列车效应”，进行S4，如果不是，则跳转到对下一时刻 的雷达数据进行处理，即从S1开始；S301：提取疑似区域中整体带状回波的 信息，判断整体带状回波的最小外界矩形的长宽比、整体带状回波的平均反 射率和平均速度是否满足“列车效应”标准，若满足标准则继续下面的判断 过程，如若不满足标准则判断为不是“列车效应”则废除，继续对下一时刻 雷达数据进行从第一步开始的重新处理；S302：提取疑似区域中所有单体的 各项特征，放入规则库中，利用标准投票法判断这些单体回波是否满足“列 车效应”单体回波条件，在对疑似区域中所有单体进行判断识别后统计满足 “列车效应”单体回波条件的单体占所有单体的比例，若满足阈值条件，则 判断为“列车效应”。

步骤S4，利用疑似区域带状回波的质心移动距离以及轴线旋转角度进行 带状回波的跟踪：在确定了整体带状回波的位置后，利用Hu矩和形态变化 进行疑似区域内的单体跟踪，实现“列车效应”的跟踪；S401：对“列车效 应”跟踪时，将“列车效应”整体带状回波和单体回波的属性相融合；S402： 以“列车效应”整体带状回波作为研究对象，计算整体带状回波的质心位置 和长轴线方向，并找出整体带状回波在相邻两时刻之间所有可能的运动路径 组合，计算出每种路径组合下带状回波质心的移动距离和长轴线的旋转角 度，在满足条件的路径组合中，选取最短路径组合作为回波带的移动路径； S403：确定了整体带状回波的位置后，针对同一整体带状回波，计算当前时 刻每个单体与前一时刻每个单体之间的面积差异，如果面积差异小于一个阈 值，则把前一时刻中的这些单体存储下来作为一个与当前单体的可能的匹 配，然后通过Hu矩计算出当前单体与其所有可能匹配的单体的轮廓的相似 程度，相似程度最大的组合被认为是同一单体，两者标注相同的ID；S404： 基于初次对“列车效应”的识别及判定结果，划定区域范围，减小再次运算 时间并提高准确度；S405：通过对前后时间序列单体的各项特征的比较、整 体带状特征的比较、“列车效应”独有的整体带的长轴线方向与运动方向的 比较、速度和运动方向的比较，获取关联性最大的整体带与带内各个单体之 间的信息，形成一一对应的关系。

步骤S5，根据单体运动惯性对“列车效应”的疑似区域的移向、移速、 形状变化进行外推。S501：连续录入三个时刻“列车效应”数据，获取相关 特征，构造连续时刻的时间序列，建立单体族谱关系，通过相邻时次单体的 相似性检查与对比，并通过计算，识别出单体发生发展消亡的运动轨迹，从 而预测单体的运动趋势；S502：首先进行整体带状回波的外推，根据单体运 动的惯性，分别由录入的连续三个时刻间的整体带的平均速度、移动方向和 长轴线方向来确定下一时刻整体带的移动速度、移动方向和长轴线方向，综 合上述三个信息即可完成“列车效应”整体带状回波的跟踪；S503：在外推 出整体带状回波位置的基础上，用相同的方法对其中各单体回波的位置进行 外推；所述的三个时刻分别进行6分钟、12分钟、18分钟外推。

实施例：

如图1中的图a到图b的过程所示，对实时雷达数据进行预处理，消除 超折射、细微单体及虚假合并。通过抬高雷达回波数据的仰角，滤除对自动 识别阶段有较强干扰的超折射回波；通过设定面积阈值，将不满足阈值条件 的细微单体删除；判断目标连通区域反射率是否大于40dBZ，如果大于40dBZ， 则腐蚀一个像素点，如果小于，则腐蚀两个像素点，目的是将强回波区域少 腐蚀一些，将弱回波区域多腐蚀一些。然后用高一级阈值识别，判断是否能 检测到高一级阈值的单体，若能检测到则膨胀，并重复上述过程，若不能， 则停止。

如图2至图5所示，将经过面积初筛的单体进行初步拟合，消除干扰， 并进对结果利用近邻传播法进行聚类，再对聚类结果进行二次拟合，寻找列 车效应疑似区域。具体过程为：计算二值化后各单体轮廓的质心，并根据 Q＝∑(y_i-a-bx_i)²，其中Q为所形成的拟合直线的残差平方和，a表示拟合直 线的截距，$a=\bar{y}-b\bar{x};$b为拟合和直线斜率$b=\Sigma (x_i-\bar{x})(y_i-\bar{y})/\Sigma {(x_i-\bar{x})}^2,$为了使目标残差平方和最小，可以通过求偏导数的 方式：获得拟合直线，并由拟合直线及两端点。图2中的粗 线即为单体各质心拟合所得直线；计算各质心与这两个端点所形成的斜率， 与拟合直线进行比较，将差值大于设定阈值的质心所对应的轮廓删除。针对 聚类后的各个单体所形成的不通过程，分别进行拟合，获得不同的拟合直线， 图3到图4即为一个聚类的过程，图3中为经过初步拟合所得到各单体的质 心，图4为聚类结果，图5为分类后二次拟合的结果。通过上述过程的处理， 便可大大消除“列车效应”识别过程中的干扰因素，得到“列车效应”的疑 似区域。

上述过程中在聚类算法的选择上，采用了近邻传播法。它的理论基础是数 据点的相似度矩阵。对于规模较大的数据集，近邻传播法可以快速、高效的 进行聚类，且结果比较理想。它的核心是寻找目标区域的一个最优的代表点。 这个类代表点，使得此区域中所有数据到其的相似度之和最大，那么它们就 可以被聚为一类。近邻传播法不像其他聚类算法，开始聚类时，它会把所有 数据点都假设成类代表点，这样，在后续的聚类过程中，就不会出现收到初 始值的设置以及人为的参与到聚类结果的情况发生，这也正是我们实现对 “列车效应”自动识别与跟踪的重要环节。其公式如下所示：

$r(i,k)\leftarrow s(i,k)-\underset{k^{\prime }s.t.k^{\prime }\ne k}{\max }\{a(i,k^{\prime })+s(i,k^{\prime })\}$

$i\ne k,a(i,k)\leftarrow \min \{0,r(k,k)+\underset{i^{\prime }s.t.i^{\prime }\notin \{i,k\}}{\Sigma }\max \{0,r(i^{\prime },k)\left\}\right\}$

$a(k,k)\leftarrow \underset{i^{\prime }s.t.i^{\prime }\ne k}{\Sigma }\max \{0,r(i^{\prime },k)\}$

其中，s(i,k)表示数据点x_k在多大程度上适合做数据x_i的类代表点；代表 矩阵R＝[r(i,k)]_n×n及适合矩阵A＝[a(i,k)]_n×n，r(i,k)代表数据点x_k作为数据点x_i的 类代表的代表程度，a(i,k)代表数据点x_i选择数据点x_k作为其代表点的适合程 度，需要计算这两个程度之和：

$r(i,k)+a(i,k)\leftarrow s(i,k)+a(i,k)-\underset{k^{\prime }s.t.k^{\prime }\ne k}{\max }\{a(i,k^{\prime })+s(i,k^{\prime })\}$

通过求取类的最优代表点，我们就可以进行自动的聚类，不需要在聚类 初始人为的指出所需聚类的数目。通过反射率图像，提取轮廓所得到的中心 点数据，让彼此邻近点的信息形成相互的影响，并实时自动聚类，以满足多 个“列车效应”过程的现状。参考文献为：肖宇，于剑.基于近邻传播算法 的半监督聚类[J].软件学报，2008，19(11)：2803–2813.图3到图 4的聚类过程即利用上述算法所实现的。

如图6所示，确定疑似区域后便可进行列车效应的自动识别。获取各疑 似“列车效应”区域后，提取疑似区域中整体带状回波的信息，判断整体带 状回波的最小外界矩形的长宽比是否在1.5:1到3:1之间；整体带状回波的 平均反射率是否在30dbz到45dbz之间；移动速度是否小于1.5 km/min，若 满足，则提取疑似区域中所有单体的各项特征，放入规则库中利用标准投票 法进行判断，看看这些单体回波是否满足列车效应单体回波条件，在对疑似 区域中所有单体进行判断识别后要统计满足规则库的单体所占比例，若满足 条件的单体占总的单体数的比例超过2/3，则判断为列车效应；如若不满足 这3条标准，则判断为不是列车效应。图6中的区域I、II内所示即为利用 自动识别所得出来的结果，即图中存在两个过程的典型“列车效应”。

分别提取疑似区域的整体带状回波信息和区域内单体特征，将带状回波 的跟踪与单体的跟踪相结合，进行列车效应的跟踪：首先利用疑似区域带状 回波的质心移动距离以及轴线旋转角度进行带状回波的跟踪。在确定了整体 带状回波的位置后，利用Hu矩和形态变化进行疑似区域内的单体跟踪。完成 一次完整的数据录入，并判别是否存在“列车效应”现象，若存在，则判断 同一时刻存在几个这个样的过程，并记录目标区域各单体及整体带的各项特 征。对“列车效应”跟踪时，将“列车效应”整体带状回波和单体回波的属 性相融合，实现了“列车效应”的准确跟踪；先从整体的角度入手，确定整 体带状回波的位置，具体过程如下：

A.以“列车效应”整体带状回波作为研究对象，计算整体带状回波的质 心位置和长轴线方向；

B.找出整体带状回波在相邻两时刻之间所有可能的运动路径组合，计 算出每种路径组合下带状回波质心的移动距离和长轴线的旋转角度；

C.由于采集一次体积扫描所花的时间△t(6分钟)很短，整体带状回波 的旋转角度有一个上界，若某种路径组合中存在整体带状回波的旋转角度大 于上界的情况，则删除该路径组合，仅留下整体带状回波的旋转角度都小于 上界的路径组合；

D.在留下的路径组合中，选取最短路径组合作为回波带的移动路径。 因为整体带状回波的大小与其在△t(6分钟)时间内移动距离的比值决定了 它不可能在短时间内移出很远,它以前的位置，或邻近它的一个位置，不可 能被别的整体带状回波占据，所以留下的路径组合中若某组合的路径越短, 越有可能是真正的路径。因此，将带状回波质心的移动距离最短的路径组合 确定为整体带状回波真实移动路径。

确定了整体带状回波的位置后，便可对其中各单体回波进行跟踪，具体 过程如下：

由于单体回波在△t(6分钟)时间内的变化是有限的，因此相邻两时刻 的反射率图中若两单体的形状和大小越接近，越有可能是同一个单体。

针对同一整体带状回波，计算当前时刻每个单体与前一时刻每个单体之 间的面积差异。如果面积差异小于一个阈值，则把前一时刻中的这些单体存 储下来作为一个与当前单体的一个可能的匹配。然后通过Hu矩计算出当前单 体与其所有可能匹配的单体的轮廓的相似程度，相似程度最大的组合被认为 是同一单体，两者标注相同的ID。

关于Hu矩的公式如下：

f(x,y)的(p+q)阶普通矩和中心矩：

$m_{\mathrm{pq}}={\int }_{\infty }^{\infty }{\int }_{\infty }^{\infty }{x}^p{y}^{q}f(x,y)\mathrm{dxdy}$

${\mu }_{\mathrm{pq}}={\int }_{\infty }^{\infty }{\int }_{\infty }^{\infty }{(x-\bar{x})}^p{(y-\bar{y})}^{q}f(x,y)\mathrm{dxdy}$

我们所处理的为离散后的数字化图像，和可以用积分的形式来代替：

$m_{\mathrm{pq}}=\underset{m-1}{\overset{M}{\Sigma }}\underset{n-1}{\overset{N}{\Sigma }}{x}^p{y}^{q}f(x,y)$

${\mu }_{\mathrm{pq}}=\underset{m-1}{\overset{M}{\Sigma }}\underset{n-1}{\overset{N}{\Sigma }}{(x-\bar{x})}^p{(y-\bar{y})}^{q}f(x,y)$

其中是重心。

归一化中心矩η_pq：${{\eta }^{\prime }}_{\mathrm{pq}}={{\mu }^{\prime }}_{\mathrm{pq}}/{\left({{\mu }^{\prime }}_{00}\right)}^r={\rho }^{p+q}{\mu }_{\mathrm{pq}}/{\mu }_{00}^r={\rho }^{p+q}{\eta }_{\mathrm{pq}}$

r＝(p+q)/2，p+q＝2，3，4，......

当我们所处理的反射率图进行形态变化时，η_pq变为：

${{\eta }^{\prime }}_{\mathrm{pq}}={{\mu }^{\prime }}_{\mathrm{pq}}/{\left({{\mu }^{\prime }}_{00}\right)}^r={\rho }^{p+q}{\mu }_{\mathrm{pq}}/{\mu }_{00}^r={\rho }^{p+q}{\eta }_{\mathrm{pq}}$

其中ρ为比例因子。

Hu构造出了满足不变特征的7个几何矩：

为了比较，我们可以获得关于两个单体轮廓的相似程度：

$I(A,B)=\underset{k=1}{\overset{7}{\Sigma }}|\frac{1}{M_k^A}-\frac{1}{M_k^B}|$

其中，

当两个单体的轮廓完全相同时，I(A,B)＝0，若两个轮廓的差异越大， I(A,B)就越大；

基于初次对“列车效应”的识别及判定结果，划定区域范围，减小再次 运算时间并提高准确度。即将疑似区域划定在某一范围内，在之后的数据录 入中，可以直接对疑似区域内的风暴体先进行判断，再对其他非疑似区域进 行判断。再次获得目标区域单体及整体带状的各项特征；

通过对前后时间序列单体的各项特征的比较、整体带状特征的比较、“列 车效应”独有的整体带的长轴线方向与运动方向的比较，速度、运动方向等 比较，获取关联性最大的整体带与带内各个单体之间的信息，形成一一对应 的关系。

根据单体运动惯性对列车效应的疑似区域的移向、移速、形状变化进行 外推。

连续录入三个时刻列车效应数据，获取相关特征，构造连续时刻的时间 序列，建立单体族谱关系，通过相邻时次单体的相似性检查与对比，并通过 计算，识别出单体发生发展消亡的运动轨迹，从而预测单体的运动趋势，对 “列车效应”的外推也分为整体带状回波的外推和内部各单体回波的外推两 部分；

首先进行整体带状回波的外推，机体内容如下：

A.根据单体运动的惯性，由录入的连续三个时刻间的整体带的平均速 度来估算下一时刻整体带的移动速度；

B.同样根据单体的惯性，由录入的连续三个时刻间的整体带的移动方 向来估算下一时刻整体带的移动方向；

C.由录入的连续三个时刻间的整体带的长轴线方向来确定下一时刻整 体带的长轴线方向；

综合以上信息便完成了“列车效应”整体带状回波的跟踪。

在外推出整体带状回波位置的基础上，可用相同的方法对其中各单体回 波的位置进行外推，但是由于单体回波的变化速度相对较快，用该方法可能 会有较大误差，因此需要对其外推位置进行修正，具体内容如下：

A.对单体外推修正的原则是：某一单体与其相邻的单体的速度差不能 超过6m/s，与整体带状回波的移动方向的差值不能超过10度。若超过阈值 则用周围单体的平均移向和移速取代，这样便预测出下一时刻各单体回波的 分布情况。

B.由于在“列车效应”的预报中，组成“列车效应”的单体一般都较 小，主要关注单体回波的位置和移动速度，无需精准地推测其形状变化。因 此，本专利对“列车效应”中单体回波的形状只做了粗略地外推：根据单体 回波面积的变化速率对其进行膨胀和腐蚀。

如图7所示，将对“列车效应”的外推也分为整体带状回波的外推和内 部各单体回波的外推两部分相结合，分别进行6分钟、12分钟、18分钟外推。 图7 a、b、c即为6、12、18分钟“列车效应”真实图与外推图对比。a1、 b1、c1与a3、b3、c3为6、12、18分钟“列车效应”真实反射率图与其局 部放大图，a2、b2、c2与a4、b4、c4为6、12、18分钟“列车效应”外推 图与局部放大图。