基于风暴识别算法的森林火灾识别

罗 辉，张 杰，朱克云＊，张曙光，黄克慧

（1．成都信息工程学院大气科学学院和高原大气与环境四川省重点实验室，成都，610225；2．成都军区空军气象中心，成都，610041；3．浙江省温州气象雷达站，温州，325027）

0 引言

森林火灾给森林带来严重危害，位居森林破坏的三大自然灾害之首，它不仅破坏生态环境，而且给人类的经济建设造成巨大损失，甚至还会威胁到人民生命财产安全［1］。及时发现火灾，有助于消防人员掌握火灾发生地，及时扑灭火灾，把损失降到最低，对于森林防火有至关重要的意义。雷达探测作为主动遥感方法之一，其发射的电磁波，遇到大气中的目标发生散射，被散射的电磁波返回到雷达天线，被雷达接收［2］。火灾发生过程中，由于燃烧产生的热力抬升，使得烟和灰烬等上冲到空气中，当雷达扫描到火灾产生的烟雾和灰烬时，将产生较强的电磁波散射，最终在雷达强度图上出现小范围的回波［1］。

近年有学者已经对雷达识别火灾做了一些初步研究。陈等［3］利用多普勒天气雷达监测到了2006年5月4日下午发生在上海市闵行区的一起重大火灾，监测到了大火发生、升腾、扩展和扑灭的全过程，最强回波达到45dBz。黄等［4］根据多个火灾实例总结的特征，通过雷达监测火灾的原理，设计出了监测火灾的流程，可以为消防人员及时扑灭火灾提供新的探测手段。黄等［5］对发生在浙江省南部地区10次距离雷达站5km～100km、不同规模的森林火灾进行分析，发现火灾回波一般尺度小，强度和位置基本固定，与地物回波类似。黄等［6］提出并详细讨论了自动识别火灾回波的杂波过滤法，以及利用非零速度距离库数和反射率距离库数过滤降水回波，取得了一定效果，并在业务中运行。此方法有一定的效果，但不能同时识别多起火灾，而这种情形是很常见的，并且对于发生弱降水时的火灾回波不能识别出。

针对这两方面问题，本文首次采用风暴识别算法得到二维分量，结合火灾回波与降水回波等的差异，识别火灾回波。风暴识别算法包含多个阈值，火灾回波在强度、面积等方面与风暴回波有一定的差别，因此需要对风暴段以及段合并阈值进行调整，以适应火灾回波。

1 回波特征及方法

文中采用资料为CINRAD／SA 型号雷达体扫数据，数据前三层仰角分别为0．5°、1．5°、2．4°。火灾回波主要出现在2．5km 以下［4］，由测高公式（1）计算可得，0．5°仰角是识别火灾的最佳仰角。

雷达测量目标的高度－距离－仰角公式［7］：

式中，Ht是目标高度，Rt是目标到雷达的距离，Ha是雷达天线的假设高度，θe指向目标的仰角，Re是考虑大气折射效应后的等效地球半径。

1．1 回波特征

气象回波：

在雷达回波的PPI（平面位置显示）显示图上，对流云回波结构紧密，水平梯度大，一般包含多个回波单体，回波强度强，最强可达60dBZ以上，持续时间变化大。在雷达回波的RHI（距离高度显示）显示图上，在对流发展的三个阶段，回波变化明显，回波顶呈现为花菜状，回波顶在发展阶段明显上冲，最后下降消失。层状云回波均匀，形成一大片，持续时间较长，水平尺度很大，达到300公里，强度一般在30dBZ以下，回波边缘结构模糊，在整个回波中有多个强度较大的回波团。回波顶较低，抬高仰角大片回波将消失［2］。弱降水回波结构松散，强度较低，容易对火灾识别造成影响。

地物回波：

地物回波是雷达波束正常传播情况下探测到的地面目标物回波。一般发生在离雷达站较近距离范围内，一般是山脉和高大建筑，通常只有低仰角时才能探测到，山脉较高时，距离较远时也能探测到。强度较强，最大可达60dBZ。

火灾回波：

火灾回波主要出现在2．5km 以下高度，比一般降水和强降水回波高度明显偏低，通常只能在第一层回波中看到［5］。弱火灾回波容易与弱降水回波混合在一起不易被识别。火灾的雷达回波特征与地物比较接近，位置基本稳定，回波边缘清晰，在整个火灾过程中强度基本较大，最大可达50dBz以上，明显强于弱降水回波，火灾回波顶高很低是它区别于其它回波重要依据，明显低于一般降水和对流性降水。火灾回波水平尺度小，水平尺度一般在1km～40km 之间［6］。在火灾开始与结束阶段，其强度较弱，与弱降水回波混淆而不容易被识别，因此只能在强度较大时进行识别。

1．2 风暴识别算法

风暴识别算法是最早出现的临近预报技术，是天气雷达系统和强天气预警业务的重要组成部分，是多普勒天气雷达最重要的算法之一［8］。风暴识别算法有三个部分，首先风暴进行段的搜索，随后在段之间进行二维风暴分量的合成，最后对二维风暴分量做垂直相关。对于火灾回波，雷达只能在低层数据中探测到，所以对于火灾识别不需要做风暴分量的垂直相关，以下只介绍识别算法的前两个部分。

风暴段的搜索：

段是指沿径向排列的、反射率因子大于或等于特定阈值的一组相邻距离库。段的搜索包含表1中的四个阈值。首先，从径向的第一个库开始，搜索大于反射率因子阈值的点，当开始遇到满足条件的点后，对后面的点进行段的合并，在段后对第一个不满足小于反射率因子阈值的点进行判断，该点与反射率阈值做差，差值大于缺失射率因子，结束段的合并；但当差值小于缺失射率因子时，则低于反射率值个数加1，继续进行段的合并。如果低于反射率值个数大于缺失射率因子个数阈值，结束段合并。对每个径向进行搜索后，最后，根据段长度阈值把满足条件的段保留下来。

表1 段搜索变量阈值Table 1 Segment of search variable threshold

风暴分量的合成：

分量是在同一仰角中满足特定阈值的段的二维区域。对上步所保留的段进行二维合并，得到风暴的二维分量。风暴段在空间相邻的基础上被组合成二维风暴分量。二维风暴分量有四个变量必须满足条件，表2为四个变量及其阈值，对于同时满足分量合成四个阈值的分量，保存相应二维分量。

表2 分量合并变量阈值Table 2 Component combined variable threshold

风暴识别算法的优点体现在强度和面积两个方面［9］。算法中最小反射率因子采用七个阈值进行段的搜索，阈值范围基本涵盖对流风暴的强度，不会导致漏识别。

在分量合并中，分量面积阈值和方位分离阈值可以对不同尺度的回波进行识别，最终结合其它阈值得到识别结果。

1．3 火灾识别算法

在风暴识别算法的基础上，调整风暴段和二维分量的阈值参数，得到的二维分量，结合对流云、层状云、弱降水云回波与火灾回波差异，对二维风暴分量进行判断，保留火灾回波二维分量，最终在PPI中显示。

火灾回波采用0．5°仰角进行识别，不需要进行二维分量的垂直相关。对流风暴和火灾回波有一定的差别，对风暴段搜索的参数需要进一步调整。对流风暴与火灾回波最大的区别在于回波强度和面积，风暴回波强度范围至少30dBZ以上，甚至可达60dBZ以上。而火灾回波强度一般在20dBZ 以上，最强可达50dBZ，因此采用最小反射率阈值为20dBZ、25dBZ、30dBZ、35dBZ、40dBZ的五个段。对流风暴回波面积一般相对于火灾回波较大，经过识别筛选最终选取5km2。其余阈值保持与对流风暴一致。

滤除对流云：对流云回波与火灾回波最明显的区别在于回波顶高的差异，火灾回波顶高在3km以下，而对流云回波顶高多数在6km～7km 以上，最高甚至可达对流层顶。算法具体步骤：通过风暴识别算法得到二维风暴分量，在每个二维风暴分量中，根据相同投影位置，计算它仰角的回波高度，得到每个风暴分量中回波顶高的平均值。设置回波顶高阈值为3km，即可滤除对流云回波。

滤除层状云：层状云回波和火灾回波区别在于回波面积、回波边沿梯度，回波顶高。对于合并得到的二维分量，由于火灾回波面积相对于层状云较小，火灾回波外延梯度较大，回波顶高低于层状云。根据实测资料分析，设置最大面积阈值为100km2。边沿梯度阈值为15dBZ，回波顶高为3km。最后结合回波顶高、回波面积、回波边沿梯度对层状云回波进行滤除。

滤除弱降水云：弱降水云回波面积小、结构松散、强度较弱。对于较强火灾，由于其结构紧凑、强度大、回波边沿梯度大，通过设置边沿梯度阈值为15dBZ可对其进行滤除。

对于较弱火灾，其强度大约在20dBZ左右，极容易与弱降水回波混合在一起，两者回波边沿梯度和回波顶高相差较小，不能得到清晰的判别阈值，使得与弱火灾回波难以区分。火灾在发生过程中，火的蔓延速度相对于降水云的移动要慢的多。在识别中保存每个二维风暴分量的位置，对连续两个体扫风暴分量的位置进行比较，设置移动距离阈值为5km，即可滤除弱降水回波。

上述算法可以明显改善“杂波过滤法”的两方面缺陷，不能识别发生弱降水时或多起火灾同时发生的情况。风暴识别算法为多阈值，并结合气象回波与火灾回波的差异，可有效解决这两个问题。

如图1所示为流程图。

2 识别效果分析

采用浙江省温州市多普勒天气雷达的三次森林火灾体扫资料，分别为2007年1月31日浙江省永嘉县桥下镇森林大火，2007年4月8日乐清市乐城镇、青田县高湖镇和临海市河头镇森林火灾。考虑到森林火灾回波高度较低，三次过程只对第一层仰角（即0．5°）进行了识别。

个例1：2007年1月31日浙江省永嘉县桥下镇森林大火，火灾地距离雷达站34km。火灾发生当日，天气晴朗，基本无气象回波，避免了与气象回波的混淆，为火灾识别提供了有利条件。大火从31日12点开始，到下午01日18点结束，持续燃烧了30个小时，过火面积90hm2，最强回波超过50dBZ。在火灾过程中，扑灭的火灾再次复燃。

图1 森林火灾识别算法流程图Fig．1 Flow chart of forest fire recognition algorithm

分析：图2中图2（a1）和图2（b1）为雷达原始回波图，图2（a2）和图2（b2）是经算法识别后的回波图，在图2（a1）中基本为杂波，在火灾的初始阶段，回波较弱且面积甚小，肉眼无法直接发现火灾回波。在识别后的图2（a2）中，可明显看到火灾回波识别。在图2（b1）中可看到条状的强回波，相比图2（a1）的面积和强度大得多。在图2（b2）中看到较强的火灾回波被保留下来。在图2（a2）中条状回波的尾部有范围较大的弱回波，从速度图可知，回波区为西北风，火灾产生的烟雾等随风飘向东南，导致尾部弱回波的出现。

个例2：2007年4月8日乐清市乐城镇、青田县高湖镇和临海市河头镇森林火灾。三处火灾同时出现在同一平显中，这些火灾发生时天气晴朗，雷达无降水回波。此次火灾强度及面积较桥下镇森林火灾小。

分析：图3中图3（a1）和图3（b1）为雷达原始回波图，图3（a2）和图3（b2）是经算法识别后的回波图，在图3（a1）和图3（b1）中存在较多杂波和弱降水回波，此次三处火灾回波面积均较小，并且与弱回波相混合，用肉眼难以区分。在图3（a2）中可发现四处回波，由于此次火灾回波面积太小，左下方回波未被剔除。在大部分数据中均可发现左下方的小回波，其面积占8－10个距离库，最强值超过40dBZ，且位置基本不变，各库的值变化较大，可能为较小地物。在图3（b2）中可看到两处回波，由于右上方回波离雷达100km 左右，火灾回波高度较低，在回波较弱的情况下雷达难以扫描到，因此未能对右上方的火灾识别出。

个例3：2010年3月28日永嘉县和青田县森林火灾，此次永嘉县森林火灾持续了近5个小时，青田县持续了4个小时，强度较大，最大可达45dBZ，当天天气晴朗，杂波较少。火灾产生的烟雾等随风飘散，导致回波图上产生较大面积回波。

分析：图4中图4（a1）和图4（b1）为雷达原始回波图，图4（a2）和图4（b2）是经算法识别后的回波图，在图4（a1）和图4（b1）中分别存在明显的两块回波，且有零杂波存在。在图4（a1）中存在两块回波，左边为较弱的杂波，右边为火灾回波。在识别后图4（a2）中，左边的弱回波已被滤除，较完整的保留了火灾。在图4（b1）中存在两块火灾回波，左边回波强度较大，结构紧密，右边回波已经燃烧了一段时间，由于西北风使得烟雾飘散造成了较大范围的弱回波。在图4（b2）中，杂波及其下部的弱回波被完全滤除，可以看到明显的火灾回波。

4 结论

（1）首次基于风暴识别算法，结合对流云、层状云、弱降水回波与火灾回波的差异，对火灾回波进行识别。可以同时识别多起火灾，并且对于发生弱降水时的火灾回波也能够识别。

（2）对于火灾回波周围的弱回波可以进行有效的滤除，在个例2中存在一个类似地物的杂波点，由于其结构紧密，边沿梯度大，尺度和小范围火灾回波相当，因此难以滤除。

（3）在森林火灾发生初期，回波强度和面积较小，如果同时存在尺度相当的弱回波时，可能会导致漏报。在火灾接近熄灭时，由于烟雾等随风在上空飘散，形成面积较大的回波，但其强度明显偏小，与弱回波较为接近，导致未能识别或误识别。

图2 永嘉县桥下镇森林火灾雷达回波，仰角：0．5°a1和b1为雷达原始回波图，a2和b2是经算法识别后的回波图Fig．2 Forest fires echo in Qiaoxia Yongjia，Elevation：0．5°a1and b1are original reflectivity echo，a2and b2are reflectivity echo after identification

图3 乐城镇、高湖镇和河头镇森林火灾回波，仰角：0．5°a1和b1为雷达原始回波图，a2和b2是经算法识别后的回波图Fig．3 Forest fires echo in Lecheng，Gaohu and Hetou，Elevation：0．5°a1and b1are original reflectivity echo，a2and b2are reflectivity echo after identification

图4 永嘉县和青田县森林火灾回波，仰角：0．5°a1和b1为雷达原始回波图，a2和b2是经算法识别后的回波图Fig．4 Forest fires echo in Yongjia and Qingtian，Elevation：0．5°a1and b1are original reflectivity echo，a2and b2are reflectivity echo after identification

（4）基于风暴识别算法对浙江三次火灾识别进行了初步尝试，有一定的效果，对于存在的问题有待下一步解决。此算法所使用的阈值，调整后同样可用于其它地区。

［1］陆英权．做好森林防火工作意义重大：森林火灾的原因及防止措施［J］．中国林业，2010，16（2）：48－52．

［2］张培昌，等．雷达气象学［M］．北京：气象出版社，2000，298－312．

［3］陈永林，等．上海一次重大火灾烟雾的雷达回波特征研究［J］．气象科学，2010，30（1）：121－125．

［4］黄克慧，等．应用多普勒天气雷达监测火情的原理和方法［J］．森林防火，2007，94（3）：36－37．

［5］黄克慧，等．森林火灾的CINRAD／SA 雷达监测［J］．气象科学，2007，27（B12）：99－106．

［6］黄克慧，等．基于多普勒天气雷达的火情自动识别系统［J］．气象，2013，39（2）：241－248．

［7］李柏，等．天气雷达及其应用［M］．北京：气象出版社，2011，159－165．

［8］刘黎平，等．利用矩心跟踪法跟踪、警戒强对流天气方法初探［J］．高原气象，1991，10（3）：317－324．

［9］胡胜，等．风暴的多普勒雷达自动识别［J］．气象学报，2006，64（6）：796－808．