一种针对电网生产的夏季强对流引起的大风预警方法与流程

本发明涉及气象预报技术领域，更具体地，涉及一种针对电网生产的夏季强对流引起的大风预警方法。

背景技术：

雷暴大风是中国主要灾害性天气之一，突发性强且破坏力大，但防御时间短，常对工农业生产、交通运输和人民生活造成极大危害。

产生地面大风的天气过程往往与强对流天气有关，这些对流天气过程发生发展非常快，空间和时间尺度非常小，利用常规的观测和预报手段，对这些天气系统及其产生的电力气象灾害监测和预报非常困难。1998年以来，以新一代天气雷达为主要监测手段研究产生地面大风的强对流天气如飑线、台风的形成机理和演变过程，并分析地面大风产生的时间和位置；近年来，国内雷达气象专家研究了新一代天气雷达质量控制、三维拼图、风场反演和降水估测等关键技术，形成了短临预报系统，并应用于业务工作中。这些工作为大风监测和预警提供了坚实的研究基础。

现有技术中，基于新一代天气雷达的地面大风预警系统，提出了利用新一代天气雷达三维拼图技术、对流单体识别技术和基于模糊逻辑的对流大风识别和临近预报技术，形成了对流大风的0-2小时预报，并应用于电力生产中；一种气象信息预警系统，实现对暴雨、台风、冰雪、大雾等及其可能对电网造成的灾害的预警；输电线路气象环境监测信息系统，旨在监测、预报华东全境的台风、雷电、雨量、大雾及局部强对流气象信息，根据气象环境的变化研判其对输电线路的影响，在出现严酷气象条件时对其所影响范围的输电线路进行风险分析。

中国专利申请(cn108680920a)公开的基于双偏振雷达的灾害天气识别预警系统中，对各种灾害天气的自动识别均以双偏振雷达基数据解析结果为数据基础，以该专利技术为代表的国内外有关雷暴大风方面研究主要针对对象是单部雷达的二次产品，雷达指标读取主要依靠预报员主观定性识别，自动化程度低，无法满足短时临近预报的要求。

技术实现要素：

为解决现有技术中存在的不足，本发明的目的在于，提供一种针对电网生产的夏季强对流引起的大风预警方法，从多部雷达三维拼图中获得识别指标，并利用雷达最终资料进行地物回波的二次识别，从而实现定量化、自动化识别和判断雷暴大风发生概率，并做出短时临近大风预警报告。

本发明采用如下的技术方案。

一种针对电网生产的夏季强对流引起的大风预警方法的步骤如下：

步骤1，当前体扫时，获取多部雷达站点的雷达基数据；将极坐标系下的雷达基数据，插值到统一的笛卡尔坐标系下，形成空间分辨率均匀的三维格点化数据；

步骤2，利用指数权重法将三维格点化数据拼到统一经纬度和垂直高度的坐标系下，获得多部雷达的三维拼图；其中，多部雷达的三维格点化数据重叠区域网格中，第i个网格单元的反射率因子小于指定阈值，将该网格单元的数据作为噪声滤除；

步骤3，从多部雷达的三维拼图中提取雷达资料，依次对雷达资料进行径向配对处理和滤除噪声处理，得到雷达最终资料；

步骤4，利用雷达最终资料进行地物回波的二次识别；其中，经过第一次识别获得地物回波数据，利用地物回波数据进行第二次识别，识别出被误判的地物回波数据，并从地物回波数据中提剔除被误判的地物回波数据，获得地物回波最终数据；

步骤5，应用风暴单体识别和跟踪算法处理最终地物回波识别数据，以统计手段提取出与电力大风灾害呈正相关性的强对流单体的雷达识别指标；

步骤6，对每个雷达识别指标进行模糊化处理，得到每个雷达识别指标的模糊逻辑隶属函数；

步骤7，对每个雷达识别指标的模糊逻辑隶属函数赋予权重系数；在每个雷达识别指标的模糊逻辑隶属函数及其权重系数的基础上，构建雷暴大风综合识别模型；

步骤8，利用雷暴大风综合识别模型计算当前体扫下对流单体的雷暴大风综合识别判据，并与雷暴大风阈值进行对比，根据对比结果发出预警信息。

优选地，

步骤1中，基于相邻仰角上等斜距采样点线性插值法，对多部雷达站点的雷达基数据进行坐标系转换，以获得三维格点化数据。

优选地，

步骤2中，指数权重法中，指数权重因子w满足如下关系式：

式中，

r表示网格单元到雷达的距离，

r表示预设的距离门限。

优选地，

步骤3包括：

步骤3.1，从多部雷达的三维拼图中，分层获取雷达资料，雷达资料包括回波强度、径向速度和速度谱宽；

步骤3.2，对雷达资料进行径向配对处理，将各层回波强度、径向速度和速度谱宽按照1°的间隔顺次排列，满足同一回波点回波强度、径向速度和速度谱宽一一对应，同时满足不同层次回波强度一一对应；

步骤3.3，利用中值滤波算法，处理经过径向配对后的径向速度和速度谱宽。

步骤4包括：

步骤4.1，基于模糊逻辑算法进行地物回波的第一次识别，获得地物回波数据；

第一次识别的输入数据是经步骤3得到的雷达最终资料；第一次识别时，从回波强度中提取的4个物理量包括回波强度的纹理tdbz、垂直变化gdbz、沿径向方向的变号sign、沿径向的库间变化程度spin；从径向速度和速度谱宽中提取的3个物理量包括：径向速度的区域平均值mdve、方差sdve、速度谱宽的区域平均值mdsw；其中，对于径向速度的距离模糊区，仅从回波强度中提取的4个物理量包括回波强度的纹理tdbz、垂直变化gdbz、沿径向方向的变号sign、沿径向的库间变化程度spin；

步骤4.2，对地物回波数据进行第二次识别，识别出被误判的地物回波数据，包括：

步骤4.2.1，将地物回波数据中的回波组合成片，形成多个彼此独立的回波块；

步骤4.2.2，以回波块面积和平均回波强度作为识别依据，将回波块面积小于面积阈值或平均回波强度大于强度阈值的回波块，识别为被漏判的地物回波；

步骤4.3，从地物回波数据中剔除被误判的地物回波，得到地物回波最终数据。

步骤4.2.1中，整个回波面积满足如下关系式：

式中，

area_block表示整个回波面积，

area_segi表示第i个回波段的回波面积，其中1≤i≤n，n表示整个回波块中回波段的个数；

第i个回波段的回波面积满足如下关系式：

式中，

gate_endi表示第i个回波段终止库距雷达距离，

gate_starti表示第i个回波段起始库距雷达距离，

daz表示方位角分辨率。

优选地，

步骤5包括：

步骤5.1，应用风暴单体识别和跟踪算法处理多部雷达三维拼网资料，将对流单体与电力大风灾害对应，捕捉到的对流单体的雷达输出参数，包括：风暴最大反射率因子mcr、回波顶高et、风暴垂直积分液态含水量vil、风暴体移动速度speed、风暴垂直积分液态含水量密度vild、风暴垂直积分液态含水量随时间变率dvil、风暴单体最大反射率因子的高度htofmcr、风暴质量mass、风暴深度depth、风暴平均面积meanarea；

步骤5.2，跟踪识别对流单体的雷达输出参数随时间的演变关系；

步骤5.3，以统计手段提取出与电力大风灾害呈正相关性的对流单体的雷达识别指标；雷达识别指标包括：风暴最大反射率因子mcr、风暴最大垂直积分液态含水量mvil、回波顶高et、风暴体移动速度speed、风暴垂直积分液态含水量随时间变率dvil、风暴垂直积分液态含水量密度vild。

风暴垂直积分液态含水量随时间变率dvil，满足如下关系式：

dvil＝|mvilt-mvilt-1|

式中，

mvilt表示当前体扫时风暴最大垂直积分液态含水量，

mvilt-1表示前一体扫时风暴最大垂直积分液态含水量；

风暴垂直积分液态含水量密度vild，满足如下关系式：

vild＝mvil/(wst-wsb)

式中，

mvil表示风暴最大垂直积分液态含水量，

wst和wsb分别表示一个风暴单体的2个高度层的探测值，其中，wst表示风暴单体的顶层高度、wsb表示风暴单体底层高度。

优选地，

步骤7中，雷暴大风综合识别模型满足如下关系式：

p＝αmcr×mcr+αmvil×mvil+αet×et+αspeed×speed+αdvil×dvil+αvild×vild

式中，

p表示雷暴大风综合识别判据，

αmcr表示风暴最大反射率因子mcr的权重系数；

αmvil表示风暴最大垂直积分液态含水量mvil的权重系数；

αet表示回波顶高et的权重系数；

αspeed表示风暴体移动速度speed的权重系数；

αdvil表示风暴垂直积分液态含水量随时间变率dvil的权重系数；

αvild表示风暴垂直积分液态含水量密度vild的权重系数。

优选地，

步骤8中，雷暴大风阈值包括：小概率雷暴大风阈值、大概率雷暴大风阈值；其中，小概率雷暴大风阈值取值为0.4，大概率雷暴大风阈值取值为0.5；

利用雷暴大风综合识别模型计算当前体扫下对流单体的雷暴大风综合识别判据；

当雷暴大风综合识别判据小于小概率雷暴大风阈值时，出现雷暴大风的概率小，此时发出第一级别大风预警信息；

当雷暴大风综合识别判据大于等于小概率雷暴大风阈值、且小于大概率雷暴大风阈值时，出现雷暴大风的概率大，此时发出第二级别大风预警信息；

当雷暴大风综合识别判据大于等于大概率雷暴大风阈值时，出现雷暴大风的概率极大，此时发出第三级别大风预警信息。

本发明的有益效果在于，与现有技术相比，在雷达拼图技术和风暴单体自动识别、跟踪scit算法的基础上，能够实时、自动识别每个风暴单体的雷暴大风出现概率，当满足灾害性大风阈值时，会提醒相关电网生产人员及时预警和防范，能够发布灾害性大风短临预警，减少预报员的工作量，尽可能降低灾害大风对电网和电网设备造成的损失。

附图说明

图1为本发明一种针对电网生产的夏季强对流引起的大风预警方法的流程图；

图2为本发明一种针对电网生产的夏季强对流引起的大风预警方法中，体扫数据格点化插值方法示意图；

图3为本发明一种针对电网生产的夏季强对流引起的大风预警方法中，典型带状回波灾害处对流单体的雷达输出参数的演变关系图；

图4为本发明一种针对电网生产的夏季强对流引起的大风预警方法中，典型强单体回波灾害处对流单体的雷达输出参数的演变关系图；

图5为本发明一种针对电网生产的夏季强对流引起的大风预警方法中，典型团状回波灾害处对流单体的雷达输出参数的演变关系图。

具体实施方式

下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。

如图1，一种针对电网生产的夏季强对流引起的大风预警方法的步骤如下：

步骤1，当前体扫时，获取多部雷达站点的雷达基数据；将极坐标系下的雷达基数据，插值到统一的笛卡尔坐标系下，形成空间分辨率均匀的三维格点化数据。

具体地，

步骤1中，基于相邻仰角上等斜距采样点线性插值法，对多部雷达站点的雷达基数据进行坐标系转换，以获得三维格点化数据。

本优选实施例中，如图2，采样点三维网格中每个网格单元相对于雷达点的极坐标位置(r,a,e)，其中r为斜距、a为方位角、e为仰角；图中，(r,a,el)和(r,a,el1)分别是经过该网格点的垂线与其上下仰角波束轴线的交点，因此该网格单元的分析值可以用这两个交点的分析值进行垂直线性内插得到。

步骤2，利用指数权重法将三维格点化数据拼到统一经纬度和垂直高度的坐标系下，获得多部雷达的三维拼图；其中，多部雷达的三维格点化数据重叠区域网格中，第i个网格单元的反射率因子小于指定阈值，将该网格单元的数据作为噪声滤除。

在多部雷达组网处理的多种算法中，指数权重法针对雷达资料具有明显的优势，指数权重函数的形状易于调整以便达到随距离快速下降的效果，同时又保证了权重值是一个正值。指数权重随距离快速下降，可以保留原始雷达资料中近距离处的高分辨特征。对于远距离来说，正的指数权重又可以确保雷达能影响到它所覆盖的整个区域。

在拼图网格的很多区域，有来自多个雷达的资料重叠区，在拼图网格中的每个网格单元的反射率因子值可以通过下面公式得到：

式中，

ref^m(i)表示第i个网格单元的合成反射率因子值，

ref(i)表示第i个网格单元处第n台雷达的回波分析值，

n表示第i个网格单元周围有分析值的雷达总数，

wn表示第i个网格单元处第n台雷达的回波分析值的权重，

指数权重因子w满足如下关系式：

式中，

r表示网格单元到雷达的距离，

r表示预设的距离门限，本优选实施例中，r取值为100公里。

步骤3，从多部雷达的三维拼图中提取雷达资料，依次对雷达资料进行径向配对处理和滤除噪声处理，得到雷达最终资料。

步骤3包括：

步骤3.1，从多部雷达的三维拼图中，分层获取雷达资料，雷达资料包括回波强度、径向速度和速度谱宽；

步骤3.2，对雷达资料进行径向配对处理，将各层回波强度、径向速度和速度谱宽按照1°的间隔顺次排列，满足同一回波点回波强度、径向速度和速度谱宽一一对应，同时满足不同层次回波强度一一对应；

本优选实施例中，根据sa雷达和wsr-88d多普勒雷达观测模式的特点，sa雷达和wsr-88d雷达在第一层和第二层是分别获取回波强度和径向速度的，由于回波强度和径向速度的资料不是一一对应的，而且，在计算垂直变化参量时还要对比上下两层的回波强度，据此提出对雷达资料进行径向配对处理。

值得注意的是，所属领域技术人员可以采用其它雷达资料的配对处理方法，实现同一回波点回波强度、径向速度和速度谱宽资料的对应，以及不同层次回波强度的对应，本发明优选实施例中采用的径向配对方法是一种非限制性的较优选择，能够实现雷达资料配对的其它方法或者替代方法均落入本申请的发明构思的保护范围之内。

步骤3.3，利用中值滤波算法，处理经过径向配对后的径向速度和速度谱宽。

步骤4，利用雷达最终资料进行地物回波的二次识别；其中，经过第一次识别获得地物回波数据，利用地物回波数据进行第二次识别，识别出被误判的地物回波数据，并从地物回波数据中提剔除被误判的地物回波数据，获得地物回波最终数据；

具体地，

步骤4包括：

步骤4.1，基于模糊逻辑算法进行地物回波的第一次识别，获得地物回波数据。

第一次识别的输入数据是经步骤3得到的雷达最终资料；第一次识别时，从回波强度中提取的4个物理量包括回波强度的纹理tdbz、垂直变化gdbz、沿径向方向的变号sign、沿径向的库间变化程度spin；从径向速度和速度谱宽中提取的3个物理量包括：径向速度的区域平均值mdve、方差sdve、速度谱宽的区域平均值mdsw。

其中，对于径向速度的距离模糊区，仅从回波强度中提取的4个物理量包括回波强度的纹理tdbz、垂直变化gdbz、沿径向方向的变号sign、沿径向的库间变化程度spin。

本优选实施例中，基于模糊逻辑算法的地物回波识别的流程如下：

步骤4.1.1，从雷达资料包含的回波强度、径向速度和速度谱宽中提取用于区分不同雷达回波，如降水回波、地物回波等的物理量；

步骤4.1.2，根据降水回波、地物回波的特征设置隶属函数，对这些物理量进行模糊化处理，得到所有物理量对于不同类型回波的0至1取值范围的判据；

本优选实施例中，采用梯形折线算法表示各个物理量的隶属函数；

步骤4.1.3，对判据进行加权累加得到总判据，对每个判据均给予一样的权重，当某点的地物回波的总判据超过事先给定的阈值ts时，该点就被识别为地物；对于任一回波点，其对应的总判据越大，说明该回波点属于这种类型回波的可能就越大；

本优选实施例中，设定阈值ts为0.5，当总判决大于0.5时，则该点回波被判定为地物，该点也被设置为无效数据。

步骤4.2，对地物回波数据进行第二次识别，识别出被误判的地物回波数据，包括：

步骤4.2.1，将地物回波数据中的回波组合成片，形成多个彼此独立的回波块；

步骤4.2.2，以回波块面积和平均回波强度作为识别依据，将回波块面积小于面积阈值或平均回波强度大于强度阈值的回波块，识别为被漏判的地物回波；

步骤4.3，从地物回波数据中剔除被误判的地物回波，得到地物回波最终数据。

具体地，步骤4.2.1中，整个回波面积满足如下关系式：

式中，

area_block表示整个回波面积，

area_segi表示第i个回波段的回波面积，其中1≤i≤n，n表示整个回波块中回波段的个数；

第i个回波段的回波面积满足如下关系式：

式中，

gate_endi表示第i个回波段终止库距雷达距离，

gate_starti表示第i个回波段起始库距雷达距离，

daz表示方位角分辨率。

步骤5，应用风暴单体识别和跟踪算法处理最终地物回波识别数据，以统计手段提取出与电力大风灾害呈正相关性的强对流单体的雷达识别指标。

步骤5包括：

步骤5.1，应用风暴单体识别和跟踪(scit，stormcellidentificationandtracking)算法处理多部雷达三维拼网资料，将对流单体与电力大风灾害对应，捕捉到的对流单体的雷达输出参数，包括：风暴最大反射率因子mcr、回波顶高et、风暴垂直积分液态含水量vil、风暴体移动速度speed、风暴垂直积分液态含水量密度vild、风暴垂直积分液态含水量随时间变率dvil、风暴单体最大反射率因子的高度htofmcr、风暴质量mass、风暴深度depth、风暴平均面积meanarea；

步骤5.2，跟踪识别对流单体的雷达输出参数随时间的演变关系；

本发明优选实施例，以7月11日、7月12日和6月13日的3个对流单体样本为典型，分别代表带状回波、强单体、团状回波类型，图3至图5为每一个典型个例的灾害时间段灾害处的单体雷达参数的演变关系图。

从图3可以看出，对于7月11日的带状回波，在回波强盛时期，mcr、vil、speed、vild、et、mass、meanarea和depth值都明显的高于其它时段，和灾害的发生有极大的正相关性，其中vil值的突变时间更是与实况大风的开始时间紧密联系。

从图4可以看出，对于7月12日的强单体回波，vild、meanarea、mass三个参数变化平稳，与其它时刻无大的差异；dvil变化无明显规律；参数演变表明造成此次灾害大风的单体特征是回波强度较强，移动速度缓慢，但单体内部变化剧烈。

从图5可以看出，对于6月13日的团状回波，与灾害时间成正相关的参数是mcr、vil、htofmcr、et、vild。

步骤5.3，以统计手段提取出与电力大风灾害呈正相关性的对流单体的雷达识别指标；

对所有个例的灾害附近的单体参数分析后，发现造成电力大风灾害的对流单体雷达参数特征有：mcr、vil、vild与灾害相关性高，在灾害时段，这五个参数的值比其它时段高，mcr的值平均大于50dbz，vil平均达到30kg﹒m^-2，vild值平均为3g﹒m^-3；vil值的快速增加或减少与灾害大风的开始有极大的联系。参数et、speed、htofmcr，dvil，mass，depth，meanarea与灾害的关系取决于回波系统本身的发展特质，每一样本的统计结果差异较大，但是大多数样本统计出dvil和mass与灾害的相关性不大，et、tofmcr和depth三个参数的演变过程基本一致。

具体地，雷达识别指标的标准定义如下：

(1)风暴最大反射率因子mcr，该识别指标是反射率因子的最大值；

(2)风暴最大垂直积分液态含水量mvil，该识别指标是雷达能够探测到的大气单位面积柱体积内的可降水质量之和；

(3)回波顶高et，该识别指标是回顶波的高度；

(4)风暴体移动速度speed，该识别指标反映了风暴单体移动速度；

(5)风暴垂直积分液态含水量随时间变率dvil，该识别指标反映了相邻两个体扫之间风暴垂直积分液态含水量的变化；

具体地，风暴垂直积分液态含水量随时间变率dvil，满足如下关系式：

dvil＝|mvilt-mvilt-1|

式中，

mvilt表示当前体扫时风暴最大垂直积分液态含水量，

mvilt-1表示前一体扫时风暴最大垂直积分液态含水量；

(6)风暴垂直积分液态含水量密度vild，该识别指标反映了风暴垂直积分液态含水量与风暴高度之比。

具体地，风暴垂直积分液态含水量密度vild，满足如下关系式：

vild＝mvil/(wst-wsb)

式中，

mvil表示风暴最大垂直积分液态含水量，

wst和wsb分别表示一个风暴单体的2个高度层的探测值，其中，wst表示风暴单体的顶层高度、wsb表示风暴单体底层高度。

步骤6，对每个雷达识别指标进行模糊化处理，得到每个雷达识别指标的模糊逻辑隶属函数。

具体地，

步骤6中，对每个雷达识别指标进行模糊化处理，包括：

步骤6.1，每个雷达识别指标分别赋予阈值下限和阈值上限；

步骤6.2，当雷达识别指标低于阈值下限时，对应的模糊逻辑隶属函数为0；当雷达识别指标高于阈值上限时，对应的模糊逻辑隶属函数为1；

步骤6.3，当雷达识别指标在阈值下限和阈值上限之间时，基于线性插值计算方法得到对应的模糊逻辑隶属函数。

本优选实施例中，不同月份下各识别指标的阈值及对应的隶属函数详见表1。

表1不同月份下各识别指标的阈值及对应的隶属函数

步骤7，对每个雷达识别指标的模糊逻辑隶属函数赋予权重系数；在每个雷达识别指标的模糊逻辑隶属函数及其权重系数的基础上，构建雷暴大风综合识别模型。

具体地，步骤7中，雷暴大风综合识别模型满足如下关系式：

p＝αmcr×mcr+αmvil×mvil+αet×et+αspeed×speed+αdvil×dvil+αvild×vild

式中，

p表示雷暴大风综合识别判据，

αmcr表示风暴最大反射率因子mcr的权重系数，本优选实施例中取值为0.2；

αmvil表示风暴最大垂直积分液态含水量mvil的权重系数，本优选实施例中取值为0.2；

αet表示回波顶高et的权重系数，本优选实施例中取值为0.2；

αspeed表示风暴体移动速度speed的权重系数，本优选实施例中取值为0.2；

αdvil表示风暴垂直积分液态含水量随时间变率dvil的权重系数，本优选实施例中取值为0.1；

αvild表示风暴垂直积分液态含水量密度vild的权重系数，本优选实施例中取值为0.1。

步骤8，利用雷暴大风综合识别模型计算当前体扫下对流单体的雷暴大风综合识别判据，并与雷暴大风阈值进行对比，根据对比结果发出预警信息。

具体地，步骤8中，雷暴大风阈值包括：小概率雷暴大风阈值、大概率雷暴大风阈值；其中，小概率雷暴大风阈值取值为0.4，大概率雷暴大风阈值取值为0.5。

利用雷暴大风综合识别模型计算当前体扫下对流单体的雷暴大风综合识别判据；

当雷暴大风综合识别判据小于小概率雷暴大风阈值时，即p<0.4，出现雷暴大风的概率小，此时发出第一级别大风预警信息。

当雷暴大风综合识别判据大于等于小概率雷暴大风阈值、且小于大概率雷暴大风阈值时，即0.4≤p<0.5，出现雷暴大风的概率大，此时发出第二级别大风预警信息。

当雷暴大风综合识别判据大于等于大概率雷暴大风阈值时，即p≥0.5，出现雷暴大风的概率极大，此时发出第三级别大风预警信息。

本发明优选实施例中，对6月13日的单体风暴进行识别，结果分析如下：

(1)第一阶段的对流回波识别结果包括：13日22:48-23:48期间识别判据大于0.4，其中13日23:48识别到对流风暴单体的最大反射率因子为60dbz，对应23:56短时大风，瞬时极大风速29m/s，风向为西北风。

(2)第二阶段，即13日23:54至14日02:06的风暴单体，期间识别判据一直高于0.4，其中14日00:18、00:24、01:30三个体扫识别判据均大于0.5。

(3)第三阶段，即14日04:42识别到对流风暴单体的最大反射率因子为55dbz，移速55，vil21，回波顶高10km，识别判据为0.4；对应短时大风，瞬时极大风速18m/s，风向为340°西北风。

利用本发明提出的基于对流单体的大风预警方法，对表2所示的13个大风重要天气报，进行大风识别，综合设别结果详见表2。

表213个大风重要天气报(反射率因子)及对应的大风综合设别结果

从表2可以看出，基于对流单体，利用本发明提出的大风预警方法，对观测得到的13个大风重要天气报的大风识别效果分析，有12个大风测站识别风暴单体的识别判据大于0.4，即出现大风的概率大，其中识别判据超过0.5有7个，即出现大风的概率极大，可见大风命中率为92％。而其中1个风暴单体识别判据为0.3，反射率因子为44.8dbz，移速为141km/h，低于识别阈值，属于漏报。分析此次过程对流单体的各个对流参数，回波单体对应的最大反射率因子50-60dbz，最大垂直液态水含量vil值低于35kg/m²，mvil偏小是此次过程对流单体识别判据值较低的主要原因。

本发明的有益效果在于，与现有技术相比，在雷达拼图技术和风暴单体自动识别、跟踪scit算法的基础上，能够实时、自动识别每个风暴单体的雷暴大风出现概率，当满足灾害性大风阈值时，会提醒相关电网生产人员及时预警和防范，能够发布灾害性大风短临预警，减少预报员的工作量，尽可能降低灾害大风对电网和电网设备造成的损失。

本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。