引言

暴雨、冰雹、雷雨大风和龙卷等灾害性天气经常是由中尺度对流系统 (Mesoscale Convective System，MCS) 造成的^[1-7]。空间尺度为几十公里至一二百公里的强对流系统的监测和预警，一直是业务预报的一个难点。虽然新一代天气雷达可以有效监测这类系统，但要对大范围的中尺度天气系统进行全面、准确地深入分析，还存在雷达网协调运作和拼图上的技术难题 (如时间上的同步性，资料的可比性，同波长干扰，盲区的存在等等)。卫星遥感资料具有观测范围广、时空分辨率高等特点，目前仍是强对流系统监测预警的主要数据源。

1980年，Maddox根据增强红外云图上云团的形状、尺度、生命期提出中尺度对流复合体MCC (Mesoscale Convective Complexes)^[2]定义。国内外学者对基于静止卫星红外云图的MCS做了较多的普查和个例研究，并根据天气的实况对MCS的判断标准做了更合理的修订^[7-10]。由于没有成熟软件工具的支持，MCS的识别与追踪主要依靠主观分析和定性判断，这种费时、费力且容易造成客观定量误差的手工目测法，制约了MCS普查研究的时间和空间尺度。

本文结合静止卫星云图的特点，依据修订的MCS判断标准，对MCS进行了定义。然后，利用图像处理和时间序列分析技术，给出了一种MCS的自动识别、存储、追踪以及时间序列特征统计方法 (以下简称MCS-IT)。最后，通过2003年淮河大暴雨期间的时间序列卫星云图，对该方法进行了试验和检验。试验结果表明：MCS-IT方法可用于长时间序列卫星云图的MCS普查。

1 MCS的自动识别、追踪研究进展

美国自20世纪70年代，对静止卫星云图中云团的移动做了大量研究，主要有Fujita等^[11]利用电影动画胶片人为判断云团的移动。Smith^[12]所研制的人机交互系统MCIDAS (Man2Computer Interactive Date Access System) 通过在计算机屏幕上由操作员用光标指定云团中心，利用匹配相关系数求出云团的移动。Endlish等^[13]和Hall等^[14]所研制的SATS (SRI Automatic Tracting System) 通过提取云团的特征量，用模式匹配技术追踪云团。Arking等^[15]对云团做傅立叶变换，使用傅立叶位相差来估计云团的移动。目前，国外在云团追踪方面以多颗卫星、多通道追踪方法的研究为主。

国内在云团追踪方面的工作开展得比较晚，目前正处于试验开发阶段。王登炎^[16]通过对红外卫星云图进行处理, 再对MCS的边界廓线进行傅立叶展开, 求得其形态特征。利用形态特征的保守性, 得到MCS的移动矢量。以此对MCS的移动作外推预报结果表明, 其准确率比目测判别要高。肖稳安等^[17]利用增强红外卫星云图和逐时雨量观测资料，分析了中国大陆上MCC的降水强度、范围与MCC云区的亮度温度值、不同亮温区云面积、云区面积随时间的变化率之间的关系。指出在MCC生成到云发展至最强盛阶段之前，降水呈逐渐增加的趋势，最大降水出现在-53℃、云面积达到最大之前1 h左右和MCC中心最冷云顶面积达到最大的时候。白洁等^[18]利用GMS红外云图对强对流云团进行了识别与追踪。

2 MCS的自动识别 2.1 识别标准

1980年，Maddox运用美国堪萨斯州卫星服务站提供的1978年3—9月时间间隔为30 min的增强红外卫星图像资料进行普查^[2]，发现并分类得出了43个穿越美国中部有组织的、准圆形且按Orlanski标准定义为α-中尺度 (250~2500 km，生命期≥6 h) 的对流性天气系统，并将这些基于增强红外云图的特殊类型的MCS定义为MCC，且按其普查结果首次提出了MCC定义和普查标准 (表 1)。

随后国内外学者对MCC做了较多详细的研究，并指出Maddox基于美国中部典型个例分析得到的MCC定义过于严格，从而对MCC定义做了修订^[8-9]。近年来，国内外中尺度对流系统研究中已较少使用MCC这个名称，取而代之的是结合Maddox定义和Orlanski尺度分类标准^[1]提出的更具普遍性的MαCS (α-中尺度对流系统)^{[9, 19]}和MβCS (β-中尺度对流系统)^[9]。许多研究成果都结合了各国天气的实际情况对Maddox最初的MCC判断标准做了更合理的修订。我国研究者对MαCS的6条判断标准认识渐趋一致，即最小尺度采用T_BB≤-32℃冷云区的面积大于100000 km²或短轴大于3个纬距，连续冷云区达最大范围时的椭圆率 (短轴/长轴) 修改为不小于0.5，并取消了持续时间的限制^[9]。由于早期受计算机存储处理能力和卫星云图时间分辨率的限制，对MβCS的研究相对较少。马禹等^[9]初次提出的MβCS普查中的最小尺度标准为T_BB≤-32℃冷云盖的短轴长度在1.5~3.0纬距之间。根据我国许多剧烈灾害性天气往往是由空间尺度几十公里至一二百公里的强对流系统 (β-中尺度对流系统) 造成的实际情况，费增坪等^[10]在分析了MCS普查标准修订的基础上，结合Orlanski^[1]的尺度分类标准，对MβCS定义的最小尺度标准进行了修订，即T_BB≤-32℃的连续冷云盖的直径≥20 km。

参照MCS的定义标准，依据容易造成我国剧烈灾害性天气的强对流系统其云团的物理量特征，结合卫星资料的时空分辨率，本文的MCS识别与追踪判据定义如下：① 由对流云组成；② T_BB≤-32℃的冷云区面积≥10000 km²；③ T_BB≤-52℃的冷云区面积≥6400 km²；④ 持续时间为1 h以上；⑤ 冷云区的形状呈圆形或椭圆形，最大尺度时的椭圆率≥0.5。

根据定义标准上述判据中，本文所关心的MCS属于β-中尺度对流系统。

2.2 图像预处理

图像预处理中，采用了均值滤波和中值滤波方法消除尖状噪声干扰，便于后续的目标识别和特征提取过程。图 1a是预处理后的图像 (原始图像来自2003年7月22日01：25(世界时，下同) 的日本GMS-5卫星云图)。

均值滤波方法：用点 (m, n) 周围k×k大小子窗口内的平均值代替点 (m, n) 的值f(m, n)。

(1)

中值滤波方法：用点 (m, n) 周围k×k大小子窗口内的中间值代替 (m, n) 点的值f(m, n)。

(2)

其中，M表示取数值序列f(i，j) 的中值，f(i, j) 是点 (i, j) 的亮温值，k的取值范围是3~5。

2.3 图像二值化

在预处理图像基础上，实施图像二值化过程。二值化阈值采用MCS判据中的-52℃。即低于阈值的像素点标记为1，其他标记为0。图 1b是二值化后的图像。

2.4 特征计算和MCS的提取

在二值图像基础上标识各个目标，然后提取各个目标的边界点序列、中心点、质心点、面积、圆形率、平均亮温值等描述特征。根据前面的MCS判据，去掉面积小于6400 km²或圆形率 (MCS判据中，椭圆率的一种近似表达) 小于0.5的目标，剩余的目标为可能的MCS云团，如图 1c所示。

云区目标的描述特征计算方法如下：

① 边界点序列：根据8向链码追踪获得云区边界点序列及其经纬度。

② 中心点：中心点有几何中心点和质心点两种，用于描述目标位置。

几何中心点的经纬度 (X₁, Y₁)：

(3)

质心点的经纬度 (X₂, Y₂)：

(4)

其中，N为区域内点数，x_i和y_i为第i个点的经纬度，f(i) 为第i个点的亮温值，f_s为区域亮温累加和，即。

几何中心点和质心点都可以用于标识MCS的位置，二者的偏差可以用于MCS质量偏移方向判断。如质心位于几何中心的右侧，表明MCS的冷区偏向东侧，即东侧温度低于西侧。

③ 面积：云区的球面面积，按照云区边界点构成的球面多边形计算得到。该特征可用于衡量云区的范围和强度。

④ 圆形率：圆形率是在面积和周长基础上计算得到的，用于描述云区形状的复杂程度，其计算公式为e=(4π×s)/l²。其中，e为圆形率，s为面积，l为周长。对于圆，半径为r，面积为πr²，周长为2πr，圆形率为1。形状越复杂，其圆形率越小。

⑤ 平均亮温值：云区内平均亮温值f_a用于衡量MCS的强度，即。

3 MCS的自动追踪 3.1 MCS的四维存储结构

为了对MCS进行时间序列追踪，需要保存各个时间步的MCS识别结果。各个时间步可能包含多个MCS，不同的时间步包含的MCS数量也可能不同，因此MCS的存储是动态的四维空间结构。其基本存储结构如图 2所示。

① 时间步结点 (图 2中的阴影框) 用于存储各个时间步信息，其包含内容如下：该时间步的日期和时刻；指向该时间步第1个目标结点的指针 (构成空间序列)；指向下1个时间步的指针 (构成时间序列)。

② 目标结点 (图 2中的非阴影框) 存储各个目标的信息，其包含内容如下：边界点序列，中心位置，质心位置，面积，圆形率，平均亮温等特征；指向相同时间步的下1个目标的指针 (构成空间序列)；指向下1个时间步中相同目标的指针 (构成时间序列)。

上述MCS的四维存储结构既包含了空间信息，又包含了时间信息，是典型的运动目标时间序列存储结构。

3.2 自动追踪

自动追踪的目的是形成各个目标的时间序列，进而计算运动目标的位置移动以及面积、强度等特征的变化。

自动追踪的实现基础是上述四维空间存储结构，即通过构造各个目标的时间序列，形成指向下1个时间步中相同目标的指针。具体实现就是相邻时间步中的目标匹配。目标匹配原则包括：① 质心点位置变化不超过50 m/s (1 h最大移动距离不超过180 km)；② 面积变化不超过5 km²/s (1 h最大面积变化不超过18000 km²)；③ 强度变化不超过0.001 ℃/s (1 h最大强度变化不超过3.6 ℃)。

如果相邻时间步中的两个目标满足上述关系，则认为是相同目标。存储结构中，前1个时间步的目标时间指针指向后1个时间步的相同目标。

追踪后有可能出现两种特殊情况：一是前1个时间步中两个目标指向后1个时间步的1个目标；二是前1个时间步中的1个目标指向后1个时间步的两个目标。第1种情况为目标的合并，第2种情况为目标的分裂。

4 MCS云团自动识别与追踪试验

试验中使用的卫星云图来自日本GMS-5静止气象卫星，时间范围为2003年7月21—22日淮河大水期间的连续10个时次。图 3是2003年7月21—22日6个时次的MCS云团追踪图像。由图 3可以看出：7月21日22：13(图 3a)，共有4个云团具有MCS特征，但以A，B两个云团尺度最大。23：25(图 3b) 两个小的云团不再符合MCS云团判断标准，A，B两个MCS云团继续发展。云团A和云团B的面积增大，但云团A的强度 (云团中的最小T_BB亮温值，下同) 减弱，云团B的强度增强。7月22日01：25(图 3c) 两个MCS云团继续向东北方向移动，但云团A在此刻面积达到最大，而强度持续减弱；而云团B在此刻强度达到最强，且面积持续增加。02：01(图 3d)，在云团B旁边又新生出1个较小的暴雨云团。此后 (图 3e、图 3f)，云团A面积和强度逐渐减小，云团B在面积达到最大后消散，云团C则逐渐开始发展。

云团序列追踪完毕后，同时得到描述云团的特征数值时间序列。图 4和图 5分别是云团A和云团B的面积、强度特征变化曲线。由云团A和云团B的特征变化能够看到：云团A、云团B是两个不同性质的MCS。云团A在形成初期，强度已达到最大值 (对应整个时间序列的最小T_BB值)。在随后移动过程中，其面积先增后减，但强度持续减弱。云团B的面积持续增加，但其强度则经历了先增后减的过程，一直到不再满足MCS判据为止。基于这些特征数值的时间序列，可以在今后的工作中更深入地定量分析MCS的性质和特点。

上述试验结果表明：MCS-IT方法不仅能对每个时次的MCS进行快速识别，同时也能对多时次的MCS进行有效追踪。这种自动识别与追踪方法与传统的目测分析方法相比，具有两个方面的明显优点：一是目标的识别与追踪可以保证客观性、定量化，能有效避免目测法中因主观分析、定性判断而造成的误差；二是目标的自动识别与追踪快速、直观、便捷，这种高效率的特点有助于基于长时间序列卫星云图的MCS普查和定量分析。

5 小结

本文根据基于静止卫星红外云图MCS判断标准的修订，结合我国实际天气现象的特点和卫星云图资料的时空分辨率，对MCS云团的识别判据进行了定义。

MCS云团的自动识别与追踪过程中，首先对卫星云图进行图像预处理 (均值滤波和中值滤波的方法消除尖状噪声干扰)，然后二值化图像，通过目标标识和特征量提取的方法识别出MCS云团；基于MCS的四维空间存储结构对MCS进行时间序列追踪，得到各个目标云团的时间序列，进而计算MCS云团的位置移动以及面积、强度等特征的变化。

通过2003年淮河大水期间10个连续时次卫星云图的试验，实现了对MCS云团的自动识别与追踪。这种方法不仅能有效避免目测法中因主观分析、定性判断而造成的误差，而且有助于基于长时间序列卫星云图的MCS普查和定量分析。

尽管MCS-IT方法在试验中取得了令人满意的结果，但在MCS分裂、合并的特殊情况下尚不能进行合理处理，这也是今后需要重点完善的。另外，该方法还需要更多资料的试验和检验。