基于仿真雷達(dá)圖像的低空風(fēng)切變類型識(shí)別研究

蔣立輝，張春慶，熊興隆，莊子波

(1．民航氣象研究所中國(guó)民航大學(xué)，天津300300;2．智能信號(hào)與圖像處理天津市重點(diǎn)實(shí)驗(yàn)室中國(guó)民航大學(xué)，天津300300)

1 引言

風(fēng)切變是一種嚴(yán)重影響飛機(jī)飛行的大氣現(xiàn)象，具有持續(xù)時(shí)間短、尺度小、強(qiáng)度大等特點(diǎn)。國(guó)際航空界公認(rèn)低空風(fēng)切變是飛機(jī)起飛和著陸階段的一個(gè)重要危險(xiǎn)因素。自1975年以來，由于天氣原因在美國(guó)發(fā)生的惡性空難事故中，有80%是低空風(fēng)切變?cè)斐傻摹?/p>

目前對(duì)于低空風(fēng)切變的識(shí)別這方面的課題研究還不是很成熟，如何有效地識(shí)別風(fēng)切變?nèi)找娉蔀楸Ｕ厦窈桨踩\(yùn)輸?shù)囊粋€(gè)重要課題，國(guó)內(nèi)外在此方面也取得了一定的進(jìn)展。1982年美國(guó)JAWS(joint airportweather study)研究報(bào)告［1］中證明了多普勒雷達(dá)可探測(cè)微下?lián)舯┝?。美?guó)強(qiáng)風(fēng)暴實(shí)驗(yàn)室研究出某些閾值以區(qū)別中氣旋切變與其他切變;Steven D．Campbell等研制了WX1系統(tǒng)，利用人工智能的方法實(shí)現(xiàn)對(duì)風(fēng)切變的自動(dòng)識(shí)別［2］。國(guó)內(nèi)方面，胡明寶等曾利用單多普勒雷達(dá)風(fēng)場(chǎng)資料探測(cè)低空風(fēng)切變［3］。

夏海云、孫東松等［4－5］從理論分析和試驗(yàn)兩方面證明了激光雷達(dá)探測(cè)低空對(duì)流層風(fēng)場(chǎng)的能力和準(zhǔn)確性，并且通過試驗(yàn)，驗(yàn)證了多普勒激光雷達(dá)探測(cè)風(fēng)場(chǎng)數(shù)據(jù)與風(fēng)廓線雷達(dá)和有線探空測(cè)風(fēng)儀實(shí)際探測(cè)數(shù)據(jù)的一致性。但是由于實(shí)驗(yàn)室條件有限，加之激光雷達(dá)實(shí)際探測(cè)風(fēng)切變數(shù)據(jù)缺乏，難以獲取。因此，對(duì)于風(fēng)切變的探測(cè)以及識(shí)別只能依靠利用模擬仿真獲得的基于激光雷達(dá)的單體切變風(fēng)場(chǎng)數(shù)據(jù)，但這對(duì)更好地理解風(fēng)切變風(fēng)場(chǎng)的特性和有效地識(shí)別真實(shí)風(fēng)場(chǎng)有著不可小覷的重要價(jià)值和意義。

近年來采用基于CFD(computational fluid dynamics)的數(shù)值模擬方法成為目前研究風(fēng)切變風(fēng)場(chǎng)結(jié)構(gòu)的一種新思路。通過模擬仿真得到的幾種簡(jiǎn)單三維低空變化風(fēng)場(chǎng)，進(jìn)而依據(jù)多普勒激光雷達(dá)的波束掃描方式，掃描仿真的三維變化風(fēng)場(chǎng)，得到雷達(dá)掃描徑向資料信息，并生成相應(yīng)的風(fēng)切變雷達(dá)圖像。許多天氣系統(tǒng)在多普勒徑向風(fēng)場(chǎng)信息中都有其獨(dú)特的二維特征結(jié)構(gòu)［6］。本文通過基于CFD數(shù)值模擬仿真生成的雷達(dá)掃描數(shù)據(jù)，生成仿真風(fēng)切變雷達(dá)圖像，并利用圖像識(shí)別的方法針對(duì)不同風(fēng)切變風(fēng)場(chǎng)的不同結(jié)構(gòu)的特點(diǎn)，進(jìn)行風(fēng)切變的探測(cè)、識(shí)別研究。

2 由仿真激光雷達(dá)數(shù)據(jù)生成仿真雷達(dá)圖像

現(xiàn)有的仿真雷達(dá)數(shù)據(jù)是由matlab程序模擬激光雷達(dá)掃描模擬風(fēng)場(chǎng)數(shù)據(jù)而生成的。格式為80×360的點(diǎn)陣數(shù)據(jù)，保存掃描獲得的雷達(dá)所測(cè)的風(fēng)場(chǎng)徑向數(shù)據(jù)。其中徑向距離為8 km，徑向分辨率為100 m，掃描范圍0°～360°，掃描仰角為5°。為了能夠完整地還原雷達(dá)數(shù)據(jù)的方位和徑向距離信息，需要將仿真雷達(dá)數(shù)據(jù)由直角坐標(biāo)轉(zhuǎn)換到極坐標(biāo)下進(jìn)行顯示。

仿真雷達(dá)獲得的數(shù)據(jù)信息是徑向圓(極坐標(biāo))掃描方式，徑向點(diǎn)坐標(biāo)可表示為(r，θ)，而計(jì)算機(jī)顯示器顯示的數(shù)據(jù)信息是以直角坐標(biāo)(x，y)的方式掃描的，即從左到右的行掃和從上到下的幀掃，所以，要實(shí)現(xiàn)雷達(dá)數(shù)據(jù)的顯示，關(guān)鍵是進(jìn)行極坐標(biāo)到直角坐標(biāo)的轉(zhuǎn)換，圖1給出了轉(zhuǎn)換的原理［7］。

圖1 雷達(dá)極坐標(biāo)與直角坐標(biāo)轉(zhuǎn)換Fig．1 the transformation between radar polar coordinates and cartesian coordinates

依照習(xí)慣，以雷達(dá)在設(shè)備坐標(biāo)中的點(diǎn)作為雷達(dá)極坐標(biāo)系的原點(diǎn)，如圖1所示，以軸正方向?yàn)檎狈?，雷達(dá)天線按逆時(shí)針方向旋轉(zhuǎn)。極坐標(biāo)與直角坐標(biāo)的轉(zhuǎn)換關(guān)系［7］采用直接坐標(biāo)變換算法，可以得到各種類型的低空風(fēng)切變仿真雷達(dá)圖像。

3 建立激光雷達(dá)探測(cè)低空風(fēng)切變的數(shù)據(jù)樣本庫

為了有效地進(jìn)行低空風(fēng)切變類型的識(shí)別，我們需要在模擬低空風(fēng)切變風(fēng)場(chǎng)的不同位置掃描風(fēng)場(chǎng)，生成位于不同區(qū)域的仿真雷達(dá)圖像，從而建立充足的低空風(fēng)切變樣本庫。通過選取多普勒激光雷達(dá)相對(duì)于變化風(fēng)場(chǎng)的多個(gè)不同位置，我們建立激光雷達(dá)探測(cè)低空風(fēng)切變的數(shù)據(jù)樣本庫。

圖2為激光雷達(dá)探測(cè)低空風(fēng)切變樣本建立方式示意圖。圖中右側(cè)的三維空間長(zhǎng)方體為仿真的三維變化風(fēng)場(chǎng)所在區(qū)域，風(fēng)場(chǎng)區(qū)域尺寸為8000 m×8000 m×2000 m，坐標(biāo)縮尺為1∶1000。圖中的紅點(diǎn)就代表激光雷達(dá)相對(duì)風(fēng)場(chǎng)的位置，總共選取了117個(gè)不同位置。通過激光雷達(dá)相對(duì)風(fēng)場(chǎng)的不同位置對(duì)三維風(fēng)場(chǎng)進(jìn)行探測(cè)，以此來建立激光雷達(dá)探測(cè)風(fēng)切變的樣本數(shù)據(jù)庫。

圖2 激光雷達(dá)相對(duì)風(fēng)場(chǎng)位置Fig．2 the relative postion between radar and wind field

本文將仿真的三維風(fēng)場(chǎng)設(shè)置在坐標(biāo)系的第四象限，其余三個(gè)象限都設(shè)定為均勻背景風(fēng)場(chǎng)，其風(fēng)速為2 m/s，風(fēng)向與X軸正方向相同。把第一、二、三象限區(qū)域設(shè)為均勻風(fēng)場(chǎng)，第四象限分別設(shè)為側(cè)風(fēng)切變風(fēng)場(chǎng)、順風(fēng)切變風(fēng)場(chǎng)、低空急流風(fēng)場(chǎng)和微下?lián)舯┝黠L(fēng)場(chǎng)，便可建立充裕的不同類型的低空風(fēng)切變樣本庫。

激光雷達(dá)在位于坐標(biāo)原點(diǎn)(0，0)處獲得的四種類型的風(fēng)切變仿真雷達(dá)圖像分別如圖3所示，其中圖3(a)為側(cè)風(fēng)切變，圖3(b)為順風(fēng)切變，圖3(c)為低空急流，圖3(d)為下?lián)舯┝?，從圖3我們可以看到，這四種類型的切變圖像存在明顯的不同。其他位置的仿真雷達(dá)圖像，限于篇幅不再一一列出。

4 通過圖像分割提取風(fēng)切變區(qū)域

由于風(fēng)切變的特征是風(fēng)場(chǎng)中風(fēng)速的劇烈改變，必然存在一個(gè)風(fēng)速值大于周圍的區(qū)域，這可以通過閾值分割提取該區(qū)域。本文的圖像采取索引圖像格式進(jìn)行存儲(chǔ)和顯示，其中色圖矩陣colormap采取matlab默認(rèn)的jet色圖，它是64×3的顏色映射矩陣，其中行數(shù)64表示它有64級(jí)的分辨率，每行的3個(gè)值表示顏色組成的RGB分量值。數(shù)據(jù)矩陣也采用64級(jí)分辨率進(jìn)行存儲(chǔ)，取值范圍為0～63。風(fēng)切變區(qū)域的分割采用閾值分割來進(jìn)行提取，由于風(fēng)速的極大值映射為圖像的紅色部分區(qū)域，因此取分割閾值為40對(duì)圖像進(jìn)行分割，可以得到分割后的上文所述的各種類型的風(fēng)切變圖像如圖4所示。

由于切割后的風(fēng)切變區(qū)域大小不一，需要對(duì)其進(jìn)行歸一化，本文將其歸一化為30×30的索引圖像。

5 小波分解提取紋理特征

不同類型的風(fēng)切變圖像其紋理信息存在明顯的不同，可以通過提取分割后的風(fēng)切變圖像的紋理特征，作為相似性度量。

小波變換是時(shí)間和頻率的局域變換，它具有多分辨率分析的特點(diǎn)，而且在時(shí)域頻域都具有表征信號(hào)局部特征的能力。由于小波變換能將原始圖像的能量集中到少部分小波系數(shù)上，且分解后的小波系數(shù)在3個(gè)方向的細(xì)節(jié)分量有高度的局部相關(guān)性，這為特征提取提供了有利的條件［8－9］，因此本文提出采用小波變換提取圖像的紋理特征，實(shí)驗(yàn)結(jié)果表明了該方法能夠取得較好的識(shí)別分類結(jié)果。

對(duì)圖像進(jìn)行小波分解的示意圖如圖5所示。其中，L表示低頻，H表示高頻，圖像在每個(gè)尺度上被分解成四個(gè)子帶，其中LL為低頻子帶，是原圖像的平滑逼近;LH是沿水平方向的高頻子帶，反映圖像的水平邊緣情況;HL是沿垂直方向的高頻子帶，反映圖像的垂直邊緣情況;HH是沿對(duì)角方向的高頻子帶，反映圖像的斜邊緣情況。

一般來說，隨著小波分解層次的增加，提取的紋理特征也越來越準(zhǔn)確，但分解層次越多，計(jì)算量也越大。在本文中，限于圖像的分辨率精度，對(duì)圖像進(jìn)行兩層小波分解即可滿足要求。

在圖像處理中，小波的對(duì)稱性用在圖像處理中避免相移，消失矩階數(shù)大的小波變換使能量更集中，這樣有利于選取主要成分作為特征。本文選擇sym4小波基。sym小波基的構(gòu)造類似于db小波基，但它比db小波基有更好的對(duì)稱性，更適合于圖像處理。

圖5 圖像的小波分解示意圖Fig．5 schematic diagram ofwavelet decomposition

基于小波變換的紋理特征提取算法如下:

(1)對(duì)歸一化后的風(fēng)切變分割圖像進(jìn)行兩層小波分解。

(2)求分解后每個(gè)子帶小波系數(shù)的均值和標(biāo)準(zhǔn)差。設(shè)小波分解后的子帶為…，7，則:

(3)得到特征向量T:將各個(gè)子帶小波系數(shù)的均值和標(biāo)準(zhǔn)差作為圖像的紋理特征向量中的各個(gè)分量，則特征向量 T=［u1，σ1，u2，σ2，…，u13，σ13］。

(4)特征歸一化:由于上述7個(gè)特征相量的物理意義和取值范圍不同，所以需要進(jìn)行歸一化。高斯歸一化是一種較好的歸一化方法，其特點(diǎn)是少量超大或超小的元素值對(duì)整個(gè)歸一化后的元素值分布影響不大。設(shè)原始特征向量為［f1，f2，f3，fN］，計(jì)算出其均值m和標(biāo)準(zhǔn)差σ，設(shè)歸一化后的特征向量為［F1，F(xiàn)2，F(xiàn)3，F(xiàn)N］，則:

利用式(11)對(duì)特征向量進(jìn)行歸一化，可將各個(gè)分量歸一化到［－1，1］。

位于坐標(biāo)原點(diǎn)(0，0)處的四種類型風(fēng)切變的雷達(dá)掃描圖像的二層小波分解圖像分別如圖6(a)～圖6(d)所示。

圖6 不同風(fēng)切變的小波分解圖像Fig．6 wavelet decomposition Images of differentwind-shears

6 基于BP神經(jīng)網(wǎng)絡(luò)識(shí)別圖像

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network)由于其具有大規(guī)模并行信息處理，良好的自適應(yīng)與自學(xué)習(xí)等許多特點(diǎn)，近年來被廣泛應(yīng)用于包括模式識(shí)別在內(nèi)的很多領(lǐng)域。基于神經(jīng)網(wǎng)絡(luò)的模式識(shí)別法相對(duì)于其他方法來說，其優(yōu)勢(shì)在于:①它要求對(duì)問題的了解較少;②它可以實(shí)現(xiàn)特征空間較復(fù)雜的劃分;③它宜用高速并行處理系統(tǒng)實(shí)現(xiàn)［10］。

在眾多神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，目前應(yīng)用最廣的為BP神經(jīng)網(wǎng)絡(luò)。80%～90%的人工神經(jīng)網(wǎng)絡(luò)模型都是采用BP網(wǎng)絡(luò)或它的變化形式。BP神經(jīng)網(wǎng)絡(luò)是一種典型的前饋神經(jīng)網(wǎng)絡(luò)［11］，其網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖7所示，BP算法屬于有監(jiān)督式的學(xué)習(xí)算法，其主要思想是:輸入學(xué)習(xí)樣本，使用反向傳播算法對(duì)網(wǎng)絡(luò)的權(quán)值和偏差進(jìn)行反復(fù)的調(diào)整訓(xùn)練，使輸出的向量與期望向量盡可能地接近，當(dāng)網(wǎng)絡(luò)輸出層的誤差平方和小于指定的誤差時(shí)訓(xùn)練完成，保存網(wǎng)絡(luò)的權(quán)值和偏差。

圖7 BP網(wǎng)絡(luò)結(jié)構(gòu)圖Fig．7 structure image of BP network

BP神經(jīng)網(wǎng)絡(luò)分類實(shí)質(zhì)上屬于監(jiān)督分類的范疇，網(wǎng)絡(luò)的性能與訓(xùn)練樣本規(guī)模和質(zhì)量密切相關(guān)。本文選取上述的側(cè)風(fēng)，低空急流，順風(fēng)和下?lián)舯┝魉姆N類型風(fēng)切變的仿真雷達(dá)圖像各87幅，作為訓(xùn)練輸入樣本庫。其余的四種類別的圖像各30幅作為測(cè)試樣本庫。在分別對(duì)仿真雷達(dá)圖像進(jìn)行圖像閾值分割和小波分解提取特征向量后，可以獲得348個(gè)7維的特征向量。將獲得的348組特征向量作為輸入向量，輸入BP神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行訓(xùn)練。創(chuàng)建的三層神經(jīng)網(wǎng)絡(luò)其輸入節(jié)點(diǎn)根據(jù)提取的特征向量的維數(shù)確定為7個(gè)神經(jīng)元，輸出層節(jié)點(diǎn)為4個(gè)神經(jīng)元，分別用輸出［1 0 0 0］，［0 1 0 0］，［0 0 1 0］和［0 0 0 1］代表四種風(fēng)切變類型。隱層和輸出層神經(jīng)元的傳遞函數(shù)f(x)均取logsig函數(shù)logsig(x)因?yàn)樗妮敵龇秶?～1，正好適合在學(xué)習(xí)后輸出值。學(xué)習(xí)函數(shù)是梯度下降動(dòng)量學(xué)習(xí)函數(shù)learngdm，學(xué)習(xí)速率初始值選在0．01～0．6之間。性能函數(shù)選取平方和誤差 mse，訓(xùn)練誤差為0．01，學(xué)習(xí)最大次數(shù)為5000次。

表1 BP神經(jīng)網(wǎng)絡(luò)不同隱含層節(jié)點(diǎn)數(shù)目的識(shí)別結(jié)果Tab．1 the recognition results of different hidden layer nodes numbers

7 結(jié)語

本文針對(duì)威脅民航飛機(jī)飛行的低空風(fēng)切變的識(shí)別工作進(jìn)行了研究。通過利用激光雷達(dá)掃描已有的基于CFD軟件模擬仿真出的不同類型的三維低空變化風(fēng)場(chǎng)，獲得仿真雷達(dá)掃描數(shù)據(jù)，并生成相應(yīng)的風(fēng)切變雷達(dá)圖像，建立由不同掃描位置生成的仿真雷達(dá)圖像樣本庫。在風(fēng)切變類型識(shí)別算法方面，首先通過閾值分割，獲得風(fēng)切變區(qū)域，然后通過二層小波分解提取圖像紋理特征，并生成特征向量。最后通過BP神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行分類識(shí)別。實(shí)驗(yàn)結(jié)果表明，本算法的識(shí)別效果比較理想。如何進(jìn)一步提高識(shí)別率，是下一步研究工作要解決的問題。

［1］ Wilson JW，Roberts R D，Kessinger C，et al．Microburst wind structure and evaluation of doppler radar for airport wind shear detection［J］．J Appl Meteor，1984，23:898－915．

［2］ Campbell SD，Olson S H．Recognizing low-altitude wind shear hazards from doppler weather radar:An artificial intelligence approach［J］．JAtmos Oceanic Technol，1987，4:5－18．

［3］ Hu Mingbao，Tan Shuqing，Tang Dazhang，et al．A study on themethod for detecting low-level wind shear over airport with single doppler radar［J］．Journal of Nanjing Institute of Meteorology，2000，23(1):113 －118．(in Chinese)胡明寶，談曙青，湯達(dá)章，等．單部多卜勒雷達(dá)探測(cè)低空風(fēng)切變方法［J］．南京氣象學(xué)院學(xué)報(bào)，2000，23(1):113－118．

［4］ Zhong Zhiqing，Sun Dongsong，Wang Bangxin，et al．Dopplerwind lidar based on Fabry-Perotetalon［J］．Infrared and Laser Engineering，2006，35(6):687 － 690．(in Chinese)鐘志慶，孫東松，王邦新，等．基于Fabry-Perot標(biāo)準(zhǔn)具的多普勒測(cè)風(fēng)激光雷達(dá)［J］．紅外與激光工程，2006，35(6):687－690．

［5］ Xia Haiyun，Sun Dongsong et al．Fabry-Perot interferometer based mie Doppler lidar for low tropospheric wind observation［J］．Appl．Opt．，2007，46(29):7120 －7131．

［6］ Tao Zuyu，Zeng Lixin．Simulated Doppler image of mesoscale system［J］．Journal of Applied Meteorology，1993，4(1):8 －15．(in Chinese)陶祖鈺，曾立新．中尺度系統(tǒng)的模擬Doppler圖像［J］．應(yīng)用氣象學(xué)報(bào)，1993，4(1):8 －15．

［7］ Jin Hongbin，Xu Yu，Dong Feng．Research on coordinate transformation under radar information processing systems［J］．Journal of Air Force Radar Academy，2003，17(3):54 －58．(in Chinese)金宏斌，徐毓，董峰．雷達(dá)信息處理中的坐標(biāo)變換問題研究［J］．空軍雷達(dá)學(xué)院學(xué)報(bào)，2003，17(3):54 －58．

［8］ Wang Gaimei，Liu Ruiguang，Liu Fang．Texture image retrieval based-on wavelet package transformation［J］．Computer Engineering and Applications，2004，(18):43－ 44．(in Chinese)王改梅，劉瑞光，劉芳．基于小波包變換的紋理圖像檢索［J］．計(jì)算機(jī)工程與應(yīng)用，2004，(18):43 － 44．

［9］ Li Haibin，Zhang Qiang．Research of sub-line segment matching based on dyadic wavelet transformation［J］．Chinese Journal of Sensors and Actuators，2007，20(5):11 62 －1166．(in Chinese)李海濱，張強(qiáng)．基于二進(jìn)小波變換的子線段匹配方法研究［J］．傳感技術(shù)學(xué)報(bào)，2007，20(5):1162 －1166．

［10］ Jia Yonghong．Digital image processing［M］．Wuhan:Wuhan University Press，2003:178 －179．(in Chinese)賈永紅．?dāng)?shù)字圖像處理［M］．武漢:武漢大學(xué)出版社，2003:178－179．

［11］ He Qingbi，Zhou Jianli．The convergence and improvements of BP neural network［J］．Journal of Chongqing Jiaotong University，2005，2:143 －145．(in Chinese)賀清碧，周建麗．BP神經(jīng)網(wǎng)絡(luò)收斂性問題的改進(jìn)措施［J］．重慶交通學(xué)院學(xué)報(bào)，2005，2:143 －145．