基于優(yōu)化模糊邏輯的雙線偏振天氣雷達(dá)地物雜波識(shí)別算法研究

劉宗慶 , 王 敏 , 景號然 , 王 杰 , 謝曉林

（1. 四川省氣象探測數(shù)據(jù)中心，成都 610072；2. 高原與盆地暴雨旱澇災(zāi)害四川省重點(diǎn)實(shí)驗(yàn)室，成都 610072）

引言

地物雜波會(huì)在雷達(dá)探測時(shí)對雷達(dá)數(shù)據(jù)資料造成污染，嚴(yán)重影響降水估測產(chǎn)品的準(zhǔn)確性，進(jìn)而導(dǎo)致臨近預(yù)報(bào)出現(xiàn)偏差，因此，從受污染的雷達(dá)回波中識(shí)別出地物雜波對于提升雷達(dá)數(shù)據(jù)質(zhì)量具有十分重要的意義。對于地物雜波的識(shí)別，國內(nèi)外學(xué)者已展開了深入的研究，其采用的方法有兩大類：第一類方法是使用雜波圖來識(shí)別標(biāo)準(zhǔn)地物雜波，并利用凹槽濾波器等硬件方法來進(jìn)行雜波抑制，但該方法在對大面積的地物濾波時(shí)經(jīng)常會(huì)將徑向速度為零的降水回波誤判為地物雜波的情況，且無法識(shí)別和處理異常傳播條件下產(chǎn)生的超折射回波；第二類方法主要是通過區(qū)分地物和降水回波的空間分布、紋理結(jié)構(gòu)、梯度變化等特征差異來實(shí)現(xiàn)地物雜波識(shí)別。第二類方法最早由Steiner等[1]提出，其憑借雷達(dá)反射率因子在水平和空間的變化進(jìn)行識(shí)別地物雜波。Kessinger等[2]在此方法的基礎(chǔ)上，利用模糊邏輯的算法來對雷達(dá)回波進(jìn)行分類，以此達(dá)到區(qū)分降水回波和地物雜波的目的。此后，Berenguer等[3]對Kessinger的算法進(jìn)行改進(jìn)，通過進(jìn)一步研究地物的回波頂高、徑向速度、反射率因子的紋理和梯度變化等特征來得到更優(yōu)的隸屬函數(shù)。劉黎平等[4]基于Kessinger提出的模糊邏輯算法，提出分步式識(shí)別超折射地物雜波的辦法，該算法能有效識(shí)別超折射地物雜波，減少地物雜波的漏判和降水回波的誤判。江源等[5]運(yùn)用CSI（Critical Success Index）評判標(biāo)準(zhǔn)，確定了模糊邏輯地物識(shí)別的最優(yōu)隸屬函數(shù)，發(fā)展了適合于我國新一代天氣雷達(dá)的地物回波識(shí)別方法，改進(jìn)了地物雜波識(shí)別效果。

雙線偏振雷達(dá)可以同時(shí)獲取水平和垂直兩個(gè)通道的回波信息，偏振參量的應(yīng)用為地物雜波的識(shí)別提供了更有效的手段[6]。早在20世紀(jì)90年代，Ryzhkov等[7]就發(fā)現(xiàn)非降水回波的雙線偏振參量ZDR和 ΦDP的空間變化率明顯大于降水回波，其零滯后相關(guān)系數(shù)較氣象回波的取值范圍（一般＞0.9）偏小很多。Zrnic等[8]也對地物和降水回波的零階自相關(guān)系數(shù)特征進(jìn)行了分析。在國內(nèi)，劉黎平等[9]最早基于差分反射率和反射率因子變化特征開展了地物雜波識(shí)別等相關(guān)研究。史朝等[10]利用X波段雙線偏振雷達(dá)研究了地物雜波的雙線偏振特征，并進(jìn)行了初步的地物雜波識(shí)別。曹楊等[11]研究了C波段雙線偏振雷達(dá)在常規(guī)雷達(dá)參量模糊邏輯算法基礎(chǔ)上加入了偏振參量后對地物雜波的識(shí)別效果。

本文在Kessinger等[2]建立的模糊邏輯算法基礎(chǔ)上，分析了四川攀枝花X波段全固態(tài)雙線偏振雷達(dá)獲取的降雨回波和地物雜波的特征，基于常規(guī)參量和偏振參量選取了用于分辨降水和地物回波典型特征的物理量，構(gòu)建了加入偏振參量的地物雜波模糊識(shí)別算法，并運(yùn)用CSI評判標(biāo)準(zhǔn)給出了各參量的最優(yōu)化隸屬函數(shù)。

1 雷達(dá)性能與站點(diǎn)地形

攀枝花市位于青藏高原東南緣、橫斷山脈與云貴高原的過渡地帶，地形極其復(fù)雜，整個(gè)地勢由西北向東南傾斜，境內(nèi)最高處位于鹽邊縣的柏林山，海拔4195.5m，最低處位于仁和區(qū)平地鎮(zhèn)師莊，海拔高度937m，一般相對高差為1500～2000m。受山地和丘陵地形影響，攀枝花夏季降雨量豐富，天氣環(huán)境復(fù)雜多變。2020年6月四川省氣象局在攀枝花完成了X波段小型化全固態(tài)雙線偏振天氣雷達(dá)的架設(shè)（圖1）。該雷達(dá)為雙線偏振全相參體制，偏振方式采用同發(fā)同收體制，天線采用直徑為2.4m的圓形旋轉(zhuǎn)拋物面反射體，其發(fā)射脈沖峰值功率為1200W，定量探測范圍≥75km，最高距離分辨率為75m，且在雷達(dá)發(fā)射模塊中引入了調(diào)頻信號的脈沖壓縮技術(shù)[12?13]，其主要性能指標(biāo)如表1所示。

圖1 全固態(tài)天氣雷達(dá)及站點(diǎn)地形

表1 攀枝花全固態(tài)天氣雷達(dá)系統(tǒng)性能指標(biāo)

該雷達(dá)于2020年7～9月開展了全天時(shí)連續(xù)立體掃描觀測。本文利用晴空模式下取得的地物回波數(shù)據(jù)和剔除地物回波的降水回波數(shù)據(jù)，對地物回波和降水回波的特征差異進(jìn)行了統(tǒng)計(jì)，建立了地物雜波識(shí)別訓(xùn)練集，并應(yīng)用統(tǒng)計(jì)平均法先將多次晴空數(shù)據(jù)進(jìn)行平均，再進(jìn)行地物數(shù)據(jù)的概率密度分析和模糊邏輯建模，其目的是去除晴空回波和環(huán)境因素對地物的影響，使地物回波的特征值更加準(zhǔn)確。同時(shí)，為了防止噪聲等因素對雷達(dá)數(shù)據(jù)的影響，采用了中值濾波的方法，對孤立雜波和弱信號進(jìn)行了抑制處理。

2 算法與訓(xùn)練

模糊邏輯理論對邊界條件規(guī)定不明顯的分類情況具有較好適用性，其憑借隸屬度函數(shù)的概念，來劃分模糊集合、消除模糊關(guān)系，同時(shí)模擬人腦實(shí)施規(guī)則推理，因而能有效解決因不確定和不精確信息產(chǎn)生的種種“模糊”問題?；谀：壿嫷牡匚镫s波識(shí)別算法應(yīng)用概率統(tǒng)計(jì)的方法分析雷達(dá)各類回波特征，建立模糊規(guī)則，使判別對象在模糊集合的隸屬度從不隸屬到隸屬逐步過渡，最終得到每個(gè)距離庫中受地物回波影響可能性的量化數(shù)值，并基于判定閾值得到識(shí)別結(jié)果。該方法的具體步驟包括了模糊化、規(guī)則推斷、集成和退模糊四個(gè)部分。

2.1 特征物理量的選擇

本文基于Kessinger等[2]提出的地物雜波識(shí)別方法及Ryzhkov等[14?15]提出的非降水回波的雙線偏振參數(shù)ZDR和 ΦDP的空間變率相比于降水回波更大的特點(diǎn)，選擇了6個(gè)特征物理量作為模糊邏輯識(shí)別系統(tǒng)的輸入?yún)⒘?，包括反射率因子水平紋理TZ、反射率因子垂直變化GDBZ、徑向速度區(qū)域平均值MDVE、速度譜寬區(qū)域平均值MDSW、 差分反射率因子水平紋理TZDR和差分傳播相移水平紋理TΦDP。上述特征物理量定義如下：

其中NA、NR指 在方位和距離計(jì)算范圍的定義，i，j代表仰角個(gè)數(shù)和各層徑向個(gè)數(shù)，Z、V、W、ZDR和 ΦDP分別表示雷達(dá)反射率因子、平均徑向速度、速度譜寬、差分反射率因子、差分相位（V、W經(jīng)過了中值濾波處理），Zup、Zlow為對應(yīng)的本層和上層的PPI回波強(qiáng)度，W(R) 表示與距離有關(guān)的權(quán)重。對于TZ、TZDR和TΦDP三個(gè) 物理 量 規(guī)定NA=3，NR=3； 對 于MDVE和MDSW兩 個(gè)物理量規(guī)定NA=3，NR=9。

2.2 回波特征分析

選取地物雜波識(shí)別訓(xùn)練集，繪制出6個(gè)特征物理參量的概率分布，如圖2所示。對圖中各參量分布特征進(jìn)行分析可知，由地物回波獲取的各特征參量均表現(xiàn)出了與降水回波的差異性。在徑向速度方面，由地物回波數(shù)據(jù)集獲取的與徑向速度相關(guān)特征參量多在零值附近取值，而降水回波的徑向速度則分布在整個(gè)取值區(qū)間，反映了地物回波多數(shù)是靜止不動(dòng)的，這與事實(shí)相符合。在偏振特性方面，地物回波的差分反射率水平紋理TZDR與差分傳播相移率水平紋理TΦDP幾乎在整個(gè)取值區(qū)域都有分布，而降水回波主要集中在零值附近。上述地物回波和降水回波的偏振特征也符合Ryzhkov等[14?15]的研究成果。

圖2 降水回波和地物回波各特征參數(shù)概率密度分布

根據(jù)上述輸入特征參量的概率分布，可采用梯形或三角形折線來表示各參量的隸屬函數(shù)。隸屬函數(shù)的輸出值范圍是[0，1]，數(shù)值越大表示了該參數(shù)為地物回波的可能性越高。根據(jù)各特征參數(shù)貢獻(xiàn)度相加的方法來得到地物回波隸屬函數(shù)值。本文選擇等權(quán)重求和法，即基于加權(quán)求和法，令各輸入特征參量的權(quán)重系數(shù)均為1，然后將各特征參量對地物回波的所占貢獻(xiàn)值相加后除以特征參量的個(gè)數(shù)就能得到地物回波概率判別值。最后將得到的地物回波判別值與給定的識(shí)別閾值（如：0.2）相比較，若該值大于該閾值，則將此回波標(biāo)識(shí)為地物回波；反之，則標(biāo)識(shí)為降水。

2.3 算法流程圖

采用模糊邏輯理論對數(shù)據(jù)集進(jìn)行分類，是以靈活的分級為準(zhǔn)則，這樣可以避免對地物回波和降水回波具體數(shù)值的判定，且其不受具體公式的約束，具有較強(qiáng)的靈活性和可靠性。模糊邏輯理論地物雜波識(shí)別算法流程如圖3所示（其中KDP是差分傳播相移率，ρHV是零滯后相關(guān)系數(shù)）。

圖3 模糊邏輯理論地物雜波識(shí)別算法流程

2.4 最優(yōu)化隸屬函數(shù)確定

隸屬函數(shù)的正確選擇是區(qū)分地物和降水回波的重要指標(biāo)和依據(jù)。本文利用真實(shí)回波概率分布統(tǒng)計(jì)結(jié)果及CSI標(biāo)準(zhǔn)來獲取各特征物理參量的最優(yōu)化隸屬函數(shù)。CSI的定義為：

其中，SC和SP分別表示真實(shí)的地物和降水的總樣本數(shù)，RC和RP表示兩者被準(zhǔn)確識(shí)別的樣本數(shù)。最優(yōu)化隸屬函數(shù)確定具體步驟為：

（1）繪制基于地物和降水特征物理參量的概率分布圖，以統(tǒng)計(jì)特征初步構(gòu)造各參量的隸屬函數(shù)。采用基本形式為梯形的函數(shù)實(shí)現(xiàn)參量模糊化，大致確定隸屬函數(shù)梯形點(diǎn)的范圍，并確保其隸屬度取值范圍是[0，1]。

（2）通過人工判讀識(shí)別手段，確定并標(biāo)記出給定回波樣本中降水和地物的位置。

（3）給予所有的隸屬函數(shù)以相同權(quán)重，考慮多特征參量組合后對總樣本識(shí)別效果的影響。采用特征參數(shù)等權(quán)重法得到地物回波概率判別值，并將得到的判別值與給定的識(shí)別閾值進(jìn)行比較以實(shí)現(xiàn)地物識(shí)別。以CSI為評判標(biāo)準(zhǔn)對所有地物和降水樣本的識(shí)別結(jié)果進(jìn)行分析，以評估識(shí)其準(zhǔn)確性。

（4）在初步確定的梯形隸屬函數(shù)曲線基礎(chǔ)上，以1為步進(jìn)值，依次調(diào)整各特征參量的梯形點(diǎn)取值范圍，重復(fù)步驟（3），并對每一次的調(diào)整進(jìn)行CSI評判。以得到最高的CSI值（樣本識(shí)別最高準(zhǔn)確率）為目的，對所有樣本進(jìn)行分析，找出一組最優(yōu)化隸屬函數(shù)。

通過上述方案，可得到各特征參量的最優(yōu)化的梯形隸屬函數(shù)如圖4所示。

圖4 地物回波識(shí)別各特征參數(shù)的隸屬函數(shù)

3 識(shí)別效果分析

2020年9月11日03時(shí)13分，攀枝花全固態(tài)雷達(dá)探測到一次降水過程，圖5為觀測仰角0.5°時(shí)的PPI圖。由于地物主要集中在雷達(dá)近距離處，所以僅顯示雷達(dá)徑向距離100km以內(nèi)回波的分布情況。為了檢驗(yàn)偏振參量及最優(yōu)化隸屬函數(shù)對地物雜波的識(shí)別效果，分別就常規(guī)參量模糊邏輯網(wǎng)絡(luò)和引入偏振參量的模糊邏輯網(wǎng)絡(luò)進(jìn)行了地物識(shí)別效果對比，結(jié)果如圖6所示。其中圖6a為常規(guī)模糊邏輯算法的識(shí)別結(jié)果，圖6b為加入偏振參量的模糊邏輯算法的識(shí)別結(jié)果，圖6c為晴好天氣同層仰角下的反射率因子PPI觀測資料。

圖5 攀枝花全固態(tài)天氣雷達(dá)2020年9月11日03時(shí)13分觀測PPI圖（0.5°仰角）

如圖6a～b所示，可以看出雷達(dá)站點(diǎn)周圍存在大量分布式的地物雜波點(diǎn)，而雷達(dá)東北方向?yàn)榻邓夭ê偷匚锘夭ɑ旌蠀^(qū)域。通過對比可知，雖然常規(guī)模糊邏輯算法和加入偏振參量的模糊邏輯算法都能識(shí)別出大部分有效的地物回波，但后者識(shí)別的面積和精細(xì)化程度明顯要好于前者。圖6a中能清楚的看到在雷達(dá)站點(diǎn)周圍殘留一些呈點(diǎn)狀分布的地物雜波及被誤判為地物回波的降水回波，可見常規(guī)模糊識(shí)別網(wǎng)絡(luò)對降水和地物混合區(qū)域的識(shí)別效果較差，特別容易在降水回波邊沿及弱降水目標(biāo)處產(chǎn)生誤判。進(jìn)一步分析發(fā)現(xiàn)，該方法產(chǎn)生回波誤判的主要原因是該區(qū)域降水回波的徑向速度很小且接近于零，這也印證了常規(guī)模糊邏輯算法依靠速度等參數(shù)來判斷的局限性。同時(shí)能發(fā)現(xiàn)地物和降水混合后由于受降水回波的影響，該位置的地物回波表現(xiàn)出降水回波的速度特征參數(shù)非零值的特點(diǎn)，這就會(huì)導(dǎo)致降水回波邊沿被誤判為地物回波。而引入偏振參量后，該算法明顯改善了徑向速度為零的降水區(qū)被誤判為地物回波的情況，且對降水和地物混合的區(qū)域也能進(jìn)行較好的識(shí)別，更好的保留了降水信息，識(shí)別地物回波的位置和形狀與實(shí)際地物分布情況（圖6c）基本一致，識(shí)別效果更好。

圖6 不同參量模糊邏輯算法的回波識(shí)別及實(shí)測結(jié)果對比（a.常規(guī)參量，b. 加入偏振參量，c. 晴空條件下的地物回波）

總的來說，常規(guī)識(shí)別網(wǎng)絡(luò)容易將徑向速度基本為零附近的降水回波誤判為地物回波且對地物和降水混合區(qū)域的地物回波基本無法有效識(shí)別；加入偏振參量后的識(shí)別網(wǎng)絡(luò)克服了常規(guī)識(shí)別網(wǎng)絡(luò)對徑向速度基本為零的區(qū)域誤判的問題，同時(shí)提升了對地物與降水回波混合區(qū)域中地物回波的識(shí)別能力。

4 結(jié)論與討論

本文將偏振參量引入模糊邏輯算法對地物雜波進(jìn)行識(shí)別，同時(shí)探討了地物回波和降水回波的偏振參量特征差異，通過統(tǒng)計(jì)平均的結(jié)果實(shí)現(xiàn)了地物識(shí)別模糊邏輯網(wǎng)絡(luò)的設(shè)計(jì)，并將常規(guī)模糊邏輯算法與加入偏振參量的模糊邏輯算法的識(shí)別效果進(jìn)行比較，得到以下主要結(jié)論：

（1）加入偏振參量的模糊邏輯識(shí)別算法能有效識(shí)別降水和地物混合區(qū)域地物回波，同時(shí)改善了徑向速度為零的區(qū)域被誤判為地物回波的問題，能達(dá)到滿意的識(shí)別效果。

（2）雙線偏振參量在描述粒子特性方面有著非常明顯的優(yōu)勢，引入偏振參量后的模糊邏輯識(shí)別算法對識(shí)別和區(qū)分雷達(dá)站點(diǎn)近距離處弱降水目標(biāo)和地物回波有一定程度的改善。

偏振參量的應(yīng)用可以為高質(zhì)量的業(yè)務(wù)觀測提供支持，同時(shí)也有利于提高雷達(dá)對災(zāi)害性天氣的監(jiān)測和預(yù)警能力。但需要注意雷達(dá)回波識(shí)別是比較復(fù)雜的，僅僅依靠偏振參量來準(zhǔn)確區(qū)分地物回波和降水回波仍然是很困難的，必要時(shí)需結(jié)合衛(wèi)星和飛機(jī)遙感數(shù)據(jù)來進(jìn)行地物回波識(shí)別。