利用深度學(xué)習(xí)填補(bǔ)雙偏振雷達(dá)回波遮擋

尹曉燕 胡志群 鄭佳鋒 左園園 皇甫江 朱永杰

1)(中國氣象科學(xué)研究院災(zāi)害天氣國家重點(diǎn)實(shí)驗(yàn)室， 北京 100081) 2)(成都信息工程大學(xué)大氣科學(xué)學(xué)院， 成都 610225) 3)(中國氣象局大氣探測重點(diǎn)開放實(shí)驗(yàn)室， 成都 610225)

引 言

雷達(dá)周邊地形和高大建筑物、樹木等的遮擋導(dǎo)致雷達(dá)探測的回波數(shù)據(jù)出現(xiàn)偏差[1]，進(jìn)而影響雷達(dá)定量估測降水及其他定量產(chǎn)品準(zhǔn)確性。目前，我國正在進(jìn)行天氣雷達(dá)網(wǎng)的雙偏振升級改造，雙偏振雷達(dá)不僅可以使用基本反射率因子ZH計(jì)算降水強(qiáng)度，還增加差分反射率ZDR、差傳播相移率KDP等偏振參量，可獲得比常規(guī)天氣雷達(dá)更多有關(guān)降水粒子形狀和相態(tài)等微觀物理信息，對進(jìn)一步提高災(zāi)害性天氣的監(jiān)測和預(yù)報(bào)能力具有顯著意義[2]。因此，開展雙偏振雷達(dá)波束遮擋訂正研究對提高其數(shù)據(jù)應(yīng)用能力很有幫助。

目前對于雷達(dá)波束遮擋訂正的研究大多基于高分辨率的數(shù)字高程模型(digital elevation model，DEM)[3]和雷達(dá)反射率因子垂直廓線(vertical profiles of reflectivity，VPR)[4-6]技術(shù)開展。利用DEM的雷達(dá)波束遮擋填補(bǔ)方法是基于Batten[7]提出的波束在標(biāo)準(zhǔn)大氣中的傳播方程。一些學(xué)者將標(biāo)準(zhǔn)大氣中因雷達(dá)波束遮擋而造成的功率損耗加入波束遮擋模擬，對ZH進(jìn)行訂正[8-9]。楊洪平等[10]利用DEM數(shù)據(jù)確定CAPPI(constant altitude plan position indicator)有效數(shù)據(jù)區(qū)域并探討波束部分阻擋時(shí)的回波強(qiáng)度訂正方法。Andrieu等[11]和Creutin等[12]利用DEM將雷達(dá)體掃數(shù)據(jù)分為遮擋和無遮擋部分，并利用無遮擋區(qū)域回波數(shù)據(jù)生成的VPR訂正受遮擋區(qū)域的反射率因子。楊瀧等[13]利用DEM計(jì)算的波束遮擋信息，以統(tǒng)計(jì)生成的VPR為依據(jù)，用上層無遮擋仰角的回波填補(bǔ)低層遮擋區(qū)的回波，通過對比填補(bǔ)前后的反射率因子及雷達(dá)定量降水估測結(jié)果檢驗(yàn)填補(bǔ)效果。但基于DEM和VPR技術(shù)的訂正方法均存在一定局限性，如新建筑物和樹木等不斷出現(xiàn)，DEM數(shù)據(jù)難以及時(shí)更新。VPR技術(shù)的研究大多針對以層狀云性質(zhì)為主的大范圍降水過程，對于孤立的強(qiáng)對流系統(tǒng)則不適用。

另外，針對偏振量的遮擋訂正主要基于KDP對波束部分遮擋的不敏感性以及ZH，ZDR與KDP的約束關(guān)系進(jìn)行遮擋填補(bǔ)[14]。如Lang等[15]分別利用DEM模擬雷達(dá)波束與地形的相互作用，KDP對波束遮擋不敏感性和降雨中雙偏振雷達(dá)測量值的自一致性研究波束遮擋存在時(shí)水平反射率因子的校正，并確定每種方法的優(yōu)缺點(diǎn)，表明當(dāng)微弱回波被強(qiáng)的障礙物減弱為噪聲時(shí)，這3種方法均無法校正雷達(dá)數(shù)據(jù)，從而導(dǎo)致校正后ZH出現(xiàn)偏差。Zhang等[16]提出利用雷達(dá)波束的自一致性關(guān)系進(jìn)行積分，動態(tài)估計(jì)波束遮擋率，并對被遮擋區(qū)域的反射率因子進(jìn)行校正。

深度學(xué)習(xí)作為一種人工智能算法，有別于傳統(tǒng)預(yù)測方法，特別是應(yīng)用在處理非線性問題上有良好效果[17-18]。深度學(xué)習(xí)在雷達(dá)數(shù)據(jù)分析方面也取得一系列成果，如雷達(dá)定量降水估測、雷達(dá)回波外推等[19-20]。Chen等[21]將地面雷達(dá)和TRMM(tropical rainfall measuring mission)雷達(dá)觀測數(shù)據(jù)相結(jié)合作為深度神經(jīng)網(wǎng)絡(luò)的輸入，證明該降雨估測算法的廣闊前景和通用性。對于雷達(dá)回波外推，可以使用遞歸神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)等深度學(xué)習(xí)算法從雷達(dá)回波時(shí)空序列中捕獲時(shí)空相關(guān)性，以獲得外推向量，用于預(yù)測雷達(dá)回波的發(fā)展和移動[22-23]。韓豐[24]使用預(yù)測循環(huán)神經(jīng)網(wǎng)絡(luò)(predictive RNN)架構(gòu)，利用雷達(dá)歷史組合反射率因子建模，預(yù)報(bào)未來1 h的雷達(dá)組合反射率因子。Yin等[25]利用深度學(xué)習(xí)算法，以高層多個(gè)仰角、距離庫的回波強(qiáng)度作為輸入，低層0.5°仰角無遮擋區(qū)域回波強(qiáng)度作為標(biāo)簽數(shù)據(jù)，構(gòu)建訓(xùn)練集進(jìn)行回波訂正。米前川等[26]建立干旱預(yù)測模型，分析評價(jià)傳統(tǒng)的整合移動平均自回歸時(shí)間序列模型(Autoregressive Integrated Moving Average Model, ARIMA)以及不同深度神經(jīng)網(wǎng)絡(luò)(deep neural networks，DNN)模型的預(yù)測效果，表明DNN模型的總體預(yù)測能力優(yōu)于ARIMA模型。

本研究以廣州S波段雙偏振天氣雷達(dá)為例，基于深度學(xué)習(xí)算法構(gòu)建垂直填補(bǔ)(vertical echo-filling,VEF)和水平填補(bǔ)(horizontal echo-filling,HEF)兩種網(wǎng)絡(luò)架構(gòu)，根據(jù)兩種架構(gòu)訓(xùn)練得到利用上層無遮擋區(qū)仰角回波填補(bǔ)0.5°仰角遮擋區(qū)的回波，利用左右無遮擋回波填補(bǔ)高仰角遮擋回波的兩類模型，并基于多個(gè)評估指標(biāo)和回波填補(bǔ)實(shí)例對模型進(jìn)行評估。

1 數(shù)據(jù)來源和預(yù)處理

1.1 雙偏振雷達(dá)數(shù)據(jù)

本研究使用的雷達(dá)數(shù)據(jù)來自廣東省廣州S波段雙偏振天氣雷達(dá)(CINRAD/SAD)。該雷達(dá)采用的掃描模式為VCP21降水模式，每6 min完成1次體掃，共觀測9個(gè)仰角層(0.50°，1.45°，2.40°，3.35°，4.30°，6.0°，9.90°，14.6°，19.5°)，距離分辨率為250 m，方位分辨率為1°，探測參量包括反射率因子ZH、差分反射率ZDR、差傳播相移率KDP等，且ZH，ZDR，KDP的最大探測距離均為460 km。圖1為受地形遮擋影響的雷達(dá)遮擋系數(shù)，廣州雷達(dá)在0.5°仰角層的多個(gè)方位均存在不同程度遮擋，抬高仰角后，地形遮擋消失。但受高大建筑或者是避雷針影響，在224°～227°，280°～282°，288°～292°，297°～299° 4個(gè)方位存在較為嚴(yán)重遮擋，最高遮擋至4.3°仰角，嚴(yán)重影響偏振量精度。

1.2 數(shù)據(jù)預(yù)處理

深度學(xué)習(xí)建模過程中，數(shù)據(jù)清洗是關(guān)鍵環(huán)節(jié)。在生成訓(xùn)練集之前，對雷達(dá)基數(shù)據(jù)進(jìn)行質(zhì)量控制處理，采用中國氣象科學(xué)院災(zāi)害天氣國家重點(diǎn)實(shí)驗(yàn)室天氣雷達(dá)團(tuán)隊(duì)研發(fā)的質(zhì)量控制算法，濾除地物雜波、孤立回波和平滑回波等[27-29]。訓(xùn)練集的標(biāo)簽值為0.5°仰角的回波值，輸入特征值為0.5°仰角對應(yīng)的上層仰角回波值和左右徑向回波值。

此外，為了去除無回波和極弱回波對模型訓(xùn)練的影響，本研究將ZH<-5 dBZ和無回波的點(diǎn)均賦予較低的反射率因子(-20 dBZ)，將ZDR<0 dB和無回波的點(diǎn)設(shè)為-5 dB，將KDP<0°·km-1和無回波的點(diǎn)設(shè)為-5°·km-1。對雷達(dá)數(shù)據(jù)進(jìn)行質(zhì)量控制和預(yù)處理之后，本研究采用min-max標(biāo)準(zhǔn)化方法[30]對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化(式1)，將數(shù)據(jù)映射到[0,1]區(qū)間。

(1)

式(1)中，若y為ZH，則ymin=-20 dBZ，ymax=70 dBZ；若y為ZDR，則ymin=-5 dB，ymax=5 dB；若y為KDP，則ymin=-5°·km-1，ymax=5°·km-1。

1.3 構(gòu)建訓(xùn)練集

共統(tǒng)計(jì)2017—2020年4—9月回波面積較大的280個(gè)體掃數(shù)據(jù)?？紤]到KDP對部分遮擋不敏感，因此本研究主要訓(xùn)練ZH，ZDR的遮擋填補(bǔ)模型。

1.3.1 構(gòu)建垂直填補(bǔ)模型訓(xùn)練集

針對僅0.5°仰角存在遮擋的區(qū)域，利用上層多個(gè)仰角、徑向、距離庫的三維數(shù)據(jù)構(gòu)建訓(xùn)練集。由圖1可知，廣州雙偏振天氣雷達(dá)在270°～300°和210°～240°方位基本不存在遮擋，因此選擇這兩個(gè)區(qū)域作為無遮擋區(qū)域，選取該區(qū)域數(shù)據(jù)構(gòu)建訓(xùn)練集。將0.5°仰角的回波作為訓(xùn)練集的標(biāo)簽值，以及與標(biāo)簽位置對應(yīng)的9個(gè)方位、9個(gè)距離庫和N個(gè)仰角層內(nèi)的N×9×9的回波作為特征值。

在構(gòu)建訓(xùn)練集時(shí)，本研究將考慮以下3個(gè)方面：①由圖1可知，0.5°仰角20 km內(nèi)基本不存在遮擋，且近距離容易受雷達(dá)旁瓣的影響，因此在構(gòu)建垂直填補(bǔ)模型時(shí)，僅選擇20 km以外的數(shù)據(jù)。②回波經(jīng)過融化層的演變過程較為復(fù)雜，為了盡量避免融化層的影響，本研究取華南地區(qū)5—9月融化層最低高度[31]，即5 km以下高度的回波作為訓(xùn)練集。4.3°，3.3°，2.4°，1.5° 4個(gè)仰角層的起始融化層高度對應(yīng)的斜距分別約為54，68，88，120 km，因此，兼顧多數(shù)雷達(dá)產(chǎn)品的有效應(yīng)用距離，本研究將雷達(dá)0.5°仰角斜距劃分為[20 km,54 km)，[54 km,68 km)，[68 km,88 km)，[88 km,120 km] 4個(gè)距離段，分別訓(xùn)練回波填補(bǔ)模型。③雷達(dá)波束隨距離展寬，同時(shí)缺少高仰角回波，因此每個(gè)距離段輸入特征值的仰角數(shù)N分別為4，3，2，1。將0.5°仰角的ZH和ZDR分別作為標(biāo)簽值，對應(yīng)上層的ZH，ZDR，KDP值作為輸入特征值。

ZH垂直填補(bǔ)模型4個(gè)分段的數(shù)據(jù)量分別為464570組、502734組、686063組、703405組，ZDR垂直填補(bǔ)模型4個(gè)分段的總數(shù)據(jù)量分別為747610組、400506組、402506組、787623組，其中80%用于訓(xùn)練，20%用于測試。

1.3.2 構(gòu)建水平填補(bǔ)模型訓(xùn)練集

針對遮擋仰角較高的區(qū)域，利用同一仰角左右相鄰的多個(gè)徑向、距離庫的數(shù)據(jù)構(gòu)建訓(xùn)練集。廣州S波段雙偏振天氣雷達(dá)有4個(gè)方位到高層均存在明顯遮擋，其中224°～227°，280°～282°，297°～299° 3個(gè)方位在0.5°仰角有3個(gè)徑向存在遮擋，288°～292°在0.5°仰角有5個(gè)徑向存在遮擋。因此本研究提出采用同一仰角的左右徑向波束來進(jìn)行填補(bǔ)，并分別構(gòu)建3根徑向和5根徑向填補(bǔ)模型。同樣選擇1.3.1節(jié)中的無遮擋區(qū)，將0.5°仰角其中3根連續(xù)徑向或5根連續(xù)徑向的ZH和ZDR分別作為標(biāo)簽值，將左右相鄰徑向的ZH，ZDR，KDP作為輸入特征值。對于3根徑向填補(bǔ)模型，當(dāng)最中心徑向作為標(biāo)簽值時(shí)，則取非遮擋方位的左右3根徑向及前后取3個(gè)距離庫的值作為特征值，當(dāng)標(biāo)簽值在偏左或偏右的徑向時(shí)，特征值則相應(yīng)地向左或向右增加1根徑向，并且向右或向左減少1根徑向。5根徑向填補(bǔ)模型與3根徑向填補(bǔ)模型取值類似。ZH3根徑向填補(bǔ)模型和5根徑向填補(bǔ)模型的數(shù)據(jù)量分別為191638組、296993組，ZDR3根徑向填補(bǔ)模型和5根徑向填補(bǔ)模型的數(shù)據(jù)量分別為161665組、269591組，其中80%用于訓(xùn)練，20%用于測試。

2 設(shè)計(jì)填補(bǔ)網(wǎng)絡(luò)架構(gòu)

深度學(xué)習(xí)一般由輸入層以及多個(gè)不同神經(jīng)網(wǎng)絡(luò)的隱藏層、輸出層構(gòu)成。卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)算法之一，可以提取數(shù)據(jù)的空間特征[32]。

以ZH為例，圖2a為ZH垂直填補(bǔ)(VEF)網(wǎng)絡(luò)架構(gòu)，經(jīng)多次試驗(yàn)，對于ZH通道，該架構(gòu)設(shè)計(jì)包含2個(gè)卷積層和1個(gè)全連接層的多層神經(jīng)網(wǎng)絡(luò)，全連接層均設(shè)置為線性層，對于ZDR和KDP通道，設(shè)計(jì)只包含2個(gè)線性層的多層神經(jīng)網(wǎng)絡(luò)，通過1個(gè)線性層將3個(gè)通道進(jìn)行輸出。對于ZDR垂直填補(bǔ)，圖2a中交換ZH，ZDR位置，即ZDR包含卷積層，ZH和KDP全部為線性層(圖略)。圖2b為水平填補(bǔ)(HEF)網(wǎng)絡(luò)架構(gòu)，ZH，ZDR，KDP通道均采用2個(gè)線性層，對ZH填補(bǔ)時(shí)，ZH通道采用與ZDR，KDP通道不同的參數(shù)，即增加ZH各層的節(jié)點(diǎn)數(shù)以增強(qiáng)對ZH的訓(xùn)練效果，通過1個(gè)線性層將3個(gè)通道進(jìn)行輸出。同理，對ZDR填補(bǔ)時(shí)，ZDR通道的每1層相應(yīng)地增加節(jié)點(diǎn)數(shù)量。

此外，為了避免過擬合，增強(qiáng)模型的泛化能力，每1層之間增加隨機(jī)丟棄層，即在每次訓(xùn)練過程中丟棄掉20%神經(jīng)元的輸出。對于3個(gè)通道每層的激活函數(shù)，經(jīng)過試驗(yàn)后均設(shè)置為ReLU函數(shù)。

3 模型訓(xùn)練

在深度學(xué)習(xí)訓(xùn)練過程中，通過誤差的反向傳播，將每次模型估算值與訓(xùn)練集的真實(shí)值進(jìn)行比較，并通過損失函數(shù)計(jì)算估算值和真實(shí)值之間的損失值，將損失值再通過優(yōu)化器調(diào)整每個(gè)隱藏層每個(gè)節(jié)點(diǎn)的權(quán)重值。實(shí)質(zhì)上，通過建立深度學(xué)習(xí)模型最小化損失函數(shù)，該損失函數(shù)衡量在給定數(shù)據(jù)集上與完美的差距。在回歸問題中，常用均方根誤差作為損失函數(shù)。采用的估算精度評價(jià)指標(biāo)分別為解釋方差、平均絕對偏差和相關(guān)系數(shù)。

3.1 垂直填補(bǔ)模型

首先用訓(xùn)練集數(shù)據(jù)訓(xùn)練得到ZH和ZDR4個(gè)距離段垂直填補(bǔ)模型，再將測試集數(shù)據(jù)輸入模型，得到0.5°仰角ZH和ZDR模型估算值與真實(shí)值的散點(diǎn)圖如圖3所示，其中色標(biāo)代表散點(diǎn)高斯核密度估計(jì)值[33]，值越大，代表該處散點(diǎn)越密集。

由圖3可知，除了個(gè)別點(diǎn)誤差較大，4個(gè)距離段模型在測試集上總體表現(xiàn)良好。表1為ZH垂直模型不同距離訓(xùn)練模型的估算值和真實(shí)值定量評估結(jié)果。[20 km,54 km)，[54 km,68 km)，[68 km,88 km) 3個(gè)距離段估算值和真實(shí)值的解釋方差均約為0.90，平均絕對偏差均在2 dB以下，相關(guān)系數(shù)也均在0.95以上(達(dá)到0.001顯著性水平)。由于距離雷達(dá)越遠(yuǎn)，波束展寬越大，[88 km,120 km]距離段表現(xiàn)稍差，但其測試集的解釋方差也在0.80以上，平均絕對偏差在2.5 dB以下，相關(guān)系數(shù)均在0.90 以上(達(dá)到0.001顯著性水平)?？梢?，ZH垂直填補(bǔ)模型表現(xiàn)較好，準(zhǔn)確率較高。從ZDR的評估結(jié)果看，雖然解釋方差較低，但平均絕對偏差均約為0.15 dB，相關(guān)系數(shù)均在0.85以上(達(dá)到0.001顯著性水平)，ZDR垂直填補(bǔ)模型表現(xiàn)也較好，基本滿足對雷達(dá)數(shù)據(jù)的精度要求。

表1 ZH和ZDR垂直填補(bǔ)模型不同距離段評估結(jié)果Table 1 Evaluation of each section in ZH and ZDR vertical echo-filling models

3.2 水平填補(bǔ)模型

圖4為ZH和ZDR水平填補(bǔ)模型不同填補(bǔ)徑向數(shù)的模型估算值和真實(shí)值散點(diǎn)圖，表2為ZH和ZDR水平填補(bǔ)模型不同填補(bǔ)徑向數(shù)的模型估算值和真實(shí)值的定量評估結(jié)果。ZH和ZDR水平填補(bǔ)模型的解釋方差均能達(dá)到0.80，平均絕對偏差分別約為2.0 dB 和0.1 dB，相關(guān)系數(shù)均大于0.90(達(dá)到0.001顯著性水平)?？傮w上，4個(gè)水平填補(bǔ)模型均表現(xiàn)較好，準(zhǔn)確率高。特別地，由于5根徑向填補(bǔ)模型的遮擋更嚴(yán)重，遮擋波束更寬，因此不論從散點(diǎn)圖還是定量評估結(jié)果看，5根徑向填補(bǔ)模型比3根徑向填補(bǔ)模型表現(xiàn)略差。

表2 ZH和ZDR水平填補(bǔ)模型不同填補(bǔ)徑向數(shù)的評估結(jié)果Table 2 Evaluation of different fill radial numbers in ZH and ZDR horizontal echo-filling models

4 模型應(yīng)用

選取廣州SAD天氣雷達(dá)2019年8月25日11：36(世界時(shí)，下同)、2019年5月8日03：54和2020年6月6日08：54測得的3個(gè)體掃數(shù)據(jù)進(jìn)行驗(yàn)證。對于1.1節(jié)中提到的僅0.5°仰角存在遮擋的方位，劃分4個(gè)距離段，分段輸出0.5°仰角對應(yīng)上層4，3，2，1個(gè)仰角的各81(9×9)個(gè)距離庫的ZH，ZDR，KDP作為輸入因子，分別利用4種垂直回波填補(bǔ)模型，分別得到0.5° 仰角層ZH和ZDR估算值。對于1.1節(jié)中提到的遮擋仰角較高的方位，將遮擋徑向左右相應(yīng)42個(gè)距離庫的ZH，ZDR，KDP輸出作為輸入因子，分別利用2種水平填補(bǔ)模型，得到0.5°仰角層的ZH和ZDR估算值。利用無遮擋方位的真實(shí)值，對模型進(jìn)行評估。

4.1 個(gè)例1

圖5為2019年8月25日11：36模型填補(bǔ)的0.5° 仰角ZH和ZDR的PPI(plan position indicator)對比圖，圖5a和圖5c分別為ZH和ZDR真實(shí)值，圖5b和圖5d分別為ZH和ZDR估算值。表3為無遮擋區(qū)(方位120°～210°，斜距20～120 km)評估結(jié)果。

由圖5可見，該個(gè)例既有回波較強(qiáng)的積云，也有回波較弱的層云，ZH主要分布在10～60 dBZ，ZDR主要分布在0.2～3.0 dB。雖然模型對10 dBZ左右特別弱的ZH估算值偏強(qiáng)，對于較小的ZDR(小于1.0 dB)估算準(zhǔn)確率相對較低，估算值較真實(shí)值偏弱；對于較大的ZDR(大于1.0 dB)估算則準(zhǔn)確率較高，回波區(qū)域和回波強(qiáng)度估算均較準(zhǔn)確。總體上，模型對回波的填補(bǔ)與真實(shí)值基本一致。對于有明顯遮擋的區(qū)域(紅色橢圓區(qū)域)，填補(bǔ)前該區(qū)域回波強(qiáng)度整體偏弱，且云系結(jié)構(gòu)破碎不明顯，填補(bǔ)后對流系統(tǒng)和層狀云系統(tǒng)的結(jié)構(gòu)均更加清晰。由表3可知，[20 km,54 km)和[54 km,68 km)兩個(gè)距離段ZH和ZDR評估結(jié)果的解釋方差和相關(guān)系數(shù)均在0.90以上(達(dá)到0.001顯著性水平)，平均絕對偏差也均約為1 dB 和0.03 dB；[68 km,88 km)和[88 km,120 km]兩個(gè)距離段由于距離雷達(dá)較遠(yuǎn)，受波束展寬的影響評估結(jié)果較差，但解釋方差也約為0.80，平均絕對偏差約為2 dB和0.03 dB，相關(guān)系數(shù)在0.85以上(達(dá)到0.001顯著性水平)?？傮w上，垂直填補(bǔ)模型實(shí)現(xiàn)了對ZH和ZDR的有效填補(bǔ)。

表3 2019年8月25日11：36無遮擋區(qū)回波填補(bǔ)不同距離段評估結(jié)果Table 3 Evaluation of echo-filling of each section in the unblocked area at 1136 UTC 25 Aug 2019

4.2 個(gè)例2

圖6為2020年6月6日08：54模型填補(bǔ)的0.5° 仰角ZH和ZDR第二象限的PPI對比圖，圖6a和圖6c分別為ZH和ZDR真實(shí)值，圖6b和圖6d分別為ZH和ZDR模型估算值。表4為無遮擋區(qū)(方位300°～330°)觀測值和估算值的評估結(jié)果。由圖6可見，該個(gè)例以大面積強(qiáng)回波為主，回波強(qiáng)度ZH主要分布在30～60 dBZ，ZDR主要分布在1.0～5.0 dB。對比填補(bǔ)前后，模型對回波的填補(bǔ)與真實(shí)值基本一致，對于有明顯遮擋的區(qū)域回波也有一定的訂正效果。另外，從表4的評估指標(biāo)看，ZH和ZDR評估結(jié)果的解釋方差和相關(guān)系數(shù)均在0.90左右(達(dá)到0.001顯著性水平)，平均絕對偏差分別約為2.0 dB和0.03 dB?？傮w上，模型對強(qiáng)回波云系有較好的填補(bǔ)效果。

表4 2020年6月6日08：54無遮擋區(qū)回波填補(bǔ)不同距離段的評估結(jié)果Table 4 Evaluation of echo-filling of each section in the unblocked area at 0854 UTC 6 Jun 2020

4.3 個(gè)例3

圖7為2019年5月8日03：54模型填補(bǔ)的0.5°仰角ZH和ZDR第二象限的PPI對比圖，圖7a和圖7c分別為ZH和ZDR真實(shí)值，圖7b和圖7d分別為ZH和ZDR模型的估算值。表5為無遮擋區(qū)(方位300°～330°)真實(shí)值和估算值的評估結(jié)果。由圖7可見，該個(gè)例以大面積弱回波為主，回波強(qiáng)度ZH主要分布在20～35 dBZ，ZDR主要分布在0.2～1.5 dB。對比填補(bǔ)前后，模型對回波的填補(bǔ)與真實(shí)值基本一致，對于有明顯遮擋的區(qū)域回波也有一定的訂正效果。另外，從表5的評估指標(biāo)看，ZH和ZDR評估結(jié)果的解釋方差和相關(guān)系數(shù)均在0.90左右(達(dá)到0.001顯著性水平)，平均絕對偏差分別小于2.4 dB和0.04 dB?？傮w上，模型對弱回波云系也有一定的填補(bǔ)效果。

表5 2019年5月8日03：54無遮擋區(qū)回波填補(bǔ)不同距離段的評估結(jié)果Table 5 Evaluation of echo-filling of each section in the unblocked area at 0354 UTC 8 May 2019

5 小 結(jié)

本研究以廣州S波段雙偏振天氣雷達(dá)為例，利用卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)方法，構(gòu)建VEF和HEF兩種網(wǎng)絡(luò)架構(gòu)。利用無遮擋區(qū)ZH，ZDR,KDP構(gòu)建訓(xùn)練集，建模填補(bǔ)遮擋區(qū)的ZH和ZDR。針對只有0.5°仰角存在遮擋的區(qū)域，基于VEF架構(gòu)利用上層多個(gè)仰角、徑向、距離庫的三維數(shù)據(jù)多模態(tài)建模；針對遮擋仰角較高的區(qū)域，基于HEF架構(gòu)，利用左右相鄰多個(gè)徑向、距離庫多模態(tài)建模，使得遮擋填補(bǔ)更準(zhǔn)確。

1) 相較于之前單偏振雷達(dá)僅用強(qiáng)度作為輸入因子對回波強(qiáng)度進(jìn)行填補(bǔ)，雙偏振雷達(dá)的遮擋回波填補(bǔ)增加了偏振參量ZDR，KDP作為輸入用多模態(tài)建模，實(shí)現(xiàn)了對ZH，ZDR的填補(bǔ)，且ZH的填補(bǔ)效果也較單因子輸入填補(bǔ)效果更好。

2) 劃分4個(gè)距離段，不同距離段選擇不同的仰角輸入，分段建?？杀苊馊诨瘜佑绊?，提高訓(xùn)練效果。

3) 多個(gè)評估指標(biāo)定量評估及填補(bǔ)圖像對比表明：利用深度學(xué)習(xí)算法對天氣雷達(dá)低層仰角遮擋回波的填補(bǔ)效果較好，填補(bǔ)結(jié)果能夠有效提高天氣雷達(dá)數(shù)據(jù)質(zhì)量，改進(jìn)雷達(dá)定量降水估測、相態(tài)識別等二次產(chǎn)品的準(zhǔn)確性。