基于改進卷積技術的雷達回波圖像質量控制方法研究

聶道洋 ，肖安，夏侯杰

(1.江西省撫州市氣象局，撫州344000；2.江西省氣象臺江西省氣象局天氣預報開放實驗室,南昌330096)

引 言

強對流天氣是導致氣象災害的重要天氣類型，與中小尺度天氣系統(tǒng)關系密切(俞小鼎和鄭永光，2020)，天氣雷達則是探測中小尺度天氣系統(tǒng)的有力工具(羅義等，2021)，在雷暴大風(朱平和俞小鼎，2019；黃小彥，2020；楊曉亮等，2020)、冰雹(何炳文等，2020；楊吉等，2020；曾勇等，2020)、暴雨(何鈺等，2021；蘇愛芳等，2021；張曉輝等，2022)、龍卷(周后福等，2014；黃先香等，2018；邱陽陽等，2021)等強對流天氣的預報預警中發(fā)揮了巨大作用。近年來，隨著人工智能技術的迅猛發(fā)展，采用機器學習、深度學習等對雷達回波進行智能識別、短臨外推等方法越來越多。張文海和李磊(2019)通過貝葉斯分類法對正、負樣本數(shù)據(jù)集進行機器學習，檢驗結果表明人工智能算法比傳統(tǒng)概念模型法命中率高9%。顧建峰等(2020)采用TrajGRU技術(Zhang et al.，2021)，初步建立了三維雷達回波智能臨近預報模型，結合地面觀測資料和U-NET技術(Ronneberger et al.，2015)，對雷暴大風和冰雹進行智能識別。這些方法需依賴大量歷史雷達圖像數(shù)據(jù)集進行學習建模，才有可能使人工智能學習到歷史數(shù)據(jù)多種特征，最終建立泛化性能較好的分類、回歸模型。但如果歷史雷達圖像中存在較多的錯誤數(shù)據(jù)干擾，甚至一些僅有1個或數(shù)個像素點大小的雜波，都可能導致特征學習出現(xiàn)異常(Elsayed et al.，2018)。因此雷達數(shù)據(jù)集的質量至關重要。

雷達在實際業(yè)務觀測中，經常會遇到一些非氣象回波的干擾，如地物回波、超折射回波、同波長干擾回波、飛機船只等回波、海浪回波、由天線輻散特性造成的虛假回波等(張培昌等，2001)。這些虛假回波會嚴重影響歷史觀測數(shù)據(jù)集質量，因此有必要在使用之前對雷達回波進行質量控制，盡量剔除虛假回波的干擾。馬中元等(2010)采用非雷達資料(云圖、自記雨量和閃電數(shù)據(jù))排除地物雜波，采用統(tǒng)計“突變率”、兩層仰角疊加分析和改進型中值濾波算法去除數(shù)據(jù)雜波。仰美霖等(2018)等將5×5 區(qū)域內的中心點周圍有效值少于某一閾值時，將中心點賦為無效值；利用有效回波的連續(xù)性，記錄總庫數(shù)的最大、最小值，判斷是否為條幅狀干擾回波等。魏鳴等(2019)采用支持向量機進行地物雜波的識別，并與人工神經網絡識別結果進行對比，發(fā)現(xiàn)支持向量機的效果更好。文浩等(2020)采用模糊邏輯方法對徑向分布的條幅狀干擾回波進行了識別，通過建立隸屬函數(shù)和閾值，對徑向干擾回波和降水回波的識別和消除效果較好。

以上雷達回波質量控制方法雖然可以有效消除多種非氣象回波的干擾，但也存在較多的問題。首先，需要使用多種資料來協(xié)助剔除虛假回波，這需要所有觀測數(shù)據(jù)全部到達后才能進行，會增加雷達回波圖像到達用戶手中的滯后時間；當其它資料有缺失時，質控效果也會有所降低。其次，采用統(tǒng)計或者機器學習方法需要提供已經區(qū)分好的歷史數(shù)據(jù)進行學習和統(tǒng)計，而這些歷史數(shù)據(jù)也需要事先進行人工整理。在人工智能數(shù)據(jù)集制作過程中，面對大量雷達反射率圖像時(周康輝等，2021；程文聰?shù)龋?020)，如何快速提取所需雷達回波并進行質量控制，也是一個問題。第三，之前的雷達反射率因子質量控制方法大多從基數(shù)據(jù)入手，采用時間、空間特征分析方法對雷達反射率因子進行質量判斷，計算較為繁瑣，耗時也長，考慮的因素也多。但實際工作中發(fā)現(xiàn)，預報員從單張雷達反射率因子回波圖像中，用較短時間就能確定非氣象回波、弱回波、降水回波等多種特征回波，表明單張雷達回波圖像上確實包含可以區(qū)分這些回波的特征信息。而深度學習核心技術的卷積技術正是尋找圖像特征最有利的工具之一。本文利用不同形狀的卷積核，通過改進后的卷積技術，實現(xiàn)對任意雷達反射率因子圖像的質量控制，能夠根據(jù)需求快速剔除任意雷達反射率因子圖像中多種形狀、大小的非氣象回波和弱回波。該方法經過在江西省氣象臺長期運行，可以滿足大部分業(yè)務和科研需求。

1 資料來源與研究方法

1.1 資料來源

本文所用資料為南昌(115.91°E，28.67°N)多普勒雷達基本反射率因子圖像，江西省及鄰省雷達組合反射率因子拼圖。其中基本反射率因子以1.5°仰角為例挑選具有多種回波圖像進行質量控制說明。

1.2 研究方法

本文采用自定義卷積核和改進卷積方法來對雷達反射率拼圖進行質量控制。常規(guī)卷積核在圖像處理上有較廣泛的用途，Prewitt 算子(Seung-Ju et al.，2009)、Sobel 算子(Qu et al.，2005)等一系列濾波算子，很早就被用于邊緣檢測等工作中，也被稱為Filter，其主要計算公式如下

其中，f(i，j)為卷積核，i、j分別為卷積核x和y坐標方向上的格點數(shù)量；g(u，v)為輸入的2D圖像，u、v分別為圖像x和y坐標方向上的格點數(shù)量，*指卷積核在2D圖像上的卷積操作。其中u＞i,v＞j,a是卷積核f格點上的值，b是圖像g格點上的值。

有時為了卷積后的圖像與之前的圖像尺寸大小保持一致，需要將輸入的2D圖像用0值對圖像進行填充(Padding)操作(圖1a)。因此公式(1)更改為

其中，U和V分別是進行填充操作以后的圖像長度和高度，分別為U=u+i-1，V=v+j-1，帶入公式(2)可得

從公式(3)可見，原始圖像經過0值填充后(圖1a)，再利用卷積核(圖1b)進行卷積，可以得到一個新的圖像，且圖像大小與原輸入圖像保持一致(圖1c)。該新圖像每個格點的值為原始圖像格點與卷積核卷積后的格點值之和。因此，a×b后的值再進行相加，可以有效放大不同特征之間的區(qū)別，有利于卷積操作中尋找不同特征，這也是卷積操作在深度學習中的核心地位原因之一。本文僅需要剔除異常格點值，保留正常值，因此不需要執(zhí)行a×b后再相加這一步驟。設原圖像某格點值為b1，則該格點卷積后的值p為

其中，t為根據(jù)不同卷積核設定的閾值，在本文中是雷達反射率因子值，根據(jù)不同卷積核的作用分別給定相應的閾值t。計算步驟為：首先根據(jù)公式(3)，從圖像左上角開始與卷積核進行計算，得到每個格點的z值；其次根據(jù)公式(4)，當z值超過閾值t時，格點值為b1，否則該格點值為0，最后得到一個卷積后的值(圖1d)。經過公式(4)計算后可以看到，當閾值設定為11時，圖1d中大值數(shù)據(jù)基本被保留下來，而小值數(shù)據(jù)被剔除。表明該方法確實可以保留圖像的主要特征，剔除一些不重要的特征。同時，該方法也存在一些圖像信息丟失現(xiàn)象，信息丟失程度與閾值取值有關。

圖1 經過填充后的圖像格點值(a)、卷積核(b)、常規(guī)卷積后的格點值(c)、改進卷積后的格點值(d)示意圖Fig.1 The(a)grid values of image after padding,(b)convolution kernel,(c)the grid values after conventional convolution,(d)the grid values after improved convolution

2 雷達反射率因子回波的質量控制

在雷達反射率因子回波上，非氣象類回波經常呈現(xiàn)孤立點狀和射線狀(張培昌等，2001)。在2016 年4月15日01時26分(世界時，下同)南昌雷達1.5°仰角基本反射率圖(圖2)中，A1、A2、A3均為孤立點狀回波，其中A1由大量孤立點狀回波構成的孤立點回波群，包含一個或多個像素點組成的離散孤立點回波；A2是較為典型的孤立點狀回波，雖然由數(shù)個像素組成，但并不是真正的天氣回波；A3面積較大，嚴格來說已經不再是孤立點狀回波，本文稱為準孤立點狀回波。射線狀回波B也是雷達反射率因子回波中經常見到的非氣象類回波，在雷達信號處理器異常，信號受到外部電磁干擾時，雷達會觀測到沿徑向分布的條幅狀干擾回波(文浩等，2020)。地物回波也是較為常見的非氣象類回波，且這種回波經常覆蓋范圍較大，無論是在平常預報業(yè)務當中，還是在制作雷達回波數(shù)據(jù)集時，都容易造成誤判，是必須要剔除的雜波，詳見2.3 節(jié)。此外，如果研究對象僅關注較強回波，那弱回波C也需要剔除。

圖2 2016年4月15日01時26分南昌雷達1.5°仰角基本反射率圖(單位:dBz;A1為孤立點回波群,A2為孤立點狀回波,A3為準孤立點回波;B為射線狀回波;C為弱回波)Fig.2 The radar echo reflectivity(unit:dBz)at 1.5°elevation angle from Nanchang Doppler weather radar at 01:26 UTC on 15 April 2016(A1,A2 and A3 indicate the isolated points echo group,a isolated point echo and a similar isolated point echo,respectively.B indicate radial echo,and C indicate weak echoes

2.1 孤立點狀回波的質量控制

對于1 個像素點大小的孤立回波，可以采用圖3a的卷積核(以下簡稱孤立卷積核I)；對于9 個像素點以內(長、寬均不超過3 個像素)的孤立回波，可以采用圖3b的卷積核(以下簡稱孤立卷積核II)進行卷積。經過測試，孤立卷積核I的閾值取10 dBz，孤立卷積核II的閾值取30 dBz，消除孤立點狀回波效果最好。從圖3b中也可知，如果孤立回波的長或寬超過了3個像素，采用孤立卷積核II是無法消除的，需要經過多次卷積操作，才可能消除，甚至無法完全消除。長、寬均超過3個像素的像素群則無法被消除。長、寬均超過5 個像素的像素群已經不再是孤立點狀回波，也不能被這2個卷積核給消除。利用孤立卷積核I對圖4a進行卷積后可以看到，A1孤立回波群中1 個像素大小的回波全部被剔除(圖4b)，A2、A3及左下方的高回波區(qū)均得以保留。利用孤立卷積核II進行卷積后發(fā)現(xiàn)，A1孤立回波群中更多的多像素孤立回波被剔除；A2孤立點狀回波也被剔除了4個像素點，僅剩3個像素點(圖4c)。對圖4c用孤立卷積核II再進行一次卷積，A1的零散孤立點狀回波進一步被剔除，A2則完全被剔除(圖4d)。幾次操作中可以看到，雖然A3的面積比A2略大一些，但沒有受到卷積核卷積的影響，仍保持相同大小，證明這兩種卷積核造成的圖像信息丟失程度較低。

圖3 孤立卷積核I(a)和孤立卷積核II(b)Fig.3 The isolated convolution kernel type I(a)and type II(b)

圖4 2016年4月15日01時26分南昌雷達1.5°仰角基本反射率原始圖像局部(a)、經過孤立卷積核I卷積1次后的圖像(b)、經過孤立卷積核II卷積1次后的圖像(c)及經過孤立卷積核II卷積2次后效果圖(d)Fig.4(a)The local reflectivity echo image(unit:dBz)at 1.5°elevation angle from Nanchang Doppler weather radar at 01:26 UTC on 15 April 2016,(b-d)the images that convoluted 1 time,1 times and 2 times by isolated convolution kernel type I,type II and type II,respectively

2.2 線狀回波的質量控制

上述兩種卷積核能夠較好地解決孤立點回波的剔除，但對其他較大面積的線狀回波則無法勝任，如果需要剔除的虛假回波形狀較為復雜，例如射線狀虛假回波，基本上無法剔除。為此，需要針對線狀回波等線性非氣象類回波設計新的卷積核方案。

線狀非氣象類回波在雷達反射率圖上經常表現(xiàn)為一條等寬(圖5a—d)或射線狀的線狀回波(圖5e、f)，其中等寬線狀回波的長或寬不會有明顯變化，射線狀回波越遠離圖像中央，線寬越大。圖5a、b分別是水平和垂直等寬線狀回波，圖5c、d分別是不同方向的傾斜等寬線狀回波，圖5e、f分別是不同方向的射線狀回波。

圖5 水平等寬線狀回波(a)、垂直等寬線狀回波(b)、傾斜等寬線狀回波(東北-西南向)(c)、傾斜等寬線狀回波(西北-東南向)(d)、傾斜射線回波(東北-西南向)(e)、傾斜射線回波(西北-東南向)(f)等線狀非氣象回波示意圖Fig.5 Schematic diagrams of linear non meteorological echo for(a)horizontal,(b)vertical,tilt equal width linear echo in(c)northeast-southwest,(d)northwest-southeast,and tilt radial echo in(e)northeast-southwest,(f)northwest-southeast

針對圖5a的水平線狀回波，可以采用上下為1，中間為0 的卷積核來進行卷積操作(圖6a)；針對圖5b 的垂直線狀回波，可以采用左右為1，中間為0的卷積核來進行卷積操作(圖6b)。圖5c、d都是傾斜線狀回波，僅方向不一樣，需要分別制作一個卷積核(圖6c、d)，來剔除不同方向的等寬線狀回波。以上4種卷積核可以有效剔除橫截面積不超過3個像素點的線性回波。由于回波圖中經常同時存在水平、垂直線狀回波，還有兩個方向的傾斜線狀回波，因此經常兩兩混合使用。

圖6 水平等寬卷積核(a)、垂直等寬卷積核(b)、傾斜等寬卷積核(東北-西南向)(c)、傾斜等寬卷積核(西北-東南向)(d)、射線卷積核I(東北-西南向)(e)、射線卷積核I(西北-東南向)(f)、射線卷積核II(東北-西南向)(g)、射線卷積核II(西北-東南向)(h)、射線卷積核III(東北-西南向)(i)Fig.6(a)Horizontal,(b)vertical convolution kernel,tilt equal convolution kernel in(c)northeast-southwest,(d)northwest-southeast,the radial convolution kernel type I and II in(e)northeast-southwest,(f)northwest-southeast,and(i)the radial convolution kernel type III in northeast-southwest

在實際回波圖中應用可以看到，在利用水平、垂直卷積核對圖7a 進行卷積后(圖7b)，A1孤立回波群的非氣象回波大量減少，僅剩余4個較大孤立回波團，A2回波面積大幅度減少，表明水平、垂直卷積核較好的對這種孤立小回波進行了質控。利用傾斜卷積核卷積后的回波圖與圖7b類似(圖7c)，在A1孤立回波群中剩余了4 個較大的回波團，A2回波也完全消失。兩種卷積方案結果相似的原因在于，傾斜線狀回波也可以分解為水平和垂直方向的水平線狀回波。但在回波復雜時，用傾斜卷積核效果比水平、垂直卷積核效果要好些。將水平、垂直卷積核和2 種傾斜卷積核先后卷積后可以發(fā)現(xiàn)(圖7d)，A1孤立回波群中最左側的較大回波團基本被剔除，剩余三個回波團的面積也略有減少。這表明經過多次卷積后，部分非氣象類雜波可以逐漸被剔除，同時也可能會增加圖像信息的丟失。

圖7 2016年4月15日01時26分南昌雷達1.5°仰角基本反射率(單位:dBz)原始圖像局部(a),經水平、垂直卷積核先后卷積(b),經2個傾斜卷積核先后卷積(c),經水平、垂直2個傾斜卷積核先后卷積(d)效果圖Fig.7 The(a)local reflectivity echo image(unit:dBz)at 1.5°elevation angle from Nanchang Doppler weather radar at 01:26 UTC on 15 April 2016,(b)the images that convoluted by horizontal,vertical convolution kernel,(c)by two tilt convolution kernels,(d)by horizontal,vertical,by two tilt convolution kernels in order,respectively

利用圖6a—d的卷積核對射線狀回波進行卷積后發(fā)現(xiàn)，如果射線橫截面沒超過3個像素，則射線會被剔除。但隨著射線遠離圖像中心，寬度會逐漸增加，一旦橫截面超過3 個像素，則不能再被剔除(圖8b)。如果將圖6a—d 的卷積核從5×5 擴大為7×7，0 值區(qū)擴大為5×5，雖然可以剔除更多的射線狀回波，但也可能會剔除更多的正確回波。為此，本文采用圖6e、f的射線卷積核來對射線狀回波進行剔除。雖然卷積核大小仍然是5×5，但傾斜的0值區(qū)域按照3-4-5-4-3交錯排列，使得該卷積核能夠對橫截面為5 像素的射線狀回波進行剔除。雖然射線狀卷積核與前4種線狀卷積核形狀相似，但這種卷積核的閾值要設置的較低才有效果。如本文種射線卷積核的閾值僅為3 dBz，最大不超過5 dBz。只有這樣才不會出現(xiàn)將正常成片回波錯誤剔除。如果射線橫截面寬度達到了7 像素大小，可以采用圖6g—h 的射線狀卷積核來處理。極端條件下，可以采用圖6i的射線狀卷積核進行卷積，該卷積核能處理橫截寬度達到11個像素的射線，但圖像信息丟失程度可能也會相對較高。

圖8a 中的射線狀回波在經過2 個不同方向的傾斜等寬卷積核先后卷積后，在圖像邊緣仍然存在較長的殘存回波(圖8b)；同樣，經過水平、垂直和2個傾斜等寬卷積核先后卷積，也無法徹底解決射線狀回波，在圖像邊緣殘存了一段較短的回波(圖8c)。但利用兩個射線卷積核卷積進行卷積后，射線狀回波已經消失，A1孤立回波群、A2孤立點狀回波也進行了剔除(圖8d)。因此，射線狀回波可以同時完成射線狀回波和孤立點回波的剔除，且效果也較好，消除弱回波區(qū)域比孤立點卷積核消除的面積稍大，圖像信息丟失程度中等。

2.3 地物回波等弱回波的質量控制

經過實驗發(fā)現(xiàn)，圖3 和圖6 的卷積核均無法剔除地物回波及其他一些弱回波，圖8b—d也表明，圖2的弱回波C 和孤立回波A 并沒有完全消除。實際上，這些卷積核也不能剔除地物回波，這是因為這些弱回波區(qū)的回波都是成片連續(xù)的，容易超過閾值導致無法剔除，必須再設計新的卷積核來處理。為此，本文設計了地物回波和弱回波卷積核(圖9)，能有效剔除地物回波及其他弱回波。

圖8 2016年4月15日01時26分南昌雷達1.5°仰角基本反射率(單位:dBz)原始圖像(a),經2個傾斜等寬卷積核先后卷積(b),經水平、垂直、2個傾斜等寬卷積核先后卷積(c),經2個射線卷積核先后卷積效果圖(d)Fig.8 The(a)reflectivity echo image(unit:dBz)at 1.5°elevation angle from Nanchang Doppler weather radar at 01∶26 UTC on 15 April 2016,(b)the images that convoluted by two tilt equal convolution kernels,(c)by horizontal,vertical and two tilt equal convolution kernels,(d)by two radial convolution kernels in order,respectively

當采用圖9的弱回波卷積核時，閾值設置為40 dBz，即斜線方向上3 個格點的dBz 值之和不超過40 dBz，就可以將中間格點值賦為0 dBz，否則仍然取原值。如果設置為30 dBz，弱回波保留的會略多一些；如果設置為50 dBz，弱回波保留的會略少一些，可以根據(jù)需要自行調整。利用弱回波卷積核對圖10a 進行卷積，可以看到絕大部分弱回波區(qū)域、孤立回波區(qū)域和射線狀回波全部被剔除，圖像基本上只保留了20 dBz以上的較強回波區(qū)域(圖10b)；在A1 和A3 區(qū)域還殘留著很少的幾個孤立像素，再用孤立點卷積核或線狀卷積核卷積一遍即可全部去除。圖10c 是2016 年4月15日01時26分江西及周邊省份多部雷達組合反射率因子回波拼圖圖像，可以看到在圖像北部有大量晴空湍流回波，其面積比南部的較強回波面積還要大。這些晴空湍流回波無法用孤立點回波和線狀回波進行消除，但采用弱回波卷積核進行卷積后可以看到，幾乎所有的晴空湍流回波全部被剔除，僅保留了南部較強回波部分，質量控制效果明顯(圖10d)。與前幾個卷積核相比，該卷積核的卷積計算丟失的信息相對是最多的。

圖9 東北-西南向的弱回波卷積核(a)和西北-東南向的弱回波卷積核(b)Fig.9 The weak echo kernel(a)in northeast-southwestand(b)in northwest-southeast

圖10 2016年4月15日01時26分南昌雷達1.5°仰角圖像(a)、經弱回波卷積核卷積后效果圖(b)，以及2020年4月1日19時06分江西及鄰省組合反射率拼圖圖像(c)、經弱回波卷積核卷積后效果圖(d)Fig.10 The(a)reflectivity echo image(unit:dBz)at 1.5°elevation angle from Nanchang Doppler weather radar at 01:26 UTC on 15 April 2016 and(b)convoluted by two weak convolution kernels.The mosaic of composite reflectivity factor image(unit:dBz)from radars over Jiangxi and its surrounding provinces at 19∶06 UTC on 1 April 2020(c)and(d)convoluted by two weak convolution kernels

表1是本文所有卷積核的名稱、作用和建議閾值，建議閾值是利用江西8部雷達5 a反射率圖像進行數(shù)據(jù)質量控制后經過統(tǒng)計、均衡卷積效果后得到(圖6i卷積核出現(xiàn)次數(shù)極少，故沒有統(tǒng)計在內)。可以利用多種卷積核進行多次卷積，以消除局地孤立回波(建議先進行水平、垂直、傾斜射線、弱回波等卷積操作，再利用孤立卷積核消除殘余的孤立像素點)。在實際操作中，可以根據(jù)需要，構造其他形態(tài)的卷積核核閾值，以滿足不同要求。

表1 卷積核名稱、作用和建議閾值Table 1 The name,function and recommended threshold of convolution kernels in this study

3 結論和討論

本文基于卷積計算原理，對常規(guī)卷積方法進行了改進，構造孤立點狀卷積核、線狀卷積核和弱回波卷積核，可以實現(xiàn)對雷達單站回波、組合反射率拼圖中的孤立點回波、線狀回波、地物回波等非氣象類回波和弱回波區(qū)域進行剔除。主要結論如下：

(1)定義改進卷積方法，即對圖像上的某一個格點進行卷積操作z=，當z超過閾值時，格點新值為格點原值，否則格點新值取0。

(2)構造孤立卷積核I 和孤立卷積核II，可以有效剔除1 個像素和9 個像素(長、寬均不超過3 個像素)內的孤立回波；構造水平、垂直卷積核、2 個方向的傾斜卷積核，可以有效剔除孤立點回波、水平方向、垂直方向和傾斜方向的線狀回波(橫截面寬度不超過3 個像素)；構造2個方向的射線卷積核I和射線卷積核II，可以分別有效剔除橫截面寬度不超過5和7個像素的射線狀回波；射線卷積核III則可以剔除橫截面寬度不超過11 像素的射線狀回波；構造弱回波卷積核，可以有效剔除地物回波和弱回波。

(3)不同卷積核的回波剔除能力不一樣，圖像信息丟失程度也有較大區(qū)別，可以根據(jù)需要使用一種或多種卷積核相互配合進行卷積以剔除不需要的回波。同時卷積核構造簡單，使用方便，可以非常容易自定義新的卷積核，以便對更復雜的雷達反射率因子回波進行質量控制操作。

本文使用的改進卷積方法仍然有一定的不足，該方法只能剔除多余的錯誤回波，對缺失(例如遮擋區(qū)域)的回波不能補齊，也不能判斷弱回波是不是真實回波，例如利用弱回波卷積核進行卷積時可能會錯誤地剔除陣風鋒等一些有意義的弱回波區(qū)，因此采用這種方法要充分考慮圖像信息丟失的接受程度。若對弱回波有需求，則盡量采用非弱回波卷積核進行質量控制；若只關注圖像中的強回波形態(tài)變化，則可以采用弱回波卷積核進行質量控制。

通過對江西8 部雷達5 a 反射率圖像的計算和統(tǒng)計，基本確立了在預報業(yè)務和科研工作中的質控方案，即在日常預報業(yè)務中，為了減少圖像信息的丟失程度，主要采取多個非弱回波卷積核組合卷積的方式對雷達回波進行質量控制，這種應用場景下要求剔除非氣象類雜波的時候盡量減少對正?；夭ǖ挠绊?。例如最常用的卷積組合為：“孤立卷積核II”+2 個“傾斜卷積核”+“垂直卷積核”+“水平卷積核”+“孤立卷積核I”+“孤立卷積核II”，并至少執(zhí)行2 遍卷積操作，即可在最大限度保留圖像信息的同時，消除部分非氣象雜波，效果與圖8c類似。在人工智能深度學習等科研工作中，科研人員通過剔除弱反射率回波，讓深度學習模型更關注短時強降水等強對流回波的演變特征，從而提高短時強降水等強對流天氣的預報準確率。通過同一個基于卷積長短期記憶神經網絡方法進行學習預測，經過圖像質控的數(shù)據(jù)集性能比未經圖像質控的應用效果更好。