融合LightGBM的Res Next氣象目標(biāo)細(xì)粒度識(shí)別方法

關(guān)鍵詞：氣象雷達(dá)；氣象目標(biāo)識(shí)別；殘差網(wǎng)絡(luò)；輕量級(jí)梯度提升機(jī)；融合；深度學(xué)習(xí)

中圖分類號(hào)：ＴＮ９５７．５ 文獻(xiàn)標(biāo)志碼：Ａ DOI：１０．１２３０５／ｊ．ｉｓｓｎ．１００１-５０６Ｘ．２０２４．１２．１２

０引言

氣象目標(biāo)識(shí)別對(duì)于保證人類美好生活具有重要意義。氣象雷達(dá)是氣象目標(biāo)識(shí)別的基礎(chǔ)設(shè)施，其依靠發(fā)送和接收電磁波來(lái)獲取大氣中的目標(biāo)相關(guān)信息，通過(guò)雷達(dá)回波對(duì)目標(biāo)位置、特征形態(tài)等信息進(jìn)行判別。常規(guī)多普勒氣象雷達(dá)發(fā)送單一方向電磁波并由回波得到單一方向的反射率因子等參數(shù)。但僅依靠單一方向信息很難反映出氣象目標(biāo)的形態(tài)、空間取向等方面的具體情況，因此無(wú)法實(shí)現(xiàn)對(duì)氣象目標(biāo)的準(zhǔn)確識(shí)別。同時(shí)或交替發(fā)射水平和垂直方向的電磁波代替單一方向回波，可得到兩個(gè)相互垂直極化方向電磁波間的差分反射率、相關(guān)系數(shù)、差分相移率等極化參數(shù)，雙極化氣象雷達(dá)由此誕生。雙極化氣象雷達(dá)憑借這些極化參數(shù)，能更有效地獲取氣象目標(biāo)相態(tài)、類型等方面的具體情況，彌補(bǔ)常規(guī)多普勒氣象雷達(dá)存在的不足，在氣象目標(biāo)識(shí)別領(lǐng)域具有巨大優(yōu)勢(shì)，有力推動(dòng)了氣象目標(biāo)識(shí)別技術(shù)的發(fā)展［１ ７］。

在雷達(dá)實(shí)際工作中，雷達(dá)掃描照射到地面物體或者空中生物時(shí)，其回波除氣象回波以外，還包含非氣象回波。非氣象回波混雜于氣象回波之中，影響氣象回波數(shù)據(jù)質(zhì)量，并影響氣象目標(biāo)分類。所以，對(duì)氣象目標(biāo)的識(shí)別研究一直以來(lái)都是氣象雷達(dá)數(shù)據(jù)質(zhì)量控制的一個(gè)重要內(nèi)容［８１１］。多年來(lái)，模糊邏輯算法作為氣象目標(biāo)識(shí)別領(lǐng)域的主流算法，在氣象目標(biāo)識(shí)別中做出巨大貢獻(xiàn)，但是由于模糊邏輯算法的運(yùn)行需要依靠專家經(jīng)驗(yàn)，通用性不佳［１２］。

針對(duì)傳統(tǒng)模糊邏輯算法存在的不足，研究者們開始將無(wú)需依靠經(jīng)驗(yàn)值的機(jī)器學(xué)習(xí)算法應(yīng)用至氣象目標(biāo)識(shí)別領(lǐng)域。２０１９年，Ｇｏｌｂｏｎ-Ｈａｇｈｉｇｈｉ等［１３］提出一種新的三維判別函數(shù)，作為其所提出的改進(jìn)地雜波識(shí)別算法的一部分，有效區(qū)分天氣信號(hào)與雜波信號(hào)的概率密度函數(shù)，再選用一個(gè)簡(jiǎn)單的貝葉斯分類器，最后做出基于三維判別函數(shù)的最佳決策，從天氣信號(hào)中區(qū)分出雜波。２０２０年，Ｍａ等［１４］指出使用貝葉斯方法可有效完成對(duì)融化層與非融化層的判別，進(jìn)而改善干雪和小雨兩類氣象目標(biāo)的相互誤判。２０２１年，Ｊａｔａｕ等［１５］利用Ｓ波段雷達(dá)的高靈敏度特性，以所提出的鳥類（昆蟲）特征為數(shù)據(jù)驅(qū)動(dòng)，訓(xùn)練出成熟的嶺回歸分類器，結(jié)合水凝物分類算法，有效完成鳥類回波、昆蟲回波與氣象目標(biāo)回波之間的分離工作。２０２２ 年，Ｍａｋｉｎｅｎ等［１６］提出一種有監(jiān)督的貝葉斯概率方法，得到雷達(dá)回波單個(gè)距離元中非氣象回波的細(xì)粒度識(shí)別，有效區(qū)分出７類氣象目標(biāo)和１２類非氣象目標(biāo)。２０２３年，歐陽(yáng)彤等［１７］提出一種基于輕量級(jí)梯度提升機(jī)（ｌｉｇｈｔｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇ ｍａｃｈｉｎｅ，ＬｉｇｈｔＧＢＭ）算法的氣象目標(biāo)分類技術(shù)，實(shí)現(xiàn)中小雨、冰雹、濕雪與雜波的４類氣象目標(biāo)的識(shí)別。

此外，一些研究者開始將可根據(jù)數(shù)據(jù)驅(qū)動(dòng)自動(dòng)優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)（ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ，ＣＮＮ）應(yīng)用于氣象目標(biāo)識(shí)別工作中。２０１９ 年，Ｌｕ 等［１８］首先將雷達(dá)極化參數(shù)等效于圖像通道信息，將氣象目標(biāo)識(shí)別類比于圖像識(shí)別，以５個(gè)ＣＮＮ 為基礎(chǔ)模型，實(shí)現(xiàn)４ 種氣象目標(biāo)的分類過(guò)程，之后以其中識(shí)別最準(zhǔn)確的殘差ＣＮＮ 為最終模型，得到對(duì)４類氣象目標(biāo)的最優(yōu)識(shí)別。２０２０ 年，Ｙｕ 等［１９］使用基礎(chǔ)ＣＮＮ 有效解決機(jī)載氣象雷達(dá)回波識(shí)別領(lǐng)域中氣象目標(biāo)與地雜波的判別問(wèn)題。２０２２ 年，高涌荇等［２０］采用殘差ＣＮＮ解決雙極化氣象雷達(dá)天氣信號(hào)檢測(cè)問(wèn)題，得到比ＣＮＮ、支持向量機(jī)等算法更優(yōu)的識(shí)別結(jié)果，此算法大大提升對(duì)天氣信號(hào)的識(shí)別準(zhǔn)確性。

ＣＮＮ 算法具有強(qiáng)大的數(shù)據(jù)識(shí)別與分類能力，比如文獻(xiàn)［２０］中使用的基于殘差ＣＮＮ 的氣象目標(biāo)識(shí)別方法，具有極其優(yōu)秀的識(shí)別率，但是這種識(shí)別方法需要類比于圖像分類，通過(guò)把切割分塊的極化參量與圖像通道信息進(jìn)行對(duì)應(yīng)，以數(shù)據(jù)樣本粒度單位為塊狀矩陣，識(shí)別結(jié)果也以塊為基本單位并呈塊狀分布，塊內(nèi)占比較少目標(biāo)被忽視，識(shí)別結(jié)果較為粗糙。而在實(shí)際情況中，雷達(dá)獲取信息以雷達(dá)距離單元為基本單位，塊狀樣本單元包含多個(gè)距離單元，且氣象目標(biāo)分類分布往往是離散的、不確定的，導(dǎo)致樣本塊中距離單元類型不唯一。因此，此類算法容易造成塊內(nèi)小區(qū)域的識(shí)別偏差且在分界線上會(huì)出現(xiàn)與實(shí)際天氣分布不符的識(shí)別結(jié)果，識(shí)別精準(zhǔn)度不足。而文獻(xiàn)［１７］中給出的基于ＬｉｇｈｔＧＢＭ算法的氣象目標(biāo)識(shí)別方法以雷達(dá)采樣單元為數(shù)據(jù)樣本進(jìn)行預(yù)測(cè)，能夠有效實(shí)現(xiàn)氣象目標(biāo)細(xì)粒度識(shí)別，但是在識(shí)別準(zhǔn)確度方面仍有較大提升空間。

基于上述分析，本文針對(duì)雙極化雷達(dá)氣象目標(biāo)識(shí)別問(wèn)題，在文獻(xiàn)［１７］和文獻(xiàn)［２０］的研究基礎(chǔ)上，提出融合Ｌｉｇｈｔ-ＧＢＭ 算法細(xì)粒度識(shí)別與ＣＮＮ 高識(shí)別率特性，將殘差網(wǎng)絡(luò)的殘差網(wǎng)絡(luò)（ｒｅｓｉｄｕａｌｎｅｔｗｏｒｋｏｆｒｅｓｉｄｕａｌｎｅｔｗｏｒｋ：ｎｅｘｔｇｅｎｅｒａｔｉｏｎ，ＲｅｓＮｅＸｔ）［２１］與ＬｉｇｈｔＧＢＭ 算法［２２］相結(jié)合，提出一種氣象目標(biāo)識(shí)別方法，簡(jiǎn)稱為ＬｉｇｈｔＧＢＭ-ＲｅｓＮｅＸｔ，實(shí)現(xiàn)對(duì)氣象目標(biāo)高精度且細(xì)粒度的識(shí)別。選用具有快速和準(zhǔn)確選擇能力且性能優(yōu)于殘差網(wǎng)絡(luò)（ｒｅｓｉｄｕａｌｎｅｔｗｏｒｋ，Ｒｅｓ-Ｎｅｔ）的ＲｅｓＮｅＸｔ為第一層算法，得到高精度的粗粒度識(shí)別結(jié)果，再將此結(jié)果與實(shí)際標(biāo)簽的差異值輸入第二層Ｌｉｇｈｔ-ＧＢＭ 分類器，得到符合實(shí)際要求的細(xì)粒度識(shí)別結(jié)果。實(shí)驗(yàn)結(jié)果表明，相對(duì)于ＬｅＮｅｔ （Ｌｅｃｕｎ ｎｅｔ）和ＲｅｓＮｅｔ，ＲｅｓＮｅＸｔ對(duì)氣象目標(biāo)識(shí)別有更高的識(shí)別率，融合ＬｉｇｈｔＧ-ＢＭ 算法的分類器之后，識(shí)別粒度得到高度提升，與雷達(dá)采樣單元粒度一致。

１Light GBM-ResNeXt氣象目標(biāo)識(shí)別

ＣＮＮ氣象目標(biāo)識(shí)別算法，需將雷達(dá)極化參數(shù)等效于圖像通道，將極化參數(shù)制作成塊狀樣本，轉(zhuǎn)換成與圖像分類相似的任務(wù)，實(shí)現(xiàn)氣象目標(biāo)識(shí)別。參考分類圖像如圖１所示。此類方法識(shí)別精度高、識(shí)別迅速，但是由于其基于切割后塊狀數(shù)據(jù)樣本進(jìn)行識(shí)別，所以識(shí)別結(jié)果也只能趨向數(shù)據(jù)切割后的參考結(jié)果，如圖１（ｂ）所示。

對(duì)比圖１（ａ）和圖１（ｂ）可知，美國(guó)國(guó)家海洋和大氣管理局（Ｎａｔｉｏｎａｌ Ｏｃｅａｎｉｃａｎｄ Ａｔｍｏｓｐｈｅｒｉｃ Ａｄｍｉｎｉｓｔｒａｔｉｏｎ，ＮＯＡＡ）的原始參考圖像中氣象目標(biāo)分布比較離散，而切割參考圖像呈塊狀分布，兩者在識(shí)別粒度上存在較大差距。ＬｉｇｈｔＧＢＭ 算法通過(guò)離散數(shù)據(jù)生成向量數(shù)據(jù)來(lái)反映特征和目標(biāo)類別的關(guān)系，是一種可以完成以雷達(dá)采樣單元為單位的、點(diǎn)到點(diǎn)識(shí)別的機(jī)器學(xué)習(xí)分類算法。ＬｉｇｈｔＧＢＭ 算法的機(jī)器學(xué)習(xí)算法識(shí)別結(jié)果如圖１（ｃ）所示。可見，ＬｉｇｈｔＧＢＭ算法的識(shí)別分布與圖１（ａ）中原始參考數(shù)據(jù)表現(xiàn)相同，誤識(shí)別較多，如圖１（ｃ）紅藍(lán)標(biāo)注所示。

為進(jìn)一步得到高精度且細(xì)粒度的氣象目標(biāo)識(shí)別結(jié)果，本文將具有離散特性的ＬｉｇｈｔＧＢＭ 算法的分類器與具有高精度識(shí)別能力的ＣＮＮ融合使用，建立一種兼并ＬｉｇｈｔＧＢＭ算法細(xì)粒度識(shí)別特性與ＣＮＮ 高精度識(shí)別能力的氣象目標(biāo)識(shí)別方法。ＣＮＮ 融合ＬｉｇｈｔＧＢＭ 算法的細(xì)分類器的整體識(shí)別過(guò)程具體步驟如圖２ 所示。首先，制作矩陣塊樣本數(shù)據(jù)集，再根據(jù)數(shù)據(jù)集特性搭建ＲｅｓＮｅＸｔ分類模型框架，將矩陣塊數(shù)據(jù)集輸入模型并訓(xùn)練。將ＲｅｓＮｅＸｔ氣象目標(biāo)識(shí)別模型輸出的粗粒度識(shí)別結(jié)果ＣＨ 與ＮＯＡＡ 原始參考目標(biāo)進(jìn)行點(diǎn)對(duì)點(diǎn)對(duì)比。若識(shí)別正確，則將該點(diǎn)識(shí)別結(jié)果保存為ＣＮＮ 識(shí)別結(jié)果ＣＨ；若判別失誤，則將ＲｅｓＮｅＸｔ判別結(jié)果與實(shí)際參考值的差異雷達(dá)距離單元數(shù)據(jù)輸入訓(xùn)練Ｌｉｇｈｔ-ＧＢＭ 算法的分類器。再由ＬｉｇｈｔＧＢＭ 算法的分類器進(jìn)行細(xì)化識(shí)別，優(yōu)化粗粒度識(shí)別結(jié)果，將差異雷達(dá)距離單元點(diǎn)識(shí)別結(jié)果保存為ＬｉｇｈｔＧＢＭ 算法的細(xì)化結(jié)果ＬＨ。最后，得到與實(shí)際氣象分布相符的高精度且細(xì)粒度的識(shí)別結(jié)果。

２算法原理

２．１ResNeXt氣象目標(biāo)粗粒度識(shí)別網(wǎng)絡(luò)

隨著計(jì)算機(jī)不斷優(yōu)化，ＣＮＮ 在圖像分類領(lǐng)域已取得優(yōu)越成果［２３］。研究表明，ＣＮＮ 的深化和拓展可以優(yōu)化傳統(tǒng)模型的準(zhǔn)確性，但是隨著網(wǎng)絡(luò)層數(shù)的加深，會(huì)導(dǎo)致梯度爆炸、梯度消失甚至網(wǎng)絡(luò)退化等問(wèn)題。為解決這些問(wèn)題，ＲｅｓＮｅｔ［２４］提出以殘差卷積結(jié)構(gòu)取締基礎(chǔ)卷積結(jié)構(gòu)，從而解決由網(wǎng)絡(luò)深化產(chǎn)生的網(wǎng)絡(luò)退化問(wèn)題。然后，研究者又提出ＲｅｓＮｅＸｔ，ＲｅｓＮｅＸｔ 模型將視覺幾何組（ｖｉｓｕａｌｇｅｏｍｅｔｒｙｇｒｏｕｐ，ＶＧＧ）網(wǎng)絡(luò)［２５］的堆疊理念、ＲｅｓＮｅｔ的重復(fù)策略和Ｉｎｃｅｐｔｉｏｎ網(wǎng)絡(luò)［２６］的拆分轉(zhuǎn)換合并的思想相結(jié)合，不僅解決了由網(wǎng)絡(luò)深化產(chǎn)生的梯度消失等問(wèn)題，而且能保持ＲｅｓＮｅｔ的基本網(wǎng)絡(luò)結(jié)構(gòu)。只需要對(duì)殘差卷積模塊進(jìn)行拓寬，即可在不增加參數(shù)復(fù)雜度的基礎(chǔ)上，提高識(shí)別精度，并且在一定程度上削減超參數(shù)的數(shù)目。

ＲｅｓＮｅＸｔ模型的主要思想是在ＲｅｓＮｅｔ模型基礎(chǔ)上進(jìn)行分組卷積，使得模型精度提升，但復(fù)雜度幾乎不變。圖３為普通卷積網(wǎng)絡(luò)、ＲｅｓＮｅｔ、ＲｅｓＮｅＸｔ等效變換結(jié)構(gòu)圖。在圖３（ａ）～圖３（ｃ）的過(guò)程中，殘差卷積結(jié)構(gòu)取締普通卷積結(jié)構(gòu)，解決由網(wǎng)絡(luò)深化產(chǎn)生的梯度消失等問(wèn)題。之后，分組殘差結(jié)構(gòu)又取締了殘差卷積結(jié)構(gòu)，在保障復(fù)雜度幾乎不變的前提下，進(jìn)一步提高模型精度。

本文將氣象目標(biāo)與雜波（生物雜波與地雜波）的識(shí)別等效于圖像識(shí)別，數(shù)據(jù)集樣本矩陣尺寸大小預(yù)定為４×２４×２４，以ＲｅｓＮｅＸｔ原始網(wǎng)絡(luò)模型為基礎(chǔ)，修改網(wǎng)絡(luò)參數(shù)，設(shè)計(jì)適用于本文數(shù)據(jù)集的ＲｅｓＮｅＸｔ，最終完成氣象目標(biāo)與雜波識(shí)別。本文ＲｅｓＮｅＸｔ結(jié)構(gòu)如圖４所示。

３模型訓(xùn)練與驗(yàn)證

３．１數(shù)據(jù)集制作

本文數(shù)據(jù)集來(lái)源于ＮＯＡＡ提供的雙極化雷達(dá)氣象數(shù)據(jù)記錄。選取氣象雷達(dá)站點(diǎn)代碼為ＫＶＮＸ 的雷達(dá)在２０２１年全年的觀測(cè)數(shù)據(jù)，從中提取雷達(dá)仰角為０．５°的４ 個(gè)極化參數(shù)（反射率因子、差分反射率、相關(guān)系數(shù)、差分相移率）以及對(duì)應(yīng)的ＮＯＡＡ 分類結(jié)果數(shù)據(jù)，將５類數(shù)據(jù)分別記為Z_ｈ、Z_ｄｒ、K_ｄｐ、ρ_ｈｖ、Ｃｌｓ。

作為一種信息單向傳播的前饋多層網(wǎng)絡(luò)，ＣＮＮ 以圖片的ＧＲＢ （ｇｒｅｅｎ，ｒｅｄ，ｂｌｕｅ）通道信息為數(shù)據(jù)驅(qū)動(dòng)，可以通過(guò)層層轉(zhuǎn)化，自動(dòng)學(xué)習(xí)圖像特征，最終達(dá)到分類的目的。本文以反射率因子、差分反射率、相關(guān)系數(shù)、差分相移率這４ 個(gè)極化參數(shù)為識(shí)別輸入數(shù)據(jù)，結(jié)合ＮＯＡＡ 分類標(biāo)簽制作數(shù)據(jù)集標(biāo)簽。這些極化參數(shù)與圖像通道信息雖有差距，但可以對(duì)極化參數(shù)預(yù)處理，在保證這些極化參數(shù)的通用性的同時(shí)，可將這些極化參數(shù)等效于圖像通道信息，堆疊４ 個(gè)極化參數(shù)二維數(shù)據(jù)矩陣，形成三維數(shù)據(jù)陣列。最后，以這些三維數(shù)據(jù)陣列為數(shù)據(jù)集，類比于圖像分類，利用ＣＮＮ，完成氣象目標(biāo)與非氣象目標(biāo)的區(qū)分。

數(shù)據(jù)集的制作過(guò)程如圖５ 所示。首先，在網(wǎng)站所提供的數(shù)據(jù)中，Z_ｈ 數(shù)據(jù)的大小為３６０×４６０，其他數(shù)據(jù)的大小為３６０×１２００。為得到有效可靠的數(shù)據(jù)集，需先對(duì)Ｚ_ｈ 進(jìn)行校準(zhǔn)，得到與其他數(shù)據(jù)大小對(duì)應(yīng)的Z_ｈ。處理后，各數(shù)據(jù)矩陣大小均為３６０×１２００，這與實(shí)際圖像尺寸不符。此外，在單次掃描范圍內(nèi)，由于氣象目標(biāo)分類分布往往是離散的、不確定的，導(dǎo)致氣象目標(biāo)中摻雜大量雜波目標(biāo)以及一些無(wú)效值。因此，為保證單個(gè)數(shù)據(jù)矩陣數(shù)據(jù)樣本質(zhì)量，需要盡可能避免混雜回波的干擾，并對(duì)無(wú)效值數(shù)據(jù)進(jìn)行處理。綜上，需要將雷達(dá)極化參數(shù)做如下處理，以生成適配ＣＮＮ 訓(xùn)練的數(shù)據(jù)集。首先，將原始極化參數(shù)矩陣校準(zhǔn)并堆疊。其次，進(jìn)行切割分塊，將原來(lái)的３６０×１２００大尺寸二維矩陣拆分為７５０個(gè)２４×２４的小尺寸二維矩陣塊，再舍棄無(wú)效值點(diǎn)超過(guò)８０％的矩陣塊。此時(shí)，矩陣塊中依然包含氣象目標(biāo)、雜波以及一些無(wú)效值。因此，將占比超過(guò)５０％ 的類別記為此矩陣塊類別，將其他數(shù)據(jù)視為無(wú)效數(shù)據(jù)并舍棄。之后，選用各矩陣塊中有效值的均值替代該矩陣塊中包含的無(wú)效值。最后，將極化參數(shù)進(jìn)行歸一化處理，使得網(wǎng)絡(luò)模型與數(shù)據(jù)擬合更加高效。為保障兩類數(shù)據(jù)樣本均衡，選取氣象目標(biāo)與雜波樣本量均為１５０００，再將此數(shù)據(jù)集隨機(jī)切割為比例為７∶２∶１的訓(xùn)練集、驗(yàn)證集與測(cè)試集。

３．２ ResNeXt訓(xùn)練

本文以Ｐｙｔｏｒｃｈ［３０］為深度學(xué)習(xí)框架，完成ＲｅｓＮｅＸｔ、ＬｅＮｅｔ、ＲｅｓＮｅｔ氣象目標(biāo)識(shí)別模型以及ＬｉｇｈｔＧＢＭ 算法細(xì)分類器的創(chuàng)建。本研究?jī)?nèi)核為分類，故選用交叉熵?fù)p失函數(shù)為模型損失函數(shù)，再使用隨機(jī)梯度下降（ｓｔｏｃｈａｓｔｉｃｇｒａｄｉ-ｅｎｔｄｅｓｃｅｎｔ，ＳＧＤ）優(yōu)化器，利用梯度下降調(diào)整網(wǎng)絡(luò)權(quán)重，優(yōu)化器參數(shù)設(shè)置如表１ 所示。在訓(xùn)練過(guò)程中，設(shè)置批量大小為１２８，迭代次數(shù)為４００，確保模型訓(xùn)練成功。

深度學(xué)習(xí)過(guò)程的一個(gè)重要特性是比較學(xué)習(xí)結(jié)果與樣本標(biāo)簽兩者的差距，兩者差距越小，表示模型學(xué)習(xí)效果越強(qiáng)。深度學(xué)習(xí)普遍以損失函數(shù)來(lái)表示這個(gè)差距，理論上，損失函數(shù)越小越好，但是其不可能為零，只能無(wú)限逼近于零。當(dāng)損失函數(shù)收斂時(shí)，可以判斷網(wǎng)絡(luò)模型學(xué)習(xí)成功。此外，分類準(zhǔn)確率在分類問(wèn)題中是描述分類算法性能的有力工具，因此本文以損失函數(shù)和準(zhǔn)確率來(lái)說(shuō)明模型性能。為充分表現(xiàn)ＲｅｓＮｅＸｔ模型對(duì)氣象目標(biāo)與非氣象目標(biāo)的識(shí)別能力，本文以相同數(shù)據(jù)集訓(xùn)練ＬｅＮｅｔ模型［３１］和ＲｅｓＮｅｔ，對(duì)比二者與ＲｅｓＮｅＸｔ的性能表現(xiàn)。圖６～圖９為訓(xùn)練過(guò)程中訓(xùn)練集與驗(yàn)證集的損失函數(shù)、準(zhǔn)確率變換曲線。從圖６ 和圖７ 可以看出，隨著迭代次數(shù)的增加，ＲｅｓＮｅＸｔ、ＬｅＮｅｔ、ＲｅｓＮｅｔ的訓(xùn)練集與驗(yàn)證集損失函數(shù)迅速下降并穩(wěn)定，并且未出現(xiàn)過(guò)擬合現(xiàn)象。由此可見，模型成功完成訓(xùn)練。由圖８和圖９可知，ＲｅｓＮｅＸｔ識(shí)別準(zhǔn)確度要強(qiáng)于ＬｅＮｅｔ和ＲｅｓＮｅｔ，這與理論上各模型的性能表現(xiàn)一致。此外，ＲｅｓＮｅＸｔ的訓(xùn)練集、驗(yàn)證集訓(xùn)練曲線在穩(wěn)定時(shí)的識(shí)別準(zhǔn)確率均超過(guò)９９．６％，這表示ＲｅｓＮｅＸｔ在氣象目標(biāo)與非氣象目標(biāo)的判別問(wèn)題上具有良好性能。

為進(jìn)一步證明模型表現(xiàn)力，使用訓(xùn)練獲取的３個(gè)網(wǎng)絡(luò)最優(yōu)模型對(duì)測(cè)試集進(jìn)行初步檢測(cè)，圖１０～ 圖１２ 為測(cè)試集在ＬｅＮｅｔ、ＲｅｓＮｅｔ和ＲｅｓＮｅＸｔ最優(yōu)模型上的混淆矩陣。由３個(gè)混淆矩陣可以看出，３個(gè)ＣＮＮ 對(duì)氣象回波與非氣象回波識(shí)別性能都很優(yōu)越，但ＲｅｓＮｅＸｔ模型對(duì)氣象回波和非氣象回波的識(shí)別精度均高于ＬｅＮｅｔ、ＲｅｓＮｅｔ模型，整體識(shí)別效果極佳，這與訓(xùn)練過(guò)程中３個(gè)模型的表現(xiàn)相符。

由圖６～圖１２可以明顯看出，在訓(xùn)練集、驗(yàn)證集以及測(cè)試集上，ＲｅｓＮｅＸｔ模型表現(xiàn)都要優(yōu)于ＬｅＮｅｔ和ＲｅｓＮｅｔ模型，這與理論預(yù)測(cè)結(jié)果相符。

３．３LightGBM算法分類器訓(xùn)練

將ＣＮＮ 氣象目標(biāo)識(shí)別模型所輸出的粗粒度識(shí)別結(jié)果ＣＨ 與ＮＯＡＡ 原始參考目標(biāo)標(biāo)簽進(jìn)行點(diǎn)對(duì)點(diǎn)對(duì)比，將ＣＮＮ目標(biāo)樣本塊與參考數(shù)據(jù)的差異雷達(dá)距離單元點(diǎn)數(shù)據(jù)作為ＬｉｇｈｔＧＢＭ 算法細(xì)化分類器的輸入數(shù)據(jù)，訓(xùn)練ＬｉｇｈｔＧＢＭ算法分類器，圖１３和圖１４ 為ＬｉｇｈｔＧＢＭ 算法分類器訓(xùn)練過(guò)程曲線。如圖１３ 和圖１４ 所示，隨著迭代次數(shù)的增加，ＬｉｇｈｔＧＢＭ 算法分類器在訓(xùn)練集、驗(yàn)證集的損失函數(shù)和準(zhǔn)確率都迅速趨于穩(wěn)定，未出現(xiàn)過(guò)擬合現(xiàn)象，分類器訓(xùn)練成功。但是，ＬｉｇｈｔＧＢＭ 算法分類器對(duì)氣象目標(biāo)與非氣象目標(biāo)的識(shí)別準(zhǔn)確度只超過(guò)９８．６％，識(shí)別能力低于ＣＮＮ。

３．４LightGBM-ResNeXt算法性能驗(yàn)證

為驗(yàn)證模型對(duì)雷達(dá)實(shí)際觀測(cè)數(shù)據(jù)的預(yù)測(cè)能力，本文選取非訓(xùn)練數(shù)據(jù)集數(shù)據(jù)，即ＮＯＡＡ網(wǎng)站上ＫＴＬＸ雙極化天氣雷達(dá)２０２１年４月２４日０２：５６的雷達(dá)０．５°仰角觀測(cè)回波數(shù)據(jù)進(jìn)行測(cè)試。圖１５為校準(zhǔn)后Z_ｈ、Z_ｄｒ、Z_ｄｐ、ρ_ｈｖ原始數(shù)據(jù)圖像，４個(gè)分圖右側(cè)坐標(biāo)軸表示圖中參數(shù)值大小與顏色的對(duì)應(yīng)關(guān)系。

ＫＴＬＸ 雷達(dá)識(shí)別結(jié)果如圖１６ 所示。ＬｅＮｅｔ、ＲｅｓＮｅｔ和ＲｅｓＮｅＸｔ的氣象目標(biāo)識(shí)別結(jié)果如圖１６（ｃ）～ 圖１６（ｅ）所示。可見，ＲｅｓＮｅＸｔ模型將一個(gè)雜波樣本塊識(shí)別為氣象目標(biāo)，將兩個(gè)氣象目標(biāo)樣本塊識(shí)別為雜波。ＬｅＮｅｔ模型將４個(gè)氣象目標(biāo)樣本塊誤識(shí)別為雜波。ＲｅｓＮｅｔ模型則將一個(gè)雜波樣本塊識(shí)別為氣象目標(biāo)，將３個(gè)氣象目標(biāo)樣本塊識(shí)別為雜波。從誤識(shí)別塊數(shù)以及與圖１６（ｂ）的比較可知，數(shù)據(jù)切割后，ＣＮＮ 對(duì)氣象目標(biāo)識(shí)別在整體上表現(xiàn)十分優(yōu)越，與切割參考圖像基本一致，且ＲｅｓＮｅＸｔ模型對(duì)非氣象回波的識(shí)別能力要強(qiáng)于ＬｅＮｅｔ模型和ＲｅｓＮｅｔ模型。此外，三卷積網(wǎng)絡(luò)模型主要的誤識(shí)別在于將氣象目標(biāo)識(shí)別為雜波，這與測(cè)試集混淆矩陣的表現(xiàn)一致。

圖１６（ｆ）為采用ＬｉｇｈｔＧＢＭ 算法的識(shí)別結(jié)果，與圖１６（ａ）比較可見，ＬｉｇｈｔＧＢＭ 算法的識(shí)別結(jié)果與ＮＯＡＡ參考分類在識(shí)別粒度、分布狀態(tài)上表現(xiàn)基本一致，但是ＬｉｇｈｔＧＢＭ 算法的識(shí)別結(jié)果存在一定區(qū)域的誤判，如圖１６（ｆ）中黑色方框區(qū)域和黑色橢圓區(qū)域所示。

圖１６（ｇ）為ＲｅｓＮｅＸｔ結(jié)合ＬｉｇｔｈＧＢＭ 算法分類器細(xì)化后的識(shí)別結(jié)果。由圖１６比較可知，融合ＲｅｓＮｅＸｔ和Ｌｉｇｈｔ-ＧＢＭ 算法的ＬｉｇｈｔＧＢＭ-ＲｅｓＮｅＸｔ氣象目標(biāo)識(shí)別方法能夠有效識(shí)別氣象目標(biāo)與雜波。相對(duì)于單一的ＲｅｓＮｅＸｔ識(shí)別結(jié)果而言，識(shí)別粒度有效提升；相對(duì)于單一的ＬｉｇｈｔＧＢＭ 算法識(shí)別結(jié)果而言，誤判明顯減少，如圖１６（ｇ）中不存在圖１６（ｆ）中黑色方框和黑色橢圓區(qū)域所示的誤判；ＬｉｇｈｔＧＢＭ-ＲｅｓＮｅＸｔ氣象目標(biāo)識(shí)別方法對(duì)氣象目標(biāo)的識(shí)別基本上與ＮＯＡＡ 參考數(shù)據(jù)相同，精確度明顯提高，識(shí)別粒度較細(xì)。

４結(jié)論

為有效區(qū)分氣象目標(biāo)與雜波，本文提出一種基于ＲｅｓＮｅＸｔ網(wǎng)絡(luò)并融合ＬｉｇｈｔＧＢＭ 算法的氣象目標(biāo)識(shí)別方法。該方法融合ＬｉｇｈｔＧＢＭ 算法細(xì)粒度識(shí)別能力與ＲｅｓＮｅＸｔ高精度識(shí)別特性，采用氣象雷達(dá)實(shí)測(cè)數(shù)據(jù)對(duì)本文所建立的識(shí)別模型進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，ＲｅｓＮｅＸｔ識(shí)別模型性能要優(yōu)于ＬｅＮｅｔ、ＲｅｓＮｅｔ模型，識(shí)別精度可達(dá)９９．６％以上，但是識(shí)別單元較大，識(shí)別結(jié)果較粗糙。Ｌｉｇｈｔ-ＧＢＭ 算法的分類器雖然可以實(shí)現(xiàn)以雷達(dá)距離單元為識(shí)別單位的氣象目標(biāo)識(shí)別，但是對(duì)兩類目標(biāo)的識(shí)別精度只能達(dá)到９８％。而融合ＬｉｇｈｔＧＢＭ 算法之后的ＲｅｓＮｅＸｔ模型，不僅具有ＲｅｓＮｅＸｔ模型的準(zhǔn)確識(shí)別能力，還擁有ＬｉｇｈｔＧＢＭ 算法的精細(xì)識(shí)別優(yōu)勢(shì)，能精細(xì)且高精度地識(shí)別氣象目標(biāo)與雜波，其結(jié)果相比于ＣＮＮ 識(shí)別結(jié)果而言更加精細(xì)，識(shí)別精度又優(yōu)于ＬｉｇｈｔＧＢＭ 算法的分類器，與參考結(jié)果一致性極高。

作者簡(jiǎn)介

歐陽(yáng)彤（１９９７—），女，碩士研究生，主要研究方向?yàn)闅庀罄走_(dá)目標(biāo)識(shí)別。

汪玲（１９７７—），女，教授，博士，主要研究方向?yàn)槔走_(dá)信號(hào)處理。

朱岱寅（１９７４—），男，教授，博士，主要研究方向?yàn)楹铣煽讖嚼走_(dá)／逆合成孔徑雷達(dá)成像、自聚焦算法、干涉合成孔徑雷達(dá)成像、合成孔徑雷達(dá)地面動(dòng)目標(biāo)指示、機(jī)載雷達(dá)動(dòng)目標(biāo)指示。

李勇（１９７７—），男，副教授，博士，主要研究方向?yàn)槔走_(dá)信號(hào)處理、雷達(dá)系統(tǒng)。