基于優化模糊邏輯的雙線偏振天氣雷達地物雜波識別算法研究

劉宗慶 , 王 敏 , 景號然 , 王 杰 , 謝曉林

（1. 四川省氣象探測數據中心，成都 610072；2. 高原與盆地暴雨旱澇災害四川省重點實驗室，成都 610072）

引言

地物雜波會在雷達探測時對雷達數據資料造成污染，嚴重影響降水估測產品的準確性，進而導致臨近預報出現偏差，因此，從受污染的雷達回波中識別出地物雜波對于提升雷達數據質量具有十分重要的意義。對于地物雜波的識別，國內外學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別標準地物雜波，并利用凹槽濾波器等硬件方法來進行雜波抑制，但該方法在對大面積的地物濾波時經常會將徑向速度為零的降水回波誤判為地物雜波的情況，且無法識別和處理異常傳播條件下產生的超折射回波；第二類方法主要是通過區分地物和降水回波的空間分布、紋理結構、梯度變化等特征差異來實現地物雜波識別。第二類方法最早由Steiner等[1]提出，其憑借雷達反射率因子在水平和空間的變化進行識別地物雜波。Kessinger等[2]在此方法的基礎上，利用模糊邏輯的算法來對雷達回波進行分類，以此達到區分降水回波和地物雜波的目的。此后，Berenguer等[3]對Kessinger的算法進行改進，通過進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的隸屬函數。劉黎平等[4]基于Kessinger提出的模糊邏輯算法，提出分步式識別超折射地物雜波的辦法，該算法能有效識別超折射地物雜波，減少地物雜波的漏判和降水回波的誤判。江源等[5]運用CSI（Critical Success Index）評判標準，確定了模糊邏輯地物識別的最優隸屬函數，發展了適合于我國新一代天氣雷達的地物回波識別方法，改進了地物雜波識別效果。

雙線偏振雷達可以同時獲取水平和垂直兩個通道的回波信息，偏振參量的應用為地物雜波的識別提供了更有效的手段[6]。早在20世紀90年代，Ryzhkov等[7]就發現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，其零滯后相關系數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系數特征進行了分析。在國內，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別等相關研究。史朝等[10]利用X波段雙線偏振雷達研究了地物雜波的雙線偏振特征，并進行了初步的地物雜波識別。曹楊等[11]研究了C波段雙線偏振雷達在常規雷達參量模糊邏輯算法基礎上加入了偏振參量后對地物雜波的識別效果。

本文在Kessinger等[2]建立的模糊邏輯算法基礎上，分析了四川攀枝花X波段全固態雙線偏振雷達獲取的降雨回波和地物雜波的特征，基于常規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，構建了加入偏振參量的地物雜波模糊識別算法，并運用CSI評判標準給出了各參量的最優化隸屬函數。

1 雷達性能與站點地形

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，地形極其復雜，整個地勢由西北向東南傾斜，境內最高處位于鹽邊縣的柏林山，海拔4195.5m，最低處位于仁和區平地鎮師莊，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，天氣環境復雜多變。2020年6月四川省氣象局在攀枝花完成了X波段小型化全固態雙線偏振天氣雷達的架設（圖1）。該雷達為雙線偏振全相參體制，偏振方式采用同發同收體制，天線采用直徑為2.4m的圓形旋轉拋物面反射體，其發射脈沖峰值功率為1200W，定量探測范圍≥75km，最高距離分辨率為75m，且在雷達發射模塊中引入了調頻信號的脈沖壓縮技術[12?13]，其主要性能指標如表1所示。

圖1 全固態天氣雷達及站點地形

表1 攀枝花全固態天氣雷達系統性能指標

該雷達于2020年7～9月開展了全天時連續立體掃描觀測。本文利用晴空模式下取得的地物回波數據和剔除地物回波的降水回波數據，對地物回波和降水回波的特征差異進行了統計，建立了地物雜波識別訓練集，并應用統計平均法先將多次晴空數據進行平均，再進行地物數據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境因素對地物的影響，使地物回波的特征值更加準確。同時，為了防止噪聲等因素對雷達數據的影響，采用了中值濾波的方法，對孤立雜波和弱信號進行了抑制處理。

2 算法與訓練

模糊邏輯理論對邊界條件規定不明顯的分類情況具有較好適用性，其憑借隸屬度函數的概念，來劃分模糊集合、消除模糊關系，同時模擬人腦實施規則推理，因而能有效解決因不確定和不精確信息產生的種種“模糊”問題?；谀：壿嫷牡匚镫s波識別算法應用概率統計的方法分析雷達各類回波特征，建立模糊規則，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，最終得到每個距離庫中受地物回波影響可能性的量化數值，并基于判定閾值得到識別結果。該方法的具體步驟包括了模糊化、規則推斷、集成和退模糊四個部分。

2.1 特征物理量的選擇

本文基于Kessinger等[2]提出的地物雜波識別方法及Ryzhkov等[14?15]提出的非降水回波的雙線偏振參數ZDR和 ΦDP的空間變率相比于降水回波更大的特點，選擇了6個特征物理量作為模糊邏輯識別系統的輸入參量，包括反射率因子水平紋理TZ、反射率因子垂直變化GDBZ、徑向速度區域平均值MDVE、速度譜寬區域平均值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 在方位和距離計算范圍的定義，i，j代表仰角個數和各層徑向個數，Z、V、W、ZDR和 ΦDP分別表示雷達反射率因子、平均徑向速度、速度譜寬、差分反射率因子、差分相位（V、W經過了中值濾波處理），Zup、Zlow為對應的本層和上層的PPI回波強度，W(R) 表示與距離有關的權重。對于TZ、TZDR和TΦDP三個 物理 量 規定NA=3，NR=3； 對 于MDVE和MDSW兩 個物理量規定NA=3，NR=9。

2.2 回波特征分析

選取地物雜波識別訓練集，繪制出6個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行分析可知，由地物回波獲取的各特征參量均表現出了與降水回波的差異性。在徑向速度方面，由地物回波數據集獲取的與徑向速度相關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取值區間，反映了地物回波多數是靜止不動的，這與事實相符合。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幾乎在整個取值區域都有分布，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概率密度分布

根據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。隸屬函數的輸出值范圍是[0，1]，數值越大表示了該參數為地物回波的可能性越高。根據各特征參數貢獻度相加的方法來得到地物回波隸屬函數值。本文選擇等權重求和法，即基于加權求和法，令各輸入特征參量的權重系數均為1，然后將各特征參量對地物回波的所占貢獻值相加后除以特征參量的個數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別閾值（如：0.2）相比較，若該值大于該閾值，則將此回波標識為地物回波；反之，則標識為降水。

2.3 算法流程圖

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

圖3 模糊邏輯理論地物雜波識別算法流程

2.4 最優化隸屬函數確定

隸屬函數的正確選擇是區分地物和降水回波的重要指標和依據。本文利用真實回波概率分布統計結果及CSI標準來獲取各特征物理參量的最優化隸屬函數。CSI的定義為：

其中，SC和SP分別表示真實的地物和降水的總樣本數，RC和RP表示兩者被準確識別的樣本數。最優化隸屬函數確定具體步驟為：

（1）繪制基于地物和降水特征物理參量的概率分布圖，以統計特征初步構造各參量的隸屬函數。采用基本形式為梯形的函數實現參量模糊化，大致確定隸屬函數梯形點的范圍，并確保其隸屬度取值范圍是[0，1]。

（2）通過人工判讀識別手段，確定并標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以相同權重，考慮多特征參量組合后對總樣本識別效果的影響。采用特征參數等權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別閾值進行比較以實現地物識別。以CSI為評判標準對所有地物和降水樣本的識別結果進行分析，以評估識其準確性。

（4）在初步確定的梯形隸屬函數曲線基礎上，以1為步進值，依次調整各特征參量的梯形點取值范圍，重復步驟（3），并對每一次的調整進行CSI評判。以得到最高的CSI值（樣本識別最高準確率）為目的，對所有樣本進行分析，找出一組最優化隸屬函數。

通過上述方案，可得到各特征參量的最優化的梯形隸屬函數如圖4所示。

圖4 地物回波識別各特征參數的隸屬函數

3 識別效果分析

2020年9月11日03時13分，攀枝花全固態雷達探測到一次降水過程，圖5為觀測仰角0.5°時的PPI圖。由于地物主要集中在雷達近距離處，所以僅顯示雷達徑向距離100km以內回波的分布情況。為了檢驗偏振參量及最優化隸屬函數對地物雜波的識別效果，分別就常規參量模糊邏輯網絡和引入偏振參量的模糊邏輯網絡進行了地物識別效果對比，結果如圖6所示。其中圖6a為常規模糊邏輯算法的識別結果，圖6b為加入偏振參量的模糊邏輯算法的識別結果，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 攀枝花全固態天氣雷達2020年9月11日03時13分觀測PPI圖（0.5°仰角）

如圖6a～b所示，可以看出雷達站點周圍存在大量分布式的地物雜波點，而雷達東北方向為降水回波和地物回波混合區域。通過對比可知，雖然常規模糊邏輯算法和加入偏振參量的模糊邏輯算法都能識別出大部分有效的地物回波，但后者識別的面積和精細化程度明顯要好于前者。圖6a中能清楚的看到在雷達站點周圍殘留一些呈點狀分布的地物雜波及被誤判為地物回波的降水回波，可見常規模糊識別網絡對降水和地物混合區域的識別效果較差，特別容易在降水回波邊沿及弱降水目標處產生誤判。進一步分析發現，該方法產生回波誤判的主要原因是該區域降水回波的徑向速度很小且接近于零，這也印證了常規模糊邏輯算法依靠速度等參數來判斷的局限性。同時能發現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出降水回波的速度特征參數非零值的特點，這就會導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被誤判為地物回波的情況，且對降水和地物混合的區域也能進行較好的識別，更好的保留了降水信息，識別地物回波的位置和形狀與實際地物分布情況（圖6c）基本一致，識別效果更好。

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

總的來說，常規識別網絡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域的地物回波基本無法有效識別；加入偏振參量后的識別網絡克服了常規識別網絡對徑向速度基本為零的區域誤判的問題，同時提升了對地物與降水回波混合區域中地物回波的識別能力。

4 結論與討論

本文將偏振參量引入模糊邏輯算法對地物雜波進行識別，同時探討了地物回波和降水回波的偏振參量特征差異，通過統計平均的結果實現了地物識別模糊邏輯網絡的設計，并將常規模糊邏輯算法與加入偏振參量的模糊邏輯算法的識別效果進行比較，得到以下主要結論：

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

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

偏振參量的應用可以為高質量的業務觀測提供支持，同時也有利于提高雷達對災害性天氣的監測和預警能力。但需要注意雷達回波識別是比較復雜的，僅僅依靠偏振參量來準確區分地物回波和降水回波仍然是很困難的，必要時需結合衛星和飛機遙感數據來進行地物回波識別。