基于衛星和雷達的融合雷達反射率方法研究及其在臺風“煙花”觀測中的應用

李超，莊瀟然，馬晨，郭晞

（江蘇省氣象臺，江蘇 南京 210008）

1 引言

受季風氣候背景和城市化進程下沿海下墊面復雜環境的影響，江蘇省沿海及離岸海區致災強對流天氣頻發。例如，以2021年4月30日南通大風和登陸臺風“煙花”造成的短時強降水為代表的災害性強對流天氣給社會經濟和人民群眾生命財產安全帶來嚴重威脅。受限于匱乏的海上觀測條件，目前氣象業務中始終缺乏針對海上強對流天氣的有效監測和預報預警手段[1-2]。

近年來，隨著我國氣象現代化的持續推進，雙偏振天氣雷達和靜止氣象衛星等新型遙感探測資料在業務上逐漸得到了應用。天氣雷達是監測強對流天氣的主要工具[3-4]，能夠通過發射和接收電磁波對空中的云雨進行描述，即利用雷達反射率因子判斷對流云團的位置、形態和強度等特征。截至2021 年底，江蘇省氣象部門已完成7 部S 波段雙偏振天氣雷達的改造升級。與傳統的單偏振雷達相比，雙偏振天氣雷達的空間探測精度更高，而且可以提供對降水粒子特征的描述[5-7]。但是，當前雙偏振天氣雷達數據質量偏低，以雷達反射率因子為例，其中存在的大量非氣象回波影響了雙偏振天氣雷達在業務和科研中的應用[4,8]。近幾年，許多基于雙偏振天氣雷達數據的氣象回波和非氣象回波分類算法被開發出來。各類算法的原理大同小異，通常是采用某種聚合方法將雙偏振特征進行綜合并得出最終的分類結果。這當中較為前沿的是TANG等[9-10]提出的基于決策樹的分類器和KRAUSE[11]提出的考慮偏振量紋理的MetSignal 方法。分類器是以雷達偏振參量數據和氣象數據作為輸入，將偏振參量中的相關系數濾波器作為主要判據，其他一系列特殊氣象回波（例如冰雹、非均勻填充以及融化層等）和非氣象回波（例如具有較高相關系數的地物回波）相組合作為次要判據，進而實現氣象回波和非氣象回波的分類輸出。MetSignal方法則是基于模糊邏輯原理，通過綜合考慮雷達反射率、徑向速度、差分相關系數以及各自的紋理特征來構建模糊邏輯矩陣，并對非氣象回波進行剔除。但上述兩種方法在江蘇省雙偏振天氣雷達中是否適用仍有待驗證。

天氣雷達對海區的覆蓋范圍有限，而氣象衛星則能夠很大程度地彌補海區常規觀測匱乏以及雷達探測范圍有限的不足，為實現海區強對流的有效監測和預警提供更多可能。有別于天氣雷達，衛星通過搭載成像儀自上而下對云進行觀測從而實現對對流云特征的描述，在對流初生和定量降水估測等領域已得到廣泛應用[12-14]。但從預報業務角度來說，無論是可見光圖像、紅外窗區通道亮溫還是其他多光譜通道信息產品均多用主觀觀測進行識別，難以形成與雷達反射率等價或類似的量化概念（如反射率大于15 dBZ 通常被認為會產生降水，大于35 dBZ 則被認為會產生對流性天氣）。考慮到衛星紅外亮溫與雷達反射率具有相近的特征[15-16]，DUAN 等[17]發展了一種基于人工智能的將葵花8 號（Himawari-8）氣象衛星多通道數據等價轉換為雷達反射率的方法，通過與地面雷達探測結果進行對比，證明衛星反演的反射率能夠有效重構35 dBZ以上的回波。該方法的提出為海上強對流天氣的監測以及海洋預報預警業務提供了技術基礎。

針對天氣雷達和衛星在海區強對流監測應用中存在的不足和未來的發展方向，江蘇省氣象臺通過雙偏振天氣雷達數據質量控制、衛星等價反演雷達反射率以及雷達-衛星融合等途徑構建了空間分辨率為2 km、時間分辨率為10 min 的海陸一體融合雷達組合反射率產品。本文對該產品的技術路線進行介紹，并通過2021年臺風“煙花”展示該技術的初步應用成效，相關結論會為未來海上強對流監測技術和預報業務發展提供參考。

2 數據和方法

2.1 雷達組網拼圖

本文選用江蘇省現有的7 部S 波段雙偏振天氣雷達，各雷達分布情況見圖1。由于雷達采用傾斜向上體掃的方式進行探測，不同雷達的實際探測范圍存在交叉點也存在差異，為了形成全省陸地一體的組合反射率，需要對多部雷達的多仰角體掃數據進行組網拼圖。在拼圖處理前，首先需要對各部雷達分別進行基本反射率因子的質量控制處理。本文采用ZHANG等[8]提出的基于模糊邏輯分類器的方法，對各部雷達中的非氣象回波進行識別和剔除（見圖2）。通過輸入單雷達的反射率因子、徑向速度、速度譜寬、差分反射率、差分相關系數和差分相位移等偏振參量，結合偏振參量的紋理特征構建適用于江蘇省雷達的模糊邏輯回波分類器，進一步結合融化層抑制方法最終實現非氣象回波的識別和剔除。

圖1 江蘇現有的7部S波段雙偏振天氣雷達分布及覆蓋范圍示意圖Fig.1 Distribution and coverage of the seven S-band polarization weather radars in Jiangsu

圖2 雷達數據質量控制技術路線Fig.2 Flowchart of radar data quality control

在對7 部雷達分別進行質量控制處理后，將其分別插值到笛卡爾坐標系上。考慮到相鄰雷達間的三維體掃存在空間上的重合，我們采用Cressman插值方法對重疊區域進行處理，這樣既能最大程度地緩解拼圖后重合區域數據不連續的問題，又能保證數據本身的高分辨率特征。將Cressman 權重選取為S 波段雙偏振天氣雷達自身分辨率的兩倍（0.5 km），最終得到三維等高面雷達拼圖。

2.2 衛星等價反演雷達反射率

為了將高時空分辨率靜止衛星不同通道和波長的數據應用于強對流天氣的監測預警中，研究發展了一種基于人工智能的將葵花8號衛星多通道數據等價反演為雷達組合反射率因子的模型。由于葵花8 號衛星的3 個可見光通道在夜晚無數據，因此主要選用3 個水汽通道和2 個長波紅外通道數據用于構建訓練數據集。參照HILBURN 等[16]的方法，我們選用卷積神經網絡（Convolutional Neural Networks，CNN）作為反演模型（見圖3）。CNN的主要特點是具有很強的學習能力和擬合高度非線性函數的能力。模型構建可分為以下步驟：

圖3 基于卷積神經網絡的衛星反演雷達反射率模型結構Fig.3 Schematic diagram of CNN-based satellite retrieved radar reflectivity

（1）為了使反演結果能夠適用于梅汛期與臺風期，本文選用連續2 a（2019 年和2020 年）的4—9 月作為模型訓練時段，獲取相應時段內的江蘇省雷達三維組網拼圖數據和葵花8號衛星通道數據。

（2）通過求取垂直方向的最大值將三維雷達拼圖數據轉換為二維的組合反射率。由于雷達拼圖空間分辨率為1 km，時間分辨率為6 min，而衛星紅外通道數據空間分辨率為2 km，時間分辨率為10 min，因此需要將兩類數據通過最鄰近插值處理到等經緯的2 km 分辨率網格點上，獲取時空分辨率一致的雷達拼圖和衛星數據。

（3）將雷達和衛星數據分別歸一化處理到0～1之間，選取數據樣本的前80%作為訓練集，后20%作為測試集。

（4）選用平均絕對誤差（Mean Absolute Error，MAE）作為損失函數進行訓練。由于雷達反射率強度分布不均勻，弱回波占比較大，因此在訓練時采用分段隨機抽取的方式，即在每個數據區間隨機抽取相同樣本數據進行訓練，訓練過程中當誤差達到預設經度或學習次數大于設定的最大次數后，則算法結束。

2.3 雷達衛星融合

衛星觀測主要反映云頂特征，雷達則主要反映對流云團的中低層特征，對于一般云頂高度≤6 km的對流云團而言[13]，衛星反演結果基本與雷達探測的組合反射率等價。但是對于臺風這一類發展深厚的系統，其云頂高度通常高達15～20 km[17]，此時雷達探測與衛星反演結果會存在較大差異。考慮到該因素，我們在雷達拼圖和衛星反演的基礎上對二者進行融合，以確保在最終的產品中，雷達覆蓋區域采用雷達組合反射率，雷達探測不到的區域采用衛星反演結果。融合采用了考慮經驗權重的方法，首先需要確定雷達拼圖數據的有效半徑r，根據陸地雷達拼圖的有效范圍，將r選取為280 km，即以雷達數據為中心、半徑r范圍內的數據的融合權重為1；在該范圍之外的雷達和衛星反演數據重合區域中，將雷達數據權重設置為0.65，衛星反演數據權重設置為0.35；僅有衛星覆蓋的區域中衛星反演數據權重為1。經過多次業務測試，這樣的權重設置能夠較好地對兩種來源的數據進行融合，保障二者的邊界區域不會出現不連續的現象。

3 結果及討論

3.1 臺風“煙花”過程回顧

臺風“煙花”于2021 年 7 月18 日 02 時（北京時，下同）在西北太平洋生成，21 日11 時在臺灣島以東洋面加強為強臺風，25日12時30分在浙江省舟山市普陀區沿海登陸，登陸時最大風力為13級（38 m/s），26 日09 時50 分在浙江省嘉興平湖沿海二次登陸。圖4 為臺風“煙花”的路徑和強度演變的時間序列。臺風“煙花”于26 日17 時以熱帶風暴級（23 m/s）進入江蘇省，在大陸高壓和副熱帶高壓之間鞍形場的影響下，先后經歷緩慢的西行和北上后，于7 月28日01 時移出江蘇省，在江蘇省累計停留32 h，是有紀錄以來在江蘇省停留時間最長的臺風。臺風“煙花”具有尺度大、強度減弱慢和移動速度緩慢等特征，給江蘇省造成了長時間的風雨影響。

圖4 臺風“煙花”的路徑和強度演變的時間序列Fig.4 The path and intensity evolution with time of typhoon"In-Fa"

受臺風“煙花”影響，7 月 24 日 20 時—29 日 20時，江蘇省自南向北出現大范圍降水，雨量達暴雨到大暴雨，局部特大暴雨。臺風“煙花”產生的強降水對江蘇省的影響可分為兩個階段：第一階段為24—27 日白天，在臺風“煙花”西行過程中，受其螺旋雨帶的持續影響，暴雨主要發生在江蘇省淮河以南地區。第二階段為27日夜間—28日晚上，由于臺風“煙花”處于弱垂直風切環境中，其強度維持在熱帶風暴級別。伴隨著充足的水汽輸送，臺風“煙花”在北上過程中，其主體逐漸與北側西風槽結合，槽后干冷空氣侵入并在臺風中心南側與其本體的暖濕空氣交匯，觸發了南北向的颮線強對流天氣，全省大部分地區普降暴雨到大暴雨、局部特大暴雨。28日夜間起，全省大范圍的降水趨于結束，主要暴雨區集中在江淮之間的中部地區。在臺風“煙花”的影響下，江蘇省共有1 456 個鄉鎮（街道）的降水量超100 mm，其中321 個鄉鎮（街道）超250 mm。最大雨量出現在揚州江都真武鎮，為569.2 mm，這使得臺風“煙花”成為有記錄以來影響江蘇省的過程雨量最大的臺風。

3.2 雷達數據質量控制效果分析

選取7月28日15時的雷達數據，對數據的質量控制效果進行驗證。臺風“煙花”在北上過程中與北側西風槽結合，受槽后干冷空氣侵入并影響江蘇省地區，7 月28 日15 時出現南北線狀對流。對比質量控制前后的雷達組合反射率拼圖可見（見圖5），在質量控制前，蘇南和東部沿海地區存在明顯的受電磁干擾產生的非氣象回波，同時南京、揚州和鎮江等地區也不同程度地存在地物雜波，以上非氣象回波會對數據質量產品產生負面影響。經過質量控制處理后，上述非氣象雜波均得到了有效剔除。

圖5 2021年7月28日15時質量控制前（a）和質量控制后（b）的雷達組合反射率拼圖Fig.5 Radar composite reflectivity(a)before and(b)after quality control at 15:00 on July 28,2021

3.3 衛星反演及雷達-衛星融合效果分析

為了呈現衛星反演雷達以及衛星-雷達的融合效果，我們給出了臺風“煙花”登陸前（7 月24 日12時）的衛星原始數據及反演效果圖，并與歐洲中期天氣預報中心（European Centre for Medium-Range Weather Forecasts，ECMWF）的第五代全球大氣再分析數據集（ERA5）提供的風場進行疊加，以便更好地開展過程分析。該時刻臺風處于發展旺盛階段且尚未登陸，通過云圖和水汽通道圖像可看出其云系呈現出典型螺旋形態和不對稱性，最大半徑可達350 km，中心臺風眼清晰可辨（見圖6a 和6b）。衛星反演得到的雷達反射率可以很好地反映上述臺風云系特征（見圖6c），風眼處存在反射率的空值區，反射率高值區分別位于風眼周圍及其北側的外圍螺旋雨帶處，與風場高值區存在很好的對應關系，以上結果說明反演結果是可信的。通過反演得到的反射率結果可清晰地看出該時刻臺風外圍的強對流已經影響到江蘇省東南部和浙江的近海地區（見圖6c），這些地區恰是天氣雷達探測的盲區，從一定程度上證明了衛星反演技術在海上強對流應用中的有效性。對比衛星反演結果（見圖6c）和雷達組合反射率拼圖（見圖6d）可以發現，二者在陸地上存在一定差異，說明此時臺風“煙花”外圍云系的發展非常深厚，導致反演結果不能準確地呈現低層弱降水云系的特征，衛星-雷達的融合反射率結果在陸地上與雷達的結果更為相近（見圖6e），較純衛星反演結果能夠更準確地對陸地的降水云系進行描述，而且在海陸交界處沒有明顯的不連續邊界出現，這說明衛星-雷達的融合結果是可信的。

圖6 7月24日12時葵花8號衛星和雷達反射率產品展示圖（圖c和d疊加ERA5海平面風場，藍點為臺風中心位置）Fig.6 Products of Himawari-8 satellite and radar reflectivity at 12:00 on July 24（The wind vectors in c and d are obtained by ERA5 data,the blue dot indicates typhoon center）

圖6 （續）Fig.6 （Continued）

我們進一步對夜間的衛星反演結果進行討論。7月25日04時葵花8號的可見光通道不能觀測到有效數據（見圖7a），通過水汽通道可以看出隨著臺風“煙花”臨近登陸，其強度較24 日明顯減弱（見圖7b），但整體結構依然非常完整。衛星反演得到的雷達反射率能夠有效地描述此時臺風的云系結構和中心位置，由圖7c 可以看出，臺風東半側和西南側積雨云處的反射率強度可達50 dBZ，并與主要風速大值區呈現出對應關系。需要注意的是，臺風眼北側風力雖然較大，卻沒有強回波與之對應，原因在于此時是臺風“煙花”強度減弱且眼墻擴張的時期，此時的眼墻半徑可達40～50 km，強風力半徑也較大。

圖7 同圖6，但為7月25日04時Fig.7 Same as fig.6，but for 04:00 on July 25

隨著臺風“煙花”登陸后持續西進并向內陸方向縱深移動，從7 月27 日開始臺風中心移至南京后逐漸北進（見圖4a），此時進入第二個降水影響時段。圖8 顯示在7 月27 日14 時，受登陸后下墊面的影響，臺風強度明顯減弱，結果同圖4b。從云圖和水汽通道數據來看（見圖8a—b），此時臺風云系主要由積雨云和多層云構成，螺旋雨帶結構遭到明顯破壞，對流強度及其組織性較登陸前大幅度減弱，該特征在衛星反演的雷達反射率強度結果中也得到很好的表征（見圖8c）。區別于前兩個時次（見圖6—7），由于此時臺風云頂高度大幅度降低[18]，衛星反演和雷達組合反射率結果呈現出較高的一致性，高值中心均集中在南通沿海以及江蘇省南部地區（見圖8c—d），衛星-雷達融合后的反射率產品有機綜合了衛星和雷達二者的特征，其結果進一步驗證了本算法在臺風登陸后應用中的有效性。

圖8 同圖6，但為7月27日14時Fig.8 Same as fig.6，but for 14:00 on July 27

在臺風“煙花”的第二個降水影響時段，臺風北上與西風槽結合觸發了南北走向的颮線，該颮線給全省大部分地區帶來了短時強降水以及雷暴大風等強對流天氣。由于是傍晚，可見光云圖并不清晰（見圖9a），但從紅外通道圖上可以明顯看到與該颮線相匹配的深厚對流云團（見圖9b）。由于該對流云系發展較為深厚，雷達探測與衛星反演結果同樣呈現出一定差異，即衛星反演得到的35 dBZ以上量級大值范圍明顯更寬，但二者對于颮線主要位置的描述匹配較好（對比圖9c 和9d），衛星-雷達融合后的反射率結果可以更好地對該颮線進行描述（見圖9e）。此外，由于此時臺風強度大幅減弱，主要云系發展高度較低，因此衛星和雷達對臺風中心東北側雨帶的描述呈現出很高的一致性。

圖9 同圖6，但為7月28日17時Fig.9 Same as fig.6，but for 17:00 on July 28

4 結論

本文發展了一種融合葵花8 號衛星和S 波段雙偏振天氣雷達數據的雷達反射率融合方法，并將其應用在臺風“煙花”的觀測分析中。結論如下：

（1）基于模糊邏輯分類器的質量控制方法能夠有效剔除江蘇省S波段雙偏振天氣雷達中的非氣象雜波。

（2）衛星反演得到的雷達反射率可以很好地反映臺風“煙花”登陸前的云系特征和風眼位置。反射率高值區分別位于風眼周圍及其北側的外圍螺旋雨帶處，其與風場高值區也存在很好的對應關系，說明反演結果是可信的。

（3）衛星-雷達的融合反射率結果在陸地上與雷達結果更為相近，較純衛星反演結果能夠更準確地對陸地上的降水云系進行描述，而且該產品在海陸交界處沒有明顯的不連續邊界出現，說明衛星-雷達的融合結果是可信的。

（4）衛星-雷達的融合反射率結果能夠較好地描述27 日臺風“煙花”登陸減弱（云頂降低）時以及28日臺風引發颮線的降水云系的特征。

總的來說，本文所介紹的衛星反演雷達反射率以及衛星-雷達融合產品能夠有效地描述臺風“煙花”登陸前后各個階段的降水云系特征，是對天氣雷達無法覆蓋區域的一種有力的彌補。未來，江蘇省省氣象臺還將進一步嘗試衛星反演雷達數據的動態權重融合方法，并基于該融合產品開展海上強對流天氣的綜合識別與追蹤以及短臨預報功能的研發。