基于优化模糊逻辑的双线偏振天气雷达地物杂波识别算法研究

刘宗庆 , 王 敏 , 景号然 , 王 杰 , 谢晓林

（1. 四川省气象探测数据中心，成都 610072；2. 高原与盆地暴雨旱涝灾害四川省重点实验室，成都 610072）

引言

地物杂波会在雷达探测时对雷达数据资料造成污染，严重影响降水估测产品的准确性，进而导致临近预报出现偏差，因此，从受污染的雷达回波中识别出地物杂波对于提升雷达数据质量具有十分重要的意义。对于地物杂波的识别，国内外学者已展开了深入的研究，其采用的方法有两大类：第一类方法是使用杂波图来识别标准地物杂波，并利用凹槽滤波器等硬件方法来进行杂波抑制，但该方法在对大面积的地物滤波时经常会将径向速度为零的降水回波误判为地物杂波的情况，且无法识别和处理异常传播条件下产生的超折射回波；第二类方法主要是通过区分地物和降水回波的空间分布、纹理结构、梯度变化等特征差异来实现地物杂波识别。第二类方法最早由Steiner等[1]提出，其凭借雷达反射率因子在水平和空间的变化进行识别地物杂波。Kessinger等[2]在此方法的基础上，利用模糊逻辑的算法来对雷达回波进行分类，以此达到区分降水回波和地物杂波的目的。此后，Berenguer等[3]对Kessinger的算法进行改进，通过进一步研究地物的回波顶高、径向速度、反射率因子的纹理和梯度变化等特征来得到更优的隶属函数。刘黎平等[4]基于Kessinger提出的模糊逻辑算法，提出分步式识别超折射地物杂波的办法，该算法能有效识别超折射地物杂波，减少地物杂波的漏判和降水回波的误判。江源等[5]运用CSI（Critical Success Index）评判标准，确定了模糊逻辑地物识别的最优隶属函数，发展了适合于我国新一代天气雷达的地物回波识别方法，改进了地物杂波识别效果。

双线偏振雷达可以同时获取水平和垂直两个通道的回波信息，偏振参量的应用为地物杂波的识别提供了更有效的手段[6]。早在20世纪90年代，Ryzhkov等[7]就发现非降水回波的双线偏振参量ZDR和 ΦDP的空间变化率明显大于降水回波，其零滞后相关系数较气象回波的取值范围（一般＞0.9）偏小很多。Zrnic等[8]也对地物和降水回波的零阶自相关系数特征进行了分析。在国内，刘黎平等[9]最早基于差分反射率和反射率因子变化特征开展了地物杂波识别等相关研究。史朝等[10]利用X波段双线偏振雷达研究了地物杂波的双线偏振特征，并进行了初步的地物杂波识别。曹杨等[11]研究了C波段双线偏振雷达在常规雷达参量模糊逻辑算法基础上加入了偏振参量后对地物杂波的识别效果。

本文在Kessinger等[2]建立的模糊逻辑算法基础上，分析了四川攀枝花X波段全固态双线偏振雷达获取的降雨回波和地物杂波的特征，基于常规参量和偏振参量选取了用于分辨降水和地物回波典型特征的物理量，构建了加入偏振参量的地物杂波模糊识别算法，并运用CSI评判标准给出了各参量的最优化隶属函数。

1 雷达性能与站点地形

攀枝花市位于青藏高原东南缘、横断山脉与云贵高原的过渡地带，地形极其复杂，整个地势由西北向东南倾斜，境内最高处位于盐边县的柏林山，海拔4195.5m，最低处位于仁和区平地镇师庄，海拔高度937m，一般相对高差为1500～2000m。受山地和丘陵地形影响，攀枝花夏季降雨量丰富，天气环境复杂多变。2020年6月四川省气象局在攀枝花完成了X波段小型化全固态双线偏振天气雷达的架设（图1）。该雷达为双线偏振全相参体制，偏振方式采用同发同收体制，天线采用直径为2.4m的圆形旋转抛物面反射体，其发射脉冲峰值功率为1200W，定量探测范围≥75km，最高距离分辨率为75m，且在雷达发射模块中引入了调频信号的脉冲压缩技术[12−13]，其主要性能指标如表1所示。

图1 全固态天气雷达及站点地形

表1 攀枝花全固态天气雷达系统性能指标

该雷达于2020年7～9月开展了全天时连续立体扫描观测。本文利用晴空模式下取得的地物回波数据和剔除地物回波的降水回波数据，对地物回波和降水回波的特征差异进行了统计，建立了地物杂波识别训练集，并应用统计平均法先将多次晴空数据进行平均，再进行地物数据的概率密度分析和模糊逻辑建模，其目的是去除晴空回波和环境因素对地物的影响，使地物回波的特征值更加准确。同时，为了防止噪声等因素对雷达数据的影响，采用了中值滤波的方法，对孤立杂波和弱信号进行了抑制处理。

2 算法与训练

模糊逻辑理论对边界条件规定不明显的分类情况具有较好适用性，其凭借隶属度函数的概念，来划分模糊集合、消除模糊关系，同时模拟人脑实施规则推理，因而能有效解决因不确定和不精确信息产生的种种“模糊”问题。基于模糊逻辑的地物杂波识别算法应用概率统计的方法分析雷达各类回波特征，建立模糊规则，使判别对象在模糊集合的隶属度从不隶属到隶属逐步过渡，最终得到每个距离库中受地物回波影响可能性的量化数值，并基于判定阈值得到识别结果。该方法的具体步骤包括了模糊化、规则推断、集成和退模糊四个部分。

2.1 特征物理量的选择

本文基于Kessinger等[2]提出的地物杂波识别方法及Ryzhkov等[14−15]提出的非降水回波的双线偏振参数ZDR和 ΦDP的空间变率相比于降水回波更大的特点，选择了6个特征物理量作为模糊逻辑识别系统的输入参量，包括反射率因子水平纹理TZ、反射率因子垂直变化GDBZ、径向速度区域平均值MDVE、速度谱宽区域平均值MDSW、 差分反射率因子水平纹理TZDR和差分传播相移水平纹理TΦDP。上述特征物理量定义如下：

其中NA、NR指 在方位和距离计算范围的定义，i，j代表仰角个数和各层径向个数，Z、V、W、ZDR和 ΦDP分别表示雷达反射率因子、平均径向速度、速度谱宽、差分反射率因子、差分相位（V、W经过了中值滤波处理），Zup、Zlow为对应的本层和上层的PPI回波强度，W(R) 表示与距离有关的权重。对于TZ、TZDR和TΦDP三个 物理 量 规定NA=3，NR=3； 对 于MDVE和MDSW两 个物理量规定NA=3，NR=9。

2.2 回波特征分析

选取地物杂波识别训练集，绘制出6个特征物理参量的概率分布，如图2所示。对图中各参量分布特征进行分析可知，由地物回波获取的各特征参量均表现出了与降水回波的差异性。在径向速度方面，由地物回波数据集获取的与径向速度相关特征参量多在零值附近取值，而降水回波的径向速度则分布在整个取值区间，反映了地物回波多数是静止不动的，这与事实相符合。在偏振特性方面，地物回波的差分反射率水平纹理TZDR与差分传播相移率水平纹理TΦDP几乎在整个取值区域都有分布，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。

图2 降水回波和地物回波各特征参数概率密度分布

根据上述输入特征参量的概率分布，可采用梯形或三角形折线来表示各参量的隶属函数。隶属函数的输出值范围是[0，1]，数值越大表示了该参数为地物回波的可能性越高。根据各特征参数贡献度相加的方法来得到地物回波隶属函数值。本文选择等权重求和法，即基于加权求和法，令各输入特征参量的权重系数均为1，然后将各特征参量对地物回波的所占贡献值相加后除以特征参量的个数就能得到地物回波概率判别值。最后将得到的地物回波判别值与给定的识别阈值（如：0.2）相比较，若该值大于该阈值，则将此回波标识为地物回波；反之，则标识为降水。

2.3 算法流程图

采用模糊逻辑理论对数据集进行分类，是以灵活的分级为准则，这样可以避免对地物回波和降水回波具体数值的判定，且其不受具体公式的约束，具有较强的灵活性和可靠性。模糊逻辑理论地物杂波识别算法流程如图3所示（其中KDP是差分传播相移率，ρHV是零滞后相关系数）。

图3 模糊逻辑理论地物杂波识别算法流程

2.4 最优化隶属函数确定

隶属函数的正确选择是区分地物和降水回波的重要指标和依据。本文利用真实回波概率分布统计结果及CSI标准来获取各特征物理参量的最优化隶属函数。CSI的定义为：

其中，SC和SP分别表示真实的地物和降水的总样本数，RC和RP表示两者被准确识别的样本数。最优化隶属函数确定具体步骤为：

（1）绘制基于地物和降水特征物理参量的概率分布图，以统计特征初步构造各参量的隶属函数。采用基本形式为梯形的函数实现参量模糊化，大致确定隶属函数梯形点的范围，并确保其隶属度取值范围是[0，1]。

（2）通过人工判读识别手段，确定并标记出给定回波样本中降水和地物的位置。

（3）给予所有的隶属函数以相同权重，考虑多特征参量组合后对总样本识别效果的影响。采用特征参数等权重法得到地物回波概率判别值，并将得到的判别值与给定的识别阈值进行比较以实现地物识别。以CSI为评判标准对所有地物和降水样本的识别结果进行分析，以评估识其准确性。

（4）在初步确定的梯形隶属函数曲线基础上，以1为步进值，依次调整各特征参量的梯形点取值范围，重复步骤（3），并对每一次的调整进行CSI评判。以得到最高的CSI值（样本识别最高准确率）为目的，对所有样本进行分析，找出一组最优化隶属函数。

通过上述方案，可得到各特征参量的最优化的梯形隶属函数如图4所示。

图4 地物回波识别各特征参数的隶属函数

3 识别效果分析

2020年9月11日03时13分，攀枝花全固态雷达探测到一次降水过程，图5为观测仰角0.5°时的PPI图。由于地物主要集中在雷达近距离处，所以仅显示雷达径向距离100km以内回波的分布情况。为了检验偏振参量及最优化隶属函数对地物杂波的识别效果，分别就常规参量模糊逻辑网络和引入偏振参量的模糊逻辑网络进行了地物识别效果对比，结果如图6所示。其中图6a为常规模糊逻辑算法的识别结果，图6b为加入偏振参量的模糊逻辑算法的识别结果，图6c为晴好天气同层仰角下的反射率因子PPI观测资料。

图5 攀枝花全固态天气雷达2020年9月11日03时13分观测PPI图（0.5°仰角）

如图6a～b所示，可以看出雷达站点周围存在大量分布式的地物杂波点，而雷达东北方向为降水回波和地物回波混合区域。通过对比可知，虽然常规模糊逻辑算法和加入偏振参量的模糊逻辑算法都能识别出大部分有效的地物回波，但后者识别的面积和精细化程度明显要好于前者。图6a中能清楚的看到在雷达站点周围残留一些呈点状分布的地物杂波及被误判为地物回波的降水回波，可见常规模糊识别网络对降水和地物混合区域的识别效果较差，特别容易在降水回波边沿及弱降水目标处产生误判。进一步分析发现，该方法产生回波误判的主要原因是该区域降水回波的径向速度很小且接近于零，这也印证了常规模糊逻辑算法依靠速度等参数来判断的局限性。同时能发现地物和降水混合后由于受降水回波的影响，该位置的地物回波表现出降水回波的速度特征参数非零值的特点，这就会导致降水回波边沿被误判为地物回波。而引入偏振参量后，该算法明显改善了径向速度为零的降水区被误判为地物回波的情况，且对降水和地物混合的区域也能进行较好的识别，更好的保留了降水信息，识别地物回波的位置和形状与实际地物分布情况（图6c）基本一致，识别效果更好。

图6 不同参量模糊逻辑算法的回波识别及实测结果对比（a.常规参量，b. 加入偏振参量，c. 晴空条件下的地物回波）

总的来说，常规识别网络容易将径向速度基本为零附近的降水回波误判为地物回波且对地物和降水混合区域的地物回波基本无法有效识别；加入偏振参量后的识别网络克服了常规识别网络对径向速度基本为零的区域误判的问题，同时提升了对地物与降水回波混合区域中地物回波的识别能力。

4 结论与讨论

本文将偏振参量引入模糊逻辑算法对地物杂波进行识别，同时探讨了地物回波和降水回波的偏振参量特征差异，通过统计平均的结果实现了地物识别模糊逻辑网络的设计，并将常规模糊逻辑算法与加入偏振参量的模糊逻辑算法的识别效果进行比较，得到以下主要结论：

（1）加入偏振参量的模糊逻辑识别算法能有效识别降水和地物混合区域地物回波，同时改善了径向速度为零的区域被误判为地物回波的问题，能达到满意的识别效果。

（2）双线偏振参量在描述粒子特性方面有着非常明显的优势，引入偏振参量后的模糊逻辑识别算法对识别和区分雷达站点近距离处弱降水目标和地物回波有一定程度的改善。

偏振参量的应用可以为高质量的业务观测提供支持，同时也有利于提高雷达对灾害性天气的监测和预警能力。但需要注意雷达回波识别是比较复杂的，仅仅依靠偏振参量来准确区分地物回波和降水回波仍然是很困难的，必要时需结合卫星和飞机遥感数据来进行地物回波识别。