中国气象学会主办。
文章信息
- 文浩, 张乐坚, 梁海河, 张扬. 2020.
- WEN Hao, ZHANG Lejian, LIANG Haihe, ZHANG Yang. 2020.
- 基于模糊逻辑的新一代天气雷达径向干扰回波识别算法
- Radial interference echo identification algorithm based on fuzzy logic for weather radar
- 气象学报, 78(1): 116-127.
- Acta Meteorologica Sinica, 78(1): 116-127.
- http://dx.doi.org/10.11676/qxxb2020.010
文章历史
-
2019-06-26 收稿
2019-10-08 改回
2. 中国气象科学研究院灾害天气国家重点实验室,北京,100081
2. State Key Laboratory of Severe Weather,Chinese Academy of Meteorological Sciences,Beijing 100081,China
中国自1999年开展新一代天气雷达(CINRAD)布网以来,已完成200余部多普勒天气雷达(S、C波段)的建设和运行,在台风(高拴柱等,2007)、暴雨(孙继松等,2015)和强对流(郑媛媛等,2004)等灾害性天气的监测、预警和预报中发挥了不可替代的作用。同时,天气雷达资料已初步应用于数值预报业务(Bao,et al,2017),能明显改善6 h降水强度和落区预报,有效提高模式分辨率(盛春岩等,2006)。为了提升天气雷达的应用效益,满足中国经济社会发展对强对流天气监测服务提出的更高要求,提高天气雷达数据质量至关重要。《2017年全国天气雷达数据质量评估报告》表明,径向干扰回波是出现频次较高的非气象回波,占数据质量问题总数的3.25%以上,对数据质量影响严重。
径向干扰回波是一种沿径向方向分布的条幅状回波,能够延展到最大探测距离(杜言霞等,2017a)。这类回波会污染天气雷达在受影响方位扇区的气象信息,将其误认为大气观测数据(Cho,2017),可以由外部远距离单频点电磁波干扰(周红根等,2008)和内部数据处理异常引起。
过去十年,气象学界特别关注无线设备的射频干扰对天气雷达的影响(Saltikoff,et al,2016)。在信号处理端,基于I/Q(In-phase and Quadrature)数据,进行了大量研究工作,如使用单脉冲异常检测滤波器检测(FAA,1995),并用相邻脉冲的插值代替标记脉冲(Vaisala,2014);在多普勒频率中,干扰表现为白噪声(Joe,et al,2005),可通过检测频谱噪声的异常增量并去除多余的功率(Cho,2010,2011)。中国I/Q数据基本未保存,利用基数据的处理方法有:孤立回波消除算法和径向干扰识别算法(杨川,2012),区域滤波和检查回波径向、方位上连续性的识别方法(江源,2013),边缘识别法和径向识别法(郭春辉等,2014)等。杜言霞等(2017a,2017b)对数据进行退距离订正和衰减订正后,利用特征阈值判定识别径向干扰回波,并比较了滤波法、插值法及功率法的效果。
基于基数据的识别方法大多只做了个例研究,且一般针对较窄的径向干扰回波做分析,未进行定量分析以及开展业务化工作。根据“新一代天气雷达建设业务软件系统(Radar Operational Software Engineering,ROSE)”中径向干扰回波识别算法的评估结果,ROSE算法能有效识别窄径向(方位角连续不超过5°)的干扰回波,对于大面积径向(方位角连续超过5°)的干扰回波无法识别(文浩等,2016)。中国气象局气象探测中心现有的业务化径向干扰回波识别算法(AO)对于此类回波识别效果也较差。同时,中国气象局已开展天气雷达单径向流数据传输工作,为了形成快速质量控制及拼图业务,满足业务应用需求,提升识别效果,文中仅提取回波径向上的特征参数,建立基于模糊逻辑的识别算法(AFL),并使用数据统计和典型个例对比分析AO、AFL两种算法的识别效果。
2 数据与特征分析 2.1 特征分析径向干扰由雷达信号处理器异常和信号受到外部电磁干扰引起。一般情况,所有仰角都可能出现径向干扰回波,反射率因子值一般为5—60 dBz(图1a—c),特别地,当位于雷达频率范围的太阳辐射波被雷达接收到时(NOAA,2006;Tang,et al,2014),雷达某个仰角上的1—2个径向上会出现较弱的径向干扰回波,反射率因子值一般为5—20 dBz(图1d)。
这些情况下,雷达接收的信号是由正常观测返回的信号和灌入信号叠加而成(江源,2013)。根据反射率因子Z(单位:dBz)、回波功率与雷达最小可测功率之比B(单位:dB)的关系(俞小鼎等,2006),
$ Z = 20\lg R + B - A $ | (1) |
式中,R(单位:km)为某观测点到雷达站的距离,A是与雷达性能有关的常数。
即使接收的是稳定信号,B转换成Z时经过了20lgR的距离订正(同一部雷达常数A相同),使得Z的大小随距离的增大有一定的增强。因此,去除距离订正后,径向干扰回波的B在径向上由始至终差异较小,而由于降水粒子存在的位置、强度不同,降水回波的B在径向上随距离应没有明显规律。
分析图1a的355°方位角径向干扰回波和214°方位角降水回波在径向上Z、B值随距离的变化,显示结果与理论分析一致(图2),即去除距离订正后,径向干扰回波的B在整个径向上差异不大(前50个距离库混合有超折射回波波动较大),降水回波的B在径向上随距离没有明显规律。
由于干扰源类型的不同,径向干扰回波形态不同。在数据收集过程中发现,按照径向干扰回波局部水平纹理的变化可以将其分为两类,第1类径向干扰回波局部水平纹理平滑,由发射连续波的设备造成(图1a);第2类径向干扰回波局部水平纹理粗糙,由发射脉冲波的设备造成(图1c)。且这两类回波一般能延展到雷达的最大探测距离。
为有效应用天气雷达流数据,对其快速质量控制,形成高质量、高时间分辨率的产品,采用回波径向特征进行分析,即文中不采用相邻仰角、相邻方位角的特征参数对径向干扰回波进行识别。
2.2 数据收集算法的建立需要一个含径向干扰回波、层云降水回波和对流云降水回波的数据库,以统计分析3种回波的不同特征参数的差异。人为判定体扫资料径向干扰回波可以从回波的形态、径向和方位的延展性进行判断;对流云降水回波为不规则的块状结构,结构紧密,反射率因子中心一般在35 dBz以上;层云降水回波的范围较大,连绵成片,强度较均匀,反射率因子通常为15—35 dBz。
根据中国气象局气象探测中心《每日综合气象观测快报》的人工记录,收集2017年7—8月42个站共475个径向干扰PPI数据,420个层云降水回波PPI数据,420个对流云降水回波PPI数据。按照文件排序,将奇数文件作为统计数据,偶数文件作为验证数据,建立包含统计特征参数概率分布的统计数据库和验证算法识别率的验证数据库(表1),数据库以一个方位-距离库为一个单位。其中,RI-I、RI-II、CC和SC分别表示第1类径向干扰回波,第2类径向干扰回波,对流云降水回波和层云降水回波。
数据库类别 | 雷达型号 | RI-I | RI-II | CC | SC |
统计数据库 | SA | 202040 | 193228 | 1049085 | 1160788 |
SB | 121629 | 6105 | 178248 | 243619 | |
CB | 170762 | 46922 | 86498 | 296349 | |
CC | 12961 | 0 | 366690 | 687147 | |
验证数据库 | SA | 221530 | 217300 | 895640 | 1212600 |
SB | 148390 | 9968 | 180540 | 275400 | |
CB | 141540 | 99143 | 116250 | 274830 | |
CC | 70418 | 0 | 244230 | 617030 |
AO基于功率法开展,对于RREF(单位:%)超过80%以上的径向,计算方位角上某一距离库未经距离订正的Bj(单位:dB)(由于同部雷达,雷达常数A为定值,不影响B的变化趋势,计算时忽略不计),再计算该距离库所在径向上最后10%的有效距离库的B的平均(单位:dB),最后计算DB(单位:dB),若DB小于事先设定的阈值,则判定此距离库为径向干扰回波。RREF、Bj、
$ {R_{{\rm{REF}}}} = \frac{1}{{{N_{\rm{R}}}}} {{ \displaystyle\sum \limits_{j = 0}^{{N_{\rm{R}}}} {N_{\rm{Z}}}}} \times 100{\text{%}}$ | (2) |
$ {N_{\rm{Z}}} = \left\{ {\begin{array}{*{20}{l}} {1\;\;\;\;\;\;\;{Z_{j}} = {\rm{Val}}}\\ {0\;\;\;\;\;\;\;{Z_{j}} \ne {\rm{Val}}} \end{array}} \right.\quad $ | (3) |
$ {B_j} = {Z_j} - 20{\rm{lg}}{R_j}\quad\quad\quad\quad $ | (4) |
$ \overline B = \frac{1}{0.1N}{ \displaystyle\sum \limits_{j = {0.9N}}^{{N_{\rm{R}}}} {B_j}}\quad\quad\quad\;\;\; $ | (5) |
$ {D_B} = {B_j} - \overline B\quad\quad\quad\quad\quad\quad $ | (6) |
式中,Zj(单位:dBz)为方位角上某距离库的反射率因子,Val(单位:dBz)为有效探测值,Rj(单位:km)为方位角上某距离库与雷达的距离,NR为反射率因子的距离库数。
AO利用阈值和单个特征参量对回波进行识别,但研究(Berenguer,et al,2006;刘黎平等,2007)表明,多个参数的有效结合能更好区分降水和非降水回波,因此,AFL在AO基础上利用模糊逻辑方法开展,提取能够反映径向干扰回波特征的物理参数,根据参数的概率分布建立相应的隶属函数以及径向干扰回波0—1的取值判据,然后对判据值加权累加,当某点的判据值超过事先给定的阈值时,该点就被判定为径向干扰回波并剔除。
3.1 特征参数根据2.1节的特征分析,从反射率因子中提取4个能够反映径向干扰回波和降水回波差异的特征参数:DB,表示当前径向前后距离库回波功率的一致性;RREF,表示反射率因子在当前径向上的延展性;TDBZ(单位:dB2),表示径向上局部反射率因子回波纹理的一致性(Kessinger,et al,2003);SPIN,表示局部范围内相邻反射率因子符号变化的情况(Steiner,et al,2002;Rennie,et al,2015)。其中,TDBZ和SPIN的定义如式(7)—(9)
$ {T_{{\rm{DBZ}}}} = \frac{1}{{11}}{{\displaystyle\sum \limits_{j = - 5}^5 {{\left({{Z_j} - {Z_{j + 1}}} \right)}^2}}} $ | (7) |
$ {S_{{\rm{PIN}}}} = \sum \limits_{j = - 5}^5 {M_{{S_{{\rm{PIN}}}}}}\quad\quad\quad\;\; $ | (8) |
$ {M_{{S_{{\rm{PIN}}}}}} = \left\{ {\begin{array}{*{20}{c}} {1\;\;\;\;\;\dfrac{{\left| {{Z_j} - {Z_{j - 1}}} \right| + \left| {{Z_{j + 1}} - {Z_j}} \right|}}{2} {\text{>}} {Z_{{\rm{thresh}}}}}\\ {0\;\;\;\;\;\dfrac{{\left| {{Z_j} - {Z_{j - 1}}} \right| + \left| {{Z_{j + 1}} - {Z_j}} \right|}}{2} {\text{≤}} {Z_{{\rm{thresh}}}}} \end{array}} \right. $ | (9) |
式中,Zthresh为距离库之间反射率因子变化的阈值。
3.2 概率分布与隶属函数基于统计数据库,统计径向干扰回波、对流云降水回波和层云降水回波的特征参数的概率分布(图3)。分析径向干扰回波和降水回波的各特征参数差异:RI-I和RI-II的RREF较大,主要分布在85%—100%,该特征值与CC、SC雷达的差异较大;RI-I和RI-II的DB集中于0值附近,而CC、SC雷达的DB分布较为广泛;RI-I的TDBZ较CC、SC雷达的变化较小,而RI-II的TDBZ较CC、SC雷达的变化较大;RI-I的SPIN较小,主要集中在0—4,RI-II的SPIN在大值区分布较多,CC和SC雷达的SPIN基本分布于0—6。尽管这些特征物理量有一定的能力将径向干扰回波与降水回波相区分,但特征分布在很多区域是重叠的,所以利用单一的物理量来区分是不够有效的,需要利用多个特征参量联合识别。
概率分布函数是量化某个距离库反射率因子值是某种类型(径向干扰或降水)的置信度。因此,隶属函数的形状应该类似于概率分布。通常将隶属函数定义为简单的曲线,最常见的是三角形、梯形、分段线性以及高斯函数(Mendel,1995)。根据分布结果以及满足业务运行效率,文中使用分段线性隶属函数来表现概率分布的形状。由此,根据特征参数RREF、DB、TDBZ和SPIN的概率分布,确定各参数的隶属函数(图4)。为了在业务中实现自动化应用,设定TDBZ>3 dB2的距离库使用RI-II的隶属函数,否则使用RI-I的隶属函数。
3.3 特征参数权重权重的选取是利用对统计数据库识别结果的临界成功指数(CSI)评分确定的,定义如式(10)和(11)
$ \!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!{\rm{POD}} = \frac{{{N_{\rm{HIT}}}}}{{{N_{\rm{ALL}}}}} $ | (10) |
$ {\rm{CSI}} = {\rm{PO}}{{\rm{D}}_{{\rm{RI}}}} \times {\rm{PO}}{{\rm{D}}_{{\rm{PC}}}} $ | (11) |
式中,NALL表示参与统计的总样本数,NHIT表示准确识别的样本总数,POD表示识别准确率,PODRI和PODPC分别表示径向干扰回波和降水回波的识别准确率。
在权重选取的过程中,使用以下先验约束条件来减少分析组合的数量:(1)特征参数RREF、DB权重占比大于0;(2)特征参数TDBZ和SPIN在RI-I识别时权重占比分别为1和0,在RI-II识别时权重占比各为1,这是根据径向干扰和降水回波在参数TDBZ和SPIN的概率分布重叠区域较多决定的;(3)每个特征参数的权重不能超过权重总和的40%,因此,各参数权重的可能组合如表2所示。
序号 | RI-I | RI-II | CSI | |||||||
RREF | DB | TDBZ | SPIN | RREF | DB | TDBZ | SPIN | |||
1 | 1 | 1 | 1 | 0 | 1 | 1 | 1 | 1 | 0.855 | |
2 | 1 | 1 | 1 | 0 | 1 | 2 | 1 | 1 | 0.871 | |
3 | 1 | 1 | 1 | 0 | 2 | 1 | 1 | 1 | 0.855 | |
4 | 1 | 1 | 1 | 0 | 2 | 2 | 1 | 1 | 0.849 | |
5 | 1 | 1 | 1 | 0 | 3 | 3 | 1 | 1 | 0.848 | |
6 | 1 | 1 | 1 | 0 | 4 | 4 | 1 | 1 | 0.846 | |
7 | 2 | 2 | 1 | 0 | 1 | 1 | 1 | 1 | 0.854 | |
8 | 2 | 2 | 1 | 0 | 1 | 2 | 1 | 1 | 0.871 | |
9 | 2 | 2 | 1 | 0 | 2 | 1 | 1 | 1 | 0.854 | |
10 | 2 | 2 | 1 | 0 | 2 | 2 | 1 | 1 | 0.865 | |
11 | 2 | 2 | 1 | 0 | 3 | 3 | 1 | 1 | 0.867 | |
12 | 2 | 2 | 1 | 0 | 4 | 4 | 1 | 1 | 0.869 |
根据CSI评分结果,序号2和序号8的CSI评分最高,但序号2相较于序号8的权重占比会造成更多降水回波误识别。在尽可能保留降水且提升径向干扰回波识别准确率的原则上,文中选择序号8,即RI-I的特征参数RREF、DB、TDBZ和SPIN的权重占比分别为2、2、1、0;RI-II的特征参数RREF、DB、TDBZ和SPIN的权重占比分别为1、2、1、1。
4 效果评估为了验证AFL对于径向干扰回波和降水回波的识别效果,开展以下工作:(1)使用验证数据库对总体识别准确率进行评估,(2)使用个例资料对识别效果进行补充说明,(3)说明算法在业务上的应用效果。
4.1 总体评估识别效果的总体评估指标包括,算法对径向干扰回波或降水回波的识别准确率(式(10))及整体CSI评分(式(11)),其中PODRI-I、PODRI-II、PODCC和PODSC分别表示RI-I、RI-II、CC和SC的识别准确率。
根据表3的统计结果,AFL相对于原业务算法AO,对于RI-I和RI-II的识别准确率都有很大提升,对于CC的识别率略有提升(0.052),对于SC的识别率没有改变,整体CSI评分提高0.232。由于AFL的特征参数的联合应用会放大3.1节中选取的径向干扰的特征,导致类似径向干扰回波特征的降水回波的误识增多,同时也减少与径向干扰回波相区别的降水回波的误识,因此在降水回波识别准确率较高的情况下,虽有提升但不明显,4.2节中将会结合个例做进一步分析。
质控算法 | PODRI-I | PODRI-II | PODCC | PODSC | CSI |
AFL | 0.926 | 0.874 | 0.988 | 0.949 | 0.874 |
AO | 0.724 | 0.600 | 0.936 | 0.949 | 0.642 |
根据表4的统计结果,AFL对于SA、SB、CB雷达的综合识别效果都较好,CSI评分0.9以上。其中,对于降水回波的识别准确率超过0.99,CB雷达对对流云的识别准确率甚至为1,说明在大样本量下,AFL对于降水回波的误识情况是较少的。对于CC雷达,由于探测范围较小(150 km),层云降水回波很容易达到探测范围,且回波纹理平滑,由此计算的特征参数与径向干扰回波十分相似,造成误识较多,识别准确率仅为0.804,CSI评分0.746。
雷达型号 | PODRI-I | PODRI-II | PODCC | PODSC | CSI |
SA | 0.957 | 0.860 | 0.997 | 0.999 | 0.908 |
SB | 0.925 | 0.845 | 0.996 | 0.999 | 0.920 |
CB | 0.899 | 0.908 | 1 | 0.999 | 0.903 |
CC | 0.885 | − | 0.942 | 0.804 | 0.746 |
使用AO和AFL对个例观测回波进行识别消除,分析对比算法的识别效果以及适用性。
图5给出AO和AFL对图1a、1b观测回波的识别对比结果。两类算法均能有效识别0.5°和1.5°高低两个仰角的绝大部分窄径向和大面积径向的RI-I,识别面积基本相同,但0.5°仰角的RI-I经AO识别后会存在较少的孤立回波,以及在355°方位角附近遗留较强的回波(白色方框内),这是因为AO仅使用单一特征参量判定,一旦特征参量不满足阈值条件时,则不能识别,会遗留较多的孤立点。
再分析图1c,雷达东北方存在强对流降水回波,西北方和东南方分别存在较窄的和大面积的RI-II,径向干扰回波的水平纹理十分粗糙。经过识别后(图6),AFL较AO能更好地识别窄径向和大面积径向的RI-II,同时能更好地保留强降水回波。由于AO仅针对RI-I的特征建立,故对于RI-II识别效果较差。
文中还检验了AFL对其他个例不同仰角的RI-I和RI-II的识别效果,均能较好识别(图略),因此,AFL对于RI-I和RI-II,包括高低仰角的窄径向、大面积径向的干扰回波,都能有效地识别和消除。
质量控制算法的识别效果需综合考量其对于非气象回波和气象回波的识别情况。由于径向干扰回波一般能够延展到最大探测距离,当有效的距离库数越多,AFL采用的特征参数RREF的值越大;DB也仅在雷达较远探测距离存在有效值才可以计算;对于SA、SB和CB雷达,一般的降水回波很少能贯穿整个方位角,故该算法一般不会对降水回波造成误识,统计结果也能说明此情况。对于图7所示的这类长条状的降水回波,降水回波在方位角192°—200°基本已到达最远探测距离(RREF值较大),径向前后反射率因子变化不大(DB较小),特征参数满足条件被误识,但相对于AO误识有减少。对于图8所示的层云降水回波,由于CC雷达最大探测距离仅为150 km,降水回波很容易达到,同时层云降水回波水平纹理平滑,在此情况下AFL中的特征参数值与径向干扰回波高度相似,造成严重的误识别,误识的面积比AO多。
因此,对于SA、SB和CB雷达,当降水回波存在较远探测距离且回波水平纹理变化较小时,AFL可能对其造成误识别;对于CC雷达探测的层云降水回波,AFL存在严重误识别的情况。
4.3 业务应用效果中国气象局气象探测中心2018年6月发布“综合气象观测数据质量控制系统”,该系统为国家级观测数据质量控制实时业务系统,其中涵盖对天气雷达数据的获取监视、质量控制、诊断勘误以及评估改进功能,值班员对系统数据质量无间断监控。AFL也被应用到该系统中,以用于处理SA、SB和CB雷达产生的径向干扰回波,对于CC雷达等探测范围较小的雷达未使用。为了便于值班员的监控,系统网页诊断勘误部分显示了未经质量控制和经过质量控制的全国天气雷达组合反射率拼图,若算法对于径向干扰回波识别消除失效,值班员会手动进行勘误并记录。
中国气象局气象探测中心业务系统中天气雷达拼图的时间分辨率为10 min,自2018年7月至2019年5月共生成48240时次拼图数据,根据值班员的反馈以及记录,AFL使用近1年,人工质量控制441个时次的径向干扰数据(包括对CC雷达等未使用AFL数据的人工勘误),占总数的0.91%。表明算法具有稳定的运行能力及良好的质量控制效果,能够识别并去除绝大多数的径向干扰回波。
由于二次产品的质量高低均是建立在雷达基数据的基础上,AFL能提升数据质量,对于业务上降水估测等定量应用也能产生一定正作用。2019年6月21—22日,华中及华南的部分地区有大到暴雨,并伴有雷暴大风等强对流天气。图9为6月21日03—06时华东局部地区的3 h降水估测,降水估测是在形成混合扫描反射率(肖艳姣等,2008)的基础上,利用Z-R关系将反射率因子转换成降水率累计得到的。使用AFL前,降水估测相应位置有微弱降水(图9a),使用AFL后条辐状的弱降水消失(图9b)。
5 结 论针对业务中频繁出现的径向干扰回波,根据收集的数据,提取特征参数,形成一种基于模糊逻辑的识别算法,并对算法开展效果评估,结果表明:
(1)RREF、DB、TDBZ和SPIN是4个能够反应径向干扰回波和降水回波差异的特征参数,RI-I和SC、CC雷达的SPIN概率分布重合较多,因此RI-I选择RREF、DB、TDBZ作为算法输入,RI-II选择RREF、DB、TDBZ和SPIN作为算法输入。这些特征仅在径向方向上提取,能够与业务上天气雷达单径向流数据传输相结合,实现快速质量控制。
(2)AFL相对于AO,整体的CSI评分提高0.232,对于径向干扰回波的识别准确率大幅度提高(包括大面积径向干扰回波),对于降水回波的识别准确率略微提高。
(3)AFL对于SA、SB和CB雷达的综合识别效果较好,CSI评分超过0.9,当降水回波存在较远探测距离且回波水平纹理变化较小时,算法可能对其造成误识别;对于CC雷达的识别准确率稍差,CSI评分0.746,对于层云降水回波,存在严重误识别的情况。
(4)将AFL应用于SA、SB和CB雷达资料实时业务质量控制,结果表明算法具有较高的稳定性,且对于降水估测等定量应用具有正贡献。
AFL能够有效识别区分径向干扰回波,提高资料的可用性,但对于探测距离较短的雷达资料误识较多,严重时层云降水回波基本被识别剔除,在此情况下的定量降水估测会严重低估,因此,还需要寻找更有效的方法来识别此类雷达的径向干扰回波。由于各类非气象回波的识别用到了许多相同的特征参数,可以基于模糊逻辑建立一整套非气象回波的识别方法,提高业务运行效率及识别准确率。
杜言霞, 刘光普, 邱光敏. 2017a. 天气雷达径向干扰回波去除方法的比较. 干旱气象, 35(3): 502-506. Du Y X, Liu G P, Qiu G M. 2017a. Comparison of radial interference echo removal methods for weather radar. J Arid Meteor, 35(3): 502-506. (in Chinese) |
杜言霞, 陈斯智, 陈州川等. 2017b. 天气雷达远距离单频点电磁径向干扰回波的特征分析及识别. 气象研究与应用, 38(4): 65-68. Du Y X, Chen S Z, Chen Z C, et al. 2017b. Analysis and recognition of the characteristics of the remote single frequency electromagnetic interference radial echo of the weather radar. J Meteor Res Appl, 38(4): 65-68. (in Chinese) |
高拴柱, 矫梅燕, 毕宝贵等. 2007. 相关法雷达反演风场在台风监测和分析中的应用. 气象, 33(1): 38-44. Gao S Z, Jiao M Y, Bi B G, et al. 2007. Wind field retrieve from radar echo with correlation method and its application to typhoon monitoring and analysis. Meteor Mon, 33(1): 38-44 (in Chinese)
|
郭春辉, 王旭, 袁微. 2014. 多普勒天气雷达径向干扰回波的识别与消除. 气象水文海洋仪器, 31(2): 24-29,32. Guo C H, Wang X, Yuan W. 2014. Identification and removal of radial interference echo of Doppler weather radar. Meteor, Hydrol Mar Instrum, 31(2): 24-29,32. DOI:10.3969/j.issn.1006-009X.2014.02.007 (in Chinese) |
江源. 2013. 天气雷达观测资料质量控制方法研究及其应用[D]. 南京: 南京信息工程大学, 35-37. Jiang Y. 2013. Meteorological radar data quality control study and application[D]. Nanjing: Nanjing University of Information Science and Technology, 35-37 (in Chinese)
|
刘黎平, 吴林林, 杨引明. 2007. 基于模糊逻辑的分步式超折射地物回波识别方法的建立和效果分析. 气象学报, 65(2): 252-260. Liu L P, Wu L L, Yang Y M. 2007. Development of fuzzy-logical two-step ground clutter detection algorithm. Acta Meteor Sinica, 65(2): 252-260. DOI:10.3321/j.issn:0577-6619.2007.02.011 (in Chinese) |
盛春岩, 薛德强, 雷霆等. 2006. 雷达资料同化与提高模式水平分辨率对短时预报影响的数值对比试验. 气象学报, 64(3): 293-307. Sheng C Y, Xue D Q, Lei T, et al. 2006. Comparative experiments between effects of Doppler radar data assimilation and inceasing horizontal resolution on short-range prediction. Acta Meteor Sinica, 64(3): 293-307. DOI:10.3321/j.issn:0577-6619.2006.03.004 (in Chinese) |
孙继松, 雷蕾, 于波等. 2015. 近10年北京地区极端暴雨事件的基本特征. 气象学报, 73(4): 609-623. Sun J S, Lei L, Yu B, et al. 2015. The fundamental features of the extreme severe rain events in the recent 10 years in the Beijing area. Acta Meteor Sinica, 73(4): 609-623. (in Chinese) |
文浩, 刘黎平, 张持岸等. 2016. 新一代天气雷达地物回波及电磁干扰质控算法业务试运行评估. 气象科学, 36(6): 789-799. Wen H, Liu L P, Zhang C A, et al. 2016. Operational evaluation of radar data quality control for ground clutter and electromagnetic interference. Scientia Meteor Sinica, 36(6): 789-799. (in Chinese) |
肖艳姣, 刘黎平, 杨洪平. 2008. 基于天气雷达网三维拼图的混合反射率因子生成技术. 气象学报, 66(3): 470-473. Xiao Y J, Liu L P, Yang H P. 2008. Technique for generating hybrid reflectivity field based on 3-D mosaicked reflectivity of weather radar network. Acta Meteor Sinica, 66(3): 470-473. DOI:10.3321/j.issn:0577-6619.2008.03.016 (in Chinese) |
杨川. 2012. 新一代天气雷达资料质量分析和处理方法研究[D]. 成都: 成都信息工程学院, 26-30. Yang C. 2012. Study of method for radar data quality control with new generation weather radar[D]. Chengdu: Chengdu University of Information Technology, 26-30 (in Chinese)
|
俞小鼎, 姚秀萍, 熊廷南等. 2006. 多普勒天气雷达原理与业务应用. 北京: 气象出版社, 30-32. Yu X D, Yao X P, Xiong T N, et al. 2006. Doppler Weather Radar Principle and Operational Application. Beijing: China Meteorological Press, 30-32 (in Chinese)
|
郑媛媛, 俞小鼎, 方翀等. 2004. 一次典型超级单体风暴的多普勒天气雷达观测分析. 气象学报, 62(3): 317-328. Zheng Y Y, Yu X D, Fang C, et al. 2004. Analysis of a strong classic supercell storm with Doppler weather radar data. Acta Meteor Sinica, 62(3): 317-328. DOI:10.3321/j.issn:0577-6619.2004.03.006 (in Chinese) |
周红根, 柴秀梅, 胡帆等. 2008. 新一代天气雷达回波异常情况分析. 气象, 34(6): 112-115. Zhou H G, Chai X M, Hu F, et al. 2008. Analysis of abnormal echo of new generation weather radar. Meteor Mon, 34(6): 112-115. DOI:10.7519/j.issn.1000-0526.2008.06.017 (in Chinese) |
Bao X W, Wu D, Lei X T, et al. 2017. Improving the extreme rainfall forecast of typhoon Morakot (2009)by assimilating radar data from Taiwan Island and mainland China. J Meteor Res, 31(4): 747-766. DOI:10.1007/s13351-017-6007-8 |
Berenguer M, Sempere-Torres D, Corral C, et al. 2006. A fuzzy logic technique for identifying nonprecipitating echoes in radar scans. J Atmos Oceanic Technol, 23(9): 1157-1180. DOI:10.1175/JTECH1914.1 |
Cho J Y N. 2010. Signal Processing Algorithms for the Terminal Doppler Weather Radar: Build 2. Washington, DC: MIT Lincoln Laboratory, 79pp
|
Cho J Y N. 2011. Analysis of 5-GHz U-NII Device Signals Received by the PSF TDWR. Lexington, MA: MIT Lincoln Laboratory, 28pp
|
Cho J Y N. 2017. A new radio frequency interference filter for weather radars. J Atmos Oceanic Technol, 34(7): 1393-1406. DOI:10.1175/JTECH-D-17-0028.1 |
FAA. 1995. Specification: Terminal Doppler Weather Radar with Enhancements. Federal Aviation Administration Doc. FAAE-2806c, 142pp
|
Joe P, Scott J, Sydor J, et al. 2005. Radio local area network (RLAN)and C-band weather radar interference studies∥Proceedings of the 32nd AMS Radar Conference on Radar Meteorology. Albuquerque, New Mexico: AMS
|
Kessinger C, Ellis S, van Andel J. 2003. The radar echo classifier: A fuzzy logic algorithm for the WSR-88D∥Proceedings of the 3rd Conference on Artificial Intelligence Applications to the Environmental Science. Long Beach: Amer Meteor Soc
|
Mendel J M. 1995. Fuzzy logic systems for engineering: A tutorial. Proc IEEE, 83(3): 345-377. DOI:10.1109/5.364485 |
NOAA. 2006. Federal Meteorological Handbook NO.11: Doppler radar meteorological observations part D, WSR-88D unit description and operational applications. Washington: Office of the Federal Coordinator for Meteorological Services and Supporting Research, 6-7
|
Rennie S J, Curtis M, Peter J, et al. 2015. Bayesian echo classification for Australian single-polarization weather radar with application to assimilation of radial velocity observations. J Atmos Oceanic Technol, 32(7): 1341-1355. DOI:10.1175/JTECH-D-14-00206.1 |
Saltikoff E, Cho J Y N, Tristant P, et al. 2016. The threat to weather radars by wireless technology. Bull Amer Meteor Soc, 97(7): 1159-1167. DOI:10.1175/BAMS-D-15-00048.1 |
Steiner M, Smith J A. 2002. Use of three-dimensional reflectivity structure for automated detection and removal of nonprecipitating echoes in radar data. J Atmos Oceanic Technol, 19(5): 673-686. DOI:10.1175/1520-0426(2002)019<0673:UOTDRS>2.0.CO;2 |
Tang L, Zhang J, Langston C, et al. 2014. A physically based precipitation-nonprecipitation radar echo classifier using polarimetric and environmental data in a real-time national system. Wea Forecasting, 29(5): 1106-1119. DOI:10.1175/WAF-D-13-00072.1 |
Vaisala. 2014. User’s Manual: RVP900 Digital Receiver and Signal Processor. Vaisala: Vaisala Oyj, 513pp
|