应用气象学报  2009, 20 (2): 203-213   PDF    
引用本文
江源, 刘黎平, 庄薇. 多普勒天气雷达地物回波特征及其识别方法改进[J]. 应用气象学报, 2009, 20(2): 203-213.
Jiang Yuan, Liu Liping, Zhuang Wei. Statistical Characteristics of Clutter and Improvements of Ground Clutter Identification Technique with Doppler Weather Radar[J]. Journal of Applied Meteorological Science, 2009, 20(2): 203-213  
多普勒天气雷达地物回波特征及其识别方法改进
江源, 刘黎平, 庄薇     
中国气象科学研究院灾害天气国家重点试验室, 北京 100081
2008-02-27 收到, 2009-02-11 收到修改稿.
资助项目: 国家自然科学基金项目 (40775021)、973项目“我国南方致洪暴雨监测与预测的理论和方法研究”(2004CB418305)、气象行业专项“热带西太平洋观测试验与我国高影响天气可预报性研究”、“相控阵天气雷达关键技术研究”和灾害性天气国家重点实验室自主研究课题共同资助    
摘要: 非气象因子会在雷达探测时对雷达资料造成污染,并导致雷达数据的质量问题,在雷达数据应用之前必须对被污染的距离库进行识别和处理。该文在现有基于模糊逻辑识别地物回波工作的基础上,发展适合于我国CINRAD/SA的地物回波识别方法,采用北京和天津雷达2005,2006年夏季部分时段体扫资料,同时对反射率因子和径向速度以及速度谱宽进行处理,得到不同回波的各种特征, 并对各种回波特征进行分析; 考虑到隶属函数的确定是地物识别准确率的关键, 运用CSI (critical success index)评判标准确定了模糊逻辑超折射地物回波识别的最佳线性梯形隶属函数;通过识别效果分析说明该方法在识别超折射地物回波中的作用。结果表明:运用改进后的模糊逻辑法可以更好地识别地物回波, 特别是那些超折射地物回波; 与原方法相比, 改进后的方法有效减少了对降水回波的误判。
关键词: 超折射地物回波    回波识别    模糊逻辑    
Statistical Characteristics of Clutter and Improvements of Ground Clutter Identification Technique with Doppler Weather Radar
Jiang Yuan, Liu Liping, Zhuang Wei     
State Key Laboratory of Severe Weather, Chinese Academy of Meteorological Sciences, Beijing 100081
Abstract: Radar echoes caused by non-meteorological targets significantly affect radar data quality, and contaminated bins by ground clutter should be identified and eliminated before precipitation can be quantitatively estimated from radar data. An automatic algorithm for ground clutter detection is developed and examined. The algorithm is based on fuzzy logic, using volume scanning radar raw data. It uses some statistics to highlight clutter characteristics, such as shallow vertical extent, high spatial variability, and low radial velocities. A value that quantifies the possibility of each bin being affected by clutter is derived, and then certain impacts can be eliminated when this factor exceeds acertain threshold. The ground clutter points in sample data are distinguished empirically. In order to reduce the identified inaccuracy of the precipitation echoes with least infections on the ground clutter identified veracity, the optimal membership functions are determined by analyzing statistic the precipitation and ground clutter with the critical success index (CSI) based on the standard ground clutter and precipitation data. CSI is obtained based on the identified veracity through all samples includes clutters and precipitation of each function performs. The performance of this algorithm (MOP) is compared against that of the original one such as China currently available membership function (MCH) and American membership function (MAM) by testing with statistical analysis, individual cases analysis, and inaccurate result analysis methods. Satisfactory results are obtained from an exhaustive evaluation of this algorithm, especially in the cases where anomalous propagation plays an important role. It turns out six characteristic parameters including TDBZ, GDBZ, SPIN, MDVE, MDSW, SDVE can retrieve precipitation echo and clutters well. Radial velocity used in algorithm shows it is good for echo classifying, it will reduce the possibility of identifying the precipitation echo to clutter. The membership functions got from CSI show better result than the original one, especially in distinguishing the precipitation echo from clutter. The algorithm performs well, but the result isn't hundred-percent correct yet. Through individual case analysis, it's found out the cause for the wrong classifying is echo intensity's horizontal texture and velocity's range unfold which is unavoidable, but it proves velocity data can improve the echo classifying result too. Radar data quality control is a complicated question, just using radar data is not enough to reach a perfect outcome. Satellite or automatic weather station data can be imported to make the result more authentic. And the most effective work on radar data quality control is to combine the manual work to the algorithm, through which all kinds of data problems recognized by auto algorithm can be solved. Radar echo classifying is still a key point in radar data quality control, radar data quality will not be totally exact until the radar echo characteristic is acknowledged and the right way to work it out is chosen, and that will have great effect on the application of radar data.
Key words: AP clutter     echo identification     fuzzy logical    
引 言

多普勒天气雷达可以同时探测到气象因子和非气象因子,非气象因子所产生的回波会污染雷达探测结果。超折射地物回波就属于非气象因子,它对于雷达资料的定量应用有严重的影响,必须对其进行实时识别和剔除。一些专家提出了自动处理雷达基数据的方法,例如检查回波的时间和空间(水平和垂直)连续性[1-2], 分析反射率因子的水平梯度和垂直梯度[3-5], 包括回波顶高[6]。早期的WSR-88D软件中地物回波识别主要依靠回波的垂直变化[7];Steiner等在研究一系列反射率参数的基础上,认为其中的3个参数, 即雷达回波的垂直伸展、反射率因子场的水平变化和反射率的垂直梯度最有用[8]。其他方法侧重基于信噪比、反射率因子、多普勒速度和谱宽的回波形态的纹理(空间变率)或微分反射率因子场的分析[9-11]。概率分析(使用多参数作为神经网络或模糊逻辑的输入)近年来也有许多研究[12-14]。Kessinger等[14]在文献[8]的技术基础上,提出了采用模糊逻辑算法的雷达回波分类技术。美国大气研究中心(NCAR)已将综合使用反射率因子、径向速度和速度谱宽识别一般地物回波和超折射地物回波的模糊逻辑法广泛应用于WSR-88D天气雷达ORPG(Open Radar Product Generator)系统中。Zhang等[15]提出在计算反射率垂直梯度时,将Steiner算法中的仰角改为高度, 实际高度的使用显著减小了波束随距离的展宽影响。刘黎平等[16]也开展了用新一代天气雷达体扫资料基于模糊逻辑的分布式超折射地物回波识别。Lakshmanan等[17-18]研究提出了应用神经网络(neural network)的雷达质量控制技术。

我国建成的雷达系统已逐步进入业务运行,并在此基础上开展了灾害性天气监测、风场反演、定量估测降水和临近预报等工作[19-21]。本文在现有模糊逻辑法识别地物基础上,分析了北京、天津雷达的降水回波和地物回波特征,为了在识别准确率(以将地物识别为地物、降水识别为降水的数目占总样本的比例为识别的准确率)较高的情况下尽量减少对降水的误判, 运用CSI (critical success index) 评判标准分别找出各个参量的最佳隶属函数, 改进了识别效果。

1 资料和方法

本文选取北京和天津CINRAD/SA雷达267个体扫资料,包括天津2005年6-8月、2006年7月降水资料,北京2006年6-8月降水资料。首先人为对资料进行判断,确定地物降水回波的“真值”。判断的依据是:地物回波主要出现在低层,径向速度和速度谱宽很小,没有明显移动,为了区别晴空条件下地物回波中夹杂的晴空回波,设定回波强度大于10dBz的为地物回波;对于降水回波,可以从回波形状、垂直结构、演变和移动等方面加以判断,并区分为层状云降水和对流云降水,一般认为,层状云降水回波的回波强度在15 dBz至35 dBz之间,对流云回波的中心强度大于35 dBz。

图 1a中,雷达中心处是一个对流单体,其右侧有一以对流性降水为主的混合降水回波;雷达的南侧150km处、雷达西南及西北向为超折射地物回波(其速度值接近于0(图 1b));雷达周围有大量弱气象回波。对其的分类标准如图 1c所示。以这样的原则对北京和天津CINRAD/SA雷达资料进行了统计分析,最终建立的数据库中共含有地物点85623个,对流性降水点20919个,层状云降水点207610个。将数据库中的资料随机分为两个部分,其中一部分资料用于统计计算,另一部分则用于效果检验。

图 1. 天津SA雷达2005年6月21日12:13（世界时，下同）观测 PPI图（ａ）回波强度，（ｂ）径向速度，（ｃ）回波分类 （红色箭头指向为超折射地物回波, 仰角：0.4°，距离圈：50kｍ;CL表示地物, CC为对流云, SC为层状云, CA为晴空回波） Fig 1. PPI of Tianjin rader at 12:13 on June 21, 2005 (a) echo intensity, (b) radial velocity, (c) echo classify (red rows point to AP (anomalous propagation) clutter, elevation:0.4°, interval of range circles:50km;CL shows clutter, CC shows convective cloud, SC shows stratiform cloud, CA shows clear-air echoes)

本文是基于现有模糊逻辑识别雷达回波基础上改进了隶属函数的一种算法。模糊逻辑法是指运用统计方法分析各种雷达回波特征,找出地物回波不同于降水回波的特点,对这些特征给以相同的权重, 得到一个表明每个距离库中受地物回波影响可能性的量化数值,最终识别出那些超过某一阈值的地物回波信息。

分析Kessinger方法中使用的反映地物和降水回波差异的7个物理量,包括从回波强度中提取4个物理量:回波强度的纹理、垂直变化、沿径向方向的变号、沿径向的库间变化程度;从径向速度和速度谱宽中提取3个物理量:径向速度的区域平均值、方差、速度谱宽的区域平均值。这些量定义如下:

(1)
(2)
(3)
(4)
(5)

其中NA, NR表示在方位和距离方向定义的计算范围, Zi,j为任意点的回波强度, TDBZ主要反映回波强度的局地变化大小;Zup, Zlow为对应本层和上层PPI的回波强度, W(R) 表示与距离有关的权重, GDBZ反映了回波强度的垂直变化;Zthresh为库间回波强度变化的阈值,一般取2~5 dB, SIGN反映了回波强度沿径向方向变化的一致性;SPIN表示回波强度沿径向变化的变号;MDVEi,j表示某点经过中值滤波处理的径向速度值, SDVE为径向速度的方差;MDSW表示某点经过中值滤波处理的谱宽值。对于与回波强度有关的物理量,规定NA=5, NR=5;对于径向速度和速度谱宽, NA=5, NR=9。

2 特征函数的统计分析

利用实际的雷达降水、地物资料,分析这些回波的上述物理量特征。选用数据库资料中的一部分来分析降水回波和地物回波的特征差异。其中参加分析的真实地物回波点有43251个,对流性降水有11119个回波点,层状云降水有107558个回波点。对所有真实回波点计算出的各参量进行统计分析,得到地物和降水的各参量的概率分布图(图 2)。并对地物和降水回波的回波强度、径向速度和速度谱宽的取值范围及其水平和垂直方向的变化特征分析如下:

图 2. 各参量的地物、降水概率分布图 (CL表示地物, CC表示对流云, SC表示层状云) Fig 2. Probability distribution curves about clutter and precipitation of each characteristic parameter (CL shows clutter, CC shows convective cloud, SC shows stratiform cloud)

①因为地物经常出现在低层,而且上一层的回波强度远远小于本层的回波强度,所以地物回波强度的垂直变化GDBZ为负,且绝对值比较大;而较强的对流性降水的GDBZ绝对值就比较小,接近于零;但是对于比较浅薄的层状云或者远距离处的降水云来说,由于相邻仰角中的低仰角能探测到回波,但是高仰角却探测不到回波或只能探测到非常弱的回波,在这种情况下计算出来的降水回波的GDBZ也是很大的。即地物杂波的GDBZ非常大,对流云性降水和大部分层状云降水回波的GDBZ比较小。

②由于地物杂波形状不规则,分布不均匀,特别是超折射地物,呈辐辏发散状,其回波强度的连续变化大,因此其水平变化也与降水回波有差异。地物杂波和对流性降水具有较大的TDBZ值,而层状云降水回波则表现为较小的TDBZ值。SPIN表示的是在一定范围内,相邻距离库的回波强度差异大于某一阈值所占的比例。地物的SPIN值比较大, 而降水云的SPIN值比较小;SIGN表示沿径向方向增加的回波强度所占比例。降水和非降水回波的SIGN值在概率分布图上呈现出一致的变化趋势,无法参与回波的识别。即TDBZ和SPIN函数可以区分层状云和大部分对流云降水回波,但是SIGN函数不能够用来区别降水和地物。

③由于地物多为静止的,所以地物回波的径向速度接近于0,并且根据资料的统计结果显示,杂波的径向速度小于并趋向于0,速度谱宽也很窄。因此地物回波的中值径向速度MDVE接近零,中值速度谱宽MDSW比较小,径向速度方差SDVE也较小。

由于在实际情况下,雷达波束会随着距离的扩展,有效照射体体积变大,会对TDBZ,GDBZ等特征量有一定的影响,因此本文在计算雷达回波特征量时考虑到了使用距离权重。经过分析,发现在垂直变化GDBZ上使用距离权重比不用好,但是距离权重对雷达回波的水平变化TDBZ没有什么影响。所以在雷达回波垂直变化的计算上会使用距离权重来消除距离的影响。

根据各种回波真值的统计结果,可以看出地物回波不同于降水回波的特点,如垂直范围窄,空间变化大,径向速度和速度谱宽小。由此,决定选取GDBZ, TDBZ, SPIN, MDVE, MDSW以及SDVE这6个参量继续进行分析。

3 最佳隶属函数的确定

在使用现有的隶属函数MAM(美国已有),MCH(我国已有)进行回波识别时发现,虽然对地物的识别准确率很高,但是同样对降水的误判率也较高,识别结果中会出现将降水回波识别为地物回波的情况。为了在最大可能保留降水回波情况下识别出地物回波, 使识别地物和降水回波的准确率达到最高,对参与统计的真实回波点进行分析。考虑到隶属函数的选取是区分地物和降水回波的重要指标,因此求取最佳隶属函数MOP则是提高识别效果的重点。利用真实回波值的统计结果(图 2),使用CSI标准求取了各参量的最佳隶属函数。

考虑到实际地物和降水样本的数量会对计算产生影响,对CSI的定义为 其中,S表示真实的地物(CL)、对流云(CC)以及层状云(SC) 降水总的样本数, R表示识别准确的样本数。以此为评判标准对每个参量的所有降水和地物样本进行评判,以0.5为阈值区分地物和降水,找出在以0.5为阈值时每个参量的最佳隶属函数。

具体做法是:首先通过概率图大致选取隶属函数梯形点的范围,并考虑到其概率分布的梯形形状,确定其值在0~1范围内变化的曲线状态;以0.5为其范围值的跳跃宽度对所有范围值内可能的梯形曲线都进行评判,当对某一样本点的值小于0.5时,则认为是降水,否则认为是地物;以得到最高的CSI值为目的,对所有地物和降水样本进行分析,找出每个参量的最佳梯形形状。

在这里给予所有的隶属函数以相同权重,考虑所有参量组合起来后对总样本识别效果的影响,继续结合各个参量的概率分布梯形形状,以CSI为评判标准对所有地物和降水样本进行分析,从之前得到的以0.5为阈值时各个参量识别准确率最高的各隶属函数梯形形状中,继续以0.5为阈值区分降水和地物回波,找出组合各种参量后识别样本得到最高准确率时的隶属函数。以这样原则得到一组最优的梯形隶属函数(图 3),黑色实线表示得到的最优梯形隶属函数。

图 3. MOP与美国地物回波识别隶属函数MAM以及我国现有地物回波识别隶属函数MCH的比较 Fig 3. Comparison of clutter identifiable membership functions MAM and MCH and the MOP

将最终获得的MOP与MAM, MCH进行对比,可以看出,用我国SA雷达资料得出的MOP与其他的隶属函数有一些不同。这些差别一方面是由于我国CINRAD/SA资料中各种回波的特点造成的,如地物回波的径向速度MDVE较小,且其分布范围也较窄,其范围出现在-1至0之间, 而速度谱宽MDSW则是明显较窄;另一方面则是由于使用CSI评判标准造成的, 如回波强度的水平纹理TDBZ和垂直变化GDBZ。在以CSI评判标准隶属函数中,不仅考虑到了单个隶属函数识别样本准确率最高,也考虑到了组合所有参量的准确率最高。总的来说,这些调整都是为更好地适用于我国CINRAD/SA资料特点,使用CSI标准可以找出识别样本准确率最高的各隶属函数,以减小各参数之间的相互影响,并有效减小对降水的误判率。

本文将北京和天津雷达资料一同分析是因为两地距离近,雷达型号定标一致等,从硬件条件来讲两地雷达性能没有差别。但在挑选真实回波时发现从超折射地物回波的形状(天津雷达超折射地物回波更呈发散状一些,北京雷达超折射地物回波则是点状和块状)等特征上北京和天津的超折射地物回波有不同,因此本文分别统计了北京和天津的超折射地物回波特征。结果显示,北京和天津雷达超折射地物回波各种特征的统计结果差别不大(图略),只是概率大小不同,但地物的特征分布一致。之后,本文又分别求取了北京和天津雷达的最佳隶属函数,发现两地的最佳隶属函数不同,但并不是由于两地地物特征不同引起的,而是由于两地选取用来统计的降水个例不同导致的。因此,本文认为两地地物回波特征差别影响不大,可将两地雷达回波资料一同分析。

4 识别效果分析 4.1 统计分析

利用数据库中的另一部分资料(除去统计分析部分),包含真实地物回波点42372个,对流性降水9800个真实回波点,以及层状云降水99945个真实回波点,分别对地物和降水回波样本以及其总样本进行识别,以准确率和误判率来分析识别效果。即对整个回波资料中地物识别为地物,降水识别为降水的回波点数占整个资料的比例为总样本识别准确率;并且对降水回波资料,该方法未正确地识别为降水点数目占整个降水资料数的比例为降水识别误判率。

在使用CSI标准求取了各参量的最佳隶属函数后,本文分析了阈值为0.5时,选取的各个隶属函数对识别效果的影响。表 1给出了在阈值为0.5时单个隶属函数的识别准确率。结果表明,单个函数的识别准确率均较之前的隶属函数有所提高。

表 1 不同隶属函数下各参量的识别准确率(单位: % ) Table 1 Identifiable accuracy of each characteristic parameter with different membership function(unit: % )

分析了在阈值为0.5的情况下,使用CSI获得的隶属函数MOP以及其他隶属函数MCH, MAM对识别结果的影响。表 2给出了不同隶属函数下,对地物、对流云和层状云降水识别的准确率和误判率。结果表明:使用CSI评判标准后总样本识别准确率略有降低,但是降水的误判率有所提高,特别是层状云降水回波,其误判率大大减少了。

表 2 对地物 、降水回波识别准确率和对降水回波误判率 (单位: % ） Table 2 Identifiable accuracy for clutter and precipitation echo and erroneous recognition for precipitation echo (unit: % )

此外,分别统计了在阈值为0.5的情况下,仅采用回波强度时识别准确率和降水误判率。表 3给出了不同隶属函数情况下,仅使用回波强度的差别。结果表明,径向速度对总样本识别准确率提高有一定影响,并且主要体现在对降水的识别上,仅使用回波强度识别降水时识别误判率较高;仅使用回波强度时,使用CSI标准得到的隶属函数明显在对降水识别上误判率减少,特别是层状云降水。

表 3 仅使用回波强度时对地物 、降水回波识别的准确率和对降水的误判率(单位: % ) Table 3 Identifiable accuracy for clutter and precipitation echo and erroneous recognition for precipitation echo with only echo intensity(unit:%)

由于在实际情况下,雷达得到的径向速度最大不模糊距离约为150 km,所以150 km以外,与速度有关的参数无法使用。求取最佳隶属函数的目的一方面也在于减少没有速度数据时,对地物回波识别效果的影响, 结果也显示在没有径向速度时使用MOP时的效果更好,减少了对降水回波的误判。但由于雷达波束随距离延展造成的距离对于杂波识别影响是存在的,远距离处识别效果较近距离识别效果差。

4.2 个例分析

个例1, 图 4a~f给出了2007年7月7日11:18天津雷达观测的回波识别前0.4°仰角的反射率因子和径向速度PPI及1.3°仰角的反射率因子PPI,以及使用MOP和MCH回波识别后0.4°仰角的反射率因子PPI。从图 4a可以看到雷达南边和东边有大片的超折射地物回波,回波在径向方向呈辐辏状,将仰角抬高到1.3°后(图 4c), 超折射地物回波大范围消失, 但仍残留着一些超折射回波;比较图 4a和图 4c发现, 在雷达北方100km以及东北方向150km处, 0.5°仰角PPI上也有超折射地物回波,其中还夹杂着降水回波,在1.3°仰角PPI上则是超折射地物回波明显衰减,而降水回波清楚地呈现出来;从径向速度图上看(图 4b),这些地方的径向速度都很小。此外在雷达周围50km处还存在一些夹杂在弱气象回波中的点状杂波,当仰角抬高到1.3°时,就看不到了;雷达西北有一对流性降水的弓状回波。从图 4e中可看出, 在采用MOP进行杂波识别后,识别出了绝大部分超折射地物回波(用灰色表示识别出来的超折射地物回波), 并且保留了超折射地物回波中的主要降水信息以及一些弱的气象信息;但东北和西北方向的对流性降水回波边缘保留的不是很好(如实线圈中所示),并且雷达四周的弱气象信息保留的也不是很好。与MCH相比(图 4f),超折射地物回波识别的效果差不多,但是保留了大量的雷达周围的弱气象信息(晴空回波)和东北方向夹杂的超折射地物回波中的降水信息。

图 4. 2007年7月7日11:18 天津雷达观测图(红色箭头指向超折射回波, 灰色区域表示识别出来的超折射地物回波, 实线圈范围内为误识别回波) (a)回波识别前0.4°仰角反射率因子, (b)回波识别前0.4°仰角径向速度, (c)回波识别前1.3°仰角反射率因子, (d) 回波识别前1.3°仰角径向速度, (e) MOP回波识别后的 0.4°仰角反射率因子, (f)MCH回波识别后的0.4°仰角反射率因子 Fig 4. PPI of Tianjin rader at 11:18 on July 7 2007 (red rows point to MOP clutter, grey block shows the AP clutter that identified correctly, real line circle point to the wrong identification after echo classify) (a) reflectivity at 0.4°elevation before echo classify, (b) radial velocity at 0.4°elevation before echo classify, (c) reflectivity at 1.3°elevation before echo classify, (d) radial velocity at 1.3°elevation before echo classify, (e) reflectivity at 0.4°elevation after echo classify with MOP, (f) reflectivity at 0.4°elevatation after echo classify with MCH

个例2, 图 5a~f给出了2007年10月6日17:18北京雷达观测的杂波抑制前0.4°仰角反射率因子和径向速度PPI及1.6°仰角反射率因子PPI,以及使用MOP和MCH回波识别后0.4°仰角反射率因子PPI。从图 5a中可以看出来雷达周围100km内有大量夹杂在降水中的点状地物回波,仰角抬高到1.6°时这些回波消失(图 5c);雷达东南方是大片层状云降水回波, 东方150km处和西南方200km处有夹杂在降水中的辐辏状超折射地物回波,雷达西北部150km处还有一些超折射地物回波,仰角抬高到1.6°后,这些超折射地物回波迅速衰减,可以清楚地看到降水回波。(如图 5a,b,e中红色箭头所示为超折射回波)此外,在0.5°仰角PPI上,由于波束阻挡,在东南径向上出现了多片无回波区,当仰角抬高到1.6°时,就不存在波束阻挡了。从图 5e可以看出, 通过MOP回波识别后,识别出绝大部分超折射地物回波,特别是夹杂在降水中的超折射地物回波(用灰色表示识别出来的超折射地物回波),并保留了降水回波,但也有层状云降水回波被识别为地物回波(如实线圈中所示)。与MCH比较来看(图 5f), 对层状云降水的识别上有了明显改善,可以看出层状云回波误判为地物的情况减少(如虚线圈中),此处是属于距离不折叠区,与速度有关参量参与识别,在此个例中对MCH的改进主要体现在距离不折叠区中减少了降水的误判。

图 5. 2007年10月6日17:18 北京雷达观测图( 红色箭头指向超折射地物回波, 灰色表示识别出来的超折射地物回波, 实线圈处表示误识别回波, 虚线圈处表示本方法识别效果改进处) (a)回波识别前0.6°仰角反射率因子, (b)回波识别前 0.6°仰角径向速度, (c) 回波识别前 1.6°仰角反射率因子, (d)回波识别前的 1.6°仰角径向速度, (e)MOP回波识别后的 0.6°仰角反射率因子, (f) MCH回波识别后的 0.6°仰角反射率因子 Fig 5. PPI of Beijing radar at 17:18 on October 6, 2007( red rows point to MOP clutter, grey block shows AP clutter that identified correct, real line circle point to the wrong identification after echo classify, and the broken line circle shows improvement of this method comparing to the method before) (a) reflectivity at 0.6°elevation before echo classify, (b) radial velocity at 0. 6°elevation before echo classify, (c) reflectivity at 1.6°elevation before echo classify, (d) radial velocity at 1. 6°elevation before echo classify, (e) reflectivity at 0.6°elevation after echo classify withMOP, (f) reflectivity at 0.6°elevatation after echo classify with MCH

4.3 降水误判分析

根据以上分析可知,在使用MOP对地物回波识别处理后,层状云降水回波识别有了很大改善,特别是径向速度距离折叠区域,但仍存在误判问题。

对个例中出现降水误识别情况进行分析,结果表明,对个例1而言,造成强降水中心误判的原因在于回波强度的水平变化。对圈中误识别为地物处(图 4a中蓝色圆圈处)进行了分析。降水边缘误判是回波强度水平变化参量引起的,与回波强度的垂直变化无关;其速度虽然不处于速度距离折叠区,但可以看出此处的速度无有效观测值,因此速度值不参与计算;即在只有回波强度的有关参量参与识别的情况下,由于回波强度水平变化的影响造成了降水误识别。个例2对夹杂在降水回波的点状地物回波识别过程中,识别地物回波后也出现层状云回波被误识别的情况(图 5a中蓝色椭圆圈处);此处的径向速度为距离折叠,不参与计算,仍然是只有与回波强度有关的参量参与识别;根据各参量的分析,发现造成其识别错误也还是由于其水平变化。

这也同样说明了速度参量参与识别可以减少降水回波的误识别,在速度距离折叠区或无有效观测值区仍存在容易造成降水回波误识别的情况。对于如何调整造成误判的回波强度水平纹理参量还需要进一步分析。

5 结论和讨论

本文根据我国北京和天津CINRAD/SA雷达观测的降水和地物回波强度、径向速度和速度谱宽资料,研究了地物识别7个物理量的统计特征,采用基于模糊逻辑的地物回波识别方法,并求取了MOP,利用实际观测的雷达资料进行了地物和降水回波的识别试验。结果表明:

1) 天津雷达地物回波与北京雷达超折射回波在形状等特征上虽存在一定差别,但两地地物回波的统计特征差别不明显。

2) 降水回波和地物回波的GDBZ, TDBZ, SPIN, MDVE, MDSW以及SDVE6个参量取值范围有明显区别,用这6个参量能够反演地物和降水的回波特征并加以识别。

3) 径向速度对回波识别准确率有贡献,主要体现在对降水回波的识别上,使用与径向速度有关的参量参与识别能减少降水回波误判。

4) 求取MOP后,能够有效识别地物和降水回波,并减少将降水回波误判为地物的可能性;特别是减少没有径向速度资料并且空间变化梯度比较大的层状云降水回波被误判为地物的现象。

5) 对强降水边缘回波以及层状云降水回波的误识别主要与回波强度水平变化以及速度有关,速度参量不参与识别时误识别的可能性加大。

同时,也应该注意到雷达回波识别仍是一个比较复杂的问题,仅仅依靠预报员和雷达资料,要准确区别地物和降水回波有时比较困难;但各种回波识别是非常有意义的。因此,进一步发展综合利用卫星和雷达资料来进行地物、海浪和晴空回波的识别是非常必要的。

参考文献
[1] Hogg W D. Quality Control and Analysis of an Archive of Digital Radar Data∥Preprints, 18th Conf on Radar Meteorology, Amer Meteor Soc, 1978: 150-154 .
[2] Smith P L. Precipitation Measurement and Hydrology∥Panel report: Radar in Meteorology, Amer Meteor Soc, 1990: 607-618
[3] Mueller E A, Sims A L. Statistics of High Radar Reflectivity Gradients∥Preprints, 16th Radar Meteorology Conf, Amer Meteor Soc, 1975: 401-403
[4] Riley G F, Austin P M. Some Statistics of Gradients of Precipitation Intensity∥Preprints, 17th Conf on Radar Meteorology, Amer Meteor Soc, 1976: 492-497 .
[5] Collier C G, Lovejoy S, Austin G L. Analysis of Bright Bands from 3-D Radar Data∥Preprints, 19th Conf on Radar Meteorology, Amer Meteor Soc, 1980: 44-47.
[6] Rosenfeld D, Amitai E, Wolff D B, Classification of rain regimes by the three-dimensional properties of reflectivity fields. J Appl Meteo, 1995, 34: 198–211. DOI:10.1175/1520-0450(1995)034<0198:CORRBT>2.0.CO;2
[7] Fulton R A, Breidenbach J P, Seo D J, The WSR-88D rainfall algorithm. Wea Forecasting, 1998, 13: 377–395. DOI:10.1175/1520-0434(1998)013<0377:TWRA>2.0.CO;2
[8] Steiner M, Smith J A, Use of three-dimensional reflectivity structure for automated detection and removal of nonprecipitating echoes in radar data. J Atmos Ocean Technol, 2002, 19: 673–686. DOI:10.1175/1520-0426(2002)019<0673:UOTDRS>2.0.CO;2
[9] Joe P. Classification of Radar Imagery Using Texture Analyses∥Preprints, 25th Int Conf on Radar Meteorology, Amer Meteor Soc, 1991: 107-110
[10] Giuli D, Gherardelli M, Freni T A, Rainfall and clutter discrimination by means of dual-linear polarization radar measurements. J Atmos Oceanic Technol, 1991, 8: 777–789. DOI:10.1175/1520-0426(1991)008<0777:RACDBM>2.0.CO;2
[11] Pratte J F, Gagnon R, Corneliu s R. Ground Clutter Characteristics and Residue Mapping ∥Preprints, 26th Int Conf on Radar Meteorology, Amer Meteor Soc, 1993:50-52 .
[12] Grecu M, Krajewski W F, Detection of anomalous propagation echoes in weather radar data using neural networks. IEEE Tran Geosc Remote Sens, 1999, 37: 287–296. DOI:10.1109/36.739163
[13] Grecu M, Krajewski W F, An efficient methodology for detection of anomalous propagation echoes in radar reflectivity data using neural networks. J Atmos Oceanic Technol, 2000, 17: 121–129. DOI:10.1175/1520-0426(2000)017<0121:AEMFDO>2.0.CO;2
[14] Kessinger C, Ellis S, Vanandel J, et al. The AP Clutter Mitiga-tion Scheme for the WSR-88D ∥Preprints, 31st Conference on Radar Meteorology, Amer Meteor Soc, 2003 :526-529 .
[15] Zhang J, Wang S, Clarke B. WSR-88D Reflectivity Quality Control Using Horizontal and Vertical Reflectivity Structure∥Preprints, the 11th Conference on Aviation, AMS, 2004, P5.4
[16] 刘黎平, 吴林林, 杨引明. 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, 2007, 65, (2): 252–260.
[17] Lakshmanan V, Hondl K, Stumpf G, et al. Quality Control of Weather Radar Data using Texture Features and a Neural Network ∥5th Internatinal Conf on Adv in Patt Recogn , IEEE, 2003 .
[18] Da Silveira R B, Holt A R, An automatic identification of clutter and anomalous propagation in polarizationdiversity weather radar data using neural networks. IEEE Trans Geosci Remote Sen, 2001, 39: 1777–1788. DOI:10.1109/36.942556
[19] 俞小鼎, 张爱民, 郑媛媛, 等. 一次系列下击暴流事件的多普勒天气雷达分析. 应用气象学报, 2006, 17, (4): 385–393.
[20] 陈明轩, 俞小鼎, 谭晓光, 等. 北京2004年"7.10"突发性对流强降水的雷达回波特征分析. 应用气象学报, 2006, 17, (3): 333–345.
[21] 张亚萍, 程明虎, 徐慧, 等. 雷达定量测量降水在佛子岭流域径流模拟中的应用. 应用气象学报, 2007, 18, (3): 295–305.