基于X波段雙線偏振雷達質量控制及云內水成物粒子識別方法研究

李曉敏，魏挪巍，婁宇航

(1.四川省氣象災害防御技術中心，成都 610072；2.中國農業(yè)銀行研發(fā)中心成都研發(fā)部，成都 610041)

引言

雙線偏振天氣雷達能交替(或同時)發(fā)射和接收水平和垂直方向的線性偏振波。相較普通多普勒雷達只能探測到3種參量，該雷達能探測到多達8種參量。這也意味著，在強對流天氣監(jiān)測[1]、雷暴云的結構分析[2]、云內水成物粒子的識別[3]、冰雹或冰雹區(qū)的識別[4]等方面雙線偏振天氣雷達具有明顯的優(yōu)勢。

但是，雙線偏振天氣雷達的探測存在誤差，在開展各項應用研究之前，需要對雷達數(shù)據(jù)進行質量控制，主要包括對差分傳播相移(φDP)進行相位退折疊、濾波。如果是X波段或C波段的雷達，還需要進行衰減訂正[5]。其中，退折疊則是檢查的徑向連續(xù)性后，將發(fā)生折疊的φDP加上180°(或360°)，以保證其連續(xù)遞增[6]。而濾波，國內早期則主要采用相對簡單的滑動平均、中值濾波；近年來，隨著相關研究的深入，小波去噪等方法也開始應用于雙偏振雷達[7]。一般，濾波后的φDP就可以應用于反射率因子(ZH)以及差分反射率因子(ZDR)的衰減訂正。目前，求取衰減率的方法主要有：ZH訂正法、KDP訂正法、降雨廓線算法、ZH-KDP綜合訂正法和自適應約束算法[8-11]。國內外的許多研究都表明，自適應約束算法相較于前三種方法，有更廣泛的適用性[12]。

雙線偏振天氣雷達的多探測量可設定閾值以實現(xiàn)對水成物粒子的分類。目前，已知主要有5種可用于粒子識別的方法[13]。其中，模糊邏輯算法可較為有效的解決決策樹識別中閾值重疊的問題；并且，相對于統(tǒng)計決策理論又具有簡便和易于建立隸屬函數(shù)的兩個優(yōu)勢。此外，神經網絡[14]和聚類分析[15]需要基于大量雷達觀測資料進行自我訓練，達到對水成物粒子的識別，而車載雷達一般僅在雷暴天氣進行觀測，數(shù)據(jù)積累較少難以廣泛使用[16]?？梢哉f，模糊邏輯算法是目前可以采用的最優(yōu)識別方法。但單一的模糊邏輯算法本身對一些冰水混合粒子的識別效果較差，還有待分析。

雖然關于質量控制及粒子識別已有較多的研究，但是，這些方法都只注重某一方面的研究，例如單純從濾波方面進行比較研究，缺乏對整個質量控制過程的梳理，對后續(xù)開展相應的云微物理過程、降水估測等應用研究幫助不大。因此，本文將基于雙線偏振天氣雷達進行退折疊、濾波、衰減訂正及水成物粒子識別效果的對比研究，以期能得到一套較好的質量控制及粒子識別方法，為X波段雙線偏振天氣雷達的應用研究提供更多的參考。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)

本文使用的資料主要為雷達數(shù)據(jù)，分別來自北京的714XDP-A型車載X波段雙線偏振天氣雷達和SA波段雷達探測。其中，X波段雙線偏振天氣雷達位于北京順義(40.18°N，116.68°E)，采用同時發(fā)射體制，可探測8個參量，其具體參數(shù)如表1所示。SA波段雷達位于北京大興(39.81°N，116.47°E)，可探測9個仰角(0.48°、1.32°、2.29°、3.21°、4.17°、5.89°、9.76°、14.41°、19.34°)的3個參量，包括：反射率因子(Z)、多普勒速度(V)和速度譜寬(W)。

表1 714XDP-A型X波段雙線偏振天氣雷達主要參數(shù)

1.2 方法

本文所用的方法包括質量控制的相位退折疊、濾波、衰減訂正，以及粒子識別的模糊邏輯算法，并針對幾種方法進行比較分析。

差分傳播相移是電磁波在降水區(qū)域傳播時由非球形降水粒子引起的水平偏振傳播常數(shù)和垂直偏振傳播常數(shù)之差，也是雙偏振天氣雷達區(qū)別于普通天氣雷達的重要參量之一，并且，其值會對衰減訂正的結果產生影響。差分傳播相移是距離累計量，其值隨距離增大。退折疊則便是檢查φDP的徑向連續(xù)性后，將發(fā)生折疊的φDP加上180°(或360°)，以保證其連續(xù)性[11]。

濾波是為了能有效的剔除由于非瑞利散射造成的后向差分傳播相移，即δ效應，如下面公式1：

φDP=φDP+δ

(1)

其中，φDP是雷達探測的總差分相移，φDP是差分傳播相移，δ是后向差分傳播相移。φDP是信號，δ是噪聲。早期，國內外主要采用相對簡單的滑動平均、中值濾波。近年來，隨著基于雙線偏振天氣雷達研究的深入，又相繼提出小波去噪[17]等新方法。

所謂衰減是粒子對電磁波吸收作用和散射作用的總和。其中，X波段雷達受衰減影響最為嚴重，S波段雷達則不需要做衰減訂正，可用于對比衰減訂正效果。本文主要采用自適應約束算法，動態(tài)計算衰減率(AH)進行衰減訂正[17]。

最后，基于模糊邏輯算法對云內水成物粒子識別開展的研究。模糊邏輯算法流程如圖1所示，在本文中輸出的粒子分為10種：毛毛雨(DR)、雨(RA)、干雪(DS)、干冰晶(DC)、濕雪(WS)、干霰(DG)、濕霰(WG)、小冰雹(SH)、大冰雹(LH)、雨夾雹(RH)。

根據(jù)雷達參數(shù)、研究目的等差異，隸屬成員函數(shù)主要有beta型、對稱梯型和不對稱梯型函數(shù)三種。諸多研究表明，對稱型函數(shù)并不適用于所有的粒子類型。因此，本文采用不對稱梯型函數(shù)進行水成物粒子的識別，如下面公式2：

(2)

其中，X1，X2,X3,X4的值參考Park[16]、曹俊武[18]等的成果。由于不同參數(shù)的識別能力不同，本研究采用各參數(shù)非等權重的設置，根據(jù)參數(shù)的識別能力由大到小[16,19]將ZH、ZDR、KDP、ρHV的權重進行調整，分別設為0.4、0.3、0.2、0.1。

2 基于X波段雙線偏振雷達的質量控制

2.1 差分傳播相移退折疊

差分傳播相移是電磁波在降水區(qū)域傳播時，由非球形降水粒子引起的水平偏振傳播常數(shù)和垂直偏振傳播常數(shù)之差，也是雙偏振天氣雷達區(qū)別于普通天氣雷達的重要參量之一，并且其值會對衰減訂正的結果產生影響。差分傳播相移是距離累計量，即隨距離增大。這里，所使用雷達的φDP值區(qū)間為0°～360°，當φDP真實值超過區(qū)間范圍時，其探測值會從360°跳轉到0°，重新開始遞增，這就是所謂的相位折疊。圖2(a)就清楚展示了φDP發(fā)生相位退折疊時其距離廓線的情況，在180°距離庫左右，φDP的值突然從360°左右降低到0°左右，然后再隨距離逐漸增加，因此，需要對φDP進行相位退折疊。選取2015年6月26日20：35時的φDP數(shù)據(jù)進行退折疊，圖2(a)、(c)為方位角240°的φDP距離廓線，圖2(b)、(d)為西南方向的φDP分布?？梢钥吹剑簩Ζ誅P進行退折疊后，其距離廓線相較退折疊前具有更好的連續(xù)性，呈現(xiàn)單調遞增趨勢；而該時刻φDP整體分布也顯示出：退折疊后的φDP相較于退折疊前的φDP，數(shù)據(jù)質量有明顯提升，離雷達40km外大量存在的0°～60°的φDP得到修正，數(shù)據(jù)質量明顯提高。

2.2 濾波

為了盡量減少δ效應對測量φDP的影響，這里，采用近兩年應用于雙線偏振天氣雷達的小波去噪[8]對原始差分傳播相移φDP進行濾波，由此得到φDP，并與早期相對簡單的滑動平均和中值濾波進行對比分析。同樣選取2015年6月26日20：35時方位角為240°的φDP，可得到結果(圖3)：滑動平均和中值濾波分別采用了5點、9點和13點濾波(即N=5，9，13)，對比可以看到N值越大，濾波后信號越平滑，但13點滑動平均和13點中值濾波不僅剔除了由于δ效應造成的噪聲，近地處的地物信息也同時被濾去。而采用db5小波去噪的方法，相比13點滑動平均和13點中值濾波，既能保留靠近雷達處的地物信息，也能較好地去除其他信息造成的毛刺，這與魏慶等[20]的對比研究結果基本一致。因此，在后續(xù)的研究中均采用小波去噪的方法對該雷達數(shù)據(jù)進行處理。

2.3 衰減訂正

X波段雷達的波長相較于S、C波段雷達較短，僅為3cm，云、雨滴和氣體分子等會對其能量產生吸收和散射，造成的衰減嚴重。因此，參考Park[21]和畢永恒[12]的改進自適應約束算法對ZH進行衰減訂正，結果如圖4、圖5所示。

從圖4可以看到：訂正后方框內ZH>45dBZ的極大值區(qū)范圍擴大，強度增強至50dBZ；而ZH>30dBZ相對大值區(qū)也有所增強，訂正后反射率因子大小與S波段雷達探測結果更接近。但是，由于雷暴云相對于X波段雷達和S波段雷達的位置不同，探測時間、仰角、距離都有一定的差異，所以訂正后難以與S波段雷達探測效果一致。

為了進一步分析衰減訂正的效果，挑選方位角181°和215°兩個徑向作回波強度隨距離的變化曲線(圖5)，可以看到：對于較弱的回波區(qū)，訂正后的ZH相比訂正前的ZH略有增加，在0～1dBZ；而對于較強的回波區(qū)，訂正后的ZH增強明顯，增幅可達5dBZ左右。

3 基于X波段雙線偏振雷達的云內水成物粒子識別方法

下面，對模糊邏輯算法識別云內水成物粒子的優(yōu)勢及參數(shù)設置的合理性進行簡要討論。圖6給出了不同變量模糊邏輯隸屬成員函數(shù)取值中心所在范圍的對比情況。由ZH和ZDR的關系(圖6a)可見，雖然在ZH方向上有多種相態(tài)重疊在一起的情況，但在考慮ZDR后可進行一定程度的區(qū)分。例如，雨的ZH范圍雖然和濕雪、霰、冰雹等多種水成物粒子都有重疊，但其ZDR正值范圍要比上述相態(tài)都大，這是因為大雨滴下落過程中因空氣阻力會變形，使得橫軸大于縱軸，從而使ZDR值較大，且多為正值；而冰雹等固態(tài)粒子則不具有這種特性。對于冰雹而言，其很可能在上升或下降的過程中，上下翻滾使得被探測時的縱軸看起來更大，因此，ZDR更可能為負值。而在ZH與KDP、ρHV(圖6 b，c)的范圍對比中也可以用類似的情況區(qū)分不同的粒子。總體而言，模糊邏輯算法可以較全面地考慮到各種水成物粒子在不同參數(shù)中重疊的情況，而這也是雙線偏振雷達與傳統(tǒng)單極化雷達相比的優(yōu)勢所在。

此外，為了提高識別的準確性，根據(jù)不同粒子存在所需的溫度條件，引入常規(guī)探空資料的環(huán)境溫度(T)對其做一定的限制：如毛毛雨不能在0℃層以上出現(xiàn)，雨夾雹等只能出現(xiàn)在-10℃層以下等。各種粒子具體的溫度參數(shù)設置亦可見表2。

并且，根據(jù)2015年6月26日20時、8月7日20時的溫度廓線，對其各溫度層高度進行了統(tǒng)計，結果見表3。

表3 2015年6月26日和8月7日各溫度層高度(單位：km)

由圖7a～d可知：ZH由粒子相態(tài)、數(shù)密度和尺寸決定；ZDR則是由水平和垂直偏振反射率因子之比決定，通常液態(tài)粒子的值>0dB，且尺寸越大值越大，而固態(tài)粒子則較小；KDP主要由液態(tài)粒子決定，液態(tài)粒子數(shù)密度越大其值越大；而ρHV則隨不同情況有所不同，一般液態(tài)粒子的值可達0.95及以上，其他相態(tài)粒子則要視情況而定。

圖7(f)中雷達正南方向40～70km的雨滴區(qū)，其對應ZH值>20dBZ，ZDR值就明顯大于其他區(qū)域，達到1.5dB，KDP值也相對較大，ρHV也普遍>0.95。而在雷達西南向80～100km的區(qū)域，由于此時所探測高度已經略微高于0℃層，識別中排出了小雨滴即毛毛雨，此區(qū)域ZH值>30dBZ，部分>45dBZ，ZDR值則位于0.5～1dB；KDP值為0～0.5°/km，這可能是由于其間有固態(tài)粒子；相關系數(shù)普遍>0.95，ZH值>45dBZ部分相關系數(shù)多為0.9以上；綜合來看，此區(qū)域外圍30～45dBZ區(qū)域多為雨滴，>45dBZ的區(qū)域為霰粒子。對比圖7(e)、(f)，在0℃層內，未加入環(huán)境溫度參數(shù)的識別效果多為冰相粒子，與理論不符。

圖8表明：距雷達100km、高3～8km為ZH值>40dBZ的強回波區(qū)，中心值可達50dBZ以上，ZDR值為0～0.5dB，KDP值<0.5°/km，ρHV也普遍>0.95；對圖8 (e)、(f)的識別，該區(qū)域均對應大量霰子夾雜冰雹粒子，其分布都較為合理。然而，未引入環(huán)境溫度的圖8(e)，其識別結果存在兩處不合理：一是同PPI圖相似，其0℃層以下，有大量冰相粒子存在，冰水粒子混合；二是在距雷達100km、高8～9km處分布有大冰雹，而圖8(a)該區(qū)域ZH值低于40dBZ，推測是由于此處的ZDR明顯偏小，而KDP存在缺測所致。而加入環(huán)境溫度作為識別參量的圖8(f)，這兩種不合理都得到明顯的改善。

4 結論與討論

本文討論了X波段雙線偏振天氣雷達的質量控制方法，并比較了基于模糊邏輯算法進行水成物粒子識別的效果，由此構建一套較為完整的X波段雙線偏振雷達的質量控制與粒子識別方法。得到的主要結論如下：

(1)采用徑向連續(xù)性檢查的方法對差分傳播相移進行相位退折疊后，其連續(xù)性得到明顯提升。濾波方法對比發(fā)現(xiàn)，13點滑動平均和中值濾波的效果好于5點、9點滑動平均和中值濾波，但是二者均過度濾去了有效回波信息。而小波去噪相較13點滑動平均和中值濾波既能較好地去除毛刺，也能較完整地保留有效信息。采用自適應約束算法進行衰減訂正后，X波段與S波段雷達差異減小。其中，強回波區(qū)的回波強度明顯增強，增幅可達5 dBZ；而弱回波區(qū)的增幅較小。

(2) 基于模糊邏輯算法能較好地解決閾值重疊所造成的識別困難。此外，環(huán)境溫度參數(shù)作為限制條件，對解決0℃層以下液態(tài)粒子與冰相粒子混合，以及其他粒子分布不合理的現(xiàn)象有明顯效果。

(3) 在以上基礎上，構建一套基于徑向連續(xù)性檢查-小波去噪-自適應約束算法的質量控制方法和引入環(huán)境溫度限制的模糊邏輯算法的粒子識別方法。

需要指出的是，本研究所建立的X波段雙線偏振雷達質量控制與粒子識別方法，雖然能為X波段雙線偏振雷達的應用，特別是云內微物理過程的研究提供一定的參考。但仍存在不足，如加入環(huán)境溫度參數(shù)后，各溫度層間的水成物粒子識別結果有較為明顯的界限，這還有待改進。并且，由于缺乏實測的云內水成物粒子分布，其基于模糊邏輯算法的識別效果研究更多的是基于理論層面，今后應進一步分析驗證。