X波段天氣雷達(dá)組網(wǎng)掃描策略及協(xié)同控制技術(shù)研究

何建新 李學(xué)華 徐梓欣 楊玲 雷波 王文明

1 成都信息工程大學(xué)電子工程學(xué)院，成都 610225；2 中國(guó)氣象局大氣探測(cè)重點(diǎn)開(kāi)放實(shí)驗(yàn)室，成都 610225；3 成都遠(yuǎn)望科技有限責(zé)任公司，成都 610041

0 引言

新一代多普勒天氣雷達(dá)CINRAD網(wǎng)絡(luò)是我國(guó)災(zāi)害性天氣過(guò)程監(jiān)測(cè)、預(yù)警強(qiáng)有力的手段，然而由于地球曲率、波束阻擋、掃描模式固定等因素影響，CINRAD天氣雷達(dá)在對(duì)地表以上1 km的邊界層空間僅能捕獲30%的天氣目標(biāo)，以致對(duì)中小尺度強(qiáng)對(duì)流天氣過(guò)程漏失報(bào)警、延遲預(yù)警現(xiàn)象時(shí)有發(fā)生。此外，CINRAD天氣雷達(dá)固定6分鐘的體掃模式，大大降低了其對(duì)諸如龍卷風(fēng)，下?lián)舯┝鞯瓤熳兲鞖膺^(guò)程的精細(xì)結(jié)構(gòu)探測(cè)和跟蹤監(jiān)測(cè)能力。為此，美國(guó)CASA項(xiàng)目利用多部低成本、功率低、短程X波段天氣雷達(dá)密集組網(wǎng)，并率先提出采用分布式協(xié)同適應(yīng)探測(cè)理念，目的是提高雷達(dá)對(duì)低層空間天氣過(guò)程的探測(cè)能力，彌補(bǔ)大雷達(dá)低空探測(cè)盲區(qū)，優(yōu)化空間布局進(jìn)行全方位掃描，降低地球曲率與波束阻擋對(duì)低層天氣過(guò)程的影響，同時(shí)協(xié)調(diào)多部雷達(dá)對(duì)重點(diǎn)區(qū)域進(jìn)行精細(xì)化掃描，獲取目標(biāo)區(qū)域更豐富的觀測(cè)資料。CASA項(xiàng)目于2006年在美國(guó)俄克拉何馬州西南部建立4部雙偏振X波段天氣雷達(dá)的菱形分布網(wǎng)絡(luò)，經(jīng)過(guò)試驗(yàn)表明，采用分布式協(xié)同控制的X波段天氣雷達(dá)網(wǎng)絡(luò)，能有效地提高了天氣雷達(dá)低空風(fēng)災(zāi)和強(qiáng)對(duì)流天氣過(guò)程的預(yù)警能力。此后，美國(guó)在2013年在CASA雷達(dá)網(wǎng)試驗(yàn)成功的基礎(chǔ)上，又在得克薩斯州的達(dá)拉斯-沃斯堡地區(qū)建立了8部X波段雙偏振天氣雷達(dá)組成的DFW網(wǎng)絡(luò)，用以給氣象部門提供高時(shí)空的二維和三維探測(cè)資料，加強(qiáng)低層大氣探測(cè)、龍卷和冰雹等天氣過(guò)程的探測(cè)。目前，基于雷達(dá)組網(wǎng)資料，DFW和CASA雷達(dá)網(wǎng)實(shí)現(xiàn)了高精度定量估計(jì)降水和實(shí)時(shí)三維風(fēng)場(chǎng)反演，并已開(kāi)發(fā)出集雷達(dá)系統(tǒng)、軟件系統(tǒng)、雷達(dá)產(chǎn)品、數(shù)據(jù)同化和可視化一體的端到端的預(yù)警系統(tǒng)。鑒于CASA項(xiàng)目分布式協(xié)同控制的組網(wǎng)理念和成功應(yīng)用，各個(gè)國(guó)家也相繼效仿、開(kāi)展試驗(yàn)。在歐洲意大利，LaMMa實(shí)驗(yàn)室在托斯卡納建立由3部X波段天氣雷達(dá)組成的雷達(dá)網(wǎng)，目的是用雷達(dá)網(wǎng)高時(shí)空分辨率的數(shù)據(jù)來(lái)提升地區(qū)城市的臨近預(yù)報(bào)和早期預(yù)警準(zhǔn)確度。在國(guó)內(nèi)，由中國(guó)電子科技集團(tuán)公司第十四研究所和中國(guó)科學(xué)院大氣物理研究所合作，于2013年在南京周邊籌建了國(guó)內(nèi)第一個(gè)X波段天氣雷達(dá)試驗(yàn)網(wǎng)絡(luò)，4部雷達(dá)菱形分布，間距40 km左右，旨在給國(guó)內(nèi)網(wǎng)絡(luò)化雷達(dá)性能優(yōu)化提供試驗(yàn)數(shù)據(jù)。成都信息工程大學(xué)于2016年，在雙流、龍泉和資陽(yáng)建立了3部三角形的X波段天氣雷達(dá)試驗(yàn)網(wǎng)，旨在獲取成都平原強(qiáng)對(duì)流天氣過(guò)程精細(xì)結(jié)構(gòu)資料，同時(shí)不斷進(jìn)行組網(wǎng)策略和協(xié)同控制方法優(yōu)化試驗(yàn)。近幾年，江蘇、上海，安徽、廣東等?。ㄖ陛犑校庀缶忠蚕嗬^建設(shè)并開(kāi)展X波段天氣雷達(dá)組網(wǎng)的協(xié)同觀測(cè)，旨在提高龍卷、冰雹、暴雨等強(qiáng)對(duì)流天氣過(guò)程的監(jiān)測(cè)與預(yù)警能力。

在X波段天氣雷達(dá)組網(wǎng)協(xié)同觀測(cè)試驗(yàn)中，除了雷達(dá)硬件性能穩(wěn)定可靠以外，組網(wǎng)策略和協(xié)同控制系統(tǒng)是關(guān)鍵。往往隨觀測(cè)目標(biāo)和應(yīng)用重點(diǎn)不同，組網(wǎng)策略和協(xié)同技術(shù)也不同。美國(guó)CASA項(xiàng)目分布式協(xié)同控制系統(tǒng)開(kāi)發(fā)分為3個(gè)階段，第一階段是實(shí)現(xiàn)網(wǎng)絡(luò)雷達(dá)，預(yù)測(cè)風(fēng)暴；第二階段是實(shí)現(xiàn)晴空探測(cè)，監(jiān)視風(fēng)暴前環(huán)境狀況變化；第三階段是分布式自適應(yīng)大氣遙感，實(shí)現(xiàn)大范圍預(yù)警和監(jiān)測(cè)與監(jiān)控。為此CASA雷達(dá)網(wǎng)采用晴空模式+風(fēng)暴模式的組合掃描策略，或者是低仰角警戒+高仰角扇掃+RHI掃描的組合模式。整個(gè)掃描過(guò)程控制在3～4 min以內(nèi)。其中低仰角警戒掃描為了獲取全方位的連續(xù)資料，高仰角扇掃是為了對(duì)一個(gè)或多個(gè)重點(diǎn)目標(biāo)進(jìn)行跟蹤探測(cè)，RHI掃描可獲取對(duì)流單體精細(xì)的垂直結(jié)構(gòu)。南京雷達(dá)試驗(yàn)網(wǎng)在CASA基礎(chǔ)上改進(jìn)，制定了3種自適應(yīng)掃描模式：7層扇掃+固定層360°全掃，4層扇掃+固定層360°全掃，以及2層360°全掃的模式，整個(gè)掃描模式以時(shí)間最優(yōu)為主導(dǎo)，把體積掃描時(shí)間控制在2 min以內(nèi)。成都X波段天氣雷達(dá)網(wǎng)絡(luò)的建設(shè)之初以獲取成都平原強(qiáng)對(duì)流天氣過(guò)程精細(xì)結(jié)構(gòu)為目標(biāo)，同時(shí)參與“超大城市垂直綜合氣象觀測(cè)技術(shù)研究及試驗(yàn)”項(xiàng)目，兼顧獲取精細(xì)化降水要素的垂直結(jié)構(gòu)。在組網(wǎng)掃描策略和協(xié)同控制方面，需要體現(xiàn)從低層空間到高層空間連續(xù)結(jié)構(gòu)的觀測(cè)；雷達(dá)體掃時(shí)間盡量減少，保持更高時(shí)間的分辨率，對(duì)降水結(jié)構(gòu)連續(xù)性變化有著更好的觀測(cè)；同時(shí)能得到強(qiáng)對(duì)流單體精細(xì)垂直結(jié)構(gòu)，可以給出與目標(biāo)單體相對(duì)應(yīng)的垂直風(fēng)切變和高反射率核。

本文結(jié)合成都X波段天氣雷達(dá)網(wǎng)絡(luò)的應(yīng)用需求，將介紹一種快速體積掃描+多RHI掃描的組網(wǎng)掃描策略和基于重點(diǎn)區(qū)域識(shí)別、優(yōu)先級(jí)計(jì)算及雷達(dá)任務(wù)智能分配的協(xié)同控制流程；同時(shí)提出了一種基于神經(jīng)網(wǎng)絡(luò)的強(qiáng)對(duì)流識(shí)別算法和基于非監(jiān)督學(xué)習(xí)的聚類算法的強(qiáng)回波自動(dòng)識(shí)別方法，為雷達(dá)組網(wǎng)協(xié)同控制中的重點(diǎn)區(qū)域天氣過(guò)程的識(shí)別提供方法。

1 組網(wǎng)掃描策略

如圖1所示，成都X波段天氣雷達(dá)網(wǎng)由成都信息工程大學(xué)航港校區(qū)、龍泉校區(qū)以及資陽(yáng)3個(gè)站點(diǎn)雷達(dá)構(gòu)成，網(wǎng)絡(luò)形狀為三角；覆蓋雙流國(guó)際機(jī)場(chǎng)和天府國(guó)際機(jī)場(chǎng)區(qū)域。資陽(yáng)、龍泉兩部雷達(dá)為固態(tài)體制雷達(dá)，航空港雷達(dá)為磁控管雷達(dá)。3個(gè)雷達(dá)之間相對(duì)距離分別為：航空港雷達(dá)—龍泉雷達(dá)：28.5 km，航空港雷達(dá)—資陽(yáng)雷達(dá)：70 km，龍泉雷達(dá)—資陽(yáng)雷達(dá)：65.5 km。當(dāng)使用最大探測(cè)距離100 km的情況下掃描覆蓋面積可達(dá)約 46608 km，其中共同掃描區(qū)域面積約為15285 km，占總覆蓋面積的32%。

圖1 成都X波段天氣雷達(dá)網(wǎng)布局Fig.1 Chengdu X band weather radar network

成都X波段天氣雷達(dá)網(wǎng)雷達(dá)掃描策略分為兩種：普通模式和協(xié)同模式。普通模式時(shí)各個(gè)雷達(dá)采用VCP21模式，協(xié)同模式時(shí)采用快速體掃+RHI掃描模式（VCP02）。普通模式和協(xié)同模式可自動(dòng)觸發(fā)和人為觸發(fā)。當(dāng)普通模式下各個(gè)雷達(dá)通過(guò)強(qiáng)對(duì)流識(shí)別算法識(shí)別出強(qiáng)對(duì)流目標(biāo)時(shí)，則自動(dòng)觸發(fā)進(jìn)入?yún)f(xié)同掃描模式。人為觸發(fā)模式為手動(dòng)觸發(fā)，操作人員可針對(duì)感興趣區(qū)域，隨時(shí)把組網(wǎng)雷達(dá)切入?yún)f(xié)同掃描模式。

具體掃描策略的具體設(shè)計(jì)需要考慮掃描仰角個(gè)數(shù)、掃描仰角、PRF、天線轉(zhuǎn)速等參數(shù)，綜合考慮雷達(dá)的性能（如波束寬度、PRF、天線轉(zhuǎn)速、掃描仰角限制等），探測(cè)目標(biāo)的需求（目標(biāo)類型、目標(biāo)的變化特征、與雷達(dá)之間的距離等）、數(shù)據(jù)質(zhì)量（距離折疊—隨機(jī)相位編碼、速度模糊—雙PRF和雜波抑制—GMAP等）、分辨率需求（時(shí)間和空間分辨率）等，還需考慮區(qū)域范圍內(nèi)的零度層高度。零度層對(duì)航空飛行顯得特別重要，是分析飛機(jī)積冰高度的重要因素；對(duì)高山雪線高度和洪水預(yù)報(bào)也起到重要的作用。在西南區(qū)域零度層高度最高出現(xiàn)在夏季，一般出現(xiàn)在8月，在5000～5800 m范圍內(nèi)。春秋兩季相對(duì)偏低，零度層高度最低一般出現(xiàn)在3月和11月，在2400～3000 m范圍內(nèi)。

成都X波段天氣雷達(dá)網(wǎng)協(xié)同模式的設(shè)計(jì)旨在能獲取低層空間層降水結(jié)構(gòu)信息，能高時(shí)間分辨率獲取強(qiáng)對(duì)流過(guò)程的變化結(jié)構(gòu)，能獲取降水過(guò)程的垂直結(jié)構(gòu)信息，因此設(shè)計(jì)了快速體掃模式+多RHI掃描的掃描策略?？紤]到實(shí)際雷達(dá)扇掃過(guò)程中雷達(dá)天線停擺，移動(dòng)到指定方位的時(shí)間和與360°PPI掃描時(shí)間基本相當(dāng)，且雷達(dá)扇掃易造成天線伺服系統(tǒng)故障等因素，快速體掃模式均為PPI掃描方式；根據(jù)邊界層空間觀測(cè)和時(shí)間分辨率的需要，快速掃描模式仰角選擇低層5個(gè)仰角進(jìn)行掃描，并把掃描仰角間隔與雷達(dá)波束寬度1.5°保持一致。為了獲取較精細(xì)的掃描數(shù)據(jù)，提高了每個(gè)脈沖的累積數(shù)，同時(shí)利用較高的重復(fù)頻率（PRF）以提高最大不模糊速度，利用相位編碼技術(shù)退除距離折疊。表1給出了一種快速體掃+RHI掃描的掃描參數(shù)設(shè)置，快速體掃5層體掃時(shí)間為1.32 min，再加上體掃前標(biāo)定時(shí)間0.2 min，總體快速體掃時(shí)間不超過(guò)1.6 min。RHI掃描模式旨在獲取強(qiáng)對(duì)流天氣過(guò)程強(qiáng)中心的垂直降水結(jié)構(gòu)數(shù)據(jù)，強(qiáng)對(duì)流區(qū)域及對(duì)應(yīng)參數(shù)的計(jì)算由控制中心進(jìn)行。RHI掃描模式的最高仰角為40°，單次RHI掃描的用時(shí)約為25 s。根據(jù)對(duì)流單體的強(qiáng)、中、弱及聚類形勢(shì)，一次快速體掃后，針對(duì)同一對(duì)流單體的RHI模式最多可執(zhí)行3次，每次處于不同方位位置。

表1 快速體掃+RHI掃描參數(shù)設(shè)計(jì)Table 1 Radar parameter design of fast-speed volume scanning and RHI scanning

2 組網(wǎng)協(xié)同控制關(guān)鍵技術(shù)

組網(wǎng)協(xié)同控制是由網(wǎng)絡(luò)中多部雷達(dá)協(xié)同觀測(cè)同一或多個(gè)目標(biāo)，中心站根據(jù)目標(biāo)的不同，給每部雷達(dá)分配不同的掃描任務(wù)，最終達(dá)到最優(yōu)的觀測(cè)效果。組網(wǎng)雷達(dá)在協(xié)同觀測(cè)中，當(dāng)出現(xiàn)一個(gè)或多個(gè)氣象目標(biāo)時(shí)，需要控制中心統(tǒng)一分配各個(gè)雷達(dá)的掃描目標(biāo)。根據(jù)目標(biāo)的各種信息，如反射率的強(qiáng)弱、相對(duì)雷達(dá)的距離、目標(biāo)區(qū)域的重要程度等，對(duì)每一部雷達(dá)進(jìn)行任務(wù)分配。協(xié)同控制算法首先進(jìn)行重點(diǎn)區(qū)域的識(shí)別，這一步將鎖定目標(biāo)區(qū)域的具體位置，為雷達(dá)下一步做出的具體掃描提供坐標(biāo)。接下來(lái)組網(wǎng)雷達(dá)將對(duì)掃描覆蓋范圍內(nèi)的所有重點(diǎn)區(qū)域根據(jù)優(yōu)先級(jí)進(jìn)行篩選，再進(jìn)行RHI掃描，觀察其垂直氣象結(jié)構(gòu)。根據(jù)優(yōu)先級(jí)計(jì)算公式劃分出目標(biāo)的重要程度，并對(duì)優(yōu)先級(jí)進(jìn)行排序，重要程度高的將優(yōu)先對(duì)其進(jìn)行掃描。

2.1 協(xié)同控制關(guān)鍵流程

協(xié)同控制主要有重點(diǎn)區(qū)域識(shí)別、優(yōu)先級(jí)計(jì)算、雷達(dá)任務(wù)分配等關(guān)鍵環(huán)節(jié)。

重點(diǎn)區(qū)域識(shí)別環(huán)節(jié)采用基于神經(jīng)網(wǎng)絡(luò)的強(qiáng)對(duì)流自動(dòng)識(shí)別算法對(duì)重點(diǎn)目標(biāo)區(qū)域進(jìn)行識(shí)別，然后利用聚類算法將范圍內(nèi)的重點(diǎn)天氣目標(biāo)劃分為各自獨(dú)立的系統(tǒng)。

雷達(dá)任務(wù)分配時(shí)，根據(jù)每個(gè)重點(diǎn)區(qū)域的優(yōu)先級(jí)按降序排列后，由先到后依次分配掃描任務(wù)至雷達(dá)中，每部雷達(dá)建立一個(gè)任務(wù)列表，任務(wù)列表中包含區(qū)域編號(hào)、重要數(shù)據(jù)，如中心點(diǎn)坐標(biāo)、面積、平均反射率、最高反射率等。具體任務(wù)分配流程如下：

1）計(jì)算優(yōu)先級(jí)最高的重點(diǎn)區(qū)域的質(zhì)心坐標(biāo)與每部雷達(dá)之間的相對(duì)距離，確認(rèn)該區(qū)域處于哪些雷達(dá)的觀測(cè)范圍內(nèi)（每部雷達(dá)的有效觀測(cè)范圍設(shè)為75 km）。

2）針對(duì)雷達(dá)之間的共同掃描區(qū)，將嘗試把需要探測(cè)的掃描目標(biāo)分配至有效觀測(cè)范圍內(nèi)的所有雷達(dá)中。

3）在優(yōu)先級(jí)列表中尋找下一個(gè)重點(diǎn)區(qū)域，并重復(fù)以上兩個(gè)步驟。若優(yōu)先級(jí)列表中所有的目標(biāo)點(diǎn)均分配完畢，或所有雷達(dá)的任務(wù)列表都滿了，則分配過(guò)程結(jié)束。分配過(guò)程結(jié)束后，每部雷達(dá)會(huì)獲取一個(gè)任務(wù)列表（至多2個(gè)觀測(cè)任務(wù)），雷達(dá)會(huì)根據(jù)該任務(wù)列表進(jìn)行RHI掃描。

2.2 強(qiáng)回波自動(dòng)識(shí)別技術(shù)

強(qiáng)對(duì)流天氣回波的自動(dòng)識(shí)別技術(shù)是雷達(dá)組網(wǎng)協(xié)同控制流程的重要環(huán)節(jié)。讓雷達(dá)控制中心能夠自行解決如何掃描的問(wèn)題。文中結(jié)合使用了基于神經(jīng)網(wǎng)絡(luò)的強(qiáng)對(duì)流識(shí)別算法和基于非監(jiān)督學(xué)習(xí)的聚類算法，實(shí)現(xiàn)強(qiáng)對(duì)流天氣回波的自動(dòng)識(shí)別和定位。

強(qiáng)對(duì)流識(shí)別算法基于快速體掃模式所獲取的雷達(dá)回波數(shù)據(jù)，進(jìn)行回波特征提取，并通過(guò)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行強(qiáng)對(duì)流回波識(shí)別。

算法基于3 km海拔高度的網(wǎng)格化雷達(dá)等高平面顯示（CAPPI）數(shù)據(jù)，提取水平和垂直兩個(gè)方向的特征，以識(shí)別大氣邊界層附近的降水區(qū)域。6個(gè)特征分別命名為F1到F6，其具體定義如下：

F1：CAPPI＞40 dBz的持續(xù)高度（km）：該特征主要反映了某區(qū)域強(qiáng)降水云的持續(xù)高度（即云頂高度減去云底高度），通常來(lái)說(shuō)，層狀云對(duì)應(yīng)的該特征值較低，而對(duì)流云對(duì)應(yīng)的該特征值較高。

F2：水平區(qū)域反射率（dBz/km）：該特征是以目標(biāo)點(diǎn)為中心，附近1 km的區(qū)域的雷達(dá)反射率總和，反映了該點(diǎn)周圍環(huán)境的反射率強(qiáng)度。通常來(lái)說(shuō)，層狀云對(duì)應(yīng)的該特征值較低，而對(duì)流云對(duì)應(yīng)的該特征值較高。

F3：云頂高度（km）：通常來(lái)說(shuō)，對(duì)流云的云體高度明顯比層狀云更高。

F4：反射率水平梯度（dBz/km）：該特征反映了目標(biāo)點(diǎn)附近區(qū)域在3 km海拔高度上的反射率水平變化情況。根據(jù)對(duì)流云與層狀云的物理特征，強(qiáng)對(duì)流云的運(yùn)動(dòng)速度快，其反射率水平梯度遠(yuǎn)大于層狀云的反射率水平梯度。

F5：＞35 dBz 的區(qū)域面積（km）：該特征反映了以目標(biāo)點(diǎn)為中心，其附近區(qū)域中雷達(dá)反射率＞35 dBz的獨(dú)立區(qū)域面積大小。顯然，層狀云對(duì)應(yīng)的該特征值較低，而對(duì)流云對(duì)應(yīng)的該特征值較高。

F6：垂直積分液態(tài)水VIL（kg/m）：在天氣分析過(guò)程中，VIL是一種識(shí)別潛在強(qiáng)對(duì)流非常敏感的指示參數(shù)，通常對(duì)流云對(duì)應(yīng)的特征值比較高。

以上6種特征在輸入神經(jīng)網(wǎng)絡(luò)之前，均經(jīng)過(guò)歸一化處理。

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練依賴于標(biāo)記過(guò)的訓(xùn)練數(shù)據(jù)。本文的訓(xùn)練和測(cè)試數(shù)據(jù)集均基于成都地區(qū)2017年7月至2018年8月的雷達(dá)快速體掃數(shù)據(jù)，其中訓(xùn)練集包含10個(gè)天氣過(guò)程共計(jì)495841個(gè)降水點(diǎn)，其中80833個(gè)對(duì)流降水點(diǎn)，415008個(gè)層狀云降水點(diǎn)。測(cè)試集包含25個(gè)天氣過(guò)程共計(jì)有1211711個(gè)降水點(diǎn)。交叉驗(yàn)證集總共包含 60000個(gè)降水點(diǎn)。每一個(gè)降水點(diǎn)的實(shí)際空間分辨率為 200 m×200 m。通過(guò)試驗(yàn)與分析，發(fā)現(xiàn)6種特征對(duì)于對(duì)流云和層狀云從概率上均有分辨能力，然而任意一種特征的單獨(dú)運(yùn)用均無(wú)法達(dá)到最佳的識(shí)別效果。因此，利用神經(jīng)網(wǎng)絡(luò)進(jìn)行特征組合和優(yōu)化是最佳的方式。本文中使用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)有3層，其中輸入層包含6個(gè)輸入結(jié)點(diǎn)（即上述6種歸一化特征），1個(gè)隱藏層包含8個(gè)神經(jīng)單元，1個(gè)輸出層包含2個(gè)輸出結(jié)點(diǎn)。激活函數(shù)為 sigmoid函數(shù)，學(xué)習(xí)率設(shè)定為 1，訓(xùn)練循環(huán)次數(shù)為 100。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練代價(jià)函數(shù)為：

式中；

m

為樣本總數(shù)，

K

是輸出結(jié)點(diǎn)的數(shù)量，

y

代表真實(shí)的參考值，

λ

為正則化參數(shù)設(shè)定為 1，

L

為神經(jīng)網(wǎng)絡(luò)的層數(shù)，

θ

是神經(jīng)網(wǎng)絡(luò)層數(shù)之間的參數(shù)矩陣。

訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)參數(shù)，結(jié)合6種歸一化特征，可以有效地進(jìn)行強(qiáng)對(duì)流天氣回波的自動(dòng)識(shí)別。圖2展示了2017年8月的一次強(qiáng)對(duì)流降水過(guò)程的組合反射率圖像以及利用本算法計(jì)算所得的強(qiáng)對(duì)流云/層狀云的識(shí)別結(jié)果，標(biāo)記為紅色的區(qū)域?yàn)閷?duì)流云區(qū)域，藍(lán)色區(qū)域?yàn)閷訝钤茀^(qū)域。為了與現(xiàn)有算法的效果作對(duì)比，圖2中還給出了基于反射率閾值的傳統(tǒng)識(shí)別算法（SHY95）、SHY95的改進(jìn)型算法（BL）和基于模糊邏輯的識(shí)別算法（FL）等3種經(jīng)典強(qiáng)對(duì)流識(shí)別算法的識(shí)別效果。

從圖2中對(duì)比可發(fā)現(xiàn)，基于神經(jīng)網(wǎng)絡(luò)算法的處理結(jié)果與預(yù)報(bào)員的判斷最為符合，其次是FL算法?；陂撝捣指畹膫鹘y(tǒng)識(shí)別算法效果遠(yuǎn)差于兩種基于機(jī)器學(xué)習(xí)的識(shí)別算法。3種傳統(tǒng)的算法均有不同程度的過(guò)度識(shí)別現(xiàn)象，導(dǎo)致識(shí)別的強(qiáng)對(duì)流區(qū)域遠(yuǎn)大于真實(shí)值，這是由于3種經(jīng)典算法對(duì)于反射率特征的依賴度過(guò)高所造成的。即使FL運(yùn)用了模糊邏輯算法，但問(wèn)題并沒(méi)有徹底解決。相反，基于神經(jīng)網(wǎng)絡(luò)算法的6種特征里，并不包含反射率特征，因此也就解決了過(guò)度依賴的問(wèn)題。

圖2 強(qiáng)對(duì)流自動(dòng)識(shí)別效果對(duì)比圖（a）2017年8月18日17：06時(shí)刻雷達(dá)反射率；（b）預(yù)報(bào)員標(biāo)記的強(qiáng)對(duì)流/層狀云降水回波；（c）本文神經(jīng)網(wǎng)絡(luò)算法結(jié)果；（d）基于模糊邏輯的傳統(tǒng)識(shí)別算法結(jié)果；（e）基于反射率閾值的傳統(tǒng)識(shí)別算法結(jié)果；（f）改進(jìn)型的傳統(tǒng)算法結(jié)果Fig.2 Comparison of automatic identification of severe convection(a) radar reflectivity on 2017.8.1817:06;(b) artificial identification of convective and stratiform precipitation echo;(c)identification based on fuzzy logic;(e) identification based on reflectivity threshold;(f) identification based on improved traditional algorithm

2.3 強(qiáng)對(duì)流單體聚類技術(shù)

聚類算法主要目的是強(qiáng)對(duì)流回波識(shí)別算法所識(shí)別出的強(qiáng)對(duì)流回波擬合為數(shù)個(gè)強(qiáng)對(duì)流區(qū)域，從而方便雷達(dá)控制中心執(zhí)行任務(wù)調(diào)度。通常來(lái)說(shuō)，一個(gè)強(qiáng)對(duì)流云團(tuán)的覆蓋面積有大有小，但都是由一到數(shù)個(gè)強(qiáng)風(fēng)暴為中心，聚合在其附近的。針對(duì)這一特點(diǎn)，提出一種以強(qiáng)風(fēng)暴中心為起點(diǎn)的無(wú)監(jiān)督密度聚類算法來(lái)實(shí)現(xiàn)強(qiáng)對(duì)流區(qū)域的擬合。算法的步驟如下：

4）重新選取一個(gè)新的強(qiáng)風(fēng)暴起始點(diǎn)并重復(fù)（1）～（4）步驟，直到所有的強(qiáng)風(fēng)暴點(diǎn)均處理完畢。

從以上步驟可以看出，本聚類算法主要以空間距離作為核心觀察點(diǎn)，根據(jù)對(duì)流點(diǎn)的空間密度分布特征對(duì)其進(jìn)行聚類。

3 協(xié)同觀測(cè)試驗(yàn)結(jié)果

成都X波段天氣雷達(dá)網(wǎng)絡(luò)使用了基于WEB的協(xié)同控制軟件云平臺(tái)，軟件平臺(tái)包括雷達(dá)站軟件平臺(tái)和控制中心軟件平臺(tái)兩大部分。雷達(dá)站控制軟件重點(diǎn)實(shí)現(xiàn)雷達(dá)數(shù)據(jù)、狀態(tài)向中心站的發(fā)送、自身單雷達(dá)的自適應(yīng)觀測(cè)、接收中心站控制命令和發(fā)送命令到信號(hào)處理、天線伺服等；控制中心軟件平臺(tái)則需要重點(diǎn)實(shí)現(xiàn)接收各個(gè)網(wǎng)點(diǎn)雷達(dá)回波數(shù)據(jù)和狀態(tài)數(shù)據(jù)、數(shù)據(jù)融合分析、重點(diǎn)觀測(cè)區(qū)域識(shí)別、協(xié)同決策并確立掃描模式、發(fā)送協(xié)同觀測(cè)命令、組網(wǎng)產(chǎn)品生成及產(chǎn)品顯示等。

圖3給出了成都X波段天氣雷達(dá)網(wǎng)對(duì)2020年8月23日一次強(qiáng)對(duì)流天氣過(guò)程中的協(xié)同觀測(cè)過(guò)程。從圖3a和3b中可以看出，8月23日成都平原出現(xiàn)大面積降水，而且出現(xiàn)多個(gè)強(qiáng)降水中心區(qū)域，但是從組合反射率來(lái)看，無(wú)法獲得各個(gè)區(qū)域降水的精細(xì)結(jié)構(gòu)信息。成都雷達(dá)網(wǎng)通過(guò)快速體掃模式，獲取掃描范圍內(nèi)全域信息，通過(guò)強(qiáng)對(duì)流回波識(shí)別和聚類算法識(shí)別確定了多個(gè)強(qiáng)中心目標(biāo)，并且一一進(jìn)行編號(hào)，如圖3所示，在航空港雷達(dá)附近區(qū)域識(shí)別強(qiáng)中心有3個(gè)，編號(hào)為S226～S228，在資陽(yáng)雷達(dá)站附近識(shí)別強(qiáng)中心有6個(gè)，編號(hào)為S229～S234；然后根據(jù)各個(gè)雷達(dá)距離位置和當(dāng)前工作狀態(tài)，進(jìn)行優(yōu)先級(jí)計(jì)算和任務(wù)調(diào)度。根據(jù)前面所述的最高反射率、區(qū)域平均反射率、區(qū)域面積等因素判斷，回波強(qiáng)中心S227，S228，S229，S231，S233被列為優(yōu)先級(jí)較高的觀測(cè)點(diǎn)；然后根據(jù)雷達(dá)位置和探測(cè)區(qū)域關(guān)系，回波強(qiáng)中心S227，S228的RHI掃描任務(wù)被分配給航空港雷達(dá)執(zhí)行，回波強(qiáng)中心S229，S231和S233被分配給資陽(yáng)雷達(dá)執(zhí)行通。圖3a和3b分別給出了S228和S231雷達(dá)任務(wù)分配的過(guò)程，最終分別被航空港雷達(dá)和資陽(yáng)雷達(dá)雷達(dá)執(zhí)行RHI掃描任務(wù)，掃描結(jié)果如圖3c和3d所示。由于RHI掃描位置的不同，時(shí)間有稍微差別，但幾次執(zhí)行的RHI掃描時(shí)間應(yīng)控制在1～2 min以內(nèi)，因此，雖然識(shí)別出來(lái)的強(qiáng)中心較多，但每次體掃中執(zhí)行部分回波強(qiáng)中心的RHI掃描。

圖3 成都X波段天氣雷達(dá)網(wǎng)絡(luò)對(duì)2020年8月23日一次強(qiáng)降水過(guò)程的協(xié)同觀測(cè)過(guò)程（a，b）組合反射率數(shù)據(jù)（圖中紫色為生成的任務(wù)調(diào)度）；（c，d）基本反射率數(shù)據(jù)Fig.3 A cooperative obseration on strong precipitation on 23 Augest 2020 in Chengdu X band weather radar network(a,b) composite reflectivity and the task scheduling,(c,d) base reflectivity

從圖3d可看出，沿降水中心S231的雷達(dá)徑向方向，回波出現(xiàn)多個(gè)強(qiáng)中心，回波頂高接近15 km，降水正處于旺盛期。

4 結(jié)果討論

利用多部X波段天氣雷達(dá)進(jìn)行組網(wǎng)觀測(cè)，是對(duì)新一代多普勒天氣雷達(dá)網(wǎng)絡(luò)低空補(bǔ)盲和加強(qiáng)快變對(duì)流天氣過(guò)程探測(cè)的有效途徑之一，其中多部雷達(dá)掃描策略和協(xié)同控制是組網(wǎng)技術(shù)的關(guān)鍵。

依托于科技部重點(diǎn)研發(fā)計(jì)劃“超大城市垂直觀測(cè)技術(shù)研究及試驗(yàn)”的研發(fā)任務(wù)目標(biāo)，基于成都X波段天氣雷達(dá)網(wǎng)絡(luò)，文中設(shè)計(jì)了一種快速體掃+多RHI掃描的組網(wǎng)雷達(dá)掃描策略。該掃描策略執(zhí)行5層的360°全方位掃描和重點(diǎn)區(qū)域的RHI垂直高度掃描，整個(gè)掃描過(guò)程控制在2～3 min以內(nèi)；對(duì)單個(gè)強(qiáng)對(duì)流單體，執(zhí)行1次RHI掃描，對(duì)于多個(gè)單體對(duì)流區(qū)域，執(zhí)行“頭部”“中部”和“尾部”多次RHI掃描，以獲取強(qiáng)對(duì)流單體的垂直精細(xì)結(jié)構(gòu)。

針對(duì)組網(wǎng)雷達(dá)的協(xié)同控制問(wèn)題，文中設(shè)計(jì)了一種重點(diǎn)區(qū)域識(shí)別、優(yōu)先級(jí)計(jì)算及雷達(dá)任務(wù)智能調(diào)度控制流程。組網(wǎng)雷達(dá)控制中心根據(jù)全方位掃描資料，識(shí)別出重點(diǎn)區(qū)域，將區(qū)域中的重點(diǎn)區(qū)域標(biāo)記后，根據(jù)目標(biāo)區(qū)域的反射率大小、面積和影響地區(qū)重要程度等因素計(jì)算出所有重點(diǎn)區(qū)域的優(yōu)先級(jí)，并對(duì)其進(jìn)行排序，然后根據(jù)目標(biāo)的優(yōu)先級(jí)進(jìn)行雷達(dá)分配進(jìn)行重點(diǎn)觀測(cè)。

重點(diǎn)區(qū)域識(shí)別是雷達(dá)組網(wǎng)協(xié)同控制的前提。文中提出了一種基于神經(jīng)網(wǎng)絡(luò)的強(qiáng)對(duì)流識(shí)別算法和基于非監(jiān)督學(xué)習(xí)聚類算法的強(qiáng)對(duì)流天氣回波自動(dòng)識(shí)別和定位方法。利用天氣過(guò)程回波信息的6種特征作為后續(xù)傳播神經(jīng)網(wǎng)絡(luò)的輸入特征，在識(shí)別出強(qiáng)對(duì)流單體的同時(shí)，具有較高的運(yùn)行速率和識(shí)別準(zhǔn)確率。

致謝：美國(guó)科羅拉多大學(xué)V.Chandra教授、中國(guó)氣象局氣象探測(cè)中心李柏研究員、成都空軍氣象中心張杰高工對(duì)成都X波段雷達(dá)組網(wǎng)建設(shè)及掃描策略的制定提供了許多寶貴建議，在此表示衷心感謝。