基于增量貝葉斯的雙偏振氣象雷達(dá)降水粒子分類(lèi)方法

李 海， 孫婷逸， 程新宇

(中國(guó)民航大學(xué)天津市智能信號(hào)與圖像處理重點(diǎn)實(shí)驗(yàn)室， 天津 300300)

0 引言

我國(guó)的氣候條件復(fù)雜而多變，氣象災(zāi)害種類(lèi)繁多且發(fā)生頻率較高，若不能準(zhǔn)確探測(cè)天氣條件，容易造成嚴(yán)重的氣象損失。相較于傳統(tǒng)氣象雷達(dá)，雙偏振氣象雷達(dá)獲取到的氣象粒子大小、形狀、空間位置等信息更加精準(zhǔn)，因此在定量估計(jì)降水、獲知粒子相態(tài)、預(yù)警災(zāi)害等方面具有重要意義。

目前，實(shí)現(xiàn)雙偏振氣象雷達(dá)降水粒子分類(lèi)算法的主要思路有兩種，一種是模糊邏輯算法，另一種是機(jī)器學(xué)習(xí)類(lèi)方法。Straka (1996年)首次在降水粒子分類(lèi)領(lǐng)域應(yīng)用了模糊邏輯算法。之后大部分專(zhuān)家研究了該算法在不同波段雷達(dá)中的應(yīng)用，以及輸入?yún)⒘康倪x取和隸屬度函數(shù)的選擇等問(wèn)題。雖然模糊邏輯算法能夠有效對(duì)降水粒子進(jìn)行分類(lèi)，但是由于隸屬度函數(shù)參數(shù)的確定、函數(shù)的形狀以及權(quán)值的選擇主要依靠專(zhuān)家經(jīng)驗(yàn)值，具有很強(qiáng)的主觀性，因此容易造成分類(lèi)誤差。近二十年來(lái)，-近鄰算法、決策樹(shù)算法，以及聚類(lèi)算法等機(jī)器學(xué)習(xí)熱度再次燃起。-近鄰算法方法簡(jiǎn)單且適用于多分類(lèi)，但值的選取往往需要依靠專(zhuān)家經(jīng)驗(yàn)值，數(shù)據(jù)量大時(shí)計(jì)算量也會(huì)增加；決策樹(shù)算法運(yùn)行速度快，對(duì)于缺失屬性的樣本包容性強(qiáng)，但不僅容易造成過(guò)度擬合還會(huì)忽略數(shù)據(jù)屬性間的聯(lián)系；聚類(lèi)的方法簡(jiǎn)單且無(wú)需訓(xùn)練數(shù)據(jù)集，但是對(duì)非規(guī)則形狀的降水粒子分類(lèi)性能較差。2008年Marzano等將貝葉斯分類(lèi)算法與降水粒子分類(lèi)結(jié)合在一起。由于貝葉斯分類(lèi)算法能夠充分地應(yīng)用先驗(yàn)信息，并且能夠隨著屬性特征的增減調(diào)整算法的結(jié)構(gòu)，在降水粒子分類(lèi)算法中更具優(yōu)勢(shì)。

雖然樸素貝葉斯算法原理簡(jiǎn)單，但是在實(shí)際應(yīng)用中需要為其提供數(shù)量大、質(zhì)量高的訓(xùn)練數(shù)據(jù)集。訓(xùn)練數(shù)據(jù)集內(nèi)數(shù)據(jù)最可靠的獲取方法是使用帶有粒子檢測(cè)系統(tǒng)的探測(cè)器深入到云層中進(jìn)行采集，然而此方法成本較高、獲取數(shù)據(jù)量少。這致使貝葉斯算法的分類(lèi)效果很大程度上受限于訓(xùn)練數(shù)據(jù)集樣本的數(shù)量。不僅如此，訓(xùn)練數(shù)據(jù)集一成不變易致使分類(lèi)器泛化性不足，而重新訓(xùn)練分類(lèi)器以大量時(shí)間為代價(jià)。為了解決這一問(wèn)題，學(xué)者們提出了一種增量學(xué)習(xí)方法，即在接受過(guò)訓(xùn)練的系統(tǒng)或者算法的基礎(chǔ)上，追加包含有用信息的數(shù)據(jù)樣本至原有數(shù)據(jù)集，提取出的有用信息會(huì)對(duì)分類(lèi)器進(jìn)行更新而無(wú)需重新訓(xùn)練分類(lèi)器，以此實(shí)現(xiàn)在擴(kuò)充舊知識(shí)的同時(shí)逐步動(dòng)態(tài)地掌握新信息的過(guò)程。在充分利用與發(fā)揮樸素貝葉斯理論適應(yīng)性前提下，合理應(yīng)用增量學(xué)習(xí)實(shí)現(xiàn)動(dòng)態(tài)調(diào)節(jié)算法的過(guò)程，能夠在增加樣本數(shù)量的同時(shí)增強(qiáng)算法的分類(lèi)效果，提高其適應(yīng)性。

因此，本文提出了一種基于增量貝葉斯的雙偏振氣象雷達(dá)降水粒子分類(lèi)方法。該方法首先對(duì)偏振參量數(shù)據(jù)進(jìn)行離散化處理，然后由帶標(biāo)簽數(shù)據(jù)計(jì)算得到的偏振參量條件概率表來(lái)構(gòu)建離散屬性樸素貝葉斯分類(lèi)器，接著使用樸素貝葉斯分類(lèi)器分類(lèi)無(wú)標(biāo)簽數(shù)據(jù)，將符合條件的數(shù)據(jù)追加到訓(xùn)練數(shù)據(jù)集中，最后修正樸素貝葉斯分類(lèi)器完成增量學(xué)習(xí)，得到增量貝葉斯分類(lèi)器實(shí)現(xiàn)降水粒子分類(lèi)。

1 增量貝葉斯降水粒子分類(lèi)算法

增量貝葉斯降水粒子分類(lèi)算法首先對(duì)數(shù)據(jù)進(jìn)行離散化，之后利用有標(biāo)簽的訓(xùn)練數(shù)據(jù)集計(jì)算出條件概率表實(shí)現(xiàn)樸素貝葉斯分類(lèi)器的構(gòu)造，結(jié)合貝葉斯公式實(shí)現(xiàn)無(wú)標(biāo)簽的增量數(shù)據(jù)集的分類(lèi)，使其成為有標(biāo)簽數(shù)據(jù)，并將符合閾值門(mén)限的新的有標(biāo)簽數(shù)據(jù)加入到原始訓(xùn)練數(shù)據(jù)集中，更新樸素貝葉斯分類(lèi)器得到增量貝葉斯分類(lèi)器，最后利用增量貝葉斯分類(lèi)器進(jìn)行降水粒子分類(lèi)。

1.1 數(shù)據(jù)離散化

圖1 離散化流程圖

1.2 樸素貝葉斯分類(lèi)器

將離散化處理后的偏振參量數(shù)據(jù)作為屬性節(jié)點(diǎn)輸入到樸素貝葉斯分類(lèi)器中。除屬性節(jié)點(diǎn)外，樸素貝葉斯分類(lèi)器的結(jié)構(gòu)還包括類(lèi)節(jié)點(diǎn)以及有向線段，如圖2所示。類(lèi)節(jié)點(diǎn)的取值對(duì)應(yīng)分類(lèi)器輸出的9類(lèi)降水粒子(視地雜波為一種降水粒子類(lèi)別)，如表1所示。

圖2 樸素貝葉斯結(jié)構(gòu)

表1 類(lèi)標(biāo)簽取值及降水粒子輸出結(jié)果

(1)

式中，為樣本總個(gè)數(shù)。根據(jù)這種計(jì)算方式，計(jì)算出每個(gè)離散化標(biāo)準(zhǔn)值關(guān)于降水粒子種類(lèi)的條件概率值，即可得到屬性節(jié)點(diǎn)關(guān)于類(lèi)節(jié)點(diǎn)的條件概率表，如圖3所示。同理，依次得到其余屬性節(jié)點(diǎn)與類(lèi)節(jié)點(diǎn)之間的條件概率表，即可完成樸素貝葉斯分類(lèi)器的構(gòu)建。

圖3 屬性節(jié)點(diǎn)ZH關(guān)于類(lèi)節(jié)點(diǎn)C的條件概率表

1.3 增量貝葉斯分類(lèi)器

將樸素貝葉斯分類(lèi)器進(jìn)行增量學(xué)習(xí)，即可得到增量貝葉斯分類(lèi)器。增量學(xué)習(xí)是指將無(wú)標(biāo)簽數(shù)據(jù)經(jīng)過(guò)樸素貝葉斯分類(lèi)器分類(lèi)后，通過(guò)嚴(yán)格的判斷過(guò)程將滿足條件的新的有標(biāo)簽數(shù)據(jù)擴(kuò)充到訓(xùn)練數(shù)據(jù)集中，并且修正樸素貝葉斯分類(lèi)器。將全部的無(wú)標(biāo)簽數(shù)據(jù)學(xué)習(xí)完畢，即完成增量貝葉斯分類(lèi)器的構(gòu)建。

(a) 擴(kuò)充訓(xùn)練數(shù)據(jù)集

將離散化后的無(wú)標(biāo)簽數(shù)據(jù)輸入到樸素貝葉斯分類(lèi)器中進(jìn)行分類(lèi)判斷，即可得到有標(biāo)簽數(shù)據(jù)。用,,,分別表示樸素貝葉斯分類(lèi)器的屬性節(jié)點(diǎn),,,，則該分類(lèi)判斷過(guò)程可由下式描述：

(2)

式中，∈{1,2,…,9}表示降水粒子的標(biāo)簽類(lèi)別數(shù)，表示第個(gè)屬性節(jié)點(diǎn)，∈{1,2,3,4}，(,,,)為常數(shù)。公式(2)轉(zhuǎn)化為式(3)：

(3)

然而并非所有新帶標(biāo)簽數(shù)據(jù)都適合用來(lái)擴(kuò)充訓(xùn)練數(shù)據(jù)集。本文借鑒了羅福星等人提出的類(lèi)置信度的概念，即設(shè)定一個(gè)閾值，通過(guò)判斷經(jīng)過(guò)樸素貝葉斯分類(lèi)器分類(lèi)后的數(shù)據(jù)樣本是否達(dá)到閾值條件來(lái)決定其能否進(jìn)行下一步的增量學(xué)習(xí)。因此，數(shù)據(jù)樣本屬于某種降水粒子的類(lèi)置信度定義為

(4)

(b) 修正樸素貝葉斯分類(lèi)器

當(dāng)新帶標(biāo)簽數(shù)據(jù)樣本加入到訓(xùn)練數(shù)據(jù)集中時(shí)，樸素貝葉斯分類(lèi)器的類(lèi)先驗(yàn)概率值和各個(gè)屬性節(jié)點(diǎn)的類(lèi)條件概率會(huì)發(fā)生變化，需要對(duì)概率公式進(jìn)行修正。類(lèi)先驗(yàn)概率值公式如式(3)所示，其修正公式如下：

(5)

式中，()′表示新加入數(shù)據(jù)樣本后的類(lèi)先驗(yàn)概率值，∈{1,2,…,9}，()表示未加入前的類(lèi)先驗(yàn)概率值，為未加入數(shù)據(jù)樣本前的樣本總數(shù)，為新加入的樣本數(shù)據(jù)的降水粒子類(lèi)別。通過(guò)執(zhí)行公式(5)中不同公式，實(shí)現(xiàn)對(duì)分類(lèi)器類(lèi)先驗(yàn)概率值的修正。

類(lèi)條件概率值公式如式(1)所示，其修正公式如下：

(6)

對(duì)于投入到訓(xùn)練數(shù)據(jù)集中的一個(gè)新帶標(biāo)簽數(shù)據(jù)樣本，完成類(lèi)先驗(yàn)概率值以及屬性節(jié)點(diǎn)的類(lèi)條件概率的修正即可完成一次對(duì)樸素貝葉斯分類(lèi)器的增量學(xué)習(xí)過(guò)程，此時(shí)訓(xùn)練樣本集中增加一個(gè)降水粒子數(shù)據(jù)樣本，增量樣本集中減少對(duì)應(yīng)的數(shù)據(jù)樣本。之后再取增量樣本集中一個(gè)新的無(wú)標(biāo)簽降水粒子數(shù)據(jù)樣本，利用經(jīng)過(guò)更新后的樸素貝葉斯分類(lèi)器給該無(wú)標(biāo)簽數(shù)據(jù)賦予標(biāo)簽，并進(jìn)行閾值計(jì)算及判斷，概率值修正等，重復(fù)上述過(guò)程，直到增量樣本集為空，結(jié)束樸素貝葉斯分類(lèi)器的增量學(xué)習(xí)過(guò)程，如圖4所示。對(duì)樸素貝葉斯分類(lèi)器增量學(xué)習(xí)完畢，即完成增量貝葉斯分類(lèi)器的構(gòu)建。

1.4 降水粒子分類(lèi)過(guò)程

完成增量學(xué)習(xí)的樸素貝葉斯分類(lèi)器即為增量貝葉斯分類(lèi)器，之后利用構(gòu)造好的增量貝葉斯分類(lèi)器分類(lèi)測(cè)試數(shù)據(jù)來(lái)驗(yàn)證算法性能。由于增量貝葉斯分類(lèi)器是在樸素貝葉斯分類(lèi)器的基礎(chǔ)上得到的，因此兩者判斷降水粒子類(lèi)別的方式本質(zhì)相同，同樣將降水粒子分類(lèi)問(wèn)題轉(zhuǎn)變?yōu)楣?2)的最大后驗(yàn)概率問(wèn)題，最后化簡(jiǎn)為公式(3)。區(qū)別在于，進(jìn)行降水粒子分類(lèi)使用的()為修正后的先驗(yàn)概率值，使用的(|)為修正后的類(lèi)條件概率值。公式(3)輸出的結(jié)果就是最終得到的降水粒子種類(lèi)。

圖4 增量學(xué)習(xí)流程圖

2 算法流程

結(jié)合前文，基于增量貝葉斯的雙偏振氣象雷達(dá)降水粒子分類(lèi)方法流程圖如圖5所示。

具體實(shí)現(xiàn)步驟如下：

步驟1 利用訓(xùn)練數(shù)據(jù)集訓(xùn)練樸素貝葉斯分類(lèi)器，初始化取樣次數(shù)=1；

步驟3 依據(jù)式(5)判斷是否滿足閾值條件，若滿足則進(jìn)行步驟4，否則執(zhí)行步驟5；

步驟6 結(jié)束增量貝葉斯分類(lèi)器的構(gòu)造過(guò)程，并進(jìn)行降水粒子分類(lèi)。

圖5 基于增量貝葉斯的雙偏振氣象雷達(dá)降水粒子分類(lèi)方法流程圖

通過(guò)上述步驟即可實(shí)現(xiàn)對(duì)增量貝葉斯分類(lèi)器的構(gòu)造過(guò)程，經(jīng)此得到的訓(xùn)練數(shù)據(jù)集數(shù)據(jù)得到擴(kuò)充，得到的增量貝葉斯分類(lèi)器具有更高的分類(lèi)準(zhǔn)確率以及更強(qiáng)的泛化性。

3 實(shí)驗(yàn)算法驗(yàn)證

實(shí)驗(yàn)數(shù)據(jù)集取自NOAA(National Oceanic and Atmospheric Administration，美國(guó)國(guó)家海洋和大氣管理局)官方網(wǎng)站，選取WSR-88D雷達(dá)網(wǎng)中坐落于俄克拉荷馬市(OKLAHOMA)的一部雙偏振氣象雷達(dá)KTLX，該雷達(dá)位于35.1958N° 97.1640W°，波長(zhǎng)為10 m，脈沖重復(fù)頻率為250～1 200 Hz，仰角為0.5°。

實(shí)驗(yàn)一：首先采集了KTLX雷達(dá)在2019年9月13日11:46時(shí)刻的雷達(dá)回波數(shù)據(jù)作為測(cè)試數(shù)據(jù)測(cè)試算法性能，然后分別給出了樸素貝葉斯分類(lèi)器，增量貝葉斯分類(lèi)器，以及模糊邏輯算法(NOAA官方提供分類(lèi)結(jié)果)的降水粒子分類(lèi)結(jié)果，如圖6所示。3種算法分類(lèi)結(jié)果的不同類(lèi)別降水粒子數(shù)量統(tǒng)計(jì)如表2所示。由于本文分類(lèi)結(jié)果以圖像形式呈現(xiàn)，因此引入灰度共生矩陣定量的分析分類(lèi)結(jié)果圖像的特征。主要使用了其中3個(gè)特征：1) 能量 指灰度共生矩陣元素值平方和，是衡量圖像灰度分布的均勻性的重要指標(biāo)。2) 同質(zhì)性 一幅圖像對(duì)角元素間的相緊密度，同質(zhì)性與圖像像素間的相同度成正比，當(dāng)圖像中所有元素全部相同時(shí)有最大同質(zhì)性。3) 熵 圖像中紋理信息的多少反映了圖像中所包含的信息量的大小。

(a) 樸素貝葉斯算法分類(lèi)結(jié)果圖

(b) 增量貝葉斯算法分類(lèi)結(jié)果圖

(c) 模糊邏輯算法分類(lèi)結(jié)果圖圖6 不同方法所得分類(lèi)結(jié)果對(duì)比圖 (2019/09/13 11:46)

表2 各類(lèi)粒子數(shù)量及占比(2019/09/13 11:46)

通過(guò)圖6可以看出3種分類(lèi)器都能夠很好地完成降水粒子分類(lèi)過(guò)程。比較圖6(a)、(b)、(c)三組分類(lèi)結(jié)果圖易知：該地區(qū)的當(dāng)日氣候主要以雨、干雪以及大雨滴為主，混合少量的濕雪，且相鄰降水粒子種類(lèi)連續(xù)性較強(qiáng)。從圖6可知，暴雨與大雨滴周?chē)话愦嬖谟赀@種降水粒子，這是由于降雨一般由對(duì)流云或者層狀云形成，不同物理過(guò)程決定了雨的形狀大小以及粒子的濃度密度等特征，即暴雨與大雨滴是在雨的基礎(chǔ)上增加粒子的大小、濃度等形成的。冰雹、冰晶是由于水蒸氣的溫度急速下降，水蒸氣凝華形成冰團(tuán)導(dǎo)致的，當(dāng)過(guò)冷的水滴聚集在下落的雪花上時(shí)，就會(huì)形成了稱(chēng)為軟冰雹的霰，因此在雨雪交界的地方多存在此三者降水粒子。圖6(b)中分類(lèi)結(jié)果圖相較于圖6(a)圖像展現(xiàn)出較強(qiáng)的物理聚類(lèi)特征，這表明所提方法對(duì)降水粒子的分類(lèi)能力更強(qiáng)；且圖像更加清晰凝實(shí)，這是由于每一個(gè)樣本在圖中都以不同顏色點(diǎn)的形式存在，結(jié)合表2的數(shù)據(jù)可知增量貝葉斯比樸素貝葉斯算法識(shí)別出更多的測(cè)試數(shù)據(jù)，因此增量貝葉斯分類(lèi)器的算法結(jié)果圖中點(diǎn)數(shù)更加密集，展現(xiàn)出的圖像更加清晰。此外，觀察易知三組分類(lèi)結(jié)果圖的主要區(qū)別集中在中間以及左側(cè)居中區(qū)域，在此區(qū)域內(nèi)增量貝葉斯分類(lèi)算法比樸素貝葉斯分類(lèi)器識(shí)別出了更多的雨，與模糊邏輯算法分類(lèi)結(jié)果相近，由此說(shuō)明相較于樸素貝葉斯分類(lèi)器而言，增量貝葉斯算法具有更好的分類(lèi)準(zhǔn)確性。通過(guò)表2能夠發(fā)現(xiàn)，相較于樸素貝葉斯算法，增量貝葉斯算法識(shí)別出了更多的地雜波，而分類(lèi)結(jié)果為大雨滴的數(shù)據(jù)量較少，這是因?yàn)榈仉s波中存在未知點(diǎn)，而樸素貝葉斯算法性能有限，容易誤將地雜波判斷為大雨滴。表3中的方位角表示的是圖像紋理方向，例如0°表示水平紋理特征，90°表示的是垂直紋理特征。從表3可知，增量貝葉斯算法的能量與同質(zhì)性皆高于樸素貝葉斯算法，而熵值卻小于樸素貝葉斯算法。這說(shuō)明圖6(b)中圖像的連續(xù)性與集中性?xún)?yōu)于圖6(a)，更符合降水粒子在空間中連續(xù)的特征。

表3 灰度共生矩陣統(tǒng)計(jì)量特征(2019/09/13 11:46)

實(shí)驗(yàn)二：選取2020年4月22日5:06時(shí)刻的雷達(dá)回波數(shù)據(jù)繼續(xù)驗(yàn)證算法性能。

(a) 樸素貝葉斯算法分類(lèi)結(jié)果圖

(b) 增量貝葉斯算法分類(lèi)結(jié)果圖

(c) 模糊邏輯算法分類(lèi)結(jié)果圖圖7 分類(lèi)結(jié)果對(duì)比圖(2020/04/22 5:06)

雪是云層中水汽冷凝形成的固態(tài)降水粒子，根據(jù)密度可將雪分為干雪和濕雪，其中干雪的重量輕，密度小，含水量不足，而濕雪的重量重，密度高，含水量充足。從圖7能夠看出，雪雨多相連存在。通過(guò)表3中的各類(lèi)粒子數(shù)量占比以及圖7中(a)、(b)樸素貝葉斯與增量貝葉斯算法的對(duì)比圖來(lái)看，增量貝葉斯能夠區(qū)分出更多的降水粒子數(shù)據(jù)樣本，對(duì)雨的識(shí)別明顯高于樸素貝葉斯分類(lèi)器，而樸素貝葉斯分類(lèi)器更多的將數(shù)據(jù)判定為暴雨，相同區(qū)域模糊邏輯的分類(lèi)結(jié)果判定結(jié)果同為雨，由此可知增量貝葉斯分類(lèi)器的分類(lèi)結(jié)果更加準(zhǔn)確。從表4中降水粒子識(shí)別數(shù)量來(lái)看，相較于樸素貝葉斯分類(lèi)算法、增量貝葉斯分類(lèi)器與模糊邏輯算法分別識(shí)別出了44 638、62 843、87 481個(gè)地雜波數(shù)據(jù)，易知增量貝葉斯算法比樸素貝葉斯算法分辨出了更多的地雜波，且從其他數(shù)據(jù)易知增量樸素貝葉斯分類(lèi)算法識(shí)別出的降水粒子更接近于模糊邏輯算法，因此對(duì)氣象信息的分類(lèi)具有更高的準(zhǔn)確性。表5中的方位角同樣表示圖像紋理方向，且從表中能夠看出增量貝葉斯算法的能量與同質(zhì)性皆高于樸素貝葉斯算法與模糊邏輯算法，而熵值卻小于后兩者。這說(shuō)明增量樸素貝葉斯識(shí)別的降水粒子具有更好的空間連續(xù)性，與降水粒子空間連續(xù)的真實(shí)分布情況更吻合。

表4 各類(lèi)粒子數(shù)量及占比(2020/04/22 5:06)

表5 灰度共生矩陣統(tǒng)計(jì)量特征(2020/04/22 5:06)

4 結(jié)束語(yǔ)

本文提出了一種基于增量學(xué)習(xí)的樸素貝葉斯雙偏振氣象雷達(dá)降水粒子分類(lèi)算法，首先對(duì)雷達(dá)的偏振參量進(jìn)行離散化處理，利用有標(biāo)簽的訓(xùn)練數(shù)據(jù)集構(gòu)建樸素貝葉斯分類(lèi)器；最后對(duì)分類(lèi)器進(jìn)行增量學(xué)習(xí)。通過(guò)實(shí)驗(yàn)?zāi)軌蜃C明經(jīng)過(guò)增量學(xué)習(xí)后分類(lèi)器有所增益，主要體現(xiàn)在兩個(gè)方面：1)通過(guò)增量學(xué)習(xí)過(guò)程增加了訓(xùn)練數(shù)據(jù)集的數(shù)據(jù)樣本，且數(shù)據(jù)經(jīng)過(guò)閾值判斷可信度更高，利用可信度高的數(shù)據(jù)樣本訓(xùn)練出的分類(lèi)器分類(lèi)結(jié)果更加準(zhǔn)確；2)對(duì)分類(lèi)器進(jìn)行增量學(xué)習(xí)時(shí)需要根據(jù)輸入的新帶標(biāo)簽樣本不斷修正分類(lèi)器，由此實(shí)現(xiàn)及時(shí)調(diào)整分類(lèi)器，動(dòng)態(tài)地完成降水粒子分類(lèi)的過(guò)程，使得分類(lèi)器具有更好的適應(yīng)性以及泛化性。因此基于增量貝葉斯的雙偏振氣象雷達(dá)降水粒子分類(lèi)算法在數(shù)據(jù)量不足、氣候條件復(fù)雜、地雜波干擾等情況下有重要的研究意義。