多普勒雷达晴空回波识别与应用冷亮;黄兴友;杨洪平;张思进【摘要】Based on the data quality control of Chinese new generation Doppler weather radar, an efficient method is proposed to recognize the clear air echoes according to the statistical results of radar data from April to September 2009 in Xuzhou, Jiangsu Province. Different recognition parameters for different radial distance (less than 25 km and between 25 and 200 km) are used to retain the clear air echoes, which can be used as nowcast reference, and remove other non-precipitation echoes such as super-refractive ground clutters. The velocity data of the recognized non-precipitate echo area can be employed to estimate atmospheric advection and prediction.%在现有多普勒天气雷达资料质量控制基础上,采用徐州雷达站2009年4月和9月雷达资料,统计并对比几种常见的降水回波与非降水回波特性,找出一种有效地识别晴空回波的方法.该方法在不同径向距离区间(小于25 km及25～200 km)采用不同的识别参数,能够较好地将非降水回波中对临近预报有用的晴空回波信息保留,而将其他非降水回波信息(地物回波、超折射回波等)剔除.依据该方法识别的晴空回波区域所对应Doppler速度可用于判别大气平流状况,从而为预报工作提供帮助.【期刊名称】《气象科技》【年(卷),期】2012(040)004【总页数】8页(P534-541)【关键词】多普勒天气雷达;非降水回波;晴空回波;识别【作者】冷亮;黄兴友;杨洪平;张思进【作者单位】中国气象局武汉暴雨研究所暴雨监测预警湖北省重点实验室,武汉430074;南京信息工程大学大气物理学院,南京210044;中国气象局气象探测中心,北京100081;新西兰奥克兰大学大气物理实验室,新西兰【正文语种】中文天气雷达所探测到的回波不仅包括降水粒子后向散射产生的降水回波，还包括昆虫、鸟［1］以及大气折射梯度不均匀体（由湍流产生）、地物以及超折射条件下地物产生的非降水回波［2－3］。

在应用雷达估计降水中需要对雷达数据进行质量控制，将一些非降水回波去除，从而提高降水估计精度［4－5］。

目前的质量控制方法主要对强度图上非降水回波进行剔除，但与此同时会将一些对预报有用的气象回波也一并剔除，如由大气湍流产生的“晴空回波”。

这类回波对未来几小时降水的发生发展有一定的指示作用［6］，因此需要对该类回波建立一个识别模型，避免在质量控制的过程中被去除，为下一步使用软件自动识别该类型回波做基础。

目前已有的质量控制方法比较多，效果也各不相同。

Krajewski和 Vignal（2001年）［7］利用神经网络方法对体扫资料中超折射回波进行去除，可以较好地减少雷达估测降水结果和雨量计数据之间的偏差。

Mazur（2004年）［8］等使用神经网络质量控制方法（QCNN）对超折射回波进行剔除，可以有效地减小中气旋的误报率，但是由于质量控制方法对晴空回波以及层状云降水回波处理存在困难，不能进一步提高中气旋识别的准确性。

Steiner和Smith（2002年）［9］提出了一种新的质量控制方法。

该方法使用回波强度三维结构自动识别与去除非降水回波，依次使用回波垂直高度、空间变化率、垂直梯度3个判别参量进行判别。

该方法无论对单独出现的还是与降水回波混合在一起的超折射回波都有较好的去除效果。

另外，海浪回波也可以被剔除。

Tuttle等介绍了通过单个多普勒天气雷达探测到的晴空回波，利用TREC（Tracking Radar Echo by Correlation）方法来探测边界层水平风向风速［10］。

孙鸿娉（2007年）［6］等从非降水回波（不包括超折射回波）速度图的空间结构显示出冷暖平流、大尺度风向、风速辐合（散）等大气平流特征出发，论述了可以利用速度图来预报未来是否会发生强降水，为临近预报提供了一种新思路。

这种回波文献中［11－13］一般称之为晴空回波，但不包括昆虫、鸟等回波。

由于这种非降水回波对天气临近预报是有价值的，因此不能简单地将其去除，而是需要找出晴空回波等气象回波与其他超折射回波的特征差别，在质量控制过程中将其识别出来，然后观察其对应的速度回波特征，为临近预报提供帮助。

本文选用平原地区徐州雷达资料，这样可以保证所观测到的非降水回波受地物回波影响最小，得到的识别算法可以进一步加以改进再应用到非平原地区雷达资料中。

算法主要将晴空回波与超折射回波、降水回波区分开来。

超折射回波速度图上不能表现出大气风速信息，因此需要去除。

而晴空回波可以体现大气风速状况，因此在质量控制的过程中将其保留。

目前雷达数据质量控制方法主要集中在对回波强度进行处理［14］，效果较好的方法有基于模糊逻辑的雷达回波分类算法、基于水平和垂直回波结构的质量控制算法、基于神经网络的天气雷达数据质量控制方法。

3种类型的方法各有优缺点。

Kessinger等［15］于2003年采用模糊逻辑思想［16］提出一种雷达回波分类算法（REC）。

其基本思想是利用天气雷达的3个基数据（回波强度、径向速度和谱宽）作为输入，获取一系列的特征，经过模糊逻辑技术处理，形成3种产品，以对回波进行分类。

可以分别对超折射回波、降水回波、昆虫等晴空回波进行识别。

该算法用到的特征有回波强度局部均值（3×3回波点均值）、局部标准方差、纹理特征、反射率因子垂直差异（Vd ZDiff:vertical difference of the reflectivity）等。

选取这些特征作为输入给成员函数，成员函数是分段线性函数，将特征映射到0、1之间。

然后对这些成员函数的值加权平均，根据阈值（一般0.5）判断，从而得到回波的类型。

在一定条件下，该算法可以有效地对回波进行分类，去除AP （超折射回波）和GC（地物杂波）。

但是，当地物杂波与降水回波同时存在时，则很难进行准确的分类。

由于降水回波和非降水回波具有不同的水平和垂直回波结构，Steiner等［9］于2002年基于这个原理提出了一种新的质量控制算法。

该算法使用回波顶高（Echo Top）、回波库间变化率（SPINChange）、回波强度垂直梯度（Vert Grad）3个参数来综合判断。

该方法主要对超折射回波进行剔除，对于混合在降水回波内的超折射回波，去除后需要利用上层仰角进行填补。

但近距离第3仰角更好，因为第2仰角有时也存在超折射回波。

Zhang等［17］于2004年提出了一种基于同样的原理，使用水平回波强度结构（Td Bz）和垂直回波强度差（VDZ）2个参数来进行判别回波。

一般而言非降水回波Td Bz和VDZ比降水回波大。

经过大量体扫资料试验，表明该算法用于识别地物杂波、晴空下鸟群和昆虫回波等非降水回波是很成功的。

特别是该算法只使用回波强度数据，算法相对简单并且效率高，非常适合业务应用。

存在的问题主要在于远距离处的超折射回波难以与浅薄的降水回波区分开来。

Lakshmanan等［18］于2005年采用神经网络方法对雷达数据质量控制，该方法用到的判别参量较多。

大部分参量是在前人质量控制方法所用到的判别参量，如最低仰角和第2层仰角上回波点强度、速度、谱宽等局部均值、方差以及回波纹理特征、SPINChange、最低两仰角的垂直梯度。

另外还采用了以前质量控制没有用到的判别参量，如最强回波及其所在高度、不同阈值的回波顶高（0、5、10 d Bz）、回波强度权重（由不同高度回波值计算权重）平均值等。

试验表明，该方法能够较好地识别回波，但存在的最大问题是，由于需要计算的特征量很多，涉及3个基本产品的整个体扫数据，但不是每个点都可以计算所有的特征。

事实上，能够计算全部所需特征的点所占比例非常小。

对于如何处理特征不全的回波点，Lakshmanan等没有明确给出解决方法。

另外，计算这些特征也需要花费较长的时间，势必降低整个算法的效率，对后续的实时性要求较高的业务造成影响。

以上3种方法目的都是将非降水回波直接去除，与此同时晴空回波也会被误剔除，因此还需要改进判别方法，将晴空回波从非降水回波中识别出来。

综合以上各种质量控制方法优劣，考虑到业务应用时效性等限制，笔者认为在第2种方法基础上改进可以满足要求，选用一些其他较好的判别参量，从而将非降水回波中的晴空回波保留，而其他回波如超折射回波去除掉。

与方法2相比，本文所用方法对几个参数做了改进。

改进的回波顶高Echo Top。

Echo Top不是大于5 dBz的回波点及周围8个点上空出现回波的最大高度，而是采用垂直方向上进行插值得到的5 d Bz的回波所在高度［19］。

改进的回波强度垂直梯度VertGrad。

改进的Vert Grad为底层两仰角回波强度差与高度差比值。

因为高层仰角上回波点比较分散，有很多距离库上存在缺失，而下层仰角回波并不能准确代表当前点的回波顶高。

采用垂直方向上上下几层回波进行插值得到的回波顶高可以使结果更准确，从而可以更精确识别各类回波。

经过观察不同回波对应的参量概率分布，选取能够较好识别出晴空回波的参量，主要有以下几种:回波局地均值，经改进的回波顶高Echo Top，改进的回波强度垂直梯度VertGrad，回波强度结构（Td－Bz），回波强度纹理特征（Texture），变化率SPINChange。

参数计算方法如下:上面4个公式中，i和j分别为当前回波库在方位和距离方向上的序号；Z t、Z h、Z l分别为回波阈值（5 d Bz）、高仰角回波值、低仰角回波强度值，单位均为dBz；H h、H l分别为高仰角回波点高度、低仰角回波点高度；N gates和N rays表示以给定库为中心的方位和距离的库的个数。

N＝N gates N rays表示参与计算的方位和距离库的总个数。

N gates和N rays经多次对比，选取7比较合适。

VertGrad的单位是d Bz/km。