雷达回波识别与分析

合集下载

5第五章雷达回波的识别技术

风向随高度先顺转后逆转
(三)风速风向都随高度变化的各种图象
当风速和风向都随高度变化时，可以得到许多不同的多普勒速度图象。由于地面上风速为零，因此只有零值带穿过图象的中心。图象边缘的多普勒速度出现了混淆，这是因为在那些高度上的风速超出了50海里/小时的奈科斯特间隔（这是下一代天气雷达采用的一种间隔）。从速度间隔一端到另一端色彩上的突变很清楚得显示了速度混淆效应。
一、回波强度分析技术
由雷达反射率因子Z值大小即可判别回波强弱．
瑞利散射
另外，回波形态特征、回波特殊结构和形态、回波移动特点可知回波强度
二、脉冲多普勒天气雷达径向速度场分析技术与方法
对多普勒径向速度场基本特征的研究，可按
•零径向速度线； •朝向雷达分量(负)、离开雷达分量(正)范围、分布及中心； •强多普勒径向速度梯度带
Single Doppler Interpretation
• Things to remember:
The Zero Isodop “Problem”
当径向垂直于风速时, 雷达
显示零速 - This “zero
zone” is called the
0%
“Zero Isodop”.
100%
当径向平行于风速时, 雷达显示最大风速
一、几种典型流场的PPI多普勒径向速度模式
雷达作低仰角探测：
取径向速度Vr(r)为常数c:
天线
风向
方位
(一)风向不变,风速随高度变化的各种图象
风向若在所有高度上保持一致，那么其多普勒速度图象中就总有一条直
的零值带，图象的其他部分就反映了风速的垂直廓线。风速若不随高度变化，是个非零常数，那么多普勒速度的极值便由

雷达地物回波系统分析

雷达地物回波系统分析计算多普勒频率是求衰减落速率（Fading rate ）最容易的方法。

为了在一个特定的多普勒频移范围内计算回波信号的幅度，务必将所有具有这些频移的信号相加。

这就需要熟悉散射面上的多普勒频移等值线（等值多普勒频移）。

关于每一种特殊形状的几何体都务必建立起这种多普勒频移等值线。

下面用一个沿地球表面水平运动的简单例子来说明。

它是普通巡航飞行飞机的一个典型实例。

假定飞机沿y 方向飞行，z 代表垂直方向，高度（固定）z = h 。

因此有v =1v vh y x z y x 111R -+=式中，1x ,1y ,1z 为单位矢量。

因而 h y x vy R v r 222++==•R v式中，v r 是相对速度。

等相对速度曲线也就是等多普勒频移曲线。

该曲线的方程为0222222=+--h v v v y x rr 这是双曲线方程。

零相对速度的极限曲线是一条垂直于速度矢量的直线。

图12.7示出这样一组等多普勒频移曲线。

只要把雷达式（12.1）略加整理就可用来计算衰落回波的频谱。

这样，假如W r (f d )是频率f d 与f d +d f d 之间接收到的功率，则雷达方程变为⎰π=积分区R A A G P f f W r t t d d r 402d )4(1d )(σ ⎰⎪⎪⎭⎫ ⎝⎛-π=d r t t df A R A G P f d d )4(d 402σ （12.12）图12.7 在地球平面做水平运动时的多普勒频移等值线图12.8 计算复数衰落的几何关系图（引自Ulaby,Moore 与Fung [21]）上式的积分区是频率f d 与f d +d f d 间被雷达照射到的区域。

在此积分式中，f d 与f d +d f d 之间的面积元用沿着等值多普勒频移曲线的坐标与垂直于等值多普勒频移曲线的坐标来表示。

对每一种特定情况都务必建立这两个坐标。

图12.8示出水平传播的几何形状。

雷达回波识别

• 在大气层中，形成超折射的气层通常只是近地面很薄的气层（100-1000m），所以适当提高仰角，雷达波能穿透超折射层，超折射回波大大减少。
7月2日 01：12
2.3同波长干扰
产生原因：近距离有两部以上波长相同的雷达同时工作,一部雷达发射出来的电磁波能量通过地物或降水的散射，进入另一部雷达接收机。特点：单条或多条线状，点线状回波带，从中心以等间隔呈螺旋状向四周放射。
(/groups/birdrad/COMMENT.HTM)
Laughlin, TX (KDLF) Precipitation Mode Bat Roost Rings
(/groups/birdrad/COMMENT.HTM)
Class 1 雷达回波的识别和分析
内容
回波探测非气象回波降水回波非降水回波
1.回波探测
h h 0 rsi n r 2 /2 ( R m ')
1.1探测内容
1、回波位置(PPI、RHI对应地理位置) 2、回波高度 (1)PPI测高公式(2)RHI直接计算注：a无回波！=无降水（衰减）b地物遮挡影响最大探测距离 3、回波强度(Z)显示方式色阶 4、回波形状 a均匀片状;b孤立块状;c涡旋结构;带状 5、回波性质 a气象目标物 b非气象目标物 6、回波移向、移速 7、回波演变趋势(新生->成熟->消亡(强度、范围、高度）
台湾气象部门有四部S 波段多普勒天气雷达，均设置在沿海，常年易覌测到海浪回波，给出典型的回波图像。
34
0311 号热带风暴“环高”
2.6天线辐射特性造成的虚假回波
形成原因：天线旁瓣、尾瓣发射的电磁波在近距离遇到特别强的降雨中心，产生回波，此外主瓣的宽度也会造成虚假回波。

多普勒天气雷达回波识别和分析之降水回波

多普勒天气雷达回波识别和分析之降水回波1.层状云降水雷达回波特征——片状回波层状云是水平尺度远远大于垂直尺度云团，由这种云团所产生的降水称之为稳定性层状云降水。

降水区具有水平范围较大、持续时间较长、强度比拟均匀和持续时间较长等特点。

⑴回波强度特征：①在PPI上，层状云降水回波表现出范围比拟大、呈片状、边缘零散不规那么、强度不大但分布均匀、无明显的强中心等特点。

回波强度一般在20-30dBz，最强的为45dBz。

②在RHI上，层状云降水回波顶部比拟平整，没有明显的对流单体突起，底部及地，强度分布比拟均匀，因此色彩差异比拟小。

一个明显的特征是经常可以看到在其内部有一条与地面大致平行的相对强的回波带。

进一步的观测还发现这条亮带位于大气温度层结0度层以下几百米处。

由于使用早起的模拟天气雷达探测时，回波较强那么显示越亮，因此称之为零度层亮带。

回波高度一般在8公里以下，当然会随着纬度，季节的不同有所变化。

⑵回波径向速度特征：由于层状云降水范围较大，强度与气流相比照拟均匀，因此相应其径向速度分布范围也较大，径向速度等值线分布比拟稀疏，切向梯度不大。

在零径向速度型两侧常分布着范围不大的正、负径向速度中心，另外还常存在着流场辐合或辐散区。

⑶零度层亮带：如前所述，在PPI仰角较高或者RHI扫面时，总能在零度层以下几百米处看到一圈亮环或者亮带回波，亮带内的回波比上下两个层面都强。

由于亮带回波总是伴随层状云降水出现，因此是层状云降水的一个重要特征。

〔零度层亮带形成的原因：冰晶、雪花下落的过程中，通过零度层时，说明开始融化，一方面介电常数增大，另一方面出现碰并聚合作用，使粒子尺寸增大，散射能力增强，所以回波强度增大。

当冰晶雪花完全融化后，迅速变成球形雨滴，受雨滴破裂和降落速度的影响，回波强度减小。

这样就存在一个强回波带，说明层状云降水中存在明显的冰水转换区，也说明层状云降水中气流稳定，无明显的对流活动。

〕2.对流云降水雷达回波特征——块状回波对流云往往对应着阵雨、雷雨、冰雹、大风、暴雨等天气。

《雷达回波识别分析》课件

03
雷达回波分析应用
天气预报
天气预报是雷达回波分析的重要应用领域之一。通过分析雷达回波数据，气象学家可以监测和预测天气系统的移动、发展和消亡，从而为公众提供准确的天气预报和预警信息。
雷达回波分析可以帮助气象学家识别降水系统，如暴雨、冰雹、龙卷风等，并预测其可能的影响范围和强度。这有助于提前采取措施，减少灾害损失。
，需要深入研究其传播规律和特性。
多模式、多频段雷达数据融合算法
02
多模式、多频段雷达数据的融合需要发展高效、可靠的算法和
技术，以提高数据融合的准确性和实时性。
雷达回波信号处理和目标识别技术
03
雷达回波信号处理和目标识别技术是雷达回波技术的核心，需
要不断研究和改进，以提高其准确性和可靠性。
雷达回波技术未来发展方向
带宽和存储空间。
03
复原处理
对失真或损坏的回波信号进行复原，提高信号的可识别性。
雷达回波特征提取
03
幅度特征
频率特征
波形特征
提取回波信号的幅度信息，如峰值、平均值、方差等，用于描述目标的大小和强度。
分析回波信号的频率成分，提取出与目标特性相关的频率特征，如多普勒频移。
描述回波信号的波形形状，如周期、相位、波形变化等，用于区分不同类型目标。
雷达回波模式识别算法
01
02
03
统计模式识别
基于统计学原理，对提取的特征进行分类和识别，如支持向量机、朴素贝叶斯等。
神经网络模式识别
利用神经网络的自学习能力，对回波信号进行分类和识别，如卷积神经网络、循环神经网络等。
模糊模式识别
利用模糊逻辑和模糊集合理论，对回波信号进行分类和识别，如模糊K近邻、模糊聚类等。

雷达回波处理

雷达回波处理
雷达回波处理是指对雷达接收到的回波信号进行处理和分析的过程。

雷达回波是由雷达发射的微波信号在遇到目标后被目标反射回来的信号，包含了目标的位置、速度、形状等信息。

雷达回波处理的主要目标是提取有用的目标信息并进行分析。

处理方法一般包括以下几个步骤：
1. 接收信号预处理：包括滤波、放大、调整信号幅度和相位等操作，以保证接收到的信号能够准确反映目标的特征。

2. 目标检测与跟踪：利用信号处理算法对接收到的回波信号进行目标的检测和跟踪。

常用的目标检测算法包括常规阈值检测、自适应阈值检测、多普勒频谱检测等。

3. 目标参数估计：通过对目标回波信号进行频谱分析、时频分析等处理，估计出目标的位置、速度、形状等参数。

常用的目标参数估计方法包括快速傅里叶变换（FFT）、波束形成（Beamforming）等。

4. 目标识别与分类：对目标的回波信号进行特征提取和分析，根据目标的特征进行分类和识别。

常用的目标识别和分类方法包括时域特征提取、频域特征提取、波段特征提取等。

5. 数据显示与分析：将处理得到的目标信息进行显示和分析，以便对目标进行进一步的研究和理解。

常用的数据显示与分析方法包括目标散射截面显示、目标动态轨迹显示、遥感图像分
析等。

雷达回波处理是雷达技术中非常重要的一环，它对于提高雷达系统的性能和功能具有重要意义。

航空气象 10.2雷达回波的识别

雷暴区降水平面和高度显示图
方位角55.5度
4.强风暴
与飑线相连的强风暴对应着一条强降水线，这时几个雷暴排成一排，降水区连在一起，强回波形成一个个分离的红色区域。有时有辉斑回波，表明可能有冰雹出现。
飑线风暴的平面显示
雷达平面显示图上的“钩状”回波
雾的回波
三、雷达图上的雨带分析
1.暖锋雨带 2.冷锋雨带 3.对流云降水带
1.暖锋雨带
带状结构，宽约100千米，与地面锋线平行，随时间缓慢移动。
暖锋雨带
2.冷锋雨带
窄雨带比较连续，宽雨带沿活跃的冷锋分布，都与地面锋线平行
窄的冷锋雨带
宽的冷锋雨带
3.对流云降水带
（1）零散阵雨（2）阵雨线（3）雷暴区（4）强风暴
3.混合性降水──絮Байду номын сангаас回波
在平显上，回波范围较大，边缘支离破碎，没有明显的边界，回波中夹有一个结实的团块，为黄色和红色。有时呈片状、有时呈带状或块状。
1996年7月4日北京地区对流云降水回波
混合性降水
混合性降水
混合型降水的两种图像
方位角38.1度
4.雹云回波特征
在平显上表现为强度大，边缘分明的块状回波。有时出现 “ U” 形的无回波缺口指状或钩状回波
（1）零散阵雨
零散阵雨
方位角58.3度
(2)阵雨线
雷达图上的阵雨线
方位角195.6度
3.雷暴区
雷暴区是由对流单体群组成的，在雷达网的图象分辨率条件下，雷暴尺度表现为 10～15km，作为这种雷暴活动的特点是降水强度较大。
1200时(UTC)

雷达回波的判断与分析

雷达回波的判断与分析作者：黄强张金凤张会贞来源：《农业与技术》2019年第11期摘要：本文针对不同回波特征进行分析，探讨不同降水系统下雷达回波特征，区分气象回波和非气象回波的差异，以精确分析判断气象雷达回波，为夏季灾害性天气和短视天气预报提供可靠数据资料。

关键词：雷达回波;降水系统;判断分析中图分类号：S163文献标识码：ADOI：10.19754/j.nyyjs.201906150631不同回波特征分析1.1层状云回波在平显上通常要适当抬高仰角才看得到层状云回波，呈均匀片状，回波暗淡、强度弱、边缘模糊犹如薄纱，探测距离约几十公里。

在高显上看回波呈一水平带，底部较平整、不接地，高度为1.4～8.7km（常反映阴天无降水）。

1.2层（波）状云降水回波在平显上，层（波）状云降水回波呈均匀片状，强度弱到中等，范围大，内部没有明显块体结构，边缘发毛，破碎模糊。

在高显上回波顶部平坦，且较均匀常看到0℃层300～1000m 的亮带，高度为3.6～8km（常反映大范围稳定性持续降水）。

1.3对流云回波在平显上回波呈小块状，有时零散孤立，有时排列成带状和不规则形状。

高显上常呈柱状、针状，底部不接地，强度为中等，高度为2.2～4.9km（为无降水）。

1.4阵雨回波在平显上回波呈孤立分散的小块单体或回波群，结构较松，边缘不清晰，单体水平尺度在10km以下，强度中等。

高显上回波呈针状顶部发毛，结构松散，回波高度在7～8km以下，回波底部接地（常反映短阵雨）。

1.5雷雨回波在平显上回波块体结识、肥大、紧密、轮廓清晰、边缘多折，单体水平尺度在10km以上，强度特强，很明亮。

在高显上呈柱状，低的仅5～6km，高的可达17～18km（常反映短暂雷雨）。

1.6雹云回波在平显上块体较大，结构紧密，发展急剧、多棱角、突起或小切口，移动迅速，强度特强，回波单块体范围小于10km。

在高显上强度最大值常出现在高于0℃等温线2～3km以上，云顶很高常在12～13km以上.通常呈针状接地的是阵雨回波，不接地的是对流云回波，平显上看单块体回波范围>10km、高显呈柱状，此回波可判定为雷雨回波。

激光雷达回波信号及处理方法分析

随着雷达技术的不断提升，用于提供气象服务的雷达激光系统需要在可靠性、灵活性以及稳定性等方面做大幅度的提升。为了满足气象服务的需求，激光雷达系统的时效性、精确性以及监测范围等都需要提出更严格的规范和要求。因此，需要根据测风激光雷达的工作原理和工作特征，并且结合气象服务对于激光雷达系统的需求，比拟多普勒微波天气雷达系统的运行模式，对比传统激光雷达的测量手段，进一步制定用于气象服务的测风雷达系统的运行规范。回波信号测风激光雷达系统包括四部分：发射激光部分、接受信号部分、采集处理信号部分。信号由接受系统接受，再经过信号处理系统进行控制处理，最后转变为我们需要的确切的风场信息。多普勒激光雷达系统接收到的是成指数衰减的回波信号。距离越大，相应的噪声越大，接收到的信号能量越小。二、噪声（一）背景噪声。激光雷达系统中由激光导致的噪声以及自然噪声都属于背景噪声。自然噪声大部分是由月光、太阳光等造成的噪声。当激光雷达系统工作在白天时，地面以及天空散射太阳光所导致的噪声是其主要作用的背景噪声。在天空晴朗的情况下，由太阳光辐射所导致的散射分配到单位面积，相应的单位波长的功率密度的峰值（可见光区域）高达１０ — ５１】ｌ『ｃＳ，由大气中的二氧化碳以及水蒸气等吸收红外辐射所导致的很多凹陷大部分出现在０．７ｕｍ以后的波长区域，在小于０．３ｕｍ的区域内急剧下降主要是由于紫外辐射被地表上空的臭氧层大量吸收所导致的。（二）干扰散射。当激光作用于物质时，在导致多种类型散射的同时，也能够导致荧光的产生，很多激光雷达系统是以荧光信号为主的，这样相互作用产生的散射就成为了噪声，另方面，很多激光雷达基础是散射信号，那就可能被荧光信号所干扰。激光后向散射能够限制Ｒａｍａｎ激光散射雷达以及荧光激光雷达的探测灵敏度。这主要是由两方面决定的：一是雷达设计存在缺陷，激光近场波长的后向散射可能在谱分析之前由元器件产生荧光，以及导致探测器进入饱和状态。二是选择发射谱不合理，有用信号和后向反射一起传送到探测系统。三、噪声处理（一）校正距离。激光雷达系统的探测距离是通过对数据信息进行平方校正得到的，这样就能够将有用信号从接收到的信号中筛选出来。（二）ＭＴＩ方法。ＭＴＩ能够在严峻的电磁环境中处理抗干扰信号。回波信号中背景噪声的消除就是采用的ＭＴＩ的方法。也可以通过暗计数即直接去除信号中的背景噪声的方法来消除背景噪声。（三）平均信号。激光雷达系统在实际工作过程中都要检测多个脉冲，然后将多个脉冲进行合并平均，这样就可以有效提高雷达系统的信噪比、灵敏度和准确度。利用相参累积的方法处理Ｎ个等幅的脉冲信号，信噪比能

雷达气象：第八章多普勒速度回波的识别和分析

多普勒速度回波的识别和分析Ø径向速度的基本特征Ø晴空和大面积降水多普勒速度图像Ø对流风暴的多普勒速度图像FinePrint Software, LLC16 Napier LaneSan Francisco, CA 94133Tel: 415-989-2722Fax: 209-821-7869l尽管多普勒雷达只能测量到径向风分量，但径向风分量的空间分布也可显示重要气象过程的特点，通过对典型的多普勒速度场的特征图象识别来推断实际风场。

l从径向分量的标量场中判断出风场矢量，不仅需要依据数学和天气学的知识，还需要有很好的想象力。

l用这种方法可以判断出风场的基本趋势与大致分布，特别是零速线的走向就是一个很好的判识特征。

零径向速度的意义n该点的真实风速为零n 该点的真实风向与该点相对于雷达的径向垂直l 对于风向均匀或风速连续变化的情况，零速度点的风向是由临近的负速度区，垂直该点的径向吹向正速度区。

径向速度图中，正速度表示目标物运动是离开雷达的负速度表示目标物运动是朝向雷达的速度值接近0的线，叫零速度线l多普勒天气雷达通常采用体积扫描方式（多仰角PPI扫描），以雷达为中心，径向距离的增加代表了距地面高度的增加。

径向速度特征的分析原则l零速度线特征n根据投影关系，风向与零速线走向垂直；n零速线经过雷达中心点（原点）；n由零速线向两侧推断速度模糊。

l远离分量（+）和趋近分量（-）的分布特征n分析它们与原点、距离圈、径向的对称关系、面积大小l风向随高度分布特征n对于大面积降水，根据热成风原理，风随高度顺时针旋转--暖平流，反之，风随高度逆转--冷平流n对于局地的对流性降水，在不满足热成风原理时，注意分析风随高度的垂直切变结构（或垂直涡旋结构）晴空和大面积降水多普勒速度图像零径向速度所在处的方位角与风向互相垂直风向风速不随高度变化风速风向均不随高度变化风速随高度变化，风向不变风向不变，风速随高度增加风速随高度变化，风向不变风向不变，风速随高度先增后减风速不变，风向随高度顺转风速不变，风向随高度逆转风速不变，风向随高度先顺转后逆转风向随高度顺转，风速增加风向随高度顺转，风速增加（地面风速不为零）风向顺转，风速先增后减风向突变90゜，上下两层风速先增后减风向突变180゜，上下两层风速先增后减风向垂直方向不连续实测的多普勒速度图像大尺度连续风场的识别风向随高度不变，风速最大的高度不同风速相同，风向辐散风速相同，风向辐合锋面移向测站时锋面移过测站时非均匀水平风场锋面过境后继续向东南方向移动非均匀水平风场向测站移动的中小尺度锋面的实测多普勒速度图像实测的风向随高度变化的速度图中尺度气旋中小尺度气旋可用理想垂直轴对称气旋环流的蓝金（Rankine)模式来模拟，对流风暴的多普勒速度图像Rankine 模式的切向速度分布示意当回波在雷达站正北方向，气旋和反气旋的速度型典型中尺度气旋受环境南风影响的中尺度气旋典型中尺度气旋速度图像：纯旋转，右正左负，零速线与径线平行中尺度反气旋速度图像：纯旋转，左正右负，零速线与径线平行注意：台风尺度，速度模糊中小尺度辐合辐散轴对称辐散气流中小尺度辐合辐散附加南风环境风辐散气流的速度图像：外正内负，零速线与距圈平行辐合气流的速度图像：外负内正，零速线与距圈平行微下击暴流辐合型气旋辐合型气旋的速度图像：注意零速线走向，兼具辐合与旋转的零速线特征中尺度气旋成熟阶段的气流结构和相应的径向速度分布特征(由Oklahoma 的观测统计得出，雷达在正南）a 低层上升气流下面的辐合运动结合中气旋转动，形成辐合性气旋b 中下层为纯气旋运动c 中上层，风暴顶部的辐散运动与中下层纯气旋运动相结合，形成气旋性辐散d 中气旋顶以上的风暴顶部为纯辐散气流，注：有的风暴回波顶较低、或中气旋向上伸展很高、或距雷达很近而探测仰角不高时，此特征可能探测不到据统计：从a 到d 大约3-5km 高度a 低层-辐合旋转 b 中低层-纯旋转c 中高层-辐散旋转d 高层-纯辐散辐合辐散和中尺度气旋结合。

上海南汇WSR-88D双偏振天气雷达的生物回波识别与分析

第４２卷㊀第３期气象与环境科学Ｖｏｌ.４２Ｎｏ.３２０１９年８月ＭｅｔｅｏｒｏｌｏｇｉｃａｌａｎｄＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅｓＡｕｇ.２０１９收稿日期:２０１９－０３－２４ꎻ修订日期:２０１９－０５－２２基金项目:国家自然科学基金国家重大科研仪器研制(部委推荐)项目(３１７２７９０１)作者简介:朱轶明(１９８５)ꎬ男ꎬ辽宁沈阳人ꎬ工程师ꎬ硕士ꎬ从事天气雷达信号与信息处理方面的研究.Ｅ￣ｍａｉｌ:ｚｙｍ８５０６１８＠１６３.ｃｏｍ通讯作者:马舒庆(１９５６)ꎬ男ꎬ江苏金坛人ꎬ正研级高级工程师ꎬ学士ꎬ从事天气雷达技术㊁高空探测技术研究.Ｅ￣ｍａｉｌ:ｍｓｑａｏｃ＠ｃｍａ.ｇｏｖ.ｃｎ朱轶明ꎬ马舒庆ꎬ杨玲ꎬ等.上海南汇ＷＳＲ－８８Ｄ双偏振天气雷达的生物回波识别与分析[Ｊ].气象与环境科学２０１９ꎬ４２(３):１１８－１２８.ＺｈｕＹｉｍｉｎｇꎬＭａＳｈｕｑｉｎｇꎬＹａｎｇＬｉｎｇꎬｅｔａｌ.ＲｅｃｏｇｎｉｔｉｏｎａｎｄＡｎａｌｙｓｉｓｏｆＢｉｏｌｏｇｉｃａｌＥｃｈｏＵｓｉｎｇＷＳＲ－８８ＤＤｕａｌ￣ｐｏｌａｒｉｚａｔｉｏｎＷｅａｔｈｅｒＲａｄａｒｉｎＮａｎｈｕｉｏｆＳｈａｎｇｈａｉ[Ｊ].ＭｅｔｅｏｒｏｌｏｇｉｃａｌａｎｄＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅｓꎬ２０１９ꎬ４２(３):１１８－１２８.ｄｏｉ:１０.１６７６５/ｊ.ｃｎｋｉ.１６７３－７１４８.２０１９.０３.０１５上海南汇ＷＳＲ－８８Ｄ双偏振天气雷达的生物回波识别与分析朱轶明１ꎬ２ꎬ马舒庆１ꎬ３ꎬ杨㊀玲１ꎬ吴东丽３ꎬ杨大生３ꎬ张晋广２ꎬ袁㊀健２ꎬ李㊀洋２ꎬ卢秉红２(１.成都信息工程大学ꎬ成都６１０２２５ꎻ２.辽宁省人工影响天气办公室ꎬ沈阳１１００１６ꎻ３.中国气象局气象探测中心ꎬ北京１０００８１)㊀㊀摘㊀要:为识别我国新一代天气雷达的生物回波ꎬ研究长江中下游地区天气雷达观测到的生物迁飞发生发展规律ꎬ选取上海南汇ＷＳＲ－８８Ｄ双偏振天气雷达２０１８年春季的观测数据ꎬ应用反射率因子Ｚ㊁双程差分相位ΦＤＰ㊁０延迟相关系数ρＨＶ等雷达物理量和反射率因子纹理ＳＤ(Ｚ)㊁差分相位纹理ＳＤ(ΦＤＰ)等反映观测值小尺度数值变化的参量ꎬ用Ｐｙｔｈｏｎ语言设计基于模糊逻辑算法的雷达回波分类程序识别生物回波ꎬ识别结果以生物回波采样点的生成时间(世界时)为横坐标ꎬ分析了２０１８年春季上海南汇天气雷达生物回波识别结果的日变化特点ꎬ讨论了降水㊁风及温度等气象条件对生物迁飞的影响ꎮ结果表明ꎬＳ波段天气雷达无法分辨生物单体ꎬ但在春季有大规模生物迁飞的时段能够对昆虫成层定向迁飞的现象进行有效识别ꎬ３月生物迁飞活动强度较弱ꎬ４月和５月回波强度显著增强ꎮ地物回波(超折射回波)在雷达低仰角观测中ꎬ对有效识别生物迁飞回波尤其具有阻碍性ꎮ为此ꎬ在原有算法的基础上ꎬ用标准化频率直方图对迁飞现象明显时段的数据中生物回波点的以上４个变量观测值进行概率统计ꎬ揭示生物回波与地物(超折射)回波雷达物理量之间的差异ꎮ关键词:ＷＳＲ￣８８Ｄꎻ生物回波ꎻ模糊逻辑算法ꎻ双偏振雷达中图分类号:ＴＮ９５９.４㊀㊀㊀㊀㊀文献标识码:Ａ㊀㊀㊀㊀㊀文章编号:１６７３－７１４８(２０１９)０３－０１１８－１１引㊀言近年来ꎬ学术界的相关学者们越来越重视无降水天气条件下ꎬ天气雷达晴空回波的研究ꎮ晴空回波中夹杂着大量的鸟类和昆虫等生物回波[１]ꎮ目前美国天气雷达组网ＮＥＸＲＡＤ已经被广泛用于监测鸟类和昆虫迁飞[２]ꎮ英国利兹大学的Ｄｕｆｔｏｎ等[３]利用Ｘ波段双偏振天气雷达ꎬ基于模糊逻辑算法实现水凝物分类ꎬ识别出降水㊁地物㊁噪声㊁生物回波ꎬ并滤除非气象类回波ꎮ在我国ꎬ相关研究多集中在滤除非气象回波的算法方面ꎮＪｉａｎｇ等[４]利用美国ＷＳＲ－８８Ｄ双偏振天气雷达的数据进行生物回波识别ꎬ去除鸟类回波对多普勒速度的污染ꎬ实现气象回波的质量控制ꎮ张智等[５]论述了天气雷达的脉冲宽度及距离分辨率等参数性能方面在探测规模大㊁范围广的生物迁飞目标时的优势ꎮ张林等[６]利用上海南汇双偏振天气雷达的数据对非降水回波进行滤除ꎬ设计了雷达数据质量控制算法ꎮ焦热光等[７]利用北京Ｓ波段天气雷达观测数据分析了昆虫定向迁飞的现象ꎬ㊀第３期朱轶明等:上海南汇ＷＳＲ－８８Ｄ双偏振天气雷达的生物回波识别与分析对天气雷达日落后出现的晴空回波主要是由昆虫群迁飞所引起的自然现象进行了阐述ꎮ张智等[５]认为ꎬ天气雷达在晴空天气条件下探测到的非气象回波对迁飞性害虫的监测具有很重要的研究和参考价值ꎮＳ波段多普勒天气雷达的空间分辨率低ꎬ不能对昆虫单体进行识别ꎬ但能够观测到许多农业害虫成层定向迁飞现象ꎬ应加强与气象部门进行跨学科合作ꎬ以昆虫雷达探测为主㊁天气雷达资料为辅建立生态气象预警系统ꎬ提高突发性病虫害的预报水平ꎮ目前ꎬ中国气象局气象探测中心与中国农业科学研究院合作的针对天气雷达识别迁飞生物的国家自然科学基金项目已经在农业农村部廊坊有害生物科学观测实验站和长岛有害生物野外科学观测实验站等生物迁飞通道站点ꎬ进行了高分辨多维协同雷达测量仪与天气雷达联合探测迁飞生物时空动态的外场试验ꎬ并完成了空中生物检测与定量化试验数据处理ꎬ定标不同生物目标㊁不同迁飞密度下ꎬ气象雷达反射率因子与空中生物密度的关系曲线ꎮ本文利用上海南汇ＷＳＲ－８８Ｄ双偏振天气雷达２０１８年３至５月的数据ꎬ基于模糊逻辑算法(ＴｈｅＣｌａｓｓｉｆｉｃａｔｉｏｎｏｆＥｃｈｏｅｓｂｙＦｕｚｚｙｌｏｇｉｃＡｌｇｏｒｉｔｈｍ)实现雷达数据回波的分类程序ꎬ参考了Ｐａｒｋ等[８]的雷达回波相态识别算法ꎬ并进一步实现对雷达数据生物回波采样点识别数量的实时监测与统计ꎬ从时间变化和生物回波采样点数量的动态关系上为生物迁飞规模提供参考信息ꎮ未来我国新一代天气雷达将全部实现双极化升级ꎬ针对我国气象业务运行中的新一代天气雷达的回波相态识别算法还有待深入研究和进一步开发应用ꎮ我国现有１５８个已经投入气象业务应用的新一代天气雷达布设点ꎬ以Ｓ波段(沿海地区)和Ｃ波段(内陆地区)的多普勒天气雷达为主ꎬ使对空中生物迁飞通道的监测㊁昆虫集群活动轨迹的反演㊁鸟类栖息聚合地的种群规模的估测具有了可行性[７]ꎬ所以自主开发设计并建立符合我国空中生物物种特点的天气雷达空中生态监测资料数据库ꎬ对迁飞生物分类模型和定量模型进行验证分析ꎬ来开发自动识别㊁分析的软件系统是十分必要并具有重大研究意义的ꎮ一套完整的用于对昆虫和鸟类监测的雷达网络可以实现以下功能:１)更完整的空间和时间的迁移模式图ꎻ２)可以同时比较外部因素ꎬ例如天气和地貌特征对生态环境的影响ꎻ３)在鸟类迁移过程中确定重要的中途停留区域ꎻ４)监测流动生物群落的数量ꎬ并为飞机飞行安全提供预警系统ꎻ５)追踪病虫害可能导致疾病传染的隐患并以昆虫作为晴空天气模式下风的示踪物(昆虫)来更合理地利用风能[９]ꎮ我国在地理位置上纬度跨度大ꎬ温度带多ꎮ东部沿海地区和中部平原地区是植被生长㊁农业生产㊁候鸟活动的主要地区ꎬ也是农作物病虫害的高发区ꎮ农作物病虫害具有种类多㊁影响大㊁并时常暴发成灾的特点[１０]ꎮ而这些地区有密集的天气雷达布设点ꎬ充分利用这些厘米波长天气雷达的晴空回波探测资料ꎬ开发出与我国天气雷达配套的采集器和生物回波识别软件ꎬ将为农作物病虫害的预防㊁野生鸟类栖息地的保护等方面提供具有一定参考价值的重要信息ꎮ１㊀资料与方法１.１㊀Ｓ波段双偏振天气雷达生物回波的雷达变量特征在双偏振天气雷达的回波信号中ꎬ生物回波与气象回波的散射机理最大的区别是去极化效应ꎬ由于生物散射体在形状和身体内部成分上极度不规则ꎬ通常水平极化尺寸和垂直极化尺寸差异很大ꎮ对于波长１０ｃｍ的天气雷达ꎬ大型迁飞昆虫和鸟类的极化尺寸多大于０.６２５ｃｍꎬ所以生物散射体的散射机理和近似球体的共振散射理论存在分歧ꎮ如果生物体比例保持不变ꎬ水平尺寸增加使水平极化雷达散射截面ＲＣＳ下降ꎬ垂直极化ＲＣＳ上升ꎬ这就使其后向散射信号的物理量存在很大的自由度ꎬ导致水平和垂直极化后向散射信号波长相同ꎬ但振幅和相位不同ꎬ所以在时间偏移为０的情况下ꎬ后向散射极化波的相似度较低ꎮ这是根据形状不规则的散射体的后向散射极化波之间的差异ꎬ来分析极化波之间的偏振物理量相关性的基础ꎮ１.１.１㊀差分反射率ＺＤＲＷＳＲ－８８Ｄ天气雷达数据中ꎬ生物散射体差分９１１气象与环境科学第４２卷反射率ＺＤＲ比降水粒子(对流单体)的动态范围更大ꎬ纯液态水粒子ＺＤＲ值在－４至４ｄＢ之间波动ꎬ而生物回波ＺＤＲ的值则在－７.９３８７５至７.９３８７５之间波动ꎬ许多大型迁飞昆虫群的ＺＤＲ值则超过这个针对降水探测模式优化的阈值[２]ꎮ１.１.２㊀相关系数ρＨＶ由于生物散射体水平和垂直极化波的０延迟后向散射信号的相似度很低ꎬ因此相关系数ρＨＶ的值比气象回波要小得多ꎮ降水粒子中ꎬ极化波后向散射信号相似度最低的冰水混合物的相关系数ρＨＶ大于０.８５ꎬ所以在识别降水和非降水回波的算法中ꎬ将ρＨＶ＝０.８５设为降水回波的最小值ꎮ在生物回波的识别算法中ꎬ地物和超折射回波是主要污染物ꎮ为方便起见ꎬ本文将地物和超折射回波统一归类为异常传播[８]ꎮ１.１.３㊀反射率因子纹理ＳＤ(Ｚ)和差分相位纹理ＳＤ(ΦＤＰ)非气象回波通常在雷达扫描ＰＰＩ图像上呈麻点状ꎬ地物杂波在相邻距离库上探测值波动较大ꎬ而生物回波和气象回波的波动则较小ꎬ因此反射率因子纹理ＳＤ(Ｚ)能够有效地识别地物杂波ꎮ生物回波的差分相位则在相邻距离库上的波动很大ꎬ而气象回波和地物则波动很小ꎬ所以差分相位纹理ＳＤ(ΦＤＰ)能够在对气象回波和非气象回波进行区分后ꎬ有效地识别出非气象回波中的生物回波ꎬ这是对生物回波进行识别的重要参量ꎮ１.２㊀生物回波识别算法利用上海南汇ＷＳＲ－８８Ｄ天气雷达２０１８年３５月的观测资料ꎬ基于模糊逻辑回波分类算法程序(ＴｈｅＣｌａｓｓｉｆｉｃａｔｉｏｎｏｆＥｃｈｏｅｓｂｙＦｕｚｚｙｌｏｇｉｃＡｌｇｏ￣ｒｉｔｈｍ)识别生物回波ꎬ对探测范围内的生物回波的发生发展规律进行初步研究ꎮ程序设计方面ꎬ利用Ｐｙｔｈｏｎ的ｎｕｍｐｙ函数运算模块通过中值滤波法对反射率因子Ｚ㊁双程差分相位ΦＤＰ㊁０延迟相关系数ρＨＶ㊁差分反射率ＺＤＲ４个雷达物理量进行数据预处理ꎬ再通过模糊逻辑算法的隶属函数和权重分配函数ꎬ构造雷达回波变量分类运算矩阵ꎬ其中数据采样点的某个雷达变量实际观测值ꎬ在某个取值范围内的可能性越大ꎬ表示属于某一类回波的特征越明显ꎬ权重值越高ꎬ最后利用ＢａｓｅＭａｐ地理坐标识别模块和Ｐｒｏｊｅｃｔ映射模块完成雷达数据的回波分类ꎬ实现对生物回波的识别ꎮ模糊逻辑算法是通过对ＷＳＲ￣８８Ｄ天气雷达数据采样点的反射率因子Ｚ㊁差分反射率ＺＤＲ㊁极化波间的相关系数ρＨＶ㊁反射率因子纹理ＳＤ(Ｚ)和差分相位纹理ＳＤ(ΦＤＰ)５个物理量各属于某一类雷达回波的概率聚合值的计算ꎬ将雷达回波分为１０类(见表１):地物/超折射(ＧＣ/ＡＰ)㊁生物(ＢＳ)㊁干雪(ＤＳ)㊁湿雪(ＷＳ)㊁不规则晶体(ＣＲ)㊁软雹(ＧＲ)㊁大雨(ＢＤ)㊁小到中雨(ＲＡ)㊁暴雨(ＨＲ)㊁雨雹混合(ＲＨ)ꎮ１.２.１㊀原始资料预处理(１)对Ｚ㊁ＺＤＲ㊁ρＨＶ㊁ΦＤＰ这４个雷达物理量的存储数据以扫描中心为起点ꎬ沿径向开均值滤波窗口ꎬ进行回波采样点数据处理ꎮ反射率因子Ｚ数据的窗口宽度为１ｋｍꎬ计算窗口内的反射率因子Ｚ的均值Ｚꎮ同样的方法计算相关系数ρＨＶꎬ窗口宽度为２ｋｍꎻ双程差分相位ΦＤＰꎬ窗口宽度为６ｋｍꎮ(２)通过均方根标准差的纹理值算法ꎬ获取反射率因子纹理ＳＤ(Ｚ)和双程差分相位纹理ＳＤ(ΦＤＰ)ꎬ使用均值窗口分别为１ｋｍ和２ｋｍꎬ具体计算公式在下一小节给出ꎮ(３)径向速度Ｖｅ使用窗口宽度为２ｋｍ的均值滤波窗口进行修正ꎬ主要用于识别固定地物ꎮ(４)对反射率因子Ｚ和差分反射率ＺＤＲ进行衰减补偿ꎬ用于降水类回波识别ꎬ分别为:ΔＺａｔｔ(ｄＢＺ)＝０.０４ΦＤＰ(ʎ)(１)ΔＺａｔｔＤＲ(ｄＢ)＝０.００４ΦＤＰ(ʎ)(２)１.２.２㊀雷达变量的纹理获取算法纹理值的计算采用均方根法获得ꎮ首先对反射率因子Ｚ的ＰＰＩ扫描数据沿径向１ｋｍ的移动窗口获得平均值ꎮＷＳＲ￣８８Ｄ雷达的水平ＰＰＩ扫描距离分辨率为０.２５ｋｍꎬ平滑窗口宽度为１ｋｍꎬ那么１ｋｍ窗口内包含４个采样点ꎬ４个采样点的值均为ＳＤ(Ｚ)＝１ｍ[ðｍｉ(Ｚｉ－Ｚ)２](３)其中ｍ是采样点的数量ꎬＺｉ是窗口内第ｉ个采样点０２１㊀第３期朱轶明等:上海南汇ＷＳＲ－８８Ｄ双偏振天气雷达的生物回波识别与分析反射率因子的实际值ꎬＺ是平均值ꎮ而生物回波的差分相位值在距离库之间的波动过大ꎬ因此使用６ｋｍ的均值移动窗口进行预处理ꎮ计算方法与反射率因子纹理算法相同ꎮ图１为２０１８年４月３０日０３:０９上海南汇ＷＳＲ－８８Ｄ雷达观测个例ꎬ仰角为０.５ʎꎮ图１(ａ)蓝圈中ꎬ浙江北部杭州绍兴舟山一线出现中到大雨ꎬ红圈中上海市区为晴天ꎬ非气象回波反射率因子值较小ꎬ小于２５ｄＢＺꎬ而浙江北部出现的降水回波较强ꎬ局部地区大于５０ｄＢＺꎮ图１(ｂ)中ꎬ非气象回波双程差分相位ΦＤＰ的小范围观测值波动较大ꎬ个别观测点ΦＤＰ大于２７０ʎꎬ降水回波值较小ꎬ降水带边缘的ΦＤＰ小于４５ʎꎬ而随着距离的增加逐渐增大ꎬ整个降水带的差分相位波动很小ꎮ为了更直观地显示出非气象回波ꎬ雷达物理量纹理图选择背景颜色较深的映射平面ꎬ图１(ｃ)和图１(ｄ)是通过上一节算法映射的反射率因子纹理ＳＤ(Ｚ)和差分相位纹理ＳＤ(ΦＤＰ)ꎮ图１(ｃ)中降水带的ＳＤ(Ｚ)较小ꎬ为０~１０ｄＢＺꎬ且降水带值的波动不明显ꎬ非气象回波距离库之间波动较大ꎬ在雷达站５０ｋｍ内出现大于２０ｄＢＺ的点ꎬ这些点主要是地物杂波ꎮ图１(ｄ)中ꎬ气象回波区域的ＳＤ(ΦＤＰ)值都小于２５ʎꎬ在纹理场中基本看不到ꎬ而非气象回波ＳＤ(ΦＤＰ)的值多大于３０ʎꎬ这是区分气象回波与非气象回波的重要参量ꎮ图１㊀２０１８年４月３０日０３:０９上海南汇天气雷达观测数据和对应的纹理场映射图(ａ)为反射率因子Ｚꎬ(ｂ)为差分相位ΦＤＰꎬ(ｃ)为反射率因子纹理ＳＤ(Ｚ)ꎬ(ｄ)为差分相位纹理ＳＤ(ΦＤＰ)ꎻ图中每个距离圈表示５０ｋｍ１.２.３㊀聚合值Ａｉ的算法通过输入回波采样点的雷达变量ꎬ对采样点的第ｊ个变量属于第ｉ类回波的概率进行累加ꎬ得到其属于第ｉ类回波的可能性ꎬ通过计算最大的概率聚合值Ａｉꎬ对采样点进行隶属于某类回波的分类ꎮ对于每一类雷达回波ꎬ雷达变量的值都有特定的权重值分配ꎮ某类回波的某个雷达变量特征越明显ꎬ则这个变量的权重值越高ꎮ如图２中所示ꎬ雷达回波采样点的隶属函数符合梯形分布[１１]ꎬＸ１－Ｘ４为表１中每种回波的４个参数ꎬＸ为任意雷达变量ꎬ雷达回波变量的隶属函数值的参数分布和权重运算矩阵的元素值由表１和表２给出ꎮ第ｉ类雷达回波的聚合值Ａｉ的算法如下ꎮ非气象回波的聚合值:１２１气象与环境科学第４２卷Ａｉ＝ð５ｊ＝１ＷｉｊＰ(ｉ)(Ｖｉ)ð５ｊ＝１Ｗｉｊ(４)气象回波的Ｚ－ＺＤＲ条件概率聚合值:Ａｉ＝ð５ｊ＝１ＷｉｊＦ(ｉ)(ＺꎬＶｊ)ð５ｊ＝１Ｗｉｊ＝ð５ｊ＝１ＷｉｊＰ(ｉ)(Ｚ)Ｐ(ｉ)ｚ(Ｖｊ)ð５ｊ＝１Ｗｉｊ(５)其中液态水粒子的反射率因子Ｚ对应的差分反射率ＺＤＲ参数分布的计算公式如下:ｆ１(Ｚ)＝－０.５０＋２.５０ˑ１０－３Ｚ＋７.５０ˑ１０－４Ｚ２(６)ｆ２(Ｚ)＝０.６８－４.８１ˑ１０－２Ｚ＋２.９２ˑ１０－３Ｚ２(７)ｆ３(Ｚ)＝１.４２＋６.６７ˑ１０－２Ｚ＋４.８５ˑ１０－４Ｚ２(８)图２㊀隶属函数的雷达变量分布图表１㊀１０类雷达回波的隶属函数参数分布分类ＧＣ/ＡＰＢＳＤＳＷＳＣＲＧＲＢＤＲＡＨＲＲＨＸ１１５５５２５０２５２０５４０４５Ｘ２２０１０１０３０５３５２５１０４５５０Ｘ３７０２０３５４０２０５０４５４５５５７５Ｘ４８０３０４０５０２５５５５０５０６０８０Ｘ１－４㊀０－０.３㊀０.５０.１－０.３㊀ｆ２－０.３ｆ１－０.３ｆ１－０.３－０.３㊀Ｘ２－２㊀２０.０１.００.４０.０ｆ２ｆ１ｆ１０Ｘ３１１００.３２.０３.０ｆ１ｆ３ｆ２ｆ２ｆ１Ｘ４２１２０.６３.０３.３ｆ１＋０.３ｆ３＋１.０ｆ２＋０.５ｆ２＋０.５ｆ１＋０.５Ｘ１０.２００.３００.９５０.８８００.９５０.９００.９２０.９５０.９２０.８５Ｘ２０.６００.５００.９８０.９２００.９８０.９７０.９５０.９７０.９５０.９０Ｘ３０.９００.８０１.０００.９５０１.００１.００１.００１.００１.００１.００Ｘ４０.９５０.８３１.０１０.９８５１.０１１.０１１.０１１.０１１.０１１.０１Ｘ１２１０.００.００.００.００.００.００.００.０Ｘ２４２０.５０.５０.５０.５０.５０.５０.５０.５Ｘ３１０４３.０３.０３.０３.０３.０３.０３.０３.０Ｘ４１５７６.０６.０６.０６.０６.０６.０６.０６.０Ｘ１３０８００００００００Ｘ２４０１０１１１１１１１１Ｘ３５０４０１５１５１５１５１５１５１５１５Ｘ４６０６０３０３０３０３０３０３０３０３０㊀注:表中第１㊁２㊁３㊁４㊁５列Ｘ１㊁Ｘ２㊁Ｘ３㊁Ｘ４分别为反射率因子Ｚ㊁差分反射率ＺＤＲ㊁相关系数ρＨＶ㊁反射率因子纹理ＳＤ(Ｚ)㊁差分相位纹理ＳＤ(ΦＤＰ)分布ꎻ其中Ｚ单位:ｄＢＺꎬＺＤＲ单位:ｄＢ表２㊀权重函数矩阵Ｗ的元素表分类ＺＺＤＲρＨＶＳＤ(Ｚ)ＳＤ(ΦＤＰ)地物ＧＣ/ＡＰ０.２０.４１.００.６０.８生物ＢＳ０.４０.６１.００.８０.８干雪ＤＳ１.００.８０.６０.２０.２湿雪ＷＳ０.６０.８１.００.２０.２不规则晶体ＣＲ１.００.６０.４０.２０.２软雹ＧＲ０.８１.００.４０.２０.２大雨ＢＤ０.８１.００.６０.２０.２小到中雨ＲＡ１.００.８０.６０.２０.２暴雨ＨＲ１.００.８０.６０.２０.２雨雹混合ＲＨ１.００.８０.６０.２０.２２㊀生物回波的识别结果与分析２.１㊀晴空天气下的生物回波特征根据国内生物迁飞学相关学者的研究结果ꎬ我国长江流域最早在３月中旬出现大型迁飞昆虫的定向迁飞现象ꎬ且在日落时这种现象尤为显著ꎮ而３月份我国长江流域的迁飞昆虫翅羽化期尚未来临ꎬ这主要是华南和东南亚地区的大型迁飞昆虫的迁入现象所引起的ꎬ迁入大型迁飞昆虫随春季盛行的西２２１㊀第３期朱轶明等:上海南汇ＷＳＲ－８８Ｄ双偏振天气雷达的生物回波识别与分析南风向北移动ꎬ许多大型迁飞昆虫(夜蛾㊁草地螟等)在夜间低空气温超过１０ħ和适合迁飞的风向和风速时ꎬ就可以集群定向升空迁飞[１２]ꎮ从上海天气雷达仰角０.５ʎ的观测资料可以看到ꎬ２０１８年３月１２日天气晴朗ꎬ夜间气温１３ħꎬ１７:３０开始自东向西逐渐出现反射率因子强度小于２０ｄＢＺ的成群麻点状回波ꎬ到晚上２０:００左右最盛ꎬ反射率因子强度普遍小于１５ｄＢＺꎬ红圈中舟山群岛与上海东滩之间出现大片反射率因子为负值的弱回波ꎬ表明昆虫的虫口密度很小ꎬ而径向速度Ｖｅ小于１０ｍ/ｓꎬ近似于实时风力风向东南风３~４级ꎮ差分反射率ＺＤＲ大于５ｄＢꎬ相关系数小于０.８５ꎬ双程差分相位ΦＤＰ小于４５ʎꎮ偏振变量的观测结果表明ꎬ这是水平和垂直尺寸相差较大的大型迁飞昆虫[１３]ꎮ可以根据生物回波的偏振物理量特征将它们较为准确地识别出来(图略)ꎮ２.２㊀降水天气形势下的生物回波观测分析积状云降水对昆虫和鸟类的局地活动有明显的抑制作用ꎮ由于积状云降水具有强度大㊁持续时间短的特点ꎬ因此当降水带经过后ꎬ空中生物的局地活动会再次出现ꎮ如图３为２０１８年５月５日的积状云降水个例ꎬ苏州㊁上海㊁宁波和舟山等区域为中雨转阵雨天气ꎬ到１８:００上海及浙江北部降水强度已明显减弱ꎬ但仍时有阵雨ꎬ日落后不断有小片积状云降水回波带经过上海市区并向东北方向移动ꎬ到１８:５８受到积状云降水影响ꎬ生物回波的数量和规模都比晴空天气下日落之后的小ꎬ只有宁波北部㊁上海东滩及市区出现少量反射率因子强度较小的弱回波(图３ａ中红圈标注)ꎮ径向速度图中ꎬ生物回波与降水回波径向速度的方向基本一致(图３ｃ中红圈标注)ꎮ与液态水粒子相比ꎬ生物回波常呈麻点状出现ꎮ由于生物散射体的形状和内部组成成分极不规则ꎬ其对偏振信号的反馈存在去极化效应和极化后向散射信号隔离性较低ꎬ致使生物回波的差分反射率ＺＤＲ的观测值波动比降水粒子的大(图３ｅ中红圈标注)ꎬ而相关系数则比气象回波小得多ꎬ多数回波点的值集中在０.７左右(图３ｇ中红圈标注)ꎬ而积状云降水回波的多大于０.９５ꎮ双程差分相位ΦＤＰ小范围的数值波动比降水回波的大(图３ｉ中红圈标注)ꎮ图３(ｊ)是基于模糊逻辑分类算法的分类结果ꎬ日落之后本应有成规模的生物回波并没有出现ꎮ算法识别结果显示宁波北部邻海地区有麻点状的生物回波正在向北移动ꎬ算法可以较准确地将它们识别出来(图３ｊ中红圈标注)ꎮ２.３㊀生物回波识别的反演结果演示根据算法对上一节中的积状云降水个例进行质量控制后ꎬ反演出的生物回波识别结果如图３所示ꎬ积状云降水回波带基本被滤除ꎬ并且距离雷达站点较近的地物和超折射回波也被滤除掉ꎮ从此次个例中生物回波的识别结果可以看出ꎬ生物回波的反射率因子Ｚ值小于３０ｄＢＺ(图３ｂ)ꎮ从径向速度Ｖｅ的质量控制结果来看ꎬ生物回波的运动方向与质量控制前的积状云降水带的移动方向是一致的ꎬ表明迁飞昆虫正随西南风向东北方向移动(图３ｄ)ꎮ通常作为气象观测资料数据ꎬ这些生物回波被作为风的示踪物ꎬ不宜被滤除掉[１４]ꎮ生物回波的差分反射率ＺＤＲ的值具有很大的自由度ꎬ识别结果为－４~８ｄＢꎬ这取决于生物散射体在水平和垂直极化波上的破坏和增益性分量ꎬ即与生物散射体的形状及与雷达入射波之间的角度有关(图３ｆ)ꎮ而相关系数的识别结果中ꎬ生物回波的值低于０.８５ꎮ但本算法中ꎬ并未对雷达原始数据中相关系数ρＨＶ的信噪比ＳＮＲ随探测距离的增大进行数值误差补偿ꎬ工程计算上雷达信号信噪比ＳＮＲ的计算需要获取雷达接收机噪声温度㊁接收机带宽和雷达噪声系数[１５－１６]ꎬ而这些参数是不实际接触雷达硬件系统所无法获取的ꎮ反映到算法的识别效果是气象回波尤其是降水带边缘识别结果出现误差ꎬ导致相关系数ρＨＶ原始数据中ꎬ降水带边缘的观测值比实际值偏低ꎬ造成降水回波带的边缘被识别为生物回波的现象(图３ｈ)ꎮ３２１气象与环境科学第４２卷图３㊀２０１８年５月５日１８:５８上海南汇天气雷达０.５ʎ仰角观测资料的生物回波反演结果(ａ)为反射率因子Ｚꎬ(ｂ)为质控后生物回波反射率因子ꎬ(ｃ)为径向速度Ｖｅꎬ(ｄ)为质控后生物回波径向速度ꎬ(ｅ)为差分反射率ＺＤＲꎬ(ｆ)为质控后生物回波差分反射率ꎬ(ｇ)为相关系数ρＨＶꎬ(ｈ)为质控后生物回波相关系数ꎬ(ｉ)为双程差分相位ΦＤＰꎬ(ｊ)为回波分类结果ꎻ(ｊ)图中橙色表示生物回波ꎬ蓝色表示地物回波(超折射回波)ꎻ图中每个距离圈表示５０ｋｍ４２１㊀第３期朱轶明等:上海南汇ＷＳＲ－８８Ｄ双偏振天气雷达的生物回波识别与分析２.４㊀２０１８年春季上海南汇天气雷达生物回波统计结果生物回波的识别统计结果表明:２０１８年上海地区３月上旬采集数量日变化不明显ꎬ主要以鸟类的局地活动为主ꎬ夜间迁飞昆虫层最早在３月中旬开始出现ꎬ整体上３月迁飞生物活动强度处于较弱阶段(图４)ꎮ１８㊁１９㊁２０日连续３天出现小到中雨天气ꎬ且日最高气温１２ħꎬ最低气温为４ħꎬ风向为西北和北风ꎬ这些是对迁飞不利的气象因素ꎬ所以生物回波的识别数量很少(图４ａ圆圈标注)ꎮ４５月ꎬ夜间生物回波数量显著增加(图４ｂ㊁ｃ)ꎬ当夜间低空有较强西南风和东南风时ꎬ生物回波数量随之增加ꎮ４月２６日夜间多云ꎬ东南风ꎬ平均气温１７ħꎬ２２:３０生物回波识别数量达到峰值ꎬ超过２７万(图４ｂ中圆圈标注)ꎮ５月５日夜间多云转阴ꎬ平均气温２２ħꎬ东南方向微风ꎬ２０:００出现生物回波识别的季度峰值ꎬ数量达到３０万以上(图４ｃ中圆圈标注)ꎮ由于生物迁飞规模随季节变化有很大差异[１７]ꎬ而地物和超折射回波是有效识别生物回波的主要污染物ꎬ为进一步详细描述算法识别生物回波的雷达物理量数值特征ꎬ筛选出２０１８年３５月天气条件适合生物迁飞的日落到次日凌晨时段的７２０个雷达数据ꎬ对春季识别结果中ꎬ生物回波和地物超折射回波反射率因子Ｚ㊁差分反射率ＺＤＲ㊁双程差分相位ΦＤＰ和相关系数ρＨＶ的特征值进行统计ꎬ以标准化频率直方图的形式进行分析(图５)[２ꎬ１８]ꎮ春季生物回波反射率因子Ｚ值出现在１５ｄＢＺ左右的频率最高ꎬ概率达到７.３％ꎬ２０~３０ｄＢＺ的概率很低ꎬ不超过３０ｄＢＺꎬ地物和超折射回波的反射率因子值会超过３５ｄＢＺꎬ最大值达４０ｄＢＺꎬ但概率很小ꎬ为０.１％左右(图５ａ)ꎮ春季生物回波的差分反射率ＺＤＲ的值出现３ｄＢ的频率最高ꎬ概率为１４％ꎬ－８ｄＢ和８ｄＢ的概率分别为４％和１１％ꎬ地物和超折射回波ＺＤＲ为０ｄＢ的概率最高[１９]ꎬ在１５％和１６％之间(图５ｂ)ꎮ生物回波双程差分相位ΦＤＰ的值为１００ʎ左右的频率最高ꎬ概率为９％ꎬ地物和超折射回波ΦＤＰ出现在１５０ʎ图４㊀上海南汇天气雷达２０１８年春季数据的生物回波识别数量统计结果图(ａ)(ｂ)(ｃ)分别为３㊁４㊁５月生物回波识别数量统计结果ꎻ图中时间为世界时５２１气象与环境科学第４２卷的频率最高ꎬ为１０％ꎬ超过２００ʎ时ꎬ生物和地物概率分布基本相同(图５ｃ)ꎮ生物回波的相关系数ρＨＶ出现在雷达观测最小值０.２０８３３处ꎬ０.７０和０.７８之间的频率最高ꎬ概率为１.９％左右ꎬ多集中在０.４０~０.７０ꎬ地物和超折射回波ρＨＶ为０.８３~０.８５的频率最高(图５ｄ)ꎮ图５㊀２０１８年春季上海南汇天气雷达０.５ʎ仰角数据的非气象回波雷达物理量数值特征的标准化频率直方图(ａ)为反射率因子Ｚꎬ(ｂ)为差分反射率ＺＤＲꎬ(ｃ)为双程差分相位ΦＤＰꎬ(ｄ)为相关系数ρＨＶꎻ橙色代表生物回波ꎬ蓝色代表地物和超折射回波ꎬ棕色为重叠区域３㊀分析结果与讨论本文通过对上海南汇ＷＳＲ－８８Ｄ双偏振天气雷达２０１８年春季的数据资料中生物的回波雷达变量进行特征分析ꎬ将非气象回波中的生物回波识别出来ꎬ并对识别结果进行量化ꎬ得到Ｓ波段双偏振雷达生物回波的雷达物理量特征和发生发展规律ꎬ结论如下:(１)本算法的识别效果和频率直方图的统计法对雷达物理量统计结果表明:地物和超折射回波与生物回波的所有雷达变量都存在较大的重叠区域ꎬ单用任何一种雷达变量都很难将二者进行区分ꎮ反射率因子纹理ＳＤ(Ｚ)和差分相位纹理ＳＤ(ΦＤＰ)是识别气象回波与非气象回波的重要参量ꎬ在算法中引入纹理场变量可以有效地滤除气象回波ꎬ从而保留非气象回波ꎮ非气象回波中ꎬ地物和超折射回波是对生物回波进行有效识别和保留算法中的主要污染物ꎬ生物回波反射率因子强度较地物和超折射回波偏弱ꎬ多呈麻点状成团出现ꎬ并且在虫口密度较小时ꎬ反射率因子值可能为负值ꎬ可以通过反射率因子纹理ＳＤ(Ｚ)相邻距离库的波动范围进行识别ꎮ(２)由于Ｓ波段天气雷达的空间分辨率较差ꎬ距离分辨率为０.２５ｋｍꎬ天气雷达观测不到鸟类和昆虫等生物回波的单体ꎬ在本文的算法中ꎬ并未对鸟类和昆虫进行进一步分类ꎮ在后期资料处理并保留生物回波反射率因子信息的前提下ꎬ会根据反射率因子强度数值用定量估测降水的方法给出最小分辨率内昆虫和鸟类个体的近似量化值ꎮ(３)在４月初ꎬ许多大型迁飞昆虫如草地螟和菜田夜蛾等农业害虫完成第１次羽化期之前[２０－２３]ꎬ６２１。

第八章雷达回波分析

第八章雷达产品实际应用个例分析8.1 1992年4月28日Oklahoma州中西部个例在下午和晚上，在Oklahoma的中部和北部出现了强风暴。

刚过17时30分（局地时间），在Dewey 县的最北端（Oklahoma市西北150km），一个风暴发展成为强风暴。

在风暴内部30000英尺的高度，最大的反射率因子超过50dBZ。

同时，在其入流区之上，存在一个较强的中层悬垂回波，说明有较大的冰雹存在。

基于这些雷达特征，于17时45分发布了Dewey 县将出现一次强雷暴过程的警报。

该警报于28分钟后得到证实，出现了2cm 直径的冰雹。

在接下来的2小时内，基于由WSR-88D观测的三维风暴结构，又发布了Dewey 县下游的风暴警报。

摘自文献1 图11图8-1 位于Comanche县中部的一个非龙卷的旋转风暴相对速度的4幅图显示。

时间为1992年4月28日20点19分。

强风暴的警报没有升级为龙卷警报，基于低层的弱旋转特征。

在风暴的中层，较强的旋转很明显。

当风暴继续向着东南方向的Lawton地区（Comanche县境内），WSR-88D探测到位于风暴中层的弱的旋转。

19点55分，又发布强风暴警报。

一个飞行员于大约20点10分在Lawton 地区的北部观测到漏斗云。

然而，风暴中层相对速度数据（图8-1）继续表明一个宽阔的旋转特征只局限于风暴的中层。

因此，预报员决定不把强风暴警报升级为龙卷警报，主要基于WSR-88D的三维速度和反射率因子数据。

20点20分，高尔夫球大小的冰雹降落在Lawton 地区，证实了强风暴的警报，其提前时间（lead time）为25分钟。

从以上可知，WSR-88D不仅在发布警告方面有较好的准确率，而且在决定不发布警报或不升级警报方面也有相当的技巧。

预报员经常面对是否应发布或升级一个强天气警报。

位于Dodge城的区域预报中心有几次近乎的强天气事件，基于WSR-88D数据，没有发布强天气警报。

雷达测量中的目标识别与跟踪技术

雷达测量中的目标识别与跟踪技术雷达是一种广泛应用于军事和民用领域的无线电探测设备，可以通过发射和接收电磁波来探测和跟踪目标。

雷达测量中的目标识别与跟踪技术在现代社会中发挥着重要作用，不仅有助于军事作战，还广泛应用于航空、航海、气象、交通等领域。

一、雷达目标识别技术雷达目标识别技术是指通过分析雷达回波信号的特征，确定目标的类型和性质。

目标识别可以通过目标的尺寸、形状、反射截面以及运动轨迹等特征来实现。

在雷达目标识别中，一种常见的方法是基于目标的回波信号的频率谱。

不同目标对电磁波的反射能力不同，因此其回波信号的频谱也不同。

通过比对已知目标的频谱特征和实际回波信号的频谱，可以对目标进行识别。

另一种常用的目标识别技术是基于目标的散射特性。

目标与电磁波相互作用，产生散射现象。

通过分析目标的散射信号，可以了解目标的形状、结构以及材料成分，从而实现目标的识别。

此外，雷达目标识别还可以通过目标的运动特征来实现。

不同类型的目标在运动过程中表现出不同的特征，比如速度、加速度等。

通过分析目标的运动特征，可以对目标进行分类和识别。

二、雷达目标跟踪技术雷达目标跟踪技术是指通过分析雷达回波信号，实时追踪目标的位置、速度和轨迹等信息。

目标跟踪是雷达应用于实际场景中的重要环节，对于实现有效的目标探测和监测至关重要。

在雷达目标跟踪中，一种常见的方法是基于比较分析目标的回波强度变化。

通过寻找回波强度最强的点，可以确定目标的位置。

同时，结合雷达的扫描方式，可以得到目标的速度和运动方向信息。

通过不断更新目标的位置、速度和方向信息，可以实现目标的跟踪。

另一种常用的目标跟踪技术是基于多普勒效应。

多普勒效应指的是当目标相对雷达运动时，雷达接收到的回波频率会发生变化。

通过分析回波频率的变化，可以推测目标的速度和运动方向，从而实现目标的跟踪。

除此之外，雷达目标跟踪还可以利用图像处理和信号处理技术。

通过对雷达回波信号进行图像化处理，可以直观地观察目标的位置和运动轨迹。

科普雷达数据分析报告(3篇)

第1篇一、引言雷达技术作为现代军事、气象、航空航天等领域的重要手段，具有广泛的应用价值。

随着雷达技术的不断发展，雷达数据的处理和分析也日益成为关键环节。

本报告将对雷达数据分析的基本原理、常用方法以及应用领域进行探讨，旨在为雷达数据分析提供参考。

二、雷达数据分析基本原理1. 雷达数据概述雷达数据主要包括脉冲回波数据、连续波数据、多普勒数据等。

脉冲回波数据是通过雷达发射脉冲信号，接收目标反射回来的信号，从而获取目标的位置、速度等信息。

连续波数据则是通过雷达发射连续的电磁波，接收目标反射回来的信号，从而获取目标的速度、距离等信息。

多普勒数据则是通过分析目标反射回来的信号频率的变化，获取目标的速度信息。

2. 雷达数据分析原理雷达数据分析主要包括信号处理、目标检测、目标跟踪、目标识别等步骤。

（1）信号处理：对原始雷达数据进行预处理，包括滤波、压缩、去噪等，提高数据的信噪比，为后续分析提供高质量的数据。

（2）目标检测：通过检测雷达数据中的目标回波，确定目标的存在，并估计目标的位置。

（3）目标跟踪：对检测到的目标进行持续跟踪，估计目标的位置、速度等参数，提高跟踪精度。

（4）目标识别：根据目标的位置、速度等参数，对目标进行分类和识别，如飞机、舰船、地面车辆等。

三、雷达数据分析常用方法1. 信号处理方法（1）滤波：通过滤波器对原始雷达数据进行处理，去除噪声和干扰，提高数据的信噪比。

（2）压缩：通过压缩算法对雷达数据进行压缩，减少数据存储空间，提高处理速度。

（3）去噪：通过去噪算法去除雷达数据中的噪声和干扰，提高数据分析的准确性。

2. 目标检测方法（1）阈值法：根据雷达数据中目标回波强度，设定阈值，检测目标。

（2）概率密度函数法：根据雷达数据中目标回波的概率密度函数，检测目标。

（3）基于深度学习的方法：利用深度学习技术，对雷达数据进行特征提取和目标检测。

3. 目标跟踪方法（1）卡尔曼滤波：通过卡尔曼滤波算法，对目标的位置、速度等参数进行估计。

雷达回波的识别与类型分析

雷达回波的识别与类型分析作者：姚维华于跃毕明林刘志鹏来源：《吉林农业》2016年第11期摘要：本文讲述在雷达开机时对出现的气象回波怎样能够正确识别，同时对降水回波做到正确分析，以及辽西地区各种天气形势下的回波特点。

关键词：雷达；回波；分析中图分类号： P412 文献标识码： A DOI编号： 10.14025/ki.jlny.2016.21.074在雷达探测中，出现的回波是多种多样的，大致可分为气象回波和非气象回波两类，正确判断、分析各种回波，是雷达探测工作的主要任务之一。

能够对气象回波正确的识别不但对人工增雨、人工防雹和短期预报具有重要的意义，而且也能从中获取有关未来天气演变的信息和发展规律。

但对其他回波也要加以注意，因这些回波的出现，有时也能提供一些有用的情报。

1气象回波形成这类回波的直接因素是大气中云、降水中的水汽凝结物对电磁波的后向散射和大气中压、温、湿等气象要素剧烈变化引起的。

按其地面是否有降水，还可分为降水回波和非降水回波两部分。

1.1气象回波分类根据雷达回波结构特征和形状把降水回波分为以下几类：层状云降水、对流云降水、混合型降水回波。

1.1.1层状云连续性降水回波回波的一般特征通常在平显（PPI）上分布成片比较均匀，面积较大，内部无明显的块体。

在高显（RHI）上，结构比较均匀顶部比较平坦没有明显的起伏，垂直高度较低，一般在5～6公里左右但随季节的不同小有变化。

另外回波的水平尺度比垂直尺度大得多，降水持续时间较长。

通常在华北气旋、缓行冷锋系统时出现。

1.1.2对流云阵性降水回波在平显（PPI）上由许多分散的回波单体组成，这些单体随着不同的天气系统排列成带状、条状或其他形状。

回波单体结构紧密，边缘清晰，棱角分明，回波强度强，强度梯度大，回波演变快。

在高显（RHI）上这种回波单体呈柱状结构，回波顶常呈花菜状。

回波发展一般比较高，多数在6～7公里以上，但随季节及天气系统的不同差异会很大，最高可达13～14公里以上，对流云阵性降水包括阵雨、雷雨、冰雹等，常出现在冷锋、冷涡、地方性热对流天气系统上。

雷达回波分析规范讲解

雷达回波分析规范
分析说明
弓状回波：雷达反射率因子图像上，强回波水平分布为弓形，与冰雹、下击暴流、雷雨大风密切相关。
雷达回波分析规范
雷达回波分析规范
分析说明
钩状回波：强单体右后侧有钩型或强单体呈鸟型等特征，是判断超级单体风暴的一个重要特征。
雷达回波分析规范
分析说明
飑线回波：由对流回波带、弱层状云降水回波组成。对流回波带有多个强单体排列、强度强、梯度大的特征，与冰雹、下击暴流、雷雨大风密切相关。
雷达回波分析规范
分析说明
阵风锋回波：雷暴单体移动的前方或周围，呈弧状分布，回波强度10～35dBz，远离雷暴移动。与老雷暴的衰亡、新雷暴的形成有密切关系。
雷达回波分析规范பைடு நூலகம்
分析说明
涡旋回波：混合性降水，多条对流回波带气旋式卷入到涡旋中心。
2.4 雷达回波分析规范
分析说明
逗点涡旋回波：混合性降水，多条对流回波带气旋式卷入到涡旋中心，冷锋附近有明显的对流回波带，涡旋中心右侧有弱回波区。
雷达回波分析规范
分析说明
入流急流：1.5°（或2.4°）速度图产品，最大径向风
速大于20m.s-1。入流急流与弓状回波后部下沉气流强度
有关，间接反映了雷雨大风强度。
雷达回波分析规范
分析说明
低空急流：1.5°(或2.4°)速度图产品，经过雷达站有牛眼结构，最大径向风速大于12m.s-1。低空急流是暖湿空气输送带，具有显著热力、动力天气学性质，与暴雨强对流有密切关
暴雨
冰雹
雷达回波分析规范
分析说明
辐合线：0.5°（或1.5°）速度图产品，有正负速度辐合、且长度大于50km，有“0”速度带突然转向特征。锋面由两种性质不同的气团交汇形成，是触发暴雨强对流天气