高涌荇, 王旭東,*, 汪 玲, 朱岱寅, 郭 軍, 孟凡旺

(1. 南京航空航天大學(xué)雷達成像與微波光子技術(shù)教育部重點實驗室, 江蘇 南京 210016;2. 中國航空工業(yè)集團公司雷華電子技術(shù)研究所, 江蘇 無錫 214063)

0 引 言

氣象雷達在災(zāi)害性天氣探測、降雨量估計等領(lǐng)域扮演著不可或缺的作用。早期的多普勒氣象雷達僅發(fā)射和接收單一方向的回波信息,可得到反射率因子、譜寬、多普勒速度等信息。雙極化氣象雷達可以發(fā)射和接收水平和垂直方向上的電磁波,因此可得到水平反射率因子、差分反射率、相關(guān)系數(shù)、差分相位、差分相移率等額外的極化參數(shù)。這些極化參數(shù)反映了氣象云團中降水粒子的形狀、尺寸、大小、相態(tài)以及空間取向等信息,促進了定量估計降水和云中水凝物粒子相態(tài)識別的發(fā)展。

當(dāng)雷達工作在低仰角掃描模式時,雷達天線的主瓣或旁瓣照射到地面上的物體時會接收到地面物體的回波信息,因此近地點受到地雜波污染極其嚴重。盡管在極化參數(shù)計算時會對地雜波進行抑制,但抑制性能受限于系統(tǒng)熱噪聲、門限值的選取等不確定因素,因此抑制后的回波中仍殘留部分地雜波。其次,混雜在回波信號中的昆蟲、飛鳥等生物雜波也將影響雷達觀測資料的數(shù)據(jù)質(zhì)量。

近年來,國內(nèi)外對于天氣信號檢測主要集中在地雜波濾波算法方面。Moszkowicz等人提出用貝葉斯分類器檢測地雜波與天氣信號,通過假設(shè)輸入測量值的條件概率為高斯分布,得到判別函數(shù)來檢測天氣信號。Rico-Ramirez等人提出了一種新的紋理函數(shù)計算方法來消除降水區(qū)域的邊界效應(yīng),以此區(qū)分地雜波與天氣信號。Cao等人和Li等人提出了用4個判別函數(shù)對天氣信號檢測的頻譜雜波識別算法。Wang提出了一種深度學(xué)習(xí)方法識別降水云,將天氣信號分為層狀云或?qū)α髟苾煞N。Golbon-Haghighi等人分別利用相位起伏指數(shù)(phase fluctuation index, PFI)和相位結(jié)構(gòu)函數(shù)(phase structure function, PSF)來檢測天氣信號。Gauthreaux等人利用氣象雷達專門研究昆蟲與鳥類的遷徙,由隨機森林算法將氣象雷達回波分類為天氣信號以及7類生物。

卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)在目標(biāo)檢測和圖像識別領(lǐng)域已經(jīng)被證實是一種穩(wěn)健而有效的方法。Wang等人開發(fā)了一種CNN與模糊邏輯算法相結(jié)合的水凝物粒子相態(tài)識別方法,其在降雪、降雨、冰雹的識別上表現(xiàn)出了良好的性能。Lu等人開發(fā)并優(yōu)化了5種經(jīng)典的CNN利用雙極化氣象雷達數(shù)據(jù)識別了4種水凝物粒子相態(tài),提供一種穩(wěn)健且準(zhǔn)確的方法。Han等人實現(xiàn)了利用CNN對于對流風(fēng)暴的探測與即時預(yù)報。Ran等人根據(jù)雷達數(shù)據(jù)的分布形態(tài),提出了一種基于faster殘差卷積神經(jīng)網(wǎng)絡(luò)(faster residual CNN, faster-RCNN)的降水云識別新方法,得到了可靠的識別結(jié)果。

本文根據(jù)WSR-88D雙極化氣象雷達觀測資料,通過對天氣信號特征的研究,提出了基于RCNN天氣信號檢測方法。該方法首先將雙極化氣象雷達極化參數(shù)堆疊為三維矩陣后通過數(shù)據(jù)預(yù)處理將其分為天氣信號與雜波信號。然后,開發(fā)并優(yōu)化了一種RCNN對天氣信號進行檢測,并對比了支持向量機(support vector machine, SVM)、經(jīng)典CNN等方法的檢測效果。最后,通過多次實測數(shù)據(jù),驗證了所提方法在不同仰角、不同時刻對天氣信號的檢測效果。

1 數(shù)據(jù)模型

本文中所用到的雷達觀測資料為美國俄克拉荷馬州KTLX雙極化氣象雷達的觀測資料,其雷達主要工作模式如圖1所示。

圖1 雷達工作模式Fig.1 Radar operating mode

雙極化氣象雷達架設(shè)高度固定為,以平面位置指示掃描方式,通過不同仰角,進行全方位掃描,便可獲得三維空間降水信息,其中為方位角,為雷達照射距離。

雙極化氣象雷達可以同時或交替發(fā)射水平和垂直極化波,由于電磁波在空間傳播時介質(zhì)的非均勻分布,不同極化信號的衰減和相移會不同,因此可以計算出兩種極化波的衰減差和相移差,由此便可計算得出極化參數(shù),以下將具體介紹雙極化氣象雷達主要的極化參數(shù)。

1.1 水平和垂直反射率因子

反射率因子的大小通常與降水粒子的直徑大小相關(guān),并且不同類型的降水粒子其介電常數(shù)也對反射率因子有不同影響。當(dāng)雙極化氣象雷達發(fā)射水平極化波時,水平反射率因子定義為

(1)

(2)

式中：為垂直極化入射波照射到降水粒子產(chǎn)生的垂直極化散射場的散射系數(shù)。

1.2 差分反射率因子

差分反射率因子為水平和垂直反射率因子的比值,定義為

(3)

式中:的大小反映了降水粒子的空間取向和尺寸大小。小雨滴的大小接近零;大滴在下降時偏扁,因此較大;小冰雹由于其下降時隨機翻滾,接近零;而大冰雹主要為垂直尺寸,通常小于零。

1.3 零延遲相關(guān)系數(shù)

零延遲相關(guān)系數(shù)由雷達接收到的水平和垂直極化波的零延遲互相關(guān)系數(shù)的幅度定義,其表達式為

(4)

式中:(0)體現(xiàn)了水平和垂直極化波后向散射特性的相關(guān)性。通常,由于地雜波與生物雜波等目標(biāo)會導(dǎo)致脈沖之間的行為完全不同,因此雜波的相關(guān)系數(shù)通常小于09甚至更小,而天氣信號的相關(guān)系數(shù)通常在095以上。

1.4 差分相移及差分相移率

差分相移定義為水平和垂直極化波之間的雙程相位差,其表達式為

=-

(5)

式中:、分別為雷達發(fā)射水平和垂直極化波時所產(chǎn)生的雙程相位。

差分相移率具有不受電磁波部分遮擋和雷達定標(biāo)的優(yōu)勢,由于不是雙極化氣象雷達的直接測量參數(shù),通常使用的定義對其進行重構(gòu),其重構(gòu)公式為

(6)

式中：、分別代表雷達徑向上兩個距離庫與雷達之間的距離(>)。

2 基于RCNN的天氣信號檢測

本文采用RCNN檢測天氣信號與雜波信號,并制作大量由天氣信號與雜波信號組成的數(shù)據(jù)集對所提出網(wǎng)絡(luò)進行訓(xùn)練和測試,以提高其準(zhǔn)確性。

RCNN可以在復(fù)雜度不變的情況下加深網(wǎng)絡(luò)層數(shù),提高網(wǎng)絡(luò)的分類準(zhǔn)確率,自動提取層次化的特征,并以端到端的方式完成分類,提供一個魯棒性和準(zhǔn)確性高的分類結(jié)果。其避免了傳統(tǒng)分類算法中復(fù)雜的特征提取和數(shù)據(jù)重構(gòu)對原始數(shù)據(jù)帶來的破壞，并且通過池化,可以對原始數(shù)據(jù)進行采樣壓縮,降低計算復(fù)雜度。因此,RCNN已經(jīng)成為圖像識別和語音識別等許多領(lǐng)域的重要研究工具。本節(jié)將具體給出數(shù)據(jù)集制作方法以及所提出的RCNN網(wǎng)絡(luò)結(jié)構(gòu)。

2.1 數(shù)據(jù)集制作

雙極化氣象雷達觀測資料雖然不是圖像數(shù)據(jù),但是在不失通用性的情況下可以將多個極化參數(shù)類比為圖像的紅綠藍通道,每個通道存儲一個極化參數(shù)的二維矩陣數(shù)據(jù)。因此，將4個極化參數(shù)矩陣進行堆疊可構(gòu)造成三維數(shù)據(jù)陣列,其大小為4×方位向×距離向。

不同于普通圖像識別,雷達回波數(shù)據(jù)中不僅包含天氣信號,而且還包含雜波信號,以及部分缺失數(shù)據(jù)和大量無效值,這都將影響所產(chǎn)生數(shù)據(jù)集的質(zhì)量。因此，本文將所堆疊的三維矩陣塊分割為若干個大小為4×KL×KL小矩陣塊,將每個矩陣塊標(biāo)記為天氣信號或雜波信號。在標(biāo)記數(shù)據(jù)時,考慮到氣象雷達回波數(shù)據(jù)的稀疏性,一個矩陣塊中可能有缺失值或無效值,因此，本文采用濾波器將數(shù)據(jù)中有效像素點個數(shù)小于百分之二十矩陣塊舍棄;并且由于氣象回波的特殊性,分割所得到的矩陣塊中可能既含有天氣信號又含有雜波信號,為了保證數(shù)據(jù)集包含盡可能少的噪聲,本文將占比達到百分之五十以上的類別作為矩陣塊的標(biāo)簽,且矩陣中心點類別必須為標(biāo)簽類別。這樣,既能保證所制作數(shù)據(jù)集的質(zhì)量,又可以將盡可能多的回波信息包含進來,具體實施流程如圖2所示。

圖2 數(shù)據(jù)集制作流程圖Fig.2 Flowchart of datasets making

2.2 殘差網(wǎng)絡(luò)

由于本文所制作的數(shù)據(jù)集中張量尺寸較小,為解決在加深網(wǎng)絡(luò)層數(shù)時所造成的梯度消失問題,本文選取殘差網(wǎng)絡(luò)模塊(residual network module, RNM)來解決反向傳播時所造成的梯度消失問題。如圖3所示,輸入的張量分成了相同的兩部分,一部分經(jīng)過兩個卷積層后得到輸出()與另一部分相加后輸出殘差模塊的結(jié)果()。因此,相比于CNN,殘差網(wǎng)絡(luò)并沒有引入額外的參數(shù)。殘差網(wǎng)絡(luò)的結(jié)構(gòu)定義為

圖3 基本RNMFig.3 Basic RNM

=()+

(7)

式中:為各層的輸入;為輸出;和為各卷積層的權(quán)值,為線性整流函數(shù)(rectified linear unit, ReLU),其定義為

(8)

其中, ReLU的功能如下：當(dāng)輸入值大于等于零時,輸出值等于輸入值;當(dāng)輸入值小于零時,輸出為零。

2.3 RCNN結(jié)構(gòu)

本文提出的基于RCNN的天氣信號檢測算法是一種典型的有監(jiān)督學(xué)習(xí)算法,需要依靠大量帶有標(biāo)簽的數(shù)據(jù)來訓(xùn)練模型。本文利用Python+Pytorch開發(fā)平臺,構(gòu)建了基于RCNN的天氣信號檢測模型。由輸入輸出、卷積層、批標(biāo)準(zhǔn)化層(batch normalization, BN)、RNM1～8、ReLU層、全連接層、分類標(biāo)簽和捷徑連接組成。圖4為本文使用的基本RNM,當(dāng)卷積層的通道數(shù)發(fā)生變化時,捷徑連接通過卷積核大小為1×1的卷積層和BN改變通道數(shù)與RNM輸出的卷積通道數(shù)相匹配。

圖4 基本RNMFig.4 Basic RNM

圖4中,Conv表示卷積層,表示卷積核的個數(shù),表示填充大小。

圖5為本文所提出的RCNN網(wǎng)絡(luò)。

圖5 RCNN結(jié)構(gòu)框圖Fig.5 Structure diagram of RCNN

如圖所示,網(wǎng)絡(luò)主要由輸入輸出層,一層卷積層、4個殘差模塊、一層全連接層和一個Softmax分類器構(gòu)成。在輸入層輸入由、、、構(gòu)成的大小為4×15×15的三維矩陣,經(jīng)過卷積層、4個殘差模塊后經(jīng)平均池化,得到128個大小為1×1的特征向量。最后,用Softmax分類器進行分類。網(wǎng)絡(luò)具體參數(shù)如下所示，其中，@(×),表示卷積核個數(shù),表示卷積核大小。

輸入 分割的極化參數(shù)矩陣(維度:4×15×15)RCNN的各層卷積核大小輸入層 4×15×15卷積層 16@(3×3) RNM1 16@(1×1)16@(3×3)16@(1×1)RNM2 16@(1×1)16@(3×3)16@(1×1)捷徑連接卷積層1 32@(1×1)RNM3 32@(1×1)32@(3×3)32@(1×1)RNM4 32@(1×1)32@(3×3)32@(1×1)捷徑連接卷積層2 64@(1×1)RNM5 64@(1×1)64@(3×3)64@(1×1)RNM6 64@(1×1)64@(3×3)64@(1×1)捷徑連接卷積層3 128@(1×1)RNM7 128@(1×1)128@(3×3)128@(1×1)RNM8 128@(1×1)128@(3×3)128@(1×1)全連接 2×1輸出 特征向量(維度2×1)

2.4 RCNN天氣信號檢測算法

本文提出了雙極化氣象雷達天氣信號檢測算法,以雙極化氣象雷達原始極化數(shù)據(jù)作為輸入,將各極化參數(shù)堆疊為三維矩陣后進行數(shù)據(jù)集制作,并基于所提出的RCNN對天氣信號檢測,得到檢測后的天氣信號和雜波信號。由于訓(xùn)練模型需要大量帶標(biāo)簽數(shù)據(jù)對模型進行訓(xùn)練驗證,因此在利用第2.1節(jié)所述方法中,本文選取了2018年KTLX雷達觀測資料中具有典型天氣信號特征的數(shù)據(jù),通過制作的數(shù)據(jù)集對所提出的RCNN網(wǎng)絡(luò)進行訓(xùn)練和測試,來提高模型對天氣信號檢測的性能。

3 實驗結(jié)果及分析

3.1 實驗配置

實驗中CPU采用Intel Core i7-10700k, GPU采用NVIDIA Geforce 2080Ti。本文對所提出的RCNN采用隨機梯度下降方法進行訓(xùn)練,設(shè)置批次大小為128,采用帶動量的梯度下降法來訓(xùn)練模型,其中動量因子為0.9,學(xué)習(xí)率為0.05,訓(xùn)練迭代次數(shù)200次。

實驗中選取2019～2020年俄克拉荷馬州S波段KTLX雙極化氣象雷達平臺采集的觀測資料,對所提出的算法進行評估。

為了評估算法檢測性能,引入準(zhǔn)確率acc以及檢測概率和虛警概率,其定義為

(9)

(10)

(11)

式中:TP表示將天氣信號正確識別;FN為將天氣信號誤判為雜波信號;FP為將雜波信號誤判為天氣信號;TN表示雜波信號正確識別。

3.2 算法性能測試

本文主要從以下幾個方面對算法的性能進行測試,以驗證基于RCNN的天氣信號檢測方法的有效性。實驗1對比不同訓(xùn)練率下本文所提出的RCNN檢測準(zhǔn)確率以及CNN、SVM等方法的檢測準(zhǔn)確率。實驗2選取一次實際雷達觀測資料對不同方法的檢測效果進行評估。實驗3測試了RCNN對不同仰角實測數(shù)據(jù)的檢測效果。實驗4分析了模型對2020年不同月份天氣信號的檢測性能。

對比RCNN、CNN、SVM對天氣信號的檢測效率

為了驗證算法的有效性,首先從制作的數(shù)據(jù)集中等量選取天氣信號與雜波信號,以訓(xùn)練率為2%、4%、6%、8%來分別訓(xùn)練RCNN,并將其按80%、10%、10%分成訓(xùn)練集、驗證集以及測試集來訓(xùn)練模型。本文均使用8%的訓(xùn)練率對SVM分類器以及優(yōu)化后的CNN網(wǎng)絡(luò)進行比較,其測試準(zhǔn)確率變化如圖6所示。

圖6 SVM、CNN、RCNN準(zhǔn)確率隨迭代次數(shù)的變化Fig.6 Accuracy of SVM, CNN, and RCNN with the number of iterations

通過比較可以看出,隨著迭代次數(shù)的不斷增加,圖6中訓(xùn)練率為8%的RCNN準(zhǔn)確率最高,逐漸穩(wěn)定在99.22%左右,而圖中訓(xùn)練率為8%的CNN的準(zhǔn)確率穩(wěn)定在98.52%、訓(xùn)練率為8%的SVM準(zhǔn)確率穩(wěn)定在97.61%?？梢钥闯?RCNN僅用2%的訓(xùn)練率就可以達到CNN與SVM訓(xùn)練率為8%時的準(zhǔn)確率,這說明本文所設(shè)計的RCNN可以更好地提取極化參數(shù)中所含天氣信號的特征,在檢測準(zhǔn)確率上表現(xiàn)出了較大優(yōu)勢。RCNN的優(yōu)勢在于模型中含有捷徑連接,可加深網(wǎng)絡(luò)層數(shù),實現(xiàn)梯度信息向深層傳遞,從而抑制梯度消失,提高檢測準(zhǔn)確率。各模型其最終檢測準(zhǔn)確率如表2所示。

表2 不同方法檢測準(zhǔn)確率對比Table 2 Detection accuracy comparison of different methods

對比表2中不同方法的準(zhǔn)確率可看出,隨著訓(xùn)練率的增加,RCNN檢測準(zhǔn)確率不斷提高,當(dāng)訓(xùn)練率為8%時,準(zhǔn)確率最高,達到了99.22%,此時測試集的虛警概率為=0.012 5,而檢測概率為=0.996 2,進一步體現(xiàn)了模型的性能。

各方法在實測數(shù)據(jù)上性能對比

為了驗證模型在實測數(shù)據(jù)上的性能,本文選取了2019年5月1日0時2分KTLX雷達實測的一次降雨過程對模型進行測試。圖7(a)～圖7(d)分別顯示了大小為360×600反射率因子圖、差分反射率圖、相關(guān)系數(shù)圖、差分相移率圖。

圖7 4個極化參數(shù)圖Fig.7 Four polarization variable diagrams

圖8(a)～圖8(e)分別為SVM、CNN、訓(xùn)練率為2%、4%、6%、8%的RCNN檢測結(jié)果。從圖8(a)中所標(biāo)注的黑色矩形框中可明顯看出,SVM方法將明顯的天氣信號誤判為雜波信號;對比圖8(b)和圖8(f),CNN方法在天氣信號與雜波信號的交界處,當(dāng)天氣信號與雜波信號相互摻雜時,在黑色矩形和圓圈處有著明顯誤判,這說明RCNN方法對于雜波信號與天氣信號交界處的檢測效果更佳;對比圖8(c)～圖8(f)可以看出,隨著訓(xùn)練率的增加,RCNN模型檢測準(zhǔn)確率不斷提高,檢測效果逐漸趨于最優(yōu)。因此,將RCNN作為天氣信號的檢測方法是較好的選擇。

圖8 不同方法實測數(shù)據(jù)檢測效果Fig.8 Detection effect of measured data of different methods

RCNN模型對不同仰角數(shù)據(jù)檢測性能對比

本文利用所提出的算法對于2020年1月10日13時55分仰角分別為0.5°、1.5°、2.4°、3.4°的數(shù)據(jù)進行測試,圖9顯示了具體的測試結(jié)果。在測試時,本文首先將不同方位的數(shù)據(jù)轉(zhuǎn)換為同一方位單元以便于比較。雖然在制作數(shù)據(jù)集時僅選取0.5°仰角的數(shù)據(jù)對模型進行訓(xùn)練和測試,但從圖9可以看出,RCNN模型對于其余仰角的實測數(shù)據(jù)均有良好的檢測效果。并且,可以明顯看出,隨著仰角的增加,雜波信號不斷減小,這也進一步印證了本文所提出的RCNN天氣信號檢測算法在低仰角數(shù)據(jù)的可行性及必要性。

圖9 不同仰角測試結(jié)果Fig.9 Test results of different elevation angles

RCNN模型對2020年不同月份數(shù)據(jù)檢測效果

為了驗證模型在新的雷達觀測資料上的性能,本文利用訓(xùn)練好的RCNN模型分別選取2020年每個月份氣象信息最為強烈的觀測數(shù)據(jù)進行測試,結(jié)果如圖10所示。

圖10 2020年不同月份測試結(jié)果Fig.10 Results of different months in 2020

盡管本文在制作數(shù)據(jù)集時所選取的數(shù)據(jù)僅為KTLX雷達2018年的觀測資料,但是所訓(xùn)練模型在2020年不同月份新的時間段內(nèi)也展現(xiàn)出了良好的檢測性能,不論是acc還是均有一個較高水平。但由于7～10月是當(dāng)?shù)乩ハx鳥類大量活躍的季節(jié),模型對當(dāng)月數(shù)據(jù)的檢測概率低于90%?？偟膩碚f,RCNN模型在新的時間段上表現(xiàn)出了良好的檢測性能,可很好地從雙極化氣象雷達回波中將天氣信號檢測出來。

4 結(jié) 論

本文提出了基于RCNN的雙極化氣象雷達回波天氣信號檢測算法用來檢測天氣信號,使用4個雙極化氣象雷達的極化參數(shù)制作數(shù)據(jù)集并訓(xùn)練所提出的RCNN網(wǎng)絡(luò)模型。實驗結(jié)果表明,與SVM、CNN等方法相比,本文所提出的RCNN方法對于天氣信號的識別準(zhǔn)確率更高,在雜波和天氣信號的交界處表現(xiàn)出了更優(yōu)的性能。并且算法在不同仰角以及2020全年的實測數(shù)據(jù)上均表現(xiàn)出了良好的檢測性能。但是，在分割極化參數(shù)制作數(shù)據(jù)集時破壞了原始數(shù)據(jù)結(jié)構(gòu)和相關(guān)性,可能會導(dǎo)致部分極化信息丟失,后續(xù)工作將研究如何更好地分割氣象單元,保留原始極化信息。