何建新 李學華 徐梓欣 楊玲 雷波 王文明

1 成都信息工程大學電子工程學院，成都 610225；2 中國氣象局大氣探測重點開放實驗室，成都 610225；3 成都遠望科技有限責任公司，成都 610041

0 引言

新一代多普勒天氣雷達CINRAD網絡是我國災害性天氣過程監(jiān)測、預警強有力的手段，然而由于地球曲率、波束阻擋、掃描模式固定等因素影響，CINRAD天氣雷達在對地表以上1 km的邊界層空間僅能捕獲30%的天氣目標，以致對中小尺度強對流天氣過程漏失報警、延遲預警現象時有發(fā)生。此外，CINRAD天氣雷達固定6分鐘的體掃模式，大大降低了其對諸如龍卷風，下擊暴流等快變天氣過程的精細結構探測和跟蹤監(jiān)測能力。為此，美國CASA項目利用多部低成本、功率低、短程X波段天氣雷達密集組網，并率先提出采用分布式協(xié)同適應探測理念，目的是提高雷達對低層空間天氣過程的探測能力，彌補大雷達低空探測盲區(qū)，優(yōu)化空間布局進行全方位掃描，降低地球曲率與波束阻擋對低層天氣過程的影響，同時協(xié)調多部雷達對重點區(qū)域進行精細化掃描，獲取目標區(qū)域更豐富的觀測資料。CASA項目于2006年在美國俄克拉何馬州西南部建立4部雙偏振X波段天氣雷達的菱形分布網絡，經過試驗表明，采用分布式協(xié)同控制的X波段天氣雷達網絡，能有效地提高了天氣雷達低空風災和強對流天氣過程的預警能力。此后，美國在2013年在CASA雷達網試驗成功的基礎上，又在得克薩斯州的達拉斯-沃斯堡地區(qū)建立了8部X波段雙偏振天氣雷達組成的DFW網絡，用以給氣象部門提供高時空的二維和三維探測資料，加強低層大氣探測、龍卷和冰雹等天氣過程的探測。目前，基于雷達組網資料，DFW和CASA雷達網實現了高精度定量估計降水和實時三維風場反演，并已開發(fā)出集雷達系統(tǒng)、軟件系統(tǒng)、雷達產品、數據同化和可視化一體的端到端的預警系統(tǒng)。鑒于CASA項目分布式協(xié)同控制的組網理念和成功應用，各個國家也相繼效仿、開展試驗。在歐洲意大利，LaMMa實驗室在托斯卡納建立由3部X波段天氣雷達組成的雷達網，目的是用雷達網高時空分辨率的數據來提升地區(qū)城市的臨近預報和早期預警準確度。在國內，由中國電子科技集團公司第十四研究所和中國科學院大氣物理研究所合作，于2013年在南京周邊籌建了國內第一個X波段天氣雷達試驗網絡，4部雷達菱形分布，間距40 km左右，旨在給國內網絡化雷達性能優(yōu)化提供試驗數據。成都信息工程大學于2016年，在雙流、龍泉和資陽建立了3部三角形的X波段天氣雷達試驗網，旨在獲取成都平原強對流天氣過程精細結構資料，同時不斷進行組網策略和協(xié)同控制方法優(yōu)化試驗。近幾年，江蘇、上海，安徽、廣東等?。ㄖ陛犑校庀缶忠蚕嗬^建設并開展X波段天氣雷達組網的協(xié)同觀測，旨在提高龍卷、冰雹、暴雨等強對流天氣過程的監(jiān)測與預警能力。

在X波段天氣雷達組網協(xié)同觀測試驗中，除了雷達硬件性能穩(wěn)定可靠以外，組網策略和協(xié)同控制系統(tǒng)是關鍵。往往隨觀測目標和應用重點不同，組網策略和協(xié)同技術也不同。美國CASA項目分布式協(xié)同控制系統(tǒng)開發(fā)分為3個階段，第一階段是實現網絡雷達，預測風暴；第二階段是實現晴空探測，監(jiān)視風暴前環(huán)境狀況變化；第三階段是分布式自適應大氣遙感，實現大范圍預警和監(jiān)測與監(jiān)控。為此CASA雷達網采用晴空模式+風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。整個掃描過程控制在3～4 min以內。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一個或多個重點目標進行跟蹤探測，RHI掃描可獲取對流單體精細的垂直結構。南京雷達試驗網在CASA基礎上改進，制定了3種自適應掃描模式：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，整個掃描模式以時間最優(yōu)為主導，把體積掃描時間控制在2 min以內。成都X波段天氣雷達網絡的建設之初以獲取成都平原強對流天氣過程精細結構為目標，同時參與“超大城市垂直綜合氣象觀測技術研究及試驗”項目，兼顧獲取精細化降水要素的垂直結構。在組網掃描策略和協(xié)同控制方面，需要體現從低層空間到高層空間連續(xù)結構的觀測；雷達體掃時間盡量減少，保持更高時間的分辨率，對降水結構連續(xù)性變化有著更好的觀測；同時能得到強對流單體精細垂直結構，可以給出與目標單體相對應的垂直風切變和高反射率核。

本文結合成都X波段天氣雷達網絡的應用需求，將介紹一種快速體積掃描+多RHI掃描的組網掃描策略和基于重點區(qū)域識別、優(yōu)先級計算及雷達任務智能分配的協(xié)同控制流程；同時提出了一種基于神經網絡的強對流識別算法和基于非監(jiān)督學習的聚類算法的強回波自動識別方法，為雷達組網協(xié)同控制中的重點區(qū)域天氣過程的識別提供方法。

1 組網掃描策略

如圖1所示，成都X波段天氣雷達網由成都信息工程大學航港校區(qū)、龍泉校區(qū)以及資陽3個站點雷達構成，網絡形狀為三角；覆蓋雙流國際機場和天府國際機場區(qū)域。資陽、龍泉兩部雷達為固態(tài)體制雷達，航空港雷達為磁控管雷達。3個雷達之間相對距離分別為：航空港雷達—龍泉雷達：28.5 km，航空港雷達—資陽雷達：70 km，龍泉雷達—資陽雷達：65.5 km。當使用最大探測距離100 km的情況下掃描覆蓋面積可達約 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波段天氣雷達網布局Fig.1 Chengdu X band weather radar network

成都X波段天氣雷達網雷達掃描策略分為兩種：普通模式和協(xié)同模式。普通模式時各個雷達采用VCP21模式，協(xié)同模式時采用快速體掃+RHI掃描模式（VCP02）。普通模式和協(xié)同模式可自動觸發(fā)和人為觸發(fā)。當普通模式下各個雷達通過強對流識別算法識別出強對流目標時，則自動觸發(fā)進入協(xié)同掃描模式。人為觸發(fā)模式為手動觸發(fā)，操作人員可針對感興趣區(qū)域，隨時把組網雷達切入協(xié)同掃描模式。

具體掃描策略的具體設計需要考慮掃描仰角個數、掃描仰角、PRF、天線轉速等參數，綜合考慮雷達的性能（如波束寬度、PRF、天線轉速、掃描仰角限制等），探測目標的需求（目標類型、目標的變化特征、與雷達之間的距離等）、數據質量（距離折疊—隨機相位編碼、速度模糊—雙PRF和雜波抑制—GMAP等）、分辨率需求（時間和空間分辨率）等，還需考慮區(qū)域范圍內的零度層高度。零度層對航空飛行顯得特別重要，是分析飛機積冰高度的重要因素；對高山雪線高度和洪水預報也起到重要的作用。在西南區(qū)域零度層高度最高出現在夏季，一般出現在8月，在5000～5800 m范圍內。春秋兩季相對偏低，零度層高度最低一般出現在3月和11月，在2400～3000 m范圍內。

成都X波段天氣雷達網協(xié)同模式的設計旨在能獲取低層空間層降水結構信息，能高時間分辨率獲取強對流過程的變化結構，能獲取降水過程的垂直結構信息，因此設計了快速體掃模式+多RHI掃描的掃描策略?？紤]到實際雷達扇掃過程中雷達天線停擺，移動到指定方位的時間和與360°PPI掃描時間基本相當，且雷達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；根據邊界層空間觀測和時間分辨率的需要，快速掃描模式仰角選擇低層5個仰角進行掃描，并把掃描仰角間隔與雷達波束寬度1.5°保持一致。為了獲取較精細的掃描數據，提高了每個脈沖的累積數，同時利用較高的重復頻率（PRF）以提高最大不模糊速度，利用相位編碼技術退除距離折疊。表1給出了一種快速體掃+RHI掃描的掃描參數設置，快速體掃5層體掃時間為1.32 min，再加上體掃前標定時間0.2 min，總體快速體掃時間不超過1.6 min。RHI掃描模式旨在獲取強對流天氣過程強中心的垂直降水結構數據，強對流區(qū)域及對應參數的計算由控制中心進行。RHI掃描模式的最高仰角為40°，單次RHI掃描的用時約為25 s。根據對流單體的強、中、弱及聚類形勢，一次快速體掃后，針對同一對流單體的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掃描參數設計Table 1 Radar parameter design of fast-speed volume scanning and RHI scanning

2 組網協(xié)同控制關鍵技術

組網協(xié)同控制是由網絡中多部雷達協(xié)同觀測同一或多個目標，中心站根據目標的不同，給每部雷達分配不同的掃描任務，最終達到最優(yōu)的觀測效果。組網雷達在協(xié)同觀測中，當出現一個或多個氣象目標時，需要控制中心統(tǒng)一分配各個雷達的掃描目標。根據目標的各種信息，如反射率的強弱、相對雷達的距離、目標區(qū)域的重要程度等，對每一部雷達進行任務分配。協(xié)同控制算法首先進行重點區(qū)域的識別，這一步將鎖定目標區(qū)域的具體位置，為雷達下一步做出的具體掃描提供坐標。接下來組網雷達將對掃描覆蓋范圍內的所有重點區(qū)域根據優(yōu)先級進行篩選，再進行RHI掃描，觀察其垂直氣象結構。根據優(yōu)先級計算公式劃分出目標的重要程度，并對優(yōu)先級進行排序，重要程度高的將優(yōu)先對其進行掃描。

2.1 協(xié)同控制關鍵流程

協(xié)同控制主要有重點區(qū)域識別、優(yōu)先級計算、雷達任務分配等關鍵環(huán)節(jié)。

重點區(qū)域識別環(huán)節(jié)采用基于神經網絡的強對流自動識別算法對重點目標區(qū)域進行識別，然后利用聚類算法將范圍內的重點天氣目標劃分為各自獨立的系統(tǒng)。

雷達任務分配時，根據每個重點區(qū)域的優(yōu)先級按降序排列后，由先到后依次分配掃描任務至雷達中，每部雷達建立一個任務列表，任務列表中包含區(qū)域編號、重要數據，如中心點坐標、面積、平均反射率、最高反射率等。具體任務分配流程如下：

1）計算優(yōu)先級最高的重點區(qū)域的質心坐標與每部雷達之間的相對距離，確認該區(qū)域處于哪些雷達的觀測范圍內（每部雷達的有效觀測范圍設為75 km）。

2）針對雷達之間的共同掃描區(qū)，將嘗試把需要探測的掃描目標分配至有效觀測范圍內的所有雷達中。

3）在優(yōu)先級列表中尋找下一個重點區(qū)域，并重復以上兩個步驟。若優(yōu)先級列表中所有的目標點均分配完畢，或所有雷達的任務列表都滿了，則分配過程結束。分配過程結束后，每部雷達會獲取一個任務列表（至多2個觀測任務），雷達會根據該任務列表進行RHI掃描。

2.2 強回波自動識別技術

強對流天氣回波的自動識別技術是雷達組網協(xié)同控制流程的重要環(huán)節(jié)。讓雷達控制中心能夠自行解決如何掃描的問題。文中結合使用了基于神經網絡的強對流識別算法和基于非監(jiān)督學習的聚類算法，實現強對流天氣回波的自動識別和定位。

強對流識別算法基于快速體掃模式所獲取的雷達回波數據，進行回波特征提取，并通過訓練好的神經網絡進行強對流回波識別。

算法基于3 km海拔高度的網格化雷達等高平面顯示（CAPPI）數據，提取水平和垂直兩個方向的特征，以識別大氣邊界層附近的降水區(qū)域。6個特征分別命名為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)域強降水云的持續(xù)高度（即云頂高度減去云底高度），通常來說，層狀云對應的該特征值較低，而對流云對應的該特征值較高。

F2：水平區(qū)域反射率（dBz/km）：該特征是以目標點為中心，附近1 km的區(qū)域的雷達反射率總和，反映了該點周圍環(huán)境的反射率強度。通常來說，層狀云對應的該特征值較低，而對流云對應的該特征值較高。

F3：云頂高度（km）：通常來說，對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）：該特征反映了目標點附近區(qū)域在3 km海拔高度上的反射率水平變化情況。根據對流云與層狀云的物理特征，強對流云的運動速度快，其反射率水平梯度遠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點為中心，其附近區(qū)域中雷達反射率＞35 dBz的獨立區(qū)域面積大小。顯然，層狀云對應的該特征值較低，而對流云對應的該特征值較高。

F6：垂直積分液態(tài)水VIL（kg/m）：在天氣分析過程中，VIL是一種識別潛在強對流非常敏感的指示參數，通常對流云對應的特征值比較高。

以上6種特征在輸入神經網絡之前，均經過歸一化處理。

神經網絡的訓練依賴于標記過的訓練數據。本文的訓練和測試數據集均基于成都地區(qū)2017年7月至2018年8月的雷達快速體掃數據，其中訓練集包含10個天氣過程共計495841個降水點，其中80833個對流降水點，415008個層狀云降水點。測試集包含25個天氣過程共計有1211711個降水點。交叉驗證集總共包含 60000個降水點。每一個降水點的實際空間分辨率為 200 m×200 m。通過試驗與分析，發(fā)現6種特征對于對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運用均無法達到最佳的識別效果。因此，利用神經網絡進行特征組合和優(yōu)化是最佳的方式。本文中使用的神經網絡結構有3層，其中輸入層包含6個輸入結點（即上述6種歸一化特征），1個隱藏層包含8個神經單元，1個輸出層包含2個輸出結點。激活函數為 sigmoid函數，學習率設定為 1，訓練循環(huán)次數為 100。神經網絡的訓練代價函數為：

式中；

m

為樣本總數，

K

是輸出結點的數量，

y

代表真實的參考值，

λ

為正則化參數設定為 1，

L

為神經網絡的層數，

θ

是神經網絡層數之間的參數矩陣。

訓練好的神經網絡參數，結合6種歸一化特征，可以有效地進行強對流天氣回波的自動識別。圖2展示了2017年8月的一次強對流降水過程的組合反射率圖像以及利用本算法計算所得的強對流云/層狀云的識別結果，標記為紅色的區(qū)域為對流云區(qū)域，藍色區(qū)域為層狀云區(qū)域。為了與現有算法的效果作對比，圖2中還給出了基于反射率閾值的傳統(tǒng)識別算法（SHY95）、SHY95的改進型算法（BL）和基于模糊邏輯的識別算法（FL）等3種經典強對流識別算法的識別效果。

從圖2中對比可發(fā)現，基于神經網絡算法的處理結果與預報員的判斷最為符合，其次是FL算法?；陂撝捣指畹膫鹘y(tǒng)識別算法效果遠差于兩種基于機器學習的識別算法。3種傳統(tǒng)的算法均有不同程度的過度識別現象，導致識別的強對流區(qū)域遠大于真實值，這是由于3種經典算法對于反射率特征的依賴度過高所造成的。即使FL運用了模糊邏輯算法，但問題并沒有徹底解決。相反，基于神經網絡算法的6種特征里，并不包含反射率特征，因此也就解決了過度依賴的問題。

圖2 強對流自動識別效果對比圖（a）2017年8月18日17：06時刻雷達反射率；（b）預報員標記的強對流/層狀云降水回波；（c）本文神經網絡算法結果；（d）基于模糊邏輯的傳統(tǒng)識別算法結果；（e）基于反射率閾值的傳統(tǒng)識別算法結果；（f）改進型的傳統(tǒng)算法結果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 強對流單體聚類技術

聚類算法主要目的是強對流回波識別算法所識別出的強對流回波擬合為數個強對流區(qū)域，從而方便雷達控制中心執(zhí)行任務調度。通常來說，一個強對流云團的覆蓋面積有大有小，但都是由一到數個強風暴為中心，聚合在其附近的。針對這一特點，提出一種以強風暴中心為起點的無監(jiān)督密度聚類算法來實現強對流區(qū)域的擬合。算法的步驟如下：

4）重新選取一個新的強風暴起始點并重復（1）～（4）步驟，直到所有的強風暴點均處理完畢。

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，根據對流點的空間密度分布特征對其進行聚類。

3 協(xié)同觀測試驗結果

成都X波段天氣雷達網絡使用了基于WEB的協(xié)同控制軟件云平臺，軟件平臺包括雷達站軟件平臺和控制中心軟件平臺兩大部分。雷達站控制軟件重點實現雷達數據、狀態(tài)向中心站的發(fā)送、自身單雷達的自適應觀測、接收中心站控制命令和發(fā)送命令到信號處理、天線伺服等；控制中心軟件平臺則需要重點實現接收各個網點雷達回波數據和狀態(tài)數據、數據融合分析、重點觀測區(qū)域識別、協(xié)同決策并確立掃描模式、發(fā)送協(xié)同觀測命令、組網產品生成及產品顯示等。

圖3給出了成都X波段天氣雷達網對2020年8月23日一次強對流天氣過程中的協(xié)同觀測過程。從圖3a和3b中可以看出，8月23日成都平原出現大面積降水，而且出現多個強降水中心區(qū)域，但是從組合反射率來看，無法獲得各個區(qū)域降水的精細結構信息。成都雷達網通過快速體掃模式，獲取掃描范圍內全域信息，通過強對流回波識別和聚類算法識別確定了多個強中心目標，并且一一進行編號，如圖3所示，在航空港雷達附近區(qū)域識別強中心有3個，編號為S226～S228，在資陽雷達站附近識別強中心有6個，編號為S229～S234；然后根據各個雷達距離位置和當前工作狀態(tài)，進行優(yōu)先級計算和任務調度。根據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，回波強中心S227，S228，S229，S231，S233被列為優(yōu)先級較高的觀測點；然后根據雷達位置和探測區(qū)域關系，回波強中心S227，S228的RHI掃描任務被分配給航空港雷達執(zhí)行，回波強中心S229，S231和S233被分配給資陽雷達執(zhí)行通。圖3a和3b分別給出了S228和S231雷達任務分配的過程，最終分別被航空港雷達和資陽雷達雷達執(zhí)行RHI掃描任務，掃描結果如圖3c和3d所示。由于RHI掃描位置的不同，時間有稍微差別，但幾次執(zhí)行的RHI掃描時間應控制在1～2 min以內，因此，雖然識別出來的強中心較多，但每次體掃中執(zhí)行部分回波強中心的RHI掃描。

圖3 成都X波段天氣雷達網絡對2020年8月23日一次強降水過程的協(xié)同觀測過程（a，b）組合反射率數據（圖中紫色為生成的任務調度）；（c，d）基本反射率數據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的雷達徑向方向，回波出現多個強中心，回波頂高接近15 km，降水正處于旺盛期。

4 結果討論

利用多部X波段天氣雷達進行組網觀測，是對新一代多普勒天氣雷達網絡低空補盲和加強快變對流天氣過程探測的有效途徑之一，其中多部雷達掃描策略和協(xié)同控制是組網技術的關鍵。

依托于科技部重點研發(fā)計劃“超大城市垂直觀測技術研究及試驗”的研發(fā)任務目標，基于成都X波段天氣雷達網絡，文中設計了一種快速體掃+多RHI掃描的組網雷達掃描策略。該掃描策略執(zhí)行5層的360°全方位掃描和重點區(qū)域的RHI垂直高度掃描，整個掃描過程控制在2～3 min以內；對單個強對流單體，執(zhí)行1次RHI掃描，對于多個單體對流區(qū)域，執(zhí)行“頭部”“中部”和“尾部”多次RHI掃描，以獲取強對流單體的垂直精細結構。

針對組網雷達的協(xié)同控制問題，文中設計了一種重點區(qū)域識別、優(yōu)先級計算及雷達任務智能調度控制流程。組網雷達控制中心根據全方位掃描資料，識別出重點區(qū)域，將區(qū)域中的重點區(qū)域標記后，根據目標區(qū)域的反射率大小、面積和影響地區(qū)重要程度等因素計算出所有重點區(qū)域的優(yōu)先級，并對其進行排序，然后根據目標的優(yōu)先級進行雷達分配進行重點觀測。

重點區(qū)域識別是雷達組網協(xié)同控制的前提。文中提出了一種基于神經網絡的強對流識別算法和基于非監(jiān)督學習聚類算法的強對流天氣回波自動識別和定位方法。利用天氣過程回波信息的6種特征作為后續(xù)傳播神經網絡的輸入特征，在識別出強對流單體的同時，具有較高的運行速率和識別準確率。

致謝：美國科羅拉多大學V.Chandra教授、中國氣象局氣象探測中心李柏研究員、成都空軍氣象中心張杰高工對成都X波段雷達組網建設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。