卓健，廖勝石，周冬靜，郭彬，蘇彥，劉銀煥

(1.廣西壯族自治區(qū)氣象信息中心，廣西 南寧 530022；2.廣西壯族自治區(qū)氣候中心，廣西 南寧 530022；3.崇左市氣象局，廣西 崇左 532200）

1 引 言

天氣雷達產(chǎn)品廣泛應用于短臨業(yè)務中[1-4]，是短臨預報的重要支撐手段。在實際業(yè)務中雷達會受到地物回波、電磁等諸多因素干擾，使用最大值拼圖法制作雷達產(chǎn)品時，任何一部雷達受到干擾都會造成拼圖產(chǎn)品存在干擾回波，使雷達產(chǎn)品圖像受到破壞[5-8]。盡管預報員能利用豐富的經(jīng)驗避開干擾回波開展預報業(yè)務，但是在自動預報系統(tǒng)中，使用受干擾的雷達產(chǎn)品圖像會破壞系統(tǒng)內(nèi)各種氣象要素正常的函數(shù)關系，導致發(fā)布錯誤的預報預警信息。

為提高雷達基數(shù)據(jù)和二次產(chǎn)品的質(zhì)量，人們提出了不同的濾除干擾的方法。張富貴等[9]根據(jù)小波分解高頻系數(shù)自適應確定閾值的方法，去除風廓線雷達地物雜波。劉黎平等[10]和江源等[11]對SA 雷達開展基于模糊邏輯的地物回波識別方法研究，李豐等[12]通過雷達觀測數(shù)據(jù)對雷達地物回波特征進行分析，改進識別參量的隸屬函數(shù)，建立適合地物識別方法，對C波段雷達地物回波特征進行識別。張林等[13]使用模糊邏輯算法在折射回波濾除算法基礎上對強折射回波的濾除開展了研究。

徑向干擾回波往往表現(xiàn)為條幅狀干擾回波，它可能是由外部電磁干擾、內(nèi)部數(shù)據(jù)處理或是天線對準太陽時引起。對于徑向干擾回波的識別和濾除通常采用基于回波形態(tài)和基于功率法。如杜言霞等[14]根據(jù)干擾電磁波較為穩(wěn)定，從較近的距離一直延續(xù)到雷達可探測到的最大距離處，存在于雷達回波圖中連續(xù)幾個方位上，其回波強度值幾乎不變，徑向干擾回波的區(qū)域，其邊緣方位回波強度與相鄰無干擾回波方位的回波強度差異較大的特點，使用同一距離庫上相鄰方位回波強度差，通過濾波法、插值法和功率法對徑向干擾回波進行剔除研究。根據(jù)電磁干擾回波形態(tài)的識別和濾除算法已在ROSE等業(yè)務系統(tǒng)進行應用，文浩等[15]在“新一代天氣雷達建設業(yè)務軟件系統(tǒng)開發(fā)及應用（ROSE）”系統(tǒng)的業(yè)務試應用中，對雷達基數(shù)據(jù)質(zhì)控方法進行定量評估，發(fā)現(xiàn)ROSE 系統(tǒng)所使用的質(zhì)控算法能有效識別小于5 個徑向的窄條幅狀干擾回波。由于此算法已經(jīng)限定了用于對比的徑向回波寬度，只適用于小干擾角度的徑向干擾回波識別和濾除，仍需改進算法完成對麻點狀、螺旋狀和大面積徑向干擾回波的自動識別。文浩等[16]發(fā)現(xiàn)中國氣象局氣象探測中心現(xiàn)有的業(yè)務化徑向干擾回波識別算法（AO）對大面積徑向的干擾回波識別效果較差，針對徑向干擾回波提出一種基于模糊邏輯方法的識別方法（AFL），AFL 只提取徑向上的特征參量，對于徑向干擾回波的識別準確率大幅度提高。

廣西屬于山地丘陵性盆地地貌，西北高、東南低，呈西北向東南傾斜狀，目前全區(qū)有5部SB波段和5 部SA 波段共10 部新一代天氣雷達。由于山嶺綿密，以及電磁干擾等情況，廣西新一代天氣雷達在不同程度受到各種干擾影響，約超過10%時次的拼圖產(chǎn)品會存在程度不等的徑向干擾回波。當有干擾回波產(chǎn)生時，現(xiàn)有業(yè)務系統(tǒng)僅能濾除地物回波，以及少量的徑向干擾回波，對于干擾方位角大、干擾強度強的徑向干擾不能正確識別和濾除。對廣西10部新一代天氣雷達基本反射率因子產(chǎn)品進行拼圖處理時，由于反射率因子產(chǎn)品本身不包含回波功率數(shù)據(jù)，所以前述方法不適用，需要另行開發(fā)一種新的識別算法。同時雖然單部雷達受干擾的比例不高，但拼圖時使用多部雷達數(shù)據(jù)，受到干擾的概率和干擾的面積會大幅度提升，需要研究更好的通用干擾回波濾除算法。

本文使用廣西10部新一代天氣雷達的混合拼圖產(chǎn)品，通過人工識別，篩選出受干擾的樣本數(shù)據(jù)集。根據(jù)這組樣本數(shù)據(jù)集的徑向干擾特征，提出一種簡明的徑向干擾識別和濾除方法，期望能有效識別大方位角徑向干擾并進行濾除，提高廣西雷達拼圖產(chǎn)品質(zhì)量。

2 資料和處理方法

本文選用的雷達資料來源于廣西業(yè)務運行的10 部新一代天氣雷達，采用最大值拼圖法將3 個低仰角（0.5 °，1.5 °，2.4 °）的基本反射率產(chǎn)品得到混合拼圖產(chǎn)品，投影方式為等距圓柱投影（Equidistant cylindrical）。產(chǎn)品分為用于建模的訓練數(shù)據(jù)集和檢驗模型泛化能力(generalization ability)的驗證數(shù)據(jù)集。

2020 年1 月，廣西多部雷達受影響程度不一的徑向干擾，多時次的徑向干擾幅度大、強度高，嚴重影響雷達資料的應用。通過人工識別出至少1 部雷達存在徑向干擾的拼圖產(chǎn)品作為訓練數(shù)據(jù)樣本，共166個樣本。

驗證數(shù)據(jù)集選自2019—2020年冰雹、臺風、暴雨、颮線及晴天等天氣過程的3 784 個樣本（包括有或無干擾回波），各過程時間跨度為2～3 d。

3 識別和濾除方法

3.1 徑向數(shù)據(jù)判定法

根據(jù)反射率因子Z（單位：dBZ）、回波功率與雷達最小可測功率之比B（單位：dB）的關系[17]，

式中，R（單位：km）為某觀測點到雷達站的距離，A 是與雷達性能有關的常數(shù)（同一部雷達常數(shù)A相同），接收的B轉(zhuǎn)換成Z時經(jīng)過了20lgR 的距離訂正，使得Z的大小隨距離的增大有一定的增強。對多個樣本的大幅度徑向干擾樣本觀察發(fā)現(xiàn)，多數(shù)的大幅度、強度大的徑向干擾，存在著整體上隨著距離增長，干擾強度增強。

由于徑向干擾回波一般是從雷達中心一直延伸到最遠距離，呈條幅狀的特點[18-19]，可以考慮從數(shù)據(jù)的形狀特征進行識別和濾除。首先判別逐條徑向數(shù)據(jù)為非干擾數(shù)據(jù)或可疑數(shù)據(jù)并做好標簽，此為縱向判別，再將做好標簽的可疑數(shù)據(jù)進行整體橫向判別，當整片（≥1 條）的可疑數(shù)據(jù)被判定為徑向干擾回波時，則在拼圖時將這一整片數(shù)據(jù)整體刪除，達到濾除干擾回波的效果。由于不預設判別寬度，所以能處理大方位角的徑向干擾回波。我們將這一方法命名為徑向數(shù)據(jù)判定法（Radial Data Determine, RDD），徑向數(shù)據(jù)判定法是一種基于視覺的判定方法，核心在于如何實現(xiàn)客觀判定。

3.1.1 徑向干擾的數(shù)據(jù)特征

徑向干擾由雷達信號處理器異常和信號受到外部電磁干擾引起。一般情況，所有仰角都可能出現(xiàn)徑向干擾回波，在業(yè)務工作中，低仰角（0.5 °，1.5 °，2.4 °）的基本反射率產(chǎn)品更受人關注，需要著重分析這些仰角上徑向干擾的數(shù)據(jù)特征。

圖1 所示為柳州雷達2020 年1 月3 日兩個不同時次受到徑向干擾的2.4 ° PPI，圖1a 在267 °、268 °方位角存在距離庫長度不一致的兩條徑向干擾，其中268 °方位角從雷達中心一直到230 個距離庫處都存在干擾，而267 °方位角的干擾僅延伸到145 距離庫處，圖1b 是同日另一時次的干擾，這次干擾的方位角幅度更大，從270 °方位角一直到318 °方位角都存在干擾，其中277 °方位角的干擾僅延伸到145距離庫處。

圖1 柳州雷達2.4 °PPI a. 2020年1月3日00:36；b. 2020年1月3日03:00。

分析徑向干擾的反射率因子產(chǎn)品可以發(fā)現(xiàn)，由于距離訂正20lgR隨距離變化較小，所以徑向干擾回波在徑向相鄰庫差異較?。▓D2），干擾隨距離增加逐步增強，偶有較小的強度減弱，且大部分的徑向干擾回波是由相鄰方位角的干擾組成的一個干擾扇面。

圖2 柳州雷達徑向Z隨距離變化圖 a. 2020年1月3日00:36，受干擾方位角；b. 2020年1月3日03:00，部分受干擾方位角。

3.1.2 特征參數(shù)

反射率因子產(chǎn)品徑向干擾回波存在以下特征：

（1）單條的徑向干擾數(shù)據(jù)，干擾延伸幅度大、結(jié)構(gòu)緊密，反射率因子呈整體隨距離增加而增強的特點；

（2）各雷達的不同仰角的徑向干擾回波由多條組成連續(xù)的干擾扇面；

（3）徑向干擾從較近的距離開始延續(xù)，徑向干擾回波會連續(xù)多個方位角存在。

我們根據(jù)徑向干擾的特征，提出四個新的特征參數(shù)用于對其進行描述精確描述。使用1 個方位-距離庫為單位統(tǒng)計RDD 方法的特征參數(shù)，僅統(tǒng)計整條徑向上至少有1 個距離庫存在有效回波強度（干擾回波或非干擾回波）的徑向數(shù)據(jù)條，從訓練數(shù)據(jù)集中提取出了徑向干擾回波10 948 條，非徑向干擾回波124 592 條。四個新的特征參數(shù)CZ、CD、ME和SE的定義分別如式（2）～（7）：

式中，NR為反射率因子的距離庫數(shù)，Zj（單位：dBZ）為方位角上某距離庫的反射率因子，Val（單位：dBZ）為有效探測值，k為有效回波起始距離庫。

（1）全徑向回波計數(shù)CZ，表示每條徑向基本反射率因子產(chǎn)品≥-5 dBZ 以上強度回波的計數(shù)。從數(shù)據(jù)形狀形象的描述就是：有徑向干擾的數(shù)據(jù)比無徑向干擾的數(shù)據(jù)顯得更“滿”。識別出的干擾回波和非干擾回波的CZ概率分布見圖3a，其中徑向干擾回波長度為121～230 個距離庫不等，其峰值為227 個距離庫，共計1 025 條，占徑向干擾回波總條數(shù)的9.362%，次峰值為142 個距離庫，共計107 條，占徑向干擾回波總數(shù)的0.977%。還發(fā)現(xiàn)CZ 達不到總探測距離庫80%的徑向干擾回波共1 371條，占徑向干擾回波總數(shù)的12.523%，說明相對較短的徑向干擾回波也占一定比例；而非干擾回波的有效回波占據(jù)的距離庫較少。

（2）隨距離增長逆向計數(shù)CD，表示從雷達中心向遠端順序計算本距離位置與下一距離位置之間，回波強度是否發(fā)生減弱現(xiàn)象，當差異值≤-5 dBZ時計1次。從數(shù)據(jù)形狀形象的描述就是：有徑向干擾的數(shù)據(jù)隨距離增長越來越強。識別出的干擾回波和非干擾回波的CD概率分布見圖3b，干擾回波的CD 則呈現(xiàn)較緩和的山峰狀，其中CD∈[3,33]共10 288 條，占徑向干擾回波全體比例的93.972%，非干擾回波的CD 呈尖銳峰狀，計數(shù)為2的次數(shù)為峰值，共占總比例的21.2%。

（3）本徑向回波強度最大值，用符號ME表示，代表本條徑向數(shù)據(jù)回波強度的最大值。識別出的干擾回波和非干擾回波的ME 概率分布見圖3c，表明徑向干擾回波的最大值大于非干擾徑向回波的概率更高。

（4）回波開始位置，用符號SE 表示，代表本條徑向數(shù)據(jù)回波強度第一個≥-5 dBZ 出現(xiàn)的位置。識別出的干擾回波和非干擾回波的SE 概率分布見圖3d，SE 表明干擾回波大多數(shù)從第4～6 個距離庫處向遠端延伸。

圖3 干擾回波與非干擾回波的特征參數(shù)CZ(a)、CD(b)、ME(c)和SE(d)的概率分布

CZ和SE兩個指標，將之前杜言霞等[14]提出的“干擾電磁波較為穩(wěn)定，從較近的距離一直延續(xù)到雷達可探測到的最大距離處”，進行量化并形成指標，同時發(fā)現(xiàn)存在一定比例的干擾回波達不到探測距離的最大距離處，這類短長度徑向干擾回波達不到文浩等[16]反射率因子在當前徑向上的延展性達總徑向的80%的要求。CD 指標則是針對反射率因子產(chǎn)品逐5 dBZ 分級劃分回波等級的特點設計，與使用基數(shù)據(jù)識別和處理徑向干擾回波存在較大差異。

3.2 建模及訓練樣本檢驗

決策樹(Decision Tree）是一種可讀性很強的分類方法，有非常成熟的算法。根據(jù)166個訓練樣本數(shù)據(jù)，得到可根據(jù)單條徑向數(shù)據(jù)的特征從縱向判定徑向數(shù)據(jù)是否為“疑似徑向干擾回波”的決策樹模型（圖4）。

圖4 縱向“疑似徑向干擾”決策樹

假如僅依賴單條徑向數(shù)據(jù)進行判定，在臺風、冰雹、颮線、暴雨等強對流天氣過程時，某些正常的降水回波也會符合條件，可能會造成誤濾除。針對徑向干擾回波存在連續(xù)的方位角都受到影響，干擾回波呈“連片扇形”的特征，將這個扇面識別出來是解決大方位角徑向干擾回波識別的關鍵，所以需要增加從橫向判定徑向數(shù)據(jù)是否“像”干擾回波。

（1）將多條連續(xù)的“疑似徑向干擾回波”稱為“疑似徑向干擾回波塊”?！耙伤茝较蚋蓴_回波塊”定義為整塊數(shù)據(jù)是有連續(xù)的“疑似徑向干擾回波”，與該塊回波相鄰方位角的雷達數(shù)據(jù)是正?；夭ǎ▓D5）。本文查找“疑似徑向干擾回波塊”采用順時針查找，先找到第一條“疑似徑向干擾數(shù)據(jù)”將其命名為EI0，EI0逆時針方向前一條徑向數(shù)據(jù)命名為EI-1，然后按順時針方向依次找到下一條相鄰的“疑似徑向干擾回波”，直到最后一條“疑似徑向干擾數(shù)據(jù)”命名為EIn，EIn順時針方向的下一條數(shù)據(jù)為EIn+1，EI-1和EIn+1為正常回波，EI0順時針至EIn為“疑似徑向干擾數(shù)據(jù)”。

圖5 “疑似徑向干擾塊”示意圖

（2）使用“疑似徑向干擾回波塊”的EI0和EIn分別其相鄰近的EIn和EIn+1進行比較，通過相鄰兩條數(shù)據(jù)差異度判定是否真的徑向干擾回波塊。相鄰兩條數(shù)據(jù)差異度使用ED表示，以EI0和EI-1為例則可如（8）表示：

由于實際業(yè)務中由于完全遮擋等原因存在，一個回波塊的完全遮擋區(qū)邊緣會被誤判為EI-1或EIn+1，所以根據(jù)“疑似徑向干擾塊”組成的“疑似徑向干擾數(shù)據(jù)”條數(shù)不同采用不同的判定標準（圖6）：當“疑似徑向干擾塊”僅由一條“疑似徑向干擾數(shù)據(jù)”條組成時，使用雙側(cè)判定，即這條“疑似徑向干擾數(shù)據(jù)”與其順時針及逆時針方向的相鄰數(shù)據(jù)存在較大差異時判定這個“疑似徑向干擾塊”是真實的徑向干擾回波，當“疑似徑向干擾塊”由一條以上的條組成時，使用單側(cè)判定法，即EI0與EI-1或者EIn與EIn+1存在較大差異時，判定這個“疑似徑向干擾塊”是真實的徑向干擾回波，EI0與EI-1判的差異用ED0,1表示，EIn與EIn+1的差異用EDn,n+1表示。對于單條“疑似徑向干擾數(shù)據(jù)”ED0,1且EDn,n+1均＞0.3 則判定該條“疑似徑向干擾數(shù)據(jù)”為徑向干擾回波塊；對于多條“疑似徑向干擾數(shù)據(jù)”組成的“疑似徑向干擾塊”，若ED0,1且EDn,n+1均＞0.3 或ED0,1＞0.85 或EDn,n+1＞0.85 則判定該條“疑似徑向干擾塊”為徑向干擾回波塊。這里的判定的ED 閾值為經(jīng)驗值?！耙伤茝较蚋蓴_塊”若判斷為“真”，那么整塊徑向干擾數(shù)據(jù)進行濾除，加入“疑似徑向干擾塊”與其相鄰的正?；夭ㄟM行比對后，大幅度降低誤識別的風險。

圖6 “疑似徑向干擾塊”判定流程圖

3.3 檢驗評估標準

使用徑向數(shù)據(jù)判定法對雷達數(shù)據(jù)的徑向干擾回波進行識別和濾除，得到質(zhì)控后的拼圖產(chǎn)品，將其與不進行質(zhì)控最大值拼圖法產(chǎn)品進行比對，檢驗徑向數(shù)據(jù)判定法對徑向干擾回波的識別性能，由人工進行定性評估，輔助定量評估。

3.3.1 定性評估

定性檢驗評估由人工進行判定。為檢驗訓練數(shù)據(jù)集的識別效果，對單站干擾回波由幅度和強度進行定義，根據(jù)徑向干擾方位角的多寡，分為兩類：

小幅度干擾：該時次電磁干擾回波總數(shù)＜30條掃描數(shù)據(jù)；

大幅度度干擾：該時次電磁干擾回波總數(shù)≥30條掃描數(shù)據(jù)。

根據(jù)徑向干擾強度，分為三擋：

高強度干擾：該時次電磁干擾回波強度最大值≥30 dBZ；

中強度干擾：該時次電磁干擾回波強度15 dBZ＜最大值＜30 dBZ；

低強度干擾：該時次電磁干擾回波強度最大值≤15 dBZ。

識別和濾除效果一共分為五檔：完美：所有徑向干擾得到濾除；良好：濾除中、高強度干擾，剩余部分低強度干擾；

一般：濾除較多的主要的徑向干擾，剩余部分存在一定量的中、高強度干擾；

較差：存在較多的中、高強度干擾；

失?。簽V除識別失敗，未進行濾除；

誤濾除：當濾除算法將正?；夭▌h除時定義為誤濾除。

3.3.2 定量評估

定量評估主要檢驗使用RDD 方法后的拼圖與使用最大拼圖法后的拼圖之間的差異，用整體差異度TD進行評估：

式(9)中各變量定義如下：以拼圖區(qū)域（103～113 °E，19～27 °N，分辨率0.01 °）逐像素比對，若兩像素不同則差異總數(shù)（dif）加1，兩像素相同則無差異總數(shù)（sam）加1，TD 僅統(tǒng)計反射率因子≥-5 dBZ 的有效區(qū)域。TD 取值范圍為[0，1]，數(shù)值越小說明兩圖差異越小，若為0 則說明兩圖片沒有差異，為1則說明兩圖片沒有任何相似之處。定量評估僅用于驗證數(shù)據(jù)集檢驗，方便判定是否采用徑向判定數(shù)據(jù)法對存在差異的樣本進行深入分析。

4 訓練樣本檢驗

根據(jù)3.3.1 節(jié)的定性評估定義，人工判定使用徑向數(shù)據(jù)判定法濾除徑向干擾回波后與不使用任何濾除技術的最大值拼圖法拼圖[7]比較，訓練數(shù)據(jù)集的識別效果見表1。訓練數(shù)據(jù)集沒有發(fā)生誤識別和濾除現(xiàn)象，這是由于訓練數(shù)據(jù)集樣本的徑向干擾沒有混雜在降水回波中，且由于是使用全集進行建模所以識別效果顯得非常良好。

表1 訓練數(shù)據(jù)集徑向干擾回波識別濾除情況表

大幅度高強度樣本數(shù)總共91 份，占總樣本數(shù)的54.8%。其中共26 次（占此類樣本數(shù)28.6%，下同）完美濾除，34 次（37.4%）良好濾除，20 次一般濾除（21.9%），11次（12.1%）較差濾除，0次失敗濾除。完美濾除例子如2020 年1 月7 日13:12（圖7a1），濾除了影響南寧、柳州雷達的徑向干擾回波，得到?jīng)]有干擾的拼圖（圖7a2）；良好濾除例子如2020 年1 月3 日03:18（圖7b1），濾除了南寧、桂林、柳州、梧州、玉林雷達的徑向干擾回波，僅北海雷達西北側(cè)有多條短徑向干擾回波未能濾除（圖8b2）。

大幅度中強度共1 次（20%）較差濾除，4 次（80%）失敗濾除。2020 年1 月4 日05:00（圖7c1，7c2）是一次失敗濾除例子，屬于罕見的干擾類型，各徑向干擾多次不連續(xù)，RDD算法未能正確識別。

小幅度高強度共11 次（78.6%）完美濾除，3 次（11.4%）良好濾除。這類干擾回波由于幅度小，強度強，RDD 均能較好識別和濾除，如2020 年1 月4日12:54（圖7d1、7d2），通過濾除柳州雷達的徑向干擾回波，得到?jīng)]有干擾的拼圖。

小幅度中強度共17 次（85%）完美濾除，2 次（10%）良好濾除，1 次（5%）一般濾除。這類干擾回波濾除情況類似小幅度高強度干擾。

小幅度低強度共22 次（61.1%）完美濾除，6 次（16.7%）一般濾除，1 次（27.6%）較差濾除（2.8%），7 次（19.4%）失敗濾除。這類干擾由于幅度小，強度弱，RDD 方法識別率較低。如圖7e1、7e2所示，2020 年1 月12 日23:42，桂林、柳州雷達東南側(cè)各存在一條較弱的干擾回波帶，由于干擾回波太弱，不符合徑向數(shù)據(jù)判斷法中ME的定義，故未能識別和濾除。

圖7 2020年1月7日13:12（a1、a2）、1月3日03:18（b1、b2）、1月4日05:00（c1、c2）、1月4日12:54（d1、d2）、1月12日23:42（e1、e2）訓練樣本檢驗示例

5 應用驗證分析

由于用于建模的樣本都沒有大面積降水回波，為了檢驗RDD 方法的泛化能力，特別是干擾回波混雜在降水回波內(nèi)時的識別和濾除能力，我們從2019—2020 年不同天氣過程篩選了共3 784時次的樣本進行應用檢驗，這些天氣過程包括冰雹、臺風、暴雨、颮線等強對流天氣過程和1次冬季晴朗天氣過程，各過程時間跨度為2～3 d，序號2、3有部分時次雷達數(shù)據(jù)缺失。表2 給出驗證數(shù)據(jù)集徑向干擾回波識別濾除檢驗結(jié)果，其中“不能確認”為RDD 方法客觀判斷為存在徑向干擾并濾除，但經(jīng)過人工識別，發(fā)現(xiàn)干擾回波面積極小，濾除前后的拼圖幾乎無差別的樣本。表2 中CSI 為臨界成功指數(shù)，定義如式（10），

表2 驗證數(shù)據(jù)集徑向干擾回波識別濾除情況表

式中NALL為所有參與評估的樣本數(shù)，NA 為正確識別的樣本數(shù)，對于“同時有正確濾除和誤濾除”和“不能確認”計0.5次NA。

我們選擇一些有特點的樣本對驗證效果進行說明。

例1：2019 年8 月30 日17:30，本次拼圖（圖8a1，8a2）崇左雷達因干擾產(chǎn)生嚴重的徑向干擾現(xiàn)象，多條徑向干擾數(shù)據(jù)無規(guī)律分布在各方位角。該時次崇左雷達南部為臺風“楊柳”外圍云帶，雷達站其他幾個方位存在面積不同的破碎回波塊，干擾回波和正?；夭ɑ祀s在一起，若不進行干擾回波的識別和濾除，那么在客觀系統(tǒng)中會嚴重破壞QPE/QPF。RDD 方法對于混雜在降水回波中的徑向干擾回波進行有效識別和濾除干擾回波，僅崇左雷達西北側(cè)殘余一條窄且弱的徑向干擾回波未被濾除，原因是這條干擾徑向回波是強徑向干擾回波的很弱的次生回波，不符合RDD方法。

例2：2019年6月29日11:24，柳州雷達西側(cè)為一塊帶狀回波，有一條向西北側(cè)延伸的徑向干擾回波貫穿其中（圖8b1白色箭頭指示），這條干擾回波被正確識別出來，濾除后的拼圖沒有對正常回波造成破壞（圖8b2）。

例3：2019 年8 月1 日04:12，從南寧雷達向東北側(cè)延伸的徑向干擾回波貫穿大面積降水回波（圖8c1白色箭頭指示），這條干擾回波也被正確識別出來并進行刪除，但是本例中在拼圖東側(cè)有極小一部分正常的回波被誤濾除（紅色方框區(qū)域內(nèi)），這是由于梧州雷達東側(cè)是一個大方位角的完全遮擋區(qū)，這個遮擋的存在對徑向數(shù)據(jù)判定法造成了破壞。

例4：2020年1月25日10:24，防城港雷達和南寧雷達西側(cè)各有一組徑向干擾回波且混雜在降水回波中（圖8d1白色箭頭所指位置），被正確識別出來和濾除，濾除后的拼圖未影響正常降水回波。值得注意的是，這一樣本并沒有在166個訓練樣本中出現(xiàn)，說明這一時次大面積降水回波中蘊含的兩條微弱干擾回波不太明顯，人工主觀沒有標注出來，但是客觀模型能精確找出。

例5：2019 年8 月1 日05:00，人工判定本次拼圖不存在徑向干擾回波，但是RDD 誤將南寧雷達西側(cè)一個方位角的回波誤濾除（圖8e1白色箭頭所指位置），同時被誤濾除的還有梧州雷達東側(cè)的極小一部分降水回波誤濾除了（圖8e1紅色方框區(qū)域內(nèi)），原因同例3，這是3 784個樣本中誤識別、誤濾除比例最高的一個樣本，TD=2.25%，僅為有效回波區(qū)域的一小部分，梧州雷達東側(cè)被誤濾除的回波因為有其他仰角的反射率因子進入拼圖產(chǎn)品，該區(qū)域的影響效果是回波偏弱，不影響拼圖整體效果，是一種可接受的損失。

圖8 2019年8月30日17:30（a1、a2），2019年6月29日11:24（b1、b2）、2019年8月01日04:12（c1、c2）、2020年1月25日10:24（d1、d2）、2019年8月1日05:00（e1、e2）驗證數(shù)據(jù)集檢驗示例

對表2做進一步分析：

（1）RDD方法能較好地識別徑向干擾回波，識別準確率高，在6 種天氣過程中，平均CSI 為0.932。正確濾除和同時存在正確濾除樣本共390次，占總樣本10.3%，說明選擇的樣本時段，拼圖受干擾的概率較高。任一部雷達受干擾是一個概率事件，當多部雷達進行組網(wǎng)拼圖時，任一時次拼圖受干擾的概率則由組網(wǎng)雷達受干擾的聯(lián)合概率影響。這也說明開展徑向干擾識別和濾除非常有必要；

（2）誤濾除的樣本共175 次，占總樣本4.62%，這些樣本按時序排列見圖9，共12 次樣本誤濾除面積超過當時次回波面積的1%。最大一次占當時回波面積的2.25%（圖8e），相當于拼圖區(qū)域的0.55%。由于廣西自然地形、建筑的雷達完全遮擋區(qū)是造成本類誤濾除的主要原因；

圖9 誤濾除回波與拼圖回波比例

（3）人工無法通過肉眼區(qū)分存在差異的拼圖樣本是否存在徑向干擾共90 次，占總樣本2.38%，這些差異占回波面積非常小，有無干擾都不影響使用。

以上分析表明RDD 方法能較好地識別和濾除徑向干擾回波，識別率高。訓練數(shù)據(jù)集沒有包含降水回波，驗證數(shù)據(jù)集由于主要從強對流天氣中選擇，包含很大比例的降水回波。訓練數(shù)據(jù)集和驗證數(shù)據(jù)集屬于相關性較差的不同數(shù)據(jù)集，并且驗證數(shù)據(jù)集數(shù)量遠遠超過訓練數(shù)據(jù)集，這說明RDD 方法具有良好的泛化能力，能有效在業(yè)務系統(tǒng)中進行應用。

6 結(jié)論和討論

徑向干擾回波存在一定的特征，有些特征如“從較近的距離開始”、“連片”等未進一步在識別和濾除研究中進行應用，本文根據(jù)徑向干擾回波的數(shù)據(jù)形狀特征將其量化，設計一種對徑向干擾回波進行簡明高效的識別和濾除的方法：RDD法。RDD 法提出全徑向回波計數(shù)、隨距離增長逆向計數(shù)、本徑向回波強度最大值和回波開始位置等4個新的統(tǒng)計參數(shù)，先通過決策樹模型確定疑似徑向干擾回波，再將疑似徑向干擾回波連片進行整體識別，效果評估結(jié)果如下。

（1）RDD 方法通過縱向和橫向?qū)Ψ瓷渎室蜃訑?shù)據(jù)形狀進行識別，不預設識別方位角閾值，能夠有效識別出大幅度的徑向干擾回波，且發(fā)現(xiàn)廣西新一代天氣雷達存在一定比例之前學者未提及的較短長度的徑向干擾回波。

（2）RDD 方法對徑向干擾沒有混雜在大面積降水回波中的166個訓練樣本，沒有發(fā)生誤識別和濾除現(xiàn)象，其中大幅度高強度樣本28.6%完美濾除，37.4%良好濾除，21.9%一般濾除，12.1%較差濾除，0次失敗濾除。訓練數(shù)據(jù)集的識別效果很好。

（3）RDD 方法對5 次徑向干擾混雜在降水回波中的降水過程、1 次非降水過程共3 784 個檢驗樣本，能正確濾除徑向干擾樣本390 次，占總樣本10.3%，誤濾除樣本175 次，占總樣本4.62%，絕大多數(shù)誤識別造成的正?；夭〒p失小于當時次回波面積的1%，僅有12個樣本超過當時次回波面積的1%。RDD 方法的正確識別率高，誤識別率損失小。

（4）RDD 方法具有良好的泛化能力，具有良好的業(yè)務應用前景。

（5）RDD 方法誤識別主要是由于廣西地形造成的遮擋引起。

本文討論的徑向數(shù)據(jù)判定法僅從單仰角產(chǎn)品進行判定，由于雷達逐仰角掃描產(chǎn)品在空間上是連續(xù)的，可以考慮將相鄰仰角的產(chǎn)品一起考慮，這樣在縱、橫兩個方向的基礎上增加了上、下方向數(shù)據(jù)判定，數(shù)據(jù)使用維度提升到3D，可以進一步增強識別準確率。同時正確的識別出雷達的自然環(huán)境和建筑物遮擋區(qū)是進一步研究的基礎，遮擋區(qū)識別算法已經(jīng)有很好的研究可以借鑒[20-21]。具體模型的建立是我們下一步研究的方向。