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(dá)成像與微波光子技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室, 江蘇 南京 210016;2. 中國(guó)航空工業(yè)集團(tuán)公司雷華電子技術(shù)研究所, 江蘇 無錫 214063)

0 引 言

氣象雷達(dá)在災(zāi)害性天氣探測(cè)、降雨量估計(jì)等領(lǐng)域扮演著不可或缺的作用。早期的多普勒氣象雷達(dá)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(dá)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(tuán)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(jìn)了定量估計(jì)降水和云中水凝物粒子相態(tài)識(shí)別的發(fā)展。

當(dāng)雷達(dá)工作在低仰角掃描模式時(shí),雷達(dá)天線的主瓣或旁瓣照射到地面上的物體時(shí)會(huì)接收到地面物體的回波信息,因此近地點(diǎn)受到地雜波污染極其嚴(yán)重。盡管在極化參數(shù)計(jì)算時(shí)會(huì)對(duì)地雜波進(jìn)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(hào)中的昆蟲、飛鳥等生物雜波也將影響雷達(dá)觀測(cè)資料的數(shù)據(jù)質(zhì)量。

近年來,國(guó)內(nèi)外對(duì)于天氣信號(hào)檢測(cè)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(cè)地雜波與天氣信號(hào),通過假設(shè)輸入測(cè)量值的條件概率為高斯分布,得到判別函數(shù)來檢測(cè)天氣信號(hào)。Rico-Ramirez等人提出了一種新的紋理函數(shù)計(jì)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(hào)。Cao等人和Li等人提出了用4個(gè)判別函數(shù)對(duì)天氣信號(hào)檢測(cè)的頻譜雜波識(shí)別算法。Wang提出了一種深度學(xué)習(xí)方法識(shí)別降水云,將天氣信號(hào)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(cè)天氣信號(hào)。Gauthreaux等人利用氣象雷達(dá)專門研究昆蟲與鳥類的遷徙,由隨機(jī)森林算法將氣象雷達(dá)回波分類為天氣信號(hào)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(cè)和圖像識(shí)別領(lǐng)域已經(jīng)被證實(shí)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(shí)別方法,其在降雪、降雨、冰雹的識(shí)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(dá)數(shù)據(jù)識(shí)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(shí)現(xiàn)了利用CNN對(duì)于對(duì)流風(fēng)暴的探測(cè)與即時(shí)預(yù)報(bào)。Ran等人根據(jù)雷達(dá)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(shí)別新方法,得到了可靠的識(shí)別結(jié)果。

本文根據(jù)WSR-88D雙極化氣象雷達(dá)觀測(cè)資料,通過對(duì)天氣信號(hào)特征的研究,提出了基于RCNN天氣信號(hào)檢測(cè)方法。該方法首先將雙極化氣象雷達(dá)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(hào)與雜波信號(hào)。然后,開發(fā)并優(yōu)化了一種RCNN對(duì)天氣信號(hào)進(jìn)行檢測(cè),并對(duì)比了支持向量機(jī)(support vector machine, SVM)、經(jīng)典CNN等方法的檢測(cè)效果。最后,通過多次實(shí)測(cè)數(shù)據(jù),驗(yàn)證了所提方法在不同仰角、不同時(shí)刻對(duì)天氣信號(hào)的檢測(cè)效果。

1 數(shù)據(jù)模型

本文中所用到的雷達(dá)觀測(cè)資料為美國(guó)俄克拉荷馬州KTLX雙極化氣象雷達(dá)的觀測(cè)資料,其雷達(dá)主要工作模式如圖1所示。

圖1 雷達(dá)工作模式Fig.1 Radar operating mode

雙極化氣象雷達(dá)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(jìn)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(dá)照射距離。

雙極化氣象雷達(dá)可以同時(shí)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(shí)介質(zhì)的非均勻分布,不同極化信號(hào)的衰減和相移會(huì)不同,因此可以計(jì)算出兩種極化波的衰減差和相移差,由此便可計(jì)算得出極化參數(shù),以下將具體介紹雙極化氣象雷達(dá)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(duì)反射率因子有不同影響。當(dāng)雙極化氣象雷達(dá)發(fā)射水平極化波時(shí),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(chǎng)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(shí)偏扁,因此較大;小冰雹由于其下降時(shí)隨機(jī)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(dá)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(dá)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(huì)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(hào)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(dá)式為

=-

(5)

式中:、分別為雷達(dá)發(fā)射水平和垂直極化波時(shí)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(dá)定標(biāo)的優(yōu)勢(shì),由于不是雙極化氣象雷達(dá)的直接測(cè)量參數(shù),通常使用的定義對(duì)其進(jìn)行重構(gòu),其重構(gòu)公式為

(6)

式中：、分別代表雷達(dá)徑向上兩個(gè)距離庫與雷達(dá)之間的距離(>)。

2 基于RCNN的天氣信號(hào)檢測(cè)

本文采用RCNN檢測(cè)天氣信號(hào)與雜波信號(hào),并制作大量由天氣信號(hào)與雜波信號(hào)組成的數(shù)據(jù)集對(duì)所提出網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)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(dòng)提取層次化的特征,并以端到端的方式完成分類,提供一個(gè)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(duì)原始數(shù)據(jù)帶來的破壞，并且通過池化,可以對(duì)原始數(shù)據(jù)進(jìn)行采樣壓縮,降低計(jì)算復(fù)雜度。因此,RCNN已經(jīng)成為圖像識(shí)別和語音識(shí)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(dá)觀測(cè)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(gè)極化參數(shù)類比為圖像的紅綠藍(lán)通道,每個(gè)通道存儲(chǔ)一個(gè)極化參數(shù)的二維矩陣數(shù)據(jù)。因此，將4個(gè)極化參數(shù)矩陣進(jìn)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(shí)別,雷達(dá)回波數(shù)據(jù)中不僅包含天氣信號(hào),而且還包含雜波信號(hào),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(gè)大小為4×KL×KL小矩陣塊,將每個(gè)矩陣塊標(biāo)記為天氣信號(hào)或雜波信號(hào)。在標(biāo)記數(shù)據(jù)時(shí),考慮到氣象雷達(dá)回波數(shù)據(jù)的稀疏性,一個(gè)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(diǎn)個(gè)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(hào)又含有雜波信號(hào),為了保證數(shù)據(jù)集包含盡可能少的噪聲,本文將占比達(dá)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(diǎn)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(jìn)來,具體實(shí)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(shí)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(shí)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(gè)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(shí),輸出值等于輸入值;當(dāng)輸入值小于零時(shí),輸出為零。

2.3 RCNN結(jié)構(gòu)

本文提出的基于RCNN的天氣信號(hào)檢測(cè)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(tái),構(gòu)建了基于RCNN的天氣信號(hào)檢測(cè)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(shí),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(gè)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(gè)殘差模塊、一層全連接層和一個(gè)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(gè)殘差模塊后經(jīng)平均池化,得到128個(gè)大小為1×1的特征向量。最后,用Softmax分類器進(jìn)行分類。網(wǎng)絡(luò)具體參數(shù)如下所示，其中，@(×),表示卷積核個(gè)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(hào)檢測(cè)算法

本文提出了雙極化氣象雷達(dá)天氣信號(hào)檢測(cè)算法,以雙極化氣象雷達(dá)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(jìn)行數(shù)據(jù)集制作,并基于所提出的RCNN對(duì)天氣信號(hào)檢測(cè),得到檢測(cè)后的天氣信號(hào)和雜波信號(hào)。由于訓(xùn)練模型需要大量帶標(biāo)簽數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練驗(yàn)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(dá)觀測(cè)資料中具有典型天氣信號(hào)特征的數(shù)據(jù),通過制作的數(shù)據(jù)集對(duì)所提出的RCNN網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試,來提高模型對(duì)天氣信號(hào)檢測(cè)的性能。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)配置

實(shí)驗(yàn)中CPU采用Intel Core i7-10700k, GPU采用NVIDIA Geforce 2080Ti。本文對(duì)所提出的RCNN采用隨機(jī)梯度下降方法進(jìn)行訓(xùn)練,設(shè)置批次大小為128,采用帶動(dòng)量的梯度下降法來訓(xùn)練模型,其中動(dòng)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(shí)驗(yàn)中選取2019～2020年俄克拉荷馬州S波段KTLX雙極化氣象雷達(dá)平臺(tái)采集的觀測(cè)資料,對(duì)所提出的算法進(jìn)行評(píng)估。

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

(9)

(10)

(11)

式中:TP表示將天氣信號(hào)正確識(shí)別;FN為將天氣信號(hào)誤判為雜波信號(hào);FP為將雜波信號(hào)誤判為天氣信號(hào);TN表示雜波信號(hào)正確識(shí)別。

3.2 算法性能測(cè)試

本文主要從以下幾個(gè)方面對(duì)算法的性能進(jìn)行測(cè)試,以驗(yàn)證基于RCNN的天氣信號(hào)檢測(cè)方法的有效性。實(shí)驗(yàn)1對(duì)比不同訓(xùn)練率下本文所提出的RCNN檢測(cè)準(zhǔn)確率以及CNN、SVM等方法的檢測(cè)準(zhǔn)確率。實(shí)驗(yàn)2選取一次實(shí)際雷達(dá)觀測(cè)資料對(duì)不同方法的檢測(cè)效果進(jìn)行評(píng)估。實(shí)驗(yàn)3測(cè)試了RCNN對(duì)不同仰角實(shí)測(cè)數(shù)據(jù)的檢測(cè)效果。實(shí)驗(yàn)4分析了模型對(duì)2020年不同月份天氣信號(hào)的檢測(cè)性能。

對(duì)比RCNN、CNN、SVM對(duì)天氣信號(hào)的檢測(cè)效率

為了驗(yàn)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(hào)與雜波信號(hào),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(yàn)證集以及測(cè)試集來訓(xùn)練模型。本文均使用8%的訓(xùn)練率對(duì)SVM分類器以及優(yōu)化后的CNN網(wǎng)絡(luò)進(jìn)行比較,其測(cè)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%。可以看出,RCNN僅用2%的訓(xùn)練率就可以達(dá)到CNN與SVM訓(xùn)練率為8%時(shí)的準(zhǔn)確率,這說明本文所設(shè)計(jì)的RCNN可以更好地提取極化參數(shù)中所含天氣信號(hào)的特征,在檢測(cè)準(zhǔn)確率上表現(xiàn)出了較大優(yōu)勢(shì)。RCNN的優(yōu)勢(shì)在于模型中含有捷徑連接,可加深網(wǎng)絡(luò)層數(shù),實(shí)現(xiàn)梯度信息向深層傳遞,從而抑制梯度消失,提高檢測(cè)準(zhǔn)確率。各模型其最終檢測(cè)準(zhǔn)確率如表2所示。

表2 不同方法檢測(cè)準(zhǔn)確率對(duì)比Table 2 Detection accuracy comparison of different methods

對(duì)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(cè)準(zhǔn)確率不斷提高,當(dāng)訓(xùn)練率為8%時(shí),準(zhǔn)確率最高,達(dá)到了99.22%,此時(shí)測(cè)試集的虛警概率為=0.012 5,而檢測(cè)概率為=0.996 2,進(jìn)一步體現(xiàn)了模型的性能。

各方法在實(shí)測(cè)數(shù)據(jù)上性能對(duì)比

為了驗(yàn)證模型在實(shí)測(cè)數(shù)據(jù)上的性能,本文選取了2019年5月1日0時(shí)2分KTLX雷達(dá)實(shí)測(cè)的一次降雨過程對(duì)模型進(jìn)行測(cè)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(gè)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(cè)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(hào)誤判為雜波信號(hào);對(duì)比圖8(b)和圖8(f),CNN方法在天氣信號(hào)與雜波信號(hào)的交界處,當(dāng)天氣信號(hào)與雜波信號(hào)相互摻雜時(shí),在黑色矩形和圓圈處有著明顯誤判,這說明RCNN方法對(duì)于雜波信號(hào)與天氣信號(hào)交界處的檢測(cè)效果更佳;對(duì)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(cè)準(zhǔn)確率不斷提高,檢測(cè)效果逐漸趨于最優(yōu)。因此,將RCNN作為天氣信號(hào)的檢測(cè)方法是較好的選擇。

圖8 不同方法實(shí)測(cè)數(shù)據(jù)檢測(cè)效果Fig.8 Detection effect of measured data of different methods

RCNN模型對(duì)不同仰角數(shù)據(jù)檢測(cè)性能對(duì)比

本文利用所提出的算法對(duì)于2020年1月10日13時(shí)55分仰角分別為0.5°、1.5°、2.4°、3.4°的數(shù)據(jù)進(jìn)行測(cè)試,圖9顯示了具體的測(cè)試結(jié)果。在測(cè)試時(shí),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(shí)僅選取0.5°仰角的數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練和測(cè)試,但從圖9可以看出,RCNN模型對(duì)于其余仰角的實(shí)測(cè)數(shù)據(jù)均有良好的檢測(cè)效果。并且,可以明顯看出,隨著仰角的增加,雜波信號(hào)不斷減小,這也進(jìn)一步印證了本文所提出的RCNN天氣信號(hào)檢測(cè)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(cè)試結(jié)果Fig.9 Test results of different elevation angles

RCNN模型對(duì)2020年不同月份數(shù)據(jù)檢測(cè)效果

為了驗(yàn)證模型在新的雷達(dá)觀測(cè)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(gè)月份氣象信息最為強(qiáng)烈的觀測(cè)數(shù)據(jù)進(jìn)行測(cè)試,結(jié)果如圖10所示。

圖10 2020年不同月份測(cè)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(shí)所選取的數(shù)據(jù)僅為KTLX雷達(dá)2018年的觀測(cè)資料,但是所訓(xùn)練模型在2020年不同月份新的時(shí)間段內(nèi)也展現(xiàn)出了良好的檢測(cè)性能,不論是acc還是均有一個(gè)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(duì)當(dāng)月數(shù)據(jù)的檢測(cè)概率低于90%。總的來說,RCNN模型在新的時(shí)間段上表現(xiàn)出了良好的檢測(cè)性能,可很好地從雙極化氣象雷達(dá)回波中將天氣信號(hào)檢測(cè)出來。

4 結(jié) 論

本文提出了基于RCNN的雙極化氣象雷達(dá)回波天氣信號(hào)檢測(cè)算法用來檢測(cè)天氣信號(hào),使用4個(gè)雙極化氣象雷達(dá)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(shí)驗(yàn)結(jié)果表明,與SVM、CNN等方法相比,本文所提出的RCNN方法對(duì)于天氣信號(hào)的識(shí)別準(zhǔn)確率更高,在雜波和天氣信號(hào)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(shí)測(cè)數(shù)據(jù)上均表現(xiàn)出了良好的檢測(cè)性能。但是，在分割極化參數(shù)制作數(shù)據(jù)集時(shí)破壞了原始數(shù)據(jù)結(jié)構(gòu)和相關(guān)性,可能會(huì)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。