高原气象

高原气象 >

2026 , Vol. 45 >Issue 2: 573 - 584

DOI: https://doi.org/10.7522/j.issn.1000-0534.2025.00089

基于Transformer架构的X波段双偏振雷达回波衰减订正研究

  • 张远康 , 1, 2 ,
  • 胡志群 , 2 ,
  • 郑佳锋 3 ,
  • 王丽荣 4
展开
  • 1. 成都信息工程大学大气科学学院，四川 成都 610225
  • 2. 中国气象科学研究院灾害天气科学与技术全国重点实验室，北京 100081
  • 3. 成都信息工程大学电子工程学院，四川 成都 610225
  • 4. 河北省气象灾害防御和环境气象中心，河北 石家庄 050021
胡志群（1968 -）， 男， 江西吉安人， 研究员， 主要从事雷达气象研究. E-mail：

张远康（2000 -）， 男， 四川广安人， 硕士研究生， 主要从事雷达气象研究. E-mail：

收稿日期: 2025-04-11

  修回日期: 2025-07-22

  网络出版日期: 2025-10-20

基金资助

中国气象局高影响天气（专项）重点开放实验室项目(2024-K-02)

河北省自然科学基金项目(D2024304002)

中国气象局水文气象重点开放实验室开放研究课题(23SWQXM007)

中国气象局创新发展专项(CXFZ2025J106)

中国气象局创新发展专项(CXFZ2024J001)

灾害天气科学与技术全国重点实验室自主研究课题(2025QZA03)

收起

Study on X-band Dual Polarization Radar Echo Attenuation Correction Based on Transformer Architecture

  • Yuankang ZHANG , 1, 2 ,
  • Zhiqun HU , 2 ,
  • Jiafeng ZHENG 3 ,
  • Lirong WANG 4
Expand
  • 1. College of Atmospheric Sciences，Chengdu University of Information Technology，Chengdu 610225，Sichuan，China
  • 2. State Key Laboratory of Disaster Weather Science and Technology，CAMS，Beijing 100081，China
  • 3. College of Electronic Engineering，Chengdu University of Information Technology，Chengdu 610225，Sichuan，China
  • 4. Hebei Provincial Meteorological Disaster Prevention and Environmental Meteorology Center，Shijiazhuang 050021，Hebei，China

Received date: 2025-04-11

  Revised date: 2025-07-22

  Online published: 2025-10-20

Copyright

© Editorial Department of Plateau Meteorology （CC BY-NC-ND）
Fold

摘要

X波段天气雷达的衰减效应严重制约其探测精度。本研究基于Transformer设计了一个X波段雷达衰减订正架构XCORnet， 将北京大兴S波段新一代天气雷达（CINRAD/SAD）数据作为真值， 时空匹配北京房山X波段双偏振雷达（XPOL）观测的反射率因子Z H、 差分反射率因子Z DR， 分别匹配2642624、 2605583组样本。基于该数据集与XCORnet架构， 训练Z H和Z DR的衰减订正模型， 并用测试集评估。结果表明， 人工智能模型显著优于传统方法。Z H订正， 模型将SAD与XPOL的比率偏差（BIAS）从0.875提升至0.972， 优于经验公式订正后的0.901， 均方根误差（RMSE）由8.693 dB降至5.811 dB， 提升33.15%， 而经验公式订正后仅降至6.820 dB， 提升21.54%。Z DR订正， 模型将SAD与XPOL的BIAS从0.862提升至1.141， 优于经验公式的过量订正（BIAS=1.273）， RMSE由1.679 dB降至0.972 dB， 提升42.10%， 经验公式订正后降至1.382 dB， 提升17.69%。平均绝对误差（MAE）模型订正同样较传统方法有明显优势。三个个例应用进一步验证了模型的稳定性和泛化能力。

关键词： X波段双偏振雷达; 衰减订正; 深度学习; Transformer架构

本文引用格式

张远康 , 胡志群 , 郑佳锋 , 王丽荣 . 基于Transformer架构的X波段双偏振雷达回波衰减订正研究[J]. 高原气象, 2026 , 45(2) : 573 -584 . DOI: 10.7522/j.issn.1000-0534.2025.00089

Abstract

Attenuation effects in X-band weather radar significantly constrain its detection accuracy.Traditional attenuation correction methods typically rely on empirical formulas with limited parameters and poor generalization capability， leading to significant uncertainty in the correction results.In recent years， deep learning algorithm with powerful nonlinear fitting capacity has emerged as a promising technical approach to overcome the limitations of conventional methods.Based on the Transformer's underlying framework， this study develops an X-band radar attenuation correction architecture named as XCORnet.Utilizing the observational data from the upgraded polarimetric S-band Next Generation Weather Radar （CINRAD/SAD） at Beijing Daxing in 2023 -2024 flood season as truth， the horizontal reflectivity （Z H） and differential reflectivity （Z DR） measurements in corresponding range bins from the Beijing Fangshan X-band dual-polarization radar （XPOL） are spatially and temporally matched.These matched XPOL observations of Z H， Z DR along with specific differential phase （K DP） are incorporated to construct the AI training dataset， in which 2642624 samples for Z H and 2605583 samples for Z DR， respectively.The dataset is partitioned with 80% for training and 20% for testing.Within the XCORnet framework， the models with K DP as the primary feature input for Z H and Z DR attenuation correction are trained， respectively.And then， two XCORnet-based models are evaluated by means of the test set.The results demonstrate that the AI-based model outperforms traditional methods significantly.For Z H correction， the ratio bias （BIAS） of XPOL to SAD are from original 0.875 to model-based correction 0.972， surpassing the empirical formula-based 0.901.The root mean square error （RMSE） are reduced from original 8.693 to model-based 5.811 dB with a 33.15% improvement， whereas the empirical formula only reduced it to 6.820 dB （with a 21.54% improvement）.For Z DR correction， the BIAS are from original 0.862 to model-based 1.141， outperforming the over-correction of empirical formula-based （1.273）.The RMSE decreased from original 1.679 to model-based 0.972 dB （with a 42.10% improvement）， compared to the empirical formula-based reduction only 1.382 dB （with a 17.69% improvement）.For Z H correction， the mean absolute error （MAE） improves from 6.292 to 4.222 dB （with a 32.89% improvement）， whereas the empirical formula only reduces it to 5.113 dBZ （with a 18.73% improvement）.For Z DR correction， the MAE decreases from original 1.271 to model-based 0.697 dB （with a 45.16% improvement）， compared to the empirical formula-based reduction only to 1.008 dB （with a 20.69% improvement）.The MAE with model correction also showed distinct advantages over that with traditional methods.Three cases further validate the stability and generalization capability of AI-based correction.

Key words： X-band dual-polarization radar; attenuation correction; deep learning; Transformer architecture

1 引言

随着中国气象监测预警补短板工程的全面实施， 全国范围内计划布设逾2000部各型X波段双偏振天气雷达。相比传统C/S波段雷达， X波段雷达凭借其更精细化的探测能力， 在中小尺度天气系统监测方面展现出显著优势。特别是双偏振技术的引入， 通过获取差分反射率（Z DR）、 差传播相移率（K DP）等多维参量， 大幅提升了降水粒子相态识别精度和短临预报能力（Matrosov et al， 2002； 刘亚男等， 2012； Thompson et al， 2018）。然而， X波段电磁波在大气传输过程中易受降水粒子散射和吸收作用影响， 导致信号衰减较C/S波段更为显著（张培昌等， 2002）， 这使得衰减订正技术成为制约X波段雷达业务化应用的核心问题。
早期针对单偏振雷达的回波强度（Z）与衰减率（A H）的经验关系法（A H=aZ b）因采用固定经验系数， 难以适应降水粒子时空分布的异质性（张培昌和王振会， 2001）。双偏振雷达虽可通过K DP这一对衰减不敏感参数构建A H-K DP关系法（Bringi et al， 1990； Carey et al， 2000； Zrnic et al， 2006）， 但K DP受噪声影响较大， 订正效果不稳定： ZPHI算法因分段订正时采用全局固定系数导致稳定性不足（Testud et al， 2000）； 自适应算法虽引入雨滴谱和粒子形态的动态调整机制， 但在差分相位（ΦDP）出现不连续时， 将影响整个区间的衰减订正效果（Bringi et al， 2001）。何宇翔等（2009）引入卡尔曼滤波方法剔除雷达信号的高频噪声和后向传播相移， 得到更真实的K DP， 基于A H-K DP关系法对层状云降水衰减进行订正， 但本质上仍未突破经验系数的静态约束。胡志群等（2008）指出， 在实际雷达探测工作中， K DP订正法一般优于Z H订正法， 但K DP很小时会产生较大的误差， 综合考虑两种方法的优缺点， 提出了Z H-K DP综合订正法， 但其还是基于固定系数的经验公式进行衰减订正。毕永恒等（2012）基于Park et al（2005）的研究结果， 改进了自适应约束方法， 但在远距离处出现过订正的情况。近年来机器学习技术的引入为衰减订正提供了新思路， Yang et al（2023）基于LightGBM算法构建的动态模型已展现出优于传统方法的性能， 但其与传统物理约束方法的耦合机制及远距离订正精度仍需深入探索。
近年来， 深度学习技术凭借其多层次特征提取能力与非线性映射优势， 在气象大数据建模方面展现出独特价值， 在雷达气象领域也取得了一系列成果： 皇甫江等（2022）通过融合CINRAD/SAD双偏振雷达与地面雨量计多源数据， 基于深度学习算法分别训练了单参量、 多参量的雷达定量降水估测模型， 结果明显优于传统的经验公式法； Yin et al（2021）创新性地采用卷积神经网络构建垂直填补和水平填补网络架构， 有效填补偏振雷达遮挡区域回波， 填补效果较传统的廓线法有明显提升； 王善昊等（2024）开发的ConvLSTM多通道外推模型， 较传统的光流法等有效提升了雷达回波外推的准确度。这些实践表明， 深度学习不仅能有效挖掘雷达参量间的高维非线性关系， 还可通过端到端训练机制突破传统物理模型的参数化约束。
尽管深度学习在雷达气象领域已取得突破性进展， 但缺乏在X波段雷达衰减订正这一关键问题上的应用研究。为此， 本研究基于以DeepSeek为代表的大模型底层Transformer架构提出了X波段雷达衰减订正网络架构XCORnet， 利用北京相邻的房山X波段偏振雷达（XPOL）、 大兴S波段新一代天气雷达（SAD）资料构建的数据集， 训练衰减订正模型， 对房山XPOL的水平反射率因子（Z H）和差分反射率因子（Z DR）进行衰减订正， 用多个评价指标对模型订正效果进行评估和检验， 效果明显优于传统方法的订正方法。

2 数据集构建

2.1　数据来源

本研究所用双偏振雷达数据由北京地区两部不同型号雷达同步观测获取。其中， 房山XPOL（站号ZA001）位于116.19°E， 39.69°N， 大兴SAD（站号Z9010）位于116.47°E， 39.81°N， 两站直线距离约27.4 km， 均采用机械扫描式速调管发射机及双发双收极化体制， 具备反射率因子（Z H）、 径向速度（V r）、 速度谱宽（S W）3个常规参量及差分反射率因子（Z DR）、 差分传播相移率（K DP）等偏振参量的观测能力（雷达主要参数详见表1）。
表1 XPOL与SAD主要性能参数

Table 1 Main performance parameters of the XPOL and SAD

工作参数 XPOL SAD
雷达体制 速调管 速调管
工作频率/GHz 9.3~9.5 2.7~3.0
峰值/kW 70 750
极化方向 线性水平、 线性垂直 线性水平、 线性垂直
天线直径/m 2.4 8.6
波束宽度/（˚） ≤1.0 ≤1.0
探测距离/km 150 460
距离分辨率/m 75 250
扫描模式及用时 VCP21/3min VCP21/6min
数据采集时段覆盖2023 -2024年北京汛期， 两部雷达时间标定都非常准确， 每个体扫开始扫描时间差不超过20 s。考虑到共同覆盖区域的回波面积， 共匹配1191组XPOL-SAD体扫数据。为剔除地物、 插值时融化层回波的影响， 仅时空匹配XPOL的1.5°、 2.4°、 3.4°三个最优仰角层数据用于构建数据集。

2.2　数据预处理

在构建训练数据集时， 首要任务便是对雷达数据进行预处理。针对SAD与XPOL的时空分辨率差异问题， 根据时空一致性原则， 对SAD数据双线性插值算法（肖艳姣和刘黎平， 2006）， 将其时空匹配至空间分辨率为75 m的XPOL相应距离库上， 并作为回波真值。利用中国气象科学研究院灾害天气科学与技术全国重点实验室雷达观测团队研发的算法， 对雷达基数据进行数据质量控制， 包括地物、 孤立杂波滤除（刘黎平等， 2007； 李丰等， 2012； 文浩等， 2017）， 并根据相关系数（CC）值对K DP筛选质控， 将CC值小于0.9的样本进行剔除， K DP大于6.0 （°）∙km-1的数据统一设置为6.0 （°）∙km-1。

2.3　构建训练数据集

考虑到模型的通用性， 采用min-max标准化方法对雷达数据进行标准化， 将数据映射到［-1， 1］区间， 即：
X n o r = 2 X r a w - X m a x X m a x - X m i n - 1
式中： X n o r为标准化后的参量； X r a w表示偏振参量原始观测值； X m a x和 X m i n分别为参量的最大和最小值， 其设置见表2。
表2 各参数标准化的最大、 最小值设置

Table2 Configuration of maximum and minimum values for parameter normalization

参数 X m i n X m a x

Z H

Z D R

K D P

-20 dBZ

-2 dB

-1˚ km-1

70 dBZ

6 dB

6˚ km-1

本文以SAD时空匹配的数据为真值， 分别计算XPOL每个距离库的衰减率A H、 差分衰减率A DR， 并作为标签数据， 以标签所在距离库之前15个库的XPOL的K DP作为模型的输入因子， 构建一个样本， 沿XPOL径向逐库滑动， 形成多个样本， 构建X波段雷达衰减订正深度学习训练数据集。经质控后Z H和Z DR样本总数分别为2642624、 2605583组， 随机挑选其中80%用于训练， 20%用于测试， 训练数据集中， 再随机挑选20%作为验证集。

3 XCORnet网络架构设计

3.1　 Transformer架构

大模型底层Transformer架构的流行程度已超越传统的卷积神经网络（CNN）和循环神经网络（RNN）。与CNN和RNN不同， Transformer摒弃了传统的递归结构， 整个网络完全由自注意力机制和前馈神经网络组成， 通过Seq2Seq的训练方式， 将输入序列和目标序列直接关联起来， 能够创造性地解决更具挑战性的问题。该架构最早由Vaswani et al （2017）提出， 旨在处理序列到序列的任务。与传统的循环神经网络（RNN）不同， Transformer并不依赖递归方式处理序列数据， 而是通过自注意力机制实现输入数据的并行处理。这一创新大大提高了计算效率， 同时优化了模型的性能。在处理时间序列预测时， Transformer不仅能够精准捕捉复杂的依赖关系， 还能有效应对长时间序列中的相关性问题， 并且在训练与推理速度上表现优异。正是这些优势， 使得Transformer逐渐成为时间序列预测领域的首选模型。考虑到本研究中的每个数据样本可以视作时间序列， 因此， 本文借鉴Transformer架构， 设计了一种专门针对X波段雷达衰减订正的网络模型。

3.2　 XCORnet网络架构

本文所研究的问题是关于X波段雷达回波的衰减订正问题， 所构建的网络模型最终输出一个节点， 即X波段雷达的衰减率A H或差分衰减率A DR， 进而实现X波段雷达衰减订正。为此， 基于Transformer设计X波段雷达回波衰减订正框架XCORnet（图1）。
图1 衰减订正深度学习网络架构

Fig.1 The deep learning-based network for dual polarimetric radar attenuation correction

该框架包括一个编码器， 一个解码器， 并通过全连接层输出衰减率。编码器以XPOL标签所在库之前15个库的K DP有效值作为输入， 首先通过双线性层将原始数据映射至64维特征空间， 并通过位置编码层补充K DP数据的位置信息， 从而实现前后关联。解码器引入了掩码机制（masked）， 以提高模型的鲁棒性， 再通过多头注意力机制（8个头）的并行计算， 使模型能够同时关注K DP序列中的不同部分， 从多个子空间中学习信息。为了提高收敛速度并促进更好的特征学习， 解码器还引入了残差连接和归一化操作。经过这些处理后， 数据传递至前馈神经网络， 进行进一步的非线性映射和特征提取。解码模块进行两轮循环解码， 最终将结果输入全连接层， 得到衰减率， 并根据衰减率进行回波订正。其中激活函数皆采用ReLU， 并用Dropout防止过拟合。利用构建的数据集， 基于XCORnet框架分别训练了一个的Z H衰减订正模型、 一个Z DR衰减订正模型。

4 模型训练

4.1　超参设置及模型训练

通过多轮系统化参数验证， 最终确定的超参数设置如下： 训练周期（epoch）设定为100， 初始学习率为0.001， 采用Adam梯度下降优化器。在编码器模块中， 设计两级线性变换结构， 其隐层维度分别配置为32和64， 解码器中每层多头注意力机制包含8个头， 全连接层采用四层递阶结构， 维度按128、 64、 32、 1进行非线性降维映射。为了减少网络的过拟合现象， 并提高模型的泛化能力， 在解码层和全连接中均引入了Dropout正则化技术， 并将其设置为0.2。同时， 各线性层间嵌入ReLU激活函数来增强模型的非线性表达能力。

4.2　评价指标

模型采用的评价指标分别为比率偏差（BIAS）、 均方根误差（RMSE）、 平均绝对误差（MAE）， 公式如下
B I A S = ∑ i = 1 n Z S i ∑ i = 1 n Z X i
R M S E = 1 n ∑ i = 1 n ( Z S i - Z X i ) 2
M A E = 1 n ∑ i = 1 n | Z S i - Z X i |
式中： ZSi 为SAD插值到XPOL对应距离库的Z H或Z DR值（标签数据， 即： 未衰减的真值）； ZXi 为XPOL订正后Z H或Z DR值（预测值）； n为样本个数。BIAS可以衡量XPOL与SAD之间的差异， 其值越接近1， 表明SAD与XPOL强度相差越小； RMSE可以衡量强度差异的离散程度， 其值越小， 表示SAD与XPOL强度差异越小； MAE表示回波之间绝对差异的平均水平， 对离群点的影响较小， MAE的值越小， 表明订正结果的绝对精度越高。

4.3　模型测试

用训练集将模型训练后， 用测试集测试模型的衰减订正效果， 并与文献中的经验公式法［式（5）~（8）］（Bringi et al， 1990； Matrosov et al， 2002）进行对比分析。
A H = a 1 K D P
A D R = a 2 K D P
Z H e r = Z H a r + ∫ 0 r A H s d s
Z D R e r = Z D R a r + ∫ 0 r A D R s d s
式中： Z Ha（r）、 Z He（r）分别为订正前后的水平反射率因子（单位： dBZ）； Z DRa（r）、 Z DRe（r）分别为订正前后的差分反射率因子（单位： dB）； r为距离雷达中心的距离（单位： km）； a 1取0.22 dB·（°）-1， a 2取0.033 dB·（°）-1。
图2展示了Z H和Z DR订正前后的散点图。在未订正状态下［图2（a）， （d）］， Z H与Z DR在弱回波区域呈现良好的1： 1线性关系， 但随着回波强度增加（Z H≥30 dBZ， Z DR≥0.5 dB）， 散点显著偏向对角线上方的S波段数据， 说明X波段雷达在强降雨区域存在显著衰减现象。经XCORnet模型订正后［图2（b）， （e）］， 散点分布均匀收敛于对角线两侧。相比之下， 经验公式订正结果［图2（c）， （f）］虽在中低值区呈现合理分布， 但在强回波区散点集中分布于对角线下方， 表明传统方法存在过量订正。
图2 XPOL衰减订正前后散点分布 （a、 d）订正前的Z H、 Z DR； （b、 e）基于XCORnet模型订正后的Z H、 Z DR； （c、 f）基于经验公式订正后的Z H、 Z DR

Fig.2 Scatter plots of XPOL attenuation correction before and after correction.（a， d） Z H and Z DR before correction， （b， e） Z H and Z DR after correction based on XCORnet model， （c， f） Z H and Z DR after correction based on empirical formula

以SAD雷达匹配数据为真值， 表3给出了XPOL的Z H和Z DR订正前后3个指标的评价结果。对比Z H值， 模型将BIAS从订正前的0.875， 提升至订正后的0.972， 优于经验公式订正后的0.901， RMSE和MAE订正前分别为8.693、 6.292 dB， 模型订正后， 降至5.811、 4.222 dB， 分别提升33.15%、 32.89%。经验公式订正后， 降至6.820、 5.113 dB， 分别提升21.54%、 18.73%。对比Z DR值， 订正前BIAS为0.862， 模型订正后为1.141， 而经验公式订正后为1.273， 存在过度订正问题。RMSE和MAE订正前分别为1.679、 1.271 dB， 模型订正后， 降至0.972、 0.697 dB， 分别提升42.10%、 提升45.16%； 经验公式订正后， 降至1.382、 1.008 dB， 分别提升17.69%、 提升20.69%。相较于经验公式订正法， 深度学习模型各项评估指标都有明显的提升。
表3 Z H 和 Z DR 订正前后评价结果

Table 3 Evaluation metrics results before and after correction of Z H and Z DR

指标

订正前

Z H

XCORnet

订正后Z H

经验公式

订正后Z H

订正前

Z DR

XCORnet

订正后Z DR

经验公式

订正后Z DR
BIAS 0.875 0.972 0.901 0.862 1.141 1.273
RMSE/dB 8.693 5.811 6.820 1.679 0.972 1.382
MAE/dB 6.292 4.222 5.113 1.271 0.697 1.008

5 模型应用

以下选取大面积暴雨、 局地强对流等3个典型个例， 进一步展示XCORnet模型衰减订正效果， 并与SAD雷达、 经验公式法进行对比。

5.1　 2023年7月30日个例

2023年7月30日， 受台风“杜苏芮”减弱低压、 副热带高压、 高空槽、 切变线和低空急流等天气系统共同影响， 北京地区出现了大范围的暴雨天气。图3为2023年7月30日00:00（北京时， 下同）2.4°仰角XPOL基于模型和经验公式进行衰减订正前后的Z H的PPI、 K DP的PPI图像， SAD时空匹配的Z H的PPI图像， 以及168°径向订正前后的Z H变化曲线。
图3 2023年7月30日00:00雷达2.4°仰角Z H、 K DP PPI图及168°径向Z H变化曲线 （a）XPOL订正前的Z H； （b） 基于XCORnet模型订正后的Z H； （c） 基于经验公式订正的Z H； （d） K DP； （e） SAD雷达匹配的Z H； （f） 图（a）红色直线所处径向订正前后的Z H变化曲线

Fig.3 2.4° elevation Z H and K DP PPI plots， and the Z H variation curve along the 168° radial at 00:00 on July 30， 2023.（a） Z H before XPOL correction， （b） Z H corrected by the XCORnet model， （c） Z H corrected by the empirical formula， （d） K DP， （e） Z H matched by the SAD radar， （f） Z H variation curves along the radial marked by the red line in figure （a） before and after correction

从图3（a）（XPOL实测Z H）和3（e）（SAD时空匹配的Z H）可以观察到， 在方位角0° -65°、 135° - 225°、 240° -315°等多个区间内， 存在数个强回波单体， 这些回波的强度均超过30 dBZ， 最大强度甚至超过40 dBZ， 其后回波表现出明显衰减。
从基于模型及经验公式进行订正后的Z H的PPI［图3（b）， （c）］中可以看出， 这两种方法均能在一定程度上对回波的衰减进行订正。然而， 经验公式法在某些情况下表现出不稳定性， 特别是当距离较远且K DP值异常增大时， 往往会出现过量订正的现象。针对图3（a）中提到的一些强回波衰减区域， 模型的订正结果更加全面， 且更接近匹配的SAD的PPI图像。
进一步， 图3（d）展示了K DP的PPI图像。通常情况下， 高K DP值区应与Z H高值区相对应， 但在图3（a）和3（d）中， 发现未经订正的Z H与K DP高值区之间并不完全一致， 这表明由于XPOL波束经过强回波区后出现信号衰减， 从而导致Z H值的降低。经过模型衰减订正后， 如图3（b）和图3（d）所示， Z H与K DP高值区的对应关系得到了改善。
图3（f）展示了在方位角168˚［图3（a）中红色实线］位置上， 第1300~1400距离库的Z H值沿径向变化的曲线， 包括XPOL观测值、 SAD匹配值， 以及基于模型和经验公式进行订正后的结果。其中， 距离库是指雷达波束径向上一个固定长度的距离段， 其长度由雷达空间分辨率决定， 本文中为75 m。从图3（f）中可以清晰地看到， SAD的Z H值整体高于XPOL的Z H值， 这表明XPOL存在衰减。而经过模型订正后， 与SAD的吻合度显著提高， 效果明显优于传统的经验公式订正结果。从图3（e）可以看到， SAD的Z H基本不超过45 dBZ， 而经验公式订正后的XPOL的Z H数据则出现了多处超过55 dBZ的回波， 出现了过度订正的趋势［图3（c）］。
图4展示了图3所对应时刻的Z DR的PPI图像及其在方位角168°下的径向Z DR变化曲线。从图4中可以看出， XPOL在强回波衰减区域的Z DR值相较于SAD也出现了明显衰减。图4（c）呈现了经验公式订正的结果， 尽管能够对衰减区域进行一定的订正， 但在K DP大值中心位置， Z DR值明显过量订正。这表明， 当固定系数的经验公式遇到异常高的K DP值时， 其不稳定性显得尤为突出。而模型的Z DR衰减订正则表现得更加稳定， 与SAD匹配后的Z H值对应更为精准， 因此图4（b）和图4（e）中的雷达图像呈现了更好的吻合度。
图4 2023年7月30日00:00雷达2.4°仰角Z DR、 K DP PPI图及168°径向Z DR变化曲线 （a）XPOL订正前的Z DR； （b） 基于XCORnet模型订正后的Z DR； （c） 基于经验公式订正的Z DR； （d） K DP； （e） SAD雷达匹配的Z DR； （f） 图（a）红色直线所处径向订正前后的Z DR变化曲线

Fig.4 2.4° elevation Z DR and K DP PPI plots， and the Z DR variation curve along the 168° radial at 00:00 on July 30， 2023.（a） Z DR before XPOL correction， （b） Z DR corrected by the XCORnet model， （c） Z DR corrected by the empirical formula， （d） K DP， （e） Z DR matched by the SAD radar， （f） Z DR variation curves along the radial marked by the red line in figure （a） before and after correction

在代表性方位角168°［图4（a）红色实线］处， 图4（f）展示了订正前后Z DR值随距离变化的曲线。从图4（f）中可以看出， XPOL的Z DR平均值相对于SAD低约1 dB， 部分XPOL的Z DR值为负值， 这可能由于雷达定标或噪声引起。从图4（f）的变化曲线同样可以看出， 在K DP大值区， 经验公式的订正结果极为不稳定， 而经过模型订正后的Z DR值则与SAD更为接近。

5.2　 2024年6月13日个例

2024年6月13日， 受高空槽、 切变线和地面锋面共同影响， 北京地区出现了局地强对流天气。图序与图3和图4相同， 图5和图6分别为2024年6月13日10:00 1.5° XPOL基于模型和经验公式进行衰减订正前后的Z H、 Z DR的PPI、 K DP的PPI图像， SAD时空匹配的Z H、 Z DR的PPI图像， 以及203°径向订正前后的Z H、 Z DR变化曲线。
图5 2024年6月13日10:00雷达1.5°仰角Z H、 K DP PPI图及203°径向Z H变化曲线 （a）XPOL订正前的Z H； （b） 基于XCORnet模型订正后的Z H； （c） 基于经验公式订正的Z H； （d） K DP； （e） SAD雷达匹配的Z H； （f） 图（a）红色直线所处径向订正前后的Z H变化曲线

Fig.5 1.5° elevation Z H and K DP PPI plots， and the Z H variation curve along the 203° radial at 10:00 on June 13， 2024.（a） Z H before XPOL correction， （b） Z H corrected by the XCORnet model， （c） Z H corrected by the empirical formula， （d） K DP， （e） Z H matched by the SAD radar， （f） Z H variation curves along the radial marked by the red line in figure （a） before and after correction

图6 2024年6月13日10:00雷达1.5°仰角Z DR、 K DP PPI图及203°径向Z DR变化曲线 （a）XPOL订正前的Z DR； （b） 基于XCORnet模型订正后的Z DR； （c） 基于经验公式订正的Z DR； （d） K DP； （e） SAD雷达匹配的Z DR； （f） 图（a）红色直线所处径向订正前后的Z DR变化曲线

Fig.6 1.5° elevation Z DR and K DP PPI plots， and the Z DR variation curve along the 203° radial at 10:00 on June 13， 2024.（a） Z DR before XPOL correction， （b） Z DR corrected by the XCORnet model， （c） Z DR corrected by the empirical formula， （d） K DP， （e） Z DR matched by the SAD radar， （f） Z DR variation curves along the radial marked by the red line in figure （a） before and after correction

从图5（a）可以看出， 在方位角180° -225°的强回波区域， XPOL的Z H值范围为35~45 dBZ， 而SAD在该区域的Z H值则超过45 dBZ， 最大强度更是超过50 dBZ［图5（e）］。这表明XPOL波束在穿过强回波后显著衰减。图6（a）和图6（e）的Z DR的PPI图像显示， XPOL在该区域的Z DR值介于0.5~1.0 dB之间， 而SAD的Z DR值约为1.5 dB， 进一步证明了Z DR值也存在明显衰减。
通过对比XPOL相应位置的K DP的PPI图像［图5（d）］可以发现， 图5（d）、 图5（e）和图6（e）中的K DP、 Z H、 Z DR的大值区位置相互对应良好， 而图5（d）、 图5（a）和图6（a）之间的对应情况则较差， 这说明XPOL波束在经过强回波区域后出现了剧烈的信号衰减。在经过模型和经验公式的订正后， Z H和Z DR值都有明显增强。与经验公式相比， 模型订正表现出更为稳定的特性， 其衰减区的Z H大多数被订正至约50 dBZ， Z DR则被订正至1.0~1.5 dB， 这与SAD的结果更为吻合。
图5（f）和图6（f）展示了在方位角203°位置订正前后Z H和Z DR沿径向的变化， 可以看到， 有4段距离库的K DP值为0或相对较小， 表明这些区域为无雨区， Z H和Z DR的订正前后没有发生显著变化。对于存在衰减的距离库， 经验公式受到K DP波动的影响明显， 导致订正结果具有较大的不确定性。而模型订正则表现出更为稳定和合理的特征。

5.3　 2023年7月21日个例

2023年7月21日， 受高空低涡和切变线影响， 北京西部地区出现了区域性暴雨天气过程， 类似图3和图4， 图7和图8分别为2023年7月21日00:06 1.5° XPOL基于模型和经验公式进行衰减订正前后的Z H、 Z DR的PPI、 K DP的PPI图像， SAD时空匹配的Z H、 Z DR的PPI图像， 以及164°径向订正前后的Z H、 Z DR变化曲线。
图7 2023年7月21日00:06雷达1.5°仰角Z H、 K DP PPI图及164°径向Z H变化曲线 （a）XPOL订正前的Z H； （b） 基于XCORnet模型订正后的Z H； （c） 基于经验公式订正的Z H； （d） K DP； （e） SAD雷达匹配的Z H； （f） 图（a）红色直线所处径向订正前后的Z H变化曲线

Fig.7 1.5° elevation Z H and K DP PPI plots， and the Z H variation curve along the 164° radial at 00:06 on July 21， 2023.（a） Z H before XPOL correction， （b） Z H corrected by the XCORnet model， （c） Z H corrected by the empirical formula， （d） K DP， （e） Z H matched by the SAD radar， （f） Z H variation curves along the radial marked by the red line in figure （a） before and after correction

图8 2023年7月21日00:06雷达1.5°仰角Z DR、 K DP PPI图及164°径向Z DR变化曲线 （a）XPOL订正前的Z DR； （b） 基于XCORnet模型订正后的Z DR； （c） 基于经验公式订正的Z DR； （d） K DP； （e） SAD雷达匹配的Z DR； （f） 图（a）红色直线所处径向订正前后的Z DR变化曲线

Fig.8 1.5° elevation Z DR and K DP PPI plots， and the Z DR variation curve along the 164° radial at 00:06 on July 21， 2023.（a） Z DR before XPOL correction， （b） Z DR corrected by the XCORnet model， （c） Z DR corrected by the empirical formula， （d） K DP， （e） Z DR matched by the SAD radar， （f） Z DR variation curves along the radial marked by the red line in figure （a） before and after correction

从图7（d）可以看出， 在方位角90° -135°， 距离雷达中心75~100 km的区域内存在K DP大值区。对应的图7（a）和图7（e）中， XPOL的Z H值约为30 dBZ及以下， 而SAD的Z H值约为35 dBZ， 最大值超过40 dBZ， 这表明XPOL的Z H值明显出现衰减。此外， 从图8（a）和图8（e）可以看出， XPOL的Z DR值同样显示出明显的衰减。经过经验公式的订正［图7（c）， 图8（c）］后， Z H和Z DR值得到了增强， 但在大值中心位置却明显出现了过量订正。通过模型进行订正后［图7（b）， 图8（b）］， Z H和Z DR值同样得到了有效增强， 但其订正结果更加稳定和合理， 与SAD的结果更为一致。
在方位角135° -180°， 距离雷达中心50~100 km的区域也存在大片K DP大值区。在该区域， XPOL的Z H值通常在30 dBZ左右， 而SAD则在35 dBZ左右。XPOL的Z DR值大多数在1 dB以下， 而SAD的Z DR值则普遍在1 dB以上。经过模型订正后， 该区域的Z H值普遍订正至约35 dBZ， 而经验公式的Z H值订正至约40 dBZ。对于Z DR， 模型的订正结果达到约1.5 dB， 稍高于SAD的值， 但远低于经验公式订正至约2.5 dB的结果， 显示出模型的泛化能力优于经验公式。从K DP、 Z H和Z DR大值区的对应关系来看， 图7（d）、 图7（c）和图8（c）之间的一致性较差， 而图7（d）、 图7（b）和图8（b）的对应关系则更加一致， 并且与SAD的结果对应更好。
图7（f）和8（f）展示了图7（a）中红色实线（方位角164°）所在径向的Z H和Z DR订正前后的变化曲线。可以看出， Z H值的衰减程度较大。虽然经验公式的订正在一定程度上改善了结果， 但与模型的订正效果相比， 其性能较差。经过模型订正后， Z H值更接近于SAD匹配的Z H值。在Z DR方面， 两种方法均能将负值的Z DR订正为正值。然而， 经验公式由于采用固定系数， 其泛化能力较弱， 在K DP波动较大时， 容易导致过量订正。相较之下， 模型的订正结果则更为稳定和合理。

6 结论

传统的基于K DP的经验公式衰减订正方法， 由于使用固定的经验系数， 且K DP受噪声等各种因素影响， 存在较大的不确定性， 且泛化能力较差。近年来， 人工智能的快速发展在雷达气象领域得到了广泛应用， 并取得了许多令人鼓舞的成果。本研究基于Transformer架构， 提出了一种X波段衰减订正网络（XCORnet）。通过该网络架构， 利用北京布网的两个相邻的X、 S波段双偏振雷达， 分别训练了水平反射率因子（Z H）和差分反射率因子（Z DR）的衰减订正模型， 主要得出如下结论：
（1） 经过XCORnet模型的衰减订正后， Z H和Z DR的均方根误差分别提升了33.15%和42.10%， 平均绝对误差分别提升了32.89%和45.16%。与传统的经验公式订正方法相比， 模型表现出了明显的改进。此外， 模型将ZH的比率偏差从0.875提升至0.972， 明显优于经验公式订正后的0.901。通过三个不同天气类型的个例分析， 进一步验证了该模型在稳定性和泛化能力方面的优势。
由于计算能力和数据量的限制， 本研究中使用的试验数据并不大， 未能覆盖所有X波段偏振雷达的探测状态。此外， 由于SAD、 XPOL的探测位置和分辨率差异， 训练数据集中的回波真值可能存在一定误差。然而， 实验结果令人鼓舞， 表明将天气雷达大数据与深度学习技术相结合是一个正确且具有潜力的研究方向。如果能加入更多区域的雷达数据， 并适当考虑与雷达回波衰减相关的气象因素进行建模， 再将其融合为一个大模型， 将极大提升雷达回波衰减订正效果， 从而适用于更大范围的回波衰减问题。如何将大模型赋能专业模型， 本文通过X波段偏振雷达衰减订正， 给出了一个应用示范。未来拟将该方法扩展到C波段雷达衰减订正、 雷达定量降水估测等雷达气象专业模型当中。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
Bringi V N， Chandrasekar V， Balakrishnan N， et al， 1990.An examination of propagation effectsin rainfall on radar measurements at microwave frequencies［J］.Journal of Atmosphericand Oceanic Technology， 7（6）： 829-840.DOI： 10.1175/1520-0426（1990）007<0829： AEOPEI>2.0.CO； 2 .

Bringi V N， Keenan T D， Chandrasekar V， 2001.Correcting C-band radar reflectivity and differential reflectivity data for rain attenuation： A self-consistent method with constraints［J］.IEEE transactions on geoscience and remote sensing， 39（9）： 1906-1915.DOI： 10.1109/36.951081 .

Carey L D， Rutledge S A， Ahijevych D A， et al， 2000.Correcting propagation effects in C-band polarimetric radar observations of tropical convection using differential propagation phase［J］.Journal of Applied Meteorology， 39（9）： 1405-1433.DOI： 10.1175/1520-0450（2000）039<1405： CPEICB>2.0.CO； 2 .

Matrosov S Y， Clark K A， Martner B E， 2002.X-band polarimetric radar measurements of rainfall［J］.Journal of Applied Meteorology， 41： 941-952.DOI： 10.1175/1520-0450（2002）041<0941： XBPRMO>2.0.CO； 2 .

Park S G， Bringi V N， Chandrasekar V， et al， 2005.Correction of radar reflectivity and differential reflectivity for rain attenuation at X band.Part I： theoretical and empirical basis［J］.Journal of Atmospheric and Oceanic Technology， 22（11）： 1621-1632.DOI： 10.1175/JTECH1803.1 .

Thompson E， Rutledge S， Dolan B， et al， 2018.Dual-polarization radar rainfall estimation over tropical oceans［J］.Journal of Applied Meteorology and Climatology， 57： 755-775.DOI： 10.1175/ JAMC-D-17-0160.1 .

Testud J， Le Bouar E， Obligis E， et al， 2000.The rain profiling algorithm applied to polarimetric weather radar［J］.Journal of Atmospheric and Oceanic Technology， 17（3）： 332-356.DOI： 10.1175/1520-0426（2000）017<0332： TRPAAT>2.0.CO； 2 .

Vaswani A， Shazeer N， Parmar N， et al， 2017.Attention is all you need［J］.Advances in Neural Information Processing Systems.DOI： 10.48550/arXiv.1706.03762 .

Yang Q， Feng Y， Guan L， et al， 2023.X-Band Radar attenuation correction method based on LightGBM Algorithm［J］.Remote Sensing.15（3）： 864.DOI： 10.3390/rs15030864 .

Yin X Y， Hu Z Q， Zheng J F， et al， 2021.Study on radar echo-filling in an occlusion area by a deep learning algorithm［J］.Remote Sensing， 13（9）： 1779.DOI： 10.3390/rs13091779 .

Zrnic D S， Melnikov V M， Carter J K， 2006.Calibrating differential reflecti-vity on the WSR-88D［J］.Journal of Atmospheric and Oceanic Technology， 23： 944-951.DOI： 10.1175/JTECH1893.1 .

毕永恒， 刘锦丽， 段树， 等， 2012.X波段双线偏振气象雷达反射率的衰减订正［J］.大气科学， 36（3）： 495-506.DOI： 10.3878/j.issn.1006-9895.2011.11075.Bi Y H ，

Liu J L， Duan S， et al， 2012.Attenuation correction of reflectivity for X-band dual-polarization meteorological radar［J］.Atmospheric Sciences， 36（3）： 495-506.DOI： 10.3878/j.issn.1006-9895.2011.11075 .

何宇翔， 吕达仁， 肖辉， 等， 2009.X波段双线极化雷达反射率的衰减订正［J］.大气科学， 33（5）： 1027-1037.DOI： 10.3878/j.issn.1006-9895.2009.05.13.He Y X ，

Lü D R， Xiao H， et al， 2009.Attenuation correction of reflectivity for X-band dual-polarization radar［J］.Atmospheric Sciences， 33（5）： 1027-1037.DOI： 10.3878/j.issn.1006-9895.2009.05.13 .

胡志群， 刘黎平， 楚荣忠， 等， 2008.X波段双线偏振雷达不同衰减订正方法对比及其对降水估测影响研究［J］.气象学报， 66（2）： 251-261.DOI： 10.11676/qxxb2008.024.Hu Z Q ，

Liu L P， Chu R Z， et al， 2008.Comparison of different attenuation correction methods for X-band dual-polarization radar and their impact on precipitation estimation［J］.Acta Meteorologica Sinica， 66（2）： 251-261.DOI： 10.11676/qxxb2008.024 .

皇甫江， 胡志群， 郑佳锋， 等， 2022， 利用深度学习开展偏振雷达定量降水估测研究［J］.气象学报， 80（4）： 565-577.DOI： 10.11676/qxxb2022.046.Huang F J ，

Hu Z Q， Zheng J F， et al， 2022.Research on quantitative precipitation estimation based on deep learning using polarized radar［J］.Acta Meteorologica Sinica， 80（4）： 565-577.DOI： 10.11676/qxxb2022.046 .

李丰， 刘黎平， 王红艳， 等， 2012.S波段多普勒天气雷达非降水气象回波识别［J］.应用气象学报， 23（2）： 147-158.

Li F， Liu L P， Wang H Y， et al， 2012.Recognition of non-precipitation meteorological echoes by S-band Doppler weather radar［J］.Journal of Applied Meteorological Science， 23（2）： 147-158.

刘黎平， 吴林林， 杨引明， 2007.基于模糊逻辑的分步式超折射地物回波识别方法的建立和效果分析［J］.气象学报， 65（2）： 252-260， DOI： 10.11676/qxxb2007.024．Liu L P ，

Wu L L， Yang Y M， 2007.Establishment and effectiveness analysis of a stepwise super-refractive ground echo recognition method based on fuzzy logic［J］.Acta Meteorologica Sinica， 65（2）： 252-260.DOI： 10.11676/qxxb2007.024 .

刘亚男， 肖辉， 姚振东， 等， 2012.X波段双极化雷达对云中水凝物粒子的相态识别［J］.气候与环境研究， 17（6）： 92-936.DOI： 10.3878/j.issn.1006-9585.2012.06.30.Liu Y N ，

Xiao H， Yao Z D， et al， 2012.Phase state recognition of hydrometeors in clouds by X-band dual-polarization radar［J］.Climatic and Environmental Research， 17（6）： 92-936.DOI： 10.3878/j.issn.1006-9585.2012.06.30 .

王善昊， 胡志群， 王福增， 等， 2024.基于ConvLSTM融合RMAPS-NOW数据的雷达回波外推研究［J］.气象学报， 82（4）： 554-567.DOI： 10.11676/qxxb2024.20230135.Wang S H ，

Hu Z Q， Wang F Z， et al， 2024.Research on radar echo extrapolation based on ConvLSTM and RMAPS-NOW data［J］.Acta Meteorologica Sinica， 82（4）： 554-567.DOI： 10.11676/qxxb2024.20230135 .

文浩， 刘黎平， 张扬， 2017.多普勒天气雷达地物回波识别算法改进［J］.高原气象， 36（3）： 736-749.DOI： 10.7522/j.issn.1000-0534.2016.00063.Wen H ，

Liu L P， Zhang Y， 2017.Improvements on the identification algorithm of ground echoes using Doppler weather radar［J］.Plateau Meteorology， 36（3）： 736-749.DOI： 10.7522/j.issn.1000-0534.2016.00063 .

肖艳姣， 刘黎平， 2006.新一代天气雷达网资料的三维格点化及拼图方法研究［J］.气象学报， 64（5）： 647-657.DOI： 10.11676/qxxb2006.063.Xiao Y J ，

Liu L P， 2006.A study on 3D gridding and mosaic methods for data from the new generation weather radar network［J］.Acta Meteorologica Sinica， 64（5）： 647-657.DOI： 10.11676/qxxb2006.063 .

张培昌， 王振会， 2001.天气雷达回波衰减订正算法的研究（Ⅰ）： 理论分析［J］.高原气象， 20（1）： 1-5.

Zhang P C， Wang Z H， 2001.Research on attenuation correction algorithms for weather radar echoes （Ⅰ）： theoretical analysis［J］.Plateau Meteorology， 20（1）： 1-5.

张培昌， 杜秉玉， 戴铁丕， 2002.雷达气象学， 第二版［M］.北京： 气象出版社.Zhang P C， Du B Y， Dai T P， 2002.Radar meteorology， 2nd ed［M］.Beijing： Meteorological Press.

Options
文章导航

/

〈 〉

本系统由北京玛格泰克科技发展有限公司设计开发 技术支持：support@magtech.com.cn