2. 中国气象科学研究院灾害天气国家重点实验室, 北京 100081;
3. 南京信息工程大学大气物理学院, 南京 210044
地物回波包括雷达波正常传播形成的固定地物回波和大气异常传播形成的超折射地物回波。地物回波会严重污染雷达基数据质量, 从而影响导出产品的质量, 如雷达资料同化(杨银等, 2015)、临近预报(王丹等, 2014)等。因此, 需尽量抑制地物回波, 获取高质量的雷达基产品和导出产品。
目前业务上, 天气雷达多用杂波图识别地物回波, 并用多普勒高通滤波器对其进行抑制(史朝等, 2013)。但此法不能完全滤除超折射地物回波, 且会对径向速度为零的降水回波造成误差, 故又发展了雷达基数据自动化剔除地物回波的软件方法。如检查回波时间和空间的连续性(Hogg et al, 1978); 分析回波强度的水平和垂直梯度(Mueller et al, 1975; Collier et al, 1980), 回波顶高(Rosenfeld et al, 1995); 使用雷达的垂直伸展、回波强度的水平变化及垂直梯度的三维结构(Steiner and Smith, 2002); 模糊逻辑(Kessinger et al, 2003, 2005)和神经网络(Lakshmanan et al, 2003)的多参数概率分析。国内中国气象科学研究院刘黎平等(2007)在模糊逻辑地物回波识别算法的基础上, 逐步改进, 研究了适用于多普勒天气雷达的地物回波识别算法, 能处理固定地物回波和超折射地物回波。包括:分步式地物回波识别算法(刘黎平等, 2007); 使用CSI评判标准求取的地物回波最佳线性梯形隶属函数(江源等, 2009); 回波填补功能的增加和判定阈值的改变(庄薇等, 2012); C波段多普勒天气雷达地物回波识别方法的建立(李丰等, 2014)。
目前, ROSE系统中新增了中国气象科学研究院的地物回波识别算法, 并进行了试运行, 且利用SA、SB及CB数据对算法进行了评估, 发现能较好地识别地物回波及降水回波, 但可能对降水回波边缘、阵风锋、远距离降水、强对流回波、高层仰角回波误判, 且由于采用新的观测模式(双PRF模式)产生了径向速度“混淆现象”, 引起了对地物回波的漏判。
径向速度“混淆现象”是使用双PRF采样技术退速度模糊时产生的对径向速度资料质量的影响。该技术是在某个仰角交替使用高低脉冲重复频率, 以往只用于VCP21的中间仰角(2.5°-6.5°), 近3年敏视达公司在某些雷达站实验, 最低2个仰角也使用了此技术对速度采样, 导致低仰角的径向速度常出现速度混淆。而地物回波主要出现在低仰角, 其径向速度资料质量因此受到影响, 径向速度和速度谱宽值远大于0, 现有的地物回波识别算法没有对双PRF模式观测的地物回波识别情况作研究, 且识别效果不佳, 漏判严重, 需着重对此改进。
因此, 本文针对双PRF模式观测引起径向速度资料质量变差这一问题及原先地物回波识别存在的问题, 在剔除地物回波并最大可能保留气象回波的前提下, 提出了多普勒天气雷达地物回波识别改进算法。在识别前对径向速度和速度谱宽资料作处理, 以减少对地物回波的漏判; 调整已有的特征参数, 增加新的特征参数、回波强度及径向速度处理阈值, 以降低对气象回波的误判。最后使用数据统计及典型个例, 分析对比了算法改进前后的识别效果。
2 资料来源使用ROSE系统地物回波识别算法评估中所用的数据, 即2014年4-10月北京、塘沽、武汉、随州、西安、石家庄、沧州、济南、青浦、合肥10个雷达站的数据, 共432个地物与降水回波体扫资料, 包括212个单PRF模式和220个双PRF模式体扫数据。利用以上数据, 以一个方位-距离库为一个点建立数据库。
地物回波、降水回波以及“混淆”的径向速度都只能靠人为的方法确定其“真值”。判定依据是:地物回波的回波强度呈无规则分布, 径向速度和速度谱宽接近于零, 往往出现在低层仰角, 垂直变化较大; 降水回波可从回波的水平和垂直结构、时空演变和移动等方面判断; 速度混淆表现为区域内径向速度值正、负交替改变, 不连续, 幅值变化大。需要说明的是, 地物回波和降水回波选取的资料都是单独存在的, 没有相互重叠; 而速度混淆存在于正常径向速度中, 即使人为界定, 也难以严格划分。
根据分析目的的不同, 需要数据的观测模式和所需内容不同, 使用不同资料建立了如表 1所示的数据库, 每种用途使用的资料都不重复。
现有的模糊逻辑地物回波识别法, 是从雷达的回波强度、径向速度、速度谱宽衍生出不同的特征参数, 并运用统计方法分析不同回波的特征参数, 找出地物回波与降水回波特征参数的差异, 再根据差异设置隶属函数, 从而得到0~1的取值判据, 判据值越接近1, 该点为地物回波的可能性越大, 最后对所有的特征参数判据加权累加, 当某点的判据值超过给定阈值时, 该点就被判为地物回波。
该算法使用了6个特征参数, 包括:从回波强度中提取的回波强度的水平纹理(TDBZ)、垂直变化(GDBZ)、沿径向的库间变化(SPIN), 及从径向速度和速度谱宽中提取的径向速度的区域平均值(MDVE)、方差(SDVE)、速度谱宽的区域平均值(MDSW)。
根据现有算法存在的问题和双PRF估测数据的质控问题, 改进的地物回波识别算法框图如图 1所示, 其中实线为原有的, 虚线为新增加或改进的。相对于原算法, 改进的算法主要有以下3个变动: (1) 径向速度和速度谱宽资料需先处理再计算特征参数; (2) SPIN的判定阈值由固定值改为变化值, 新增特征参数RSINZ; (3) 回波识别过程增加回波强度与径向速度处理阈值。
速度混淆不同于速度模糊。图 2c、d为2014年4月21日14:02青浦雷达0.5°及2.4°仰角的径向速度图。0.5°仰角为双PRF模式观测, 最大不模糊速度34 m·s-1, 在雷达东南和西南方100~150 km的大范围都产生了速度混淆(图 2c白色方框内); 2.4°仰角为单PRF模式观测, 最大不模糊速度26 m·s-1, 在雷达的东南方产生了速度模糊(图 2d白色方框内)。
速度混淆是在使用双PRF模式时产生的, 此模式下速度估算依赖于两个PRF的相位, 估算偏差会很大, 以致于原始采样的未折叠的速度经退模糊后, 也可能被分配到一个不正确的奈奎斯特区间, 形成奇异值(Holleman and Beekhuis, 2003; Joe and May, 2003), 呈点状, 表现为径向速度中存在正、负速度相互混叠的区域, 没有明显边界, 发生在径向速度小于最大不模糊速度时(图 2e中1~11 m·s-1的径向速度中就出现了速度混淆现象), 且正、负速度的差值小于2倍最大不模糊速度; 速度模糊在双PRF和单PRF模式下都会产生, 呈片状, 发生在径向速度超过最大不模糊速度时, 仅在速度模糊区边界有正、负速度跳动, 且正、负速度的差值约为2倍最大不模糊速度。
前期评估发现, 双PRF模式观测会引起如图 2所示的径向速度资料质量的变化, 此变化同样存在于地物回波的径向速度中。图 3为山东济南雷达2014年5月29日07:45的双PRF模式观测图, 根据0.5°仰角回波强度呈辐辏状并带有杂斑点、1.5°仰角没回波(图略)及当时雨量站的观测结果为零等, 可以确定雷达东南方向50 km范围内, 西北方向100~200 km范围内有超折射地物回波。对比图 3a、b可见, 径向速度的有效值范围比回波强度的范围广(图 3a、b中对应的红色圆圈), 且正、负速度来回跳变, 不连续(图 3d), 没有地物回波径向速度接近于零的特点, 速度谱宽也有相似情况。2014年5月12日04:54济南雷达用单PRF模式在相似位置也探测到了超折射地物回波(图 4), 此时的地物回波径向速度表现为一个接近零速度值的大片区域镶嵌着孤立的非零速度值, 速度谱宽值较小且连续, 符合地物回波特征。对比图 3、4可知, 双PRF模式观测的地物回波径向速度和速度谱宽值较大, 径向速度资料有速度混淆现象。
原算法中, 地物回波的径向速度设定为绝对值小于2.3 m·s-1, 速度谱宽设定为小于3.2 m·s-1, 而图 2、3的速度混淆, 使地物回波的径向速度和速度谱宽值较大, 易造成漏判, 因此, 根据径向速度和速度谱宽的特征对其简单处理, 步骤如下:
(1) 匹配回波强度与径向速度、速度谱宽的范围。多普勒天气雷达从径向速度中估算晴空大气回波的灵敏度比回波强度估算高3~5 dB, 即在信噪比较差的情况下, 能从接收到的信号中估算出径向速度, 却不能估算出回波强度(葛润生和刘恩清, 1989), 使得回波强度、径向速度和速度谱宽的范围不一致, 因此对比三者的值, 若回波强度为无效值, 则将径向速度和速度谱宽处理为无效值, 使三者范围一致。
(2) 识别速度混淆。根据混淆的径向速度不连续的特点, 求取以某点为中心, 在NA=3, NR=3(NA, NR分别为方位和距离)区域内的径向速度方差Vvar作为判定条件, 若Vvar大于事先规定的阈值, 则认为此点为速度混淆。利用表 1中的“径向速度方差分析”(1号)数据, 对正常径向速度和混淆径向速度的Vvar分布值作统计, 结果如图 5a。径向速度正常区域的Vvar在0值附近达到最大, 概率为0.46, 且分布于4 m·s-1之内的概率达0.98;而径向速度混淆区域的Vvar值较大, 主要分布于4~ 30 m·s-1之间。但在人为选取统计区域时, 对于零星的速度混淆区域, 无可避免会有正常速度混入, 因此造成了速度混淆区域在0~4 m·s-1的概率也较大。由此, 将Vvar的阈值选定为4 m·s-1。
为避免速度模糊被当作速度混淆, 根据速度模糊边界区域正、负速度差值约为2倍最大不模糊速度, 而速度混淆区域正、负速度小于两倍最大不模糊速度, 求取以某点为中心, NA=3, NR=3区域内正、负速度算术平均值的差值absData (杨川等, 2012)。
若某点的Vvar值大于4 m·s-1且absData值小于2倍最大不模糊速度, 则认为此点为速度混淆。
(3) 处理速度混淆。以速度混淆点为中心, 先分别计算NA=25, NR=25区域内非混淆的正、负速度点数占此区域总的非速度混淆点数的比例, 再根据此比例计算混淆速度替代值。若较大比例为正(负)速度, 则用离中心点较近的8个非混淆的正(负)速度均值作为替代值; 当离中心点较近的非混淆的正(负)速度小于8个的时候, 则用仅有的几个非混淆的正(负)速度均值作为替代值。区域比例法(杨川等, 2012)使用较大比例对应的所有径向速度的平均值作为替代值, 而此法仅用了几个离中心点较近的径向速度来计算, 避免处理后的径向速度过度平滑。
图 6a为2014年4月21日14:02青浦雷达与2014年5月29日07:45济南雷达0.5°仰角径向速度(图 2c, 图 3b)处理之前的Vvar方差分布情况, 其值主要分布在0~4 m·s-1之间, 但在10~30 m·s-1之间也有大量分布, 表明某些区域的径向速度不连续, 幅值差异大。但经过径向速度处理后(图 6b), Vvar基本聚集于0~4 m·s-1之间, 表明径向速度差异不大, 连续性得到恢复。
由图 7可见, 无论是地物回波还是降水回波, 经径向速度处理后, 速度混淆基本被消除。图 7c、d显示处理后的地物回波径向速度基本接近于零, 符合地物回波的径向速度特征; 图 7a、b表明处理后基本还原了降水回波的径向速度, 正、负速度混淆的现象减少, 且对速度模糊基本没有影响(图 7e)。但图 7b圆圈中仍有些许较大的负速度, 这是因为以某速度混淆点为中心的区域内, 混淆的径向速度密集, 计算的Vvar值过小, 这样该速度混淆点会被保留, 并可能参与其他值的计算, 导致处理后的径向速度为较大的值。
(4) 处理速度谱宽。速度谱宽与距离库中速度的离散程度有关, 速度混淆区域内, 速度较离散, 谱宽值较大(图 2f, 图 3c), 谱宽资料质量差, 因此, 降低速度谱宽在地物回波识别算法中的权重, 为原来权重系数的0.5倍。
步骤(2)、(3) 区域大小选取的原则是为了最大可能的反应参数特征, 且使算法运算效率高。
3.2 模糊逻辑特征参数的改进与增加由于受到雷达本身因素或大气条件的影响, 某些气象回波与地物回波的结构类似, 产生误判, 而其中大部分的误判都与回波强度的水平与垂直变化有关, 因此, 除了对径向速度资料进行处理, 还需改进回波强度的特征参数。
特征参数SPIN表示在某一范围内, 相邻距离库的回波强度差异大于设定阈值所占总数的比例, 定义如式(1) ~(2) (刘黎平等, 2007)。SPIN可以很好地反映地物回波的空间变异性, 对镶嵌于降水回波中的地物回波识别特别有用, 但易对回波边缘强度变化较大的回波过度抑制。故将判定阈值微调, 将固定阈值Zthresh=4.6 dB改为变化的阈值Zthresh=4.6-(Zi, j-40) /15, Zi, j为任意点的回波强度。对于回波强度值较低的点, 变化阈值Zthresh较大, 反之, 对于回波强度值较高的点, 值较小。使用随强度变化的阈值, 强度变化大的回波边缘误判问题可以得到改善。
${{S}_{\text{PIN}}}=\frac{\sum _{i=1}^{{{N}_{A}}}\sum _{j=1}^{{{N}_{R}}}{{M}_{\text{SPIN}}}}{{{N}_{A}}\times {{N}_{R}}},$ | (1) |
${{M}_{\text{SPIN}}}=\left\{ \begin{matrix} 1&{{Z}_{i,\text{ }j}}-{{Z}_{i,\text{ }j+1}}>{{Z}_{\text{thresh}}} \\ 0&{{Z}_{i,\text{ }j}}-{{Z}_{i,\text{ }j+1}}\le {{Z}_{\text{thresh}}} \\ \end{matrix} \right.,$ | (2) |
式中: Zthresh为库间回波强度变化的阈值, 一般取2~5 dB。
离雷达较远的降水回波, 径向速度距离模糊问题严重, 且随着与雷达距离的增加, 雷达波束延展使相邻点的水平和垂直距离增大, 则回波的TDBZ和GDBZ变大, 很可能造成误判。在Steiner and Smith (2002)的研究中指出, 垂直梯度变化差异对地物的准确识别有重要作用, 在Kessinger et al (2005)的地物回波识别改进算法中, 也增加了垂直梯度变化RSINZ这一特征参数。根据式(3), 对于上下两层仰角GDBZ值相差无几的区域来说, 离雷达较远区域的RSINZ值小, 离雷达较近区域的RSINZ值大。因此, 增加特征参数RSINZ, 以减弱TDBZ和GDBZ随雷达距离增加而增大这一问题。
${{R}_{\text{SINZ}}}=\frac{{{G}_{\text{DBZ}}}}{R\times ({{\theta }_{\text{up}}}-{{\theta }_{\text{low}}})},$ | (3) |
式中: R为当前点到雷达的距离(单位: km); θlow为当前仰角, θup为高一层仰角。
利用表 1中的“回波强度垂直梯度特征分析” (2号)数据, 分析地物回波、对流云降水回波和层状云降水回波的RSINZ特征差异, 得到图 8所示的3种回波的RSINZ概率分布及地物回波的隶属函数。由图 8a可见, 层状云降水回波与对流云降水回波的RSINZ概率分布类似, 主要集中在-10 m·s-1至10 m·s-1之内, 而地物回波的RSINZ值基本为负值, 小于-10 m·s-1。因此, 设定地物回波的隶属函数如图 8b。
增加回波强度处理阈值。针对降水回波边缘、阵风锋等回波的回波强度较弱而地物回波的回波强度较强的特点, 增加回波强度处理阈值, 只识别回波强度大于10 dBZ的回波, 以减少对弱气象回波的误判。
增加径向速度处理阈值。气象回波的径向速度一般较大, 而地物回波径向速度较小, 为降低对气象回波的误判, 只识别径向速度的绝对值小于事先规定阈值的点。利用文中速度混淆处理方法, 对表 1中“地物回波径向速度处理阈值分析” (3号)数据的双PRF模式观测的地物回波径向速度作处理, 统计处理后的径向速度值及单PRF模式观测的地物回波径向速度值的分布情况(图 5b), 处理后的双PRF模式观测的地物回波的径向速度虽不如单PRF模式观测的地物回波的径向速度集中于零值附近, 但有所改善, 值较小, 基本符合地物回波的径向速度特征。由此, 为了最大可能地剔除地物回波, 减少对降水回波的影响, 设定径向速度的处理阈值为4 m·s-1。
4 识别效果分析 4.1 数据统计分析利用原算法和改进算法分别对表 1中“验证改进算法识别效果” (4号)数据的地物回波、对流云降水回波和层状云降水回波点进行质控, 同时利用质控软件统计被识别的回波点个数, 然后根据式(4) ~(6) 计算得到地物回波识别的命中率、漏报率和降水回波识别的虚警率3个指标, 以分析算法的整体识别效果:
$命中率=地物回波样本中被识别的点数\\ \quad \quad \quad \quad /地物回波样本总数×100\%,$ | (4) |
$漏报率=100\%-命中率,$ | (5) |
$虚警率=降水回波样本中被识别的点数\\ \quad \quad \quad \quad /降水回波样本总数×100\%,$ | (6) |
根据统计结果, 算法改进前后对地物回波和降水回波的识别情况对比如表 2所示。
统计数据结果表明:算法改进前对地物回波的漏判主要体现在双PRF模式观测的地物回波, 命中率仅有75.38%, 改进后, 处理了地物回波的径向速度和速度谱宽资料, 改善了其杂乱无章的情况, 从而大大减少了对双PRF模式观测到的高径向速度和速度谱宽的地物回波的漏判, 漏报率降低了11.85%, 整体的地物回波识别命中率也提高了6.25%。在数据统计过程中可以发现, 改进的算法对降水回波边缘、远距离降水回波、强对流回波的误判都有改善, 但一般被误判的降水回波都是因为与地物回波的结构相似, 故在保证地物回波能被识别的情况下, 虚警率只降低了1%~2%。而单PRF模式下探测到的层状云降水回波, 改进算法的虚警率只降低了0.50%, 这是因为单PRF模式下径向速度距离模糊情况较多, 对于离雷达较近的特别浅薄的降水区域, 若只有回波强度的特征参量参与识别, 加之垂直变化较大的近处回波的RSINZ值也较大, 改进算法的效果不会有明显改变。
4.2 典型个例分析 4.2.1 漏判个例分析图 3雷达西北方100~200 km大范围和东南方向50 km小范围为济南雷达在双PRF模式下探测到的超折射地物回波。虽然此超折射地物回波的TDBZ和GDBZ值都大, 但径向速度和速度谱宽有速度混淆现象(图 3b), 值较大, 不符合以往设定的地物回波隶属函数, 因此, 算法改进前对此类地物回波的漏判较严重(图 9a)。而通过3.1.2的径向速度处理过程, 处理后的超折射地物回波径向速度基本为0, 漏判明显减少, 且识别后遗留的小块孤立回波也减少, 仅剩少部分回波强度较弱且TDBZ较小的超折射地物回波(图 9b)。说明增加了径向速度处理过程, 能消除速度混淆, 恢复地物回波径向速度特征, 明显改善双PRF模式径向速度资料质量较差的地物回波的漏识别问题。
分析2014年6月8日18:41沧州雷达在单PRF模式下观测到的阵风锋、地物回波及对流云降水回波(图 10)。根据回波的水平、垂直结构及径向速度可以判定雷达中心五十公里内为弱气象回波混杂地物回波(图 10a红色圈中)。雷达东北方有一强对流云降水回波, 回波中心强度达55 dBZ, 自北向南移动; 正南方为长弧状阵风锋回波, 宽约3 km, 长约170 km, 随着对流云而移动。经原算法质控后(图 10c), 一些较强的对流云降水回波被误识(橘红色圈中), 对流云降水回波的部分边缘保留的不好(白色圈中), 阵风锋回波被误识很多, 结构不完整(粉红色圆圈)。而经改进算法质控后(图 10d), 阵风锋回波误判明显减少, 只有两端的少量气象信息被误识了, 结构清晰, 比较完整。同时, 对强对流降水回波的误判有所改善, 被误判形成的空洞减小甚至没有了, 且被误判的大部分对流云降水回波的边缘也被恢复了出来。表明改进的算法可以改善阵风锋的误判问题, 且能够改善对强对流回波及降水回波边缘的误识别。
此个例中对流云降水回波边缘径向速度值有效, 被误判是因为回波强度的水平变化特征参量大, 通过增加回波强度处理阈值和改进SPIN特征参数使得更多的弱气象回波信息得以保留。阵风锋回波一般出现在离雷达较近的地方, 故增加的特征参数RSINZ也为绝对值较大的负值, 只能利用SPIN调整水平变化特征, 以及增加回波强度与径向速度处理阈值避免其被误判为地物回波, 其中径向速度处理阈值的作用较明显。
远距离的降水回波因与雷达距离的增加而资料分辨率下降, 且由于距离模糊或显示范围限制而没有可用的径向速度资料, 常被误识别。图 11是2014年6月8日18:41上海青浦雷达双PRF模式观测到的一次离雷达较远的对流性降水过程。西北方距离雷达250 km以外有一强对流云降水回波, 最强回波达60 dBZ, 且没有可用的径向速度资料(SA雷达径向速度的显示范围为230 km)。对比原算法(图 11c)和改进的算法(图 11d)的识别效果可以发现, 改进的算法对远距离无径向速度资料的对流云降水回波的误判明显减少, 识别效果有了较大改善, 但仍有少部分对流云降水回波被误判成了地物回波, 主要为白色圈中所示, 这是因为此部分回波的水平与垂直变化过大, 太接近于地物回波的结构所致, 对此仍需找寻其他方法来改善。说明距离雷达较远的回波, 在没有可用径向速度资料的情况下, 通过RSINZ特征参数可以减轻垂直变化的影响, 使得远离雷达的降水回波误判问题得到改善。
个例2、3的改变对于高层仰角回波来说同样适用, 对比分析2014年4月21日15:26上海青浦雷达探测到的一次积层混合云降水过程的2.4°仰角的识别效果可以发现, 算法改进后降低了对降水回波的误判, 被误识别形成的回波空洞明显减少(图略)。
5 结论与讨论针对前期ROSE系统试运行地物回波识别算法的质控评估结果和新的观测描述, 提出了地物回波识别的优化方法和双PRF径向速度数据处理方法, 并对改进的地物回波识别效果进行了定量评估, 分析了新增步骤的作用, 得到如下结论:
(1) 根据新的模式(双PRF模式)的观测资料出现的速度混淆特征, 对径向速度和速度谱宽资料作了简单处理, 基本消除了速度混淆现象, 还原了地物回波和降水回波的径向速度特征, 改进后的算法明显降低了由于观测模式变化引起的径向速度和速度谱宽资料质量差的地物回波的漏判。
(2) 对于双PRF数据, 改进后地物回波识别的命中率由75.38%提高到87.23%, 而单PRF数据的地物回波识别的命中率也由93.25%提高到了95.20%, 降水回波的虚警率也有所降低。
(3) 新增的步骤中, 回波强度处理阈值的增加和SPIN特征参数阈值的改变可保留更多的弱气象回波和边缘回波; 径向速度阈值的增加可降低有径向速度资料, 但水平和垂直变化大的气象回波被误判的可能性; 新的特征参数RSINZ可以弱化离雷达较远的降水回波无可用径向速度资料这一问题。
现在改进的算法无法完全解决对离雷达较远(特别是230 km以外), 无可用径向速度资料, 且水平和垂直结构类似于地物回波的气象回波的误判问题, 这还需要在以后的工作中继续改进, 特别是增加新的探测量, 如采用双线偏振雷达等。
Collier C G, Lovejoy S, Austin G L. 1980. Analysis of bright bands from 3-D radar data[C]//the 19th Conference on Radar Meteorology, Amer Meteor Soc, 44-47. | |
Hogg W D. 1978. Quality control and analysis of an archive of digit al radar data[C]//the 18th Conference on Radar Meteorology, Amer Meteor Soc, 150-154. | |
Holleman I, Beekhuis H. 2003. Analysis and correction of dual PRF velocity data[J]. J Atmos Ocean Technol, 20(4): 443–453. DOI:10.1175/1520-0426(2003)20<443:AACODP>2.0.CO;2 | |
Joe P, May P T. 2003. Correction of dual PRF velocity errors for operation Doppler weather radars[J]. J Atmos Ocean Technol, 20(4): 429–442. DOI:10.1175/1520-0426(2003)20<429:CODPVE>2.0.CO;2 | |
Kessinger C, Ellis S, Andel J V. 2003. The radar echo classifier:a fuzzy logic algorithm for the WSR-88D[C]//31rd Conf Artificial Applications to Environmental Science, Amer Meteor Soc, Long Beach. | |
Kessinger C, Ellis S, Andel J V, et al. 2005. The AP ground clutter mitigation scheme for the WSR-88D[C]//31st Conf on Radar Meteorology, Seattle Washington, Amer Meteor Soc, 526-529. | |
Lakshmanan V, Hondl K, Stumpf G, et al. 2003. Quality control of weather radar data using texture features and a neural network[C]//5th International Conf on Adv in Patt Recogn. | |
Mueller E A, Sims A L. 1975. Statistics of High Radar Reflectivity Gradients[C]//16th Radar Meteorology Conf, Amer Meteor Soc, 401-403. | |
Rosenfeld D, Amitai E, Wolff D B. 1995. Classification of rain regimes by the three-dimensional properties of reflectivity fields[J]. J Appl Meteor, 34: 198–211. DOI:10.1175/1520-0450(1995)034<0198:CORRBT>2.0.CO;2 | |
Steiner M, Smith J A. 2002. Use of three-dimensional reflectivity structure for automated detection and removal of nonprecipitating echoes in radar data[J]. J Atmos Ocean Technol, 19: 673–686. DOI:10.1175/1520-0426(2002)019<0673:UOTDRS>2.0.CO;2 | |
葛润生, 刘恩清. 1989. CAMS多普勒天气雷达探测能力的估算[J]. 气象科学研究院院刊, 4(2): 133–140. Ge Runsheng, Liu Enqing. 1989. An estimate of detectivity of CAMS Doppler weather radar[J]. Journal of Academy of Meteorological Science, 4(2): 133–140. | |
江源, 刘黎平, 庄薇. 2009. 多普勒天气雷达地物回波特征及其识别方法改进[J]. 应用气象学报, 20(2): 203–213. Jiang Yuan, Liu Liping, Zhuang Wei. 2009. Statistical characteristics of clutter and improvements of ground clutter identification technique with Doppler weather radar[J]. J Appl Meteor Sci, 20(2): 203–213. | |
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. Liu Liping, Wu Linlin, Yang Yinming. 2007. Development of fuzzy-logical two-step ground clutter detection algorithm[J]. Acta Meteor Sinica, 65(2): 252–260. | |
李丰, 刘黎平, 王红艳, 等. 2014. C波段多普勒天气雷达地物回波识别方法[J]. 应用气象学报, 25(2): 158–167. Li Feng, Liu Liping, Wang Hongyan, et al. 2014. Identification of ground clutter with C-band Doppler weather radar[J]. J Appl Meteor Sci, 25(2): 158–167. | |
史朝, 何建新, 李雪华, 等. 2013. X波段天气雷达地物回波的双偏振参量特征分析及应用[J]. 高原气象, 32(5): 1478–1484. DOI:10.7522/j.issn.1000-0534.2012.00137Shi Zhao, He Jianxin, Li Xuehua, et al. 2013. Analysis and application of dual polarization parameters about ground clutter from X-band weather radar[J]. Plateau Meteor, 32(5): 1478–1484. DOI:10.7522/j.issn.1000-0534.2012.00137 | |
王丹, 王改利, 刘黎平, 等. 2014. 基于雷达回波外推和中尺度模式预报的短时降水对比分析[J]. 高原气象, 33(3): 811–822. DOI:10.7522/j.issn.1000-0534.2013.00038Wang Dan, Wang Gaili, Liu Liping, et al. 2014. Comparisons analysis on short-term precipitation between the radar-based extrapolation and the meso-scale numerical model weather prediction[J]. Plateau Meteor, 33(3): 811–822. DOI:10.7522/j.issn.1000-0534.2013.00038 | |
杨川, 刘黎平, 胡志群, 等. 2012. C波段多普勒雷达双PRF模式速度混淆区识别和处理方法研究[J]. 气象学报, 70(4): 875–886. Yang Chuan, Liu Liping, Hu Zhiqun, et al. 2012. An algorithm for chaos radial velocity identifying and processing in C-band Doppler radars running in the dual PRF mode[J]. Acta Meteor Sinica, 70(4): 875–886. | |
杨银, 朱克云, 张杰, 等. 2015. 复杂地形下多普勒雷达资料同化的研究[J]. 高原气象, 34(5): 1495–1501. DOI:10.7522/j.issn.1000-0534.2014.00059Yang Yin, Zhu Keyun, Zhang Jie, et al. 2015. Study on Doppler radar data assimilation over complex terrain[J]. Plateau Meteor, 34(5): 1495–1501. DOI:10.7522/j.issn.1000-0534.2014.00059 | |
庄薇, 刘黎平, 余燕群, 等. 2012. 雷达地物回波模糊逻辑识别法的改进及效果检验[J]. 气象学报, 70(3): 576–584. DOI:10.11676/qxxb2012.047Zhuang Wei, Liu Liping, Yu Yanqun, et al. 2012. Improvement of the fuzzy logic technique for identifying ground clutter and its verification[J]. Acta Meteor Sinica, 70(3): 576–584. DOI:10.11676/qxxb2012.047 |
2. State Key Laboratory of Severe Weather, Chinese Academy of Meteorological Science, Beijing 100081, China;
3. School of Atmospheric Physics, Nanjing University of Information Science & Technology, Nanjing 210044, China