上海南汇WSR-88D双偏振天气雷达的生物回波识别与分析

第４２卷㊀第３期气象与环境科学Ｖｏｌ.４２Ｎｏ.３２０１９年８月ＭｅｔｅｏｒｏｌｏｇｉｃａｌａｎｄＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅｓＡｕｇ.２０１９收稿日期:２０１９－０３－２４ꎻ修订日期:２０１９－０５－２２基金项目:国家自然科学基金国家重大科研仪器研制(部委推荐)项目(３１７２７９０１)作者简介:朱轶明(１９８５)ꎬ男ꎬ辽宁沈阳人ꎬ工程师ꎬ硕士ꎬ从事天气雷达信号与信息处理方面的研究.Ｅ￣ｍａｉｌ:ｚｙｍ８５０６１８＠１６３.ｃｏｍ通讯作者:马舒庆(１９５６)ꎬ男ꎬ江苏金坛人ꎬ正研级高级工程师ꎬ学士ꎬ从事天气雷达技术㊁高空探测技术研究.Ｅ￣ｍａｉｌ:ｍｓｑａｏｃ＠ｃｍａ.ｇｏｖ.ｃｎ朱轶明ꎬ马舒庆ꎬ杨玲ꎬ等.上海南汇ＷＳＲ－８８Ｄ双偏振天气雷达的生物回波识别与分析[Ｊ].气象与环境科学２０１９ꎬ４２(３):１１８－１２８.ＺｈｕＹｉｍｉｎｇꎬＭａＳｈｕｑｉｎｇꎬＹａｎｇＬｉｎｇꎬｅｔａｌ.ＲｅｃｏｇｎｉｔｉｏｎａｎｄＡｎａｌｙｓｉｓｏｆＢｉｏｌｏｇｉｃａｌＥｃｈｏＵｓｉｎｇＷＳＲ－８８ＤＤｕａｌ￣ｐｏｌａｒｉｚａｔｉｏｎＷｅａｔｈｅｒＲａｄａｒｉｎＮａｎｈｕｉｏｆＳｈａｎｇｈａｉ[Ｊ].ＭｅｔｅｏｒｏｌｏｇｉｃａｌａｎｄＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅｓꎬ２０１９ꎬ４２(３):１１８－１２８.ｄｏｉ:１０.１６７６５/ｊ.ｃｎｋｉ.１６７３－７１４８.２０１９.０３.０１５上海南汇ＷＳＲ－８８Ｄ双偏振天气雷达的生物回波识别与分析朱轶明１ꎬ２ꎬ马舒庆１ꎬ３ꎬ杨㊀玲１ꎬ吴东丽３ꎬ杨大生３ꎬ张晋广２ꎬ袁㊀健２ꎬ李㊀洋２ꎬ卢秉红２(１.成都信息工程大学ꎬ成都６１０２２５ꎻ２.辽宁省人工影响天气办公室ꎬ沈阳１１００１６ꎻ３.中国气象局气象探测中心ꎬ北京１０００８１)㊀㊀摘㊀要:为识别我国新一代天气雷达的生物回波ꎬ研究长江中下游地区天气雷达观测到的生物迁飞发生发展规律ꎬ选取上海南汇ＷＳＲ－８８Ｄ双偏振天气雷达２０１８年春季的观测数据ꎬ应用反射率因子Ｚ㊁双程差分相位ΦＤＰ㊁０延迟相关系数ρＨＶ等雷达物理量和反射率因子纹理ＳＤ(Ｚ)㊁差分相位纹理ＳＤ(ΦＤＰ)等反映观测值小尺度数值变化的参量ꎬ用Ｐｙｔｈｏｎ语言设计基于模糊逻辑算法的雷达回波分类程序识别生物回波ꎬ识别结果以生物回波采样点的生成时间(世界时)为横坐标ꎬ分析了２０１８年春季上海南汇天气雷达生物回波识别结果的日变化特点ꎬ讨论了降水㊁风及温度等气象条件对生物迁飞的影响ꎮ结果表明ꎬＳ波段天气雷达无法分辨生物单体ꎬ但在春季有大规模生物迁飞的时段能够对昆虫成层定向迁飞的现象进行有效识别ꎬ３月生物迁飞活动强度较弱ꎬ４月和５月回波强度显著增强ꎮ地物回波(超折射回波)在雷达低仰角观测中ꎬ对有效识别生物迁飞回波尤其具有阻碍性ꎮ为此ꎬ在原有算法的基础上ꎬ用标准化频率直方图对迁飞现象明显时段的数据中生物回波点的以上４个变量观测值进行概率统计ꎬ揭示生物回波与地物(超折射)回波雷达物理量之间的差异ꎮ关键词:ＷＳＲ￣８８Ｄꎻ生物回波ꎻ模糊逻辑算法ꎻ双偏振雷达中图分类号:ＴＮ９５９.４㊀㊀㊀㊀㊀文献标识码:Ａ㊀㊀㊀㊀㊀文章编号:１６７３－７１４８(２０１９)０３－０１１８－１１引㊀言近年来ꎬ学术界的相关学者们越来越重视无降水天气条件下ꎬ天气雷达晴空回波的研究ꎮ晴空回波中夹杂着大量的鸟类和昆虫等生物回波[１]ꎮ目前美国天气雷达组网ＮＥＸＲＡＤ已经被广泛用于监测鸟类和昆虫迁飞[２]ꎮ英国利兹大学的Ｄｕｆｔｏｎ等[３]利用Ｘ波段双偏振天气雷达ꎬ基于模糊逻辑算法实现水凝物分类ꎬ识别出降水㊁地物㊁噪声㊁生物回波ꎬ并滤除非气象类回波ꎮ在我国ꎬ相关研究多集中在滤除非气象回波的算法方面ꎮＪｉａｎｇ等[４]利用美国ＷＳＲ－８８Ｄ双偏振天气雷达的数据进行生物回波识别ꎬ去除鸟类回波对多普勒速度的污染ꎬ实现气象回波的质量控制ꎮ张智等[５]论述了天气雷达的脉冲宽度及距离分辨率等参数性能方面在探测规模大㊁范围广的生物迁飞目标时的优势ꎮ张林等[６]利用上海南汇双偏振天气雷达的数据对非降水回波进行滤除ꎬ设计了雷达数据质量控制算法ꎮ焦热光等[７]利用北京Ｓ波段天气雷达观测数据分析了昆虫定向迁飞的现象ꎬ㊀第３期朱轶明等:上海南汇ＷＳＲ－８８Ｄ双偏振天气雷达的生物回波识别与分析对天气雷达日落后出现的晴空回波主要是由昆虫群迁飞所引起的自然现象进行了阐述ꎮ张智等[５]认为ꎬ天气雷达在晴空天气条件下探测到的非气象回波对迁飞性害虫的监测具有很重要的研究和参考价值ꎮＳ波段多普勒天气雷达的空间分辨率低ꎬ不能对昆虫单体进行识别ꎬ但能够观测到许多农业害虫成层定向迁飞现象ꎬ应加强与气象部门进行跨学科合作ꎬ以昆虫雷达探测为主㊁天气雷达资料为辅建立生态气象预警系统ꎬ提高突发性病虫害的预报水平ꎮ目前ꎬ中国气象局气象探测中心与中国农业科学研究院合作的针对天气雷达识别迁飞生物的国家自然科学基金项目已经在 农业农村部廊坊有害生物科学观测实验站 和 长岛有害生物野外科学观测实验站 等生物迁飞通道站点ꎬ进行了高分辨多维协同雷达测量仪与天气雷达联合探测迁飞生物时空动态的外场试验ꎬ并完成了空中生物检测与定量化试验数据处理ꎬ定标不同生物目标㊁不同迁飞密度下ꎬ气象雷达反射率因子与空中生物密度的关系曲线ꎮ本文利用上海南汇ＷＳＲ－８８Ｄ双偏振天气雷达２０１８年３至５月的数据ꎬ基于模糊逻辑算法(ＴｈｅＣｌａｓｓｉｆｉｃａｔｉｏｎｏｆＥｃｈｏｅｓｂｙＦｕｚｚｙｌｏｇｉｃＡｌｇｏｒｉｔｈｍ)实现雷达数据回波的分类程序ꎬ参考了Ｐａｒｋ等[８]的雷达回波相态识别算法ꎬ并进一步实现对雷达数据生物回波采样点识别数量的实时监测与统计ꎬ从时间变化和生物回波采样点数量的动态关系上为生物迁飞规模提供参考信息ꎮ未来我国新一代天气雷达将全部实现双极化升级ꎬ针对我国气象业务运行中的新一代天气雷达的回波相态识别算法还有待深入研究和进一步开发应用ꎮ我国现有１５８个已经投入气象业务应用的新一代天气雷达布设点ꎬ以Ｓ波段(沿海地区)和Ｃ波段(内陆地区)的多普勒天气雷达为主ꎬ使对空中生物迁飞通道的监测㊁昆虫集群活动轨迹的反演㊁鸟类栖息聚合地的种群规模的估测具有了可行性[７]ꎬ所以自主开发设计并建立符合我国空中生物物种特点的天气雷达空中生态监测资料数据库ꎬ对迁飞生物分类模型和定量模型进行验证分析ꎬ来开发自动识别㊁分析的软件系统是十分必要并具有重大研究意义的ꎮ一套完整的用于对昆虫和鸟类监测的雷达网络可以实现以下功能:１)更完整的空间和时间的迁移模式图ꎻ２)可以同时比较外部因素ꎬ例如天气和地貌特征对生态环境的影响ꎻ３)在鸟类迁移过程中确定重要的中途停留区域ꎻ４)监测流动生物群落的数量ꎬ并为飞机飞行安全提供预警系统ꎻ５)追踪病虫害可能导致疾病传染的隐患并以昆虫作为晴空天气模式下风的示踪物(昆虫)来更合理地利用风能[９]ꎮ我国在地理位置上纬度跨度大ꎬ温度带多ꎮ东部沿海地区和中部平原地区是植被生长㊁农业生产㊁候鸟活动的主要地区ꎬ也是农作物病虫害的高发区ꎮ农作物病虫害具有种类多㊁影响大㊁并时常暴发成灾的特点[１０]ꎮ而这些地区有密集的天气雷达布设点ꎬ充分利用这些厘米波长天气雷达的晴空回波探测资料ꎬ开发出与我国天气雷达配套的采集器和生物回波识别软件ꎬ将为农作物病虫害的预防㊁野生鸟类栖息地的保护等方面提供具有一定参考价值的重要信息ꎮ１㊀资料与方法１.１㊀Ｓ波段双偏振天气雷达生物回波的雷达变量特征在双偏振天气雷达的回波信号中ꎬ生物回波与气象回波的散射机理最大的区别是去极化效应ꎬ由于生物散射体在形状和身体内部成分上极度不规则ꎬ通常水平极化尺寸和垂直极化尺寸差异很大ꎮ对于波长１０ｃｍ的天气雷达ꎬ大型迁飞昆虫和鸟类的极化尺寸多大于０.６２５ｃｍꎬ所以生物散射体的散射机理和近似球体的共振散射理论存在分歧ꎮ如果生物体比例保持不变ꎬ水平尺寸增加使水平极化雷达散射截面ＲＣＳ下降ꎬ垂直极化ＲＣＳ上升ꎬ这就使其后向散射信号的物理量存在很大的自由度ꎬ导致水平和垂直极化后向散射信号波长相同ꎬ但振幅和相位不同ꎬ所以在时间偏移为０的情况下ꎬ后向散射极化波的相似度较低ꎮ这是根据形状不规则的散射体的后向散射极化波之间的差异ꎬ来分析极化波之间的偏振物理量相关性的基础ꎮ１.１.１㊀差分反射率ＺＤＲＷＳＲ－８８Ｄ天气雷达数据中ꎬ生物散射体差分９１１气象与环境科学第４２卷反射率ＺＤＲ比降水粒子(对流单体)的动态范围更大ꎬ纯液态水粒子ＺＤＲ值在－４至４ｄＢ之间波动ꎬ而生物回波ＺＤＲ的值则在－７.９３８７５至７.９３８７５之间波动ꎬ许多大型迁飞昆虫群的ＺＤＲ值则超过这个针对降水探测模式优化的阈值[２]ꎮ１.１.２㊀相关系数ρＨＶ由于生物散射体水平和垂直极化波的０延迟后向散射信号的相似度很低ꎬ因此相关系数ρＨＶ的值比气象回波要小得多ꎮ降水粒子中ꎬ极化波后向散射信号相似度最低的冰水混合物的相关系数ρＨＶ大于０.８５ꎬ所以在识别降水和非降水回波的算法中ꎬ将ρＨＶ＝０.８５设为降水回波的最小值ꎮ在生物回波的识别算法中ꎬ地物和超折射回波是主要污染物ꎮ为方便起见ꎬ本文将地物和超折射回波统一归类为异常传播[８]ꎮ１.１.３㊀反射率因子纹理ＳＤ(Ｚ)和差分相位纹理ＳＤ(ΦＤＰ)非气象回波通常在雷达扫描ＰＰＩ图像上呈麻点状ꎬ地物杂波在相邻距离库上探测值波动较大ꎬ而生物回波和气象回波的波动则较小ꎬ因此反射率因子纹理ＳＤ(Ｚ)能够有效地识别地物杂波ꎮ生物回波的差分相位则在相邻距离库上的波动很大ꎬ而气象回波和地物则波动很小ꎬ所以差分相位纹理ＳＤ(ΦＤＰ)能够在对气象回波和非气象回波进行区分后ꎬ有效地识别出非气象回波中的生物回波ꎬ这是对生物回波进行识别的重要参量ꎮ１.２㊀生物回波识别算法利用上海南汇ＷＳＲ－８８Ｄ天气雷达２０１８年３５月的观测资料ꎬ基于模糊逻辑回波分类算法程序(ＴｈｅＣｌａｓｓｉｆｉｃａｔｉｏｎｏｆＥｃｈｏｅｓｂｙＦｕｚｚｙｌｏｇｉｃＡｌｇｏ￣ｒｉｔｈｍ)识别生物回波ꎬ对探测范围内的生物回波的发生发展规律进行初步研究ꎮ程序设计方面ꎬ利用Ｐｙｔｈｏｎ的ｎｕｍｐｙ函数运算模块通过中值滤波法对反射率因子Ｚ㊁双程差分相位ΦＤＰ㊁０延迟相关系数ρＨＶ㊁差分反射率ＺＤＲ４个雷达物理量进行数据预处理ꎬ再通过模糊逻辑算法的隶属函数和权重分配函数ꎬ构造雷达回波变量分类运算矩阵ꎬ其中数据采样点的某个雷达变量实际观测值ꎬ在某个取值范围内的可能性越大ꎬ表示属于某一类回波的特征越明显ꎬ权重值越高ꎬ最后利用ＢａｓｅＭａｐ地理坐标识别模块和Ｐｒｏｊｅｃｔ映射模块完成雷达数据的回波分类ꎬ实现对生物回波的识别ꎮ模糊逻辑算法是通过对ＷＳＲ￣８８Ｄ天气雷达数据采样点的反射率因子Ｚ㊁差分反射率ＺＤＲ㊁极化波间的相关系数ρＨＶ㊁反射率因子纹理ＳＤ(Ｚ)和差分相位纹理ＳＤ(ΦＤＰ)５个物理量各属于某一类雷达回波的概率聚合值的计算ꎬ将雷达回波分为１０类(见表１):地物/超折射(ＧＣ/ＡＰ)㊁生物(ＢＳ)㊁干雪(ＤＳ)㊁湿雪(ＷＳ)㊁不规则晶体(ＣＲ)㊁软雹(ＧＲ)㊁大雨(ＢＤ)㊁小到中雨(ＲＡ)㊁暴雨(ＨＲ)㊁雨雹混合(ＲＨ)ꎮ１.２.１㊀原始资料预处理(１)对Ｚ㊁ＺＤＲ㊁ρＨＶ㊁ΦＤＰ这４个雷达物理量的存储数据以扫描中心为起点ꎬ沿径向开均值滤波窗口ꎬ进行回波采样点数据处理ꎮ反射率因子Ｚ数据的窗口宽度为１ｋｍꎬ计算窗口内的反射率因子Ｚ的均值Ｚꎮ同样的方法计算相关系数ρＨＶꎬ窗口宽度为２ｋｍꎻ双程差分相位ΦＤＰꎬ窗口宽度为６ｋｍꎮ(２)通过均方根标准差的纹理值算法ꎬ获取反射率因子纹理ＳＤ(Ｚ)和双程差分相位纹理ＳＤ(ΦＤＰ)ꎬ使用均值窗口分别为１ｋｍ和２ｋｍꎬ具体计算公式在下一小节给出ꎮ(３)径向速度Ｖｅ使用窗口宽度为２ｋｍ的均值滤波窗口进行修正ꎬ主要用于识别固定地物ꎮ(４)对反射率因子Ｚ和差分反射率ＺＤＲ进行衰减补偿ꎬ用于降水类回波识别ꎬ分别为:ΔＺａｔｔ(ｄＢＺ)＝０.０４ΦＤＰ(ʎ)(１)ΔＺａｔｔＤＲ(ｄＢ)＝０.００４ΦＤＰ(ʎ)(２)１.２.２㊀雷达变量的纹理获取算法纹理值的计算采用均方根法获得ꎮ首先对反射率因子Ｚ的ＰＰＩ扫描数据沿径向１ｋｍ的移动窗口获得平均值ꎮＷＳＲ￣８８Ｄ雷达的水平ＰＰＩ扫描距离分辨率为０.２５ｋｍꎬ平滑窗口宽度为１ｋｍꎬ那么１ｋｍ窗口内包含４个采样点ꎬ４个采样点的值均为ＳＤ(Ｚ)＝１ｍ[ðｍｉ(Ｚｉ－Ｚ)２](３)其中ｍ是采样点的数量ꎬＺｉ是窗口内第ｉ个采样点０２１㊀第３期朱轶明等:上海南汇ＷＳＲ－８８Ｄ双偏振天气雷达的生物回波识别与分析反射率因子的实际值ꎬＺ是平均值ꎮ而生物回波的差分相位值在距离库之间的波动过大ꎬ因此使用６ｋｍ的均值移动窗口进行预处理ꎮ计算方法与反射率因子纹理算法相同ꎮ图１为２０１８年４月３０日０３:０９上海南汇ＷＳＲ－８８Ｄ雷达观测个例ꎬ仰角为０.５ʎꎮ图１(ａ)蓝圈中ꎬ浙江北部杭州绍兴舟山一线出现中到大雨ꎬ红圈中上海市区为晴天ꎬ非气象回波反射率因子值较小ꎬ小于２５ｄＢＺꎬ而浙江北部出现的降水回波较强ꎬ局部地区大于５０ｄＢＺꎮ图１(ｂ)中ꎬ非气象回波双程差分相位ΦＤＰ的小范围观测值波动较大ꎬ个别观测点ΦＤＰ大于２７０ʎꎬ降水回波值较小ꎬ降水带边缘的ΦＤＰ小于４５ʎꎬ而随着距离的增加逐渐增大ꎬ整个降水带的差分相位波动很小ꎮ为了更直观地显示出非气象回波ꎬ雷达物理量纹理图选择背景颜色较深的映射平面ꎬ图１(ｃ)和图１(ｄ)是通过上一节算法映射的反射率因子纹理ＳＤ(Ｚ)和差分相位纹理ＳＤ(ΦＤＰ)ꎮ图１(ｃ)中降水带的ＳＤ(Ｚ)较小ꎬ为０~１０ｄＢＺꎬ且降水带值的波动不明显ꎬ非气象回波距离库之间波动较大ꎬ在雷达站５０ｋｍ内出现大于２０ｄＢＺ的点ꎬ这些点主要是地物杂波ꎮ图１(ｄ)中ꎬ气象回波区域的ＳＤ(ΦＤＰ)值都小于２５ʎꎬ在纹理场中基本看不到ꎬ而非气象回波ＳＤ(ΦＤＰ)的值多大于３０ʎꎬ这是区分气象回波与非气象回波的重要参量ꎮ图１㊀２０１８年４月３０日０３:０９上海南汇天气雷达观测数据和对应的纹理场映射图(ａ)为反射率因子Ｚꎬ(ｂ)为差分相位ΦＤＰꎬ(ｃ)为反射率因子纹理ＳＤ(Ｚ)ꎬ(ｄ)为差分相位纹理ＳＤ(ΦＤＰ)ꎻ图中每个距离圈表示５０ｋｍ１.２.３㊀聚合值Ａｉ的算法通过输入回波采样点的雷达变量ꎬ对采样点的第ｊ个变量属于第ｉ类回波的概率进行累加ꎬ得到其属于第ｉ类回波的可能性ꎬ通过计算最大的概率聚合值Ａｉꎬ对采样点进行隶属于某类回波的分类ꎮ对于每一类雷达回波ꎬ雷达变量的值都有特定的权重值分配ꎮ某类回波的某个雷达变量特征越明显ꎬ则这个变量的权重值越高ꎮ如图２中所示ꎬ雷达回波采样点的隶属函数符合梯形分布[１１]ꎬＸ１－Ｘ４为表１中每种回波的４个参数ꎬＸ为任意雷达变量ꎬ雷达回波变量的隶属函数值的参数分布和权重运算矩阵的元素值由表１和表２给出ꎮ第ｉ类雷达回波的聚合值Ａｉ的算法如下ꎮ非气象回波的聚合值:１２１气象与环境科学第４２卷Ａｉ＝ð５ｊ＝１ＷｉｊＰ(ｉ)(Ｖｉ)ð５ｊ＝１Ｗｉｊ(４)气象回波的Ｚ－ＺＤＲ条件概率聚合值:Ａｉ＝ð５ｊ＝１ＷｉｊＦ(ｉ)(ＺꎬＶｊ)ð５ｊ＝１Ｗｉｊ＝ð５ｊ＝１ＷｉｊＰ(ｉ)(Ｚ)Ｐ(ｉ)ｚ(Ｖｊ)ð５ｊ＝１Ｗｉｊ(５)其中液态水粒子的反射率因子Ｚ对应的差分反射率ＺＤＲ参数分布的计算公式如下:ｆ１(Ｚ)＝－０.５０＋２.５０ˑ１０－３Ｚ＋７.５０ˑ１０－４Ｚ２(６)ｆ２(Ｚ)＝０.６８－４.８１ˑ１０－２Ｚ＋２.９２ˑ１０－３Ｚ２(７)ｆ３(Ｚ)＝１.４２＋６.６７ˑ１０－２Ｚ＋４.８５ˑ１０－４Ｚ２(８)图２㊀隶属函数的雷达变量分布图表１㊀１０类雷达回波的隶属函数参数分布分类ＧＣ/ＡＰＢＳＤＳＷＳＣＲＧＲＢＤＲＡＨＲＲＨＸ１１５５５２５０２５２０５４０４５Ｘ２２０１０１０３０５３５２５１０４５５０Ｘ３７０２０３５４０２０５０４５４５５５７５Ｘ４８０３０４０５０２５５５５０５０６０８０Ｘ１－４㊀０－０.３㊀０.５０.１－０.３㊀ｆ２－０.３ｆ１－０.３ｆ１－０.３－０.３㊀Ｘ２－２㊀２０.０１.００.４０.０ｆ２ｆ１ｆ１０Ｘ３１１００.３２.０３.０ｆ１ｆ３ｆ２ｆ２ｆ１Ｘ４２１２０.６３.０３.３ｆ１＋０.３ｆ３＋１.０ｆ２＋０.５ｆ２＋０.５ｆ１＋０.５Ｘ１０.２００.３００.９５０.８８００.９５０.９００.９２０.９５０.９２０.８５Ｘ２０.６００.５００.９８０.９２００.９８０.９７０.９５０.９７０.９５０.９０Ｘ３０.９００.８０１.０００.９５０１.００１.００１.００１.００１.００１.００Ｘ４０.９５０.８３１.０１０.９８５１.０１１.０１１.０１１.０１１.０１１.０１Ｘ１２１０.００.００.００.００.００.００.００.０Ｘ２４２０.５０.５０.５０.５０.５０.５０.５０.５Ｘ３１０４３.０３.０３.０３.０３.０３.０３.０３.０Ｘ４１５７６.０６.０６.０６.０６.０６.０６.０６.０Ｘ１３０８００００００００Ｘ２４０１０１１１１１１１１Ｘ３５０４０１５１５１５１５１５１５１５１５Ｘ４６０６０３０３０３０３０３０３０３０３０㊀注:表中第１㊁２㊁３㊁４㊁５列Ｘ１㊁Ｘ２㊁Ｘ３㊁Ｘ４分别为反射率因子Ｚ㊁差分反射率ＺＤＲ㊁相关系数ρＨＶ㊁反射率因子纹理ＳＤ(Ｚ)㊁差分相位纹理ＳＤ(ΦＤＰ)分布ꎻ其中Ｚ单位:ｄＢＺꎬＺＤＲ单位:ｄＢ表２㊀权重函数矩阵Ｗ的元素表分类ＺＺＤＲρＨＶＳＤ(Ｚ)ＳＤ(ΦＤＰ)地物ＧＣ/ＡＰ０.２０.４１.００.６０.８生物ＢＳ０.４０.６１.００.８０.８干雪ＤＳ１.００.８０.６０.２０.２湿雪ＷＳ０.６０.８１.００.２０.２不规则晶体ＣＲ１.００.６０.４０.２０.２软雹ＧＲ０.８１.００.４０.２０.２大雨ＢＤ０.８１.００.６０.２０.２小到中雨ＲＡ１.００.８０.６０.２０.２暴雨ＨＲ１.００.８０.６０.２０.２雨雹混合ＲＨ１.００.８０.６０.２０.２２㊀生物回波的识别结果与分析２.１㊀晴空天气下的生物回波特征根据国内生物迁飞学相关学者的研究结果ꎬ我国长江流域最早在３月中旬出现大型迁飞昆虫的定向迁飞现象ꎬ且在日落时这种现象尤为显著ꎮ而３月份我国长江流域的迁飞昆虫翅羽化期尚未来临ꎬ这主要是华南和东南亚地区的大型迁飞昆虫的迁入现象所引起的ꎬ迁入大型迁飞昆虫随春季盛行的西２２１㊀第３期朱轶明等:上海南汇ＷＳＲ－８８Ｄ双偏振天气雷达的生物回波识别与分析南风向北移动ꎬ许多大型迁飞昆虫(夜蛾㊁草地螟等)在夜间低空气温超过１０ħ和适合迁飞的风向和风速时ꎬ就可以集群定向升空迁飞[１２]ꎮ从上海天气雷达仰角０.５ʎ的观测资料可以看到ꎬ２０１８年３月１２日天气晴朗ꎬ夜间气温１３ħꎬ１７:３０开始自东向西逐渐出现反射率因子强度小于２０ｄＢＺ的成群麻点状回波ꎬ到晚上２０:００左右最盛ꎬ反射率因子强度普遍小于１５ｄＢＺꎬ红圈中舟山群岛与上海东滩之间出现大片反射率因子为负值的弱回波ꎬ表明昆虫的虫口密度很小ꎬ而径向速度Ｖｅ小于１０ｍ/ｓꎬ近似于实时风力风向东南风３~４级ꎮ差分反射率ＺＤＲ大于５ｄＢꎬ相关系数小于０.８５ꎬ双程差分相位ΦＤＰ小于４５ʎꎮ偏振变量的观测结果表明ꎬ这是水平和垂直尺寸相差较大的大型迁飞昆虫[１３]ꎮ可以根据生物回波的偏振物理量特征将它们较为准确地识别出来(图略)ꎮ２.２㊀降水天气形势下的生物回波观测分析积状云降水对昆虫和鸟类的局地活动有明显的抑制作用ꎮ由于积状云降水具有强度大㊁持续时间短的特点ꎬ因此当降水带经过后ꎬ空中生物的局地活动会再次出现ꎮ如图３为２０１８年５月５日的积状云降水个例ꎬ苏州㊁上海㊁宁波和舟山等区域为中雨转阵雨天气ꎬ到１８:００上海及浙江北部降水强度已明显减弱ꎬ但仍时有阵雨ꎬ日落后不断有小片积状云降水回波带经过上海市区并向东北方向移动ꎬ到１８:５８受到积状云降水影响ꎬ生物回波的数量和规模都比晴空天气下日落之后的小ꎬ只有宁波北部㊁上海东滩及市区出现少量反射率因子强度较小的弱回波(图３ａ中红圈标注)ꎮ径向速度图中ꎬ生物回波与降水回波径向速度的方向基本一致(图３ｃ中红圈标注)ꎮ与液态水粒子相比ꎬ生物回波常呈麻点状出现ꎮ由于生物散射体的形状和内部组成成分极不规则ꎬ其对偏振信号的反馈存在去极化效应和极化后向散射信号隔离性较低ꎬ致使生物回波的差分反射率ＺＤＲ的观测值波动比降水粒子的大(图３ｅ中红圈标注)ꎬ而相关系数则比气象回波小得多ꎬ多数回波点的值集中在０.７左右(图３ｇ中红圈标注)ꎬ而积状云降水回波的多大于０.９５ꎮ双程差分相位ΦＤＰ小范围的数值波动比降水回波的大(图３ｉ中红圈标注)ꎮ图３(ｊ)是基于模糊逻辑分类算法的分类结果ꎬ日落之后本应有成规模的生物回波并没有出现ꎮ算法识别结果显示宁波北部邻海地区有麻点状的生物回波正在向北移动ꎬ算法可以较准确地将它们识别出来(图３ｊ中红圈标注)ꎮ２.３㊀生物回波识别的反演结果演示根据算法对上一节中的积状云降水个例进行质量控制后ꎬ反演出的生物回波识别结果如图３所示ꎬ积状云降水回波带基本被滤除ꎬ并且距离雷达站点较近的地物和超折射回波也被滤除掉ꎮ从此次个例中生物回波的识别结果可以看出ꎬ生物回波的反射率因子Ｚ值小于３０ｄＢＺ(图３ｂ)ꎮ从径向速度Ｖｅ的质量控制结果来看ꎬ生物回波的运动方向与质量控制前的积状云降水带的移动方向是一致的ꎬ表明迁飞昆虫正随西南风向东北方向移动(图３ｄ)ꎮ通常作为气象观测资料数据ꎬ这些生物回波被作为风的示踪物ꎬ不宜被滤除掉[１４]ꎮ生物回波的差分反射率ＺＤＲ的值具有很大的自由度ꎬ识别结果为－４~８ｄＢꎬ这取决于生物散射体在水平和垂直极化波上的破坏和增益性分量ꎬ即与生物散射体的形状及与雷达入射波之间的角度有关(图３ｆ)ꎮ而相关系数的识别结果中ꎬ生物回波的值低于０.８５ꎮ但本算法中ꎬ并未对雷达原始数据中相关系数ρＨＶ的信噪比ＳＮＲ随探测距离的增大进行数值误差补偿ꎬ工程计算上雷达信号信噪比ＳＮＲ的计算需要获取雷达接收机噪声温度㊁接收机带宽和雷达噪声系数[１５－１６]ꎬ而这些参数是不实际接触雷达硬件系统所无法获取的ꎮ反映到算法的识别效果是气象回波尤其是降水带边缘识别结果出现误差ꎬ导致相关系数ρＨＶ原始数据中ꎬ降水带边缘的观测值比实际值偏低ꎬ造成降水回波带的边缘被识别为生物回波的现象(图３ｈ)ꎮ３２１气象与环境科学第４２卷图３㊀２０１８年５月５日１８:５８上海南汇天气雷达０.５ʎ仰角观测资料的生物回波反演结果(ａ)为反射率因子Ｚꎬ(ｂ)为质控后生物回波反射率因子ꎬ(ｃ)为径向速度Ｖｅꎬ(ｄ)为质控后生物回波径向速度ꎬ(ｅ)为差分反射率ＺＤＲꎬ(ｆ)为质控后生物回波差分反射率ꎬ(ｇ)为相关系数ρＨＶꎬ(ｈ)为质控后生物回波相关系数ꎬ(ｉ)为双程差分相位ΦＤＰꎬ(ｊ)为回波分类结果ꎻ(ｊ)图中橙色表示生物回波ꎬ蓝色表示地物回波(超折射回波)ꎻ图中每个距离圈表示５０ｋｍ４２１㊀第３期朱轶明等:上海南汇ＷＳＲ－８８Ｄ双偏振天气雷达的生物回波识别与分析２.４㊀２０１８年春季上海南汇天气雷达生物回波统计结果生物回波的识别统计结果表明:２０１８年上海地区３月上旬采集数量日变化不明显ꎬ主要以鸟类的局地活动为主ꎬ夜间迁飞昆虫层最早在３月中旬开始出现ꎬ整体上３月迁飞生物活动强度处于较弱阶段(图４)ꎮ１８㊁１９㊁２０日连续３天出现小到中雨天气ꎬ且日最高气温１２ħꎬ最低气温为４ħꎬ风向为西北和北风ꎬ这些是对迁飞不利的气象因素ꎬ所以生物回波的识别数量很少(图４ａ圆圈标注)ꎮ４５月ꎬ夜间生物回波数量显著增加(图４ｂ㊁ｃ)ꎬ当夜间低空有较强西南风和东南风时ꎬ生物回波数量随之增加ꎮ４月２６日夜间多云ꎬ东南风ꎬ平均气温１７ħꎬ２２:３０生物回波识别数量达到峰值ꎬ超过２７万(图４ｂ中圆圈标注)ꎮ５月５日夜间多云转阴ꎬ平均气温２２ħꎬ东南方向微风ꎬ２０:００出现生物回波识别的季度峰值ꎬ数量达到３０万以上(图４ｃ中圆圈标注)ꎮ由于生物迁飞规模随季节变化有很大差异[１７]ꎬ而地物和超折射回波是有效识别生物回波的主要污染物ꎬ为进一步详细描述算法识别生物回波的雷达物理量数值特征ꎬ筛选出２０１８年３５月天气条件适合生物迁飞的日落到次日凌晨时段的７２０个雷达数据ꎬ对春季识别结果中ꎬ生物回波和地物超折射回波反射率因子Ｚ㊁差分反射率ＺＤＲ㊁双程差分相位ΦＤＰ和相关系数ρＨＶ的特征值进行统计ꎬ以标准化频率直方图的形式进行分析(图５)[２ꎬ１８]ꎮ春季生物回波反射率因子Ｚ值出现在１５ｄＢＺ左右的频率最高ꎬ概率达到７.３％ꎬ２０~３０ｄＢＺ的概率很低ꎬ不超过３０ｄＢＺꎬ地物和超折射回波的反射率因子值会超过３５ｄＢＺꎬ最大值达４０ｄＢＺꎬ但概率很小ꎬ为０.１％左右(图５ａ)ꎮ春季生物回波的差分反射率ＺＤＲ的值出现３ｄＢ的频率最高ꎬ概率为１４％ꎬ－８ｄＢ和８ｄＢ的概率分别为４％和１１％ꎬ地物和超折射回波ＺＤＲ为０ｄＢ的概率最高[１９]ꎬ在１５％和１６％之间(图５ｂ)ꎮ生物回波双程差分相位ΦＤＰ的值为１００ʎ左右的频率最高ꎬ概率为９％ꎬ地物和超折射回波ΦＤＰ出现在１５０ʎ图４㊀上海南汇天气雷达２０１８年春季数据的生物回波识别数量统计结果图(ａ)(ｂ)(ｃ)分别为３㊁４㊁５月生物回波识别数量统计结果ꎻ图中时间为世界时５２１气象与环境科学第４２卷的频率最高ꎬ为１０％ꎬ超过２００ʎ时ꎬ生物和地物概率分布基本相同(图５ｃ)ꎮ生物回波的相关系数ρＨＶ出现在雷达观测最小值０.２０８３３处ꎬ０.７０和０.７８之间的频率最高ꎬ概率为１.９％左右ꎬ多集中在０.４０~０.７０ꎬ地物和超折射回波ρＨＶ为０.８３~０.８５的频率最高(图５ｄ)ꎮ图５㊀２０１８年春季上海南汇天气雷达０.５ʎ仰角数据的非气象回波雷达物理量数值特征的标准化频率直方图(ａ)为反射率因子Ｚꎬ(ｂ)为差分反射率ＺＤＲꎬ(ｃ)为双程差分相位ΦＤＰꎬ(ｄ)为相关系数ρＨＶꎻ橙色代表生物回波ꎬ蓝色代表地物和超折射回波ꎬ棕色为重叠区域３㊀分析结果与讨论本文通过对上海南汇ＷＳＲ－８８Ｄ双偏振天气雷达２０１８年春季的数据资料中生物的回波雷达变量进行特征分析ꎬ将非气象回波中的生物回波识别出来ꎬ并对识别结果进行量化ꎬ得到Ｓ波段双偏振雷达生物回波的雷达物理量特征和发生发展规律ꎬ结论如下:(１)本算法的识别效果和频率直方图的统计法对雷达物理量统计结果表明:地物和超折射回波与生物回波的所有雷达变量都存在较大的重叠区域ꎬ单用任何一种雷达变量都很难将二者进行区分ꎮ反射率因子纹理ＳＤ(Ｚ)和差分相位纹理ＳＤ(ΦＤＰ)是识别气象回波与非气象回波的重要参量ꎬ在算法中引入纹理场变量可以有效地滤除气象回波ꎬ从而保留非气象回波ꎮ非气象回波中ꎬ地物和超折射回波是对生物回波进行有效识别和保留算法中的主要污染物ꎬ生物回波反射率因子强度较地物和超折射回波偏弱ꎬ多呈麻点状成团出现ꎬ并且在虫口密度较小时ꎬ反射率因子值可能为负值ꎬ可以通过反射率因子纹理ＳＤ(Ｚ)相邻距离库的波动范围进行识别ꎮ(２)由于Ｓ波段天气雷达的空间分辨率较差ꎬ距离分辨率为０.２５ｋｍꎬ天气雷达观测不到鸟类和昆虫等生物回波的单体ꎬ在本文的算法中ꎬ并未对鸟类和昆虫进行进一步分类ꎮ在后期资料处理并保留生物回波反射率因子信息的前提下ꎬ会根据反射率因子强度数值用定量估测降水的方法给出最小分辨率内昆虫和鸟类个体的近似量化值ꎮ(３)在４月初ꎬ许多大型迁飞昆虫如草地螟和菜田夜蛾等农业害虫完成第１次羽化期之前[２０－２３]ꎬ６２１。