分析 C 波段多普勒天气雷达地物识别方法

引言

在气象监测与灾害预警中，C 波段多普勒天气雷达凭借其较高的空间分辨率、探测灵敏度，成为捕捉中小尺度天气系统的重要工具。但雷达波束传播期间会照射到建筑、山脉、植物灯固定目标，产生地形回波与降水、云等气象回波混杂，造成降水强度误判、风暴路径偏差等情况，特别是在山区、城市等复杂地区，地物干扰已然成为制约雷达数据应用的瓶颈[1]。因此，精准识别并剔除地物回波，对提升气象预报精度、保障防灾减灾决策有着重要意义。

一、地物回波的特征与干扰机制

地物回波是指雷达发射的波束照到地面固定目标后产生反射信号，该信号与气象回波存在差异性，这也是识别的基础。其主要特征包括：

空间分布稳定性。地物位置相对固定，回波在雷达扫描的连续仰角、方位角中呈现出重复性分布，而气象回波会随着气流移动，位置动态变化。

强度与偏振。金属建筑、岩石等地物回波强度（反射率因子 Z）通常更高，但其衰减也更快；降水粒子偏振参数（差分反射率 ZDR、相关系数ρhv 等）与地物存在显著差异性，如雨滴的 ZDR 多为正值，而地物 ZDR更接近 0。

多普勒速度特征。地物由于是相对静止的，其径向速度接近为 0，气象回波会因气流的运动影响，存在显著的速度阶梯，如气旋、反气旋环流等。

频谱宽度。地物回波频谱宽度相对更窄，气象回波由于湍流或粒子运动差异，频谱宽度更宽。

二、地物识别方法分类与方法

1. 传统统计法

该方法是基于地物回波统计规律建立规则模型，操作简便、计算效率高，适用于地物分布简单、地形平缓等区域。阈值法是基础手段，主要对反射率因子、径向速度等参数设定临界值进行分类。地物回波因目标固定，径向速度一般稳定在 ±1m/s 以内，气象回波因气流运动因此速度至一般在2m/s 以上，通过设定速度阈值筛选地物候选区；反射率阈值根据距离衰减特性，近距离地物反射率普遍在 40dBZ 以上， 50km 以外距离因信号衰减普遍低于 15dBZ，降水回波主要分布区间为 20-50dBZ。空间连续性检测法通过对多时刻回波的重合度展开判断，如在连续 3 个扫体重，位置重合率达到 90% 以上的区域大概率为地物，该方法可排除移动气象回波。传统方法依赖人工设定阈值，对于地形突变区域容易误判断，且难以区分静止地物和短时间稳定的气象回波[2]。

2. 偏振参数法

C 波段双偏振雷达可测量差分反射率 ZDR、相关系数 ρhv 、差分传播相移ΦDP 等参数，区分地物和气象回波的核心指标为 ρhv 、ZDR。地物目标形状不规则、材质种类多，导致水平、垂直偏振信号相关性低，ρhv 一般不到 0.9，降水粒子的ρhv 通畅在 0.95 以上，所以 ρhv 低于 0.9 可作为地物识别强判据。ZDR 反映水平与垂直反射率差异，地物回波 ZDR 接近 0，降水粒子 ZDR 在 0-3 之间，二者有显著差异。再者， Φ DP 在降水区域随着距离增加而线性增长，地物回波 Φ DP 几乎无变化，该参数主要用于辅助区分远距离地物以及弱降水。偏振参数法可适用于复杂地形区域，相比传统统计法，在山区、城市等区域误判率更低，但会受到雷达校准精度影响，需要定期对偏振参数进行标定。

3. 机器学习与深度学习法

传统的机器学习法需通过人工提取反射率、速度、ZDR、ρhv 等特征参数，将这些参数组合输入到向量机（SVM）、随机森林（RF）等模型训练分类器内。以随机森林为例，通过多颗决策树的投票机制，在平原地区的地物识别精度可达 92% 左右，如若特征选择不当，会受到强地物（金属牌等）回波干扰。深度学习法则是通过神经网络自动提取特征，卷积神经网络（CNN）能捕捉回波空间纹理，循环神经网络（RNN）可利用时间序列数据捕捉气象回波移动特征，进一步提升静止地物的区分精度。目前主流应用的 U-Net 架构的语义分割模型，融合反射率和 DEM 数据，在山区地物识别 F1 分数高达 0.85，相比传统方法有明显优势[3]。但深度学习需要有大量标注样本作为支持，而偏远地区数据稀缺，应用范围有限，且计算量庞大，想要实现实时性分析需化后续优化和强大硬件支持。

4. 多源融合法

为了弥补单一数据源的局限性，可融合雷达数据和外部地理信息。数字高程模型（DEM）可辅助判断波束遮挡状况，计算雷达波束高度、地形高度差值，如若波束高度小于地形高度，则判断该区域存在地物回波，如山脉遮挡回波，该方法主要应用于排除山区地形回波情况。土地利用数据，如卫星遥感的城市、森林、水体分类，根据既有数据、资料判断地物回波。在城市中的强回波可能为建筑物；水体区域弱回波可能为岸边植物。多元融合法还能根据地面自动站数据信息，将站点降水观测值和雷达回波强度对比分析，如若雷达显示强回波且站点无降水时，则判定为地物。该方法适用于地形复杂的区域，在各类辅助数据、技术的支持下识别率相对更高，但也要解决多源数据时空匹配问题，如雷达扫描时间与卫星过境时间的同步性。

结束语

综上所述，C 波段多普勒天气雷达地物识别可有效平衡探测精度与数据可靠性，技术发展围绕地物和气象回波特征差异开展。传统方法在简单的场景中依然具备实用价值，而偏振参数、机器学习、多元融合等技术融合，为复杂地形下地物识别提供新方案。未来，还需进一步突破动态天气干扰、雷达参数限制等瓶颈，建立动态自适应模型优化阈值调整机制，采用相控阵雷达技术等强化处理能力，让地物识别更加精细化、智能化，这不仅能提升气象数据质量，还能为短时临近预报、灾害预警等业务提供坚实的技术支撑。

参考文献

[1]苏添记,葛俊祥.新一代天气雷达风轮机杂波识别和剔除[J].海洋气象 学报,2023,43(03):45-58.

[2]王晋宁,王颖,杨川.天津机场 GLC-18F 多普勒天气雷达地杂波识别和处理方法研究[J].空运商务,2018,(01):56-58.

[3]张占文.基于多普勒天气雷达的地物识别研究[J].现代电子技术,2017,40(19):112-114+118.