论文部分内容阅读
摘 要：风廓线雷达是一种以大气湍流为主要探测对象的晴空测风雷达。其回波是一种典型的弱信号，具有起伏涨落明显、谱宽较宽并伴有多种杂波等特点，因此开展风廓线雷达数据质量控制对于提高数据质量与应用具有十分重要的意义。本文以风廓线雷达的功率谱数据为基础，从数据处理流程出发，总结了目前国内外对于提高风廓线雷达数据质量的现有主流算法，为我国即将大规模布设的风廓线雷达网数据质量控制提供参考。
关键词：风廓线雷达；质量控制；算法
1 引言
风廓线雷达主要以晴空大气作为探测对象，利用大气湍流对电磁波的散射作用进行大气风场等要素的探测。它的回波信号是微弱且具有明显起伏涨落、谱宽较宽并伴有多种杂波的随机信号[19]。风廓线雷达接收机对回波信号的处理包括信号处理过程和数据处理过程。风廓线雷达回波信号经过信号处理单元之后，得到以距离库为单元的回波功率谱数据。数据处理单元的基本任务是对功率谱数据进行再处理，生成基础数据产品包括回波功率、径向速度、速度谱宽和信噪比，对基础数据经过进一步处理得到水平风、折射率结构常数C2n等基本数据产品。数据处理单元的另一项基本任务是数据质量控制，这一任务对于处理错误数据并进行修正，提高数据的有效性，具有重要的意义。本文根据风廓线雷达数据处理的基本流程，介绍了数据处理的基本方法以及数据处理过程中的质量控制算法。数据处理流程及各阶段主要质量控制方法。
2.1功率谱密度数据处理及质量控制
2.1.1 地杂波抑制
在多普勒谱零频附近的谱峰是由天线旁瓣或地物目标的反射造成的。理论上的地物杂波目标是静止的，固定杂波的功率谱密度只在一条谱线上并且可用直流去除的算法滤掉。实际上因地物杂波目标可能会随风或其他原因移动而引起多普勒频移导致杂波谱分布在直流附近的一些点上，则认为强的地物杂波信号是零频附近的7-13根谱线[1]。因其具有较强的回波功率，需对其加以抑制使得淹没于其中的大气湍流信号得以显现。
1）平均法
这里采用以零频对称的7个点，用这7个点的第1个和第7个点的平均值来代替这7个点的值。如图2所示，去除地杂波后，大气湍流信号得以显现。也可根据具体情况选择9点、11点、13点。
2）连线法
另外，使用周旭辉改进后方法[13]，窗口间做线性插值处理，用插值点来代替原来点。如图3所示，相比于7点平均法，该方法对地物杂波进行了更好的抑制。
2.1.2 滤波平滑
滤波平滑处理主要目的是使噪声和干扰信号相对于目标信号变得平滑以便于后续处理。由于微弱的大气回波信号以及脉冲、椒盐噪声的影响，一部分窄而强的干扰信号会被误认为大气回波，不利于信号识别和提取。采用谱滤波/平滑后，可有效改善谱的形状，提高谱峰识别能力。谱滤波可采用滑动平均滤波算法和中值滤波算法。
1）滑动平均滤波
滑动平均算法基本方法如下：一个距离库的每一点数据为x[1]～x[m]，滤波过后的数据为X[1]～X[m]，选取滑动平均窗口大小为N，采用公式（1）进行滤波。
（1）
2）中值滤波
中值滤波算法基本思想如下：对各距离库的N点数据进行加窗口处理，用窗口中数据点值排序后的中间值代替原来的值。中值滤波既能滤除椒盐噪声，又可保留数据边界点等细化信息。
2.2 谱矩估计
2.2.1 经典方法
经典的谱矩估计的过程通过选取各距离库的最大谱密度点作为信号点来计算功率谱密度函数的零阶矩、一阶矩、二阶中心矩生成基本的数据产品包括回波功率（以及由回波功率和噪声功率计算的信噪比）、径向速度、速度谱宽。
2.2.2 高斯拟合估计谱矩
董德保，翁宁泉等人采用高斯拟合估计谱矩的方法在谱矩估计前对谱数据进行质量控制，来减小谱矩估计的误差[15]。
该方法用未受杂波干扰的大气回波数据部分对受到干扰数据部分进行高斯最小二乘拟合。在噪声电平之上的大气回波谱型近似为高斯型，在每个距离库，对谱峰两侧的拟合点进行倾斜度计算，根据倾斜度原则，界定出未受污染的大气回波谱并拟定参与高斯拟合点的谱点。
如图8所示，虚线表示高斯拟合处理得到的大气回波谱，实线表示原始回波谱。从图中可看出，该方法谱矩估计较为合理的剔除杂波干扰，使得到的谱矩数据置信度更高。
2.2.3 多项式拟合算法
周旭辉，吴蕾等人针对降雨天气条件下风廓线雷达峰谱出现双峰或多峰的情况提出了基于正交多项式拟合的风谱识别方法[14]。
该方法以最小二乘原理为基础，通过构造正交多项式系，对高于平均噪声功率的连续谱峰，选取最佳拟合阶数对其进行最小二乘拟合，然后根据时空连续性选取最大气湍流回波。
某型风廓线雷达在降水情况下得到的垂直波束峰谱，呈典型的多峰分布，“最大功率点”方法提取到的大气湍流回波明显是降水粒子散射回波，而该方法能有效提取到正确的湍流信息，从而能有效提高风速，谱宽，回波强度等风廓线雷达基本产品的精度与质量。
2.2.4 NIMA算法
NCAR使用的改进型谱估计算法NIMA算法应用了数学分析方法，模糊逻辑综合，整体图像处理算法来模拟专家的技术，能识别出各种干扰情况下的大气信号[4]。
基本思想如图10所示：将速度-高度坐標空间打破成为局部基本单位，并在其中计算各种数学量（如斜率Gradient和曲率Curvature）。将模糊逻辑算法用在谱表面（spectral surface）的每一点，来判定杂波或者大气信号。将超过成员阈值的连续点合并成一组形成一个特征，并根据杂波特征（Clutter Features）归类杂波和根据大气信号特征（Atmospheric Features）归类大气信号。另一个模糊逻辑模块用来对获选大气特征进行评分，选用最好的大气信号点（Best Candidate Feature）用来进行谱矩估计。
3 总结
由于风廓线雷达为晴空雷达，其回波信号具有信号弱且随高度增加而迅速减小、回波信号明显涨落、气象信号容易被杂波信号淹没的特点。不必要的后向散射（地物杂波、强目标、降水）、电磁频率干扰、三维风场的不均匀性及距离模糊和速度模糊是影响风廓线雷达探测准确度的因素。因此，在风廓线雷达系统中，围绕着提高获取微弱信号的能力，在一系列的信号处理后得到功率谱数据，通过数据处理和进一步质量控制生成风廓线雷达基本产品。如何得到真实大气返回的信号并应用，是风廓线雷达面临的挑战任务，也是能够应用的关键。
在风廓线雷达数据质量控制方面，国外针对各个干扰源可能带来的误差都进行了较为详尽的分析，比如地面杂波干扰、噪声干扰、鸟群迁徙干扰、降水干扰和无线电频干扰等，对这些干扰信号特征都建立了相应的先验知识并设计了相关算法进行剔除；在国外介绍的算法中，大多采用组合算法，因为对于任何一种单独的算法都不能完全去除所有干扰信号。目前国内对风廓线雷达数据质量控制方法主要侧重于对晴空数据的处理，在不同天气或不同大气条件下的质量控制方法还需要进一步研究。
关键词：风廓线雷达；质量控制；算法
1 引言
风廓线雷达主要以晴空大气作为探测对象，利用大气湍流对电磁波的散射作用进行大气风场等要素的探测。它的回波信号是微弱且具有明显起伏涨落、谱宽较宽并伴有多种杂波的随机信号[19]。风廓线雷达接收机对回波信号的处理包括信号处理过程和数据处理过程。风廓线雷达回波信号经过信号处理单元之后，得到以距离库为单元的回波功率谱数据。数据处理单元的基本任务是对功率谱数据进行再处理，生成基础数据产品包括回波功率、径向速度、速度谱宽和信噪比，对基础数据经过进一步处理得到水平风、折射率结构常数C2n等基本数据产品。数据处理单元的另一项基本任务是数据质量控制，这一任务对于处理错误数据并进行修正，提高数据的有效性，具有重要的意义。本文根据风廓线雷达数据处理的基本流程，介绍了数据处理的基本方法以及数据处理过程中的质量控制算法。数据处理流程及各阶段主要质量控制方法。
2.1功率谱密度数据处理及质量控制
2.1.1 地杂波抑制
在多普勒谱零频附近的谱峰是由天线旁瓣或地物目标的反射造成的。理论上的地物杂波目标是静止的，固定杂波的功率谱密度只在一条谱线上并且可用直流去除的算法滤掉。实际上因地物杂波目标可能会随风或其他原因移动而引起多普勒频移导致杂波谱分布在直流附近的一些点上，则认为强的地物杂波信号是零频附近的7-13根谱线[1]。因其具有较强的回波功率，需对其加以抑制使得淹没于其中的大气湍流信号得以显现。
1）平均法
这里采用以零频对称的7个点，用这7个点的第1个和第7个点的平均值来代替这7个点的值。如图2所示，去除地杂波后，大气湍流信号得以显现。也可根据具体情况选择9点、11点、13点。
2）连线法
另外，使用周旭辉改进后方法[13]，窗口间做线性插值处理，用插值点来代替原来点。如图3所示，相比于7点平均法，该方法对地物杂波进行了更好的抑制。
2.1.2 滤波平滑
滤波平滑处理主要目的是使噪声和干扰信号相对于目标信号变得平滑以便于后续处理。由于微弱的大气回波信号以及脉冲、椒盐噪声的影响，一部分窄而强的干扰信号会被误认为大气回波，不利于信号识别和提取。采用谱滤波/平滑后，可有效改善谱的形状，提高谱峰识别能力。谱滤波可采用滑动平均滤波算法和中值滤波算法。
1）滑动平均滤波
滑动平均算法基本方法如下：一个距离库的每一点数据为x[1]～x[m]，滤波过后的数据为X[1]～X[m]，选取滑动平均窗口大小为N，采用公式（1）进行滤波。
（1）
2）中值滤波
中值滤波算法基本思想如下：对各距离库的N点数据进行加窗口处理，用窗口中数据点值排序后的中间值代替原来的值。中值滤波既能滤除椒盐噪声，又可保留数据边界点等细化信息。
2.2 谱矩估计
2.2.1 经典方法
经典的谱矩估计的过程通过选取各距离库的最大谱密度点作为信号点来计算功率谱密度函数的零阶矩、一阶矩、二阶中心矩生成基本的数据产品包括回波功率（以及由回波功率和噪声功率计算的信噪比）、径向速度、速度谱宽。
2.2.2 高斯拟合估计谱矩
董德保，翁宁泉等人采用高斯拟合估计谱矩的方法在谱矩估计前对谱数据进行质量控制，来减小谱矩估计的误差[15]。
该方法用未受杂波干扰的大气回波数据部分对受到干扰数据部分进行高斯最小二乘拟合。在噪声电平之上的大气回波谱型近似为高斯型，在每个距离库，对谱峰两侧的拟合点进行倾斜度计算，根据倾斜度原则，界定出未受污染的大气回波谱并拟定参与高斯拟合点的谱点。
如图8所示，虚线表示高斯拟合处理得到的大气回波谱，实线表示原始回波谱。从图中可看出，该方法谱矩估计较为合理的剔除杂波干扰，使得到的谱矩数据置信度更高。
2.2.3 多项式拟合算法
周旭辉，吴蕾等人针对降雨天气条件下风廓线雷达峰谱出现双峰或多峰的情况提出了基于正交多项式拟合的风谱识别方法[14]。
该方法以最小二乘原理为基础，通过构造正交多项式系，对高于平均噪声功率的连续谱峰，选取最佳拟合阶数对其进行最小二乘拟合，然后根据时空连续性选取最大气湍流回波。
某型风廓线雷达在降水情况下得到的垂直波束峰谱，呈典型的多峰分布，“最大功率点”方法提取到的大气湍流回波明显是降水粒子散射回波，而该方法能有效提取到正确的湍流信息，从而能有效提高风速，谱宽，回波强度等风廓线雷达基本产品的精度与质量。
2.2.4 NIMA算法
NCAR使用的改进型谱估计算法NIMA算法应用了数学分析方法，模糊逻辑综合，整体图像处理算法来模拟专家的技术，能识别出各种干扰情况下的大气信号[4]。
基本思想如图10所示：将速度-高度坐標空间打破成为局部基本单位，并在其中计算各种数学量（如斜率Gradient和曲率Curvature）。将模糊逻辑算法用在谱表面（spectral surface）的每一点，来判定杂波或者大气信号。将超过成员阈值的连续点合并成一组形成一个特征，并根据杂波特征（Clutter Features）归类杂波和根据大气信号特征（Atmospheric Features）归类大气信号。另一个模糊逻辑模块用来对获选大气特征进行评分，选用最好的大气信号点（Best Candidate Feature）用来进行谱矩估计。
3 总结
由于风廓线雷达为晴空雷达，其回波信号具有信号弱且随高度增加而迅速减小、回波信号明显涨落、气象信号容易被杂波信号淹没的特点。不必要的后向散射（地物杂波、强目标、降水）、电磁频率干扰、三维风场的不均匀性及距离模糊和速度模糊是影响风廓线雷达探测准确度的因素。因此，在风廓线雷达系统中，围绕着提高获取微弱信号的能力，在一系列的信号处理后得到功率谱数据，通过数据处理和进一步质量控制生成风廓线雷达基本产品。如何得到真实大气返回的信号并应用，是风廓线雷达面临的挑战任务，也是能够应用的关键。
在风廓线雷达数据质量控制方面，国外针对各个干扰源可能带来的误差都进行了较为详尽的分析，比如地面杂波干扰、噪声干扰、鸟群迁徙干扰、降水干扰和无线电频干扰等，对这些干扰信号特征都建立了相应的先验知识并设计了相关算法进行剔除；在国外介绍的算法中，大多采用组合算法，因为对于任何一种单独的算法都不能完全去除所有干扰信号。目前国内对风廓线雷达数据质量控制方法主要侧重于对晴空数据的处理，在不同天气或不同大气条件下的质量控制方法还需要进一步研究。