Page 274 - 《高原气象》2026年第2期
P. 274

高     原      气     象                                 45 卷
              574
             振会， 2001）。双偏振雷达虽可通过 K 这一对衰减                        天气雷达（SAD）资料构建的数据集， 训练衰减订正
                                               DP
             不敏感参数构建 A -K 关系法（Bringi et al， 1990；               模型， 对房山 XPOL 的水平反射率因子（Z ）和差分
                              H
                                                                                                      H
                                  DP
             Carey et al， 2000； Zrnic et al， 2006）， 但 K 受噪声     反射率因子（Z ）进行衰减订正， 用多个评价指标
                                                                             DR
                                                   DP
             影响较大， 订正效果不稳定： ZPHI算法因分段订正                         对模型订正效果进行评估和检验， 效果明显优于传
             时采用全局固定系数导致稳定性不足（Testud et al，                     统方法的订正方法。
             2000）； 自适应算法虽引入雨滴谱和粒子形态的动                          2  数据集构建
             态调整机制， 但在差分相位（Φ ）出现不连续时， 将
                                         DP
             影响整个区间的衰减订正效果（Bringi et al， 2001）。                 2. 1 数据来源
             何宇翔等（2009）引入卡尔曼滤波方法剔除雷达信                               本研究所用双偏振雷达数据由北京地区两部
             号的高频噪声和后向传播相移， 得到更真实的 K ，                          不同型号雷达同步观测获取。其中， 房山 XPOL
                                                         DP
             基于 A -K 关系法对层状云降水衰减进行订正， 但                        （站号 ZA001）位于 116. 19°E， 39. 69°N， 大兴 SAD
                       DP
                   H
             本质上仍未突破经验系数的静态约束。胡志群等                             （站号 Z9010）位于 116. 47°E， 39. 81°N， 两站直线
             （2008）指出， 在实际雷达探测工作中， K 订正法一                       距离约 27. 4 km， 均采用机械扫描式速调管发射机
                                                  DP
             般优于 Z 订正法， 但 K 很小时会产生较大的误                          及双发双收极化体制， 具备反射率因子（Z ）、 径向
                                                                                                      H
                                   DP
                      H
             差， 综合考虑两种方法的优缺点， 提出了 Z -K 综                        速度（V）、 速度谱宽（S ）3 个常规参量及差分反射
                                                                                    W
                                                                      r
                                                        DP
                                                    H
             合订正法， 但其还是基于固定系数的经验公式进行                            率因子（Z ）、 差分传播相移率（K ）等偏振参量的
                                                                                              DP
                                                                        DR
             衰减订正。毕永恒等（2012）基于 Park et al（2005）的                观测能力（雷达主要参数详见表1）。
             研究结果， 改进了自适应约束方法， 但在远距离处                                     表1  XPOL与SAD主要性能参数
             出现过订正的情况。近年来机器学习技术的引入                                     Table 1  Main performance parameters
             为衰减订正提供了新思路， Yang et al（2023）基于                                  of the XPOL and SAD
             LightGBM 算法构建的动态模型已展现出优于传统                            工作参数            XPOL             SAD
             方法的性能， 但其与传统物理约束方法的耦合机制                               雷达体制            速调管             速调管
             及远距离订正精度仍需深入探索。
                                                                  工作频率/GHz        9. 3~9. 5        2. 7~3. 0
                  近年来， 深度学习技术凭借其多层次特征提
                                                                   峰值/kW             70              750
             取能力与非线性映射优势， 在气象大数据建模方
                                                                   极化方向       线性水平、 线性垂直       线性水平、 线性垂直
             面展现出独特价值， 在雷达气象领域也取得了一
                                                                   天线直径/m           2. 4             8. 6
             系 列 成 果 ： 皇 甫 江 等（2022）通 过 融 合 CINRAD/
                                                                   波束宽度/（˚）         ≤1. 0           ≤1. 0
             SAD 双偏振雷达与地面雨量计多源数据， 基于深
                                                                   探测距离/km          150              460
             度学习算法分别训练了单参量、 多参量的雷达定
                                                                 距离分辨率/m             75              250
             量降水估测模型， 结果明显优于传统的经验公式
                                                                 扫描模式及用时         VCP21/3min      VCP21/6min
             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                                 数据采集时段覆盖 2023 -2024年北京汛期， 两
             雷达遮挡区域回波， 填补效果较传统的廓线法有                             部雷达时间标定都非常准确， 每个体扫开始扫描时
             明显提升； 王善昊等（2024）开发的 ConvLSTM 多                     间差不超过 20 s。考虑到共同覆盖区域的回波面
             通道外推模型， 较传统的光流法等有效提升了雷                             积， 共匹配 1191 组 XPOL-SAD 体扫数据。为剔除
             达回波外推的准确度。这些实践表明， 深度学习                             地 物 、 插 值 时 融 化 层 回 波 的 影 响 ， 仅 时 空 匹 配
             不仅能有效挖掘雷达参量间的高维非线性关系，                              XPOL 的 1. 5°、 2. 4°、 3. 4°三个最优仰角层数据用
             还可通过端到端训练机制突破传统物理模型的参                              于构建数据集。
             数化约束。                                              2. 2 数据预处理
                  尽管深度学习在雷达气象领域已取得突破性                               在构建训练数据集时， 首要任务便是对雷达数
             进展， 但缺乏在 X 波段雷达衰减订正这一关键问题                          据进行预处理。针对 SAD 与 XPOL 的时空分辨率
             上的应用研究。为此， 本研究基于以 DeepSeek 为                       差异问题， 根据时空一致性原则， 对 SAD 数据双线
             代表的大模型底层 Transformer 架构提出了 X 波段                    性插值算法（肖艳姣和刘黎平， 2006）， 将其时空匹
             雷达衰减订正网络架构 XCORnet， 利用北京相邻的                        配至空间分辨率为 75 m的 XPOL相应距离库上， 并
             房山 X 波段偏振雷达（XPOL）、 大兴 S 波段新一代                      作为回波真值。利用中国气象科学研究院灾害天
   269   270   271   272   273   274   275   276   277   278   279