利用深度学习开展毫米波测云雷达晴空回波质量控制研究OA

以晴空回波为代表的非气象回波,会对毫米波测云雷达(Millimeter-wave Cloud Radar, MMCR)的云观测造成干扰,而晴空回波形成条件复杂多样,且可能与气象回波相互重叠,一直是MMCR探测资料质量控制中的难题。利用国家气象信息中心提供的从2023年7月到2024年6月全国49个MMCR站逐分钟观测数据,研发出基于U-net深度学习架构的晴空回波质量控制模型CR-Unet(Cloud Radar U-net)。经检验评估表明:(1)该模型具有良好的泛化性能,适用于中国绝大多数MMCR反射率因子的质量控制,克服了阈值法泛化性能较差的弊端。(2)CR-Unet采用4个上采样和下采样结构,将径向速度(V)、反射率因子(Z)和线性退极化比(LDR)3个MMCR观测要素融合为3通道数据集,并对降雪、雾等出现频率相对较低的特殊天气MMCR观测图像进行数据增强,将气象回波保留率和晴空回波识别率作为评估函数,最终保留率可超过99%,识别率可达96%—97%。(3)通过对未参与训练的MMCR观测数据进行可视化验证,证实CR-Unet可以对高原、平原、盆地和沿海等多种地形的MMCR观测数据进行分类识别,在单层回波和多层回波为主体的回波、弱回波和LDR缺失等情况下也有较好的识别能力。基于CR-Unet深度学习方法在MMCR图像质量控制方面具有较大的应用潜力和价值。