基于卷积神经网络的双极化气象雷达冰雹检测方法_李海.pdf

第 卷 第 期（总第 期）年 月火控雷达技术 .（）.收稿日期：基金项目：工业与信息化部民用飞机专项（）；天津市自然基金重点项目（）；中央高校基本科研业务费项目（）；中国民航大学蓝天教学名师培养经费作者简介：李海（）男，博士研究生，教授，硕士生导师。研究方向为机载气象雷达信号处理，分布式目标检测与参数估计。基于卷积神经网络的双极化气象雷达冰雹检测方法李 海 桑晨禹 郭生权 田 众（中国民航大学天津市智能信号与图像处理重点实验室 天津）摘 要：针对现有冰雹检测算法过分依赖专家经验的问题。本文提出一种基于卷积神经网络的双极化气象雷达冰雹检测方法。首先对单个雷达分辨单元分割并利用相邻分辨单元的极化信息进行填充，将极化信息转化为数据矩阵。接着搭建卷积神经网络模型进行特征提取和分类，然后用样本数据对网络进行训练调整模型参数。最后使用训练好的模型进行冰雹检测。通过仿真数据和实测数据的实验结果表明，该方法能够在提取数据特征和自适应调节网络参数基础上有效进行冰雹检测。关键词：双极化气象雷达；冰雹检测；卷积神经网络；模型优化中图分类号：.文献标志码：文章编号：（）引用格式：李海，桑晨禹，郭生权，田众.基于卷积神经网络的双极化气象雷达冰雹检测方法.火控雷达技术，（）：.：.，（，）：.，.，.，.，.：；引言冰雹灾害性天气虽然出现的范围小、时间短，但是具有极强的破坏力，且常常伴随强降雨、狂风等天气过程，严重阻碍农业、电力通讯等方面的发展。精准的冰雹检测对于灾害性冰雹天气预报预警以及人工作业防雹指挥具有重要意义。冰雹产生于强对流天气，可通过雷达探测强对流系统而进行冰雹的识别。与常规多普勒天气雷达相比，双极化气象雷火 控 雷 达 技 术第 卷达能够发射水平和垂直方向的电磁波，不仅能得到反射率因子、谱宽和速度，还能反演得到反映水凝物降水粒子形状、尺寸、密度等物理特性的多种极化参数，在降水估计、水凝物识别和灾害监测等方面具有明显优势，是冰雹检测领域的研究热点。年双极化气象雷达极化参数首次被应用于冰雹探测领域，等提出结合反射率因子和差分反射率因子的冰雹识别算法。这种基于统计结果的判决虽然方法简单，但是该算法的前提条件是假设极化参数是互斥的。目前，双极化气象雷达冰雹检测的研究主要有两大类方法，分别为模糊逻辑判别技术和机器学习类算法。应用模糊逻辑成功实现降水粒子分类，验证了该算法能够有效识别冰雹。后续相关学者的研究主要集中于不同波段雷达验证应用和隶属度函数参数的优化改进。模糊逻辑算法能够有效解决数据交叉、不精确等问题。但是该算法隶属度函数参数的确定和相关权重的选择过度依赖专家经验值，主观性较大。现已应用到天气检测领域的机器学习相关算法主要有支持向量机、贝叶斯、聚类和神经网络等。支持向量机算法在同等样本数量下计算量大、耗时长。贝叶斯神经网络应用回归和分类方案进行冰雹检测，但是易出现过拟合现象。聚类算法减少了获取标签的成本，不易受到数据污染，但是该方法计算成本高且聚类误差对识别结果影响较大。王金虎等将神经网络算法与水凝物分类相结合，但对冰雹等大颗粒固体粒子识别结果较差。神经网络能够依据数据搭建输入输出关系、自适应调节模型参数，然而机器学习性能的上限取决于数据和数据特征。人为选定的特征往往在不同数据、不同模型下不能通用。本文提出了一种基于卷积神经网络（，）的冰雹检测方法，该方法通过前向传播搭建模型设置网络结构，再通过后向传播训练网络调节模型参数，最终得到冰雹检测模型。该方法能够提取极化参数数据的显著特征，同时无需进行模型参数假设就可以有效进行冰雹检测。基于卷积神经网络的冰雹检测模型.数据预处理本文选取双极化气象雷达回波数据计算得到的四种极化参数作为冰雹检测的属性依据，具体为反射率因子、差分反射率因子、互相关系数、以及差分相移率。这些极化参数以数值的形式单独存放在每个雷达回波分辨单元内，而单个数值无法进行卷积计算。因此，在构建卷积神经网络模型之前需要对分辨单元内的极化参数进行扩充。目的是将极化参数数值转化成数据矩阵的形式。首先将每个分辨单元沿距离向和方位向分割成 个小分辨单元，每个小分辨单元为一个插值点，然后采用最近邻插值方法，利用相邻分辨单元极化信息的值来推断出插值点的数值。取值为大于 的正整数，取值越大越有利于特征提取但同时产生的冗余也越多。本文取 ，图 为分辨单元内一个极化参数插值处理示意图。将本文选取的四个极化参量分别进行插值处理后，再通过堆叠操作得到四通道的数据矩阵。此数据矩阵与对应的标签信息相结合构成冰雹检测数据集。图 极化参数插值处理示意图.模型搭建双极化气象雷达的极化参数经过数据预处理后每个分辨单元数据格式为 ，本文以此三维数组作为输入，构建一个输出为冰雹和其他（非冰雹降水粒子统称）的二分类网络。是一种“特征提取器 分类器”的串联结构，其基础模型包括卷积层、池化层、全连接层三个部分。卷积和池化对极化参数的特征进行提取，全连接神经网络依据特征进行分类。参考 的基本架构，本文所提的冰雹检测模型由一个输入层、两个卷积层、两个池化层、三个全连接层和一个输出层组成。模型结构如图 所示，各层参数设置如表 所示。图 基于 的冰雹检测模型构建第 期李 海等：基于卷积神经网络的双极化气象雷达冰雹检测方法表 模型参数设置网络层滤波器大小 步长个数输出大小激活函数输入层 卷积层 最大值池化层 卷积层 均值池化层 全连接层输出层 卷积层通过卷积运算的方式对数据进行特征提取。初始化的卷积核以固定的步长在极化参数上滑动来遍历每个数据。每滑动一次，就要计算卷积核和极化参数重合区域的乘积并求和，再加上偏置。为了防止数据边缘信息丢失，在卷积层 中对极化数据使用全零填充以保证输入数据大小和输出数据大小一致。卷积核会在一次次的迭代中被更新，无限接近符合当前数据分布的特征向量集，最后利用训练好的卷积核提取每个雷达分辨单元的极化参数数据特征。以卷积层 中一个通道的输入为例，在全零填充后输入矩阵变为 ，经卷积运算后，输出大小为 的特征矩阵，示意图如图 所示。图 极化参数卷积示意图经卷积提取后的特征矩阵送入池化层。池化层的作用是对卷积之后的特征矩阵进行降维处理。该层考虑特征不变性，在空间范围内做维度约减，使模型得到更广泛的特征。（）（）表示层数取值为 和，对应模型中的最大值池化层和均值池化层；和 分别为池化层和卷积层的输出；（）表示池化函数。在冰雹检测算法中采用最大池化和平均池化对极化数据的特征进行聚合统计，既关注重要的局部特征，又关注全局特征。池化过程通过设定池化窗口的大小和步长遍历特征矩阵，每滑动一次就计算池化窗口对应的特征矩阵相应区域内的最大值或均值。以图 的输出为例，两种池化标准的计算结果如图 所示。图 极化参数池化（最大、平均）过程示意图全连接层选用 层神经网络，同时加入 激活函数和 策略。最后使用 函数作为输出层函数，得到预测结果，其数学定义为（）（）（）其中（）为 函数；为均值池化层的输出排列组成的特征列向量；表示模型预测结果，表示冰雹，表示其他；表示第 类预测结果的归一化概率；和表示权重和偏置列向量。为了减小训练时间和防止模型过拟合引入了 调整策略，在模型训练的过程中随机丢失部分全连接神经网络参数。这种丢弃是暂时的，当使用模型进行测试时，神经元会全部恢复到网络上。图 是未经过 的全连接神经网络示意图，图 是加入 后的示意图。图 原始全连接神经网络图 后网络结构火 控 雷 达 技 术第 卷.模型参数训练模型训练任务的最终目标是让预测值和真实标签尽可能的接近。在形式上表现为通过调整模型参数最小化损失函数。而模型参数调整依据梯度下降算法。在后向传播过程中，通过导数链式法则计算损失函数 对各参数的梯度，并根据梯度和学习率更新网络中的权重和偏置。为了避免模型在训练过程中陷入最优解以及减小学习率设置对参数收敛的影响，引入了指数衰减学习率和滑动平均。下面以权重的更新过程为例进行详细阐述，模型权重参数的更新公式为 （）其中，表示更新后的权重；表示学习率；表示损失函数的梯度。本文的损失函数由数据损失 和正则化项 两项组成。（，）（，）（，）（）数据损失项用于确保预测值适应真实数据。函数作为冰雹检测模型的输出函数，其值表示不同分类的概率分布。本方法采用度量真实标签 和模型预测标签之间相似性的交叉熵函数作为数据损失项，结合式（）得到计算公式如式（）所示，其中 表示样本个数为（，）（）正则化项是在最小化损失函数 时增加一个约束，能够降低原始损失函数在离线训练时的误差以及减小衡量指标下参数 的规模，有效避免冰雹检测模型的过拟合。（，）（）（）其中 表示正则化的强度；（）表示正则化函数，不同的正则化方式对冰雹检测模型的影响也不同，正则化通过加入 来约束参数的变化，这主要是对参数线性的放缩；方案正则化对应梯度添加了和符号函数（）同号的一个常数，能够通过较大的 来稀疏冰雹检测模型参数。因此，在冰雹检测模型离线训练过程中使用 范数正则化。即公式（）对应损失函数公式（），其中作为权重绝对值之和为（，）（）确定损失函数后，对于不同层的梯度计算步骤如下：）首先定义节点灵敏度误差，表示损失函数对第 层神经元输入的变化率为式（）所示。（，）（）当第 层为卷积层时：（）（）（）其中（）表示上采样。当第 层为池化层时：（）（）（）其中，（）表示矩阵顺时针旋转。当第 层为全连接层时：（）（）（）依据得到的各层灵敏度误差计算权重和偏置的梯度。（）模型参数更新公式（）中 表示学习率。学习率过大过小都会影响参数收敛。为了使模型中参数学习率能够自适应调整，加入了指数衰减学习率。的计算公式为 （）其中 表示初始学习率；表示学习率的衰减率；表示当前训练次数与学习率更新频率的比值。在冰雹检测模型中，学习率更新频率定义为训练样本总数和批量样本数的比值。在参数更新的过程中加入滑动平均用于记录一段时间内模型中的权重和偏置，防止模型过拟合。在冰雹检测模型离线训练的过程中，滑动平均值能够体现参数的变化。可以保存每一次训练后的模型，实现断点训练，在测试时只需要加载最新的模型即可，确保模型在训练时更加灵活。本文选取美国国家海洋和大气管理局（，）数据库中提供的 双极化气象雷达偏振参量信息进行实验。在 年 月至 年 月期间获取的回波数据中选取 万个作为训练样本。该样本数据包含多个典型的天气情况并涉及不同的季节，具有较强的代表性。采用 语言和 架构进行编程，实现上述模型搭建和参数调整。在训练过程中，采用初始学习率为.，学习率衰减率为.，滑动平均衰减率为.，调整策略保留率为.。在输入样本的过程中引入了小批次样本降低复杂度。随着训练次数的增加损失误差不断下降，当损失误差达到收敛状态时，保存模型及权重参数。模型训练过程中准确率和损失误差的变化曲线如图 所示。第 期李 海等：基于卷积神经网络的双极化气象雷达冰雹检测方法图 准确率和损失误差变化曲线 算法流程与步骤基于卷积神经网络的双极化气象雷达冰雹检测方法流程如图 所示。图 基于卷积神经网络的双极化气象雷达冰雹检测方法流程图 基于卷积神经网络的双极化气象雷达冰雹检测方法步骤如下所示。）步骤：对获取的双极化气象雷达极化数据进行处理，使其符合卷积神经网络的输入同时提高数据分辨率；）步骤：搭建卷积神经网络结构，设定模型中的超参数；）步骤：对模型进行迭代训练，更新模型参数；）步骤：使用冰雹检测模型来进行测试；）步骤：输出模型分类结果。实验及结果分析本文分别使用仿真数据和实测数据，对训练好的卷积神经网络冰雹检测模型进行验证。下面分别展示两份数据的实验结果。.仿真数据通过仿真得到的雷达回波数据反演计算出的极化参数称为仿真数据。仿真过程用到的雷达参数如表 所示。表 极化雷达仿真参数（）（）（），（）（）（）（）.选取 年 月 日俄克拉荷马州强降雨过程的场景进行仿真，其可视化结果由 的 雷达提供如图 所示，颜色越深代表的降雨强度越大，区域有很大概率会出现冰雹。雷达回波仿真结果反演得到的反射率和差分反射率可视化结果如图 所示。火 控 雷 达 技 术第 卷图 雷达强降雨过程可视化结果（：）图 仿真数据可视化结果（：）利用卷积