技术领域
[0001] 本发明涉及天气雷达技术领域，特别是涉及一种基于目标检测的天气雷达电磁干扰回波识别方法。
相关背景技术
[0002] 强对流天气具有突发性和局地性强、尺度小、生命史短、灾害严重等特点，一直是天气预报业务中的重点和难点。天气雷达作为主动遥感观测仪器，因其具备高时、空分辨率的特点，是目前探测对流风暴最为快速有效的工具之一，在强对流监测和预警中有着不可替代的作用。近年来，随着地方经济的不断发展，城乡建设规模的不断扩大，各地气象探测环境总体状况不容乐观。特别是伴随电子技术的高速发展，各类电子产品已进入社会各个领域和百姓生活的方方面面，各种无线电发射装置也被广泛应用，这就导致了天气雷达随时都有遭遇电磁干扰的可能，对天气雷达监测的准确性和真实性构成了严重威胁。天气雷达数据出现电磁干扰回波的问题也日益突出，严重影响了预报员对天气形势的分析和判断，对雷达保障与资料应用更是一种巨大的挑战。
[0003] 天气雷达受电磁干扰源影响而产生的电磁干扰回波常表现为螺旋带、麻点、条幅状直线。通常，近距离电磁干扰会导致满屏干扰麻点，而远距离电磁干扰则往往在某个方向上存在固定干扰回波。此外，一定带宽的干扰也会导致雷达回波出现满屏干扰麻点，而单频点干扰造成的电磁干扰回波多表现为条幅状。当前，针对电磁干扰回波消除的相关研究总还较少。周红根等（2008）针对新一代天气雷达（CINRAD/SA）运行过程中出现的回波异常情况，从外界电磁波干扰、计算机系统、接收机系统、天线伺服系统等方面分析造成雷达回波异常的成因，并归纳出故障排查方法及技巧。该方法需要人工判断雷达错误资料，无法解决实时业务运行中的资料使用问题。江源（2013）针对孤立性和条幅状的电磁干扰，通过了解电磁干扰回波自身特征，研究了区域滤波和检查回波径向、方位上的连续性的干扰回波识别方法。郭春辉等（2014）运用边缘识别法和径向识别法来剔除电磁干扰回波。文浩等（2016）对新一代天气雷达建设业务软件系统开发及应用（ROSE）系统中使用的电磁干扰质控算法进行评估后发现，现有的算法仅仅是从回波的形状特征上进行识别，只能识别剔除小于５个径向和部分麻点状、螺旋状的电磁干扰回波。杜言霞等（2017）利用泉州和厦门天气雷达的实测数据，基于功率法开展径向干扰回波去除方法研究，并与滤波法、插值法的去除效果进行对比。仰美霖等（2018）基于北京天气雷达不同电磁干扰回波的特征差异，对江源等（2013）的干扰回波识别算法进行改进，评估结果表明其对于散点状、窄条幅状及高仰角层不明干扰回波处理效果较好，而对于满屏螺旋带及麻点、宽条幅状电磁干扰回波处理效果较差。文浩等（2020）基于雷达基数据构造特征参数，使用模糊逻辑方法进行径向干扰杂波识别，识别准确率大幅提高，但对层状云降水存在误识别和误删除问题。苏添记等（2020）从雷达扫描和数据录取策略出发，分析了电磁干扰回波的形态和特征，使用径向数据干扰特征判断和数列自相关方法可滤除基数据中大部分的电磁干扰回波。舒毅等（2022）阐述了天气雷达同频电磁干扰的信号特点、回波特征及其产生机制，为快速、准确地识别与抑制雷达电磁干扰回波提供参考。
[0004] 综上所述，现有雷达电磁干扰回波识别方法虽然具有不错的识别效果，但在业务应用中仍存在误识别、漏识别等问题，识别准确率还有待进一步提高。此外，当前的雷达电磁干扰回波识别方法主要面向径向条幅状、散点分布状的干扰回波，针对分布形态更加复杂的螺旋带状干扰回波的研究还相对较少，且整体识别效果较差。为此，根据雷达电磁干扰回波相关特征，深入研究基于业务天气雷达资料的电磁干扰回波识别方法，提高天气雷达资料质量及其在强天气监测预警中的应用水平，对提升防灾减灾能力，减少人民生命和财产损失具有重要的意义。
[0005] 日益复杂的电磁环境会对天气雷达的探测形成干扰，严重影响雷达天气监测的准确性。为有效弥补现有天气雷达数据质控方法对电磁干扰回波处理的不足，解决现有业务天气雷达实际运行中日益显著的电磁干扰问题，提供一种用于雷达数据质量控制的基于目标检测的天气雷达电磁干扰回波识别方法。
具体实施方式
[0071] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0072] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0073] 本实施例提出了一种基于目标检测的天气雷达电磁干扰回波识别方法，包括：
[0074] 获取待识别的雷达基数据，生成待识别的雷达回波图像；
[0075] 将待识别的雷达回波图像，输入预设的目标检测模型，进行天气雷达电磁干扰回波识别；其中，目标检测模型，通过预构建的数据集对改进的YOLOv8模型进行训练获得，数据集包括：天气雷达电磁干扰回波图像及标注数据。
[0076] 具体地，本实施例以YOLOv8网络为基线模型，基于天气雷达电磁干扰回波的针对性识别任务，通过在C2f模块引入可切换空洞卷积模块SAConv、空间池化金字塔模块添加LSKA注意力模块、头部网络添加CBAM注意力机制模块和改进损失函数等方法，构建了一种基于目标检测的天气雷达电磁干扰回波识别方法。可有效弥补现有雷达资料质控系统对电磁干扰回波处理的不足，提升业务天气雷达资料在降水定量估测、强天气监测预警、高分辨率数值模式资料同化中的应用水平。本实施例提供的技术方案提高了天气雷达的资料质量，并可运用于现有业务运行的天气雷达数据处理中。
[0077] 进一步地，预构建数据集包括：
[0078] 基于天气雷达基数据，获取存在电磁干扰的天气雷达电磁干扰回波图像及标注数据；
[0079] 对天气雷达电磁干扰回波图像和标注数据进行预处理，获取数据集。
[0080] 更进一步地，在本实施例的数据集构建中，首先进行雷达回波图像绘制与干扰回波标注：读取天气雷达基数据，绘制并输出第一层仰角的回波强度（反射率因子）平面位置显示（PPI）图像文件；在雷达回波图像上标注分类电磁干扰回波，生成标注文件；具体包括：
[0081] S11：使用基于Python语言编写的雷达绘图程序完成天气雷达基数据的读取、极坐标转换、PPI图像绘制及图像文件输出等批处理操作，得到大量的雷达回波图像；
[0082] S12：基于步骤S11得到的雷达回波图像，人工筛选出存在电磁干扰的雷达回波图像；
[0083] S13：使用LabelMe软件对步骤S12筛选出的电磁干扰回波图像进行分割，绘制干扰回波的多边形框，并对标记的干扰回波进行分类，生成与图像文件一一对应的json格式的标注文件。
[0084] 更进一步地，在本实施例的数据集构建中，其次进行数据集增强：采用数据增强方法对步骤S1制作的天气雷达电磁干扰回波标注图像和标注文件进行扩充，建立天气雷达电磁干扰回波图像数据集；具体包括：
[0085] S21：对步骤S1制作的天气雷达电磁干扰回波标注图像进行由左至右旋转180度的水平翻转操作，将对应的json标注文件的多边形框坐标数据同步进行水平翻转操作；
[0086] S22：对步骤S1制作的天气雷达电磁干扰回波标注图像添加高斯噪声，在对应的json标注文件的多边形框坐标数据上同步增加高斯偏移；
[0087] S23：对步骤S1制作的天气雷达电磁干扰回波标注图像分别进行增加20%亮度和减少20%亮度的操作；
[0088] S24：将步骤S1制作的天气雷达电磁干扰回波标注图像和标注文件与步骤S21至步骤S23得到的天气雷达电磁干扰回波标注图像及其标注文件进行合并，建立天气雷达电磁干扰回波图像数据集。
[0089] 进一步地，构建改进的目标检测模型：构建优化模型结构与损失函数的改进YOLOv8目标检测模型；改进YOLOv8模型包括：
[0090] 为YOLOv8模型的C2f模块引入可切换的空洞卷积模块SAConv，形成骨干网络的SAConv‑C2f模块；
[0091] 为YOLOv8模型的SPPF模块添加大型可分离核注意力机制LSKA，构成骨干网络的改进后的LSKA‑SPPF模块；
[0092] 为YOLOv8模型的头部网络添加注意力机制模块CBAM；
[0093] 在YOLOv8模型的分类损失中采用带权重的交叉损失函数。
[0094] 进一步地，数据集预处理：将步骤S2得到的天气雷达电磁干扰回波图像数据集按照80%和20%的比例划分为训练集和测试集；
[0095] 进一步地，模型训练和测试：将训练集输入步骤S3构建的目标检测模型进行训练，并通过测试集进行性能测试；不断优化调整模型参数，迭代训练以获得最优的识别效果和最佳的目标检测模型；
[0096] 更进一步地，在本实施例中模型训练和测试包括：
[0097] S51：确定精确度（Precision）、召回率（Recall）、平均准度均值（mAP）作为模型性能评价指标；
[0098] S52：设置模型的相关训练参数，如：训练轮次、输入图像大小、训练结束条件等；
[0099] S53：基于步骤S4得到的训练集采用迁移参数学习训练主干网络，使用步骤S4得到的测试集对模型进行验证。根据识别结果并结合模型性能评价指标，不断优化调整模型参数，重复开展模型训练和测试，得到最好的识别效果和最佳识别模型。
[0100] 进一步的，干扰回波识别与信息输出：利用步骤S5得到的最佳目标检测模型进行天气雷达电磁干扰回波识别，对识别出的干扰回波进行标注，并同步输出干扰回波掩膜的坐标信息。
[0101] 更进一步地，在本实施例中，干扰回波识别与信息输出包括：
[0102] S61：读取待识别的雷达基数据，输出雷达回波图像；
[0103] S62：将步骤S61得到的待识别的雷达回波图像输入目标检测模型，输出电磁干扰回波标注图像以及电磁干扰回波掩膜轮廓坐标信息文件。
[0104] S63：读取步骤S62输出的电磁干扰回波掩膜轮廓坐标信息文件，将干扰回波的图像坐标转换为雷达极坐标，并将该极坐标下的雷达参量置为无效值，以实现对天气雷达电磁干扰回波的识别和剔除。
[0105] 下面以布设于湖北随州（31.712°N，113.581°E）的业务S波段天气雷达为例，如图1所示，详细说明本实施例的实施过程：
[0106] 步骤S1：获取布设于湖北随州（31.712°N，113.581°E）的业务S波段天气雷达的历史基数据，读取天气雷达基数据，绘制并输出第一层仰角的回波强度PPI图像文件；在雷达回波图像上标注分类电磁干扰回波，生成标注文件；
[0107] 步骤S2：采用数据增强方法对步骤S1制作的天气雷达电磁干扰回波标注图像和标注文件进行扩充，建立天气雷达电磁干扰回波图像数据集；
[0108] 步骤S3：构建基于改进YOLOv8的目标检测模型；
[0109] 步骤S4：将步骤S2得到的天气雷达电磁干扰回波图像数据集按照80%和20%的比例划分为训练集和测试集；
[0110] 步骤S5：将训练集输入步骤S3构建的目标检测模型进行训练，并通过测试集进行性能测试；不断优化调整模型参数，迭代训练以获得最优的识别效果和最佳的目标检测模型；
[0111] 步骤S6：利用步骤S5得到的最佳目标检测模型进行天气雷达电磁干扰回波识别，对识别出的干扰回波进行标注，并同步输出干扰回波掩膜的坐标信息。
[0112] 进一步地，步骤S1中，制作天气雷达电磁干扰回波图像和标注文件的具体步骤为：
[0113] 步骤S11：使用基于Python语言编写的雷达绘图程序完成天气雷达基数据的读取、极坐标转换、PPI图像绘制及图像文件输出等批处理操作，得到大量的雷达回波图像；
[0114] 步骤S12：基于步骤S11得到的雷达回波图像，人工筛选出存在电磁干扰的雷达回波图像；
[0115] 步骤S13：使用LabelMe软件对步骤S12筛选出的电磁干扰回波图像进行分割，标注出干扰回波的多边形轮廓，标注过程遵循准确性、一致性、可区分性原则，每张图像至少包含一个干扰回波标注，并将其类型定义为abnormal，生成与图像文件一一对应的json格式的标注文件。
[0116] 进一步地，步骤S2中，采用数据增强方法建立天气雷达电磁干扰回波图像数据集的具体步骤为：
[0117] 步骤S21：对步骤S1制作的天气雷达电磁干扰回波标注图像进行由左至右旋转180度的水平翻转操作，将对应的json标注文件的多边形框坐标数据同步进行水平翻转操作；
[0118] 步骤S22：对步骤S1制作的天气雷达电磁干扰回波标注图像添加高斯噪声，在对应的json标注文件的多边形框坐标数据上同步增加高斯偏移；
[0119] 步骤S23：对步骤S1制作的天气雷达电磁干扰回波标注图像分别进行增加20%亮度和减少20%亮度的操作；
[0120] 步骤S24：将步骤S1制作的天气雷达电磁干扰回波标注图像和标注文件与步骤S21至步骤S23得到的天气雷达电磁干扰回波标注图像及其标注文件进行合并，建立天气雷达电磁干扰回波图像数据集。
[0121] 进一步地，步骤S3中，构建改进的YOLOv8目标检测模型（如图2所示）的具体步骤为：
[0122] 步骤S31：为YOLOv8的C2f模块引入可切换的空洞卷积模块SAConv（如图3所示），形成骨干网络的SAConv‑C2f模块。该模块由前置上下文感知层、可切换空洞卷积层和后置上下文感知层组成，两个上下文感知层均包括一个全局特征平均池化层和一个1×1的卷积层。输入特征F1首先经过全局平均池化层进行模型压缩，然后经过卷积层，最后将卷积层输出与输入特征相加。前置的上下文感知层的输出经过可切换空洞卷积层时分为特征提取、切换函数和加权组合三个部分：特征提取部分，输入特征分别通过两个具有不同空洞率的3×3卷积层Conv1和Conv2；切换函数部分为一个5×5内核的平均池化层和一个1×1的卷积层，确定特征提取部分两个卷积层的权重；加权组合部分将特征提取部分的两个卷积层的输出进行加权相加得到中间特征F，即：
[0123] 其中，x为输入，S(x)表示切换函数， 和 表示卷积运算的权重。中间特征F经过后置的上下文感知层后输出最终的特征图F2；
[0124] 步骤S32：为SPPF模块添加LSKA注意力机制，构成骨干网络的改进LSKA‑SPPF模块（如图4所示）。在LSKA‑SPPF模块中，输入特征图首先经过一个初始卷积层提取初步特征图，然后初步特征图分别经过三个最大池化操作后，将初步特征图和三个池化特征图在concat模块进行拼接结合到一个特征图上，再经过两个初始化卷积层提取水平和垂直方向的特征，然后通过两个级联的具有不同扩张率的水平和垂直1‑D卷积核进一步提取图像特征得到特征图，最后通过concat模块和卷积操作得到LSKA‑SPPF模块的输出特征图；
[0125] 步骤S33：为头部网络添加CBAM注意力机制（如图5所示）。大小为H×W×C的输入特征图F1进入通道注意力模块，先经过两个并行的最大池化层和平均池化层，接着通过共享全连接层模块，然后通过ReLU激活函数得到两个激活后的结果，将这两个输出结果进行逐元素相加，得到获得通道注意力的特征图F2。将F1和F2进行相乘操作后继续输入空间注意力模块，先经过并行的最大池化操作和平均池化操作得到两个1×H×W的特征图，然后通过Concat操作完成两个特征图的拼接，并通过sigmoid激活函数变为1通道的获得空间注意力的特征图F3。最后，将F3与前面F1和F2的相乘结果再次进行相乘操作得大小为到1×1×C的输出特征图F4；
[0126] 步骤S34：YOLOv8的损失函数采用Task Aligned Assigner正样本分配策略，由分类损失和边界框回归损失两个损失函数加权组合而成。
[0127] 分类损失采用解决样本不均衡问题的基于二分类交叉熵损失函数：
[0128] 其中， 为预测的标签元素，为目标元素，若 则为正样本， 为正样本权重系数，若 则为负样本；
[0129] 边界框回归损失采用边界框中心点位置损失 和 边界框面积损失 的加权组合：
[0130] 其中， 为边界框坐标点的预测值， 为边界框坐标邻近点的预测值，y为目标值， 为标签积分值， 为坐标邻近点的标签积分值；
[0131] 其中， 为预测边界框和目标边界框的交集， 为预测边界框和目标边界框的并集，为预测边界框中心点， 为目标边界框中心点；
[0132] 交叉损失函数为：
[0133] 其中，、、分别为 、 、 的权重。
[0134] 进一步地，步骤S5中，模型训练和测试的具体步骤为：
[0135] 步骤S51：确定精确度（Precision）、召回率（Recall）、平均准度均值（mAP）作为模型性能评价指标；
[0136] 步骤S52：设置模型的相关训练参数，如：训练轮次、输入图像大小、训练结束条件等；
[0137] 步骤S53：基于步骤S4得到的训练集采用迁移参数学习训练主干网络，使用步骤S4得到的测试集对模型进行验证。根据识别结果并结合模型性能评价指标，不断优化调整模型参数，重复开展模型训练和测试，得到最好的识别效果和最佳识别模型。
[0138] 进一步地，步骤S6中，干扰回波识别与信息输出的具体步骤为：
[0139] 步骤S61：读取待识别的雷达基数据，输出雷达回波图像；
[0140] 步骤S62：将步骤S61得到的待识别的雷达回波图像输入目标检测模型，输出电磁干扰回波标注图像以及电磁干扰回波掩膜轮廓坐标信息文件。
[0141] 步骤S63：读取步骤S62输出的电磁干扰回波掩膜轮廓坐标信息文件，将干扰回波的图像坐标转换为雷达极坐标，并将该极坐标下的雷达参量置为无效值，以实现对天气雷达电磁干扰回波的识别和剔除。
[0142] 本实施例中选取的雷达基数据来自湖北省随州市的业务S波段天气雷达。该雷达周边建设了大规模的风电场，风能发电过程中，由于风轮的旋转、电流的流动以及电气设备的运行都可能对雷达运行形成电磁干扰。此外，雷达站周边电磁环境复杂，存在一些军用和民用无线电探测设备。上述多种因素时常导致雷达回波图上出现明显的电磁干扰回波，严重影响了雷达数据在天气监测与预报服务中的应用。
[0143] 下面结合这部业务S波段天气雷达的实际观测来分析本申请涉及的一种基于目标检测的天气雷达电磁干扰回波识别方法的识别效果。
[0144] 为了检验基于目标检测的天气雷达电磁干扰回波识别方法的实际效果，利用随州业务S波段天气雷达的实际观测数据开展评估。
[0145] 图6至图8分别为随州S波段天气雷达在2019年6月23日23时39分（图6）、2019年7月16日19时03分（图7）和2019年6月10日09时55分（图8）0.5°仰角下观测到的回波强度及识别到的电磁干扰回波PPI图（数据时间为世界时，雷达位于图像中心位置）。
[0146] 从图6中可以发现，在PPI图的东南方向出现了一条明显的弧状回波，即为识别出的电磁干扰回波（图中方框标注区域，后同），其回波强度（反射率因子）约15 25dBZ，与降水~回波的强度基本一致。因此，若不对其进行有效识别与处理，在雷达数据定量应用时会被误认为是降水回波，从而产生错误。同时，除了表现为孤立的弧状回波形态，电磁干扰回波有时也会在某个方向上呈现出层叠的多条弧状分布特征。如图7所示，基于目标检测的电磁干扰回波识别方法同样识别出了PPI图中西南方向上出现的多层干扰回波，而西边的一小块干扰回波也能成功识别。此外，电磁干扰回波有时还会表现出多个方向、多种形态共存的复杂分布特征。如图8所示，PPI图中正南方向的干扰回波表现出间断不连续的特征，而东南方向和西南方向同样出现了弧状干扰回波和多层干扰回波，虽然两者的形态特征较为清晰，但都与降水回波相邻。面对如此复杂的分布情况，基于目标检测的电磁干扰回波识别方法同样成功识别出了图中多种类、多形态的干扰回波，整体识别效果良好。
[0147] 本实施例针对2019年6‑7月随州业务S波段天气雷达的实际探测资料，首先读取雷达的基数据并输出雷达回波图像，然后将雷达图像输入训练好的基于目标检测的天气雷达电磁干扰回波识别模型，最后，输出识别电磁干扰回波的雷达回波图像以及干扰回波坐标信息文件。初步得到以下结论：
[0148] （1）电磁干扰回波表现出显著的图像特征，即：电磁干扰回波的外形整体呈现出螺旋状或弧线状分布特征，且弧线时而完整清晰，时而间断模糊。此外，电磁干扰回波有时孤立出现，有时在多个方向同时出现，有时则在同一方向上连续出现。
[0149] （2）传统雷达数据质控方法难以对复杂多变的电磁干扰回波进行良好识别，特别是离散分布的或与降水回波混叠在一起的干扰回波，更加难以成功识别。本申请涉及的基于目标检测的天气雷达电磁干扰回波识别方法即以干扰回波的图像特征为关键，改进目标检测模型并开展训练建模，建立天气雷达电磁干扰回波识别模型，实现电磁干扰回波的有效识别。从雷达实际观测数据的识别结果来看，该方法能有效识别出各种类型的电磁干扰回波，可有效提升雷达数据质量，为业务天气雷达资料的定量应用提供有利支撑。
[0150] 通过上述结论可知，本实施例通过批处理历史雷达基数据得到大量雷达图像文件；利用数据增强方法将人工筛选出的电磁干扰回波图像进行扩展，建立电磁干扰回波图像数据集；基于改进的YOLOv8目标检测模型开展训练和测试；通过优化调整模型参数和迭代训练，最终得到最佳的电磁干扰回波识别模型；从而实现基于目标检测的天气雷达电磁干扰回波识别。
[0151] 以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
