地球科学进展

地球科学进展, 2020, 35(12): 1256-1269 DOI: 10.11867/j.issn.1001-8166.2020.100

研究论文

微波雷达双边滤波云检测新方法的研究

葛觐铭,, 胡晓宇, 王晨, 董自香, 杜佳璟

兰州大学大气科学学院，半干旱气候变化教育部重点实验室，甘肃 兰州 730000

A Novel Bilateral Filter Hydrometeor Detection Method for Microwave Radar

Ge Jinming,, Hu Xiaoyu, Wang Chen, Dong Zixiang, Du Jiajing

Key Laboratory for Semi-Arid Climate Change of the Ministry of Education and College of Atmospheric Sciences，Lanzhou University，Lanzhou 730000，China

收稿日期: 2020-09-20   修回日期: 2020-11-20   网络出版日期: 2021-02-09

基金资助: 国家自然科学基金项目“基于双边滤波噪声压缩方案对CloudSat云检测方法的改进研究”.  41875028
甘肃省科技计划项目“雷达小散射截面信号检测研究”.  20JR5RA301

Received: 2020-09-20   Revised: 2020-11-20   Online: 2021-02-09

作者简介 About authors

葛觐铭（1982-），男，甘肃兰州人，教授，主要从事大气辐射与遥感研究.E-mail：gejm@lzu.edu.cn

GeJinming(1982-),male,LanzhouCity,GansuProvince,Professor.Researchareasincludeatmosphericradiationandremotesensing.E-mail:gejm@lzu.edu.cn

摘要

云是影响天气、气候变化的重要因子，也是目前造成气候模拟的最大不确定因素之一，云的长期准确观测，对验证和约束模式结果，减少云对气候变化模拟预测造成的不确定性有重要意义。毫米波云雷达通过接受云滴粒子回波信号，可以获取云的三维结构特征，是云探测的有力工具。以兰州大学半干旱气候与环境观测站Ka波段云雷达和CloudSat星载W波段云雷达为例，详细介绍了一种基于双边滤波的噪声压缩思想，对地—空基云雷达信号回波和背景噪声区分识别的云检测改进算法。通过将图像平滑处理的双边滤波思想引入毫米波雷达云检测算法当中，在压缩雷达背景噪声的同时，保持了弱信号边缘的清楚完整性，从而识别出更多被以往算法忽略的真实信号，并与地面和星载激光雷达同步观测对比，证实了该算法能显著降低传统算法的漏检率，提高毫米波雷达云检测准确度。同时，还以飞行器航迹检测为例，探讨了该算法在微波雷达对目标物探测应用中的改进，说明该算法对增强雷达小散射截面目标物识别方面的普适性。由此认为该方法对微波主动雷达目标物检测，特别是弱信号物体识别提供了一种有效改进。

关键词： 云检测 ; 双边滤波 ; 毫米波云雷达 ; 航迹检测 ; 目标物识别

Abstract

Clouds play an import role in weather and climate change， and are one of the most principal sources of uncertainty in climate projection. Long-term accurate observations of clouds are vital to validating and constraining model simulations， and reducing the uncertainty caused by clouds in climate models. The millimeter-wavelength cloud radar is a powerful tool for cloud observation by directly detecting signal backscattered from cloud droplets， and thus can provide cloud three-dimensional features. In this paper， we presented in detail an improved cloud detection algorithm to distinguish real cloud echoes from radar background noise. The bilateral filter idea from image process was adopted into millimeter-wave cloud detection algorithm， which compressed the radar noise while preserving cloud edge， therefore being able to identify more real weak signal ignored by traditional cloud mask methods. We also used the Ka-band Zenith Radar （KAZR） in the Semi-Arid Climate and Environment Observatory of Lanzhou University （SACOL）， and the W-band cloud profiling radar aboard CloudSat， along with the synchronized lidar measurements to demonstrate that the improved algorithm could significantly reduce false negative rate， and increase the cloud detection accuracy. This paper also discussed the advantages of this algorithm for microwave radar in other remote sensing applications， taking track detection as an example. It shows that the algorithm could be generally used for small radar cross section target recognition. We believe this method will enhance the active microwave radar target detection ability especially for the objects with small radar cross section.

Keywords： Cloud detection ; Bilateral filter ; Millimeter-wave cloud radar ; Track detection ; Target recognition

PDF (8559KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

葛觐铭, 胡晓宇, 王晨, 董自香, 杜佳璟. 微波雷达双边滤波云检测新方法的研究. 地球科学进展[J], 2020, 35(12): 1256-1269 DOI:10.11867/j.issn.1001-8166.2020.100

Ge Jinming, Hu Xiaoyu, Wang Chen, Dong Zixiang, Du Jiajing. A Novel Bilateral Filter Hydrometeor Detection Method for Microwave Radar. Advances in Earth Science[J], 2020, 35(12): 1256-1269 DOI:10.11867/j.issn.1001-8166.2020.100

1 引 言

云是大气中水汽由垂直抬升或由其他方式冷却达到饱和，进而凝结、凝华形成的液态、冰晶或二者组成的可见聚合物，是天气过程的直观体现，也是影响天气和气候变化的重要因子之一［1~4］。云一方面将入射的太阳短波辐射反射回太空，对地气系统起冷却作用（反照率效应）；另一方面，阻挡云下大气及地表发出的长波辐射，对地气系统起保暖作用（温室效应）。这两种效应主要取决于云的位置、相态、粒子大小、光学厚度等宏微观物理辐射特性，随着不同类型云的分布，存在区域云辐射效应的差异。例如，海洋上空较低的层云和层积云，云顶温度较高，光学厚度较大，对太阳短波辐射有明显的反照率冷却效应［5，6］；而高海拔的冰云，光学厚度和云体温度较低，能够透射太阳辐射，阻挡长波辐射，因而温室效应起主导作用［7，8］。就全球年平均而言，云的净辐射效应约为-18 W/m2，这一结果的绝对值比CO2加倍造成的辐射增暖大5倍之多［9］。因此，云物理辐射特性较小的改变就能对辐射收支产生显著影响。云物理过程中还伴随水汽相变潜热释放，可以改变大气的热力和动力结构，进而影响环流变化，凝结的水汽通过降水重新回到地表，对水循环也起着关键作用［10，11］。然而，目前气候模式中对于云的表征准确性依然较低。这一方面因为云的生消过程受不同时间和空间尺度物理过程的影响，一些次网格尺度过程并不能被气候模式完全解析，而需要参数化处理，使得模式表征存在较大偏差［12］；另一方面，云对环流变化响应引起的辐射改变，即云反馈作用［13，14］在模式中还存在较大问题，特别是不同模式在洋面上低云的模拟差异造成的辐射反馈偏差［15］，导致预测的平衡气候敏感度存在1.5~4.5 ℃的变化，成为目前气候变化预测中最大的不确定因素［16，17］。

高时空分辨率的云观测对于更好地理解云物理过程、改进云参数化方案，提高模式中云的合理表征，评估和约束模式模拟结果，降低云在模式中造成较大的气候预测不确定性至关重要［18~20］。目前云的观测方式很多，都有一定的优缺点。比如，全天空成像仪可以持续获取总云量分布，但是缺乏云高垂直结构等信息，且只能在白天工作；红外成像仪能够不受昼夜限制观测云高云量，但测量误差较大；激光雷达对冰晶粒子的敏感性较高，但难以穿透光学厚度较大的水云；飞机探测能够直接测量云特性，但仅适于区域个例研究，难以长时间连续观测；被动卫星遥感探测范围较大，但对云底和多层云的反演仍不理想。相比之下，毫米波雷达对云滴粒子有较高的敏感性，对厚云和降水有较好的穿透性，能够较为准确地获取高时空分辨率的云垂直结构，同时还可利用多普勒效应观测湍流等微物理过程［21~24］。美国能源部大气辐射测量计划（Atmospheric Radiation Measurement，ARM）从20世纪80年代末开始布设多部毫米波云雷达，欧洲也开展了云雷达观测的相关研究［25~27］。国内魏重等［28］较早利用毫米波云雷达进行了观测试验和探测能力评估，近年来多地相继部署了云雷达，开展了云宏微观物理特性研究，如张涛等［29］分析了青藏高原对流云降水的垂直结构和微观物理过程；霍娟等［30］分析了北京地区云的宏观特征；黄兴友等［31］结合辐射传输模式，研究了层状云的辐射效应。地基云雷达可提供局地长期连续的云观测，星载毫米波云雷达则可获取全球云的垂直结构，如2006年美国航空航天局（National Aeronautics and Space Administration，NASA）发射的CloudSat卫星所搭载的W波段云廓线雷达［32］，2014年日本航空航天研发机构（Japan Aerospace Exploration Agency，JAXA）和NASA联合发射的全球降水测量卫星搭载的Ka波段降水雷达［33］，以及欧洲空间局（European Space Agency，ESA）和JAXA计划联合发射的EarthCARE卫星所搭载的W波段云廓线雷达［34］，对分析全球云的物理辐射特性、反馈效应及评估和改进模式模拟起着非常重要的作用［35，36］。

云雷达通过天线集中向某一个方向发射能量，并接受该方向有效照射体积内目标物的后向散射回波，其信号强弱取决于单位体积内目标物的雷达后向散射截面大小以及距离雷达的远近。实际观测中，雷达除了接收来自目标物的后向散射信号外，还受到包括由接收机、线路电阻器件、放大器和混频器等内部噪声，以及天线接收的地表或大气中其他物质发射微波辐射造成的外部噪声。因此，利用雷达观测反演云宏微观物理特征前，首先需要将原始数据中的噪声和云回波信号进行区分（即云检测识别）。云检测中对于显著高于噪声水平的强回波信号，可以通过阈值设置较易识别，但当云回波信号较弱与噪声水平接近时，则大幅增加了准确判识的难度，一直是微波雷达目标物识别中存在的难点问题，而这些弱回波信号一般来自小粒径或稀薄的冰云粒子，常出现在云层顶部边界或高海拔地区，这些位置的云都具有较强的温室效应，会显著影响辐射收支也常与云的形成或消亡有关［37，38］，准确识别这些云滴粒子对于理解云生消过程及其对气候能量平衡的作用有重要意义。本文将计算机图像处理中的双边滤波思想引入到地基—空基云雷达云检测算法中［39］，有效提升了雷达对弱回波信号的识别能力，并显著降低了识别的漏检率。全文首先介绍了双边滤波噪声压缩方法（简称双边滤波方法）；进而给出了该方法在地基和星载微波云雷达对弱云信号检测识别能力的具体提高改进；最后以航空飞行器航迹检测为例，给出了该方法在其他雷达探测领域对弱回波信号识别的潜在价值，对该方法的推广应用做出了展望。

2 云检测及双边滤波噪声压缩方法

2.1 云检测

Clothiaux等［40，41］提出的云检测算法最初被应用于美国ARM云雷达业务算法上，之后美国华盛顿大学Marchand等［42］在此基础上进行了改进，完成了CloudSat星载云廓线雷达云检测识别算法。该算法的核心思想主要分为两步：第一步首先通过选取仅含噪声的雷达距离库，计算噪声的平均值(m)和标准差(σ)，并据此参数与其他雷达距离库回波进行对比，将回波功率Pr大于m+σ的距离库标记为1，认为其可能包含有效信号，而将小于m+σ的距离库标记为0，认为是噪声。第二步考虑噪声具有随机分布的高频特征，而云在时空尺度上连续分布具有低频特征，构建一个宽度为Nw、高度为Nh的低通滤波器，当滤波器内所有距离库均为噪声时，理论上其中出现N0个被赋值为0的距离库的概率为：

p=0.16NT-N00.84N0，

式中：0.16和0.84分别为噪声在第一步中被误判和正确识别的概率，N0为赋值为0的距离库个数，NT为滤波器内去除中心点的距离库个数，即Nw×Nh-1。比较计算的p与阈值pthresh，若p>pthresh，该点是噪声的可能性较大，将其重新赋值为0。若p≤pthresh，则说明滤波器中有足够多高于噪声水平的回波，该点赋值为1。经过3~5次滤波后，即可基本滤除第一步中出现的误判，得到最终的云检测产品。

2.2 双边滤波算法思路

由以上算法可知噪声分布对识别信号有至关重要的影响。当噪声分布较宽（较大的σ），则可能会有较多的弱回波信号（回波功率Pr<m+σ）无法被识别出来而导致漏检。若能将噪声的分布压缩在较集中的范围（较小的σ），则可区分更多的有效信号。对于随机分布的高频噪声，通过高斯滤波器（图1a）可以使其分布更为集中，从而有效降低噪声分布标准差。二维高斯函数可表示为：

Gi, j=12πσg2exp-i2+j22σg2，

式中：σg表示滤波器的频带宽度，i与j是距中心点的雷达距离库位置。然而这只是一种针对纯噪声的理想情况，实际观测中并不能提前区分噪声和信号点，若将二者平均在一起会使得信号和噪声分界处原本存在的较大回波能量梯度变得平滑模糊，即对信号进行了虚假扩展。对于云检测来说，回波功率能量较大梯度处对应着云的边缘，云边界的模糊也就意味着云检测误检率的增加。为了既能有效压缩噪声，同时又避免出现虚假信号，Ge等［39］提出了一种基于双边滤波的新方法［43］，对信号和噪声进行预区分处理：根据正态分布，回波值显著高于噪声水平，即Pr>m+3σ的雷达距离库是噪声的可能性较小（0.2%以下），这部分回波值直接保留作为真实信号；对于其余回波值，考虑信号的时空连续性，选取一个Cw×Ch的矩阵，剔除Pr>m+3σ的距离库（若这些点的个数为Ns，则矩阵内剩余点个数为Cw×Ch-Ns），理论上当这些剩余点全是噪声时，其中Pr>m+σ的点的个数应为Nt=（Cw×Ch-Ns）×16%。若矩阵内实际Pr>m+σ的距离库个数为Nr。当Nr≤Nt时，则认为矩阵内仅包含噪声，对矩阵内所有回波进行高斯滤波，达到压缩噪声的目的。而当Nr>Nt时，则矩阵内可能包含信号，直接使用高斯滤波器压缩噪声会导致信号噪声混合，对此引入标记函数δ（图1b），根据回波强弱，将中心点与周边点雷达距离库的回波功率划界分类，如当中心点回波值Pr>m+σ，则对矩阵内回波Pr>m+σ的距离库的δ记为1，其他距离库δ记为0，并由二维高斯函数和δ函数构建公式（3）表示的双边滤波器（图1c所示）。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   双边滤波示意图

（a）二维高斯函数；（b）标记函数，根据实际回波分布对高斯滤波赋值不同权重；（c）由高斯函数和标记函数构建的双边滤波器；i与j是距中心点的雷达距离库位置

Fig.1   Schematic diagram of bilateral filter

(a) Two-dimensional Gaussian function; (b) δ function,assigning different weights to the Gaussian filter according to the actual echo distribution; (c) Bilateral filter,constructed by the Gaussian function and the δ function； i and j are the indexes in the filter window


Bi, j=Gi, j∙δi, j，

标记函数δi,j可由公式（4）计算：

δi,j=1,signPri,j-m+σ=signPr0,0-m+σ0,signPri,j-m+σ≠signPr0,0-m+σ  ，

其中signx为符号函数，

signx=1,x≥0-1,x<0 。

通过此双边滤波器压缩噪声，可以避免噪声和信号混合造成的边界虚假扩张，同时对噪声进行有效压缩。

2.3 理论模拟计算

为了说明双边滤波算法对噪声压缩及边缘保持特性，我们通过信号和噪声叠加，构造了如图2a所示的4条不同强度的矩形信号，其回波平均值依次设置为m+5σ、m+4σ、m+3σ和m+2σ，分别对其进行高斯滤波（图2c）和双边滤波（图2e）（蓝色和红色分别展示了原始数据中噪声和信号，图2b，d和f给出了二者分布变化）。从图2b中可以看出，高斯分布的噪声在平均值m附近聚集。4条强度不同的信号带，由于它们在图像中的比重一样，且叠加了背景噪声，也呈现高斯分布，难以分辨各个矩形信号的峰值，这也较符合真实的雷达回波可能并非来自单一信号源，而存在多个不同强度信号源叠加的实际情况。图中不难发现，回波值小于m+3σ的弱信号与噪声存在重叠的区域，难以通过单一的回波阈值将二者分离。图2c，d显示了对图2a进行高斯滤波后的回波值及其分布。从图2c可以明显看出，相比于图2a，整个图像通过高斯模糊处理，更加平滑，有助于分离信号，但当原始信号和噪声边界梯度被平滑后，也会使边界处的信号识别更加困难。与图2b相比，图2d的噪声分布明显更窄更集中，使得图2b中原本与信号叠加的区域可以较容易地和信号区分。同时，由于信号被压缩，原本4条矩阵带的峰值都显现出来，且与设定的信号平均值所对应，但在回波值m+σ至m+2σ附近，噪声和信号的叠加区域仍然存在，且存在噪声和信号的分界模糊的现象。图2e，f是双边滤波后的结果，相比于图2c可以看出，信号边缘得到充分保持，图2f的噪声分布与图2d类似，噪声得到有效压缩，噪声和信号叠加的区域相比图2d显著减少。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   双边滤波模拟测试图

（a）不同强度目标原始回波；（b）图a的回波分布；（c）对图a进行高斯滤波后的回波；（d）图c的回波分布；（e）对图a进行双边滤波后的回波；（f）图e的回波分布；右列图中，蓝色表示噪声分布，红色表示信号分布；m和σ分别为噪声的平均值和标准差

Fig.2   Test of bilateral filter

(a) Raw echoes of different intensity targets; (b) Echo distribution of Fig.(a); (c) Echoes after Gaussian filter to Fig.(a); (d) Echo distribution of Fig.(c); (e) Echoes after bilateral filter to Fig.(a); (f) Echo distribution of Fig.(e); In the right panels,blue indicates the noise distribution and red indicates the signal distribution; m and σ are the mean and standard deviation of the noise,respectively


由以上理论计算可知，高斯滤波对信号和噪声不区分处理，使信号和噪声同时被压缩造成二者边界被错误混合，而双边滤波则可在压缩噪声的同时保持原始图像中的较大梯度，保留更多真实信号，从原理上适用于雷达目标物检测。我们将双边滤波方法应用在地基和星载毫米波雷达云检测算法上，并进一步以航迹检测为例，说明该方法在雷达遥感目标物识别方面的潜在价值。

3 地基雷达云检测中的应用

3.1 算法思路与流程

我们先以兰州大学半干旱气候与环境观测站（Semi-Arid Climate and Environment Observatory of Lanzhou University，SACOL）Ka波段云雷达（Ka-band Zenith Radar，KAZR）为例［39，44，45］，说明双边滤波噪声压缩方法在地基雷达云检测中的应用。在传统的地基雷达云检测算法中引入双边滤波噪声压缩方法，如图3灰色框所示，注意输入数据为雷达信噪比（Signal-Noise Ratio，SNR）而不是回波强度，这是因为KAZR的SNR更符合高斯分布，适用于噪声压缩［39］。与2.1节所述简单二值云检测产品不同，这里给出了每个雷达距离库的云检测值（cloud mask value），越大的值表示该点有云的可信度越高，并考虑不同云检测值可信度的不同，在空间滤波处理中引入中心权重方案。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   地基雷达云检测算法流程图

m和σ分别为噪声的平均值和标准差，下标0和n分别表示原始噪声和压缩后的噪声;Nt和Nr分别为理论和实际上，滤波器内回波大于m0+σ0的距离库个数;右侧虚线框内为左侧噪声压缩的详细步骤

Fig.3   Flowchart of ground-based radar cloud detection algorithm

m and σ are the mean and standard deviation of the noise,respectively; Subscript 0 and n mean original and compressed noise; Nt and Nr are the theoretical and real number of echoes greater than m0+σ0 in the filter box; The dashed boxes in the right side indicates the detailed steps of noise compression in the left side


根据2.1节方法介绍，由每条廓线最大高度处的30个距离库（高度约在16.7 km以上，认为不存在云，即所有回波都由噪声造成）估算噪声m0和σ0，对强信号（SNR>m0+3σ0）赋云检测值为40，剩余信号进行噪声压缩。多次试验后我们发现，双边滤波器的大小取为5×5时，压缩效果最好，即垂直方向约为150 m，时间约为21.4 s。利用压缩后的SNRn值重新计算噪声水平（mn和σn），把大于mn+3σn的雷达距离库的云检测值赋为30；对mn+2σn和mn+3σn范围内的距离库，赋值为20；在mn+σn和mn+2σn之间的，赋值为10；小于mn+σn的赋值为0。如2.2节所述，初始云检测存在一定误判，需要对其进行空间低通滤波。这里考虑不同强度的回波是误判噪声的可能性不同，即回波强度越大，是噪声误判的可能性越小，对公式（1）加入中心权重WL，即：

p=WL0.16NT-N00.84N0，

式中：权重值WL取决于中心点云检测值的大小，W0=0.84，W10=0.16，W20=0.028，W≥30 = 0.002，由此动态调整计算概率，使得滤波更高效准确，多次试验后我们选取空间滤波器大小为5×5，阈值概率pthresh为5×10-12，并重复滤波5次［39］，可得最佳的云检测产品。

3.2 改进结果

图4以SACOL站2014年11月13日14：00-23：00（世界时）观测为例，验证双边滤波对地基雷达云检测算法的改进。考虑微脉冲激光雷达（Micro-Pulse Lidar，MPL）对小云滴粒子敏感性更好，进而以MPL同步观测［46］作为参考对比KAZR结果。由图4a可以看出，15：00-18：00，7 km和8 km左右的高空存在2层薄卷云，厚度约为500 m。8 km左右处的薄卷云的边缘雷达反射率因子较小，说明边缘处冰晶粒径较小或数浓度较低。而7 km左右处薄卷云的边缘更为清晰，与噪声有较为明显的分界，与云内其他区域反射率数值接近，说明云内冰晶粒子性质较为均一。这2层薄卷云虽然高度和厚度差异不大，却可能处于云生消过程的不同阶段，因此造成了云边缘的不同形态。20：00-23：00也存在2层云，9 km左右的薄卷云厚度甚至不到100 m，其雷达反射率因子略高于背景噪声值，难以判别与噪声的边界，4~8 km处的云反射率因子较大。图4b给出了激光雷达的观测结果，分布与云雷达观测较为一致，证实了这4个区域存在冰云。为了清晰比较双边滤波算法的改进，我们用传统和双边滤波2种方法分别进行云检测，结果如图4c所示，激光雷达探测到的冰云厚度（图4c中黑点）普遍高于毫米波云雷达（图4c中红色和黄色区域），这是因为MPL比KAZR波长更短，对小粒子具有更高的敏感性［47~49］，双边滤波改进算法多检测出的信号多位于云顶，如16：00-18：00的2层薄卷云较为平整的云顶和20：00-23：00 8 km处较为波动的云顶，这是因为冰云云顶附近的冰晶粒子更小［50］，散射回波较弱，难以被传统云检测算法准确识别。云底处的云滴粒径更大，能够被传统算法识别，所以无明显改进。值得注意的是，对于特别薄的卷云（16：00之前8 km左右处和21：00-23：00 9 km左右处的卷云），其冰晶粒子和数浓度都很小，反射率因子只略微高于噪声水平，传统算法几乎没有检测到信号，但引入双边滤波后，有效识别出之前漏检的薄云信号，说明了该算法对弱回波信号的识别能力。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   2014年11月13日14：00-23:00地基雷达云检测算法结果

（c）中红色表示双边滤波算法相比传统算法多识别的云信号，黄色表示两种方法同时检测到的云，蓝色表示双边滤波比传统算法遗漏的云信号，黑点表示激光雷达特征检验算法识别的云边界

Fig.4   The result of hydrometeor detection method for ground-based cloud radar from 14:00 to 23:00 on November 13,2014

In Fig. （c）, red indicates the cloud mask detected by the bilateral filter algorithm but not by the traditional algorithm, yellow indicates the cloud mask detected by both methods simultaneously, blue indicates the cloud mask missed by the bilateral filter algorithm compared to the traditional algorithm, and black dots indicate the cloud boundaries identified by the lidar feature detection algorithm


与图4不同，图5展示了2013年8月18日1次持续时间较长的高云，其云顶达12 km以上，云厚在2 km左右，云内反射率因子（图5a）在水平方向有较为剧烈的变化，说明云内有强烈的湍流活动，云边界与环境空气发生夹卷，冰晶粒子与干空气混合后粒径或数浓度减少。这使传统云检测算法遗失了云顶附近大部分弱回波信号，识别的云顶高度（图5c中黄色区域）相比于激光雷达（图5c中黑点）存在明显差异，而双边滤波算法提高了对这部分弱回波信号的识别，探测的云顶（图5c中红色区域）更接近激光雷达的结果，对于云内一些反射率因子变化较大的区域也识别得更好（如19：00-20：00）。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   2013年8月18日15:00-22:00地基雷达云检测算法结果

（c）中红色表示双边滤波算法相比传统算法多识别的云信号，黄色表示两种方法同时检测到的云，蓝色表示双边滤波比传统算法遗漏的云信号，黑点表示激光雷达特征检验算法识别的云边界

Fig.5   The result of hydrometeor detection method for ground-based cloud radar from 15:00 to 22:00 on 18 August 2013

In Fig. （c）, red indicates the cloud mask detected by the bilateral filter algorithm but not by the traditional algorithm, yellow indicates the cloud mask detected by both methods simultaneously, blue indicates the cloud mask missed by the bilateral filter algorithm compared to the traditional algorithm,and black dots indicate the cloud boundaries identified by the lidar feature detection algorithm


由以上2个个例可以看出，地基雷达云检测中引入双边滤波噪声压缩方法后，可明显改进云检测结果，尤其对薄冰云云顶等信号较弱的区域。经过与激光雷达的长期对比发现，该算法多识别的信号有98.6%被激光雷达证实，在夏季10 km以上高空尤为明显，检出数可提高10%以上，能在误检率几乎不变的情况下（4.5%升至4.6%），大幅降低漏检率（31.1%降至29.3%）［39］，且有较好的稳定性，其云检测产品能更好地为SACOL站冰云微物理和辐射特性的研究提供基础数据质量保证。

4 星载雷达云检测中的应用

4.1 算法思路与流程

如前所述，双边滤波噪声压缩方法是对噪声和信号分别处理的思路，并无其他假设或限制，有很好的适用性和可移植性（如图3右侧红框所示），可以根据不同仪器性质及算法方案进行调整适应。我们进一步将双边滤波噪声压缩方法应用在CloudSat星载云雷达云检测中，星载云雷达受限于自重和采样间隔，难以拥有和地基云雷达相似的高发射功率或大直径天线，所以仪器本身对冰云敏感性较低。为此，其产品开发团队引入沿轨道平均方案，即对原始回波进行多次沿轨道方向的平均，提高信噪比，以捕捉不同水平尺度的冰云，尽管该方法提高了对冰云的敏感性，然而噪声和信号的混合平均，使得弱信号误检率达35%~65%［42］，在实际中无法正常使用［51，52］。CloudSat团队为了解决该问题，提高了滤波阈值，并于2017年4月公布了R05新版数据，我们以CALIPSO激光雷达为参考，发现R05版本的弱回波信号误检率相比R04确实有下降，但却以损失大量真实弱云信号为代价。对此，我们引入双边滤波的云检测思路，并根据其自身的沿轨道平均方案进行调整，在沿轨平均之前进行噪声压缩，算法流程如图6所示，同时使原本沿轨道平均方案中多次云检测值的叠加可以不受新增云检测值位置的限制［53］，从而保留了更多云边界信号。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   星载雷达云检测算法流程图

虚线框为双边滤波的噪声压缩方法

Fig.6   Flowchart of the spaceborne radar cloud detection algorithm

The dashed box shows the bilateral filter noise compression method


4.2 改进结果

图7以2006年6月22日CloudSat对一次分布在50°~57°S薄卷云的观测为例，展示了双边滤波噪声压缩对星载雷达云检测算法的改进。由图7a可以看出，10 km左右的高空有雷达反射率因子的大值区，从51°S延伸至56°S附近，但是水平分布不连续，整层云结构并不清晰，仅靠肉眼难以区分是一次水平延伸的薄卷云或是多次碎云连续出现。CALIPSO激光雷达（图7b）在这一区域探测的信号在水平和垂直范围都延伸更广，且水平方向更加连续，垂直方向结构也更加清晰。这两者的差异说明此次冰云有较多信号处于CloudSat敏感性以下，注意到这种弱回波信号不仅在云顶附近，还出现在云内某些区域（如55°S附近）。CloudSat云检测官方产品和双边滤波改进结果差异如图7c所示，可以看出双边滤波算法（图7c中红色区域）能探测到更高的云顶，及水平方向更连续的云信号，使得整层云结构更加清晰。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   2006年6月22日50°~57°S星载雷达云检测算法结果

（c）红色表示双边滤波算法相比传统算法多识别的云信号，黄色表示被两种方法同时检测到的云，蓝色表示双边滤波算法遗漏的，黑点表示CALIPSO识别的云边界

Fig.7   The result of hydrometeor detection method for spaceborne radar on June 22,2006,from 50°S to 57°S

（c）Red indicates the cloud mask detected by the bilateral filtering algorithm but not by the traditional algorithm, yellow indicates the cloud mask detected by both methods simultaneously, blue indicates the cloud mask missed by the bilateral filtering compared to the traditional algorithm, and black dots indicate the cloud boundaries identified by CALIPSO


图8给出了一个CloudSat（图8a）和CALIPSO（图8b）云检测结果差异更明显的个例。CloudSat（图8a）在9 km附近探测到零星的反射率因子大值，在38°S附近存在仅稍大于背景噪声值的云信号，难以明确区分噪声与信号的边界，而CALIPSO（图8b）探测的结果显示较为清晰且平整的冰云云顶，从45°S附近一直延伸至36°S附近，表明云顶附近较小的冰晶粒子无法准确被毫米波雷达探测到。从图8c可以看出，引入双边滤波后，云边界附近检出更多信号，尤其是在反射率因子（图8a）较小容易与噪声混淆的区域。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8   2006年6月22日45°~36°S星载雷达云检测算法结果

（c）红色表示双边滤波算法相比传统算法多识别的云信号，黄色表示被两种方法同时检测到的云，蓝色表示双边滤波算法遗漏的，黑点表示CALIPSO识别的云边界

Fig.8   The result of hydrometeor detection method for spaceborne radar on 22 June 2006,from 45°S to 36°S

（c）Red indicates the cloud mask detected by the bilateral filtering algorithm but not by the traditional algorithm,yellow indicates the cloud mask detected by both methods simultaneously,blue indicates the cloud mask missed by the bilateral filtering compared to the traditional algorithm,and black dots indicate the cloud boundaries identified by CALIPSO


由此可知，双边滤波噪声压缩方法同样可以有效的改进星载毫米波雷达对弱回波信号的识别。在与CALIPSO激光雷达的长期对比验证后我们发现，该算法能显著提高毫米波雷达对冰云的检测能力，在保持漏检率几乎不变的情况下，降低误检率（由11.8%降至8.1%），由此提高云检测准确率达到95.6%，有效改进了官方最新R05版本的不足［53］。期望该算法能被我国日后自主发射的星载微波云雷达所采用，以提高星载毫米波雷达冰云微物理及辐射效应的反演。

5 航迹检测中的应用

5.1 算法思路与流程

虽然依据探测目的和测量手段不同，不同仪器或平台的目标物检测步骤可能会有一定变化，但其本质都是从雷达回波图像中提取目标物信号，去除背景噪声。我们认为双边滤波的噪声压缩方法不仅适用于大气遥感中的云检测，还可广泛运用于其他遥感领域的目标物识别。对于航空中的航迹检测来说，弱回波信号往往对应着距离较远或散射截面较小的目标物，对其有效识别意味着能提前获取起始航迹，这对于航迹跟踪有重要意义［54，55］。以下我们以航迹检测为例，初步展示双边滤波压缩方法对微波雷达在其他遥感领域应用的潜在价值。

飞行器的回波在雷达图像中常表现为一条直线，这时的目标检测问题就转化雷达图像中的直线检测问题，而其中最典型的方法之一就是Hough变换［56，57］。Hough变换的基本原理在于利用图像空间与参数空间之间的点线对偶性［58］。对于航迹检测来说，可以首先选取一定阈值（即第一门限）筛选雷达回波信号，对大于阈值的信号，将其转换为参数空间中的直线。经过参数空间中某一点的直线越多，表示该点所对应的图像空间中的直线信号越强。然后选取第二门限，筛选出参数空间中大于第二门限的格点，即检测点，寻找其中积累能量最大的点，即峰值点。最后通过逆Hough变换，将参数空间的峰值点映射回图像空间，即可得到检测的航迹。由以上航迹检测的步骤可以看出，阈值的选择对于航迹检测的结果至关重要。阈值太低会出现大量虚假航迹，即高虚警率，影响实际决策；阈值过高，又会遗漏较弱的航迹信号，即高漏警率，从而影响及时部署。如前所述，双边滤波的噪声压缩方法，能在压缩噪声的同时保持信号边界，从而可以选择更低的第一门限，使得更多弱航迹信号在参数空间中积累而尽可能少的受噪声影响，使得虚警率和漏警率都在较低水平。我们在Hough变换的航迹检测方法中引入了双边滤波噪声压缩方法，流程如图9所示。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9   航迹检测流程图

虚线框为双边滤波的噪声压缩方法

Fig.9   Flowchart of the track detection

The dashed box shows the bilateral filter noise compression method


5.2 理论模拟计算

由雷达方程可知，当目标与雷达距离较小时，雷达接收的回波功率较大。为了展示双边滤波噪声压缩方法对航迹检测的改进，我们构建一个回波功率逐渐增大的目标物，加入背景噪声，模拟目标物向雷达靠近时回波功率的变化情况。如图10a靠近右侧区域，可以明显看到回波功率的峰值，这是因为目标物和雷达已经足够靠近，产生的回波功率已经远大于背景噪声，因而可以清晰地识别出航迹。但是当目标物与雷达距离较远时，如图10a中左侧区域，产生的回波强度并不足以和背景噪声区分，航迹检测的结果并不理想（图10b）。引入双边滤波方法后，对噪声压缩的同时保持了图像的较大梯度，如图10c所示，可以看到图像从右侧延伸至左侧的直线型航迹。背景噪声水平也显著降低，因此航迹的回波信号更加明显，使得图10d相比图10b提前38 km检测出航迹信号（红色线条）。

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10   航迹检测模拟测试图

(a)原始航迹信号，其中颜色偏红表示回波强度越强，偏蓝表示回波强度越弱；(b)对图a进行航迹检测的结果；（c）对图a进行双边滤波的噪声压缩后的信号；（d）对图c进行航迹检测结果，其中红线表示比图b中多检测到的航迹

Fig.10   Test of track detection

(a) Raw track signal， the red indicates stronger echoes and blue means weaker echoes; (b) Results of track detection for Fig.（a）; (c) Signal after bilateral filter to Fig.（a）; (d) Results of track detection for Fig.（c）,where the red line indicates more tracks detected than in Fig.（b）


6 总结与展望

本文针对毫米波云雷达弱信号目标物识别问题，介绍了一种通过双边滤波噪声压缩提高目标物识别能力的新方法。该方法通过对雷达信号和噪声进行预判，首先分离强回波与噪声，继而考虑噪声的高频特性和信号的低频时空连续性，构建双边滤波器对二者区分处理，从而有效压缩了噪声水平，减少了噪声和信号重叠区域，识别出更多的弱回波信号。通过理论分析和模拟计算表明，该算法在压缩雷达背景噪声的同时，较好地保持了弱信号边缘的清楚完整性，从而准确识别出更多被以往算法忽略的真实信号。该方法分别在兰州大学半干旱气候与环境观测站地基Ka波段云雷达，以及美国CloudSat卫星搭载的94 GHz星载毫米波云廓线雷达得到了成功应用。通过地基—空基毫米波雷达观测与激光雷达对比验证，发现该算法对薄卷云、冰云云顶等弱信号区域有较为显著的识别提升，降低了传统算法的漏检率，提高了毫米波云雷达云检测准确度，证实了该算法在识别弱回波信号目标物方面的优越性，同时也说明该方法对不同平台不同波段的毫米波雷达有很好的适用性和可移植性。本文还以飞行器航迹检测为进一步的应用方向，探讨了该算法对微波雷达在其他遥感应用方向目标物识别中的改进，说明了该算法对雷达弱信号目标物识别方面具有的优异特性，能在雷达硬件性能和数据质量不变的情况下，获取尽可能多的弱回波真实信号，并在一定程度上提高了检测效率。

近年来，随着空间技术、计算机技术、传感器技术等与遥感密切相关学科技术飞速发展，遥感信息获取能力极大加强，越来越广泛地被应用到各个领域［59］。海量数据为环境遥感、城市规划、地图更新、精准农业、智慧城市等方面提供了数据支持，然而，如何高效地处理和利用这些数据，将数据转化成知识，是目前主要的理论挑战和技术瓶颈［60］。遥感数据中的弱目标物识别一直是普遍存在的难点问题，但其中不乏高影响高价值的信息，例如本文所关注的高海拔冰云和航迹检测，此外，还包括航迹云检测，对流触发监测和赤潮监测预警等。在遥感大数据时代下，精确的自动化弱目标物检测方法显得尤为重要，可以帮助发现和理解以往受限于数据或技术手段而被忽略的问题。我们认为本文提出的方法对遥感弱目标物检测提供了一种有效的改进思路，有望应用在多个遥感领域。

参考文献

Ding Shouguo，Shi Guangyu，Zhao Chunsheng.

Analysis of variation and effect on the climate of cloud amount in China over past 20 years using ISCCP D2

［J］. Chinese Science Bulletin， 2004， 49（11）： 1 105-1 111.

[本文引用: 1]

丁守国，石广玉，赵春生.

利用ISCCP D2资料分析近20年全球不同云类云量的变化及其对气候可能的影响

［J］. 科学通报， 2004，49（11）： 1 105-1 111.

[本文引用: 1]

Zhang Hua，Xie Bing，Liu Yu，et al.

Study on the influence of clouds on the earth radiation budget and precipitation changes in east asia region

［J］. China Basic Science，2017，19（5）： 18-22，28.

张华，谢冰，刘煜，等.

东亚地区云对地球辐射收支和降水变化的影响研究

［J］. 中国基础科学， 2017，19（5）： 18-22，28.

Toll V，Christensen M，Quaas J，et al.

Weak average liquid-cloud-water response to anthropogenic aerosols

［J］. Nature，2019，572： 51-55.

Huang Jianping，Yu Haipeng，Guan Xiaodan，et al.

Accelerated dryland expansion under climate change

［J］. Nature Climate Change，2016，6： 166-171.

[本文引用: 1]

Wood R.

Stratocumulus clouds

［J］. Monthly Weather Review，2012，140： 2 373-2 423.

[本文引用: 1]

Zhao Chunsheng，Yutaka I.

Numerical study on cloud microphysics of stratocumulus-topped marine boundary

［J］. Acta Meteorologica Sinica，2004，62（1）： 87-95.

[本文引用: 1]

赵春生，石坂隆.

层积云覆盖的海洋边界层云详细微物理过程的数值模拟

［J］. 气象学报， 2004，62（1）： 87-95.

[本文引用: 1]

Fu Qiang，Smith M，Yang Q.

The impact of cloud radiative effects on the tropical tropopause layer temperatures

［J］. Atmosphere，2018，9. DOI：10.3390/atmos9100377.

DOI      [本文引用: 1]

Huang Jianping，Minnis P，Yan H，et al.

Dust aerosol effect on semi-arid climate over Northwest China detected from Atrain satellite measurements

［J］. Atmospheric Chemistry and Physics，2010，10： 6 863-6 872.

[本文引用: 1]

Zelinka M D，Randall D A，Webb M J，et al.

Clearing clouds of uncertainty

［J］. Nature Climate Change，2017，7： 674-678.

[本文引用: 1]

Lipat B R，Tselioudis G，Grise K M，et al.

CMIP5 models' shortwave cloud radiative response and climate sensitivity linked to the climatological Hadley cell extent

［J］. Geophysical Research Letters，2017，44： 5 739-5 748.

[本文引用: 1]

Zhao Kun，Wang Mingjun，Xue Ming，et al.

Doppler radar analysis of a tornadic miniature supercell during the landfall of typhoon Mujigae （2015） in South China

［J］. Bulletin of the American Meteorological Society，2017，98： 1 821-1 831.

[本文引用: 1]

Ding Mingyue，Wang Lili，Xin Yu，et al.

TS score of WRF cloud microphysical parameterization scheme to the simulation capability of precipitation in Xinjiang

［J］. Arid Zone Research，2019，36（6）： 1 411-1 418.

[本文引用: 1]

丁明月，王俐俐，辛渝，等.

WRF云微物理参数化方案对新疆暴雨模拟能力的TS评分分析

［J］. 干旱区研究， 2019，36（6）： 1 411-1 418.

[本文引用: 1]

Jiang Dabang，Liu Yeyi.

How hot will the greenhouse world be？—A brief review of equilibrium climate sensitivity

［J］. Chinese Science Bulletin，2016，61： 691-694.

[本文引用: 1]

姜大膀，刘叶一.

温室效应会使地球温度上升多高？——关于平衡气候敏感度

［J］. 科学通报， 2016，61： 691-694.

[本文引用: 1]

Zhou Chen，Zelinka M D，Klein S A.

Analyzing the dependence of global cloud feedback on the spatial pattern of sea surface temperature change with a Green's function approach

［J］. Journal of Advances in Modeling Earth Systems，2017，9： 2 174-2 189.

[本文引用: 1]

Kamae Y，Ogura T，Shiogama H，et al.

Recent progress toward reducing the uncertainty in tropical low cloud feedback and climate sensitivity： A review

［J］. Geoscience Letters，2016，3，17. DOI： 10.1186/s40562-016-0053-4.

DOI      [本文引用: 1]

Zelinka M D，Myers T A，Mccoy D T，et al.

Causes of higher climate sensitivity in CMIP6 models

［J］. Geophysical Research Letters，2020，47. DOI： 10.1029/2019GL085782.

DOI      [本文引用: 1]

Zhou Tianjun，Chen Xiaolong，Wu Bo.

Frontier issues on climate change science for supporting Future Earth

［J］ Chinese Science Bulletin，2019，64（19）： 1 967-1 974.

[本文引用: 1]

周天军，陈晓龙，吴波.

支撑“未来地球”计划的气候变化科学前沿问题

［J］. 科学通报， 2019，64（19）： 1 967-1 974.

[本文引用: 1]

Li Jiandong，Liu Yimin，Wu Guoxiong.

Impacts of adjustment among cumulus convection and cloud physics processes on climate simulation

［J］. Chinese Journal of Atmospheric Sciences，2010，34（5）： 891-904.

[本文引用: 1]

李剑东，刘屹岷，吴国雄.

积云对流和云物理过程调整对气候模拟的影响

［J］. 大气科学， 2010，34（5）： 891-904.

[本文引用: 1]

Geer A J，Baordo F，Bormann N，et al.

The growing impact of satellite observations sensitive to humidity，cloud and precipitation

［J］. Quarterly Journal of the Royal Meteorological Society，2017. DOI：10.1002/9j.3172.

DOI     

Huang Jianping，Ji Mingxia，Higuchi K，et al.

Temporal structures of the North Atlantic Oscillation and its impact on the regional climate variability

［J］. Advances in Atmospheric Sciences，2006，23： 23-32.

[本文引用: 1]

Huo Juan，Lu Daren，Duan Shu，et al.

Comparison of the cloud top heights retrieved from MODIS and AHI satellite data with ground-based Ka-band radar

［J］. Atmospheric Measurement Techniques，2020，13： 1-11.

[本文引用: 1]

Yao Zhigang，Yang Chao，Zhao Zengliang，et al.

Study of the stratiform cloud liquid water path retrieval from the millimeter wave radar data

［J］. Plateau Meteorology，2018，37（1）： 223-233.

姚志刚，杨超，赵增亮，等.

毫米波雷达反演层状云液态水路径研究

［J］. 高原气象， 2018，37（1）： 223-233.

Zhao Kun，Huang Hao，Wang Mingjun，et al.

Recent progress in dual-polarization radar research and applications in China

［J］. Advances in Atmospheric Sciences，2019，36： 961-974.

Chen Hongbin，Li Zhaoming，Duan Shu，et al.

The development of weather radar network

［J］. Remote Sensing Technology and Application， 2012，27（4）： 487-495.

[本文引用: 1]

陈洪滨，李兆明，段树，等.

天气雷达网络的进展

［J］. 遥感技术与应用， 2012，27（4）： 487-495.

[本文引用: 1]

Ackerman T P，Stokes G M.

The atmospheric radiation measurement program

［J］. Physics Today，2003，56： 38-44.

[本文引用: 1]

Illingworth A J，Hogan R J，O'connor E J，et al.

Cloudnet - Continuous evaluation of cloud profiles in seven operational models using ground-based observations

［J］. Bulletin of the American Meteorological Society，2007，88： 883-898.

Pasqualucci F，Bartram B W，Kropfli R A，et al.

A millimeter-wavelength dual-polarization doppler radar for cloud and precipitation studies

［J］. Journal of Climate and Applied Meteorology，1983，22： 758-765.

[本文引用: 1]

Wei Zhong，Lin Hai，Xi Miaoxin.

The capability of millimeter wavelength radar in observing clouds

［J］ Acta Meteorolofica Sinica，1985，43（3）： 378-383．

[本文引用: 1]

魏重，林海，忻妙新.

毫米波气象雷达的测云能力

［J］. 气象学报，1985，43（3）： 378-383.

[本文引用: 1]

Zhang Tao，Zheng Jiafeng，Liu Yanxia.

A study on the vertical structure and microphysical characteristic of convective cloud and precipitation over Tibetan Plateau by using Ka-band cloud radar

［J］. Journal of Infrared and Millimeter Waves， 2019，38（6）： 777-789.

[本文引用: 1]

张涛，郑佳锋，刘艳霞.

利用Ka波段云雷达研究青藏高原对流云和降水的垂直结构及微观物理特征

［J］. 红外与毫米波学报， 2019，38（6）： 777-789.

[本文引用: 1]

Huo Juan，Daren Lü，Duan Shu，et al.

Cloud macro-physical characteristics in Beijing based on Ka radar data during 2014-2017

［J］. Climatic and Environmental Research， 2020，25（1）： 45-54.

[本文引用: 1]

霍娟，吕达仁，段树，等.

基于2014—2017年Ka毫米波雷达数据分析北京地区云宏观分布特征

［J］. 气候与环境研究， 2020，25（1）： 45-54.

[本文引用: 1]

Huang Xingyou，Lu Xun，Huang Yong，et al.

A case study on the microphysical parameter retrieval and radiative effects of stratus clouds

［J］. Transactions of Atmospheric Sciences， 2019，42（5）： 769-777.

[本文引用: 1]

黄兴友，芦荀，黄勇，等.

层状云微物理参数反演及其辐射效应的个例研究

［J］. 大气科学学报，2019，42（5）： 769-777.

[本文引用: 1]

Im E，Durden S L，Tanelli S.

CloudSat： The cloud profiling radar mission

［C］// 2006 CIE International Conference on Radar，2006： 1-4.

[本文引用: 1]

Hou A Y，Kakar R K，Neeck S，et al.

The global precipitation measurement mission

［J］. Bulletin of the American Meteorological Society，2014，95： 701-722.

[本文引用: 1]

Illingworth A J，Barker H W，Beljaars A，et al.

The EarthCARE satellite： The next step forward in global measurements of clouds，aerosols，precipitation，and radiation

［J］. Bulletin of the American Meteorological Society，2015，96： 1 311-1 332.

[本文引用: 1]

Winker D，Chepfer H，Noel V，et al.

Observational constraints on cloud feedbacks： The role of active satellite sensors

［J］. Surveys in Geophysics，2017，38： 1 483-1 508.

[本文引用: 1]

Stephens G，Winker D，Pelon J，et al.

CloudSat and CALIPSO within the A-train： Ten years of actively observing the earth system

［J］. Bulletin of the American Meteorological Society，2018，99： 569-581.

[本文引用: 1]

Hagihara Y，Okamoto H，Luo Z J.

Joint analysis of cloud top heights from CloudSat and CALIPSO： New insights into cloud top microphysics

［J］. Journal of Geophysical Research： Atmospheres，2014，119： 4 087-4 106.

[本文引用: 1]

Baker M B，Peter T.

Small-scale cloud processes and climate

［J］. Nature，2008，451： 299-300.

[本文引用: 1]

Ge Jinming，Zhu Zeen，Zheng Chuang，et al.

An improved hydrometeor detection method for millimeter-wavelength cloud radar

［J］. Atmospheric Chemistry and Physics，2017，17： 9 035-9 047.

[本文引用: 6]

Clothiaux E E，Ackerman T P，Mace G G，et al.

Objective determination of cloud heights and radar reflectivities using a combination of active remote sensors at the ARM CART sites

［J］. Journal of Applied Meteorology，2000，39： 645-665.

[本文引用: 1]

Clothiaux E E，Miller M A，Albrecht B A，et al.

An evaluation of a 94-ghz radar for remote sensing of cloud properties

［J］. Journal of Atmospheric and Oceanic Technology，1995，12： 201-229.

[本文引用: 1]

Marchand R，Mace G G，Ackerman T，et al.

Hydrometeor detection using CloudSat—An Earth-orbiting 94-ghz cloud radar

［J］. Journal of Atmospheric and Oceanic Technology，2008，25： 519-533.

[本文引用: 2]

Tomasi C，Manduchi R.

Bilateral filtering for gray and color images

［C］// IEEE International Conference on Computer Vision. Bombay，India，1998： 839-846.

[本文引用: 1]

Zhu Zeen，Zheng Chuang，Ge Jinming，et al.

Cloud macrophysical properties from KAZR at the SACOL

［J］. Chinese Science Bulletin，2017，62（8）： 824-835.

[本文引用: 1]

朱泽恩，郑创，葛觐铭，等.

利用KAZR云雷达对SACOL站云宏观特性的研究

［J］. 科学通报， 2017，62（8）： 824-835.

[本文引用: 1]

Huang Jianping，Zhang Wu，Zuo Jinqing，et al.

An overview of the semi-arid climate and environment research observatory over the Loess Plateau

［J］. Advances in Atmospheric Sciences，2008，25： 906-921.

[本文引用: 1]

Xie Hailing，Zhou Tian，Fu Qiang，et al.

Automated detection of cloud and aerosol features with SACOL micro-pulse lidar in northwest China

［J］. Optics Express，2017，25（24）： 30 732-30 753.

[本文引用: 1]

Zong Rong，Guo Wei，Zhong Lingzhi.

Comparison analysis of cloud boundary detection by means of millimeter wavelength cloud radar and lidar

［J］. Laser Technology，2016，40（2）： 171-177.

[本文引用: 1]

宗蓉，郭伟，仲凌志.

毫米波雷达和激光雷达探测云边界的对比分析

［J］. 激光技术， 2016，40（2）： 171-177.

[本文引用: 1]

Bu Lingbing，Qin Yanqiu，Wu Fang，et al.

Analysis of cirrus properties based on micro-pulse lidar andmillimeter wave cloud radar

［J］. High Power Laser and Particle Beams，2014，26（10）： 305-310.

卜令兵，覃艳秋，吴放，等.

基于激光雷达和毫米波云雷达的卷云特性分析

［J］. 强激光与粒子束， 2014，26（10）： 305-310.

Yan Wei，Han Ding，Zhao Xianbin，et al.

Comparative research of cloud boundary heights based on millimeter-wave radar，radio occultation and radiosonde data

［J］. Chinese Journal of Geophysics，2012，55（7）： 2 212-2 226.

[本文引用: 1]

严卫，韩丁，赵现斌，等.

基于毫米波雷达、无线电掩星和探空仪资料的云边界高度对比研究

［J］. 地球物理学报， 2012，55（7）： 2 212-2 226.

[本文引用: 1]

Garrett T J，Gerber H，Baumgardner D G，et al.

Small，highly reflective ice crystals in low-latitude cirrus

［J］. Geophysical Research Letters，2003，30（21）. DOI：10.1029/2003GL018153.

DOI      [本文引用: 1]

Chen Tianmeng，Guo Jianping，Li Zhanqing，et al.

A CloudSat perspective on the cloud climatology and its association with aerosol perturbations in the vertical over Eastern China

［J］. Journal of the Atmospheric Sciences，2016，73： 3 599-3 616.

[本文引用: 1]

Shi Chunhua，Li Hui，Zheng Bin，et al.

An atypical cold vortex structure and its precipitation over Northeast China based on Cloudsat detection

［J］. Chinese Journal of Geophysics，2013，56（8）： 2 594-2 602.

[本文引用: 1]

施春华，李慧，郑彬，等.

基于Cloudsat探测的一次非典型东北冷涡结构及其降水

［J］. 地球物理学报， 2013，56（8）： 2 594-2 602.

[本文引用: 1]

Hu Xiaoyu，Ge Jinming，Li Yanrong，et al.

Improved hydrometeor detection method： An application to CloudSat

［J］. Earth and Space Science，2020，7. DOI： 10.1029/2019EA000900.

DOI      [本文引用: 2]

Tang Qi，Huang Jianguo，Yang Xudong.

Algorithm of track initiation and performance evaluation

［J］. Journal of System Simulation，2007，19（1）： 149-152.

[本文引用: 1]

汤琦，黄建国，杨旭东.

航迹起始算法及性能仿真

［J］. 系统仿真学报， 2007，19（1）： 149-152.

[本文引用: 1]

Xiong Feng，Wang Gan，Bai Yang，et al.

Radar track initiation method based on the convolutional neural network

［J］. Electronic Measurement Technology，2020，43（10）： 78-83.

[本文引用: 1]

熊风，王干，白杨，等.

基于卷积神经网络的雷达航迹起始方法

［J］. 电子测量技术， 2020，43（10）： 78-83.

[本文引用: 1]

Zhu Yuancai，Wang Hong，Qu Zhiguo，et al.

Track initiation method for slow and small target based on image processing Hough transform

［J］. Modern Defence Technology，2018，46（1）： 156-161.

[本文引用: 1]

朱源才，王红，曲智国，等.

图像处理Hough变换的慢小目标航迹起始方法

［J］. 现代防御技术， 2018，46（1）： 156-161.

[本文引用: 1]

Jiankui Z，Zishu H，Sellathurai M，et al.

Modified Hough transform for searching radar detection

［J］. IEEE Geoscience and Remote Sensing Letters，2008，5： 683-686.

[本文引用: 1]

He Peng，Liang Yan，Jin Shuling，et al.

Multi-scale clustering-based Hough transform track initiation method

［J］. Fire Control and Command Control，2008，33（11）： 36-

[本文引用: 1]

38［贺鹏，梁彦，金术玲，等.

多尺度聚类Hough变换航迹起始方法

［J］. 火力与指挥控制， 2008，33（11）： 36-38.］

[本文引用: 1]

Xu Guanhua，Liu Qinhuo，Chen Liangfu，

el at. Remote sensing for China's sustainable development： Opportunities and challenges

［J］. Journal of Remote Sensing，2016，20（5）： 679-688.

[本文引用: 1]

徐冠华，柳钦火，陈良富，等.

遥感与中国可持续发展：机遇和挑战

［J］. 遥感学报， 2016，20（5）： 679-688.

[本文引用: 1]

Li Deren，Zhang Liangpei，Xia Guisong.

Automatic analysis and mining of remote sensing big data

［J］. Acta Geodaetica et Cartographica Sinica，2014，43（12）： 1 211-1 216.

[本文引用: 1]

李德仁，张良培，夏桂松.

遥感大数据自动分析与数据挖掘

［J］. 测绘学报， 2014，43（12）： 1 211-1 216.

[本文引用: 1]

/

〈 〉

版权所有 © 《地球科学进展》编辑部
地址：甘肃省兰州市天水中路8号
QQ：114723517
电话：0931-8762293　E-mail：adearth@lzb.ac.cn
陇ICP备2021001824号-5　 甘公网安备62010202000687