随着人工智能AI的发展，深度学习俨然成为热词。谷歌将深度学习应用于语音识别和图像辨别，网飞和亚马逊则利用其来了解客户的行为习惯。

1998年至今，我国实现从零起步到建成220部基本覆盖全国的新一代天气雷达站网。但在云南、贵州和四川等西南地区，部分天气雷达存在回波遮挡问题；另外，由于国内许多地方建设的X波段雷达高度较低，被遮挡现象也较为严重。

眼下，伴随深度学习技术的迭代与推进，解决雷达区域回波遮挡问题有了新的路径。

01

深度学习赋能雷达探测

我国现有投入业务运行的雷达在200部左右，雷达回波遮挡问题的出现，直接导致天气雷达宝贵的探测数据质量受到严重影响，影响雷达组网拼图及其二次产品的数据质量。

中国气象科学研究院研究员胡志群介绍，解决天气雷达回波遮挡问题，在原理性层面，旨在构建回波填补神经网络架构。

深度学习模仿的是人类大脑运行的方式——从大数据中总结规律，可以应用于雷达探测领域。

深度学习可以简单理解为传统神经网络的拓展，在神经网络中，每个处理单元就是一个模型，模型接收上层的输入，并作为输出传输到下一个层次。

科研团队是在最小化一个自定义损失函数，这个损失函数的值衡量了在给定训练数据集上离完美还差多少距离，并利用梯度下降法调整各个节点的权重，深度学习能够构建一个从高仰角回波到低仰角回波的复杂的非线性映射关系，从而实现遮挡回波的填补。

胡志群表示，考虑到天气雷达多为脉冲雷达，降水对雷达发射波的散射和吸收同雨滴谱、雨强、降水粒子的相态，冰晶粒子的形状和取向等特性有关。“分析和判定降水回波，可以确定降水的各种宏观特性和微物理特性。”

这其中，网络架构的设计至关重要，作为具有多个隐藏层、多个节点的深层神经网络，每一个隐藏层直接影响下一层的处理。通过激活函数，实现模型的非线性转换，可以避免多层神经网络退化成单层神经网络，极大提高学习能力。在深层神经网络特征提取和特征转换环节中，伴随将样本在原空间的特征转换为更高维度空间的特征，从而使分类或回归预测更加容易和精准。

02

填补雷达区域遮挡回波

目前，我国新一代天气雷达探测能力为全国陆地面积的41%，全国平均站间距为224公里。其中，我国东部平均站间距为150公里至200公里，西部平均站间距为250公里至300公里。

就实际应用而言，雷达遮挡究竟是一种怎样的存在？填补区域雷达回波遮挡，机器学习怎样发挥“智慧”？

以位于南京浦口龙王山的SA雷达为例，该雷达由于受龙王山遮挡影 响，0.5度 仰 角 时132~137度 和220~233度两个扇面存在地形遮挡。在这种情况下，通过以高层多个仰角多个距离库的回波作为输入，低层无遮挡区域回波作为标签数据，构造训练数据，自定义损失函数，增加强回波的权重，并选择合适的优化器，创建回波填补网络架构等，继而完成利用深度学习实现对遮挡区域回波的有效填补。

“雷达数据的预处理，质量控制是其中的关键一环。让机器从大数据中学习知识，首先必须保证给计算机的数据是有‘营养价值’的真实数据。”胡志群和研究团队在利用深度学习开展雷达数据质量控制等方面也做了一些积极探索。

胡志群期待，伴随国内天气雷达全面偏振升级改造，相对于仅仅用单个强度作为输入，增加偏振参量作为输入因子，设计多模态网络架构，回波遮挡的填补效果将更优质更稳定。