利用S波段极化雷达观测数据自动识别野火烟羽的方法

《Atmospheric Research》：Automated approach to identifying wildfire plumes using S-band polarimetric radar observations

准确识别野火烟羽对火灾监测和预警至关重要，但区分雷达气象回波与地面杂波仍面临挑战。本研究基于S波段极化天气雷达数据，开发了融合模糊逻辑和后处理技术的野火识别算法（WIA），通过反射率、差分反射率、共极化相关系数和径向速度标准差四个极化变量实现烟羽回波与气象回波、地面杂波的自动分类，在广东地区两次典型火灾事件中验证了算法的高检测精度和低误报率。

　　

王宏|邓华|李昊佳|赵斌琦|崔晔

中国气象局广州热带海洋气象研究所/广东省区域数值天气预报重点实验室，广州510641

摘要

准确识别野火烟雾羽流对于有效的野火监测和早期预警至关重要。然而，将羽流回波与气象回波和地面杂波区分开来仍然是一个重大挑战。在这项研究中，我们开发了一种基于模糊逻辑的野火识别算法（WIA），利用S波段极化天气雷达数据可靠地对野火烟雾羽流回波进行分类。WIA使用了四个极化变量：反射率、差分反射率、共极化相关系数和径向速度的标准差。通过定制的隶属函数和权重矩阵来优化分类性能，以区分三种类型的回波。通过后处理技术进一步提高了算法的可靠性，包括标准差过滤、区域平均和空间连续性验证。WIA的性能在中国南部的两次野火事件中得到了评估，结果显示其在强火和弱火条件下都具有高检测精度，并且误报和漏检的情况很少。WIA能够有效地将野火烟雾羽流与其他回波区分开来，并在各种观测条件下表现出良好的稳定性。通过利用雷达数据的高时间和空间分辨率，该方法增强了烟雾羽流特征的跟踪能力。这表明将WIA应用于实际操作可能会带来预期的社会经济和环境效益。

引言

野火是最严重的自然灾害之一，通常以强烈的火焰和大量的烟雾排放为特征。它们不仅对环境造成灾难性影响，还带来深远的社会经济后果（Johnston等人，2012年；Bowman等人，2017年）。研究表明，野火的引发和蔓延往往与多种气象因素密切相关，特别是温度波动、干旱条件和风速（Pereira等人，2020年）。近年来，气候变化加剧了极端天气事件的频率和严重性（Brown等人，2023年），导致野火发生频率增加和灾害损失加剧（Abatzoglou和Williams，2016年）。中国南部地区位于亚热带，受东亚季风影响（Wang等人，2004年），经历高温期、强降雨期和季节性干旱期（Wang等人，2018a；Wang等人，2018b）。此外，该地区植被覆盖率高，主要由松树和桉树等易燃物种组成（Mu等人，2021年），进一步增加了野火的发生频率。根据当地电网公司的内部运营数据，广东省2022年因野火导致43起输电线路故障，直接经济损失超过720万美元。鉴于这些显著影响，推进关于野火传播、演变和野火-大气相互作用的研究（Huang等人，2023年）对于改进野火预测和控制策略至关重要。大量的观测数据，特别是遥感数据，对于研究野火演变和评估火灾对生态系统的影响至关重要。

由于地形和其他环境因素的限制，遥感通常是用于野火检测的主要工具（Jones和Christopher，2010年）。基于卫星的监测平台，如中分辨率成像光谱辐射计（Giglio等人，2016年），在监测野火、气溶胶和空气污染方面发挥了关键作用。这些平台已被广泛用于火灾检测、烧毁面积估计和烟雾羽流高度评估（Fan等人，2023年；Thangavel等人，2023年；Krishna等人，2024年）。然而，基于卫星的观测面临几个挑战，包括分辨率与轨道重访时间之间的权衡，以及烟雾和云层覆盖造成的遮挡。后者可能会遮挡对热敏感的大气辐射窗口，限制火灾检测能力。天气雷达是一种重要的地面观测工具，全球气象机构都使用它来监测严重的对流天气，提供数百米的高空间分辨率和分钟级的时间分辨率。大量研究（Melnikov等人，2008年；McCarthy等人，2018年；Aydell和Clements，2021年；Lareau等人，2022年）表明天气雷达可以检测到野火烟雾羽流。值得注意的是，早在20世纪50年代，Hiser（1961年）就使用S波段雷达观测到了多个野火烟雾羽流，并记录了烟雾羽流与气象回波之间的反射率差异。

多普勒极化天气雷达（以下简称极化雷达）是气象机构使用的核心观测系统，具有多普勒速度测量和双极化功能（Kumjian，2013年）。目前，中国广东省已部署了12台S波段极化雷达，实现了该地区的无缝三维检测。除了传统的雷达变量——反射率（Z_H）、径向速度（V_r）和谱宽（S_w）——极化雷达还可以提供差分反射率（Z_DR）、差分相位移动（Φ_DP）和共极化相关系数（ρ_HV）的测量值。这些极化变量提供了关于颗粒大小分布、二维形状和方向的宝贵信息。极化雷达只能检测到野火烟雾羽流中的灰烬颗粒（Jones等人，2009年），其大小通常在1毫米到1厘米之间（McCarthy等人，2019a）。相应的观测数据显示ρ_HV较低，值为0.1–0.6，而Z_DR较高，值为?1到7分贝（Melnikov等人，2009年；Zrnic等人，2020年）。这些特征与气象回波（ME）和地面杂波（GC）信号有明显不同（Wu等人，2021年）。这种独特的极化特性为识别野火烟雾羽流回波（FE）提供了新的机会。开发高效的自动化烟雾羽流识别算法是将天气雷达数据应用于野火监测的关键前提。然而，目前的研究仅产生了一些专门用于使用雷达观测自动识别烟雾羽流的算法。Shu等人（2023年）分析了烟雾羽流的传统雷达特征，建立了一组特征参数，并提出了基于阈值的分类标准。McCarthy等人（2019b）引入了一种无监督机器学习方法（高斯混合模型），使用X波段雷达观测数据进行火流星分类。然而，这些算法都不是专门为S波段极化雷达观测开发的。

本研究的目的是开发一种基于S波段极化雷达变量判别能力的自动识别FE的算法。该算法专门设计用于区分FE和ME以及GC。大多数现有的极化雷达回波分类算法基于模糊逻辑原理，最初由Straka和Zrnic（1993年）引入，并随后由Zrnic和Ryzhkov（1999年）、Park等人（2009年）、Thompson等人（2014年）和Zhao等人（2020年）改进为更复杂的分类程序。这些方法在水文气象分类、龙卷风碎片检测（Snyder和Ryzhkov，2015年）和GC识别方面已被证明非常有效。因此，我们开发了一种基于模糊逻辑原理的自动识别FE的算法，使用S波段极化雷达观测数据。该算法考虑了极化雷达观测的质量和不同回波类型的独特特征。例如，在分类方案中，具有较高测量不确定性的雷达观测被赋予较低的权重，以提高鲁棒性。

本文的其余部分组织如下。第2节描述了研究区域和本研究中使用的极化雷达测量数据。第3节概述了分类算法的整体结构，详细说明了如何根据雷达范围、标准差和区域平均应用回波分类约束。第4节展示了案例研究结果，最后一节提供了总结和结论。

节选内容

极化雷达

本研究的主要数据来源是来自广东省的S波段极化雷达的观测数据（在图1中标记为蓝点）。这些极化雷达在过去二十年里逐渐从中国新一代天气雷达/SA（CINRAD/SA）升级而来（Liang等人，2006年），其硬件和软件与美国国家气象局的WSR-88D极化雷达相同（Kumjian，2013年）。这些雷达使用体积覆盖模式21进行操作

野火羽流识别算法

本研究修改了与WSR-88D雷达（Park等人，2009年）结合使用的水文气象分类算法，以开发野火羽流识别算法（WIA）。选择了2019年和2021年获取的S波段极化雷达测量数据，因为广东省的极化雷达建于2019年初，并在此期间记录了九个地面杂波污染较少的明确定义的野火羽流案例。数据集

算法结果

使用2019年12月6日发生的野火事件评估了WIA的性能（图8）。该野火发生在广州极化雷达以西约60公里处。根据Himawari-8卫星数据，野火烧毁的面积超过8.4公顷。羽流的Z_H值相对较高（0–40 dBZ；图8a），最大Z_H值出现在强烈燃烧区域的西南上方。基于10-dBZ的阈值，羽流延伸

总结与结论

本研究开发了一种使用S波段极化雷达识别野火羽流的方法。WIA基于模糊逻辑原理，旨在区分三种类型的回波：FE、ME和GC。该算法的主要目标是提供一种可靠的工具，能够准确识别野火羽流，同时最小化误分类。为了实现这一目标，算法中融入了几项新颖特性。

第一个特性是雷达的选择

CRediT作者贡献声明

王宏：撰写——原始草稿，可视化，调查，概念化。邓华：撰写——审阅与编辑，验证，监督，资金获取。李昊佳：软件，方法论，正式分析，数据管理。赵斌琦：软件，调查，数据管理。崔晔：可视化，资源，项目管理。

资助

本研究得到了国家自然科学基金（U22422203）和中国气象局青年创新团队（CMA2024QN01）的共同支持。

利益冲突声明

作者声明没有利益冲突。