《Optics & Laser Technology》：Continuous profiling of rainfall radial velocity from pulsed coherent Doppler lidar spectra using a deep learning model
编辑推荐：
•相邻的PCDL光谱能够实现连续的全高度径向速度廓线测量。•在多种天气和复杂光谱条件下均可实现稳健的速度廓线反演。•稳定的3秒处理时间可实现实时全高度速度廓线输出。引言同时测量降雨和风对于多种应用至关重要，包括风能气象学[1]、[2]、航空安全[3]、[4]、建筑科学[5]和地球
- •
相邻的PCDL光谱能够实现连续的全高度径向速度廓线测量。
- •
在多种天气和复杂光谱条件下均可实现稳健的速度廓线反演。
- •
稳定的3秒处理时间可实现实时全高度速度廓线输出。
引言
同时测量降雨和风对于多种应用至关重要，包括风能气象学[1]、[2]、航空安全[3]、[4]、建筑科学[5]和地球系统科学[6]。检测降水及反演雨滴谱（一个关键的微物理参数）的传统技术主要依赖于地面雨滴谱仪和雷达[7]、[8]、[9]。这些方法提供了有价值的点数据或体积数据。激光雷达遥感通过同时捕获降水和风的垂直廓线对其进行了补充[10]、[11]。虽然某些垂直指向雷达也能反演此类廓线，但激光雷达具有盲区更小、距离分辨率更高以及部署更灵活等优势。这种能力使得能够直接研究风与降水之间的垂直耦合——这是许多大气过程中的一个关键方面。然而，多普勒频谱通常包含来自不同大气成分的重叠回波，这带来了相似的频谱解译挑战。此类问题在甚高频风廓线雷达观测中也有报道，其中降水回波可能干扰大气回波。已有研究通过常规算法和基于深度学习的方法解决了这一问题，例如用于回波分离的镜像最小值算法和用于频谱分类的卷积神经网络[12]、[13]、[14]。尽管测量原理与PCDL不同，但这些研究凸显了在多普勒频谱中分离不同大气回波成分这一更广泛的挑战。
脉冲相干多普勒激光雷达（PCDL）是一种在晴空条件下进行高精度风廓线测量的成熟技术[15]，在大气边界层研究[16]、[17]、风力机尾流表征[18]、[19]以及机场低空风切变/尾涡探测[20]、[21]、[22]等方面有广泛应用。PCDL的后向散射功率谱不仅包含平均速度信息，还通过其谱宽、谱形、对称性及其他特征为大气物理过程提供了丰富的见解[11]、[23]。然而，在降水条件下，激光雷达信号会受到严重衰减[24]，雨滴的运动使得从功率谱中反演径向速度变得复杂。因此，PCDL长期以来被认为在降雨条件下不可靠。
最近的研究已尝试将PCDL扩展到降水场景。气溶胶和雨滴后向散射的共存产生双峰多普勒频谱，这是首次通过2微米垂直指向PCDL报道的[25]。后续工作表明，PCDL可以从垂直观测中估计雨滴谱（DSD）[11]、[23]、[26]，并将其反演结果与雨滴谱仪和微型雨雷达（MRR）进行了比较[11]、[27]、[28]。最近，其他配置如低仰角的机舱安装式激光雷达也被探索[28]，证实了激光雷达在降水研究中的更广泛应用潜力。尽管取得了这些进展，挑战仍然存在。主流分析算法——如与高度无关的高斯拟合——独立处理每个距离库，忽略了速度沿垂直方向的空间连续性。这导致速度廓线不连续、隐藏峰（对应于雨滴的次级峰）检测遗漏以及处理速度慢（在个人计算机环境下，全高度廓线处理需要4-10秒，取决于数据特征）。这些局限性源于逐库独立处理的理念。一种学习相邻高度间上下文关系的数据驱动方法可能提供解决方案。
深度学习模型，特别是卷积神经网络，已成功应用于处理晴空条件下原始激光雷达功率谱以进行径向速度反演。Kliebisch等人[29]使用CNN重构低信噪比区域的径向速度，扩展了有效探测距离。类似的方法也应用于非相干多普勒激光雷达[30]。Song等人[31]采用U-Net架构在低信噪比条件下进行去噪和精确多普勒频移估计。然而，这些深度学习方法主要关注晴空或弱信号场景，其中功率谱相对简单（以气溶胶峰为主）。在降水条件下，气溶胶和雨滴信号共存导致更复杂的光谱形态（如隐藏峰、双峰结构），这对现有深度学习方法构成了尚未完全解决的挑战。为克服这些局限性，我们提出了一种基于深度学习的方法，将连续的高度层光谱块视为一个序列，并输出连续的径向速度廓线，实现了稳健的隐藏峰检测并显著缩短了处理时间。
本文其余部分组织如下。第2节描述了本文所用PCDL的结构和参数。第3节介绍了所提出的算法和模型架构。第4节详细说明了实验配置和数据集构建。第5节展示了本文所给方法的性能、验证和分析。第6节总结了本文的结论。
章节摘要
工作原理
如图1所示，PCDL系统通过多普勒频移测量大气粒子的视线（LOS）速度。种子激光器在1550 nm波长产生脉冲光束。经声光调制器（AOM）移频和两级放大后，脉冲激光被发射到大气中。发射的脉冲与移动的气溶胶和降水粒子相互作用，产生后向散射回波信号，该信号由望远镜收集并由平衡探测器检测
方法论
从PCDL功率谱中反演降雨速度的整体处理流程如图2所示。首先进行预处理步骤，包括噪声去除和质量控制。随后进行数据集构建阶段，将FFT频谱整理为频率×高度矩阵（覆盖所有距离库）作为输入数据，而标签则通过对每个距离库应用高斯拟合生成，并经严格的质量控制和人工
实验与数据集
部署了多仪器观测网络，用于（1）构建不同天气条件下的PCDL光谱数据集，（2）验证所提出的径向速度反演算法，以及（3）与参考仪器进行性能比较。收集的数据随后按下文所述进行匹配和分类。
结果与分析
本节从检测精度（第5.1节）、与独立仪器的验证（第5.2节）以及垂直廓线和单个距离库的案例研究（第5.3节）方面评估所提出的峰值估计模型。
结论
本文解决了在降水条件下从脉冲相干多普勒激光雷达功率谱中估计径向速度的挑战。主流算法，如基于物理的分析算法和与高度无关的双高斯拟合，会导致速度廓线沿垂直方向不连续，并且难以检测隐藏的光谱峰。为了克服这些局限性，我们提出了一种深度学习模型，该模型以连续的高度层功率谱块作为输入，并
CRediT作者贡献声明
张新宇：写作–初稿，可视化，方法论，调查。刘晓颖：写作–审阅与编辑，项目管理，经费获取。邹庆彪：资源，数据管理。张伟军：可视化，调查。张宏伟：项目管理。张荣川：数据管理。李荣忠：资源。王启超：资源。吴松华：监督。
资助
国家自然科学基金（42505130）；中国博士后科学基金（2024T170867）；青岛市博士后创新基金（QDBSH20240201009）；海南省省级国际科技合作项目（GHYF2025025）。
利益冲突声明
作者声明，他们不存在已知的可能影响本文所报告工作的相互竞争的经济利益或个人关系。
致谢
作者感谢中国海洋大学同事提出的修改建议，以及青岛雷克瞬态技术有限公司的同事，包括张培帅、任思敏和赵慧娜，感谢他们提供的设备支持和数据采集。
张新宇|刘晓颖|邹庆彪|张伟军|张宏伟|张荣川|李荣忠|王启超|吴松华
