基于信号仿真和残差网络的机载天气雷达低空风切变分类方法

《Advances in Space Research》：Low-Level Wind Shear Classification for Airborne Weather Radar Based on Signal Simulation and Residual Network

低空风切变（LLWS）分类研究提出基于模拟的机载雷达检测方法，通过流体动力学建模生成四类典型风切变（微暴、交叉风、低空急流、海陆风），结合MATLAB雷达回波仿真构建六类数据集，采用改进ResNet18网络实现95.50%的分类精度，显著优于Inception V1和SqueezeNet。

　　

金文瑞|方敏|吕晓晓|李佳雪|张涛

同济大学机械工程博士后站，上海201804，中国

摘要

低空风切变（LLWS）是一种突然且危险的气象现象，严重威胁飞行安全。传统的检测方法依赖于参数校准来进行识别，但缺乏详细的分类能力。此外，大气风场的动态复杂性和大量的原始雷达数据给机载系统的采集和存储带来了挑战。为了解决这些问题，本研究提出了一种基于模拟的方法，用于对起飞和降落过程中由机载天气雷达识别的LLWS进行分类。该方法首先根据流体力学原理建立了四种典型的LLWS场模型——微下击暴流、侧风、低空急流和海陆风。然后使用标准跑道模式模拟飞机起飞轨迹，并通过MATLAB结合风场反演算法生成机载雷达回波，以生成径向速度图像。构建了在不同条件下的风切变图像的全面数据集。最后，开发了一种结合迁移学习的残差网络，该网络在六个类别上的分类准确率达到95.50%，在实验中优于Inception V1和SqueezeNet，证明了使用机载雷达进行LLWS分类的有效性。

引言

低空风切变（LLWS）是起飞和降落过程中对航空安全的关键威胁。它发生在600米以下的高度，其突然的风速变化会干扰飞机控制并增加事故风险（Li等人，2020年）。虽然实时分类LLWS的类型对飞行员反应至关重要，但大多数机载系统只能检测到其存在，而无法确定具体类型。这是一个关键限制，因为像微下击暴流、低空急流和侧风这样的不同类型需要飞行员采取不同的应对措施。没有分类功能，飞行员无法迅速识别威胁，从而延长反应时间并增加风险。雷达系统是标准的风切变检测手段，但大气的变异性限制了所有类型数据的收集（Ryan等人，2023年）。此外，雷达采样产生的大量数据通常超出了机载存储和分析的能力。因此，基于模拟的建模仍然非常重要，它从数学模型和雷达原理重建风切变图像（Britt，1990年；Fan等人，2011年；Jin等人，2024年）。

存在多种LLWS检测技术，包括声波探测和测距、低空风切变警报系统、多普勒天气雷达和相控阵雷达（PAR）（Denisenkov等人，2019年；Li等人，2018年；Zhou等人，2017年）。PAR在径向速度测量方面具有高分辨率和高精度，非常有效（Stailey和Hondl，2016年），但其成本和操作限制限制了其在商业航空中的广泛应用，主要应用于机场监控和空中交通管制（Liu等人，2019年）。相比之下，多普勒天气雷达——功能类似于多普勒激光雷达但覆盖范围更广——是商业飞机上的主要检测技术（Wang等人，2024年）。这些系统中的传统方法分析径向速度及其梯度，采用F因子计算等技术来识别危险区域（Baranov和Lemishchenko，2020年；Kameyama等人，2023年）；风廓线上的坡度检测以及风速切变的推导（Zhao和Shan，2022年）。尽管这些方法提高了检测能力，但它们不能对特定类型的风切变进行分类，因此无法向飞行员传达每种类型的独特空气动力学影响，这对于飞行员优先处理威胁并采取及时、适当的纠正措施至关重要。

为了解决这个问题，最近的研究采用了机器学习来增强风切变预测。针对香港国际机场的数据研究表明，一种统计预测指标在测量逆风变化方面优于KNN和SVM等监督方法（Huang等人，2021年）。基于贝叶斯的优化机器学习回归算法也有效地预测了强风切变事件的时间序列（Khattak等人，2023年）。另一项研究应用了正学习和无标签学习结合最优传输理论，即使在没有飞行员报告的情况下也能准确识别激光雷达数据中的风切变情况（Zhang等人，2024年）。对于模拟雷达数据，一种混合CNN-BiLSTM-Attention深度学习架构实现了65.3%的危险下降气流检测概率，误报率为1.7%（Hou和Sun，2025年）。

基于图像的方法利用雷达图像中的空间模式，将分类问题转化为纹理和特征识别（Ma等人，2018年；Jones等人，2013年）。这使得深度学习，特别是卷积神经网络（CNN），能够有效地捕捉复杂的空间关系（Sabery等人，2021年）。深度残差网络（ResNets）在具有挑战性的图像分类中表现出色，能够缓解梯度消失等问题，并实现稳健的特征学习（Lv等人，2024年；Ji等人，2023年）。尽管取得了成功，但ResNets在*机载*雷达基础上的LLWS分类中的应用仍较少，大多数研究集中在地面系统上（Khattak等人，2025年）。鉴于它们提取区分性特征的能力，ResNets在提高机载环境中LLWS分类的准确性和效率方面具有巨大潜力。

基于模拟和ResNet架构的优势，本研究介绍了一种使用ResNet对由模拟机载天气雷达回波生成的风切变图像进行分类的方法。该方法包括四个关键阶段：首先，使用计算流体动力学（CFD）对四种典型的LLWS类型进行建模；其次，在MATLAB中模拟机载雷达扫描和风场反演以生成相应的雷达图像；第三，应用改进的基于F因子的方法将数据集分类并标注为六个类别；最后，通过迁移学习对预训练的ResNet18模型进行微调以执行分类，并将其性能与其他两种主流网络架构进行比较。

模型方法

目前，有三种主要的风场建模方法。第一种使用观测数据（McCarthy等人，1982年），其中PAR和风廓线雷达等工具收集数据以建立模型。第二种依赖于统计分析，从历史数据中提取频率和时空模式等特征来预测事件（Bi等人，2023年）。第三种基于大气和流体动力学原理进行数值模拟（Sim等人，2016年）。

坐标系组和模拟轨迹

建立了一组坐标系，以便在复杂环境中进行机载天气雷达检测的数据交互，如图4所示。风场模型采用东-北-上（ENU）坐标系描述。其原点位于飞机质心到地球中心的连线与参考椭球的交点。X_A轴指向大地测量学上的东方向，Y_A轴指向大地测量学上的北方向，Z_A轴垂直于水平面。

风切变图像数据集构建

根据风切变对飞机进近和起飞的影响，将其分为五种类型：顺风切变、逆风切变、顺风-侧风组合切变、逆风-侧风组合切变和垂直风切变。在起飞过程中，顺风切变会导致飞机下降到下滑路径以下；在降落过程中，则会导致飞机飞得过高（图10）。逆风切变会产生相反的效果。侧风切变会导致横向轨迹偏差，通常与其它类型同时发生。

雷达回波模拟图像

图13显示了来自机载天气雷达回波模拟的典型风切变图像，包括CW场（最大风速20 m/s）、LLJ（30 m/s）、SLB（海风15 m/s，陆风5 m/s）和MB（45 m/s）。V风表示径向风速，在波束指向方向为正，在相反方向为负。

历史上记录的微下击暴流风速可达60 m/s，因此速度区间设定为[-60, 60] m/s。MB风场显示了最明显的特征。

总结与结论

总之，本研究成功建立了一个基于模拟的框架，使用改进的双流ResNet自动分类LLWS。通过整合流体动力学模型、飞行轨迹模拟和雷达信号处理，该方法有效地生成了具有代表性的数据集，并实现了高精度的分类。这种方法在实际机载应用中的可行性表明了其在提高机载风切变检测能力方面的巨大潜力。

未引用的参考文献

Hao等人，2007年；Li等人，2023年；RTCA公司，2018年；WXR-，2016年。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：金文瑞报告称获得了中国国家重点研发计划的财政支持。吕晓晓报告称获得了上海市超级博士后激励计划的财政支持。如果有其他作者，他们声明没有已知的财务利益或个人关系可能构成利益冲突。

致谢

本工作得到了中国国家重点研发计划（项目编号2021YFB1600605）和上海市“超级博士后”激励计划（项目编号2022557）的支持。