氣象雷達探鳥技術綜述

陳唯實，劉佳，王青斌，盧賢鋒，張潔，陳小龍，黃毅峰

1．中國民航科學技術研究院 機場研究所，北京 100028

2．北京航空航天大學 前沿科學技術創新研究院，北京 100191

3．海軍航空大學，煙臺 264001

隨著中國民航運輸的快速發展和生態環境的持續改善，鳥類的生存活動范圍不斷擴大，鳥擊作為影響航班運行安全的重大隱患之一，對飛行安全的影響持續增加［1］。據中國民用航空局統計數據，中國民航鳥擊不安全事件依然呈高發態勢，嚴峻的鳥擊防范形勢要求機場結合鳥情發生規律有針對性地開展防治工作。春秋季為中國民航鳥擊事件高發期，季節規律明顯，候鳥遷徙季節中發生在中高空及夜間的鳥擊尤為難防難控，其發生規律與候鳥遷徙節律高度相符［2］。

在全世界范圍內，每年有數以億計的鳥類通過長距離遷徙滿足其生存和繁殖要求，包括遷移到季節性最佳的棲息地、覓食、躲避捕食者、尋找資源和配偶等。研究鳥類遷徙極具挑戰性，因為遷徙鳥類通常會超出觀測者的視距范圍，必須依靠技術手段進行跟蹤［3］。衛星跟蹤是鳥類遷徙研究的重要手段，衛星定位設備的小型化和技術革新使其跟蹤能力持續提升，然而這些設備的相對重量仍然是限制該技術路線發展的主要因素［4］；因為只有一小部分體型較大的鳥類可以通過安裝衛星定位傳感器進行跟蹤，且通常每次被定位的個體數量極為有限，只占種群總數中很小的一部分。雷達便于量化生物目標在較大空間范圍內的分布和運動情況，20 世紀40年代已被應用于鳥類遷徙研究［5］。近年來，隨著雷達技術的快速發展，已經出現了專業的探鳥雷達，但此類雷達探測范圍一般較小且部署數量有限，難以通過組網實現對鳥類遷徙的觀測。

氣象雷達特別適于大尺度范圍內的遷徙鳥群目標探測，且便于有效組網［6］。因此，通過建立基于氣象雷達的全國鳥情預警系統對候鳥遷徙情況進行監視預警，將有助于降低目前居高不下的鳥擊事件數量。本文在對現有世界范圍內的氣象雷達組網鳥情探測預警技術進行介紹的基礎上，分析了氣象雷達獲取的飛鳥目標回波特征和氣象雷達鳥情信息提取技術，進而討論了基于氣象雷達的鳥類學研究與應用情況，最后分析了在中國建立基于氣象雷達組網的全國鳥情預警系統的可行性，并做出結論。

1 鳥情監視預警系統

雷達數據能夠提供飛行中生物目標的空間分布、密度、高度、速度和方向等信息，雙極化雷達甚至能提供目標的形狀信息，極大提高對鳥類、昆蟲、蝙蝠和降水等目標的識別能力［7］。自20 世紀40年代起，基于雷達的鳥情監視預警技術已經從零散的研究發展為有組織的研究。目前，美國的下一代氣象雷達（NEXt generation weather RADar， NEXRAD）［8］和歐洲的氣象雷達信息交換運行計劃（Operational Program on the Exchange of weather RAdar information， OPERA）［9］，已經能夠通過氣象雷達組網的方式獲得大陸尺度上的鳥類遷徙數據，以建立起氣象學家與生物學家之間的有效合作渠道，為鳥類生態學研究提供了獨特而廣泛的信息來源，有助于更好地理解鳥類遷徙行為，為相關生態學研究以及鳥擊防范工作創造條件。

1.1 早期預警系統

20 世紀中葉開始，雷達就被用于鳥類遷徙行為的記錄和監視。雷達的主要優勢在于，其能夠不受光照條件影響，實現對飛鳥目標的全天候監視，記錄高空鳥類的數量，并測量其飛行方向和速度，但缺點是不能識別鳥種［10-11］。最早的鳥情預警系統應用于軍機保障，其基于對空監視雷達的顯示器圖像提取鳥情信息。在荷蘭，雷達站點會委托生物學家確定雷達屏幕上出現的鳥群密度［12］。在丹麥、比利時和德國，雷達操作者通常自行分析雷達圖像。在以色列，這一任務在鳥類遷徙季節由野生動物管理者和雷達專業技術人員共同完成，一旦發現大量鳥群，會立即通知空管塔臺及相關地區航路上的空管單位［13］。

最早的鳥情預警電子系統于1971年在丹麥和1978年在荷蘭投入使用［14］，這2 個系統都是軍用對空監視雷達屏幕上多個窗口嵌入的鳥類遷徙強度電子計數器。該類系統進行技術升級的關鍵是研發鳥類目標的檢測、跟蹤與識別算法，進而實現飛鳥目標與飛行器目標的分類，并通過定制的軟件展示出飛鳥目標的速度、高度和飛行方向。此類升級后的鳥情預警系統已于20 世紀90年代在德國和荷蘭部署。其中，德國的系統已經發展成一個由19 部空管雷達和32 部來自德國及周邊國家的對空監視雷達組成的網絡［15］。21世紀之后，專業探鳥雷達逐漸出現，荷蘭的羅賓探鳥雷達能夠基于軍用對空監視雷達實現鳥情探測，區分出飛鳥軌跡、地雜波和降水信息［16］。荷蘭代爾夫特理工大學和德國航空航天中心的研究人員利用探鳥雷達獲取的鳥情數據，提出了鳥擊風險評估算法，為機場鳥擊防范工作提供了有益參考［17］。表1 梳理了鳥情監視預警系統的早期發展情況。同其他雷達一樣，氣象雷達也能夠實現對飛鳥和昆蟲等生物目標的探測，尤其便于組網以實現較大尺度上遷徙行為的監視［18］。目前較為成熟的氣象雷達鳥情預警網絡包括美國的NEXRAD 系統和歐洲的OPERA 系統。

表1 鳥情監視預警系統的早期發展情況Table 1 Early development of bird monitoring and surveillance system

在遷徙預警模型方面，大量研究表明，鳥類的遷徙行為與氣象因素有關［19］。遷徙行為與氣象條件的關系促進了鳥類遷徙密度與飛行高度預估模型的建立，根據氣象預報數據，可以對鳥類遷徙進行24～72 h 的預測。20 世紀70年代初，丹麥率先開發了飛行安全預測模型，但未投入實際應用［20］。德國開發了首個實際應用的飛行安全模型，該模型使用多個天氣參數預測鳥擊風險。目前，該預測模型還結合了雷達系統的實際鳥類遷徙信息，對預測結果進行了微調［21］。根據氣象數據和部署在荷蘭和比利時的2 臺軍用對空監視雷達對遷移強度的測量數據，荷蘭建立了一個回歸模型，并于2001年投入運行［22］。隨后，開發了整體預報模型并投入使用，每小時預報每個雷達站的遷徙情況，該首次嘗試僅基于一年的雷達數據，在一個框架內使用氣象雷達來預測多個地點的遷移強度及飛行高度分布，因此不足以滿足實際應用需求。

1.2 美國NEXRAD 系統

美國的全國鳥情預警系統（Avian Hazard Advisory System， AHAS）由DeTect 公司為美國空軍研發并運營，系統能夠自動處理來自美國國家氣象雷達網絡中的NEXRAD 數據，并為美國（包括美國大陸、阿拉斯加、夏威夷、關島和韓國）所有的空軍訓練航線及活動區域提供實時航空器鳥擊風險評估信息［23］。NEXRAD 氣象雷達網絡在美國境內的160 個S 波段WSR-88D 多普勒天氣雷達站點位置見圖1［8］，該氣象雷達網采集的信號由DeTect 公司位于佛羅里達州巴拿馬城的總部通過衛星接收、并經過匯總分析處理后識別出鳥情態勢信息并進行發布。

圖1 NEXRAD 氣象雷達網點分布及覆蓋范圍［8］Fig.1 Weather radar distribution and coverage of NEXRAD［8］

自1957年美國氣象監視雷達基礎設施（WSR-57）初步部署以來，對雷達網絡的幾次連續升級在增強其氣象觀測能力的同時也為鳥情預警提供了更好的數據基礎［24］。早期的氣象雷達僅能提供雷達反射率因子，其在1988年升級到WSR-88D 雷達之后才具備了多普勒探測能力，由此獲取的多普勒徑向速度和徑向速度譜寬2 個參數，通常被用于描述遷徙目標的回波特征、區分鳥類和昆蟲目標、以及識別鳥類棲息地的回波［25］。2013年，NEXRAD 氣象雷達網完成了全部WSR-88D 雷達的雙極化技術升級，增加了總差分相位、差分反射率和共極相關系數3 種常規數據產品，并建立了含有目標極化特征的標準數據格式，相關數據產品可通過亞馬遜云計算服務平臺免費下載，為遷徙鳥類探測與相關研究創造了優越條件［26］。

1.3 歐洲OPERA 系統

在歐洲，所有運行中的氣象雷達持續監測大氣狀況并在OPERA 系統中進行組網，以便在歐洲大陸范圍內進行數據交換和測量，該系統于1999年建立，已集合了30 個成員國的200 部雷達，如圖2 所示［9，27］。從2013—2017年，歐洲動物活動雷達監視網（European Network for the Radar surveillance of Animal Movement， ENRAM）在歐洲科技合作計劃的資助下建立并在OPERA 系統的組織下運行，其主要目標是融合專業知識，在歐洲建立一個包括生態學、鳥類學、昆蟲學、氣象學、工程學、數學、視覺分析與計算機科學在內的多學科交叉的研究網絡，利用OPERA 天氣雷達監測動物在歐洲各地的遷飛情況，并提供相關服務。目前，ENRAM 已經采用了OPERA 系統中覆蓋西歐部分地區的70 部氣象雷達，且這一數字仍在持續增長［28］。

圖2 OPERA 組網雷達的地理分布［9，27］Fig.2 Radar distribution and coverage of OPERA［9，27］

歐洲的雷達網由各國的國家氣象部門獨立建立，并于20 世紀90年代開始了經驗交流、協調和數據交換工作［29］。歐洲各國處于其雷達運行網絡發展的不同階段，在雷達翻新或更新方面有不同的戰略，半數以上雷達建于1998年之前，網絡中最老和最新雷達之間的時間跨度超過40年。在OPERA 系統目前的200 部雷達中，184 部具有多普勒功能，106 部為雙極化，且這一數字仍在穩定增長。另外，這些雷達中的大部分工作在C 波段，只有歐洲南部部署的一部分雷達為S 波段。因此，歐洲的OPERA 雷達網絡在安裝日期、制造商、掃描策略、信號處理和產品輸出等方面呈多樣化，與美國的NEXRAD 雷達網截然不同，表2對二者的主要參數做了對比［9］。這對于一個大陸網絡的運行來說，無疑增加了困難和挑戰，要求國家間開展合作與信息交流，因此，OPERA 系統已于2011年成立了稱為“奧德賽”的OPERA 數據中心，并建立了數據信息模型（OPERA Data Information Model， ODIM），但由于各國的雷達網仍然獨立運行，這種差異短期內難以完全彌合［30］。

表2 NEXTRAD 與OPERA 網絡的主要參數對比［9］Table 2 Comparison of main parameters between NEXTRAD and OPERA network［9］

ENRAM 項目重要的功能之一，是通過飛行安全鳥類規避模型（FlySafe Bird Avoidance Model， FlySafe-BAM）提取鳥情預警信息并發布［31］。FlySafe-BAM 由歐洲的多家科研機構合作研發，實現了對鳥類遷徙的自動檢測和量化，能夠給出不同高度上鳥類目標的分布密度、速度和飛行方向。2009年，荷蘭和比利時空軍提議基于FlySafe-BAM 提供鳥情預警服務，由荷蘭皇家氣象研究所（Royal Netherlands Meteorological Institute， KNMI）組織完成［32］。當時該服務采用的雷達數據由2 部防空雷達（比利時1 部+荷蘭1 部）和5 部氣象雷達（比利時3 部+荷蘭2 部）提供，能夠預測北海、荷蘭北部、比利時中部和比利時東部的鳥類遷徙。 隨著2013年ENRAM 項目的啟動，KNMI 通過與波蘭、荷蘭、比利時等國空軍及德國聯邦國防軍的合作，雷達數據源進一步豐富，FlySafe-BAM 的功能得到進一步提升，能夠對荷蘭、比利時和德國境內的鳥情進行準實時預報，以鳥情信息通告（Bird notice to AirMen， BirdTAM）的形式發布給飛行員［33］。目前，FlySafe-BAM 中的鳥情檢測算法仍在持續改進，隨著加入飛行安全計劃的成員國數量的增加，FlySafe-BAM 信息服務的范圍將繼續擴大。

2 氣象雷達飛鳥目標回波特性

本節從目標回波幅度、目標高度分布、飛行速度和方向等方面分析氣象雷達獲取的飛鳥目標回波特性，并討論其主要特點及與專業探鳥雷達的區別，為基于氣象雷達的鳥情信息提取奠定基礎。

2.1 目標回波幅度

比較降水與遷徙鳥群的雷達回波幅度具有一定的指導意義。氣象學上所謂的Z-R關系反映了雷達反射率Z與降雨強度R之間的關系，通常表示為［34］

式中：Z的單位為mm6/m3，R的單位為mm/h，且ZdB=10lgZ。

反射率與空氣中液態水含量之間的關系可由經驗公式表示為［35］

式中：M表示單位體積內的液態水含量， kg/km3。在中等降雨情況下（R=1 mm/h，Z=200 mm6/m3）空氣液態水含量為M=7×104kg/km3。遷徙鳥群在遷徙高峰期的分布密度可達到100 只/km3，按照雀形目單只鳥相當于50 ml 的水球計算，其液態水的含量能達到5 kg/km3，遠低于中等降水［36］。

雷達后向散射不僅取決于散射體的質量和密度，而且與散射體的形狀密切相關。瑞利散射條件下，降水密度為5 kg/km3所對應的反射率很低（-27 dBZ）。但是，由于鳥類目標的大小與雷達波長相當，其散射特性不服從瑞利散射，而更接近共振散射，因此在C 波段，100 只鳥/km3會產生約3 dBZ 的反射率，但仍遠低于中等降水的反射率。圖3 給出了2 次實驗獲取的鳥類目標分布密度與雷達反射率的對應關系，其中實線為鳥類目標分布密度的均值，帶顏色的區域為標準方差分布［37］。2 次實驗均采用了OPERA 系統中的C波段氣象雷達，2 次實驗由于實驗地點和時間的不同，存在一定的季節性差異，氣象雷達探測到的是不同的鳥群目標，導致相同雷達反射率時，實驗2 對應的鳥類目標分布密度略低。

圖3 鳥類目標分布密度與雷達反射率的對應關系［37］Fig.3 Relationship between bird target distribution density and radar reflectivity［37］

2.2 目標高度分布

鳥類遷徙高度一般低于1 000 m，小型鳴禽的遷徙高度不超過300 m，大型鳥可達3 000～6 300 m，個別種類可以飛越9 000 m，鳥類夜間遷徙的高度往往低于白天。候鳥遷徙的高度亦與天氣有關［38］。天晴時，鳥飛行較高；在有云霧或強勁的逆風時，則降至低空飛行。

歐洲的研究者利用氣象雷達，對秋季的遷徙鳥群進行了觀測，收集的數據包含了鳥群在多個夜晚的大規模遷徙活動，并采用專業探鳥雷達做參照驗證。為避免地雜波的干擾，觀測只針對200 m 以上的空域，氣象雷達和專業探鳥雷達均能實現較好的覆蓋。該研究使用遷移流量率（Migration Traffic Rate， MTR）來比較不同雷達系統觀測到的遷移強度，MTR 表示1 h 內通過垂直于遷徙方向1 km 的虛擬樣帶的鳥類數量，是一種結合鳥類分布密度和飛行速度的流量測量方法，能夠反映通過給定區域的鳥類數量［39］。圖4比較了3 種雷達系統獲取的不同高度上的鳥類MTR 分布［40］。氣象雷達和探鳥雷達在9月5日—10月31日整個遷徙季的數據進行了對比，并增加了10月5日—10月16日之間的垂直掃描海事雷達的數據。總體上看，這3 類雷達系統獲取的MTR 高度分布數據具有較高的相關性。但是，在較低的高度上（200～400 m），專業探鳥雷達探測到的鳥類目標數量要明顯高于氣象雷達和垂直掃描的海事雷達。可見，氣象雷達在低空探測中易受地面雜波干擾，其更適于探測具有一定飛行高度的遷徙鳥群。

圖4 鳥類遷徙中的飛行高度分布［40］Fig.4 Flight height distribution in bird migration［40］

2.3 目標飛行速度和方向

遷徙鳥速度大多在30～70 km/h，遷徙中每天飛行6～8 h。研究表明，候鳥的遷徙速度受氣流的影響，順風快、逆風慢，同時也受氣溫和季節的影響［41］，故而不少鳥類遷徙多選擇在上升氣流活動強烈的白天或季風時節。這點在猛禽遷徙中表現尤為明顯，其經常成群結隊以盤旋滑翔方式向前方作滾動式遷徙。

一般情況下，氣象雷達測量的鳥類飛行速度要略低于專業探鳥雷達，原因在于飛行速度的計算是基于測量單元內包含的所有鳥類的徑向速度，導致氣象雷達估計的飛行速度可能會低于真實值［42］。只有單元內所有飛鳥目標的飛行方向保持一致，才能獲取更接近真實值的平均速度估計值。在較低的高度上會發生更多的非遷移運動，并且鳥類的運動會受到地形的影響，這也會導致氣象雷達在低空觀測到的目標速度較低。同時，在低海拔地區，少量雜波也可能與相對較弱的鳥類目標回波混合，這可以解釋氣象雷達探測到的一些較低的目標速度。可以認為，當定向散射很小時，由氣象雷達得到的低空平均地面速度是可靠的。圖5 為基于OPERA 系統中的C 波段氣象雷達獲取的某日飛鳥目標飛行速度與飛行方向的分布統計結果，并與探鳥雷達的探測結果進行對比驗證［37］。在鳥類目標飛行方向的測量方面，氣象雷達與專業探鳥雷達的探測結果在相互驗證的同時也存在一定差異。尤其是在低空，氣象雷達探測的鳥類飛行方向比專業探鳥雷達的探測結果更為集中，這是由于氣象雷達給出的目標飛行方向是基于每個掃描單元中所有目標的運動方向均值得出的，而專業探鳥雷達能夠給出每個目標的運動方向。當然，在鳥類大規模遷徙的夜晚，目標的運動方向更趨一致，氣象雷達與專業探鳥雷達的探測結果也更為吻合。

圖5 鳥類目標的飛行速度與方向分布示例［37］Fig.5 Example of flight speed and direction distribution of bird targets［37］

2.4 氣象雷達探鳥數據的主要特點

一般情況下，氣象雷達開展鳥情探測需要相對較長的觀測時間以獲取足夠的觀測數據，進而提取出鳥類遷徙的時間段、遷徙目標空間分布、遷徙方向、飛行高度分布以及平均速度等信息。在遷徙時間方面，由于大部分氣象雷達的全空間掃描周期較長（＞3 min），存在遷徙飛鳥錯過雷達空間掃描空域的可能性，因此需要采用基于鳥情大數據的統計手段獲取飛鳥的遷徙時間信息，通常采用時段進行描述，時間分辨率介于30 min～1 h之間，其精度與觀測樣本數據量正相關；在遷徙目標空間分布方面，氣象雷達的距離和方位分辨率通常較低（距離分辨率＞100 m，角度分辨率≈3°），因此，基于氣象雷達標定的鳥群位置信息通常取決于雷達體掃描單元，且距離越遠，雷達體掃描單元越大，水平分辨率在幾百到上千平方米之間；在遷徙方向和飛行速度方面，由于雷達只能測量目標的徑向速度，且鳥類遷徙過程中飛行方向存在一定的不確定性，因此其飛行方向及速度通常是基于氣象模型和多方位觀測數據進行反演獲得的，分辨率較低且存在一定誤差，僅能實現量級上的估計。表3 歸納了氣象雷達探鳥數據的主要特點。

表3 氣象雷達探鳥數據的主要特點Table 3 Main characteristics of weather radar for bird data

3 氣象雷達鳥情信息提取技術

基于氣象雷達數據提取鳥情信息，需要首先排除雜波和氣象信息的干擾，進而針對飛鳥目標的回波特征提出一系列鑒別指標。本文在總結當前研究成果的基礎上，介紹了基于鳥情大數據和深度學習的鳥類遷徙規律分析方法，并對當前氣象雷達鳥情信息提取技術的難點和相關解決方法進行了梳理。

3.1 雜波抑制

雜波是多普勒雷達進行反射率和平均速度觀測時需要剔除的信號。在低空空域，雜波可能是由地面的后向散射或雷達周圍高層建筑的局部波束遮擋引起的［43］。由于地面產生的天線旁瓣功率散射，通常會檢測到沿方位方向的雜波線。典型的地雜波在近距離處最強，并且隨著海拔高度的增加而顯著減小。大氣中的逆溫會導致雷達波束的異常傳播，使波束向下折射到地球表面。這可能會導致在更大范圍內從地面產生強散射。鳥類密度估計是基于晴空觀測條件下的鳥類目標回波信號，這種回波的強度往往較弱。因此，鳥類反射率估計對雜波引起的偽回波污染非常敏感。除目標反射率的觀測之外，雜波還會影響目標平均徑向速度觀測的質量，這在鳥類的檢測中非常重要。相關研究表明，疊加在降水氣象信號上的地雜波會導致信號質量降低，并使平均徑向速度向零偏移［44］。本節將對已經開發的氣象雷達鳥類目標檢測算法中使用的雜波抑制策略進行討論。

多普勒信號中的地雜波干擾可以通過時域或頻域的數字濾波進行抑制。在多普勒頻譜中，地雜波在零頻率附近產生一個窄的峰值。這種低頻成分可以通過應用一個尖銳的高通濾波器從多普勒信號中去除，從而產生剔除雜波的徑向速度場和反射率場。在鳥類遷徙過程中，多普勒雜波濾波的效果不如晴空條件。通常情況下，地雜波強度約為0～15 dBZ，而鳥的回波約為-2～5 dBZ［45］。接近雷達的雜波回波與鳥回波具有相似或更大的幅度，這意味著雜波比信號的強度至少高出幾分貝。在鳥類遷徙過程中，動態多普勒雜波濾波的效果明顯降低。

在非鳥類遷徙季節的幾個晴天內，通過對所有距離門進行平均反射率計算生成靜態雜波圖，是一種普遍采用的雜波抑制方法［46］。所有反射率平均值高于-10 dBZ 的距離門將被永久剔除。由于地雜波在多普勒頻譜的零頻率附近產生窄的峰值，可以排除多普勒速度在-1～1 m/s 間隔內的所有距離門。海雜波往往具有非零多普勒速度，因此，臨海的氣象雷達的雜波抑制難度會更大。

3.2 氣象信息剔除

在鳥類探測的過程中，降水是另一個需要充分考慮的“雜波”來源。與鳥類目標的散射相比，降水的回波強度通常更大［47］。被誤認為鳥類的少量降水信號可能會導致對鳥類目標密度的高估，因此剔除所有非鳥類目標回波的區域至關重要。KNMI 的氣象學家通常使用7 dBZ 的低反射率閾值來區分降水信號和低反射率的晴空回波［39］。在C 波段，典型的鳥類反射率一般不足7 dBZ，而各類氣象學上不顯著的降水信號也是如此，需要利用多普勒徑向速度進行區分［48］。

針對每個仰角的掃描結果，通過搜索每個單元篩查出反射率高于某閾值的區域。該閾值需要設置的足夠低，以確保包含所有降水區域，但此時不可避免地會選擇部分鳥類遷徙區域，需要附加分析步驟對降水單元加以確認。設置反射率閾值為0 dBZ，能夠包含觀測到的大多數降水氣象信號。雖然在許多情況下，當選擇低于0 dBZ 的閾值時，降水濾波更有效，但在部分情況下，其可能導致降水和鳥類遷徙區域合并為一個單元，從而降低氣象剔除的準確性。因此，對徑向速度的整體分布特征分析對于隨后消除這些降水回波非常必要［49］。降水區域的單元格通常是均勻填充，但鳥類目標的回波區域一般不滿足均勻填充。對于篩選出的降水單元，要求其與至少5 個高于反射率閾值的其他單元相鄰，這保證了只選擇出均勻填充的單元格。

反射單元的徑向速度特性也可以作為區分降水和遷徙鳥類目標回波的標準之一。從徑向速度場導出的紋理場等于局部徑向速度的標準差，而每個距離門都需要考慮所有直接相鄰的單元。徑向速度Vr的局部標準偏差σv為［37］

圖6 繪制了氣象雷達分別在較強的鳥類遷徙和對流降水期間探測的單元平均局部標準偏差σv和反射率Z的對應關系，其中紅色點為遷徙鳥目標回波，藍色點為降水回波［37］。圖中所示數據由2 個實驗地點分別部署的2 部氣象雷達在秋季遷徙季獲取。通過實驗現場驗證，鳥類遷徙過程中未出現降水。由圖6 數據可知，遷徙鳥回波數據滿足σv＞5 m/s 和Z＜15 dBZ 這2 個條件。顯然，圖6（a）中的回波數據較圖6（b）更易區分，這是由于前者采用的氣象雷達的距離分辨率更高。由于實驗1 中采樣單元的體積較小，獲取的數據精確度更高，計算出的反射率結果也更為準確。實驗2 中采用的氣象雷達采樣單元相對較大，也會導致徑向速度在更多鳥類目標上進行平均，從而降低徑向速度標準差中的紋理值。此外，實驗2觀測區域內較強的地雜波可能導致徑向速度的去混疊誤差，進而增加降水回波的徑向速度標準差。

圖6 遷徙鳥群與降水信號的特征分布［37］Fig.6 Characteristic distribution of migratory birds and precipitation signals［37］

3.3 飛鳥目標特征提取

對于單極化氣象雷達來說，3.2 節所述的目標反射率Z和局部標準偏差σv是識別飛鳥目標的主要特征依據。其中，局部標準偏差σv也稱為譜寬度，其是一個體掃描單元中所有散射子徑向速度的統計標準差，描述了體掃描單元內全體散射子運動速度的一致性。隨著雙極化氣象雷達的日益普及，其能夠提供更為豐富的目標回波數據，包括差分反射率ZDR、差分相位ψDP和極化相關系數ρHV等，為飛鳥目標特征提取與識別創造了更好的條件［50］。

在雙極化條件下，反射率既可以測量水平波的貢獻，也可以測量垂直波的貢獻，并且通常與每個極化方向上散射體的大小有關。利用對數變換規則，差異反射率ZDR可以定義為水平極化ZH和垂直極化ZV下測量的雷達目標反射率之差［51］：

對于氣象散射體和波長遠大于散射體尺寸的散射體，ZDR值與被測散射體的物理形狀（即長寬比）直接相關，因此ZDR的大正值表示水平方向的扁圓物體，大負值表示垂直方向的長形物體，接近零的值表示球體或隨機取向粒子的集合。但是，這種簡單的解釋通常不適用于生物散射體，存在一定偏差。對于鳥類這樣的非球形散射體，每個極化方向都會受到諧振影響。對處于諧振區的飛鳥目標，稍微增大鳥的尺寸可能導致垂直極化RCS 的增加和水平極化RCS 的減少，從而產生較低的ZDR值。顯然，對于飛鳥目標來說，ZDR和目標長寬比之間并不存在簡單的對應關系。目標RCS 不僅取決于其尺寸，還與雷達波長有關。為避免相鄰雷達站點之間的無線電干擾，NEXRAD 網絡中相鄰站點的雷達波長設置也略有差異。Melnikov 等的研究表明，波長的輕微變化（10.0 cm 和11.1 cm）會導致同一個鳥類散射體的ZDR值從+10～-5 dB 的變化［52］。

差分相位ψDP是水平和垂直極化之間的總測量相位差，包括發射時的初始差分相位ψt、電磁波發射過程中的相位偏移0.5ΦDP、目標散射造成的相位偏移δ、電磁波返回過程中的相位偏移0.5ΦDP以及接收回波時的相位偏移ψr，表示為［53］

式（5）的結果是一個介于0°～360°之間的值。在氣象應用中，該值被解釋為水平波滯后于垂直波的程度。在生物目標探測中，垂直波可能滯后于水平波，導致負相位偏移。實際上，在晴空條件下探測生物目標，傳輸過程中造成的相位偏移（ΦDP）幾乎可以忽略，總的差分相位可以減少到雷達系統的貢獻（ψt和ψr的組合）和散射體引起的相移（δ）。為充分考慮雷達系統的貢獻，大部分雷達系統都會進行系統相位校準，例如，NEXRAD 雷達系統在應用中會設置一個60°的差分相位作為所有站點的校正標準。值得注意的是，許多實時雷達可視化工具通常不能給出差分相位（°），而是給出距離導數（（°）/km），原因在于此類產品是專門為氣象應用設計的，因此不能針對特定生物目標提供任何特征數據。

雷達接收機記錄的回波是大氣傳播、生物目標散射和雷達系統硬件本身變化的復雜組合，可能導致在每種極化條件下被測信號的振幅和相位受到不同的影響，因此，可以通過計算二者之間的相關性進行比較，通常稱為極化相關系數ρHV。對于每個分辨單元，這種相關系數的大小取決于2 種極化跨越多個脈沖的接收信號的相似性。對于含有固定散射體的采樣單元，不存在由散射體引起的脈沖間變化，ρHV=1。如果散射體的運動、形狀或方向更加多變，則每種極化信號的相關性降低，ρHV值將變小。與雨滴不同的是，鳥群等生物目標的形狀、身體位置、方向和空間分布都是高度可變的，直接導致ρHV值降低。此外，鳥類飛行中通過翅膀拍打和彎曲導致機體幾何結構的實質性變化，也會改變其后向散射特性［54］。當然，這些散射機制及其隨動物體位的變化規律仍待研究。

基于以上氣象雷達目標特征數據，能夠生成空間特征紋理圖像。特定雷達產品的某個像素位置的紋理通常由其周圍像素的某種可變性統計值來定義的。此類計算中包括的像素可能在距離和方位角上跨越不同區域。極化紋理與生物目標在分辨單元內及其之間的特性和行為的可變性有關。例如，當采樣單元的組成不均勻時，相鄰單元將具有不同的極化特征，導致較高的空間標準差。如果目標行為方式不同，在同類目標組成的情況下仍然會出現較高的標準差。例如，2 個相鄰單元可能都包含相同的鳥類物種，但如果觀測角度不同，仍會產生不同的ZDR值和較高的ZDR紋理。圖7 為NEXRAD 網絡中位于田納西州的一部氣象雷達于2015年5月3日獲取的夜間遷徙鳥群目標回波并生成的多個指標數據產品，包括反射率Z、徑向速度Vr、譜寬度σv、差分發射率ZDR、差分相位ψDP以及相關系數ρHV，該部雷達此時的仰角為0.5°，圖中所示的探測半徑為300 km。顯然，ZDR隨方位變化顯著，負值向西呈楔形延伸，正值向東南呈楔形延伸［8］。實際上，以上區域內不太可能存在鳥群飛行行為的空間變化，ZDR 的變化純粹是由雷達不同的觀測角度造成的。此外，ZDR 的這些負值也并不表示鳥類目標的垂直尺寸更大。基于多個特征指標判斷，該遷徙鳥群正在朝東北方向運動。

圖7 鳥群目標特征指標紋理圖［8］Fig.7 Texture map of bird flock target characteristic index［8］

實際上，鳥類在遷徙過程中的飛行方向和速度存在一定的不確定性，且不同種群的鳥群在遷徙模式上存在差異，導致氣象雷達對鳥類遷徙方向及飛行速度的估計精度不高。此外，由于雷達僅能根據回波的多普勒特征獲取目標的徑向速度信息，實際飛行方向和速度未知，因此也增加了對遷徙鳥群目標的飛行方向和速度進行估計的難度。目前主要的解決方法包括：研究基于氣象雷達數據的風向與風速評估模型，結合遷徙鳥群的飛行特征以及不同時空窗口上的目標回波信息，對鳥群目標的遷徙方向和速度進行評估，并結合其他觀測手段和信息來源加以修正，構建以氣象雷達觀測數據為核心的鳥群遷徙模式綜合評估體系。當然，以上方法獲取的目標信息仍然是對遷徙鳥群目標態勢的整體把握，無法獲得單一目標的精細化特征。

3.4 機器學習技術

每年都有數以十億計的動物在季節性遷徙期間穿越地球，但由于它們的活動不可預測，導致對其進行預測的難度較大。利用氣象雷達提取并積累的海量鳥情信息，通過機器學習技術能夠發現其中的規律［55］。牛津大學和康奈爾大學的科學家利用NEXRAD 氣象雷達網獲取的鳥情信息，基于23年的春季觀測資料，采用梯度提升回歸樹建立了一個大陸尺度的鳥類遷徙預測模型，以確定氣溫、氣壓、風力等氣象條件與鳥類遷徙強度之間的關聯，相關成果發表在2018年的《Science》雜 志 上［56］。該 模 型 解 釋 了 美 國0～3 000 m 高度范圍內鳥類遷徙強度的81%的變化情況，并且能夠提前1～7 天較好地預測遷徙變化（解釋了62%～76%的變化）。該模型還發現，在遷徙高峰期，美國各地遷徙過境的鳥類每晚可能超過5 億只。圖8 給出了2008—2017年遷徙高峰期從美國大陸遷徙過境的鳥類數量變化情況，遷徙規模在5月份達到峰值。圖9 給出了不同日期和溫度條件下遷徙密度的預測值，圖9（a）所示熱力圖中的每個點代表了一部氣象雷達在夜間獲取的數據，圖9（b）為春季的3 個特定日期中鳥類遷徙密度隨溫度的變化情況。

圖8 美國大陸的夜間鳥類遷徙數量［56］Fig.8 Number of nocturnal bird migration in the continental United States［56］

圖9 遷徙密度與時間和溫度的關系［56］Fig.9 Relationship between migration density and time and temperature［56］

馬薩諸塞大學阿默斯特分校的研究者同樣利用NEXRAD 氣象雷達網獲取的鳥情信息，將隱變量模型與期望最大化算法相結合，采用深度學習技術建立更為精準的目標檢測器，發現了以前未知的鳥類棲息地，為生物學家了解群居鳥類的活動規律提供了重要信息［57］。研究發現，大量群居鳥類通常在日出前15～30 min 離開棲息地，難以被人類發現。圖10（a）第1 行為氣象雷達回波圖像，方框中的位置為采用以上機器學習技術發現的具有“環形”特征的燕群棲息地，中間一行反映了燕群飛離棲息地過程中的反射率變化情況，最下面一行顯示了燕群從棲息地中心飛離的徑向速度變化情況，靠近雷達站的飛鳥徑向速度為負（綠色），遠離雷達站的飛鳥徑向速度為正（紅色）；圖10（b）為實地拍攝的燕群圖像。

圖10 氣象雷達獲取的鳥類棲息地雷達回波與現場驗證圖像［57］Fig.10 Radar echo and field verification image of bird habitat obtained by weather radar［57］

目前，現有基于氣象雷達的鳥群觀測方法基本上僅能夠實現飛鳥和其他氣象目標以及雜波的區分，且精度仍然存在提升空間，尚不具備區分不同類型鳥群目標的能力。因此，現有氣象雷達的鳥群檢測方法僅能夠初步解決“有無”問題，尚無法精確判定遷徙鳥群的類型并實現對遷徙鳥群的精確描述。目前主要的解決方法包括：從理論建模的角度深入研究不同類型鳥種、密度以及飛行隊形對于氣象雷達視角下鳥群目標特性的影響，結合探鳥雷達、光電、衛星追蹤等其他觀測手段和信息來源構建遷徙鳥情目標信息特征庫，實現遷徙鳥群信息的全方位、多尺度描述。此外，以深度學習為代表的人工智能新技術也可能成為遷徙鳥群目標分類的輔助手段。

3.5 交叉驗證技術

基于氣象雷達數據的鳥情信息提取算法的正確性，需要人工觀測、衛星追蹤、專業探鳥雷達等其他鳥情觀測技術加以驗證［58］。瑞士鳥類研究所利用BS-MR1 型探鳥雷達、垂直掃描的海事雷達以及目標跟蹤雷達開展了大量的交叉驗證實驗，各類探鳥雷達如圖11所示［40］。2.2 節 和2.3 節對比了以上探鳥雷達和氣象雷達獲取的鳥類目標飛行高度、速度和方向等數據，二者在數據分布的統計特征上趨于一致，充分驗證了基于氣象雷達的鳥情信息提取算法的有效性。

圖11（a）所示的BS-MR1 型探鳥雷達由瑞士鳥類研究所研發并專門用于鳥情觀測，采用垂直對空凝視的天線體制。該雷達為25 kW 脈沖X波段，并采用長短脈沖相結合的模式，其不僅能獲取鳥類目標的速度和飛行方向，還能根據翅膀拍打模式對鳥類進行初步分類。同時，該型雷達能夠在考慮不同大小目標的檢測概率的情況下，計算出各類目標的MTR 值。在這項研究中，BSMR1 雷達使用4 種工作模式探測回波，分布為靜態短脈沖、旋轉短脈沖、靜態長脈沖和旋轉長脈沖。MTR 的計算限制為200～800 m 高度范圍內檢測到的短脈沖回波，因為短脈沖條件下小鳥的最大檢測范圍不超過800 m。在800～1 400 m 高度范圍內，僅使用長脈沖檢測回波。只有在旋轉模式下才能檢索到鳥類的飛行行為數據。

圖11（b）為25 kW 的X 波段垂直掃描雷達，配備2.17 m 的T 形天線，波束寬度為22°，方位角1°，每分鐘旋轉34 圈。天線的旋轉方向與預期的鳥類主要飛行方向保持一致，以便探測鳥類的較長軌跡。由于只進行垂直旋轉，鳥在雷達波束內的飛行方向無法確定，限制了某些信息的獲取。在數據采集過程中，雷達選擇長脈沖的工作模式。為了排除昆蟲目標，數據處理中忽略了短于200 m且連續回波＜4 次的軌跡，還排除了距雷達300 m以內的軌跡以及速度＜30 km/h或＞100 km/h的軌跡。MTR 和鳥類飛行速度的計算都基于所有鳥類都穿過平行于雷達旋轉軸的波束的假設。因此，對于飛行方向偏離雷達旋轉軸的鳥類，可能低估其軌跡長度和飛行速度。

圖11 用于交叉驗證的各類探鳥雷達［40］Fig.11 Various avian radars for cross validation［40］

圖11（c）所示的跟蹤雷達為200 kW 的X 波段雷達，波束寬度為1.5°，通過手工操作進行目標跟蹤定位，每次只能跟蹤一個飛鳥目標。在跟蹤目標的精確位置時，每秒記錄一次數據，對目標的飛行高度、速度和航跡方向進行精確測量。在單個目標情況下，根據翅膀扇動模式的回波特征，識別出非鳥目標、鳥目標、雀形目或鳥群。該跟蹤雷達被用于目標軌跡方向和速度的交叉驗證。由于手動選擇跟蹤目標以及目標跟蹤的持續時間可能導致跟蹤目標數量的偏差，因此，跟蹤雷達數據不用于估計遷移強度和海拔分布的驗證。需要強調的是，氣象雷達是針對氣象類的大尺度目標進行全空間觀測，因而通常時空分辨率較低，獲取的目標信息量較少。因此，與專業探鳥雷達相比，氣象雷達的掃描速率較低，空間分辨率不足。通常，大部分遷徙鳥群目標僅分布在氣象雷達的一個體掃描分辨單元內且時空不確定性均較高，導致氣象雷達在全空間掃描過程中可能無法掃描到遷徙鳥群，獲取的有效信息不足。目前主要的解決方法包括：延長觀測時間以獲取足夠數量的觀測樣本，通過大數據方法實現對遷徙鳥情態勢的統計學特征描述。

4 基于氣象雷達的鳥類學研究與應用

基于氣象雷達組網的鳥類探測技術在大陸尺度鳥情監視預警方面具有獨特的優勢，日益成為鳥類生態學研究與軍民航鳥擊防范的重要技術支撐。

4.1 鳥類生態學

長期以來，由于缺乏大尺度鳥情觀測的技術手段，掌握夜間鳥類遷徙的飛行路線一直是一個科學難題。歐洲的研究者利用OPERA 氣象雷達網絡調查了鳥類在歐洲范圍內夜間的飛行路線，這是首次利用歐洲天氣雷達網絡研究大陸尺度的大規模鳥類遷徙活動［59］。圖12 為2016年秋季遷徙季節，基于從斯堪的納維亞半島北部到葡萄牙的70 個氣象雷達站提取的生物信息，繪制的鳥類遷徙主體方向圖，顯示出歐洲部分地區的遷徙強度［60］。圖12 中每個監測位置的平均遷移方向用黑色箭頭表示，每個位置的平均MTR 用圓圈的大小和顏色表示，取整個采樣期的平均值（2016年9月19日—10月8日，僅包括夜間數據）。每個箭頭的寬度表示遷徙方向的集中性，較寬的箭頭表示更集中的遷移方向，較細的箭頭表示更分散的方向分布。平均而言，基于所有監測位置的20 個夜間采集的雷達數據，每千米樣帶每小時有389 只鳥通過。在遷徙強度最高的夜晚，每個雷達站監測到的MTR 平均值為1 621 只/（km·h），但遷徙強度在地理位置和時間分布上有很大差異。總體的遷移方向為西南向，法國中部的強度最高。研究發現，遷移行為與風力條件密切相關。通常在順風條件下，風速每提高1 m/s，MTR 值將相應提高約33只/（km·h。）

圖12 歐洲部分地區的季節性鳥類遷徙［60］Fig.12 Seasonal bird migration in parts of Europe［60］

4.2 鳥擊防范

AHAS 是基于美國空軍鳥擊危險減少計劃、鳥 類 躲 避 模 型（Bird Avoidance Model， BAM）以 及NEXRAD 氣 象 雷 達 網 研 發 的［61］。其中，美國空軍鳥擊危險減少計劃始于20 世紀70年代，最初致力于機場對于鳥禽的主動和被動管理，20 世紀80年代中期以來開始實施低空飛行任務鳥類躲避計劃，側重歷史鳥擊事件數據的建模分析和實時的鳥類躲避研究。美國空軍BAM 建設始于1983年，該模型在1998年實現了地理信息系統與雷達數據的結合，能夠提供 全 美 鳥 類 的 分 布 和 數 量 信 息［62］。 美 國NEXRAD 國家氣象雷達網，擁有160 部氣象雷達，是唯一能夠覆蓋美國全境的探測網絡，每6～10 min 更新一次數據。

AHAS 利用氣象雷達網提供的數據，采用神經網絡模型等識別算法，實時從氣象雷達數據中提取鳥類活動信息；系統利用雷達探測數據，以及對歷史鳥情數據的積累分析，對特定區域鳥情危險程度進行評估，風險等級分為低、中、高3 級，評估信息可與地理信息系統結合顯示，也可通過郵件或短信的方式向用戶發出預警。AHAS 通過2 個因素評估鳥擊風險：“嚴重程度”基于雷達回波強度得出，“鳥擊概率”取決于鳥群活動的多邊形區域所占百分比，二者相乘得出鳥擊風險值。AHAS 的優勢是基于現有國家氣象雷達網覆蓋美國全境，適于探測成群飛行、沿海岸線飛行、或大規模遷徙飛行的鳥類，并能夠在地理信息系統中標識，直觀顯示某地區或某航路的鳥情態勢分布，便于空軍提前做好鳥防準備或調整訓練安排。美國空軍自2003年使用AHAS 以來，其鳥擊事件數量及損失下降了50%以上，鳥擊防范效果顯著。圖13（a）［61］為AHAS全美鳥情動態預警，其中紅色為高度危險、黃色為中度危險、綠色為低度危險、藍色為氣象信號。

圖13 美歐鳥情分布態勢顯示界面Fig.13 Display interface of bird distribution in US and Europe

歐洲基于OPERA 氣象雷達網絡的數據和鳥擊風險評估模型FlySafe-BAM，能夠實現對歐洲部分地區的BirdTAM 信息發布［63］。圖13（b）［63］為德國、荷蘭和比利時范圍內，雷達合成的鳥類和昆蟲等生物目標在約1 km 以下的低空分布情況，由BirdTAM 值表示鳥類或昆蟲的密度。BirdTAM 值遵循0～8 的對數標度，并擴展為≥9 的值，以區分大規模鳥類遷徙和降雨信息。鳥和昆蟲的回波顯示為綠色、黃色、橙色、紅色，有時甚至更暗的顏色；較大的降水范圍由黑色或深色區域表示；山脈等地面雜波呈現為小的黑暗區域，如德國南部和東南部以及比利時東部。

5 中國氣象雷達鳥情預警系統建設構想

在中國建立覆蓋全國的鳥情預警系統有助于實時掌握鳥類遷徙信息，及時向機場、航空公司、空管等相關單位通報高風險鳥情，從而做好協同防范，提高鳥擊防范能力。本節將從探測覆蓋范圍和雷達系統性能2 個方面，討論在中國建立基于氣象雷達組網的全國鳥情預警系統的初步構想。

5.1 探測覆蓋范圍

中國從20 世紀90年代后期開始建設的新一代天氣雷達網，在災害性天氣監測和預警服務方面發揮了重要作用，同時帶動了全國氣象雷達產業、技術和人才的快速發展，取得了突出的社會經濟效益。

2017年6月，中國氣象局發布了《氣象雷達發展專項規劃（2017—2020年）》（以下簡稱《規劃》）。《規劃》指出，截至2016年底，全國已經完成233 部新一代天氣雷達建設；中國氣象局統籌建設的X 波段天氣雷達共42 部，由地方自主建設的X 波段天氣雷達約200 部；完成部分天氣雷達的雙偏振升級改造；天氣雷達近地面1 km 的覆 蓋 范 圍 約2.2×106km2［64］。世 界8 條 候 鳥 遷徙路線中，有3 條經過中國：第1 條是西太平洋路線，經過中國東部沿海省份；第2 條是東亞澳洲的遷徙路線，經過中國中部省份；第3 條是中亞、印度的遷徙路線，翻越喜馬拉雅山，經過青藏高原等西部地區。其中，東亞澳洲候鳥遷徙路線是全球8 大路線中物種數量最多的區域，在中國，這條候鳥遷徙路線從東北的黑龍江到黃渤海沿岸，南至廣東南嶺等地，還覆蓋內陸濕地鄱陽湖、洞庭湖等［65］。按照相關規劃，新一代天氣雷達網已經覆蓋了中國大部分機場和候鳥主要遷徙路線，能夠初步滿足全國機場的鳥情預警需求，且這一網絡還在不斷地完善和升級過程中。目前，按照統一技術標準，已完成112 部新一代天氣雷達進行技術升級，并使用X 波段天氣雷達對新一代天氣雷達網的探測盲區進行補充。

5.2 雷達系統性能

中國的新一代多普勒天氣雷達是基于美國WSR-88D 天氣雷達先進技術的基礎上研發的，具有24 h 無人職守、實時監控、實時標校、高精度、高可靠性等特點，其技術性能已達到世界領先水平，可實現雷達聯網、數據互傳和資料共享。

近年來，國外氣象雷達的整體發展趨勢具有從單偏振（極化）探測向雙偏振探測發展的特點，美國已于2012—2013年完成了全國天氣雷達網的雙偏振技術改造并投入業務化應用。雙偏振天氣雷達與目前常用的單偏振天氣雷達相比，能夠獲取目標的形狀、尺寸大小、相態分布、空間取向等更為詳細的信息，有助于提高雷達目標探測的準確性、精度和探測數據的質控能力。目前，中國已經啟動了天氣雷達的雙偏振升級改造，開展了雙偏振雷達業務應用試驗，對雙偏振雷達探測能力及業務運行情況進行評估，確定雙偏振雷達的業務體制、定標方法和技術標準。目前，東部沿海已有51 部雷達升級為雙偏振雷達，其中廣東省12 部全部升級為雙偏振雷達。從技術體制角度來看，中國氣象雷達的雙偏振技術升級不僅僅為氣象目標觀測提供了更加豐富的信息，可進一步提升中國的天氣預報以及相關氣象領域的研究水平，也為基于氣象雷達網的遷徙飛鳥目標識別提供了更加豐富的特征信息以及數據支撐。

6 結論與展望

本文在充分研究美國和歐洲氣象雷達鳥情預警系統的基礎上，討論了氣象雷達鳥類目標回波特性與鳥情信息提取技術，并介紹了基于氣象雷達在鳥類學研究與鳥擊防范方面的應用情況，最后論證了在中國建立基于氣象雷達組網的全國鳥情預警系統的可行性，共得出以下幾點結論：

1）氣象雷達由于受到技術體制的限制，在探測能力上與專業探鳥雷達有較大差異。主要表現在氣象雷達不能獲取單只飛鳥目標的確切飛行軌跡，更適于探測具有一定飛行高度的遷徙鳥群，從而在大陸范圍內反映出大尺度的鳥類活動態勢，因此成為鳥類生態學研究與鳥類遷徙預警的重要工具。

2）中國的新一代多普勒天氣雷達與美國的WSR-88D 雷達性能接近，其已經形成且不斷完善的氣象雷達網的探測范圍基本覆蓋了全國大部分機場和中國境內主要的候鳥遷徙路線，能夠為建立全國鳥情預警系統提供基礎雷達數據。

3）基于當前的新一代多普勒天氣雷達，特別是經過雙偏振升級改造的天氣雷達，采用當前的雷達數據處理算法與深度學習理論從雷達回波信息中分離出氣象信息和鳥群目標信息，在技術路徑上是可行的。

隨著氣象雷達信號處理技術與硬件系統的不斷發展，未來氣象雷達探鳥技術呈現出以下幾個趨勢：

1）精細化。隨著氣象雷達軟硬件系統的不斷發展，未來氣象雷達將具備更高的空間分辨率和數據更新速率，為在時空維度上實現對遷徙鳥類型以及分布態勢的精細化感知創造了條件。

2）組網化。氣象雷達的應用領域決定了其具備組網探測的特性，隨著氣象雷達網絡的日趨完善，未來可進一步研究基于氣象雷達網的遷徙鳥探測以及動態可視化描述技術，實現區域和全國范圍內的遷徙鳥情動態更新。

3）融合化。目前除氣象部門，空管及軍事部門均配置了專屬氣象雷達，這些氣象雷達與氣象部門的專用雷達在探測范圍上存在重合或者互補，通過信息融合可實現更大范圍內的鳥情觀測。此外，空管雷達、專業探鳥雷達以及其他體制的雷達理論上也可以實現不同空域范圍內的遷徙鳥探測，且探測精度更高。因此，在日益成熟的雷達數據共享機制的支持下，通過研究不同體制雷達的鳥情信息融合技術，有助于實現全空域范圍內遷徙鳥的多尺度時空觀測及態勢描述，進一步提升軍民航鳥擊防范能力。