引言

天气雷达拼图是将某个区域内多部雷达扫描数据拼接在一起形成覆盖该区域的雷达回波图像。雷达拼图能够提升灾害天气预警和防御能力，是预报员高频使用的一种气象资料。然而，天气雷达是由高度复杂的电子系统组成，其运行易受系统内部电子元器件故障、系统机械故障、功能模块工作异常及外部环境干扰等多种因素的影响，导致在长时间业务运行中不可避免地产生异常数据(谢千里，2020)。虽然相关数据质量控制技术已相对成熟，但依然无法完全剔除所有的异常数据，雷达拼图中仍会存在径向、环状等异常回波。径向异常回波是一种沿径向分布的条幅状回波，主要由外部远距离单频点电磁波干扰和内部数据处理异常引起(周红根等，2008)。环状异常回波主要由雷达发射机/接收机故障引起的探测数据强度异常导致，表现为相邻体扫回波强度、范围差别很大，出现环状、饼状回波(赵瑞金等，2015)。这些异常回波不仅直接影响预报员对天气系统的分析判断，还显著削弱了雷达数据的定量应用效果。对于气象业务人员而言，虽然异常回波的人工识别并非难事，但在海量雷达拼图数据中进行人工识别的工作量巨大、效率低下，难以满足数值模式同化系统、强对流天气自动识别系统等业务系统处理效率的要求。因此，实现雷达拼图异常回波的自动有效识别，对于提高数据质量和业务效率具有重要现实意义。

早期，天气雷达异常回波的检测识别主要依赖传统图像处理和人工特征判别。Haddad et al(2004)利用雷达回波图像的纹理信息，通过灰度直方图以及灰度和差直方图区分降水回波和地物回波，表明纹理统计特征在杂波识别中具有一定判别能力。赵悦等(2007)将中值滤波与小波变换相结合，用于天气雷达回波图像处理，为自动识别回波种类提供了良好的基础。何建新等(2010)采用自适应高斯频域滤波器对天气雷达的地物杂波进行识别与抑制。邵楠等(2013)结合图像处理、特征提取和迭代学习器，实现了异常雷达产品的自动检测。Sadouki and Haddad(2013)则通过灰度共生矩阵进行图像纹理分析，能够有效区分降水回波与杂波。上述基于传统的图像识别技术虽然取得了一定的识别效果，但是严重依赖人工设计特征与固定参数。

随着深度学习方法的应用逐渐成熟，其在气象领域的应用也日益活跃(钱奇峰等，2021；陈鹤等，2022；袁凯等，2022；张雪等，2023；曾小团等，2025)。其中，基于深度学习的图像分类算法已被应用到雷达异常回波识别中。刘昉等(2021)提出了基于卷积神经网络(CNN)的天气雷达异常回波图像识别。Yang et al(2020)基于堆叠自编码器提出了异常天气雷达回波图像识别方法。张林等(2023)基于深度学习研发了天气雷达异常数据识别技术。上述方法对雷达回波图像类别识别时效快、准确率高，较传统识别方法具有显著优势。但是图像分类算法主要识别一张图片的整体类别，即判断一张回波图像是否包含异常回波，而无法区分包含异常回波图像中的降水回波和异常回波的轮廓、边界及具体的像素位置。

图像分割技术能够将数字图像分割成离散像素类别，通过对每个像素分配一个类别标签实现对图片轮廓的精确描绘。图像分割技术主要分为语义分割、实例分割和全景分割。其中，语义分割是对像素进行语义分类，实例分割是区分同类物体的不同个体，而全景分割结合了两者的优点，实现对图像更全面的分割。语义分割技术的发展经历了三个阶段，第一阶段是基于传统方法的图像语义分割时期，主要依赖图像的低级特征进行分割，但无法实现语义标注的效果；第二阶段是深度学习与传统方法结合的时期，利用卷积神经网络算法实现语义分割(Razavian et al，2014)，但其准确性受到传统方法的限制；第三阶段是基于全卷积神经网络(FCN)时期(Long et al，2015)，FCN通过卷积层提取特征，并利用反卷积层来恢复图像分辨率，实现了像素级别的语义分类(王关茗和胡乃平，2023；邝辉宇和吴俊君，2019)。考虑到雷达异常回波识别的目标是理解回波图像中不同区域的语义信息(正常回波或异常回波)，不是简单判断回波图像中是否包含异常回波，也不需要区分同类别的不同个体。因此，本文采用语义分割方法对异常回波进行像素级别的识别，从而提升雷达拼图数据质量和业务应用能力。

1 数据集构建

语义分割的性能在很大程度上依赖于大量、多样且标注准确的图像数据集。构建此类数据集是一项劳动密集型任务，而且标注的质量会直接影响模型的性能。然而，在深度学习语义分割领域，公开的雷达拼图异常回波训练数据集非常匮乏，这也阻碍了准确分割模型的开发。鉴于此，本文基于湖北省雷达拼图数据构建了异常回波图像分割数据集(WRAED)。该数据集的原始数据来自湖北省气象台业务运行的灾害性天气短时临近预报业务系统(SWAN)生成的组合反射率因子拼图产品。其中，拼图产品源自湖北省9部S波段新一代天气雷达(图 1)，格点水平分辨率为1 km，时间分辨率为6 min。数据集时间范围为2019—2021年6—9月，涵盖连续三年湖北省主汛期不同天气系统演变下的雷达异常回波特征。

基于收集的SWAN雷达拼图数据，批量绘制雷达组合反射率图像，以此构建VOC格式的雷达拼图回波图像数据集。图 2为WRAED的具体流程。首先，从2019—2021年6—9月共77 509张雷达拼图回波图像(即原始图像)中人工筛选出包含异常回波的图像(图 3)；其中，共有1002张仅含径向异常回波的图像，157张仅含环状异常回波的图像，59张同时包含径向和环状异常回波的图像。

然后，基于Labelme图像标注软件的多边形工具，将上述筛选出的异常回波图像进行标签标注(即人工标签)，生成JSON格式的标记数据文件；再使用Python Image Library工具将JSON格式的标记数据文件转换为掩码标注图像(图 4)。

由此可知，虽然原始图像有77 509张，但最终筛选出来的异常回波图像仅有1218张，数据集规模较小且数据分布不均衡，这将会导致训练模型出现严重过拟合现象，泛化能力显著下降。为解决上述问题，康斓和苏志金(2024)提出了图像数据增强技术。这是一种在机器学习、深度学习等领域广泛应用的数据处理技术，旨在通过对现有数据进行一系列变换操作，有效扩充数据集的规模和多样性，同时又能保持数据原本蕴含的关键信息及标签不变，进而提升模型的性能与泛化能力。

图像数据增强方法非常多，有基于单样本图像数据增强方法(如几何变换、颜色变换)，有基于多样本图像数据增强方法(如SMOTE、SamplePairing和Mixup等)，还有基于生成对抗网络数据生成的数据增强。本文主要采用基本的几何变换类数据增强以增加样本的多样性，具体包括：翻转、旋转、缩放及裁剪。翻转包含水平翻转、垂直翻转等；旋转则按照一定角度对图像进行旋转操作；缩放可对图像进行放大或缩小操作；裁剪则通过裁剪出图像的局部区域，改变图像的构图，可使模型学习到物体的局部特征。

综上，将可视化标注图像以及原始图像分别进行旋转、翻转、缩放等操作，得到雷达拼图回波图像扩充增强数据集；同时，进行训练集和验证集的划分，获得雷达拼图异常回波训练数据集。由此，经过数据增强后，数据集共包含20 000张图像，图像大小为1100像素×800像素，涵盖了径向和环状两类异常回波。其中，80%的图像被划分为训练数据集，用于模型的训练阶段；20%的图像则被划分为验证数据集，以便对训练得到的模型进行验证和评估。表 1所示为WRAED中训练数据集和验证数据集的异常回波分布情况。

2 DeepLab-ARER模型

本文以DeepLabV3+模型为基础，采用简化后的ResNet50(He et al，2016；Fakhfakh et al，2020)为主干网络，构建了面向雷达拼图异常回波精准识别的DeepLab-ARER模型，模型的基本结构如图 5所示。其中，DeepLabV3+是谷歌公司开发的基于编码器-解码器结构的语义分割网络，其采用了针对语义分割任务进行适配改进的Xception主干网络，可实现高效的特征提取。

2.1 主干网络和特征提取

郑凯等(2020)提出了一种结合ResNet和Deep- LabV3+的全卷积神经网络云、雪检测方法。该方法采用ResNet50主干网络，并根据云和雪在卫星遥感影像上的特点优化DeepLabV3+网络模型，从而得到比传统方法更高的检测精度和更好的稳健性。吴安坤等(2024)基于DeepLabV3+开展气象卫星影像雷暴识别研究时发现，主干网络采用ResNet101的分割性能最好，ResNet50次之。为此，DeepLab-ARER模型采用简化的ResNet50(删除了ResNet50的第四模块)作为主干网络进行特征提取。经评估，使用深度较小的主干模型对WRAED具有更好的分割效果。

此外，输出步幅表示输入图像空间分辨率与最终输出分辨率(最后一个特征层)的比率。对于图像语义分割任务，输出步幅通常取8或16。有研究表明，16是速度和精度之间的最佳折衷(Chen et al，2018)，故本文将输出步幅设为16。

2.2 编码器

DeepLab-ARER模型的编码器路径与DeepLabV3+相同。通过空洞空间金字塔池化(ASPP)模块从主干提取的深层特征(Chen et al，2017)，结合不同膨胀率的空洞深度可分离卷积来捕获多尺度信息。ASPP模块包括一个1×1卷积、三个核大小为3×3的卷积(膨胀率分别为6、12、18)和平均池化的图像级特征。如图 5所示，将五个分支提取的特征进行拼接并输入到1×1卷积层中。与DeepLabV3+类似，本模型在编码器和解码器路径中使用空洞深度可分离卷积代替传统的3×3卷积。这项技术将标准卷积分解为深度卷积和点卷积(即1×1卷积)，在保持性能的同时大大降低了计算复杂度。

2.3 解码器

DeepLabV3+的解码器首先从编码器主干提取的浅层特征(见图 5中的低层)经过1×1卷积以减少通道数量。然后，将这些减少后的特征与编码器输出拼接，其中编码器输出进行了4倍双线性上采样。使用3×3空洞深度可分离卷积层进一步细化拼接后的特征。接下来，再次进行4倍双线性上采样。最后，应用1×1卷积来生成分割结果，其中卷积核的数量与类别的数量匹配。

在雷达拼图异常回波识别任务中，径向异常回波通常表现为细长条带状结构，环状异常回波则具有较明显的闭合或半闭合边界。这类目标对空间细节和边界信息较为敏感。如果采用DeepLabV3+原有的特征融合方式，部分中尺度结构信息可能在编码器连续下采样的过程中被削弱。为此，本文在DeepLab-ARER模型的解码器主干中增加了特征提取的中层(图 5)。中层先经过1×1卷积处理，再通过2倍双线性上采样，以匹配其他缩减特征层的大小。最后，将其与模型其他分支的特征进行拼接。通过中层的特征提取，可以将一些可能在编码器路径中丢失的通用特征引入解码器，从而增强异常回波区域的分割完整性。

2.4 注意力模块

注意力机制通过为不同区域分配不同的权重，允许模型关注输入的相关部分(Guo et al，2022)。已有研究表明，在DeepLabV3+或其他分割网络中引入注意力模块，有助于改善复杂背景下的目标分割效果(Azad et al，2020；Zeng et al，2020；Jia et al，2023)。其中，廖艺齐(2023)针对海雾分割任务优化了DeepLabV3+，在主干网络中引入ECA模块，在ASPP模块后加入卷积模块注意力机制(CBAM)，提高了海雾分割精度。吴安坤等(2024)分别在深、低层级特征融合和分割预测之前加入CBAM，改善了DeepLabV3+对雷暴活动的识别精度。贾军营等(2025)引入极化自注意力机制来改进DeepLabV3+，有效提升了暴雨过程的道路积水检测性能。如图 5所示，DeepLab-ARER模型在每个特征提取层之后添加简单注意力机制SimAM(Yang et al，2021)。SimAM是一个轻量级的注意力机制，不引入额外的参数，直接估算三维权重，而不是像其他空间和通道注意力机制那样扩展一维或二维权重。将SimAM分别加入浅层、中层和深层特征提取之后，模型可以在不同语义层级上增强对异常回波相关特征的关注，提高了DeepLab-ARER对径向和环状异常回波的特征分割能力。

2.5 损失函数

本文所提出DeepLab-ARER语义分割模型实现对径向、环状异常雷达回波及背景的识别，本质上是图像像素级别的三分类问题，所以采用标准的交叉熵作为损失函数。交叉熵损失函数定义如下：

$ L=-\frac{1}{N} \sum\limits_{i=1}^N \sum\limits_{c=1}^C y_{i, c} \ln \left(p_{i, c}\right) $

(1)

式中：N为一张雷达回波图像像素的总数；C为类别数量，此处为3；y_{i, c}表示第i个像素点在第c个类别上的one-hot编码的真实语义标签，p_{i, c}表示DeepLab-ARER模型预测的第i个像素点属于第c个类别的概率。

通过在输出层添加Softmax函数将DeepLab-ARER模型输出值映射到[0, 1]区间且满足输出值之和为1。Softmax函数的定义如下：

$ \operatorname{Softmax}\left(x_i\right)=\frac{\mathrm{e}^{x_i}}{\sum\limits_{j=1}^n \mathrm{e}^{x_j}} $

(2)

式中：x_i为向量的第i个元素，n为向量的维度。为了数值计算的稳定性, 在深度学习框架中同时实现了Softmax函数与交叉熵损失函数，避免分开使用带来的数值溢出等异常现象。

3 模型评估 3.1 评估方法

为进一步评估模型分割效果，基于构建的雷达拼图异常回波分割数据集(WRAED)，对DeepLab-ARER模型与其他主流的CNN语义图像分割基准模型，如DeepLabV3+(Chen et al，2018)、FCN(Long et al，2015)、ResUnet(Zhang et al，2018)与UNet(Ronneberger et al，2015)进行性能对比。其中，考虑到DeepLab-ARER模型是基于DeepLabV3+改进而来，因此将其与采用Xception、ResNet50及ResNet101三种不同主干网络的DeepLabV3+进行同步对比。

3.2 评估指标

DeepLab-ARER模型不仅需要判断异常回波像素级类别，还需要尽可能准确地给出异常回波的空间范围。因此，本文在评价模型时同时考虑像素分类精度和区域重合程度，选用像素准确率(PA)、平均像素准确率(mPA)、交并比(IoU)和平均交并比(mIoU)作为主要评价指标。为进一步分析模型对各类回波的识别能力，借鉴气象检验中常用的三个辅助指标：命中率(POD)、误报率(FAR)与偏差(Bias)。

3.2.1 PA与mPA

PA用于统计预测结果中被正确分类的像素占全部像素的比例。对于雷达拼图异常回波识别任务而言，PA可以反映模型在整幅图像上的总体像素分类情况，其计算公式为：

$ \mathrm{PA}=\frac{\mathrm{TP}+\mathrm{TN}}{\mathrm{TP}+\mathrm{TN}+\mathrm{FP}+\mathrm{FN}} $

(3)

式中：TP、TN、FP、FN分别是某类异常回波的真正例、真负例、假正例、假负例像素的总数。真正例像素表示已正确预测给定类别的像素，真负例像素表示已正确识别非给定类别的像素，假正例像素表示错误预测为给定类别的像素，假负例像素表示错误预测非给定类别的像素。

mPA定义为每个类别正确预测像素与该类别真实像素总数比值的平均值，类似于平均召回率。与PA相比，mPA能够减弱样本类别像素数量差异对评价结果的影响，更适合用于分析模型对背景和异常回波等不同类别的识别能力。其计算公式为：

$ \mathrm{mPA}=\frac{1}{N} \sum\limits_{i=1}^N \frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}} $

(4)

式中：N为异常回波的类别总数(含背景类)，取值为3。

3.2.2 IoU与mIoU

IoU用于衡量某一类别预测区域与真实标注区域之间的重合程度。该指标不仅考虑正确预测的像素数量，也同时受到漏分和误分像素的影响，因此能够较好地反映异常回波区域的空间匹配程度。其计算公式为：

$ \mathrm{IoU}=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FP}+\mathrm{FN}} $

(5)

mIoU则是计算所有类别IoU的平均值，用于评价模型在多类别像素分割任务中的整体表现。

上述指标经过归一化，取值范围均为[0, 1]，其中0表示性能不佳，取值越接近1则表示性能越好。

3.3 试验环境与参数设置

本文试验在配备NVIDIA GeForce GTX 1080 Ti GPU的计算节点上进行，模型构建与训练基于PyTorch深度学习框架完成。训练阶段输入图像尺寸为1100像素×800像素，优化器采用Adam，损失函数选用多类别交叉熵损失。主要训练参数设置如下：初始学习率为0.007，批量大小为100。训练过程中使用GPU加速模型计算，并保存每轮训练的损失值和验证集评价指标。

3.4 评估结果 3.4.1 DeepLab-ARER性能分析

使用简化ResNet50主干的DeepLabV3+为基准模型，通过在基准模型的不同位置交替或同时添加简单注意力机制和中层进行对比试验，评估Deep- Lab-ARER模型性能。表 2显示，当只加入SimAM，mPA提高了1.50个百分点，mIoU提高了1.67个百分点；当只加入中层, mPA提高了1.61个百分点，mIoU提高了4.71个百分点；当SimAM和中层同时加入时，mPA提高了5.88个百分点，mIoU提高了9.49个百分点。在所有模型变体中，同时引入SimAM注意力机制和中层的DeepLab-ARER表现最好，mPA和mIoU分别达到96.75%和93.95%。这一结果说明，中层主要增强了模型对异常回波空间结构的表达能力，而SimAM注意力机制能够在特征提取过程中更加关注异常回波特征。二者结合后，模型对异常回波区域的识别能力进一步提高。从类别识别角度来看，DeepLab-ARER模型表现最优，对两类异常回波的识别均取得最高的POD和最低的FAR，Bias也更加接近1。值得注意的是，在所有模型变体中，环状异常回波的识别性能始终优于径向异常回波，表现出更高的POD与更低的FAR，这也反映出其形态结构更易于被模型捕捉与识别。

3.4.2 不同注意力机制对比

本评估试验中，基于DeepLab-ARER模型测试了不同注意力机制，如简单注意力(SimAM；Yang et al，2021)、挤压和激励(SE；Hu et al，2018)、卷积块注意力(CBAM；Woo et al，2018)、瓶颈注意力(BAM；Park et al，2018)、高效通道注意力(ECA；Wang et al，2020)、三重注意力(TripletAtt；Misra et al，2021)和协调注意力(CoordAtt；Hou et al，2021)的性能，结果见表 3。从整体分割指标看，采用SimAM的模型mIoU为93.95%，采用SE的模型mIoU为93.08%，相对于基准模型性能提升明显。SE模块虽性能接近，但引入较多的额外参数，而SimAM无参数设计使其成为所有方案中的最优选择。从类别识别结果看，SimAM在径向与环状异常回波识别表现较好，其径向异常回波POD为0.93，FAR为0.06；环状异常回波POD为0.95，FAR为0.03，说明模型在保持较高命中率的同时，误报率相对较低。对应的Bias分别为0.989和0.979，非常接近1，表明预测结果与真实样本数量之间的偏差较小。相比之下，ECA、CoordAtt等对环状异常回波的POD为0.96，略高于SimAM，但其FAR也有所增加且Bias大于1，说明在提高命中率的同时可能引入了更多误检像素，存在一定过检倾向。因此，本文最终选用SimAM作为DeepLab-ARER的注意力模块。

3.4.3 与不同图像分割模型的对比

进一步对比不同图像分割模型，如：DeepLabV3+ (Chen et al，2018)、FCN(Long et al，2015)、Res-UNet(Zhang et al，2018)与UNet(Ronneberger et al，2015)在WRAED数据集上的性能表现。其中，DeepLabV3+包括了不同的主干网络(Xception、ResNet101和ResNet50)，且各模型均以输出步幅为16进行构建。图 6给出了表现较好的几个分割模型识别结果对比。从图中可直观看出，Deep Lab-ARER模型识别结果轮廓清晰，范围合理，更加接近真实的异常回波，其整体效果最优。

表 4为不同模型识别性能的定量评估结果。从整体性能来看，DeepLab-ARER在mIoU(93.95%)和mPA(96.75%)两项核心分割指标上均优于所有对比模型；同时，其参数量(10.41×10⁶)也显著低于大多数模型，仅为标准DeepLabV3+(ResNet50主干网络)的约37.30%，但mIoU提升了6.32个百分点。尽管其每秒浮点运算次数(FLOPS)(1465.92 ×10⁶)略高于部分模型，但仍处于合理范围，表现出良好的计算效率。在类别识别能力上，DeepLab-ARER在径向异常回波识别方面表现良好(POD=0.93、FAR=0.06、Bias=0.989)，在环状异常回波识别上则更加优异(POD=0.95、FAR=0.03、Bias=0.979)，且两者均为所有模型中最优或接近最优。相比之下，其他模型虽在某些单项指标上表现尚可，但均未能在整体精度、效率和类别识别稳定性上实现全面优势。例如，FCN-8(ResNet50主干网络)识别环状异常回波的POD略高(0.96)，但其参数量高达451.51×10⁶，推理开销巨大；而Res- Unet的参数量虽然最少(8.23×10⁶)，但其各项识别指标都显著偏低。

3.4.4 DeepLab-ARER模型类别识别性能分析

环状异常回波的IoU为95.27%，PA为97.00%；径向异常回波的IoU为88.13%，PA为93.00%(表略)。IoU差异表明，模型对环状异常回波区域的预测与人工标注结果重合度更高，而对径向异常回波在边界和局部细节处仍存在一定偏差。环状异常回波的POD为0.95，FAR为0.03, 径向异常回波的POD为0.93，FAR为0.06(表 4)，说明模型对环状异常回波的漏检和误检相对较少。DeepLab-ARER模型对环状异常回波的识别优于径向异常回波，这主要与回波的空间形态有关。环状异常回波多呈闭合或半闭合结构，边界连续性较强，且主体区域相对集中，模型较容易学习其形态特征。径向异常回波通常表现为沿雷达径向延伸的条带状结构，宽度较窄，空间跨度较大，在有降水回波覆盖时容易发生混合。两类异常回波的Bias分别为0.989和0.979，均接近1，说明模型总体上没有明显的过检或漏检倾向。

3.4.5 实例分析

利用雷达拼图实例数据分析DeepLab-ARER模型的识别效果。图 7a为2020年8月8日04:54(世界时，下同)的雷达拼图原始图像与异常回波识别结果。从图 7a₁可以看出，在图右下方出现了明显的异常回波，整体呈现多层环状分布特征，强度跨度较大，数值在20~65 dBz。这种异常回波会导致出现大面积的虚假回波及强降水的误判。图 7a₂则为异常回波识别结果，从图中可以清晰地看到，异常回波的完整轮廓得到了有效识别。

图 7b为2020年7月7日18:42的雷达拼图原始图像与异常回波识别结果。由图 7b₁可以清楚地看到，图中部出现了多条径向异常回波，且异常回波主要表现为连续的或断续的径向辐散分布特征，回波强度集中在20~40 dBz。这种异常回波使得雷达拼图在多个径向方向上出现虚假回波。从图 7b₂的异常回波识别结果可以明显看出，多个径向异常回波都被完整识别，识别效果良好。

图 7c为2021年7月15日06:18的雷达拼图原始图像与异常回波识别结果。由图 7c₁可以看到近似半圆状的环状异常回波，且同时存在一条径向异常回波，回波强度集中在20~40 dBz。对于这种环状和径向共存的异常回波，一般的算法难以同时有效识别。从图 7c₂的异常回波识别结果可以明显看出，环状和径向异常回波被同时且完整地识别。

然而，DeepLab-ARER模型同样存在误识别的情况。图 7d为2021年6月1日11:00的雷达拼图原始图像与模型错误识别结果。导致错误识别的主要原因有数据标注错误和相似特征易造成混淆。训练数据集的标注不可能绝对完美，存在标注错误(标错类别、边界不精确、遗漏小物体)时，模型会学习到这些错误模式。不同类别回波在颜色、纹理、形状上可能非常相似，模型依赖的特征不足以可靠地区分它们，导致产生误识别。环状回波特征清晰，不易误识别；径向回波复杂多变，部分径向回波特征与降水回波外观相似，从而导致模型识别错误。

4 结论与讨论

面向雷达拼图数据业务应用中异常回波识别的实际问题和客观需求，本文开展了基于计算机视觉领域语义分割技术的雷达拼图异常回波识别模型的构建与改进，得到如下结论：

(1) 针对公开的分割数据集稀缺的问题，本文利用湖北雷达拼图数据构建了雷达拼图异常回波图像分割数据集(WRAED)。该数据集为分割模型的训练与评估奠定良好的数据基础，可作为雷达异常回波自动识别与评估研究的有益资源。

(2) 基于经典的DeepLabV3+模型，通过使用简化的ResNet50作为主干网络使其具有更少参数和轻量化的特点，在主干特征提取后引入简单注意力机制SimAM，并在解码器路径中结合新的中层，构建了面向天气雷达拼图异常回波识别的DeepLab-ARER模型。经WRAED评估，在雷达异常回波的图像分割方面优于部分主流的CNN语义分割基准模型，其mIoU和mPA分别达93.95%和96.75%。此外，与具有相同主干网络的DeepLabV3+相比，DeepLab-ARER的mIoU提高了6.32个百分点，而参数量却减少了约62.70%。雷达拼图实例数据评估结果表明，DeepLab-ARER模型能有效识别出环状和径向两类异常回波，整体效果较好。

尽管DeepLab-ARER在WRAED上取得了较好的分割结果，但本文工作仍存在一定不足。WRAED主要来自湖北区域雷达拼图资料，异常回波样本的区域代表性和类型丰富度有待扩展。DeepLab-ARER模型仍以CNN卷积结构为主要特征提取方式，对大范围雷达拼图中的全局空间关系理解不够充分。径向异常回波因形态细长、边界变化大、易与正常降水回波重叠，仍然较难识别。为此，未来将进一步扩展WRAED的样本数量，并探索使用Transformer或CNN-Transformer混合架构方法以获得更优的识别效果。