基于面向对象的降水粒子识别研究.pdf

刘陈帅，陈生.基于面向对象的降水粒子识别研究J.热带气象学报，2023，39(4)：593-602.文章编号：1004-4965(2023)04-0593-10基于面向对象的降水粒子识别研究刘陈帅1,2,3,4，陈生5(1.中山大学大气科学学院，广东 珠海 510275；2.广东省气候变化与自然灾害研究重点实验室，广东 珠海 519082；3.热带大气海洋系统科学教育部重点实验室，广东 珠海 519000；4.南方海洋科学与工程广东省实验室（珠海），广东 珠海 519082；5.中国科学院西北生态环境资源研究院黑河遥感站和甘肃省遥感重点实验室，甘肃 兰州 730000)摘要：双偏振雷达的主要用途之一就是降水粒子识别，目前主流的方法为模糊逻辑分类(FL)，但是该方法仅使用单个距离库的信息，易受到噪声的影响。基于模糊逻辑方法的不足，利用聚类分析，提出了一种面向对象的降水粒子分类方法，即在模糊逻辑分类基础上考虑距离库与不同降水粒子的距离以及周围距离库类别信息。基于广州S波段双偏振雷达的观测数据进行降水粒子识别验证，结果表明使用的面向对象的降水粒子识别方法可有效地降低噪声对分类结果的影响，且符合降水粒子的微物理特征。关键词：面向对象；降水粒子识别；模糊逻辑分类；Kmeans聚类中图分类号：P406文献标志码：ADoi：10.16032/j.issn.1004-4965.2023.016收稿日期：2021-12-20；修订日期：2023-04-18基金项目：国家自然科学基金项目（41875182)；广西自然科学基金项目(2020GXNSFAA238046)；广州市科技局计划项目(201904010162）；中山大学“百人计划”项目（74110-18841203）；广东省气候变化与自然灾害研究重点实验室(2020B1212060025)；北部湾环境演变与资源利用教育部重点实验室开发基金（NNNU-KLOP-K2103）共同资助通讯作者：陈生，男，广西壮族自治区人，教授，从事遥感定量降水产品的不确定分析、雷达定量降水估计、数据同化方法在水文气象的应用研究、面向对象的遥感影像信息提取的研究。E-mail:第39卷 第4期2023年8月热 带 气 象 学 报JOURNAL OF TROPICAL METEOROLOGYVol.39,No.4Aug.,20231 1 引引言言双偏振雷达相较于传统雷达可提供更多的极化信息。这些极化信息反映了降水粒子的形状、大小、相态1。因此，通常使用极化变量来识别降水粒子的类别，并根据不同的降水粒子类别来进行定量降水估计(QPE)，上述这种方法相较于传统的 方 法 效 果 更 好(如 基 于 极 化 变 量 的R(ZH)=aZbH)。目前，国内外大多数降水粒子识别都是通过模糊分类等方法进行研究的。Lim等1利用模糊逻辑分类方法基于ZH等五个极化变量和融化层高度进行降水粒子分类，有效地把雨和冰水混合物识别出来。Krause2使用模糊逻辑方法对气象回波和非气象回波进行了划分。曹俊武等3根据不同相态降水粒子的特征，构造了T型不对称隶属度函数，讨论了双偏振雷达观测资料识别降水粒子的可行性。由于降水粒子的真实观测数据难以获取，曹俊武等4选取了四个极化参数利用模糊逻辑方法识别降水粒子，识别结果较合理。刘亚男等5考虑了X波段雷达衰减的情况，基于模糊逻辑的方法对云中降水粒子的相态进行了识别。以上这些研究都是基于单个雷达库进行降水粒子识别，识别结果会受到一些噪声的影响。不同相态的降水粒子的雷达极化变量分布是相互重叠的，模糊逻辑分类适合这种不存在明确界限的分类问题6。但是模糊逻辑分类算法也具有一定的局限性，针对于距离库的分类结果往往容易受到噪声的影响。针对模糊逻辑分类算法受到噪声影响的缺陷，Bechini等7在传统的逻辑模糊分类方法的基础上添加了Kmeans聚类和邻域信息进行二次分类，以消除噪声污染并使分类结果更加平滑。Bechini 等7所设置的代价函数里用的是马氏距热 带 气 象 学 报第39卷离，虽然可以消除不同变量间量纲的影响，但是其迭代初期马氏距离取值较大，导致周围邻域对分类的影响较小，可能会出现分类结果“飘移”的现象。在遥感影像领域中，有一种面向对象的分类方法。面向对象是Battz等8提出的一种遥感影像分类方法，其思想是在考虑单个像元的信息的同时，也考虑相同特征的对象。本文针对传统模糊逻辑分类方法(FL)的局限性和Bechini的不足之处进行改进，提出了一种面向对象的降水粒子识别算法。该方法的思路是首先使用模糊逻辑算法对雷达观测资料进行降水粒子识别，然后基于识别结果计算融化层高度，最后基于Kmeans聚类计算距离库与不同降水粒子的距离和周围邻域的类别信息进行最终的分类。本研究在Chen等6的方法基础上进行改进和探索，目的是进一步改进我国的双偏振雷达定量降水估计算法，为水文气象部门提供技术支持和参考。本文所采用的算法不仅可以避免噪声的影响，而且可考虑样本周围邻域的信息，可更加符合降水粒子的微物理特征。2 2不同相态降水粒子的极化变量特不同相态降水粒子的极化变量特征征根据文献1,6,9-10研究，可将降水粒子相态主要分为固态、固液混合、液态三种。不同相态的极化变量也有明显的差异，其中固态降水粒子包括干雪(dry snow，DS)、湿雪(wet snow，WS)、冰晶(crystals，CR)、霰(graupel，GR)。液态降水粒子主要包括大滴(big drop，BD)、小到中雨粒子(rain，RA)、大雨粒子(heavy rain，HR)，固液混合降水粒子主要包括雨加雹(rain and hail，RH)。在雷达观测数据中，除了以上的降水粒子，主要还包括地物杂 波 或 异 常 传 播(Groundclutter/abnormalpropagation，GC/AP)和 生 物 杂 波(Biologicalscatterers，BS)。双极化雷达可提供多个极化变量，如水平反射率因子(ZH)，差分反射率因子(ZDR)，零滞后互相关系数(HV)，传播相位移(DP)，以及DP随距离的导数差分传播相移率(KDP)。另外，不同相态的降水粒子的雷达极化变量也各不相同。(1)液态降水粒子，即纯降水区。水平反射率因子(ZH)与雨滴的大小有关，并与雨强呈正相关关系，差分反射率因子(ZDR)通常为正值。零滞后互相关系数与雨强关系不大。(2)混合降水粒子，即雨水与冰雹混合区域。ZH较大，由于冰雹在下落过程中会存在摇晃或翻滚运动，这种情况导致了其ZDR较小。(3)固态降水粒子，如冰雹，其ZH特别大(一般大于50 dBZ)，但ZDR的取值为负，KDP一般取值较大。3 3 方方法法3.1 雷达数据质量控制模糊逻辑分类一般是利用雷达库的极化变量进行分类的。雷达观测数据质量会受到传播中的随机误差和后向散射相位(backscattering phase)的影响而降低，从而影响降水粒子识别的准确度。因此需要在进行降水粒子分类前对雷达数据进行质量控制，提高分类结果的可靠度。信噪比(SNR)较小的雷达观测变量的可信度一般较低。因此，在进行降水粒子识别之前，首先剔除SNR 10-3/km-30,KDP 10-3/km(3)徐舒扬等19基于广州S波段极化雷达数据对模糊逻辑算法的参数进行了改进。本文基于徐舒扬等19的研究使用模糊逻辑算法进行降水粒子分类，隶属度函数为不对称T型函数，具体参数见文献20。对每一个距离库样本使用隶属度函数计算第i个极化变量对第j个降水粒子的隶属度(Pij)，然后将各个极化变量对第j个降水粒子的隶属度进行加权平均，得到这个距离库对第j个降水粒子的隶属度合成值Aj具体计算公式如式(4)所示，其中Wij是第i个极化变量的隶属度对第j个降水粒子的权重，各个极化变量的权重见文献19。将距离库样本的降水粒子相态识别为隶属度合成值Aj最大的类别。Aj=j=16WijPijj=16Wij(4)3.3 融化层识别由于液态和固态的降水粒子的极化变量分布存在重叠部分，因此需要基于融化层高度对识别结果进行限制，Park等9给出了计算融化层高度的方法，使用阈值识别融化层样本点，通过计算样本点高度分布得出融化层高度，Wu等20基于 FL识别出的湿雪(WS)种类高度分布计算得出融化层高度。图2为雷达波束中心和-3 dB波束宽度与融化层的示意图，黑色实线表示融化层顶部和底部对雷达波束的投影距离(Rbb、Rb、Rt、Rtt)。下面介绍一下雷达融化层识别的步骤：(1)选取较高仰角的观测数据(410)，以减少地物杂波的影响；(2)使用3.2节描述的模糊逻辑分类对雷达数据进行分类，将识别为湿雪(WS)的粒子作为融化层点；(3)删除超过上一时刻融化层高度下方 1 km 的融化点，更进一步减少地物杂波的影响；(4)遍历所有方位角，获得每个方位角周围21 扇形区域的融化点的高度分布，如果这些融化点样本数量超过阈值(默认为150)，则执行(5)，否则将该方位角的融化层高度设为缺失值；(5)融化层顶部高度为融化层点高度的90%分位数，融化图1物理约束KDP重构1201101009080706050403020406080100120140160距离/km4.03.53.02.52.01.51.00.50KDP观测DP物理结束DP物理约束KDPDP595热 带 气 象 学 报第39卷层底部高度为融化层点高度20%分位数；(6)将缺失的融化层高度设置为其他融化层高度的中位数，若所有方位上的融化层高度均缺失，将缺失值替换为默认值。融化层顶部高度默认为4.71 km，融化层底部高度默认为 3.89 km，此默认值由上述方法计算2017年5月78日所有时刻广州S波段雷达观测数据的融化层高度的中位数所得到，不同区域默认参数有所变化。为验证融化层高度的默认参数设置的合理性，本文采用2017年5月78日广东清远站的探空数据进行验证，图 3为探空数据温度-高度折线图，其中黑色实线为探空数据，红色虚线为0 线，蓝色虚线为融化层顶部高度和底部高度。从图3中可看到默认参数融化层顶部位于0 高度附近，可见所设置的默认参数较合理，也侧面印证计算融化层高度算法的可行性。在计算完融化层高度之后，需要按照文献9,20的方法对降水粒子分类结果进行调整。3.4 面向对象的分类方法传统的模糊分类是基于雷达库进行分类的，这种分类方法只用到了单个雷达库的信息，而忽略了雷达库周围的信息，这样分类的结果往往会受到噪声的影响，分类结果也不够平滑。Battz等8提出了一种面向对象的分类方法，Bechini等7使用了Kmenas聚类进行二次分类，使得降水粒子在空间分布上变得平滑，该方法使用雷达库到降水粒子的马氏距离和雷达库邻域的类别构建了代价函数。由于代价函数不同项之间的量纲不同，对分类结果的影响也不同，因此本文将马氏距离改为径向基核函数，使得不同项之间的量纲均为01。径向基核函数常见的有高斯核函数，其函数可以度量两个向量间的相似程度，计算公式如式(5)所示，取值范围为 01，为核函数的参数，|x-y|为两个变量间的位移。D()x,y=e-(|x-y2)(5)邻域Kmeans聚类算法的输入变量有ZH、ZDR、-KDP、HV四个极化变量。下面为算法的主要步骤。(1)将模糊逻辑分类得到的结果作为初始分类，输入的参数分别为水平反射率因子(ZH)，差分反射率因子(ZDR)，重构的比差分传播相移(-KDP)，零滞后互相关系数(HV)，以及模糊分类算法得到的降水粒子初次分类。(2)将候选类别为 k 的样本视为类别 k 的总体，计算样本与类别k总体间的马氏距离在径向基上的投影Dk。图 2雷达波束和融化层几何结构76543210高度/km050100150200250距离/kmMelting LayerRbbRbRtRtt596第4期刘陈帅等：基于面向对象的降水粒子识别研究Dk=e-()x-UkT-1()x-Uk)(6)其中，Dk是样本x与候选类别k之间的距离在径向基核函数上的投影，x为样本向量，由输入极化变量组成即x=ZH,ZDR,-KDP,HV，Uk为候选类别k的所有样本的变量的平均值，-1为候选类别k总体样本协方差的逆。(3)计算样本的邻域当前类别与候选类别k不同的个数Ck。Ck=i=-NNj=-NRNR1-(Ji,j-k)Ntot(7)其中Ji,j是邻域的雷达库的类别，N和NR是样本邻域的方位角和距离，Ntot样本邻域的总个数。(4)构建代价函数Ek，并将样本与所有的候选类别k的代价函数由小到大排序，代价函数最小的候选类别k即为样本的类别。控制代价函数中两项的权重，改变可改变马氏距离在代价函数中的比重。Ek的计算公式如下：Ek=Dk+()1-Ck(8)(5)遍历所有的样本，计算更新类别的样本数占总样本数的比例，若样本更新比例小于设定的阈值(1%)，则停止算出，输出样本类别，否则，更新值，并返回第(2)步。为改变的参数，随着迭代的增加。用下面的公式()9计算。=,0 1(9)3.5 技术路线本文提出的基于面向对象的降水粒子识别算法，主要有六个步骤，图4为算法流程图，具体步骤如下所示。(1)输入雷达观测数据。(2)进行数据质量控制，输出模糊逻辑分类变量ZH、ZDR、HV、LKDP、SDZH、SDDP。(3)进行模糊逻辑分类，根据识别为湿雪(WS)类别的降水粒子的高度分布进行融化层高度识别。图32017年5月78日的探空数据温度-高度折线图高度/km1086420-30-20-1001020温度/Melting Layer597热 带 气 象 学 报第39卷(4)将融化层高度的物理约束应用到模糊逻辑分类中，提高分类结果准确度。(5)将(4)中识别结果作为邻域Kmeans聚类的初始分类，进行半监督学习。输出最终降水粒子识别结果。4 4 实证分析实证分析本文采用2017年5月7日广州暴雨和2018年9月16日“山竹”台风两个个例，使用广州S波段双偏振雷达的观测数据验证方法的合理性。4.1 暴雨个例图5为2017年5月7日08时00分(北京时间，下同)的雷达第一仰角的极化变量图，分别为ZH、ZDR、HV和KDP。从图中可看出雷达北部的大片区域的HV较大，且ZH在2040 dBZ之间，该片区域应该为液态降水粒子。雷达中心部分HV在0.5左右，ZH取较小，这片区域应为地物杂波。本文基于广州S波段雷达观测数据进行降水粒子识别。在面向对象分类中，和 均取 0.5。2017年5月7日08时00分的雷达降水粒子识别结果如图6所示。图6为基于雷达观测数据进行的降水粒子识别结果图，分别为未使用融化层订正的识别结果(图6a)，使用融化层订正的识别结果(图6b)，基于Kmeans聚类的二次识别结果(图6c)；未使用融化层订正的识别结果的红色虚线位置RHI(图6d)，使用融化层订正的识别结果的红色虚线位置RHI(图6e)，基于 Kmeans聚类的二次识别结果的红色虚线位置RHI(图6f)。从图6a6c中可看出在使用融化层订正和Kmeans聚类可很好地优化降水粒子识别的结果。图6e中没有使用融化层订正的数据RHI分类结果图，由于其受到噪声的影响，分类结果存在不合理的地方，如干雪、湿雪的降水粒子与液态降水粒子混合分布。经过融化层数据订正后，图6f的分类结果较合理，随着海拔由高到低，降水粒子从固态融化为液态，但仍有部分区域受到噪声的影响。在经过Kmeans聚类后，分类结果较合理，海拔低的区域基本为液态降水粒子，高海拔的区域为固态降水粒子，也比较符合降水粒子在垂直方向上的变化特征。4.2“山竹”台风图 7为“山竹”台风 2018年 9月 16日 14时 00分的雷达第一仰角的极化变量图，分别为ZH、ZDR、HV和KDP，雷达的西北方向存在部分遮挡，台风核心在雷达南部，雷达探测的大部分区域的HV较大，且ZH在2040 dBZ之间，应该为液态降水粒子。从图7b可看出雷达外围部分ZDR偏大，且HV较小，这部分区域应为融化层的亮带。图4降水粒子识别算法流程图雷达观测数据数据质量控制模糊逻辑分类融化层识别面向对象分类降水粒子识别结果598第4期刘陈帅等：基于面向对象的降水粒子识别研究图52017年5月7日08时00分雷达第一仰角(0.5)极化变量112E113E 114E 115E60504030201003210-1-2-32.52.01.51.00.50.01.00.90.80.70.60.5112E113E 114E 115E112E113E 114E 115E112E113E 114E 115E(a)ZH(b)ZDR(c)HV(d)KDP图6降水粒子识别图像050100150200Range/kmGC/AP BSDSWSCRGRBDRAHRRH050100150200Range/km050100150200Range/km112E 113E 114E 115E112E 113E 114E 115E25N24N23N22N21N121086420121086420121086420Heihgt/km(a)non-ML(b)MI(c)Kmeans(d)non-ML(e)ML(f)Kmeans112E 113E 114E 115E25N24N23N22N21N25N24N23N22N21N25N24N23N22N21N25N24N23N22N21N25N24N23N22N21N25N24N23N22N21N599热 带 气 象 学 报第39卷图8降水粒子识别图像图8为基于雷达观测数据进行的降水粒子识别结果图。在未使用融化层订正时，大部分都被识别为RA，使用融化层高度订正后，雷达南部被订正为GR、BD等部分，在进行Kmenas聚类后，这些粒子被订正为WS、BD等类别。从图8e8f可看出，70 km上空的被识别为BS、CR等的距离库变为RA。经过融化层订正和Kmenas聚类后，降水粒子在垂直方向上更加符合微物理特征，在水平方向上变得更加平滑。112E113E114E115E050100150200Range/kmGC/AP BSDSWSCRGRBDRAHRRH050100150200Range/km050100150200Range/km112E113E114E115E112E113E114E115E(a)non-ML(b)MI(c)Kmeans(d)non-ML(e)ML(f)Kmeans25N24N23N22N21N121086420Heihgt/km121086420121086420图72018年9月16日14时00分雷达第一仰角(0.5)极化变量112E113E 114E 115E112E113E 114E115E112E 113E 114E 115E112E113E 114E 115E60504030201003210-1-2-32.52.01.51.00.50.01.00.90.80.70.60.5(a)ZH(c)HV(d)KDP(b)ZDR25N24N23N22N21N25N24N23N22N21N25N24N23N22N21N25N24N23N22N21N25N24N23N22N21N25N24N23N22N21N600第4期刘陈帅等：基于面向对象的降水粒子识别研究5 5 结论与展望结论与展望降水粒子分类识别的主流方法是模糊逻辑分类方法(FL)，考虑到FL的分类结果容易受到雷达库噪声的影响，且只利用了单个雷达库的信息，这种方法的分类结果较不可靠。本文提出了基于面向对象的降水粒子识别算法流程，首先使用FL进行降水粒子识别分类作为第一次分类结果，然后基于第一次分类结果中的湿雪(WS)类别的高度分布计算融化层高度，并根据融化层高度和FL进行第二分类，将第二次降水分类结果作为Kmeans聚类的初始聚类并进行第三次的降水粒子识别分类，将第三次的降水粒子识别结果作为最终的识别结果。本文利用2017年5月7日广州暴雨和2018年9月16日“山竹”台风的雷达观测数据进行降水粒子识别分析，得到以下结论：(1)单纯的使用FL方法仍摆脱不了噪声的影响；(2)使用融化层高度可大幅提高降水粒子识别的合理性，将低海拔的固态降水粒子订正为液态降水粒子；(3)使用面向对象分类方法可有效地消除噪声的影响。近年来我国天气雷达组网越来越完善，双偏振雷达数量越来越多，基于单个双偏振雷达的降水粒子识别不能有效地利用现阶段的雷达观测数据，也不能满足防灾预警的要求，因此本文作者在以后将要研究基于天气雷达组网的数据进行区域降水粒子识别，可更好地为防灾预警提供有力的帮助。参考文献：1LIM S,CHANDRASEKAR V,BRINGI V N.Hydrometeor classification system using dual-polarization radar measurements:modelimprovements and in situ verificationJ.IEEE Transactions on Geoscience and Remote Sensing,2005,43(4):792-801.2KRAUSE J M.A simple algorithm to discriminate between meteorological and nonmeteorological radar echoesJ.J Atmos OceanicTechnol,2016,33(9):1 875-1 885.3 曹俊武，刘黎平，葛润生.模糊逻辑法在双线偏振雷达识别降水粒子相态中的研究J.大气科学，2005，31(5):827-836.4 曹俊武，刘黎平.双线偏振雷达判别降水粒子类型技术及其检验J.高原气象，2007，26(1):116-127.5 刘亚男，肖辉，姚振东，等.X波段双极化雷达对云中水凝物粒子的相态识别J.气候与环境研究，2012，17(6):925-936.6CHEN H,CHANDRASEKAR V,BECHINI R.An improved dual-polarization radar rainfall Algorithm(DROPS2.0):Application in NASAIFloodS field campaignJ.J Hydrometeorology,2017,18(4):917-937.7BECHINI R,CHANDRASEKAR V.A Semisupervised Robust Hydrometeor Classification Method for Dual-Polarization RadarApplicationsJ.J Atmos Oceanic Technol,2015,32(1):22-47.8BAATZ M,SCHPE A.Object-oriented and multi-scale image analysis in semantic networksC.International Symposium:Operationalization of Remote Sensing,1999.9PARK H S,RYZHKOV A V,ZRNI D S,et al.The hydrometeor classification algorithm for the polarimetric WSR-88D:Description andApplication to an MCSJ.Wea Forecasting,2009,24(3):730-748.10 ZHANG A,XIAO L,MIN C,et al.Evaluation of latest GPM-Era high-resolution satellite precipitation products during the May 2017Guangdong extreme rainfall eventJ.Atmos Res,2019,216(2):76-85.11 王超，吴翀，刘黎平.X波段双线偏振雷达数据质量分析及控制方法J.高原气象，2019，38(3):636-649.12 SCARCHILLI G,GORGUCCI V,CHANDRASEKAR V,et al.Self-consistency of polarization diversity measurement of rainfallJ.IEEETransactions on Geoscience and Remote Sensing,1996,34(1):22-26.13 LIM S,CHANDRASEKAR V,BRINGI V N.Hydrometeor classification system using dual-polarization radar measurements:modelimprovements and in situ verificationJ.IEEE Transactions on Geoscience and Remote Sensing,2005,43(4):792-801.14 刘亚男，肖辉，姚振东，等.X波段双极化雷达对云中水凝物粒子的相态识别J.气候与环境研究，2012,17(6):925-936.15 吴翀，刘黎平，仰美霖，等.X波段双偏振雷达相态识别与拼图的关键技术J.应用气象学报，2021，32(2):200-216.16 宋文婷，李昀英，黄浩，等.基于S波段双偏振雷达资料的降水粒子类型识别算法及应用J.大气科学学报，2021，44(2):209-218.17 曹俊武，刘黎平.双线偏振雷达判别降水粒子类型技术及其检验J.高原气象，2007，26(1):116-127.18 徐舒扬，吴翀，刘黎平.双偏振雷达水凝物相态识别算法的参数改进J.应用气象学报，2020，31(3):350-360.19 WU C,LIU L,WEI M,et al.Statistics-based optimization of the polarimetric radar hydrometeor classification Algorithm and its applicationfor a squall line in south ChinaJ.Adv Atmos Sci,2018,35(3):296-316.20 GIANGRANDE S E,KRAUSE J M,RYZHKOVAV.Automatic designation of the melting layer with a polarimetric prototype of the WSR-88D radarJ.J Appl Meteor Climatol,2008,47(5):1 354-1 364.601热 带 气 象 学 报第39卷OBJECT-ORIENTED HYDROMETEOR CLASSIFICATION BASED ONPOPLARIMETRIC RADAR OBSERVATIONSLIU Chenshuai1,2,3,4,CHEN Shen5(1.School of Atmospheric Sciences,Sun Yat-sen University,Guangzhou 510275,China;2.Guangdong Province Key Laboratory for Climate Change and Natural Disaster Studies,Sun Yat-sen University,Zhuhai,Guangdong 519082,China;3.Key Laboratory of Tropical Atmosphere-Ocean System(Sun Yat-sen University),Ministry of Education,Zhuhai,Guangdong 519000,China;4.Southern Laboratory of Ocean Science and Engineering,Zhuhai,Guangdong 519028,China;5.Key Laboratory of Remote Sensing of Gansu Province,Heihe Remote Sensing Experimental Research Station,Northwest Institute of Eco-Environment and Resources,Chinese Academy of Sciences,Lanzhou 730000,China)Abstract:One of the main uses of dual-polarization radar is hydrometeor classification.At present,themainstream hydrometeor classification algorithm is fuzzy logic classification(FL),but this method only usesinformation from a range bin,which is vulnerable to noise.Based on the limitation of the fuzzy logic method,this paper employs cluster analysis and proposes an object-oriented precipitation particle classificationmethod,which considers the distance between the distance database and different hydrometeor and thesurrounding range bin category information based on fuzzy logic classification.To verify the accuracy ofhydrometeor classification,the observed data from the Guangzhou S-band dual-polarization radar is utilized inthis paper.The results show that the object-oriented hydrometeor classification algorithm used in this papercan effectively reduce the impact of noise on the classification results,and the classification results areconsistent with the microphysical characteristics of hydrometeors.Key words:object-oriented;hydrometeor classification;fuzzy logic classification;k-means clustering602