基于二维相控阵体制的探鸟雷达系统

刘 峰 刘海波*，2 周 超 于 冲 李兴明 崔莹莹 陈天明 陈宇翔

（1.北京理工雷科电子信息技术有限公司，北京 100097；2.北京理工大学雷达技术研究院，北京 100081）

1 引言

随着航空业务的发展和生态环境的改善，机场周边的野生动物与人类航空器活动的冲突逐渐变得尖锐，其中鸟类活动几乎占野生动物与航空器事故的90%［1］。此类在航空器起降或飞行过程中与鸟类、蝙蝠等动物相撞的事件也称为鸟击事件。据美国联邦航空管理局（FAA）统计显示［2］，自1990 年至2022 年，机场袭击事件的数量约由1500 次增长至16960 次，33 年内发生总计173168 次，其中具有破坏性的事件约占比4%，鸟类袭击约占比97%，经济损失总计约10亿美元。中国民航2017年到2020年上报的鸟击事件共13262 起，其中鸟击事故征候1134 起［3］，2006 年-2020 年历年具体事故的共计情况如图1 所示（缺少2016 年数据）。鸟击事件已经严重威胁到航空航天事业，如何科学准确地认识鸟击风险、减少鸟击发生，成为了世界航空安全重点考虑的问题之一。（中国民用航空局（CAAC）在2018 年对鸟击事件的认定标准进行了更改，规定仅报告在航空器上发现鸟击留下血污、羽毛、表皮、肌肉或肢体等残存物且造成航空器损伤的，或者在机场鸟击责任区以内发生的鸟击，对于责任区外和无法判定发生区域的，且航空器未损伤的鸟击事件，不再进行上报和收集，由此导致了2018年鸟击数量出现断崖式下降。2020 年由于疫情等因素，出现了鸟击事件总数下降［4］。）

图1 2006-2020年中国民航鸟击发生情况［3，5］Fig.1 Bird strikes in civil aviation in China from 2006 to 2020［3，5］

传统的机场鸟击防范主要依靠人工，典型的手段包括人工驱赶，鸣枪示警，使用特殊的声音驱逐器以及煤气炮等方式［6］。此类人工手段十分依赖鸟类专业人员的管理经验和水平，且由于驱鸟工作量大，人员往往疲于应付；同时，驱鸟设备没有与探测设备联动，只能按照预定程序盲目驱赶，工作效率较低。

将雷达用于机场鸟情探测，能够全天时、全天候获取空中鸟类的距离、方位、速度和高度等实时信息，从而帮助工作人员加强鸟击防范，降低事故发生概率。进一步地，基于长期积累的雷达鸟情大数据，还可以研究鸟类迁徙活动规律，对机场附近的鸟类活动规划更全面的治理策略［6］。目前，欧美国家已经建立起全境鸟情预警雷达系统，并在航线规划、飞行计划制定中发挥了重要作用［6］。

本文主要对探鸟雷达系统及应用情况进行综述，首先介绍了探鸟雷达的概念及其系统发展概况；在此基础上，对系统体制、目标探测、目标识别等关键技术进行分析；随后，对国内外典型探鸟雷达系统及应用情况进行介绍；最后对探鸟雷达系统的发展趋势进行展望。

2 探鸟雷达技术发展

探鸟雷达是一种能够对一定范围内的空域进行360°全方位扫描的监测雷达，通常可安装于屋顶、塔架、拖车等，对鸟类活动进行全天候探测和报警。根据雷达系统的专业化程度与应用需求的变化，我们将探鸟雷达技术发展分为早期（20 世纪中叶～21 世纪）、中期（21世纪之后）与当前（近5年）三个阶段。

2.1 早期

自军用雷达发明以来，鸟类活动就经常被探测、记录。由于当时的飞鸟不是雷达关心的目标，通常将其称为“仙波”。同时，由于雷达的系统参数与工作模式也没有经过专门设计，其探鸟能力一般非常有限，仅能探测到规模较大的鸟群［7］。雷达被有意识地用于鸟类迁徙行为的记录和监视，开始于20 世纪中叶。但此时尚未出现专业的探鸟雷达，一般使用海事雷达、气象雷达或军用对空监视雷达实现探鸟应用。

海事雷达由于价格便宜、获取方便，在早期被研究人员广泛应用于鸟类目标研究［8］。商用的海事雷达主要有X 波段和S 波段两个授权频段（这也是目前探鸟雷达的两个主要频段）。其中，S波段具有较好的抗雨杂波性能，而X 波段的鸟类雷达散射截面（radar cross section，RCS）相对更大。

雷达最早被用于鸟情预警是1971 年在丹麦和1978 年在荷兰。基于对空监视雷达的显示器图像，操作员通过人工分析来提取鸟情信息，实现军机保障［9］。通过对鸟类识别算法和显示软件的升级，此类鸟情预警系统于20 世纪90 年代又在德国和荷兰进行部署［7］。

对空监视雷达、海事雷达的探测范围有限，一般仅适用于局部区域的鸟类观测，而气象雷达特别适于大尺度范围内的迁徙鸟群目标探测。目前较为成熟的气象雷达鸟情预警网络包括美国的NEXRAD 系统和欧洲的OPERA 系统［7］。其中，由美国DeTect 公司研发的全国鸟情预警系统（Avian Hazard Advisory System，AHAS）能够自动处理来自美国NEXRAD 国家气象雷达网络的雷达数据，并为美国所有的空军训练航线及活动区域提供实时的鸟击风险评估信息［10］。2013 年，NEXRAD 气象雷达网完成了全部WSR-88D 雷达的双极化技术升级，并增加了多种数据产品。这些数据对于空中鸟类、蝙蝠、昆虫运动解释是一个积极发展的前沿研究，相关数据产品也可通过亚马逊云计算服务平台免费下载，为迁徙鸟类探测与相关研究创造了优越条件［7，11］。OPERA 系统于1990年起步，将多部气象雷达进行组网，到2014 年7 月已扩展到31 个国家179 台雷达。基于该系统，已建立了一个包含多学科交叉的研究网络［12］。

2.2 中期

21 世纪之后，逐渐出现了专业的探鸟雷达。相较于传统的气象雷达，专业探鸟雷达更加强调对于单只飞鸟目标的探测与跟踪，同时要求对于天气变化的影响，例如强降水、强风或大雾等，有一定的适应能力，不同雷达的对比见图2。在2000年之后，面向机场周边区域鸟情探测需求，典型的专业探鸟雷达主要有美国的Merlin 雷达、加拿大的Accipiter 雷达、荷兰的Robin雷达以及英国的Aveillant雷达［13］。

图2 不同类型雷达捕获飞鸟目标信息［11］Fig.2 Different types of radar capture bird target information［11］

2003 年，美国Detect 公司开发了Merlin 雷达，目前已有超过250部系统交付给世界各地的航空安全和环境应用场所。该雷达系统结合两部不同波段的导航雷达几乎可在任何地形、水面和天气条件下（包括雾、雨和雪）提供可靠的鸟类探测［14］。

继Merlin雷达系统之后，加拿大Sicom系统公司开发的Accipiter雷达也使用了类似体制。Accipiter雷达可实现对鸟情位置、速度、运动方向、数量、飞行轨迹等信息的检测。在此基础上，Accipiter 又开发了双部抛物面天线结构，以提高俯仰覆盖范围及测高精度。该系统已在美国西雅图-塔科马国际机场、芝加哥欧哈尔机场、纽约肯尼迪国际机场、达拉斯沃尔斯堡国际机场和几个军用机场进行了试用［15］。

2010 年之后，荷兰的Robin 公司对双雷达系统进行技术升级，开发出调频连续波雷达，兼容凝视、扫描、跟踪等多种工作模式。目前，该系统已在荷兰阿姆斯特丹史基浦、法国巴黎、德国柏林勃兰登堡、比利时空军、荷兰皇家空军、荷兰埃因霍温、瑞士、西班牙、英国、以色列等19个机场应用。荷兰空军评价Robin探鸟雷达系统的应用将荷兰军机撞鸟事故次数降低了50%以上［16］。

与此同时，随着中国雷达技术的快速发展，国内也出现了大量采用先进雷达体制的探鸟雷达产品［11］。2008年，北京航空航天大学与中国民航总局航空安全技术中心合作研制了“机场雷达探鸟系统”。2016 年，武汉领先通用航空技术有限公司研发的探鸟雷达系统在广西北海机场进行了试验鉴定，实现了5 km 内单只鸽子的精准探测［16］。2017年中国电子科技集团公司第三十九研究所研制出了收发分置调频连续波雷达，实现3.5 km 内单只家鸽的探测车；并于当年11月在某军用机场完成了部署［17］。此外，中山大学研发了基于全固态发射机的扇区“凝视”的全息探鸟雷达；北京理工大学基于三面相控阵雷达实现了飞鸟目标全空域覆盖；武汉大学还探索了基于外辐射源的探鸟实验，验证了使用特高频频段的外辐射源雷达对体长约30 cm 以上鸟类目标进行长时间跟踪定位的可行性等［18］。

2.3 当前

出于提高鸟类检测准确性与全面性的需求，近年来鸟情探测系统朝着多传感器、多数据融合方向不断发展。例如，Detect 公司将Merlin 雷达系统与激光驱鸟设备、强声驱鸟设备相结合，实现了探驱一体化［15］，见图3。Accipiter 公司基于雷达智能网络（Radar Intelligence Network，RIN）平台技术研制的NM1-8A 鸟类雷达系统，可以集成ADS-B、AIS、FOD 等额外的传感器，来扩大覆盖范围、增强感知能力［19］。KEYCOM 公司利用RAD80 雷达与摄像机，实现目标跟踪与引导识别（图4）。国内，北京理工大学提出利用双极化天气雷达和探鸟雷达相结合的创新解决方案，旨在进一步提高鸟击防范的准确性和可靠性［20］。

图3 美国Detect公司研发的探鸟驱鸟系统［21］Fig.3 The Detect company research and development of bird detection and bird drive system［21］

总结来说，早期的鸟情探测一般基于既有的气象雷达，通过多部雷达组网可以很容易地实现大范围覆盖，为鸟类迁徙等大规模活动研究提供基础条件。而随着航空业的发展，对机场附近鸟击事件的防范需求不断增加，因此测量信息更全、精度更高的专业探鸟雷达系统随之出现，此时的探鸟雷达系统主要关注自身的性能，通过设计功率孔径积、波形参数、算法策略等，实现探测威力、跟踪精度等核心指标的优化。经过20 多年的研究与应用，相关专业人员对机场鸟击防范的需求理解不断深化，鸟击防范往往同时要求个体跟踪与整体态势分析，同时还需与驱鸟设备、机场观察员等要素相配合，因此鸟击防范系统也逐步集成光电、红外、驱鸟等设备，发展成为高性能、多维度的综合系统。

3 关键技术

鸟类目标是典型的低空小目标，对此类目标进行雷达探测将面临杂波干扰强、目标能量弱、运动机动性强等问题，对鸟类目标的连续、稳定跟踪造成困难。另一方面，鸟击事件通常发生在飞机的起降阶段，对于不同高度的鸟情也需要不同的处置方式，因此，探鸟雷达系统还需要高精度三维测量能力以及一定的目标识别能力。上述需求需要在系统体制、天线设计、目标检测与跟踪算法、目标识别算法等方面进行综合考虑。因此，本节将结合机场探鸟雷达技术的最新进展，分别讨论各技术方向的关键技术发展现状。

3.1 探鸟雷达天线技术

雷达天线的类型及扫描方式决定了其覆盖范围及目标信息维度。目前，探鸟雷达天线的主要类型包括波导缝隙、抛物面、相控阵等。

早期的探鸟雷达系统一般采用波导缝隙天线，通常工作在S 波段和X 波段，基于两部导航雷达构成协同探测系统，其中一部水平扫描，可以提供单只飞鸟目标的距离、方位二维信息；另一部垂直扫描，以获得其距离和高度信息。采用该体制的系统主要有Merlin 雷达［15］、Accipiter 雷达［19］等，其优点在于使用了成熟的商用雷达，成本较低；而不足则是无法获取空间内任意位置处目标的三维信息，对鸟目标探测距离较短，数据重访周期较长，且利用RCS信息的目标自动识别功能鲁棒性不佳［23］。

以Accipiter 雷达为代表的系统研发多款抛物面天线［19］，具备二维测角能力，且有利于抑制地面杂波。此类系统具备获取目标“真三维”信息的能力，但是在应用中需要结合机械扫描，针对鸟类探测往往面临探测效率低、数据率不足等问题。

以Robin 雷达MAX 产品为代表的系统采用了相控阵雷达技术，这使得雷达对重点区域监视数据率达到毫秒级。相比导航雷达，空域覆盖更广，精度与数据率更高［24］。相控阵雷达具有灵活的资源调度能力，可以很迅速地进行模式切换。同时，其特有的扫描加跟踪（Tracking and Scanning，TAS）模式使得系统可以在空域搜索的同时进行重点目标跟踪，为低空监视雷达的工作流程设计提供了相当大的自由度［25］。然而，相控阵雷达仍然存在时间与空间资源进行平衡，即需要在驻留时间、扫描范围（同时跟踪目标个数）、系统威力等参数间进行折中设计。

Aveillant 雷达作为新一代全息雷达，其天线采用全向或者很宽的波束覆盖探测空域，接收采用DBF 技术，实现全时空覆盖的凝视探测。Aveillant公司研制出Gamekeeper 16U［26］和Theia 16A 系列产品，可以实现对探测范围内的目标长时间连续探测，从而收集目标的详细信息（例如微多普勒），对无人机、鸟类、直升机等目标进行分类［26-30］。

近年来，圆柱形二维相控阵天线成为探鸟雷达系统的研究热点之一，国内理工雷科HY917A 型探鸟雷达系统即采用该类型天线。圆柱阵天线具有比直线阵或平面阵天线更优越的性能。一方面，圆柱阵天线由分布在共轴的多个相同圆周上的天线单元所构成，圆柱阵内在的圆周旋转对称性可以在大体上保持阵元间的互耦平衡，有利于工程研究的实现与应用；另一方面，随着扫描角度的增大，直线阵和平面阵天线会出现主波束展宽和增益下降的情况，但圆柱阵天线可以通过循环移动圆周上的阵元激励，使得主波束在与中心轴线垂直的平面内进行全方位的定向波束扫描，而且在扫描的过程中可以基本上保持相同的主波束形状和增益等电气性能，因此，可以有效地克服直线阵和平面阵天线的主波束在扫描过程中的畸变现象。通过对位于不同位置阵元激励的选择与加权，圆柱形相控阵天线不仅能够方便而灵活地控制波束的指向，提供360°的全方位扫描，而且可以在水平面内形成较高增益的宽波束，支持系统实现全时空覆盖的同时多波束凝视探测。图5为某基于半实物仿真的圆柱阵方位维收发波束图和凝视多波束图，其不仅可以在扇区范围内形成较高增益的发射宽波束，而且可以形成形状基本相同的多波束。

综上可知，出于对系统成本与探测性能两个维度的不同考虑，当前的探鸟雷达系统几乎涉及了所有典型的天线形式与扫描方式。经典的杆状天线、抛物面天线成本较低、技术成熟，但是在进行全空域覆盖时需要结合二维机械扫描，数据率低、灵活性差；相控阵雷达使用数字波束形成技术可以对空域进行快速扫描，针对不同类型、不同威胁度的目标，还可以灵活配置观察空域、驻留时间、重访周期等资源，但是增加了系统复杂度和成本；全息雷达可以获取更长的驻留时间，在低速目标检测与低空目标识别具有较大潜力，但是也给信号处理带来较大压力。因此具体系统的性能优劣往往需要根据各类因素进行综合评估，目前尚未形成统一的结论。

3.2 探鸟雷达目标检测与跟踪技术

对鸟类目标的鲁棒检测与跟踪是实现鸟击防范的基础。然而在低空环境下，鸟类的雷达检测面临复杂的杂波干扰问题，主要表现为杂波强度高，类型多（建筑物、地面、树木、近地云、雨气象杂波等），且随着雷达扫描发生空间与时间变化。同时，由于鸟类目标回波能量弱、运动机动性强、群/个体变化不规律，也给弱目标能量积累与检测、稳定航迹跟踪带来了极大的难度。

在目标检测方面，当前主要需解决杂波虚警与弱目标检测两个关键问题。

对于杂波抑制问题，由于近地强杂波非均匀分布特性，现有的主要思路一方面从杂波感知入手，在识别杂波类型的基础上有针对性选择匹配的检测器，如文献［31］提出基于语义分割网络的距离多普勒域分治检测算法，借助神经网络实现不同杂波区域的智能识别与分割，再根据不同杂波区域对检测器类型和参数进行优化选择，提高了复杂杂波背景下的检测性能。而文献［32］则采用启发式分割法，依据回波幅度均值将整个场景的距离门分离为多个区域间非平稳、区域内平稳的回波区域，感知各平稳区域回波类型及波动程度，实现不同杂波区域的类型识别与分割。另一方面是对检测器进行优化，使其能够根据不同的杂波自适应地调整相应参数，如文献［33］提出了一种基于静态杂波图的自适应变参VI-CFAR 检测方法，实现非均匀强杂波背景下的恒虚警率检测。

而对于目标回波微弱的问题，其核心在于通过长时间积累来获得检测所需的信杂噪比。采用二维电扫相控阵体制的雷达具有灵活的资源调度能力，可以很迅速地进行模式和波束指向切换，其特有的扫描加跟踪（TAS）模式使得系统可以在空域搜索的同时进行重点目标跟踪，而全息凝视雷达则无需波束扫描，通过长时间积累可获得更高的增益和多普勒分辨率，实现运动目标与杂波的有效分离，提高杂波环境下的弱小目标强度。但是由于鸟类目标存在的机动特性，在积累过程中难免有距离徙动、多普勒徙动等现象发生，这无疑会增大相参积累的难度。传统的动目标检测（Moving Target Detection，MTD）、Keystone-MTD 算法仅能处理匀速目标回波，二阶RFT 通过联合搜索距离、速度、加速度可以很好地解决匀加速运动导致的距离走动、多普勒展宽问题。但多维的参数搜索，导致二阶RFT需要消耗大量的存储和运算资源。如何兼顾性能与计算量，是当前制约弱目标能量积累算法实际应用的关键。文献［34］针对机动目标速度的不稳定导致的多普勒频率徙动问题，以最小熵为代价函数，利用迭代寻优的方式，提出一种通用的高阶运动补偿算法，从而有效提高积累增益，完成机动目标的相参检测。文献［35］提出了一种基于动态规划（Dynamic Programming，DP）和分数傅里叶变换（Fractional Fourier Transform，FrFT）的新型相干积分检测算法，该算法可以快速搜索目标轨迹，并同时执行参数估计和运动补偿，在相对较低的时间消耗下获得高积分增益。在相同仿真参数下，对四种典型算法和计算量进行评估，如图6（a）所示，从图中可以看出：1）FrFT 算法的运行时间最长，大约是在相同条件下MTD 算法的15000 倍；2）KS-MTD的运行主要来自于Keystone 处理，随着脉冲数的增加而增加；3）DP-FrFT算法的运行时间是MTD算法的10 到100 倍，DP-FrFT 仅次于MTD 算法，是时间消耗较少的算法。在相同仿真参数下，对四种典型算法的检测概率进行评估，如图6（b）所示。从图中可以看出：DP-FrFT 具有最强的检测性能，在SNR=0 dB 的条件下，检测概率接近于1，而次优的FrFT需要达到SNR=4 dB 才能实现这个检测概率。仿真和实测结果验证了算法的有效性。

图6 四种处理方法的消耗时间和检测概率对比结果［35］Fig.6 Comparison of time consumption and detection probability of four processing methods［35］

在目标跟踪方面，飞鸟目标由于本身的运动特性，其运动形式具有多样化的特点，如匀速、盘旋和俯冲等。实现机动飞行目标的连续稳定跟踪是鸟类目标探测雷达难点问题之一。传统的机动目标跟踪主要涉及跟踪模型、滤波算法以及数据关联等方向的研究。跟踪模型主要包括Singer模型、CS模型［36］、IMM 模型［37］以及他们的变体，其中IMM 算法在机动跟踪领域占据主流地位。在选定一种模型后，还需要滤波算法的进一步处理才能实现目标跟踪，因此滤波算法是目标跟踪算法的重要组成部分。现有跟踪算法大部分是建立在卡尔曼滤波基础之上，卡尔曼滤波适用于线性估计问题，在强非线性和非高斯情况下会滤波发散，基于卡尔曼滤波算法提出了许多改进算法，例如无迹卡尔曼、扩展卡尔曼以及他们的变体。此外，粒子滤波算法由于不要求线性误差和高斯噪声假定，而被广泛应用于各种机动目标跟踪场景。文献［38］提出了基于自适应粒子滤波的雷达检测与跟踪联合处理方法，在对低信噪比、快速机动等复杂环境下的多目标进行跟踪时，可以提高目标整体跟踪性能。除此之外，还可以通过机动检测来改进机动跟踪算法，文献［39］提出了一种基于机动检测的参数自适应跟踪算法，利用检测结果对跟踪参数进行自适应调整，能够更好地适应加速度阶跃机动和转弯机动的运动模型。为了实现优良的机动跟踪性能，相应的算法愈发复杂，然而如何将这些复杂的算法在有限的系统资源上实际应用起来，是算法研究人员与系统工程师需要协同考虑的关键问题。图7为某探鸟雷达获得的三种典型目标：无人机、迁鸟和蝙蝠的跟踪航迹。

图7 典型目标跟踪航迹Fig.7 Typical target tracking track

随着无人机集群技术的发展，对于群目标的跟踪在低空探测雷达技术领域也受到越来越多的关注。全息凝视雷达可实现全时空覆盖，无需波束扫描和复杂的资源调度，即可实现大批量目标的同时检测跟踪，目标容量大，更新速率高，因此更易于实现集群目标探测。对于鸟群目标，一方面其合并、分裂等行为会影响跟踪的稳定性；另一方面，区分单只鸟或鸟群，对于鸟情防范也具有十分重要的意义。群目标跟踪的早期研究从多目标跟踪发展而来，因此沿用了经典多目标跟踪领域的方法，如联合概率数据关联，多假设跟踪（Multiple Hypothesis Tracking，MHT）［40-41］等。经典多目标跟踪方法计算量大，且未体现出“群”的外形概念，很快不再使用。Salmond等学者认为群内目标状态（或量测值）受当前目标状态和群外形状态的共同影响，给出了群目标跟踪领域的经典状态转移方程表达式［42-43］。文献［44］认为“集群跟踪”的任务是跟踪大量集群目标外形，且不必跟踪内部的每一个目标个体。当前，群目标跟踪的研究重点主要是对群外形与群内部关系的描述。文献［45］将群目标跟踪问题分解成质心滤波和目标外形滤波。文献［46］用简单椭圆模型模拟群目标外形，在质心跟踪的基础上拓宽状态向量的维度，并应用于扩展卡尔曼滤波器，从而解决群内部数据关联不准确导致跟踪关联效果差的问题。对于非椭球扩展目标和群目标跟踪，由于缺乏形状和方向信息，采用椭球近似目标扩展可能不够精确。鉴于此，文献［47］将一个非椭球扩展目标或目标群体建模为多个椭球子对象的组合，并且提出了一种改进的GLMB 滤波器，用于在检测概率未知的情况下对非椭圆扩展目标或群目标的跟踪。针对群目标在复杂环境下形状估计精度低、数据易覆盖丢失的问题，文献［48］提出基于星凸形随机超曲面模型的扩展目标跟踪方法，实现了对无人机群扩展外形的跟踪。然而，当扩展目标机动时，形状估计的发散和运动状态估计的高误差很可能发生。文献［49］提出了一种改进的基于最小余弦距离的星-凸形随机超曲面模型跟踪扩展目标的形状估计方法，用于对扩展状态的修正。在群内关系建模方面，文献［50］总结了以下几种群内目标相互作用模型：（1）多变量随机微分等式模型；（2）虚拟领导模型；（3）马尔科夫随机场模型。通过对群内成员间相互关系的精细描述，可以对群目标进行更加准确的跟踪。群分裂/合并是群结构演化的重要表现形式，在群精细跟踪算法中主要影响群内成员的数目和成员之间的相互作用关系。此外，文献［51］等还对群的合并与分裂行为进行了研究。总体而言，群目标跟踪的理论研究与应用实践还处于不断深化的阶段，目前尚未形成统一的研究框架与评价标准，但是在某些具体的问题上已经出现了一批有价值的研究成果。

综上可知，探鸟雷达检测跟踪面临的主要问题包括杂波抑制、弱目标检测与机动目标跟踪，现有的雷达算法可以在一定程度上应对上述问题，但是尚没有形成通用的算法方案。这一方面是由于雷达体制、工作频段、波束宽度等系统指标的不同会影响具体算法策略的设计；另一方面，相应算法的计算量与成熟度也限制了其工程实施。此外，在鸟类迁飞季节，雷达还会面临大量、群集活动的低空目标，如何对此类目标进行稳定探测的同时，结合机场鸟击防范应用需求准确提取目标整体与局部的表征信息，避免信息冗余，还有待进一步研究。

3.3 探鸟雷达低空目标识别技术

在机场环境中，除飞鸟目标外还可能存在行人、车辆等地面目标以及无人机、蝙蝠、昆虫等其他低空目标，因此，要求探鸟雷达具备基本的识别与分类能力。特征提取是低空目标识别的关键，针对雷达目标识别，目前可供使用的特征主要包括目标RCS、一维距离像、航迹特征、目标固有频率、雷达微多普勒等。

雷达目标的RCS 是一种随着时间变化的起伏量，它受到目标材质、运动规律以及雷达工作波长等参数的影响。通过分析RCS 序列的统计特征，可以帮助对目标进行初步识别。如文献［52］研究了3 种鸟类和一架四旋翼无人机的S 波段雷达回波特征，证实了无人机的RCS 比仓鸮大，但比鹰鸮和秃鹫小，因此利用RCS 信息对无人机目标和鸟目标进行分类比较复杂［53］。

高分辨率一维距离像可以反映目标的几何尺寸与结构信息，是雷达目标识别的重要特征之一。文献［54］提出了一种具有多尺度窗口关注机制的CNN 算法用于一维距离像识别，可以提高识别性能。然而对于低空目标，雷达系统一般需要具备厘米级的分辨率才能获取鸟类和无人机的结构信息，这会导致系统的复杂度和成本都明显上升。

早期的探鸟雷达仅能获取目标的距离和方位信息，通过目标检测与跟踪算法处理，雷达可以输出空中目标的航迹速度、高度、连续位置、飞行模式等［55-56］飞行轨迹特征。对于无人机，由于需要执行特定的任务，其飞行航迹一般相对平稳、轨迹具有比较明显的人为规划特征（直线、绕圆、S 形、Z 字形等）；而鸟类目标的轨迹随意性更大，很难长久保持相同的运动特性，运动机动性更高。如图8 所示为外场实测数据处理得到的无人机和飞鸟航迹，可以很好地证明这一点。然而，航迹特征识别的前提是能够对目标进行鲁棒跟踪，由于鸟目标和小型无人机目标反射的雷达信号通常比较微弱，会导致检测概率降低，从而影响航迹识别性能。

图8 无人机和飞鸟的航迹结果对比Fig.8 Comparison of the UAV and bird tracking results

近年来，随着相控阵、全息凝视等雷达技术的不断发展，通过延长观测积累时间能够提高目标信号增益与速度分辨率，实现复杂微动特征的高精度提取与精确描述。微多普勒是指目标主体运动之外表现出的微小多普勒分量，如直升机叶片的旋转运动或鸟翅膀的拍打。该特征反映了目标的运动学和结构信息，因此可用于目标识别［54，56］。图9 对比了无人机和飞鸟外场测量数据的处理结果，可见，二者的微多普勒特征存在明显区别。目前，目标的微多普勒信息一般采用时频图来表征，如图14（e）所示，这种图形化表征也为引入基于深度学习的识别技术提供了便利。能够实现对目标的快速识别和分类，使得基于微多普勒特征的目标识别成为雷达低空探测领域最具前景的技术途径之一。如使用机器学习算法实现微多普勒图像识别［57-59］，高信噪比对于无人机目标的精确识别至关重要［60］。然而在实际应用中，基于微多普勒特征的目标识别也面临一定的挑战。首先，目标的微动特征一般较为微弱，且背景强杂波会导致目标特征被淹没。为了提高目标微动特征的质量，往往要求系统具备适当的驻留时间，这就要求系统工程师在数据率、扫描范围、多普勒分辨率、系统处理能力等诸多因素间进行细致的平衡。其次，目标在运动过程中相对雷达的角度发生变化，导致其同一行为的微多普勒特征也随之改变，因此对微多普勒特征的定量描述也是影响目标识别准确率的关键［61］。

图9 无人机和飞鸟的微多普勒测量结果Fig.9 Micro-Doppler measurement results of UAV and bird target

综上可知，低空目标识别目前可用主要特征是目标运动特征（航迹）与微动特征，而RCS、距离像一般作为辅助特征。航迹特征的优点在于简单、直接，且可以与目标跟踪流程结合，实现方便，但是为了更好地表征目标运动规律，往往要求积累一段时间，导致识别时间较长。微动特征理论上基于单次观测即可用于目标识别，不少文献也基于仿真和试验数据分析证实了可行性，并给出了理想的测试结果。但是微动特征的提取往往要求比较高的信噪比，如何定量评价微动特征质量与信噪比、运动速度等因素的关系，针对不同微动特性的目标设置合适的微动分析参数，提取同一目标不同运动姿态下的稳定鲁棒特征等，仍需要对相关理论基础进行深入研究。

4 典型探鸟雷达系统

4.1 国外典型探鸟雷达系统

这里以Merlin 雷达、Accipiter 雷达、Robin 雷达和Aveillant 雷达为例对国外典型的探鸟雷达系统进行介绍。

（1）Merlin雷达

Merlin雷达探鸟系统是世界范围内最早的探鸟雷达产品［15，21］，由美国佛罗里达州Detect公司研发，其系统如图10 所示。系统配备了一部S 波段和一部X 波段的导航雷达，分别进行水平扫描和垂直扫描。由于两部雷达独立工作，无法提供目标三维信息。Merlin 系统的水平扫描雷达作用距离可达4～8海里（约7.2 km～14.4 km）；垂直扫描雷达作用距离3～4海里（约5.4 km～7.2 km）。

图10 典型Merlin雷达系统［15］Fig.10 Typical Merlin radar system［15］

（2）Accipiter雷达

Accipiter 雷达系统如图11 所示。由于采用了X 波段抛物面天线，该系统可以获取目标的三维坐标信息［19］。经过20年的研发［62］，Accipiter拥有广泛的雷达智能网络技术，相关产品可以持续检测和跟踪水上、空中和地面上的合作和非合作目标。通过全领域全天候感知，实现实时战术态势感知，为机场工作人员提供战术和战略情报，以评估潜在风险并采取相应行动。

图11 典型Accipiter雷达系统［19］Fig.11 Typical Accipiter radar system［19］

（3）Robin雷达

Robin 探鸟雷达系统由荷兰Robin 公司研制［24］，前后共推出了四代产品。其第一代产品2D Lite 仍然延续基于双导航雷达的技术方案，可探测到径向距离10 km、垂直高度2 km 范围内的大鸟。其第二代探鸟雷达产品3D Fixed 由一个水平的S波段雷达和一个垂直方向转动的X 波段雷达组成，系统外观结构图12（b）所示。其和2D Lite 雷达相比，优势是能够在雷达的前向和后向区域提供目标的3D 信息，能够为应用区域提供更好的防护。而第三代产品3D Flex 由一个水平的S 波段脉冲雷达和一个X 波段调频连续波雷达组成，系统外观结构如图12（c）所示，该产品已经能够提供任意方向目标的3D 信息。近年来，Robin 公司研制的最新一代探鸟雷达MAX，采用平面相控阵天线，外形照片如图12（d）所示，该产品的转速最快能达到1 秒。

图12 典型Robin雷达系统［20］Fig.12 Typical Robin radar system［20］

（4）Aveillant雷达

Aveillant 雷达系统如图13 所示，其采用相控阵天线基于全息雷达体制［26］，可以实现飞鸟目标定位与识别功能，辅助管控人员掌握低空区域目标态势，实现全局无盲区可靠监视。其研制的L 波段全息凝视“低慢小”目标探测雷达Gamekeeper 16U 对0.01 m2的目标探测距离可达5 km，能够探测、跟踪和分类小型无人机系统。由于不需要机械扫描，该款雷达能够连续不断地照射整个覆盖区域，提供不间断的区域探测结果，输出被检测到的每个物体的位置和速度。该款雷达采用宽波束发射，窄波束凝视“低慢小”目标，该雷达小到1 Hz的多普勒处理能力为低速目标的检测提供技术支撑，可识别出微多普勒频率例如无人机的小螺旋桨频率和鸟的拍翅膀频率，辅助以学习技术算法可滤除大部分虚假航迹。

图13 典型Aveillant雷达系统［25］Fig.13 Typical Aveillant radar system［25］

4.2 国内典型探鸟雷达系统

由国外典型探鸟雷达系统的发展历程可见，最新的探鸟雷达正逐步向二维相控阵、全息凝视体制发展，故这里以北京理工雷科电子信息技术有限公司研制的HY917A 型探鸟雷达为例，作为国内典型的探鸟雷达系统进行介绍，其与国外其他雷达的对比见表1。HY917A 型探鸟雷达工作在S波段，采用圆柱形二维有源相控阵体制，天线阵面不同子阵接收到的目标回波经变频和数字化后，通过光纤输出至信号处理后端进行处理，信号处理后端以FPGA 和GPU 作为高性能实时处理器，突破了FPGA+GPU 异构并行计算技术，具有良好的并行能力和可扩展性。

该探鸟系统可兼具常规扫描模式、扫描加跟踪模式以及凝视模式。在扫描模式下，阵列在方位向同时形成3 个窄波束，每个波束负责约120°方位扇区的搜索，优点是波束聚焦扫描，天线增益大；结合TAS 工作方式，还可以对鸟类进行随动跟踪。在凝视模式下，系统对天线子阵进行等幅同相同时发射与接收，结合DBF处理实现宽波束发射、同时多波束接收，完成方位360°全向覆盖，优点是采用凝视处理方式，对目标位置波束驻留时间长，速度分辨率高，可大大提高慢速目标探测能力和目标识别能力。基于复杂环境杂波抑制、机动目标鲁棒跟踪、微多普勒智能识别等关键技术，该系统能够对机场半径10 km范围内的鸟类进行自主探测与识别。图14（f）为该雷达基于航迹特征识别的处理流程，通过提取目标航迹的航迹曲线特征、目标机动特征、运动状态特征等特征，对某次试验的5321批航迹数据进行识别处理，识别出无人机69批，其中真实无人机55批，识别正确率达到了79.7%。图14（g）给出了该雷达基于目标微多普勒特征的处理流程。雷达凝视模式下，采集不同距离段下的无人机、飞鸟以及其他杂波目标的微多普勒时频图作为训练集，通过深度学习训练得到识别网络，对某次试验中新采集的505组不同目标凝视数据进行识别，其无人机和鸟类两类目标的识别正确率达到了94.1%。

图14 雷科探鸟雷达系统Fig.14 Racobit bird finder radar system

以该型相控阵雷达为核心，雷科公司还集成红外、光电以及多种驱鸟设备构建了雷光驱联动的机场鸟情探驱管一体化系统；并在北京、天津、广西、新疆等多个军民用机场开展了试用和保障任务，有效保障了飞机起降阶段的航空安全。

5 结论与展望

探鸟雷达在机场鸟情防范中发挥着越来越重要的作用，随着雷达技术的发展及其与可见光、红外等其他观测手段的结合，机场的鸟情观测水平得到了极大提高。本文全面回顾了机场雷达探鸟技术的发展与应用现状，得出以下几点结论：

（1）新一代探鸟雷达在天线、收发机、精细化信号与数据处理能力方面均有长足进步，并初步具备了飞鸟与无人机等低小慢目标的识别与分类能力。

（2）新一代探鸟雷达采用的相控阵与DBF 技术，能够以较高的数据更新率获取飞鸟目标的三维坐标信息。

（3）由于飞鸟目标的探测难度大，当前的探鸟雷达虽然能够把握鸟情分布的总体态势，但尚有一定局限性，难以实现百分之百的准确率。

随着雷达技术的不断发展，以及应用需求的不断深化，探鸟雷达系统将向着精细化、智能化、一体化的方向不断发展，其未来发展和研究的主要方向包括：

（1）全息数字阵列、MIMO等具有多波束凝视和泛探能力的新体制雷达已成为探鸟雷达的发展趋势。各种更加先进的工作模式和探测技术将得以实施，诸如TAS、同时多波束、长时间凝视等工作模式可以大大提升系统的应用潜力，通过获取低可观测目标的时域、空域与频域多维信息，为杂波环境感知与抑制、目标精细化测量与识别等提供系统条件。

（2）智能化技术的引入，可以为飞鸟与无人机目标的智能识别与分类提供新的手段。飞鸟与无人机目标的运动模式复杂，采用固定的参数模型难以进行精确描述，采用机器学习、深度学习等算法，构建多层卷积神经网络提取目标高维数据特征，可以获得较强的特征表述与分类识别能力。

（3）多传感器的接入，多数据融合处理，为探鸟系统多功能一体化技术的发展提供了条件，探鸟雷达还可能兼具反无、目指等功能，从而实现低空小目标探测系统的综合。