CN114488198A - 一种基于多元全排列随机森林的多波长激光雷达气溶胶微物理特性反演方法 - Google Patents

一种基于多元全排列随机森林的多波长激光雷达气溶胶微物理特性反演方法 Download PDF

Info

Publication number
CN114488198A
CN114488198A CN202111623849.0A CN202111623849A CN114488198A CN 114488198 A CN114488198 A CN 114488198A CN 202111623849 A CN202111623849 A CN 202111623849A CN 114488198 A CN114488198 A CN 114488198A
Authority
CN
China
Prior art keywords
aerosol
look
properties
normalized
microphysical
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111623849.0A
Other languages
English (en)
Inventor
肖达
王南朝
童奕澄
张凯
刘崇
刘�东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiaxing Research Institute of Zhejiang University
Original Assignee
Jiaxing Research Institute of Zhejiang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiaxing Research Institute of Zhejiang University filed Critical Jiaxing Research Institute of Zhejiang University
Priority to CN202111623849.0A priority Critical patent/CN114488198A/zh
Publication of CN114488198A publication Critical patent/CN114488198A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/95—Lidar systems specially adapted for specific applications for meteorological use
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Electromagnetism (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于多元全排列随机森林的多波长激光雷达气溶胶微物理特性方法，包括：构建气溶胶光学‑微物理特性查找表；归一化输入光学特性和查找表获得
Figure DDA0003439247470000011
和Gnorm；计算
Figure DDA0003439247470000012
与Gnorm对应个体的偏差并缩减查找表；对归一化光学特性全排列获得搜索序列，依次计算
Figure DDA0003439247470000013
与Gnorm对应的归一化光学特性的相对误差，按误差大小缩减查找表可行解，将保留的查找表可行解平均获得备选微物理特性；基于随机森林理论，生成NRF个搜索序列并获得NRF个备选解，平均备选解获得反演的微物理特性和光学特性；并进一步计算其余的微物理特性。本发明结合KNN‑最近邻和随机森林原理，基于多波长激光雷达实现细模态气溶胶复折射率精确反演并将其应用于更少激光雷达通道。

Description

一种基于多元全排列随机森林的多波长激光雷达气溶胶微物 理特性反演方法
技术领域
本发明属于大气气溶胶遥感激光雷达技术领域，尤其是涉及一种基于多元全排列随机森林的多波长激光雷达气溶胶微物理特性反演方法。
背景技术
雾霾不仅危害人类的健康，促使呼吸及心血管等疾病高发，而随之引发的区域性乃至全球性气候变化，使得极端高温、强降水等天气频发，也严重影响了人类正常的生产生活。悬浮在大气中的气溶胶粒子，不仅是导致大气污染(雾霾)的罪魁祸首，也是引发极端天气现象的关键因素。大气气溶胶可以简单地分为城市污染、烟雾、海盐、矿物粉尘等不同类型。按照粒径分布(PSD)的不同，前两种具有小球形颗粒的气溶胶通常以细模态部分为主，通常称为细模态气溶胶。细模态是大气研究的一个重要方面，也是气候预测不确定性的重要来源之一，与人类活动密切相关。
为了更好地量化细模态气溶胶对地球能量收支、空气质量和人类健康的影响，需要探测和研究其基本的微物理特性，如复折射指数(CRI)、PSD、体特性(有效半径、数浓度、表面积浓度、体积浓度)和单次散射反照率 (SSA)。
基于Nd:YAG激光的先进多波长激光雷达，如拉曼激光雷达和高光谱分辨率激光雷达(HSRL)，已被证明可以描述细模态气溶胶微物理特性，这为研究距离分辨的细模态气溶胶基本属性提供了一个独特的机会。三波长激光雷达测量的355nm、532nm和1064nm处的反向散射系数 (β)以及355nm和532nm处的消光系数(α)，通常称为3β+2α结构，可用于反演气溶胶微物理特性。然而，受限于有限的输入参数，从3β+2α激光雷达数据中反演气溶胶微物理特性需要解决不适定的逆问题。
目前，已经开发了正则化、线性评估法以及排列搜索平均法等方法来解决微物理特性反演的逆问题。正则化算法通过一组三角基函数来表示 PSD，但其非常耗时且对复折射率的反演并不敏感；线性评估法利用气溶胶光学特性的线性组合来表示PSD，其能在一定精度下反演气溶胶的体特性；排列搜索平均法通过不同排列顺序来提取查找表中的备选解以获得复折射率以及体特性，其过程同样耗时严重。
以上方法均难以获得高精度的气溶胶复折射率以及单次散射反照率，并且其往往依赖于3β+2α的光学特性输入才能获得令人满意的微物理特性反演结果(尤其是正则化算法)，这在目前大多数激光雷达系统中难以实现。特别在机载及星载激光雷达系统应用上。
发明内容
针对上述多波长激光雷达在气溶胶微物理特性反演的不足，本发明提供了一种基于多元全排列随机森林的多波长激光雷达气溶胶微物理特性反演方法，基于改进的无监督随机森林算法(RF)和K-最近邻(KNN) 算法，旨在解决细模态气溶胶CRI的高精度反演和较少激光雷达通道(如 3β+1α，2β+1α结构)气溶胶微物理特性反演难题，为激光雷达反演SSA提供可靠的输入保障。
一种基于多元全排列随机森林的多波长激光雷达气溶胶微物理特性反演方法，包括以下步骤：
(1)基于气溶胶微物理特性中的复折射率实部mr、复折射率虚部mi、模式半径rmed和几何方差σ构建查找表G；查找表G的大小为气溶胶微物理特性(mr,mi,rmed,σ)的组数NLUT，每组包含气溶胶微物理特性(mr,mi,rmed,σ) 及对应的三波长后向散射系数βλ以及消光系数αλ；
(2)输入多波长气溶胶光学特性ginput，对光学特性ginput和查找表G进行归一化以获得归一化光学特性
Figure BDA0003439247450000031
和归一化查找表Gnorm；其中，归一化光学特性
Figure BDA0003439247450000032
的数量为Nnorm；
(3)基于K-最近邻理论，计算归一化查找表Gnorm中各组归一化光学特性和输入的归一化光学特性
Figure BDA0003439247450000033
的偏差D；将获得的偏差D进行从小到大排序，选择误差最小的
Figure BDA0003439247450000034
组元素作为初始查找表，ω0为缩减系数，记新的查找表为G(0)；
(4)对
Figure BDA0003439247450000035
进行全排列操作，获得具有Nnorm个元素的搜索序列；按照搜索序列各元素顺序，依次计算
Figure BDA0003439247450000036
与查找表对应的气溶胶归一化光学特性个体的误差d；
基于K-最近邻理论，利用枝剪系数ω缩减查找表中可行解范围，ω∈(0,1)；在搜索序列中，对最后一个元素搜索后获得的查找表可行解进行平均，获得微物理特性备选解(mr,mi,rmed,σ)ret及反演的光学特性gret；
(5)基于随机森林理论，随机生成NRF个搜索序列，获得NRF个微物理特性备选解
Figure BDA0003439247450000037
和对应的非归一化光学特性
Figure BDA0003439247450000038
θ＝1,2,...NRF；将备选解平均以获得最终反演的微物理特性结果
Figure BDA0003439247450000039
和非归一化光学特性
Figure BDA00034392474500000310
(6)基于获得的
Figure BDA00034392474500000311
和
Figure BDA00034392474500000312
计算获得其他微物理特性，包括有效半径
Figure BDA00034392474500000313
数浓度
Figure BDA00034392474500000314
表面积浓度
Figure BDA00034392474500000315
体积浓度
Figure BDA00034392474500000316
以及数浓度分布下的模式半径
Figure BDA00034392474500000317
最终获得的微物理特性集合为
Figure BDA00034392474500000318
步骤(1)中，三波长后向散射系数βλ以及消光系数αλ中，λ为波长，对应波长为355nm、532nm和1064nm。构建查找表G的具体过程为：
气溶胶的微物理特性和光学特性的联系通过Fredholm积分方程表示：
Figure BDA00034392474500000319
其中，g为后向散射系数或消光系数等光学特性，λ为波长，Kg(r,λ,m；p)为体积核函数，其数值取决于气溶胶粒子的复折射率m＝mr+mi和粒径范围r，p为形状因子；rmax和rmin分别为粒径分布的上下限；v(r)为体积浓度粒径分布，对细模态气溶胶用对数正态分布表示，公式如下：
Figure BDA0003439247450000041
其中，Vt为总的体积浓度，rmed为模式半径，σ为几何方差；
建立的查找表为体积浓度归一化(Vt＝1μm3cm-3)的查找表，因此通过一组确定的细模态气溶胶微物理特性参数(mr,mi,rmed,σ)即可获得对应波长λ下的气溶胶光学特性；利用NLUT组全局遍历的气溶胶微物理特性构建查找表G，G的大小用微物理特性的组数NLUT表示，每组包括输入的气溶胶微物理特性(mr,mi,rmed,σ)以及对应的三波长后向散射系数βλ以及消光系数αλ。
步骤(2)中，对光学特性ginput和查找表G进行归一化时，对于3β+2α结构(β:355,532,1064nm,α:355,532nm)，归一化后向散射系数和消光系数表示为：
Figure BDA0003439247450000042
Figure BDA0003439247450000043
其中，
Figure BDA0003439247450000044
和
Figure BDA0003439247450000045
是不同波长后向散射系数和消光系数的二阶范数；同时，气溶胶的消光系数与后向散射之比也与气溶胶数浓度无关，其表示为：
Figure BDA0003439247450000046
对于3β+2α结构，获得归一化光学特性为：
Figure BDA0003439247450000047
记其数量为 Nnorm＝11。
对于3β+1α结构(β:355,532,1064nm,α:532nm)，获得归一化光学特性为：
Figure BDA0003439247450000051
归一化光学特性数量Nnorm＝6；
对于2β+1α结构(β:355,532nm,α:532nm)，获得归一化光学特性为：
Figure BDA0003439247450000052
归一化光学特性数量Nnorm＝4。
分别对光学特性ginput以及查找表G进行以上过程以获得归一化的光学特性
Figure BDA0003439247450000053
以及查找表Gnorm，并将两者的归一化光学特性以相同的顺序排列。
步骤(3)中，偏差D通过马氏距离计算获得，计算公式为：
Figure BDA0003439247450000054
其中，
Figure BDA0003439247450000055
为查找表Gnorm中第k组元素，S为对应的协方差矩阵。
步骤(4)中，获得具有Nnorm个元素的搜索序列时，Nnorm个元素随机产生，可以重复。
按照搜索序列各元素顺序，依次计算
Figure BDA0003439247450000056
与查找表对应的气溶胶归一化光学特性个体的误差d，计算公式如下：
Figure BDA0003439247450000057
式中，#表示搜索次数，
Figure BDA0003439247450000058
为第#个归一化光学特性缩减后的查找表中第k组元素第i个归一化光学特性；第#个归一化光学特性缩减后的查找表G(#)的可行解数量为
Figure BDA0003439247450000059
步骤(6)中，计算获得其他微物理特性的公式如下：
Figure BDA0003439247450000061
Figure BDA0003439247450000062
Figure BDA0003439247450000063
Figure BDA0003439247450000064
Figure BDA0003439247450000065
式中，
Figure BDA0003439247450000066
为体积浓度，
Figure BDA0003439247450000067
为数浓度分布下的模式半径，
Figure BDA0003439247450000068
为数浓度，
Figure BDA0003439247450000069
为表面积浓度，
Figure BDA00034392474500000610
为有效半径。
相较于目前的气溶胶微物理特性反演算法，本发明提出的方法，能够实现细模态气溶胶复折射率的高效准确反演，为SSA的反演提供高精度的输入。同时，其能够优化更少激光雷达通道(如3β+1α，2β+1α结构) 下气溶胶微物理特性的反演结果，为多波长激光雷达反演气溶胶微物理特性硬件成本的降低及应用范围的扩大具有重要意义，为更全面地了解气溶胶特性及其在气候变化中的作用提供有力的支撑。
附图说明
图1为本发明的流程示意图；
图2为本发明实施例中基于无噪声数据的反演微物理特性结果；
图3为本发明实施例中基于高斯噪声数据的反演微物理特性结果
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
如图1所示，一种基于多元全排列随机森林的多波长激光雷达气溶胶微物理特性反演方法，包括以下步骤：
步骤S1：基于微物理特性复折射率实部mr，复折射率虚部mi，模式半径rmed，几何方差σ等微物理特性构建查找表G。
气溶胶的微物理特性和光学特性的联系可通过Fredholm积分方程表示：
Figure BDA0003439247450000071
其中，g为后向散射系数或消光系数等光学特性，λ为波长，常用波段为355、532和1064nm。Kg(r,λ,m；p)为体积核函数，其数值取决于气溶胶粒子的复折射率m＝mr+mi和粒径范围r，p为形状因子，本发明以球形粒子为例，可以通过Mie散射理论获得。rmax和rmin分别为粒径分布的上下限，v(r)为体积浓度粒径分布(PSD)。细模态气溶胶的粒径分布常用对数正态分布表示，公式如下：
Figure BDA0003439247450000072
其中，Vt为总的体积浓度，rmed为模式半径，σ为几何方差。本发明建立的为体积浓度归一化(Vt＝1μm3cm-3)的查找表，因此通过一组确定的细模态气溶胶微物理特性参数(mr,mi,rmed,σ)即可获得对应波长λ下的气溶胶光学特性。利用NLUT组全局遍历的气溶胶微物理特性构建查找表G。G的大小用微物理特性的组数NLUT表示，每组包括输入的气溶胶微物理特性 (mr,mi,rmed,σ,Vt)以及对应的三波长后向散射系数βλ以及消光系数αλ，其中λ＝355,532,1064nm。
本实施例中，查找表参数为：mr＝1.34:0.02:1.66，mi＝0:0.001:0.05， rmed＝100:10:300nm，lnσ＝0.38:0.02:0.5，因此NLUT＝127449。在米散射理论中，p＝1，粒径范围r＝0:0.001:50μm，即rmax＝50μm，rmin＝0。
步骤S2：输入多波长气溶胶光学特性ginput，对光学特性ginput和查找表 G进行归一化以获得归一化的光学特性
Figure BDA0003439247450000073
以及查找表Gnorm，其中归一化光学特性
Figure BDA0003439247450000074
的数量为Nnorm。
以3β+2α结构为例(β:355,532,1064nm,α:355,532nm)，归一化后向散射系数和消光系数表示为：
Figure BDA0003439247450000081
Figure BDA0003439247450000082
其中，
Figure BDA0003439247450000083
和
Figure BDA0003439247450000084
是不同波长后向散射系数和消光系数的二阶范数。同时，气溶胶的消光系数与后向散射之比也与气溶胶数浓度无关，其表示为：
Figure BDA0003439247450000085
对于3β+2α结构，归一化光学特性为：
Figure BDA0003439247450000086
记其数量为 Nnorm＝11。
对于3β+1α(β:355,532,1064nm,α:532nm)结构，选择查找表中对应的光学特性，即可获得归一化光学特性为
Figure BDA0003439247450000087
归一化光学特性数量Nnorm＝6。
对于2β+1α(β:355,532nm,α:532nm)结构，归一化光学特性为
Figure BDA0003439247450000088
归一化光学特性数量Nnorm＝4。
分别对光学特性ginput以及查找表G进行以上过程以获得归一化的光学特性
Figure BDA0003439247450000089
以及查找表Gnorm，并将两者的归一化光学特性以相同的顺序排列。
本实施例中，为验证本发明方法的普适性，采用多组微物理特性的仿真产生的光学特性作为输入，其仿真参数为：mr＝1.35,1.45,1.55,1.65， mi＝0.001,0.005,0.01,0.015,0.02,0.025,0.05，rmed＝100,140,180,240,300nm，lnσ＝0.4， V＝0.1，共产生192组多波长(λ＝355,532,1064nm)的光学特性。本实施例中共有两组测试数据，一组测试数据无噪声，另一组测试数据随机添加高斯噪声，噪声大小为20％，在本实施例中表示在高斯分布的三倍标准差位置处处达到20％。将两组观测数据分别以3β+2α，3β+1α(β:355,532,1064nm, α:532nm)结构和2β+1α(β:355,532nm,α:532nm)结构输入进行方法测试。
步骤S3：基于K-最近邻理论，计算归一化光学特性
Figure BDA0003439247450000091
和Gnorm各组归一化光学特性的偏差D，偏差D通过马氏距离计算获得，计算公式为：
Figure BDA0003439247450000092
其中，
Figure BDA0003439247450000093
为查找表Gnorm中第k组元素。S为对应的协方差矩阵。将获得偏差D进行从小到大排序，选择误差最小的
Figure BDA0003439247450000094
组元素作为初始查找表，ω0为缩减系数，记新的查找表为G(0)；本实施例中,ω0＝0.1。
步骤S4：对
Figure BDA0003439247450000095
进行全排列操作，获得具有Nnorm个元素的搜索序列， Nnorm个元素随机产生，可以重复。按照搜索序列各元素顺序，依次计算对应
Figure BDA0003439247450000096
与查找表对应的气溶胶归一化光学特性个体的误差d，计算公式为:
Figure BDA0003439247450000097
式中，#表示搜索次数，
Figure BDA0003439247450000098
为第#个归一化光学特性缩减后的查找表中第k组元素第i个归一化光学特性。基于K-最近邻理论，利用枝剪系数ω缩减查找表中可行解范围，ω∈(0,1)。因此第#个归一化光学特性缩减后的查找表G(#)的可行解数量为
Figure BDA0003439247450000099
将搜索序列最后一个元素搜索后获得的缩减查找表进行平均，获得微物理特性备选解(mr,mi,rmed,σ)ret及反演的光学特性gret。本实施例中，ω＝0.3。
步骤S5：基于随机森林理论，随机生成NRF个搜索序列，获得NRF个微物理特性备选解
Figure BDA00034392474500000910
以及对应的非归一化光学特性
Figure BDA00034392474500000911
θ＝1,2,...NRF。将备选解平均以获得最终反演的微物理特性结果
Figure BDA00034392474500000912
和非归一化光学特性
Figure BDA00034392474500000913
本实施例中，NRF＝500。
步骤S6：基于获得的
Figure BDA00034392474500000914
和
Figure BDA00034392474500000915
计算获得有效半径
Figure BDA00034392474500000916
数浓度
Figure BDA00034392474500000917
表面积浓度
Figure BDA00034392474500000918
体积浓度
Figure BDA00034392474500000919
等其他微物理特性。具体的计算过程如下：
Figure BDA0003439247450000101
Figure BDA0003439247450000102
Figure BDA0003439247450000103
Figure BDA0003439247450000104
Figure BDA0003439247450000105
其中，
Figure BDA0003439247450000106
为数浓度分布下的模式半径。因此最终可获得的微物理特性集合为
Figure BDA0003439247450000107
如图2所示，图中，(a)-(d)分别表示3β+2α,3β+1α,2β+1α三种光学特性结构输入下复折射率实部绝对误差、复折射率虚部的绝对误差、体积浓度反演相对误差、有效半径反演相对误差。随着输入光学特性数量的减少，复折射率实部、虚部、体积浓度以及有效半径的反演误差逐渐增大。在 3β+2α结构下，本发明获得的复折射率实部绝对误差的平均值为0.016 (<0.05)，虚部绝对误差平均值为0.0019，对应的相对误差为0.36(<0.5)，其误差相较于现有算法明显减小，表明本发明方法可以获得更精确的复折射率反演结果。同时，在三种输入光学特性结构下，体积浓度和有效半径的反演相对误差最大值分别为26％和18％，表明本发明方法可应用于更少的光学特性通道，为多波长激光雷达反演气溶胶微物理特性硬件成本的降低及应用范围的扩大具有重要意义。
如图3所示，图中，(a)-(d)分别表示3β+2α,3β+1α,2β+1α三种光学特性结构输入下复折射率实部绝对误差、复折射率虚部的绝对误差、体积浓度反演相对误差、有效半径反演相对误差。在引入20％的高斯噪声的情况下，在3β+2α结构下，本发明获得的复折射率实部的绝对误差仍能小于 0.05，体积浓度和有效半径的相对误差分别为16％和8％。应用于其他输入光学特性结构，本发明方法在几种微物理特性的反演上均表现出较好的抗噪声能力，特别是体积浓度和有效半径上，其最大相对误差分别小于 34％和29％，表明本发明方法具有更少激光雷达通道下反演气溶胶微物理特性的潜力并具有较好的抗噪声能力。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于多元全排列随机森林的多波长激光雷达气溶胶微物理特性反演方法，其特征在于，包括以下步骤：
(1)基于气溶胶微物理特性中的复折射率实部mr、复折射率虚部mi、模式半径rmed和几何方差σ构建查找表G；查找表G的大小为气溶胶微物理特性(mr,mi,rmed,σ)的组数NLUT，每组包含气溶胶微物理特性(mr,mi,rmed,σ)及对应的三波长后向散射系数βλ以及消光系数αλ；
(2)输入多波长气溶胶光学特性ginput，对光学特性ginput和查找表G进行归一化以获得归一化光学特性
Figure FDA0003439247440000011
和归一化查找表Gnorm；其中，归一化光学特性
Figure FDA0003439247440000012
的数量为Nnorm；
(3)基于K-最近邻理论，计算归一化查找表Gnorm中各组归一化光学特性和输入的归一化光学特性
Figure FDA0003439247440000013
的偏差D；将获得的偏差D进行从小到大排序，选择误差最小的
Figure FDA0003439247440000014
组元素作为初始查找表，ω0为缩减系数，记新的查找表为G(0)；
(4)对
Figure FDA0003439247440000015
进行全排列操作，获得具有Nnorm个元素的搜索序列；按照搜索序列各元素顺序，依次计算
Figure FDA0003439247440000016
与查找表对应的气溶胶归一化光学特性个体的误差d；
基于K-最近邻理论，利用枝剪系数ω缩减查找表中可行解范围，ω∈(0,1)；在搜索序列中，对最后一个元素搜索后获得的查找表可行解进行平均，获得微物理特性备选解(mr,mi,rmed,σ)ret及反演的光学特性gret；
(5)基于随机森林理论，随机生成NRF个搜索序列，获得NRF个微物理特性备选解
Figure FDA0003439247440000017
和对应的非归一化光学特性
Figure FDA0003439247440000018
将备选解平均以获得最终反演的微物理特性结果
Figure FDA0003439247440000019
和非归一化光学特性
Figure FDA00034392474400000110
(6)基于获得的
Figure FDA0003439247440000021
和
Figure FDA0003439247440000022
计算获得其他微物理特性，包括有效半径
Figure FDA0003439247440000023
数浓度
Figure FDA0003439247440000024
表面积浓度
Figure FDA0003439247440000025
体积浓度
Figure FDA0003439247440000026
以及数浓度分布下的模式半径
Figure FDA0003439247440000027
最终获得的微物理特性集合为
Figure FDA0003439247440000028
2.根据权利要求1所述的基于多元全排列随机森林的多波长激光雷达气溶胶微物理特性反演方法，其特征在于，步骤(1)中，三波长后向散射系数βλ以及消光系数αλ中，λ为波长，对应波长为355nm、532nm和1064nm。
3.根据权利要求2所述的基于多元全排列随机森林的多波长激光雷达气溶胶微物理特性反演方法，其特征在于，步骤(1)中，构建查找表G的具体过程为：
气溶胶的微物理特性和光学特性的联系通过Fredholm积分方程表示：
Figure FDA0003439247440000029
其中，g为后向散射系数或消光系数等光学特性，λ为波长，Kg(r,λ,m；p)为体积核函数，其数值取决于气溶胶粒子的复折射率m＝mr+mi和粒径范围r，p为形状因子，针对球形颗粒，通过Mie散射理论获得Kg(r,λ,m；p)；rmax和rmin分别为粒径分布的上下限；v(r)为体积浓度粒径分布，对细模态气溶胶用对数正态分布表示，公式如下：
Figure FDA00034392474400000210
其中，Vt为总的体积浓度，rmed为模式半径，σ为几何方差；
建立的查找表为体积浓度归一化(Vt＝1μm3cm-3)的查找表，因此通过一组确定的细模态气溶胶微物理特性参数(mr,mi,rmed,σ)即可获得对应波长λ下的气溶胶光学特性；利用NLUT组全局遍历的气溶胶微物理特性构建查找表G，G的大小用微物理特性的组数NLUT表示，每组包括输入的气溶胶微物理特性(mr,mi,rmed,σ)以及对应的三波长后向散射系数βλ以及消光系数αλ。
4.根据权利要求1所述的基于多元全排列随机森林的多波长激光雷达气溶胶微物理特性反演方法，其特征在于，步骤(2)中，对光学特性ginput和查找表G进行归一化时，对于3β+2α结构，归一化后向散射系数和消光系数表示为：
Figure FDA0003439247440000031
Figure FDA0003439247440000032
其中，
Figure FDA0003439247440000033
和
Figure FDA0003439247440000034
是不同波长后向散射系数和消光系数的二阶范数；同时，气溶胶的消光系数与后向散射之比也与气溶胶数浓度无关，其表示为：
Figure FDA0003439247440000035
对于3β+2α结构，获得归一化光学特性为：
Figure FDA0003439247440000036
记其数量为Nnorm＝11；
对于3β+1α结构，获得归一化光学特性为：
Figure FDA0003439247440000037
归一化光学特性数量Nnorm＝6；
对于2β+1α结构，获得归一化光学特性为
Figure FDA0003439247440000038
归一化光学特性数量Nnorm＝4；
分别对光学特性ginput以及查找表G进行以上过程以获得归一化的光学特性
Figure FDA0003439247440000039
以及查找表Gnorm，并将两者的归一化光学特性以相同的顺序排列。
5.根据权利要求1所述的基于多元全排列随机森林的多波长激光雷达气溶胶微物理特性反演方法，其特征在于，步骤(3)中，偏差D通过马氏距离计算获得，计算公式为：
Figure FDA0003439247440000041
其中，
Figure FDA0003439247440000042
为查找表Gnorm中第k组元素，S为对应的协方差矩阵。
6.根据权利要求1所述的基于多元全排列随机森林的多波长激光雷达气溶胶微物理特性反演方法，其特征在于，步骤(4)中，获得具有Nnorm个元素的搜索序列时，Nnorm个元素随机产生，可以重复。
7.根据权利要求1所述的基于多元全排列随机森林的多波长激光雷达气溶胶微物理特性反演方法，其特征在于，步骤(4)中，按照搜索序列各元素顺序，依次计算
Figure FDA0003439247440000043
与查找表对应的气溶胶归一化光学特性个体的误差d，计算公式如下：
Figure FDA0003439247440000044
式中，#表示搜索次数，
Figure FDA0003439247440000045
为第#个归一化光学特性缩减后的查找表中第k组元素第i个归一化光学特性；第#个归一化光学特性缩减后的查找表G(#)的可行解数量为
Figure FDA0003439247440000046
8.根据权利要求1所述的基于多元全排列随机森林的多波长激光雷达气溶胶微物理特性反演方法，其特征在于，步骤(6)中，计算获得其他微物理特性的公式如下：
Figure FDA0003439247440000047
Figure FDA0003439247440000048
Figure FDA0003439247440000049
Figure FDA00034392474400000410
Figure FDA00034392474400000411
式中，
Figure FDA00034392474400000412
为体积浓度，
Figure FDA00034392474400000413
为数浓度分布下的模式半径，
Figure FDA00034392474400000414
为数浓度，
Figure FDA00034392474400000415
为表面积浓度。
CN202111623849.0A 2021-12-28 2021-12-28 一种基于多元全排列随机森林的多波长激光雷达气溶胶微物理特性反演方法 Pending CN114488198A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111623849.0A CN114488198A (zh) 2021-12-28 2021-12-28 一种基于多元全排列随机森林的多波长激光雷达气溶胶微物理特性反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111623849.0A CN114488198A (zh) 2021-12-28 2021-12-28 一种基于多元全排列随机森林的多波长激光雷达气溶胶微物理特性反演方法

Publications (1)

Publication Number Publication Date
CN114488198A true CN114488198A (zh) 2022-05-13

Family

ID=81496556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111623849.0A Pending CN114488198A (zh) 2021-12-28 2021-12-28 一种基于多元全排列随机森林的多波长激光雷达气溶胶微物理特性反演方法

Country Status (1)

Country Link
CN (1) CN114488198A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118584504A (zh) * 2024-05-27 2024-09-03 武汉大学 一种多波长激光雷达气溶胶微物理特性反演方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008003037B3 (de) * 2008-01-02 2009-09-24 Leibniz-Institut für Troposphärenforschung e. V. Verfahren, Vorrichtung, computerlesbares Speichermedium und Computerprogramm-Element zum Ermitteln von physikalischen Eigenschaften atmosphärischer Partikel
CN109086801A (zh) * 2018-07-06 2018-12-25 湖北工业大学 一种基于改进lbp特征提取的图像分类方法
CN109884664A (zh) * 2019-01-14 2019-06-14 武汉大学 一种城市地上生物量光学微波协同反演方法及系统
CN110161532A (zh) * 2019-05-30 2019-08-23 浙江大学 一种基于多波长激光雷达反演气溶胶微物理特性的方法
CN110488252A (zh) * 2019-08-08 2019-11-22 浙江大学 一种地基气溶胶激光雷达系统的重叠因子定标装置和标定方法
CA3146697A1 (en) * 2019-08-06 2021-02-11 Amgen Inc. Systems and methods for determining protein concentrations of unknown protein samples based on automated multi-wavelength calibration

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008003037B3 (de) * 2008-01-02 2009-09-24 Leibniz-Institut für Troposphärenforschung e. V. Verfahren, Vorrichtung, computerlesbares Speichermedium und Computerprogramm-Element zum Ermitteln von physikalischen Eigenschaften atmosphärischer Partikel
CN109086801A (zh) * 2018-07-06 2018-12-25 湖北工业大学 一种基于改进lbp特征提取的图像分类方法
CN109884664A (zh) * 2019-01-14 2019-06-14 武汉大学 一种城市地上生物量光学微波协同反演方法及系统
CN110161532A (zh) * 2019-05-30 2019-08-23 浙江大学 一种基于多波长激光雷达反演气溶胶微物理特性的方法
CA3146697A1 (en) * 2019-08-06 2021-02-11 Amgen Inc. Systems and methods for determining protein concentrations of unknown protein samples based on automated multi-wavelength calibration
CN110488252A (zh) * 2019-08-08 2019-11-22 浙江大学 一种地基气溶胶激光雷达系统的重叠因子定标装置和标定方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李晓涛: "大气气溶胶粒径分布的多波长激光雷达反演", 《光学学报》, vol. 44, no. 06, 8 April 2024 (2024-04-08), pages 165 - 172 *
赵双;陈曙晖;: "基于机器学习的流量识别技术综述与展望", 计算机工程与科学, no. 10, 15 October 2018 (2018-10-15), pages 34 - 44 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118584504A (zh) * 2024-05-27 2024-09-03 武汉大学 一种多波长激光雷达气溶胶微物理特性反演方法及系统

Similar Documents

Publication Publication Date Title
CN110161532B (zh) 一种基于多波长激光雷达反演气溶胶微物理特性的方法
Hobbs et al. Simulation-based uncertainty quantification for estimating atmospheric co _2 from satellite data
CN105784556B (zh) 一种基于自组织模糊神经网络的空气细颗粒物pm2.5软测量方法
CN120123697B (zh) 一种多模态强化学习驱动的pm2.5化学组分垂直廓线反演系统及方法
CN106920007A (zh) 基于二阶自组织模糊神经网络的pm2.5智能预测方法
CN116881798A (zh) 用于气象等复杂系统的基于变量选择和反向时滞特征选择的条件格兰杰因果分析方法
CN119442019A (zh) 基于物理信息神经网络的内声场有界不确定性分析方法
Chowdhury et al. Probabilistic stability assessment of slopes using high dimensional model representation
Doodson Relation of the mode, median and mean in frequency curves
Kaiser et al. Fast weighting functions for retrievals from limb scattering measurements
He et al. Application of the LSQR algorithm in non-parametric estimation of aerosol size distribution
CN116067338B (zh) 基于激光点云数据的地表沉降监测方法及系统
Jourdan et al. Statistical analysis of cloud light scattering and microphysical properties obtained from airborne measurements
Fussen et al. Evolution of stratospheric aerosols in the post-Pinatubo period measured by solar occultation
CN119148107A (zh) 针对高气溶胶浓度场景下的温湿度拉曼激光雷达的标定方法
Zawada et al. Two-dimensional analytic weighting functions for limb scattering
AdilabdAlkareem et al. Comparison different estimation methods for the parameters of non-linear regression
CN118584504B (zh) 一种多波长激光雷达气溶胶微物理特性反演方法及系统
Nakabayashi et al. An extension of the ensemble kalman filter for estimating the observation error covariance matrix based on the variational Bayes’s method
Chang et al. Predicting aerosol extinction coefficient with LiDAR data based on deep belief network
Kayser et al. Modelling the uncertainties of wind farm noise predictions
Li et al. Retrieval of aerosol microphysical parameters based on a few optical parameters from lidar
Thornton The use of an agglomerative numerical technique in physical evidence comparisons
CN119026026A (zh) 一种基于最优估计的气溶胶粒子类型识别方法
Zhangirov et al. Forward Propagation Neural Network Weighting Analysis as a Model Estimation Method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
AD01 Patent right deemed abandoned
AD01 Patent right deemed abandoned

Effective date of abandoning: 20251028