基于太阳光度计数据和多波长激光雷达数据的反演方法与流程

本发明涉及大气探测技术领域，特别涉及一种基于太阳光度计数据和多波长激光雷达数据的反演方法。

背景技术：

气溶胶在地球－大气辐射收支过程中扮演着重要的角色，已成为影响全球气候变化的最敏感的因子之一。作为主要观测设备的太阳光度计，它不仅能自动跟踪太阳作直射辐射测量，而且可以进行太阳等高度角天空扫描、主平面扫描和极化通道天空扫描。由于其可以获得实时、长期的观测数据，在大气环境监测和气溶胶气候效应的研究，卫星遥感产品真实性检验以及沙尘暴监测中发挥着重要作用。但是，太阳光度计只能获得整层大气柱数据，无法获得气溶胶参数的垂直分布廓线。无独有偶，凭借高时空分辨率、能同时探测气溶胶光学和微物理特性的优势，多波长激光雷达越来越得到人们的重视。可是，多波长激光雷达由于受发射波长数量的限制，直接利用消光系数反演相关参数会存在较大的不确定性。如此看来，如果能够结合上述两种探测技术的优势，融合同步测量的太阳光度计与多波长激光雷达测量数据，对气溶胶光学、微物理参数垂直分布数据进行精细反演，对于人们研究气溶胶及气候效应具有重要的研究价值和科学意义。

技术实现要素：

本发明的目的在于提供一种基于太阳光度计数据和多波长激光雷达数据的反演方法，可以提高反演精度。

为了实现上述发明目的，本发明实施例提供了以下技术方案：

一种基于太阳光度计数据和多波长激光雷达数据的反演方法，包括以下步骤：

太阳光度计数据获取步骤：通过太阳光度计获取太阳直接辐射数据和天空散射光数据；

太阳光度计数据反演步骤：根据所述太阳直接辐射数据和天空散射光数据，反演得到气溶胶粒子后向散射系数估计值、消光系数估计值，进而模拟激光雷达信号方程；

多波长激光雷达数据获取步骤：通过多波长激光雷达获取与太阳光度计同步测量的激光雷达回波信号；

多波长激光雷达数据反演步骤：根据所述激光雷达回波信号构造激光雷达信号方程；

数据融合步骤：根据太阳光度计数据反演步骤中得到的数据和多波长激光雷达数据反演步骤中得到的数据，构造多目标优化方程，求解所述多目标优化方程得到气溶胶粒子光学、微物理特性参数垂直分布廓线。

与现有技术相比，本发明的有益效果：本发明融合两种设备优缺点对大气气溶胶光学参数进行反演的方法易于实现，反演精度高，可以有效的用于区域气溶胶监测。应用本发明方法具有误差小，鉴别力高、普适性强的优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例中所述方法的原理流程图。

图2为本发明实施例中所述方法的细化流程图。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本实施例中提供了一种基于太阳光度计数据和多波长激光雷达数据的反演方法，该方法包括以下步骤：

太阳光度计数据获取步骤：通过太阳光度计获取太阳直接辐射数据和天空散射光数据；

太阳光度计数据反演步骤：根据所述太阳直接辐射数据和天空散射光数据，反演得到气溶胶粒子后向散射系数估计值、消光系数估计值，进而模拟激光雷达信号方程；

多波长激光雷达数据获取步骤：通过多波长激光雷达获取与太阳光度计同步测量的激光雷达回波信号；

多波长激光雷达数据反演步骤：根据所述激光雷达回波信号构造激光雷达信号方程；

数据融合步骤：根据太阳光度计数据反演步骤中得到的数据和多波长激光雷达数据反演步骤中得到的数据，构造多目标优化方程，求解所述多目标优化方程得到气溶胶粒子光学、微物理特性参数垂直分布廓线。

如图2所示，具体地，在上述方法的太阳光度计数据反演步骤中，采用如下实施方式：

将所述太阳直接辐射数据和天空散射光数据作为输入数据，应用skyrad.pack反演算法计算得到大气柱积分参数；所述大气柱积分参数包括粗细模态下的粒子体积浓度vf,c、不同波长的粗细模态下的粒子的消光系数af,c(λ)、不同波长的粗细模态下的粒子的后向散色系数bf,c(λ)、光学厚度τ、相函数、复折射率n、一次散射反照比ω、体积浓度v以及粒子谱分布；skyrad.pack反演算法为现有技术，且代码公开，故此处未对skyrad.pack反演算法过程进行细致描述。

根据所述大气柱积分参数计算得到大气柱积分的单位体积后向散射系数bm,s(λ)、消光系数am,s(λ)和激光雷达比sm,s(λ)；

式中，m代表粗模式或细模式气溶胶粒子，m＝1为细粒子，m＝2为粗粒子，s代表粒子形状，s＝1代表球形粒子，s＝2代表椭球形粒子，ext代表消光系数，f()为散射强度，θ为散射角，e0为地球大气顶层的太阳在平均日地距离处的直射辐照度是个常数。bm,s(λ)、am,s(λ)、sm,s(λ)，m可取值1或者2(即f或者c)，s可取值1或者2(即球形和椭球形)。利用上述bm,s(λ)、am,s(λ)、sm,s(λ)分别计算得到气溶胶粒子后向散射系数βaer,e、消光系数αaer,e的估计值，此处，下标e代表此系数为估计值。

βaer,e(λ,z)＝cf,1(z)bf,1(λ)+cf,2(z)bf,2(λ)+cc,1(z)bc,1(λ)+cc,2(z)bc,2(λ)

αaer,e(λ,z)＝cf,1(z)af,1(λ)+cf,2(z)af,2(λ)+cc,1(z)ac,1(λ)+cc,2(z)ac,2(λ)

式中，λ代表波长，b为后向散色系数，c(z)表征不同高度处的粒子体积浓度，z表示高度，角标的f表示fine细粒子，c是corse是粗粒子，角标的1、2分别代表球形粒子、椭球形粒子，角标的aer是aerosol代表气溶胶，e代表估计值。以公式中参数举例，bf,1(λ)则代表球形细粒子随波长变化的后向散色系数，βaer,e(λ,z)则代表整层大气气溶胶随波长和高度变化的后向散色系数估计值。af,c(λ)、bf,c(λ)分别代表不同波长的粗(c)、细(f)模态下的粒子的消光系数和后向散色系数。

利用βaer,e和αaer,e模拟激光雷达信号方程l(λj,zn)，

式中，mol是分子，βmol(λ,z)为随波长和高度变化的分子后向散射系数。

通过融合球形、椭球形粒子(大气中的非球球粒子统一用椭球形粒子模型近似模拟)散射模型的太阳光度计数据(即前述散射光数据)，还可以反演包含入射激光偏振态的大气柱平均后向散射系数：

式中，∥、⊥分别代表与出射激光平行和垂直的偏振光，对于球形粒子，可以忽略偏振态，对于非球形粒子，可以得到：

进而得到退偏振比的估计值：

具体地，在上述方法的多波长激光雷达数据反演步骤中，可以采用如下实施方式：

根据多波长激光雷达测量的三个波长处的回波信号p(λj,zi)，计算距离平方校正信号pcor(λj,zi)，进而构造激光雷达信号方程l^*(λj,zn)；

激光雷达的回波信号经光电信号转换在示波器上获得数据，再经mathcad工具分析得到β⊥(λ,z)、β//(λ,z)，根据所述回波信号中的偏振信号，计算得到退偏振比δ(λ,z)为不同波长和高度处的退偏振比，β⊥(λ,z)，β//(λ,z)分别代表出射激光垂直和平行偏振方向的随波长和高度变化的后向散色系数。

具体地，在上述方法的数据融合步骤中，可以采用如下实施方式：

将l^*(λj,zn)与l(λj,zn)进行比较，构造优化方程

cm,s(z)表征不同高度处的粒子体积浓度，l^*(λj,zn)与p(λj,zi)有关，而p(λj,zi)又与βaer(λ,z)和αaer(λ,z)有关，βaer(λ,z)和αaer(λ,z)与cm,s(z)有关，因此可以获得cm,s(z)的数据结构，将cm,s(z)进行积分，得到整层大气柱体积浓度vm,s，将vm,s与所述体积浓度值v进行比较，构造优化方程vm,s＝v+δv；m代表粗模式或细模式气溶胶粒子，m＝1为细粒子，m＝2为粗粒子，s代表粒子形状，s＝1代表球形粒子，s＝2代表椭球形粒子；

将δ(λ,z)与δaer,e(λ,z)进行比较，构造优化方程δ(λ,z)＝δaer,e(λ,z)+δδ；

在计算过程中，需要同时满足以上三个优化方程。因此，问题转化为多目标优化问题。

粒子群优化算法是一种解决多目标优化问题非常好的算法，是从生物种群行为特征中得到启发并用于求解优化问题。因此在本发明方法中，基于粒子群优化算法，对上述多目标优化问题进行求解。

经过反复迭代计算，最终获取粗/细模态下、球形/非球形粒子的体积浓度廓线cm,s(z)、后向散射系数bm,s(λ,z)、消光系数am,s(λ,z)和激光雷达比sm,s(λ,z)等气溶胶光学、微物理特性参数的垂直分布廓线。

需要注意的是，同其它群体智能优化算法一样，粒子群优化算法容易产生早熟早收敛、全局收敛性能差的问题，导致整个融合算法陷入局部极值而无法获得稳定最优解，甚至导致整个融合算法失败。在基本粒子群算法中，粒子活性缺失，使得粒子很难跳出局部极值区域，是导致算法陷入早熟早收敛的根本原因。要让粒子速度有较大概率发散，必须降低粒子收敛速度、保持粒子活性、保持算法的多样性。通常，标准的粒子群算法是线性时变离散系统，为了让其更接近于线性定常离散系统，本实施例中提出一种线性递减惯性权重策略，即

w(t)＝(wini-wend)(tmax-t)/tmax+wend(6)

式中，w为惯性权重，t是迭代次数，tmax是最大迭代次数，wini是初始惯性权重，wend是收敛时的最终惯性权重。

而且，为了提高粒子群全局搜索能力，将改进速度更新公式改写为：

式中，k为当前迭代次数；vid为粒子的速度；c是非负常数，称为加速因子；λ1，λ2，λ3，r是区间(0,1)之间的数，是重心位置。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。