本发明涉及检测技术领域，具体而言，涉及一种大气特征层检测方法及装置。
背景技术：
大气中的云层和气溶胶层是非常重要的大气特征层。目前，基于大气激光雷达对大气特征层进行检测的方法主要分为阈值法和连续小波分析法。阈值法的原理为利用实测信号与背景大气分子信号之间的差异来识别大气特征层，阈值法最初仅使用静态阈值检测云层，包括微分交叉法和斜率法，它们均需小心地调整阈值以避免噪声和气溶胶层的干扰；后来逐渐发展为使用随高度变化的阈值同时检测云层和气溶胶层。连续小波分析法基于墨西哥帽小波的波形与激光雷达信号廓线形状的高度相关性检测信号中的不连续点(大气特征层边界)得到大气特征层。进一步地，基于大气激光雷达对大气特征层的分类方法则主要为神经网络法，概率法和经验阈值法等。神经网络法的原理为依靠动物神经网络，通过调整内部大量节点之间相互连接的关系，从而达到处理信号的目的；概率法的原理则基于可以提供数据和特征层关联的统计公式；经验阈值法则利用可构成n维(n＝1,2,3)空间的参数选取经验性的阈值。
这些方法虽已取得非常可观的进展，但斜率法仅能实现云层的检测，若要进一步实现云的分类，需结合其他多种仪器；而阈值法和经验阈值的结合虽可同时实现特征的检检测和分类，但其对激光雷达的硬件指标要求高，这些算法均不适用于一般的米散射激光雷达。对于米散射激光雷达，已有算法利用阈值法或连续小波分析法仅基于信号廓线或散射比检测大气特征层。信号廓线中，大气特征层边缘的弱信号并不能完全地被检测到，同时仅利用散射比不能检测到较为完整的大气特征层。在已有的特征分类方法中，通过神经网络法和概率法进行大气特征层检测的方案实现较为复杂。
技术实现要素：
有鉴于此，本发明实施例的目的在于提供一种大气特征层检测方法及装置，用以充分挖掘出具有退偏功能的米散射激光雷达数据的潜在价值，实现更为完整且准确的大气特征层的自动检测。
本发明较佳实施例提供了一种大气特征层检测方法，包括：
获得米散射偏振激光雷达信号和气象数据；
根据所述米散射偏振激光雷达信号和气象数据计算得到散射比和线性退偏比；
基于所述散射比和线性退偏比采用阈值法对大气特征层进行检测；
基于大气热力状况数据和大气特征层的光学特性，采用经验阈值法将检测到的大气特征层分类；
再次执行根据所述米散射偏振激光雷达信号和气象数据计算得到散射比和线性退偏比至采用经验阈值法将检测到的大气特征层分类的步骤，得到再次检测到的大气特征层和大气特征层的再次分类结果；
判断再次检测到的大气特征层和大气特征层的再次分类与上一次检测到的大气特征层和大气特征层的分类之间的差异是否小于设定阈值；
若大于所述设定阈值，则又一次执行根据所述米散射偏振激光雷达信号和气象数据计算得到散射比和线性退偏比至采用经验阈值法将检测到的大气特征层分类的步骤，直至最新检测到的大气特征层和大气特征层的最新分类与上一次检测到的大气特征层和大气特征层的分类之间的差异小于所述设定阈值，则采用连续小波分析法修订所述大气特征层的最新分类。
可选地，所述米散射偏振激光雷达信号表示为：
其中，r为探测距离，c为系统常数，e为脉冲能量，o(r)为几何因子，βm(r)为大气分子的后向散射系数，βp(r)为大气颗粒物的后向散射系数，
所述米散射偏振激光雷达信号采用以下公式计算得到：
p(r)＝p⊥(r)+p||(r)
其中，p⊥(r)为垂直通道，p||(r)为平行通道。
可选地，实测的散射比通过以下公式计算得到：
其中，n(r)为分子数浓度廓线，dσra/dωπ是瑞利散射后向散射横截面的微分；
相应的大气分子的散射比通过以下公式计算得到：
相应的大气分子的散射比不确定性通过以下公式计算得到：
其中，a(r)包含了散射比中的其他所有量；上标“m”指不同变量对应大气分子的量。
可选地，实测的线性退偏比通过以下公式计算得到：
其中，p⊥_o(r)为经过几何因子订正后的垂直通道的信号，p||_o(r)为经过几何因子订正后的平行通道的信号；
相应的大气分子的线性退偏比通过以下公式计算得到：
相应的大气分子的线性退偏比不确定性通过以下公式计算得到：
可选地，基于所述散射比和线性退偏比采用阈值法对大气特征层进行检测的步骤包括：
采用公式τ(r)＝rm(r)+c*σrm(r)计算得到随高度变化的阈值，其中，rm(r)为大气分子比率，σrm(r)为大气分子比率对应的不确定性，c为常数；
在实测的比率中，将大于所述阈值并满足预设条件的部分判定为大气特征层。
可选地，所述米散射偏振激光雷达信号来自于经过背景噪声订正后的激光雷达所观测的原始数据；
所述气象数据来自于全球大气再分析资料中的温度和湿度数据。
可选地，所述大气热力状况数据来自全球大气再分析资料的温度、湿度数据，可提供不同云相在高度上的依据；
所述大气特征层的光学特性包括线性退偏比和后向散射系数；
所述大气特征层的后向散射系数通过fernald法反演得到；
所述经验阈值通过在不同大气热力状况下的线性退偏比-后向散射系数的二维概率分布图得到。
本发明另一较佳实施例提供了一种大气特征层检测装置，包括：
信息获得模块，用于获得米散射偏振激光雷达信号和气象数据；
数据处理模块，用于根据所述米散射偏振激光雷达信号和气象数据计算得到散射比和线性退偏比；
检测模块，用于基于所述散射比和线性退偏比采用阈值法对大气特征层进行检测；
分类模块，用于基于大气热力状况数据和大气特征层的光学特性，采用经验阈值法将检测到的大气特征层分类；
迭代模块，用于再次执行根据所述米散射偏振激光雷达信号和气象数据计算得到散射比和线性退偏比至采用经验阈值法将检测到的大气特征层分类的步骤，得到再次检测到的大气特征层和大气特征层的再次分类结果；
判断模块，用于判断再次检测到的大气特征层和大气特征层的再次分类与上一次检测到的大气特征层和大气特征层的分类之间的差异是否小于设定阈值；
若大于所述设定阈值，则又一次执行根据所述米散射偏振激光雷达信号和气象数据计算得到散射比和线性退偏比至采用经验阈值法将检测到的大气特征层分类的步骤，直至最新检测到的大气特征层和大气特征层的最新分类与上一次检测到的大气特征层和大气特征层的分类之间的差异小于所述设定阈值，则采用连续小波分析法修订所述大气特征层的最新分类。
可选地，所述信息获得模块获得的所述米散射偏振激光雷达信号来自于经过背景噪声订正后的激光雷达所观测的原始数据；
所述信息获得模块获得的所述气象数据来自于全球大气再分析资料中的温度和湿度数据。
可选地，所述分类模块包括数据获得单元和数据处理单元；
所述数据获得单元用于获得大气热力状况数据和大气特征层的光学特性，其中，所述大气热力状况数据来自全球大气再分析资料的温度、湿度数据，可提供不同云相在高度上的依据；所述大气特征层的光学特性包括线性退偏比和后向散射系数；
所述数据处理单元用于通过fernald法反演得到所述大气特征层的后向散射系数，通过在不同大气热力状况下的线性退偏比-后向散射系数的二维概率分布图得到所述经验阈值。
本发明实施例提供的大气特征层检测方法及装置，巧妙地利用散射比和线性退偏比，基于阈值法检测大气特征层，散射比和线性退偏比不仅能够将信号廓线上大气特征层边缘的弱信号凸显出来，而且两者的结合可准确地检测到更为完整的大气特征层，实施方便，检测准确。
进一步地，本发明实施例提供的大气特征层检测方法及装置，结合相对简单的经验阈值法和连续小波分析法对大气特征层实现合理的分类，连续小波分析法可有效地弥补米散射激光雷达在不能计算激光雷达比的情况下利用经验阈值法对特征层进行分类的不足，实现大气特征层的检测和分类以及消光特性的反演，充分地挖掘出数据的潜在价值。
进一步地，本发明实施例提供的大气特征层检测方法及装置，亦适用于其他具有退偏功能的米散射激光雷达，适用范围较广。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
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为本发明较佳实施例提供的一种电子设备10的方框示意图。
图2为本发明较佳实施例提供的一种大气特征层检测方法的流程图。
图3为一实施方式中图2所示步骤s23包括的子步骤的示意图。
图4为本发明较佳实施例提供的一种大气特征层检测装置20的模块框图。
图5为一实施方式中图4所示分类模块的模块框图。
图标：10-电子设备；11-存储器；12-处理器；13-网络模块；20-大气特征层检测装置；21-信息获得模块；22-数据处理模块；23-检测模块；24-分类模块；241-数据获得单元；242-数据处理单元；25-迭代模块；26-判断模块。
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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
如图1所示，是本发明较佳实施例提供的电子设备10的方框示意图。本发明实施例中的电子设备10可以为具有数据处理功能的设备。如图1所示，电子设备10包括：存储器11、处理器12、网络模块13及大气特征层检测装置20。
所述存储器11、处理器12以及网络模块13相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器11中存储有大气特征层检测装置20，所述大气特征层检测装置20包括至少一个可以软件或固件(firmware)的形式存储于所述存储器11中的软件功能模块，所述处理器12通过运行存储在存储器11内的软件程序以及模块，如本发明实施例中的大气特征层检测装置20，从而执行各种功能应用以及数据处理，即实现本发明实施例中的大气特征层检测方法。
其中，所述存储器11可以是，但不限于，随机存取存储器(randomaccessmemory，ram)，只读存储器(readonlymemory，rom)，可编程只读存储器(programmableread-onlymemory，prom)，可擦除只读存储器(erasableprogrammableread-onlymemory，eprom)，电可擦除只读存储器(electricerasableprogrammableread-onlymemory，eeprom)等。其中，存储器11用于存储程序，所述处理器12在接收到执行指令后，执行所述程序。
所述处理器12可能是一种集成电路芯片，具有数据的处理能力。上述的处理器12可以是通用处理器，包括中央处理器(centralprocessingunit，cpu)、网络处理器(networkprocessor，np)等。可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
网络模块13用于通过网络建立电子设备10与外部通信终端之间的通信连接，实现网络信号及数据的收发操作。上述网络信号可包括无线信号或者有线信号。
可以理解，图1所示的结构仅为示意，电子设备10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
本发明实施例还提供一种可读存储介质，所述可读存储介质包括计算机程序。所述计算机程序运行时控制所述可读存储介质所在电子设备10执行下面的大气特征层检测方法。
请参阅图2，是本发明较佳实施例提供的一种大气特征层检测方法的流程图。所述方法有关的流程所定义的方法步骤应用于电子设备10，可以由所述处理器12实现。下面将对图2所示的具体流程进行详细阐述。
步骤s21，获得米散射偏振激光雷达信号和气象数据。
可选地，所述米散射偏振激光雷达信号表示为：
该米散射偏振激光雷达信号经过了背景噪声的订正。
其中，r为探测距离，c为系统常数，e为脉冲能量，o(r)为几何因子，βm(r)为大气分子的后向散射系数，βp(r)为大气颗粒物的后向散射系数，
所述米散射偏振激光雷达信号采用以下公式计算得到：
p(r)＝p⊥(r)+p||(r)
其中，p⊥(r)为垂直通道，p||(r)为平行通道。
所述气象数据来自全球大气再分析资料的温度、湿度数据。
步骤s22，根据所述米散射偏振激光雷达信号和气象数据计算得到散射比和线性退偏比。
其中，实测的散射比通过以下公式计算得到：
其中，n(r)为分子数浓度廓线，dσra/dωπ是瑞利散射后向散射横截面的微分；
相应的大气分子的散射比通过以下公式计算得到：
相应的大气分子的散射比不确定性通过以下公式计算得到：
其中，a(r)包含了散射比中的其他所有量；上标“m”指不同变量对应大气分子的量。
实测的线性退偏比通过以下公式计算得到：
其中，p⊥_o(r)为经过几何因子订正后的垂直通道的信号，p||_o(r)为经过几何因子订正后的平行通道的信号；
相应的大气分子的线性退偏比通过以下公式计算得到：
相应的大气分子的线性退偏比不确定性通过以下公式计算得到：
步骤s23，基于散射比和线性退偏比采用阈值法对大气特征层进行检测。
请结合参阅图3，可选地，步骤s23包括步骤s231和步骤s232两个子步骤。
步骤s231，采用公式
步骤s232，在实测的比率中，将大于所述阈值并满足预设条件的部分判定为大气特征层。
在观测的比率廓线中，大于该阈值的部分被认为可能含有大气特征层，在此基础上，为了避免将噪声误检测为大气特征层，因而还需判定是否满足预设条件。本实施例中，利用空间过滤器去除误判，若期望的分子信号分布和实测的信号分布之间的重叠概率大于特定的阈值时，可认为此特征为误判并且将其变为晴空。
步骤s24，基于大气热力状况数据和大气特征层的光学特性，采用经验阈值法将检测到的大气特征层分类。
所述大气热力状况来自全球大气再分析资料的温度、湿度数据，它可提供不同云相在高度上的依据。
所述大气特征层的光学特性包括线性退偏比和后向散射系数。
所述大气特征层的后向散射系数可利用fernald法反演获得。
所述经验阈值通过线性退偏比-后向散射系数在不同温度下的二维概率分布图得到。
步骤s25，再次执行根据所述米散射偏振激光雷达信号和气象数据计算得到散射比和线性退偏比至采用经验阈值法将检测到的大气特征层分类的步骤，得到再次检测到的大气特征层和大气特征层的再次分类结果。
步骤s26，判断再次检测到的大气特征层和大气特征层的再次分类与上一次检测到的大气特征层和大气特征层的分类之间的差异是否小于设定阈值。
步骤s27，若大于所述设定阈值，则又一次执行根据所述米散射偏振激光雷达信号和气象数据计算得到散射比和线性退偏比至采用经验阈值法将检测到的大气特征层分类的步骤，直至最新检测到的大气特征层和大气特征层的最新分类与上一次检测到的大气特征层和大气特征层的分类之间的差异小于所述设定阈值，则采用连续小波分析法修订所述大气特征层的最新分类。
通过上述可知，该大气特征层的检测方法是一个迭代过程，若检测的大气特征层或者特征层类型在最新迭代和上次迭代中的差异小于设定的阈值时，步骤s22～步骤s24会停止执行，循环结束。
经研究，沙尘源区或近源区，在春季和冬季会有频繁的沙尘发生，而沙尘的线性退偏比会比一些弱云的线性退偏比还要大，利用经验阈值对大气特征层分类，可能会使沙尘被误判为冰云。而连续小波分析法常用来检测激光雷达信号中的不连续点(特征层边界)，本实施例中基于最后一次迭代得到的散射比利用连续小波分析法在检测的大气特征层中找到云边界，然后进一步利用经验阈值法对云相态进行分类，从而得以提高大气特征层检测的准确性。
在上述基础上，如图4所示，本发明实施例提供了一种大气特征层检测装置20，所述大气特征层检测装置20包括信息获得模块21、数据处理模块22、检测模块23、分类模块24、迭代模块25和判断模块26。
其中，信息获得模块21用于获得米散射偏振激光雷达信号和气象数据。
由于信息获得模块21和图2中步骤s21的实现原理类似，因而在此不作更多说明。
数据处理模块22用于根据所述米散射偏振激光雷达信号和气象数据计算得到散射比和线性退偏比。
由于数据处理模块22和图2中步骤s22的实现原理类似，因而在此不作更多说明。
检测模块23用于基于所述散射比和线性退偏比采用阈值法对大气特征层进行检测。
由于检测模块23和图2中步骤s23的实现原理类似，因而在此不作更多说明。
分类模块24用于基于大气热力状况数据和大气特征层的光学特性，采用经验阈值法将检测到的大气特征层分类。
由于分类模块24和图2中步骤s24的实现原理类似，因而在此不作更多说明。
迭代模块25用于再次执行根据所述米散射偏振激光雷达信号和气象数据计算得到散射比和线性退偏比至采用经验阈值法将检测到的大气特征层分类的步骤，得到再次检测到的大气特征层和大气特征层的再次分类结果。
由于迭代模块25和图2中步骤s25的实现原理类似，因而在此不作更多说明。
判断模块26用于判断再次检测到的大气特征层和大气特征层的再次分类与上一次检测到的大气特征层和大气特征层的分类之间的差异是否小于设定阈值。
若大于所述设定阈值，则又一次执行根据所述米散射偏振激光雷达信号和气象数据计算得到散射比和线性退偏比至采用经验阈值法将检测到的大气特征层分类的步骤，直至最新检测到的大气特征层和大气特征层的最新分类与上一次检测到的大气特征层和大气特征层的分类之间的差异小于所述设定阈值，则采用连续小波分析法修订所述大气特征层的最新分类。
由于判断模块26和图2中步骤s26～步骤s27的实现原理类似，因而在此不作更多说明。
其中，所述信息获得模块21获得的所述米散射偏振激光雷达信号来自于经过背景噪声订正后的激光雷达所观测的原始数据。
所述信息获得模块21获得的所述气象数据来自于全球大气再分析资料中的温度和湿度数据。
请结合参阅图5，可选地，所述分类模块24包括数据获得单元241和数据处理单元242。
所述数据获得单元241用于获得大气热力状况数据和大气特征层的光学特性，其中，所述大气热力状况数据来自全球大气再分析资料的温度、湿度数据，可提供不同云相在高度上的依据；所述大气特征层的光学特性包括线性退偏比和后向散射系数。
所述数据处理单元242用于通过fernald法反演得到所述大气特征层的后向散射系数，通过在不同大气热力状况下的线性退偏比-后向散射系数的二维概率分布图得到所述经验阈值。
本发明实施例中的大气特征层检测方法及装置，充分地利用了米散射偏振激光雷达的有限探测量探测到更为完整且准确的大气特征层，对大气特征层的分类方法简单且有效，可同时实现大气特征层的检测和分类以及消光特性的反演，充分地挖掘出数据的潜在价值，在沙尘源区或近源区该检测方法也十分有效。
在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备10，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的可选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。