基于神经网络的大气能见度预测方法及系统与流程

本发明涉及大气探测技术领域，特别涉及一种基于神经网络的大气能见度预测方法及系统。

背景技术

气溶胶作为大气-地球系统重要的组成部分，影响着地球-大气辐射收支。气溶胶特性的变化影响着大气的众多方面，如气候、环境、降雨、能见度等。而吸湿特性是气溶胶的主要性质之一，在一定的大气相对湿度下，由于吸湿特性，气溶胶粒子尺寸可能增大，这将改变气溶胶粒子的谱分布以及相关的光学和微物理特性。在气溶胶吸湿增长中，吸湿增长因子是一个关键的参数，其可以由特定相对湿度下的散射系数与参考湿度下的散射系数的比值计算得到，主要用于描述气溶胶光散射系数对相对湿度的依赖。增长因子主要取决于气溶胶的化学成分以及粒子谱分布，依赖于这两者，当气溶胶粒子吸收水分时，粒子尺寸将增加，即粒子截面积增大，从而散射更多的光线，即粒子尺寸的变化将产生不同的折射率和角度散射特性。通常，吸湿增长因子可以利用不同相对湿度条件下的浊度测定法、前后差分迁移分析仪法、电力平衡法等进行测量。但是，这些测量方法大部分是在实验室环境中进行，或者是现场测量。因此，这些测量方法不能很好或完全地反映实际大气的状况。

技术实现要素：

本发明的目的在于提供一种基于神经网络的大气能见度预测方法及系统，能够提高吸湿增长因子测量的准确度，进而提高大气能见度预测的准确度。

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：

一方面，本发明实施例提供了一种基于神经网络的大气能见度预测方法，包括以下步骤：

采集当前环境的吸湿增长因子、光学微物理特性参数；

将采集得到的吸湿增长因子、光学微物理特性参数，输入预先训练的大气能见度预测模型，输出得到预测大气能见度，所述大气能见度预测模型为基于神经网络的模型。

另一方面，本发明实施例提供了一种基于神经网络的大气能见度预测系统，包括以下模块：

模型训练模块，用于基于神经网络，训练得到大气能见度预测模型；

大气能见度预测模块，用于接收采集得到的当前环境的吸湿增长因子、光学微物理特性参数，并将接收到的数据输入到所述大气能见度预测模型，输出得到预测大气能见度。

再一方面，本发明实施例提供了一种电子设备，该电子设备包括：存储器，存储程序指令；处理器，与所述存储器相连接，执行存储器中的程序指令，按本发明任一实施方式所述的方法预测大气能见度。

与现有技术相比，本发明利用一种能同步探测相对湿度与气溶胶光学以及微物理特性的多波长多参数偏振拉曼激光雷达，获得气溶胶吸湿增长因子，避免了因实验环境或现场测量而不能很好或完全反应实际大气的状况的情况；同时基于神经网络强大的非线性预测能力，研究气溶胶吸湿因子、污染状况、气象条件等要素与能见度之间的非线性关系，建立大气能见度预测模型，实现能见度的准确预测，对于开展低能见度的监测和预警预报具有一定的指导意义。

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基于神经网络的大气能见度预测方法的流程图。

图2为本发明实施例中所述神经网络的训练流程图。

图3为本发明实施例中所述的能见度预测模型的三层bp神经网络结构图。

图4为本发明实施例中所述的基于神经网络的大气能见度预测系统的结构示意框图。

图5为本发明实施例中所述的电子设备的结构示意框图。

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神经网络的大气能见度预测方法，包括以下步骤：

s100，采集当前环境的吸湿增长因子、光学微物理特性参数。

本步骤中，吸湿增长因子通过以下方式得到：

利用激光雷达在532nm处探测一定相对湿度下的后向散射系数，利用探测到的后向散射系数采用如下公式(1)计算吸湿增长因子：

fβ(rh)＝β(z，rh)/β(rhref)(1)

式中，β(z，rh)和β(rhref)分别为一定相对湿度下激光雷达探测的后向散射系数、参考状态(干状态)下的激光雷达探测的后向散射系数。

采用如下单参数的拟合公式(2)和双参数的拟合公式(3)进行拟合：

其中，rh为相对湿度，γ为经验参数，代表气溶胶吸湿增长能力，该公式(2)能较好地拟合一部分没有潮解现象的气溶胶吸湿增长；a,b均为经验参数，该公式(3)能够较好地对人为源排放型气溶胶和生物质燃烧气溶胶进行拟合。本方法中，采用这两个公式对气溶胶吸湿因子进行拟合，能得到更为准确的吸湿增长因子。

本步骤中，采集的光学微物理特性参数包括：pm2.5、pm10、so2、o3、no2、大气温度、风速、气压中的部分或全部，优选包含上述全部参数，因为参数越多，预测的结果越准确。这些参数数据可以利用太阳光度计、空气动力学粒径谱仪以、激光粉尘仪及其他环境检测仪测量获得。

s200，将采集得到的吸湿增长因子、光学微物理特性参数，输入预先训练的大气能见度预测模型，输出得到预测大气能见度，所述大气能见度预测模型为基于神经网络的模型。

本步骤中，如图2所示，在利用神经网络训练大气能见度预测模型的过程中，首先确定大气能见度预测模型的结构，即确定神经网络的基础结构，并初始化模型参数；然后输入历史数据，进行参数归一化处理，更新模型参数；最后判断训练误差或迭代次数是否达到设定阈值，如果是则结束训练，得到所述大气能见度预测模型，否则继续输入历史数据进行模型训练，直至训练误差或迭代次数达到设定阈值。

更具体地，确定神经网络的基础结构即是确定输入神经元个数、隐含层节点数、输出层节点数。如图3所示，本神经网络共有10个输入节点，即输入层的神经元是10，分别为吸湿增长因子、pm2.5、pm10、so2、o3、no2、大气温度、风速、气压和湿度。隐含层的节点数太少，网络能获取到来自训练的信息就少，因此网络就可能训练不出来。神经元数量太多则会增加训练的时间、甚至导致较大的误差。依据前人的经验，本文采用如下公式进行隐含层神经元设计：式中：隐含层节点数用n表示；输入节点数用ni表示；n0为输出节点数；1－10之间的常数用a表示，最终确定隐含层神经元数目为13。输出层为一个节点，即预测的大气能见度。

建立神经网络时，首先利用大量(例如800组)输入数据吸湿增长因子、pm2.5、pm10、so2、o3、no2、大气温度、风速、气压、湿度以及输出数据大气能见度的历史数据，对神经网络进行反复训练，当训练误差或循环(迭代)次数达到要求时结束训练。

在利用神经网络搭建大气能见度预测模型的过程中

(1)建立基本的bp神经网络

bp神经网络的输入向量为x∈rⁿ,隐含层有n1,输出为输入层到隐含层的权值为wij,阈值为θj,隐含层到输出层的权值为w＇ij,阈值为θ′k，于是各层神经元输出为：

其中，n为输入层维数，m为输出层的维数；x′j为隐含层的输出，yc为输出层的输出。

(2)bp网络的训练数据和拓扑结构确定后，由于bp算法要求神经元作用的激励函数是连续可导的，因此激励函数选择sigmoid型函数

(3)在迭代的过程中，更新权值时，可以选用较大改进的lm(levenberg-marquardt)算法进行梯度计算，与传统的bp算法相比，其梯度下降要快很多，收敛性能更好。levenberg-marquardt(lm)算法是一种求解非线性平方和最小的迭代法，已经成为一种解决非线性最小二乘问题的基本方法，并且可以看成是最速下降法和高斯-牛顿法的结合算法。

定义目标函数为：

式中yc(k)——预期的网络输出向量；ym(n)——实际的网络输出向量；e(k)——当前误差。

设ωk为第k次迭代的网络权值向量，根据牛顿算法新的权值向量为ωk+1，根据lm算法的到：

式中，ek——误差向量；jk——网络误差对权值导数的jacobi矩阵；i——为单位矩阵；λk——标量。

其中，λk值决定了算法是根据牛顿法还是梯度法来实现。当系数λk为0时，上式即为牛顿法；当系数λk的值很大时，上式变为步长较小的梯度下降法算法。在这种方法中，λk也是自适应调节的。具体步骤为：

a，随机给定初始权值向量ω0，设定目标误差ε，k＝1。

b，计算网络的输出及误差向量e(k)。

c，计算误差向量对网络权值的梯度值并形成jacobi矩阵。

e，按公式更新权值：

f，若e(ωk)≤ε则算法终止，得到满足精度要求的权值向量；否则，转向步骤b。

作为另外一种实施方式，也可以利用加入动量项更新权值,隐含层的权值增量为：

式中η为学习速率，α为动量因子。

可以将其改写成

δωij(n)＝ηδi(n)yi(n)+αδωij(n-1)

当加入训练数据时，上式可以写成以t为变量的时间序列，将上式转换为δωij(n)的差分方程，求解δωij(n)得到

当第n次的与n-1次同号，加权求和值增大，故δωij(t)比较大，因此增加了ω的变化速率；当第n次的与n-1次异号时，说明存在震荡，这样就能使δωij(t)减小，使得收敛稳步趋近与最优。所以，引入动量项后，不仅加快了学习速率，还可以有效的避免网络陷于局部极小。

本发明可采用lm-bp神经网络或加入动量项的bp神经网络更新权值的方法，可以使收敛达到最快且避免网络陷入局部极小值。

在训练过程中使用到的历史数据中，包括输入数据和对应的输出数据，输入数据包括pm2.5、pm10、so2、o3、no2、大气温度、风速、气压、湿度中的全部或部分参数，输出数据则是这些输入数据所对应环境时的大气能见度，只是大气能见度需要测算得出，即利用气溶胶消光系数反演得到水平程的大气消光系数，再利用该水平程的大气消光系数计算得到水平方向的大气能见度。

具体地，利用振动拉曼信号反演气溶胶消光系数，得到

，式中，λl为激光发射波长，λr为氮气的振动拉曼散射波长；am(λl,z)、aa(λl,z)分别为大气分子和气溶胶的消光系数；n(z)为氮气的分子数密度；z为水平高度；p(z,λlλr)为在高度z处，激光发射波长和氮气的振动拉曼散射波长分别是λl、λr时回波信号的接收功率，am(λr,z)和n(z)的值可以通过美国标准大气模型获得。

大气水平能见度rv与人眼最为敏感的550nm波长大气分子水平消光系数aa(λl,z)及人眼的对比阈值ε之间的关系为因此通过反演得到的大气分子水平消光系数aa(λl,z)可以计算出大气水平能见度rv。

训练得到大气能见度预测模型后，输入当前环境下采集到的吸湿增长因子、光学微物理特性参数，即可输出预测的大气能见度。如果输入某一特定环境下的吸湿增长因子、光学微物理特性参数，也可预测得到该特定环境下的大气能见度。

本发明将激光雷达技术用于气溶胶吸湿增长特性的测量，避免了因实验环境或现场测量而不能很好或完全反应实际大气的状况的情况；同时基于神经网络强大的非线性预测能力，研究气溶胶吸湿因子、污染状况、气象条件等要素与能见度之间的非线性关系，建立大气能见度预测模型，实现大气能见度的准确预测，对于开展低能见度的监测和预警预报具有一定的指导意义。

请参阅图4，基于相同的发明构思，本发明实施例还提供了一种基于神经网络的大气能见度预测系统，包括以下模块：

模型训练模块41，用于基于神经网络，训练得到大气能见度预测模型；

大气能见度预测模块42，用于接收采集得到的当前环境的吸湿增长因子、光学微物理特性参数，并将接收到的数据输入到所述大气能见度预测模型，输出得到预测大气能见度。

在模型训练模块41中，在利用神经网络搭建吸湿增长因子、光学微物理特性参数与大气能见度之间的大气能见度预测模型时，在迭代过程中，采用如下方式更新网络权值：

其中，ωk为第k次迭代的网络权值向量，ωk+1为更新后的网络权值向量，ek为误差向量，jk为网络误差对权值导数的jacobi矩阵，i为单位矩阵，λk为标量。

作为另外的实施方式，在迭代过程中，采用如下方式更新网络权值：

其中δωij(n)为隐含层节点n的权值增量，η为学习速率，a为动量因子,e(k)为误差向量。

所述光学微物理特性参数可以包括：pm2.5、pm10、so2、o3、no2、大气温度、风速、气压、湿度，这些数据可以利用太阳光度计、空气动力学粒径谱仪以及激光粉尘仪的监测获得。

如图5所示，本实施例同时提供了一种电子设备，该电子设备可以包括处理器51和存储器52，其中存储器52耦合至处理器51。值得注意的是，该图是示例性的，还可以使用其他类型的结构来补充或替代该结构，实现任务感知与接收、任务优先级判定、备选卫星功能是否具备判定、任务切换、通信或其他功能。

如图5所示，该电子设备还可以包括：输入单元53、显示单元54和电源55。值得注意的是，该电子设备也并不是必须要包括图5中显示的所有部件。此外，电子设备还可以包括图5中没有示出的部件，可以参考现有技术。

处理器51有时也称控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该处理器51接收输入并控制电子设备的各个部件的操作。

其中，存储器52例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其他合适装置中的一种或多种，可存储上述处理器51的配置信息、处理器51执行的指令等信息。处理器51可以执行存储器52存储的程序，以实现信息存储或处理等。在一个实施例中，存储器52中还包括缓冲存储器，即缓冲器，以存储中间信息。

输入单元53例如可以用于向处理器51提供历史数据，或当前测量数据。显示单元54用于显示预测结果或预测模型的结构，该显示单元例如可以为lcd显示器，但本发明并不限于此。电源55用于为电子设备提供电力。

本发明实施例还提供一种计算机可读指令，其中当在电子设备中执行所述指令时，所述程序使得电子设备执行如图1所示的基于神经网络的大气能见度预测方法所包含的操作步骤。

本发明实施例还提供一种存储有计算机可读指令的存储介质，其中所述计算机可读指令使得电子设备执行如图1所示的基于神经网络的大气能见度预测方法所包含的操作步骤。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

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。