CN104268423B - 大尺度动态演化沙尘型气溶胶反演方法 - Google Patents
大尺度动态演化沙尘型气溶胶反演方法 Download PDFInfo
- Publication number
- CN104268423B CN104268423B CN201410532482.5A CN201410532482A CN104268423B CN 104268423 B CN104268423 B CN 104268423B CN 201410532482 A CN201410532482 A CN 201410532482A CN 104268423 B CN104268423 B CN 104268423B
- Authority
- CN
- China
- Prior art keywords
- sample
- sand
- dust
- dust type
- grader
- 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.)
- Active
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种大尺度动态演化沙尘型气溶胶反演方法,包括:S1训练分类器:根据被动式卫星传感器遥感数据获得沙尘型气溶胶层的源域样本、云层样本和沙尘型气溶胶层的目标域样本;根据主动式卫星传感器激光雷达廓线数据获得各类样本的特征向量;以源域样本和云层样本的特征向量训练支持向量机分类器;结合目标域样本的特征向量和迁移学习理论优化分类器;S2采用优化的分类器反演沙尘型气溶胶。本发明可提高沙尘经远距离传输后云‑沙的分类精度,可有效扭转目前只能被动使用NASA提供的低精度数据的局面;可解决我国当前大面积沙尘垂直廓线数据缺失、数据可用性差等瓶颈问题,满足我国乃至全球沙尘气溶胶源区及扩散传输区域的观测要求。
Description
技术领域
本发明属于卫星遥感数据处理技术领域,特别涉及一种大尺度动态演化沙尘型气溶胶反演方法。
背景技术
我国每年遭受多起沙尘暴侵袭,在这一极端天气影响下,我国工农业生产、交通运输和人类生命安全遭受到严重的损失和危害。近年来,沙尘影响范围逐渐扩大,甚至已扩散至福州和台湾等东南部地区。因此,开展大范围沙尘观测和反演方法的基础研究具有重要的科学意义,将在沙尘预警、减灾等国计民生的重大事件中发挥积极作用。
激光雷达是获取气溶胶垂直分布廓线的最佳手段,目前唯一在轨星载大气激光雷达是美国航空航天局NASA于2006年发射的CALIPSO。但由于CALIPSO是为云和气溶胶检测而研制的,其国际通用数据处理方法没有针对沙尘检测进行优化,易导致错误的沙尘-云分类结果。在我国,常年存在云-沙共存的现象,且沙尘型气溶胶在传输过程中物理特性的变化也较少研究。前期利用CALIPSO探测沙尘的研究主要集中在常年云量较少、云-沙的混合程度较轻的非洲西北部沙尘源区(撒哈拉地区)。CALIPSO是获取我国大面积沙尘的垂直分布廓线信息的最佳手段,其硬件上能探测沙尘信息,但其数据处理算法的缺陷使其不能应用于我国沙尘研究与预报。如NASA的Version2算法沙尘分类错误率较高,Version3算法复杂、参数多、气溶胶模式区域适应性差等。
发明内容
本发明的目的是提供一种结合了支持向量机和迁移学习理论的大尺度动态演化沙尘型气溶胶反演方法,采用该方法可得到经远距离传输后沙尘型气溶胶层的悬浮高度,最终反演获得沙尘型气溶胶在传输过程中高度、厚度和消光作用的变化特征。
为达到上述目的,本发明采用如下的技术方案:
S1训练分类器,本步骤进一步包括子步骤:
S1.1根据被动式卫星传感器遥感数据确定沙尘暴的发生时间、发生区域和经过区域,从发生区域获得沙尘型气溶胶层的源域样本和云层样本,从经过区域获得沙尘型气溶胶层的目标域样本,云层样本利用云雷达获得;
S1.2根据被动式卫星传感器遥感数据相对应的主动式卫星传感器激光雷达廓线数据,获得源域样本、云层样本和目标域样本的悬浮高度信息和回波信号值,从而获得各类样本的特征向量;
S1.3以源域样本和云层样本的特征向量作为训练样本训练支持向量机分类器;
S1.4结合目标域样本的特征向量和迁移学习理论优化分类器,具体为:
(1)采用当前分类器对目标域样本和源域样本进行分类,初始当前分类器为步骤S1.3获得的分类器;验证分类结果,若存在分类错误的样本,则调整各样本的当前权重,然后执行步骤(2);若不存在分类错误的样本,则结束;
所述的调整各样本的当前权重具体为:根据预设规定增加分类错误的目标域样本的当前权重,保持分类正确的目标域样本的当前权重;根据预设规定减少分类错误的源域样本的当前权重,同时根据预设规定增加分类正确的源域样本的当前权重;目标域样本和源域样本的当前权重初始值人为设定,权重调整前后均保持所有样本的当前权重之和为1;
(2)基于调整后的当前权重对目标域样本和源域样本的特征向量加权求和,以加权求和结果为训练样本重新训练当前分类器,以调整后的当前权重为下次循环中的当前权重,以重新训练后的当前分类器为下次循环中的当前分类器,然后执行步骤(1),直至循环次数达到预设的最大循环次数;
S2采用优化的分类器反演沙尘型气溶胶。
而且,所述的主动式卫星传感器采用CALIPSO卫星上搭载的CALIOP传感器;所述的被动式卫星传感器采用Aqua卫星搭载的MODIS传感器;所述的云雷达是卫星CloudSat上载有的CPR传感器。
MODIS、CloudSat与CALIOP具有协同观测效果,MODIS得到的是二维平面的卫星遥感影像,覆盖面广;CALIOP即星载激光雷达,到达地表的二维覆盖面积小,但能得到三维大气层的描述信息,如:云和气溶胶的空间分布情况,该星载激光器分两个波段532nm和1064nm,其中532nm波段具有垂直和水平的两个偏振通道;CloudSat与CALIPSO相似,但是其波长更长能够穿透较厚的云层。
而且,所述的沙尘型气溶胶层源域样本和云层样本的特征向量包括层次的悬浮高度信息、衰减后向散射系数、双波长信号比和退偏振比中的一种或多种。
而且步骤S2进一步包括子步骤:
S2.1根据气象观测数据获得日常沙尘暴的发生时间、发生区域和经过区域,根据对应时间和对应区域的主动式卫星传感器激光雷达廓线数据获得待分类层次的特征向量;
S2.2采用优化后的带有迁移学习功能的分类器对待分类层次的特征向量进行分类,并获得沙尘型气溶胶的激光雷达比;
S2.3根据沙尘型气溶胶的激光雷达比,综合考虑主动式卫星传感器的探测特性,选用近端反演法,获得沙尘型气溶胶的消光系数和光学厚度值。
本发明利用迁移学习,考虑沙尘粒子的特征变化,提高沙尘经远距离传输后云-沙的分类精度,可有效扭转目前只能被动使用NASA提供的低精度数据的局面。本发明将可解决我国当前大面积沙尘垂直廓线数据缺失、数据可用性差等瓶颈问题,满足我国乃至全球沙尘气溶胶源区及其扩散传输区域的观测要求。
本发明具有以下优点和积极效果:
1)大大降低对样本数量需求,无须模拟各特征向量的分布特点;
2)提高经远距离传传输后、物理特性发生改变的沙尘型气溶胶的分类精度,避免将其划分为云层,而忽略了其辐射作用效应;
3)进而提高沙尘在长距离传输、演化过程中其空间分布、扩散和散射特性的认知。
附图说明
图1是本发明实施例的沙尘型气溶胶识别及反演示意图;
图2是不同样本数量和特征空间的分类精度;
图3是沙尘暴经过华北地区上空的遥感影像图和CALIPSO对应的轨迹图;
图4是大气层次的分类结果和云雷达验证效果图,其中,图(a)为CPR星载云雷达探测结果,图(b)为本发明方法获得沙尘气溶胶识别结果,图(c)为美国国家航空航天局NASA得到的沙尘气溶胶识别结果。
具体实施方式
本发明主要针对星载激光雷达CALIPSO的大尺度、三维观测优势,准确识别远距离传输过程中物理特性已发生变化的沙尘型气溶胶:获取我国西北沙尘源区沙尘特征明显的星载激光雷达探测数据,作为源域样本;选取少量的华北、华中和华东地区沙尘气溶胶作为目标域样本;用支持向量机作为底层分类器,引入迁移学习,为远距离传输后,特征向量的分布已发生改变的沙尘型气溶胶识别做准备;有效区分沙尘层和云层,获得高精度的沙尘型气溶胶;反演得到沙尘型气溶胶随传输距离的增长,受沉降、吸湿等影响所产生的特性变化。本发明利用支持向量机通过支持向量确定超平面的特点,能减少对样本数量的需求,降低样本不确定性(云层和气溶胶的生命周期较短,很难得到实际验证)对分类精度造成的干扰;有效利用星载激光雷达532nm的偏振探测数据和层次高度信息,区分非球形的冰晶云和沙尘型气溶胶粒子;利用迁移学习能有效提高源域样本的使用效率,结合少量目标域的样本,在大大减少采样工作的同时,提高目标域的分类精度。
下面以具体实施例结合附图对本发明作进一步说明。
沙尘对大气辐射的影响不容忽视,错误的沙尘识别将无法获得沙尘的空间分布信息,以及沙尘的消光和大气辐射效应。常见的错误主要是无法考虑沙尘型气溶胶经过远距离传输后尺度、形状特征以及悬浮高度的变化,容易将其误判为卷云。这主要是因为:星载激光雷达提供的参数中除衰减后向散射系数外,双波长比是用来描述粒子的尺度特性,退偏振比是用来描述粒子的形状特性;而冰晶云和大粒子沙尘气溶胶同时具有大尺度和非球形的特性;沙尘经远距离传输,沙尘层的部分粒子发生了沉降和吸湿,因此,构成了该错误分类的存在。NASA官方采用的概率密度方程分类算法,在早期的版本中存在大量的错误;更新后,仍有少量错误存在,且样本需求数量较大(需要得知各个特征向量的分布情况)。错误的层次识别必将导致其光学特性的错误反演。
本具体实施方式中,被动式卫星传感器为Aqua卫星搭载的MODIS探测器,主动式卫星传感器为星载激光雷达CALIOP传感器。为克服以上问题,本具体实施中结合被动探测设备Aqua卫星上搭载的MODIS探测器。首先,基于MODIS探测器的二维影像得到沙尘型气溶胶层和云层的水平分布信息;然后,利用主-被动探测设备时空一致性的特点,获取星载激光雷达CALIOP传感器在该区域特征明显的样本。由于迁移学习中所使用支持向量的超平面只需要少量的支持向量即可确定得到,因此,样本的需求数量也大大减小,在云层和沙尘型气溶胶层生命周期短、验证难度高的前提下最大可能的确保了样本的正确性。这样,为后期可靠的分类、识别奠定了坚实的前提保障。分类结果还可与对应的被动影像数据相比较,验证的结果显示本方法较NASA的官方处理方法有较大的改善效果。
以下结合附图和实施例,对本发明技术方案进行详细描述。
本具体实施方式针对我国西北地区的沙尘源区进行沙尘型气溶胶反演,具体步骤如下:
步骤1,训练分类器,以确保后续分类结果的正确性。
本步骤中,利用MODIS探测器获得的遥感影像数据(即被动式卫星传感器的遥感影像数据),确定沙尘暴的发生信息,选取样本,并训练分类器。
本步骤进一步包括子步骤:
步骤1.1,利用被动式卫星传感器与主动式卫星传感器的时空准同步性,参考被动式卫星传感器的遥感影像数据,获得沙尘暴的发生信息和发展信息,发生信息包括沙尘暴发生区域和发生时间,发展信息包括沙尘暴经过区域。从沙尘暴发生区域选择沙尘型气溶胶层源域样本,从沙尘暴经过区域选择沙尘型气溶胶层目标域样本。
本具体实施中,确定西北沙尘源区为沙尘型气溶胶源域样本的选择区域;另以华中、华北和华东中沙尘暴经过区域作为沙尘型气溶胶目标域样本的选择区域。
由于MODIS遥感影像光谱信息丰富、完成一次全球全覆盖探测时间短,因此,其执行对地观测和大气校正已多年,能较为直观的看到沙尘暴分布和扩散情况。为确保MODIS影像数据的正确性,本具体实施方式中通过NASA官方网站的earth observatory页面的发布信息,获取我国西北地区的沙尘暴影像,确定该沙尘源区的沙尘暴样本选取方案,同时,在华中、华北和华东地区,选取少量作为目标域样本的沙尘型气溶胶。
步骤1.2,下载与被动式卫星传感器遥感影像数据相对应的主动式卫星传感器激光雷达廓线数据,获得沙尘型气溶胶层源域样本和云层样本的悬浮高度信息和回波信号值。
确定了样本选取方案后,下载对应于MODIS的CALIOP激光雷达廓线探测数据,再利用卫星数据读取程序,将相应经纬度范围内的廓线观测数据进行读取和保存,主要包括:已查找到的大气层次的顶高、底高、1064nm和532nm通道的衰减后向散射系数,以及532nm不同偏振通道上的分量值。整个数据处理系统基于IDL和matlab开发完成。
悬浮高度信息包括顶高和底高,回波信号值包括1064nm和532nm通道的衰减后向散射系数,以及532nm不同偏振通道上的分量值。
步骤1.3,根据步骤1.2获得的沙尘型气溶胶层源域样本和云层样本的悬浮高度信息和回波信号值,求得沙尘型气溶胶层源域样本和云层样本的特征向量。
CALIOP作为星载激光雷达,飞行高度高、速度快,相应的数据处理流程更精细,需要先查找大气层次(如沙尘型气溶胶层和云层)所在的悬浮高度,本具体实施方式中直接引用NASA的层次查找结果,进而计算层次特征向量。可以直接引用的特征向量包括层次的顶高、底高,地表覆盖物类型等,需要利用公式间接计算得到的支持向量包括层次积分的衰减后向散射系数(attenuated scattering coefficient)、退偏振比(volumedepolarization ratio;VDR)和双波长信号比(total attenuated color ratio;ACR),需要强调的是,星载激光雷达CALIOP属于脉冲式Mie散射激光光雷达,有效数据在-2.0-40km大气高度范围内,且空间分辨率会随着高度变化,最高空间分辨率为30m,最低空间分辨率为300m。层次积分即是对对应高度范围内的信号进行叠加。
本具体实施方式中采用的特征向量计算公式参考美国宇航局提供的公式,如下:
公式(1)中γ′layer表示层次积分的衰减后向散射系数,r表示激光雷达至目标的距离;βp(r)表示距离r处粒子的后向散射系数,表示粒子的双向透过,base和top分别表示大气层次的顶高和底高,角标p表示粒子。β′表示衰减后向散射系数,β′⊥(z)和β||′(z)分别表示偏振通道的垂直和平行分量,两者积分后的比值即层次积分的退偏振比,通过(3)式转化(其中,角标m表示分子,O3表示臭氧,λ表示波长,z表示高度,k是对应大气层次的悬浮高度信号值),得到层次积分的双波长比χ′layer。参数δlayer和χ′layer分别描述了粒子的形状和尺寸特征。
步骤1.4,采用步骤1.3获得的沙尘型气溶胶层源域样本和云层样本的特征向量训练分类器。
分类所需的支持向量可以参考NASA发布的探测数据直接或间接计算得到,主要包括:NASA大气层次边界查找所获得的层次顶高和底高,层次积分的衰减后向散射系数(attenuated scattering coefficient)、退偏振比(volume depolarization ratio;VDR)和双波长信号比(total attenuated color ratio;ACR),计算公式见式(1)~(4)。
具体实施时,通过选择不同的训练样本数量和特征空间,进行分类结果的对比分析找到最优的超平面,获取最优的分类器,证明迁移学习理论中的分类器满足沙尘源区的沙尘气溶胶探测需求。
由于NASA官方分类方法采用概率密度方程进行分类,且前后两种方法分别采用不含退偏振系数和含退偏振系数的方法进行分类,退偏振系数作为粒子的形状描述参数,在冰晶云和沙尘同属于非球形粒子的前提下,如何合理的利用该参数进行分类,是本步骤的意义所在。
支持向量机作为迁移学习理论中的基本分类器,其主要通过训练样本确定超平面,对于二分类情况,当找到支持向量的时候,超平面也就随之确定。w是一个与分类超平面垂直的向量,x表示一个待分类的大气层次,且x=(x1,...,xn),xi则表示它的一种属性,i表示属性序号,i=1,2,…,n,考虑一个点积空间Rn,超片面可写作:
{x∈Rn|<w,x>+b=0},w∈Rn,b∈R (5)
其中,R表示空间,n表示维数,Rn表示一个n维的点积空间,b表示判别阈值。
在线性可分的情况下,用(w·x+b>0,w·x+b<0)来区分两种类别。对于不可分的情况,则需要添加更多的特征向量,选择合适的核函数,并将其特征空间映射高维空间,再转化为线性问题,进而获得分类结果。
多次实验结果证明:沙尘源区的沙尘型气溶胶层比云层水平高度低,因此,层次的高度信息辅以退偏振系数能有效地提高沙尘源区沙尘型气溶胶层与云层的分类精度。本发明中分类器使用的特征向量既不同于NASA Level 1不含退偏振系数,也不同于NASA Level2同时包含退偏振系数和地理信息。
见图2,2表示层次的顶高、3表示层次的底高、4表示层次积分的双波长信号比、5表示层次积分的衰减后向散射系数、6表示层次积分的退偏振比,实验显示,样本数量为280时,整体分类精度已超过98.4%,在不同样本数量下,23456组合的特征空间分类精度最稳定,因此,本发明具体实施方式中含有的特征向量包含:层次的悬浮高度信息、双波长比、退偏振比和衰减后向散射系数。
步骤1.5,结合沙尘型气溶胶层目标域样本的特征向量和迁移学习理论优化步骤1.4获得的分类器。
本步骤以目标域样本和源域样本的特征向量的加权平均值作为步骤1.4获得的分类器的训练样本,对分类器进行重新训练;人为设定目标域样本和源域样本对应的初始权重,然后根据不同区域上空沙尘气溶胶粒子呈现的属性,判断目标域样本和源域样本分别是否相同或相近,每次循环迭代中增加与目标域样本分布相同或相近的源域样本的权重,同时减少与目标域样本分布不相同且不相近的源域样本的权重。多次循环迭代后,则仅仅保留目标域样本和与目标域样本分别相同或相近的源域样本作为分类器的训练样本。
迁移学习理论的核心是:为减少样本采集劳动量,在少量目标域样本的辅助指导下,尽可能在相对大量的源域样本中挑选出与目标域样本分布相同或相近的样本,实现目标域样本的有效分类。沙尘型气溶胶从西北地区起沙时的大尺度非球形颗粒,经传输,逐渐发生沉降和吸湿作用,并与污染型气溶胶相互作用,衰减后向散射系数、双波长比、退偏振和沙尘悬浮高度等特征向量的分布都发生不同程度的改变,因此,沙尘源区的源域样本是无法对华中、华东和东北地区沙尘型气溶胶进行有效识别的。
因此,本发明在分类器中加入迁移学习理论,即通过多次循环迭代不断调整源域样本和目标域样本的权重,增加与目标域样本相同或相近分布的源域样本权重,减少与目标域样本不相同且不相近分布的源域样本权重,直至循环迭代次数达到预设的最大循环迭代次数,并采用当前权重对源域样本和目标域样本的特征向量进行加权平均,采用加权平均结果进一步训练步骤1.4获得的分类器。
本步骤中根据分类结果判断源域样本和目标域样本是否分布相同或相似,即,采用当前分类器对源域样本进行分类,并对分类结果进行验证,验证后分类错误的源域样本被认为与目标域样本分布不相同且不相似。
假设有m个源域样本和n个目标域样本,源域样本和目标域样本的初始权重分别设为1/(2m)和1/(2n),初次循环迭代时,采用步骤1.4获得的分类器对源域样本和目标域样本进行分类,并对分类结果进行验证,若某目标域样本存在分类错误,则根据预设规定增加该目标域样本对应的权重,对不存在分类错误的目标域样本,不改变其对应的权重;当源域样本存在错误分类,则认为他们与目标域样本不同分布,根据预设规定减少该源域样本权重,反之,则增加权重。采用调整后的权重对源域样本和目标域样本的特征向量进行加权平均,以加权平均结果为训练样本进一步训练步骤1.4获得的分类器,即当前分类器。以后的每次循环迭代中,采用当前分类器进行分类,并对分类结果进行验证,根据验证结果调整源域样本和目标域样本的权重,采用调整后的权重对源域样本和目标域样本的特征向量进行加权平均,基于加权平均结果进一步训练当前分类器。这样,既减少了远距离传输过程中沙尘型气溶胶的采样工作量、避免参数模拟,又确保了我国范围内沙尘经长距离演化过程后的反演精度。通过有效的识别,提高后期对沙尘气溶胶辐射和气候效应的认知程度。
步骤2,采用步骤1.5优化后的分类器对大气层次进行分类、识别,并最终反演得到各大气层次的光学参数值。
本步骤主要根据气象观测数据获取沙尘暴的发生信息,当主动式卫星传感器经过沙尘暴发生区域时,下载对应日期的遥感影像探测数据,利用步骤1.5优化后的分类器对大气层次进行分类、识别,并最终反演得到各层次的光学参数值。
本步骤进一步包括子步骤:
步骤2.1,获得待分类层次的特征向量。
具体实施方式中结合我国气象站的气象观测数据,获得沙尘暴的发生和经华北、华中或华东地区后的发展情况,下载对应时间和区域的主动式卫星传感器的激光雷达廓线数据。根据激光雷达廓线数据获得待分类层次的特征向量。
接收辅助的气象信息,对于我国西北地区的沙尘天气予以关注,并下载沙尘暴发生日期,星载激光雷达经过华北、华中和华东地区的探测数据,即在NASA的官方网站上下载Level 1和Level 2数据。其中,Level1数据是经过沙尘暴发生地区的激光雷达初始回波廓线信息,即回波信号值,为后续特征向量的求解和气溶胶光学特性的反演做准备。Level2数据主要是根据信号波段,查找得到层次的相关信息,即沙尘气溶胶层和云层的悬浮高度信息,结合所在高度和回波信号积分得到分类所需的支持向量。见图3,遥感影像显示出我国塔克拉玛干暴发沙尘后经过华中地区上空的遥感影像,浅紫色轨迹线是星载激光雷达卫星CALIPSO飞过的轨迹。
步骤2.2,基于迁移学习方法对主动式卫星传感器探测数据的层次查找结果进行分类和保存,用同步云雷达卫星数据验证后,选取适合于我国沙尘型气溶胶粒子的激光雷达比。
执行分类运算,分类方法是基于已有的分类器,类似于步骤1.4,只是将分类器优化过程中的测试样本取而代之为待分类的大气层次。计算得到最终的分类结果如图4所示采用不同颜色色块分别表示该幅场景中的洁净大气、云、气溶胶、地表、深层地层和信号净衰减区(即,激光雷达无法穿透的大气层次),基于支持向量机SVM的迁移学习与概率密度分布PDF的两个版本相比较,通过云雷达卫星数据验证后,可以看到,本发明不仅能正确识别低空沉降中的沙尘和城市污染性气溶胶,还能识别仍然悬浮于高空中的稀薄沙尘层气溶胶。
分类完成后,参考我国现有的沙尘型气溶胶研究数据,包括台站观测和网点观测,选定合适的沙尘型气溶胶粒子激光雷达比经验值,具体实现采用现有技术。激光雷达比是粒子的消光系数与后向散射系数的比值,该值的正确近似假设能有效提高气溶胶光学参数反演的精度,本步骤能避免一味的继承国外数据所产生的区域不适应性。
步骤2.3,基于步骤2.2获得的激光雷达比,综合考虑主动式卫星传感器的探测特性,选用近端反演法,求得沙尘型气溶胶粒子的消光系数,积分得到地表上空沙尘层的光学厚度值。
本步骤能有效避免云-沙混合条件下,将沙尘归为云层而忽略了其时空变化特性和气候作用效应,最终能正确反演得到沙尘型气溶胶粒子的光学特性。
激光雷达方程表达式可写成如下形式:
式(6)中,P(r)为激光雷达接收到来自r到r+Δr'距离段大气回波信号;P0为发射激光束功率;c0为激光雷达校正常数,与激光雷达的配置相关;A为接收望远镜的面积;Δr'为激光雷达系统的距离分辨率;r为激光雷达至目标的距离;β(λ,r)为距离激光雷达r处目标(即大气中某种组分)在波长λ的后向散射系数;α(λ,r)为距离激光雷达r处目标(即大气中某种组分)在波长λ的消光系数。
目前,广泛采用的地基激光雷达反演方法是Fernald反演法,它将大气分子和气溶胶的贡献分开考虑,因此激光雷达方程可以表示为:
下标mol表示大气分子,下标par表示气溶胶,C是激光雷达系统所有参数的缩写。
式(7)中,βmol(r)表示大气分子在距激光雷达r处的后向散射系数,βpar(r)表示气溶胶粒子在距激光雷达r处的后向散射系数,αmol(r')表示大气分子在距激光雷达r'处的消光系数,αpar(r')表示气溶胶粒子在距激光雷达r'处的消光系数,r'表示积分变量,dr'为激光雷达的距离分辨率。
选定参考位置rc(即标定高度),假设已知rc处对应的后向散射系数为β(rc),用来描述激光雷达比,α(r)和β(r)分别表示距激光雷达r处目标的表示消光系数和后向散射系数。其中,粒子的激光雷达比需要根据不同区域粒子的物理特性估测,而分子的激光雷达比则采用常数值。
则rc以上高度的气溶胶消光系数(前向积分)为:
式(8)中,Spar表示气溶胶的激光雷达比,Smol表示大气分子的激光雷达比,r″表示积分变量,dr″表示激光雷达的距离分辨率。
而rc以下高度的气溶胶消光系数(后向积分)为:
前向积分求解气溶胶消光系数的方法即近端反演法,而式(9)后向积分则为远端反演法。现有技术中地基激光雷达由于远端信号稳定所以参考点rc选在远端,即采用远点反演法;而星载激光雷达CALIOP的稳态信号属于高空信号,离探测器较近,因此选用与地基激光雷达相反的近端反演法。反演得到消光系数后,参考层次所在高度,对消光系数廓线进行积分,得到该区域上空的沙尘气溶胶光学厚度。
参见图1,下面提供了实施例的沙尘气溶胶识别和反演流程以供实施参考:
(1)参考NASA官网上earth observation页面提供的我国西北地区沙尘暴发生及发展描述信息,并下载对应的MODIS遥感影像和CALIPSO数据。针对MODIS的影像数据,选取对应沙尘暴的激光雷达廓线数据。
(2)采用沙尘源区样本训练分类器,得到样本数量较少、分类精度较高的支持向量选取方案。集合沙尘源区的源域样本,并添加极少量华北、华中或华东地区的目标域样本,引入迁移学习理论提高特征向量发生变化的沙尘型气溶胶识别精度。
(3)参考我国沙尘暴气象数据,下载当时当地对应的CALIPSO观测数据Level 1和Level2,Level 2的数据主要是获取层次的高度信息,包括层次的顶高和底高。利用高度信息对Level的三个参数进行积分,得到分类所需要的特征向量。
(4)基于已有的分类器对实验区域的廓线进行分类,标识0:云;1:气溶胶。再利用IDL软件和CALIPSO数据标识的地表高度信息、洁净大气和激光束净衰减区域,完成大气廓线的三维显示,直观的观测到沙尘型气溶胶层和云层的悬浮高度和分布情况。
(5)基于现有的分类结果和激光雷达比经验值,对激光雷达回波信号进行反演和对应悬浮高度上的积分,进而求的沙尘气溶胶的光学厚度值。为后续其大尺度传输中的演化过程和辐射特性的研究奠定了良好的基础。
Claims (3)
1.大尺度动态演化沙尘型气溶胶反演方法,其特征在于,包括步骤:
S1训练分类器,本步骤进一步包括子步骤:
S1.1根据被动式卫星传感器遥感数据确定沙尘暴的发生时间、发生区域和经过区域,从发生区域获得沙尘型气溶胶层的源域样本和云层样本,从经过区域获得沙尘型气溶胶层的目标域样本,云层样本利用云雷达获得;
S1.2根据被动式卫星传感器遥感数据相对应的主动式卫星传感器激光雷达廓线数据,获得源域样本、云层样本和目标域样本的悬浮高度信息和回波信号值,从而获得各类样本的特征向量;
S1.3以源域样本和云层样本的特征向量作为训练样本训练支持向量机分类器;
S1.4结合目标域样本的特征向量和迁移学习理论优化分类器,具体为:
(1)采用当前分类器对目标域样本和源域样本进行分类,初始当前分类器为步骤S1.3获得的分类器;验证分类结果,若存在分类错误的样本,则调整各样本的当前权重,然后执行步骤(2);若不存在分类错误的样本,则结束;
所述的调整各样本的当前权重具体为:根据预设规定增加分类错误的目标域样本的当前权重,保持分类正确的目标域样本的当前权重;根据预设规定减少分类错误的源域样本的当前权重,同时根据预设规定增加分类正确的源域样本的当前权重;目标域样本和源域样本的当前权重初始值人为设定,权重调整前后均保持所有样本的当前权重之和为1;
(2)基于调整后的当前权重对目标域样本和源域样本的特征向量加权求和,以加权求和结果为训练样本重新训练当前分类器,以调整后的当前权重为下次循环中的当前权重,以重新训练后的当前分类器为下次循环中的当前分类器,然后执行步骤(1),直至循环次数达到预设的最大循环次数;
所述的被动式卫星传感器为Aqua卫星搭载的MODIS传感器,所述的主动式卫星传感器为CALIPSO卫星上搭载的CALIOP传感器,所述的云雷达为卫星CloudSat上载有的CPR传感器;
S2采用优化的分类器反演沙尘型气溶胶。
2.如权利要求1所述的大尺度动态演化沙尘型气溶胶反演方法,其特征在于:
子步骤S1.2获得的各类样本的特征向量包括层次的悬浮高度信息、衰减后向散射系数、退偏振比和双波长信号比中的至少一种。
3.如权利要求1所述的大尺度动态演化沙尘型气溶胶反演方法,其特征在于:
步骤S2进一步包括子步骤:
S2.1根据气象观测数据获得日常沙尘暴的发生时间、发生区域和经过区域,根据对应时间和对应区域的主动式卫星传感器激光雷达廓线数据获得待分类层次的特征向量;
S2.2采用优化后的带有迁移学习功能的分类器对待分类层次的特征向量进行分类,并获得沙尘型气溶胶的激光雷达比;
S2.3根据沙尘型气溶胶的激光雷达比,综合考虑主动式卫星传感器的探测特性,选用近端反演法,获得沙尘型气溶胶的消光系数和光学厚度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410532482.5A CN104268423B (zh) | 2014-10-11 | 2014-10-11 | 大尺度动态演化沙尘型气溶胶反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410532482.5A CN104268423B (zh) | 2014-10-11 | 2014-10-11 | 大尺度动态演化沙尘型气溶胶反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104268423A CN104268423A (zh) | 2015-01-07 |
CN104268423B true CN104268423B (zh) | 2018-03-27 |
Family
ID=52159944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410532482.5A Active CN104268423B (zh) | 2014-10-11 | 2014-10-11 | 大尺度动态演化沙尘型气溶胶反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104268423B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426235B (zh) * | 2015-11-06 | 2018-09-25 | 东莞理工学院 | 一种陆地大气气溶胶反演分布式工作流依赖关系刻画方法 |
CN108508411B (zh) * | 2018-03-22 | 2022-04-08 | 天津大学 | 基于迁移学习的被动雷达外辐射源信号识别方法 |
CN108896450B (zh) * | 2018-05-14 | 2020-11-03 | 中国科学院合肥物质科学研究院 | 基于多角度多通道偏振信息与深度学习技术相结合的大气气溶胶反演方法 |
CN110455254B (zh) * | 2018-12-25 | 2020-05-19 | 华中科技大学 | 一种面向飞行器导航制导的单层云云底高度估计方法 |
CN110411918B (zh) * | 2019-08-02 | 2020-09-08 | 中国科学院遥感与数字地球研究所 | 一种基于卫星偏振技术的pm2.5浓度遥感估算方法 |
CN111539474B (zh) * | 2020-04-23 | 2022-05-10 | 大连理工大学 | 一种分类器模型迁移学习方法 |
CN111537413B (zh) * | 2020-06-09 | 2020-11-24 | 中国科学院大气物理研究所 | 基于单颗粒偏光特性自适应进行沙尘颗粒物定量监测方法 |
CN111912748B (zh) * | 2020-07-29 | 2023-03-17 | 中国科学院空天信息创新研究院 | 一种含碳气溶胶线性退偏比的计算方法 |
CN112016696B (zh) * | 2020-08-14 | 2022-10-04 | 武汉大学 | 融合卫星与地基观测的pm1浓度反演方法及系统 |
CN112698354B (zh) * | 2020-12-04 | 2022-03-18 | 兰州大学 | 一种大气气溶胶与云的识别方法和系统 |
CN113237801B (zh) * | 2021-05-13 | 2022-06-28 | 北京市人工影响天气中心 | 一种识别沙尘云混合体的方法 |
CN114296103B (zh) * | 2021-12-30 | 2022-08-30 | 浙江大学 | 一种机载高光谱分辨率激光雷达消光系数反演方法 |
CN116466368B (zh) * | 2023-06-16 | 2023-08-22 | 成都远望科技有限责任公司 | 基于激光雷达和卫星资料的沙尘消光系数廓线估算方法 |
CN116449331B (zh) * | 2023-06-20 | 2023-08-15 | 成都远望科技有限责任公司 | 一种基于w波段雷达和气象卫星的沙尘粒子数浓度估算方法 |
CN117951525B (zh) * | 2024-01-31 | 2024-07-23 | 内蒙古自治区气象数据中心(内蒙古自治区气象探测中心、内蒙古自治区气象档案馆) | 基于机器学习的静止卫星反演沙尘顶高方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1945356A (zh) * | 2006-10-27 | 2007-04-11 | 武汉大学 | 多功能大气激光雷达 |
CN103197305A (zh) * | 2013-03-21 | 2013-07-10 | 武汉大学 | 基于支持向量机识别的沙尘型气溶胶反演方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010032245A2 (en) * | 2008-09-17 | 2010-03-25 | Opticul Diagnostics Ltd. | Means and methods for detecting bacteria in an aerosol sample |
-
2014
- 2014-10-11 CN CN201410532482.5A patent/CN104268423B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1945356A (zh) * | 2006-10-27 | 2007-04-11 | 武汉大学 | 多功能大气激光雷达 |
CN103197305A (zh) * | 2013-03-21 | 2013-07-10 | 武汉大学 | 基于支持向量机识别的沙尘型气溶胶反演方法 |
Non-Patent Citations (2)
Title |
---|
中国东南部地区气溶胶光学特性激光雷达探测;马盈盈 等;《遥感学报》;20091231;第13卷(第4期);第715-722页 * |
基于直推式学习和迁移学习方法改进的支持向量机分类方法及应用研究;廖朝阳;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130315(第03期);第14-16页,第31-35页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104268423A (zh) | 2015-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104268423B (zh) | 大尺度动态演化沙尘型气溶胶反演方法 | |
Acharya et al. | Unmanned aerial vehicles in hydrology and water management: Applications, challenges, and perspectives | |
CN104867180B (zh) | 一种集成uav与lidar的森林林分特征反演方法 | |
Houze Jr et al. | The variable nature of convection in the tropics and subtropics: A legacy of 16 years of the Tropical Rainfall Measuring Mission satellite | |
CN104063718B (zh) | 在作物识别和面积估算中选择遥感数据和分类算法的方法 | |
Boudreault et al. | A LiDAR method of canopy structure retrieval for wind modeling of heterogeneous forests | |
Liu et al. | Regional variation of morphology of organized convection in the tropics and subtropics | |
CN103197305A (zh) | 基于支持向量机识别的沙尘型气溶胶反演方法 | |
Nyström et al. | Prediction of tree biomass in the forest–tundra ecotone using airborne laser scanning | |
CN110095784A (zh) | 一种复杂环境影响下的海洋-低层大气激光传输建模方法 | |
Mardi et al. | Biomass burning plumes in the vicinity of the California coast: Airborne characterization of physicochemical properties, heating rates, and spatiotemporal features | |
Xue et al. | Shortwave radiation calculation for forest plots using airborne LiDAR data and computer graphics | |
Vignon et al. | Microphysics of snowfall over coastal East Antarctica simulated by Polar WRF and observed by radar | |
Nie et al. | Estimating leaf area index of maize using airborne discrete-return LiDAR data | |
Saremi et al. | Airborne LiDAR derived canopy height model reveals a significant difference in radiata pine (Pinus radiata D. Don) heights based on slope and aspect of sites | |
CN104502919A (zh) | 利用机载激光雷达点云提取城市植被三维覆盖的方法 | |
JP2019211342A (ja) | 気象解析装置、気象解析方法、およびプログラム | |
Coomes et al. | Airborne laser scanning of natural forests in New Zealand reveals the influences of wind on forest carbon | |
Fu et al. | Assessment of approaches for monitoring forest structure dynamics using bi-temporal digital aerial photogrammetry point clouds | |
Anisimov et al. | Observations and cloud‐resolving modeling of Haboob dust storms over the Arabian Peninsula | |
CN107479065A (zh) | 一种基于激光雷达的林窗立体结构量测方法 | |
Babić et al. | Cross‐valley vortices in the Inn valley, Austria: Structure, evolution and governing force imbalances | |
Arrillaga et al. | Analyzing the synoptic‐, meso‐and local‐scale involved in sea breeze formation and frontal characteristics | |
Hristova-Veleva et al. | Assimilation of DAWN Doppler wind lidar data during the 2017 Convective Processes Experiment (CPEX): Impact on precipitation and flow structure | |
CN104251691B (zh) | 森林林隙更新及叶片信息的大面积调查方法及其集成系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |