CN104865616A - 一种基于多智能体的边界层水汽探测方法 - Google Patents

Abstract

本发明公开了一种基于多智能体的边界层水汽探测方法，其特征在于，包括：多智能体系统接收由通信基站发射并经大气折射的电磁波信号，同时获取当前位置及环境信息，计算出对应的水汽含量数据。本发明的一种基于多智能体的边界层水汽探测方法可以基于现有的通信网络，观测成本降低；观测精度更高；丰富观测数据；多拓展了时间分辨率；多智能体间的通信可以根据数据产生的位置信息合并数据；多智能体个体的数据处理能力可以对数据进行预处理，使得后期的数据处理变得简单。

Description

一种基于多智能体的边界层水汽探测方法

技术领域

本发明涉及一种水汽探测方法，具体涉及一种基于多智能体的边界层水汽探测方法,本发明属于大气探测领域。

背景技术

水汽是大气中含量较少的一种微量气体，主要分布在大气的底层，尤其是高度在10～12公里以下，水汽占全部水汽总量的99％。虽然水汽的含量较少，确是大气中最活跃的组成部分，对地球上的生命具有重要意义。水汽在大气中会随着温度的变化呈现三种状态，是云和降水形成的物质基础。地球上的水分在大气、陆地和海洋之间循环，大气水汽在全球水循环过程中起着重要作用。天气现象大多是大气水汽变化的结果，水汽在相变过程中吸收和释放大量潜热，直接影响地面和空气温度，进而影响大气垂直稳定度和对流天气系统的形成和演变。水汽是一个多变参数，在大气能量传输和天气系统演变中起着非常重要的作用，大气中的水汽含量是预报中尺度或局地尺度的降雨强度的一个必要参数。因此，有效获取高精度、高时空分辨率的大气水汽信息能够准确分析中尺度恶劣天气系统的形成和演变，对于中尺度灾害性天气的预报和防灾减灾具有重要作用。

大气中影响水汽分布和含量的因素非常复杂，同时水汽也是大气中时空变化最为明显的要素。由于探测经费、探测组网和探测技术的局限性，目前，高时空分辨率的水汽资料的探测和获取依然是一个困难的问题，而高时空分辨率的水汽资料又是实现准确数值预报的前提，因此应用新的技术手段提高水汽观测精度和分辨率是当前大气探测领域最为活跃的研究方向。目前已经使用的较为有效的探测大气水汽含量的方法有地面气象站湿度计的观测方法、太阳光谱水汽分析仪方法、气象飞机探测、激光探测、雷达探测、卫星水汽观测、地基微波辐射计观测、无线电水汽探测技术、GPS测量水汽方法。其中无线电水汽探测技术是目前高空气象数据探测的最主要手段。其缺点是无线电探空仪的使用成本过高，其布网密度更低，同时观测数据的时间分辨率很低，不足以分辨水汽的快速的时空变化；受探空气球跟踪定位技术的限制，探空气球在高空复杂紊流条件和雷暴天气发生的时段定位精度很低，不能有效的监测强对流天气过程中的水汽变化。而GPS测量水汽方法是近年来发展起来的一种全新的大气观测手段。GPS测量系统缺点是GPS接收机成本过高，高密度布网难以实现，下一代的高分辨率数值天气预报模式在预报中尺度灾害性天气的时候需要2km-5km尺度的高分辨率气象资料。GPS观测系统不能满足这一要求。可见，目前现有的大气水含量探测技术普遍存在以下几点问题：1)使用成本高，不宜全面普及；2)时空分辨率低，不能提供高分辨率气象资料；3)抗干扰能力较弱，不能适用于特殊天气环境下。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种基于多智能体的边界层水汽探测方法,以解决现有技术使用成本高,时空分辨率低，抗干扰能力弱的技术问题。

为了实现上述目标，本发明采用如下的技术方案：

一种基于多智能体的边界层水汽探测方法，其特征在于，包括：多智能体系统接收由通信基站发射并经大气折射的电磁波信号，同时获取当前位置及环境信息，计算出对应的水汽含量数据。

前述的一种基于多智能体的边界层水汽探测方法，其特征在于，所述环境信息包括温度、气压。

前述的一种基于多智能体的边界层水汽探测方法，其特征在于，包括如下步骤：

步骤一：所述多智能体包括传感器智能体、管理者智能体、接口智能体，多个传感器智能体接收由通信基站发射并经大气折射的电磁波信号，传感器智能体获取当前自身的位置信息及环境信息，计算出对应的水汽含量数据，然后将位置信息、环境信息及计算所得的水汽含量数据上传到管理者智能体；

步骤二：管理者智能体接收来自传感器智能体的数据，对接收到的水汽含量数据根据位置信息进行验证，将有问题的数据排除掉，得到有效数据；再对有效数据进行预处理，将预处理完毕的数据上传接口智能体，根据接口智能体发送的控制信息更改传感器智能体发送数据的频率；

步骤三：接口智能体汇总管理者智能体处理过的数据并进行再处理，将所有传感器智能体当前位置信息、状态以及有效数据实时显示在地图上，并控制和更改整个系统的参数。

前述的一种基于多智能体的边界层水汽探测方法，其特征在于，所述步骤二中，对有效数据进行预处理的步骤包括如下：

步骤a：将样本空间划分为互不重叠的子空间，每个子空间称为一层；

步骤b：在每一层进行随机抽样。

前述的一种基于多智能体的边界层水汽探测方法，其特征在于，所述步骤a包括：以通信基站为中心，以r为半径的覆盖范围划分为k个环；分别设定k个距离d₁，d₂，d₃，…，d_k，k为正整数，d_i为第i个环与通信基站之间的距离，1≤i≤k，确定每一层环的大小。

前述的一种基于多智能体的边界层水汽探测方法，其特征在于，所述步骤b包括：确定每一层的样本数n₁，n₂，n₃，…，n_k，使得抽样结果均匀分布在整个空间；每一层的样本数：其中设定的样本基数1000个，每一层所覆盖的对象个数500个；

S(d₁)＝RQ(r₁)，S(d₂)＝RQ(r₂)-RQ(r₁)，…，S(d_i)＝RQ(r_i)-RQ(r_i-1)，…；r₁＝d₁，r₂＝r₁+d₂，…，r_i＝r_i-1+d_i。

前述的一种基于多智能体的边界层水汽探测方法，其特征在于，所述R通过传感器智能体范围查询实现。

前述的一种基于多智能体的边界层水汽探测方法，其特征在于，所述范围查询是指查询以通信基站所在位置GPS坐标点为中心，半径长度等于查询半径100m的圆内的对象子集。

本发明的有益之处在于：本发明的一种基于多智能体的边界层水汽探测方法可以基于现有的通信网络，观测成本降低；观测精度更高；利用不同波长的电磁波信号不同的传输特性，丰富观测数据；多智能体接收电磁波信号的时间间隔可调，拓展了时间分辨率；多智能体间的通信可以根据数据产生的位置信息合并数据；多智能体个体的数据处理能力可以对数据进行预处理，使得后期的数据处理变得简单。

附图说明

图1是本发明的一个优选实施的结构示意图；

图2是电磁波在大气底层传播路径S和智能体与基站间距离G示意图；

图3是多智能体系统结构图；

图4是传感器智能体与通信基站位置示意图；

图5是基于位置抽样；

图6是系统流程图；

图中附图标记的含义：

图1中，1为通信基站，2为多智能体系统，其中2-1-1-1～2-1-n-n为传感器智能体，2-2-1～2-2-n为管理者智能体，2-3为接口智能体。图2中1为通信基站，2为传感器智能体。图3中1-1-1～1-n-n为传感器智能体，2-1～2-n为管理者智能体，3为接口智能体。图4中1为通信基站2-1～2-4为传感器智能体。

具体实施方式

以下结合附图和具体实施例对本发明作具体的介绍。

参照图1所示，提出一种将多智能体应用于气象预报领域，探测大气边界层水汽含量的方法。通过多智能体接收来自通信基站的电磁波信号，利用无线电信号在大气中传输时所产生的信号折射现象求出大气折射率。由于大气折射率是温度、气压和水汽压的函数，在已知气压和温度的条件下可以由大气折射率反演出大气中的水汽含量。多智能体接收来自通信基站的信号是一种被动接收电磁波信号的测量方法，当智能体接收到电磁波信号后，由各个多智能体之间相互通信，抽样出当前的位置，通过决策机制，改变位置后再次接收电磁波信号。包括：多智能体系统接收由通信基站发射并经大气折射的电磁波信号，同时获取当前位置及环境信息，计算出对应的水汽含量数据。通信基站，发射电磁波信号；多智能体系统，在已知温度和气压条件下，接收由通信基站发射并经过大气折射的电磁波信号，然后计算反演出大气中的水含量。多智能体系统又包括：传感器智能体，主要功能是⑴接收当前位置的电磁波信号，⑵获取当前位置的相关信息数据，⑶获取环境参数信息数据，⑷计算出对应的水汽含量数据，⑸将水汽含量数据、位置信息数据、环境参数等数据上传给管理者智能体；管理者智能体，主要功能是⑴对接收到的水汽含量数据根据位置信息数据进行验证，⑵对验证完成的数据进行抽样。⑶与关联的管理者智能体根据位置信息合并数据，⑷将所有预处理完毕是数据上传到接口智能体，⑸根据接口智能体发送的控制信息更改传感器智能体发送数据的频率；接口智能体，主要功能是⑴将所有传感器智能体当前位置和状态显示在地图上，⑵人为控制和更改整个系统参数。

如图1所示，一种基于多智能体的边界层水汽探测方法具体实施主要包括两个部分：通信基站1和多智能体系统2。多智能体系统包括：传感器智能体2-1(有多个，编号从2-1-1-1到2-1-n-n)，管理者智能体2-2(有多个，编号从2-1-1到2-1-n)，接口智能体2-3。

本发明的原理如下：

电磁波在真空中以约3×10⁸m/s的速度直线传播，但在大气中传播时，特别是在远距离且大气中气象要素有异常的铅直分布时，电磁波会出现明显的曲线传播现象，这种光波或电磁波在大气中曲线传播的现象称为大气折射。折射的本质是由于传播介质的物理特性不同形成不同的层面，是由电磁波在不均匀介质中传播速度不同引起的，当电磁波传播方向与介质界面不垂直时发生传播方向的偏转，即折射，用Maxwell方程组研究平面波时可以得到：

$v=\frac{1}{\sqrt{\mathrm{\ϵ\μ}}}$

其中v是电磁波在某种均匀介质中的传播速度，ε和μ是该介质的绝对介电常数和绝对导磁系数。

考虑大气在外电场作用下的极化情况，由无极分子组成的介质极化时，它的分子形成一个电偶极子，并具有电偶极矩它与作用在分子上的电场成正比，即

$\stackrel{\→}{p}=\mathrm{\β}\stackrel{\→}{E^{\′}}\≈\mathrm{\β}\stackrel{\→}{E}$

其中，β是一个分子的极化率，是作用在分子上的电场称为有效电场，是平均电场。对于水汽分子等有极分子，其偶极矩可以分成两个部分，偶极矩与分子极性的取向是有关联的，与外电场是无关的，所以可以表示为：

$\stackrel{\→}{p_1}=\frac{\mathrm{\β}\stackrel{\→}{E}}{1-\frac{4}{3}\mathrm{\π\β}}$

在弱电场和常温的条件下，可以表示为：

$\frac{\mathrm{\ϵ}-1}{\mathrm{\ϵ}+2}=\frac{4\mathrm{\πN}}{3}(\mathrm{\β}+\frac{p^2}{3\mathrm{kT}});$

大气由干空气的无极分子和水汽的有极分子混合构成，故在电场的作用下，混合气体的电极化矢量可以表示：

$\stackrel{\→}{p}=\stackrel{\→}{p_n}+\stackrel{\→}{p_p}=K_n\stackrel{\→}{E}+K_p\stackrel{\→}{E}$

式中依次表示无极分子的极化矢量、极化率和有极分子的极化矢量、极化率，在不考虑和的差别时，可以得到混合气体的极化率K为：

$K=N_n{\mathrm{\β}}_n+N_p(\mathrm{\β}+\frac{p^2}{3\mathrm{kT}})$

本发明方法实际上是一个逆向过程，是利用电磁波信号的在大气中的传输特征反演大气的折射指数，然后根据折射指数和温度T以及气压P计算得到大气中的水汽压值或水汽分布状况。分解干湿分量以后的可以得到大气折射指数的表达式

$N=77.6\frac{P}{T}+3.75\×{10}^5\frac{e}{T^2}=N_{\mathrm{dry}}+N_{\mathrm{wet}}$

其中第一项N_dry只与大气压力P和温度T有关，第二项N_wet则与水汽压e有关，称为湿折射项。其中N_dry的变化范围在225～325个单位之间，N_wet的变化范围0～150个N单位之间。

在实际的水汽反演的过程中N值可以通过比较电磁波发射与接收位置之间的实际传播距离与视在传播距离(伪距)之间的关系来获得，如图2所示。

传播增加的路径可以表示为：

$\mathrm{\ΔL}=\mathrm{c\Δt}-G=c{\∫}_L\frac{\mathrm{ds}}{v}-G=\∫n\left(s\right)\mathrm{ds}-G$

其中c是真空中的光速，Δt是信号实际传播的时间，v是信号在大气中传播的速度，n(s)是信号在传输路径上的平均折射率，积分是沿着电磁波信号传播的弯曲路径进行，G则是信号收发台之间的实际几何距离，式子可以改写为下面的形式：

$\mathrm{\ΔL}={\∫}_L[n\left(s\right)-1+1]\mathrm{ds}-G={\∫}_L[n\left(s\right)-1]\mathrm{ds}-(S-G)$

其中S是传播的路径的长度，式中第一项是减慢项，只与大气折射率n有关，而n反比于v传播速度，式中的第二项为信号弯曲项，是信号弯曲的路径S与直线传播的路径G之差，传播的路径增加主要是由于信号的减慢效应造成的，用大气折射指数替代大气折射率则有：

$\mathrm{\ΔL}={10}^{-6}\×{\∫}_{L}N\left(s\right)\mathrm{ds}$

而ΔL又可以分解为

$\mathrm{\ΔL}={10}^{-6}\×{\∫}_L(N_{\mathrm{dry}}+N_{\mathrm{wet}})\mathrm{ds}=\mathrm{\Δ}{L}_d+\mathrm{\Δ}{L}_w$

式中ΔL_d和ΔL_w分别称为干延迟和湿延迟。

结合图3、图4、图5说明一种基于多智能体的边界层水汽探测方法，具体实施步骤如下：

多个传感器智能体首先在各自的当前位置接收由通信基站发射并经大气折射的电磁波信号并获取当前位置的相关信息数据和环境参数数据，然后根据上面介绍的测量原理计算出对应的水汽含量数据，最后将水汽含量数据、位置信息数据和环境参数等数据上传管理者智能体。同时每个传感器智能体与其余的传感器智能体都是相关联的。

管理者智能体首先根据传感器智能体的位置信息数据对接收到的水汽含量数据进行验证提取有效数据，然后根据有效数据相关的位置数据，进行基于位置的抽样，采集均匀分布在覆盖范围内的位置上的信息。(如图4、图5所示，基于位置的抽样方法具体实施如下：(1)分层，将样本空间划分为互不重叠的子空间，每个子空间称为一层。以通信基站为中心，以r为半径的覆盖范围划分为若干个环。这里不限定r的大小，k为正整数。作为示例，设k＝5，分别设定5个距离d₁，d₂，d₃，…，d_k确定每一层的大小。(2)随机抽样，在每一层进行随机抽样。确定每一层的样本数n₁，n₂，n₃，…，n_k，使得抽样结果均匀分布在整个空间。每一层的样本数：其中设定的样本基数1000个，每一层所覆盖的对象个数500个。

S(d₁)＝RQ(r₁)，S(d₂)＝RQ(r₂)-RQ(r₁)，…，S(d_i)＝RQ(r_i)-RQ(r_i-l)，…

r₁＝d_l，r₂＝r₁+d₂，…，r_i＝r_i-1+d_i，…

RQ(r_i)可以通过传感器智能体范围查询实现。根据传感器智能体分布的具体情况，又可分为欧式距离范围查询和网络距离范围查询。所谓范围查询是指查询以通信基站所在位置GPS坐标点为中心，半径长度等于查询半径100M的圆内的对象子集。为了提高范围查询的效率，采用LUR-tree对存储的移动对象构建索引。)然后与关联的管理者智能体根据位置信息合并数据，并将所有预处理完毕的数据上传到接口智能体。最后根据接口智能体发送的控制信息更改传感器智能体发送数据的频率。

接口智能体汇总由理者智能体处理过的有效数据，将所有传感器智能体当前位置和状态显示在地图上，并按照需求人为控制和更改整个系统的参数。

步骤(1)和步骤(2)中对于传感器智能体和管理者智能体有一些规则可以使其更有效工作或相互之间更好协作。

传感器智能体工作规则：

时间分辨率规则，用来根据预先建立时间分辨率或控制指令来控制接收电磁波信号的时间分辨率。

数据采集规则，用来获取当前位置的相关信息和环境参数，如：GPS数据，温度，相对湿度，风向，风速，雨量，气压，太阳辐射等。

水汽的计算规则，用来设置不同的水汽计算算法。

传感器连接规则，用来和附近的管理者智能体和传感器智能体进行数据通信。

管理者智能体合作规则：

相关规则，用来检测多个提供数据的传感器智能体之间的通信并评价这些数据。

数据抽样规则，用来设置不同的数据抽样算法。

数据合并规则，用来将传感器智能体采集到的数据和传统方法获得的数据或历史数据进行合并。

通信规则，用来定义传感器智能体和管理者智能体之间的通信协议。

可见，本发明的有益效果有：

⑴可以基于现有的通信网络，例如移动通信网络、数字广播网络等，无需重新构建观测网，观测成本降低；

⑵电磁波信号在边界层为直线或准直线在地表传输，不经过电离层反射，没有电离层延迟干扰的现象，观测精度更高；

⑶利用不同波长的电磁波信号不同的传输特性，丰富观测数据；

⑷多智能体接收电磁波信号的时间间隔可调，拓展了时间分辨率；

⑸多智能体间的通信可以根据数据产生的位置信息合并数据；

⑹多智能体个体的数据处理能力可以对数据进行预处理，使得后期的数据处理变得简单。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (8)

1.一种基于多智能体的边界层水汽探测方法，其特征在于，包括：多智能体系统接收由通信基站发射并经大气折射的电磁波信号，同时获取当前位置及环境信息，计算出对应的水汽含量数据。

2.根据权利要求1所述的一种基于多智能体的边界层水汽探测方法，其特征在于，所述环境信息包括温度、气压。

3.根据权利要求1所述的一种基于多智能体的边界层水汽探测方法，其特征在于，包括如下步骤：

步骤一：所述多智能体包括传感器智能体、管理者智能体、接口智能体，多个传感器智能体接收由通信基站发射并经大气折射的电磁波信号，传感器智能体获取当前自身的位置信息及环境信息，计算出对应的水汽含量数据，然后将位置信息、环境信息及计算所得的水汽含量数据上传到管理者智能体；

步骤二：管理者智能体接收来自传感器智能体的数据，对接收到的水汽含量数据根据位置信息进行验证，将有问题的数据排除掉，得到有效数据；再对有效数据进行预处理，将预处理完毕的数据上传接口智能体，根据接口智能体发送的控制信息更改传感器智能体发送数据的频率；

步骤三：接口智能体汇总管理者智能体处理过的数据并进行再处理，将所有传感器智能体当前位置信息、状态以及有效数据实时显示在地图上，并控制和更改整个系统的参数。

4.根据权利要求3所述的一种基于多智能体的边界层水汽探测方法，其特征在于，所述步骤二中，对有效数据进行预处理的步骤包括如下：

步骤a：将样本空间划分为互不重叠的子空间，每个子空间称为一层；

步骤b：在每一层进行随机抽样。

5.根据权利要求4所述的一种基于多智能体的边界层水汽探测方法，其特征在于，所述步骤a包括：以通信基站为中心，以r为半径的覆盖范围划分为k个环；分别设定k个距离d₁,d₂,d₃,…,d_k，k为正整数，d_i为第i个环与通信基站之间的距离，1≤i≤k，确定每一层环的大小。

6.根据权利要求5所述的一种基于多智能体的边界层水汽探测方法，其特征在于，所述步骤b包括：确定每一层的样本数n₁,n₂,n₃,…,n_k，使得抽样结果均匀分布在整个空间；每一层的样本数：其中设定的样本基数1000个，每一层所覆盖的对象个数500个；S(d₁)＝RQ(r₁),S(d₂)＝RQ(r₂)-RQ(r₁),…,S(d_i)＝RQ(r_i)-RQ(r_i-1),…；r₁＝d₁,r₂＝r₁+d₂,…,r_i＝r_i-1+d_i。

7.根据权利要求6所述的一种基于多智能体的边界层水汽探测方法，其特征在于，所述R通过传感器智能体范围查询实现。

8.根据权利要求7所述的一种基于多智能体的边界层水汽探测方法，其特征在于，所述范围查询是指查询以通信基站所在位置GPS坐标点为中心，半径长度等于查询半径100M的圆内的对象子集。