CN107966745B - 一种用于分层大气湍流强度测量的高度优化方法 - Google Patents

一种用于分层大气湍流强度测量的高度优化方法 Download PDF

Info

Publication number
CN107966745B
CN107966745B CN201711096299.5A CN201711096299A CN107966745B CN 107966745 B CN107966745 B CN 107966745B CN 201711096299 A CN201711096299 A CN 201711096299A CN 107966745 B CN107966745 B CN 107966745B
Authority
CN
China
Prior art keywords
sub
target
aperture
atmospheric
atmospheric turbulence
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
Application number
CN201711096299.5A
Other languages
English (en)
Other versions
CN107966745A (zh
Inventor
王志勇
饶长辉
张兰强
孔林
鲍华
郭有明
饶学军
钟立波
朱磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Optics and Electronics of CAS
Original Assignee
Institute of Optics and Electronics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Optics and Electronics of CAS filed Critical Institute of Optics and Electronics of CAS
Priority to CN201711096299.5A priority Critical patent/CN107966745B/zh
Publication of CN107966745A publication Critical patent/CN107966745A/zh
Application granted granted Critical
Publication of CN107966745B publication Critical patent/CN107966745B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W2001/003—Clear air turbulence detection or forecasting, e.g. for aircrafts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Photometry And Measurement Of Optical Pulse Characteristics (AREA)

Abstract

本发明公开了一种用于分层大气湍流强度测量的高度优化方法，该方法对大视场夏克‑哈特曼波前传感器的子孔径图像进行多次分割，获取每次分割区域的子孔径斜率作为输入，利用太阳差分图像运动监测仪加(S‑DIMM+)方法或S‑DIMM+的改进、泛化方法，获得一定高度范围的分层大气湍流层的局部大气相干长度，并判断高层大气湍流强度权重与阈值之间的关系，最终输出大气湍流分布的高度范围。本发明方法通过将波前传感器探测的大气湍流层高度范围从最高高度依次降低，直到覆盖了主要的大气湍流产生区域，并通过阈值进一步优化输出大气湍流分布的高度范围。该方法考虑到大气湍流主要位于低层大气空间，且能充分利用波前传感器的硬件性能。

Description

一种用于分层大气湍流强度测量的高度优化方法
技术领域
本发明属于大气光学技术领域，具体涉及一种对大气湍流强度进行分层测量的高度的优化方法。
背景技术
大气光学湍流随大气垂直高度的分布用大气折射率结构常数
Figure BDA0001461910800000011
表征，其是多层共轭自适应光学(Multi-Conjugate Adaptive Optics,MCAO)的核心知识，同时也是评价望远镜站址好坏的关键参数，
Figure BDA0001461910800000012
测量结果可以用于优化系统参数，包括伺服闭环带宽、波前重构算法以及MCAO系统反射镜的共轭高度等。大气相干长度r0，是评价大气湍流特性的一个重要参数，大气折射率结构常数
Figure BDA0001461910800000013
与大气相干长度r0之间的函数关系为：
Figure BDA0001461910800000014
因此可以通过将大气湍流离散为有限数量的均匀薄层，并测量每层大气湍流层的局部大气相干长度r0(h)，从而得到大气折射率结构常数
Figure BDA0001461910800000015
太阳差分图像运动监测仪加(S-DIMM+,Scharmer G B,Van Werkhoven T I M.S-DIMM+height characterization of day-time seeing using solar granulation[J].Astronomy&Astrophysics,2010,513:A25.)方法由Scharmer&van Werkhoven提出，其通过太阳米粒结构的斜率计算，在空间域内实现白天大气湍流的分层测量，获得一定高度范围内的离散大气层的湍流强度参数，如局部大气相干长度r0(h)。该方法优点是不受望远镜运动和跟踪误差的影响，同时配合大口径太阳望远镜的使用，可获得高空间分辨率大气分层测量结果。然而根据波前传感器子孔径排布、望远镜口径以及子孔径图像分割目标的角度间隔，常规方法是测量固定高度的大气湍流，但是实际大气湍流随机垂直高度随机分布，这种固定高度的大气湍流测量方法，无法保证波前传感器探测的高度范围覆盖了主要的大气湍流产生区域，同时对于子孔径数目较少的波前传感器，其可以探测的大气湍流层数也越少，相邻湍流层之间的高度间隔越大，这将无法准确测量大气湍流层存在的高度位置，且导致大气湍流分层测量时结果不精确，因此如何充分利用波前传感器的硬件性能，保证有限的探测层数范围内包含主要的大气湍流产生区域，也是一个需要解决的问题。大气湍流随高度分布的准确测量，将有利于系统参数的调整，如多层共轭自适应光学系统反射镜的共轭高度、系统伺服带宽和波前重构算法等。
根据以上背景描述可知，为了充分利用波前传感器的硬件性能，保证波前传感器探测的大气湍流层高度范围覆盖了主要的大气湍流产生区域，避免大气湍流分层测量时相邻湍流层之间高度间隙过大，本发明方法提出一种用于分层大气湍流强度测量的高度优化方法，通过对大视场夏克-哈特曼波前传感器的子孔径图像多次分割出2个目标区域，将波前传感器探测的大气湍流层高度范围从最高高度依次降低，直到获得的高层大气湍流强度权重大于阈值，则停止对子孔径图像的再次分割，最后输出波前传感器探测的大气湍流高度分布范围。该发明方法对于子孔径数目较少和探测大气湍流层数较少的波前传感器具有明显的优势。
发明内容
本发明目的在于解决上述现有技术的不足，提出一种用于分层大气湍流强度测量的高度优化方法。
本发明采用的技术方案为：一种用于分层大气湍流强度测量的高度优化方法，该方法包括如下步骤：
步骤(1)、记录连续M帧大视场夏克-哈特曼波前传感器图像，波前传感器子孔径直径D，波前传感器子孔径排布，横跨望远镜瞳面直径的波前传感器子孔径数N；
步骤(2)、对单个子孔径图像初始分割出2个目标，根据子孔径排布分别计算2个目标在各个子孔径的斜率；
步骤(3)、采用太阳差分图像运动监测仪加(S-DIMM+)方法，或在S-DIMM+方法基础上改进或泛化的方法，以步骤(2)的斜率和子孔径排布作为输入，获得一定高度范围的离散为多层薄层的大气层的局部大气相干长度，或含有局部大气相干长度的新参数；
步骤(4)、获取每层大气层的大气湍流强度权重，大气湍流强度用大气相干长度表征；通过判断大气湍流强度权重分布，得到大气湍流产生的主要高度范围；
步骤(5)、判断特定高度大气层的湍流权重是否超过阈值P，或特定高度范围内的大气层的湍流权重之和是否超过阈值P；若超过P，则输出大气湍流分布的高度范围；若小于等于阈值P，则返回步骤(2)，对单个子孔径图像重新分割出2个目标，并重复步骤后续步骤；其中重新分割的两个目标的角度间隔大于前一次分割出的两个目标的角度间隔，这样波前传感器探测的大气湍流高度范围将低于前一次探测的高度范围；波前传感器探测高度范围依次降低，充分考虑到大气湍流主要位于低层大气空间，且这有利于利用波前传感器的硬件性能，特别是对于子孔径数目较少和探测大气湍流层数较少的波前传感器更具有明显的优势。
其中，在步骤(2)和步骤(3)中，对单个子孔径图像初始分割出的2个目标，即目标1和目标2，在两个目标连线方向的尺寸为α，且目标1和目标2的初始中心间隔也为α；根据目标1和目标2的斜率以及子孔径的排布，S-DIMM+方法获取局部大气相干长度的步骤为：
(a).根据子孔径排布，选择两个子孔径，即子孔径1和子孔径2，子孔径间的距离为s；子孔径中心点连线方向定义为x方向，垂直连线的方向定义为y方向，子孔径1的目标1定义为坐标原点0，子孔径1的目标2定义为坐标α，子孔径2的目标1定义为坐标s，子孔径2的目标2定义为坐标s+α；
(b).获取目标1在子孔径1和子孔径2的x方向的斜率：x[1](0),x[1](s)，其中上标[1]表示目标1；获取目标2在子孔径1和子孔径2的x方向的斜率：x[2](α)，x[2](s+α)，其中上标[2]表示目标2；同理，y方向的斜率依次为：y[1](0),y[1](s),y[2](α)，y[2](s+α)；
(c).获取目标1和目标2在x方向的斜率差分协方差：
<δx[1](s,0)δx[2](s,α)>＝<(x[1](s)-x[1](0))(x[2](s+α)-x[2](α))> (12)
获取目标1和目标2在y方向的斜率差分协方差：
<δy[1](s,0)δy[2](s,α)>＝<(y[1](s)-y[1](0))(y[2](s+α)-y[2](α))> (13)
(d).由波前传感器子孔径直径D，横跨望远镜瞳面直径的波前传感器子孔径数N，目标1和目标2的初始间隔α，确定波前传感器可以探测的分层大气湍流层高度hn依次为：0，D/α，…，(N-1)D/α，共N层；空间结构函数由参数s,α1，D，hn确定，其中x方向的空间结构函数为cnFx(s,α,hn)，y方向的空间结构函数为cnFy(s,α,hn)，其中：
cn＝0.358λ2r0(hn)-5/3Deff(hn) (14)
Fx(s,α,hn)＝I((αhn-s)/Deff,0)/2+I((αhn+s)/Deff,0)/2-I((αhn)/Deff,0) (15)
Fy(s,α,hn)＝I((αhn-s)/Deff,π/2)/2+I((αhn+s)/Deff,π/2)/2-I((αhn)/Deff,π/2)(16)
I(s/D,0)＝1-541/(s/D)1/3 (17)
I(s/D,π/2)＝1-0.811/(s/D)1/3 (18)
Deff(hn)＝D+αhn (19)
其中r0(hn)表示高度为hn的大气湍流层的局部大气相干长度，λ表示探测光波的波长；
(f).采用最小二乘拟合方法，获取大气湍流高度hn的局部大气相干长度r0(hn),拟合公式为：
Figure BDA0001461910800000041
其中，每层湍流层的湍流权重计算公式为：
Figure BDA0001461910800000042
其中W(hn)表示高度为hn的湍流强度占整个大气湍流强度的比例。
其中，当特定高度的湍流强度权重或特定高度范围内的湍流权重小于等于阈值P，则返回步骤(2)，对单个子孔径图像重新分割出2个目标，即目标1和目标2，目标尺寸为α，目标1和目标2的角度间隔调整为α＝α+△，其中△是大于0的常数，此时波前传感器可以探测的分层大气湍流层高度hn作相应的调整。
本发明与现有技术相比的优点在于：
(1)本发明通过多次重复测量，通过判定特定高度的湍流强度权重或特定高度范围内的湍流权重在占整个大气湍流强度的比例，即阈值，来调整夏克-哈特曼波前传感器探测的大气湍流层高度范围，减小相邻湍流层之间的高度间隙，保证波前传感器充分发挥硬件性能。
(2)本发明通过将夏克-哈特曼波前传感器探测的大气湍流层高度范围从最高高度依次降低，有利于保证高度范围覆盖了主要的大气湍流产生区域，避免高层大气湍流层在测量时被遗漏。
(3)本发明并不改变原计算方法的原理和计算难度，不增加新的硬件，不增加系统复杂度，但是能充分减小相邻湍流层之间的高度间隙，同时减小的高度间隙有利于改善大气湍流分层测量的精度，利于系统参数调整，包括多层共轭自适应光学系统反射镜的共轭高度、系统伺服带宽和波前重构算法等，同时有利于更好的发挥MCAO系统功能保证的。
附图说明
图1为本发明一种用于分层大气湍流强度测量的高度优化方法流程图；
图2为37单元大视场夏克-哈特曼波前传感器子孔径排布示意图；
图3为大视场夏克-哈特曼波前传感器子孔径太阳黑子区域图像分割示意图；
图4为目标1和目标2在子孔径1和子孔径2上的位置关系示意图。
为了说明的简洁和清楚，附图说明了结构的一般的方式，公知特征和技术的描述和细节被省略以避免不必要地模糊对本发明的所描述的实施例的讨论。此外，附图中的元件并非必然按照比例来绘制。例如，附图中一些元件的尺寸相对于其它的元件被放大以帮助改进对本发明的实施例的理解。
具体实施方式
下面结合附图以及具体实施例进一步说明本发明。
具体实施例为中国科学院云南天文台1米太阳望远镜(NVST)以及地表层自适应光学(GLAO)原理样机，该样机装备一个37单元的大视场夏克-哈特曼波前传感器，图2为该传感器子孔径排布图，其有效子孔径数目为30，该传感器可以探测7层大气湍流层。实施例采集帧频为100Hz，帧数为500的太阳黑子区域图像。实施例的步骤为：
(1)记录连续500帧大视场夏克-哈特曼波前传感器图像，横跨望远镜瞳面直径的波前传感器子孔径数N＝7，波前传感器子孔径直径D＝0.14m。
(2)将单个子孔径图像初始分割出2个目标(图3为分割示意图)，即目标1和目标2，目标1和目标2在中心连线方向的尺寸为7″，初始分割的目标1和目标2的角度间隔为7″，用互相关算法分别计算目标1和目标2在30个子孔径的斜率。
(3)根据子孔径排布，选择两个子孔径：子孔径1和子孔径2，子孔径间的距离为s(s＝0.14i m,其中i＝0,1,…,6)。子孔径中心点连线方向定义为x方向，垂直连线的方向定义为y方向，子孔径1的目标1定义为坐标原点0，子孔径1的目标2定义为坐标原点α，子孔径2的目标1定义为坐标原点s，子孔径2的目标2定义为坐标原点s+α，见图4。
获取目标1在子孔径1和子孔径2的x方向的斜率：x[1](0),x[1](s)，其中上标[1]表示目标1。获取目标2在子孔径1和子孔径2的x方向的斜率：x[2](α)，x[2](s+α)，其中上标[2]表示目标2。同理，y方向的斜率依次为：y[1](0),y[1](s),y[2](α)，y[2](s+α)。
获取目标1和目标2在x方向和y方向的斜率差分协方差：
<δx[1](s,0)δx[2](s,α)>＝<(x[1](s)-x[1](0))(x[2](s+α)-x[2](α))> (22)
〈δy[1](s,0)δy[2](s,α)〉＝〈(y[1](s)-y[1](0))(y[2](s+α)-y[2](α))〉 (23)
由横跨望远镜瞳面直径的波前传感器子孔径数N＝7，子孔径直径D＝0.14，角度间隔α＝7″，确定波前传感器可以探测的大气湍流高度hn，依次为：0km、4.13km、8.25km、12.38km、16.50km、20.63km、24.75km。
由参数s,α，D，hn确定x方向和y方向的空间结构函数：cnFx(s,α,hn)和cnFy(s,α,hn)，其中：
cn＝0.358λ2r0(hn)-5/3Deff(hn) (24)
Fx(s,α,hn)＝I((αhn-s)/Deff,0)/2+I((αhn+s)/Deff,0)/2-I((αhn)/Deff,0) (25)
Fy(s,α,hn)＝I((αhn-s)/Deff,π/2)/2+I((αhn+s)/Deff,π/2)/2-I((αhn)/Deff,π/2)(26)
I(s/D,0)＝1-541/(s/D)1/3 (27)
I(s/D,π/2)＝1-0.811/(s/D)1/3 (28)
Deff(hn)＝D+αhn (29)
其中r0(hn)表示高度为hn的大气湍流层的局部大气相干长度，光波波长λ＝550nm。
采用最小二乘拟合方法，获取大气湍流高度hn的局部大气相干长度r0(hn)，拟合方程为：
Figure BDA0001461910800000061
(4)计算每层湍流层的湍流权重计算公式为：
Figure BDA0001461910800000062
其中W(hn)表示高度为hn的湍流强度占整个大气湍流强度的比例。
(5)阈值P＝0.03,即将大气湍流存在的高度范围放在97％的置信区间；实施例判断最高层大气湍流强度权重W((N-1)D/α)与阈值P的关系，若W((N-1)D/α)≤p＝0.03，回到步骤(2)，则对单个子孔径图像重新分割出2个目标，即目标1和目标2，目标尺寸不变，目标1和目标2的角度间隔调整为9″，即△＝2″，此时波前传感器可以探测的分层大气湍流层高度hn调整为：0km、3.21km、6.42km、9.63km、12.83km、16.04km、19.25km，并重复执行后续步骤；若W((N-1)D/α1)>p＝0.03，则输出大气湍流层高度：0km、4.13km、8.25km、12.38km、16.50km、20.63km、24.75km。
通过多次循环计算发现，当角度间隔从7″～15″调整时，W((N-1)D/α)＝0，即r0((N-1)D/α)为无穷大，在波前传感器可以探测的最高高度不存在大气湍流，当α＝17″满足要求。表1列出了α＝15″随大气湍流随高度分布情况，表2列出了α＝17″随大气湍流随高度分布情况，其中inf表示无穷大，即该层大气不存在大气湍流。
表1角度间隔调整为15″时，大气湍流随高度分布(cm)
高度(km) 0 1.93 3.85 5.78 7.70 9.63 11.55
r<sub>0</sub>(h<sub>n</sub>) 14.03 22.95 Inf Inf Inf 21.22 Inf
表2角度间隔调整为17″，大气湍流随高度分布(cm)
高度(km) 0 1.70 3.40 5.10 6.79 8.49 10.19
r<sub>0</sub>(h<sub>n</sub>) 14.32 32.36 46.27 Inf 96.59 22.240 58.93
当α＝17″时，高度为10.19km的大气层的大气湍流权重为：
Figure BDA0001461910800000071
输出大气湍流分布的高度范围：
0km、1.70km、3.40km、5.10km、6.79km、8.49km、10.19km。
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，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解到的替换或增减，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (4)

1.一种用于分层大气湍流强度测量的高度优化方法，其特征在于，该方法包括如下步骤：
步骤(1)、记录连续M帧大视场夏克-哈特曼波前传感器图像，波前传感器子孔径直径D，波前传感器子孔径排布，横跨望远镜瞳面直径的波前传感器子孔径数N；
步骤(2)、对单个子孔径图像初始分割出2个目标，根据子孔径排布分别计算2个目标在各个子孔径的斜率；
步骤(3)、采用太阳差分图像运动监测仪加S-DIMM+方法，或在S-DIMM+方法基础上改进或泛化的方法，以步骤(2)的斜率和子孔径排布作为输入，获得一定高度范围的离散为多层薄层的大气层的局部大气相干长度，或含有局部大气相干长度的新参数；
步骤(4)、获取每层大气层的大气湍流强度权重，大气湍流强度用大气相干长度表征；通过判断大气湍流强度权重分布，得到大气湍流产生的主要高度范围；
步骤(5)、判断特定高度大气层的湍流权重是否超过阈值P，或特定高度范围内的大气层的湍流权重之和是否超过阈值P；若超过P，则输出大气湍流分布的高度范围；若小于或者等于阈值P，则返回步骤(2)，对单个子孔径图像重新分割出2个目标，并重复步骤后续步骤；其中重新分割的两个目标的角度间隔大于前一次分割出的两个目标的角度间隔，这样波前传感器探测的大气湍流高度范围将低于前一次探测的高度范围。
2.根据权利要求1所述的一种用于分层大气湍流强度测量的高度优化方法，其特征在于，在步骤(2)和步骤(3)中，对单个子孔径图像初始分割出的2个目标，即目标1和目标2，在两个目标连线方向的尺寸为α，且目标1和目标2的初始中心间隔也为α；根据目标1和目标2的斜率以及子孔径的排布，S-DIMM+方法获取局部大气相干长度的步骤为：
(a).根据子孔径排布，选择两个子孔径，即子孔径1和子孔径2，子孔径间的距离为s；子孔径中心点连线方向定义为x方向，垂直连线的方向定义为y方向，子孔径1的目标1定义为坐标原点0，子孔径1的目标2定义为坐标α，子孔径2的目标1定义为坐标s，子孔径2的目标2定义为坐标s+α；
(b).获取目标1在子孔径1和子孔径2的x方向的斜率：x[1](0),x[1](s)，其中上标[1]表示目标1；获取目标2在子孔径1和子孔径2的x方向的斜率：x[2](α)，x[2](s+α)，其中上标[2]表示目标2；同理，y方向的斜率依次为：y[1](0),y[1](s),y[2](α)，y[2](s+α)；
(c).获取目标1和目标2在x方向的斜率差分协方差：
<δx[1](s,0)δx[2](s,α)>＝<(x[1](s)-x[1](0))(x[2](s+α)-x[2](α))> (1)
获取目标1和目标2在y方向的斜率差分协方差：
<δy[1](s,0)δy[2](s,α)>＝<(y[1](s)-y[1](0))(y[2](s+α)-y[2](α))> (2)
(d).由波前传感器子孔径直径D，横跨望远镜瞳面直径的波前传感器子孔径数N，目标1和目标2的初始间隔α，确定波前传感器探测的分层大气湍流层高度hn依次为：0，D/α，…，(N-1)D/α，共N层；空间结构函数由参数s，α，D，hn确定，其中x方向的空间结构函数为cn Fx(s,α,hn)，y方向的空间结构函数为cn Fy(s,α,hn)，其中：
cn＝0.358λ2r0(hn)-5/3Deff(hn) (3)
Fx(s,α,hn)＝I((αhn-s)/Deff,0)/2+I((αhn+s)/Deff,0)/2-I((αhn)/Deff,0) (4)
Fy(s,α,hn)＝I((αhn-s)/Deff,π/2)/2+I((αhn+s)/Deff,π/2)/2-I((αhn)/Deff,π/2)(5)
I(s/D,0)＝1-541/(s/D)1/3 (6)
I(s/D,π/2)＝1-0.811/(s/D)1/3 (7)
Deff(hn)＝D+αhn (8)
其中r0(hn)表示高度为hn的大气湍流层的局部大气相干长度，λ表示探测光波的波长；
(f).采用最小二乘拟合方法，获取大气湍流高度hn的局部大气相干长度r0(hn)，拟合公式为：
Figure FDA0002398927910000021
3.根据权利要求2所述的一种用于分层大气湍流强度测量的高度优化方法，其特征在于，每层湍流层的湍流权重计算公式为：
Figure FDA0002398927910000022
其中W(hn)表示高度为hn的湍流强度占整个大气湍流强度的比例。
4.根据权利要求1或3所述的一种用于分层大气湍流强度测量的高度优化方法，其特征在于，当特定高度大气层的湍流强度权重或特定高度范围内的大气层的湍流权重之和小于或者等于阈值P，则返回步骤(2)，对单个子孔径图像重新分割出2个目标，即目标1和目标2，在两个目标连线方向的尺寸为α，目标1和目标2的角度间隔α′调整为α′＝α+△，其中△是大于0的常数，此时波前传感器探测的分层大气湍流层高度hn作相应的调整。
CN201711096299.5A 2017-11-09 2017-11-09 一种用于分层大气湍流强度测量的高度优化方法 Active CN107966745B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711096299.5A CN107966745B (zh) 2017-11-09 2017-11-09 一种用于分层大气湍流强度测量的高度优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711096299.5A CN107966745B (zh) 2017-11-09 2017-11-09 一种用于分层大气湍流强度测量的高度优化方法

Publications (2)

Publication Number Publication Date
CN107966745A CN107966745A (zh) 2018-04-27
CN107966745B true CN107966745B (zh) 2020-06-30

Family

ID=62000878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711096299.5A Active CN107966745B (zh) 2017-11-09 2017-11-09 一种用于分层大气湍流强度测量的高度优化方法

Country Status (1)

Country Link
CN (1) CN107966745B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111965814B (zh) * 2020-08-20 2022-03-25 中国科学院国家天文台南京天文光学技术研究所 Glao系统中由非共轭因素引入的误差的估算方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103335950A (zh) * 2013-06-24 2013-10-02 中国科学院光电技术研究所 一种测量大气湍流非等晕性波前误差及湍流特征参数的测量装置及方法
CN103900691A (zh) * 2014-04-02 2014-07-02 中国科学院光电技术研究所 一种用于分析大气湍流对波前整体倾斜扰动功率谱的方法
CN105610493A (zh) * 2015-12-21 2016-05-25 西安空间无线电技术研究所 一种基于逆用自适应技术的大气湍流模拟系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103335950A (zh) * 2013-06-24 2013-10-02 中国科学院光电技术研究所 一种测量大气湍流非等晕性波前误差及湍流特征参数的测量装置及方法
CN103900691A (zh) * 2014-04-02 2014-07-02 中国科学院光电技术研究所 一种用于分析大气湍流对波前整体倾斜扰动功率谱的方法
CN105610493A (zh) * 2015-12-21 2016-05-25 西安空间无线电技术研究所 一种基于逆用自适应技术的大气湍流模拟系统及方法

Also Published As

Publication number Publication date
CN107966745A (zh) 2018-04-27

Similar Documents

Publication Publication Date Title
Hostache et al. Assimilation of spatially distributed water levels into a shallow-water flood model. Part II: Use of a remote sensing image of Mosel River
CN107942406B (zh) 一种基于总大气相干长度约束的分层大气湍流强度测量方法
JP6896180B2 (ja) 風流検知システム及び風流の速度場を求める方法
CN103489176B (zh) 一种对于严重几何畸变的sar图像进行同名点提取的方法
CN105203466B (zh) 一种富营养化湖泊非藻华条件下藻类总存量遥感估算方法
CN103268602B (zh) 一种光学遥感影像质量综合评价方法
Kent et al. Urban morphology parameters from global digital elevation models: Implications for aerodynamic roughness and for wind-speed estimation
CN114417646B (zh) 一种高维异构降水数据融合方法及系统
Chen et al. Comparison of different methods for spatial downscaling of GPM IMERG V06B satellite precipitation product over a typical arid to semi-arid area
CN107966745B (zh) 一种用于分层大气湍流强度测量的高度优化方法
CN103235890A (zh) 卫星短时临近降水预报系统及降水预报方法
Garniwa et al. Intraday forecast of global horizontal irradiance using optical flow method and long short-term memory model
CN115079172A (zh) 一种MTInSAR滑坡监测方法、设备及存储介质
CN109581526B (zh) 一种应用于摄像式毫米波人体安检仪的实时跟踪成像方法
CN116817869B (zh) 一种利用激光雷达数据的海底光子信号确定方法
Cheng et al. Retrieval of C n 2 profile from differential column image motion lidar using the regularization method
CN108362697B (zh) 一种增加分层数目的大气视宁度分层测量方法
CN116068511B (zh) 一种基于深度学习的InSAR大尺度系统误差改正方法
Al-Dousari et al. Site-specific precipitation estimate from TRMM data using bilinear weighted interpolation technique: An example from Kuwait
CN110400280A (zh) 一种基于人造信标和相位屏的大气湍流退化图像复原方法
Osborn et al. E-ELT turbulence profiling with stereo-SCIDAR at Paranal
Tian et al. Improving MODIS aerosol estimates over land with the surface BRDF reflectances using the 3-D discrete cosine transform and RossThick-LiSparse models
Semakova et al. TerraSAR-X/TanDEM-X data for natural hazards research in mountainous regions of Uzbekistan
Verma et al. Comparison of geostatistical and deterministic interpolation to derive climatic surfaces for mountain ecosystem
CN110726982B (zh) 一种信号去平滑方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant