CN110018111A - 南极天文望远镜镜面结霜预测方法 - Google Patents
南极天文望远镜镜面结霜预测方法 Download PDFInfo
- Publication number
- CN110018111A CN110018111A CN201910315472.9A CN201910315472A CN110018111A CN 110018111 A CN110018111 A CN 110018111A CN 201910315472 A CN201910315472 A CN 201910315472A CN 110018111 A CN110018111 A CN 110018111A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- mirror surface
- extinction
- weather information
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- 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
Abstract
本发明涉及南极天文望远镜镜面结霜预测方法,采集实测气象信息数据和镜面消光值数据;所述气象信息数据包括不同时刻的温度、风速和相对湿度;建立已采集气象信息数据和镜面消光值数据的关联模型;以关联的实测气象环境数据、消光值为输入层,预测消光值为输出层,设置延迟向量,4层隐含层,建立NARX时间序列神经网络模型,获取消光值预测值;设置消光值阈值,获取实时气象信息数据和镜面消光值数据,输入NARX时间序列神经网络模型,在消光值预测值达到阈值时显示报警信息,提示除霜操作。本发明针对南极望远镜智能化运行管理中的镜面结霜问题,提出了智能除霜方法,提高望远镜运行维护的效率和可靠性。
Description
技术领域
本发明属于光学及数据分析技术领域,具体涉及南极天文望远镜镜面结霜预测方法。
背景技术
南极DomeA因其优良的观测条件被誉为地球上最好的天文观测台址之一。DomeA温度常年处于-30℃~-80℃,相对湿度40%~80%,温度起伏大,望远镜镜面易结霜,影响天文观测的效率和质量。DomeA虽然是全球水汽最低的地区,但是其相对湿度却常常达到饱和状态,因此除霜问题变得非常重要。目前的技术条件未能找到合适的传感器检测霜,且在不影响天文观测的前提下安装在光学镜面上,因此不能形成可以实时监测结霜情况的闭环控制。目前大都依赖远程监控的图像,人工判断除霜效果,再远程调节加热功率。这样效率低,会中断观测,造成观测时间的浪费,且不能很好的与结霜情况匹配,无法控制开启加热膜的时机,从而导致无法控制加热对镜面视宁度的影响。
发明内容
本发明的目的在于提供一种南极天文望远镜镜面结霜预测方法。
为实现上述技术目的,本发明采用如下技术方案:
一种南极天文望远镜镜面结霜预测方法,包括如下步骤:
(1)采集实测气象信息数据和镜面消光值数据;所述气象信息数据包括不同时刻的温度、风速和相对湿度;
(2)建立已采集气象信息数据和镜面消光值数据的关联模型;
(3)以关联的实测气象环境数据、消光值为输入层,预测消光值为输出层,设置延迟向量,4层隐含层,建立NARX时间序列神经网络模型,获取消光值预测值;
(4)设置消光值阈值,获取实时气象信息数据和镜面消光值数据,输入NARX时间序列神经网络模型,在消光值预测值达到阈值时显示报警信息,提示除霜操作。
作为本发明的进一步改进,所述气象信息数据包括-1m、0m、2m、4m海拔处温度,2米、4米海拔处风速及相对湿度。
作为本发明的进一步改进,输入层包括8个输入节点,分别为7个环境特征输入量x,即温度、风速和相对湿度,和1个消光值输出量y。
作为本发明的进一步改进,所述步骤(3)中,将输入数据的80%数据作为训练数据,10%作为验证数据,10%作为测试数据。
作为本发明的进一步改进,所述步骤(4)中,阈值的获取方式为:获取摄像头图像数据及气象信息数据,挑选出晴夜数据,比对图像数据中的结霜状态和消光值,确定需要除霜的消光值阈值。
南极望远镜的镜面结霜过程在时间上是一个渐进的过程,没有准确的描述模型,且影响望远镜镜面结霜的因素数量多、特性复杂,很难对镜面状态及影响其变化的变量之间做出准确的定量计算,本发明针对南极望远镜智能化运行管理中的镜面结霜问题,提出智能除霜方法,通过分析南极望远镜镜面的结霜机理,分析环境、科学数据、仪器三者的关系,以镜面消光值为预测指标,引入NARX时间序列预测模型进行镜面结霜状态的预测,根据预测结果模拟采取相应的应对措施,提高望远镜运行维护的效率和可靠性。
附图说明
图1是结霜引起的消光值增长过程;
图2是温度变化曲线;
图3是镜面结霜预测模型神经网络结构;
图4为测试结果对比图;
图5为测试结果误差变化图;
图6是预测模型的误差自相关图;
图7是预测模型的误差自相关图。
具体实施方式
实施例1
本实施例具体说明预测指标的选择方式。
在图像质量的指标中,消光(Extinction)反映了天体发射的光线被路途中的物质吸收和散射的状态。AST3天文数据的消光主要贡献是大气消光和镜面结霜。通过比对摄像头照片及气象信息,人工将晴夜数据挑选出来,则消光值基本可反映结霜情况(消光越大,结霜越厚)。
如图1所示为某一天24小时内除霜后缓慢结霜引起的消光增长的过程,及对应的当天的温度数据(图2)。基本反映了温度上升时,镜面结霜情况的变化过程。
由霜的形成机理可知,霜的形成决定于气象条件。因此,通过气象数据与消光等像质数据,建立气象信息与结霜的关系模型,结合摄像头监测图像的识别,进行结霜的预测和已结霜情况的判断。望远镜的运行状态是环境与望远镜及终端仪器共同作用的结果,结合南极光学望远镜镜面结霜现象的实际情况,可认为气象信息数据是影响镜面结霜的直接因素,图像质量数据中的消光值基本可反映镜面情况。因此,在南极望远镜镜面结霜预测模型中,将气象信息数据作为输入参数,将消光值作为输出目标。
实施例2
本实施例基于matlab具体说明本发明预测发明的模型建立和实现方式。
1.数据样本采集
通过整合2016年和2017年的气象信息数据和消光值数据,得到能反映镜面情况的数据共10000条左右,气象信息数据包括-1m、0m、2m、4m海拔处温度,2米、4米海拔处风速及相对湿度。
2.建立已采集气象信息数据和镜面消光值数据的关联模型;
根据积累的数据建立气象信息和对应镜面情况的关联数据模型,数据形式如下:
各数据说明如表1所示:
表1关联模型数据说明
数据名称 | 数据含义 |
time | 时间 |
tempsub | 温度(-1米) |
temp00 | 温度(0米) |
temp02 | 温度(2米) |
temp04 | 温度(4米) |
ws02 | 风速(2米) |
ws04 | 风速(4米) |
rh | 相对湿度 |
extinction | 消光值 |
3.预测模型的建立和训练
3.1设置神经网络
设置神经网络的输入节点数为8,分别为7个环境特征输入量x(温度、风速、湿度)和1个消光值输出量y,输出节点数为1,代表消光值输出量。选取延迟变量为1:5,根据经验公式选取神经网络的隐含层为4,因此神经网络的结构为7个环境特征输入量和1个消光值输出量作为输入层,1个消光值输出量作为输出层,具体结构如图3所示。
3.2预测模型的训练
将输入和输出矩阵转换为cell类型的矩阵,选取trainbr训练函数进行数据训练,将样本数据的80%作为训练数据,10%作为验证数据,10%作为测试数据。设置预测网络removedelay预测下一时刻的消光值输出。
3.3预测模型的测试和评价
3.3.1预测模型的测试
为了评估镜面状态预测模型的性能,利用训练完成的预测模型对2016年某天的南极望远镜观测数据样本进行测试,图4为其预测结果和实际结果的对比图,图5为预测结果和实际结果之间的误差变化图,可以看出,预测结果和实际结果的数值非常接近,二者的误差较小,因此,预测模型的预测准确度较高。
均方误差用来衡量预测数据和目标数据之间的偏离程度,其值越小,表示神经网络预测的精确度越高。均方误差的公式如下式所示。其中:N为样本数据总数;y(t)为第t组期望输出值;y′(t)为第t组网络实际输出值。
对上述测试样本的测试结果中预测消光值和实际消光值作MSE运算,测试结果的MSE为0.0066,说明该预测模型的预测精度较高。
3.3.2预测模型的评价
在神经网络的训练过程中,有两个评价预测神经网络预测性能的重要指标:误差自相关(Error Autocorrelation)和输入误差互相关(Input-Error Cross-correlation)。误差自相关用来描述时间序列上预测数据与目标数据的误差之间的关联程度,它能够表示出不同时延下的误差自相关度,相关度值落在置信限内越多则说明预测效果越好。输入误差互相关以输入时间序列和误差时间序列表示出不同时延下的输入和误差之间的关联程度,同样,其相关度值落在置信限内越多则说明预测效果越好。
图6、7分别为本实施例构建的神经网络模型的误差自相关图和输入误差互相关图,除了误差自相关在初始时刻的关联度较高外,其相关度都落在置信区间内,说明设计的神经网络满足预测要求。
4.基于预测模型进行镜面结霜预测。
设置消光值阈值,获取实时气象信息数据和镜面消光值数据,输入NARX时间序列神经网络模型,在消光值预测值达到阈值时显示报警信息,提示除霜操作。
Claims (5)
1.一种南极天文望远镜镜面结霜预测方法,其特征在于,包括如下步骤:
(1)采集实测气象信息数据和镜面消光值数据;所述气象信息数据包括不同时刻的温度、风速和相对湿度;
(2)建立已采集气象信息数据和镜面消光值数据的关联模型;
(3)以关联的实测气象环境数据、消光值为输入层,预测消光值为输出层,设置延迟向量,4层隐含层,建立NARX时间序列神经网络模型,获取消光值预测值;
(4)设置消光值阈值,获取实时气象信息数据和镜面消光值数据,输入NARX时间序列神经网络模型,在消光值预测值达到阈值时显示报警信息,提示除霜操作。
2.根据权利要求1所述的一种南极天文望远镜镜面结霜预测方法,其特征在于,所述气象信息数据包括-1m、0m、2m、4m海拔处温度,2米、4米海拔处风速及相对湿度。
3.根据权利要求1或2所述的一种南极天文望远镜镜面结霜预测方法,其特征在于,输入层包括8个输入节点,分别为7个环境特征输入量x,即温度、风速和相对湿度,和1个消光值输出量y。
4.根据权利要求1所述的一种南极天文望远镜镜面结霜预测方法,其特征在于,所述步骤(3)中,将输入数据的80%数据作为训练数据,10%作为验证数据,10%作为测试数据。
5.根据权利要求1所述的一种南极天文望远镜镜面结霜预测方法,其特征在于,所述步骤(4)中,阈值的获取方式为:获取摄像头图像数据及气象信息数据,挑选出晴夜数据,比对图像数据中的结霜状态和消光值,确定需要除霜的消光值阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910315472.9A CN110018111B (zh) | 2019-04-19 | 2019-04-19 | 南极天文望远镜镜面结霜预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910315472.9A CN110018111B (zh) | 2019-04-19 | 2019-04-19 | 南极天文望远镜镜面结霜预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110018111A true CN110018111A (zh) | 2019-07-16 |
CN110018111B CN110018111B (zh) | 2021-07-06 |
Family
ID=67191854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910315472.9A Active CN110018111B (zh) | 2019-04-19 | 2019-04-19 | 南极天文望远镜镜面结霜预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110018111B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111736237A (zh) * | 2020-07-31 | 2020-10-02 | 上海眼控科技股份有限公司 | 辐射雾检测方法、装置、计算机设备和可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373849A (zh) * | 2015-10-22 | 2016-03-02 | 华北电力大学(保定) | 光伏电池组件温度的分步预测方法 |
CN105787594A (zh) * | 2016-02-29 | 2016-07-20 | 南京航空航天大学 | 基于多元时间序列及回归分析的辐照预测方法 |
CN107942502A (zh) * | 2017-12-15 | 2018-04-20 | 中国科学院国家天文台南京天文光学技术研究所 | 低温环境下天文望远镜镜面的除霜雪装置及其工作方法 |
-
2019
- 2019-04-19 CN CN201910315472.9A patent/CN110018111B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373849A (zh) * | 2015-10-22 | 2016-03-02 | 华北电力大学(保定) | 光伏电池组件温度的分步预测方法 |
CN105787594A (zh) * | 2016-02-29 | 2016-07-20 | 南京航空航天大学 | 基于多元时间序列及回归分析的辐照预测方法 |
CN107942502A (zh) * | 2017-12-15 | 2018-04-20 | 中国科学院国家天文台南京天文光学技术研究所 | 低温环境下天文望远镜镜面的除霜雪装置及其工作方法 |
Non-Patent Citations (8)
Title |
---|
CUI, XIANGQUN, YUAN, XIANGYAN, GONG, XUEFEI: "Antarctic Schmidt Telescopes (AST3)", 《PROCEEDINGS OF SPIE》 * |
D. DATTA AND S. A. TASSOU: "FROST PREDICTION ON EVAPORATOR COILS OF SUPERMARKET DISPLAY CABINETS USING ARTIFICIAL NEURAL NETWORKS", 《RESEARCHGATE》 * |
YUAN, XIANGYAN 等: "Progress of Antarctic Schmidt", 《PROCEEDINGS OF SPIE》 * |
冯晴晨,李晓燕: "基于故障树的南极天文光学望远镜镜面除霜系统的可靠性分析", 《天文研究与技术》 * |
冯晴晨1,李晓燕: "南极天文光学望远镜智能化除霜方法", 《科学技术与工程》 * |
江乐新 等: "基于BP 神经网络的空调热水一体机除霜控制器模型的研究", <制冷与空调> * |
潘丽莎 等: "基于NARX神经网络的轮重减载率预测", 《铁道车辆》 * |
范莹莹,余思勤: "基于NARX 神经网络的港口集装箱吞吐量预测", 《上海海事大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111736237A (zh) * | 2020-07-31 | 2020-10-02 | 上海眼控科技股份有限公司 | 辐射雾检测方法、装置、计算机设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110018111B (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Siddiqui et al. | A deep learning approach to solar-irradiance forecasting in sky-videos | |
CN113919231B (zh) | 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统 | |
CN111259522B (zh) | 一种水文模型在地理空间上多流域并行率定的方法 | |
CN103955606A (zh) | 一种基于遥感技术的草原蝗灾渐进式预测方法 | |
CN114325874B (zh) | 一种强对流天气个例库系统的建立方法 | |
CN112613225B (zh) | 一种基于神经网络元胞传输模型的交叉口交通状态预测方法 | |
CN115860268A (zh) | 基于cnn-xgboost模型的短时强降水预测方法 | |
Alerskans et al. | A transformer neural network for predicting near‐surface temperature | |
CN110018111A (zh) | 南极天文望远镜镜面结霜预测方法 | |
Yin et al. | On statistical nowcasting of road surface temperature | |
CN114925047A (zh) | 南极视宁度缺失值在线填补方法 | |
Sharma et al. | A Weather Forecasting System using concept of Soft Computing: A new approach | |
CN115422782B (zh) | 一种基于水文模型的洪水预报系统 | |
Andreas | Two experiments on using a scintillometer to infer the surface fluxes of momentum and sensible heat | |
CN113744888B (zh) | 区域流行病趋势预测预警方法及系统 | |
CN109508810A (zh) | 一种基于实现月平均水文流量预测的系统 | |
CN115907204A (zh) | 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法 | |
Zixuan et al. | Visibility prediction of plateau airport based on lstm | |
Murtagh et al. | Nowcasting astronomical seeing: towards an operational approach | |
Biondi et al. | Multivariate Multi-Step Convection Nowcasting with Deep Neural Networks: The Novara Case Study | |
De Blasi | Scale dependence of hydrological effects from different climatic conditions on glacierized catchments | |
Wang et al. | Research on Forecasting Flowering Phase of Pear Tree Based on Neural Network | |
CN113391376B (zh) | 一种amsu-a资料陆地云检测方法 | |
Cellura et al. | Nonlinear black-box models for short-term forecasting of air temperature in the town of Palermo | |
CN113592201B (zh) | 一种拔节后受冻冬小麦产量损失早期预测方法 |
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 |