CN111929263B - 臭氧廓线和二氧化硫柱浓度协同反演方法 - Google Patents

Abstract

本发明公开了一种针对国产紫外高光谱数据的臭氧廓线和二氧化硫柱浓度协同反演方法，由于臭氧和二氧化硫紫外吸收带叠加，在各自单独反演时其反演精度容易受到另外一种污染物吸收的影响，而该方法提供了一种强适应性的多参数协同反演框架，在该框架下，将臭氧和二氧化硫作为一个整体来考虑，利用LBLRTM和VLIDORT辐射传输模型模拟计算辐射值和臭氧廓线、二氧化硫柱浓度的雅各比值，在先验误差协方差矩阵的限定下，通过迭代的形式逐步逼近真值，提高二者反演精度，从而得到准确的臭氧廓线和二氧化硫柱浓度。

Description

臭氧廓线和二氧化硫柱浓度协同反演方法

技术领域

本发明涉及国产卫星遥感监测反演技术领域，具体涉及一种臭氧廓线和二氧化硫柱浓度协同反演方法。

背景技术

臭氧和二氧化硫在紫外波段强吸收信号混合，相互影响，在300-320nm波长区间二氧化硫吸收强度高于臭氧，一个分子的二氧化硫是一个分子的臭氧吸收强度的4倍，但是由于大气中二氧化硫含量太少，不到臭氧总量的0.1％，且大部分存在于近地面，在反演过程中很容易被臭氧紫外强烈吸收所覆盖，这不仅影响二氧化硫斜柱浓度反演精度，而且影响用于斜柱浓度转换垂直柱浓度的大气质量因子AMF的计算，1％臭氧柱总量的增加会引起平均0.16％二氧化硫AMF的降低，1％的臭氧误差最终会导致5％-15％的二氧化硫反演误差。

二氧化硫浓度影响臭氧反演，极端情况下，如火山喷发时15km高处二氧化硫浓度达到100DU时，会给对流层中低层臭氧廓线带来600％多的误差，在7.4km和2.5km高处，总量为1DU的二氧化硫，分别会给臭氧柱总量带来2.5DU和1.3DU的误差(OMI ATBD-2)。尽管随着国家大气十条的实施，二氧化硫治理成效显著，大气中二氧化硫整体处于较低水平，但由于70％的二氧化硫存在于对流层中低层，这对臭氧反演尤其是近地面臭氧浓度的反演影响仍需做进一步评估。

目前针对高分五号紫外高光谱数据，单独反演SO₂效果较差，精度不高，同时国际上目前还没有臭氧廓线和二氧化硫柱浓度同时反演的方法，不能同时获得准确的臭氧廓线和二氧化硫柱浓度。

由于上述原因，本发明人对现有的臭氧廓线和二氧化硫柱浓度测量方法做了深入研究，以期待设计出一种能够针对国产高分五号紫外高光谱数据，解决上述问题的臭氧廓线和二氧化硫柱浓度协同反演方法。不仅能够推动国产卫星数据的应用，而且还能够更好地服务环境管理，为大气污染防治和国际外交提供科技支撑。

发明内容

为了克服上述问题，本发明人进行了锐意研究，设计出针对高分五号紫外高光谱数据的臭氧廓线和二氧化硫柱浓度协同反演方法，由于臭氧和二氧化硫紫外吸收带叠加，在各自单独反演时其反演精度容易受到另外一种污染物吸收的影响，而该方法提供了一种强适应性的多参数协同反演框架，在该框架下，将臭氧和二氧化硫作为一个整体来考虑，利用LBLRTM和VLIDORT辐射传输模型模拟计算辐射值和臭氧廓线、二氧化硫柱浓度的雅各比值，在先验误差协方差矩阵的限定下，通过迭代的形式逐步逼近真值，提高二者反演精度，从而得到准确的臭氧廓线和二氧化硫柱浓度，从而完成本发明。

具体来说，本发明的目的在于提供以一种臭氧廓线和二氧化硫柱浓度紫外高光谱协同反演方法，该方法包括如下步骤

步骤1：对高紫外高光谱载荷EMI获得的数据做敏感性和误差约束，

步骤2：通过最优估计法同步迭代反演臭氧廓线和二氧化硫浓度，

步骤3：对步骤2中得到的反演结果进行误差分析，从而进一步优化反演算法，

步骤4，利用调整后的参数，重复步骤2和步骤3，直至获得最优的反演结果。

其中，所述步骤1包括如下子步骤：

子步骤a：加入吸收性气溶胶指数，去除气溶胶影响；

子步骤b：用380nm处反射率估算每个像素点处的有效云量，

子步骤c：计算获取到N2和O2的转动拉曼散射截面后，与地球大气顶层的太阳光谱进行卷积运算，得到Ring光谱；

子步骤d：利用VLIDORT矢量辐射传输模型，建立偏振校正查找表来校正偏振效应。

其中，在子步骤b中，当晴空天气下380nm波段的反射率大于0.6时，辐射传输模型中用云反射率来替换地表反射率进行模拟。

其中，所述步骤2包括如下子步骤：

子步骤1，将从步骤1的光谱图中直接得到的X代入到式(一)中，获得初始的辐射量Y，再将得到的辐射量Y和该X代入到式(二)中，得到该X对应的目标函数J值；

所述式(一)为光谱辐射量和大气参数的非线性算子方程：

Y＝F(X_O3+X_SO2)+ε (一)

目标函数J通过式(二)获得：

J＝(X-X_a)^T·S_a ^-1·(X-X_a)+(F(X)-Y)^T·S_e ^-1·(F(X)-Y) (二)

其中，X_a为臭氧先验廓线和SO₂柱浓度值，S_a为先验协方差矩阵，S_e为观测协方差矩阵，F(X)为模拟辐射值，Y为卫星观测值；

X_O3表示33层的O3垂直廓线，X_SO2表示SO2柱浓度；ε为观测噪声。

其中，所述步骤2还包括如下子步骤：

子步骤2，将步骤1中的X作为初始值代入到式(三)中，即n＝1时的X_n；再结合该初始值X对应的辐射量Y，得到X_n+1；

X_n+1＝X_a+(K_n ^TS_e ^-1K_n+S_a ^-1)^-1K_n ^TS_e ^-1[(Y-F(X_n))-K_n(X_a-X_n)] (三)

其中，K_n为权重函数，X_n+1为当前迭代的廓线状态，X_n为上一次迭代的廓线状态，n是正整数；

子步骤3，将子步骤2得到的X_n+1代入到式(一)中，获得对应的辐射量Y，再将得到的辐射量Y和该X_n+1代入到式(二)中，得到该X_n+1对应的目标函数J值；

子步骤4，重复迭代上述子步骤2和子步骤3，得到多个目标函数J值，并比较各个目标函数J值的大小，当该目标函数J值达到最小值时，停止迭代，并将该最小值对应的X作为反演值。

其中，在步骤3中，根据反演结果分别求出平滑误差S_S，模型参数误差S_P，前向模型误差S_f和反演误差S_m；再从中选取出误差值最大的误差，并调整对应的辐射传输模型参数。

其中，所述步骤3包括如下子步骤：

子步骤甲：分别解算平滑误差S_S，模型参数误差S_P，前向模型误差S_f和反演误差S_m；

子步骤乙：比较平滑误差S_S，模型参数误差S_P，前向模型误差S_f和反演误差S_m的大小，选出其中最大的误差，

当最大误差为平滑误差S_S时，调整臭氧先验廓线X_a；

当最大误差为模型参数误差S_P时，调整模型参数；

当最大误差为前向模型误差时，调整辐射传输模型F；

当最大误差为反演误差时，调整观测误差和先验误差协方差矩阵构建方法。

其中，在步骤4中，当所述反演结果满足下述条件时，即认为得到最优的反演结果：

当步骤2中的迭代次数小于10次即可获得反演结果时认为得到了最优的反演结果，

或者，当目标函数J小于特定阈值时认为得到了最优的反演结果。

本发明所具有的有益效果包括：

根据本发明提供的臭氧廓线和二氧化硫柱浓度紫外高光谱协同反演方法能够最大程度的去除臭氧和二氧化硫对各自反演的影响，提高二者反演精度，获得更为接近真实的反演结果。

附图说明

图1示出根据本发明一种优选实施方式的臭氧廓线和二氧化硫柱浓度紫外高光谱协同反演方法整体逻流程辑图；

图2示出实施例中的光谱图；

图3示出实施例中臭氧廓线反演结果图。

具体实施方式

下面通过附图和实施例对本发明进一步详细说明。通过这些说明，本发明的特点和优点将变得更为清楚明确。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

根据本发明提供的臭氧廓线和二氧化硫柱浓度协同反演方法，如图1中所示，该方法包括如下步骤：

步骤1，对紫外高光谱载荷EMI获得的数据做敏感性和误差约束，具体处理过程中包括如下子步骤：

子步骤a：加入吸收性气溶胶指数(Absorbing Aerosol Index，AAI)，去除气溶胶影响；即对每个像素点的气溶胶指数值进行过滤性判断，并滤除吸收性气溶胶指数过大的像素点；

所述紫外高光谱优选为国产的高分五号卫星获得的数据。

优选地，在所述在子步骤a中，

AAI＝-100{Log10[(Iλ₁/Iλ₂)meas]-Log10[(Iλ₁/Iλ₂)calc]}

其中，(Iλ₁/Iλ₂)meas表示观测到的Iλ₁和Iλ₂的比值，

Iλ₁是波长340nm处的反射率，Iλ₂是波长380nm处的反射率，(Iλ₁/Iλ₂)calc为模拟到的两个波段反射率比值。

当AAI>1时，跳过该像素点，即不再考虑该像素点。

子步骤b：用380nm处反射率估算每个像素点处的有效云量(ecf，effective cloudfraction)，当ecf>0.6时，辐射传输模型F中用云反射率来替换地表反射率进行模拟，从而去除云参数带来的不确定性。

优选地，

表示晴空天气下380nm波段的反射率，

表示多云天气下380nm波段的反射率，

表示380nm波段卫星观测值。

子步骤c：计算获取到N₂和O₂的转动拉曼散射截面后，与地球大气顶层的太阳光谱进行卷积运算，得到Ring光谱。辐射传输模型模拟得到的是表观反射率，再乘以太阳光谱得到绝对辐射值。利用Ring光谱来修正卫星观测到的绝对辐射值。

子步骤d：利用VLIDORT矢量辐射传输模型，建立偏振校正查找表来校正偏振效应，从而提高计算速度。即通过偏振校正查找表来调整利用辐射传输模型模拟得到的辐射值。

步骤2，通过最优估计法同步迭代反演臭氧廓线和二氧化硫浓度，

其中，最优估计法通过构建目标函数J，在先验误差协方差矩阵和观测噪声协方差矩阵的限定下，以迭代的形式逐步逼近真值。

在晴空条件下，卫星观测到的光谱辐射量和大气参数的非线性算子方程如下述式(一)所示：

Y＝F(X_O3+X_SO2)+ε (一)

所述目标函数J通过下式(二)获得：

J＝(X-X_a)^T·S_a ^-1·(X-X_a)+(F(X)-Y)^T·S_e ^-1·(F(X)-Y) (二)

其中，X_a为臭氧先验廓线和SO₂柱浓度值，S_a为先验协方差矩阵，S_e为观测协方差矩阵，F(X)为模拟辐射值，Y为卫星观测值。F为辐射传输模型，选用VLIDORT和lblrtm相结合的方式，模拟计算辐射值和臭氧廓线、二氧化硫柱浓度的雅各比值。

Y表示高分五号紫外高光谱载荷EMI(EMI表示大气痕量气体差分吸收光谱仪)对紫外波段中305-330nm波长的261个通道的观测辐射值；

X_O3表示33层的O₃垂直廓线，X_SO2表示SO₂柱浓度，在后续计算过程中统一由X表示，即X包括X_O3和X_SO2；ε为观测噪声。

Xa维度为34，包括2个要素，即33层O₃垂直廓线和1个SO₂柱浓度。

所述迭代形式如下述式(三)所示：

X_n+1＝X_a+(K_n ^TS_e ^-1K_n+S_a ^-1)^-1K_n ^TS_e ^-1[(Y-F(X_n))-K_n(X_a-X_n)] (三)

其中，K_n为权重函数，X_n+1为当前迭代的廓线状态，X_n为上一次迭代的廓线状态，n是正整数。

优选地，通过下式(四)构建先验协方差矩阵：

[cov(ω)]_ij＝C×ω_i×ω_jexp(-[i-j]/k) (四)

其中，[cov(ω)]_ij表示先验协方差矩阵，i和j分别表示33层廓线中第i层和第j层，且i和j都是大于等于1，小于等于33的正整数；ω_i表示第i层的O₃先验廓线；ω_j表示第j层的O₃先验廓线；

C＝Var(lnω)，是O₃在所有层的均方根误差；k表示平滑参数，其取值为0.5。

本申请中所述的反演过程，即为通过不断迭代(迭代形式如上述式三)来逐步修改X的值，该X值包括33层O₃的浓度值/垂直廓线和SO₂柱浓度，在先验协方差矩阵Sa和观测协方差矩阵Se的限定下，使得目标函数J的值最小，此时，认为得到的值X即为真值，也就是我们要反演得到的值。

具体来说，步骤2包括如下子步骤：

子步骤1，将从步骤1的光谱图中直接得到的X代入到式(一)中，获得初始的辐射量Y，再将得到的辐射量Y和该X代入到式(二)中，得到该X对应的目标函数J值；

子步骤2，将步骤1中的X作为初始值代入到式(三)中，即n＝1时的X_n；再结合该初始值X对应的辐射量Y，得到X_n+1。

子步骤3，将子步骤2得到的X_n+1代入到式(一)中，获得对应的辐射量Y，再将得到的辐射量Y和该X_n+1代入到式(二)中，得到该X_n+1对应的目标函数J值；

子步骤4，重复迭代上述子步骤2和子步骤3，得到多个目标函数J值，并比较各个目标函数J值的大小，当该目标函数J值达到最小值时，停止迭代，并将该最小值对应的X作为反演值。

步骤3，对步骤2中得到的反演结果进行误差分析，从而进一步优化反演算法。

在步骤3中，根据反演结果分别求出平滑误差S_S，模型参数误差S_P，前向模型误差S_f和反演误差S_m；再从中选取出误差值最大的误差，并调整对应的辐射传输模型参数。

具体来说，所述步骤3包括如下子步骤：

子步骤甲：分别解算平滑误差S_S，模型参数误差S_P，前向模型误差S_f和反演误差S_m。

其中，所述平滑误差S_S通过下式获得：

S_s＝(A-I)S_a(A-I)^T

所述模型参数误差S_P通过下式获得：

S_p＝GK_bS_bK_b ^TG^T

所述前向模型误差S_f通过下式获得：

S_f＝G·ΔF

所述反演误差S_m通过下式获得：

S_m＝GS_εG^T

总误差S_total通过下式获得：

S_total＝S_s+S_m+S_p+S_f

其中，A是平均核函数，表示反演廓线中来源与观测结果信息和来源于先验信息的比例。通过A＝G_YK_X获得，

其中，

表示R对Y的偏导，反演模型对卫星观测的敏感性，R表示反演模型，Y表示卫星观测到的辐射量。

K_X表示前向模型对大气状态的敏感性，叫做权重函数或者雅各比矩阵，用于表示反演结果对于观测误差的敏感性；

表示F对X的偏导，F表示辐射传输模型，X表示示O₃垂直廓线和SO₂柱浓度；

I表示单位矩阵；

X_a表示臭氧先验廓线和SO₂柱浓度值，其中臭氧先验廓线通过气候均值模式获取，SO₂柱浓度通过大气化学模式模拟得到。

G表示为增益函数，表示反演结果中来自于卫星观测信息的比例。

其中，

为解的误差协方差矩阵；K表示权重函数；S_e表示观测协方差矩阵，通过对角矩阵获得。

K_b表示前向模型对前向模型参数的敏感性，

其中，

表示F对b的偏导，F表示辐射传输模型；

S_b表示模型误差b的协方差矩阵，

其中，b表示随机误差和系统误差。

表示矩阵；

ε表示算协方差矩阵运算，无物理含义。

ΔF表示辐射传输模型中所输入的大气参数与大气中真实状态之间的差异。

子步骤乙：比较平滑误差S_S，模型参数误差S_P，前向模型误差S_f和反演误差S_m的大小，选出其中最大的误差，

当最大误差为平滑误差S_S时，调整臭氧先验廓线X_a；试验不同的气候均值模式臭氧先验廓线集和统计回归获取的臭氧先验廓线集，选取最优的臭氧先验廓线集；

当最大误差为模型参数误差S_P时，调整模型参数，所述模型参数包括温度廓线和地表压强；；

当最大误差为前向模型误差时，调整辐射传输模型F；

当最大误差为反演误差时，调整整观测误差和先验误差协方差矩阵构建方法。

步骤4，利用调整后的参数，重复步骤2和步骤3，直至获得最优的反演结果，即获得最优的臭氧廓线和二氧化硫浓度时停止。

优选地，当所述反演结果满足下述条件时，即认为得到最优的反演结果：

当步骤2中的迭代次数小于10次即可获得反演结果时认为得到了最优的反演结果，或者目标函数J小于特定阈值时认为得到了最优的反演结果。

实施例

对杭州市所在的区域做臭氧廓线和二氧化硫柱浓度协同反演，该区域对应的光谱图如图2中所示，该反演方法包括如下步骤：

步骤1，调取该区域的高分五号紫外高光谱数据，对该光谱数据做敏感性和误差约束，具体来说包括如下子步骤：

子步骤a，滤除吸收性气溶胶指数过大的像素点，即滤除AAI值大于1的像素点；其中AAI通过下式解算：

AAI＝-100{Log10[(Iλ₁/Iλ₂)meas]-Log10[(Iλ₁/Iλ₂)calc]}。

子步骤b：用380nm处反射率估算每个像素点处的有效云量，用380nm处反射率估算每个像素点处的有效云量；其中有效云量ecf通过下式解算：

子步骤c：获取N₂和O₂的转动拉曼散射截面，得到Ring光谱，利用Ring光谱来修正卫星观测到的绝对辐射值；

子步骤d：通过偏振校正查找表来调整利用辐射传输模型模拟得到的辐射值。

步骤2，通过最优估计法同步迭代反演臭氧廓线和二氧化硫浓度，具体来说，包括如下子步骤：

子步骤1，将从步骤1的光谱图中直接得到的X代入到式(一)中，获得初始的辐射量Y，再将得到的辐射量Y和该X代入到式(二)中，得到该X对应的目标函数J值；

子步骤2，将步骤1中的X作为初始值代入到式(三)中，即n＝1时的X_n；再结合该初始值X对应的辐射量Y，得到X_n+1。

子步骤3，将子步骤2得到的X_n+1代入到式(一)中，获得对应的辐射量Y，再将得到的辐射量Y和该X_n+1代入到式(二)中，得到该X_n+1对应的目标函数J值；

子步骤4，重复迭代上述子步骤2和子步骤3，得到多个目标函数J值，并比较各个目标函数J值的大小，当该目标函数J值达到最小值时，停止迭代，并将该最小值对应的X作为反演值。

其中，式(一)、式(二)和式(三)如下所示，

Y＝F(X_O3+X_SO2)+ε (一)

J＝(X-X_a)^T·S_a ^-1·(X-X_a)+(F(X)-Y)^T·S_e ^-1·(F(X)-Y) (二)

X_n+1＝X_a+(K_n ^TS_e ^-1K_n+S_a ^-1)^-1K_n ^TS_e ^-1[(Y-F(X_n))-K_n(X_a-X_n)] (三)

步骤3，根据反演结果分别求出平滑误差S_S，模型参数误差S_P，前向模型误差S_f和反演误差S_m；再从中选取出误差值最大的误差，并调整对应的辐射传输模型参数。

其中，所述平滑误差S_S通过下式获得：

S_s＝(A-I)S_a(A-I)^T

所述模型参数误差S_P通过下式获得：

S_p＝GK_bS_bK_b ^TG^T

所述前向模型误差S_f通过下式获得：

S_f＝G·ΔF

所述反演误差S_m通过下式获得：

S_m＝GS_εG^T

当最大误差为平滑误差S_S时，调整臭氧先验廓线X_a；

当最大误差为模型参数误差S_P时，调整模型参数；

当最大误差为前向模型误差S_f时，调整辐射传输模型；

当最大误差为反演误差S_m时，调整观测误差和先验误差协方差矩阵构建方法。

步骤4，利用调整后的参数，重复步骤2和步骤3，直至获得最优的反演结果，即获得最优的臭氧廓线和二氧化硫浓度时停止。最优的SO₂浓度是0.23DU，最优的臭氧廓线反演结果如图3中所示。

根据该结果可知，本发明提供的协同反演方法能够去除臭氧和二氧化硫对各自反演的影响，提高二者反演精度，获得更为接近真实的反演结果。

以上结合了优选的实施方式对本发明进行了说明，不过这些实施方式仅是范例性的，仅起到说明性的作用。在此基础上，可以对本发明进行多种替换和改进，这些均落入本发明的保护范围内。

Claims (7)

1.一种臭氧廓线和二氧化硫柱浓度紫外高光谱协同反演方法，其特征在于，该方法包括如下步骤：

步骤1：对高紫外高光谱载荷EMI获得的数据做敏感性和误差约束，得到O₃垂直廓线和SO₂柱浓度值的总和X；

步骤2：通过最优估计法同步迭代反演臭氧廓线和二氧化硫浓度，

步骤3：对步骤2中得到的反演结果进行误差分析，从而进一步优化反演算法，

步骤4，利用调整后的参数，重复步骤2和步骤3，直至获得最优的反演结果；

在步骤3中，根据反演结果分别求出平滑误差S_S，模型参数误差S_P，前向模型误差S_f和反演误差S_m；再从中选取出误差值最大的误差，并调整对应的辐射传输模型参数；

其中，所述平滑误差S_S通过S_s＝(A-I)S_a(A-I)^T获得；

所述模型参数误差S_P通过S_p＝GK_bS_bK_b ^TG^T获得；

所述前向模型误差S_f通过S_f＝G·ΔF获得；

所述反演误差S_m通过S_m＝GS_εG^T获得；

其中，A是平均核函数；I表示单位矩阵；S_a为先验协方差矩阵；G表示为增益函数；K_b表示前向模型对前向模型参数的敏感性；S_b表示模型误差b的协方差矩阵；ε表示算协方差矩阵运算，无物理含义；ΔF表示辐射传输模型中所输入的大气参数与大气中真实状态之间的差异。

2.根据权利要求1所述的臭氧廓线和二氧化硫柱浓度紫外高光谱协同反演方法，其特征在于，

所述步骤1包括如下子步骤：

子步骤a：加入吸收性气溶胶指数，去除气溶胶影响；

子步骤b：用380nm处反射率估算每个像素点处的有效云量，

子步骤c：计算获取到N₂和O₂的转动拉曼散射截面后，与地球大气顶层的太阳光谱进行卷积运算，得到Ring光谱；

子步骤d：利用VLIDORT矢量辐射传输模型，建立偏振校正查找表来校正偏振效应。

3.根据权利要求2所述的臭氧廓线和二氧化硫柱浓度紫外高光谱协同反演方法，其特征在于，

在子步骤b中，当晴空天气下380nm波段的反射率大于0.6时，辐射传输模型中用云反射率来替换地表反射率进行模拟。

4.根据权利要求1所述的臭氧廓线和二氧化硫柱浓度紫外高光谱协同反演方法，其特征在于，

所述步骤2包括如下子步骤：

子步骤1，将从步骤1的光谱图中直接得到的X代入到式(一)中，获得初始的辐射量Y，再将得到的辐射量Y和该X代入到式(二)中，得到该X对应的目标函数J值；

所述式(一)为光谱辐射量和大气参数的非线性算子方程：

Y＝F(X_O3+X_SO2)+ε (一)

目标函数J通过式(二)获得：

J＝(X-X_a)^T·S_a ^-1·(X-X_a)+(F(X)-Y)^T·S_e ^-1·(F(X)-Y) (二)

其中，X_a为臭氧先验廓线和SO₂柱浓度值，S_a为先验协方差矩阵，S_e为观测协方差矩阵，F(X)为模拟辐射值，Y为卫星观测值；

X_O3表示33层的O₃垂直廓线，X_SO2表示SO₂柱浓度；ε为观测噪声。

5.根据权利要求4所述的臭氧廓线和二氧化硫柱浓度紫外高光谱协同反演方法，其特征在于，

所述步骤2还包括如下子步骤：

子步骤2，将步骤1中的X作为初始值代入到式(三)中，即n＝1时的X_n；再结合该初始值X对应的辐射量Y，得到X_n+1；

X_n+1＝X_a+(K_n ^TS_e ^-1K_n+S_a ^-1)^-1K_n ^TS_e ^-1[(Y-F(X_n))-K_n(X_a-X_n)] (三)

其中，K_n为权重函数，X_n+1为当前迭代的廓线状态，X_n为上一次迭代的廓线状态，n是正整数；

子步骤3，将子步骤2得到的X_n+1代入到式(一)中，获得对应的辐射量Y，再将得到的辐射量Y和该X_n+1代入到式(二)中，得到该X_n+1对应的目标函数J值；

子步骤4，重复迭代上述子步骤2和子步骤3，得到多个目标函数J值，并比较各个目标函数J值的大小，当该目标函数J值达到最小值时，停止迭代，并将该最小值对应的X作为反演值。

6.根据权利要求1所述的臭氧廓线和二氧化硫柱浓度紫外高光谱协同反演方法，其特征在于，

所述步骤3包括如下子步骤：

子步骤甲：分别解算平滑误差S_S，模型参数误差S_P，前向模型误差S_f和反演误差S_m；

子步骤乙：比较平滑误差S_S，模型参数误差S_P，前向模型误差S_f和反演误差S_m的大小，选出其中最大的误差，

当最大误差为平滑误差S_S时，调整臭氧先验廓线X_a；

当最大误差为模型参数误差S_P时，调整模型参数；

当最大误差为前向模型误差S_f时，调整辐射传输模型F；

当最大误差为反演误差S_m时，调整观测误差和先验误差协方差矩阵构建方法。

7.根据权利要求1所述的臭氧廓线和二氧化硫柱浓度紫外高光谱协同反演方法，其特征在于，

在步骤4中，当步骤2中的迭代次数小于10次即可获得反演结果时认为得到了最优的反演结果，

或者，当目标函数J小于特定阈值时认为得到了最优的反演结果。

Images