CN114384548A - 生物气溶胶数浓度廓线拉曼荧光激光雷达系统及预测方法 - Google Patents
生物气溶胶数浓度廓线拉曼荧光激光雷达系统及预测方法 Download PDFInfo
- Publication number
- CN114384548A CN114384548A CN202111601034.2A CN202111601034A CN114384548A CN 114384548 A CN114384548 A CN 114384548A CN 202111601034 A CN202111601034 A CN 202111601034A CN 114384548 A CN114384548 A CN 114384548A
- Authority
- CN
- China
- Prior art keywords
- fluorescence
- scattering
- lens
- signals
- raman
- 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
- 238000001069 Raman spectroscopy Methods 0.000 title claims abstract description 80
- 239000000443 aerosol Substances 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 23
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 83
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 41
- 239000007787 solid Substances 0.000 claims abstract description 16
- 239000013307 optical fiber Substances 0.000 claims abstract description 8
- 241000209094 Oryza Species 0.000 claims description 31
- 235000007164 Oryza sativa Nutrition 0.000 claims description 31
- 230000008033 biological extinction Effects 0.000 claims description 31
- 235000009566 rice Nutrition 0.000 claims description 31
- 238000001914 filtration Methods 0.000 claims description 15
- 230000003287 optical effect Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 24
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 8
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 4
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 4
- 239000001569 carbon dioxide Substances 0.000 description 4
- 229910002091 carbon monoxide Inorganic materials 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 210000002364 input neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen(.) Chemical compound [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/95—Lidar systems specially adapted for specific applications for meteorological use
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Computational Linguistics (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种生物气溶胶数浓度廓线拉曼荧光激光雷达系统,包括固体脉冲激光器,固体脉冲激光器的光路前方设有全反射镜片A,全反射镜片A的正下方设有望远镜,固体脉冲激光器产生的紫外脉冲激光经全反射镜片调整光路后与大气中的生物气溶胶、气溶胶及氮气分子发生作用产生信号,信号经光纤引至凸透镜A,凸透镜A的光路前方设有三组平行的反射光路;本发明还公开了拉曼荧光激光雷达生物气溶胶浓度廓线的计算方法,本发明还公开了生物气溶胶数浓度廓线拉曼荧光激光雷达系统的预测方法,采用本发明能够实现大气中生物气溶胶数浓度廓线的预测。
Description
技术领域
本发明属于激光主动遥感探测技术领域,涉及生物气溶胶数浓度廓线拉曼荧光激光雷达系统,本发明还涉及采用上述雷达系统进行拉曼荧光激光雷达生物气溶胶浓度廓线的计算方法,本发明还涉及采用上述雷达系统对生物气溶胶浓度廓线进行预测的方法。
背景技术
受气象条件以及人为活动等因素的影响,生物气溶胶的含量、成分等随地点和高度的不同变化很大,并且在季节分布上也有很大的不同;在特定的天气情况下,生物气溶胶易形成极端污染天气,会对空气质量、能见度、人体健康等造成影响。因此,研究大气中生物气溶胶的含量分布和浓度预测,具有重要的学术意义与科学研究价值。拉曼荧光激光雷达探测及预测生物气溶胶数浓度廓线的工作原理是由激光器向大气发射紫外激光脉冲光源,同时与大气中的气溶胶、生物气溶胶以及氮气发生作用,然后由望远镜同时接收气溶胶产生的米散射回波信号、生物气溶胶产生的荧光散射回波信号以及氮气产生的拉曼散射信号,然后由氮气的散射信号和气溶胶的米散射信号结合,反演激发波长在大气中的气溶胶消光系数,然后算出荧光波长在大气中的气溶胶消光,最后由荧光回波信号反演大气生物气溶胶数浓度廓线。然后将生物气溶胶数浓度廓线作为输出,将大气温湿度、气溶胶消光系数、后向散射系数、PM2.5、PM10、一氧化碳、二氧化硫、二氧化碳、臭氧、风速等参数作为输入,建立基于神经网络算法的生物气溶胶数浓度廓线预测模型,最后利用训练好的神经网络预测模型,对大气中的生物气溶胶数浓度廓线的进行预测计算。
发明内容
本发明的目的是提供一种生物气溶胶数浓度廓线拉曼荧光激光雷达系统。
本发明的目的是还提供一种拉曼荧光激光雷达生物气溶胶浓度廓线的计算方法;
本发明的目的是还提供一种利用生物气溶胶数浓度廓线拉曼荧光激光雷达系统对生物气溶胶浓度廓线进行预测的方法,采用该方法能够实现大气中生物气溶胶数浓度廓线的预测
本发明所采用的第一种技术方案是,生物气溶胶数浓度廓线拉曼荧光激光雷达系统,包括固体脉冲激光器,固体脉冲激光器的光路前方设有全反射镜片A,全反射镜片A的正下方设有望远镜,固体脉冲激光器产生的紫外脉冲激光经全反射镜片调整光路后与大气中的生物气溶胶、气溶胶及氮气分子发生作用产生信号,信号经光纤引至凸透镜A,凸透镜A的光路前方设有二向色镜A,二向色镜A的其中一个方向的光路上依次设有滤光镜片A、凸透镜B、光电倍增管A;二向色镜A的另一个方向的光路上依次设有二向色镜B,二向色镜B的其中一个方向的光路上依次设有滤光镜片B、凸透镜C及光电倍增管B;二向色镜B的另一个方向的光路上设有全反射镜片B;全反射镜片B的反射光路上依次设有滤光镜片C、凸透镜C及光电倍增管C,光电倍增管C、光电倍增管B及光电倍增管A均连接计算机。
本发明第一种技术方案的特点还在于:
固体脉冲激光器输出波长为266nm的激光脉冲。
二向色镜A对266nm波长的光信号进行全反射,对于大于275nm波长的光信号进行全透过。
二向色镜B对小于310nm波长的光信号进行全反射,对大于310nm波长的光信号进行全透过。
信号包括米散射信号、荧光散射信号以及氮气产生的拉曼散射回波信号。
本发明采用的第二种技术方案是,拉曼荧光激光雷达生物气溶胶浓度廓线的计算方法,具体包括如下步骤:
步骤1,在与紫外激光脉冲相互作用下,大气中所含生物气溶胶、气溶胶和氮气产生的荧光散射信号、气溶胶产生的米散射信号以及氮气产生的拉曼散射信号,根据激光雷达探测原理,得到生物气溶胶的荧光散射信号功率PF(R)方程以及氮气拉曼散射信号功率PN2(R)方程:
步骤2,利用大气中氮气分子数密度知道以及氮气的分子散射界面也可知道情况下,算出大气中氮气的后向散射系数,再由上式中公式(2)反演出激光波长在大气中的气溶胶消光系数αA(λ1,R),其表达式为
步骤3,计算出荧光波长在大气中的气溶胶消光系数αA(λ2,R),表达式为:
步骤4,在求得激光脉冲波长以及荧光波长在大气中的气溶胶消光系数之后,加上荧光波长再大气中的分子消光系数,算出荧光波长在大气中总的消光系数α(λ2,R),表达式为:
步骤5中,在获得荧光波长的气溶胶消光系数后,根据激光雷达方程可得到生物气溶胶浓度与荧光信号强度之间的关系,算出大气生物气溶胶数浓度廓线NBi0(R),表达式为:
本发明采用的第三种技术方案为,生物气溶胶数浓度廓线拉曼荧光激光雷达系统的预测方法,具体包括如下步骤:
步骤1,固体脉冲激光器发射紫外激光脉冲,通过全反射镜片调整光路方向与大气中生物气溶胶、气溶胶和氮气分子发生作用产生米散射信号、荧光散射信号以及拉曼散射回波信号,并由望远镜同时接收;
步骤2,望远镜将接收的米散射信号、荧光散射信号以及拉曼散射回波信号由光纤引导至凸透镜A,然后由二向色镜片A将米散射信号与荧光散射信号、拉曼散射回波信号分开,米散射信号由二向色镜片A全反射,荧光散射信号、拉曼散射回波信号由二向色镜片A全透过;
步骤3,二向色镜片B将荧光散射信号与拉曼散射回波信号分开,拉曼散射回波信号由二向色镜片B全反射,荧光散射信号由二向色镜片B全透过;接着荧光散射信号由全反射镜片B调整光路方向;
步骤4,滤光镜片A对米散射信号进行滤波处理并提取,然后经由凸透镜B聚焦导入到光电倍增管A进行光电转换,滤光镜片B对米散射信号进行滤波处理并提取,然后经由凸透镜C聚焦导入到光电倍增管B进行光电转换,滤光镜片C对米散射信号进行滤波处理并提取,然后经由凸透镜C聚焦导入到光电倍增管C进行光电转换;
步骤5,光电倍增管A、光电倍增管B、光电倍增管C分别将荧光散射信号、米散射信号以及拉曼散射回波信号转换后,经过A/D转换后导入计算机进行数据存储和处理,然后反演出生物气溶胶数浓度廓线;
步骤6,在计算机中,利用反演得到的生物气溶胶数浓度廓线作为输出参量,与生物气溶胶相关的影响因素作为输入参量,最后预测出生物气溶胶数浓度廓线。
本发明的有益效果是:本发明提出一种利用激光雷达观测数据以及现场仪器测量数据对大气生物气溶胶数浓度廓线进行估算和预测的方法,通过采用深度神经网络进行非线性预测,将与大气生物气溶胶浓度存在直接相关的影响因素:如环境参数、气溶胶颗粒物含量、气溶胶粒子尺寸、大气化学组分(大气温湿度、气溶胶消光系数、后向散射系数、PM2.5、PM10、一氧化碳、二氧化硫、二氧化碳、臭氧、风速)等参数作为输入参量,然后将拉曼荧光激光雷达探测得到的生物气溶胶数浓度廓线作为输出参量,通过神经网络经过反复训练,建立生物气溶胶浓度直接相关的影响因素与生物气溶胶数浓度廓线之间的数学模型,最后实现生物气溶胶数浓度廓线的准确预测,为大气生物气溶胶的监测和预警预报提供新的研究方法。
附图说明
图1为本发明生物气溶胶数浓度廓线拉曼荧光激光雷达系统的结构原理图;
图2为本发明利用生物气溶胶数浓度廓线拉曼荧光激光雷达系统对生物气溶胶浓度廓线进行预测的方法的流程图;
图3为本发明利用生物气溶胶数浓度廓线拉曼荧光激光雷达系统对生物气溶胶浓度廓线进行预测的方法中深度神经网络(DNN)的结构图。
图中,1.固体脉冲激光器,2.紫外激光脉冲,3.全反射镜片A,4.大气,5.信号,6.望远镜,7.光纤,8.凸透镜A,9.二向色镜A,10.滤光镜片A,11.凸透镜B,12.光电倍增管A,13.二向色镜B,14.滤光镜片B,15.凸透镜C,16.光电倍增管B,17.全反射镜片B,18.滤光镜片C,19.凸透镜C,20.光电倍增管C,21.计算机。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明生物气溶胶数浓度廓线拉曼荧光激光雷达系统,如图1所示,包括固体脉冲激光器1、固体脉冲激光器1发射的波长为266nm紫外激光脉冲2、紫外激光脉冲2反向进入大气4中的全反射镜片3(大气4中含有气溶胶、生物气溶胶、氮气)、与此同时在紫外激光脉冲2激发下,气溶胶、生物气溶胶以及氮气产生的信号5(信号5包括米散射信号、荧光散射信号及拉曼散射回波信号)、可同时接收米散射信号、荧光散射信号、拉曼散射回波信号的卡塞格林式望远镜6、可同时引导米散射信号、荧光散射信号、拉曼散射回波信号传播的光纤7、将米散射信号、荧光散射信号、拉曼散射回波信号平行输出的凸透镜8、将荧光散射信号、氮气的拉曼散射回波信号和米散射信号分离的二向色镜A9、对米散射信号过滤提取的滤光镜片A10,将米散射信号聚焦的凸透镜B11,探测米散射信号的光电倍增管A12;接着对生物气溶胶荧光散射信号和氮气的拉曼散射信号进行分离所采用的二向色镜B13,对氮气的拉曼散射信号滤波提取的滤光镜片B14,将拉曼散射信号聚焦的凸透镜C15,探测拉曼散射信号的光电倍增管B16,接着对生物气溶胶荧光散射信号的方向调整所采用的二向色镜B17,对生物气溶胶的荧光散射信号滤波提取的滤光镜片C18,将荧光散射信号聚焦的凸透镜C19,探测荧光散射信号的光电倍增管C20,含有数据采集功能的计算机21。
上述系统中,固体脉冲激光器1的输出紫外波长为266nm的紫外激光脉冲,紫外激光脉冲2频率连续且可调节;望远镜6可同时接收生物气溶胶的荧光散射波长、氮气的拉曼散射波长以及气溶胶米散射波长,光纤7可同时传导生物气溶胶的荧光散射波长、氮气的拉曼散射波长以及气溶胶米散射波长,二向色镜A9对266nm波长的光信号进行全反射,对于大于275nm波长的光信号进行全透过,二向色镜B13对小于310nm波长的光信号进行全反射,对于大于310nm波长的光信号进行全透过,然后生物气溶胶的荧光散射信号、氮气的拉曼散射信号以及气溶胶米散射信号由光电倍增管C20、光电倍增管B16、光电倍增管A12进行探测并转换为电信号,最后由计算机21进行数据接收,并通过相关软件对数据进行处理并反演出生物气溶胶浓度廓线,继续采用相关软件,结合神经网络算法,对生物气溶胶浓度廓线进行预测。
本发明拉曼荧光激光雷达生物气溶胶浓度廓线的计算方法,具体包括如下步骤:
步骤1,在与紫外激光脉冲2相互作用下,大气中所含生物气溶胶、气溶胶和氮气产生的荧光散射信号、气溶胶产生的米散射信号以及氮气产生的拉曼散射信号,根据激光雷达探测原理,可得到生物气溶胶的荧光信号光子数方程以及氮气产生的拉曼信号功率方程:
在上式中,PF(R)为激光雷达探测到的荧光散射信号功率,PN2(R)为激光雷达探测到的氮气拉曼散射信号功率,K为激光雷达系统常数,E0为紫外域激光脉冲能量,N0为生物气溶胶的数浓度,c为光速,A0为望远镜接收面积,R为激光雷达测量高度高度,σF Bio为生物气溶胶荧光散射截面积,λ1为激光波长,λ2为荧光波长,λ3为氮气的拉曼波长,Δλ为滤光镜片带宽,NBio生物气溶胶粒子数浓度,βN2(R)为氮气的拉曼后向散射系数,ɑ(λ1,R)为激发脉冲光束在大气中的消光系数,ɑ(λ2,R)为荧光波长在大气中的消光系数,ɑ(λ3,R)为氮气拉曼波长在大气中的消光系数。
步骤2,利用大气中氮气分子数密度知道以及氮气的分子散射界面也可知道情况下,算出大气中氮气的后向散射系数,再由上式中公式(2)反演出激光波长在大气中的气溶胶消光系数αA(λ1,R),其表达式为
式中,NN2(R)是氮气在高度R处的分子数密度,PN2(R)为氮气拉曼回波功率信号,αA(λ1,R)、αM(λ1,R)、αA(λ3,R)、αM(λ3,R)分别为波长λ1的气溶胶消光系数、波长λ1的大气分子消光系数、波长λ3的气溶胶消光系数、波长λ3的大气分子消光系数。
步骤3,利用本发明中的激光雷达系统具有的氮气拉曼散射信号探测通道,可获得激光脉冲波长在大气中的气溶胶消光系数,当确定所需探测的荧光波长时,可通过不同波长的气溶胶消光系数之间存在的等比例关系,计算出荧光波长在大气中的气溶胶消光系数αA(λ2,R),表达式为
步骤4,在求得激光脉冲波长以及荧光波长在大气中的气溶胶消光系数之后,加上荧光波长再大气中的分子消光系数,算出荧光波长在大气中总的消光系数α(λ2,R),表达式为
步骤5,在获得荧光波长的气溶胶消光系数后,根据激光雷达方程可得到生物气溶胶浓度与荧光信号强度之间的关系,算出大气生物气溶胶数浓度廓线NBi0(R),表达式为:
本发明生物气溶胶数浓度廓线拉曼荧光激光雷达系统的预测方法,如图2所示,包括以下步骤:
步骤1,固体脉冲激光器1发射波长为266nm紫外激光脉冲2,通过全反射镜片A3调整光路方向与大气4中生物气溶胶、气溶胶和氮气分子发生作用产生荧光散射信号、米散射信号以及拉曼散射信号,然后由望远镜6同时接收;
步骤2,望远镜6接收的荧光散射信号、米散射信号以及拉曼散射信号由光纤7引导至凸透镜A8,然后由二向色镜片A9将米散射信号与荧光散射信号、拉曼散射信号分开,米散射信号由二向色镜片A9全反射,荧光散射信号、拉曼散射信号由二向色镜片A9全透过;
步骤3,二向色镜片B13将荧光散射信号与拉曼散射信号分开,拉曼散射信号由二向色镜片B13全反射,荧光散射信号由二向色镜片B13全透过;接着荧光散射信号由全反射镜片B17调整光路方向;
步骤4,滤光镜片A10对米散射信号进行滤波处理并提取,然后经由凸透镜B11聚焦导入到光电倍增管A12进行光电转换,滤光镜片B14对米散射信号进行滤波处理并提取,然后经由凸透镜C15聚焦导入到光电倍增管B16进行光电转换,滤光镜片C18对米散射信号进行滤波处理并提取,然后经由凸透镜C19聚焦导入到光电倍增管C20进行光电转换;
步骤5,光电倍增管C20、光电倍增管B16、光电倍增管A12分别将荧光散射信号、米散射信号以及拉曼散射信号转换后,经过A/D转换后导入计算机21进行数据存储和处理,然后反演出生物气溶胶数浓度廓线;
步骤6,在计算机21中,结合神经网络算法,利用反演得到的生物气溶胶数浓度廓线作为输出参量,与生物气溶胶相关的影响因素作为输入参量,最后预测出生物气溶胶数浓度廓线。
步骤6中,根据荧光激光雷达连续测量得到大气中生物气溶胶数浓度廓线数据后,将得到的数据作为输出参量(生物气溶胶数浓度廓线1、生物气溶胶数浓度廓线2、生物气溶胶数浓度廓线3、生物气溶胶数浓度廓线4)导入到程序中,同时将同时刻的与大气生物气溶胶浓度存在直接相关的影响因素:大气温湿度、气溶胶消光系数、后向散射系数、PM2.5、PM10、一氧化碳、二氧化硫、二氧化碳、臭氧、风速这些测量得到的大批量大气环境参数作为输入参量导入到计算机21中。
步骤7,在计算机21中导入数据以后,对训练参量数据和预测参量数据进行归一化处理,避免输入参量数据和输出参量数据数量级差别较大而引起的网络误差,参量数据样本归一化表达式为:
式中,Y1为经过归一化处理后的数据,Yk为未经处理的数据,Ymin为所有参量数据序列中的最小值数,Ymax为所有参量数据序列中的最大值数,为所有参量数据序列中的最大值数。
步骤8,对所有参量数据样本归一化后,接着对神经网络进行设计,确定神经网络中输入神经元的个数,由图3可知该神经网络共有11输入结点,即11个输入神经元且根据需要可以进行扩展,接着进一步确定神经网络隐含层的节点数,隐含层节点数可利用如下经验公式来确定。
式中,l为神经网络的隐含层节点数,n为神经网络的输入节点数,m为神经网络的输出节点数(取值4,该值可进行扩展),a为调节常数(取值1~11,该值范围可进行扩展),当输入节点数、输出节点数以及调节常数确定之后,可得到神经网络隐含层节点数。得到神经网络隐含层节点数后,继续对神经网络的隐含层数进行确定,增加隐含层数对预测结果进行优化,接着对输出层节点数进行确定,本本发明中将多个生物气溶胶浓度廓线作为输出参量。
步骤9,在确定神经网络各节点参数后,采用随机梯度下降(SGD)的方法用于训练神经网络,该方法用于调整权重,能在每次反向传播步骤之后使结果更接近最小值。采用平均误差评估参数来衡量模型预测误差。其中误差指标计算公式如下,平均误差计算公式:
式中,m为需要处理数据的总量,Yi为预测值,Wi为监测值。
同时,采用leak relu函数作为神经网络的激活函数,对已经计算得到的结果做一个非线性计算,采用logsig(x)函数作为从输入层到隐含层的节点传递函数,采用tansig(x)函数作为从隐含层到输出层节点的传递函数。
步骤10,然后利用步骤9训练好的生物气溶胶数浓度廓线预测模型,以大气温湿度、气溶胶消光系数、后向散射系数、PM2.5、PM10、一氧化碳、二氧化硫、二氧化碳、臭氧、风速等这些新测量得到的大气环境参数作为输入参量,输入已经训练好的神经网络预测模型的输入层,并且对神经网络中的学习率、迭代次数、目标、误差等参数进行适当的调节,以使得对大气生物气溶胶浓度廓线的预测效果达到最好,最后在计算机程序中运行该神经网络预测模型,在神经网络输出层得到预测的生物气溶胶数浓度廓线。
Claims (7)
1.生物气溶胶数浓度廓线拉曼荧光激光雷达系统,其特征在于:包括固体脉冲激光器,固体脉冲激光器的光路前方设有全反射镜片A,全反射镜片A的正下方设有望远镜,固体脉冲激光器产生的紫外脉冲激光经全反射镜片调整光路后与大气中的生物气溶胶、气溶胶及氮气分子发生作用产生信号,信号经光纤引至凸透镜A,凸透镜A的光路前方设有二向色镜A,二向色镜A的其中一个方向的光路上依次设有滤光镜片A、凸透镜B、光电倍增管A;二向色镜A的另一个方向的光路上依次设有二向色镜B,二向色镜B的其中一个方向的光路上依次设有滤光镜片B、凸透镜C及光电倍增管B;二向色镜B的另一个方向的光路上设有全反射镜片B;全反射镜片B的反射光路上依次设有滤光镜片C、凸透镜C及光电倍增管C,光电倍增管C、光电倍增管B及光电倍增管A均连接计算机。
2.根据权利要求1所述的生物气溶胶数浓度廓线拉曼荧光激光雷达系统,其特征在于:所述固体脉冲激光器输出波长为266nm的激光脉冲。
3.根据权利要求1所述的生物气溶胶数浓度廓线拉曼荧光激光雷达系统,其特征在于:所述二向色镜A对266nm波长的光信号进行全反射,对于大于275nm波长的光信号进行全透过。
4.根据权利要求1所述的生物气溶胶数浓度廓线拉曼荧光激光雷达系统,其特征在于:所述二向色镜B对小于310nm波长的光信号进行全反射,对大于310nm波长的光信号进行全透过。
5.根据权利要求1所述的生物气溶胶数浓度廓线拉曼荧光激光雷达系统,其特征在于:所述信号包括米散射信号、荧光散射信号以及氮气产生的拉曼散射回波信号。
6.根据权利要求1~5任一权利要求所述的拉曼荧光激光雷达生物气溶胶浓度廓线的计算方法,其特征在于:具体包括如下步骤:
步骤1,在与紫外激光脉冲相互作用下,大气中所含生物气溶胶、气溶胶和氮气产生的荧光散射信号、气溶胶产生的米散射信号以及氮气产生的拉曼散射信号,根据激光雷达探测原理,得到生物气溶胶的荧光散射信号功率PF(R)方程以及氮气拉曼散射信号功率PN2(R)方程:
步骤2,利用大气中氮气分子数密度知道以及氮气的分子散射界面也可知道情况下,算出大气中氮气的后向散射系数,再由上式中公式(2)反演出激光波长在大气中的气溶胶消光系数αA(λ1,R),其表达式为
步骤3,计算出荧光波长在大气中的气溶胶消光系数αA(λ2,R),表达式为:
步骤4,在求得激光脉冲波长以及荧光波长在大气中的气溶胶消光系数之后,加上荧光波长再大气中的分子消光系数,算出荧光波长在大气中总的消光系数α(λ2,R),表达式为:
步骤5中,在获得荧光波长的气溶胶消光系数后,根据激光雷达方程可得到生物气溶胶浓度与荧光信号强度之间的关系,算出大气生物气溶胶数浓度廓线NBi0(R),表达式为:
7.根据权利要求6所述的生物气溶胶数浓度廓线拉曼荧光激光雷达系统的预测方法,其特征在于:具体包括如下步骤:
步骤1,固体脉冲激光器发射紫外激光脉冲,通过全反射镜片调整光路方向与大气中生物气溶胶、气溶胶和氮气分子发生作用产生米散射信号、荧光散射信号以及拉曼散射回波信号,并由望远镜同时接收;
步骤2,望远镜将接收的米散射信号、荧光散射信号以及拉曼散射回波信号由光纤引导至凸透镜A,然后由二向色镜片A将米散射信号与荧光散射信号、拉曼散射回波信号分开,米散射信号由二向色镜片A全反射,荧光散射信号、拉曼散射回波信号由二向色镜片A全透过;
步骤3,二向色镜片B将荧光散射信号与拉曼散射回波信号分开,拉曼散射回波信号由二向色镜片B全反射,荧光散射信号由二向色镜片B全透过;接着荧光散射信号由全反射镜片B调整光路方向;
步骤4,滤光镜片A对米散射信号进行滤波处理并提取,然后经由凸透镜B聚焦导入到光电倍增管A进行光电转换,滤光镜片B对米散射信号进行滤波处理并提取,然后经由凸透镜C聚焦导入到光电倍增管B进行光电转换,滤光镜片C对米散射信号进行滤波处理并提取,然后经由凸透镜C聚焦导入到光电倍增管C进行光电转换;
步骤5,光电倍增管A、光电倍增管B、光电倍增管C分别将荧光散射信号、米散射信号以及拉曼散射回波信号转换后,经过A/D转换后导入计算机进行数据存储和处理,然后反演出生物气溶胶数浓度廓线;
步骤6,在计算机中,利用反演得到的生物气溶胶数浓度廓线作为输出参量,与生物气溶胶相关的影响因素作为输入参量,最后预测出生物气溶胶数浓度廓线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111601034.2A CN114384548B (zh) | 2021-12-24 | 2021-12-24 | 生物气溶胶数浓度廓线拉曼荧光激光雷达系统及预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111601034.2A CN114384548B (zh) | 2021-12-24 | 2021-12-24 | 生物气溶胶数浓度廓线拉曼荧光激光雷达系统及预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114384548A true CN114384548A (zh) | 2022-04-22 |
CN114384548B CN114384548B (zh) | 2024-04-26 |
Family
ID=81197231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111601034.2A Active CN114384548B (zh) | 2021-12-24 | 2021-12-24 | 生物气溶胶数浓度廓线拉曼荧光激光雷达系统及预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114384548B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114778519A (zh) * | 2022-05-26 | 2022-07-22 | 深圳市诺安智能股份有限公司 | 一种基于拉曼波的物质成分检测装置及实现方法 |
CN116466368A (zh) * | 2023-06-16 | 2023-07-21 | 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 |
CN117554992A (zh) * | 2024-01-10 | 2024-02-13 | 青岛镭测创芯科技有限公司 | 基于激光雷达的消光系数获取方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7656526B1 (en) * | 2006-07-21 | 2010-02-02 | University Corporation For Atmospheric Research | Lidar system for remote determination of calibrated, absolute aerosol backscatter coefficients |
US20180188376A1 (en) * | 2017-01-03 | 2018-07-05 | Wuhan University | Single-line-extracted pure rotational raman lidar to measure atmospheric temperature and aerosol profiles |
CN109596594A (zh) * | 2018-11-27 | 2019-04-09 | 南京信息工程大学 | 基于拉曼-米散射激光雷达的气溶胶消光系数反演方法 |
CN111596311A (zh) * | 2020-06-02 | 2020-08-28 | 北方民族大学 | 探测生物气溶胶相对数浓度的激光雷达系统及反演方法 |
CN113777579A (zh) * | 2021-08-24 | 2021-12-10 | 万合(洛阳)光电技术有限公司 | 一种拉曼-米散射激光雷达气溶胶消光系数廓线反演算法 |
-
2021
- 2021-12-24 CN CN202111601034.2A patent/CN114384548B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7656526B1 (en) * | 2006-07-21 | 2010-02-02 | University Corporation For Atmospheric Research | Lidar system for remote determination of calibrated, absolute aerosol backscatter coefficients |
US20180188376A1 (en) * | 2017-01-03 | 2018-07-05 | Wuhan University | Single-line-extracted pure rotational raman lidar to measure atmospheric temperature and aerosol profiles |
CN109596594A (zh) * | 2018-11-27 | 2019-04-09 | 南京信息工程大学 | 基于拉曼-米散射激光雷达的气溶胶消光系数反演方法 |
CN111596311A (zh) * | 2020-06-02 | 2020-08-28 | 北方民族大学 | 探测生物气溶胶相对数浓度的激光雷达系统及反演方法 |
CN113777579A (zh) * | 2021-08-24 | 2021-12-10 | 万合(洛阳)光电技术有限公司 | 一种拉曼-米散射激光雷达气溶胶消光系数廓线反演算法 |
Non-Patent Citations (1)
Title |
---|
沈吉;曹念文;: "拉曼散射激光雷达反演平流层气溶胶消光系数廓线", 中国激光, no. 06, 10 January 2018 (2018-01-10) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114778519A (zh) * | 2022-05-26 | 2022-07-22 | 深圳市诺安智能股份有限公司 | 一种基于拉曼波的物质成分检测装置及实现方法 |
CN116466368A (zh) * | 2023-06-16 | 2023-07-21 | 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 |
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 |
CN117554992A (zh) * | 2024-01-10 | 2024-02-13 | 青岛镭测创芯科技有限公司 | 基于激光雷达的消光系数获取方法及系统 |
CN117554992B (zh) * | 2024-01-10 | 2024-04-09 | 青岛镭测创芯科技有限公司 | 基于激光雷达的消光系数获取方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114384548B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114384548B (zh) | 生物气溶胶数浓度廓线拉曼荧光激光雷达系统及预测方法 | |
CN110441777A (zh) | 一种基于激光雷达的气溶胶垂直廓线的反演方法 | |
CN106872324A (zh) | 一种气溶胶颗粒物质量浓度的探测装置及探测方法 | |
CN103175759A (zh) | 基于多种地基遥感技术获取城市气溶胶复折射指数的方法 | |
Tian et al. | Retrieval of gas concentrations in optical spectroscopy with deep learning | |
CN111678599B (zh) | 基于深度学习优化s-g滤波的激光光谱降噪方法及装置 | |
CN101644673A (zh) | 基于量子级联激光器的红外光腔衰荡光谱痕量气体检测方法 | |
CN103712914A (zh) | 同时检测气溶胶消光和散射系数的激光光腔衰荡光谱仪 | |
Bruneau et al. | Airborne lidar LEANDRE II for water-vapor profiling in the troposphere. II. First results | |
CN111596311A (zh) | 探测生物气溶胶相对数浓度的激光雷达系统及反演方法 | |
CN105486655A (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
CN109813639B (zh) | 一种基于红外光调制技术的颗粒物与气体浓度同步测量装置及其测量方法 | |
CN104034666A (zh) | 一种食品药品质量分级快速检测装置及方法 | |
CN111239072B (zh) | 一种精确测量燃烧气体温度的方法 | |
EP1058879B1 (en) | Measurement system | |
CN108872148A (zh) | 基于光纤传感的高精度空气中颗粒物浓度检测方法 | |
JP6044136B2 (ja) | ガス分析装置 | |
RU183716U1 (ru) | Лидар для дистанционного измерения температуры атмосферы | |
CN116956749B (zh) | 一种基于大数据多维度监测碳排放的方法和系统 | |
CN112729591A (zh) | 一种基于低带宽光电探测器的激光吸收光谱温度测量系统与方法 | |
CN105784671A (zh) | 一种液芯光纤共振拉曼光谱在线检测亚硝酸盐方法 | |
Li et al. | Research on the measurement of CH 4 concentration based on dual-band weighted combination model | |
Fu et al. | Hybrid model-driven spectroscopic network for rapid retrieval of turbine exhaust temperature | |
CN117723497B (zh) | 一种智能随动水质监测系统 | |
CN110231313B (zh) | 一种激光气体分析仪在线零点校准方法及装置 |
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 |