CN116822567B - 一种蒸发波导预测模型参数的优化方法 - Google Patents

Abstract

本发明涉及蒸发波导领域，公开了一种蒸发波导预测模型参数的优化方法，包括以下步骤：利用海上观测平台安装气象水文传感器，分层测量距海面不同高度的气象水文数据；以海面粗糙度参数化方案和稳定度普适函数的组合构建蒸发波导预测模型，选取预测结果准确性最高的模型作为待优化的模型；利用参考修正大气折射率剖面和优化前模型输出的预测修正大气折射率剖面作为粒子群优化算法的输入，以二者间偏差的均方根作为粒子适应度计算标准，迭代获取蒸发波导预测模型待优化参数的最优值。本发明所公开的方法可以提高近海面大气温度、湿度、修正大气折射率剖面预测结果的准确性，提高模型在目标海域的适用性。

Description

一种蒸发波导预测模型参数的优化方法

技术领域

本发明涉及蒸发波导领域，特别涉及一种蒸发波导预测模型参数的优化方法。

背景技术

海上低空大气温度、湿度、修正大气折射率剖面是影响海上电波传播的核心要素。受海气动量、热量通量的驱动以及海陆干热、湿冷气团平流的影响，海上低空大气层结极易形成波导传播，造成电波异常折射，使电磁波被陷获到波导层内部造成回波“盲区”，被陷获到波导层内部的电磁波以低损耗传播从而实现“超视距”探测。感知海上低空大气温度、湿度、修正大气折射率剖面并科学地利用波导现象，对于准确预测雷达海上目标探测距离与探测盲区、实现超视距目标探测与识别具有至关重要的作用，军事应用价值尤为显著。

目前普遍采用的获取近海面大气温度、湿度、修正大气折射率剖面的方法是通过观测海气界面某一高度处的风速、气温、湿度、气压，以及海表皮温，利用蒸发波导参数化预测模型计算得到近海面一定高度范围内的气温、湿度、修正大气折射率剖面，其根本原理是Monin-Obukhov相似理论。由于不同的蒸发波导参数化预测模型所使用的海面粗糙度参数化方案和稳定度普适函数各不相同，使其在不同海域、不同季节存在着不同程度的适用性问题。

发明内容

为解决上述技术问题，本发明提供了一种蒸发波导预测模型参数的优化方法，对蒸发波导预测模型所使用的海面粗糙度（和/或）稳定度普适函数的相关参数进行优化，达到提高近海面大气温度、湿度、修正大气折射率剖面预测结果准确性的目的，提高模型在目标海域的适用性。

为达到上述目的，本发明的技术方案如下：

一种蒸发波导预测模型参数的优化方法，包括以下步骤：

步骤一，获取近海面气象水文环境数据：利用海上观测平台安装气象水文传感器，分层测量距海面不同高度的气象水文数据；

步骤二，选择待优化的蒸发波导预测模型：以海面粗糙度参数化方案和稳定度普适函数的组合构建蒸发波导预测模型，以距海面某个高度上的气象水文数据，以及气象水文传感器距海面高度作为模型的输入，模型输出为目标海域修正大气折射率剖面的预测结果，选取预测结果准确性最高的模型作为待优化的蒸发波导预测模型；

步骤三，计算中间变量：包括计算距海面不同高度修正大气折射率并拟合参考修正大气折射率剖面，利用优化前的蒸发波导预测模型计算模型输出的预测修正大气折射率剖面；

步骤四，优化蒸发波导预测模型的参数：利用参考修正大气折射率剖面和优化前模型输出的预测修正大气折射率剖面作为粒子群优化算法的输入，以二者间偏差的均方根作为粒子适应度计算标准，迭代获取蒸发波导预测模型待优化参数的最优值。

上述方案中，步骤一中，为获取近海面气象水文环境数据需在距海面不同高度处安装温湿度传感器测量空气温度、空气相对湿度，在近海面安装红外海表皮温传感器测量海表皮温，在近海面安装气压传感器测量近海面气压，在近海面安装测风传感器测量近海面风速。

上述方案中，步骤二中，海面粗糙度参数化方案包括COARE3.0、TY01、Oost、Porchetta、COARE3.5、Edson；稳定度普适函数包括NPS_BH91、NPS_CB05、NPS_G07。

上述方案中，步骤二中，修正大气折射率剖面预测结果准确性由下式进行计算：

其中，i为传感器分层测量层数，I为传感器分层测量总层数，j为测量数据样本序 列，J为测量数据样本总数，为第j个样本第i层传感器测量高度处实测修正大气 折射率，为第j个样本第i层传感器测量高度处模型输出的修正大气折射率， 为第j个样本实测修正大气折射率与模型输出的修正大气折射率在距海面不同高度的偏 差，为的均方根，故数值越小代表预测结果准确性越高。

上述方案中，步骤三中，计算距海面不同高度修正大气折射率的具体方法如下：

距海面高度z处的实测修正大气折射率由下式进行计算：

其中，i为传感器分层测量层数，j为测量数据样本序列，、分别 为第j个样本第i层传感器测量高度处测量的空气温度和近海面气压，为第j个样本第i 层传感器测量高度处测量的空气相对湿度，为第i层传感器安装高度，为第j个样 本第i层传感器测量高度处对应的饱和水汽压，为第j个样本第i层传感器测量高 度处的实测水汽压，为第j个样本第i层传感器测量高度处的大气折射率。

上述方案中，步骤三中，利用距海面不同高度修正大气折射率拟合参考修正大气折射率剖面的拟合公式形式如下：

其中，i为传感器分层测量层数，j为测量数据样本序列，为第i层传感器安装高 度，a、b、c为拟合系数，为第j个样本第i层传感器测量高度处拟合得到的参考修正大气 折射率。

上述方案中，步骤三中，利用优化前的蒸发波导预测模型计算模型输出的修正大气折射率剖面的方法如下：

蒸发波导预测模型输出剖面为连续数据，此处从模型输出剖面的连续数据中选取传感器安装高度的输出数据，用于后续与传感器分层测量数据进行比较；

公式（7）至（9）中i为传感器分层测量层数，j为测量数据样本序列，为第i层传感 器安装高度，为第j个样本第i层传感器测量高度处模型输出的比湿，为第j个样 本第i层传感器测量高度处模型输出的大气压力，为第j个样本第i层传感器测量高度 处模型输出的水汽压，为第j个样本第i层传感器测量高度处模型输出的大气折射率，为第j个样本第i层传感器测量高度处模型输出的空气温度，为第j个样本第i 层传感器测量高度处模型输出的修正大气折射率。

上述方案中，步骤四中，粒子适应度计算标准如下：

其中，i为传感器分层测量层数，I为分层测量总层数，j为测量数据样本序列，J为 测量数据样本总数，为第j个样本第i层传感器测量高度处参考修正大气折射率， 为第j个样本第i层传感器测量高度处模型输出的修正大气折射率，为第j个样本 参考修正大气折射率与模型输出的修正大气折射率在距海面不同高度的偏差，为上述偏差的均方根。

上述方案中，步骤四中，以理查森数作为判断标准，将实测气象水文环境数据划分为稳定状态和不稳定状态两个数据集，分别对各数据集样本进行参数优化；

假设待优化参数为D维向量，在搜索空间中，随机生成F个粒子，每个粒子的位置代 表一组待优化参数，则第f个粒子的位置记为，其对应的速度为，第f个粒子搜索到的最优位置为，群体搜索到的最优位置 为，每个粒子的速度和位置通过以下公式进行更新：

其中，k为迭代次数，为惯性权重，和是学习因子，取值介于[0,2]之间，和 是 [0,1] 范围内的两个均匀分布的随机数，代表第f个粒子在D维空间的位置，代表 第f个粒子在D维空间的速度，代表第f个粒子搜索到在D维空间的最优位置，代表群 体搜索到在D维空间的最优位置，代表第f个粒子迭代第k+1次时在D维空间的速度，代表第f个粒子迭代第k次时在D维空间的速度，代表第f个粒子迭代第k次搜索到 在D维空间的最优位置，代表第f个粒子迭代第k次时在D维空间的位置，代表第 f个粒子迭代第k+1次时在D维空间的位置；

使用粒子群优化算法对稳定和不稳定状态下的两个样本集合进行优化，分别以各 样本集合的作为优化后该模型准确性是否提升的衡量标准；经过迭代，最终 获得蒸发波导预测模型待优化参数的最优值。

通过上述技术方案，本发明提供的一种蒸发波导预测模型参数的优化方法具有如下有益效果：

本发明基于Monin-Obukhov相似理论，将不同粗糙度参数化方案与稳定度普适函数进行组合，得到在目标海域适用性更高的蒸发波导预测模型。这类模型以近海面大气层结垂直分布的物理规律为基础。在此基础上，对其涉及的参数系数进行优化。目前蒸发波导参数化预测模型大多使用海上或近岸气象观测塔采集所在海域近海面气象水文数据，观测区域单一，时空分辨率有限，因此本发明采用船载方式进行气象水文数据采集，扩大数据采集区域，提高数据时空分辨率。

本发明测量距海面不同高度处的空气温度、空气相对湿度、海表皮温、近海面气压以及近海面风速，结合修正大气折射率拟合公式对实测气象水文数据计算的修正大气折射率进行拟合，得到参考修正大气折射率剖面。在实际应用场景中，根据气象数据使用者对数据实时性的需求，配置具备相应计算能力的数据处理单元；根据数据使用者对参数优化计算量的需求，设置待优化参数的取值范围、粒子数和迭代次数等。

本发明以理查森数作为近海面大气层结稳定性的判断标准，将实测气象水文环境数据划分为稳定状态和不稳定状态两组数据集，分别用于对稳定和不稳定条件下的稳定度普适函数进行参数优化。经过粒子群优化算法多轮迭代，最终获得所选择的蒸发波导参数化预测参数化模型待优化参数的最优值，提高模型在目标海域温度、湿度、修正大气折射率剖面预测结果的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。

图1为本发明实施例所公开的一种蒸发波导预测模型参数的优化方法流程示意图；

图2为蒸发波导参数化预测模型粒子群优化算法具体流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

本发明提供了一种蒸发波导预测模型参数的优化方法，如图1所示，包括如下步骤：

步骤一，获取近海面气象水文环境数据：利用海上观测平台安装气象水文传感器，分层测量距海面不同高度的气象水文数据。

以船舶平台为例，通过在船舶距海面不同高度位置安装相应的气象水文传感器，包括温湿度传感器、海表温度传感器、气压传感器、测风传感器。具体地，由温湿度传感器测量距海面不同高度空气温度、空气相对湿度，海表温度传感器测量海表皮温，气压传感器测量近海面气压，测风传感器测量近海面风速。

温湿度传感分别安装于船上多层不同高度处，气压传感器、测风传感器一般安装至相同高度且不互相遮挡，彼此间相对位置可根据安装科考船的具体情况做适当调整。

步骤二，选择待优化的蒸发波导预测模型：以海面粗糙度参数化方案和稳定度普适函数的组合构建蒸发波导预测模型，以距海面某个高度上的气象水文数据，以及气象水文传感器距海面高度作为模型的输入，模型输出为目标海域修正大气折射率剖面的预测结果，选取预测结果准确性最高的模型作为待优化的蒸发波导预测模型。

海面粗糙度是用来描述海气界面粗糙程度的物理量，包括动量粗糙度z₀、温度粗糙度z_0t和湿度粗糙度z_0q。海面粗糙度在海气物质、能量交换过程中起着重要作用。由于海面粗糙度一般难以实际测量，通常利用风速换算得到等效海面粗糙度，即海面粗糙度参数化方案。稳定度普适函数是连接近海面（或近地面）某一高度观测值与近海面（或近地面）气象参数剖面的桥梁。稳定度普适函数根据大气层结稳定状态计算出一个数值，并利用该数值对基于Monin-Obukhov相似理论计算出的中性大气状态下的气象参数剖面进行修正，得到稳定或者不稳定状态下的气象参数剖面。目前常用的稳定度普适函数其具体函数形式以及参数数值各不相同，采用何种函数形式以及参数数值的选取通常根据经验进行确定。

海面粗糙度和稳定度普适函数是基于Monin-Obukhov相似理论的蒸发波导预测模型的两个必要组成部分。基于Monin-Obukhov相似理论的蒸发波导预测模型，其具体计算过程是通过迭代完成的，因为不同模型的计算过程彼此类似，故此处不做赘述。

海面粗糙度参数化方案包括COARE3.0、TY01、Oost、Porchetta、COARE3.5、Edson；稳定度普适函数包括NPS_BH91、NPS_CB05、NPS_G07、COARE3.0、COARE3.5，上述都是现有的方案。

修正大气折射率剖面预测结果准确性由下式进行计算：

其中，i为传感器分层测量层数，I为传感器分层测量总层数，j为测量数据样本序 列，J为测量数据样本总数，为第j个样本第i层传感器测量高度处实测修正大气 折射率，为第j个样本第i层传感器测量高度处模型输出的修正大气折射率， 为第j个样本实测修正大气折射率与模型输出的修正大气折射率在距海面不同高度的偏 差，为的均方根，故数值越小代表预测结果准确性越 高。

步骤三，计算中间变量：包括计算距海面不同高度修正大气折射率并拟合参考修正大气折射率剖面，利用优化前的蒸发波导预测模型计算模型输出的预测修正大气折射率剖面。

1、计算距海面不同高度修正大气折射率的具体方法如下：

距海面高度处的实测修正大气折射率由下式进行计算：

其中，i为传感器分层测量层数，j为测量数据样本序列，、分别 为第j个样本第i层传感器测量高度处测量的空气温度和近海面气压，为第j个样本第i 层传感器测量高度处测量的空气相对湿度，为第i层传感器安装高度，为第j个样 本第i层传感器测量高度处对应的饱和水汽压，可以用格拉切夫等公式计算，为第 j个样本第i层传感器测量高度处的实测水汽压，为第j个样本第层传感器测量 高度处的大气折射率。

2、利用距海面不同高度修正大气折射率拟合参考修正大气折射率剖面的拟合公式形式如下：

其中，i为传感器分层测量层数，j为测量数据样本序列，为第i层传感器安装高 度，a、b、c为拟合系数，为第j个样本第i层传感器测量高度处拟合得到的参考修正大气 折射率。

3、利用优化前的蒸发波导预测模型计算模型输出的修正大气折射率剖面的方法如下：

蒸发波导预测模型输出剖面为连续数据，此处为了便于后续与传感器分层测量数据进行比较，从模型输出的剖面中选取传感器安装高度的输出数据。

公式（7）至（9）中，i为传感器分层测量层数，j为测量数据样本序列，为第i层传 感器安装高度，为第j个样本第i层传感器测量高度处模型输出的比湿，为第j个 样本第i层传感器测量高度处模型输出的大气压力，为第j个样本第i层传感器测量高 度处模型输出的水汽压，为第j个样本第i层传感器测量高度处模型输出的大气折射 率，为第j个样本第i层传感器测量高度处模型输出的空气温度，为第j个样本 第i层传感器测量高度处模型输出的修正大气折射率。

步骤四，优化蒸发波导预测模型的参数：利用参考修正大气折射率剖面和优化前模型输出的预测修正大气折射率剖面作为粒子群优化算法的输入，以二者间偏差的均方根作为粒子适应度计算标准，迭代获取蒸发波导预测模型待优化参数的最优值。

上述的常用的几种粗糙度参数化方案及其参数如表1所示：

表1 几种粗糙度参数化方案及其参数。

上述几种常用的稳定度普适函数及其参数如表2所示；

表2 稳定度普适函数及其参数。

本发明以TY01粗糙度参数化方案和NPS_G07稳定度普适函数（即、、）为例对参数优化过程进行说明。对于TY01 粗糙度参数化方案，为光滑流部分的海面粗糙度，参数a、b为待优化参 数；对于NPS_G07稳定度普适函数，、为待优化 系数。因此，示例中待优化参数为4维向量。

粒子适应度计算标准如下：

其中，i为传感器分层测量层数，I为分层测量总层数，j为测量数据样本序列，J为 测量数据样本总数，为第j个样本第i层传感器测量高度处参考修正大 气折射率，为第j个样本第i层传感器测量高度处模型输出的修正大气折射 率，为第j个样本参考修正大气折射率与模型输出的修正大气折射 率在距海面不同高度的偏差，为上述偏差的均方根。

以理查森数作为判断标准，将实测气象水文环境数据划分为稳定状态和不稳定状态两个数据集，分别对各数据集样本进行参数优化。

稳定状态和不稳定状态指的是大气层结的一种状态。当大气层结上层热下层冷的时候，上层气团由于温度更高，将会阻碍下层气团受浮力作用在垂直方向上的移动，对流就小了，看起来整个大气层结在垂直方向上好像不怎么动，这时的大气层结状态称为稳定状态；反之，当大气层结下热上冷，这时下层气团受浮力作用向上移动，在垂直方向上就有了对流，这是的大气层结称为不稳定状态。这是气象上对大气层结状态的一种划分。

是热量稳定度普适函数，所谓的稳定度普适函数就是当大气层结处 于稳定状态时，使用针对稳定情况的公式计算的值；当大气层结处于不稳定状 态时，用针对不稳定情况的公式计算值。对于动量，值将参与计算近海面风速 剖面，对于热量，将参与计算温度和湿度剖面。

如图2所示，假设待优化参数为D维向量，在搜索空间中，随机生成F个粒子，每个粒 子的位置代表一组待优化参数，则第f个粒子的位置记为，其对应的速度为，第f个粒 子搜索到的最优位置为，群体搜索到的最优位置为，每个粒子的速度和位置通过以下 公式进行更新：

其中，k为迭代次数，为惯性权重，和是学习因子，取值介于[0, 2]之间，和是 [0,1] 范围内的两个均匀分布的随机数，代表第f个粒子 在D维空间的位置，代表第f个粒子在D维空间的速度，代表第f个粒子搜索到在D维空 间的最优位置，代表群体搜索到在D维空间的最优位置，代表第f个粒子迭 代第k+1次时在D维空间的速度，代表第f个粒子迭代第k次时在D维空间的速 度，代表第f个粒子迭代第k次搜索到在D维空间的最优位置，代表第f个粒子迭代第k次时在D维空间的位置，代表第f个粒子迭代第k+1次时在D 维空间的位置；

使用粒子群优化算法对稳定和不稳定状态下的两个样本集合进行优化，分别以各 样本集合的作为优化后该模型准确性是否提升的衡量标准；经过 迭代，最终获得蒸发波导预测模型待优化参数的最优值，达到提高待优化模型近海面空气 温度、湿度和修正大气折射率剖面预测结果准确性的目的，提高模型在目标海域的适用性。

以某船某航次采集的576个数据为优化样本，其中稳定情况包含33个样本，不稳定 情况包含543个样本。使用TY01粗糙度参数化方案和NPS_G07稳定度普适函数地组合作为待 优化的蒸发波导参数化预测模型。其中，对于TY01粗糙度参数化方案，有，a、b为待优化参 数。

对于NPS_G07稳定度普适函数，如式（14）-（23）所示，稳定情况下，待优化系数 为a _m 、d _m ，待优化系数为a _h 、c _h 。不稳定情况下，、待优化系数为h ₁ 、h ₂ 。

稳定状态：

不稳定状态：

使用粒子群优化算法对其系数进行优化，优化后的结果如表3和表4所示：

表3 稳定情况下的优化结果

表4 不稳定情况下的优化结果

对于实施例中使用的船载分层测量数据集，使用本发明提出的模型优化方法在不 稳定情况下模型参数的优化效果优于稳定情况下的优化效果，这与待优化模型所使用的海 面粗糙度参数化方案和稳定度普适函数在目标海域的适用性本身就存在差异有关。仅对 、或单独进行优化时，对提高模型预测结果准确性的效果最好，次之，对提高模型预测结果准确性的影响相对较小。对、和的 组合进行优化时，同时优化、和的效果最好，这是因为对提高模型预测结果准确 性的效果最为显著，同理，和组合时优化效果优于和组合的优化效果。上述结果 也证明了本发明提出的一种蒸发波导参数化预测模型优化方法对于提高待优化模型预测 结果的准确性以及提高模型在目标海域的适用性是有效的。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种蒸发波导预测模型参数的优化方法，其特征在于，包括以下步骤：

步骤一，获取近海面气象水文环境数据：利用海上观测平台安装气象水文传感器，分层测量距海面不同高度的气象水文数据；

步骤二，选择待优化的蒸发波导预测模型：以海面粗糙度参数化方案和稳定度普适函数的组合构建蒸发波导预测模型，以距海面某个高度上的气象水文数据，以及气象水文传感器距海面高度作为模型的输入，模型输出为目标海域修正大气折射率剖面的预测结果，选取预测结果准确性最高的模型作为待优化的蒸发波导预测模型；

步骤三，计算中间变量：包括计算距海面不同高度修正大气折射率并拟合参考修正大气折射率剖面，利用优化前的蒸发波导预测模型计算模型输出的预测修正大气折射率剖面；

步骤四，优化蒸发波导预测模型的参数：利用参考修正大气折射率剖面和优化前模型输出的预测修正大气折射率剖面作为粒子群优化算法的输入，以二者间偏差的均方根作为粒子适应度计算标准，迭代获取蒸发波导预测模型待优化参数的最优值；

步骤三中，计算距海面不同高度修正大气折射率的具体方法如下：

距海面高度z处的实测修正大气折射率由下式进行计算：

；

其中，i为传感器分层测量层数，j为测量数据样本序列，、分别为第j个样本第i层传感器测量高度处测量的空气温度和近海面气压，为第j个样本第i层传感器测量高度处测量的空气相对湿度，为第i层传感器安装高度，为第j个样本第i层传感器测量高度处对应的饱和水汽压，为第j个样本第i层传感器测量高度处的实测水汽压，为第j个样本第层传感器测量高度处的大气折射率；

步骤三中，利用距海面不同高度修正大气折射率拟合参考修正大气折射率剖面的拟合公式形式如下：

；

其中，i为传感器分层测量层数，j为测量数据样本序列，为第i层传感器安装高度，a、b、c为拟合系数，为第j个样本第i层传感器测量高度处拟合得到的参考修正大气折射率；

步骤三中，利用优化前的蒸发波导预测模型计算模型输出的修正大气折射率剖面的方法如下：

；

蒸发波导预测模型输出剖面为连续数据，此处从模型输出剖面的连续数据中选取传感器安装高度的输出数据，用于后续与传感器分层测量数据进行比较；

公式（7）至（9）中i为传感器分层测量层数，j为测量数据样本序列，为第i层传感器安装高度，为第j个样本第i层传感器测量高度处模型输出的比湿，为第j个样本第i层传感器测量高度处模型输出的大气压力，为第j个样本第i层传感器测量高度处模型输出的水汽压，为第j个样本第i层传感器测量高度处模型输出的大气折射率，为第j个样本第i层传感器测量高度处模型输出的空气温度，为第j个样本第i层传感器测量高度处模型输出的修正大气折射率。

2.根据权利要求1所述的一种蒸发波导预测模型参数的优化方法，其特征在于，步骤一中，为获取近海面气象水文环境数据需在距海面不同高度处安装温湿度传感器测量空气温度、空气相对湿度，在近海面安装红外海表皮温传感器测量海表皮温，在近海面安装气压传感器测量近海面气压，在近海面安装测风传感器测量近海面风速。

3.根据权利要求1所述的一种蒸发波导预测模型参数的优化方法，其特征在于，步骤二中，海面粗糙度参数化方案包括COARE3.0、TY01、Oost、Porchetta、COARE3.5、Edson；稳定度普适函数包括NPS_BH91、NPS_CB05、NPS_G07。

4.根据权利要求1所述的一种蒸发波导预测模型参数的优化方法，其特征在于，步骤二中，修正大气折射率剖面预测结果准确性由下式进行计算：

；

其中，i为传感器分层测量层数，I为传感器分层测量总层数，j为测量数据样本序列，J为测量数据样本总数，为第j个样本第i层传感器测量高度处实测修正大气折射率，为第j个样本第i层传感器测量高度处模型输出的修正大气折射率，为第j个样本实测修正大气折射率与模型输出的修正大气折射率在距海面不同高度的偏差，为的均方根，故数值越小代表预测结果准确性越高。

5.根据权利要求1所述的一种蒸发波导预测模型参数的优化方法，其特征在于，步骤四中，粒子适应度计算标准如下：

；

其中，i为传感器分层测量层数，I为分层测量总层数，j为测量数据样本序列，J为测量数据样本总数，为第j个样本第i层传感器测量高度处参考修正大气折射率，为第j个样本第i层传感器测量高度处模型输出的修正大气折射率，为第j个样本参考修正大气折射率与模型输出的修正大气折射率在距海面不同高度的偏差，为上述偏差的均方根。

6.根据权利要求1所述的一种蒸发波导预测模型参数的优化方法，其特征在于，步骤四中，以理查森数作为判断标准，将实测气象水文环境数据划分为稳定状态和不稳定状态两个数据集，分别对各数据集样本进行参数优化；

假设待优化参数为D维向量，在搜索空间中，随机生成F个粒子，每个粒子的位置代表一组待优化参数，则第f个粒子的位置记为，其对应的速度为，第f个粒子搜索到的最优位置为，群体搜索到的最优位置为，每个粒子的速度和位置通过以下公式进行更新：

；

其中，k为迭代次数，为惯性权重，和是学习因子，取值介于[0,2]之间，和是[0,1] 范围内的两个均匀分布的随机数，代表第f个粒子在D维空间的位置，代表第f个粒子在D维空间的速度，代表第f个粒子搜索到在D维空间的最优位置，代表群体搜索到在D维空间的最优位置，代表第f个粒子迭代第k+1次时在D维空间的速度，代表第f个粒子迭代第k次时在D维空间的速度，代表第f个粒子迭代第k次搜索到在D维空间的最优位置，代表第f个粒子迭代第k次时在D维空间的位置，代表第f个粒子迭代第k+1次时在D维空间的位置；

使用粒子群优化算法对稳定和不稳定状态下的两个样本集合进行优化，分别以各样本集合的作为优化后该模型准确性是否提升的衡量标准；经过迭代，最终获得蒸发波导预测模型待优化参数的最优值。