CN117554992A - 基于激光雷达的消光系数获取方法及系统 - Google Patents
基于激光雷达的消光系数获取方法及系统 Download PDFInfo
- Publication number
- CN117554992A CN117554992A CN202410035017.4A CN202410035017A CN117554992A CN 117554992 A CN117554992 A CN 117554992A CN 202410035017 A CN202410035017 A CN 202410035017A CN 117554992 A CN117554992 A CN 117554992A
- Authority
- CN
- China
- Prior art keywords
- extinction coefficient
- current period
- value
- formula
- laser radar
- 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
- 230000008033 biological extinction Effects 0.000 title claims abstract description 371
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000006870 function Effects 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000015654 memory Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
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
- 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
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/42—Simultaneous measurement of distance and other co-ordinates
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种基于激光雷达的消光系数获取方法及系统,涉及大气监测领域,用于解决使获得大气能见度相对更准确的问题。方法包括:获取激光雷达当前时段之前的消光系数公式,将当前时段之前时段的消光系数数据输入消光系数模型,得到当前时段的消光系数预测值,根据当前时段的消光系数预测值,对当前时段之前的消光系数公式的预设参数校正,使用校正后的消光系数公式获得当前时段的大气的消光系数数据。使用消光系数模型根据当前时段之前时段的消光系数数据获得消光系数预测值,根据消光系数预测值对激光雷达的消光系数公式的预设参数校正,使根据校正后消光系数公式获得大气的消光系数相对更准确,推算大气能见度,获得大气能见度相对更准确。
Description
技术领域
本发明涉及大气监测领域,特别是涉及一种基于激光雷达的消光系数获取方法及系统。
背景技术
大气能见度是指视力正常的人能从背景(天空或者地面)中识别出具有一定大小的目标物的最大距离。根据观测者与目标物的所在高度不同,大气能见度分为水平能见度、斜视能见度和垂直能见度三类。大气能见度与航空、航海、陆上交通、高空摄影、天文观测以及军事行动等都有直接关系,是表征大气光学性质的常用要素。现有的基于激光雷达的能见度测量装置采用斜率法求消光系数,再推算大气能见度,但是测量准确性有待提高。
发明内容
本发明的目的是提供一种基于激光雷达的消光系数获取方法及系统,获得的大气消光系数相对更准确,使根据消光系数推算大气能见度,获得的大气能见度相对更准确。
为实现上述目的,本发明提供如下技术方案:
一种基于激光雷达的消光系数获取方法,包括:
获取激光雷达当前时段之前的消光系数公式,所述激光雷达的消光系数公式用于根据所述激光雷达的后向散射信号以及对应距离计算获得大气的消光系数;
将所述当前时段之前时段的消光系数数据输入消光系数模型,得到所述当前时段的消光系数预测值,所述消光系数模型用于根据预设时段之前时段的消光系数数据,获得所述预设时段的消光系数预测值;
根据所述当前时段的所述消光系数预测值,对所述当前时段之前的消光系数公式的预设参数校正,获得校正后的消光系数公式;
获取所述激光雷达在所述当前时段的后向散射信号及对应距离,使用所述校正后的消光系数公式,获得所述当前时段的大气的消光系数数据。
在一些实施方式中,根据所述当前时段的所述消光系数预测值,对所述当前时段之前的消光系数公式的预设参数校正包括:
将所述消光系数预测值代入所述当前时段之前的消光系数公式,建立以所述预设参数为变量的方程,求解所述方程获得所述预设参数的值,根据所述预设参数的值对所述当前时段之前的消光系数公式的预设参数校正。
在一些实施方式中,将所述消光系数预测值代入所述当前时段之前的消光系数公式,建立以所述预设参数为变量的方程,求解所述方程获得所述预设参数的值包括:
将所述消光系数预测值代入所述当前时段之前的消光系数公式,建立以所述预设参数为变量的函数并获得所述函数的导函数,并基于所述函数和所述导函数迭代运算所述预设参数,直至运算获得的所述预设参数的值满足要求。
在一些实施方式中,所述预设参数包括第一预设参数和初始消光系数;
根据所述当前时段的所述消光系数预测值,对所述当前时段之前的消光系数公式的预设参数校正包括:
根据所述当前时段的所述消光系数预测值,对所述当前时段之前的消光系数公式中的所述第一预设参数校正,得到校正后的第一消光系数公式;
获取所述激光雷达在所述当前时段的后向散射信号及对应距离,使用校正后的所述第一消光系数公式,获得所述当前时段的第一消光系数值;
获取所述当前时段的大气能见度数据,所述大气能见度数据为能见度探测装置测得的能见度数据,并根据所述大气能见度数据获得反演消光系数值;
若所述第一消光系数值与所述反演消光系数值的差量不满足要求,则根据所述反演消光系数值对所述第一消光系数公式中的初始消光系数校正。
在一些实施方式中,获取所述激光雷达在所述当前时段的后向散射信号及对应距离,使用校正后的所述第一消光系数公式,获得所述当前时段的第一消光系数值包括:
获取所述激光雷达在所述当前时段的后向散射信号及对应距离,使用校正后的所述第一消光系数公式,获得所述当前时段的多个不同距离对应的消光系数值,对所述多个不同距离对应的消光系数值求取平均,得到的平均消光系数值为所述第一消光系数值。
在一些实施方式中,所述第一消光系数值与所述反演消光系数值的差量满足要求包括:所述第一消光系数值与所述反演消光系数值的差量绝对值小于第二阈值。
在一些实施方式中,获取激光雷达当前时段之前的消光系数公式包括:获取所述激光雷达的初始消光系数公式,具体包括:
获取所述激光雷达对应不同距离的信噪比,以信噪比大于第三阈值的最远距离作为最大反演距离,获得所述最大反演距离对应的后向散射信号;
根据所述最大反演距离及对应的后向散射信号、初始距离及对应的后向散射信号,通过迭代运算获得所述初始消光系数公式。
在一些实施方式中,所述消光系数模型包括依次连接的第一隐藏层、第二隐藏层、随机丢弃层和全连接层,所述第一隐藏层包括多个神经网络单元,所述第二隐藏层包括多个神经网络单元,所述随机丢弃层用于对所述第一隐藏层或者所述第二隐藏层的神经网络单元随机舍弃,所述全连接层用于将所述第二隐藏层的输出映射到消光系数预测值。
在一些实施方式中,训练所述消光系数模型包括:
获取所述激光雷达历史的消光系数数据,以预设时长为滑动窗口从获得的历史的消光系数数据获取数据,以滑动窗口获取的数据作为一批数据,依次地获得各批数据,构建消光系数数据集。
一种基于激光雷达的消光系数获取系统,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上任一项所述的基于激光雷达的消光系数获取方法的步骤。
由上述技术方案可知,本发明所提供的一种基于激光雷达的消光系数获取方法及系统,方法包括:获取激光雷达当前时段之前的消光系数公式,激光雷达的消光系数公式用于根据激光雷达的后向散射信号以及对应距离计算获得大气的消光系数;将当前时段之前时段的消光系数数据输入消光系数模型,得到当前时段的消光系数预测值,消光系数模型用于根据预设时段之前时段的消光系数数据,获得预设时段的消光系数预测值;根据当前时段的消光系数预测值,对当前时段之前的消光系数公式的预设参数校正,获得校正后的消光系数公式;获取激光雷达在当前时段的后向散射信号及对应距离,使用校正后的消光系数公式,获得当前时段的大气的消光系数数据。
本发明的有益效果在于,使用消光系数模型根据当前时段之前时段的消光系数数据获得当前时段的消光系数预测值,根据消光系数预测值对激光雷达的消光系数公式的预设参数校正,使得校正后的消光系数公式更适应于当前的气象特征,那么根据校正后的消光系数公式获得的大气的消光系数相对更准确,使根据消光系数推算大气能见度,获得的大气能见度相对更准确。
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,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于激光雷达的消光系数获取方法的流程图;
图2为本发明又一实施例提供的一种基于激光雷达的消光系数获取方法的流程图;
图3为本发明实施例提供的一种基于激光雷达的消光系数获取方法的消光系数模型的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,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,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
可参考图1,图1为本实施例提供的一种基于激光雷达的消光系数获取方法的流程图,如图所示,本基于激光雷达的消光系数获取方法包括以下步骤:
S11:获取激光雷达当前时段之前的消光系数公式,所述激光雷达的消光系数公式用于根据所述激光雷达的后向散射信号以及对应距离计算获得大气的消光系数;
S12:将所述当前时段之前时段的消光系数数据输入消光系数模型,得到所述当前时段的消光系数预测值,所述消光系数模型用于根据预设时段之前时段的消光系数数据,获得所述预设时段的消光系数预测值;
S13:根据所述当前时段的所述消光系数预测值,对所述当前时段之前的消光系数公式的预设参数校正,获得校正后的消光系数公式;
S14:获取所述激光雷达在所述当前时段的后向散射信号及对应距离,使用所述校正后的消光系数公式,获得所述当前时段的大气的消光系数数据。
根据激光雷达的后向散射信号以及对应距离,使用消光系数公式,可以计算获得大气的消光系数。可以获取当前时段之前时段使用的消光系数公式,根据获得的当前时段的消光系数预测值,对当前时段之前的消光系数公式的预设参数校正,校正后的消光系数公式作为激光雷达当前时段的消光系数公式。
本实施例的基于激光雷达的消光系数获取方法,使用消光系数模型根据当前时段之前时段的消光系数数据获得当前时段的消光系数预测值,根据消光系数预测值对激光雷达的消光系数公式的预设参数校正,使得校正后的消光系数公式更适应于当前的气象特征,那么根据校正后的消光系数公式获得的大气的消光系数相对更准确,使根据消光系数推算大气能见度,获得的大气能见度相对更准确。
在一些实施方式中,根据当前时段的所述消光系数预测值,对当前时段之前的消光系数公式的预设参数校正可通过以下方法进行,包括:将所述消光系数预测值代入所述当前时段之前的消光系数公式,建立以所述预设参数为变量的方程,求解所述方程获得所述预设参数的值,根据所述预设参数的值对所述当前时段之前的消光系数公式的预设参数校正。将消光系数预测值代入当前时段之前的消光系数公式,然后,以预设参数为变量建立方程,求解该方程得到预设参数的值。可以将当前时段之前的消光系数公式中预设参数的取值修改为该求解得到的预设参数的值,得到校正后的消光系数公式。
在一些实施方式中,将消光系数预测值代入所述当前时段之前的消光系数公式,建立以所述预设参数为变量的方程,求解所述方程获得所述预设参数的值包括:将所述消光系数预测值代入所述当前时段之前的消光系数公式,建立以所述预设参数为变量的函数并获得所述函数的导函数,并基于所述函数和所述导函数迭代运算所述预设参数,直至运算获得的所述预设参数的值满足要求。
在基于预设参数的函数和导函数迭代运算中,可以是,其中kn+1表示第n+1次迭代运算得到的预设参数的值,kn表示第n+1次迭代运算之前预设参数的值,n为大于等于零的正整数,n=0,1,2,3,…,f(k)表示建立的以预设参数k为变量的函数,f´(k)表示建立的以预设参数k为变量的函数的导函数,k0可以根据预设参数的情况设置。在一些实施方式中,运算获得的预设参数的值满足要求可包括:本次迭代运算获得的预设参数的值与本次迭代运算之前所述预设参数的值的差量绝对值小于等于第一阈值。
示例性地,消光系数公式的预设参数为激光雷达的后向散射消光对数比k,该参数是激光雷达反演消光系数算法中的一个重要参数,与激光波长、天气状况、气溶胶类型等有关。消光系数公式可表示为:
; (1)
其中,σ表示消光系数,Z表示到激光雷达的距离,S(Z)=ln[Z2P(Z)],P(Z)表示距离激光雷达Z处的后向散射信号功率,Sm=S(Zm),Z0表示激光雷达的探测初始距离,Zm表示激光雷达的最大反演距离,k表示后向散射消光对数比,σm表示初始消光系数。
σT表示得到的消光系数预测值,将消光系数预测值σT代入当前时段之前的消光系数公式(1),建立以预设参数k为变量的方程,对公式(1)进行变形可得:
。 (2)
可使用牛顿迭代法对上式(2)进行求解,建立以预设参数k为变量的函数并获得函数的导函数,可得:
; (3)
; (4)
。 (5)
设置一次迭代运算的预设参数k的值与该次迭代运算之前预设参数k的值的差量对应的第一阈值以及设置迭代次数,求解获得预设参数k的值。
在一些实施方式中,激光雷达的消光系数公式的预设参数包括第一预设参数和初始消光系数,相应地可参考图2,图2为又一实施例提供的一种基于激光雷达的消光系数获取方法的流程图,如图所示,根据当前时段的消光系数预测值,对当前时段之前的消光系数公式的预设参数校正可包括以下过程,包括以下步骤:
S131:根据所述当前时段的所述消光系数预测值,对所述当前时段之前的消光系数公式中的所述第一预设参数校正,得到校正后的第一消光系数公式;
S132:获取所述激光雷达在所述当前时段的后向散射信号及对应距离,使用校正后的所述第一消光系数公式,获得所述当前时段的第一消光系数值;
S133:获取所述当前时段的大气能见度数据,所述大气能见度数据为能见度探测装置测得的能见度数据,并根据所述大气能见度数据获得反演消光系数值;
S134:若所述第一消光系数值与所述反演消光系数值的差量不满足要求,则根据所述反演消光系数值对所述第一消光系数公式中的初始消光系数校正。
在步骤S131中根据当前时段的消光系数预测值,对当前时段之前的消光系数公式中的第一预设参数校正,可以通过上面描述的将消光系数预测值代入当前时段之前的消光系数公式,建立以预设参数为变量的方程,通过求解方程获得预设参数的值以及对当前时段之前的消光系数公式的预设参数校正的方法进行,即可将消光系数预测值代入当前时段之前的消光系数公式,建立以第一预设参数为变量的方程,通过求解方程获得第一预设参数的值以及对当前时段之前的消光系数公式的第一预设参数校正。消光系数公式中的第一预设参数可以是激光雷达的后向散射消光对数比k。
对当前时段之前的消光系数公式中的第一预设参数校正后,得到校正后的第一消光系数公式。根据获取的激光雷达在当前时段的后向散射信号及对应距离,使用校正后的第一消光系数公式,获得当前时段的第一消光系数值。
在一些实施方式中,获取激光雷达在当前时段的后向散射信号及对应距离,使用校正后的第一消光系数公式,获得当前时段的第一消光系数值包括:获取激光雷达在所述当前时段的后向散射信号及对应距离,使用校正后的所述第一消光系数公式,获得所述当前时段的多个不同距离对应的消光系数值,对所述多个不同距离对应的消光系数值求取平均,得到的平均消光系数值为所述第一消光系数值。多个不同距离可以是激光雷达一个探测路径上的多个不同距离。示例性地,使用激光雷达探测时,一个探测路径划分为N个距离,分别获取N个距离对应的后向散射信号,使用校正后的第一消光系数公式分别计算获得N个距离各自对应的消光系数值,第n个距离对应的消光系数值可表示为σn,n∈[1,N],N为大于等于1的正整数。对N个不同距离对应的消光系数值求取平均,得到平均消光系数值σavg,可表示为:
。 (6)
获取能见度探测装置测得的大气能见度数据,根据该大气能见度数据计算大气的消光系数,即得到反演消光系数值。本实施例中,对大气能见度探测装置不做限定,可以是但不限于机场能见度仪或者气象站能见度观测仪。对根据大气能见度数据获得反演消光系数值的方法不做限定。在一些实施方式中,可根据能见度计算经验公式,由大气能见度数据V反推得到消光系数,可采用以下能见度计算经验公式:
; (7)
其中,V表示大气能见度,σV表示反演消光系数,λ表示激光波长。相应地,反演消光系数σV的计算公式为:
。 (8)
其中q可由以下经验公式给出:
。 (9)
获得第一消光系数值与反演消光系数值的差量,判断二者的差量是否满足要求,若否,则根据反演消光系数值对第一消光系数公式中的初始消光系数校正,可以将第一消光系数公式中的初始消光系数的取值修改为反演消光系数值,得到校正后的消光系数公式。若第一消光系数值与反演消光系数值的差量满足要求,可以进入步骤S135:若第一消光系数值与反演消光系数值的差量满足要求,则将第一消光系数公式作为校正后的消光系数公式。
对应上述得到激光雷达多个不同距离对应的消光系数值并求取平均,得到平均消光系数值的实施方式,可以计算平均消光系数值σavg与反演消光系数值σV的差量,根据该差量是否满足要求,来决定校正第一消光系数中的初始消光系数。在一些实施方式中,第一消光系数值与反演消光系数值的差量满足要求包括:所述第一消光系数值与所述反演消光系数值的差量绝对值小于第二阈值。示例性地计算平均消光系数值σavg与反演消光系数值σV的差量,判断差量绝对值是否小于第二阈值,若否则令初始消光系数σm=σV。
在得到当前时段最终校正后的消光系数公式后,可以根据激光雷达当前时段的后向散射信号及对应距离,计算当前时段大气的消光系数。进一步根据当前时段大气的消光系数获得当前时段的大气能见度,可根据以下公式计算:
。 (10)
其中,Vlidar表示大气能见度,σn示激光雷达探测路径上第n个距离对应的消光系数值,λ表示激光波长,q根据公式(9)确定。
本实施例的基于激光雷达的消光系数获取方法,使用消光系数模型根据当前时段之前时段的消光系数数据获得当前时段的消光系数预测值,根据消光系数预测值对激光雷达的消光系数公式的第一预设参数校正,可以对激光雷达消光系数公式中的后向散射消光对数比k校正,还可进一步对激光雷达消光系数公式中的初始消光系数校正,使校正后的消光系数公式更适应于当前的气象特征,使根据校正后的消光系数公式获得大气的消光系数相对更准确,使根据消光系数推算大气能见度,获得的大气能见度相对更准确。
若激光雷达对目标区域刚开始进行观测,可以根据激光雷达初始观测测得的数据获得初始消光系数公式,在后续探测中基于初始消光系数公式对其校正获得校正后的消光系数公式。在一些实施方式中,获取激光雷达当前时段之前的消光系数公式包括:获取所述激光雷达的初始消光系数公式,可通过以下方法获得初始消光系数公式,包括以下步骤:
S111:获取所述激光雷达对应不同距离的信噪比,以信噪比大于第三阈值的最远距离作为最大反演距离,获得所述最大反演距离对应的后向散射信号。
S112:根据所述最大反演距离及对应的后向散射信号、初始距离及对应的后向散射信号,通过迭代运算获得所述初始消光系数公式。
读取激光雷达的信噪比数据。根据激光雷达的信噪比阈值即第三阈值,确定激光雷达的最大反演距离Zm,信噪比大于第三阈值的最远距离作为最大反演距离Zm。获得激光雷达的最大反演距离Zm及对应的后向散射信号,以及获得激光雷达的初始距离Z0及对应的后向散射信号,进一步通过迭代运算获得初始消光系数公式。
激光雷达的后向散射信号功率表示为:
; (11)
式中,P(Z)表示距离激光雷达Z处的后向散射信号功率,E表示激光脉冲发射能量,C表示雷达常数,β(Z)表示后向散射系数,σ(Z)表示大气消光系数。
Collis斜率法假设了大气均匀分布,改写激光雷达的后向散射信号功率方程为:
。 (12)
令S(Z)=ln[Z2P(Z)],对公式(11)两边取对数并对距离Z求导,可得到初始消光系数σm。公式为:
; (13)
式中,Sm=S(Zm),Z0表示激光雷达的探测初始距离,S0=S(Z0)。
根据Klett后向法迭代计算消光系数σ,可得到消光系数公式:
。 (1)
式中后向散射消光对数比k的取值范围一般为0.67~1,可根据激光雷达波长和气溶胶性质,假定为一个常数。
可以使用激光雷达获得的历史消光系数数据,使用这些数据训练获得消光系数模型。本实施例中,对消光系数模型的结构不做限定。在一些实施方式中,消光系数模型可包括依次连接的第一隐藏层、第二隐藏层、随机丢弃层和全连接层,第一隐藏层包括多个神经网络单元,第二隐藏层包括多个神经网络单元,所述随机丢弃层用于对所述第一隐藏层或者所述第二隐藏层的神经网络单元随机舍弃,所述全连接层用于将所述第二隐藏层的输出映射到消光系数预测值。本实施例中的消光系数模型通过设置随机丢弃层(即Dropout层)可以提高消光系数模型的泛化能力。示例性地可参考图3,图3为一实施例提供的一种基于激光雷达的消光系数获取方法的消光系数模型的结构示意图,如图所示包括依次连接的输入层200、第一隐藏层201、第二隐藏层202、随机丢弃层203和全连接层204。本实施例中,消光系数模型可以是一种长短时记忆神经网络(Long Short-Term Memory,LSTM)模型,该模型是一种基于RNN循环神经网络改进的网络模型,是处理时间序列数据预测问题成熟有效的网络模型。其中第一隐藏层201可以是长短时记忆神经网络、第二隐藏层202可以是长短时记忆神经网络、可以理解的是,在其它实施方式中消光系数模型可以是其它结构,也都在本发明保护范围内。
在一些实施方式中,训练消光系数模型包括:获取所述激光雷达历史的消光系数数据,以预设时长为滑动窗口从获得的历史的消光系数数据获取数据,以滑动窗口获取的数据作为一批数据,依次地获得各批数据,构建消光系数数据集。示例性地,滑动窗口大小用L表示,用于训练的激光雷达的消光系数数据是10min的平均数据,如果滑动窗口为1天,定义L=6*24=144,提取连续144个时间步作为窗口。窗口划分后,设定滑动步长为1,构建消光系数数据集。通过以预设时长为滑动窗口获取数据来构建数据集,使输入模型的训练数据保留数据的时间关联特征,可提高得到的消光系数模型泛化能力。
在一些实施方式中,对于获得的激光雷达历史的消光系数数据,可以先对数据进行归一化运算,归一化公式为:
。 (14)
将数据集中数据输入建立的消光系数模型,可使用优化器,可以以均方误差作为损失函数。可通过调整滑动窗口大小L、滑动步长、调整消光系数模型包括的隐藏层数目或者每一隐藏层的神经网络单元数目、随机丢弃层(即Dropout层)的比例等方法,对模型进行调整优化,得到最终的消光系数模型。
在一些实施方式中,激光雷达的扫描方式为在任一俯仰角下,改变方位角进行平面扫描。即激光雷达可采用PPI扫描方式,通过该扫描方式探测可得到大气能见度空间分布数据。
本实施例还提供一种基于激光雷达的消光系数获取系统,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如以上任一项实施方式所述的基于激光雷达的消光系数获取方法的步骤。
本实施例的基于激光雷达的消光系数获取系统,使用消光系数模型根据当前时段之前时段的消光系数数据获得当前时段的消光系数预测值,根据消光系数预测值对激光雷达的消光系数公式的预设参数校正,使得校正后的消光系数公式更适应于当前的气象特征,那么根据校正后的消光系数公式获得的大气的消光系数相对更准确,使根据消光系数推算大气能见度,获得的大气能见度相对更准确。
以上对本发明所提供的基于激光雷达的大气消光系数获取方法及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种基于激光雷达的消光系数获取方法,其特征在于,包括:
获取激光雷达当前时段之前的消光系数公式,所述激光雷达的消光系数公式用于根据所述激光雷达的后向散射信号以及对应距离计算获得大气的消光系数;
将所述当前时段之前时段的消光系数数据输入消光系数模型,得到所述当前时段的消光系数预测值,所述消光系数模型用于根据预设时段之前时段的消光系数数据,获得所述预设时段的消光系数预测值;
根据所述当前时段的所述消光系数预测值,对所述当前时段之前的消光系数公式的预设参数校正,获得校正后的消光系数公式;
获取所述激光雷达在所述当前时段的后向散射信号及对应距离,使用所述校正后的消光系数公式,获得所述当前时段的大气的消光系数数据。
2.根据权利要求1所述的基于激光雷达的消光系数获取方法,其特征在于,根据所述当前时段的所述消光系数预测值,对所述当前时段之前的消光系数公式的预设参数校正包括:
将所述消光系数预测值代入所述当前时段之前的消光系数公式,建立以所述预设参数为变量的方程,求解所述方程获得所述预设参数的值,根据所述预设参数的值对所述当前时段之前的消光系数公式的预设参数校正。
3.根据权利要求2所述的基于激光雷达的消光系数获取方法,其特征在于,将所述消光系数预测值代入所述当前时段之前的消光系数公式,建立以所述预设参数为变量的方程,求解所述方程获得所述预设参数的值包括:
将所述消光系数预测值代入所述当前时段之前的消光系数公式,建立以所述预设参数为变量的函数并获得所述函数的导函数,并基于所述函数和所述导函数迭代运算所述预设参数,直至运算获得的所述预设参数的值满足要求。
4.根据权利要求1所述的基于激光雷达的消光系数获取方法,其特征在于,所述预设参数包括第一预设参数和初始消光系数;
根据所述当前时段的所述消光系数预测值,对所述当前时段之前的消光系数公式的预设参数校正包括:
根据所述当前时段的所述消光系数预测值,对所述当前时段之前的消光系数公式中的所述第一预设参数校正,得到校正后的第一消光系数公式;
获取所述激光雷达在所述当前时段的后向散射信号及对应距离,使用校正后的所述第一消光系数公式,获得所述当前时段的第一消光系数值;
获取所述当前时段的大气能见度数据,所述大气能见度数据为能见度探测装置测得的能见度数据,并根据所述大气能见度数据获得反演消光系数值;
若所述第一消光系数值与所述反演消光系数值的差量不满足要求,则根据所述反演消光系数值对所述第一消光系数公式中的初始消光系数校正。
5.根据权利要求4所述的基于激光雷达的消光系数获取方法,其特征在于,获取所述激光雷达在所述当前时段的后向散射信号及对应距离,使用校正后的所述第一消光系数公式,获得所述当前时段的第一消光系数值包括:
获取所述激光雷达在所述当前时段的后向散射信号及对应距离,使用校正后的所述第一消光系数公式,获得所述当前时段的多个不同距离对应的消光系数值,对所述多个不同距离对应的消光系数值求取平均,得到的平均消光系数值为所述第一消光系数值。
6.根据权利要求4所述的基于激光雷达的消光系数获取方法,其特征在于,所述第一消光系数值与所述反演消光系数值的差量满足要求包括:所述第一消光系数值与所述反演消光系数值的差量绝对值小于第二阈值。
7.根据权利要求1所述的基于激光雷达的消光系数获取方法,其特征在于,获取激光雷达当前时段之前的消光系数公式包括:获取所述激光雷达的初始消光系数公式,具体包括:
获取所述激光雷达对应不同距离的信噪比,以信噪比大于第三阈值的最远距离作为最大反演距离,获得所述最大反演距离对应的后向散射信号;
根据所述最大反演距离及对应的后向散射信号、初始距离及对应的后向散射信号,通过迭代运算获得所述初始消光系数公式。
8.根据权利要求1所述的基于激光雷达的消光系数获取方法,其特征在于,所述消光系数模型包括依次连接的第一隐藏层、第二隐藏层、随机丢弃层和全连接层,所述第一隐藏层包括多个神经网络单元,所述第二隐藏层包括多个神经网络单元,所述随机丢弃层用于对所述第一隐藏层或者所述第二隐藏层的神经网络单元随机舍弃,所述全连接层用于将所述第二隐藏层的输出映射到消光系数预测值。
9.根据权利要求1所述的基于激光雷达的消光系数获取方法,其特征在于,训练所述消光系数模型包括:
获取所述激光雷达历史的消光系数数据,以预设时长为滑动窗口从获得的历史的消光系数数据获取数据,以滑动窗口获取的数据作为一批数据,依次地获得各批数据,构建消光系数数据集。
10.一种基于激光雷达的消光系数获取系统,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至9任一项所述的基于激光雷达的消光系数获取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410035017.4A CN117554992B (zh) | 2024-01-10 | 2024-01-10 | 基于激光雷达的消光系数获取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410035017.4A CN117554992B (zh) | 2024-01-10 | 2024-01-10 | 基于激光雷达的消光系数获取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117554992A true CN117554992A (zh) | 2024-02-13 |
CN117554992B CN117554992B (zh) | 2024-04-09 |
Family
ID=89818902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410035017.4A Active CN117554992B (zh) | 2024-01-10 | 2024-01-10 | 基于激光雷达的消光系数获取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117554992B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590145A (zh) * | 2012-01-08 | 2012-07-18 | 杨少辰 | 激光测量大气能见度方法及激光雷达能见度仪 |
CN108205164A (zh) * | 2017-12-04 | 2018-06-26 | 国网江苏省电力有限公司电力科学研究院 | 一种基于WRF-Chem的大气能见度参数化预测方法 |
CN111427064A (zh) * | 2020-04-27 | 2020-07-17 | 安徽皖仪科技股份有限公司 | 一种基于微脉冲激光雷达的气溶胶消光系数反演方法 |
CN112835011A (zh) * | 2020-12-31 | 2021-05-25 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种基于机器学习参数补偿的激光雷达反演算法 |
CN114384548A (zh) * | 2021-12-24 | 2022-04-22 | 北方民族大学 | 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 |
US20220390612A1 (en) * | 2021-06-07 | 2022-12-08 | Waymo Llc | Determination of atmospheric visibility in autonomous vehicle applications |
US20230161045A1 (en) * | 2020-07-08 | 2023-05-25 | Suteng Innovation Technology Co., Ltd. | Method and device for adjusting parameters of lidar, and lidar |
CN116796189A (zh) * | 2023-06-13 | 2023-09-22 | 中国科学院合肥物质科学研究院 | 一种基于深度学习技术的气溶胶消光系数廓线预测方法 |
-
2024
- 2024-01-10 CN CN202410035017.4A patent/CN117554992B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590145A (zh) * | 2012-01-08 | 2012-07-18 | 杨少辰 | 激光测量大气能见度方法及激光雷达能见度仪 |
CN108205164A (zh) * | 2017-12-04 | 2018-06-26 | 国网江苏省电力有限公司电力科学研究院 | 一种基于WRF-Chem的大气能见度参数化预测方法 |
CN111427064A (zh) * | 2020-04-27 | 2020-07-17 | 安徽皖仪科技股份有限公司 | 一种基于微脉冲激光雷达的气溶胶消光系数反演方法 |
US20230161045A1 (en) * | 2020-07-08 | 2023-05-25 | Suteng Innovation Technology Co., Ltd. | Method and device for adjusting parameters of lidar, and lidar |
CN112835011A (zh) * | 2020-12-31 | 2021-05-25 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种基于机器学习参数补偿的激光雷达反演算法 |
US20220390612A1 (en) * | 2021-06-07 | 2022-12-08 | Waymo Llc | Determination of atmospheric visibility in autonomous vehicle applications |
CN114384548A (zh) * | 2021-12-24 | 2022-04-22 | 北方民族大学 | 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 |
CN116796189A (zh) * | 2023-06-13 | 2023-09-22 | 中国科学院合肥物质科学研究院 | 一种基于深度学习技术的气溶胶消光系数廓线预测方法 |
Non-Patent Citations (4)
Title |
---|
HONGXU LI ET AL.: "An RBF neural network approach for retrieving atmospheric extinction coeicients based on lidar measurements", 《APPLIED PHYSICS B》, vol. 124, 25 August 2018 (2018-08-25), pages 1 - 8 * |
RITA SO ET AL.: "Development of visibility forecasting modeling framework for the Lower Fraser Valley of British Columbia using Canada’s Regional Air Quality Deterministic Prediction System", 《JOURNAL OF THE AIR & WASTE MANAGEMENT ASSOCIATION》, vol. 68, no. 5, 3 May 2018 (2018-05-03), pages 446 * |
刘清媛等: "基于单-双高斯模型拟合法的测风激光雷达海上风电机组尾流特征分析", 《大气与环境光学学报》, vol. 16, no. 1, 31 January 2021 (2021-01-31), pages 44 - 57 * |
毛飞跃等: "地基Mie散射激光雷达反演的研究进展与挑战", 《光学学报》, vol. 43, no. 18, 25 September 2023 (2023-09-25), pages 103 - 117 * |
Also Published As
Publication number | Publication date |
---|---|
CN117554992B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107918165B (zh) | 基于空间插值的多卫星融合降水预测方法及系统 | |
CN107807366B (zh) | 一种大气能见度的计算方法、装置、雷达及系统 | |
Anagnostou | A convective/stratiform precipitation classification algorithm for volume scanning weather radar observations | |
CN103698305B (zh) | 一种实时观测大气透射率的方法与系统 | |
US11333797B1 (en) | Method for estimating quantitative precipitation by combining observation data of weather radar and rain gauges | |
US10761242B1 (en) | Systems and methods for forecasting lightning and severe storms | |
Altube et al. | Quality control of antenna alignment and receiver calibration using the sun: Adaptation to midrange weather radar observations at low elevation angles | |
CN112505651B (zh) | 一种用于大气探测激光雷达的自动化处理方法 | |
CN112733394A (zh) | 一种大气参数反演方法及装置 | |
CN115079109A (zh) | 一种合成孔径雷达成像质量指标评价系统 | |
Pierson Jr | Probabilities and statistics for backscatter estimates obtained by a scatterometer | |
CN112782701A (zh) | 一种基于雷达的能见度感知的方法、系统及设备 | |
CN115047499A (zh) | 星载gnss-r土壤温度与湿度的反演方法、系统 | |
CN117651882A (zh) | 反射率校正方法、装置、计算机可读存储介质及终端设备 | |
CN114911788A (zh) | 一种数据插补方法、装置及存储介质 | |
CN117554992B (zh) | 基于激光雷达的消光系数获取方法及系统 | |
CN109254273B (zh) | 风廓线雷达回波信号的处理方法和装置 | |
CN108983172A (zh) | 一种随机进化约束的sar辐射定标方法 | |
CN116136590A (zh) | 一种标定多普勒激光雷达焦距的方法、装置及存储介质 | |
CN116027333A (zh) | 一种微波测雨雷达立体扫描仰角参数生成方法 | |
CN112986940B (zh) | 一种用于水平距离上的雷达海杂波功率的预测方法 | |
CN111695085B (zh) | 辐射定标订正系数序列构建方法、系统及电子设备 | |
CN115453563A (zh) | 三维空间动态物体识别方法、系统及存储介质 | |
CN110866942B (zh) | 一种多源目标融合的在轨辐射响应跟踪方法及系统 | |
CN117805826B (zh) | 基于mim网络和雷达拼图的分钟降水估测方法及系统 |
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 |