基于神经网络的大气能见度预测方法及系统技术方案

本发明专利技术涉及一种基于神经网络的大气能见度预测方法及系统，该方法包括：采集当前环境的吸湿增长因子、光学微物理特性参数；将采集得到的吸湿增长因子、光学微物理特性参数，输入预先训练的大气能见度预测模型，输出得到预测大气能见度，所述大气能见度预测模型为基于神经网络的模型。本发明专利技术方法避免了因实验环境或现场测量而不能很好或完全反应实际大气的状况的情况，同时基于神将网络强大的非线性预测能力，实现了能见度的准确预测，对于开展低能见度的监测和预警预报具有一定的指导意义。

Prediction method and system of Atmospheric Visibility Based on Neural Network

The present invention relates to a method and system for predicting atmospheric visibility based on neural network. The method includes collecting hygroscopic growth factor and optical microphysical characteristic parameters of current environment, inputting the acquired hygroscopic growth factor and optical microphysical characteristic parameters into the pre-trained atmospheric visibility prediction model, and outputting them. The atmospheric visibility is predicted, and the atmospheric visibility prediction model is a neural network based model. The method of the invention avoids the situation that the actual atmosphere can not be well or completely reflected due to the experimental environment or on-site measurement, and realizes the accurate prediction of Visibility Based on the strong non-linear prediction ability of Shenjiang network, which has certain guiding significance for the monitoring and early warning prediction of low visibility.

【技术实现步骤摘要】
基于神经网络的大气能见度预测方法及系统
本专利技术涉及大气探测
，特别涉及一种基于神经网络的大气能见度预测方法及系统。
技术介绍
气溶胶作为大气-地球系统重要的组成部分，影响着地球-大气辐射收支。气溶胶特性的变化影响着大气的众多方面，如气候、环境、降雨、能见度等。而吸湿特性是气溶胶的主要性质之一，在一定的大气相对湿度下，由于吸湿特性，气溶胶粒子尺寸可能增大，这将改变气溶胶粒子的谱分布以及相关的光学和微物理特性。在气溶胶吸湿增长中，吸湿增长因子是一个关键的参数，其可以由特定相对湿度下的散射系数与参考湿度下的散射系数的比值计算得到，主要用于描述气溶胶光散射系数对相对湿度的依赖。增长因子主要取决于气溶胶的化学成分以及粒子谱分布，依赖于这两者，当气溶胶粒子吸收水分时，粒子尺寸将增加，即粒子截面积增大，从而散射更多的光线，即粒子尺寸的变化将产生不同的折射率和角度散射特性。通常，吸湿增长因子可以利用不同相对湿度条件下的浊度测定法、前后差分迁移分析仪法、电力平衡法等进行测量。但是，这些测量方法大部分是在实验室环境中进行，或者是现场测量。因此，这些测量方法不能很好或完全地反映实际大气的状况。
技术实现思路
本专利技术的目的在于提供一种基于神经网络的大气能见度预测方法及系统，能够提高吸湿增长因子测量的准确度，进而提高大气能见度预测的准确度。为了实现上述专利技术目的，本专利技术实施例提供了以下技术方案：一方面，本专利技术实施例提供了一种基于神经网络的大气能见度预测方法，包括以下步骤：采集当前环境的吸湿增长因子、光学微物理特性参数；将采集得到的吸湿增长因子、光学微物理特性参数，输入预先训练的大气能见度预测模型，输出得到预测大气能见度，所述大气能见度预测模型为基于神经网络的模型。另一方面，本专利技术实施例提供了一种基于神经网络的大气能见度预测系统，包括以下模块：模型训练模块，用于基于神经网络，训练得到大气能见度预测模型；大气能见度预测模块，用于接收采集得到的当前环境的吸湿增长因子、光学微物理特性参数，并将接收到的数据输入到所述大气能见度预测模型，输出得到预测大气能见度。再一方面，本专利技术实施例提供了一种电子设备，该电子设备包括：存储器，存储程序指令；处理器，与所述存储器相连接，执行存储器中的程序指令，按本专利技术任一实施方式所述的方法预测大气能见度。与现有技术相比，本专利技术利用一种能同步探测相对湿度与气溶胶光学以及微物理特性的多波长多参数偏振拉曼激光雷达，获得气溶胶吸湿增长因子，避免了因实验环境或现场测量而不能很好或完全反应实际大气的状况的情况；同时基于神经网络强大的非线性预测能力，研究气溶胶吸湿因子、污染状况、气象条件等要素与能见度之间的非线性关系，建立大气能见度预测模型，实现能见度的准确预测，对于开展低能见度的监测和预警预报具有一定的指导意义。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。图1为本专利技术实施例中所述基于神经网络的大气能见度预测方法的流程图。图2为本专利技术实施例中所述神经网络的训练流程图。图3为本专利技术实施例中所述的能见度预测模型的三层BP神经网络结构图。图4为本专利技术实施例中所述的基于神经网络的大气能见度预测系统的结构示意框图。图5为本专利技术实施例中所述的电子设备的结构示意框图。具体实施方式下面将结合本专利技术实施例中附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1，本实施例中提供了一种基于神经网络的大气能见度预测方法，包括以下步骤：S100，采集当前环境的吸湿增长因子、光学微物理特性参数。本步骤中，吸湿增长因子通过以下方式得到：利用激光雷达在532nm处探测一定相对湿度下的后向散射系数，利用探测到的后向散射系数采用如下公式(1)计算吸湿增长因子：fβ(RH)＝β(z，RH)/β(RHref)(1)式中，β(z，RH)和β(RHref)分别为一定相对湿度下激光雷达探测的后向散射系数、参考状态(干状态)下的激光雷达探测的后向散射系数。采用如下单参数的拟合公式(2)和双参数的拟合公式(3)进行拟合：其中，RH为相对湿度，γ为经验参数，代表气溶胶吸湿增长能力，该公式(2)能较好地拟合一部分没有潮解现象的气溶胶吸湿增长；a,b均为经验参数，该公式(3)能够较好地对人为源排放型气溶胶和生物质燃烧气溶胶进行拟合。本方法中，采用这两个公式对气溶胶吸湿因子进行拟合，能得到更为准确的吸湿增长因子。本步骤中，采集的光学微物理特性参数包括：PM2.5、PM10、SO2、O3、NO2、大气温度、风速、气压中的部分或全部，优选包含上述全部参数，因为参数越多，预测的结果越准确。这些参数数据可以利用太阳光度计、空气动力学粒径谱仪以、激光粉尘仪及其他环境检测仪测量获得。S200，将采集得到的吸湿增长因子、光学微物理特性参数，输入预先训练的大气能见度预测模型，输出得到预测大气能见度，所述大气能见度预测模型为基于神经网络的模型。本步骤中，如图2所示，在利用神经网络训练大气能见度预测模型的过程中，首先确定大气能见度预测模型的结构，即确定神经网络的基础结构，并初始化模型参数；然后输入历史数据，进行参数归一化处理，更新模型参数；最后判断训练误差或迭代次数是否达到设定阈值，如果是则结束训练，得到所述大气能见度预测模型，否则继续输入历史数据进行模型训练，直至训练误差或迭代次数达到设定阈值。更具体地，确定神经网络的基础结构即是确定输入神经元个数、隐含层节点数、输出层节点数。如图3所示，本神经网络共有10个输入节点，即输入层的神经元是10，分别为吸湿增长因子、PM2.5、PM10、SO2、O3、NO2、大气温度、风速、气压和湿度。隐含层的节点数太少，网络能获取到来自训练的信息就少，因此网络就可能训练不出来。神经元数量太多则会增加训练的时间、甚至导致较大的误差。依据前人的经验，本文采用如下公式进行隐含层神经元设计：式中：隐含层节点数用n表示；输入节点数用ni表示；n0为输出节点数；1－10之间的常数用a表示，最终确定隐含层神经元数目为13。输出层为一个节点，即预测的大气能见度。建立神经网络时，首先利用大量(例如800组)输入数据吸湿增长因子、PM2.5、PM10、SO2、O3、NO2、大气温度、风速、气压、湿度以及输出数据大气能见度的历史数据，对神经网络进行反复训练，当训练误差或循环(迭代)次数达到要求时结束训练。在利用神经网络搭建大气能见度预测模型的过程中(1)建立基本的BP神经网络BP神经网络的输入向量为x∈Rn,隐含层有n1,输出为输入层到隐含层的权值为wij,阈值为θj,隐含层到输本文档来自技高网...

【技术保护点】
1.一种基于神经网络的大气能见度预测方法，其特征在于，包括以下步骤：采集当前环境的吸湿增长因子、光学微物理特性参数；将采集得到的吸湿增长因子、光学微物理特性参数，输入预先训练的大气能见度预测模型，输出得到预测大气能见度，所述大气能见度预测模型为基于神经网络的模型。

【技术特征摘要】
1.一种基于神经网络的大气能见度预测方法，其特征在于，包括以下步骤：采集当前环境的吸湿增长因子、光学微物理特性参数；将采集得到的吸湿增长因子、光学微物理特性参数，输入预先训练的大气能见度预测模型，输出得到预测大气能见度，所述大气能见度预测模型为基于神经网络的模型。2.根据权利要求1所述的方法，其特征在于，所述光学微物理特性参数包括：PM2.5、PM10、SO2、O3、NO2、大气温度、风速、气压、湿度中的全部或部分参数。3.根据权利要求2所述的方法，其特征在于，所述大气能见度预测模型通过以下方式训练得到：确定大气能见度预测模型的结构，并初始化模型参数；输入历史数据进行模型训练，更新模型参数；所述历史数据包括吸湿增长因子、PM2.5、PM10、SO2、O3、NO2、大气温度、风速、气压、湿度中的全部或部分参数以及参数对应下的能见度数据；判断训练误差或迭代次数是否达到设定阈值，如果是则结束训练，得到所述大气能见度预测模型，否则继续输入历史数据进行模型训练，直至训练误差或迭代次数达到设定阈值。4.根据权利要求1所述的方法，其特征在于，所述吸湿增长因子通过以下方式采集得到：利用激光雷达在532nm处探测一定相对湿度下的后向散射系数，利用探测到的后向散射系数计算吸湿增长因子：f...

【专利技术属性】
技术研发人员：毛建东，陈蕾，赵虎，周春艳，巩鑫，
申请(专利权)人：北方民族大学，
类型：发明
国别省市：宁夏,64