临近空间大气中子环境的仿真研究

以大气模型、宇宙线模型和地磁截止刚度模型为基础,利用蒙特卡罗方法在国内首次建立了临近空间大气中子环境的计算机仿真模型,分别研究了银河宇宙线、太阳宇宙线诱发的大气中子环境分布规律以及地磁场屏蔽作用对大气中子环境的影响.通过与国外相关模型对比,证明本仿真模型是准确、可靠的,对太阳质子事件的详细分析,弥补了国外已有模型中的不足.该模型可用于临近空间大气中子诱发的元器件单粒子效应评估,以及航空机组人员飞行期间所接受的辐射剂量分析. 关键词： 临近空间 大气中子 单粒子效应 蒙特卡罗     

微脉冲激光雷达水平探测气溶胶两种反演算法对比与误差分析

大气气溶胶对人类健康、环境和气候系统具有重要的影响。微脉冲激光雷达(MPL)是一种新型的探测大气气溶胶水平分布的有效工具,而消光系数的反演和误差分析是其数据处理的重要内容。为了探测近地面大气气溶胶的水平分布情况,采用分段斜率法和Fernald算法对合肥地区实测MPL水平数据进行了消光系数反演,并将反演结果进行了对比和误差分析。误差分析表明,分段斜率法和Fernald算法的误差分别主要来源于其理论模型和多个假设条件。虽然分段斜率法和Fernald算法应用于大气水平消光系数的反演都仍存在一定的问题,精确度有待提高,但都能在一定程度上反映出气溶胶粒子的时空分布特征,与前向散射能见度仪的测量结果相关性都能达到95%以上,具有一定的可行性。且相对来说,Fernald法更适用于大气非均匀分布情况下消光系数的反演。     

基于后向散射法测量蒸汽湿度反演算法的优化

为了精准测量汽轮机末级蒸汽湿度，提出在激光后向异轴角散射法的基础上建立蒸汽湿度测量模型和湿蒸汽参数反演优化模型。根据该优化模型采用粒子群算法对加入高斯白噪声的仿真数据和模拟汽缸的实验数据进行反演寻优，并将得到的反演结果与人工鱼群算法和传统的均匀搜索方法进行了对比。采用粒子群算法时r_0.5、K、N的反演结果误差为0.05、0.66和0.51%，反演时间为306.41 s；采用鱼群算法时r_0.5、K、N的反演结果误差为2.96、19.98和4.68%，反演时间为411.05 s；采用均匀搜索算法时r_0.5、K、N的反演结果误差为5.00、27.14和7.95%，反演时间为246.42 s。结果表明:粒子群算法能够克服人工鱼群算法和均匀搜索方法两者的不足，可以在较短时间内获得精度高且稳定可靠的反演结果，为湿蒸汽参数测量提供了更加准确的数据，并对其他颗粒物参数测量反演提供了理论依据。     

基于差分吸收激光雷达的一种新的对流层臭氧浓度反演算法

差分吸收激光雷达探测对流层臭氧浓度时,气溶胶的干扰会造成较大的误差。提出了一种算法,该算法能够同时反演得到对流层臭氧浓度和气溶胶消光系数,减少气溶胶对反演结果的影响。使用实验数据,分析计算了气溶胶雷达比,气溶胶波长指数、标定点气溶胶后向散射比各种变化参数对反演结果的误差。结果表明,1 km以下,各种变化参数造成的反演误差小于8%,1 km以上臭氧浓度误差主要来源于信号和背景噪声,各种参数反演误差小于3%。最后给出了利用该算法得到对流层臭氧浓度和气溶胶的消光系数垂直廓线,并和传统的双波长差分算法反演结果作了比较分析。实验结果表明该算法是可行的,该算法可以减少气溶胶对差分吸收激光雷达测量结果引起的误差。     

散射光谱的目标材质及比例反演研究

研究了基于散射光谱的点目标在远距离条件下表面材质及比例反演方法,旨在为空间碎片探测及预报提供数据参考。首先根据散射光谱的远距离目标探测物理模型,建立了基于散射光谱的目标参数反演物理模型,给出了基于最小二范数理论方法的目标表面材质及比例信息的反演算法,结合光源照射特性、目标材料表面光学反射特性、入射、反射及探测角等信息,利用双向反射分布函数(BRDF) 的多级融合模型,表征复杂材料表面的光学反射特性, 将BRDF中对应的面积量作为待反演参数,给出了目标表面材质及比例信息的反演算法;其次进行了实验验证,搭建了室内散射光谱探测及采集系统,进行了单一材质及多种材质不同比例的目标散射光谱探测及数据采集,经过对散射光谱数据进行预处理,截取有效波长范围为400～800 nm;结合理论分析及反演算法,对于四种材质组合的样品,进行了相同和不同比例组合的材质及比例反演,等比例反演结果最小误差为0.8%。最大误差为13.6%,平均误差为4.9%;不等比例反演结果最小误差为6%,最大误为12%,平均误差为9.25%;综合以上测试结果可以得出,反演平均误差最大为9.25%,考虑到入射光源稳定性有2.89%的误差,反演结果最大平均误差将小于6.36%。得到了平均反演误差小于10%的良好效果,验证了该方法的准确性;最后以某失效卫星为例,对其在轨的散射光谱信息,进行了材质及比例反演计算,给出了其主要材质为太阳能帆板、保温膜及碳纤维板,与真实情况相符较好。该研究为点目标远距离材质比例反演识别提供了新的技术途径。     

基于机器学习的水体化学需氧量高光谱反演模型对比研究

化学需氧量（COD）是水体有机污染的一项重要指标,如何快速准确检测水体的COD含量尤为重要。机器学习在水质反演领域应用日益增多,并取得了较多的研究成果,高光谱遥感具有光谱空间分辨率高、成像通道多等优势,使其在水体COD反演方面有着极大的潜力。利用不同的高光谱预处理方法对原始高光谱数据进行处理,并利用处理前后的高光谱数据对比研究了不同机器学习模型、不同高光谱预处理方法对水体COD的反演性能。首先利用ZK-UVIR-I型原位光谱水质在线监测仪在扬州宝带河实地收集了1 548组COD和对应的高光谱数据（400~1 000 nm）样本,为降低光谱噪音干扰以及消除光谱散射影响,分别使用Savitzky-Golay（SG）平滑、多元散射校正数据（MSC）以及SG平滑结合MSC对原始光谱进行预处理。其次,将样本集随机划分为训练集和测试集,其中训练集占比80%,测试集占比20%。对预处理后的训练集全波段光谱基于线性回归、随机森林（random forest）、AdaBoost、XGBoost四种机器学习方法建立COD高光谱反演模型,并选取了决定系数（R2）、均方根误差（RMSE）、相对分析误差（RPD）三种指标在测试集数据中评估高光谱反演模型的精度。结果表明,随机森林、AdaBoost、XGBoost均优于线性回归,无论光谱处理与否,通过XGBoost建立的反演模型预测能力均为最佳,其中使用XGBoost对经过SG平滑和MSC处理后的光谱数据进行建模的反演模型精度最高,其R2达到0.92,RMSE为7.1 mg·L-1,RPD为3.4。考虑到原始光谱可能存在冗余,通过主成分分析法（PCA）对经过SG平滑和MSC处理后的光谱进行降维,并选取累计贡献率达到95%的前十个主成分作为模型的输入变量。通过XGBoost建立反演模型,结果表明经过PCA后的反演模型不仅精度有所上升,RPD达到3.8,而且模型的训练时间也由72 s缩短到2.9 s。以上研究可为该水域及类似水域的高光谱水质反演模型的建立提供新的方法及思路。     

基于固有光学量的高光谱数据反演城市河网水质

水体辐射传输模型是水体光谱特性分析的理论基础,水体固有光学量由水体组成决定,与水体表面光场无关。基于统计的半经验算法虽然能获取指定区域水质参数反演结果,但是缺乏物理意义;基于生物光学模型的分析算法,针对城市河网内陆Ⅱ类水体光学特性复杂、空间分布异质性强、水体细小、流动性大等特点,利用高光谱数据,研究基于固有光学量的城市河网水质参数反演模型,对内陆城市浑浊水体光谱特性研究具有重大意义。提出了适用于内陆城市河网水体的改进QAA算法,以获取水体固有光学量,改进包括后向散射估计模型调整和参考波段优化两个方面;计算参考波段总吸收系数、颗粒物后向散射系数等固有光学量,得到浮游植物吸收系数和剔除纯水吸收系数;对浮游植物吸收系数最优波段比值与叶绿素a浓度进行线性回归分析,构建叶绿素a水质浓度反演模型,对剔除纯水吸收系数最优波段比值与悬浮物浓度线性回归分析,构建悬浮物水质浓度反演模型。针对内陆河网Ⅱ类水体,以典型的河网城市嘉兴市为研究区域,获取了研究区域航空高光谱数据,以及水质采样化验数据和水面以上光谱数据等地面准同步测量数据;利用QAA算法和IIMIW算法对实测水面以上光谱进行固有光学量反演,对比分析两个算法并结合城市河网水体特点,提出改进QAA算法;利用改进的QAA算法实现了研究区域水体的固有光学量反演,基于反演的水体固有光学量建立了叶绿素a浓度和悬浮物浓度两项水色参数定量反演模型,反演模型决定系数R2分别为0.64和0.71;并用航空高光谱数据同步区域的4个地面样点实测数据,对反演结果进行验证分析。通过水质参数浓度反演值与实测值的对比,叶绿素a和悬浮物水质浓度反演的平均相对误差分别为9.2%和9.4%,反演得到的叶绿素a和悬浮物浓度分布图,也与城市河网的特点和实际情况相符,为城市河网水质监测提供方法和模型参考。     

顾及测量不确定性的水体悬浮物浓度遥感定量反演方法

在遥感定量反演的地面同步实测环节中,人为因素、环境变化、条件限制等测量不确定性因素会不可避免地引入数据噪声,致使水体悬浮物浓度反演精度降低。为此,提出一种顾及测量不确定性的水体悬浮物浓度遥感定量反演方法,即自适应抽样一致性极限学习机(ASAC-ELM)算法。该算法结合了极限学习机(ELM)、随机抽样一致性(RANSAC)和N邻近点抽样一致性(NAPSAC)方法的优势与特点,利用参数维度自适应地选取RANSAC或NAPSAC算法进行参数估计,避免了ELM算法易受非零均值正态分布数据噪声影响的缺陷。ASAC-ELM算法通过选取局内点(非噪声点)数据建立模型,可去除噪声数据的干扰,提升模型的精度与适应性。通过模拟多组不同数量级且服从非零均值正态分布的随机数,将加性噪声引入训练数据中,实现不同噪声比条件下对ASAC-ELM算法的检验,并与ELM算法、传统反向传播(BP)神经网络算法进行了对比。结果表明,不同噪声比条件下,ASAC-ELM算法的水质悬浮物浓度反演精度高于ELM算法和传统BP神经网络算法,且反演结果稳定性较高。     

融合拉曼散射光和荧光信号反演海面溢油厚度的算法研究

随着海洋溢油问题的日益严重,多种遥感技术被用于海面溢油监测,其中激光诱导荧光(LIF)技术是目前被认为最有效的海面溢油探测技术之一。Hoge等基于LIF技术提出了一种利用拉曼散射光评估薄油膜厚度的积分反演算法并广泛应用于海面溢油探测,针对该算法存在误差较大的问题,提出一种融合拉曼散射光和荧光信号评估海面溢油厚度的反演算法。首先利用拉曼散射光信号反演油膜厚度,然后利用该反演结果计算获取溢油油品的荧光特征光谱,最后利用荧光信号反演油膜厚度。文中推导了利用荧光信号反演油膜厚度的算法,给出了油品荧光特征光谱的逼近算法,并给出了利用荧光信号反演油膜厚度的误差分析。通过实验对该方法进行了验证,选用原油和柴油为实验油品,以波长405 nm的激光作为激发光源,采集波长范围为420～700 nm,采集了海水的背景荧光和拉曼散射光信号、实验油品2,5,10和20 μm等不同厚度油膜的光谱信号。将采集数据分为训练集和测试集,利用训练集数据采用梯度下降法获取油品的荧光特征光谱,利用测试集数据分别采用积分拉曼法和该方法反演油膜厚度。采用积分拉曼法,原油不同厚度油膜反演结果的平均误差分别为12.6%,4.6%,4.4%和2.3%,柴油不同厚度油膜反演结果的平均误差分别为14.0%,7.0%,4.2%和3.6%;采用本文方法,原油不同厚度油膜反演结果的平均误差分别为2.5%,2.2%,1.2%和1.1%,柴油不同厚度油膜反演结果的平均误差分别为3.0%,2.4%,2.7%和1.6%。实验结果表明,2 μm油膜反演结果的误差降低最多,原油和柴油2 μm油膜的反演结果误差分别由12.6%和14.0%降低为2.5%和3.0%,其他厚度油膜反演结果的误差也有较大程度的降低,油膜厚度反演结果的误差均小于3%,采用本文算法可以有效提高油膜厚度反演结果的精度。     

渤海近岸水体后向散射系数反演模型

水体后向散射系数bb是重要的海洋光学参数,在以悬浮物为主要组分的浑浊二类水体中,其对于水体光学性质起着决定性的作用,该参数的遥感反演对于海洋光学与水色遥感研究具有重要意义.利用2005年渤海近岸水体实测数据集,建立了基于水体遥感反射率光谱数据的后向散射系数bb(λ)经验反演模型(λ=442 nm,488 nm,532 nm,589 nm,676 nm),经实测数据检验,bb(442)和bb(589)反演平均相对误差约为30%;bb(488)和bb(676)反演半均相对误差优于40%;bb(532)反演半均相埘误差约为57%.通过分析模型对于输入误差的敏感性发现,当输入端引入±5%的误差时,模型反演值的误差波动在绝大多数情形下可控制在±10%以内,模型足稳定可靠的.模型适用于渤海近岸浑浊水体,可用丁水体光学参数的时空分布特征分析以及基丁固有光学参数的水色组分遥感反演.     

基于神经网络反演中国南海海域透明卷云参数

基于中分辨率成像光谱仪/云和气溶胶探测激光雷达（MODIS/CALIOP）的匹配数据集,提出一个分类神经网络进行透明卷云的识别,利用两个回归神经网络对透明卷云的光学厚度和云顶高度进行反演。结果表明,分类网络的精确度可达到84%,检测率达到79%。对成功识别的透明卷云参数进行了反演,得到透明卷云光学厚度的平均绝对误差为0.2,均方根误差为0.25,相关系数为0.79。对云顶高度进行了反演,得到云顶高度的平均绝对误差为0.61 km,均方根误差为0.74 km,相关系数达到0.87。本研究利用MODIS/CALIOP匹配数据集以及神经网络算法,可得到透明卷云的分布以及其参数特性,为其在南海海域上空的分布情况提供了数据支撑,有助于相关研究人员了解该地区透明卷云的分布情况,提高辐射计算的精度。     

HJ-1B热红外遥感数据陆表温度反演误差分析

误差问题制约着遥感数据和模型的应用。结合HJ-1B热红外波段(IRS4)遥感数据,基于热红外辐射传输(radiant transfer,RT)模型,对陆表温度(land surface temperature,LST)反演误差源做精确理论分析,并就减小误差提出建议。首先利用MODTRAN 4修正IRS4 LST反演RT模型,通过建立偏微分方程,研究误差产生规律和各参量误差对模型总误差的贡献。分析发现,LST反演误差与随地表温度和比辐射率的升高而降低,随大气总水汽含量升高而升高;LST主要误差源为等效噪声温差、水汽估算误差和比辐射率误差,典型情况下将分别造成0.6,0.6和0.5 K的LST误差。总体而言,利用IRS4反演LST的误差在1 K左右,除非用地面探测手段将水汽误差和比辐射误差分别降低到5%和0.5%,否则IRS4数据无法满足精度高于1 K的LST应用。     

深度学习与辐射传输模型协同的气溶胶反演

传统气溶胶反演方法通常先基于模型假设确定地表反射率,但反演结果会受到假设的影响;而深度学习方法基于数据驱动,能在气溶胶定量反演中得到更加准确、高效的结果,但模型训练需要充足的优质样本数据支持。为此,使用大气辐射传输模型构建模拟样本,支持深度学习方法实现气溶胶定量反演,旨在解决当前训练数据代表性不足、数据获取困难的问题。利用辐射传输模型模拟不同参数条件下传感器获得的辐射信息,考虑概率组合及筛选标准限制进行模拟数据构建,并使用深度置信网络（DBN）对模拟样本进行训练,获得气溶胶反演模型。将模型应用于Landsat-8数据,在中国北京地区开展气溶胶反演实验。最后使用AERONET地面站点的实测数据对反演结果进行精度验证。验证结果表明,模型估算的气溶胶与站点测量值吻合良好,相关系数为0.8989,均方根误差为0.1029,约74.05%的估算值在误差标准内。本文提供了一种基于辐射传输方程构建样本数据集的思路,可减少样本质量与数量导致的局限性,实现深度学习方法对气溶胶光学厚度的高精度反演。     

遥感数据误差对地表参数定量反演可靠性的影响——以太湖叶绿素a反演为例

地表参数的遥感反演误差的大小由遥感数据误差和反演模型误差共同构成,数据误差不是简单地“加减”到反演误差中,而是经过反演模型改造后融入到反演误差中。因此,在地表参数定量反演过程中,用回归系数最大或均方根误差最佳代价函数来描述地表参数与遥感反射光谱之间的关系将不太可靠。从理论上指出了最高回归系数或最小均方根误差评价方法失效的根源在于反演模型的形式,以2003年10月27日太湖实测数据为例进行了论证。研究表明,虽然TM2/TM3算法比TM2/TM1算法的回归系数高,但其对数据误差的放大效果是TM2/TM算法的2.28倍,这导致了反演结果的均方根误差比TM2/TM1算法大了7.938 5 μg·L-1;另外从定量反演结果来看,基于TM2/TM3算法和基于TM2/TM1算法的反演结果完全相反,与以往研究成果对比可知,基于TM2/TM1算法的反演结果更符合实际。因此,数据误差应该作为一个约束条件,加入到代价函数的求解过程中,才能增加反演结果的可靠性。     

改进的QGA-ELM算法水稻叶面积指数反演模型

为了通过植被指数（VI）准确、可靠的获取不同施肥梯度、不同品种的水稻叶面积指数（LAI）,提出了一种基于改进的QGA-ELM算法应用于水稻LAI反演。首先通过8折交叉验证确定极限学习机(ELM)最佳的隐含层神经元个数与隐含层激活函数类型,再通过引入组合动态旋转角策略、单点混沌交叉操作、混沌变异操作、确定性选择策略、量子灾变操作对量子遗传算法（QGA）进行改进,最后使用改进后的QGA算法优化ELM神经网络输入层到隐含层的连接权值和隐含层的阈值。为了验证该模型普适性和有效性,依次建立多元线性回归、BP、ELM、QGA-ELM、改进的QGA-ELM算法5种模型,并在不同数据集上进行反演效果比较,结果表明：（1）对比QGA-ELM算法和改进的QGA-ELM算法进化过程,改进的算法能有效提升模型寻优能力,避免算法早熟,且能寻得更优结果。（2）对比五种算法在不同数据集上的反演效果,验证了NDVI,RVI与LAI之间主要为非线性关系,且ELM神经网络模型反演效果要优于BP神经网络模型和多元线性回归模型。（3）对比五种算法在不同数据集上的反演效果,改进的QGA-ELM算法绝大部分情况下拥有最高的反演精度和最低的误差,改进后的算法反演精度得到了明显提升,泛化性能也得到了增强。（4）改进的QGA-ELM算法在各种施肥梯度上均具有最高反演精度和最低误差,且精度较高,能为不同生长状况水稻LAI反演提供依据。（5）五种模型对庆和香LAI反演精度均要高于龙稻18,而改进的QGA-ELM算法在不同水稻品种上依然具有较高的反演精度,且在不同水稻品种上反演精度相差极小,远低于其他四种模型,能很好适应不同水稻品种LAI反演要求,极大提升模型的稳定性性,为不同水稻品种反演提供参考意义。     

深度自编码器的近红外光谱转移研究

近红外光谱分析中多变量校准模型的建立依赖于校准建模的光谱样本。然而,近红外光谱测量环境的变化会导致同一被测物的光谱样本的偏移。为了削减光谱偏移后重新建立校准模型的成本,提出一种基于深度自编码器(DAE)的非线性光谱转移方法,以端到端的形式实现不同测量环境之间的光谱转移,避免已有的线性光谱转移方法在非线性偏移光谱时效果不佳的情况。该方法在操作前不需要对光谱进行预处理和特征提取等操作,可以实现原始光谱之间的转移,是首个端到端的非线性光谱转移方法。为了实现光谱空间的有效转移,设计了一种基于条件概率和参数最大似然法的误差函数惩罚项,结合梯度反向传播算法优化深度自编码的网络参数。为了验证该方法的有效性,引入两个公共的近红外光谱数据集,分别是药片数据集和玉米数据集。利用本方法进行光谱转移的过程主要有:根据Kennard-Stone(KS)算法分别将两个数据集划分为校准集、验证集和测试集;用校准集中的光谱样本输入深度自编码器,根据设计的误差函数求出误差,并用反向传播法迭代训练网络参数,直至模型最优;将预测集样本输入训练好的DAE转移模型,可以发现转移后的光谱与相应的目标光谱谱线基本重合,这说明该设计的转移模型的有效性。最后,为了进一步验证本方法的优越性,将该方法与经典的线性转移算法光谱空间变换(SST)和分段直接标准化(PDS)进行比较。这三种算法得到的转移光谱分别作为测试样本,输入已建立的偏最小二乘(PLS)多变量校准模型,通过比较预测均方根误差(RMSEP),可以发现该方法在多变量校准模型中的预测结果的均方根误差均小于SST和PDS,分别提高了5.7%和10.1%,表明由非线性深度自编码器转移的光谱样本具有高效和实用的特点。     

利用MODIS近红外数据反演大气水汽含量研究

大气水汽含量(precipitable water vapor, PWV)对遥感定量化及生态环境方面研究具有重要意义。针对传统水汽探测方法存在的问题,提出一种基于多通道表观反射率的ICIBR(improved continuum interpolated band ratio)水汽遥感反演方法。该方法结合MODIS数据第17,18和19三个近红外通道的水汽吸收特点,利用MODTRAN模型模拟大气含水量与三个通道ICIBR之间的关系,构建了适用于MODIS数据的ICIBR大气水汽含量定量反演模型。基于提出的ICIBR水汽反演方法,选择北美洲南部典型干旱、半干旱区德克萨斯州、俄克拉荷马州等地区为研究区,使用不同时间的四期MODIS 1B数据进行水汽反演实验。同时,选择SuomiNet提供的GPS水汽地基观测数据对反演结果进行精度验证以及MODIS大气水汽产品(MOD05)进行对比评价。验证和对比结果表明：该算法水汽反演结果与GPS水汽实测数据具有较高的一致性(r=0.967),均方根误差为0.276 cm,有71.08%的观测点对满足水汽反演误差精度(EE~±0.05+0.15PWV_gps)要求,同时与MOD05大气水汽产品相比,该方法在反演精度和准确估计方面有了较大提高,能够有效降低61%的水汽反演高估现象。该方法较传统算法更为简易、实用,具有较高的整体水汽反演精度。     

基于多算法优化SVM的粗糙面参数反演

支持向量机（SVM）是粗糙面参数反演中常用的一种反演算法,SVM反演中的惩罚参数C和核函数参数G对反演结果精度的影响较大,若参数取值不当,会使模型产生"过学习"或者"欠学习"的现象,从而降低预测精度.给出几种SVM参数C和参数G的优化算法,如K折交叉验证（K-CV）、遗传算法（GA）和粒子群算法（PSO）,并在此基础上提出一种基于K-CV和GA改进的PSO算法（GA-CV-PSO）.利用矩量法（MoM）获得的粗糙面后向散射系数构造训练集和测试集,通过不同参数反演的仿真结果对比不同优化算法的反演精度和计算时间,表明GA-CV-PSO算法克服了单一优化算法的缺陷,具有更精确的反演精度和更强的泛化能力.     

基于最优估计理论、联合星载主被动传感器资料的液态云微物理特性反演研究

针对液态云微物理特性精确反演的迫切需求, 综合主被动传感器的探测优势, 联合CloudSat雷达反射率和Aqua光学厚度资料, 提出基于最优估计理论的液态云微物理参数反演算法.通过假设粒子谱服从对数正态分布, 基于前向物理模式建立测量变量与反演变量的函数关系, 借助谱分布参数的先验信息、通过算法迭代得到谱参数的最优解, 进而利用前向物理模式反演液态云微物理参数, 并根据误差传递理论计算反演不确定度.通过设计反演方案, 基于实测个例数据并与CloudSat官方发布产品和经验算法反演结果对比验证.结果表明: 基于最优估计理论、联合主被动传感器资料的液态云微物理参数反演结果与官方发布产品一致性较好, 弥补了经验算法误差大、扩展性差的不足, 对于开展国内星载和机载W波段毫米波雷达液态云微物理参数反演研究具有重要的借鉴意义. 关键词： CloudSat Aqua 液态云 最优估计理论     

PSO-LSSVM对LIBS定量分析精度的提高

针对土壤定量分析受基体效应影响大，LIBS定量分析精度不佳等问题，采用粒子群算法对LSSVM进行优化，提高模型的精确度。选取Pb Ⅰ 405.78 nm和Cr Ⅰ 425.44 nm作为分析谱线进行分析。采集十二个不同浓度样品的特征光谱，每个浓度样品在不同点采集20组数据，将其中17组数据设为训练集，3组数据设为预测集，用LSSVM和PSO-LSSVM两种方法建立定标模型。对比两种模型的拟合相关系数（R2）、训练集均方根误差（RMSEC）和预测集均方根误差(RMSEP)。由于自吸收效应的影响，随着浓度的增加，预测值逐渐低于实际值，LSSVM定标模型的拟合程度较低，无法达到实验要求，模型性能有待提高。利用粒子群算法对LSSVM的模型参数惩罚系数和核函数参数进行优化，得到最佳的参数组合，Pb元素为(8 096.8, 138.865 7)，Cr元素为(4 908.6, 393.563 5)，用最佳的参数组合构建LSSVM的定标模型。相比于LSSVM，PSO-LSSVM定标模型的精确度更高，Pb和Cr元素的R2提高到了0.982 8和0.985 0，拟合效果明显提升。Pb和Cr元素的训练集均方根误差由0.026 0 Wt%和0.027 2 Wt%下降到0.022 4 Wt%和0.019 1 Wt%，预测集均方根误差由0.101 8 Wt%和0.078 8 Wt% 下降到0.045 8 Wt%和0.042 0 Wt%，模型的稳定性进一步提高。说明PSO-LSSVM算法能够更好地降低土壤基体效应和自吸收效应带来的影响，提高分析结果的精确度与稳定性。