分类：电子论文 时间：2022-04-25 热度：575
摘要 提出了一种基于贝叶斯模式识别的激光雷达大气遥感灰霾组分识别的方法。介绍了灰霾组分模式识别模型的建立过程，并利用具体的贝叶斯判别函数作为灰霾粒子光学特征向量的选择依据对灰霾粒子进行识别分类。采用计算机仿真实现了该灰霾组分模式识别模型，并通过两种自验证方法检验了模型的正确性和稳定性。讨论了该模型对现有大气遥感激光雷达的适用性，凸显了偏振高光谱分辨率激光雷达(HSRL)的优势。
关键词 遥感;激光雷达;灰霾;模式识别;气溶胶;高光谱分辨率激光雷达
1 引 言
霾，又称灰霾、阴霾、烟霞，是大量极细微的干尘粒等均匀地浮游在空中，使水平能见 度 小 于10km的空气普遍浑浊现象[1]。由于经济规模的迅速扩大和城市化进程的加快，人为排放的大量气溶胶已使空气质量严重恶化，致使霾的产生已不完全是一种自然现象，大气污染日益严峻[2-3]。因此，有效控制灰霾将对人们的生产生活、社会经济发展以及人类赖以生存的环境都具有非常重要的意义。而准确检测和识别灰霾的种类和组分是对其特征、产生机理及危害 等 方 面 进 行 全 面 了 解、掌 握 并 有 效 控 制 的前提。
传统的大气颗粒物测量方法等离线分析手段虽然可以对样品进行全面、准确地分析，但这种方法费时费力、化学成分易受破坏且无法真正反映原始气溶胶的特征。单颗粒气溶胶质谱技术等实时在线测量技术以及气溶胶吸湿性谱仪(HTDMA)、光 腔 衰荡光谱仪(CRDS)等原位检测 分 析 仪 器[4-5]仅 能 在有限区域内进行单点采样，应用受到一定的限制。
如何快速、大范围地对灰霾进行实时监测是目前急需开展的研究。遥感因其能够快速获得大范围的观测数据，且无需置身灰霾之中便可对大气污染、霾分布与强度状况进行快速的监测，具有非常好的发展前景[6-7]。特 别 是大 气 遥 感 激 光 雷 达，由 于 其具有较高的时间和空间分辨率，可以应用于车载、机载甚至是无人职守的地基等多种运行方式，适用于灰霾的遥感[8-9]。
本文提出一种基于模式识别的激光雷达大气遥感灰霾组分的方法。对该方法的基本原理及实现过程进行了详细地介绍。计算机仿真实验表明，该方法对不同种类激光雷达可以实现不同效果。其中双波长的偏振高光谱分辨率激光雷达(HSRL)的灰霾识别率远远优于其他种类的激光雷达。该研究对快速、大范围、高精度地监测灰霾，进而对其进行有效控制，改善地球气候环境，提升人们的生活质量都具有非常重要的意义。
2 灰霾的光学属性
灰霾本质上是大气气溶胶系统，所以其具有气溶胶的物理 和 光 学 属 性，如 尺 度 谱 分 布、光 学 厚 度(AOD)、消光系数、后 向 散 射 系 数、激 光 雷 达 比 等。这些参数对基于模式识别的激光雷达遥感灰霾的识别和分类具有重要的参考意义。
2.1 后向散射系数
不同气溶胶成分的后向散射系数与消光系数并没有很一般规律的差异，故在气溶胶探测与分类中常采用后向散射系数衍生的 Angstrom 指数进行研究
大气气溶胶和云雾粒子的退偏比、激光雷达比等光学参数和粒子的物理性质密切相关，不同种类粒子的退偏比、激光雷达比等光学参数不会完全相同，并且不同波长上的光学参数的相互关系也不相同。例如在退偏比方面，研究发现纯灰尘的典型特征 是 大 的 532nm 气 溶 胶 退 偏 比 能 达 到 30% ～35%[12];而灰尘和球状颗粒的混合物的退偏比值大约为8%～ 10%[13];晶状海盐和在大气中存在一段时间后的生物燃烧物以及火山气溶胶可由更小的退偏比来表征[14-15]。在激光雷达比方面，水溶性气溶胶的激光雷达比随相对湿度增大而增大。烟灰和粗粒态矿物质的激光雷达比很大;烟灰和包含聚积态海盐类粒子的气溶胶在两个激光波长上有较大差异，1064nm 波长的雷达比约为532nm 的2倍，而粗粒态矿物质刚好相反;各种卷云雾粒子的激光雷达比与光学厚度有关，当光学厚度较小时，激光雷达比很低，而光学厚度较大时，雷 达 比 也 较 大[16-18]。所以，可以发现退偏比、激光雷达比等光学参数将成为区分灰霾不可或缺的参量。
另外需要指出的一点是对于以上气溶胶光学参数，由于普通 Mie散射激光雷达需要预先假设出气溶胶粒子的激光雷达比，导 致 使 用 单 波 长 偏 振 Mie散射激光雷达仅能准确得到退偏比δa，在此基础上进一步发展 的 双 波 长 偏 振 Mie激光雷达也只能准确得到退偏比δa、谱退偏比Ra。而在 Mie散射激光雷达的基本结构加上原子/分子滤光器或者干涉仪滤光器而形成的 HSRL，其通过滤光器将气溶胶的Mie散射和大气分子的瑞利散射在光谱上分离开来以得到一个额外的激光雷达方程，从而实现不依赖于先验假设而精确求解出气溶胶粒子的光学参数(气溶胶粒子的消光系数 αa 及 后 向 散 射 系 数 βa)[19-22]。这使得单波长的偏振 HSRL能精测获得退偏比δa 和雷达比Sa 的值(如532nm)，而双波长的偏振 HSRL由于可在两个波段上进行精确测量，故能准确得到退 偏 比δa、谱 退 偏比 Ra、散 射 颜色 比Ca 和雷达比Sa 这四个光学参量。
3 灰霾的激光雷达大气遥感模式识别模型
图1 基于模式识别的大气遥感激光雷达大气遥感灰霾组分的原理框图Fig.1 PrinciplediagramofhazecomponentsrecognitionusingatmosphericremotesensinglidarbasedonpatternrecognitionBurton等[22]对多波长 偏 振 激 光 雷 达 在 全 球 范围内获取的数据进行分析发现，冰晶粒子和灰尘均具有较高的气溶胶退偏比。但一般来说，冰晶粒子的激光雷达比要低于灰尘。而对于灰尘，在纯灰尘中混有少量其他成分时，它们的雷达比没有显著的差异，但是退偏比却不同。在对相对洁净的海洋上空的气溶胶进行探测时发现，其532nm 激 光 雷达比、532nm 退偏比、后向散射颜色比以及谱退偏比四个特征都比较小。但对有一定污染的海洋上空的气溶胶进行探测时发现它们的上述四个特征都居于海洋气溶胶和污染物气溶胶之间。城市的气溶胶和生物燃烧产生的气溶胶具有的共同特点是退偏比低，后向散射颜色比高，532nm 的 激 光雷 达 比 也 很高，但它们的谱退偏比却有一些差异。所以，可以充分利用大气遥感激光雷达以及上述灰霾的光学属性，构建一套基于模式识别的大气遥感激光雷达大气遥感灰霾组分的方法，如图1所示。总体来说，该方法的主要过程就是通过将模式识别特征样本库中的数据作为训练数据构建出灰霾的激光雷达大气遥感模式识别模型，得到模式识别的判别函数;再将待分类的灰霾遥感数据与建立的模式识别特征样本库进行比较，根据判别函数生成该灰霾属于各种类型灰霾的相对概率值，选择相对概率最大且大于判断阈值的灰霾类型为该待分类灰霾所属类型。
3.1 模式识别特征样本库
从图1中的原理框图不难看出，模式识别特征样本库的建立是该方法得以实现的关键。图2表示该模式识别特征样本库的建立过程，即针对搜集到的灰霾光学特性样本库 H0，根据已有的灰霾分类进行光学特性分析，从而得到初步的光学特性特征向量X0;为提高模型的运行效率，减小实际应用的复杂度，再通过因子分析对X0 进行降维，最终获到模型中的光学特性特征向量X;根据最终光学特性特征向量X 对最初搜集的灰霾光学特性样本库 H0 进行整理，最终得到可用于模式识别的特征样本库 H。
其中降维分析主要根据原灰霾光学特性样本库中的数据计算各种光学特性两两之间的相关系数。若其值趋近于1，则说明这两种灰霾光学特性极 为相似，即其中一种光学特性已能很好地代表另一种而实现特征空间的降维;而如果相关系数趋近于0，则说明两种光学特性差别很大，应保留这两种特性。
相关知识推荐：模式识别论文翻译英文难吗
综上，模式识别特征样本库 H 相对于最初搜集到的灰霾光学特性样本库 H0 在数据数量以及数据的维度上都得到了精简，剔除了冗余的灰霾光学特征，从而可以更准确高效地进行模式识别。
3.2 判别函数
在统计模式识别理论中，常用的判别策略有决策树和贝叶斯方法。决策树在进行多维大数据处理时效率不高。而贝叶斯方法以贝叶斯理论为基础，理论上与其他分类方法相比具有最小的误差率。
4 计算机仿真分析
根据灰霾光学特性样本库选择出灰霾的光学特征向量，构建出灰霾的模式识别特性样本库;通过模式识别特征样本库数据作为训练数据进行模型学习，得到贝叶斯判别模型的模型参数;再将待分类灰霾数据输入到模式识别模型，生成该实例属于各种类灰霾的相对概率，选出其中的最大值或与判断阈值比较从而得到该待分类灰霾所属的灰霾类型。为检验模式识别模型的可用性及稳定性，利用训练样本库即灰霾的模式识别特性样本库以及重新生成的测试样本数据库对灰霾的模式识别模型进行了两种自验证校验，最后还讨论了在灰霾特征向量降维的情况下激光雷达对模式识别结果的影响。
4.1 模型的建立
4.1.1 灰霾的分类
要对灰霾组分进行识别，首先需要对其进行分类。Burton等[22-23]在大量实地测量数据的基础上进行数据分析，通过聚类分析等方法进行归纳，获得了较为合理的气溶胶种类划分。由于灰霾粒子本质上是气溶胶粒子，故可采纳 Burton等的划分。将灰霾粒子分为以下8类：冰晶粒子、纯灰尘、灰尘混合物、海洋气溶胶、海洋污染物、城市气溶胶、生物燃烧气溶胶、新鲜烟尘。
4.1.2 特征向量的确定
在对灰霾进行分类的过程中，可以发现由后向散射系数的运算而得到的量，如退偏比δa、谱退偏比Ra、散射颜色比Ca 等，以及由后向散射系数和消光系数共同决定的雷达比Sa 等并不会随灰霾浓度的变化而变化，且不同种类的灰霾粒子在这四个特性中至少有一种特性存在较为明显的区别，这对于区分不同种类的灰霾气溶胶有重大意义。
在定量分析方面，对已知种类的灰霾进行大量测量，获得各不同类别灰霾的光学属性，建立样本数据库作为样本训练的集合。
4.1.3 模式识别特征样本库
基于 Burton等在北美洲进行的野外任务得到的实验数据[20]，模拟构建出本计算机仿真实验的灰霾模 式 特 征 样 本 库。数 据 库 中 有 冰 晶 粒 子 样 本10000个，纯灰尘3000个，灰尘混合物75000个，海洋气溶胶13000个，海洋污染物11000个，城市气溶胶85000个，生 物 燃烧 气 溶 胶 22000 个，新 鲜 烟尘39000个，四维灰霾模式识别特征空间在各空间中的投影分布如图3所示。图3(a)～(c)为在532nm退偏比-532nm 雷达比空间、532nm 退 偏 比-后向散射颜色空间、532nm 退偏比-谱退偏比空间投影情况;(d)～(f)分别是在532nm 激光雷达比-后向散射颜色比空间、532nm 激光雷达比-谱退偏比空间、后向散射颜色比-谱退偏比空间的投影情况。——论文作者：王治飞 刘 东 成中涛 杨甬英 罗 敬 沈亦兵 白 剑 汪凯巍
