[发明专利]大气特征层检测方法及装置

说明书

本发明实施例提供一种大气特征层检测方法及装置，涉及检测技术领域。方法包括：获得米散射偏振激光雷达信号和气象数据；计算得到散射比和线性退偏比；采用阈值法对大气特征层进行检测；采用经验阈值法将检测到的大气特征层分类；迭代执行上述步骤，判断再次检测到的大气特征层和大气特征层的再次分类与上一次检测到的大气特征层和大气特征层的分类之间的差异是否小于设定阈值，直至最新检测到的大气特征层和大气特征层的最新分类与上一次检测到的大气特征层和大气特征层的分类之间的差异小于设定阈值，则采用连续小波分析法修订大气特征层的最新分类。使用该大气特征层检测方法及装置，能够提高大气特征层检测的便捷性、准确性和完整性。

技术领域

本发明涉及检测技术领域，具体而言，涉及一种大气特征层检测方法及装置。

背景技术

大气中的云层和气溶胶层是非常重要的大气特征层。目前，基于大气激光雷达对大气特征层进行检测的方法主要分为阈值法和连续小波分析法。阈值法的原理为利用实测信号与背景大气分子信号之间的差异来识别大气特征层，阈值法最初仅使用静态阈值检测云层，包括微分交叉法和斜率法，它们均需小心地调整阈值以避免噪声和气溶胶层的干扰；后来逐渐发展为使用随高度变化的阈值同时检测云层和气溶胶层。连续小波分析法基于墨西哥帽小波的波形与激光雷达信号廓线形状的高度相关性检测信号中的不连续点(大气特征层边界)得到大气特征层。进一步地，基于大气激光雷达对大气特征层的分类方法则主要为神经网络法，概率法和经验阈值法等。神经网络法的原理为依靠动物神经网络，通过调整内部大量节点之间相互连接的关系，从而达到处理信号的目的；概率法的原理则基于可以提供数据和特征层关联的统计公式；经验阈值法则利用可构成N维(N＝1,2,3)空间的参数选取经验性的阈值。

这些方法虽已取得非常可观的进展，但斜率法仅能实现云层的检测，若要进一步实现云的分类，需结合其他多种仪器；而阈值法和经验阈值的结合虽可同时实现特征的检检测和分类，但其对激光雷达的硬件指标要求高，这些算法均不适用于一般的米散射激光雷达。对于米散射激光雷达，已有算法利用阈值法或连续小波分析法仅基于信号廓线或散射比检测大气特征层。信号廓线中，大气特征层边缘的弱信号并不能完全地被检测到，同时仅利用散射比不能检测到较为完整的大气特征层。在已有的特征分类方法中，通过神经网络法和概率法进行大气特征层检测的方案实现较为复杂。

发明内容

有鉴于此，本发明实施例的目的在于提供一种大气特征层检测方法及装置，用以充分挖掘出具有退偏功能的米散射激光雷达数据的潜在价值，实现更为完整且准确的大气特征层的自动检测。

本发明较佳实施例提供了一种大气特征层检测方法，包括：

获得米散射偏振激光雷达信号和气象数据；

根据所述米散射偏振激光雷达信号和气象数据计算得到散射比和线性退偏比；

基于所述散射比和线性退偏比采用阈值法对大气特征层进行检测；

基于大气热力状况数据和大气特征层的光学特性，采用经验阈值法将检测到的大气特征层分类；

再次执行根据所述米散射偏振激光雷达信号和气象数据计算得到散射比和线性退偏比至采用经验阈值法将检测到的大气特征层分类的步骤，得到再次检测到的大气特征层和大气特征层的再次分类结果；

判断再次检测到的大气特征层和大气特征层的再次分类与上一次检测到的大气特征层和大气特征层的分类之间的差异是否小于设定阈值；

若大于所述设定阈值，则又一次执行根据所述米散射偏振激光雷达信号和气象数据计算得到散射比和线性退偏比至采用经验阈值法将检测到的大气特征层分类的步骤，直至最新检测到的大气特征层和大气特征层的最新分类与上一次检测到的大气特征层和大气特征层的分类之间的差异小于所述设定阈值，则采用连续小波分析法修订所述大气特征层的最新分类。

可选地，所述米散射偏振激光雷达信号表示为：