[发明专利]通过微波链路网格化自适应可变尺度反演大气能见度的方法

权利要求书

1.一种通过微波链路网格化自适应可变尺度反演大气能见度的方法，其特征在于，包括如下的步骤：

(1)，在监测区域根据区域大小合理划分网格，同时建立大尺度网格和小尺度网格，两套网格互相嵌套，每个大尺度网格有3×3个小尺度网格嵌套，将微波链路和网格进行尺度匹配，分别对大尺度网格和小尺度网格进行编码；

(2)，对于大尺度网格使用随机森林算法判别大气能见度是否为500米进行分类训练，选择了与大气能见度最相关且数据易获得的四个特征，有：处理后的距离大尺度网格边最近的微波链路的微波信号衰减数据、站点空气质量数、站点记录风速、相对湿度四个特征组成样本的特征向量，对输入输出数据集做数据预处理输入随机森林算法模型进行训练学习；

(3)，确定大气能见度小于500米的区域网格边界，在边界内实现小尺度自动转换，利用数据融合以及反演计算获得小尺度网格能见度，并以监测区域内小尺度网格计算得到的大气能见度数据绘图；

所述步骤(3)中微波衰减数据反演能见度包含以下步骤：

(31)，对于微波链路衰减值进行反距离加权插值，每个小网格需要计算其中心点到以所在大网格为中心的3×3网格内所有的微波链路计算距离，以距离为权重计算每个小尺度网格微波衰减数值，则获得的网格中心点值为网格赋值；

(32)，利用MATLAB软件调用最小二乘支持向量机建立反演模型，选取与大气能见度最相关且数据易获得的四个参数作为输入，有：处理后的微波信号衰减数据、站点空气质量数、站点记录风速、相对湿度，以大气能见度作为输出；

(33)，对数据进行预处理,对个别丢失数据进行插补，去除明显离群点的干扰数据；

(34)，采用RBF函数作为该反演模型的核函数，其中参数包括惩罚因子C和核函数宽度σ，C和σ的大小对模型有着至关重要的影响，C用来调节模型复杂度和经验误差之间的平衡，σ影响特征空间中样本数据分布的复杂程度；

(35)，采用网格搜索法和交叉验证法对(C，σ)参数组合性能进行评价从而选取出最优参数组合。

2.根据权利要求1所述的通过微波链路网格化自适应可变尺度反演大气能见度的方法，其特征在于，所述步骤(2)中，随机森林算法模型进行训练学习具体包含以下步骤：

(21)构建训练样本集{Y_n},{X_n},其中n为已有样本数，X_n＝[X_n¹,X_n²,X_n³,X_n⁴],X_n为第n个样本选取的四个特征数据构成的向量，大气能见度标签的标签数据集Y_n＝{y₁，y₂,y₃,y₄……，y_n},X_n为输入样本,Y_n为输出样本，其中样本标签分为能见度500米以下和以上两类，将数据集X和标签集Y输入随机森林模型进行训练学习；

(22)获取训练集：从样本集X中的行、特征列两个维度上进行有放回的随机采样，得到训练数据集Xi，i＝1,2,…,n；

(23)对训练集进行学习，学习目标是使得损失函数最小：

其中ω_m为第m棵决策树的权重，G_m(x)为第m棵决策树的分类结果，M为决策树的样本个数；

(24)特征选取：根据样本数和特征数，用建立决策树的方法获取最佳分割特征，其中树桩点使用Gini指数进行特征选取，其中Gini指数公式如下：

其中K表示类别数，p_k表示样本点属于第k类的概率；基尼指数Gini(X,A)表示经特征A＝a分割后集合X的不确定性；基尼指数数值越大，样本集合的不确定性也就越大，其中概率p_K用极大似然估计计算：

其中|X|是样本的总数，|Ck|是X中属于第k类的样本子集；

在特征集中选取基尼指数Gini(X,A)最小的特征A生成树桩点，若基尼系数Gini(X,A)足够小，则生成决策树G_m(x)，否则重复特征选取步骤；

(25)对训练集进行学习：根据所生成的树桩点构建决策树G_m(x)并对样本集进行分类，计算该树分类误差e_m，根据分类误差e_m计算该树的权值ω_m；

(26)进一步更新树集f(x)：

f_m+1(x)＝f_m(x)+ω_mG_m(x)

得到新的树集f_m+1(x)后，对数据集X进行分类，计算损失函数值，如损失函数值并未达到指标值,返回随机采样步骤重新学习，直至损失函数最优。