[发明专利]基于PM2.5和PM10的气溶胶光学厚度估计方法

摘要

本发明提出一种基于PM2.5和PM10的气溶胶光学厚度估计方法，所述方法在采集大量PM2.5‑PM10浓度‑湿度‑能见度‑大气气溶胶光学厚度(AOD)的实际样本数据的基础上，建立大气气溶胶光学厚度(AOD)的万有引力神经网络预测模型，并利用该模型进行大气气溶胶光学厚度AOD的估计，从而解决大气气溶胶光学厚度(AOD)反演精度不高、难以实时获取的问题。

主权项

1.一种基于PM2.5和PM10的气溶胶光学厚度估计方法，所述方法在采集大量PM2.5浓度‑PM10浓度‑湿度‑能见度‑大气气溶胶光学厚度AOD的实际样本的基础上，建立AOD的万有引力神经网络预测模型，并利用该模型进行AOD估计，其特征是，所述方法按以下步骤进行处理：步骤1.以地面的能见度v，湿度h，PM2.5浓度C0，PM10浓度C1为输入，大气气溶胶光学厚度AOD为输出，建立并训练相应的万有引力神经网络预测模型，具体如下：a.采集数据构造样本集；记录某一时刻k下地面的PM2.5浓度C0、PM10浓度C1、能见度v、湿度h以及大气气溶胶光学厚度AOD，得到一个样本(C0(k)，C1(k)，v(k)，h(k)，AOD(k))；通过收集多个不同时刻下的样本，形成样本集{(C0(k)，C1(k)，v(k)，h(k)，AOD(k))}；b.建立三层结构BP神经网络预测模型，其中，输入层神经元节点数为4个，隐含层神经元节点数为5个，输出层神经元节点数为1个，隐含层神经元转移函数使用双曲正切函数，输出层神经元转移函数使用S型函数；对于第k个时刻所构造的样本(C0(k)，C1(k)，v(k)，h(k)，AOD(k))，取BP神经网络预测模型的第一个输入为v(k)，第二个输入为h(k)，第三个输入为C0(k)，第四个输入为C1(k)，输出为AOD(k)；c.随机抽取样本集中的80％作为训练样本，剩余的20％作为检验样本，利用万有引力搜索算法对建立的BP神经网络预测模型的权值与阈值进行优化，具体步骤如下：①设置粒子群体规模N以及各粒子初始位置i＝1，2，3，…，N，D为粒子维数，并采用随机数生成的方式初始化各粒子位置；②计算各粒子的适应度函数值：定义粒子的适应度函数fi为BP神经网络预测模型在训练样本上的均方差：其中：m为输出节点个数；P为训练样本的个数；为网络期望输出值；x_pj为网络实际输出值；③更新群体中的fbest与fworst，fbest＝minfj，fworst＝maxfj，按下式计算各粒子的质量Mi：④按照下式计算各粒子的引力合力Fi与加速度ai：式中：t为迭代次数，F_i^d(t)为第i个粒子受到的来自其它粒子引力合力F_i的第d维分量，为第i个粒子的第d维的加速度，rand_j为[0，1]之间的随机数，G(t)为引力时间常数；M_pi(t)和M_aj(t)分别为第i个粒子的被动惯性质量和第j个粒子的主动惯性质量，和分别为第i个粒子与第j个粒子的第d维的位置；⑤按照下式更新各粒子的速度vi与位置Pi：式中：为第i个粒子的第d维速度；⑥返回步骤②，达到最大迭代次数后停止迭代，此时fbest所对应的粒子位置即为优化后的BP神经网络预测模型的权值与阈值；步骤2.利用优化后的万有引力神经网络预测模型进行大气气溶胶光学厚度AOD的估计，即将某一环境下地面的PM2.5浓度C₀、PM10浓度C₁、能见度v、湿度h作为预测模型的输入，预测模型的输出为当前环境下AOD的估计值