论文部分内容阅读
激光在大气中传输时会受到大气湍流的影响,产生光束漂移、扩展和光强闪烁等湍流效应,严重制约了大气环境下各种激光应用系统的性能。大气折射率结构常数C_n~2是大气光学湍流强度的重要描述参量。实测手段获取C_n~2的方法不仅耗费大量资源,而且对于复杂情形的下垫面测量难度较大。因此,由常规气象参数估算C_n~2的光学湍流参数化模型研究受到重视。然而,使用Monin-Obukhov相似理论估算近地面层C_n~2的传统方法在稳定大气层结的情况下是失效的。针对这一局限性,基于机器学习方法建立近地面层光学湍流参数化模型便具有重要的研究意义与价值。本文利用大量实测数据,基于后向传播神经网络(BP)、支持向量回归机(SVR)和K-近邻(KNN)三种机器学习回归算法,开展了内陆戈壁地区近地面层C_n~2的估算研究。三种算法均使用温度、相对湿度和风速三个常规气象参数以及时间因子作为输入特征量,C_n~2作为单一输出。训练结果表明,三种估算模型在趋势和量级上均能较好地表现出该地区光学湍流的日变化特征;正午强湍流时刻、日出日落转换时刻以及正午强湍流值的估算结果与实测结果均能够较好地吻合。对lg(C_n~2)进行统计分析表明,BP、SVR和KNN三种模型估算结果与实测结果的平均绝对误差分别为0.27、0.30、0.31,均方误差分别为0.13、0.16、0.17,整体皮尔逊相关系数分别为85%、81%、80%。总体来讲,BP模型的平均绝对误差和均方误差最小且整体皮尔逊相关系数最大,模型估算性能最佳。为了实现对未来时刻C_n~2的预报,本文开展了BP模型结合天气研究与预报模式(WRF)估算C_n~2的初步研究。将WRF模式数值模拟得到的常规气象参数作为输入,代入到建立的BP模型中进行C_n~2的估算。结果表明,利用该方法估算的C_n~2在整体上符合该地区光学湍流的日变化特征。对lg(C_n~2)进行统计分析表明,BP模型结合WRF模式的估算结果与实测结果的平均绝对误差为0.33,均方误差为0.21,整体皮尔逊相关系数为76%。研究表明,基于机器学习建立的光学湍流参数化模型和WRF模式对强湍流和中等强度湍流情况下的C_n~2进行估算的方法是可行的。