Электронная библиотека диссертаций и авторефератов России
dslib.net
Библиотека диссертаций
Навигация
Каталог диссертаций России
Англоязычные диссертации
Диссертации бесплатно
Предстоящие защиты
Рецензии на автореферат
Отчисления авторам
Мой кабинет
Заказы: забрать, оплатить
Мой личный счет
Мой профиль
Мой авторский профиль
Подписки на рассылки



расширенный поиск

Алгоритмы, методы и комплексы программ для решения задач лидарного зондирования атмосферы Суханов Александр Яковлевич

Алгоритмы, методы и комплексы программ для решения задач лидарного зондирования атмосферы
<
Алгоритмы, методы и комплексы программ для решения задач лидарного зондирования атмосферы Алгоритмы, методы и комплексы программ для решения задач лидарного зондирования атмосферы Алгоритмы, методы и комплексы программ для решения задач лидарного зондирования атмосферы Алгоритмы, методы и комплексы программ для решения задач лидарного зондирования атмосферы Алгоритмы, методы и комплексы программ для решения задач лидарного зондирования атмосферы Алгоритмы, методы и комплексы программ для решения задач лидарного зондирования атмосферы Алгоритмы, методы и комплексы программ для решения задач лидарного зондирования атмосферы Алгоритмы, методы и комплексы программ для решения задач лидарного зондирования атмосферы Алгоритмы, методы и комплексы программ для решения задач лидарного зондирования атмосферы
>

Диссертация - 480 руб., доставка 10 минут, круглосуточно, без выходных и праздников

Автореферат - бесплатно, доставка 10 минут, круглосуточно, без выходных и праздников

Суханов Александр Яковлевич. Алгоритмы, методы и комплексы программ для решения задач лидарного зондирования атмосферы : Дис. ... канд. техн. наук : 05.13.18 Томск, 2006 159 с. РГБ ОД, 61:06-5/3557

Содержание к диссертации

Введение

ГЛАВА 1 Атмосфера и методы ее исследования 15

1.1 Структура атмосферы 15

1.2 Газовые составляющие атмосферы 17

1.3 Аэрозоли и частицы 20

1.4 Модели атмосферы 21

1.5 Контроль окружающей среды 22

1.6 Основные типы лидаров 24

1.7 Геометрический фактор лидара[34] 27

1.8 Моделирование переноса лазерного излучения в атмосфере 31

1.9 Заключение 34

ГЛАВА 2 Методы восстановления профиля концентрации озона по данным лидарного зондирования 36

2.1 Озон 36

2.2 Метод дифференциального поглощения для исследования стратосферного озона 38

2.2.1 Метод сплайн - функций 42

2.2.2 Метод регуляризации Тихонова 43

2.2.3 Метод оптимальной параметризации 44

2.3 Анализ методов решения обратной задачи 46

2.4 Метод нейронных сетей[63-67] 47

2.4.1 Обзор применения нейронных сетей в задачах оптики атмосферы 52

2.4.2 Методы обучения нейронных сетей 56

2.4.2.1 Метод обратного распространения ошибки 58

2.4.2.2 Генетический алгоритм[97] 59

2.4.2.3 Обучение нейронных сетей с помощью псевдо-обратных матриц [97-98] 63

2.4.2.4 Обучение нейронных сетей с помощью комбинированного алгоритма 65

2.4.3 Создание и обучение нейронной сети [100-102] 67

2.5 Заключение 78

ГЛАВА 3 Задачи анализа и обработки данных лидарного зондирования 79

3.1 Изучение и анализ аэрозольной составляющей атмосферы по данным лидарного зондирования 80

3.1.1 Поиск аэрозольных слоев 82

3.1.1.1 Методика приближенного аналитического определения параметров слоев[115] 84

3.1.1.2 Поиск слоев на фоне сигналов[117] 90

3.1.1.3 Метод поиска слоев на основе генетического алгоритма[117] 92

3.1.2 Анализ пространственно-временной структуры аэрозольных слоев 95

3.1.2.1 Вейвлет анализ[118] 96

3.1.2.2 Корреляционный анализ 99

3.2 Результаты применения предложенных алгоритмов для анализа пространственно-временных данных лидарного зондирования 100

3.3 Удаление и поиск импульсов последействия[122] 104

3.4 Заключение 106

ГЛАВА 4 Программная реализация алгоритмов 107

4.1 Программная система «Анализ»[124] 109

4.1.1 Сравнение пакета «Анализ» с аналогичным программным обеспечением 114

4.2 Программная система LDAS[127] 115

4.2.1 Модель классов разработанной программной среды LDAS 117

4.2.2 Примеры применения LDAS, для решения задач лазерного зондирования 121

4.2.3 Сравнение программы LDAS с аналогами 124

4.3 Программная система Neurolnverse 125

4.3.1 Обзор программ для имитации работы нейронных сетей 127

4.3.2 Пример применения программы Neurolnverse для решения задачи трассового газоанализатора на СОг лазере[99] 132

4.4 Программа для расчета оптических характеристик аэрозолей[39-40] 134

4.5 Заключение 135

Заключение 136

Список литературы

Введение к работе

Актуальность. В настоящее время существует все возрастающая необходимость изучения атмосферы и непрерывного контроля ее параметров, что важно при изучении экологической обстановки на различных территориях, прогнозировании погодных условий и возможных климатических изменении в глобальном масштабе. Данные исследования важны для сельского хозяйства, обеспечения должного качества человеческой жизни, выработок долгосрочных экономических планов, предупреждения и предотвращения катастроф. Во многом образование климата и погодные условия зависят от процессов, происходящих в стратосфере и мезосфере. Несмотря на интенсивное развитие методов исследования атмосферы в течение последних десятилетий, сведений о ее верхних слоях накоплено еще не так много, что требует, как проведения дополнительных исследований, так и развития методик изучения атмосферных параметров, разработки алгоритмов обработки и анализа полученных данных.

Одними из наиболее эффективных методов исследования атмосферы являются методы лазерного зондирования, позволяющие извлекать данные о параметрах атмосферы с высоким пространственным и временным разрешением. При этом зондирующее устройство -лидар и изучаемый объект могут быть разделены достаточно большим расстоянием. Процесс обработки данных лидарного зондирования, включающий решение прямых, обратных задач и анализ атмосферных параметров, требует привлечения различных численных методов, что в свою очередь влечет необходимость создания соответствующего программного обеспечения. На данный момент в лидарном зондировании мало привлекаются методы, позволяющие решать обратную задачу в автоматическом режиме, без вмешательства оператора, а также восстанавливать с достаточной точностью атмосферные параметры при наличии влияния неизвестных факторов и сильном зашум-лении сигналов. Кроме того, применяемое в настоящее время для решения задач лидарного зондирования профаммное обеспечение имеет жесткую структуру и предоставляет в основном лишь набор уже разработанных алгоритмов в виде статических графов с некоторыми варьируемыми параметрами. В этом случае исследователь не может задать структуру алгоритма, изменять его, добавлять или убирать некоторые профаммные блоки, что сужает функциональные возможности профаммного продукта.

Разработка современных профаммных средств основана на объектно-ориентированном подходе, что существенно сокращает время,

затрачиваемое на создание сложных программных комплексов. Кроме того, объектно-ориентированный подход позволяет, благодаря свойствам полиморфизма и наследственности, легко модифицировать и добавлять новые методы и процедуры в программное обеспечение, а также использовать объекты и методы, созданные другими программистами.

Целью настоящей работы является создание эффективных методов восстановления параметров атмосферы, в частности, профилей концентрации озона и отношения аэрозольного рассеяния, разработка алгоритмов их анализа, объединение и включение на основе объектно-ориентированного подхода имеющихся и разработанных автором алгоритмов в программное обеспечение по обработке и анализу данных лидарного зондирования.

Достоверность результатов и выводов диссертационной работы обеспечивается строгостью используемых математических методов, непротиворечивостью результатов с ранее полученными данными исследований, использованием современных технологий разработки сложного программного обеспечения. Все разрабатываемые методы и алгоритмы тестировались путем проведения замкнутого численного эксперимента, то есть последовательного решения прямой и обратной задачи.

Основные положения, выносимые на защиту

  1. Метод решения обратной задачи лидарного зондирования с помощью нейронных сетей позволяет восстанавливать профиль концентрации озона в стратосфере и получить устойчивое решение при зашумлении лидарных сигналов до 50%.

  2. Комбинированный алгоритм настройки нейронной сети на основе метода псевдо-обратных матриц и алгоритма обратного распространения ошибки позволяет обучать нейронные сети на порядок быстрее некомбинированных итерационных методов и обладает свойством глобальной сходимости.

  3. Алгоритм поиска слоев, построенный на основе применения уравнения свертки, позволяет выделять из лидарного сигнала или функции отношения рассеяния информацию о положении, полуширине и амплитуде слоя.

  4. Созданные на основе объектно-ориентированного подхода программные комплексы «Анализ» и «LDAS» позволяют использовать традиционные и разработанные нами методы анализа и обработки данных лидарного зондирования.

Научная новизна работы состоит в следующем

  1. Впервые разработана методика решения обратной задачи лидарного зондирования восстановления вертикального профиля концентрации озона с использованием нейросетевой технологии.

  2. Предложен алгоритм поиска весовых коэффициентов нейронной сети на основе метода псевдо-обратных матриц и метода обратного распространения ошибки.

  3. Разработан алгоритм поиска аэрозольных слоев в лидарных сигналах, использующий уравнение свертки с функцией заданного вида.

  4. Применительно к задачам лидарного зондирования создана программная система LDAS, которая позволяет проводить потоковую обработку данных и предоставляет исследователю возможность динамической компоновки алгоритмов на основе отдельных функциональных блоков.

Практическая ценность работы определяется следующими результатами:

Созданные программные продукты были применены при удалении импульсов последействия в лидарном сигнале, поиске аэрозольных слоев, определении их пространственно-временных характеристик, а также при решении прямых и обратных задач лидарного зондирования.

Показано, что метод нейронных сетей для решения обратной задачи лидарного зондирования обладает преимуществом перед другими методами, благодаря большей точности при возникающих разнородных ошибках в сигналах и отсутствию необходимости вмешательства оператора для подбора параметров, что важно для автоматизации обработки данных.

Разработанные методы поиска аэрозольных слоев могут применяться и в других задачах, например при удалении импульсов последействия в лидарном сигнале.

Реализованное программное обеспечение может быть использовано при решении задач лидарного зондирования, анализе и обработке данных лидарного зондирования, а также адаптировано к решению других задач.

Апробация работы

По теме диссертации опубликовано 11 статей и сделано 19 докладов на российских и международных конференциях: Atmospheric and ocean optics. Atmospheric physics: X, XI, XII, XIII joint international

symposium, Tomsk, 2003-2006; Аэрозоли Сибири. XI, XII рабочая группа, Томск, 2004-2005; Вторая международная научно-практическая конференция «Исследование, разработка и применение высоких технологий в промышленности», Санкт-Петербург, 2006.

Работа была поддержана грантами РФФИ № 04-05-64390,

№01-07-90163, №06-05-65010-а.

Аэрозоли и частицы

Атмосферный аэрозоль представляет собой наиболее распространенный в при-родных условиях тип дисперсной системы. В общем случае под атмосферным аэрозолем понимают такие дисперсные системы, которые состоят из частиц твердого или жидкого вещества, находящиеся во взвешенном состоянии в атмосферном воздухе [25-26]. Основной эффект влияния аэрозоля в тропосфере это снижение видимости. Аэрозоли являются центрами прохождения химических реакций для загрязняющих газов, изменяют осадки, выступая в роли ядер конденсации, при образовании облаков и туманов. Естественные источники аэрозолей и частиц включают морские брызги, пыльцу растений, выветривание почвы, лесные пожары, вулканические выбросы. Антропогенное влияние на образование аэрозолей включает сжигание ископаемых топлив, строительство, сельское хозяйство, различные химические реакции. Химический состав частиц вещества в тропосфере колеблется от твердых частиц, таких, как зола, свинец, сульфаты и нитраты, до жидких аэрозолей, включая серігую, азотную кислоты и растворенные соли. Между этими крайними случаями находятся твердые частицы с жидкой оболочкой. Форма частиц колеблется от произвольной, у золы, до сферической, у жидких капель. Размер частиц также разнообразен и их радиус лежит обычно от 0.01 до 20 мкм. Эти пределы обусловлены естественными процессами: нижний тем, что частицы меньшего размера стремятся коагулировать, а верхний -гравитационным осаждением.

Аэрозоли и частицы существуют и в стратосфере. Максимумы концентрации в области высот 20 км называют слоем Юнге. Главное значение аэрозолей в стратосфере заключается в их влиянии на перенос излучения в атмосфере, с последующим влиянием на общий радиационный баланс Земли. По химическому составу частицы в основном представляют сульфаты, образуемые при окислении на стратосферных высотах серосодержащих газов, таких как SO2 и H2S. Кроме того, важным источником аэрозолей являются вулканы, при извержениях вулканов концентрация частиц в стратосфере увеличивается порой в десятки и сотни раз. На высоте примерно 40-50 км наблюдается еще один аэрозольный слой, и на высотах 25-30 км эпизодически наблюдаются так называемые перламутровые облака с концентрацией несколько ледяных частиц на см3.

Примерно на высотах 80-85 км в результате конденсации и кристаллизации НгО на метеорных частицах образуются серебристые облака, называемые так из-за их блеска. Появление серебристых облаков сравнительно редко, по сравнению с появлением облаков в тропосфере, но их изучение и учет также важен, например, при построении моделей аэрозольной атмосферы. Также на высотах 90 км и выше присутствует метеорная пыль.

Данные о параметрах атмосферы, а также статические характеристики этих параметров важны при решении различных задач, в частности метеорологических (анализа аэрологических полей, численного моделирование климата Земли, оценки теплового и радиационного баланса атмосферы, долгосрочного прогноза погоды), для оперативной и надежной интерпретации спутниковых измерений уходящего теплового излучения системы земля-атмосфера. Точность решения обратных задач, в значительной степени зависит от вида, объема и степени адекватности взятой априорной информации о физическом состоянии атмосферы. Статистические сведения о вертикальном распределении атмосферных параметров необходимы при конструировании и испытании летательных аппаратов и различных систем локации, дальнометрирования, связи, передачи информации, работающих в атмосфере и использующих лазерное или другое оптическое излучение.

Для решения подобных задач создаются статистические модели атмосферы [27], при построении которых привлекаются многолетние данные аэрологических наблюдений. Некоторые модели включают усредненные данные, например, модель ИОА СО РАН и американская модель, имеющие информацию о 27 газах, температуре и давлении до 100-120 км по высоте для различных сезонов и широт. Но данные модели не учитывают в достаточной мере реальную пространственно-временную изменчивость различных параметров атмосферы, потому создаются модели, которые хранят не только усредненные характеристики, но и профили стандартных отклонений и корреляционные матрицы. В частности в таких моделях обычно каждый профиль физических параметров атмосферы представлен в виде суммы среднего профиля и случайного отклонения. Случайную составляющую раскладывают по системе собственньгх векторов матрицы ковариаций моделируемого параметра: р = р + b{Ft, где р - средний вектор параметров, Fi - собственные вектора матрицы ковариаций, bt - ко эффициенты, характеризующие данный вектор параметров атмосферы. Более слож ные модели учитывают циклы колебаний параметров атмосферы, сезонные колеба ния, взаимосвязь с другими параметрами [28-29]. Например, общее содержание озона согласно работам [30-31] можно представить в виде: 03(t)=Oi+trend+Seas+QBCH-Sol+NAO±res,rp e t -время, 03(t) - общее содержание озона или концентрация на заданном уровне; 03 - среднее содержание озона за исследуемый период; trend - тренд в виде степенного ряда; Seas - сезонные изменения концентрации озона; QBO - квазидвухлетние колебания; Sol - солнечная активность; NAO - влияние центров действия атмосферы; res - временно ряд остатков.

Слежение за атмосферными параметрами осуществляется с помощью различных методов, в том числе с помощью шар зондов, метеорологических ракет, радиозондов, среди данных методов наиболее эффективными являются методы дистанционного зондирования.

Дистанционный контроль можно определить как качественное или количественное измерение химического или физического параметра окружающего пространства, когда контролирующий прибор и объем, параметр которого исследуется, пространственно разделены [4]. Приборы дистанционного контроля могут обеспечить ту же точность, что и приборы для прямых измерений, кроме того, они имеют ряд уникальных преимуществ, а именно: допускают ряд специфических приложений, осуществление которых было бы затруднительно, если вообще возможно, при использовании стандартных приборов. Дистанционные методы обеспечивают проведение измерений практически в любых пространственных масштабах, дают возможность проведения интегральных оценок (например, оценки общего содержания газов, либо оценки общей дозы загрязнения окружающей среды), позволяют проводить исследования обширных территорий, воздушных и водных бассейнов со спутников, самолетов и автомобилей.

Метод дифференциального поглощения для исследования стратосферного озона

Озон является парниковым газом токсичным при больших концентрациях, с другой стороны, он в стратосфере создает слой, поглощающий ультрафиолетовое излучение, гибельное для живых организмов. Озон образуется в основном выше 25 км за счет фотохимических процессов и затем переносится в нижнюю стратосферу в результате процессов перемешивания. Здесь он приобретает важное метеорологическое значение как трассер, указывающий на атмосферную циркуляцию [9].

Многолетние испытания за общим содержанием озона (ОСО - интегральное количество в вертикальном столбе атмосферы) показали, что оно подвержено значительным пространственно-временным вариациям. В среднем его распределение имеет выраженную зависимость от широты и сезона. Содержание озона больше в умеренных и полярных широтах, чем в тропических с максимумом весной и минимумом осенью. Здесь же наблюдаются наибольшие вариации среднесуточных значений ОСО, особенно в зимне-весенний период.

Высотное распределение озона изучается посредством озонозондирования [41] (до 30 км), а на больших высотах - с помощью спектрографов, поднимаемых на ракетах. Основополагающую роль в наземном мониторинге озона играют ли-дарные станции, позволяющие получать данные о вертикальном распределении озона с высоким пространственным и временным разрешением.

Несмотря на малочисленные высотные измерения Оз, за последние десятилетия сложились достаточно определенные представления об особенностях пространственно-временного распределения этого газового компонента [42-43]. Существует три типа вертикального распределения озона.

Тип А - тропический, характерен для тропических широт и отличается устойчивым ото дня ко дню вертикальным распределением озона, высокой озонопаузой (уровнем, с которого начинается резкое увеличение содержания озона) с 1 ,=15-17км. Тип В - умеренный, наблюдается в умеренной зоне, для него характерно вы 37 сотное распределение озона с 1 немного ниже тропопаузы и максимумом на высотах около 22-24км. Тип С - полярный, проявляется наиболее четко в полярных областях. Для него типично очень низкое положение озонопаузы (hon может опускаться иногда до 6-7км) и слоя максимального содержания озона. Высота максимума озона составляет около 13-18 км. Наряду с тремя описанными выше типами вертикального распределения озона в слое 0-30км существует комбинированный тип (тип D). Данный тип распределения наблюдается не только в полярных широтах, но также в умеренной зоне в зимний и осенний период (рисунок 2.1).

Известно, что высотное распределение озона зависит от места и времени измерения, фотохимических процессов образования и распада, горизонтального и вертикального переноса, разрушения в тропосфере и т. п. Все это обуславливает его большую изменчивость, при которой даже средняя сезонная концентрация озона в слое главного максимума может изменяться в 7-12 раз. Наибольшие суточные изменения концентрации озона наблюдаются в слое атмосферы ниже главного максимума, где они могут достигать 50-80%. В нижней стратосфере отмечаются и самые большие величины стандартных отклонений содержания атмосферного озона. Несмотря на малые концентрации озона в приземном слое, его содержание здесь может существен 38 но изменяться. Нередки случаи, когда объемная концентрация озона вблизи земной поверхности изменялась за короткий срок в десятки раз.

Главная полоса поглощения озона в ультрафиолетовой области спектра -электронная полоса Хартли. Максимум полосы поглощения расположен на 255.3 нм. На общий континуум полосы наложены дополнительные полосы, отстоящие друг от друга примерно на 1 нм. К полосе Хартли примыкает область более слабых полос Хаггинса, длины волн 300 нм, с резкими последовательными минимумами и максимумами. В видимой области спектра расположена слабая область Шаппюи, занимающая интервал 550-610 нм. Но здесь поглощение озона намного слабее, чем в ультрафиолетовой области спектра, поэтому разработка методов измерения озона с использованием лазеров излучающих в видимой области спектра представляется нецелесообразной [7].

В инфракрасной области озон имеет три основные колебательно-вращательные полосы поглощения с центрами 9.0 мкм, 14.1 мкм, 9.6 мкм. Линия 9.0 мкм очень слабая и полностью перекрывается с линией 9.6 мкм, которая представляет наибольший интерес, так как расположена в центре окна прозрачности атмосферы 8..12 мкм [44]. Для проведения исследований на данной длине волны в качестве излучателя используются С02 лазеры. Также используются космические спутники, предназначенные для получения информации об озоне в верхней стратосфере на основе пассивных методов, но они не достаточно точны [45-46].

Методика приближенного аналитического определения параметров слоев[115]

В работе [116] был рассмотрен фильтр, позволяющий выделить аномальные неоднородности среды из лидарного сигнала, нами же применена свертка исходного сигнала с гауссовой функцией для выделения регулярных слоев.

Представим, что исследуемый высотный профиль содержит как минимум один пик, описываемый функцией гаусса (с хорошим приближением). Тогда, если мы формируем искусственно пик с заданными характеристиками (амплитудой, центром и полушириной):

Алгоритм поиска и определения параметров неизвестного слоя таков: для каждой точки высотного профиля рассчитывается величина свертки S и эта процедура повторяется для всего набора измерений (серия однотипных измерений профилей в выбранные временные интервалы). При совпадении центров модельного и реального пиков h = h0=hm, величина свертки может быть вычислена аналитически:

Итак, для каждого профиля из набора полученных в данном сеансе или серии сеансов легко получить наборы величин {Sy}, i=l,...,N; j=l,...,M, где N и М- число точек по высоте и число профилей (все профили приведены к однотипной высотной шкале). Отметим, что величина свертки в точках совпадения слоев максимальна, откуда легко локализовать количество слоев в профиле.

Однако, наличие случайных слоев (вызванных ошибками измерений или вычислений) не позволяет выделить из найденной последовательности, регулярно повторяющиеся слои. Для этого необходимо вычислить корреляцию между высотными профилями. Полученные максимальные значения корреляции по профилю позволят локализовать именно реальные слои, а случайные будут исключены из найденного списка.

При исследовании характеристик метода было проведено моделирование профилей на основе гауссовых функций и расчет характеристик одного из слоев. Для упрощения было принято, что существует один слой, соседний слой и шум, учет данных факторов достаточен для исследования точности метода. После того как найден центр слоя с помощью свертки, необходимо определить его параметры, для чего можно применить два метода. Выражение (3.9) можно представить в виде уравнения прямой:

у = ах + Ъ, (3.10)

где Р » = «.Ь-у, Тогда промоделировав несколько профилей на основе гауссовой функции, либо из уравнения (3.9) можно найти уравнение прямой, где определенной свертке S будет соответствовать своя полуширина. Находя свертку S с гауссовой функцией с известными заранее параметрами (полушириной, амплитудой) легко найти неизвестное зна 86 чение полуширины слоя в профиле. То есть заранее находится некая калибровочная прямая и на ее основе, определяются неизвестные значения полуширин. На рисунке 3.1 приведены графики калибровочных прямых при различных значениях амплитуд.

Необходимо проверить каким образом влияет значение амплитуды слоя в профиле на восстановление полуширины при использовании одной калибровочной прямой. На рисунке 3.2 а представлена ошибка восстановления полуширин при различных амплитудах моделируемого слоя. При изменениях амплитуды до 10% ошибка восстановления полуширины растет значительнее при значениях амплитуд больше единицы. Логично увеличить значение амплитуды при создании калибровочной прямой (рисунок 3.2 б).

Ошибка восстановления полуширины при различных амплитудах моделируемого слоя: а - для калибровочной прямой, созданной на основе амплитуды равной 1; б - на основе амплитуды равной 1.1 При использовании данного способа увеличивается ошибка для малых амплитуд, но не так значительно, как в предыдущем случае. Ошибка восстановления зависит только от точности восстановления амплитуды, при этом предпочтительно использовать калибровочную прямую на основе завышенной амплитуды на 1-2%.

Предлагаемый подход можно описать следующим образом. В центре слоя определяется значение амплитуды. Полученная амплитуда округляется к большим значениям, на основе калибровочной прямой определяется полуширина. Заранее по формуле (3.9) рассчитываются коэффициенты калибровочной прямой для амплитуд, выбранных с определенным шагом. При таком подходе необходимо как можно точнее определять амплитуду. На рисунке 3.3 приведена ошибка восстановления полуширины при зашумлении профиля до 10%. Другие ошибки могут возникать из-за наличия соседних слоев. Для изучения точности восстановления были промоделированы различные ситуации, представленные на рисунке 3.4. Было проведено сравнение с различными соседними слоями: различной полушириной (рисунок 3.5 а), с различной амплитудой (рисунок 3.5 б).

Сравнение пакета «Анализ» с аналогичным программным обеспечением

Программными продуктами для математической обработки и анализа данных являются ORIGIN, ODRIS, MATHCAD, MatLab, Statistica, Excel. Сравнение функциональных возможностей данных программных продуктов с разрабатываемым программным обеспечением приведено в таблице 4.1.

Программные продукты «MathCad» [119] требуют высокой квалификации пользователя, достоинством пакета является предоставление пользователю большого набора средств анализа, методов вычислений и различных математических операций, недостатком медленная скорость проведения вычислений и необходимость «вручную» создавать и вызывать алгоритмы. «Origin» является, как и «Анализ» средством обработки данных представленных в виде таблиц, но в данный программный продукт не включена потоковая обработка файлов и вейвлет анализ. Данный продукт также не является узкоспециальным средством анализа, что не позволяет учесть специфику предметной области лидарного зондирования.

Программы MatLab, Statistica, Excel хотя и обладают широким набором средств обработки данных и численных методов, но скорость обработки с помощью данных программных средств снижается, так как они не специализированы, исследователю необходимо писать самому алгоритмы обработки.

Программный продукт «Odris» направлен на анализ данных лидарного зондирования, обладает несомненными преимуществами перед вышеописанными системами, благодаря быстрому доступу к базе данных профилей концентрации озона, набору методов, учитывающих специфику предметной области, но не включает вейвлет анализ и отображения трехмерных графиков.

Программа «Анализ» содержит в себе специальные методы анализа данных лидарного зондирования и стандартные методы. Программа имеет удобный интерфейс и направлена на максимально быстрое и эффективное проведение научных исследований в области задач лазерного зондирования.

Для математической обработки и анализа данных лидарного зондирования, а также для решения прямых и обратных задач лидарного зондирования была разработана программа LDAS. Программа построена на основе объектно-ориентированного подхода с возможностью включения новых методов без существенного изменения кода, что важно при появлении новых задач и сопровождении программного средства, кроме того, она написана с использованием кросс-платформенной технологии QT, что позволяет перенести программу с Windows на Linux платформу.

Основное преимущество программы LDAS перед программой «Анализ» это возможность построения алгоритма обработки данных самим пользователем, пользователю уже не нужно повторять действия алгоритма, всякий раз при проведении расчетов для каждого файла или набора данных. Кроме того введена возможность массовых расчетов, когда один алгоритм применяется к потоку однотипных данных.

Визуально для пользователя алгоритм представляется в виде взаимосвязанных блоков, где каждый блок выполняет определенную функцию над данными и генерирует выходные данные. В качестве входных и выходных данных в LDAS используются скаляры, вектора и матрицы, но объектная реализация программы позволяет включать и другие виды данных. Пример блочного алгоритма представлен на рисунке 4.6. Стрелками соединены входы и выходы блоков. Каждый блок может иметь несколько входов и выходов. Например, блок считывания файла имеет только один выход, а блок отображения графиков имеет только входы, промежуточные блоки позволяют выполнять какие-то операции над данными. -[П,Х

Каждый блок имеет меню Calculate, при выборе которого производится преобразование над данными, поступающими на входы блока, при этом автоматиче ски вызывается вычисление всех вышестоящих блоков, если в данных блоках специально не указано, что их перерасчет не нужен.

Реализовано несколько уже готовых сценариев для расчета отношения аэрозольного рассеяния, концентрации озона, поиска аэрозольных слоев и удаления импульсов последействия из лидарного сигнала.

Похожие диссертации на Алгоритмы, методы и комплексы программ для решения задач лидарного зондирования атмосферы