一种基于多源多元遥感技术协同的区域能见度预测方法

摘要

本发明公开了一种基于多源多元遥感技术协同的区域能见度预测方法。区域能见度预测方法步骤：1）多源遥感技术的设置；2）协同探测数据的采集；3）协同探测数据预处理；4）得出多元因素一维时序数据；5）多元因素一维时序数据的重构；6）建立预测模型对区域能见度进行预测。多源遥感技术的设置，即设置遥感卫星、毫米波雷达、粒子收集器、微波辐射计、激光粒子分析仪、风廓线雷达、大气透射仪和地面气象观测站，分别进行协同探测影响区域能见度的多元因素。多元因素，即为影响区域能见度的因素：大雾、霾和沙尘暴。应用多源遥感设备对影响能见度的多元因素：大雾、霾和沙尘暴天气进行联合探测，为研究区域能见度天气探测提供一个新的方法。

说明书

技术领域

本发明涉及一种区域能见度预测技术领域，特别是将多源多元遥感技术协同探测应用于区域能见度预测技术领域。

背景技术

能见度测量在气象上可以用来了解大气稳定度，判别气团属性；国防和国民经济建设方面，它是保证航空、航海、交通运输安全的一个重要因素；在环保方面，它能反映出大气污染的一些基本状况。

低能见度天气是造成能见度下降的天气现象，主要包括霾、雾、烟、扬沙和沙尘暴。在低能见度天气中，大雾和沙尘暴是造成能见度小于1km的灾害天气，霾是指大量极细小的盐末、烟末均匀悬浮空中，且使能见度低于10km的现象。在预测能见度时候，主要考虑就是大雾、霾和沙尘暴三个主要因素。

利用多源遥感设备对影响能见度的大雾和霾及沙漠的沙尘暴天气进行了联合探测。通过分析多源遥感资料，得到了三种气象（大雾、霾和沙尘暴）要素的时空演变特征和统计特征，这些探测数据不但为预报低能见度天气提供一定事实和理论依据，而且为预报能见度提供了一个新的手段。

发明内容

针对上述技术问题，本发明将提出一种基于多源多元遥感技术协同的区域能见度预测方法，具体技术方案如下：

一种基于多源多元遥感技术协同的区域能见度预测方法。区域能见度预测方法步骤：1）多源遥感设备的设置；2）协同探测数据的采集；3）协同探测数据预处理；4）得出多元因素一维时序数据；5）多元因素一维时序数据的重构；6）建立预测模型对区域能见度进行预测。

所述多源遥感设备的设置，即设置遥感卫星、毫米波雷达、粒子收集器、微波辐射计、激光粒子分析仪、风廓线雷达、大气透射仪和地面气象观测站，分别进行协同探测影响区域能见度的多元因素。

所述多元因素，即为影响区域能见度的因素：大雾、霾和沙尘暴。

所述协同探测数据的采集，是收集有多源遥感设备协同探测的数据。

所述协同探测数据预处理，应用小波去噪方法的对收集有多源遥感设备协同探测的数据进行预处理。

所述多元数据的重构，将多元因素中的每个元的一维时序数据，都在相空间中重构。

所述建立预测模型进行预测，即是建立神经网络模型进行能见度的预测。

本发明的技术效果：

应用多源遥感设备对影响能见度的多元因素：大雾、霾和沙尘暴天气进行联合探测，为研究区域能见度天气探测提供一个新的手段和一个新的方法。小波变换具有同时描述时间和频率特性，即在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率；大气系统是一个动力学系统，通过相空间重构，可找出数据隐藏的演化规律，通过现有数据分析还原原动力系统的模型，最终可以完成区域能见度预测工作；神经网络多是以一定数量的人工神经元构成的隐含层或具有隐含层表达能力的结构，相比较传统的统计预测模型，这种灵活的结构更能捕获现实世界中复杂的数据关系，尤其是非线性数据关系；应用小波工具箱和神经网络工具箱，可以实现本发明技术方案，省去繁琐的数学推导和编程。

附图说明

图1是基于多源多元遥感技术协同的区域能见度预测方法流程图。

图2是基于多源多元遥感技术协同的区域能见度预测系统拓扑结构图。

图3是人工神经网络预测模型的设计框架图。

具体实施方式

下面结合附图，对本发明具体实施方式做进一步的说明。

1.总体方案

MATLAB和Mathematica、Maple并称为三大数学软件。它在数学类科技应用软件中在数值计算方面首屈一指。行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等。

MATLAB对许多专门的领域都开发了功能强大的模块集和工具箱。一般来说，它们都是由特定领域的专家开发的，用户可以直接使用工具箱学习、应用和评估不同的方法而不需要自己编写代码。领域，诸如数据采集、数据库接口、概率统计、样条拟合、优化算法、偏微分方程求解、神经网络、小波分析、信号处理、图像处理、系统辨识、控制系统设计、LMI控制、鲁棒控制、模型预测、模糊逻辑、金融分析、地图工具、非线性控制设计、实时快速原型及半物理仿真、嵌入式系统开发、定点仿真、DSP与通讯、电力系统仿真等，都在工具箱（Toolbox）家族中有了自己的一席之地。

特别说明：本发明在小波去噪中，应用MATLAB小波工具箱；神经网络预测，应用MATLAB神经网络工具箱。因为本发明是预测方法，应用小波工具箱和神经网络工具箱，可以实现本发明技术方案，省去繁琐的数学推导和编程。

一种基于多源多元遥感技术协同的区域能见度预测方法。区域能见度预测方法步骤：1）多源遥感设备的设置；2）协同探测数据的采集；3）协同探测数据预处理；4）得出多元因素一维时序数据；5）多元因素一维时序数据的重构；6）建立预测模型对区域能见度进行预测。

如图1所示，

多源遥感设备的设置，即设置遥感卫星、毫米波雷达、粒子收集器、微波辐射计、激光粒子分析仪、风廓线雷达、大气透射仪和地面气象观测站，分别进行协同探测影响区域能见度的多元因素。

多元因素，即为影响区域能见度的因素：大雾、霾和沙尘暴。

分别进行协同探测影响区域能见度的多元因素，即：遥感卫星是热红外遥感与被动微波遥感信息协同探测大雾；风廓线雷达、微波辐射计、大气透射仪和地面气象观测站对霾进行协同探测；毫米波雷达、粒子收集器、激光粒子分析仪协同对沙尘暴进行协同探测；同步对大雾、霾和沙尘暴三个因素进行协同探测。

如图2所示，

协同探测数据的采集，是收集有多源遥感设备协同探测的数据。

协同探测数据预处理，应用小波去噪方法的对收集有多源遥感设备协同探测的数据进行预处理。

多元数据的重构，将多元因素中的每个元的一维时序数据，都在相空间中重构。

建立预测模型进行预测，即是建立神经网络模型进行能见度的预测。如图3所示。

2.多源遥感设备

1）遥感卫星

“遥感”字面上可以简单地将遥感解释为“遥远的感知”；广义地讲，各种非接触的、远距离的探测和信息获取技术就是遥感；狭义地讲，遥感主要指从远距离、高空，以至外层空间的平台上，利用可见光、红外、微波等探测仪器，通过摄影或扫描、信息感应、传输和处理，从而识别地面物质的性质和运动状态的现代化技术系统。根据遥感传感器所在平台的不同，可以把遥感分为塔台遥感、车载遥感、航空遥感和卫星遥感等不同类型。卫星遥感以人造卫星为平台，根据作为平台的卫星与地球的相对位置关系可将卫星分为静止卫星(如静止气象卫星、静止通信卫星)和极轨卫星。

热红外遥感（ Thermal Infrared remote sensing ）是指传感器工作波段限于红外波段范围之内的遥感。探测波段一般在0.76-1000微米之间。是应用红外遥感器（如红外摄影机、红外扫描仪）探测远距离外的植被等地物所反射或辐射红外特性差异的信息，以确定地面物体性质、状态和变化规律的遥感技术。

所有的物质，只要其温度超过绝对零度，就会不断发射红外能量。常温的地表物体发射的红外能量主要在大于3μm的中远红外区，是热辐射。它不仅与物质的表面状态有关，而且是物质内部组成和温度的函数。在大气传输过程中，它能通过3-5μm和8-14μm两个窗口。热红外遥感就是利用星载或机载传感器收集、记录地物的这种热红外信息，并利用这种热红外信息来识别地物和反演地表参数如温度、湿度和热惯量等。

微波遥感用微波设备来探测、接收被测物体在微波波段（波长为一毫米至一米）的电磁辐射和散射特性，以识别远距离物体的技术。是六十年代后期发展起来的一门遥感新技术。与可见光、红外遥感技术相比，微波遥感技术具有全天候昼夜工作能力，能穿透云层，不易受气象条件和日照水平的影响；能穿透植被，具有探测地表下目标的能力；获取的微波图像有明显的立体感，能提供可见光照相和红外遥感以外的信息。具有重大的军事、经济意义，日益受到重视。由于微波的波长比可见光、红外线要长几百至几百万倍，因而，微波遥感器所获得的图像，空间分辨力较低。为提高微波遥感器的分辨力，正在用各种相干信号处理技术（如合成孔径技术）进行改进。

被动遥感则是利用微波辐射计或微波散射计等传感器接收自然状况下地面反射和发射的微波，通常不能形成影像。

2）毫米波雷达

毫米波雷达工作在毫米波段。通常毫米波是指30～300GHz频段(波长为1～10mm)。毫米波的波长介于厘米波和光波之间，因此毫米波兼有微波制导和光电制导的优点。同厘米波导引头相比，毫米波导引头具有体积小、质量轻和空间分辨率高的特点。与红外、激光、电视等光学导引头相比，毫米波导引头穿透雾、烟、灰尘的能力强，具有全天候(大雨天除外)全天时的特点。另外，毫米波导引头的抗干扰、反隐身能力也优于其他微波导引头。

根据毫米波雷达的特点，它容易满足以下的应用需求：

（1）高精度多维搜索测量：进行高精度距离、方位、频率和空间位置的测量定位；

（2）雷达安装平台有体积、重量、振动和其它环境的严格要求：毫米波雷达天线尺寸小、重量轻，容易满足便携、弹载、车载、机载和星载等不同平台的特殊环境要求；

（3）目标特征提取和分类识别：毫米波雷达高分辨力、宽工作频带、大数值的多普勒频率响应、短的波长易获得目标细节特征和清晰轮廓成像等特点，适于目标分类和识别的重要战术要求；

（4）小目标和近距离探测：毫米波短波长对应的光学区尺寸较小，相对微波雷达更适于小目标探测。除特殊的空间目标观测等远程毫米波雷达外，一般毫米波雷达适用于30km 以下的近距离探测。

3）粒子收集器

采用Grimm180粒子仪是德国GRIMM公司生产，该仪器有31个通道，利用激光散射原理可以精确地测量沙尘质量浓度和沙尘数浓度。Grimm180粒子仪的数据输出频率是1分钟，实时输出的数据包括：沙尘质量浓度（PM10、PM2.5），31个通道每分钟一升体积（表示为：1L/Min）内不同直径范围的粒子数。该仪器在本研究中主要用来验证由毫米波雷达反演的沙尘质量浓的准确性。

4）微波辐射计

采用的微波辐射计是中国兵器工业集团第206研究所生产的MWP967KV型地基多通道微波辐射计，该微波辐射计利用36个通道同时监测大气辐射亮温，在低空（高度小于500m）时，垂直距离库为50m；并且每4min中可以产生一组气温、相对湿度和液态水廓线，硬件结构稳定可以实时、有效、精细地探测霾天气的大气结构。

5）激光粒子分析仪

激光粒子分析仪是Malvern生产的，测量原理是利用发射激光穿过分散的颗粒样本，通过测量散射光的强度来计算粒子数浓度，然后形成颗粒分布。在本研究中，激光粒度仪主要用来分析Grimm180 粒子仪收集的沙尘暴粒子样本，得到当次样本的粒子概率分布函数。

5）风廓线雷达

风廓线雷达(wind profiler)主要是利用大气湍流对电磁波的散射作用对大气风场等物理进行探测的遥感设备。

根据天线制式的不同，风廓线雷达可以分为两大类:一类是采用相控阵天线的风廓线雷达，另一类是采用抛物面天线的风廓线雷达，相控阵风廓线雷达体制适用于各种高度的探测，成为目前普遍采用的技术体制。近年来，也出现了抛物面天线的风廓线雷达，但是由于发射功率等技术条件的限制，抛物面天线风廓线雷达的探测高度仅限于边界层。

风廓线雷达是通过向高空发射不同方向的电磁波束，接收并处理这些电磁波束因大气垂直结构不均匀而返回的信息进行高空风场探测的一种遥感设备。风廓线雷达利用多普勒效应能够探测其上空风向、风速等气象要素随高度的变化情况，具有探测时空分辨率高、自动化程度高等优点。在风廓线雷达基础上增加声发射装置构成无线电——声探测系统，可以遥感探测大气中温度的垂直廓线。

6）大气透射仪

采用的大气透射仪用于测量大气的能见度，它是芬兰 Vaisala 公司生产的LT31。LT31的结构组成，主要由发射单元、接收单元和天气现象传感器PWD组成。发射单元和接收单元用来测量大气的能见度，PWD用来LT31的自动校准。

3.小波去噪的数学原理

小波去噪方法主要是利用信号和噪声各自的特点，根据有效信号与噪声在进行小波分解时所表现出来的不同特征来进行去噪处理。去噪的主要任务是，最大可能的将实际信号与噪声信号分离开，保持实际信号的原有特征，恢复其真实性，去除噪声信号以达到去噪的目的。

小波阈值去噪的基本思想是：将含噪信号在各尺度上进行小波分解，保留大尺度低分辨率下的全部小波系数；对于各尺度高分辨率下的小波系数设定一个阈值，幅值低于该阈值的小波系数置为0，高于该阈值的小波系数完整保留或做相应的“收缩”处理，最后将处理后获得的小波系数利用逆小波变换进行重构，恢复出有用信号。

阈值函数体现了对小波系数进行处理的不同策略，当前，常用的阈值函数有硬阈值函数、软阈值函数和半阈值函数，它们的基本思想都是去除小幅值的系数，对幅值较大的系数进行收缩或保留。

阈值函数体现了不同的估计方法，针对软阈值、硬阈值和半阈值函数本身的缺点，

构造一种临界阈值函数：

现对临界阈值函数

(1)考虑x>0的情况：当x=λ时，f(x)=0；当x→∞时，f(x)→x-aλ。考虑x<0的情况：当x=-λ时，f(x)=0；当x→-∞时，f(x)→x-aλ。即临界阈值函数在∣x∣=λ处是连续的，随着∣x∣的增大，f(x)无限趋近于f(x)= x-aλ。

(2)X取任意值时，当a=0时，该函数趋近于渐近线f(x)= x，函数无限逼近硬阈值；当a=1时，该函数即为软阈值函数。a由0变化到1，临界阈值函数渐近线由f(x)= x变化到f(x)= x-λ，临界阈值函数将由硬阈值函数变化到软阈值函数。

(3)临界阈值函数中，当∣x∣≥λ时，∣x∣总是介于（∣x∣-λ，∣x∣-aλ）之间，这样在一定程度上既可以克服硬阈值函数去噪后存在的振荡问题，又可以克服软阈值函数去噪失真的问题。

新阈值函数在小波域内是连续的，且具有连续的高阶导数，便于进行数学处理。参数在1和0之间灵活选择，既可以减小软阈值方法中产生的恒定偏差，也可以弥补硬阈值方法的不连续性，因此可以更好的消除噪声，发挥阈值消噪的优势。

4.具体介绍整体方案

基于上述说明，进一步说明整体方案。

基于大雾收集到的数据，分别构建①不同时刻各个大雾天气影响因子的时间序列数据；②不同时刻是否发生大雾的时间序列数据，发生大雾记为1，未发生大雾记为0。

同样，基于霾收集到的数据，分别构建①不同时刻各个霾天气影响因子的时间序列数据；②不同时刻是否发生霾的时间序列数据，发生霾记为1，未发生霾记为0。

同样，基于沙尘暴收集到的数据，分别构建①不同时刻各个沙尘暴天气影响因子的时间序列数据；②不同时刻是否发生沙尘暴的时间序列数据，发生沙尘暴记为1，未发生沙尘暴记为0。

另外，需要收集不同时刻的能见度数据。

这里需要说明的是，大雾、霾、沙尘暴和能见度的数据的测量时刻都是一一对应的，并且为了保证数据的有效性，数据量不宜过小，通常取时序数大于2000，并且发生大雾、霾、沙尘暴的时刻数分别大于300。

综合大雾收集到的数据、霾收集到的数据、沙尘暴收集到的数据，以及能见度数据，构成协同探测数据。

一、首先，对协同探测数据进行预处理，比如通过小波去噪去除掉部分无效数据，得到预处理后的多元因素一维时序数据。

对多元因素一维时序数据进行重构分三组分别进行：①第一组为大雾组，大雾组包括：a.不同时刻各个大雾天气影响因子的时间序列数据，b.不同时刻是否发生大雾的时间序列数据，c.能见度数据；②第二组为霾组，霾组包括：a.不同时刻各个霾天气影响因子的时间序列数据,b. 不同时刻是否发生霾的时间序列数据,c. 能见度数据；③第三组为沙尘暴组,沙尘暴组包括：a. 同时刻各个沙尘暴天气影响因子的时间序列数据，b. 不同时刻是否发生沙尘暴的时间序列数据，c. 能见度数据。

二、基于混沌相空间进行重构，推测混沌相空间下未来k个时刻区域能见度S0,是否发生大雾，是否发生霾，是否发生沙尘暴。

相空间重构的基本原理是利用一组有限的观察数据在重构的相空间中把系统的原有海浊吸引子恢复出来，进而研究非线性动力学系统及其轨道的各种性质，其基本原理是：任何一个变量的演化都是由与其相互作用的其他变量所决定的。这些相关变量的信息存在于任何一个变量的演化过程中。这样，就可以从某－个分量的时间序列数提中提取或恢复原有系统的运动规律。因此，在重构一个相空间时只需考虑一个变量。通过该变量的长期演化过程即时间序列来分析系统的混沌现象。Takens证明由一个状态变量输出的观测时间序列及其适当的延时值所构成的维数合适的空间中，其非线性系统的动力学行为就可Ｗ由此空间中的点演化轨迹表达出来。这里将这个观测值和相应的参数所构成的空间称为重构相空间。这种以实际观测数据来构造等价相空间的方法叫相空间重构法。

（1）混沌相空间重构预测能见度包括如下步骤：

步骤1.11：基于是否发生大雾、是否发生霾、是否发生沙尘暴以及能见度四个变量分别确定混沌相空间参数的嵌入维数和延迟时间；

基于下述原理确定嵌入维数，对于给定的时间序列

这里需要说明下，所有变量数据是连续的，并且间隔时间相等，四个变量的嵌入维数分别是m1,m2,m3和m4，则输入样本为（m1+m2+m3+m4）维；

步骤1.12：利用主成分分析法进行维度的降低，只保留一定贡献度的m’维作为嵌入函数；

步骤1.13：以经过相空间重构和降维处理后的混沌时间序列是否发生大雾、是否发生霾、是否发生沙尘暴以及能见度作为Elman网络的输入，神经网络输出未来k个时刻是否发生大雾、是否发生霾、是否发生沙尘暴以及能见度的仿真结果。

这里，Elman网络首先将中间层神经元数目设定为１，依次增加中间层神经元数目，输入样本对网络进行训练，选取使得均方误差达到最小时的中间层神经元数目，即为中间层结构中确定的神经元数目。

三、基于神经网络法，推测是否发生大雾，大雾模型下的能见度S1，是否发生霾，霾模型下的能见度S2，是否发生沙尘暴，沙尘暴模型下的能见度S3。

（1）基于神经网络法，预测是否发生大雾，包括如下步骤：

步骤2.11：收集大雾天气影响因子作为数据集P1，将数据集分为训练集P11和预测集P12，以是否发生大雾作为数据集Y1；

这里大雾天气影响因子具体取的是温度、湿度、气压和风速数据，Y1数据集中发生大雾记为1，未发生大雾记为0，训练集和预测集的比例取3:1。

步骤2.12：分别对训练集P11和预测集P12进行归一化处理，得到归一化处理后的P11’和P12’;

步骤2.13：以P11’作为BP神经网络的输入，Y1作为BP神经网络的输出，初始化BP神经网络；

步骤2.14：使用归一化处理后的测试集P12’进行测试，测试结果误差不满足预设条件，则重新划分训练集和测试集，再次对权值和阈值进行优化，重复步骤2-步骤4，误差满足预设条件，完成测试；

其中，模型学习次数为600，精确度为0.01，BP神经网络中隐含层个数h采用下述公式计算：

其中h为隐含层神经元个数，

这里，大雾天气影响因子取温度、湿度、气压和风速数据，输出为是否发生大雾时，L=4，K=1，a取1.2。

模型的隐含层和输出层均使用sigmoid函数为激活函数，如下：

其中，f为输入层和隐含层的函数关系，或者隐含层和输出层的函数关系。

隐含层第h个神经元接收到的输入为：

其中，

输出层第j个神经元接收到的输入为：

其中，

步骤2.15：实时监测大雾天气影响因子实时数据，基于BP神经网络模型对是否发生大雾进行预测。

（2）基于神经网络法，预测大雾模型下的能见度S1，包括如下步骤：

步骤2.21：收集大雾天气影响因子作为数据集P1，将数据集分为训练集P11和预测集P12，以能见度作为数据集Y2；

这里大雾天气影响因子具体取的是温度、湿度、气压和风速数据，训练集和预测集的比例取3:1。

步骤2.22：分别对训练集P11和预测集P12进行归一化处理，得到归一化处理后的P11’和P12’;

步骤2.23：以P11’作为BP神经网络的输入，Y2作为BP神经网络的输出，初始化BP神经网络；

步骤2.24：使用归一化处理后的测试集P12’进行测试，测试结果误差不满足预设条件，则重新划分训练集和测试集，再次对权值和阈值进行优化，重复步骤2-步骤4，误差满足预设条件，完成测试；

其中，模型学习次数为1000，精确度为0.01，BP神经网络中隐含层个数h采用下述公式计算：

其中h为隐含层神经元个数，

这里，大雾天气影响因子取温度、湿度、气压和风速数据，输出为大雾模型下的能见度，L=4，K=1，a取2.7。

模型的隐含层和输出层均使用sigmoid函数为激活函数，如下：

其中，f为输入层和隐含层的函数关系，或者隐含层和输出层的函数关系。

隐含层第h个神经元接收到的输入为：

其中，

输出层第j个神经元接收到的输入为：

其中，

步骤2.25：实时监测大雾天气影响因子实时数据，基于BP神经网络模型对该模型下能见度进行预测。

（3）基于神经网络法，预测是否发生霾，包括如下步骤：

步骤2.31：收集霾天气影响因子作为数据集P2，将数据集分为训练集P21和预测集P22，以是否发生霾作为数据集Y3；

这里，训练集和预测集的比例取3:1，霾天气影响因子具体取的是环境温度和气溶胶粒子浓度数据，数据集Y3中发生霾记为1，未发生霾记为0。

步骤2.32：分别对训练集P21和预测集P22进行归一化处理，得到归一化处理后的P21’和P22’;

步骤2.33：以P21’作为BP神经网络的输入，Y3作为BP神经网络的输出，初始化BP神经网络；

步骤2.34：使用归一化处理后的测试集P22’进行测试，测试结果误差不满足预设条件，则重新划分训练集和测试集，再次对权值和阈值进行优化，重复步骤2-步骤4，误差满足预设条件，完成测试；

其中，模型学习次数为600，精确度为0.01，

BP神经网络中隐含层个数h采用下述公式计算：

其中h为隐含层神经元个数，

这里，霾天气影响因子取环境温度和气溶胶粒子浓度数据，输出为是否发生霾，L=2，K=1，a取1.4。

模型的隐含层和输出层均使用sigmoid函数为激活函数，如下：

其中，f为输入层和隐含层的函数关系，或者隐含层和输出层的函数关系。

隐含层第h个神经元接收到的输入为：

其中，

输出层第j个神经元接收到的输入为：

其中，

步骤2.35：实时监测霾天气影响因子实时数据，基于BP神经网络模型对该模型下是否发生霾进行预测。

（4）基于神经网络法，预测霾模型下的能见度S2，包括如下步骤：

步骤2.41：收集霾天气影响因子作为数据集P2，将数据集分为训练集P21和预测集P22，以能见度作为数据集Y4；

这里，训练集和预测集的比例取3:1，霾天气影响因子具体取的是环境温度和气溶胶粒子浓度数据，数据集Y4中发生霾记为1，未发生霾记为0。

步骤2.42：分别对训练集P21和预测集P22进行归一化处理，得到归一化处理后的P21’和P22’;

步骤2.43：以P21’作为BP神经网络的输入，Y4作为BP神经网络的输出，初始化BP神经网络；

步骤2.44：使用归一化处理后的测试集P22’进行测试，测试结果误差不满足预设条件，则重新划分训练集和测试集，再次对权值和阈值进行优化，重复步骤2-步骤4，误差满足预设条件，完成测试；

其中，模型学习次数为1000，精确度为0.01，

BP神经网络中隐含层个数h采用下述公式计算：

其中h为隐含层神经元个数，

这里，霾天气影响因子取环境温度和气溶胶粒子浓度数据，输出为是否发生霾，L=2，K=1，a取2.6。

模型的隐含层和输出层均使用sigmoid函数为激活函数，如下：

其中，f为输入层和隐含层的函数关系，或者隐含层和输出层的函数关系。

隐含层第h个神经元接收到的输入为：

其中，

输出层第j个神经元接收到的输入为：

其中，

步骤2.45：实时监测霾天气影响因子实时数据，基于BP神经网络模型对该模型下能见度进行预测。

（5）基于神经网络法，预测是否发生沙尘暴，包括如下步骤：

步骤2.51：收集沙尘暴天气影响因子作为数据集P3，将数据集分为训练集P31和预测集P32，以是否发生沙尘暴作为数据集Y5；

这里，训练集和预测集的比例取3:1，沙尘暴天气影响因子具体取的是环境温度和气溶胶粒子浓度数据，数据集Y5中发生沙尘暴记为1，未发生沙尘暴记为0。

步骤2.52：分别对训练集P31和预测集P32进行归一化处理，得到归一化处理后的P31’和P32’;

步骤2.53：以P31’作为BP神经网络的输入，Y5作为BP神经网络的输出，初始化BP神经网络；

步骤2.54：使用归一化处理后的测试集P32’进行测试，测试结果误差不满足预设条件，则重新划分训练集和测试集，再次对权值和阈值进行优化，重复步骤2-步骤4，误差满足预设条件，完成测试；

其中，模型学习次数为600，精确度为0.01，

BP神经网络中隐含层个数h采用下述公式计算：

其中h为隐含层神经元个数，

这里，沙尘暴天气影响因子取平均风速、极大风速、风向、前24h累计降水量、湿度，输出为是否发生沙尘暴，L=5，K=1，a取3.3。

模型的隐含层和输出层均使用sigmoid函数为激活函数，如下：

其中，f为输入层和隐含层的函数关系，或者隐含层和输出层的函数关系。

隐含层第h个神经元接收到的输入为：

其中，

输出层第j个神经元接收到的输入为：

其中，

步骤2.55：实时监测沙尘暴天气影响因子实时数据，基于BP神经网络模型对该模型下是否发生沙尘暴进行预测。

（6）基于神经网络法，预测沙尘暴模型下的能见度S3，包括如下步骤：

步骤2.61：收集沙尘暴天气影响因子作为数据集P3，将数据集分为训练集P31和预测集P32，以能见度作为数据集Y6；

这里，训练集和预测集的比例取3:1，沙尘暴天气影响因子具体取的是环境温度和气溶胶粒子浓度数据，数据集Y6中发生沙尘暴记为1，未发生沙尘暴记为0。

步骤2.62：分别对训练集P31和预测集P32进行归一化处理，得到归一化处理后的P31’和P32’;

步骤2.63：以P31’作为BP神经网络的输入，Y6作为BP神经网络的输出，初始化BP神经网络；

步骤2.64：使用归一化处理后的测试集P32’进行测试，测试结果误差不满足预设条件，则重新划分训练集和测试集，再次对权值和阈值进行优化，重复步骤2-步骤4，误差满足预设条件，完成测试；

其中，模型学习次数为1000，精确度为0.01，

BP神经网络中隐含层个数h采用下述公式计算：

其中h为隐含层神经元个数，

这里，沙尘暴天气影响因子取平均风速、极大风速、风向、前24h累计降水量、湿度，输出为能见度，L=5，K=1，a取3.3。

模型的隐含层和输出层均使用sigmoid函数为激活函数，如下：

其中，f为输入层和隐含层的函数关系，或者隐含层和输出层的函数关系。

隐含层第h个神经元接收到的输入为：

其中，

输出层第j个神经元接收到的输入为：

其中，

步骤2.65：实时监测沙尘暴天气影响因子实时数据，基于BP神经网络模型对该模型下能见度进行预测。

四、基于混沌相空间重构法和神经网络法的结果进行能见度的估算，具体如下：

a.当混沌相空间重构法和神经网络法均预测到出现霾时，能见度取S2和S0的平均值；

b.当混沌相空间重构法预测到出现霾，而神经网络法未预测到出现霾时，能见度取S0；

c.当神经网络法预测到出现霾，而混沌相空间重构法未预测到出现霾时，能见度取S2；

d.当混沌相空间重构法和神经网络法均未预测出现霾，而神经网络法预测大雾和沙尘暴同时发生，则能见度取S0、S1和S3的平均值；

e.当混沌相空间重构法和神经网络法均未预测出现霾，而神经网络法预测出现大雾，未出现沙尘暴时，能见度取S0和S1的平均值；

f.当混沌相空间重构法和神经网络法均未预测出现霾，而神经网络法预测未出现大雾，出现沙尘暴时，则能见度取S0和S3的平均值；

g.当混沌相空间重构法和神经网络法均预测大雾、霾和沙尘暴不会发生时，能见度取S0、S1、S2和S3的平均值。

最后说明，本发明未能详细解释该领域技术人员所有公认常识，以上所述仅为本发明的一个具体实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。