基于机器学习和WRF模式的近地大气光学湍流强度估算

发布时间：2023-02-16 17:46

　　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_n²是大气光学湍流强度的重要描述参量。实测手段获取C_n²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_n²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_n²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_n²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

【文章页数】：83 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 大气光学湍流的研究进展
        1.2.2 基于机器学习估算大气光学湍流强度的研究现状
    1.3 论文研究内容及结构安排
    1.4 论文创新点
第二章 基础理论介绍
    2.1 大气湍流概述
        2.1.1 大气湍流概念
        2.1.2 大气折射率结构常数
    2.2 大气光学湍流强度模型
        2.2.1 边界层湍流
        2.2.2 自由大气湍流
    2.3 机器学习基本介绍
    2.4 本章小结
第三章 近地大气光学湍流参数化模型训练及验证
    3.1 数据预处理与模型评估指标
        3.1.1 数据预处理
        3.1.2 模型评估指标
    3.2 基于后向传播神经网络估算大气光学湍流强度
        3.2.1 后向传播神经网络算法介绍
        3.2.2 估算模型构建
        3.2.3 结果与分析
    3.3 基于支持向量回归机估算大气光学湍流强度
        3.3.1 支持向量机算法介绍
        3.3.2 估算模型构建
        3.3.3 结果与分析
    3.4 基于K-近邻估算大气光学湍流强度
        3.4.1 K-近邻算法介绍
        3.4.2 估算模型构建
        3.4.3 结果与分析
    3.5 三种估算模型对比分析
    3.6 本章小结
第四章 BP估算模型结合WRF模式估算近地大气光学湍流强度
    4.1 WRF基本介绍
    4.2 WRF气象参数数值模拟
        4.2.1 WRF模式参数设置
        4.2.2 气象参数数值模拟结果
    4.3 模拟气象参数结合BP模型估算大气光学湍流强度
    4.4 本章小结
第五章 总结与展望
    5.1 主要研究内容总结
    5.2 后续研究展望
参考文献
致谢
作者简介



本文编号：3744220