1 引言

水汽是气候和气象的重要因素,是水文循环系统中最活跃的成分之一^[1]。大气中的水汽含量是人工增雨的重要基础,长期以来水汽对气候的影响备受科学家关注^[2-3]。由于大气过程的连续性和变化性,利用测量的全天时大气水汽含量可以表征大气参数的时空变化情况,对于研究区域生态系统和社会经济有着重要的意义。因此,大气水汽的全天时探测不仅有助于对全球和区域气候变化、云的形成和降水的研究,而且可以为大气水资源的有效利用提供理论依据^[4]。

激光雷达凭借其高时空分辨率、高探测灵敏度和强抗干扰能力等优点,已成为一种有效的大气探测手段,在大气气象与环境探测中得到越来越广泛的应用^[5-9]。随着激光技术和弱信号检测技术的不断发展,拉曼激光雷达已成为探测大气水汽、气溶胶、温度等大气参数的重要手段之一。近年来,国内外众多科研机构和学者都开展了大气水汽探测拉曼激光雷达系统的研究工作,取得了较好的研究成果^[10-12]。

在全天时激光雷达探测中,仍然存在白天强背景光的问题。由于白天强太阳背景光的影响,极弱的拉曼散射信号极有可能会被污染甚至淹没在噪声里,因此,如何在强白天背景光中提取有用的弱拉曼散射信号,即白天强太阳背景光的去噪问题是全天时水汽探测的关键技术和难点之一。激光雷达回波信号包含有效信号以及各种噪声信号,具有非平稳的特性。目前,对激光雷达信号的去噪方法主要有均值滤波、经验模态分解(EMD)和小波分解等方法。近些年相关科研机构已开展了对激光雷达晚间探测回波信号的去噪研究。田力等^[13]通过分析对比获得了适合瑞利散射信号的小波分解层数、阈值选取规则及阈值函数,并利用软阈值法反演获得南京上空平流层28~46 km的温度廓线;Wu等^[14]证明了经验模态分解法可提高激光雷达信号信噪比(SNR);Tian等^[15]采用了EMD方法对激光雷达信号进行降噪;Yin等^[16]提出利用改进的小波阈值去噪法和小波域空间滤波相结合的去噪方法对激光雷达脉冲信号进行仿真分析。以上研究多针对夜间探测的激光雷达米散射和瑞利散射信号去噪问题,多集中在电噪声和白噪声的去除研究,而对白天背景光的去噪问题,尤其是针对极弱的拉曼散射回波信号的研究较少。近期,Zhou等^[17]针对白天强背景光下米散射激光雷达回波信号和噪声的特点,提出了利用小波软阈值法消除白天背景光和探测系统的电噪声,反演结果显示有效探测距离从2.5 km提高到5 km,证明了小波去噪方法在白天背景下对米散射激光雷达信号去噪的有效性。

相比于弹性米散射和瑞利散射信号来说,大气分子的拉曼散射信号要低3~4个数量级,如何在白天强背景光的影响下提取弱拉曼散射回波信号,将是本文着重讨论的问题。以全天时大气水汽探测为目标,从小波去噪原理出发,详细讨论了去噪过程中各去噪元素对白天实测水汽拉曼散射回波信号去噪结果的影响,以获得适用于弱拉曼散射信号的小波基函数、阈值和阈值函数,并开展全天时激光雷达探测实验和数据反演,通过比较和分析不同的评价方法,验证小波去噪算法的有效性和在全天时水汽探测中的可行性。

2 激光雷达系统及其数据处理方法

2.1 水汽探测拉曼激光雷达系统

采用的水汽探测拉曼激光雷达系统如图1所示。系统建于西安理工大学激光雷达大气遥感中心,主要系统参数如表1所示。表1中T代表透射率,R代表反射率。该系统采用Nd∶YAG脉冲激光器的3倍频输出作为激励光源,激光波长为354.7 nm,重复频率为20 Hz,激光能量为100 mJ。脉冲激光经扩束准直后射向大气,大气回波信号被直径为600 mm的望远镜接收,并耦合进入多模光纤,经透镜准直后进入由二向色镜和窄带干涉滤光片构成的高性能拉曼分光系统,可实现3个独立光通道信号的精细分光。其中通道1为米-瑞利散射通道;通道2、3分别为氮气和水汽拉曼散射通道,可结合用来反演大气水汽混合比。最后经光电倍增管(PMT,型号Hamamatsu R3896)探测各回波信号。考虑到全天时大气水汽探测中白天强太阳背景光的影响,采用直径为200 μm的光纤控制望远镜的接收视场范围,并采用带宽为0.5 nm的窄带滤光片进一步抑制背景光和杂散光。

图 1. 水汽探测拉曼激光雷达系统示意图

Fig. 1. Schematic of Raman lidar system for water vapor measurement

下载图片 查看所有图片

2.2 大气水汽反演方法

根据水汽混合比的定义,利用水汽和氮气分子的拉曼散射回波信号强度P_H(z)和P_N(z),可反演获得大气混合比随高度的变化,即

w(z)=CH×PHzPNzexp∫z0z[αλH(z')-αλN(z')]dz',(1)

式中C_H为系统的标定常数;α_λH(z')、α_λN(z')为水汽和氮气拉曼散射波长下的消光系数,指数表达式为大气透过率修正函数,与消光系数有关。因此,基于拉曼激光雷达的大气水汽混合比探测误差为Δw/w,与氮气拉曼散射通道和水汽拉曼散射通道的探测SNR (S_N和S_H)有关,可表示为

Δww=1SH2+1SN212,(2)

式中S_N和S_H可表示为

SNH=NnSznS(z)+2(nB+nD),(3)

式中N为平均采样脉冲数;n_S(z)为各通道接收的回波信号光子数,与各通道回波信号强度P有关;n_B为通道中的太阳背景光光子数;n_D为探测器的暗电流光子数。激光雷达探测得到的SNR是高度的函数,不同高度上的SNR不同,一般SNR随着探测高度的增加而降低。在白天探测时,太阳背景光是主要噪声。

2.3 小波阈值去噪方法与评价

小波阈值去噪方法已经广泛应用于信号分析、图像处理、语音识别、故障诊断等领域。含噪信号经过小波分解后,真实信号的小波系数幅值较大,而噪声的小波系数幅值较小。因此,通过在不同尺度上选取合适的阈值,对小波系数进行适当阈值化处理,即可分离有用信号和噪声,用处理后的小波系数进行小波逆变换,即可重构去噪后的信号^[18-21]。

激光雷达的含噪信号可以表示为

f(t)=s(t)+σe(t),1≤t≤M,(4)

式中s(t)为真实激光雷达信号,e(t)为一个服从正态分布的高斯白噪声,σ为噪声系数,M为离散采样序列f(t)的长度。对于激光雷达白天探测来说,e(t)主要是太阳背景光噪声和探测系统的电噪声。

含噪信号可表示为低频和高频信号的总和,即

f(t)=∑akj-1φ(2j-1t-k)+∑dkj-1ψ(2j-1t-k),(5)

式中∑ akj-1φ(2^j-1t-k)和∑ dkj-1ψ(2^j-1t-k)是f(t)的低频分量和高频分量,分别代表f(t)的近似信息和细节信息,其中 akj-1是逼近系数, dkj-1是小波系数(下文中简记为ω),φ(t)为尺度函数,ψ(t)为小波函数,可分别表示为

φ(2j-1t-l)=∑hk-2lφ(2j-k),(6)ψ(2j-1t-l)=∑(-1)kh̅1-k+2lφ(2j-k),(7)alj-1=12∑h̅k-2lakj,(8)dlj-1=12∑(-1)kh1-k+2lakj,(9)

式中k和j都为正整数,j为分解层数,k为信号和噪声的长度,l是和离散格点有关的正整数。h为滤波器函数,其值由选择的小波基决定; h̅为h函数的共轭函数。上述关系式各下标均表示了不同尺度下的各函数和系数的平移关系。最后信号的小波重构公式为

akj=∑hk-2lalj-1+∑(-1)kh̅1-k+2ldlj-1。(10)

因此,小波阈值去噪的基本步骤为:1)选取适当的小波基和分解层数对含噪信号f(t)进行小波分解,得到小波系数ω;2)选取阈值λ;3)对小波系数ω进行阈值处理,得到小波系数的估计值 ω˙;4)用小波逆变换对 ω˙进行重构,得到估计信号 f˙(t),即去噪后的信号。

通常,去噪前后效果可通过去噪SNR和均方根误差(RMSE)等评价函数分析获得。定义s_i为原始信号,d_i为去噪后的信号,n为信号长度,则去噪SNR可定义为

SQ=10lg∑i=1nsi2∑i=1n(si-di)2。(11)

RMSE的计算公式为

RMSE=∑i=1n(si-di)2n。(12)

可见,小波去噪SNR代表了去噪信号的平均SNR,与激光雷达系统的探测SNR不同。

3 白天探测水汽拉曼散射信号的去噪过程

利用图1 所示的地基式大气水汽探测拉曼激光雷达系统,开展全天时大气水汽探测与分析,本节将详细探讨白天探测所得大气水汽拉曼散射回波信号的去噪过程,具体分析在小波阈值去噪过程中不同小波基函数、分解层数、阈值获取方法以及阈值函数等因素对去噪效果的影响,并得出最优结论。以2016年9月12日中午11:20探测得到的水汽拉曼散射信号和米-瑞利散射信号作为分析对象,当天天气情况是晴,能见度约为20 km,激光器能量为100 mJ,累计积分时间为5 min。

3.1 小波基选取与分析

小波函数中有3种常见离散小波族,分别为Daubechies(db)小波族、Symlets(sym)小波族和Coiflets(coif)小波族。首先讨论不同的小波基对激光雷达信号去噪效果的影响。要说明的是,当分解层数过少时,不能有效去除噪声;当分解层数过多时,去噪后信号SNR反而下降。因此,考虑到噪声具有一定的频带宽度,随着层数的增加,噪声逐渐变弱,通常选择层数为3~6,根据经验采用分解层数为5层。

图2(a)中给出了利用不同小波基函数对水汽拉曼散射回波信号的去噪评价结果,其中上面3条符号曲线为别为3个小波族不同去噪长度下的去噪SNR,下面3条曲线则分别对应去噪RMSE曲线。可以看到,选用3个不同小波族进行去噪的SNR差异较大,而且,对于同一小波族函数,滤波器长度对去噪后的SNR影响也较大。当选用coif小波基函数时,随着去噪长度由1增大到5时,去噪SNR逐渐增大,由38.5提高至40,相对应地,去噪后的RMSE则逐渐降低。当选用sym和db小波族时,滤波器长度对去噪SNR影响较大,随着去噪滤波器长度的增加,去噪效果呈现先增强后下降再趋于平缓的趋势。总体来说,利用sym小波族的去噪得到的SNR均高于db小波族的去噪结果,尤其是当取sym6和sym7小波基时去噪SNR取得最大值,RMSE达到最小值。为了更直观地表示小波基对去噪结果的影响,选取几个代表性滤波器长度的小波基函数对白天探测水汽拉曼散射信号进行去噪分析,获得去噪前后的距离校正平方信号结果与对比,如图2(b)所示。为了清晰表示,对图2(b)中各曲线之间进行了一定的平移。从原始回波距离校正平方信号波形(黑实线)看,由于受到强噪声的影响,1500 m高度以上回波信号被淹没在噪声中,有效探测距离不足2000 m。当使用小波基sym2去噪后,回波信号产生了锯齿形状,较为不光滑,而利用db4、sym6和sym12小波基都较好地去掉了噪声,去噪结果信号较为光滑。此时,对应去噪后的SNR分别为38.95,40.07,39.28,RMSE分别为2.41×10^-7,1.86×10^-7,2.23×10^-7,可见利用小波基sym6进行小波阈值去噪时,去噪SNR最高,RMSE最小。

图 2. 一组白天探测水汽拉曼散射信号去噪前后对比。(a)采用不同滤波器长度的小波族去噪后SNR和RMSE比较; (b)去噪前后距离校正平方结果比较

Fig. 2. Comparison of water vapor Raman scattering signals before and after denoising detected in daytime. (a) SNR and RMSE denoised by wavelet basis with different filter lengths; (b) comparison of range-square-corrected results before and after denoising

下载图片 查看所有图片

为了考虑小波基选取的普遍性,在此对一组白天探测米-瑞利散射回波信号也进行了去噪效果分析。图3(a)分别给出了利用不同小波基函数对米-瑞利散射回波信号进行去噪的结果,可以看到,当选取不同滤波器长度的小波族进行去噪时,SNR和RMSE也存在较大的差异,当滤波器长度大于6时,利用sym小波族去噪SNR也均大于db小波族的结果,其中sym6的去噪SNR取得最大值,相对应的RMSE最小,为7.38×10^-8。图3(b)给出了利用几个代表性小波基函数对米-瑞利散射回波信号去噪前后的回波距离校正平方信号(RSCS)比较,图3(b)中同时给出了白天探测米-瑞利散射去噪前的原始回波距离校正平方信号,由于探测时段内在6000~7000 m处有云层,因此,详细分析了云层前后(对应高度为5500~8000 m)的去噪结果。黑线对应去噪前原始回波距离校正平方信号,其余各曲线分别对应利用sym2,sym6,sym12和db4小波基函数去噪后的距离校正平方信号,并进行了相应的平移。由图3可以清晰看到,当利用sym2小波基函数时,去噪后的结果在云层后(高度约为7000 m)出现了突变,并伴有锯齿波形,且不光滑。当利用db4和sym12小波基函数时,去噪后的结果在过云层后约7200 m高度处均出现了较大的畸变,引起了信号的失真。利用sym6小波基的去噪结果最为光滑,未出现明显突变和畸变,将其与原始信号进行对比,可以看出该结果较为真实地保留了信号,去除了噪声,去噪效果最佳。因此,以上对水汽拉曼散射信号和米-瑞利散射信号的去噪效果评价和回波信号波形对比的结果表明,使用sym6小波基函数可有效滤除白天背景光噪声,获得最佳的去噪效果,因此选择sym6小波基进行去噪。

图 3. 一组白天探测米-瑞利散射信号去噪前后对比。(a)采用不同滤波器长度的小波族去噪后SNR和RMSE;(b)去噪前后距离校正平方结果比较

Fig. 3. Comparison of Mie-Rayleigh scattering signals before and after denoising in daytime. (a) SNR and RMSE denoised by wavelet basis with different filter lengths; (b) comparison of range-square-corrected results before and after denoising

下载图片 查看所有图片

3.2 阈值函数对比与分析

在小波阈值去噪中,一般可利用硬阈值函数和软阈值函数对小波系数ω进行阈值处理,得到小波系数的估计值 ω˙。硬阈值函数由于 ω˙在λ和-λ处不连续,重构信号会产生一定振荡。软阈值函数虽然连续性好,但当小波系数较大时,得到的估计信号与原信号存在恒定偏差,因此,硬阈值函数和软阈值函数均存在着一些缺陷。而改进的阈值函数兼具了软硬阈值的优点,又克服了软硬阈值的缺陷,可获得更为理想的去噪效果,它通过调节因子α来获得连续变化且合适的阈值函数。利用软阈值、硬阈值和改进阈值函数对白天探测水汽拉曼散射信号进行去噪处理,得到去噪前后的水汽拉曼散射距离校正平方信号,结果如图4所示。可以看出,采用硬阈值函数去噪后的水汽信号出现弱振荡,由利用软阈值和改进阈值函数的小波去噪结果可以看出,曲线基本一致,且较为平滑。同时,图4中分别给出了去噪后SNR和RMSE的评价结果,通过比较可以发现,利用改进阈值函数去噪的SNR可达到49.66,高于硬阈值去噪和软阈值的去噪SNR(分别为44.15和46.22)。因此,综合考虑去噪前后回波信号波形和评价结果,利用改进阈值函数对白天水汽拉曼回波信号进行去噪,可得到更高的去噪SNR,且误差最小。

图 4. 利用不同阈值函数对白天水汽拉曼散射信号进行去噪的结果

Fig. 4. Denoising results of daytime water vapor Raman scattering signals denoised with different threshold functions

下载图片 查看所有图片

3.3 阈值选取与分析

常见的阈值估计方法主要有启发式阈值、自适应阈值、通用阈值、极大极小阈值和改进阈值选取方式。其中,通用阈值选取方式最为简单且应用广泛,但是存在“过扼杀”小波系数现象,在通用阈值基础上发展的改进阈值方法可获得不同分解尺度下不同的分解层阈值。利用上述5种阈值选取方法对白天探测水汽拉曼散射信号进行去噪分析。图5(a)给出了去噪前后水汽距离校正平方信号的比较结果,图5(a)中最下方黑线对应去噪前的水汽信号,依次往上分别对应启发式阈值、自适应阈值、通用阈值、极大极小阈值以及改进阈值的去噪结果。从整体波形上看,这5种阈值选取方法都达到了一定的去噪效果,但是,在2250 m高度处的水汽信号均出现了较大的畸变,尤其是当采用自适应阈值方法去噪后信号出现了明显的振荡现象,利用改进的阈值进行去噪的效果最佳,信号变化平缓且较光滑,未出现畸变等现象。同时,图5(b)也给出了利用不同阈值方法去噪后SNR和RMSE的比较结果。通过比较可以发现,利用自适应阈值得到的去噪SNR最高,RMSE最小,利用改进的通用阈值方法获得的去噪后SNR均高于其余阈值方法。因此,由波形和评价结果的对比可以看出,利用改进阈值方法更有利于获得较好的去噪效果。

图 5. 利用不同阈值获取方法对白天探测水汽拉曼散射信号进行去噪的结果。 (a) 距离校正平方信号; (b) SNR和RMSE

Fig. 5. Denoising results of water vapor Raman scattering signals denoised by different threshold acquisition methods in daytime. (a) RSCS; (b) SNR and RMSE

下载图片 查看所有图片

从米-瑞利散射信号的去噪过程中也可以获得同样的去噪结果,如图6所示。可以看出,利用改进的通用阈值方法得到的去噪后信号较为平滑,云层前后信号较为光滑,未出现强烈的失真,去噪后SNR也较高,误差较小。而利用其余4种阈值方法去噪后的结果分别在7000 m和7223 m高度处出现了明显的畸变信号,对应的SNR和RMSE如图6(b)所示,使用改进的通用阈值去噪后信号较光滑,SNR较高,RMSE较小。

此外,利用水汽拉曼激光雷达系统开展了大量的白天激光雷达探测实验,并对多组不同天气条件下白天探测大气回波信号进行了详细的去噪过程与结果分析。通过比较可以得到,当利用小波基sym6、分解层数为5层,并采用改进的阈值函数和改进通用阈值方法时,可高效滤除白天强太阳背景光,实现对白天探测水汽拉曼散射信号和米-瑞利散射信号的有效去噪。

图 6. 利用不同阈值获取方法对米-瑞利散射信号进行去噪的结果。 (a)距离校正平方信号; (b) SNR和RMSE

Fig. 6. Denoising results of Mie-Rayleigh scattering signals denosied by different threshold acquisition methods in daytime. (a) RSCS; (b) SNR and RMSE

下载图片 查看所有图片

4 白天探测水汽混合比的去噪验证

在白天探测时,利用水汽拉曼激光雷达系统,根据上述去噪算法进行水汽混合比的反演和结果分析。图7给出了2016年9月15日下午16:00 CST(中央时区)的激光雷达探测结果,图7(a)为去噪前后水汽通道和氮气通道回波信号距离校正平方信号及其对比,图7(b)对应去噪前后的水汽混合比廓线。通过比较可以看出,去噪前水汽通道探测的回波信号强度在2000 m以上出现了强烈波动,信号被淹没在噪声中。因此,该天气条件下水汽拉曼散射信号的探测距离仅达到2000 m,通过小波阈值去噪算法可有效去除水汽拉曼散射信号中的噪声,使得水汽通道的距离校正平方信号有了较大的改善,有效探测距离提高至3200 m,且去噪后信号较为光滑,在1800~2200 m之间水汽信号出现较小的波动,与原始信号波形相一致。同样,在去除白天背景光后,氮气通道的有效探测距离也得到提高。因此,利用(1)式反演获得大气水汽混合比廓线,如图7(b)所示,去噪后水汽混合比的反演高度可提高至3200 m,水汽混合比随着高度的升高而缓慢减小。利用(2)、(3)式分析了白天去噪前后水汽探测SNR随高度的变化趋势,结果如图7(c)所示。去噪前,2000 m以上高度的水汽探测SNR曲线呈现散点状,探测误差较大,小波阈值去噪后拉曼激光雷达探测水汽的SNR可提高约3.4倍,当SNR取10时,大气水汽混合比的有效探测高度从2000 m提高到3200 m,表明基于小波阈值算法可有效去除太阳背景光和其他噪声,提高了系统的探测SNR和探测高度,从而提高拉曼激光雷达系统在白天的探测性能。

图 7. 白天激光雷达探测去噪前后的结果比较。(a)水汽和氮气拉曼散射回波距离校正平方信号;(b)水汽混合比廓线; (c)水汽探测SNR

Fig. 7. Comparison of lidar detection results before and after denoising in daytime. (a) RSCS of water vapor and nitrogen Raman scattering; (b) water vapor mixing ratio profile; (c) SNR of water vapor detection

下载图片 查看所有图片

图8给出了小波去噪前后米-瑞利散射信号和水汽拉曼散射信号的回归关系,采用10组激光雷达数据进行去噪前后的比较,横坐标为去噪前的原始回波信号强度,纵坐标为去噪后的回波信号强度。可以明显看出,两组信号的线性相关性较好,拟合优度R²分别为0.999和0.995,同时两组信号小波去噪结果的F检验值分别为8.93×10⁷和2.45×10⁵,远大于F_0.01(1,N-2)=6.64,说明回归是高度显著的,上述2个参数从回归分析的角度也证明了小波阈值去噪算法对白天米-瑞利散射信号和水汽拉曼散射信号去噪的有效性。

图 8. 去噪前后激光雷达信号的回归关系。(a)米-瑞利散射信号; (b)水汽拉曼散射信号

Fig. 8. Regression relationship of lidar signal before and after denoising. (a) Mie Rayleigh scattering signal; (b) water vapor Raman scattering signal

下载图片 查看所有图片

5 大气水汽的全天时连续探测结果与分析

为了验证小波阈值去噪方法在全天时大气水汽探测中的去噪效果,依托西安理工大学激光雷达遥测中心的地基激光雷达系统开展了连续的全天时观测实验。图9给出了2016-09-22 00∶00-2016-09-23 00∶00的连续探测结果,历时24 h,图9(a)、(b)分别对应去噪前和去噪后反演获得的水汽混合比随时间和空间连续变化的THI (Time-Height-Indicator)。在2016-09-22 00∶00-06∶00 CST探测时段内水汽混合比随高度逐渐减少,底层大气水汽混合比较大,并随着时间推移呈现缓慢减小趋势,在2016-09-22 06∶00-07∶00时段内1000 m以下水汽混合比值最小。在2016-09-22 07∶00-18∶00 CST白天探测时段内,利用小波阈值算法去噪后大气水汽的有效探测距离由小于2000 m提高到3000 m以上,水汽混合比随时间变化,底层水汽呈现先增加后逐渐减小再增强的趋势。2016-09-22 18∶00后底层水汽混合比明显提高,达到5 g·kg^-1,同时1000~2500 m高度范围内大气水汽混合比也呈现快速增加趋势。因此,利用小波阈值去噪算法和大气水汽反演技术,实现了大气边界层内大气水汽的全天时探测,获得了大气水汽混合比的连续时空变化特性。

图 9. 2016-09-22 00∶00-2016-09-23 00∶00连续探测水汽混合比THI图的去噪前后结果比较。 (a) 去噪前; (b)去噪后

Fig. 9. THI displays of water vapor mixing ratio in 2016-09-22 00∶00-2016-09-23 00∶00 before and after denoising. (a) Before denoising; (b) after denoising

下载图片 查看所有图片

利用西安理工大学气象站数据,获得了24 h内近地面水汽混合比的变化趋势,如图10所示,近地面大气水汽混合比在探测时段内呈现先减小后增加、再明显增加的趋势。因此,利用拉曼激光雷达系统获得的全天时连续探测大气水汽混合比与近地面气象站数据具有较好的一致性。

图 10. 2016-09-22 00∶00-2016-09-23 00∶00气象站的水汽混合比变化

Fig. 10. Variation of water vapor mixing ratio taken by meteorological station in 2016-09-22 00∶00-2016-09-23 00∶00

下载图片 查看所有图片

6 结论

全天时大气参数的高精度探测一直是激光雷达遥感的技术难题,需解决全天时探测中白天强太阳背景光的去噪技术。从全天时大气水汽激光雷达探测技术出发,以如何在强白天背景光的影响下提取有用的水汽拉曼散射信号为目标,提出了一种基于小波阈值去噪算法的白天太阳背景光高精度滤波抑制方法。利用西安理工大学地基式全天时水汽探测拉曼激光雷达系统,从小波阈值去噪原理出发,详细讨论了分解层数、小波基函数、阈值函数以及阈值选取等因素对白天水汽拉曼散射信号去噪结果的影响,对激光雷达探测实测数据进行分析并对去噪评价函数进行对比,当利用小波基sym6、分解层数为5层,并采用改进的阈值函数和改进通用阈值方法的最优条件时,可获得对水汽拉曼散射回波信号和米散射信号较好的去噪效果,去噪后SNR提高,RMSE减小,真实地保留了原始信号,回波信号距离校正平方信号较为光滑,不失真。进行了白天探测水汽混合比的去噪验证,根据拉曼激光雷达水汽混合比反演方法和大气水汽探测SNR理论,通过去噪前后的结果比较和分析表明,利用最优条件的小波阈值去噪算法去噪后白天激光雷达水汽探测SNR可提高约3.4倍,水汽探测距离可从1.5~2 km提高至3 km以上,有效地提高了大气水汽探测SNR和探测高度,对大气水汽的全天时探测具有重要意义。

开展了全天时大气水汽的激光雷达连续探测实验,利用小波阈值去噪算法和大气水汽反演技术,实现了大气边界层内大气水汽的全天时探测,获得了大气水汽混合比的连续时空变化特性,并将其结果与近地面气象站数据进行比对,发现二者具有较好的一致性,充分验证了小波去噪算法应用于全天时大气水汽探测的可行性和有效性,所获得边界层内大气水汽混合比的连续高时空分辨率数据将为研究大气水汽的长期变化特性以及为降水、水循环等的研究提供可靠的数据支持。同时,可将该去噪方法应用于对温度转动拉曼散射信号等弱拉曼散射信号的去噪问题中,有望获得全天时的大气温度、水汽和气溶胶激光雷达探测,为大气气候变化以及雾霾生消过程的研究提供实时可靠的连续探测数据。