弱信号亮温光谱的污染气体快速识别算法

汪嘉林,熊伟,李大成,吴军

(中国科学院合肥物质科学研究院安徽光学精密机械研究所,中国科学院通用光学定标与表征重点实验室,安徽 合肥 230031)

0 引言

随着社会的发展,环境保护以及空气污染面临巨大的挑战,尤其是当化学工厂存在污染气体泄露时,对污染气体的快速实时监测非常重要。傅里叶变换红外遥感技术在突发气体泄漏的实时监测方面有着得天独厚的优势,可以有效保障人身安全并减小财产损失[1]。

早期采用的多是主动红外遥测技术,也就是点接触式采样探测方法。主动红外探测技术有很多局限性,需要在现场提前探测背景层的亮温光谱数据,这在处理突发气体泄漏时不够及时,无法实时监测气体的泄露情况。相对于主动红外探测技术,被动红外探测技术不需要在背景层处提供主动红外光源,光谱仪可以直接接收红外辐射信号[2]。这种方式的优点是可以随时移动探测设备位置,并且探测距离可以随意改变,在处理突发的气体泄露、机动车辆排放的尾气监测、化工厂的有害气体泄漏检测等方面具有广泛的应用前景[3]。

现有的算法是基于主成分分析的算法,在大气干扰较小时取得不错的结果,并且已经应用于现有产品。但是在水汽、臭氧以及二氧化碳具有很大的干扰时,对于目标气体的识别偶尔会出现误报或者不报的现象,因此如何扣除大气水分、臭氧和二氧化碳等气体的干扰就显得很有现实意义。本文基于经典的三层探测模型,利用改进的动量梯度下降法对实测的亮温光谱进行快速的光谱拟合。该方法不需要预先测得背景光谱,能直接从实测光谱中扣除掉大气主要常量气体和天空等背景的干扰,在提取污染气体成分以及浓度的同时,能实时得到大气中主要气体的浓度程长积,从而克服了低空背景下弱信号的污染气体识别一直无法得到准确预警的难题。

1 实验方案与装置

1.1 被动遥感模型

红外光谱仪对气体进行探测时,实测的光谱信号包含了光谱仪视场中的背景信号以及传输路线上的大气信号。将污染气体探测模型简化为图1中的三层模型[4-6],下面对三层模型做简要的介绍[7]。

图1 污染云团被动遥感模型示意图Fig.1 Passive infrared remote sensing of pollutant gases

为了简单起见,假设各层之间大气浓度均匀分布。在三层模型中,仪器探测到的光谱辐射亮度L1为

式中τi(i=1,2)为第i层透过率,Bi(i=1,2)为第i层探测温度下对应的黑体辐射亮度,L3为低空背景的辐射亮度。

假设没有污染气体云团时,进入光谱仪的辐射亮度理论上应该为

式(1)与式(2)的差值ΔL就认为是污染气体云团的光谱特征:

实际环境背景下,小目标云团与近邻大气的热交换很快,因此第一层与第二层之间的温度默认是相等的,即B1=B2。那么式(3)就变为

如果已经测得L0,那么就可以得到目标云团的差谱信息,根据差谱信息就可以识别出气体种类。实际上被动遥感模型并不直接测量L0,根据L0的实际物理意义以及三层模型可以模拟出L0的值。低空背景下大气的温度可以通过很多方法快速得到,如果已知差谱信息,根据式(4)就可以计算出目标气体的透过率τ2,那么目标云团的吸光度A为

根据目标云团的吸光度可以对目标气体进行定量分析。但是被动红外探测技术无法预先知道目标云团的背景光谱L0,因此本研究给出了一种全新的算法,不依赖于预先测量的背景光谱信息,而且有别于其他的被动红外探测算法。

1.2 算法

现有的算法是基于亮温光谱的红外背景压缩算法,原理是认为背景辐射在亮温光谱上是缓变的基线,建立光谱参考矩阵K,并利用MODTRAN软件模拟大气干扰物特征,根据实际测量参数进行匹配计算得到污染气体的光谱特征,具体的算法流程在文献[7],下面只展示两种算法的结果对比。

弱信号亮温光谱是指大气中六种主要吸收气体对于亮温光谱的影响很大,从亮温光谱无法直接看出目标气体的吸收特征。图2给出弱信号光谱图和非弱信号光谱图的实际对比图,图2(a)是二氯甲烷的实测图谱,在波数位于[700,800]区间可以明显看出二氯甲烷的吸收峰。图2(b)是氨气的实测图谱,在波数位于[1000,1100]区间的峰是臭氧的吸收峰,但看不见明显的氨气吸收峰。

图2 仪器测量的光谱。(a)非弱信号亮温光谱;(b)弱信号亮温光谱Fig.2 Spectrum measured by instrument.(a)Non-weak signal brightness temperature spectrum;(b)brightness temperature spectrum of weak signal

虽然不能探知无污染气体时的辐射亮温曲线L0,但是无污染气体时的模型是已知的,可以利用动量梯度下降法来拟合L0,再根据普朗克公式转化为辐射亮温t,将实测亮温与t做差得到目标气体的特征。本算法所有的实验数据都是傅里叶遥测光谱仪实测的氨气泄露数据。根据辐射传输软件MODTRAN计算得到低平面大气1 km的大气主要气体的透过率以及氨气吸收特征峰,如图3所示。

图3 氨气的吸收峰(a)和1 km气体的透过率(b)Fig.3 Ammonia absorption peak(a)and transmittance of 1 km gas(b)

式中c2=1.4388;ν=[ν1,ν2,···,νN],是仪器测量的波数;τ=exp,l是探测距离,ki(i=1,2,···,6)分别为六种主要干扰气体水汽、臭氧、二氧化碳、二氧化硫、一氧化二氮和甲烷的浓度程长积值;T1为环境温度值;T3为背景温度值。改进的动量梯度下降法迭代公式为

式中参数δ是动量因子,取值为0.5;m是速度,初始速度取[0,1]之间的任意数字;μ是学习率,取值为0.05。

具体的算法如图4所示,具体流程如下:

图4 算法流程图Fig.4 Flow chart of algorithm

1)对实测光谱进行基线拟合得到背景温度的大致曲线T3。

2)根据背景温度与实测光谱在干扰气体的主要吸收峰附近的残差R给定六种大气参数的初始迭代值。

3)用动量梯度下降法迭代指定的次数得到一系列参数值ki(i=1,2,···,6)以及辐射亮温仿真值t。

4)根据主要的大气气体吸收波段分别计算残差R,在最小残差处固定参数。

5)重新调整背景温度使得代价函数最小,获取允许误差范围内的实际参数值ki(i=1,2,···,6)。

6)根据参数值计算得到无污染气体时的辐射亮温值t,其相当于主动式测量时的背景辐射亮温。

7)将实际测量的光谱E与t做差,得到污染气体的吸收特征,将吸收特征与仪器内部已经预存好的各种污染气体的吸收特征进行相关系数的匹配计算,从而识别出污染气体的种类。

整个算法中残差R具体的表达式为

式中O、H分别是臭氧和水汽的主要吸收波段对应的实测光谱的下标值。

2 实验结果与讨论

利用修改版的动量梯度下降法得到的结果如图5所示。图5(a)中蓝色实线是仪器实测的光谱,红色实线是基于动量梯度下降法拟合的亮温光谱。由图可知,亮温光谱除了局部波段稍有瑕疵,绝大部分波段拟合值都在误差允许范围内。而图5(b)是根据弱信号污染气体识别算法将实测光谱与仿真光谱做差值提取出来的氨气特征光谱,图5(c)是基于背景压缩算法提取出来的氨气特征光谱,结果表明本文算法提取的氨气特征比背景压缩算法更好。进一步针对现有仪器存在的少数未预警数据进行两种算法的结果比对。将729条数据的报警阈值画成黑白图,如图6所示,其中白色点代表的是正确预警的光谱信号,白点越多,说明算法越好。图6显示梯度下降法明显好于背景压缩法。由图5(b)可知,氨气的特征光谱已经很好地提取出来,对提取出来的氨气特征与数据库光谱特征进行匹配识别可以很准确地识别出大气污染气体的成分是氨气。由图5(b)可以看出反演光谱与实际光谱的差值是3K,也就是式(4)中的ΔL。已知氨气的吸收截面系数α以及算法计算得到的污染气体透过率τ2,根据式(5)可以计算出氨气的浓度程长积值CL是16.1625 cm-2。

图5 拟合和实测光谱(a)、弱信号污染气体识别算法提取的氨气吸收峰(b)以及背景压缩算法提取的氨气吸收峰(c)Fig.5 Fitting spectra and measured spectra(a),ammonia absorption peak extracted by weak signal pollution gas recognition algorithm(b)and ammonia absorption peak extracted by background compression algorithm(c)

图6 两种算法的对比。(a)压缩背景法;(b)动态梯度下降法Fig.6 Comparison of the two algorithms.(a)Background compression algorithm;(b)momentum gradient descent algorithm

对实测的亮温光谱进行解析得到大气中六种主要气体单独的亮温光谱曲线以及混合气体的拟合光谱曲线,如图7所示,其中1000～1100 cm-1波段吸收峰主要是臭氧的作用,每一种气体单独的亮温光谱都显示在图中。图7中亮温光谱的主要干扰成分是水汽、臭氧以及二氧化碳,其他三种气体的干扰微乎其微。根据图7的光谱图可进一步计算六种气体对应的透过率曲线,如图8(a)所示,图8(b)是总大气透过率曲线图。

图7 依据模型计算得到的单一气体的亮温光谱以及混合气体的拟合亮温光谱Fig.7 The brightness temperature spectra of single gas and the fitting brightness temperature spectra of mixed gas calculated by the model

图8 反演的透过率。(a)六种主要气体反演的透过率;(b)反演的总的透过率Fig.8 Inversion transmittance.(a)Retrieved transmittance of six main gases;(b)total inversion transmittance

根据辐射传输软件计算的标准1 km的数据,以及六种气体的吸收截面系数αi(i=1,2,···,6)和公式ki=lnτi/αi,i=1,2,···,6,计算每种气体实时的浓度程长积值ki(i=1,2,···,6),结果如表1所示。

表1 拟合得到的大气主要气体成分的参数值Table 1 Parameter values of the main gas components of the atmosphere obtained by fitting

3 结论

相比于传统的主动和被动红外探测技术,此文的算法在提取出弱信号气体的亮温光谱同时,给出了大气中主要六种气体的浓度程长积以及环境温度值。各个气体的吸收截面系数是已知的,如果知道了探测气体的距离,可以进一步得到低空背景下环境中的气体成分浓度,可以借此来监测大气中气体成分的实时变化值。该算法不仅在监测污染气体泄露方面发挥重要的作用,而且在监测碳排放以及大气中水蒸汽浓度方面也有广泛的应用前景。