降低DOAS系统探测限的新型反演算法研究

差分吸收光谱法(DOAS)是一种高灵敏测量大气痕量气体成分含量的有效的光学遥感方法,该方法基于最小二乘拟合模型,利用获得的痕量气体的差分吸收光学密度与标准的吸收截面进行拟合,反演待测气体的浓度。建立了基于径向基(RBF)神经网络的痕量气体浓度反演的新模型,对网络的隐层参数采用改进最近邻聚类学习算法训练,对输出层权值的训练采用梯度下降算法,使得网络收敛快,能更好地实时、在线反演测量光谱。并针对DOAS技术的特点,把拟合残差输入网络集中训练,使得RBF网络在反演真实痕量气体吸收时,效果更佳。实验结果表明该新型反演方法提高了DOAS系统的反演精度,降低了DOAS系统的探测限。