1 苏州科技大学物理科学与技术学院, 江苏 苏州215009
2 江苏省微纳热流技术与能源应用重点实验室, 江苏 苏州215009
3 江南大学理学院, 江苏 无锡214122
4 中国航天科技集团公司上海卫星工程研究所, 上海 201109
遥感卫星在**和民用探测等领域发挥着重要作用,而大气湍流严重影响高分辨率遥感卫星的成像质量。本文重点研究了遥感卫星对地探测时,相机口径、卫星轨高和大气湍流强度对空间相机成像质量的影响。首先,基于球面波传输模型和Kolmogorov湍流理论,针对空对地探测湍流波前进行仿真。然后,分析畸变波前随相机口径、卫星轨高和大气相干长度的变化规律,并推导出普适公式。在此基础上,进一步推导出空间相机成像分辨率随相机口径、卫星轨高和大气相干长度变化的计算公式。最后,研究了大气湍流对空间相机调制传递函数(MTF)的影响,并以MTF=0.15为基准,仿真分析了MTF相对误差随相机口径、卫星轨高和大气相干长度的变化规律。本研究为高分辨率遥感卫星的设计、分析和评估提供理论依据。
高分辨率卫星 大气湍流 空对地观测 成像质量 high-resolution satellite atmospheric turbulence space-to-ground detection imaging quality
1 中国科学院南京天文仪器研制中心,江苏 南京 210042
2 中国科学技术大学,安徽 合肥 230022
3 中科院南京天文仪器有限公司,江苏 南京 210042
太阳望远镜内部因太阳辐射作用使镜面升温,镜面上方产生局部大气湍流,导致镜面视宁度不佳,从而造成像质的严重衰减。文中基于温度梯度和气体流动导致固体-流场的耦合作用,提出镜面视宁度效应的形成机制,建立湍流大气光学产生镜面视宁度效应的理论,利用1 550 mm大口径双曲面镜的实验数据推导并验证镜面视宁度的实验模型,并对太阳望远镜主镜温控目标进行确定。在自然对流和强迫对流两种条件下,不同环境风速时镜面温差改变对镜面视宁度的影响。结果表明:镜面温差和环境风速与镜面视宁度相关性很强,增加主动通风可以降低镜面视宁度。温差是4 ℃条件下,自然对流时镜面视宁度为 1.43″;温差是 3 ℃条件下,0.2 m/s 强迫对流时镜面视宁度为 0.44″,1 m/s 强迫对流时镜面视宁度为 0.27″。根据镜面视宁度效应容差标准,在0.2 m/s强迫对流条件下,镜面-空气温差应控制在0.2 K以下;在1.0 m/s强迫对流条件下,镜面-空气温差应控制在1 K以下。此研究成果旨在揭示空气湍流的形成机理与传播规律及其对望远镜像质退化影响规律,为提升大口径太阳望远镜工作分辨率奠定基础。
大气光学 镜面视宁度 大气湍流 太阳望远镜 弗劳德数 atmospheric optics mirror seeing atmospheric turbulence solar telescope froude number 红外与激光工程
2024, 53(1): 20230412
南京邮电大学 电子与光学工程学院、柔性电子(未来技术)学院,南京 210023
针对复杂大气湍流干扰、径向指数不为零的高阶复合拉盖尔-高斯(LG)光束模式识别准确率低的问题,提出一种基于卷积神经网络(CNN)的高阶复合LG光束的轨道角动量(OAM)模式识别方法,构建了一种基于CNN的OAM模式识别模型来研究复杂大气湍流条件下不同波长、不同传输距离对径向高阶复合LG光束模式识别准确率的影响。仿真结果表明:在复杂大气湍流情况下,当传输距离为1 km,CNN训练100次后,波长分别为850、1 310、1 550 nm的高阶复合LG光束模式识别准确率均达到98.8%以上;当波长为1 550 nm,传输距离分别为1、2、3 km时,该模型的模式识别准确率均达到86.8%以上。
轨道角动量 大气湍流 卷积神经网络 模式识别 orbital angular momentum, atmospheric turbulence,
面向特定湍流扰动风场建立参数化的湍流模型, 对于研究大气扰动影响下的飞行动力学和飞行安全问题具有重要意义。基于民航飞机飞行数据, 提出了大气湍流参数化建模方法。首先, 基于原始飞行数据推算出沿航迹的三轴扰动风分量, 并采用高斯过程回归分离出扰动风中的非湍流分量, 经统计检验提取出符合平稳性和正态性的湍流成分;其次, 基于极大似然估计建立湍流频域模型, 基于自回归过程建立湍流时域模型。实际飞行数据的试验表明, 所建立的参数化湍流模型能够实现湍流风场的定制化建模, 可以进一步应用于飞行安全分析和飞行参数估计。
大气湍流 飞行数据 高斯过程回归 极大似然估计(MLE) 自回归模型 atmospheric turbulence flight data Gaussian process regression Maximum Likelihood Estimation (MLE) auto regression model
光子学报
2023, 52(11): 1106002
1 南京邮电大学通信与信息工程学院,南京 江苏 210023
2 固体微结构物理国家重点实验室,南京 江苏 210008
衍射深度神经网络(D2NN)通过无源衍射层的深度学习,可实现快速高效的深度学习功能。利用多组不同湍流强度干扰下的轨道角动量(OAM)态和目标OAM态组成的训练数据集对设计的D2NN网络组件进行训练,更新和优化组件中各参数,直到由D2NN输出的OAM态与目标OAM态的平方误差损失函数达到预定的阈值,便可获得实现高速、高精度的OAM波前校正的D2NN组件。测试结果表明:D2NN迭代次数、衍射层数、训练参数的选择会对组件的校正速度和准确度产生影响,通过D2NN可以实现受大气湍流干扰的OAM态的高精度校正;当大气湍流强度为10-14 m-2/3、D2NN网络层层数为8时,组件性能最佳,其损失函数相比5层网络层的D2NN降低超过45.45%;而对于更强大气湍流的干扰,可以通过增加网络训练时的迭代次数来提高校正的准确度,迭代20次后损失函数的值降低率达到98.03%;对于湍流强度较弱的干扰,训练时采用纯相位参数,组件的性能更优;而对于强湍流的干扰,训练时采用相位参数与振幅参数两者相结合的方法,组件的性能更优;除此之外,OAM态的拓扑荷值越小,校正后的失真度越小。
衍射深度神经网络 无源衍射层 轨道角动量态 大气湍流 相位屏 光学学报
2023, 43(24): 2401008
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,中国科学院大气光学重点实验室,安徽 合肥 230031
回顾了湍流大气中光学成像分辨率研究的发展历程:Fried得到了Kolmogrov大气湍流中成像分辨率的理论公式,提出了一个光学工程中广泛应用的Fried参量r0;研究发现当成像系统的口径大于r0时,其成像分辨本领由r0决定;多位学者探讨了大气湍流外尺度对成像分辨率的影响,发现当外尺度与成像系统口径相仿甚至更小时,大气湍流的影响会大大减弱。因此大气湍流外尺度的定量获取至关重要。但由于大气湍流外尺度的定义是定性的,它与大气参数以及各种光传播效应参量之间没有清晰的联系,各种方法得到的结果的一致性有待深入分析,需要一个定量的定义,并进行系统的测量研究。
大气光学 大气湍流 光学成像 分辨本领 湍流外尺度 光学学报
2023, 43(24): 2400001
山东师范大学物理与电子科学学院山东省光场调控工程技术研究中心,山东 济南 250358
利用分数涡旋光束进行信息传输,可以大大提高通信系统的容量。但在接收端准确测定分数涡旋光束的模态,尤其在信道中存在湍流的情况下,存在一定的困难。本文提出了改进的残差网络(I-ResNet)以提高模态检测的正确率。实验结果表明,本文构建的网络能够准确地识别光束模态,且具有较好的泛化性。在传输距离为1500 m、弱湍流()、模态分辨率时,准确率可以达到100%;强湍流()、时,准确率可以达到96.5%。随着湍流强度或传输距离的增加,正确识别率下降。这些结果对自由空间光通信系统设计具有一定的指导意义。
分数阶涡旋光束 模态分辨率 改进的残差网络 大气湍流 光学学报
2023, 43(23): 2326001
上海理工大学 光电信息与计算机工程学院, 上海 200093
针对大气湍流环境下光学元件平面面形PV值测量这一问题。首先建立了一种大气湍流下斐索干涉仪的模型,通过该模型得到1000张干涉条纹图像; 然后提出了一种基于卷积神经网络估算PV值的方法,将干涉条纹图像作为卷积神经网络的输入,利用卷积神经网络提取图像的特征信息,得到PV值; 最后将得到的结果与ASTM计算得到的结果、相位解包裹得到的结果以及BP神经网络得到的结果进行对比,发现利用卷积神经网络的方法偏差为2.25×10-4λ,较ASTM、相位解包裹以及BP神经网络得到的结果偏差更小。实验结果表明此方法具有抗干扰性强、精度高、运算快的优点,是一种有效的抗大气湍流影响的光学检测方法。
大气湍流 平面面形测量 卷积神经网络 斐索干涉仪 atmospheric turbulence plane measurement convolutional neural network Fizeau interferomete
1 长春理工大学光电测控与光信息传输技术教育部重点实验室,吉林 长春 130022
2 长春理工大学计算机科学技术学院,吉林 长春 130022
在自由光空间通信领域,使用不同束腰半径组合的涡旋叠加光束可以在同一信道开销下传递更多信息。受大气湍流影响涡旋光束会发生相位扰动,进而影响其轨道角动量(OAM)模态识别。现有模型无法准确识别受随机大气湍流影响而发生扰动的OAM叠加光束模态。因此,提出一种基于注意力机制的深度学习识别方法。将注意力机制模块嵌入到VGG-16中,以提升模型对不同状态叠加光束模态的感知性能。另外为模拟湍流的真实状态,利用功率谱反演法模拟大气湍流,并使用次谐波补偿随机湍流屏的低频信息。同时,建立受到随机湍流影响发生相位扰动的OAM叠加光束数据集,利用该数据集训练所提模型。实验结果表明,在未知大气湍流强度条件下,对比传统方法,所提方法对OAM的识别准确率最高提升了4.46%。这表明了该模型对识别OAM叠加光束的有效性,以及良好的鲁棒性和较好的泛化能力,为识别OAM模态提供一种新的方法。
涡旋光束 轨道角动量 注意力机制 深度学习 大气湍流 激光与光电子学进展
2023, 60(23): 2306003