Metode inversi untuk memecahkan Fredholm terpisahkan persamaan jenis

pertama telah ada selama 20 tahun. Metode awal untuk memecahkan ini
langsung masalah penginderaan di mana pertimbangan adalah diberikan kepada
masalah estimasi adalah teknik inversi linier dikembangkan oleh Phillips (1962)
dan Twomey (1963). Metode inversi ini, yang tiba di secara independen oleh
Tikhonov (1963), yang sering disebut sebagai terkendala inversi linier karena
mengandalkan pengenalan tambahan kondisi atau kendala, tidak berasal dari
pengukuran, yang memungkinkan salah satu set kemungkinan vektor solusi
untuk dipilih. Banyak aplikasi dibatasi inversi linear dapat ditemukan dalam
literatur. Ini termasuk kesimpulan dari atmosfer profil suhu dari radiometers
satelit-ditanggung (Wark dan Fleming, 1966; Glasko dan Timofeyev, 1968a, b),
inferensi dari distribusi vertikal ozon dari sinar matahari yang tersebar (Yarger,
1970), dan kesimpulan dari distribusi ukuran aerosol dari spektral pelemahan
(Yamamoto dan Tanaka, 1969; King et al, 1978.; Walters, 1980) atau cahaya
sudut hamburan (Dave, 1971; Byrne, 1978; Reagan et al,. 1980) pengukuran.
Dalam masing-masing masalah, seperti dalam fisika atau masalah rekayasa yang
melibatkan Fredholm terpisahkan persamaan jenis pertama, pengukuran dan
sering fungsi kernel dikenal dengan hanya akurasi yang terbatas. Selain itu,
sering ada yang tinggi derajat saling ketergantungan di antara beberapa kernel
fungsi yang mengarah ke solusi yang sangat berosilasi dan tidak memuaskan
karena tidak adanya yang cocok kendala. Dalam arti Bayesian ini muncul dari
pengetahuan sebelumnya samar solusi vektor f (x) dalam kuadratmengasumsikan hanya itu cc <f (x)
<Cc untuk semua nilai X. Bagi kebanyakan masalah mungkin ditemui dalam ilmu
atmosfer, seperti yang diuraikan di atas, kisaran ini untuk f (x) adalah tidak perlu
luas karena kebutuhan fisik menyatakan bahwa vektor solusi harus setidaknya
menjadi positif.
Selain kendala bahwa vektor solusi positif, itu adalah normal untuk mencari
solusi antara himpunan solusi yang mungkin yang halus yang dalam arti. Phillips
(1962) memperkenalkan kendala smoothing sedemikian rupa sehingga jumlah
dari kuadrat derivatif kedua dari titik solusi diminimalkan. Twomey (1977)
membahas banyak kendala yang mungkin dapat diterapkan dalam masalah
inversi linear dibatasi, tapi turunan kedua Phillips ' smoothing kendala tetap
menjadi salah satu yang paling populer dalam ilmu atmosfer. Di antara ahli
matematika kendala yang paling populer adalah bahwa jumlah tersebut dari
kuadrat poin solusi diminimalkan. Hal ini menyebabkan matriks kendala menjadi
identitas matriks dan disebut oleh Hoer1 dan Kennard (1970a, b) sebagai regresi
ridge, bukan dibatasi inversi linier. Perumusan masalah sebagai salah satu di
mana Lagrange non-negatif multiplier diperkenalkan sebagai sarana
memvariasikan kontribusi relatif dari matriks kernel dan matriks kendala tetap
sama.
Maksud dari tulisan ini adalah untuk menunjukkan sensitivitas inversi linear
dibatasi untuk pemilihan multiplier Lagrange dan untuk menunjukkan bagaimana
seseorang dapat memperoleh solusi berguna dalam inversi masalah dengan
tepat memilih nilai yang tepat (atau nilai-nilai) dari multiplier Lagrange. Masalah
dari menyimpulkan distribusi ukuran aerosol columnar dari spektral pengukuran
kedalaman optik telah dipilih sebagai contoh, meskipun metode yang akan

disajikan berlaku untuk kelas yang jauh lebih besar dari masalah. Sebuah
formula untuk menghitung varians dan covariances
dalam larutan inversi berasal dan diterapkan pengukuran kedalaman optik
diperoleh di Universitas Arizona dan di Goddard Space Flight Center.
2
Banyak masalah penginderaan jauh dapat dinyatakan dalam bentuk
[ ]
di mana fungsi g (y) diukur dan indicial Fungsi f (x) adalah untuk disimpulkan.
Sangat sedikit inversi masalah dapat ekspresi untuk f (x) ditulis analitis sebagai
fungsi g (y), dan dengan demikian numerik Pendekatan harus diikuti. Phillips
(1962) berpendapat bahwa dalam masalah praktis Fredholm terpisahkan
persamaan jenis pertama harus ditulis kembali sebagai
[ ]
dimana fungsi c (y) muncul dari pengukuran kesalahan serta setiap
ketidakpastian mengenai tepat bentuk fungsi kernel K (x, y). Jika kita mengukur g
(y) pada p nilai diskrit dari y, dan ingin menyimpulkan f (x) di q nilai diskrit dari x,
sistem persamaan linear Hasil yang dapat ditulis sebagai
[ ]
Dalam ungkapan ini adalah sebuah (X q p) representasi matriks fungsi kernel
yang berisi faktor bobot yang nilainya tergantung pada rumus quadrature bekas.
Meskipun kesalahan kuadratur dapat berkontribusi besarnya tidak diketahui
vektor kesalahan t, kesulitan yang dihadapi dalam masalah inversi jarang
disebabkan oleh hilangnya akurasi untuk pergi dari integral jumlah terbatas
(Twomey, 1977).
Hal ini juga diketahui bahwa masalah terbalik di mana radiasi persamaan
integral Fredholm mengekspresikan g (y) sebagai fungsi dari f negara atmosfer
(x) adalah terbalik untuk mengekspresikan keadaan atmosfer dalam hal radiasi
sakit-diajukan, yaitu, tidak ada solusi matematis yang unik. Hal ini menyebabkan
Phillips (1962) untuk masalah estimasi di mana seperangkat kriteria yang sesuai
diperkenalkan untuk menentukan yang terbaik dan solusi fisik yang paling di
antara keluarga solusi yang memuaskan (3). Twomey (1977) menunjukkan
bahwa Kendala Phillips 'di mana jumlah kuadrat dari turunan kedua dari titik
solusi adalah diminimalkan hanya salah satu dari banyak langkah-langkah dari
kehalusan yang dapat dipilih, dan ukuran kelancaran dapat secara umum ditulis
sebagai FHF, di mana H biasanya matriks dekat-diagonal yang sederhana dan di
mana ' superscript T menunjukkan matriks transposisi. Solusi vektor f kemudian
diperoleh dengan meminimalkan fungsi kinerja Q, yang didefinisikan sebagai
[ ]
Dalam ungkapan ini y adalah Lagrange non-negatif multiplier dan S, kovarians
matriks pengukuran. Ini mengikuti dari teorema Gauss-Markov (lihat, misalnya,
Liebelt, 1967) dan dengan demikian nilai minimum Q merupakan estimasi
statistik optimal lepas.
Solusi vektor f yang (4) adalah minimum adalah mudah terbukti
[ ]
Untuk kasus di mana kesalahan statistik dalam pengukuran diasumsikan sama
dan berkorelasi, S, mengurangi ke S21, di mana s2 mewakili sampel varians
untuk fit regresi dan saya adalah identitas matriks. Dengan asumsi ini,

Persamaan. (7) mengurangi ke bentuk akrab diperoleh Twomey (1963), yang

diberikan oleh
[ ]
mana s2 telah dimasukkan ke dalam besarnya y.
Persamaan setara dengan (7) telah diturunkan atau diterapkan oleh Liebelt
(1967) Strand dan Westwater (1968), Westwater dan Strand (1968) Rodgers
(1970, 197 1) dan DeLuisi dan Mateer (1971) di konteks teori estimasi statistik,
dan Raja et al. (1978) dan Twomey (1977) dalam konteks inversi linear dibatasi.
Dalam kasus mantan YH adalah digantikan oleh kebalikan dari perkiraan apriori
solusi kovarians matriks, dan dalam pengertian ini berfungsi tujuan yang sama
sebagai matriks kendala dan belum ditentukan Lagrange multiplier (Rodgers,
1976).
Dalam menerapkan baik (7) atau (8) untuk solusi dari Masalah terbalik perlu
untuk memilih nilai untuk y. Banyak metode yang berbeda telah digunakan untuk
menentukan multiplier Lagrange. Yarger (1970) dan Dave (1971) berdasarkan
pilihan mereka pada 7 besarnya eigenvalue maksimum ATA sejak, untuk kasus
khusus di mana H sama dengan matriks identitas I, nilai eigen dari ATA + yl
hanya yang eigen dari ATA bertambah y. Ini adalah berguna metode untuk
memahami sifat kendala tetapi tidak menjamin baik solusi positif atau
mengizinkan ekstensi mudah untuk bentuk lain dari H matriks. Twomey (1977)
merekomendasikan memilih nilai terkecil y yang mengarah ke fit sisa Z, Ei2 yang
merupakan estimasi atas aman dari keseluruhan kesalahan dalam g karena
semua penyebab (kesalahan eksperimental, kesalahan quadrature, dll).
Meskipun kriteria ini berguna untuk mengisolasi besarnya perkiraan y, itu tidak
cukup untuk menjamin menemukan solusi atau bahwa solusi sekali ditemukan
adalah definit positif. Peneliti lain (misalnya, Yamamoto dan Tanaka, 1969)
memiliki Studi simulasi dilakukan dari mana "terbaik" nilai y ditentukan, nilai
yang disimpan tetap untuk semua analisis berikutnya dari data eksperimen.
Sejak y memasuki (7) sedemikian rupa bahwa unsur-unsur dari YH yang akan
ditambahkan ke ATS; 'A untuk menghasilkan perataan yang diinginkan, Raja dkk.
(1978) berdasarkan pilihan mereka y pada besarnya YHK, / (ATS; 'A) ,,, daripada
besarnya y sendirian. Sensitivitas inversi linear dibatasi untuk pemilihan
multiplier Lagrange akan ditunjukkan dalam bagian berikut untuk kasus dari
menyimpulkan distribusi ukuran aerosol columnar dari spektral aerosol
pengukuran kedalaman optik. Itu akan ditunjukkan bahwa akan lebih mudah
untuk beragam yrcl = ~ HII / (ATS; 'A) I, di kisaran LOW3 untuk 5 sampai rentang
nilai dari yrcl
tercapai yang semua elemen f (yaitu, nilai-nilai negatif positif dari elemen of
merupakan suatu solusi unphysical). Ini merupakan penambahan kendala
tambahan yang, seperti kendala kelancaran, diperlukan untuk memilih solusi
fisik antara keluarga solusi yang memuaskan (3). Pada bagian yang mengikuti
metode iterasi akan dijelaskan dimana perkiraan awal dari solusi yang diubah
sampai yang memenuhi solusi akhir kedua kendala positif dan kendala bahwa
solusi memuaskan (3) untuk dalam tingkat kebisingan yang diharapkan dari
pengukuran.
Setelah nilai yang sesuai dari y telah ditentukan, matriks kovarians solusi mudah
dapat diperoleh. Bevington (1969) menunjukkan bahwa ketidakpastian dalam

beberapa masalah regresi terkait dengan matriks simetris 01, yang unsurunsurnya diberikan oleh
[ ]
Matriks cy disebut matriks kelengkungan karena dari hubungannya dengan
kelengkungan Q hiper permukaan dalam ruang koefisien. Solusi kovarians
matriks S kemudian diperoleh dari 'matriks a-, yaitu,
[ ]
Ketika yh diganti dengan kebalikan dari apriori perkiraan matriks kovarians
solusi, persamaan ini menjadi setara dengan kemungkinan maksimum solusi
yang diperoleh Liebelt (1967) dan Strand dan
Westwater (1968) dan dibahas secara rinci oleh Rodgers (1976).
Jika ketidakpastian dalam pengukuran tidak dikenal, mereka dapat didekati dari
data dengan
[ ]
mana s2 adalah varians sampel untuk regresi cocok dan p - q adalah batas
bawah untuk jumlah derajat kebebasan setelah pas poin p data dengan
parameter q. Untuk kasus ini solusi kovarians matriks diberikan oleh
[ ]
Persamaan. (12) dan (14) adalah persamaan untuk memperkirakan
ketidakpastian solusi inversi untuk masalah inversi linear dibatasi. Persamaan.
(7) dan (12) telah diterapkan untuk spektral kedalaman optik aerosol pengukuran
diperoleh di University of Arizona, karena diketahui bahwa beberapa pengukuran
kedalaman optik lebih tepat daripada yang lain. Untuk kasus aerosol pengukuran
kedalaman optik diperoleh pada Goddard Space Flight Center kesalahan
pengukuran tidak diketahui dan dengan demikian inversi dilakukan dengan
menggunakan Pers. (8), (13) dan (14). Hasil ini analisis disajikan dan dibahas
dalam Bagian 4....
3. Penentuan distribusi ukuran aerosol dari pengukuran redaman spektral
Dengan asumsi bahwa partikel atmosfer dapat dimodelkan sebagai kumpulan
dari polydisperse partikel berbentuk bola dengan indeks bias tunggal,
persamaan integral yang berkaitan aerosol optik
kedalaman 7, (X) untuk distribusi ukuran aerosol dapat ditulis dalam bentuk
[ ]
Dalam ungkapan ini r adalah jari-jari partikel, X wavelength yang panjang
pencahayaan kejadian, m ulang kompleks Indeks fractive partikel aerosol, Q & r,
X, m) faktor efisiensi kepunahan dari teori Mie, dan n, (r) distribusi ukuran
aerosol columnar, yaitu, jumlah partikel per satuan luas per unit radius interval
dalam kolom vertikal melalui atmosfer.
Dalam rangka untuk menentukan n, (r) dari pengukuran spektral r, (X), Raja dkk.
(1978) biarkan n, (r) = H (r) f (r), di mana h (r) adalah fungsi yang berbeda-beda
dengan cepat r, sedangkan f (r) adalah lebih lambat bervariasi. Dengan ini
substitusi, Persamaan. (15) menjadi
[ ]
di mana batas-batas integrasi telah dibuat terbatas dengan r, = r, dan rq + l =
rb. Jika f (r) diasumsikan konstan dalam setiap interval kasar, sistem persamaan
linear dari bentuk (3) hasil, di mana unsur-unsur diberikan oleh

[ ]
Awalnya zeroth-order fungsi pembobotan h (O) (r) diasumsikan dalam (17) yang
pertama-order fi ') nilai dihitung dengan bantuan (7) atau (8). Pertama solusi
agar komponen vektor fi "diasumsikan valid di radius rata-rata geometris dari
masing-masing interval kasar [yaitu, 5 = (rirj + l) "*], dari yang pertama-order
fungsi indicial f "'(r) diperoleh dengan menghubungkan segmen garis lurus pada
f "'(r) vs skala log r. Sejak f "'(r) merupakan faktor memodifikasi ke bentuk
diasumsikan h"' (r), f (') (r) nilai-nilai yang kemudian digunakan untuk
menghitung orde pertama fungsi pembobotan, h "'(r) = h (') (r) f (') (r), yang
lebih baik mewakili distribusi ukuran dari fungsi bobot awalnya diasumsikan.
Orde pertama pembobotan Fungsi ini kemudian diganti kembali ke (17) dari
mana Fi2 orde kedua) diperoleh melalui (7) atau (8). Prosedur iterasi ini
dilanjutkan sampai hasil yang stabil diperoleh (Herman et al, 1971;. Raja et al.,
1978) tetapi di ada contoh yang lebih dari delapan iterasi dilakukan.
Untuk hasil yang disajikan dalam makalah ini, awal fungsi pembobotan
diasumsikan memiliki bentuk dari Junge (1955) distribusi ukuran, diberikan oleh
[ ]
Beberapa nilai yang berbeda dari Y * digunakan untuk menghitung yang zerothorder fungsi pembobotan dan hasil akhir setelah iterasi yang berurutan yang
intercompared. Raja dkk. (1978) menunjukkan bahwa hasil akhir biasanya
sensitif terhadap perkiraan awal dari ukuran distribusi, bahkan ketika
menyimpang distribusi ukuran nyata dari distribusi Junge. Satu-satunya kesulitan
yang biasanya muncul adalah dalam memilih radius berkisar memiliki kontribusi
besar untuk pengukuran.
Sensitivitas pengukuran redaman spektral untuk batas jari-jari dan indeks bias
diasumsikan di inversi sebelumnya telah dibahas (Raja er al., 1978). Ada itu
menunjukkan bahwa bias yang sensitivitas indeks cukup lemah, mempengaruhi
terbalik distribusi ukuran sedikit dengan menggeser besarnya dan jari-jari sambil
mempertahankan bentuknya secara keseluruhan. Sebagai Konsekuensinya,
semua inversi dilakukan dengan asumsi indeks bias kompleks partikel aerosol
adalah panjang gelombang dan ukuran independen dan diberikan m = 1,45 O.OOi.
Phillips '(1962) kendala smoothing turunan kedua telah diadopsi dalam
penyelidikan ini. Untuk quadrature dari divisi yang sama, yang sesuai smoothing
matriks H diberikan oleh (Twomey, 1963)
[ ]
Karena matriks ini adalah tunggal tidak terbalik sesuai ada. Persamaan. (7) dan
(12) Oleh karena itu konsisten dengan persamaan estimasi optimal Strand dan
Westwater (1968) dan Rodgers (1976) di mana tidak ada seorang informasi
apriori ada di kedua vektor solusi atau matriks kovarians nya. Tidak seperti suhu
terdengar masalah di mana sejumlah besar informasi yang ada dari data
terakhir, distribusi ukuran aerosol lebih pasti dan variabel. Hal ini membutuhkan
penggunaan inversi linier terkendala mana nilai yang sesuai dari y harus dipilih.
[ ]
4. Pemilihan multiplier Lagrange

Metode untuk menentukan aerosol columnar distribusi ukuran dijelaskan di

bagian sebelumnya telah dilakukan di University of Arizona sejak Agustus 1975
dan di Goddard Space Flight Pusat sejak Juli 1980. Di Universitas Arizona radiasi
relatif ditransmisikan secara langsung sinar matahari diukur pada panjang
gelombang yang dipilih selama setiap hari bebas awan dari mana total
kedalaman optik atmosfer ditentukan menggunakan metode Bouguer-Langley
(lihat, misalnya, Shaw et al., 1973). Dari variasi spektral total kedalaman optik
penyerapan ozon kedalaman optik, dan karenanya berjumlah konten ozon dari
atmosfer, telah diturunkan dengan metode Raja dan Byrne (1976). Aerosol
kedalaman optik untuk setiap hari dan panjang gelombang ditentukan dengan
mengurangi hamburan molekuler dan diperkirakan penyerapan ozon kontribusi
dari total kedalaman optik. Varians dalam kedalaman optik aerosol harian untuk
setiap panjang gelombang diperoleh dari jumlah varians dalam total kedalaman
optik dan ozon kedalaman optik, yang keduanya diperkirakan dengan metode
propagasi kesalahan (lihat Raja dan Byrne, 1976). Pilihan wakil dari hasil
distribusi ukuran aerosol yang diperoleh di Universitas Arizona memiliki
sebelumnya telah disajikan dan dibahas (King et al., 1978), bersama-sama
dengan diskusi tentang frekuensi relatif dari terjadinya berbagai jenis distribusi.
Dalam artikel yang kita bahas sensitivitas pengukuran redaman spektral untuk
batas jari-jari sensitivitas maksimum dan indeks bias partikel aerosol
diasumsikan dalam inversi. Di sekarang penekanan kertas akan ditempatkan
pada sensitivitas inversi linear dibatasi untuk pemilihan y, perlunya pembobotan
kernel oleh fungsi memodifikasi h (r), dan ketidakpastian yang dihasilkan dalam
larutan inversi.
Ara. Saya menggambarkan diamati aerosol optik kedalaman dan standar deviasi
yang sesuai untuk 13 November 1975 dan 15 Mei 1977. Kurva padat mewakili fit
regresi untuk r, (X) pengukuran menggunakan distribusi ukuran terbalik disajikan
di bawah (yaitu, masalah g langsung = Af). Dalam melakukan inversi data
tersebut kesalahan statistik dalam pengukuran diasumsikan berkorelasi tetapi
diketahui menjadi tidak merata. Akibatnya, pengukuran kovarians matriks S,
menjadi diagonal dengan elemen diberikan oleh SC,, = d # (hi) & ij, di mana 6,
adalah Kronecker fungsi delta. Dengan S, didefinisikan dengan cara ini,
Persamaan. (7) adalah setara dengan membuat tertimbang kuadrat- cocok
untuk subjek data ke kendala.
Dalam menerapkan prosedur inversi dijelaskan dalam bagian sebelumnya,
beberapa yang berbeda awal Junge parameter distribusi Y * diasumsikan dalam
merumuskan fungsi zeroth-order bobot h "'(r) sehingga bahwa hasil setelah
iterasi berikutnya bisa intercompared. Sebuah kecocokan nilai untuk Angstrom
panjang gelombang eksponen CY ditentukan dari nilai-nilai yang diamati dari 7,
(X) dengan membuat linear kuadrat cocok untuk Angstrom ini (1929) rumus
empiris diberikan oleh 7, (X) = @ X-l. Inversi kemudian dilakukan untuk tiga nilai
yang berbeda dari distribusi Junge parameter Y * (viz., a + 1,5, cy + 2.0, cr +
2,5).
Untuk 13 November 1975 kasus data (lihat Gambar. 1) CY = 0,07, dan dengan
demikian inversi dilakukan dengan menggunakan nilai awal u * = 1,57, 2,07 dan
2,57. Ara. 2 menggambarkan distribusi ukuran terbalik sebagai fungsi iterasi
untuk kasus dimana nilai awal Y * = 2,57. Sebagai pengganti n, (r) atau, sama,

dN, / dr, distribusi ukuran disajikan dalam hal dN, / d log r, mewakili jumlah
partikel per unit daerah per unit log radius interval dalam kolom vertikal melalui
atmosfer. Kurva ditandai dengan lingkaran terbuka merupakan menebak awal
untuk ukuran distribusi sementara semua kurva yang tersisa mewakili Hasil
inversi setelah iterasi berikutnya. Itu kurva berlabel L (atau R) harus dirujuk ke
skala ordinat di sebelah kiri (atau kanan) sisi gambar.
Setelah memilih zeroth-order fungsi pembobotan h (') (r) menjadi distribusi Junge
dengan Y * = 2,57,
kita dihitung elemen matriks A menggunakan (17), dari yang pertama-order fi ')
nilai-nilai yang dihitung dengan bantuan (7). Ara. 3a menggambarkan elemen
solusi vektor f (/ ') sebagai fungsi dari -yrel, di mana berbagai j
[gbr]
nilai sesuai dengan jari-jari 6 di titik tengah dari j log sama selang radius pada
Gambar. 2. Sejak HI1
= 1 untuk kendala smoothing turunan kedua, relatif Lagrange multiplier yrsl
diberikan oleh
[ ]
Sebagai ylcl - co mendekati semua elemen solusi vektor batas asimtotik.
Pendekatan titik j = 1 radius
dalam 5% dari batas asimtotik nya 1,268 X lo3 di Yrel = 300, sementara semua
elemen vektor solusi yang tersisa mendekati dalam 5% dari batas asimtotik
mereka oleh busur = 3. Pada yrel = 0, di sisi lain, solusi kuadrat terkecil
menunjukkan osilasi besar dengan fi ') nilai-nilai yang negatif untuk j = 1, 3, 6
dan 7. Ini yang tidak diinginkan (dan unphysical) karakteristik solusi kuadrat
terkecil untuk Fredholm integral persamaan adalah terkenal. Hal ini terlihat dari
Gambar. 3a bahwa nilai-nilai menengah y, menghasilkan berbagai jenis solusi
daripada yang di baik sangat besar atau sangat kecil
nilai-nilai dan dengan demikian solusi osilasi lebih yang terjadi ketika yrcl = 0
telah dieliminasi. Dari mereka nilai-nilai fi "yang negatif pada yrCl = 0, hanya j =
3 nilai tetap negatif pada saat yrcl = 10m3, tidak menjadi positif sampai rrel =
1,8 X 10-l. J = 2 solusi, meskipun positif di yrel = 0, menjadi negatif seperti yrcl
meningkat sampai yrel = 4,7 X 10m3, setelah mana titik itu menjadi positif.
Setelah memeriksa banyak contoh seperti Gambar. 3a, tidak hanya untuk
pengukuran redaman spektral tapi juga untuk hamburan cahaya sudut (LIDAR
bistatic) pengukuran, telah ditentukan bahwa penting Kisaran untuk multiplier
Lagrange adalah dibatasi Kisaran 10e3 d yrcl d 5. Dengan menggandakan yrel
seluruh kisaran ini elemen solusi vektor dapat diperiksa dengan memecahkan (7)
hanya 13 nilai yrcl. Pada Gambar. 3a terkecil dari nilai-nilai diskrit YEL yang
semua elemen dari f (I) yang positif adalah yrcl = 0,256.
Selain menjadi fungsi yang positif untuk itu diperlukan solusi inversi untuk
memenuhi (3) untuk dalam tingkat kebisingan yang diharapkan dari pengukuran.
Ini setara dengan mengharuskan bahwa solusi akhir secara bersamaan
memenuhi (1977) kriteria Twomey ini
[ ]
dimana E menunjukkan operator harapan. Untuk University of Arizona kasus di
mana diasumsikan bahwa St ,, = u & (X &, Rq. (21) adalah setara dengan
membutuhkan Q, dp, di mana p = 8 untuk kedua contoh disajikan pada Gambar.

1. Sejak Q1>, 31,4 untuk yrela 0,256, Persamaan. (21) dan kendala positif tidak
bisa keduanya puas setelah hanya satu iterasi. Hal ini sebagian besar
disebabkan oleh Dugaan awal yang jauh dari solusi akhir. Mengalikan fi "nilai
yang diperoleh untuk rrcl = 0,256 dengan h awal distribusi ukuran Junge (') (e)
mengarah ke solusi inversi diilustrasikan pada Gambar. 2 untuk iterasi 1. Catatan
dari Gambar. 3a bahwa solusi untuk j = 5, 6 dan 7 yang hampir tidak sensitif
terhadap 7rrl dalam kisaran 1O-3 d yrCl <5, tapi itu f $ "<f $ l) <f $ ') *
Kecenderungan ini menurun lereng Junge bawah nilai u * = 2,57 jelas terlihat
pada Gambar. 2 untuk iterasi 1. Hal ini juga terlihat dari Gambar. 3a bahwa
ketidakstabilan utama di vektor solusi dikaitkan dengan j = 2 dan 3. Alasan
untuk ini adalah bahwa pengukuran berisi informasi yang cukup untuk
membangun distribusi ukuran bimodal dari distribusi Junge awal. Bentuk
distribusi ukuran adalah bertentangan dengan kendala kelancaran.
Karena inversi baru yang lebih baik merupakan ukuran distribusi dari distribusi
Junge awalnya diasumsikan, pertama-order fungsi pembobotan h "'(r) diganti
kembali ke (17) dari mana-urutan kedua CC ') diperoleh melalui (7). Ara. 3b
menggambarkan elemen vektor solusi baru fi *) sebagai fungsi dari 7rrl. Karena
besarnya mutlak h "'(r) menyimpang nyata dari h "'(r), seperti yang tercantum
pada Gambar. 2, besarnya (ATS; 'A) ,,, dan karenanya y, menyimpang oleh 5.0 X
lo9 antara iterasi 1 dan 2. Ini menekankan kebutuhan untuk skala y menurut
(20). Sebagai yrcl oo semua elemen dari f (2) pendekatan kesatuan, mewakili
sangat halus (dan lebih dibatasi) solusi dimana solusi inversi akan tetap tidak
berubah dari yang dari iterasi sebelumnya. Pada yccl = 1 semua fit) nilai berada
dalam 5% dari asymptotic mereka Batas persatuan. Untuk iterasi kedua utama
ketidakstabilan masih tetap dengan j = 2 dan 3 karena inversi sedang mencoba
untuk memperdalam minimum antara dua mode dalam distribusi ukuran. Untuk
semua jari-jari yang tersisa inversi relatif tidak sensitif dengan nilai yrel. Setelah
memilih minimum nilai (antara 13 nilai diskrit) yang semua unsur A * 'positif
(yaitu, YEL = 0,128) dan mengalikan nilai-nilai ini dengan distribusi ukuran yang
diperoleh dari iterasi sebelumnya, solusi inversi diilustrasikan pada Gambar. 2
untuk iterasi 2 diperoleh. Sekali lagi fit regresi data menggunakan distribusi
ukuran terbalik terletak di luar batas-batas kesalahan pengukuran diharapkan
(yaitu, Q, = 20,1> p). Oleh karena itu solusi inversi diwakili oleh iterasi 2 pada
Gambar. 2 merupakan solusi sementara (baru pertama menebak) dan bukan
solusi akhir yang dapat diterima.
Prosedur ini kemudian diulang untuk iterasi 3-8, di mana Gambar. 3c dan 3d
menggambarkan vektor solusi elemen FJ sebagai fungsi - yrel untuk iterasi 3 dan
4, masing-masing. Variasi fj dengan yIcl untuk iterasi 5-8 (tidak digambarkan)
muncul mirip dengan yang iterasi 4 (Gambar. 3d). Dengan selesainya iterasi 2
struktur bimodal dari distribusi ukuran memiliki jelas telah ditetapkan (lih
Gambar. 2) dan dengan demikian iterasi 3-8 pameran kurang ketidakstabilan di j
= 2 dan 3, berkonsentrasi hanya pada yang lebih baik mendefinisikan akhir
partikel besar distribusi ukuran (yaitu, j = 6 dan 7).
Ara. 4 menggambarkan besarnya quadratics Q ,, Q2 dan Q sebagai fungsi yrel
untuk iterasi 1 dan 6 pada tanggal 13 November 1975. Kurva berlabel R berlaku
untuk skala kanan sementara semua kurva lainnya berlaku dengan skala kiri.
Sebagai rrcl meningkat, nilai Q, meningkatkan sementara Q2 menurun,

menunjukkan bahwa kebutuhan kelancaran dicapai di mengorbankan sisa fit dari

solusi inversi untuk pengukuran. Meskipun kuadrat solusi (y = 0) memiliki sisa
yang sangat kecil (Q1) dari 4,158 X lo- * untuk iterasi 1 dan 6,275 X lo- * untuk
iterasi 6, solusi vektor f menyimpang nyata dari solusi yang benar f '. Untuk
iterasi 1 itu perlu untuk yrcl b 0,181 sebelum semua elemen dari vektor solusi
terbalik yang positif (r ,,>, 0.027 untuk iterasi 6). Twomey (1965) telah
menunjukkan bahwa kedekatan of ke solusi yang benar f 'tidak dapat
disimpulkan oleh kedekatan integral sesuai mengubah Af ke g, diukur dengan Qr.
Hoerl dan Kennard (1970a) lebih lanjut menunjukkan bahwa nilai minimum Jika 'fl diperoleh pada nilai yf 0, dan bahwa nilai minimum mungkin lebih kecil dari
solusi kuadrat terkecil untuk berbagai nilai y. Meskipun fakta ini banyak peneliti
telah memilih untuk menemukan parameter dari distribusi ukuran diasumsikan
dengan meminimalkan Q ,. Ini adalah pendekatan yang lebih ketat dari
pemecahan (7) atau (8), untuk satu adalah meminimalkan Q = Qr
Kembali ke Gambar. 4, kita dapat melihat bahwa jika y dipilih berdasarkan
kriteria yang Q, d p, setara dengan (1977) saran Twomey yang Q, menjadi aman
atas perkiraan semua kesalahan dalam g, salah satu akan mengharuskan yrcl 6
0,05 1 untuk iterasi 1 dan yrcl G 0,152 untuk iterasi 6. Nilai-nilai yrCl diperlukan
untuk menjamin solusi positif yrcl b 0,18 1 untuk iterasi 1 dan 71elb 0,027 untuk
iterasi 6. Iterasi 6 karena itu merupakan solusi akhir yang dapat diterima jika yrCl
dipilih dalam kisaran 0,027 = Z -yrel G 0,152. Jika Q, -C p, maka beberapa
kebisingan di g sedang digunakan dalam menentukan f. Di sisi lain, jika QI> p,
maka tidak semua Informasi di g sedang digunakan untuk menentukan solusi
vektor f. Sejak yrcl telah dua kali lipat dalam Kisaran 10e3 <yrcl G 5, nilai diskrit
maksimum dari -yrcl dalam kisaran yang dapat diterima 0.027 G rrel = S 0,152
adalah 7rel = 0,128. Sisa dalam larutan untuk iterasi 6 (yrel = 0,128, Q, = 7,9)
telah dikurangi dengan faktor 4.0 lebih yang diperoleh untuk iterasi 1 (yrel =
0,256, Q, = 31,4). Hal ini menunjukkan bahwa solusi telah ditingkatkan melalui
iterasi, seperti yang dijelaskan sebelumnya, dan bahwa kesalahan quadrature
yang berkontribusi terhadap Q, juga telah berkurang.
Ara. 2 menyajikan solusi inversi untuk iterasi l-6, di mana iterasi 6 adalah iterasi
pertama yang secara bersamaan memenuhi kendala positif dan Q kriteria, d p.
Iterasi 7 dan 8 memiliki sedikit kesulitan memuaskan kedua kendala dan dengan
demikian Nilai terbesar dari yrcl terpilih (yaitu, yrel = 4,096). Solusi inversi untuk
iterasi ini juga sebagai hasil akhir yang diperoleh setelah iterasi yang berurutan
dengan Y * = 1,57 dan 2,07 yang hampir identik dengan yang disajikan pada
Gambar. 2 (iterasi 6).
Setelah estimasi optimal yrel telah ditentukan, covariances S ,, = u $, diperoleh
dari unsur-unsur dari matriks kovarians solusi S, yang diberikan oleh (12). Ara. 5
menggambarkan ukuran terbalik distribusi dan estimasi standar deviasi untuk 13
November 1975, di mana regresi yang sesuai cocok dengan T, (X) pengukuran
ditampilkan sebagai padat kurva pada Gambar. 1. Sebagai salah satu harapkan
ketidakpastian dalam ukuran terbalik distribusi menjadi besar sebagai radius
partikel menjadi besar karena informasi Isi dari pengukuran menjadi kecil. Dalam
minimum antara akumulasi (r Q 12:37) dan partikel kasar (r 2 12:37) Modus
kesalahan bar sering besar untuk alasan yang sama [lihat Gambar. 9b Raja dkk.
(1978) untuk ilustrasi kernel fungsi untuk distribusi ukuran bimodal sebanding

kasus]. Pada banyak hari dengan data yang sama hingga saat ini Misalnya, bar
kesalahan di kawasan intramodal lebih besar dari pada Gambar. 5. Untuk jari-jari
terkecil bar kesalahan yang relatif kecil pada Gambar. 5 mencerminkan
keberadaan isi informasi yang cukup bahwa itu akan memiliki mungkin untuk
melakukan inversi menggunakan kecil minimum radius r ,. Telah inversi telah
dilakukan dengan menggunakan jari-jari atas yang terlalu besar (atau kadangkadang terlalu kecil), ketidakstabilan mengembangkan seperti bahwa iterasi
berikutnya menghasilkan lebih dan lebih partikel pada jari-jari yang lebih besar
(Raja et al., 1978). Semua kasus memiliki fungsi pembobotan awal dengan Y * =
1,57 dan 2,07 yang mirip dengan yang disajikan di Ara. 5 (dengan V * = 2,57), di
mana semua tiga solusi berbohong dalam bar kesalahan disajikan pada Gambar.
5.
Pada tanggal 15 Mei 1977 ketergantungan spektral dari aerosol kedalaman optik
itu jelas berbeda daripada di contoh sebelumnya (lih Gambar. 1). Dalam cara
yang mirip dengan metode yang dijelaskan di atas, sebuah Angstrom panjang
gelombang eksponen diperkirakan dari data menjadi CY = -0,21, dan dengan
demikian inversi dilakukan menggunakan fungsi pembobotan memiliki awal
Junge parameter V * = 1,29, 1,79 dan 2,29. Ara. 6 menggambarkan distribusi
ukuran terbalik sebagai fungsi dari iterasi sementara Gambar. 7 menyajikan
ilustrasi yang sesuai elemen solusi vektor FJ sebagai fungsi yrCl. Buah ara. 6 dan
7 berlaku untuk kasus di mana nilai awal Y * = 1,79.
Hari dimana aerosol kedalaman optik peningkatan dengan panjang gelombang
selalu menghasilkan ukuran terbalik distribusi yang relatif monodisperse, sebagai
adalah kasus dengan data pada 15 Mei 1977. Jenis yang paling sulit dari aerosol
data kedalaman optik untuk membalikkan adalah mereka yang menyebabkan
ukuran relatif monodisperse distribusi sejak jari-jari yang yang berkontribusi
pada spektral aerosol pengukuran kedalaman optik dibatasi untuk berbohong
dalam kisaran yang sangat sempit. Data pada 15 Mei 1977 secara khusus dipilih
karena mereka jelas menunjukkan bahwa prosedur inversi ini mampu secara
dramatis perturbing awal kira yang diperlukan, dan memperoleh solusi yang
stabil. Inversi data 15 Mei 1977 dilakukan di delapan jari-jari (yaitu, q = 8) dalam
rentang 0.50 <r G 1:09, daripada 0,10 <r 6 04:00 seperti dalam contoh
sebelumnya.
Pada yrel = 0 solusi kuadrat-untuk iterasi 1 lagi menunjukkan osilasi besar
dengan fj ') nilai yang negatif untuk j = 1, 3, 5, 7 dan 8. Tidak hanya adalah
koefisien yang salah sehubungan dengan menandatangani tapi mereka terlalu
besar dalam nilai mutlak. Ini adalah fundamental karena fakta bahwa ATS;
'matriks A memiliki eigenvalues kecil, yang pada gilirannya merupakan
manifestasi dari tingkat tinggi saling ketergantungan (non orthogonality) dari
kernel. Sebagai ycc1 meningkat kecil eigenvalues dari ATS; 'A secara efektif
meningkat A'S; '+ A YH, sedangkan nilai eigen besar tetap dasarnya tidak
berubah. Dari lima nilai-nilai dari fj "yang negatif di yrcl = 0, hanya titik akhir j =
1 dan 8 tetap negatif pada saat yrcl = 10e3, tidak menjadi positif sampai yrel =
7,2 X 10-l dan 9,5 X 10V3, masing-masing. Sebagai multiplier Lagrange adalah
lebih meningkat kendala semakin mendominasi solusi. Sejak yrcl telah dua kali
lipat dalam kisaran 10V3 <YTI G 5, nilai minimum 7rrl yang semua elemen dari f
(l) positif adalah yrcl = 1,024. Sejak 4 , = 31,8> p untuk yrrl =. 1,024 yang solusi

vektor f I) merupakan solusi sementara, bukan solusi akhir yang dapat diterima.
Mengalikan f (') (e) nilai yang diperoleh untuk yrel = 1,024 dengan awal
Distribusi ukuran Junge mengarah ke inversi diilustrasikan pada Gambar. 6 untuk
iterasi 1.
Setelah mengganti orde pertama fungsi pembobotan h "'(r) kembali ke (17)
solusi orde kedua ft2'is vektor diperoleh melalui (7). Tidak seperti salah satu
contoh sebelumnya inversi tidak mampu untuk mendapatkan solusi positif bagi
seluruh elemen fy 'sebagai y = saya bervariasi. Sejak j = 8 koefisien masih
negatif di yrrl = 4,096, thej = 6 dan 7 koefisien yang digunakan untuk
meramalkan kemungkinan untuk j = 8 linear pada lo f, vs skala j. Dengan cara ini
nilai unphysical dari SEBUAH 2, artifisial dibuat positif, yang mengarah ke solusi
yang disajikan pada Gambar. 6 untuk iterasi 2. Prosedur ini kemudian diulang
untuk iterasi 3 dan 4, disajikan pada Gambar. 7c dan 7d, kecuali sekarang adalah
mungkin untuk mendapatkan positif nilai untuk semua elemen dari f di beberapa
nilai-nilai ylel dalam rentang 10e3 <ylcl d 5. Gambar. 6 menyajikan solusi inversi
untuk iterasi 3 dan 4, di mana yrcl = 2,048 dan 0,5 12 dipilih, masing-masing.
Didalam Misalnya iterasi 4 adalah iterasi pertama yang kedua kendala positif dan
kondisi Eq. (21) secara simultan puas. Iterasi lanjut hasil dasarnya identik
dengan Gambar. 6 (iterasi 4).
The quadratics Q ,, Q2 dan Q disajikan pada Gambar. 8 sebagai fungsi ylel untuk
iterasi 1 dan 4 pada 15 Mei 1977. sisa dalam solusi untuk iterasi 4 (Yre, = 0,512,
Qi = 7,7) telah dikurangi oleh Faktor dari 4,1 lebih yang diperoleh untuk iterasi 1
(-rrc, = 1,024, Qi = 31,8). Untuk iterasi 4 nilai Q, di rrcl = 0 adalah 4,415 dan
dengan demikian sisa belum meningkat ke nilai yang tidak masuk akal di yrcl =
0,5 12. kelancaran Q2 kuadrat, di sisi lain, telah dikurangi dengan lebih dari dua
kali lipat seperti yang (f '- 21 adalah lebih kecil daripada dalam kasus kuadratHoer1. dan Kennard (1970a) telah membuktikan bahwa, setidaknya ketika H = I,
selalu ada ada ay> 0 sehingga Jika ' - Fj lebih kecil daripada dalam kasus
kuadrat-terkecil. Mereka lebih lanjut menunjukkan bahwa efek ini cukup sering
ada lebih berbagai nilai y. Jika kita telah memilih y berdasarkan semata-mata
pada kriteria yang Q, = p, nilai yrel untuk iterasi 1 akan yIcl = 4,7 X 10e3,
sebuah nilai yang f \ "dan fs" negatif (lih Gambar. 7a). Dengan iterasi dan dengan
demikian mengurangi kesalahan quadrature terkait dengan asumsi f (r) konstan
dalam setiap interval kasar, nilai Q1 untuk iterasi 4 telah direduksi menjadi Q, =
p. Meskipun Menurut pengalaman kami bahwa besarnya kuadrat Q menurun
dengan iterasi berikutnya karena untuk pengurangan kesalahan quadrature dan
kesalahan yang terkait dengan kendala kelancaran awalnya bertentangan
dengan data, itu tidak selalu terjadi bahwa Q1 mendekati p setelah iterasi
diulang. Kami memiliki diamati disajikan banyak contoh di mana Q, <p untuk
semua nilai y. Hal ini setidaknya sebagian karena pengukuran korelasi yang
berkontribusi pada besarnya Q, [cf. Eq. (5)] tetapi yang telah diabaikan dalam
kami analisa.
Ara. 9 menggambarkan distribusi ukuran terbalik dan Diperkirakan standar
deviasi untuk 15 Mei 1977, dimana cocok sesuai dengan 7, (X) pengukuran
ditampilkan sebagai kurva yang solid pada Gambar. 1. Ketidakpastian dalam
distribusi ukuran terbalik besar di kedua ujung atas dan bawah dari kisaran
radius. Hal ini untuk diharapkan dari fungsi kernel untuk kasus di mana distribusi

ukuran terbalik relatif monodisperse (King et al., 1978). Memiliki inversi telah
dilakukan dengan menggunakan berbagai radius yang lebih luas daripada yang
digunakan di sini tidak mungkin untuk mendapatkan solusi yang di mana-mana
positif. semua kasus memiliki fungsi pembobotan awal dengan v * = 1,29 dan
2,29 mirip dengan hasil yang disajikan pada Gambar. 9 (di mana V * = 1,79).
Semua tiga solusi berbohong baik dalam bar kesalahan disajikan pada Gambar.
9.
Di Goddard Space Flight Center radiasi relatif dari radiasi matahari
ditransmisikan secara langsung diukur selama hari bebas awan yang dipilih
dengan multi-panjang gelombang radiometer surya portabel. Total kedalaman
optik tergantung waktu dari atmosfer ditentukan dengan aplikasi berulang dari
hukum Lambert-Beer, di mana antar para tingkat tegangan kecuali bahwa
(sebanding dengan luar bumi yang radiasi matahari) ditentukan dengan
menggunakan Bouguer- Metode Langley di Mauna Loa Observatory. Itu aerosol
kedalaman optik untuk setiap waktu dan panjang gelombang
kemudian ditentukan dengan mengurangi kontribusi hamburan dan penyerapan
ozon molekul dari total kedalaman optik. Meskipun iklim, nilai konstan untuk
konten ozon Total diasumsikan, kesalahan diperkenalkan oleh asumsi ini kecil
karena kedalaman optik aerosol yang diperoleh besar dibandingkan dengan
ketidakpastian di ozon kedalaman optik.
Ara. 10 menggambarkan spektral pengukuran kedalaman optik dan distribusi
ukuran yang sesuai untuk 30 Juli 1980 dan Agustus 1980. Sejak 2 ketidakpastian
dan korelasi dalam pengukuran tidak dikenal, kesalahan pengukuran
diasumsikan sama dan tidak berkorelasi dan dengan demikian inversi dilakukan
menggunakan Pers. (8), (13) dan (14). Dalam semua kasus, kepekaan terhadap
awal fungsi pembobotan h "'(r) adalah diabaikan. Kelengkungan negatif dalam
distribusi ukuran pada 30 Juli 1980 terkait dengan kelengkungan negatif dalam
input data, sedangkan halus karakteristik bimodal dari 2 Agustus 1980 ukuran
distribusi adalah karena kelengkungan positif dalam input data, khususnya pada
panjang gelombang lagi. Standar deviasi semakin besar dalam distribusi ukuran
di r B 2:00 yang diharapkan dari isi informasi penurunan kernel fungsi untuk jarijari tersebut. Namun, inversi dilakukan Hanya untuk rb = 02:00 Sering
menyebabkan solusi yang tidak memuaskan dan tidak stabil (King et al., 1978).
Pemilihan multiplier Lagrange dan memperbarui estimasi distribusi ukuran awal
melalui iterasi yang dilakukan dengan cara yang sama seperti yang dijelaskan
sebelumnya, kecuali sekarang Persamaan. (2 1) mengambil bentuk Q1 6 E (Ci t;)
= e2.
Kesimpulan
Hasil telah disajikan yang menunjukkan, sensitivitas inversi linear dibatasi untuk
pemilihan multiplier Lagrange. Sejak memasuki y (7) dengan cara sedemikian
rupa sehingga unsur-unsur YH yang menjadi
ditambahkan ke ATS; 'A untuk menghasilkan smoothing yang diinginkan,
Lagrange multiplier yrcl relatif diperkenalkan sejak besarnya yn, sangat penting
dan tidak besarnya y saja. Formula inversi (7) dan (8) telah diterapkan untuk
masalah penentuan yang columnar distribusi ukuran aerosol dari spektral aerosol
pengukuran kedalaman optik. sebuah berulang Metode solusi disajikan dimana
perkiraan ukuran distribusi termasuk dalam elemen dari matriks A. Dengan

prosedur ini, terbalik solusi vektor f sebesar fungsi memodifikasi untuk bentuk
diasumsikan dari distribusi ukuran.
Seperti yang ditunjukkan dalam Gambar. 3 dan 7 sering ada daerah multiplier
Lagrange mana semua
dari nilai solusi fj adalah daerah positif dan lainnya di mana satu atau lebih nilai
fj negatif. Nilai-nilai dari -fj untuk beberapa nilai jari-jari mungkin berkala pergi
negatif dan menjadi positif lagi pada nilai-nilai yang lebih besar dari -yrel.
Setelah memilih nilai untuk yrcl di suatu daerah di mana semua elemen dari
vektor solusi yang positif dan menghitung ulang elemen matriks A, vektor solusi
untuk iterasi berikutnya menjadi kurang sensitif untuk yrel. Jika batas jari-jari
yang sangat jauh dari yang optimal, namun, hal itu mungkin tidak mungkin
untuk mendapatkan solusi di mana semua elemen f positif. Oleh penggandaan
yrel di kisaran 10e3 untuk 5 sampai berbagai nilai-nilai yrel tercapai yang semua
elemen f positif, perlu untuk tampil di paling 13 inversi matriks per iterasi per
perkiraan distribusi ukuran awal. Oleh karena itu metode inversi adalah cukup
cepat, hanya membutuhkan sekitar 1,0 s eksekusi waktu pada IBM 3081
komputer.
Selain kendala positif perlu untuk solusi akhir untuk memenuhi aslinya
persamaan integral dalam tingkat kebisingan yang diharapkan pengukuran. Jika
estimasi awal solusinya sangat jauh dari solusi akhir, maka kriteria ini dan
persyaratan positif tidak bisa bersamaan puas. Melalui penyesuaian berulang
dari tebakan pertama kami menunjukkan bagaimana kedua Kriteria akhirnya
dapat dipenuhi, sehingga mempersempit domain non keunikan dalam larutan.
Jika ketidakpastian dalam pengukuran biasa besar, maka relatif mudah untuk
mendapatkan inversi solusi yang memenuhi kriteria tetapi ketidakpastian dalam
larutan besar. Di samping itu, kesalahan pengukuran yang diperkirakan tidak
realistis kecil mungkin menghalangi mampu mendapatkan akhir solusi yang
memenuhi kedua kendala. Oleh karena itu penting bahwa ketidakpastian realistis
ditugaskan untuk data sebelum melakukan inversi.
Setelah nilai yang sesuai dari y telah ditentukan, varians dan kovarians dalam
larutan dapat diperkirakan dari unsur-unsur dari solusi matriks kovarians S.
Persamaan. (12) telah diterapkan untuk spektral aerosol pengukuran kedalaman
optik diperoleh di University of Arizona, karena diketahui bahwa beberapa
pengukuran yang lebih tepat dari lain. Di Goddard Space Flight Center kesalahan
pengukuran yang inversi diketahui dan dengan demikian dan analisis kesalahan
yang dilakukan menggunakan Pers. (8), (13) dan (14). Hasil dari analisis ini,
disajikan pada Gambar. 5 dan 9 untuk University of Arizona dan Gambar. 10
untuk Goddard Space Flight Center, menunjukkan bahwa varians dalam vektor
solusi besar untuk jari-jari mana isi informasi pengukuran adalah kecil. Hasil lebih
lanjut menunjukkan bahwa y meningkat korelasi antara berbagai nilai fj
meningkat.
Berbagai prosedur otomatis yang telah digunakan dalam literatur untuk memilih
"terbaik" nilai untuk multiplier Lagrange memberikan sedikit wawasan struktur
solusi dan kepekaan terhadap data yang dianalisis. Dengan menghitung f, Q, dan
Q2 sebagai fungsi dari y dan menampilkan hasil, wawasan yang cukup ke dalam
larutan dapat diperoleh. untuk fisik masalah di mana tambahan informasi apriori
ada pada solusi (seperti persyaratan yang distribusi ukuran positif atau yang

mutlak suhu melebihi beberapa suhu minimum seperti 160K) informasi tersebut
harus dimasukkan dalam inversi untuk membantu membatasi kemungkinan
domain dari solusi. Penghapusan lengkap dari non keunikan dari solusi ini tentu
saja tidak mungkin.