一种赤潮生物量预测方法及装置制造方法及图纸

本发明专利技术公开了一种赤潮生物量预测方法及装置，应用于环境监测领域，包括：获得M组有效海洋环境因子，一组有效海洋环境因子包括多帧在不同时间点采集的同一种类的有效海洋环境因子；对M组有效海洋环境因子进行归一化预处理，以得到对应的M组归一化后海洋环境因子；分别将M组归一化后海洋环境因子中的第m组归一化后海洋环境因子输入至对应的ARIMA模型中进行预测，以预测出M组海洋环境因子预测值；将M组海洋环境因子预测值同时输入至BP神经网络预测模型进行预测，以预测出在预设时期内的赤潮生物量预测值。本发明专利技术实现赤潮生物量的短期准确预测，以预报未来几天是否发生赤潮，以便进行防备。

【技术实现步骤摘要】

本专利技术涉环境监测领域，尤其涉及一种赤潮生物量预测方法及装置。
技术介绍
赤潮是一种由于局部海区的浮游生物突发性急剧繁殖，并聚集在一起而引起海平面颜色出现异常和发臭的现象。赤潮的发生是生物、化学、水文、气象等因素综合影响的结果。赤潮生物的生长、繁殖、消亡过程与环境因子之间存在着复杂的非线性关系，且这些环境因子具有时间上的连续性以及空间上的异质性。近年来近岸海域赤潮频发，赤潮的爆发不仅会导致水环境生态系统失衡，还会造成水产养殖灾难。传统的赤潮预测方法是通过各个环境因子得到当前的赤潮状况，但是当赤潮的爆发时已经造成水环境生态系统失衡和水产养殖灾难，因此无法提前对赤潮进行预知。
技术实现思路
本专利技术实施例通过提供一种赤潮生物量预测方法及装置，解决了无法提前对赤潮进行预知的技术问题。第一方面，本专利技术实施例提供了一种赤潮生物量预测方法，包括：获得M组有效海洋环境因子，其中，M为所述有效海洋环境因子的种类数乘以子海域的个数，同一组所述有效海洋环境因子包括多帧在不同时间点采集的同一种类的有效海洋环境因子；对所述M组有效海洋环境因子进行归一化预处理，以得到对应的M组归一化后海洋环境因子；分别将所述M组归一化后海洋环境因子中的第m组归一化后海洋环境因子输入至对应的ARIMA模型中进行预测，以预测出M组海洋环境因子预测值，m依次为1至M，其中，一个ARIMA模型对应一组归一化后海洋环境因子；将所述M组海洋环境因子预测值同时输入至BP神经网络预测模型进行预测，以预测出在预设时期内的赤潮生物量预测值。优选的，所述获得M组有效海洋环境因，包括：建立原始海洋环境因子的关系数据库，其中，在所述关系数据库中保存有多个历史监测的原始海洋环境因子，以及保存有各个所述原始海洋环境因子的监测位置信息和监测时间信息；根据各个所述原始海洋环境因子的监测时间信息和监测位置信息，从所述关系数据库中提取M组原始海洋环境因子，其中，所述M组原始海洋环境因子中的同一组原始海洋环境因子在同一子海域，且距离当前时刻小于预设时间间隔监测到；从所述M组原始海洋环境因子中的每组原始海洋环境因子中筛选出满足预设条件的因子组成为所述M组有效海洋环境因子。优选的，在所述分别将所述M组归一化后海洋环境因子中的第m组归一化后海洋环境因子输入至对应的ARIMA模型中进行预测之前，所述方法还包括：通过如下步骤建立所述ARIMA模型：根据所述关系数据库中各个所述原始海洋环境因子的监测位置信息、监测时间信息确定针对所述M组原始海洋环境因子中每组原始海洋环境因子的ARIMA模型；基于AIC准则分别针对所述每组原始海洋环境因子的ARIMA模型进行参数估计；选取基于所述AIC准则进行参数估计得到最小AIC值时的参数组合，作为针对所述每组原始海洋环境因子的ARIMA模型的模型参数。优选的，在所述将所述M组海洋环境因子预测值同时输入至BP神经网络预测模型进行预测之前，所述方法还包括：通过如下步骤建立所述BP神经网络预测模型：获取赤潮生物量测量值样本；基于如下对数公式对所述赤潮生物量测量值样本进行归一化处理得到对应的归一化后赤潮生物量样本：其中，y′为归一化后赤潮生物量的值，y为赤潮生物量测量值，ymax为所述赤潮生物量测量值样本的最大值，ymin为所述赤潮生物量测量值样本的最小值；基于所述归一化后赤潮生物量样本确定BP神经网络的隐含层数以及每一个隐含层的节点数；基于确定的BP神经网络的隐含层数及每一个隐含层的节点数建立针对所述M组海洋环境因子预测值的BP神经网络的最优网络结构；将所述最优网络结构经过学习过程得到的最优值作为所述BP神经网络预测模型。优选的，在所述预测出在预设时期内的赤潮生物量预测值之后，所述方法还包括：将所述赤潮生物量预测值与对应时间测量的赤潮生物量测量值进行对比；输出所述赤潮生物量预测值与所述对应时间测量的赤潮生物量测量值之间的均方根误差、平均绝对误差、平均绝对百分误差、拟合度中的至少一种对比结果。优选的，所述有效海洋环境因子的种类包括：酸碱度、溶解氧、水温、溶解氧饱和度、叶绿素-a、磷酸盐、氨氮、亚硝酸盐氮、硝酸盐氮、盐度、化学耗氧量和硅酸盐。第二方面，本专利技术实施例提供了一种赤潮生物量预测装置，包括：获得单元，用于获得M组有效海洋环境因子，其中，M为所述有效海洋环境因子的种类数乘以子海域的个数，同一组所述有效海洋环境因子包括多帧在不同时间点采集的同一种类的有效海洋环境因子；预处理单元，用于对所述M组有效海洋环境因子进行归一化预处理，以得到对应的M组归一化后海洋环境因子；环境因子预测单元，用于分别将所述M组归一化后海洋环境因子中的第m组归一化后海洋环境因子输入至对应的ARIMA模型中进行预测，以预测出M组海洋环境因子预测值，m依次为1至M，其中，一个ARIMA模型对应一组归一化后海洋环境因子；赤潮生物量预测单元，用于将所述M组海洋环境因子预测值同时输入至BP神经网络预测模型进行预测，以预测出在预设时期内的赤潮生物量预测值。优选的，所述获得单元包括：数据库建立子单元，用于建立原始海洋环境因子的关系数据库，其中，在所述关系数据库中保存有多个历史监测的原始海洋环境因子，以及保存有各个所述原始海洋环境因子的监测位置信息和监测时间信息；提取子单元，用于根据各个所述原始海洋环境因子的监测时间信息和监测位置信息，从所述关系数据库中提取M组原始海洋环境因子，其中，所述M组原始海洋环境因子中的同一组原始海洋环境因子在同一子海域，且距离当前时刻小于预设时间间隔监测到；筛选子单元，用于从所述M组原始海洋环境因子中的每组原始海洋环境因子中筛选出满足预设条件的因子组成为所述M组有效海洋环境因子。优选的，所述赤潮生物量预测装置还包括：第一建模单元，用于通过如下步骤建立所述ARIMA模型：用于根据所述关系数据库中各个所述原始海洋环境因子的监测位置信息、监测时间信息确定针对所述M组原始海洋环境因子中每组原始海洋环境因子的ARIMA模型；基于AIC准则分别针对所述每组原始海洋环境因子的ARIMA模型进行参数估计；选取基于所述AIC准则进行参数估计得到最小AIC值时的参数组合，作为针对所述每组原始海洋环境因子的ARIMA模型的模型参数。优选的，所述赤潮生物量预测装置还包括：第二建模单元，用于通过如下步骤建立所述BP神经网络预测模型：获取赤潮生物量测量值样本；基于如下对数公式对所述赤潮生物量测量值样本进行归一化处理得到对应的归一化后赤潮生物量样本：其中，y′为归一化后赤潮生物量的值，y为赤潮生物量测量值，ymax为所述赤潮生物量测量值样本的最大值，ymin为所述赤潮生物量测量值样本的最小值；基于所述归一化后赤潮生物量样本确定BP神经网络的隐含层数以及每一个隐含层的节点数；基于确定的BP神经网络的隐含层数及每一个隐含层的节点数建立针对所述M组海洋环境因子预测值的BP神经网络的最优网络结构；将所述最优网络结构经过学习过程得到的最优值作为所述BP神经网络预测模型。优选的，所述赤潮生物量预测装置还包括：对比单元，用于将所述赤潮生物量预测值与对应时间测量的赤潮生物量测量值进行对比；结果输出单元，用于输出所述赤潮生物量预测值与所述对应时间测量的赤潮生物量测量值之间的均方根误差、平均绝对误差、平均绝对百分误差、拟合本文档来自技高网...

【技术保护点】
一种赤潮生物量预测方法，其特征在于，包括：获得M组有效海洋环境因子，其中，M为所述有效海洋环境因子的种类数乘以子海域的个数，同一组所述有效海洋环境因子包括多帧在不同时间点采集的同一种类的有效海洋环境因子；对所述M组有效海洋环境因子进行归一化预处理，以得到对应的M组归一化后海洋环境因子；分别将所述M组归一化后海洋环境因子中的第m组归一化后海洋环境因子输入至对应的ARIMA模型中进行预测，以预测出M组海洋环境因子预测值，m依次为1至M，其中，一个ARIMA模型对应一组归一化后海洋环境因子；将所述M组海洋环境因子预测值同时输入至BP神经网络预测模型进行预测，以预测出在预设时期内的赤潮生物量预测值。

【技术特征摘要】
1.一种赤潮生物量预测方法，其特征在于，包括：获得M组有效海洋环境因子，其中，M为所述有效海洋环境因子的种类数乘以子海域的个数，同一组所述有效海洋环境因子包括多帧在不同时间点采集的同一种类的有效海洋环境因子；对所述M组有效海洋环境因子进行归一化预处理，以得到对应的M组归一化后海洋环境因子；分别将所述M组归一化后海洋环境因子中的第m组归一化后海洋环境因子输入至对应的ARIMA模型中进行预测，以预测出M组海洋环境因子预测值，m依次为1至M，其中，一个ARIMA模型对应一组归一化后海洋环境因子；将所述M组海洋环境因子预测值同时输入至BP神经网络预测模型进行预测，以预测出在预设时期内的赤潮生物量预测值。2.如权利要求1所述的赤潮生物量预测方法，其特征在于，所述获得M组有效海洋环境因子，包括：建立原始海洋环境因子的关系数据库，其中，在所述关系数据库中保存有多个历史监测的原始海洋环境因子，以及保存有各个所述原始海洋环境因子的监测位置信息和监测时间信息；根据各个所述原始海洋环境因子的监测时间信息和监测位置信息，从所述关系数据库中提取M组原始海洋环境因子，其中，所述M组原始海洋环境因子中的同一组原始海洋环境因子在同一子海域，且距离当前时刻小于预设时间间隔监测到；从所述M组原始海洋环境因子中的每组原始海洋环境因子中筛选出满足预设条件的因子组成为所述M组有效海洋环境因子。3.如权利要求2所述的赤潮生物量预测方法，其特征在于，在所述分别将所述M组归一化后海洋环境因子中的第m组归一化后海洋环境因子输入至对应的ARIMA模型中进行预测之前，所述方法还包括：通过如下步骤建立所述ARIMA模型：根据所述关系数据库中各个所述原始海洋环境因子的监测位置信息、监测时间信息确定针对所述M组原始海洋环境因子中每组原始海洋环境因子的ARIMA模型；基于AIC准则分别针对所述每组原始海洋环境因子的ARIMA模型进行参数估计；选取基于所述AIC准则进行参数估计得到最小AIC值时的参数组合，作为针对所述每组原始海洋环境因子的ARIMA模型的模型参数。4.如权利要求1所述的赤潮生物量预测方法，其特征在于，在所述将所述M组海洋环境因子预测值同时输入至BP神经网络预测模型进行预测之前，所述方法还包括：通过如下步骤建立所述BP神经网络预测模型：获取赤潮生物量测量值样本；基于如下对数公式对所述赤潮生物量测量值样本进行归一化处理得到对应的归一化后赤潮生物量样本：y′=0.1+0.8logymaxyminyymin;]]>其中，y′为归一化后赤潮生物量的值，y为赤潮生物量测量值，ymax为所述赤潮生物量测量值样本的最大值，ymin为所述赤潮生物量测量值样本的最小值；基于所述归一化后赤潮生物量样本确定BP神经网络的隐含层数以及每一个隐含层的节点数；基于确定的BP神经网络的隐含层数及每一个隐含层的节点数建立针对所述M组海洋环境因子预测值的BP神经网络的最优网络结构；将所述最优网络结构经过学习过程得到的最优值作为所述BP神经网络预测模型。5.如权利要求1所述的赤潮生物量预测方法，其特征在于，在所述预测出在预设时期内的赤潮生物量预测值之后，所述方法还包括：将所述赤潮生物量预测值与对应时间测量的赤潮生物量测量值进行对比；输出所述赤潮生物量预测值与所述对应时间测量的赤潮生物量测量值之间的均方根...

【专利技术属性】
技术研发人员：万林，覃梦娇，谢忠，黄鹰，杨乃，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北;42