业务化赤潮预警方法及计算机可读存储介质技术

本发明专利技术公开了一种业务化赤潮预警方法及计算机可读存储介质，方法包括：获取赤潮样本并进行预处理；对赤潮样本进行筛选，得到固定样本数据；通过遗传算法，确定最终输入变量；构建神经网络模型；获取临时样本数据并进行预处理；根据固定样本数据和临时样本数据中的最终输入变量，得到预报样本数据；生成各预报样本数据对应的m+n个预报训练数据，并分别对m+n个神经网络模型进行训练；获取最新m天的实时数据，分别输入前m‑1+n个神经网络模型，并将m天的实时数据组合后输入第m+n个神经网络模型，得到对应未来n天的预报结果；根据未来同一天对应的预报结果，分析该天的赤潮发生概率等级。本发明专利技术可实现较为准确的业务化赤潮预警。

【技术实现步骤摘要】
业务化赤潮预警方法及计算机可读存储介质
本专利技术涉及赤潮预报
，尤其涉及一种业务化赤潮预警方法及计算机可读存储介质。
技术介绍
赤潮是海洋生态系统中的一种异常现象，它是由海藻家族中的赤潮藻在特定环境条件下爆发性地增殖造成的。海藻是一个庞大的家族，除了一些大型海藻外，很多都是非常微小的植物，有的是单细胞植物。根据引发赤潮的生物种类和数量的不同，海水有时也呈现黄、绿、褐色等不同颜色。赤潮不仅给海洋环境、海洋渔业和海水养殖业造成严重危害，对人类健康和生命安全也有一定影响。随着工农业生产的迅速发展、海洋环境污染、流域水体营养化和气候的变暖及少雨等自然变异，赤潮呈现日益严重的趋势，造成的影响也越来越大，已经成为海洋经济发展的一个制约因素。赤潮严重威胁沿岸渔业生产、滨海旅游甚至公众健康，尤以有毒赤潮的危害为甚。面对这一日益突出的海洋生态问题，如何进行有效预测和防灾减灾迫在眉睫。生物与其生活的环境是一个相互依存、相互制约的统一整体。只有当外界环境(海洋)的各种理化条件基本能满足生活于其中的某种赤潮藻生理、生态需求时，该种赤潮藻才有可能形成赤潮。赤潮生物的异常繁殖与周围环境因素有着非常密切的关系。赤潮生物的生长、发育和繁殖都要从环境中索取营养物质和能量。同时，赤潮生物的生长发育和繁殖的各个阶段又都受周围环境条件的制约。因而，在某种程度上，环境因子决定着是否发生赤潮。虽然目前尚不清楚赤潮发生的具体原因，但普遍认为海域的有机污染、富营养化是赤潮发生的物质基础，水温、盐度、DO(溶解氧)、COD(化学需氧量)等是赤潮发生的主要条件，气温、降雨、气压是赤潮发生的诱发条件。众多的赤潮预报的方法，都是在以上的理论基础上进行各种预报工作。然而无论是哪种预报方法也只是赤潮预报的一种手段，绝大多数赤潮预报方法无法进行业务化运作，仅有气象条件预报赤潮和遥感方法预报赤潮两种有进行大尺度宏观的预报应用。气象条件仅是赤潮发生的诱发条件，并不是主要条件，由于赤潮灾害本身受诸多条件的限制，所以赤潮气象预报方法的准确率并不高；遥感方法预报赤潮具有快速、同步、大范围监测海洋的能力，但也有其自身的不足，例如不能全天候工作，阴雨天气和晚上就无法监测赤潮，此外对于空间分辨率较低，对小尺度赤潮的监测十分困难。充足的、有时效的、有质量保证的数据支撑才是赤潮预报工作能否业务化实施的根本，即使拟合度非常好的神经网络模型也仅仅是一种统计手段的探讨，在数据的缺失下也无法真正启动赤潮预报工作。
技术实现思路
本专利技术所要解决的技术问题是：提供一种业务化赤潮预警方法及计算机可读存储介质，可实现较为准确的业务化赤潮预警。为了解决上述技术问题，本专利技术采用的技术方案为：一种业务化赤潮预警方法，包括：获取赤潮发生前预设第一天数至赤潮发生后预设第一天数内的赤潮发生区域的生态数据，得到赤潮样本，并将赤潮发生期间的生态数据标记为赤潮数据，将其他生态数据标记为非赤潮数据，所述生态数据包含多个变量的数据；对所述赤潮样本进行预处理，所述预处理包括剔除异常值、补充缺失值、滤波处理和归一化处理；根据SOM神经网络，对所述赤潮样本进行筛选，得到合格的赤潮样本，并根据合格的赤潮样本中的生态数据，得到固定样本数据；根据所述固定样本数据，通过遗传算法，对所述生态数据中的多个变量进行降维，并将降维后的变量作为神经网络模型的最终输入变量；构建神经网络模型，所述神经网络模型的输入层节点数与所述最终输入变量的个数一致，输出层节点数为1；获取最新的预设第一天数的生态数据，得到临时样本数据，并对所述临时样本数据进行预处理；根据所述固定样本数据和临时样本数据中的最终输入变量，得到预报样本数据；根据一预报样本数据及其未来第i天的赤潮发生情况，生成所述一预报样本数据对应的第i个的预报训练数据，i＝1,2,…,m-1+n，m和n为预设的数值；根据一预报样本数据、其过去m-1天的同一时刻的预报样本数据以及其未来n天的赤潮发生情况，生成所述一预报样本数据对应的第m+n个预报训练数据；根据各预报样本数据对应的第i个预报训练数据，对第i个神经网络模型进行训练，i＝1,2,…,m-1+n；根据各预报样本数据对应的第m+n个预报训练数据，对第m+n个神经网络模型进行训练；获取最新m天的生态数据，并根据所述最终输入变量，得到最新m天的实时数据；若要预报未来第j天的赤潮发生情况，则分别从前m-1+n个神经网络模型中确定最新m天中各天对应的神经网络模型，并分别将所述各天的实时数据输入对应的神经网络模型，得到未来第j天对应的预报结果，j＝1,2,…,n；将所述最新m天中同一时刻的实时数据组合后，输入第m+n个神经网络模型，得到对应未来n天的n维预报结果，并将所述n维预报结果中的第j个预报结果作为未来第j天对应的预报结果；根据所述未来第j天对应的预报结果，分析得到未来第j天的赤潮发生概率等级。本专利技术还提出一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的方法的步骤。本专利技术的有益效果在于：通过对样本数据进行预处理，保证样本数据的准确性和完整性，通过归一化处理，减少不同变量之间量级差异带来的干扰；通过赤潮样本进行筛选，可确保赤潮样本的质量；通过对输入变量进行降维，可提高神经网络模型的精度和效率，降低神经网络模型的过拟合现象出现几率，减少模型收敛时长；通过生成各预报样本数据对应的各预报训练数据，并分别用多个神经网络模型进行训练，可得到分别用于预报未来多天的赤潮发生情况的神经网络模型，从而可实现业务化的赤潮预警，且预报准确率较高。附图说明图1为本专利技术实施例的一种业务化赤潮预警方法的流程图；图2为本专利技术实施例一的方法流程图；图3为本专利技术实施例一的神经网络模型的输入输出示意图；图4为本专利技术实施例二的方法流程图；图5为本专利技术实施例二中的SOM神经网络的拓扑结构示意图；图6为本专利技术实施例二中的SOM神经网络训练数据分类结果示意图；图7为本专利技术实施例二中的SOM神经网络测试数据分类结果示意图；图8为本专利技术实施例三的方法流程图。具体实施方式为详细说明本专利技术的
技术实现思路
、所实现目的及效果，以下结合实施方式并配合附图详予说明。请参阅图1，一种业务化赤潮预警方法，包括：获取赤潮发生前预设第一天数至赤潮发生后预设第一天数内的赤潮发生区域的生态数据，得到赤潮样本，并将赤潮发生期间的生态数据标记为赤潮数据，将其他生态数据标记为非赤潮数据，所述生态数据包含多个变量的数据；对所述赤潮样本进行预处理，所述预处理包括剔除异常值、补充缺失值、滤波处理和归一化处理；根据SOM神经网络，对所述赤潮样本进行筛选，得到合格的赤潮样本，并根据合格的赤潮样本中的生态数据，得到固定样本数据；根据所述固定样本数据，通过遗传算法，对所述生态数据中的多个变量进行降维，并将降维后的变量作为神经网络模型的最本文档来自技高网...

【技术保护点】
1.一种业务化赤潮预警方法，其特征在于，包括：/n获取赤潮发生前预设第一天数至赤潮发生后预设第一天数内的赤潮发生区域的生态数据，得到赤潮样本，并将赤潮发生期间的生态数据标记为赤潮数据，将其他生态数据标记为非赤潮数据，所述生态数据包含多个变量的数据；/n对所述赤潮样本进行预处理，所述预处理包括剔除异常值、补充缺失值、滤波处理和归一化处理；/n根据SOM神经网络，对所述赤潮样本进行筛选，得到合格的赤潮样本，并根据合格的赤潮样本中的生态数据，得到固定样本数据；/n根据所述固定样本数据，通过遗传算法，对所述生态数据中的多个变量进行降维，并将降维后的变量作为神经网络模型的最终输入变量；/n构建神经网络模型，所述神经网络模型的输入层节点数与所述最终输入变量的个数一致，输出层节点数为1；/n获取最新的预设第一天数的生态数据，得到临时样本数据，并对所述临时样本数据进行预处理；/n根据所述固定样本数据和临时样本数据中的最终输入变量，得到预报样本数据；/n根据一预报样本数据及其未来第i天的赤潮发生情况，生成所述一预报样本数据对应的第i个的预报训练数据，i＝1,2,…,m-1+n，m和n为预设的数值；/n根据一预报样本数据、其过去m-1天的同一时刻的预报样本数据以及其未来n天的赤潮发生情况，生成所述一预报样本数据对应的第m+n个预报训练数据；/n根据各预报样本数据对应的第i个预报训练数据，对第i个神经网络模型进行训练，i＝1,2,…,m-1+n；/n根据各预报样本数据对应的第m+n个预报训练数据，对第m+n个神经网络模型进行训练；/n获取最新m天的生态数据，并根据所述最终输入变量，得到最新m天的实时数据；/n若要预报未来第j天的赤潮发生情况，则分别从前m-1+n个神经网络模型中确定最新m天中各天对应的神经网络模型，并分别将所述各天的实时数据输入对应的神经网络模型，得到未来第j天对应的预报结果，j＝1,2,…,n；/n将所述最新m天中同一时刻的实时数据组合后，输入第m+n个神经网络模型，得到对应未来n天的n维预报结果，并将所述n维预报结果中的第j个预报结果作为未来第j天对应的预报结果；/n根据所述未来第j天对应的预报结果，分析得到未来第j天的赤潮发生概率等级。/n...

【技术特征摘要】
1.一种业务化赤潮预警方法，其特征在于，包括：
获取赤潮发生前预设第一天数至赤潮发生后预设第一天数内的赤潮发生区域的生态数据，得到赤潮样本，并将赤潮发生期间的生态数据标记为赤潮数据，将其他生态数据标记为非赤潮数据，所述生态数据包含多个变量的数据；
对所述赤潮样本进行预处理，所述预处理包括剔除异常值、补充缺失值、滤波处理和归一化处理；
根据SOM神经网络，对所述赤潮样本进行筛选，得到合格的赤潮样本，并根据合格的赤潮样本中的生态数据，得到固定样本数据；
根据所述固定样本数据，通过遗传算法，对所述生态数据中的多个变量进行降维，并将降维后的变量作为神经网络模型的最终输入变量；
构建神经网络模型，所述神经网络模型的输入层节点数与所述最终输入变量的个数一致，输出层节点数为1；
获取最新的预设第一天数的生态数据，得到临时样本数据，并对所述临时样本数据进行预处理；
根据所述固定样本数据和临时样本数据中的最终输入变量，得到预报样本数据；
根据一预报样本数据及其未来第i天的赤潮发生情况，生成所述一预报样本数据对应的第i个的预报训练数据，i＝1,2,…,m-1+n，m和n为预设的数值；
根据一预报样本数据、其过去m-1天的同一时刻的预报样本数据以及其未来n天的赤潮发生情况，生成所述一预报样本数据对应的第m+n个预报训练数据；
根据各预报样本数据对应的第i个预报训练数据，对第i个神经网络模型进行训练，i＝1,2,…,m-1+n；
根据各预报样本数据对应的第m+n个预报训练数据，对第m+n个神经网络模型进行训练；
获取最新m天的生态数据，并根据所述最终输入变量，得到最新m天的实时数据；
若要预报未来第j天的赤潮发生情况，则分别从前m-1+n个神经网络模型中确定最新m天中各天对应的神经网络模型，并分别将所述各天的实时数据输入对应的神经网络模型，得到未来第j天对应的预报结果，j＝1,2,…,n；
将所述最新m天中同一时刻的实时数据组合后，输入第m+n个神经网络模型，得到对应未来n天的n维预报结果，并将所述n维预报结果中的第j个预报结果作为未来第j天对应的预报结果；
根据所述未来第j天对应的预报结果，分析得到未来第j天的赤潮发生概率等级。


2.根据权利要求1所述的业务化赤潮预警方法，其特征在于，所述剔除异常值的方法包括基于仪器量程范围剔除异常值、基于与相邻数据的距离剔除异常值、基于均方差检验剔除异常值以及基于数据密度检验剔除异常值中的至少一种；
所述基于仪器量程范围剔除异常值具体为：
若所述生态数据中一变量的一数据值不处于所述一变量对应的仪器量程范围内，则剔除所述一数据值；
所述基于与相邻数据的距离剔除异常值具体为：
根据一变量对应的迭代次数，遍历所述一变量的各时刻的数据值；
计算一时刻前后预设第一时段内的所述一变量的数据值的平均值，得到所述一时刻对应的相邻数据平均值；
若所述一变量的一时刻的数据值与其对应的相邻数据平均值的差值绝对值大于所述一变量对应的第一阈值，则剔除所述一时刻的数据值；
所述基于均方差检验剔除异常值具体为：
遍历所述生态数据中一变量的各时刻的数据值；
计算一时刻前后预设第二时段内的所述一变量的数据值的平均值和均方差值，得到所述一时刻对应的相邻数据平均值和相邻数据均方差值；
若所述一变量的一时刻的数据值与其对应的相邻数据平均值的差值绝对值大于预设倍数的所述相邻数据均方差值，则剔除所述一时刻的数据值，所述预设倍数为预设的所述一变量对应的倍数；
所述基于数据密度检验剔除异常值具体为：
根据生态数据中的一变量的一时刻的数据值以及所述一变量对应的第二阈值，得到所述一变量对应所述一时刻的相关范围；
若一变量的一时刻前后预设第三时段内的数据值不处于所述一变量对应所述一时刻的相关范围的个数超过预设个数，则剔除所述一变量的一时刻的数据值。


3.根据权利要求1所述的业务化赤潮预警方法，其特征在于，所述补充缺失值具体为：
若生态数据中的一变量的一时刻的数据值缺失，则根据所述一时刻预设第三时段内的所述一变量的数据值，通过三次样条差值补充所述一时刻的数据值。


4.根据权利要求1所述的业务化赤潮预警方法，其特征在于，所述滤波处理具体为：
根据预设的第四时段，分别对所述生态数据中各变量的各时刻的数据值进行均值滤波。


5.根据权利要求1所述的业务化赤潮预警方法，其特征在于，所述归一化处理具体为：
将一变量的一数据值与所述一变量的最小值的差值除以所述一变量的最大值与最小值的差值，得到归一化后的数据值。


6.根据权利要求1所述的业务化赤潮预警方法，其特征在于，所述根据SOM神经网络，对所述赤潮样本进行筛选，得到合格的赤潮样本具体为：
根据预设的比例，将一赤潮样本划分为训练数据和测试数据；<...

【专利技术属性】
技术研发人员：李雪丁，张友权，李星，郑祥靖，郭民权，丁萍，陈金瑞，朱本璐，任在常，张彩云，丁文祥，
申请(专利权)人：福建省海洋预报台，
类型：发明
国别省市：福建;35