一种基于多源数据与深度学习的海洋赤潮预测方法技术

本发明专利技术涉及一种基于多源数据与深度学习的海洋赤潮预测方法。一方面将遥感数据、水质浮标监测数据、气象数据和人工检测数据结合，另一方面采用基于CNN

【技术实现步骤摘要】
一种基于多源数据与深度学习的海洋赤潮预测方法


[0001]本专利技术涉及海洋生态环境领域，特别是海洋水质监测领域，具体涉及一种基于多源数据与深度学习的海洋赤潮预测方法。

技术介绍

[0002]赤潮作为一种能够极大危害海洋环境的灾害，给所有海滨城市带来安全隐患。赤潮的发生会影响生态的平衡，造成海洋污染，应及早对赤潮进行实时监测，充分掌握赤潮发展情况，对赤潮的发生进行准确预测。传统的经验预测法、统计预测法、数值模型分析法越来越难以适应大规模数据场景。而通过图像检测探索发生赤潮现象的概率的k
‑
临近和随机森林算法、反向散射法、叶绿素异常法等机器学习方法。由于在大数据量及复杂场景中对于特征的表达能力有限。导致以往的方法预测准确度低、模型复杂度低且适用性不足。
[0003]近年来，随着深度学习的发展，越来越多的深层神经网络应运而生，它们在许多领域得到了深入的研究，并对一系列问题的解决产生了非凡的影响。为解决上述机器学习特征表达能力有限问题，近年来的专利将对赤潮发生的预测与深度学习结合。如公开号为CN112365093A的中国专利公开了一种基于GRU深度学习的多特征因子赤潮预测模型，包括对采集数据的预处理，特征影响因子与赤潮关联性的分析，GRU预测模型构建，利用多组合特征因子训练模型，模型性能评估等步骤。工作时，以多组合特征因子作为输入变量，经过训练好的GRU模型，输出赤潮发生的概率。该模型有效的结合深度学习，并利用多组合特征因子对赤潮发生概率进行预测，对特征有一个良好的表达效果，对赤潮发生预测的准确率也有所提升，但该模型数据复杂度低，适用性并不强，预测精度也存在上升空间。又如公开号为CN112084716A的中国专利公开了一种基于富营养化综合评价的赤潮预测预警方法，包括数据的采集以及关联性处理，得到的具有关联性的数据建立决策树，建立并训练神经网络预测模型等内容。工作时，使用高置信度数据集和低置信度数据集输入神经网络预测模型，得到最终预测结果；根据最终预测结果发出对应的预警信息。本专利技术能够改进现有技术的一些不足，提高对赤潮发展趋势预测的准确度。但训练数据规模小，模型收敛速度慢，精度也有待提高。
[0004]目前，尚无预测方法可以适应大规模数据场景的同时具备高精度，为此，设计了一种基于多源数据与深度学习的海洋赤潮预测模型。利用多源数据的时间序列分析来进行赤潮预测。不仅具有较高的预测准确度，还可以适应大规模场景，提升了预测精度以及提高了模型复杂度。具有现实意义和良好的应用场景。

技术实现思路

[0005]本专利技术的目的在于提供一种基于多源数据与深度学习的海洋赤潮预测方法，采用皮尔逊系数分析环境因子和赤潮发生的相关性，利用复相关系数分析多环境因子组合与赤潮发生的相关性，构建CNN
‑
LSTM神经网络模型，利用不同组合的多环境因子对模型进行训练，构建基于多源数据与深度学习的海洋赤潮预测模型。
[0006]为实现上述目的，本专利技术的技术方案是：一种基于多源数据与深度学习的海洋赤潮预测方法，包括如下步骤：
[0007]a.数据集的构建、对数据的整合和预处理；
[0008]b.采用皮尔逊系数分析环境因子和赤潮发生的相关性，并利用复相关系数分析多环境因子组合与赤潮发生的相关性；
[0009]c.构建CNN
‑
LSTM预测模型，利用不同组合多环境因子对CNN
‑
LSTM预测模型进行训练；
[0010]d.对训练好的CNN
‑
LSTM预测模型进行测试，得到预测结果，并进行性能评估。
[0011]在本专利技术一实施例中，所述步骤a具体包括：
[0012]a1.对遥感数据的提取，对海水表面温度、叶绿素浓度进行反演分别采用劈窗算法公式(1)、波段比值法公式(2)；
[0013]T
s
＝A0+A1T
31
‑
A2T
32
(1)
[0014]式中T
s
表示海水表面温度，T
31
、T
32
为第31、32波段辐射亮度温度，A0、A1、A2为劈窗算法参数；
[0015]Chl
‑
a＝a*(B
NIR
B
RED
)2+b*(B
NIR
B
RED
)+c(2)
[0016]式中Chl
‑
a表示叶绿素a浓度，B
NIR
、B
RED
为近红外波段和红外波段，a、b、c为待求参数系数；
[0017]a2.对监测数据的缺失数据进行处理，采用插补法补充缺失数据；
[0018]a3.将遥感提取数据和监测的时间序列的环境因子数据进行整合，作归一化处理；
[0019][0020]其中，x为原始特征因子数据，x
min
为特征因子数据的最小值，x
max
为特征因子数据的最大值，x'为经过标准化处理后的数据。
[0021]在本专利技术一实施例中，所述步骤b具体包括：
[0022]b1.将处理好的环境因子数据输入，包括饱和溶解氧、溶解氧、pH、叶绿素a浓度、水温、盐度、浊度、潮汐、风速u分量、风速v分和气温；
[0023]b2.利用皮尔逊系数分析各个环境因子与赤潮发生的相关性，计算公式如下：
[0024][0025]其中，X表示环境因子，Y表示赤潮的发生，cov(X,Y)为两者之间的协方差，σX和σY分别是X和Y的标准差；
[0026]b3.利用复相关系数分析不同组合的多环境特征因子组合与赤潮发生的相关性，计算公式如下：
[0027][0028]其中y表示赤潮的发生，y^表示y对所有环境因子x做回归得到的结果。
[0029]在本专利技术一实施例中，所述步骤c具体包括：
[0030]c1.将处理好的特征环境因子进行各种不同组合；
[0031]c2.构建CNN
‑
LSTM预测模型，CNN用于挖掘环境变量数据的局部特征，计算方式如下公式(6)，LSTM用于挖掘环境因子时间序列的时序依赖特征，计算过程由一系列公式(7)
‑
(11)得到：
[0032][0033]其中，M
j
是输入映射的集合，为l层第j组数据的输出，为第i个数据的输出，为第j组第i个数据的权值，为第j组数据在第l层输出映射加性偏差，对于不同的输出映射，输入映射将被卷积成不同的内核；
[0034]f
t
＝σ(W
f
*[h
t
‑1,x
t
]+b
f
)(7)
[0035]i
t
＝σ(W
i
*[h
t
‑1,x
t
]+b
i
)(8)
[0036]C<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源数据与深度学习的海洋赤潮预测方法，其特征在于，包括如下步骤：a.数据集的构建、对数据的整合和预处理；b.采用皮尔逊系数分析环境因子和赤潮发生的相关性，并利用复相关系数分析多环境因子组合与赤潮发生的相关性；c.构建CNN
‑
LSTM预测模型，利用不同组合多环境因子对CNN
‑
LSTM预测模型进行训练；d.对训练好的CNN
‑
LSTM预测模型进行测试，得到预测结果，并进行性能评估。2.根据权利要求1所述的一种基于多源数据与深度学习的海洋赤潮预测方法，其特征在于，所述步骤a具体包括：a1.对遥感数据的提取，对海水表面温度、叶绿素浓度进行反演分别采用劈窗算法公式(1)、波段比值法公式(2)；T
s
＝A0+A1T
31
‑
A2T
32
(1)式中T
s
表示海水表面温度，T
31
、T
32
为第31、32波段辐射亮度温度，A0、A1、A2为劈窗算法参数；Chl
‑
a＝a*(B
NIR
B
RED
)2+b*(B
NIR
B
RED
)+c(2)式中Chl
‑
a表示叶绿素a浓度，B
NIR
、B
RED
为近红外波段和红外波段，a、b、c为待求参数系数；a2.对监测数据的缺失数据进行处理，采用插补法补充缺失数据；a3.将遥感提取数据和监测的时间序列的环境因子数据进行整合，作归一化处理；其中，x为原始特征因子数据，x
min
为特征因子数据的最小值，x
max
为特征因子数据的最大值，x'为经过标准化处理后的数据。3.根据权利要求1所述的一种基于多源数据与深度学习的海洋赤潮预测方法，其特征在于，所述步骤b具体包括：b1.将处理好的环境因子数据输入，包括饱和溶解氧、溶解氧、pH、叶绿素a浓度、水温、盐度、浊度、潮汐、风速u分量、风速v分和气温；b2.利用皮尔逊系数分析各个环境因子与赤潮发生的相关性，计算公式如下：其中，X表示环境因子，Y表示赤潮的发生，cov(X,Y)为两者之间的协方差，σX和σY分别是X和Y的标准差；b3.利用复相关系数分析不同组合的多环境特征因子组合与赤潮发生的相关性，计算公式如下：其中y表示赤潮的发生，y^表示y对所有环境因子x做回归得到的结果。4.根据权利要求1所述的一种基于多源数据与深度学习的海洋赤潮预测方法，其特征在于，所述步骤c具体包括：
c1.将处理好的特征环境因子进行各种不同组合；c2.构建CNN
‑
LSTM预测模型，CNN用于挖掘环境变量数据的局部特征，计算方式如下公式(...

【专利技术属性】
技术研发人员：陈俊，陈芳，孟伟强，姜乃祺，石浩铭，易天儒，
申请(专利权)人：福州大学，
类型：发明
国别省市：