基于海气动力场数据的赤潮预测方法技术

本发明专利技术提供一种基于海气动力场数据的赤潮预测方法，包括以下步骤：基于关联性分析，于初始特征因子中，提取与叶绿素浓度分布相关的相关特征因子；基于相关特征因子，构建衍生特征因子；将相关特征因子和衍生特征因子作为目标特征因子，基于目标特征因子和叶绿素浓度的时序分布，构建训练数据集；基于训练数据集，构建并训练赤潮预测模型，获得训练后的赤潮预测模型；基于历史和预报的海气动力场数据，构建预测数据集，基于预测数据集，利用所述训练后的赤潮预测模型，获得赤潮预测结果

【技术实现步骤摘要】
基于海气动力场数据的赤潮预测方法、系统及介质


[0001]本申请属于赤潮预测
，特别是涉及一种基于海气动力场数据的赤潮预测方法
。

技术介绍

[0002]随着科学技术的发展，越来越多的学者将机器学习方法应用于赤潮的研究与预测中，该类方法基于观测数据，实现了自动化的赤潮预警
。
但现有的基于机器学习的赤潮预测方法通常需要基于海气动力场数据以及生物和化学等多源因子，实现高准确度的赤潮预测，不仅涉及的数据量庞大，且多源因子的获取难度高，如氨态氮
、
硝态氮等生化因子，需要预先在目标海域设置生化观测装置，并基于观测数据分析获取，于实际应用时，难以满足常态化的赤潮预测需求
。
因此，如何仅基于易获取的海气动力场数据，实现准确度高且常态化的赤潮预测是目前亟需解决的重要问题
。

技术实现思路

[0003]鉴于上述现有技术的缺点，本申请的目的在于提供一种基于海气动力场数据的赤潮预测方法，用于解决目前赤潮预测方法对多源因子依赖性强，难以实现常态化且准确度高的赤潮预测的问题
。
[0004]为实现上述目的及其他相关目的，本专利技术提供一种基于海气动力场数据的赤潮预测方法，用于获取目标海域内的叶绿素浓度分布，包括以下步骤：基于关联性分析，于初始特征因子中，提取与所述叶绿素浓度分布相关的相关特征因子，和基于所述相关特征因子，构建衍生特征因子；将所述相关特征因子和所述衍生特征因子作为目标特征因子，基于所述目标特征因子的时序分布，和与所述目标特征因子的时序分布对应的叶绿素浓度的时序分布，构建训练数据集；基于所述训练数据集，构建并训练赤潮预测模型，获得训练后的所述赤潮预测模型；基于目标特征因子，获取历史和预报的海气动力场数据；基于所述历史和预报的海气动力场数据，构建预测数据集；基于预测数据集，利用所述训练后的赤潮预测模型，获得赤潮预测结果
。
[0005]于本专利技术的一实施例中，所述相关特征因子的获取方式包括：获取海气动力场数据中各初始特征因子的时序分布，和与所述海气动力场数据对应时间段的叶绿素浓度的时序分布，对各所述初始特征因子和所述叶绿素浓度进行关联性分析，获得所述初始特征因子中，与所述叶绿素浓度时序变化相关的相关特征因子
。
[0006]于本专利技术的一实施例中，所述衍生特征因子的获取方式包括：基于所述相关特征因子，构建衍生因子；对所述衍生因子和所述叶绿素浓度进行相关性分析，获得所述衍生因子中与所述叶绿素浓度变化相关的衍生特征因子
。
[0007]于本专利技术的一实施例中，所述训练数据集的构建方式包括：将
t
时刻的叶绿素浓度作为标签，将与
t
时刻对应的目标时间段内的所述目标特征因子作为特征，组合所述标签与对应的所述特征，获得构建的训练数据；采用所述训练数据的构建方式，依次对各时刻的所述叶绿素浓度，和对应目标时间段内的所述目标特征因子进行所述训练数据的构建，获得训练数据集
。
[0008]于本专利技术的一实施例中，所述与
t
时刻对应的目标时间段为所述
t
时刻前的时间子段，和所述
t
时刻后的时间子段
。
[0009]于本专利技术的一实施例中，所述
t
时刻前的时间子段为7天，所述
t
时刻后的时间子段为3天
。
[0010]于本专利技术的一实施例中，所述预测数据集的构建方式与所述训练数据集的构建方式相同
。
[0011]对应地，本专利技术提供一种基于海气动力场数据的赤潮预测系统，用于获取目标海域内的叶绿素浓度分布，其特征在于，包括：目标特征因子获取模块，用于基于关联性分析，于初始特征因子中，提取与所述叶绿素浓度分布相关的相关特征因子；和基于所述相关特征因子，构建衍生特征因子；训练数据集构建模块，用于将所述相关特征因子和所述衍生特征因子作为目标特征因子，基于所述目标特征因子的时序分布，和与所述目标特征因子的时序分布对应的叶绿素浓度的时序分布，构建训练数据集；赤潮预测模型获取模块，用于基于所述训练数据集，构建并训练赤潮预测模型，获得训练后的所述赤潮预测模型；赤潮预测结果获取模块，用于基于目标特征因子，获取历史和预报的海气动力场数据；基于所述历史和预报的海气动力场数据，构建预测数据集；基于预测数据集，利用所述训练后的赤潮预测模型，获得赤潮预测结果
。
[0012]于本专利技术的一实施例中，所述目标特征因子获取模块包括：相关特征因子获取子模块，用于获取海气动力场数据中各初始特征因子的时序分布，和与所述海气动力场数据对应时间段的叶绿素浓度的时序分布，对各所述初始特征因子和所述叶绿素浓度进行关联性分析，获得所述初始特征因子中，与所述叶绿素浓度时序变化相关的相关特征因子；衍生特征因子获取子模块，用于基于所述相关特征因子，构建衍生因子；对所述衍生因子和所述叶绿素浓度进行相关性分析，获得所述衍生因子中与所述叶绿素浓度变化相关的衍生特征因子
。
[0013]对应地，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述赤潮预测方法
。
[0014]如上所述，本申请所述的一种基于海气动力场数据的赤潮预测方法
、
系统及介质，具有以下有益效果：通过在时间维度和
/
或空间维度上，分析海气动力场数据中的各初始特征因子的特征分布与叶绿素浓度分布的关联性，获取各所述初始特征因子中与赤潮发生高度相关的相关特征因子；其次，通过构建所述相关特征因子于时间维度和
/
或空间维度上的衍生因子，在深入挖掘了所述特征因子与所述叶绿素浓度的关联性的同时，提升了目标特征因子
的数量，以满足模型训练的需求；以及，通过建立所述目标特征因子与赤潮发生在时间尺度上的联系，进一步提升仅基于所述海气动力场数据，预测赤潮发生的准确度，从而实现仅基于海气动力场数据的高准确度的赤潮发生预测
。
附图说明
[0015]图1显示为本申请一实施例示出的一种基于海气动力场数据的赤潮预测方法的流程示意图
。
[0016]图2显示为本申请一实施例示出的基于所述赤潮预测方法获取的
2023
年4月至5月外海海域的赤潮预测结果图
。
[0017]图3显示为本申请一实施例示出的基于所述赤潮预测方法获取的
2016
年至
2019
年温州海域的预测叶绿素浓度与观测叶绿素浓度对比图
。
[0018]图4显示为本申请一实施例示出的一种基于海气动力场数据的赤潮预测系统的模块示意图
。
[0019]图5显示为本申请一实施例示出的目标特征因子获取模块的子模块示意图
。
[0020]附图标记说明
S1~S4 步骤；
300 赤潮预测系统；
3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于海气动力场数据的赤潮预测方法，其特征在于，用于获取目标海域内的叶绿素浓度分布，所述方法包括：基于关联性分析，于初始特征因子中，提取与所述叶绿素浓度分布相关的相关特征因子，和基于所述相关特征因子，构建衍生特征因子；将所述相关特征因子和所述衍生特征因子作为目标特征因子，基于所述目标特征因子的时序分布，和与所述目标特征因子的时序分布对应的叶绿素浓度的时序分布，构建训练数据集；基于所述训练数据集，构建并训练赤潮预测模型，获得训练后的所述赤潮预测模型；基于目标特征因子，获取历史和预报的海气动力场数据；基于所述历史和预报的海气动力场数据，构建预测数据集；基于预测数据集，利用所述训练后的赤潮预测模型，获得赤潮预测结果
。2.
根据权利要求1所述的方法，其特征在于，所述相关特征因子的获取方式包括：获取海气动力场数据中各初始特征因子的时序分布，和与所述海气动力场数据对应时间段的叶绿素浓度的时序分布，对各所述初始特征因子和所述叶绿素浓度进行关联性分析，获得所述初始特征因子中，与所述叶绿素浓度时序变化相关的相关特征因子
。3.
根据权利要求1所述的方法，其特征在于，所述衍生特征因子的获取方式包括：基于所述相关特征因子，构建衍生因子；对所述衍生因子和所述叶绿素浓度进行相关性分析，获得所述衍生因子中与所述叶绿素浓度变化相关的衍生特征因子
。4.
根据权利要求1所述的方法，其特征在于，所述训练数据集的构建方式包括：将
t
时刻的叶绿素浓度作为标签，将与
t
时刻对应的目标时间段内的所述目标特征因子作为特征，组合所述标签与对应的所述特征，获得构建的训练数据；采用所述训练数据的构建方式，依次对各时刻的所述叶绿素浓度，和对应目标时间段内的所述目标特征因子进行所述训练数据的构建，获得训练数据集
。5.
根据权利要求4所述的方法，其特征在于，所述与
t
时刻对应的目标时间段为所述
t
...

【专利技术属性】
技术研发人员：鲍敏，周浩，马静武，张钊，黄国强，陶邦一，王惠群，
申请(专利权)人：自然资源部第二海洋研究所，
类型：发明
国别省市：