[发明专利]一种赤潮预警方法

说明书

一种赤潮预警方法，对于给定的样本数据，随机选取部分样本数据作为训练样本，其余作为测试样本，并分别做归一化处理,其余步骤如下：1)将训练样本输入MLP神经网络模型训练，调整拓扑结构和参数得到若干组训练后的MLP神经网络模型；2)将测试样本分别输入每一组训练后的MLP神经网络模型进行测试，并选出几组训练效果最好的模型进行集成选取最优化的结果，将对应的输出数据作为未来一段时间内的预测数据；3)根据预测数据中的叶绿素和溶解氧的含量，采用异常值判断法计算得到未来一段时间内的海水赤潮等级。本发明能实现比较准确的赤潮预警预报。

技术领域

本发明涉及赤潮预警领域，特别是一种赤潮预警方法。

背景技术

赤潮是危害渔业、水产养殖等行业的重大自然灾害之一，是一种小概率事件，它的成因实质上是由海洋生物、海洋化学、海洋物理和气候等诸多因素共同影响的结果，这可能是国内外目前仍未能真正运用客观方法做赤潮预报的关键所在。有关赤潮发生、发展机理及预报方法的研究工作一直受到广泛的重视。多数研究结果表明赤潮的发生与海水环境直接相关。发生赤潮时，海水中叶绿素值含量也会随着赤潮的强弱变化而产生同步变化。

目前，随着海洋水质自动连续监测仪器应用于厦门海域进行全天24h对海水各项因子的连续跟踪和监测，近年已有学者利用海洋水质自动连续监测仪器所获取的数据对厦门海域赤潮发生情况进行研究，发现在赤潮高发期间叶绿素值的变化与溶解氧、溶解氧饱和度、叶绿素值日变化、叶绿素值日变化梯度有着显著的相关性。

根据历史赤潮数据的总结分析，大多数赤潮事件，在发生日及之前其溶解氧，叶绿素(DO,Chl)异常值0.5std；赤潮发生日虽有溶解氧，叶绿素(DO,Chl)0.5std，但大部分都是在赤潮接近消亡时。

目前采用的溶解氧，叶绿素(DO,Chl)判别阈值直观，容易理解，在业务化流程中容易操作。但是，利用已有赤潮样本进行后评估，也发现部分分级数据的取值范围比较分散，并不在判别阈值范围内。

发明内容

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种采用人工神经网络模型结合异常值判断进行赤潮预警，提高海水赤潮等级预测精度的赤潮预警方法。

本发明采用如下技术方案：

一种赤潮预警方法，其特征在于，对于给定的样本数据，随机选取部分样本数据作为训练样本，其余作为测试样本，并分别做归一化处理；该样本数据包括浮标观测参数、潮位以及气象要素；其余步骤如下：

1)将训练样本输入MLP神经网络模型训练，调整拓扑结构和参数得到若干组训练后的MLP神经网络模型；

2)将测试样本分别输入每一组训练后的MLP神经网络模型进行测试，并选出几组训练效果最好的训练后的MLP神经网络模型进行集成选取最优化的输出数据作为未来一段时间内的预测数据；

3)根据预测数据中的叶绿素和溶解氧的含量，采用异常值判断法计算得到未来一段时间内的海水赤潮等级。

优选的，在步骤3)中，所述的异常值判断法为：先计算样本数据中各时刻的历史平均值及总的标准偏差，然后将预测数据中的叶绿素和溶解氧的含量分别减去对应的历史平均值得到异常值，根据该异常值与标准偏差之间的关系来进行判断分级。

优选的，在步骤3)中，当叶绿素和溶解氧的异常值均小于零时，海水赤潮等级为一级；当叶绿素和溶解氧的异常值均大于等于零且小于标准偏差的二分之一时，海水赤潮等级为二级；当叶绿素和溶解氧的异常值均大于等于标准偏差的二分之一时，海水赤潮等级为三级。

优选的，所述浮标观测参数包括水温、盐度、溶解氧、pH值和叶绿素，气象要素包括温度、风向、风速、气压和湿度。

优选的，在步骤2)中，选出训练效果最好的4-6组拓扑结构进行集成选取最优化的结果作为未来一段时间内的预测数据，所述训练效果最好是指误差最小。