[发明专利]基于遥感图像4D-FractalNet的多因素蓝藻水华预测方法

说明书

本发明公开了一种基于遥感图像4D‑FractalNet的多因素蓝藻水华预测方法，属于水质监测技术领域，具体包括：首先，在传统CNN的基础上加入时间维度与水华发生的相关因素，进行改进得到4D‑CNN‑SVM模型，对卷积层进行递归扩展，形成4D‑FractalNet模型；然后，利用细菌觅食算法对4D‑FractalNet模型中的卷积核数量和尺寸进行优化；利用优化后的4D‑FractalNet模型对各输入的遥感图像进行特征提取，并对水体富营养化等级预测；最后，在BP神经网络上增加承接层作为Elman神经网络；结合采样站点采集的历史时刻的叶绿素浓度测量值，藻类生长机理模型计算的当前时刻叶绿素浓度值，以及遥感图像的提取特征共同输入Elman神经网络，对下一时刻的叶绿素浓度值进行预测；本发明能实现蓝藻水华爆发的全面预测。

技术领域

本发明属于水质监测技术领域，具体是一种基于遥感图像4D-FractalNet的多因素蓝藻水华预测方法。

背景技术

近几十年来，我国水体的富营养化问题日益严重，在对138个面积大于10km2的湖泊进行调查之后发现，85.4％的湖泊已处于富营养化状态，而其中高达40.1％的湖泊已处于重度富营养化状态，湖泊富营养化会产生一系列环境问题，而蓝藻水华便是其中研究最多且污染最为严重的一种。因此，深入研究蓝藻水华的爆发过程，通过预测和模拟来有效的防治水华现象的发生具有重要意义。

现有技术中，对水华富营养化的预测主要有两类模型：基于机理的水质建模方法和基于数据驱动的水质建模方法。

机理模型主要以微分或偏微分方程为基础，以实现基本的物理、化学定律理论而得到的模型，可提供河湖水质的大致变化趋势，对水华进行快速评价，虽然能够反应水华的暴发机理，但由于蓝藻水华生成过程中营养盐因素、环境因素和生物因素之间相互作用、相互制约，且水华的暴发机理具有高度非线性和不确定性，故建模过程相对困难，无法保证蓝藻水华的预测精度。

数据驱动建模方法可以用作不依赖系统机制和先验知识的黑盒建模方法，来探索数据结构或从数据本身建立数据之间的关系。而在现有的水华预测方法中，大多采用单一的数据驱动模型，主要包括灰色系统和神经网络方法。但是，水质污染也可能受到藻蓝素和温度的影响。在水华数据源方面，传统的水质监测需要现场调查和抽样分析。由于人类，气候和水文条件的限制，覆盖范围小，难以实现大面积水域的同时测量。

因此，在了解上述数据驱动模型和机理驱动模型的利弊后，如何在简化建模过程并考虑各影响因子之间的关系下，实现对蓝藻水华的爆发进行有效的预测，是蓝藻水华研究领域中亟待解决的问题。

发明内容

为了解决现有的水华预测精度不高，机理建模复杂和预测范围小等问题，本发明提出了将4D-FractalNet用于提取遥感图像的特征，再与机理模型相结合，从而提高水华预测精度，为湖库藻类水华预测提供一种新思路；具体是基于遥感图像4D-FractalNet的多因素蓝藻水华预测方法。

所述的多因素蓝藻水华预测方法，包括以下步骤：

步骤一、在传统卷积神经网络(CNN)的基础上加入时间维度与水华发生的相关因素，通过对激活函数和分类器进行改进，得到4D-CNN-SVM模型；

水华发生的相关因素包括：表征水华发生程度的叶绿素和藻蓝素两个因素，以及影响水华发生的温度因素；

4D-CNN的建模过程分为前馈过程，误差计算和反向传播三个部分：其中前馈过程包括四维卷积，四维池化和分类器以得到激活数值。相应地，反向传播包括分类聚集，四维反池化和四维去卷积从而获取误差项。

改进是指：对传统的四维卷积神经网络中的激活函数与分类器进行改进；

首先，通过改进的激活函数得到改进的卷积层，具体为：

激活函数f(·)具体如下：