CN106484976B - 赤潮监测预警系统 - Google Patents

赤潮监测预警系统 Download PDF

Info

Publication number
CN106484976B
CN106484976B CN201610858751.6A CN201610858751A CN106484976B CN 106484976 B CN106484976 B CN 106484976B CN 201610858751 A CN201610858751 A CN 201610858751A CN 106484976 B CN106484976 B CN 106484976B
Authority
CN
China
Prior art keywords
red tide
data
diffusion
acquisition
early warning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610858751.6A
Other languages
English (en)
Other versions
CN106484976A (zh
Inventor
孙新宇
严佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201610858751.6A priority Critical patent/CN106484976B/zh
Publication of CN106484976A publication Critical patent/CN106484976A/zh
Application granted granted Critical
Publication of CN106484976B publication Critical patent/CN106484976B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及海洋环境监测领域，公开了一种赤潮监测预警系统，包括：数据采集装置，用以采集海水水质数据；数据扩散分析装置，用以对采集的所述数据进行扩散分析，以生成n维数据；n维数据应用离散选择模型装置，用以对所述n维数据应用离散选择模型，以确定是否发生赤潮；该方法采用了力学扩散特点和统计方式对形成过程进行表征以及借助Markov Chain Monte Carlo仿真技术、离散选择模型等方式从而实现系统预测赤潮发生的可能性的功能。

Description

赤潮监测预警系统
技术领域
本发明涉及海洋环境监测技术领域，具体地，涉及一种赤潮监测预警系统。
背景技术
由于海水富营养化、潮汐、洋流运动等原因，海水里的一些微生物、浮游藻类有时会迅速大量繁殖。藻类所含的色素会引起海水变色。因应不同的藻类色素，海水会变成粉红色、红色、褐色、褐红色、深绿色或其他颜色。
赤潮普遍用来描述由高浓度藻类繁殖导致海水变色的现象。特定的藻类品种，会导致海水中的溶解氧迅速下降，令鱼类死亡。另外有些藻类，即使在低浓度情况下都有机会产生不良影响，产生毒素污染海产或对人体有害。
与本发明相关的现有技术
(1)数值预测法主要根据赤潮发生机理，通过各种物理-化学-生物耦合生态动力学数值模型模拟赤潮发生、发展、高潮、维持和消亡的整个过程而对赤潮进行预测。例如王寿松等依据生物种群生态学和营养动力学的原理，建立了大鹏湾夜光藻-硅藻-营养物质三者相关的营养动力学模型。
(2)经验预测法一般是对大量赤潮生消过程监测资料进行分析处理，基于多元统计方法，如判别分析、主成分分析等，在选择不同的预报因子的同时，利用一定的判别模式对赤潮进行预测。
(3)遥感技术与GIS，因GIS能从大量复杂数据中提取简单信息、遥感可利用高空和远距离操作提供航拍照片、数码图像和卫星图像，而这些信息是现场工作无法得到的，因此它们成为赤潮监测的有用工具。GIS和遥感通常都不是单独使用的，它们必须和其它手段结合起来，两者也经常结合在一起使用，比如遥感技术与实地采样分析、计算机数据处理系统相结合，以弥补各自的不足，相互取长补短。美国佛罗里达赤潮研究小组，利用遥感技术监测叶绿素a的浓度变化以追踪在海水表面发生的赤潮，一旦赤潮发生，专家从卫星图像来预测赤潮的移动方向和发展趋势。至于是何种赤潮藻种引发的赤潮则必须通过实地采样分析来判断。
结合各种监测方法的实践效果发明人发现现有常规的赤潮监测预报方法有着明确的物理意义，但实际操作起来比较困难成本也较高。而现有的赤潮遥感方法大都是利用叶绿素或温度或光谱的一两个特征变量的经验统计模型，没有把赤潮的生理生态发育过程考虑在内，缺乏物理过程基础，有着很大的局限性。
近20年来，近海赤潮灾害的暴发十分频繁，已引起了各国政府及科学界的高度关注。1998年10月联合国政府间海委会IOC和国际海洋研究委员会SCOR共同发起组织了“全球有害赤潮的生态学和海洋学研究计划”。许多国家及国际团体都在积极发展包括赤潮监测预报在内的全球海洋观测计划(GOOS)。美国利用CZCS、AVHRR和SeaWiFS资料探测和监测近岸海区的赤潮，并把赤潮卫星遥感监测纳入CoastWatch计划。2000年美国在北墨西哥湾建立赤潮探测和预报系统，该系统为其他地区的进一步拓展打下了基础。英国和西班牙利用AVHRR和SeaWiFS探测英吉利海峡和西班牙西南海域的颗石藻赤潮和腰鞭毛虫赤潮。在欧盟和欧空局资助下，英国的Plymouth海洋实验室目前正从事北海及Dovon近岸的赤潮监测和预报项目。
目前，我国已运用卫星先进技术对赤潮进行监测。国家海洋局已部署了包括对赤潮监测在内的海洋环境监测工作，要求将赤潮卫星遥感监测和应急监测结合起来，从中国科学院卫星地面信息中心购入监测期间监测海区每天的卫星遥感资料，经国家海洋环境监测中心对资料的分析提取，绘制监测海区每次赤潮发生过程的图像。根据卫星遥感监测结果对影响范围广、危害较大的赤潮，由沿海省市海洋行政管理部门和各分局组织进行现场应急监测与赤潮毒素的实验室检测。
发明内容
本发明的目的是提供一种赤潮监测预警系统，采用了力学扩散特点和统计方式对形成过程进行表征以及借助马尔科夫链蒙特卡罗(Markov Chain Monte Carlo)MCMC仿真技术、离散选择模型等方式从而实现系统预测赤潮发生的可能性的功能。
为了实现上述目的，本发明提供一种赤潮监测预警系统，包括：数据采集装置，用以采集海水水质数据；数据扩散分析装置，用以对采集的所述数据进行扩散分析，以生成n维数据；n维数据应用离散选择模型装置，用以对所述n维数据应用离散选择模型，以确定是否发生赤潮。
优选地，所述扩散分析为对采集的所述数据应用均值回归扩散模型。
优选地，所述均值回归扩散模型公式为：dxit＝β(xit；Φ)dt+σ(Φ)dwit，其中，xit表示n维水质数据中第i个变量在时间t的取值；β为n维时间扩散因子，表示扩散过程回归均值的速度；σ为n维方阵，表示扩散游走扰动；wit为n维维纳Wiener过程，刻画布朗运动过程；Φ为n维系统参数，表示刻画扩散过程的特征参数。
优选地，所述离散选择模型公式为：
当yt＝1，表示赤潮发生，当yt＝0，表示赤潮不发生；αt为状态变量，表示赤潮潜在风险；ut为隐含变量，说明赤潮发生的可能性，符合正态分布；Xt为所述n维数据；B为矩阵变量，度量每个所述采集的数据对于赤潮发生的贡献度，正值表示对赤潮发生有促进作用，负值表示减弱赤潮发生的可能性；εt为是独立同分布的白噪声，服从标准正态分布。
优选地，所述αt通过如下公式得到：
st有高H与低L两个状态，状态转移符合马尔科夫过程st|st-1～Markov(P)；其中，P为转移概率矩阵，表示从状态H到状态H/L，状态L到状态H/L的转移概率值。
优选地，所述n维数据应用离散选择模型装置还被配置为：用以根据h(ut)＝Φ(0-ut)计算赤潮发生的概率，所述概率取值在0到1之间，其中Φ(0,1)表示的是标准正态分布。
优选地，还包括赤潮观测数据库，用以存储采集的每日赤潮观测数据，通过对所述采集的每日水质数据和采集的所述每日赤潮观测数据，应用所述离散选择模型公式得到矩阵变量B。
优选地，所述水质数据至少包括：温度、盐分、溶解氧、浊度、氨氮含量、硝酸盐、总凯氏氮、磷酸盐、总磷量、二氧化硅、无机氮和叶绿素。
通过上述技术方案，将采集的离散海水水质数据，例如每两个星期观测一次，经输入模块输入到水质数据库中，经数据扩散分析装置针对水质数据库中的海水水质数据完成将未能观测的水质数据进行差值填补，同时进行预测，生成n维数据，存储到高频多维度数据中；n维数据应用离散选择模型装置对n维数据应用离散选择模型，预测赤潮是否发生。而赤潮行为分级预测装置进一步对赤潮发生严重程度的可能性进行预测，例如可按照赤潮维持天数进行分级；赤潮预警系统则根据赤潮发生的可能性和严重程度的预测，调用赤潮处理预警方案数据库中的相应预警方案；水质特征监控装置根据高频多维度数据库中的水质数据作为参考，进行实际水质特征的对比；最后上述赤潮发生可能性的预测、严重程度的预测、预警方案、预测水质及与实质水质的对比经输出装置输出。
上述离散选择模型相关参数的获取为通过采集的海水水质数据和赤潮观测数据库中存储的每日赤潮观测数据训练获得；输入装置还被配置为将采集的每日赤潮观测数据经输入模块存储到赤潮观测数据库中。
本发明的赤潮监测预警系统预测赤潮发生的可能性。采用了力学扩散特点和统计方式对形成过程进行表征以及借助MCMC仿真技术、离散选择模型等方式从而实现系统预测赤潮发生的可能性的功能。
为实现发明目的，采用的技术方案是以扩散为特点的水污染索引技术，采用了力学扩散特点和统计方式对形成过程进行表征，同时通过开发计算机水质监控方法，评价有害藻类爆发出现的可能性。本项目采用MCMC仿真技术(马尔可夫链蒙特卡罗仿真)通过计算表征有害藻类爆发的形成过程的MCMC扩散仿真机，识别出海水的特征变量模型。使用离散选择模型来训练预测模型。采用统计方式评价不规则事件和状态变化可能性的自适应贝叶斯推断。除此之外，首次将扩散模型与离散选择模型等计量经济学方法应用达到赤潮监测与预警系统中来，并取得了很好的预测效果。方法具有很好的鲁棒性、可靠性。计算速度快捷，可进行快速预测。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
图1是本发明一种实施方式的赤潮监测预警系统结构示意图；
图2是本发明另一种实施方式的赤潮监测预警系统结构示意图；
图3是将每两周的观测数据经扩散为每周和每天的数据分布效果图；
图4是根据本发明一种实施方式的赤潮监测预警系统进行赤潮监测预警的方法流程图；
图5是本发明一种实施方式的赤潮监测预警系统进行赤潮分级预测得到的赤潮发生可能性效果图；
图6是按照每月统计发生赤潮的天数数据图示例；
图7是按照每月统计发生赤潮的天数数据图示例；
图8与图9是根据本发明一种实施方式的赤潮监测预警系统进行的海水成分溶解氧(DO)在不同初始点开始均可收敛到同一参数估计值效果图；
图10与图11是根据本发明一种实施方式的赤潮监测预警系统进行的水质成分溶解氧(DO)与氨氮(NH4)的预测结果(MCMC)和实际发生赤潮(OBS)曲线的比较；
图12是根据本发明一种实施方式的赤潮监测预警系统进行赤潮预警的预测值结果(ystarpredict)和实际测量计算值(ystar)曲线的比较。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
图1是本发明一种实施方式的赤潮监测预警系统结构示意图。如图1所示的本发明一种实施方式的赤潮监测预警系统，包括：数据采集装置10，用以采集海水水质数据；数据扩散分析装置20，用以对采集的所述数据进行扩散分析，以生成n维数据；n维数据应用离散选择模型装置40，用以对所述n维数据应用离散选择模型，以确定是否发生赤潮。
上述方案中，数据采集装置10采集海水水质数据后，由数据扩散分析装置20对采集的海水水质数据进行扩散分析，将离散的海水水质数据生成n维数据；n维数据应用离散选择模型装置40对生成的n维数据应用离散选择模型，确定是否发生赤潮。
因海水水质数据的观测通常为离散的低频数据，例如每两个星期观测一次，赤潮发生当天的海水水质数据可能未能采集与观测，同时存在缺失数据的状况、数据错误的状况。因此需要对水质数据进行预测。因此该数据扩散分析装置完成将未能观测的水质数据进行差值填补，同时进行预测。本系统通过随机扩散过程将低频、有缺失、有偏差的数据扩展为高频、稳定的数据系列。
图2是本发明第二种实施实施方式的赤潮监测预警系统结构示意图。如图2所示的本发明另一种实施方式的赤潮监测预警系统，还包括输入模块11和水质数据库12，其中输入模块11用以将所述海水水质数据进行标准化和进行数据校验，并发送到水质数据库12；其中，水质数据库12用以存储采集的海水水质数据。
根据本发明一种实施方式，还包括高频多维度数据库30，用以存储生成的n维数据。
根据本发明一种实施方式，所述扩散分析为对采集的所述数据应用均值回归扩散模型。
均值回归过程指的是一组时间序列数据从长期看会，向着其均衡水平发展。该模型被广泛应用于商品价格与股票价格分析。从自然的角度看，大部分生物现象都符合均值回归定律。我们进行了Augmented Dickey-Fuller(ADF)测试，测试结果显示海水水质数据的时间序列符合均值回归过程。本系统使用均值回归扩散模型来表征水质数据中各个成分的变化规律。
根据本发明一种实施方式，所述均值回归扩散模型公式为：dxit＝β(xit；Φ)dt+σ(Φ)dwit，其中，xit表示n维水质数据中第i个变量在时间t的取值；β为n维时间扩散因子，表示扩散过程回归均值的速度；σ为n维方阵，表示扩散游走扰动；wit为n维维纳Wiener过程，刻画布朗运动过程；Φ为n维系统参数，表示刻画扩散过程的特征参数。
因此，通过上述模型完成海水水质数据的时间序列的扩散分析。主要有2个结果，a)实际海水水质数据基本上是每2周观测一次，而我们在得到离散选择模型相关参数时需要每天的海水水质数据，通过均值回归扩散模型可扩散分析得到缺失的数据；b)使用均值回归扩散模型预测t+1的海水水质。图3为将每两周的观测数据经扩散为每周和每天的数据分布效果图。
根据本发明一种实施方式，所述离散选择模型公式为：
当yt＝1，表示赤潮发生，当yt＝0，表示赤潮不发生；αt为状态变量，表示赤潮潜在风险；ut为隐含变量，说明赤潮发生的可能性，符合正态分布；Xt为所述n维数据；B为矩阵变量，度量每个所述采集的数据对于赤潮发生的贡献度，正值表示对赤潮发生有促进作用，负值表示减弱赤潮发生的可能性；εt为是独立同分布的白噪声，服从标准正态分布。
根据本发明一种实施方式，所述αt通过如下公式得到：
st有高H与低L两个状态，状态转移符合马尔科夫过程st|st-1～Markov(P)；其中，P为转移概率矩阵，表示从状态H到状态H/L，状态L到状态H/L的转移概率值。
根据本发明一种实施方式，所述n维数据应用离散选择模型装置40还被配置为：用以根据h(ut)＝Φ(0-ut)计算赤潮发生的概率，所述概率取值在0到1之间，其中Φ(0,1)表示的是标准正态分布。
根据本发明一种实施方式，还包括赤潮观测数据库13，用以存储采集的每日赤潮观测数据，通过对所述采集的每日水质数据和采集的所述每日赤潮观测数据，应用所述离散选择模型公式得到矩阵变量B，即通过采集0-t天的数据来训练离散选择模型，得到模型参数。
上述方案中的训练模型的过程还包括对存储的每日水质数据和每日赤潮观测数据及训练模型得到的参数，即矩阵变量B进行更新，系统采用时间0到t的数据来训练预测模块矩阵变量B，实现对时间t+1的赤潮发生可能进行预测。当时间往前滚动时，则需要对参数进行更新，也就是利用时间t+1的数据更新预测模块参数即矩阵变量B，实现对时间t+2的预测。
根据本发明一种实施方式的赤潮监测预警系统，还包括赤潮行为分级预测装置41，利用带有随机转换行为的离散选择模型对赤潮发生严重程度的可能性进行预测，通常会按照赤潮维持天数进行分级，对于每个级别发生的可能性给出概率值。通过高频多维度水质数据与赤潮观测数据对上述模型采用贝叶斯估计与MCMC方法进行参数识别。按照识别的参数可实现下图的赤潮预测，可以对赤潮发生天数响应给出发生的可能性：高、中、低。
根据本发明一种实施方式的赤潮监测预警系统，还包括赤潮处理预警方案数据库42，根据上述赤潮发生可能性预测和赤潮发生严重程度的预测，调用赤潮处理预警方案数据库中的相应预警方案。
根据本发明一种实施方式的赤潮监测预警系统，还包括水质特征监控装置31，根据高频多维度数据库中的水质数据作为参考，进行实际水质特征的对比。
根据本发明一种实施方式的赤潮监测预警系统，还包括输出装置43，用以将调用的赤潮处理预警方案数据库42中的相应预警方案和水质特征监控装置31的监控结果进行输出，例如可进行后续的其他处理如进行显示报警。
根据本发明一种实施方式，所述水质数据至少包括：温度、盐分、溶解氧、浊度、氨氮含量、硝酸盐、总凯氏氮、磷酸盐、总磷量、二氧化硅、无机氮和叶绿素。
图4为根据本发明一种实施方式的赤潮监测预警系统进行赤潮监测预警的方法流程图。如图4所示的利用本发明一种实施方式的赤潮监测预警系统进行赤潮监测预警的方法，主要分为两个步骤：
1)训练预测模型
a.通过扩散分析将每两周一次的海水水质观测值扩充为每日海水水质数据，其次完成扩散模型的参数估计
在步骤110中，采集时间1-t之间每隔两周的海水水质数据，在步骤120中，步骤110得到的数据进行扩散分析，得到每日海水水质数据并在步骤210中将海水水质每日数据进行存储；在步骤130中，根据以往观测的海水水质数据反推得到扩散模型的参数，得到有参数的扩散模型。
b.利用海水水质每日数据与赤潮发生数据训练赤潮预测模型，完成预测模型的参数估计
在步骤310中，观测每日是否发生赤潮，生成每日是否发生赤潮数据，并根据步骤210存储的海水水质每日数据和步骤310中的每日是否发生赤潮数据，在步骤320对赤潮预测模型进行训练；在步骤150中得到赤潮预测模型参数，如上述的参数B，从而得到有参数的赤潮预测模型。
2)预测赤潮发生的可能性
a.首先利用有参数的扩散模型预测时间t+1的海水水质
根据步骤130得到的有参数的扩散模型，在步骤140中预测时间t+1的海水水质数据。
b.其次利用有参数的赤潮预测模型预测时间t+1赤潮发生的可能性
将步骤140得到的t+1海水水质数据，在步骤150中应用步骤310得到的赤潮预测模型，预测时间t+1赤潮发生的可能性。
c.利用时间t+1的海水水质数据与赤潮发生数据再次更新步骤1)与2)，完成未来的滚动模型训练与预测
在步骤410中，采集每隔两周的海水水质数据，在时间t+1的数据更新；在步骤420中，采集每日是否发生赤潮的数据，在时间t+1的数据更新。重复步骤1)和步骤2)，得到更新的扩散模型参数和赤潮预测模型参数，使其更接近真实值，提高预测的准确性。
实验分析：
根据本发明一种实施方式的赤潮监测预警系统，完成了以某海水区域观测数据训练模型的过程，每隔两周观测一次海水的成分情况，如下表(1)所示。
表(1).海水成分的统计值
同时记录赤潮发生的时间，这是需要的第二笔数据。当某日发生赤潮时，记录为“1”，当未发生赤潮时记录为“0”。图6是按照每月统计发生赤潮的天数数据图示例；图7是按照每月统计发生赤潮的天数数据图示例。
均值回归扩散模型和离散选择模型的后验概率分布分别如表(2)和表(3)所示。
表(2).均值回归扩散模型的后验概率分布
表(3).离散选择模型的后验概率分布
上述估计从标准差可以看出，参数估计是显著的。
图8和图9是根据本发明一种实施方式的赤潮监测预警系统进行的海水成分溶解氧(DO)在不同初始点开始均可收敛到同一参数估计值效果图。附图8和9均为通过MCMC程序进行熟练分析的结果，从附图8和附图9可以看出，程序不管从哪个初值开始运行，都会收敛。经过不同的初始点测试，程序都会收敛到相同的点上。说明程序的鲁棒性很好。
图10和图11是根据本发明一种实施方式的赤潮监测预警系统进行的水质成分溶解氧(DO)与氨氮(NH4)的预测结果(MCMC)和实际发生赤潮(OBS)曲线的比较；附图10和附图11均是扩散模型的预测(MCMC)与实际(OBS)的比较，可以看出，预测精度是非常高的，可以达到95％。
附图12是根据本发明一种实施方式的赤潮监测预警系统进行赤潮预警值的预测结果(ystarpredict)和实际测量计算值(ystar)曲线的比较。是赤潮发生的可能性与真实情况的预测，多于2天的赤潮85％可以预测到，总体计算，预测准确度70％，较目前方法有显著提升。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (6)

1.一种赤潮监测预警系统，其特征在于，包括：
数据采集装置，用以采集海水水质数据；
数据扩散分析装置，用以对采集的所述数据进行扩散分析，以生成n维数据，
所述扩散分析为对采集的所述数据应用均值回归扩散模型；
n维数据应用离散选择模型装置，用以对所述n维数据应用离散选择模型，以确定是否发生赤潮，
所述离散选择模型公式为：
当yt＝1，表示赤潮发生，当yt＝0，表示赤潮不发生；
αt为状态变量，表示赤潮潜在风险；
ut为隐含变量，说明赤潮发生的可能性，符合正态分布；
Xt为所述n维数据；
B为矩阵变量，度量每个所述采集的数据对于赤潮发生的贡献度，正值表示对赤潮发生有促进作用，负值表示减弱赤潮发生的可能性；
εt为是独立同分布的白噪声，服从标准正态分布,方差归一化为1。
2.根据权利要求1所述的系统，其特征在于，所述均值回归扩散模型公式为：dxit＝β(xit；Φ)dt+σ(Φ)dwit
其中，xit表示n维水质数据中第i个变量在时间t的取值；
β为n维时间扩散因子，表示扩散过程回归均值的速度；
σ为n维方阵，表示扩散游走扰动；
wit为n维纳Wiener过程，刻画布朗运动过程；
Φ为n维系统参数，表示刻画扩散过程的特征参数。
3.根据权利要求1所述的系统，其特征在于，所述αt通过如下公式得到：
st有高H与低L两个状态，状态转移符合马尔科夫过程st|st-1～Markov(P)；
其中，P为转移概率矩阵，表示从状态H到状态H/L，状态L到状态H/L的转移概率值。
4.根据权利要求1或3所述的系统，其特征在于，还包括赤潮观测数据库，用以存储采集的每日赤潮观测数据，通过对所述采集的每日水质数据和采集的所述每日赤潮观测数据，应用所述离散选择模型公式得到矩阵变量B。
5.根据权利要求4所述的系统，其特征在于，所述n维数据应用离散选择模型装置还被配置为：用以根据h(ut)＝Φ(0-ut)计算赤潮发生的概率，所述概率取值在0到1之间，其中Φ(0,1)表示的是标准正态分布。
6.根据权利要求1所述的系统，其特征在于，所述水质数据至少包括：温度、盐分、溶解氧、浊度、氨氮含量、硝酸盐、总凯氏氮、磷酸盐、总磷量、二氧化硅、无机氮和叶绿素。
CN201610858751.6A 2016-09-28 2016-09-28 赤潮监测预警系统 Active CN106484976B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610858751.6A CN106484976B (zh) 2016-09-28 2016-09-28 赤潮监测预警系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610858751.6A CN106484976B (zh) 2016-09-28 2016-09-28 赤潮监测预警系统

Publications (2)

Publication Number Publication Date
CN106484976A CN106484976A (zh) 2017-03-08
CN106484976B true CN106484976B (zh) 2019-05-07

Family

ID=58268202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610858751.6A Active CN106484976B (zh) 2016-09-28 2016-09-28 赤潮监测预警系统

Country Status (1)

Country Link
CN (1) CN106484976B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108151798A (zh) * 2017-11-29 2018-06-12 深圳市亿兆互联技术有限公司 一种基于LoRa的近海赤潮实时监控方法及系统
CN109002888B (zh) * 2018-06-27 2022-01-11 厦门市海洋与渔业研究所 一种赤潮预警方法
CN109583701A (zh) * 2018-11-01 2019-04-05 国家海洋局第二海洋研究所 在线海洋生态适宜性评价方法及专用系统装置
CN109657922B (zh) * 2018-11-20 2024-03-01 自然资源部第二海洋研究所 海洋生态适宜性评价组件装置
US20220198303A1 (en) * 2019-04-15 2022-06-23 Riken Device, method and program for environmental factor estimation, learned model and recording medium
CN110379463B (zh) * 2019-06-05 2021-10-26 山东大学 基于机器学习的海洋藻类成因分析及浓度预测方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1556497A (zh) * 2003-12-31 2004-12-22 厦门大学 赤潮生物图像自动识别装置与识别方法
CN101561395A (zh) * 2009-03-20 2009-10-21 中国海洋大学 一种浮游植物群落组成快速测定方法
CN105183612A (zh) * 2015-09-25 2015-12-23 携程计算机技术（上海）有限公司 服务器可用内存异常增长及运行状况的评估方法
CN105243250A (zh) * 2015-11-20 2016-01-13 深圳职业技术学院 基于三维藻类生态模型的自控水源分层取水方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090228516A1 (en) * 2008-03-10 2009-09-10 The Hong Kong Polytechnic University Harmful algae indexing (HaiDex) method
US20110237971A1 (en) * 2010-03-25 2011-09-29 Neurofocus, Inc. Discrete choice modeling using neuro-response data

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1556497A (zh) * 2003-12-31 2004-12-22 厦门大学 赤潮生物图像自动识别装置与识别方法
CN101561395A (zh) * 2009-03-20 2009-10-21 中国海洋大学 一种浮游植物群落组成快速测定方法
CN105183612A (zh) * 2015-09-25 2015-12-23 携程计算机技术（上海）有限公司 服务器可用内存异常增长及运行状况的评估方法
CN105243250A (zh) * 2015-11-20 2016-01-13 深圳职业技术学院 基于三维藻类生态模型的自控水源分层取水方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"An Approach to Forecast Red Tide Using Generalized Regression Neural Network";Shen-Ming Gu,et al;《2012 8th International conference on Natural Computation》;20120409;第194-196页
"应用遗传神经网格方法分析赤潮监测数据";杨建强 等;《黄渤海海洋》;20020630;第20卷(第2期);第77-81页

Also Published As

Publication number Publication date
CN106484976A (zh) 2017-03-08

Similar Documents

Publication Publication Date Title
CN106484976B (zh) 赤潮监测预警系统
Davidson et al. Forecasting the risk of harmful algal blooms
Arora et al. Comparative evaluation of geospatial scenario-based land change simulation models using landscape metrics
Park et al. A machine learning approach for early warning of cyanobacterial bloom outbreaks in a freshwater reservoir
Fernandes-Salvador et al. Current status of forecasting toxic harmful algae for the north-east Atlantic shellfish aquaculture industry
CN108364097A (zh) 基于生成对抗网络的台风云系预测方法
Mubea et al. Assessing application of Markov chain analysis in predicting land cover change: a case study of Nakuru municipality
Ménesguen et al. Ecological model of the Bay of Biscay and English Channel shelf for environmental status assessment part 1: Nutrients, phytoplankton and oxygen
Pinto et al. Modeling the transport pathways of harmful algal blooms in the Iberian coast
Booker Predicting wetted width in any river at any discharge
Song et al. Early warning of Noctiluca scintillans blooms using in-situ plankton imaging system: An example from Dapeng Bay, PR China
Espinasse et al. Defining zooplankton habitats in the Gulf of Lion (NW Mediterranean Sea) using size structure and environmental conditions
Pitcher et al. Harmful algal blooms in eastern boundary upwelling systems: A GEOHAB Core Research Project
Sundblad et al. Comparing the ecological relevance of four wave exposure models
Van Huylenbroeck et al. Multicriteria analysis of the conflicts between rural development scenarios in the Gordon District, Scotland
Jhajharia et al. Influence of climate on incidences of malaria in the Thar Desert, northwest India
Jakob et al. AgentC: agent-based testbed for adversarial modeling and reasoning in the maritime domain.
CN106846229B (zh) 湖泊生态系统灾变早期预警方法
Scheef et al. Assessing marine plankton community structure from long‐term monitoring data with multivariate autoregressive (MAR) models: a comparison of fixed station versus spatially distributed sampling data
Pakoksung et al. The probability of community-scale building damage and economic loss in Thailand increased after the 2004 Indian Ocean tsunami
Kalaroni et al. Data assimilation of depth-distributed satellite chlorophyll-α in two Mediterranean contrasting sites
Pavard et al. Preferential presence in harbours confirms the non-indigenous species status of Ammonia confertitesta (Foraminifera) in the English Channel
Bucklin et al. Habitat usage by the cryptic copepods Pseudocalanus moultoni and P. newmani on Georges Bank (Northwest Atlantic)
Fayaz ROSERS—A Deep Learning Framework for Earthquake Early Warning and Its Interpretation
Begin Land use and sedimentation impacts on coral reefs in the eastern Caribbean

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant