CN112508204A - 一种海面藻类短期预报方法、装置、设备和介质 - Google Patents
一种海面藻类短期预报方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN112508204A CN112508204A CN202011300205.3A CN202011300205A CN112508204A CN 112508204 A CN112508204 A CN 112508204A CN 202011300205 A CN202011300205 A CN 202011300205A CN 112508204 A CN112508204 A CN 112508204A
- Authority
- CN
- China
- Prior art keywords
- model
- value
- algae
- inversion
- chlorophyll
- 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.)
- Pending
Links
- 241000195493 Cryptophyta Species 0.000 title claims abstract description 97
- 238000013277 forecasting method Methods 0.000 title claims abstract description 7
- 229930002868 chlorophyll a Natural products 0.000 claims abstract description 51
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims abstract description 51
- 238000012544 monitoring process Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 22
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 16
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 16
- 239000001301 oxygen Substances 0.000 claims abstract description 16
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000011161 development Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000031864 metaphase Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种海面藻类短期预报方法、装置、设备和介质，方法包括：根据历史监测数据从盐度数值、溶解氧数值以及水温数值，进行降维拟合出水体表征溶解氧数值AOI；构建基准的XGboost算法模型；经过基准XGboost算法模型训练建模，构成初级叶绿素a反演模型；经过基准XGboost算法模型训练建模，构成次级藻密度反演模型；通过次级藻密度反演模型反演出区域海洋藻密度数值，并参考人工经验值进行危险系数分级，得出藻类爆发分级阙值；以沿海浮标的水质监测数据；通过初级叶绿素a反演模型以及次级藻密度反演模型的反演，并根据得到的值进行预报，对其未来发展状况作出准确预测。
Description
技术领域
本发明涉及计算机技术领域，特别涉及一种海面藻类短期预报方法、装置、设备和介质。
背景技术
近年来，中国近海地区频繁发生赤潮，并且规模和范围越来越大，对人民健康构成威胁，并且也造成经济的重大损失，严重破坏了海洋生态环境；而现有对于藻类预报几乎没有相关的预报模型，也没有关于该方面的预报电视节目；只能根据渔民经验，进行判断，以此来进行预防；若是渔民经验不够，则会导致预报失准，依旧会造成大的损失；因此，研究藻类预报模型，将在有效防止赤潮危害，保护人民的健康，减少经济损失方面发挥重要作用。
发明内容
本发明要解决的技术问题，在于提供一种海面藻类短期预报方法、装置、设备和介质，基于监测站定时检测数据，研究近海藻类的生长机理，并进行数据挖掘，特别是优势藻种的时空分布规律，对其未来发展状况作出准确预测。
第一方面，本发明提供了一种海面藻类短期预报方法，包括：
步骤1、根据历史监测数据从盐度数值、溶解氧数值以及水温数值，进行降维拟合出水体表征溶解氧数值AOI；
步骤2、构建基准的XGboost算法模型；
步骤3、以历史监测数据的PH数值以及AOI，结合该区域的气温数值构建第一特征矩阵，以历史监测数据的叶绿素a数值作为反演目标，经过基准XGboost算法模型训练建模，构成初级叶绿素a反演模型；
步骤4、以初级叶绿素a反演模型反演出的叶绿素a数值，结合该区域的风向以及风速数值构建第二特征矩阵，以历史监测数据的藻密度数值作为反演目标，经过基准XGboost算法模型训练建模，构成次级藻密度反演模型；
步骤5、通过次级藻密度反演模型反演出区域海洋藻密度数值，并参考人工经验值进行危险系数分级，得出藻类爆发分级阙值；
步骤6、以沿海浮标的水质监测数据；通过初级叶绿素a反演模型以及次级藻密度反演模型的反演，并根据得到的值进行预报。
进一步地，所述步骤6进一步具体为：以沿海浮标的水质监测数据，以时序插值成一天，三天，一周为频率的近岸海域大面数据，结合预报中心的一天，三天，一周气象数值预报数据，基于初级叶绿素a反演模型以及次级藻密度反演模型的栅格叠加分析，形成海域藻密度一天，三天，一周为频率的数值预报数据，并进行预报。
进一步地，所述步骤2进一步具体为：
构建基准的XGboost算法模型，由贝叶斯最优化完成超参数选择，通过不断地添加样本点来更新目标函数的后验分布，直到后验分布达到设定分布。
进一步地，所述初级叶绿素a反演模型的模型参数修订为：模型超参数设置分别为learning_rate＝0.07，max_depth＝9，min_child_weight＝1，nthread＝-1，early_stopping_rounds＝63；
所述次级藻密度反演模型的模型参数修订为：learning_rate＝0.68，max_depth＝7，min_child_weight＝1，nthread＝-1，early_stopping_rounds＝74；
其中，Learning_rate:学习率；
early_stopping_rounds:当模型在指定验证集上的表现不再提升时,停止迭代；
max_depth:每颗决策树的最大深度；
nthreads:并行训练的最大进程数，-1代表无限制；
min_child_weight:进一步分裂一个子节点的最小Hessian和。
第二方面，本发明提供了一种海面藻类短期预报装置，包括：
获取数值模块，根据历史监测数据从盐度数值、溶解氧数值以及水温数值，进行降维拟合出水体表征溶解氧数值AOI；
构建XGboost算法模型模块，构建基准的XGboost算法模型；
初级模型模块，以历史监测数据的PH数值以及AOI，结合该区域的气温数值构建第一特征矩阵，以历史监测数据的叶绿素a数值作为反演目标，经过基准XGboost算法模型训练建模，构成初级叶绿素a反演模型；
次级模型模块，以初级叶绿素a反演模型反演出的叶绿素a数值，结合该区域的风向以及风速数值构建第二特征矩阵，以历史监测数据的藻密度数值作为反演目标，经过基准XGboost算法模型训练建模，构成次级藻密度反演模型；
分级模块，通过次级藻密度反演模型反演出区域海洋藻密度数值，并参考人工经验值进行危险系数分级，得出藻类爆发分级阙值；
预报模块，以沿海浮标的水质监测数据；通过初级叶绿素a反演模型以及次级藻密度反演模型的反演，并根据得到的值进行预报。
进一步地，所述预报模块进一步具体为：以沿海浮标的水质监测数据，以时序插值成一天，三天，一周为频率的近岸海域大面数据，结合预报中心的一天，三天，一周气象数值预报数据，基于初级叶绿素a反演模型以及次级藻密度反演模型的栅格叠加分析，形成海域藻密度一天，三天，一周为频率的数值预报数据，并进行预报。
进一步地，所述构建XGboost算法模型模块进一步具体为：
构建基准的XGboost算法模型，由贝叶斯最优化完成超参数选择，通过不断地添加样本点来更新目标函数的后验分布，直到后验分布达到设定分布。
进一步地，所述初级叶绿素a反演模型的模型参数修订为：模型超参数设置分别为learning_rate＝0.07，max_depth＝9，min_child_weight＝1，nthread＝-1，early_stopping_rounds＝63；
所述次级藻密度反演模型的模型参数修订为：learning_rate＝0.68，max_depth＝7，min_child_weight＝1，nthread＝-1，early_stopping_rounds＝74；
其中，Learning_rate:学习率；
early_stopping_rounds:当模型在指定验证集上的表现不再提升时,停止迭代；
max_depth:每颗决策树的最大深度；
nthreads:并行训练的最大进程数，-1代表无限制；
min_child_weight:进一步分裂一个子节点的最小Hessian和。
第三方面，本发明提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的方法。
本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例提供的方法、装置、设备和介质，基于初级叶绿素a反演模型—次级藻密度反演模型模式，结合气象水质的数值预报数据，建立一种针对海洋藻密度的新型藻密度的数值预报产品，将机器学习的XGboost算法，应用在水质预测预警；仿照气象数值预报产品，提供对海域内藻类爆发的预警预报，拓展海洋预报台的工作职能，也为海域内防灾减灾提供有效参考。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明实施例一中方法中的流程图；
图2为本发明实施例二中装置的结构示意图。
具体实施方式
本申请实施例通过提供一种海面藻类短期预报方法、装置、设备和介质，解决现有技术中海面藻类无法准确预测的技术问题，本发明主要分析和研究的内容包括:影响海面藻类爆发的水质因素及气象因素主成分分析及基于XGboost的藻类反演模型。综合考虑藻类时空发展规律，基于用XGboost算法构建初级叶绿素a反演模型—次级总藻密度反演模型的双层架构，结合COMS卫星水色数据预报产品及欧洲中期气象数值预报产品，生成海域藻类数值预报产品，由点及面，形成对相关海域全范围长时段监控及预警预报。
本申请实施例中的技术方案，总体思路如下：
步骤A：根据历史监测数据从盐度数值，溶解氧数值，水温数值降维拟合出水体表征溶解氧数值AOI；
步骤B：构建基准的XGboost算法模型：由贝叶斯最优化完成超参数选择，即给定优化的目标函数，通过不断地添加样本点来更新目标函数的后验分布，直到后验分布基本贴合于真实分布。后期需要修订的5个参数：1.Learning_rate:学习率：设置地相对小些可以让模型学的更加精确。2.early_stopping_rounds:当模型在指定验证集上的表现不再提升时,停止迭代。3.max_depth:每颗决策树的最大深度。这一参数限制了树中的最多节点数，值越小模型越保守。4.nthreads:并行训练的最大进程数.-1代表无限制。5.min_child_weight:进一步分裂一个子节点的最小Hessian和；
步骤C：以历史监测数据的PH数值,AOI数值结合该区域的气温数值构建特征矩阵，以历史监测数据的叶绿素a数值作为反演目标，经过基准XGboost算法训练建模，构成初级叶绿素a反演模型，由该模型就可反演预测出叶绿素a数值，该模型参数修订为模型超参数设置分别为learning_rate＝0.07，max_depth＝9，min_child_weight＝1，nthread＝-1，early_stopping_rounds＝63；
步骤D：以初级叶绿素a反演模型反演出的叶绿素a数值结合该区域的风速风向数值构建特征矩阵，以历史监测数据的藻密度数值作为反演目标，经过XGboost算法训练建模，构成次级藻密度反演模型，由该模型就可反演预测出藻密度数值，该模型参数修订为模型超参数设置分别为learning_rate＝0.68，max_depth＝7，min_child_weight＝1，nthread＝-1，early_stopping_rounds＝74；
步骤E：初级叶绿素a反演模型—次级藻密度反演模型模式下，反演出区域海洋藻密度数值，并参考人工经验值进行危险系数分级，得出藻类爆发分级阙值。
步骤F：以沿海浮标的水质监测数据，以时序插值成一天，三天，一周为频率的近岸海域大面数据，结合欧洲预报中心的一天，三天，一周气象数值预报数据，基于初级叶绿素a反演模型—次级藻密度反演模型模式的栅格叠加分析，形成海域藻密度一天，三天，一周为频率数值预报数据，该预报数据也可根据藻类爆发分级阙值，进行危险范围等级划定。
实施例一
如图1所示，本实施例提供一种海面藻类短期预报方法，包括：
步骤1、根据历史监测数据从盐度数值、溶解氧数值以及水温数值，进行降维拟合出水体表征溶解氧数值AOI；
步骤2、构建基准的XGboost算法模型，由贝叶斯最优化完成超参数选择，通过不断地添加样本点来更新目标函数的后验分布，直到后验分布达到设定分布；
步骤3、以历史监测数据的PH数值以及AOI，结合该区域的气温数值构建第一特征矩阵，以历史监测数据的叶绿素a数值作为反演目标，经过基准XGboost算法模型训练建模，构成初级叶绿素a反演模型；
步骤4、以初级叶绿素a反演模型反演出的叶绿素a数值，结合该区域的风向以及风速数值构建第二特征矩阵，以历史监测数据的藻密度数值作为反演目标，经过基准XGboost算法模型训练建模，构成次级藻密度反演模型；
步骤5、通过次级藻密度反演模型反演出区域海洋藻密度数值，并参考人工经验值进行危险系数分级，得出藻类爆发分级阙值；
步骤6、以沿海浮标的水质监测数据，以时序插值成一天，三天，一周为频率的近岸海域大面数据，结合预报中心的一天，三天，一周气象数值预报数据，基于初级叶绿素a反演模型以及次级藻密度反演模型的栅格叠加分析，形成海域藻密度一天，三天，一周为频率的数值预报数据，并进行预报。
所述初级叶绿素a反演模型的模型参数修订为：模型超参数设置分别为learning_rate＝0.07，max_depth＝9，min_child_weight＝1，nthread＝-1，early_stopping_rounds＝63；
所述次级藻密度反演模型的模型参数修订为：learning_rate＝0.68，max_depth＝7，min_child_weight＝1，nthread＝-1，early_stopping_rounds＝74；
其中，Learning_rate:学习率；
early_stopping_rounds:当模型在指定验证集上的表现不再提升时,停止迭代；
max_depth:每颗决策树的最大深度；
nthreads:并行训练的最大进程数，-1代表无限制；
min_child_weight:进一步分裂一个子节点的最小Hessian和。
基于同一发明构思，本申请还提供了与实施例一中的方法对应的装置，详见实施例二。
实施例二
如图2所示，在本实施例中提供了一种海面藻类短期预报装置，包括：
获取数值模块，根据历史监测数据从盐度数值、溶解氧数值以及水温数值，进行降维拟合出水体表征溶解氧数值AOI；
构建XGboost算法模型模块，构建基准的XGboost算法模型，由贝叶斯最优化完成超参数选择，通过不断地添加样本点来更新目标函数的后验分布，直到后验分布达到设定分布；
初级模型模块，以历史监测数据的PH数值以及AOI，结合该区域的气温数值构建第一特征矩阵，以历史监测数据的叶绿素a数值作为反演目标，经过基准XGboost算法模型训练建模，构成初级叶绿素a反演模型；
次级模型模块，以初级叶绿素a反演模型反演出的叶绿素a数值，结合该区域的风向以及风速数值构建第二特征矩阵，以历史监测数据的藻密度数值作为反演目标，经过基准XGboost算法模型训练建模，构成次级藻密度反演模型；
分级模块，通过次级藻密度反演模型反演出区域海洋藻密度数值，并参考人工经验值进行危险系数分级，得出藻类爆发分级阙值；
预报模块，以沿海浮标的水质监测数据，以时序插值成一天，三天，一周为频率的近岸海域大面数据，结合预报中心的一天，三天，一周气象数值预报数据，基于初级叶绿素a反演模型以及次级藻密度反演模型的栅格叠加分析，形成海域藻密度一天，三天，一周为频率的数值预报数据，并进行预报。
所述初级叶绿素a反演模型的模型参数修订为：模型超参数设置分别为learning_rate＝0.07，max_depth＝9，min_child_weight＝1，nthread＝-1，early_stopping_rounds＝63；
所述次级藻密度反演模型的模型参数修订为：learning_rate＝0.68，max_depth＝7，min_child_weight＝1，nthread＝-1，early_stopping_rounds＝74；
其中，Learning_rate:学习率；
early_stopping_rounds:当模型在指定验证集上的表现不再提升时,停止迭代；
max_depth:每颗决策树的最大深度；
nthreads:并行训练的最大进程数，-1代表无限制；
min_child_weight:进一步分裂一个子节点的最小Hessian和。
由于本发明实施例二所介绍的装置，为实施本发明实施例一的方法所采用的装置，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该装置的具体结构及变形，故而在此不再赘述。凡是本发明实施例一的方法所采用的装置都属于本发明所欲保护的范围。
基于同一发明构思，本申请提供了实施例一对应的电子设备实施例，详见实施例三。
实施例三
本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，可以实现实施例一中任一实施方式。
由于本实施例所介绍的电子设备为实施本申请实施例一中方法所采用的设备，故而基于本申请实施例一中所介绍的方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中的方法所采用的设备，都属于本申请所欲保护的范围。
基于同一发明构思，本申请提供了实施例一对应的存储介质，详见实施例四。
实施例四
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，可以实现实施例一中任一实施方式。
本申请实施例中提供的技术方案，至少具有如下技术效果或优点：本申请实施例提供的方法、装置、设备及介质，
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。
Claims (10)
1.一种海面藻类短期预报方法，其特征在于：包括：
步骤1、根据历史监测数据从盐度数值、溶解氧数值以及水温数值，进行降维拟合出水体表征溶解氧数值AOI；
步骤2、构建基准的XGboost算法模型；
步骤3、以历史监测数据的PH数值以及AOI，结合该区域的气温数值构建第一特征矩阵，以历史监测数据的叶绿素a数值作为反演目标，经过基准XGboost算法模型训练建模，构成初级叶绿素a反演模型；
步骤4、以初级叶绿素a反演模型反演出的叶绿素a数值，结合该区域的风向以及风速数值构建第二特征矩阵，以历史监测数据的藻密度数值作为反演目标，经过基准XGboost算法模型训练建模，构成次级藻密度反演模型；
步骤5、通过次级藻密度反演模型反演出区域海洋藻密度数值，并参考人工经验值进行危险系数分级，得出藻类爆发分级阙值；
步骤6、以沿海浮标的水质监测数据；通过初级叶绿素a反演模型以及次级藻密度反演模型的反演，并根据得到的值进行预报。
2.根据权利要求1所述的一种海面藻类短期预报方法，其特征在于：所述步骤6进一步具体为：以沿海浮标的水质监测数据，以时序插值成一天，三天，一周为频率的近岸海域大面数据，结合预报中心的一天，三天，一周气象数值预报数据，基于初级叶绿素a反演模型以及次级藻密度反演模型的栅格叠加分析，形成海域藻密度一天，三天，一周为频率的数值预报数据，并进行预报。
3.根据权利要求1所述的一种海面藻类短期预报方法，其特征在于：所述步骤2进一步具体为：
构建基准的XGboost算法模型，由贝叶斯最优化完成超参数选择，通过不断地添加样本点来更新目标函数的后验分布，直到后验分布达到设定分布。
4.根据权利要求1所述的一种海面藻类短期预报方法，其特征在于：所述初级叶绿素a反演模型的模型参数修订为：模型超参数设置分别为learning_rate＝0.07，max_depth＝9，min_child_weight＝1，nthread＝-1，early_stopping_rounds＝63；
所述次级藻密度反演模型的模型参数修订为：learning_rate＝0.68，max_depth＝7，min_child_weight＝1，nthread＝-1，early_stopping_rounds＝74；
其中，Learning_rate:学习率；
early_stopping_rounds:当模型在指定验证集上的表现不再提升时,停止迭代；
max_depth:每颗决策树的最大深度；
nthreads:并行训练的最大进程数，-1代表无限制；
min_child_weight:进一步分裂一个子节点的最小Hessian和。
5.一种海面藻类短期预报装置，其特征在于：包括：
获取数值模块，根据历史监测数据从盐度数值、溶解氧数值以及水温数值，进行降维拟合出水体表征溶解氧数值AOI；
构建XGboost算法模型模块，构建基准的XGboost算法模型；
初级模型模块，以历史监测数据的PH数值以及AOI，结合该区域的气温数值构建第一特征矩阵，以历史监测数据的叶绿素a数值作为反演目标，经过基准XGboost算法模型训练建模，构成初级叶绿素a反演模型；
次级模型模块，以初级叶绿素a反演模型反演出的叶绿素a数值，结合该区域的风向以及风速数值构建第二特征矩阵，以历史监测数据的藻密度数值作为反演目标，经过基准XGboost算法模型训练建模，构成次级藻密度反演模型；
分级模块，通过次级藻密度反演模型反演出区域海洋藻密度数值，并参考人工经验值进行危险系数分级，得出藻类爆发分级阙值；
预报模块，以沿海浮标的水质监测数据；通过初级叶绿素a反演模型以及次级藻密度反演模型的反演，并根据得到的值进行预报。
6.根据权利要求5所述的一种海面藻类短期预报装置，其特征在于：所述预报模块进一步具体为：以沿海浮标的水质监测数据，以时序插值成一天，三天，一周为频率的近岸海域大面数据，结合预报中心的一天，三天，一周气象数值预报数据，基于初级叶绿素a反演模型以及次级藻密度反演模型的栅格叠加分析，形成海域藻密度一天，三天，一周为频率的数值预报数据，并进行预报。
7.根据权利要求5所述的一种海面藻类短期预报装置，其特征在于：所述构建XGboost算法模型模块进一步具体为：
构建基准的XGboost算法模型，由贝叶斯最优化完成超参数选择，通过不断地添加样本点来更新目标函数的后验分布，直到后验分布达到设定分布。
8.根据权利要求5所述的一种海面藻类短期预报装置，其特征在于：所述初级叶绿素a反演模型的模型参数修订为：模型超参数设置分别为learning_rate＝0.07，max_depth＝9，min_child_weight＝1，nthread＝-1，early_stopping_rounds＝63；
所述次级藻密度反演模型的模型参数修订为：learning_rate＝0.68，max_depth＝7，min_child_weight＝1，nthread＝-1，early_stopping_rounds＝74；
其中，Learning_rate:学习率；
early_stopping_rounds:当模型在指定验证集上的表现不再提升时,停止迭代；
max_depth:每颗决策树的最大深度；
nthreads:并行训练的最大进程数，-1代表无限制；
min_child_weight:进一步分裂一个子节点的最小Hessian和。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011300205.3A CN112508204A (zh) | 2020-11-19 | 2020-11-19 | 一种海面藻类短期预报方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011300205.3A CN112508204A (zh) | 2020-11-19 | 2020-11-19 | 一种海面藻类短期预报方法、装置、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112508204A true CN112508204A (zh) | 2021-03-16 |
Family
ID=74958782
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011300205.3A Pending CN112508204A (zh) | 2020-11-19 | 2020-11-19 | 一种海面藻类短期预报方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112508204A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118334593A (zh) * | 2024-06-14 | 2024-07-12 | 广东工业大学 | 基于卫星遥感影像的河口近海溶解氧化亚氮浓度监测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107340365A (zh) * | 2017-06-19 | 2017-11-10 | 中国科学院南京地理与湖泊研究所 | 一种面向湖泊蓝藻灾害的立体监控及数据挖掘系统和方法 |
| US20180038994A1 (en) * | 2016-08-02 | 2018-02-08 | International Business Machines Corporation | Techniques to Improve Global Weather Forecasting Using Model Blending and Historical GPS-RO Dataset |
| CN109917098A (zh) * | 2019-04-09 | 2019-06-21 | 中国科学院深圳先进技术研究院 | 深圳海域水质评价方法及系统 |
| CN110598251A (zh) * | 2019-08-05 | 2019-12-20 | 中国科学院南京地理与湖泊研究所 | 基于Landsat-8数据和机器学习的湖泊叶绿素a浓度反演方法 |
| CN111024618A (zh) * | 2019-11-25 | 2020-04-17 | 广州丰泽源水利科技有限公司 | 基于遥感影像的水质健康监测方法、装置及存储介质 |
-
2020
- 2020-11-19 CN CN202011300205.3A patent/CN112508204A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180038994A1 (en) * | 2016-08-02 | 2018-02-08 | International Business Machines Corporation | Techniques to Improve Global Weather Forecasting Using Model Blending and Historical GPS-RO Dataset |
| CN107340365A (zh) * | 2017-06-19 | 2017-11-10 | 中国科学院南京地理与湖泊研究所 | 一种面向湖泊蓝藻灾害的立体监控及数据挖掘系统和方法 |
| CN109917098A (zh) * | 2019-04-09 | 2019-06-21 | 中国科学院深圳先进技术研究院 | 深圳海域水质评价方法及系统 |
| CN110598251A (zh) * | 2019-08-05 | 2019-12-20 | 中国科学院南京地理与湖泊研究所 | 基于Landsat-8数据和机器学习的湖泊叶绿素a浓度反演方法 |
| CN111024618A (zh) * | 2019-11-25 | 2020-04-17 | 广州丰泽源水利科技有限公司 | 基于遥感影像的水质健康监测方法、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 暨卫东和贺青: "《港湾赤潮预警指标体系及赤潮灾害应急处置技术研究》", 31 December 2017, 海洋出版社, pages: 18 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118334593A (zh) * | 2024-06-14 | 2024-07-12 | 广东工业大学 | 基于卫星遥感影像的河口近海溶解氧化亚氮浓度监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112765912B (zh) | 基于气候模式集合的洪涝灾害社会经济暴露度的评估方法 | |
| CN108230302B (zh) | 一种核电厂冷源海域入侵海洋生物探测及处置方法 | |
| Baker et al. | Habitat mapping and marine management | |
| CN103366227B (zh) | 一种海上搜救目标漂移路径的预测方法 | |
| CN108665106A (zh) | 一种水产养殖溶解氧预测方法及装置 | |
| CN112288193A (zh) | 基于注意力机制的gru深度学习的海洋站表层盐度预测方法 | |
| CN106355003B (zh) | 基于t分布的马尔科夫链蒙特卡洛自动历史拟合方法及系统 | |
| CN113051817A (zh) | 一种基于深度学习的海浪高度预测方法及其应用 | |
| CN117253344B (zh) | 一种海水酸化预警预报方法、系统及电子设备 | |
| CN112508204A (zh) | 一种海面藻类短期预报方法、装置、设备和介质 | |
| Hu et al. | An early forecasting method for the drift path of green tides: a case study in the Yellow Sea, China | |
| CN114049243B (zh) | 一种浒苔堆积量估算方法、系统及存储介质 | |
| Song et al. | Multi-objective optimal reservoir operation considering algal bloom control in reservoirs | |
| Wang et al. | Xihe: A data-driven model for global ocean eddy-resolving forecasting | |
| CN114943189B (zh) | 一种基于XGboost的声速剖面反演方法及系统 | |
| Azizi Ghalati et al. | LCM Logistic regression modelling of land-use changes in Kouhmare Sorkhi, Fars province | |
| CN111027766A (zh) | 绿潮生物量预报方法、装置、设备及介质 | |
| Hadihardaja et al. | Decision support system for predicting tsunami characteristics along coastline areas based on database modelling development | |
| Anwer et al. | Measuringweather prediction accuracy using sugeno based Adaptive Neuro Fuzzy Inference system, grid partitioniong and guassmf | |
| CN107063195A (zh) | 一种基于递归位置估计的大规模水下网络定位方法 | |
| Liu et al. | Short-term Forecasting of Sea Ice Thickness Based on PredRNN++ | |
| Des Villanueva | Hydrodynamics of nw iberian peninsula under past and future climate conditions | |
| Sztobryn | Application of artificial neural network into the water level modeling and forecast | |
| Goharnejad et al. | Forecasting the Sea Level Change in Strait of Hormuz | |
| Chen et al. | Prediction of Agricultural plastic agricultural plastic film use based on combined prediction model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230904 Address after: Building B2, Chuangxin 1, No. 63 Chuangqi Road, Shilou Town, Panyu District, Guangzhou City, Guangdong Province, 511400 Applicant after: GUANGDONG SEA STAR OCEAN SCI. AND TECH. CO.,LTD. Address before: Room 1601, Floor 2, 16, Huajian Building, No. 16 Keji East Road, Shangjie Town, Minhou County, Fuzhou City, Fujian Province, 350100 Applicant before: Wushi (Fujian) Technology Co.,Ltd. |