CN116467565A - 一种浒苔绿潮斑块最优搜寻区域预报方法 - Google Patents
一种浒苔绿潮斑块最优搜寻区域预报方法 Download PDFInfo
- Publication number
- CN116467565A CN116467565A CN202310728976.XA CN202310728976A CN116467565A CN 116467565 A CN116467565 A CN 116467565A CN 202310728976 A CN202310728976 A CN 202310728976A CN 116467565 A CN116467565 A CN 116467565A
- Authority
- CN
- China
- Prior art keywords
- enteromorpha
- green tide
- plaque
- search area
- tide
- 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.)
- Granted
Links
- 241000196252 Ulva Species 0.000 title claims abstract description 227
- 238000013277 forecasting method Methods 0.000 title abstract description 6
- 239000002245 particle Substances 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000009471 action Effects 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 4
- 238000009792 diffusion process Methods 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000005295 random walk Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 241000196253 Ulva prolifera Species 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000195628 Chlorophyta Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Multimedia (AREA)
- Operations Research (AREA)
- Strategic Management (AREA)
- Pure & Applied Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
Abstract
本发明公开一种浒苔绿潮斑块最优搜寻区域预报方法，属于浒苔绿潮预警领域。该预报方法包括以下步骤：a确定浒苔应急打捞海域；b获取卫星遥感影像并解译；c浒苔绿潮斑块识别；d构建浒苔绿潮蒙特卡洛概率漂移预报模型；e获取打捞海域的表层海流和海面风的水文气象预报数据和预报误差；f预报浒苔绿潮斑块不同时刻的位置；g选取打捞船舶预计到达的时间，生成包含该时间段内所有浒苔绿潮粒子预报位置的最小凸多边形；h剖分为多个网格，计算每个网格的浒苔绿潮粒子的分布概率，从而得到预测的浒苔绿潮粒子在搜寻区域中的概率分布，即可确定浒苔绿潮斑块最优搜寻区域。本发明可提高浒苔绿潮打捞准确性和效率。
Description
技术领域
本发明涉及浒苔绿潮预警领域，具体地说是涉及一种浒苔绿潮斑块最优搜寻区域预报方法。
背景技术
浒苔绿潮具有高生物量、长距离运移过程和巨大影响的特点。浒苔上岸后会腐烂发臭，给海洋生态环境、滨海旅游、海上运动和水产养殖等造成了严重影响。浒苔绿潮防控工作已成为海洋领域的重大任务。
海上打捞、近岸拦截、岸滩清理是浒苔绿潮防控的三道防线。当前浒苔海上应急打捞决策过程中，决策者虽然利用信息平台掌握浒苔综合信息和船舶位置信息，但搜寻浒苔绿潮斑块的时间长，这导致浒苔打捞工作效率低、成本高。确定搜寻区域是开展浒苔打捞的前提。搜寻区域的确定涉及到如何量化复杂海况下浒苔绿潮斑块漂移、聚散和分裂过程。因此，确定最优搜寻区域是浒苔打捞的重点和难点。
国内外研究学者发现浒苔绿潮早期发生发展过程主要可以分为由零星绿藻、小斑块逐渐生长聚集为条带状、大斑块的漂浮发生阶段，以及规模性暴发阶段。在浒苔绿潮形成规模后打捞，其防控成本和难度将大大增加，而开展源头打捞（早期斑块较小时，生物量较低），能起到事半功倍的效果。因此，确定浒苔绿潮斑块的最优搜寻区域，特别当浒苔绿潮斑块面积较小时，是浒苔应急打捞的重要前提，也是目前需要迫切解决的问题。
搜寻区域确定主要基于浒苔绿潮斑块的漂移位置。目前浒苔绿潮的漂移位置预报一般采用“拉格朗日粒子追踪”方法，将漂浮浒苔绿潮斑块离散为一定数量的浒苔绿潮粒子，考虑风和流对浒苔绿潮斑块的拖曳作用，并基于海上和室内漂移试验以及数值敏感试验确定风、流作用系数和风拖曳偏转角，但是模型中未考虑浒苔绿潮斑块的聚散和大风大浪情况下分裂过程，且尚未开展搜寻区域确定或预报等研究工作。
发明内容
基于上述技术问题，本发明提出一种浒苔绿潮斑块最优搜寻区域预报方法，以提高浒苔绿潮斑块搜寻准确性和效率。
本发明所采用的技术解决方案是：
一种浒苔绿潮斑块最优搜寻区域预报方法，包括以下步骤：
a确定浒苔应急打捞海域；
b获取步骤a确定的浒苔应急打捞海域的卫星遥感影像，从卫星遥感影像中提取出浒苔绿潮散点；
c将步骤b提取出的浒苔绿潮散点标识为不同的浒苔绿潮斑块；
d构建浒苔绿潮蒙特卡洛概率漂移预报模型
将浒苔绿潮斑块离散为一定数量的浒苔绿潮粒子，考虑风和流对浒苔绿潮粒子的拖曳作用，并引入随机走动以反映漂移、聚散和分裂过程的不确定性，构建浒苔绿潮蒙特卡洛概率漂移预报模型，具体见公式（1）：
（1）
式（1）中xi为第i个浒苔绿潮斑块在t时刻的位置；va为表层流速，vd为海面10 m 风
速；R1为海流作用系数；R2为风作用系数，表示风对浒苔的直接拖曳作用；表示风
对浒苔绿潮斑块运动方向的改变作用；x轴方向为, y轴方向为，
其中为风与x方向坐标轴的夹角，单位为度， 为风拖曳偏转角，单位为度；
表示扩散系数，一般为海流或风场的预报误差；
是一个独立的随机数，n为随机数个数；
e获取浒苔应急打捞海域预报的表层流速和海面10m风速，以及表层流速和海面10m风速的数值预报误差；
f选取关注的浒苔绿潮斑块，将其离散为浒苔绿潮粒子，基于步骤d构建的浒苔绿潮蒙特卡洛概率漂移预报模型，以浒苔绿潮粒子的初始位置和时间为模型的初始值，预报浒苔绿潮粒子未来不同时刻的漂移位置；
g确定浒苔绿潮斑块预选搜寻区域
确定打捞船舶预计到达的时间，首先生成包含该时间段内所有浒苔绿潮粒子预报位置的最小凸多边形，然后生成最小面积外接矩形，获得预选搜寻区域；
h将步骤g获得的预选搜寻区域剖分为M×N个大小相同的网格，计算每个网格的浒苔绿潮粒子的分布概率，从而得到浒苔绿潮粒子在预选搜寻区域中的概率分布，进而确定浒苔绿潮斑块最优搜寻区域，完成浒苔绿潮斑块最优搜寻区域预报。
优选的，步骤c中：采用基于密度的聚类算法将浒苔绿潮散点标识为不同的浒苔绿潮斑块。
优选的，步骤d中：海流作用系数R1为0.8-1.0，风作用系数R2为0.005-0.015，风拖
曳偏转角为20-30°。
步骤d中，基于拉格朗日粒子追踪方法，将漂浮的浒苔绿潮斑块离散为一定数量的浒苔绿潮粒子。
上述步骤中，当从卫星遥感影像中解译提取出的浒苔绿潮散点数量远大于计算机计算能力时，需将浒苔绿潮散点抽稀，即先将浒苔绿潮散点标识为不同的浒苔绿潮斑块，再将浒苔绿潮斑块离散为一定数量的浒苔绿潮粒子。一个浒苔绿潮粒子代表一定数量的浒苔绿潮散点。基于步骤d构建的浒苔绿潮蒙特卡洛概率漂移预报模型，以浒苔绿潮斑块监测位置和时间为模型初始值，预报浒苔绿潮粒子不同时刻的位置。
优选的，步骤g中浒苔绿潮粒子预报位置的最小面积外接矩形的计算步骤如下：
g1针对打捞船舶到达浒苔绿潮斑块附近海域时间段内，某一个浒苔绿潮斑块所有浒苔绿潮粒子的不同预报位置，采用格雷厄姆扫描算法，计算浒苔绿潮粒子的最外层的点连接起来构成的最小凸多边型，又称凸包；
g2将凸包两个相邻的点连线作为矩形第一条边；
g3寻找凸包上距离已得到的第一条边最远的点，过该点做与第一条边相平行的平行线，得到矩形第二条边；
g4将凸包上点向已得到的第一条边和第二条边投影，求得投影点相距最远的两个点，过该两点做直线，作为矩形另外两条边；
g5遍历凸包所有相邻两点重复步骤g2至g4，求得面积最小的矩形。
优选的，步骤h中：通过画图方法绘制概率分布的浒苔绿潮斑块最优搜寻区域，网格灰度值越大为概率越高的区域，需要优先搜寻；从黑色网格往四周概率逐渐降低，白色网格的概率最低。
本发明的有益技术效果是：
本发明浒苔绿潮斑块最优搜寻区域预报方法相比传统的目标搜寻区域确定方法，在确定目标分布概率时，不是作为围绕基准点、基准线或基准区域均匀分布，而是考虑了浒苔绿潮斑块受风、浪等环境因素影响存在漂移、聚集和分裂等过程的不确定性,构建浒苔绿潮斑块蒙特卡洛概率漂移模型，进而预报浒苔绿潮斑块最优搜寻区域。基于此本发明充分考虑浒苔绿潮斑块的分布特征，采用基于密度的聚类算法（DBSCAN算法），识别浒苔绿潮斑块；构建了考虑漂移、聚集和分裂的不确定性的浒苔绿潮斑块蒙特卡洛概率漂移模型，根据打捞船舶可能到达的时间段，统计分析分布概率，预报最优搜寻区域；浒苔打捞决策者可根据船舶位置，选择其中一个或者几个区域，开展浒苔绿潮斑块搜寻。这种方法可提高浒苔绿潮打捞的准确性和效率，进而缩短搜寻时间、减少资源浪费，将在浒苔打捞过程中起重要作用。
附图说明
下面结合附图与具体实施方式对本发明作进一步说明：
图1为本发明浒苔绿潮斑块最优搜寻区域预报方法的流程图；
图2为本发明具体应用实例中高分四号（GF4）卫星监测数据基于密度的空间聚类结果；
图3为本发明具体应用实例中浒苔绿潮蒙特卡洛概率漂移预报结果；
图4为本发明具体应用实例中浒苔绿潮蒙特卡洛概率漂移预报结果的最小凸多边形；
图5为本发明具体应用实例中搜寻区域剖分为10×10个网格；
图6为本发明具体应用实例中通过画图方法绘制概率分布的浒苔绿潮斑块最优搜寻区域。
具体实施方式
针对目前主要依靠人工经验划定浒苔打捞搜寻区域，存在准确率低、搜寻时间长等问题。本发明基于复杂的海上打捞环境，考虑浒苔绿潮斑块的漂移、聚集和分裂，基于最优搜寻理论，预报浒苔绿潮斑块最优搜寻区域，以解决打捞过程中浒苔绿潮斑块搜寻范围大、耗时长和发现率低等问题。这种方法不仅能够避免传统方法中可能存在漏捞的情况，而且能够提高打捞准确性和效率，缩短搜寻时间、减少资源浪费，能够在实际打捞行动中发挥重要作用。
如图1所示，一种浒苔绿潮斑块最优搜寻区域预报方法，包括以下步骤：
a确定打捞海域
根据浒苔应急打捞需求，确定浒苔应急打捞海域。该浒苔应急打捞海域可看作浒苔打捞的大致海域范围。
b获取步骤a确定的浒苔应急打捞海域的卫星遥感影像，从卫星遥感影像中提取出浒苔绿潮散点。
获取研究海域的卫星遥感影像主要包括高分1号和高分四号等。获取卫星遥感影像后，基于业务化绿潮信息反演算法开展浒苔绿潮散点提取。先是对遥感影像进行辐射定标和大气校正等预处理，得到大气底层放射率产品；之后利用归一植被化指数（NDVI）等浒苔绿潮遥感探测算法对预处理后的影像进行计算；最后对计算后的影像进行目视解译，选择可判定为浒苔绿潮像元的边界值，以其探测指数作为阈值进行浒苔绿潮相关提取。
c将步骤b提取出的浒苔绿潮散点标识为不同的浒苔绿潮斑块。
浒苔绿潮斑块在不同生长阶段呈零星、小斑块、条带状、大片分布。在浒苔绿潮不同发展阶段，采用DBSCAN算法—密度空间聚类算法，将浒苔绿潮散点标识为不同的浒苔绿潮斑块，或者说将浒苔绿潮散点归类为不同的浒苔绿潮斑块。
DBSCAN 算法是由密度可达关系导出的最大密度相连的样本集合，即为最终聚类的一个簇。DBSCAN 算法的簇里面可以有一个或者多个核心点。如果有多个核心点，则簇里的任意一个核心点的邻域半径 （Eps）邻域中一定有一个其他的核心点，否则这两个核心点无法密度可达。这些核心点邻域里所有的样本的集合组成一个 DBSCAN 聚类簇。基于卫星遥感影像提取的浒苔绿潮散点采用MATLAB 2009版本及以上的DBSCAN 函数开展斑块识别，标识为不同的浒苔绿潮斑块。
d构建浒苔绿潮蒙特卡洛概率漂移预报模型
由于浒苔绿潮斑块受到海洋和大气等环境因素的影响，其漂移、聚散和分裂具有一定的随机性。因此，如何准确量化浒苔绿潮斑块的这些特征以确定相应的搜寻区域，是本发明的难点之一。此外，浒苔绿潮斑块的面积大小也存在差异，从几平方米到几万平方米不等。根据黄海浒苔绿潮发展特征，当浒苔绿潮斑块面积较小，一般位于水体浑浊的浅滩附近海域，其搜寻难度更大。为了提高浒苔绿潮斑块搜寻发现率，采用随机粒子仿真法描述影响浒苔绿潮斑块漂移、扩散和分裂的不确定性因素，如风和流的直接或间接拖曳作用、风场和流场的误差等。基于拉格朗日粒子追踪方法，将漂浮浒苔绿潮斑块离散为一定数量的浒苔绿潮粒子，考虑风和流对浒苔绿潮斑块的拖曳作用，引入随机走动，具体见公式（1）。
（1）
式（1）中xi为第i个浒苔绿潮斑块在t时刻的位置；va为表层流速，vd为海面10 m 风
速；R1为海流作用系数；R2为风作用系数，表示风对浒苔的直接拖曳作用；表示风
对浒苔绿潮斑块运动方向的改变作用；x轴方向为,y轴方向为，
其中为风与x方向坐标轴的夹角，单位为度， 为风拖曳偏转角，单位为度；
表示扩散系数，一般为海流或风场的预报误差；
是一个独立的随机数，n为随机数个数。
其中风和流作用系数R2、R1和风拖曳偏转角一般通过漂浮浒苔绿潮斑块海上漂移跟踪试验，结合数值模拟结果来确定。黄海浒苔绿潮的风作用系数一般为0.005-0.015，流作用系数一般为0.8-1.0，风拖曳偏转角20-30°。
e获取研究海域的表层海流和海面风的水文气象预报数据和预报误差
通过海洋气象数值预报模型获取水文气象预报数据，包括表层流速va和海面10 m风速vd。海流和海面风数据的预报时效不短于漂移数值预报的预报时效；预报空间范围大于浒苔绿潮斑块监测所在的范围和预报时效内所有浒苔绿潮粒子可能漂移的海域。
同时，将历史预报的海面风场（海面10 m 风速vd）和表层流场（表层流速va）与实际观测值开展10天以上的对比分析，统计计算风场和流场的预报误差。
f取关注的浒苔绿潮斑块，将其离散为一定数量粒子，基于步骤d构建的浒苔绿潮蒙特卡洛概率漂移预报模型，以浒苔绿潮粒子的初始位置和时间为模型初始值，预报浒苔绿潮粒子未来不同时刻的漂移位置。
g确定浒苔绿潮斑块搜寻区域
确定打捞船舶预计到达的时间，首先生成包含该时间段内所有浒苔绿潮粒子预报位置的最小凸多边形，再生成最小面积外接矩形，获得预选搜寻区域；
其中，浒苔绿潮粒子预报位置的最小面积外接矩形的计算步骤如下：
g1针对打捞船舶到达浒苔绿潮斑块附近海域时间段内，某一个浒苔绿潮斑块所有浒苔绿潮粒子的不同预报位置，采用格雷厄姆扫描算法，计算最小凸多边形，又称凸包；
g2将凸包两个相邻的点连线作为矩形第一条边；
g3寻找凸包上距离已得到的第一条边最远的点，过该点做与第一条边相平行的平行线，得到矩形第二条边；
g4将凸包上点向已得到的第一条边和第二条边投影，求得投影点相距最远的两个点，过该两点做直线，作为矩形另外两条边；
g5遍历凸包所有相邻两点重复步骤g2至g4，求得面积最小的矩形。
h将步骤g获得的预选搜寻区域剖分为M×N个大小相同的网格，计算每个网格浒苔绿潮粒子的分布概率，从而得到浒苔绿潮粒子在预选搜寻区域中的概率分布，进而确定浒苔绿潮斑块最优搜寻区域。
通过画图方法绘制概率分布的浒苔绿潮斑块最优搜寻区域。区域的网格灰度值越大为概率越高的区域，需要优先搜寻；从黑色网格往四周概率逐渐降低，白色网格的概率最低。
下面结合具体应用实例对本发明作进一步说明。
1）研究区域确定
根据浒苔打捞需求，确定浒苔应急打捞区域，进而确定研究海域。本实施例中选取的研究海域是青岛近海。
2）获取研究海域的遥感影像并解译
卫星遥感图像经过影像预处理后，利用NDVI指数进行浒苔绿潮信息提取，获取浒苔绿潮分布数据。
（2）
式中和分别为近红外、红外波段的反射率。本实施例中获取的遥感影像
是2022年6月28日卫星GF4多光谱遥感影像，解译的遥感影像数据中为0、1二值型，解译图件
中0值（空白区域为无浒苔分布的海面），1值（各种灰度区域为海面上的浒苔绿潮），具体解
译结果，见图2。对于GF4数据，NIR采用B5波段（760-900nm），R采用B4波段（630-690nm）；通过
设定阈值T0来确定浒苔的存在与否；通过NDVI阈值分割和假彩色合成图像进行目视解译来
共同确定T值，阈值T0的理论值为0，但受各种因素（浅滩，水深等）的影响而存在波动。
3）研究区域浒苔绿潮斑块识别
采用DBSCAN算法—密度空间聚类算法，将浒苔绿潮散点标识为不同的斑块。为了提高搜寻发现率，采用DBSCAN识别的斑块可能为海上实际的一个浒苔绿潮斑块，也有可能有距离比较近的浒苔绿潮斑块，为斑块搜寻打捞提供基础数据。
结合图2，本实施例中GF4分辨率为 50m，扫描半径（Eps）设置为卫星分辨率的4倍，最小样本（MinPts）个数为3。研究区域的浒苔绿潮散点识别为19个斑块（图中-1代表在任何核心点的邻域半径；（Eps）邻域内样本数均小于3，识别为另外一种斑块，该类斑块面积较小，仅仅占卫星的一个像素点）。
4）浒苔绿潮蒙特卡洛概率漂移预报模型构建
基于公式（1）构建模型，在近岸和重点关注海域。该模型网格分辨率宜刻画沿海的岸线特征；模型同时考虑了拦截网等障碍物对浒苔绿潮斑块的阻挡作用。模型基于业务化预报的海流和风场数据，其预报未来72 h的计算用时10min，满足浒苔绿潮应急工作高效的需求。模式相邻两次预报结果输出的时间间隔为1 h。
5）获取研究海域的表层海流和海面风的水文气象预报数据
研究海域的表层海流和海面10m风场分别来自青岛近海WRF业务化预报系统和三维温盐流预报系统，数据时长为72 h；风场和海流预报空间范围为青岛近海，大于浒苔绿潮斑块监测所在的范围和预报时效内所有浒苔绿潮粒子可能漂移的海域。
6）浒苔绿潮蒙特卡洛概率漂移预报
选取关注的浒苔绿潮斑块（如图2中黑色框），在模型中海流作用系数R1设置为1，
风作用系数R2设置为0.01，风拖曳偏转角设置为20°。由于GF-1卫星监测精度较高，浒苔绿
潮粒子较多，因此设置50个随机走动粒子。同时计算表层流场预报误差为0.1m/s，那么公式
（1）中为0.1×random(50）。基于浒苔绿潮蒙特卡洛概率漂移预报模型，预报
未来0-72 h浒苔绿潮粒子漂移位置（如图3为某一时刻的预报结果）。
7）确定打捞船舶预计到达的时间，首先生成包含该时间段内所有粒子预报位置的最小凸多边形，再生成最小面积外接矩形，获得预选搜寻区域。
71）针对打捞船舶到达浒苔绿潮斑块附近海域时间段内，某一个浒苔绿潮斑块所有浒苔绿潮粒子的不同预报位置，采用格雷厄姆扫描算法，计算最小凸多边形，又称凸包。
72）将凸包两个相邻的点连线作为矩形一条边。
73）寻找凸包上距离已得到的边最远的点，过该点做平行线，得到矩形第二条边。
74）将凸包上点向已求得的边投影，求得投影点相距最远的两个点，过该两点做直线，作为矩形另外两条边。
75）遍历凸包所有相邻两点重复步骤72）至74)，即可求得面积最小的矩形，结果如图4。
上述得到的外包矩形为预选搜寻区域，为获取浒苔绿潮斑块最优搜寻区域提供了基础。
8）浒苔绿潮斑块最优搜寻区域预报
将浒苔绿潮斑块预选搜寻区域（图4矩形）剖分为10×10个大小相同的网格（如图5）计算搜寻区域的分布概率。计算每个网格的浒苔绿潮粒子的分布概率（即为每个网格浒苔绿潮粒子个数除总粒子个数），通过画图方法绘制概率分布的浒苔绿潮斑块搜寻区域。网格灰度值越大为概率越高的区域，需要优先搜寻；从黑色网格往四周概率逐渐降低，白色网格的概率最低。图6可看出，该浒苔绿潮斑块4处概率分布较高的搜寻区域，约3.5%，决策者可根据打捞船舶所在位置，选择n处（n=1至4）浒苔绿潮斑块最优搜寻区域。
上述方式中未述及的部分采取或借鉴已有技术即可实现。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种浒苔绿潮斑块最优搜寻区域预报方法，其特征在于包括以下步骤：
a确定浒苔应急打捞海域；
b获取步骤a确定的浒苔应急打捞海域的卫星遥感影像，从卫星遥感影像中提取出浒苔绿潮散点；
c将步骤b提取出的浒苔绿潮散点标识为不同的浒苔绿潮斑块；
d构建浒苔绿潮蒙特卡洛概率漂移预报模型
将浒苔绿潮斑块离散为一定数量的浒苔绿潮粒子，考虑风和流对浒苔绿潮粒子的拖曳作用，并引入随机走动以反映漂移、聚散和分裂过程的不确定性，构建浒苔绿潮蒙特卡洛概率漂移预报模型，具体见公式（1）：
（1）
式（1）中：xi为第i个浒苔绿潮斑块在t时刻的位置；va为表层流速，vd为海面10 m 风速；R1为海流作用系数；R2为风作用系数，表示风对浒苔的直接拖曳作用；表示风对浒苔绿潮斑块运动方向的改变作用；x轴方向为/>, y轴方向为/>，其中/>为风与x方向坐标轴的夹角，单位为度，/>为风拖曳偏转角，单位为度；/>表示扩散系数，为海流或风场的预报误差；
是一个独立的随机数，n为随机数个数；
e获取浒苔应急打捞海域预报的表层流速和海面10m风速，以及表层流速和海面10m风速的数值预报误差；
f选取关注的浒苔绿潮斑块，将其离散为浒苔绿潮粒子，基于步骤d构建的浒苔绿潮蒙特卡洛概率漂移预报模型，以浒苔绿潮粒子的初始位置和时间为模型的初始值，预报浒苔绿潮粒子未来不同时刻的漂移位置；
g确定浒苔绿潮斑块预选搜寻区域
确定打捞船舶预计到达的时间，首先生成包含该时间段内所有浒苔绿潮粒子预报位置的最小凸多边形，然后生成最小面积外接矩形，获得预选搜寻区域；
h将步骤g获得的预选搜寻区域剖分为M×N个大小相同的网格，计算每个网格的浒苔绿潮粒子的分布概率，从而得到浒苔绿潮粒子在预选搜寻区域中的概率分布，进而确定浒苔绿潮斑块最优搜寻区域，完成浒苔绿潮斑块最优搜寻区域预报。
2.根据权利要求1所述的一种浒苔绿潮斑块最优搜寻区域预报方法，其特征在于，步骤c中：采用基于密度的聚类算法将浒苔绿潮散点标识为不同的浒苔绿潮斑块。
3.根据权利要求1所述的一种浒苔绿潮斑块最优搜寻区域预报方法，其特征在于，步骤d中：海流作用系数R1为0.8-1.0，风作用系数R2为0.005-0.015，风拖曳偏转角为20-30°。
4.根据权利要求1所述的一种浒苔绿潮斑块最优搜寻区域预报方法，其特征在于，步骤g中浒苔绿潮粒子预报位置的最小面积外接矩形的计算步骤如下：
g1针对打捞船舶到达浒苔绿潮斑块附近海域时间段内，某一个浒苔绿潮斑块所有浒苔绿潮粒子的不同预报位置，采用格雷厄姆扫描算法，计算浒苔绿潮粒子的最外层的点连接起来构成的最小凸多边型，又称凸包；
g2将凸包两个相邻的点连线作为矩形第一条边；
g3寻找凸包上距离已得到的第一条边最远的点，过该点做与第一条边相平行的平行线，得到矩形第二条边；
g4将凸包上点向已得到的第一条边和第二条边投影，求得投影点相距最远的两个点，过该两点做直线，作为矩形另外两条边；
g5遍历凸包所有相邻两点重复步骤g2至g4，求得面积最小的矩形。
5.根据权利要求1所述的一种浒苔绿潮斑块最优搜寻区域预报方法，其特征在于，步骤h中：通过画图方法绘制概率分布的浒苔绿潮斑块搜寻区域，其中网格灰度值越大为概率越高的区域，需要优先搜寻，为最优搜寻区域；从黑色网格往四周概率逐渐降低，白色网格的概率最低。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310728976.XA CN116467565B (zh) | 2023-06-20 | 2023-06-20 | 一种浒苔绿潮斑块最优搜寻区域预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310728976.XA CN116467565B (zh) | 2023-06-20 | 2023-06-20 | 一种浒苔绿潮斑块最优搜寻区域预报方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116467565A true CN116467565A (zh) | 2023-07-21 |
| CN116467565B CN116467565B (zh) | 2023-09-22 |
Family
ID=87184665
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310728976.XA Active CN116467565B (zh) | 2023-06-20 | 2023-06-20 | 一种浒苔绿潮斑块最优搜寻区域预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116467565B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117094224A (zh) * | 2023-08-22 | 2023-11-21 | 中国人民解放军国防科技大学 | 海上救援搜索区域确定方法、装置及设备 |
| CN117408534A (zh) * | 2023-12-14 | 2024-01-16 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种基于卫星遥感的浒苔绿潮打捞效果短期评估方法 |
| CN118095969A (zh) * | 2024-04-26 | 2024-05-28 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种考虑浒苔生长的浒苔绿潮打捞效果评估方法 |
| CN118155080A (zh) * | 2024-05-10 | 2024-06-07 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种基于指数回归模型的浒苔覆盖面积预测方法 |
| CN118395106A (zh) * | 2024-06-27 | 2024-07-26 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种基于深度学习的绿潮覆盖面积预报方法 |
| CN118429232A (zh) * | 2024-03-20 | 2024-08-02 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种基于船载视频图像的海面漂浮大型海藻定量方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010014491A (ja) * | 2008-07-02 | 2010-01-21 | National Institute Of Advanced Industrial & Technology | 洋上監視システムおよび方法 |
| US20130223686A1 (en) * | 2010-09-08 | 2013-08-29 | Toyota Jidosha Kabushiki Kaisha | Moving object prediction device, hypothetical movable object prediction device, program, moving object prediction method and hypothetical movable object prediction method |
| KR101421197B1 (ko) * | 2013-05-15 | 2014-08-13 | 김혜봉 | 황사 현상에 기반한 녹조 및 적조 발생 예보 방법 및 그 장치 |
| CN105427305A (zh) * | 2015-11-19 | 2016-03-23 | 国家海洋局北海预报中心 | 一种绿潮信息提取方法 |
| CN108253943A (zh) * | 2017-12-24 | 2018-07-06 | 航天恒星科技有限公司 | 一种基于卫星遥感影像的赤潮浒苔一体化监测方法 |
| CN109886499A (zh) * | 2019-03-04 | 2019-06-14 | 中国地质大学（武汉） | 一种考虑反馈信息的海上遇险目标漂移集合预测方法 |
| CN112712553A (zh) * | 2020-12-30 | 2021-04-27 | 自然资源部第一海洋研究所 | 一种浒苔抵岸量估算方法 |
| US20210293770A1 (en) * | 2017-06-19 | 2021-09-23 | Nanjing Institute Of Geography & Limnology. Chinese Academy Of Sciences | Stereoscopic monitoring and data mining system and method for harmful lake cyanobacteria bloom |
| CN113987846A (zh) * | 2021-12-28 | 2022-01-28 | 中国石油大学(华东) | 一种基于随机矩形模拟的绿潮漂移扩散方法 |
| US20220129674A1 (en) * | 2020-10-23 | 2022-04-28 | The Second Institute of Oceanography (SIO), MNR | Method and device for determining extraction model of green tide coverage ratio based on mixed pixels |
| CN114417613A (zh) * | 2022-01-20 | 2022-04-29 | 国家海洋环境预报中心 | 物理生态联合作用下的黄海浒苔发展趋势预报系统及方法 |
| CN114611800A (zh) * | 2022-03-15 | 2022-06-10 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种黄海绿潮中长期趋势预测方法 |
| CN115907084A (zh) * | 2022-10-19 | 2023-04-04 | 雾实(福建)科技有限公司 | 一种海上漂浮物漂的预测方法、装置、设备和介质 |
| CN116070735A (zh) * | 2022-12-01 | 2023-05-05 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种基于边长和方位向差规则的黄海绿潮分布区及其漂移预测初始场制作方法 |
-
2023
- 2023-06-20 CN CN202310728976.XA patent/CN116467565B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010014491A (ja) * | 2008-07-02 | 2010-01-21 | National Institute Of Advanced Industrial & Technology | 洋上監視システムおよび方法 |
| US20130223686A1 (en) * | 2010-09-08 | 2013-08-29 | Toyota Jidosha Kabushiki Kaisha | Moving object prediction device, hypothetical movable object prediction device, program, moving object prediction method and hypothetical movable object prediction method |
| KR101421197B1 (ko) * | 2013-05-15 | 2014-08-13 | 김혜봉 | 황사 현상에 기반한 녹조 및 적조 발생 예보 방법 및 그 장치 |
| CN105427305A (zh) * | 2015-11-19 | 2016-03-23 | 国家海洋局北海预报中心 | 一种绿潮信息提取方法 |
| US20210293770A1 (en) * | 2017-06-19 | 2021-09-23 | Nanjing Institute Of Geography & Limnology. Chinese Academy Of Sciences | Stereoscopic monitoring and data mining system and method for harmful lake cyanobacteria bloom |
| CN108253943A (zh) * | 2017-12-24 | 2018-07-06 | 航天恒星科技有限公司 | 一种基于卫星遥感影像的赤潮浒苔一体化监测方法 |
| CN109886499A (zh) * | 2019-03-04 | 2019-06-14 | 中国地质大学（武汉） | 一种考虑反馈信息的海上遇险目标漂移集合预测方法 |
| US20220129674A1 (en) * | 2020-10-23 | 2022-04-28 | The Second Institute of Oceanography (SIO), MNR | Method and device for determining extraction model of green tide coverage ratio based on mixed pixels |
| CN112712553A (zh) * | 2020-12-30 | 2021-04-27 | 自然资源部第一海洋研究所 | 一种浒苔抵岸量估算方法 |
| CN113987846A (zh) * | 2021-12-28 | 2022-01-28 | 中国石油大学(华东) | 一种基于随机矩形模拟的绿潮漂移扩散方法 |
| CN114417613A (zh) * | 2022-01-20 | 2022-04-29 | 国家海洋环境预报中心 | 物理生态联合作用下的黄海浒苔发展趋势预报系统及方法 |
| CN114611800A (zh) * | 2022-03-15 | 2022-06-10 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种黄海绿潮中长期趋势预测方法 |
| CN115907084A (zh) * | 2022-10-19 | 2023-04-04 | 雾实(福建)科技有限公司 | 一种海上漂浮物漂的预测方法、装置、设备和介质 |
| CN116070735A (zh) * | 2022-12-01 | 2023-05-05 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种基于边长和方位向差规则的黄海绿潮分布区及其漂移预测初始场制作方法 |
Non-Patent Citations (9)
| Title |
|---|
| ZHU, KUI等: "Probabilistic modelling of surface drift prediction in marine disasters based on the NN-GA and ARMA model", OCEAN ENGINEERING * |
| 刘晓佳 等: "基于蒙特卡洛法的海上漂移模型研究", 中国水运 * |
| 吉会峰;刘吉堂;莫旭冬;高鑫鑫;杨波;: "江苏重点海域绿潮漂移扩散数值模拟", 海洋科学, no. 05 * |
| 唐泽艳;魏永亮;: "绿潮卫星遥感监测技术应用研究", 遥感信息, no. 03 * |
| 姜华林;孙昭晨;李黎;刘波;吴俊萍;: "基于蒙特卡洛方法的海上搜寻区域确定模型", 水道港口, no. 04 * |
| 李燕;李云;刘钦政;: "浒苔漂移轨迹预报系统", 海洋预报, no. 04 * |
| 杨静;蔡文博;李海;: "基于C/S架构的业务化赤潮漂移扩散预报", 海洋预报, no. 01 * |
| 陈海涛;许炜铭;孙利元;白鹏;刘子洲;: "AP98风压漂移模型应用实例――东方红2号漂移试验", 海洋湖沼通报, no. 06 * |
| 黄娟;吴玲娟;高松;曹雅静;白涛;: "黄海绿潮应急漂移数值模拟", 海洋预报, no. 01 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117094224A (zh) * | 2023-08-22 | 2023-11-21 | 中国人民解放军国防科技大学 | 海上救援搜索区域确定方法、装置及设备 |
| CN117408534A (zh) * | 2023-12-14 | 2024-01-16 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种基于卫星遥感的浒苔绿潮打捞效果短期评估方法 |
| CN117408534B (zh) * | 2023-12-14 | 2024-04-30 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种基于卫星遥感的浒苔绿潮打捞效果短期评估方法 |
| CN118429232A (zh) * | 2024-03-20 | 2024-08-02 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种基于船载视频图像的海面漂浮大型海藻定量方法 |
| CN118095969A (zh) * | 2024-04-26 | 2024-05-28 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种考虑浒苔生长的浒苔绿潮打捞效果评估方法 |
| CN118155080A (zh) * | 2024-05-10 | 2024-06-07 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种基于指数回归模型的浒苔覆盖面积预测方法 |
| CN118395106A (zh) * | 2024-06-27 | 2024-07-26 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种基于深度学习的绿潮覆盖面积预报方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116467565B (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116467565B (zh) | 一种浒苔绿潮斑块最优搜寻区域预报方法 | |
| Han et al. | Convolutional neural network for convective storm nowcasting using 3-D Doppler weather radar data | |
| CN109190538B (zh) | 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法 | |
| CN111666918B (zh) | 一种基于多因素的海岸线变化识别方法 | |
| CN110991393A (zh) | 一种海岸线变迁遥感监测与分析的方法及装置 | |
| CN110414509B (zh) | 基于海陆分割和特征金字塔网络的港口停靠舰船检测方法 | |
| Duce et al. | A morphometric assessment and classification of coral reef spur and groove morphology | |
| CN117408534B (zh) | 一种基于卫星遥感的浒苔绿潮打捞效果短期评估方法 | |
| CN114627389B (zh) | 一种基于多时相光学遥感影像的筏式养殖区提取方法 | |
| CN108038433B (zh) | 基于多回波机载激光扫描数据的城市树木碳含量估计方法 | |
| CN112487912B (zh) | 基于改进YOLOv3的任意方向舰船检测方法 | |
| Chen et al. | Rain-contaminated region segmentation of X-band marine radar images with an ensemble of SegNets | |
| CN109086957A (zh) | 基于海空无人采集装备的近岸海域水质采样网络规划方法 | |
| CN112037244B (zh) | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 | |
| CN118411627B (zh) | 基于卫星遥感的输电通道漂浮物识别监测系统及方法 | |
| Zhang et al. | Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image | |
| CN115018285A (zh) | 一种风暴潮与海浪精细化预警系统及预警方法 | |
| CN118279763A (zh) | 一种海冰监测方法、系统、设备、存储介质和计算机程序产品 | |
| CN107705344A (zh) | 激光扫描环境点云数据中树冠模型提取方法 | |
| Wei et al. | Long-term observation of global nuclear power plants thermal plumes using Landsat images and deep learning | |
| CN117036957A (zh) | 一种基于Wave-Net的SAR遥感影像海洋筏式养殖区提取方法 | |
| CN116070735A (zh) | 一种基于边长和方位向差规则的黄海绿潮分布区及其漂移预测初始场制作方法 | |
| CN114897395A (zh) | 一种风暴潮风险评估与减灾方法 | |
| Li et al. | A dual-attention mechanism deep learning network for mesoscale eddy detection by mining spatiotemporal characteristics | |
| Sun et al. | Check dam extraction from remote sensing images using deep learning and geospatial analysis: A case study in the Yanhe River Basin of the Loess Plateau, China |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |