本發(fā)明涉環(huán)境監(jiān)測領(lǐng)域，尤其涉及一種赤潮生物量預(yù)測方法及裝置。

背景技術(shù)：

赤潮是一種由于局部海區(qū)的浮游生物突發(fā)性急劇繁殖，并聚集在一起而引起海平面顏色出現(xiàn)異常和發(fā)臭的現(xiàn)象。赤潮的發(fā)生是生物、化學(xué)、水文、氣象等因素綜合影響的結(jié)果。赤潮生物的生長、繁殖、消亡過程與環(huán)境因子之間存在著復(fù)雜的非線性關(guān)系，且這些環(huán)境因子具有時間上的連續(xù)性以及空間上的異質(zhì)性。近年來近岸海域赤潮頻發(fā)，赤潮的爆發(fā)不僅會導(dǎo)致水環(huán)境生態(tài)系統(tǒng)失衡，還會造成水產(chǎn)養(yǎng)殖災(zāi)難。

傳統(tǒng)的赤潮預(yù)測方法是通過各個環(huán)境因子得到當(dāng)前的赤潮狀況，但是當(dāng)赤潮的爆發(fā)時已經(jīng)造成水環(huán)境生態(tài)系統(tǒng)失衡和水產(chǎn)養(yǎng)殖災(zāi)難，因此無法提前對赤潮進行預(yù)知。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例通過提供一種赤潮生物量預(yù)測方法及裝置，解決了無法提前對赤潮進行預(yù)知的技術(shù)問題。

第一方面，本發(fā)明實施例提供了一種赤潮生物量預(yù)測方法，包括：

獲得M組有效海洋環(huán)境因子，其中，M為所述有效海洋環(huán)境因子的種類數(shù)乘以子海域的個數(shù)，同一組所述有效海洋環(huán)境因子包括多幀在不同時間點采集的同一種類的有效海洋環(huán)境因子；

對所述M組有效海洋環(huán)境因子進行歸一化預(yù)處理，以得到對應(yīng)的M組歸一化后海洋環(huán)境因子；

分別將所述M組歸一化后海洋環(huán)境因子中的第m組歸一化后海洋環(huán)境因子輸入至對應(yīng)的ARIMA模型中進行預(yù)測，以預(yù)測出M組海洋環(huán)境因子預(yù)測值，m依次為1至M，其中，一個ARIMA模型對應(yīng)一組歸一化后海洋環(huán)境因子；

將所述M組海洋環(huán)境因子預(yù)測值同時輸入至BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行預(yù)測，以預(yù)測出在預(yù)設(shè)時期內(nèi)的赤潮生物量預(yù)測值。

優(yōu)選的，所述獲得M組有效海洋環(huán)境因，包括：

建立原始海洋環(huán)境因子的關(guān)系數(shù)據(jù)庫，其中，在所述關(guān)系數(shù)據(jù)庫中保存有多個歷史監(jiān)測的原始海洋環(huán)境因子，以及保存有各個所述原始海洋環(huán)境因子的監(jiān)測位置信息和監(jiān)測時間信息；

根據(jù)各個所述原始海洋環(huán)境因子的監(jiān)測時間信息和監(jiān)測位置信息，從所述關(guān)系數(shù)據(jù)庫中提取M組原始海洋環(huán)境因子，其中，所述M組原始海洋環(huán)境因子中的同一組原始海洋環(huán)境因子在同一子海域，且距離當(dāng)前時刻小于預(yù)設(shè)時間間隔監(jiān)測到；

從所述M組原始海洋環(huán)境因子中的每組原始海洋環(huán)境因子中篩選出滿足預(yù)設(shè)條件的因子組成為所述M組有效海洋環(huán)境因子。

優(yōu)選的，在所述分別將所述M組歸一化后海洋環(huán)境因子中的第m組歸一化后海洋環(huán)境因子輸入至對應(yīng)的ARIMA模型中進行預(yù)測之前，所述方法還包括：通過如下步驟建立所述ARIMA模型：

根據(jù)所述關(guān)系數(shù)據(jù)庫中各個所述原始海洋環(huán)境因子的監(jiān)測位置信息、監(jiān)測時間信息確定針對所述M組原始海洋環(huán)境因子中每組原始海洋環(huán)境因子的ARIMA模型；

基于AIC準(zhǔn)則分別針對所述每組原始海洋環(huán)境因子的ARIMA模型進行參數(shù)估計；

選取基于所述AIC準(zhǔn)則進行參數(shù)估計得到最小AIC值時的參數(shù)組合，作為針對所述每組原始海洋環(huán)境因子的ARIMA模型的模型參數(shù)。

優(yōu)選的，在所述將所述M組海洋環(huán)境因子預(yù)測值同時輸入至BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行預(yù)測之前，所述方法還包括：通過如下步驟建立所述BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型：

獲取赤潮生物量測量值樣本；

基于如下對數(shù)公式對所述赤潮生物量測量值樣本進行歸一化處理得到對應(yīng)的歸一化后赤潮生物量樣本：

其中，y′為歸一化后赤潮生物量的值，y為赤潮生物量測量值，y_max為所述赤潮生物量測量值樣本的最大值，y_min為所述赤潮生物量測量值樣本的最小值；

基于所述歸一化后赤潮生物量樣本確定BP神經(jīng)網(wǎng)絡(luò)的隱含層數(shù)以及每一個隱含層的節(jié)點數(shù)；

基于確定的BP神經(jīng)網(wǎng)絡(luò)的隱含層數(shù)及每一個隱含層的節(jié)點數(shù)建立針對所述M組海洋環(huán)境因子預(yù)測值的BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)；

將所述最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)經(jīng)過學(xué)習(xí)過程得到的最優(yōu)值作為所述BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

優(yōu)選的，在所述預(yù)測出在預(yù)設(shè)時期內(nèi)的赤潮生物量預(yù)測值之后，所述方法還包括：

將所述赤潮生物量預(yù)測值與對應(yīng)時間測量的赤潮生物量測量值進行對比；

輸出所述赤潮生物量預(yù)測值與所述對應(yīng)時間測量的赤潮生物量測量值之間的均方根誤差、平均絕對誤差、平均絕對百分誤差、擬合度中的至少一種對比結(jié)果。

優(yōu)選的，所述有效海洋環(huán)境因子的種類包括：酸堿度、溶解氧、水溫、溶解氧飽和度、葉綠素-a、磷酸鹽、氨氮、亞硝酸鹽氮、硝酸鹽氮、鹽度、化學(xué)耗氧量和硅酸鹽。

第二方面，本發(fā)明實施例提供了一種赤潮生物量預(yù)測裝置，包括：

獲得單元，用于獲得M組有效海洋環(huán)境因子，其中，M為所述有效海洋環(huán)境因子的種類數(shù)乘以子海域的個數(shù)，同一組所述有效海洋環(huán)境因子包括多幀在不同時間點采集的同一種類的有效海洋環(huán)境因子；

預(yù)處理單元，用于對所述M組有效海洋環(huán)境因子進行歸一化預(yù)處理，以得到對應(yīng)的M組歸一化后海洋環(huán)境因子；

環(huán)境因子預(yù)測單元，用于分別將所述M組歸一化后海洋環(huán)境因子中的第m組歸一化后海洋環(huán)境因子輸入至對應(yīng)的ARIMA模型中進行預(yù)測，以預(yù)測出M組海洋環(huán)境因子預(yù)測值，m依次為1至M，其中，一個ARIMA模型對應(yīng)一組歸一化后海洋環(huán)境因子；

赤潮生物量預(yù)測單元，用于將所述M組海洋環(huán)境因子預(yù)測值同時輸入至BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行預(yù)測，以預(yù)測出在預(yù)設(shè)時期內(nèi)的赤潮生物量預(yù)測值。

優(yōu)選的，所述獲得單元包括：

數(shù)據(jù)庫建立子單元，用于建立原始海洋環(huán)境因子的關(guān)系數(shù)據(jù)庫，其中，在所述關(guān)系數(shù)據(jù)庫中保存有多個歷史監(jiān)測的原始海洋環(huán)境因子，以及保存有各個所述原始海洋環(huán)境因子的監(jiān)測位置信息和監(jiān)測時間信息；

提取子單元，用于根據(jù)各個所述原始海洋環(huán)境因子的監(jiān)測時間信息和監(jiān)測位置信息，從所述關(guān)系數(shù)據(jù)庫中提取M組原始海洋環(huán)境因子，其中，所述M組原始海洋環(huán)境因子中的同一組原始海洋環(huán)境因子在同一子海域，且距離當(dāng)前時刻小于預(yù)設(shè)時間間隔監(jiān)測到；

篩選子單元，用于從所述M組原始海洋環(huán)境因子中的每組原始海洋環(huán)境因子中篩選出滿足預(yù)設(shè)條件的因子組成為所述M組有效海洋環(huán)境因子。

優(yōu)選的，所述赤潮生物量預(yù)測裝置還包括：第一建模單元，用于通過如下步驟建立所述ARIMA模型：

用于根據(jù)所述關(guān)系數(shù)據(jù)庫中各個所述原始海洋環(huán)境因子的監(jiān)測位置信息、監(jiān)測時間信息確定針對所述M組原始海洋環(huán)境因子中每組原始海洋環(huán)境因子的ARIMA模型；

基于AIC準(zhǔn)則分別針對所述每組原始海洋環(huán)境因子的ARIMA模型進行參數(shù)估計；

選取基于所述AIC準(zhǔn)則進行參數(shù)估計得到最小AIC值時的參數(shù)組合，作為針對所述每組原始海洋環(huán)境因子的ARIMA模型的模型參數(shù)。

優(yōu)選的，所述赤潮生物量預(yù)測裝置還包括：第二建模單元，用于通過如下步驟建立所述BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型：

獲取赤潮生物量測量值樣本；

基于如下對數(shù)公式對所述赤潮生物量測量值樣本進行歸一化處理得到對應(yīng)的歸一化后赤潮生物量樣本：

其中，y′為歸一化后赤潮生物量的值，y為赤潮生物量測量值，y_max為所述赤潮生物量測量值樣本的最大值，y_min為所述赤潮生物量測量值樣本的最小值；

基于所述歸一化后赤潮生物量樣本確定BP神經(jīng)網(wǎng)絡(luò)的隱含層數(shù)以及每一個隱含層的節(jié)點數(shù)；

基于確定的BP神經(jīng)網(wǎng)絡(luò)的隱含層數(shù)及每一個隱含層的節(jié)點數(shù)建立針對所述M組海洋環(huán)境因子預(yù)測值的BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)；

將所述最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)經(jīng)過學(xué)習(xí)過程得到的最優(yōu)值作為所述BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

優(yōu)選的，所述赤潮生物量預(yù)測裝置還包括：對比單元，用于將所述赤潮生物量預(yù)測值與對應(yīng)時間測量的赤潮生物量測量值進行對比；結(jié)果輸出單元，用于輸出所述赤潮生物量預(yù)測值與所述對應(yīng)時間測量的赤潮生物量測量值之間的均方根誤差、平均絕對誤差、平均絕對百分誤差、擬合度中的至少一種對比結(jié)果。

優(yōu)選的，所述有效海洋環(huán)境因子的種類包括：酸堿度、溶解氧、水溫、溶解氧飽和度、葉綠素-a、磷酸鹽、氨氮、亞硝酸鹽氮、硝酸鹽氮、鹽度、化學(xué)耗氧量和硅酸鹽。

通過上述本發(fā)明實施例提供的一個或多個技術(shù)方案，至少實現(xiàn)了如下技術(shù)效果或優(yōu)點：

通過獲得M組有效海洋環(huán)境因子；對M組有效海洋環(huán)境因子進行歸一化預(yù)處理，以得到對應(yīng)的M組歸一化后海洋環(huán)境因子；分別將M組歸一化后海洋環(huán)境因子中的第m組歸一化后海洋環(huán)境因子輸入至ARIMA模型中進行預(yù)測，以預(yù)測出M組海洋環(huán)境因子預(yù)測值；將M組海洋環(huán)境因子預(yù)測值同時輸入至BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行預(yù)測，以預(yù)測出在預(yù)設(shè)時期內(nèi)的赤潮生物量預(yù)測值。其中，M為所述有效海洋環(huán)境因子的種類數(shù)乘以子海域的個數(shù)，一組有效海洋環(huán)境因子包括多幀在不同時間點采集的同一種類的有效海洋環(huán)境因子；從而充分考慮了影響赤潮的海洋環(huán)境因子的橫向時序相關(guān)性及縱向空間異質(zhì)性，能夠針對不同子海域的不同因子建立不同的ARIMA模型來描述其時間上的連續(xù)性及空間異質(zhì)性，從而預(yù)測出未來的各海洋環(huán)境因子，再此基礎(chǔ)上利用BP神經(jīng)網(wǎng)絡(luò)來表達各海洋環(huán)境因子與赤潮之間的復(fù)雜關(guān)系，進而實現(xiàn)赤潮生物量的短期準(zhǔn)確預(yù)測，以預(yù)報未來幾天是否發(fā)生赤潮，以便進行防備。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1為本發(fā)明實施例中赤潮生物量預(yù)測方法的流程示意圖；

圖2為本發(fā)明實施例中赤潮生物量預(yù)測方法的功能單元圖。

具體實施方式

為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

參考圖1所示，本發(fā)明實施例提供了一種赤潮生物量預(yù)測方法，包括如下步驟：

S101、獲得M組有效海洋環(huán)境因子，其中，M為有效海洋環(huán)境因子的種類數(shù)乘以子海域的個數(shù)，同一組有效海洋環(huán)境因子包括多幀在不同時間點采集的同一種類的有效海洋環(huán)境因子。

在一具體實施例中，有效海洋環(huán)境因子的種類包括：酸堿度、溶解氧、水溫、溶解氧飽和度、葉綠素-a、磷酸鹽、氨氮、亞硝酸鹽氮、硝酸鹽氮、鹽度、化學(xué)耗氧量和硅酸鹽這12類。需要進行赤潮生物量預(yù)測的海域劃分為多個子海域，每個子海域?qū)?yīng)一個經(jīng)緯度范圍，比如，劃分為6個子海域，則獲得12*6組有效海洋環(huán)境因子。每個子海域?qū)?yīng)有12組有效海洋環(huán)境因子：一組酸堿度因子、一組溶解氧因子、一組溶解氧因子、一組水溫因子、一組溶解氧飽和度因子、一組葉綠素-a因子、一組磷酸鹽因子、一組氨氮因子、一組亞硝酸鹽氮因子、一組鹽度因子、一組化學(xué)耗氧量因子、一組硅酸鹽因子。

為了獲得M組有效海洋環(huán)境因子，則在執(zhí)行S101之前，還包括如下步驟：

首先，建立原始海洋環(huán)境因子的關(guān)系數(shù)據(jù)庫，其中，在關(guān)系數(shù)據(jù)庫中保存有多個歷史監(jiān)測的原始海洋環(huán)境因子，以及保存有各個原始海洋環(huán)境因子的監(jiān)測位置信息和監(jiān)測時間信息。

具體的，在關(guān)系數(shù)據(jù)庫中保存的原始海洋環(huán)境因子是設(shè)置在不同子海域的監(jiān)測設(shè)備在不同時間采集得到。從而形成了原始海洋環(huán)境因子的大數(shù)據(jù)。具體的，監(jiān)測位置信息為用經(jīng)緯度坐標(biāo)表示的監(jiān)測設(shè)備所在的位置，監(jiān)測時間信息為采集原始海洋環(huán)境因子的時間點。

接著，根據(jù)各個原始海洋環(huán)境因子的監(jiān)測時間信息和監(jiān)測位置信息，從關(guān)系數(shù)據(jù)庫中提取M組原始海洋環(huán)境因子，其中，M組原始海洋環(huán)境因子中的同一組原始海洋環(huán)境因子在同一子海域，且距離當(dāng)前時刻小于預(yù)設(shè)時間間隔檢測到。比如，針對需要獲得36組有效海洋環(huán)境因子，每組有效海洋環(huán)境因子需要20幀，以各種原始海洋環(huán)境因子每天監(jiān)測一幀為例，從關(guān)系數(shù)據(jù)庫中各個子海域中的各種海洋環(huán)境因子都提取當(dāng)天～倒退19天的這20幀。

再接著，從M組原始海洋環(huán)境因子中的每組原始海洋環(huán)境因子中篩選出滿足預(yù)設(shè)條件的因子組成為M組有效海洋環(huán)境因子。

具體的，通過對M組原始海洋環(huán)境因子中滿足預(yù)設(shè)條件的因子進行數(shù)字編碼來篩除監(jiān)測錯誤或監(jiān)測空白的原始海洋環(huán)境因子，以保留得到M組有效海洋環(huán)境因子。

比如，由于海水是堿性的，針對酸堿度的預(yù)設(shè)條件為PH值大于或等于7，對酸堿度大于7的進行數(shù)字編碼，對酸堿度小于7的不進行數(shù)字編碼，從而篩除錯誤的酸堿度。同理的，本領(lǐng)域技術(shù)人員可以設(shè)置其他類原始海洋環(huán)境因子的預(yù)設(shè)條件，為了說明書的簡潔，本文不再贅述。

S102、對M組有效海洋環(huán)境因子進行歸一化預(yù)處理，以得到對應(yīng)的M組歸一化后海洋環(huán)境因子。

具體的，通過線性方法對M組有效海洋環(huán)境因子中的每組有效海洋環(huán)境因子的每個有效海洋環(huán)境因子都進行歸一化預(yù)處理，具體的，對每個有效海洋環(huán)境因子進行歸一化預(yù)處理的公式如下：

其中，x′為歸一化后海洋環(huán)境因子，x為有效海洋環(huán)境因子，x_min為對應(yīng)的一類海洋環(huán)境因子的最小值，x_max為對應(yīng)的一類海洋環(huán)境因子的最大值。比如，x為有效的化學(xué)耗氧量，則此時，x_min為監(jiān)測到化學(xué)耗氧量的最小值，x_max為監(jiān)測的化學(xué)耗氧量的最大值。

S103、分別將M組歸一化后海洋環(huán)境因子中的第m組歸一化后海洋環(huán)境因子輸入至對應(yīng)的ARIMA模型(全稱為差分自回歸移動平均模型(Autoregressive Integrated Moving Average Model,簡記為ARIMA)中進行預(yù)測，以預(yù)測出M組海洋環(huán)境因子預(yù)測值，m依次為1至M，其中，一個ARIMA模型對應(yīng)一組歸一化后海洋環(huán)境因子。

在具體實施過程中，需要在執(zhí)行S103之前，通過如下步驟建立分別針對M組歸一化后海洋環(huán)境因子的ARIMA模型，從而建立M個ARIMA模型：

首先，根據(jù)關(guān)系數(shù)據(jù)庫中各個原始海洋環(huán)境因子的監(jiān)測位置信息、監(jiān)測時間信息確定針對M組原始海洋環(huán)境因子中每組原始海洋環(huán)境因子的ARIMA模型。從而確定M個ARIMA模型。

具體的，確定的ARIMA模型為ARMA(自回歸移動平均模型)模型，AR(自回歸)模型、MA(移動平均)模型中的一種。具體來講，根據(jù)各個原始海洋環(huán)境因子的監(jiān)測位置信息，將各個原始海洋環(huán)境因子對應(yīng)至所在的子海域，再根據(jù)各個原始海洋環(huán)境因子的監(jiān)測時間信息，將對應(yīng)至所在子海域的12類原始海洋環(huán)境因子的監(jiān)測測時間信息形成12個時間序列。從而形成“子海域個數(shù)*12”個時間序列。對形成的各時間序列進行單位根檢驗，以判斷各個時間序列是否為平穩(wěn)序列。平穩(wěn)序列為：均值和方差在時間過程上是常數(shù)，并且在任何兩時期的協(xié)方差值僅依賴該兩時期間的距離或滯后，否則為非平穩(wěn)序列。若進行單位根檢驗時存在單位根，則該時間序列為非平穩(wěn)序列，非平穩(wěn)序列需要進行差分形成平穩(wěn)序列，差分次數(shù)記為d。

具體來講，對平穩(wěn)序列或差分后的平穩(wěn)序列通過相關(guān)性分析確定每類原始海洋環(huán)境因子適用的ARIMA模型：具體來講，是對平穩(wěn)序列或差分后的平穩(wěn)序列進行相關(guān)性分析，繪出自相關(guān)圖和偏相關(guān)圖，基于自相關(guān)圖和偏相關(guān)圖確定偏相關(guān)函數(shù)和自相關(guān)函數(shù)是截尾的還是拖尾的，若平穩(wěn)序列的偏相關(guān)函數(shù)是截尾的、自相關(guān)數(shù)是拖尾的，則該平穩(wěn)序列適用AR模型；若平穩(wěn)序列的偏相關(guān)函數(shù)拖尾、自相關(guān)函數(shù)截尾，則適用MR模型；若平穩(wěn)序列的偏相關(guān)函數(shù)、自相關(guān)函數(shù)均是拖尾的，則適用ARMA模型。其中，截尾是指時間序列的自相關(guān)函數(shù)(ACF)或偏自相關(guān)函數(shù)(PACF)在某階后均為0的性質(zhì)；拖尾是ACF或PACF并不在某階后均為0的性質(zhì)。

接著，基于AIC準(zhǔn)則分別針對每組原始海洋環(huán)境因子的ARIMA模型進行參數(shù)估計，選取基于AIC準(zhǔn)則進行參數(shù)估計得到最小AIC值時的參數(shù)組合，作為針對每組原始海洋環(huán)境因子的ARIMA模型的模型參數(shù)ARIMA(p,d,q)。

具體來講，根據(jù)AIC準(zhǔn)則確定ARMA模型的自回歸項數(shù)p與移動平均項數(shù)q。根據(jù)AIC準(zhǔn)則確定AR模型的自回歸項p；根據(jù)AIC準(zhǔn)則確定MA模型的平均移動項數(shù)q。AIC準(zhǔn)則的公式為AIC＝2K-2ln(F)，其中，K是項數(shù)，F(xiàn)是似然函數(shù)。

最后，設(shè)t,t-1,…t-p時刻的時間序列值分別為y_t,y_t-1,…,y_t-p，在t,t-1,…t-q時刻的誤差記作n_t,n_t-1,…n_t-q，n_t,n_t-1,…n_t-q是相互獨立且符合高斯分布的白噪聲序列。a₁,a₂,…,a_p是自回歸(AR)系數(shù)，b₁,b₂,…,b_q是滑動平均(MA)系數(shù)，則ARMA模型的表達式如下所示：

y_t＝a₁y_t-1+a₂y_t-2+…+a_py_t-p+n_t+b₁n_t-1+b₂n_t-2+b_qn_t-q。

S104、將M組海洋環(huán)境因子預(yù)測值同時輸入至BP(Back Propagation反向傳播)神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行預(yù)測，以預(yù)測出在預(yù)設(shè)時期內(nèi)的赤潮生物量預(yù)測值。

在具體實施過程中，預(yù)設(shè)時期設(shè)置為小于7天，則預(yù)測出7天內(nèi)的赤潮生物量預(yù)測值，從而避免長期預(yù)測的值不準(zhǔn)確。

進一步的，在執(zhí)行S104之前，通過如下步驟建立針對海洋環(huán)境因子預(yù)測值進行預(yù)測的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型：

步驟一、獲取赤潮生物量測量值樣本；

具體的，赤潮生物量測量值樣本可以為設(shè)置在各個子海域中的監(jiān)測設(shè)備監(jiān)測得到的。

步驟二、基于如下對數(shù)公式對采集的赤潮生物量測量值樣本進行歸一化處理得到對應(yīng)的歸一化后赤潮生物量樣本：其中，y′為歸一化后赤潮生物量的值，y為赤潮生物量測量值，y_max為赤潮生物量測量值樣本的最大值，y_min為赤潮生物量測量值樣本的最小值。

具體的，將赤潮生物量測量值樣本的每個赤潮生物量測量值分別經(jīng)過對數(shù)公式得到每個歸一化后赤潮生物量的值，全部歸一化后赤潮生物量構(gòu)成了以形成用于訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的歸一化后赤潮生物量樣本。

步驟三、基于歸一化后赤潮生物量樣本確定需要的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的隱含層數(shù)以及每一個隱含層的節(jié)點數(shù)。

具體的，將每一個歸一化后赤潮生物量分別帶入的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進行實驗，基于實驗結(jié)果好壞確定所需要的隱含層數(shù)以及每一個隱含層的節(jié)點數(shù)。

步驟四、基于確定的BP神經(jīng)網(wǎng)絡(luò)的隱含層數(shù)及每一個隱含層的節(jié)點數(shù)建立BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)；

步驟五、將最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)經(jīng)過學(xué)習(xí)過程得到最優(yōu)值作為BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

具體的，學(xué)習(xí)過程如下：

第一步、隨機初始化權(quán)重θ非零值，并通過前向傳播算法計算出損失函數(shù)J(θ)，并計算初始化權(quán)重θ的偏導(dǎo)D，計算公式如下：

第二步、給定學(xué)習(xí)過程的最大學(xué)習(xí)次數(shù)、設(shè)定誤差函數(shù)、預(yù)設(shè)精度值，給定輸入海洋環(huán)境因子樣本集：給定赤潮生物量輸出樣本集：

第三步、隨機從輸入海洋環(huán)境因子樣本集選取一個輸入樣本，對應(yīng)的，從赤潮生物量輸出樣本集中選取一個輸出樣本，使用反向傳播的梯度下降算法進行計算得到全局誤差，判斷全局誤差是否達到預(yù)設(shè)精度值，或?qū)W習(xí)次數(shù)是否大于最大學(xué)習(xí)次數(shù)，當(dāng)全局誤差達到預(yù)設(shè)精度值或大于最大學(xué)習(xí)次數(shù)，則結(jié)束梯度下降算法，以得到使損失函數(shù)J(θ)最小的權(quán)重值θ為最優(yōu)值作為BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，否則選取下一個輸入樣本及對應(yīng)的輸出樣本返回進行下一次學(xué)習(xí)。得到的使損失函數(shù)J(θ)最小的權(quán)重值θ為最優(yōu)值。

在預(yù)測出在預(yù)設(shè)時期內(nèi)的赤潮生物量預(yù)測值之后，將赤潮生物量預(yù)測值與對應(yīng)時間測量的赤潮生物量測量值進行對比；輸出赤潮生物量預(yù)測值與對應(yīng)時間測量的赤潮生物量測量值之間的均方根誤差，平均絕對誤差、平均絕對百分誤差、擬合度中的至少一種對比結(jié)果。

具體的，均方根誤差的計算公式如下：其中，RMSE為，y_i為赤潮生物量測量值，y″_i為赤潮生物量預(yù)測值，N為赤潮生物量測量值的個數(shù)，根據(jù)均方根誤差RMSE能夠很好地反映出赤潮生物量預(yù)測值的精密度。

具體的，平均絕對誤差的計算公式為：其中，MAE為平均絕對誤差，y_i為赤潮生物量測量值，y″_i為赤潮生物量預(yù)測值，N為赤潮生物量測量值的個數(shù)，根據(jù)平均絕對誤差MAE能夠很好地反映出赤潮生物量預(yù)測值的實際誤差情況。

具體的，平均絕對百分誤差的計算公式為：其中，MAPE為平均絕對百分誤差，y_i為赤潮生物量測量值，y″_i為赤潮生物量預(yù)測值，N為赤潮生物量測量值的個數(shù)，根據(jù)平均絕對百分誤差MAPE能夠很好地反映出赤潮生物量預(yù)測值的準(zhǔn)確性。

具體的，擬合度的計算公式為：其中，R為平均絕對百分誤差，y_i為赤潮生物量測量值，y″_i為赤潮生物量預(yù)測值，N為赤潮生物量測量值的個數(shù)。當(dāng)擬合度的數(shù)值越接近于1，則表明赤潮生物量測量值與赤潮生物量預(yù)測值之間的吻合度越強，預(yù)測效果越佳；反之，則說明赤潮生物量測量值與赤潮生物量預(yù)測值之間的擬合效果差，預(yù)測準(zhǔn)確性較差。

基于同一發(fā)明構(gòu)思，本發(fā)明實施例提供了一種赤潮生物量預(yù)測裝置，參考圖2所示，包括：獲得單元201，用于獲得M組有效海洋環(huán)境因子，其中，M為所述有效海洋環(huán)境因子的種類數(shù)乘以子海域的個數(shù)，同一組所述有效海洋環(huán)境因子包括多幀在不同時間點采集的同一種類的有效海洋環(huán)境因子；預(yù)處理單元202，用于對所述M組有效海洋環(huán)境因子進行歸一化預(yù)處理，以得到對應(yīng)的M組歸一化后海洋環(huán)境因子；環(huán)境因子預(yù)測單元203，用于分別將所述M組歸一化后海洋環(huán)境因子中的第m組歸一化后海洋環(huán)境因子輸入至對應(yīng)的ARIMA模型中進行預(yù)測，以預(yù)測出M組海洋環(huán)境因子預(yù)測值，m依次為1至M，其中，一個ARIMA模型對應(yīng)一組歸一化后海洋環(huán)境因子；赤潮生物量預(yù)測單元204，用于將所述M組海洋環(huán)境因子預(yù)測值同時輸入至BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行預(yù)測，以預(yù)測出在預(yù)設(shè)時期內(nèi)的赤潮生物量預(yù)測值。

優(yōu)選的，所述獲得單元201包括：

數(shù)據(jù)庫建立子單元，用于建立原始海洋環(huán)境因子的關(guān)系數(shù)據(jù)庫，其中，在所述關(guān)系數(shù)據(jù)庫中保存有多個歷史監(jiān)測的原始海洋環(huán)境因子，以及保存有各個所述原始海洋環(huán)境因子的監(jiān)測位置信息和監(jiān)測時間信息；

提取子單元，用于根據(jù)各個所述原始海洋環(huán)境因子的監(jiān)測時間信息和監(jiān)測位置信息，從所述關(guān)系數(shù)據(jù)庫中提取M組原始海洋環(huán)境因子，其中，所述M組原始海洋環(huán)境因子中的同一組原始海洋環(huán)境因子在同一子海域，且距離當(dāng)前時刻小于預(yù)設(shè)時間間隔監(jiān)測到；

篩選子單元，用于從所述M組原始海洋環(huán)境因子中的每組原始海洋環(huán)境因子中篩選出滿足預(yù)設(shè)條件的因子組成為所述M組有效海洋環(huán)境因子。

優(yōu)選的，所述赤潮生物量預(yù)測裝置還包括：第一建模單元，用于通過如下步驟建立所述ARIMA模型：

用于根據(jù)所述關(guān)系數(shù)據(jù)庫中各個所述原始海洋環(huán)境因子的監(jiān)測位置信息、監(jiān)測時間信息確定針對所述M組原始海洋環(huán)境因子中每組原始海洋環(huán)境因子的ARIMA模型；

基于AIC準(zhǔn)則分別針對所述每組原始海洋環(huán)境因子的ARIMA模型進行參數(shù)估計；

選取基于所述AIC準(zhǔn)則進行參數(shù)估計得到最小AIC值時的參數(shù)組合，作為針對所述每組原始海洋環(huán)境因子的ARIMA模型的模型參數(shù)。

優(yōu)選的，所述赤潮生物量預(yù)測裝置還包括：第二建模單元，用于通過如下步驟建立所述BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型：

獲取赤潮生物量測量值樣本；

基于如下對數(shù)公式對所述赤潮生物量測量值樣本進行歸一化處理得到對應(yīng)的歸一化后赤潮生物量樣本：

其中，y′為歸一化后赤潮生物量的值，y為赤潮生物量測量值，y_max為所述赤潮生物量測量值樣本的最大值，y_min為所述赤潮生物量測量值樣本的最小值；

基于所述歸一化后赤潮生物量樣本確定BP神經(jīng)網(wǎng)絡(luò)的隱含層數(shù)以及每一個隱含層的節(jié)點數(shù)；

基于確定的BP神經(jīng)網(wǎng)絡(luò)的隱含層數(shù)及每一個隱含層的節(jié)點數(shù)建立針對所述M組海洋環(huán)境因子預(yù)測值的BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)；

將所述最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)經(jīng)過學(xué)習(xí)過程得到的最優(yōu)值作為所述BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

優(yōu)選的，所述赤潮生物量預(yù)測裝置還包括：對比單元，用于將所述赤潮生物量預(yù)測值與對應(yīng)時間測量的赤潮生物量測量值進行對比；結(jié)果輸出單元，用于輸出所述赤潮生物量預(yù)測值與所述對應(yīng)時間測量的赤潮生物量測量值之間的均方根誤差、平均絕對誤差、平均絕對百分誤差、擬合度中的至少一種對比結(jié)果。

優(yōu)選的，所述有效海洋環(huán)境因子的種類包括：酸堿度、溶解氧、水溫、溶解氧飽和度、葉綠素-a、磷酸鹽、氨氮、亞硝酸鹽氮、硝酸鹽氮、鹽度、化學(xué)耗氧量和硅酸鹽。

通過上述本發(fā)明提供的一個或多個實施例，至少實現(xiàn)了如下技術(shù)效果或優(yōu)點：

通過獲得M組有效海洋環(huán)境因子；對M組有效海洋環(huán)境因子進行歸一化預(yù)處理，以得到對應(yīng)的M組歸一化后海洋環(huán)境因子；分別將M組歸一化后海洋環(huán)境因子中的第m組歸一化后海洋環(huán)境因子輸入至ARIMA模型中進行預(yù)測，以預(yù)測出M組海洋環(huán)境因子預(yù)測值；將M組海洋環(huán)境因子預(yù)測值同時輸入至BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行預(yù)測，以預(yù)測出在預(yù)設(shè)時期內(nèi)的赤潮生物量預(yù)測值。其中，M為有效海洋環(huán)境因子的種類數(shù)乘以子海域的個數(shù)，一組有效海洋環(huán)境因子包括多幀在不同時間點采集的同一種類的有效海洋環(huán)境因子；從而充分考慮了影響赤潮的海洋環(huán)境因子的橫向時序相關(guān)性及縱向空間異質(zhì)性，能夠針對不同子海域的不同因子建立不同的ARIMA模型來描述其時間上的連續(xù)性及空間異質(zhì)性，從而預(yù)測出未來的各海洋環(huán)境因子，再此基礎(chǔ)上利用BP神經(jīng)網(wǎng)絡(luò)來表達各海洋環(huán)境因子與赤潮之間的復(fù)雜關(guān)系，進而實現(xiàn)赤潮生物量的短期準(zhǔn)確預(yù)測，以預(yù)報未來幾天是否發(fā)生赤潮，以便進行防備。

盡管已描述了本發(fā)明的優(yōu)選實施例，但本領(lǐng)域內(nèi)的技術(shù)人員一旦得知了基本創(chuàng)造性概念，則可對這些實施例作出另外的變更和修改。所以，所附權(quán)利要求意欲解釋為包括優(yōu)選實施例以及落入本發(fā)明范圍的所有變更和修改。

顯然，本領(lǐng)域的技術(shù)人員可以對本發(fā)明進行各種改動和變型而不脫離本發(fā)明的精神和范圍。這樣，倘若本發(fā)明的這些修改和變型屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本發(fā)明也意圖包含這些改動和變型在內(nèi)。