一种基于浮标监测并联合机器学习进行科学预警方法转让专利
申请号 : CN202010313092.4
文献号 : CN111311874B
文献日 : 2021-06-15
发明人 : 李璠 , 林忠洲 , 何丛颖 , 蒙宽宏
申请人 : 宁波海洋研究院
摘要 :
权利要求 :
1.一种基于浮标监测并联合机器学习进行科学预警方法,其特征在于,包括步骤如下:步骤一:从数据库提取过去的数据,时间为1‑2年,从里面对半筛选出发生赤潮和没发生赤潮的每日数据;以每日10点的各指标数据,当日是否发生赤潮,当日10点到前日22点12个小时内关键指标的最大值,最大差值作为神经网络输入数据,基于IBM SPSS Modeler中神经网络模块对数据进行处理,经多次调整与验证找出最优模型,根据最优模型找出前10个影响赤潮爆发的关键因子,影响赤潮的关键因子除了赤潮特征因子叶绿素a、pH、溶解氧之外,还包括12小时内的叶绿素a最大值,叶绿素a最大差值,溶解氧最大差值,pH最大差值,风速,总悬浮固体,空气湿度;
步骤二:基于赤潮特征因子叶绿素a、pH、溶解氧以及影响赤潮爆发的环境因子盐度、温度对每日10点的数据进行统计和深度离散化处理,形成适合关联规则的挖掘的赤潮事物数据库,利用Apriori关联算法挖掘强关联规则,并从中筛选出合适的规则:规则1:Chl‑a∈[16.57,151]→发生赤潮规则2:Chl‑a∈[16.57,151],pH∈[8.77,10.3]→发生赤潮规则3:Chl‑a∈[0,3.435],pH∈[7.99,8.35]→不发生赤潮Chl‑a表示叶绿素a,溶解氧用DO表示;
关联规则的结果表明,根据Chl‑a、pH、DO处于Chl‑a>16.57、pH>8.77、DO>9.09时赤潮发生的可能性,以此来确定赤潮关键因子的阈值;
步骤三:浮标以半个小时一次的频率采集数据,按照时间序列提取当前最新数据,以及连续12小时的目标水域叶绿素a,pH,溶解氧监测数据,根据三个指标的当前状态和历史变化趋势进行初步的水质水况预警:
条件一:当前叶绿素a超过阈值,阈值为16.57或当前12小时内连续4次及以上超过阈值;
条件二:当前溶解氧超过阈值,阈值为9.09,且当前12小时内连续4次及以上超过阈值;
条件三:当前pH超过阈值,阈值为8.77,且当前12小时内连续4次及以上超过阈值;
满足任何一条时,后台获取到信息后自动发出水质水况警告信息,提醒相关人员密切关注水质变化,其余情况不发出警告信息;
步骤四:根据步骤一中神经网络挖掘出的关键因子的历史数据和当前数据生成训练样本,和测试样本,系统导入训练样本在赤潮预警模型里进行训练并生成训练模型;每日上午
10点和12点,在满足步骤三中初步水质水况预警的前提下,触发赤潮预警模型,然后将测试样本导入训练模型进行数据验证和赤潮分类预测,最后根据预测结果决定是否需要发送正式的赤潮警报;
赤潮预警模型主要实现方法是:从多种分类预测模型中选择三种模型,即KNN近邻、SVM分类预测、BP神经网络线性预测,然后综合三个分类器的分类预测结果,通过简单选举法来判定最终结果;
步骤五:所有的程序都是通过后台自动化处理,不需要人为干涉,后台自动从浮标获取数据,根据条件进行计算和判断,符合水质水况警告和赤潮预警条件则向相关负责人发送邮件和短信提醒,后台将当前浮标数据,赤潮状态数据更新到数据库,并通过datav进行手机端界面展示,以便随时随地的查看进行水质状况和赤潮情况。
说明书 :
一种基于浮标监测并联合机器学习进行科学预警方法
技术领域
背景技术
象。与本发明相关的现有技术有,数值预测法,遥感技术与GIS,细胞密度法。数值预测通过
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,但实际操作起来比较困难成本也较高。细胞密度法通过分析赤
潮生物密度是否达到发生阈值来判断是否发生赤潮,可用于小范围预测,实际操作受天气
及现场采样条件限制。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,可用于大范围预测,但往往属于
赤潮发生后预测,预测机理复杂且预测难度大。叶绿素a作为与藻类最为相关的赤潮特征因
子,其浓度在赤潮爆发前会出现明显的异常波动,在暴发过程中波动幅度达到高峰,而随着
赤潮的消亡又会逐渐趋于平稳,现有的赤潮预测方法大都是利用叶绿素、温度或光谱的一
两个特征变量的经验统计模型,没有考虑到各因子之间的复杂关系,有着很大的局限性。
连续的提供各类监测数据,并且传输稳定的方式,不仅弥补了传统检测手段(如考察船测
试,人工采样)无法获取长时间序列数据的不足,节省了人力成本的基础上达到了简单高效
方便的效果。随着近年来人工智能的发展,机器学习的在海洋科研所属的生态领域中也开
始大量应用,为海洋数据分析和海洋决策提供了有力的科学支撑。对于小范围水域来说,少
量的浮标即可覆盖到整个水域并获取到较全面的水质信息。基于浮标监测并辅以机器学习
方法对小范围水域进行广义的自动化赤潮预警研究(即只判断是否发生赤潮,不研究具体
生化指标和种类),所需设备较少,数据量可控,且避开了复杂的赤潮生化机理,客观的从数
据角度去挖掘,据此开展赤潮发生的短期预测,不仅经济实用而且效率最高。并且对于未来
继续深入研究区域化的赤潮发生机理,提高预警预报精度和实时性有着重要作用。
发明内容
前日22点12个小时内关键指标的最大值,最大差值(例如pH最大值,pH最大差值)作为神经
网络输入数据,基于IBM SPSS Modeler中神经网络模块对数据进行处理,经多次调整与验
证找出最优模型,根据变量重要性找出前12个影响赤潮爆发的关键因子(包含赤潮特征因
子和环境因子),如图1 所示,影响赤潮的除了常用的赤潮特征因子(叶绿素a、pH、溶解氧)
之外,还有12小时内的叶绿素a最大值,叶绿素a最大差值,溶解氧最大差值,pH最大差值,风
速,总悬浮固体,空气湿度;
赤潮事物数据库,其中A、B、C、D、E分别代表数据类名,利用Apriori关联算法挖掘强关联规
则,并从中筛选出合适的规则:
史变化趋势进行初步的水质水况预警:
模型里进行训练并生成训练模型。每日上午10点和12点,在满足步骤三中初步水质水况预
警的前提下,触发赤潮预警算法模块,然后将测试样本导入训练模型进行数据验证和赤潮
分类预测,最后根据预测结果决定是否需要发送正式的赤潮警报。
值,大于0.5判为1,否则为0),然后综合三个分类器的分类预测结果,通过装袋的方式(简单
选举法)来判定最终结果;
信提醒,后台将当前浮标数据,赤潮状态数据更新到数据库,并通过datav进行手机端界面
展示,以便随时随地的查看进行水质状况和赤潮情况。
告;满足水质变化警告的前提下触发赤潮预警模块,筛选三种分类回归法进行分类并通过
袋装的方式进一步提高预测准确率;全程实时且自动化预警,无需人工干预,且能在手机端
通过datav随时随地的提供监测预警展示。
附图说明
具体实施方式
前日22点12个小时内关键指标的最大值,最大差值(例如pH最大值,pH最大差值)作为神经
网络输入数据,基于IBM SPSS Modeler中神经网络模块对数据进行处理,经多次调整与验
证找出最优模型,根据变量重要性找出前12个影响赤潮爆发的关键因子(包含赤潮特征因
子和环境因子),如图1 所示,影响赤潮的除了常用的赤潮特征因子(叶绿素a、pH、溶解氧)
之外,还有12小时内的叶绿素a最大值,叶绿素a最大差值,溶解氧最大差值,pH最大差值,风
速,总悬浮固体,空气湿度;
赤潮事物数据库,其中A、B、C、D、E分别代表数据类名,利用Apriori关联算法挖掘强关联规
则,并从中筛选出合适的规则:
史变化趋势进行初步的水质水况预警:
模型里进行训练并生成训练模型。每日上午10点和12点,在满足步骤三中初步水质水况预
警的前提下,触发赤潮预警算法模块,然后将测试样本导入训练模型进行数据验证和赤潮
分类预测,最后根据预测结果决定是否需要发送正式的赤潮警报。
值,大于0.5判为1,否则为0),然后综合三个分类器的分类预测结果,通过装袋的方式(简单
选举法)来判定最终结果;
信提醒,后台将当前浮标数据,赤潮状态数据更新到数据库,并通过datav进行手机端界面
展示,以便随时随地的查看进行水质状况和赤潮情况。
数据,当日是否发生赤潮(0或1),当日10点到前日22点12个小时内关键指标的最大值,最大
差值(例如pH最大值,pH最大差值)作为参考,既反映了水质在12小时内的变化情况也获取
了在日照充足时刻下的当前水质情况,是符合自然规律的。然后通过IBM SPSS Modeler中
神经网络模块对处理分析后的数据进行重要性分析,科学的找出影响赤潮爆发的关键因
子。
支撑。
注水质以便及时发现问题。
是否会发生赤潮。KNN近邻、SVM分类预测、BP神经网络线性预测是经过多种实验比对筛选出
的符合实际数据的有较高准确率的分类回归预测方法,再通过袋装(选举法)进一步提高了
准确率,相比单纯的从赤潮指标因子和特征因子进行预测来说能在实际预测中取得更好更
准确的效果。
备为水质多参数传感器,集成于浮体之上,采用太阳能供电,开展样品采集和数据分析。不
同于传统的实验室采样预警和复杂的大型预警系统,基于浮标的适用于小范围水域的实时
赤潮预警利用浮标数据通过监测赤潮特征因子的实时变化以及利用机器学习等方法对关
键因子进行挖掘,根据条件进行判断,符合警告和预警条件则向相关负责人发送邮件和短
信提醒。所有的程序都是实时自动化处理和自动化展示,不需要人为干涉,简单有效的实现
了赤潮预警,且多次在实际中得到验证。
安排人员在相关水域采样,肉眼可见局部区域赤潮。镜检后初步判断为海洋原甲藻赤潮,依
据HY/T 069‑2005,该藻种没有被标识为有毒种,风险相对不大。
个,系统会发送水质水况警告,并在10点和12点的时候触发赤潮自动预警模型进行判断,判
断结果显示当日会发生赤潮,与采样实验结果一致;
法并通过袋装组合的方式在一定程度上提高了分类的准确率,进一步实现了有效预警。
告;满足水质变化警告的前提下触发赤潮预警模块,筛选三种分类回归法进行分类并通过
袋装的方式进一步提高预测准确率;全程实时且自动化预警,无需人工干预,且能在手机端
通过datav随时随地的提供监测预警展示。
以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。
凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的
保护范围之内。