基于遥感与水文采样数据融合的海洋环境预测方法及系统与流程

本发明涉及海洋环境预测领域，特别涉及基于遥感与水文采样数据融合的海洋环境预测方法及系统。

背景技术：

1、对海洋环境进行监测，能够及时了解和掌握海洋环境环境和资源质量及发展趋势的全过程，通过监测获得的各项指标和数据，为海洋环境的管理提供科学的依据。目前，国内学者在海洋环境的环境监测方面开展了一系列研究，通过采用物联网技术，设置采样装置获取对海洋环境产生影响的海洋表面悬浮颗粒物含量，然后再经过数据反演获取海洋表面悬浮颗粒物的变化趋势，从而实现对海洋中目标海域中海洋表面悬浮颗粒物含量的监督与预测。

2、然而，海洋表面悬浮颗粒物含量及蔓延趋势往往是由多个影响因子累积而成，海洋环境的复杂性和多样性，使得采用局部测量方式反应整体变化趋势的分析方法存在着很大的局限性，无法准确的反应出目标海域中其他位置点处的海洋表面悬浮颗粒物含量水平。为此，我们提出基于遥感与水文采样数据融合的海洋环境预测方法及系统。

技术实现思路

1、本发明的主要目的在于提供基于遥感与水文采样数据融合的海洋环境预测方法及系统，可以有效解决背景技术中的问题。

2、为实现上述目的，本发明采取的技术方案为，

3、基于遥感与水文采样数据融合的海洋环境预测方法，包括：

4、s1：获取以固定采样频率拍摄的目标海域的遥感图像mt，其中，mt表示为第t次拍摄的遥感图像，t=1,2，...；

5、s2：通过设置于目标海域的采样点，获取遥感图像拍摄时刻的海洋表面悬浮颗粒物含量采样数据fit，其中，fit表示为第t次遥感图像拍摄时第i个采样点采集的海洋表面悬浮颗粒物含量数据值；

6、其中，设置于目标海域的采样点的个数至少为三组，且满足以下关系：

7、

8、其中，表示为第i个采样点与目标海域中心点的距离；表示为第j个采样点与目标海域中心点的距离；表示为第i个采样点与目标海域边界之间的最短距离；表示为第i个采样点与第j个采样点的距离；i、j、g∈λ，且i≠j≠g，λ为采样点总个数；

9、s3：提取遥感图像中所述采样点处的基本特征，对海洋表面悬浮颗粒物含量与基本特征数据进行相关性分析，根据分析结果选取不同方法获取目标海域中任意点p的海洋表面悬浮颗粒物含量数据序列fpt；

10、其中，当∀sj∉d时，采用插值法获取目标海域中任意点p的海洋表面悬浮颗粒物含量数据值，其中，sj为第j项基本特征与海洋表面悬浮颗粒物含量数据之间的相关系数，计算公式为：

11、

12、式中，fj为第j个采样点采集的海洋表面悬浮颗粒物含量数据值；为第j个采样点采集的海洋表面悬浮颗粒物含量均值；sjε为第j个采样点遥感图像中第ε项基本特征数据值；为第j个采样点遥感图像中第ε项基本特征数据的均值，ε=1,2，...，d为相关阈值，取值范围为,j=1,2,...；

13、当∃sj∈d时，选取对应的基本特征作为代表特征，通过获取遥感图像中点p的代表特征加权值ep确定其海洋表面悬浮颗粒物含量数据值，具体步骤为：

14、计算遥感图像中第k个所述采样点处的代表特征加权值ek，计算公式为：，式中，为第q项代表特征的权重，代表特征的权重正比于与海洋表面悬浮颗粒物含量数据之间相关系数的绝对值，且满足关系式：，q为代表特征的种类总数，为第k个采样点处第q项代表特征的数值；

15、构建代表特征加权值ek与海洋表面悬浮颗粒物含量采样数据fk之间的函数关系,记为；

16、将遥感图像中点p的代表特征加权值ep带入函数关系中，获取其海洋表面悬浮颗粒物含量数据值fp，其中，；

17、s4：构建神经网络模型，以获取的海洋表面悬浮颗粒物含量数据序列作为输入数据，通过模型获取目标海域中任意点p的海洋表面悬浮颗粒物含量数据的预测值；

18、其中，神经网络模型为灰色bp神经网络模型，构建流程包括以下步骤：

19、s41：获取任意采样点的海洋表面悬浮颗粒物含量数据序列，分别采用gm（1,1）、wpgm（1,1）、pgm（1,1）求取海洋表面悬浮颗粒物含量的m个模拟值和n个预测值；

20、s42：设置神经网络模型的结构（μ,ν）为（1,1），其中，μ为模型第一隐含层中的节点个数，ν为模型第二隐含层中的节点个数；

21、s43：以获取的模拟值中任意三组值作为输入数据，以任意采样点的海洋表面悬浮颗粒物含量数据序列为输出数据对模型进行训练，获取当神经网络模型的结构为（1,1）时的样本总误差e1；

22、s44：将神经网络模型的结构（μ,ν）变换为（2,2），重复步骤s43获取样本总误差e2；

23、s45：重复步骤s44至神经网络模型的结构（μ,ν）变换为（θ1,θ1），获取样本总误差eθ1，其中，θ1的值不小于10；

24、s46：选取样本总误差e1-eθ1中的最小样本总误差对应的神经网络模型的结构（μ,ν），记为（μ0,ν0）；

25、s47：分别将神经网络模型的结构（μ,ν）变换为（μ0,1）、（μ0,2）、...、（μ0,θ1）、（1,ν0）、（2,ν0）、...、（θ1,ν0），重复步骤s43获取各结构下对应的样本总误差；

26、s48：选取步骤s47中各结构下样本总误差的最小值所对应的神经网络模型的结构，记为（μ1,ν1）；

27、s49：以μ1为模型第一隐含层中的节点个数，ν1为模型第二隐含层中的节点个数，完成神经网络模型的构建。

28、基于遥感与水文采样数据融合的海洋环境预测系统，包括遥感图像获取模块、海洋表面悬浮颗粒物含量数据获取模块、数据分析模块、第一计算模块、第二计算模块、神经网络构建模块；

29、所述遥感图像获取模块用于以固定采样频率拍摄目标海域，并获取目标海域在不同时刻的遥感图像；

30、所述海洋表面悬浮颗粒物含量数据获取模块用于通过设置于目标海域的采样点，获取遥感图像拍摄时刻的海洋表面悬浮颗粒物含量采样数据；

31、所述数据分析模块用于提取遥感图像中所述采样点处的基本特征，对海洋表面悬浮颗粒物含量与基本特征数据进行相关性分析，通过判定基本特征与海洋表面悬浮颗粒物含量数据之间相关系数与相关阈值d的从属关系，确定海洋表面悬浮颗粒物含量预测方法，具体为：

32、当判定∀sj∉d时，采用插值法获取目标海域中任意点p的海洋表面悬浮颗粒物含量数据值，其中，sj为第j项基本特征与海洋表面悬浮颗粒物含量数据之间的相关系数，j=1,2,...；

33、当判定∃sj∈d时，选取对应的基本特征作为代表特征，通过获取遥感图像中点p的代表特征加权值ep确定其海洋表面悬浮颗粒物含量数据值；

34、所述第一计算模块用于当∀sj∉d时，采用插值法获取目标海域中任意点p的海洋表面悬浮颗粒物含量数据序列；

35、所述第二计算模块用于当∃sj∈d时，通过获取遥感图像中点p的代表特征加权值ep确定其海洋表面悬浮颗粒物含量数据序列；

36、所述神经网络构建模块用于构建灰色bp神经网络模型，将获取的点p的海洋表面悬浮颗粒物含量数据序列输入灰色bp神经网络模型，通过模型获取目标海域点p处在下一周期的海洋表面悬浮颗粒物含量预测值；

37、所述系统还包括存储器、处理器及存储于存储器中并能够在所述处理器上运行的电子程序。

38、本发明具有如下有益效果，

39、与现有技术相比，本发明技术方案以固定采样频率拍摄的目标海域的遥感图像，通过设置于目标海域的采样点，获取遥感图像拍摄时刻的海洋表面悬浮颗粒物含量采样数据，提取遥感图像中所述采样点处的基本特征，对海洋表面悬浮颗粒物含量与基本特征数据进行相关性分析，根据采样点处遥感图像的基本特征与海洋表面悬浮颗粒物含量数据之间相关系数和相关阈值d的从属关系，确定海洋表面悬浮颗粒物含量预测方法，从而获取目标海域中任意点p的海洋表面悬浮颗粒物含量数据序列，以获取的海洋表面悬浮颗粒物含量数据序列作为输入数据，构建神经网络模型，通过模型获取目标海域中任意点p的海洋表面悬浮颗粒物含量数据的预测值，采用物联网数据与遥感头像数据相融合的方式，能够从目标海域整体上对海洋表面悬浮颗粒物蔓延趋势进行分析，从而提高海洋表面悬浮颗粒物含量预测的准确性。