【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于海洋預(yù)測(cè)，涉及基于深度學(xué)習(xí)的葉綠素a預(yù)測(cè)方法，特別涉及基于異質(zhì)性感知和方程嵌入的葉綠素a預(yù)測(cè)方法及系統(tǒng)。
技術(shù)介紹
1、葉綠素a濃度是反映水體富營(yíng)養(yǎng)化程度、監(jiān)測(cè)藻華爆發(fā)情況的重要指標(biāo)，對(duì)評(píng)估海洋生態(tài)系統(tǒng)的健康狀況至關(guān)重要。近幾年，基于深度學(xué)習(xí)的數(shù)據(jù)驅(qū)動(dòng)方法在葉綠素a濃度預(yù)測(cè)上取得了廣泛的應(yīng)用，例如lstm、cnn-lstm、convlstm以及利用注意力機(jī)制改進(jìn)的預(yù)測(cè)網(wǎng)絡(luò)等。相較于計(jì)算復(fù)雜度高、難以充分建模數(shù)據(jù)間復(fù)雜非線性關(guān)系的傳統(tǒng)數(shù)值模式和統(tǒng)計(jì)方法，該類方法通過(guò)學(xué)習(xí)和挖掘大量葉綠素a時(shí)空數(shù)據(jù)的分布模式和高維演變特征，實(shí)現(xiàn)了更加精準(zhǔn)的葉綠素a濃度預(yù)測(cè)。但目前這些先進(jìn)方法僅關(guān)注了基礎(chǔ)深度學(xué)習(xí)模型的簡(jiǎn)單應(yīng)用，并未針對(duì)葉綠素a的時(shí)空分布特點(diǎn)進(jìn)行深入研究，其長(zhǎng)期預(yù)測(cè)精度仍然受到限制。這類方法現(xiàn)存在以下問(wèn)題：
2、第一，對(duì)葉綠素a濃度進(jìn)行大范圍時(shí)空預(yù)測(cè)時(shí)，現(xiàn)有方法未考慮整個(gè)研究區(qū)域葉綠素a分布的空間異質(zhì)性問(wèn)題。例如遠(yuǎn)離近岸的水域子區(qū)域的葉綠素a濃度很相似，波動(dòng)水平較低，無(wú)論對(duì)于鄰近點(diǎn)之間還是遠(yuǎn)距離點(diǎn)之間都有高度的正相關(guān)關(guān)系。相比之下，在靠近近岸的淺水子區(qū)域的葉綠素a濃度值通常有明顯差異，而且不同季節(jié)變化顯著。存在于這些子區(qū)域間的不同相關(guān)關(guān)系揭示了空間異質(zhì)性現(xiàn)象，它被定義為一個(gè)性狀、事件或關(guān)系在一個(gè)區(qū)域上的不均勻分布。
3、第二，現(xiàn)有預(yù)測(cè)方法通常依賴于黑盒深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，這些結(jié)構(gòu)缺乏堅(jiān)實(shí)的物理基礎(chǔ)，導(dǎo)致葉綠素a濃度預(yù)測(cè)結(jié)果的透明度和可解釋性降低。具體來(lái)說(shuō)，上述基于深度學(xué)習(xí)的葉綠素a濃度預(yù)測(cè)方法大多是利
技術(shù)實(shí)現(xiàn)思路
1、針對(duì)現(xiàn)有技術(shù)存在的不足，本專利技術(shù)提出一種基于異質(zhì)性感知和方程嵌入的葉綠素a預(yù)測(cè)方法及系統(tǒng)，實(shí)現(xiàn)空間異質(zhì)性感知和方程物理知識(shí)嵌入的時(shí)空演變建模，提高了葉綠素a濃度預(yù)測(cè)的準(zhǔn)確性和可靠性。首先，構(gòu)建了一個(gè)多層自適應(yīng)異質(zhì)性感知網(wǎng)絡(luò)，來(lái)實(shí)現(xiàn)空間異質(zhì)性感知的時(shí)空演變建模方案。具體來(lái)說(shuō)，首先通過(guò)測(cè)量子區(qū)域的空間異質(zhì)性水平，并判斷其與多層自適應(yīng)異質(zhì)性感知網(wǎng)絡(luò)中當(dāng)前網(wǎng)絡(luò)不同層所表示的平均異質(zhì)性水平差異，然后根據(jù)異質(zhì)性聚類結(jié)果自適應(yīng)的進(jìn)行現(xiàn)有網(wǎng)絡(luò)最優(yōu)層數(shù)的選擇，如果最小差異大于所設(shè)定閾值，則進(jìn)行現(xiàn)有網(wǎng)絡(luò)層數(shù)加一的操作。該方案確保了網(wǎng)絡(luò)在學(xué)習(xí)新異質(zhì)性關(guān)系的同時(shí)保留了先前獲得的空間關(guān)系，從而更好地避免了空間異質(zhì)性帶來(lái)的災(zāi)難性遺忘問(wèn)題。其次，受啟發(fā)于用于空氣質(zhì)量設(shè)計(jì)了流體運(yùn)動(dòng)方程嵌入的物理約束引導(dǎo)預(yù)測(cè)網(wǎng)絡(luò)，通過(guò)將表征流動(dòng)系統(tǒng)質(zhì)量傳遞規(guī)律的平流擴(kuò)散方程，也就是控制葉綠素a運(yùn)輸?shù)幕疚锢磉^(guò)程，采用微分方程的形式將其和圖神經(jīng)網(wǎng)絡(luò)集成到一個(gè)框架，從而得到一個(gè)葉綠素a濃度隨空間和時(shí)間變化的平流-擴(kuò)散微分方程神經(jīng)網(wǎng)絡(luò)函數(shù)，進(jìn)一步基于神經(jīng)常微分求解器來(lái)計(jì)算未來(lái)葉綠素a的時(shí)空演變特征序列。這種具有物理約束引導(dǎo)微分方程嵌入的神經(jīng)網(wǎng)絡(luò)架構(gòu)，能夠生成具有物理意義的準(zhǔn)確預(yù)測(cè)，從而提升了葉綠素a濃度預(yù)測(cè)的可解釋性和可靠性。
2、為了解決上述技術(shù)問(wèn)題，本專利技術(shù)采用的技術(shù)方案是：
3、基于異質(zhì)性感知和方程嵌入的葉綠素a預(yù)測(cè)方法，包括以下步驟：
4、步驟1、獲取葉綠素a濃度預(yù)測(cè)相關(guān)輸入數(shù)據(jù)：
5、包括葉綠素a濃度歷史輸入序列，風(fēng)速和風(fēng)向數(shù)據(jù)；
6、步驟2、空間異質(zhì)性測(cè)量：將原始輸入?yún)^(qū)域進(jìn)行子區(qū)域劃分，然后依次對(duì)每一個(gè)子區(qū)域的時(shí)空輸入序列進(jìn)行異質(zhì)性測(cè)量，得到該子區(qū)域的空間異質(zhì)性水平；
7、步驟3、異質(zhì)性感知時(shí)空演變建模：構(gòu)建多層自適應(yīng)異質(zhì)性感知網(wǎng)絡(luò)，實(shí)現(xiàn)不同子區(qū)域質(zhì)性水平的動(dòng)態(tài)網(wǎng)絡(luò)結(jié)構(gòu)建模；包括異質(zhì)性判斷和網(wǎng)絡(luò)自適應(yīng)訓(xùn)練過(guò)程，最終根據(jù)選定的最優(yōu)網(wǎng)絡(luò)層數(shù)進(jìn)行訓(xùn)練并輸出異質(zhì)性感知時(shí)空演變特征；
8、步驟4、設(shè)計(jì)流體運(yùn)動(dòng)方程嵌入的物理約束引導(dǎo)預(yù)測(cè)網(wǎng)絡(luò)；
9、將表征葉綠素a流動(dòng)系統(tǒng)質(zhì)量傳遞規(guī)律的平流擴(kuò)散方程與圖神經(jīng)網(wǎng)絡(luò)集成到一個(gè)框架，得到葉綠素a濃度隨空間和時(shí)間變化的平流-擴(kuò)散微分方程神經(jīng)網(wǎng)絡(luò)函數(shù)，然后通過(guò)多步預(yù)測(cè)微分網(wǎng)絡(luò)計(jì)算未來(lái)葉綠素a的時(shí)空演變特征序列；
10、步驟5、將步驟4所得未來(lái)葉綠素a的時(shí)空演變特征序列進(jìn)行重塑和聚合解碼操作，輸出最終預(yù)測(cè)結(jié)果，并進(jìn)一步將相應(yīng)時(shí)段的子區(qū)域預(yù)測(cè)序列進(jìn)行合并得到最終的預(yù)測(cè)結(jié)果。
11、進(jìn)一步的，步驟2中，對(duì)于每一個(gè)子區(qū)域的時(shí)空輸入序列，首先對(duì)其進(jìn)行時(shí)間間隔t內(nèi)的加權(quán)平均，得到，其中為權(quán)重，z表示所選取的時(shí)間段，其范圍是到時(shí)刻，表示z時(shí)間段對(duì)應(yīng)的子區(qū)域時(shí)空輸入序列；
12、隨后，對(duì)進(jìn)行空間異質(zhì)性測(cè)量，采用如下公式進(jìn)行異質(zhì)性度量：
13、???(2)；
14、其中，表示當(dāng)前輸入子區(qū)域葉綠素a濃度值的歸一化熵，表示當(dāng)前輸入子區(qū)域葉綠素a濃度值的歸一化標(biāo)準(zhǔn)差，表示當(dāng)前輸入子區(qū)域葉綠素a濃度值的歸一化均值。
15、進(jìn)一步的，步驟3中，通過(guò)測(cè)量子區(qū)域的空間異質(zhì)性水平，并利用多層自適應(yīng)異質(zhì)性感知網(wǎng)絡(luò)判斷其與當(dāng)前網(wǎng)絡(luò)不同層所表示的平均異質(zhì)性水平差異，然后根據(jù)異質(zhì)性聚類結(jié)果自適應(yīng)的進(jìn)行現(xiàn)有網(wǎng)絡(luò)最優(yōu)層數(shù)的選擇；步驟3的具體如下：
16、步驟31：隨機(jī)選定時(shí)間，然后根據(jù)其多個(gè)子區(qū)域時(shí)空輸入序列的異質(zhì)性水平初始化多層自適應(yīng)異質(zhì)性感知網(wǎng)絡(luò)，即設(shè)定網(wǎng)絡(luò)層數(shù)l、不同層的平均異質(zhì)性水平和閾值th；
17、步驟32：每當(dāng)輸入一個(gè)子區(qū)域時(shí)空序列時(shí)，判斷當(dāng)前輸入子區(qū)域的異質(zhì)性水平和不同層的平均異質(zhì)性水平的差異，選擇出差異最小的層數(shù)，如果該差異小于初始化閾值th，則直接選用層數(shù)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，如果該差異大于初始化閾值th，則需要增加網(wǎng)絡(luò)層數(shù)為l+1；最終根據(jù)選定的最優(yōu)網(wǎng)絡(luò)層數(shù)進(jìn)行訓(xùn)練并輸出異質(zhì)性感知時(shí)空演變特征。
18、進(jìn)一步的，步驟31中，隨機(jī)選定時(shí)間，可獲取p個(gè)子區(qū)域的輸入樣本，分別進(jìn)行空間異質(zhì)性測(cè)量，得到異質(zhì)性度量值，然后通過(guò)p個(gè)子區(qū)域的最大最小值設(shè)定l=3的初始化網(wǎng)絡(luò)，每一層網(wǎng)絡(luò)使用門(mén)控循環(huán)單元gru；最小值作為第一層的平均異質(zhì)性水平，閾值，為最大值，作為第二層的平均異質(zhì)性水平，h作為第3層的平均異質(zhì)性水平。
19、進(jìn)一步的，步驟32中，如果當(dāng)前輸入子區(qū)域時(shí)空序列的異質(zhì)性水平和不同層的平均異質(zhì)性水平的差異小于閾值th，通過(guò)公式（3）找到最佳匹配層：
20、??(3)；
21、代表網(wǎng)絡(luò)從1層到l層的層數(shù)變化，l為網(wǎng)絡(luò)總層數(shù)；
22、此外，將該層的平均異質(zhì)性水平進(jìn)行更新：
23、?????(4)；
24、其中，表示截至目前與層相匹配的子區(qū)域時(shí)空序列的數(shù)量，表示未更新前該層的平均異質(zhì)性水平，表示更新后該層的平均異質(zhì)性水平；
<本文檔來(lái)自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.基于異質(zhì)性感知和方程嵌入的葉綠素a預(yù)測(cè)方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于異質(zhì)性感知和方程嵌入的葉綠素a預(yù)測(cè)方法，其特征在于，步驟2中，對(duì)于每一個(gè)子區(qū)域的時(shí)空輸入序列，首先對(duì)其進(jìn)行時(shí)間間隔T內(nèi)的加權(quán)平均，得到，其中為權(quán)重，z表示所選取的時(shí)間段，其范圍是到時(shí)刻，表示z時(shí)間段對(duì)應(yīng)的子區(qū)域時(shí)空輸入序列；
3.根據(jù)權(quán)利要求1所述的基于異質(zhì)性感知和方程嵌入的葉綠素a預(yù)測(cè)方法，其特征在于，步驟3中，通過(guò)測(cè)量子區(qū)域的空間異質(zhì)性水平，并利用多層自適應(yīng)異質(zhì)性感知網(wǎng)絡(luò)判斷其與當(dāng)前網(wǎng)絡(luò)不同層所表示的平均異質(zhì)性水平差異，然后根據(jù)異質(zhì)性聚類結(jié)果自適應(yīng)的進(jìn)行現(xiàn)有網(wǎng)絡(luò)最優(yōu)層數(shù)的選擇；步驟3的具體如下：
4.根據(jù)權(quán)利要求3所述的基于異質(zhì)性感知和方程嵌入的葉綠素a預(yù)測(cè)方法，其特征在于，步驟31中，隨機(jī)選定時(shí)間，可獲取P個(gè)子區(qū)域的輸入樣本，分別進(jìn)行空間異質(zhì)性測(cè)量，得到異質(zhì)性度量值，然后通過(guò)P個(gè)子區(qū)域的最大最小值設(shè)定L=3的初始化網(wǎng)絡(luò)，每一層網(wǎng)絡(luò)使用門(mén)控循環(huán)單元GRU；最小值作為第一層的平均異質(zhì)性水平，閾值，為最大值，作為第二層的平均異質(zhì)性水平，H作為
5.根據(jù)權(quán)利要求3所述的基于異質(zhì)性感知和方程嵌入的葉綠素a預(yù)測(cè)方法，其特征在于，步驟32中，如果當(dāng)前輸入子區(qū)域時(shí)空序列的異質(zhì)性水平和不同層的平均異質(zhì)性水平的差異小于閾值TH，通過(guò)公式（3）找到最佳匹配層：
6.根據(jù)權(quán)利要求1所述的基于異質(zhì)性感知和方程嵌入的葉綠素a預(yù)測(cè)方法，其特征在于，步驟4具體如下：
7.根據(jù)權(quán)利要求6所述的基于異質(zhì)性感知和方程嵌入的葉綠素a預(yù)測(cè)方法，其特征在于，步驟41中，的均值和標(biāo)準(zhǔn)差表示為：
8.根據(jù)權(quán)利要求6所述的基于異質(zhì)性感知和方程嵌入的葉綠素a預(yù)測(cè)方法，其特征在于，步驟42中，通過(guò)在圖神經(jīng)網(wǎng)絡(luò)中定義葉綠素a傳輸過(guò)程中的擴(kuò)散和平流微分過(guò)程，即通過(guò)將葉綠素a傳輸過(guò)程中的擴(kuò)散和平流微分過(guò)程在圖結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)中進(jìn)行映射，從而得到葉綠素a濃度隨空間和時(shí)間變化的方程；具體來(lái)說(shuō)，圖拉普拉斯算子用梯度的散度表示為=-div，其中表示梯度算子，div表示散度算子，因此，擴(kuò)散方程表示如下：
9.根據(jù)權(quán)利要求8所述的基于異質(zhì)性感知和方程嵌入的葉綠素a預(yù)測(cè)方法，其特征在于，步驟43中，將等式(12)的平流-擴(kuò)散微分方程建模如下：
10.基于異質(zhì)性感知和方程嵌入的葉綠素a預(yù)測(cè)系統(tǒng)，其特征在于，用于實(shí)現(xiàn)如權(quán)利要求1-9任一項(xiàng)所述的基于異質(zhì)性感知和方程嵌入的葉綠素a預(yù)測(cè)方法，所述系統(tǒng)包括輸入預(yù)處理模塊、空間異質(zhì)性測(cè)量模塊、異質(zhì)性感知時(shí)空演變建模模塊、流體運(yùn)動(dòng)方程嵌入的物理約束引導(dǎo)模塊、葉綠素a濃度預(yù)測(cè)輸出模塊，
...【技術(shù)特征摘要】
1.基于異質(zhì)性感知和方程嵌入的葉綠素a預(yù)測(cè)方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于異質(zhì)性感知和方程嵌入的葉綠素a預(yù)測(cè)方法，其特征在于，步驟2中，對(duì)于每一個(gè)子區(qū)域的時(shí)空輸入序列，首先對(duì)其進(jìn)行時(shí)間間隔t內(nèi)的加權(quán)平均，得到，其中為權(quán)重，z表示所選取的時(shí)間段，其范圍是到時(shí)刻，表示z時(shí)間段對(duì)應(yīng)的子區(qū)域時(shí)空輸入序列；
3.根據(jù)權(quán)利要求1所述的基于異質(zhì)性感知和方程嵌入的葉綠素a預(yù)測(cè)方法，其特征在于，步驟3中，通過(guò)測(cè)量子區(qū)域的空間異質(zhì)性水平，并利用多層自適應(yīng)異質(zhì)性感知網(wǎng)絡(luò)判斷其與當(dāng)前網(wǎng)絡(luò)不同層所表示的平均異質(zhì)性水平差異，然后根據(jù)異質(zhì)性聚類結(jié)果自適應(yīng)的進(jìn)行現(xiàn)有網(wǎng)絡(luò)最優(yōu)層數(shù)的選擇；步驟3的具體如下：
4.根據(jù)權(quán)利要求3所述的基于異質(zhì)性感知和方程嵌入的葉綠素a預(yù)測(cè)方法，其特征在于，步驟31中，隨機(jī)選定時(shí)間，可獲取p個(gè)子區(qū)域的輸入樣本，分別進(jìn)行空間異質(zhì)性測(cè)量，得到異質(zhì)性度量值，然后通過(guò)p個(gè)子區(qū)域的最大最小值設(shè)定l=3的初始化網(wǎng)絡(luò)，每一層網(wǎng)絡(luò)使用門(mén)控循環(huán)單元gru；最小值作為第一層的平均異質(zhì)性水平，閾值，為最大值，作為第二層的平均異質(zhì)性水平，h作為第3層的平均異質(zhì)性水平。
5.根據(jù)權(quán)利要求3所述的基于異質(zhì)性感知和方程嵌入的葉綠素a預(yù)測(cè)方法，其特征在于，步驟32中，如果當(dāng)前輸入子區(qū)域時(shí)空序列的異質(zhì)性水平...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：葉敏，崔清明駿，賴夢(mèng)怡，李博晗，聶婕，左子杰，溫琦，
申請(qǐng)(專利權(quán))人：中國(guó)海洋大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。