[发明专利]基于ACONV－LSTM与New－GANs组合的蓝藻水华预测系统及预测方法

权利要求书

1.一种基于ACONV－LSTM与New－GANs组合的蓝藻水华预测系统，蓝藻水华是以叶绿素a浓度表征的，叶绿素a浓度遥感反演图像数据库(100)中至少存储有一张叶绿素a浓度遥感反演图像；其特征在于：该蓝藻水华预测系统包括有蓝藻水华的叶绿素a浓度等级设置单元(200)、去异常值处理单元(300)、补全连续采样时间序列图像单元(400)、Aconv－LSTM模型(500)和New－GANs模型(600)；

蓝藻水华的叶绿素a浓度等级设置单元(200)第一方面从叶绿素a浓度遥感反演图像数据库(100)中获取MPIC＝{PIC₁,PIC₂,…,PIC_k,…,PIC_K}中每一张叶绿素a浓度遥感反演图像的叶绿素a浓度范围值；

蓝藻水华的叶绿素a浓度等级设置单元(200)第二方面采用欧氏距离计算方法将Mδ＝{δ_1,δ_2,δ_3,δ_4,δ_5,δ_6,δ_7,δ_8,δ_9}匹配在每一张遥感反演图像上，形成叶绿素a浓度统一化的统一后遥感反演图像集MPIC_统一，且MPIC_统一＝{APIC₁,APIC₂,…,APIC_k,…,APIC_K}；

PIC₁表示第1个采样时间的叶绿素a浓度遥感反演图像；

PIC₂表示第2个采样时间的叶绿素a浓度遥感反演图像；

PIC_k表示第k个采样时间的叶绿素a浓度遥感反演图像；

PIC_K表示最后一个采样时间的叶绿素a浓度的遥感反演图像；

APIC₁表示图像PIC₁经叶绿素a浓度统一化的图像；

APIC₂表示图像PIC₂经叶绿素a浓度统一化的图像；

APIC_k表示图像PIC_k经叶绿素a浓度统一化的图像；

APIC_K表示图像PIC_K经叶绿素a浓度统一化的图像；

叶绿素a浓度等级的标识号记为δ；制定的叶绿素a浓度等级为9级，即δ_1表示第1等级，δ_2表示第2等级，δ_3表示第3等级，δ_4表示第4等级，δ_5表示第5等级，δ_6表示第6等级，δ_7表示第7等级，δ_8表示第8等级，δ_9表示第9等级；

去异常值处理单元(300)第一方面从MPIC_统一＝{APIC₁,APIC₂,…,APIC_k,…,APIC_K}中提取出存在有云遮挡的图像，记为云遮挡－图像集MPIC_云＝{BPIC₁,BPIC₂,…,BPIC_B}；然后，采用替换关系对MPIC_云＝{BPIC₁,BPIC₂,…,BPIC_B}进行云遮挡区域块替换，得到第一类图像集MPIC_权重-云＝{QBPIC₁,QBPIC₂,…,QBPIC_B}；

下角标B表示存在有云遮挡－图像的总张数；

BPIC₁为第1张云遮挡－图像；

BPIC₂为第2张云遮挡－图像；

BPIC_B为最后一张云遮挡－图像；

QBPIC₁为图像BPIC₁经空间权重矩阵法处理后的图像；

QBPIC₂为图像BPIC₂经空间权重矩阵法处理后的图像；

QBPIC_B为图像BPIC_B经空间权重矩阵法处理后的图像；

去异常值处理单元(300)第二方面从MPIC_统一＝{APIC₁,APIC₂,…,APIC_k,…,APIC_K}中提取出存在有高强度水华或数据异常的图像，记为异常－图像集MPIC_异常＝{CPIC₁,CPIC₂,…,CPIC_C}；然后，采用替换关系对MPIC_异常＝{CPIC₁,CPIC₂,…,CPIC_C}进行异常区域块替换，得到第二类图像集MPIC_{权重-异常}＝{QCPIC₁,QCPIC₂,…,QCPIC_C}；

下角标C表示存在有高强度水华或数据异常图像的总张数；

CPIC₁为第1张高强度水华或数据异常图像；

CPIC₂为第2张高强度水华或数据异常图像；

CPIC_C为最后一张高强度水华或数据异常图像；

QCPIC₁为图像CPIC₁经空间权重矩阵法处理后的图像；

QCPIC₂为图像CPIC₂经空间权重矩阵法处理后的图像；

QCPIC_C为图像CPIC_C经空间权重矩阵法处理后的图像；

去异常值处理单元(300)第三方面从MPIC_统一＝{APIC₁,APIC₂,…,APIC_k,…,APIC_K}中提取出同时存在有云遮挡和高强度水华或数据异常的图像，记为异常组合－图像集MPIC_组合＝{DPIC₁,DPIC₂,…,DPIC_k,…,DPIC_K}；然后，采用替换关系对MPIC_组合＝{DPIC₁,DPIC₂,…,DPIC_D}进行区域块替换，得到第三类图像集MPIC_{权重-组合}＝{QDPIC₁,QDPIC₂,…,QDPIC_D}；

下角标D表示同时存在有云遮挡和高强度水华或数据异常图像的总张数；

DPIC₁为第1张同时存在有云遮挡和高强度水华或数据异常图像；

DPIC₂为第2张同时存在有云遮挡和高强度水华或数据异常图像；

DPIC_D为最后一张同时存在有云遮挡和高强度水华或数据异常图像；

QDPIC₁为图像DPIC₁经空间权重矩阵法处理后的图像；

QDPIC₂为图像DPIC₂经空间权重矩阵法处理后的图像；

QDPIC_C为图像DPIC_D经空间权重矩阵法处理后的图像；

去异常值处理单元(300)第四方面，从MPIC_统一＝{APIC₁,APIC₂,…,APIC_k,…,APIC_K}中选取出完整图像，记为完整图像集MPIC_完整＝{EPIC₁,EPIC₂,…,EPIC_E}；所述完整图像是指除MPIC_云、MPIC_异常和MPIC_组合以外的图像；

下角标E表示不是异常值图像的总张数；

EPIC₁为第1张完整图像；

EPIC₂为第2张完整图像；

EPIC_E为最后一张完整图像；

去异常值处理单元(300)第五方面，分别将MPIC_完整和MPIC_权重输出给补全连续采样时间序列图像单元(400)和注意力卷积长短时网络模型(500)；

补全连续采样时间序列图像单元(400)第一方面接收去异常值处理单元(300)输出的MPIC_完整和MPIC_权重；

补全连续采样时间序列图像单元(400)第二方面，对MPIC_完整和MPIC_权重按照采样时间先后进行排序，得到排序后的图像集MPIC_排序＝{APIC₁,APIC₂,…,APIC_k,…,APIC_K}；

补全连续采样时间序列图像单元(400)第三方面，对所述MPIC_排序＝{APIC₁,APIC₂,…,APIC_k,…,APIC_K}中出现空缺采样时间的图像进行线性插值法补充图像处理，得到采样时间连续的时间序列图像集MPIC_插值，且MPIC_插值＝{FPIC₁,FPIC₂,…,FPIC_η}；

补全连续采样时间序列图像单元(400)第四方面，将MPIC_插值输出给注意力卷积长短时网络模型(500)中进行模型构建；

FPIC₁表示第1张采样时间连续的时间序列图像；

FPIC₂表示第2张采样时间连续的时间序列图像；

FPIC_γ表示第γ张采样时间连续的时间序列图像；

构建注意力卷积长短时网络模型(500)第一方面采用基于注意力卷积长短时网络方法对MPIC_完整、MPIC_权重和MPIC_插值进行网络构建，得到ACONV－LSTM网络模型及ACONV－LSTM数据库；第二方面输出段前图像数据DD_前给U型的生成器(600A)作为测试数据；第三方面输出段后图像数据DD_后给马尔科夫判别器(600B)作为测试数据；

NEW—GANs模型(600)由一个U型的生成器(600A)以及一个马尔科夫判别器(600B)组成；

U型的生成器(600A)由下采样网络和上采样网络组成；每一个下采样层由一个conv2d模块和一个res_net模块构成；所述conv2d模块的计算为y_out＝f(BN(H_t*ω₁+ξ₁))；

*代表卷积运算符；

y_out表示经过conv2d模块后的输出；

f代表激活函数，为LeakyReLu函数；

H_t表示当前采样时间的短期记忆输出；

ω₁为卷积核的第一权重；

ξ₁为卷积核的第一偏置数值；

BN(H_t*ω₁+ξ₁)代表对(H_t*ω₁+ξ₁)批标准化过程；

res_net模块有第一个conv2d模块、第二个conv2d模块和一个连接层构成，在res_net模块中，第二个conv2d模块卷积核个数为第一个conv2d模块的二倍，卷积核大小分别是1×1和3×3，步长为一，使用same方式进行填充，保证在经过conv2d模块后网络出输出大小与输入大小相同，经过两个conv2d模块后将所得到的输出与res_net的输入做叠加，将最终输出传入到下一个下采样层res_net模块，res_net模块公式如下：

y₁＝f(B(y_out*ω₂+ξ₂))；

y₂＝f(B(y₁*ω₃+ξ₃))；

r_out＝y_out+y₂；

*代表卷积运算符；

y₁为第一个conv2d模块的输出；

y₂为第二个conv2d模块的输出；

r_out为res_net模块输出；

y_out表示经过conv2d模块后的输出；

ω₂为卷积核的第二权重；

ω₃为卷积核的第三权重；

ξ₂为卷积核的第二偏置数值；

ξ₃为卷积核的第三偏置数值；

f(B(y_out*ω₂+ξ₂))表示对(y_out*ω₂+ξ₂)的激活函数；

f(B(y₁*ω₃+ξ₃))表示对(y₁*ω₃+ξ₃)的激活函数；

NEW—GANs模型(600)中的马尔科夫判别器使用二值交叉熵函数；

因此，NEW—GANs模型区别是mseloss值和二值交叉熵函数，mseloss值和优化目标为：

L_mse(G)＝E_x,y,z[||y-G(x,z)||₂]；

G代表生成器标志；

D代表判别器标志；

G_F表示最终输出的优化函数；

L_mse(G)表示生成器的mesloss损失值；

x代表输入到生成器中的特征序列；比如H_t；

y代表从ACONV－LSTM数据库中选取的样本遥感图像；

z代表在U型的生成器中添加噪音，本发明使用dropout层来添加；

E_x,y,z代表(y-G(x,z))期望值；

E_x,y代表logD(x,y)期望值；

E_x,z代表log(1-D(x,G(x,z))的期望值；

G(x,z)代表U型的生成器的输出；

D(x,y)代表马尔科夫判别器的输出；

η为正整数，取值为100。