[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

说明书

本发明公开了一种基于ACONV－LSTM与New－GANs组合的蓝藻水华预测系统及预测方法，该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)；本发明系统先将叶绿素a浓度等级匹配到每张遥感图像上达到统一数据标尺处理，然后利用线性插值填补缺失得到时间序列完整的叶绿素a浓度图像，然后将完整叶绿素a浓度图像输入到注意力卷积长短时记忆网络与改进的生成式对抗网络中，从而预测未来时间的叶绿素a浓度爆发的一种预测技术手段。

技术领域

本发明涉及水质监测技术领域中的蓝藻水华预测预测，更特别地说，是指一种基于ACONV－LSTM与New－GANs组合的蓝藻水华预测系统及预测方法。

背景技术

随着城市化和工业化的发展，城市污水、工业污水等含有富营养物质的水源进入湖泊，导致水体营养负荷加重。生态系统中藻类成为优势种并大量繁殖，破坏水体生态平衡，最终导致水质恶化。在我国夏季，有较多湖泊河流都会暴发不同程度的蓝藻水华，这些蓝藻水华覆盖在水面上，或者被清理在岸边，然而在高温环境下很容易形成恶臭，污染环境。蓝藻水华的形成不仅会破坏水体影响生态环境，还会威胁人类身体健康。在面对如此严峻的条件下，对蓝藻水华的预测就显得尤为重要。对蓝藻水华的预测可以帮助人们在蓝藻水华暴发前采取相应的措施并且可以减轻对环境的破坏以及资源的浪费，因此，对蓝藻水华进行预测具有重要的科学意义和应用价值。

现阶段，蓝藻水华的预测多选用叶绿素a浓度作为模型的表征因素。在现有的蓝藻水华的预测方法中主要有通过表征因素的历史时刻预测未来几个时刻的表征的数据驱动模型，数据驱动建模主要是通过采集的大量叶绿素a数据建立多个量影响某个量或某几个量的线性关系或者非线性关系。例如神经网络、线性回归、支持向量机等方法。在蓝藻水华数据源方面，传统的水质监测需要现场调查和抽样分析，由于人文，气候和水文条件的限制，覆盖范围小，难以实现大面积水域的同时测量，导致蓝藻水华的预测只能对采样点进行数值预测，无法对整体水域进行预测。

生成式对抗网络(Generative Adversarial Networks，GANs)是Goodfellow等人在2014年提出的一种新的生成式模型，该模型由一个生成模型和一个判别模型组成，训练过程可以理解为成生模型和判别模型的竞争过程。深度学习的领军人物，Facebook AI部门的主管Yann LeCun曾经说过“生成式对抗网络及其变种已经成为最近10年以来机器学习领域最重要的思想”。生成对抗网络在生成数据、计算机视觉方向表现良好，但是在图像的时序预测上研究的较少。

因此，在了解上述数据驱动模型的利弊后及采样难度后，如何建立一种不需要工作人员到现场进行叶绿素a数据采样，并可以对整体水域进行预测是蓝藻水华研究领域中亟待解决的问题。

发明内容

为了解决现有的蓝藻水华预测的叶绿素a数据采样费时费力、采样数据覆盖范围及预测范围小等技术问题，本发明采用注意力卷积长短时记忆网络(ACONV－LSTM)与改进的生成式对抗网络(NEW—GANs)相结合，对叶绿素a浓度遥感反演图像的时间序列预测，通过输入历史叶绿素a浓度遥感图像的反演图，预测未来时刻叶绿素a浓度，本发明基于ACONV－LSTM与New－GANs组合的蓝藻水华预测系统能够实现对水域整体的蓝藻水华预测，且所需叶绿素a数据不需要到现场采样，为藻类水华预测提供一种新技术手段。

基于ACONV－LSTM与New－GANs组合的蓝藻水华预测系统进行蓝藻水华预测，包括有下列预测步骤：

步骤一，获取训练样本数据；

从叶绿素a浓度遥感反演图像数据库(100)中获取训练样本数据；所述训练样本数据是叶绿素a浓度遥感反演图像；

步骤二，标准化叶绿素a浓度范围值；