[发明专利]一种基于空间挖掘的水华判断方法

说明书

本发明涉及一种基于空间挖掘的水华判断方法，包括：在水域的N个区域分别部署传感器实时采集水体数据，其中，N为大于1的整数，所述水体数据包括：环境参数水温、PH、浊度、溶解氧、电导率、高猛酸盐指数、氨氮、总磷和总氨；将水域中待测区域部署的传感器作为目标传感器，水域中其余区域部署的传感器作为剩余传感器；将所有剩余传感器采集的水体数据依次进行排列组成剩余水体数据序列；将剩余传感器采集的水体数据和剩余水体数据序列输入训练好的水华判断模型预测水域中待测区域是否发生了水华，提高水华判断的准确性，提高环境管理部门的及时的采取应急措施，减少水华带来的生态危害和健康风险。

技术领域

本发明属于环境检测技术领域，具体涉及一种基于空间挖掘的水华判断方法。

背景技术

湖泊的富营养化和水华的发生是目前全世界共同面临的重大环境问题，水华能够破坏渔场的铒料基础，造成渔业减产，在治理水华时，必须先认识水华形成的基本规律，及影响水华形成的一些物理化学因素，发展敏感湖区。

随着深度学习领域发展迅速，将机器学习应用于学习水华形成的基本规律，判断当前水域是否发生了水华，对环境管理部门及时采取应急措施，减少水华带来的生态危害和健康风险具有重大意义。

现有的水华判断模型大都只考虑了特征数据在目标站点的水体数据，但是由于水域的流动性原因导致水域中各个区域的数据是动态相关的，只采用目标站点上的特征信息并不能准确的表达当前区域的水体情况，导致模型的水华判断结果不准确，导致管理部门决策失误浪费资源。

发明内容

为了解决背景技术中存在的问题，本发明提供一种基于空间挖掘的水华判断方法，以提高水华判断的准确性，使环境管理部门能够及时的采取应急措施，减少水华带来的生态危害和健康风险，包括：

S1：在水域的N个区域分别部署传感器实时采集水体数据，其中，N为大于1的整数，所述水体数据包括：环境参数水温、PH、浊度、溶解氧、电导率、高猛酸盐指数、氨氮、总磷和总氨；

S2：将水域中待测区域部署的传感器作为目标传感器，水域中其余区域部署的传感器作为剩余传感器；

S3：将所有剩余传感器采集的水体数据依次进行排列组成剩余水体数据序列；

S4：将剩余传感器采集的水体数据和剩余水体数据序列输入训练好的水华判断模型预测水域中待测区域是否发生了水华。

优选地，所述水华判断模型包括：LSTM网络、全连接层、softmax分类器、局部注意力机制模块和全局注意力机制模块。

优选地，所述预测水域中待测区域是否发生了水华包括：

S41：将k时刻目标传感器采集的水体数据输入局部注意力机制模块，局部注意力机制模块根据k-1时刻LSTM网络的隐藏状态h_k-1和细胞单元的记忆状态s_k-1对水体数据的每种参数赋予权重得到k时刻的第一中间特征矩阵；

S42：将k时刻剩余水体数据序列输入全局注意力机制模块，全局注意力机制模块根据k-1时刻LSTM网络的隐藏状态h_k-1和细胞单元的记忆状态s_k-1对每个其余传感器采集的水体数据赋予权重得到k时刻的第二中间特征矩阵；

S43：将k时刻的第一中间特征矩阵和t时刻的第二中间特征矩阵在特征维度上进行拼接生成k时刻的第三中间特征矩阵；

S44：将k时刻的第三中间特征矩阵输入LSTM网络计算得到k时刻LSTM网络的隐藏状态h_k和细胞单元的记忆状态s_k；