本發(fā)明涉及一種融合多參數(shù)時(shí)空信息的水華預(yù)測方法，屬于深度學(xué)習(xí)和環(huán)境監(jiān)測領(lǐng)域，尤其適用于融合多視角信息的水華預(yù)測。

背景技術(shù)：

1、水華是一種自然生態(tài)現(xiàn)象，由藻類在特定條件下形成。一般情況下，自然形成的水華往往會(huì)自行消失，不會(huì)對環(huán)境造成危害。然而，人為活動(dòng)導(dǎo)致的水體富營養(yǎng)化是促進(jìn)水華形成和持續(xù)的關(guān)鍵因素之一，這種富營養(yǎng)化現(xiàn)象，為藻類提供了豐富的營養(yǎng)基礎(chǔ)，從而增加了水華暴發(fā)的頻率和強(qiáng)度。由于受到人類活動(dòng)和全球氣候變化的共同影響，湖庫富營養(yǎng)化和水華頻發(fā)仍然是未來一段時(shí)間內(nèi)水生態(tài)環(huán)境的突出問題。水華會(huì)導(dǎo)致水體功能退化，自凈能力下降，給飲用水安全帶來風(fēng)險(xiǎn)，并最終可能引發(fā)水生態(tài)系統(tǒng)災(zāi)害。水華的產(chǎn)生具有較強(qiáng)的隨機(jī)性、突發(fā)性和風(fēng)險(xiǎn)潛在性，不同水體驅(qū)動(dòng)機(jī)制也有所不同。一旦藻類水華暴發(fā)，我們可能無法及時(shí)采取應(yīng)急措施將危害降至最低，無形之中還可能會(huì)增加治理成本而未達(dá)到理想效果。因此，準(zhǔn)確預(yù)測藻類水華變得尤為重要，可以為相關(guān)部門采取應(yīng)急措施、制定治理方案爭取時(shí)間，為防治藻類水華災(zāi)害提供科學(xué)指導(dǎo)，對水質(zhì)改善具有重要現(xiàn)實(shí)意義。

2、水華的暴發(fā)受到多種因素影響，包括水質(zhì)和氣象指標(biāo)的變化等。不同指標(biāo)之間并非簡單的線性關(guān)系，因子間存在復(fù)雜的相互作用，使得構(gòu)建水華預(yù)測模型時(shí)環(huán)境因子的輸入難以取舍；同時(shí)，在大量時(shí)空監(jiān)測數(shù)據(jù)積累基礎(chǔ)上，構(gòu)建的藻類水華預(yù)測模型雖然精度較高，但模型的透明度顯著的降低，無法解釋哪些環(huán)境因子在什么時(shí)間驅(qū)動(dòng)了水華的暴發(fā)。因此，需要一種能夠提高預(yù)測精度和預(yù)測透明度的方法。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提供一種融合多參數(shù)時(shí)空信息的水華預(yù)測方法，意圖通過設(shè)計(jì)時(shí)間、空間與變量三種注意力機(jī)制，使得建立的深度學(xué)習(xí)模型能夠在不同視角上對在線監(jiān)測數(shù)據(jù)進(jìn)行深入分析，最終實(shí)現(xiàn)提高水華預(yù)測的準(zhǔn)確性和預(yù)測機(jī)理上的可解釋性。

2、為達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種融合多參數(shù)時(shí)空信息的水華預(yù)測方法，由融合多視角信息的水華監(jiān)測系統(tǒng)進(jìn)行實(shí)現(xiàn)，所述的融合多視角信息的水華監(jiān)測系統(tǒng)由監(jiān)測區(qū)域內(nèi)的若干個(gè)水質(zhì)監(jiān)測站和氣象站、以及一個(gè)云端服務(wù)器構(gòu)成；所述的水質(zhì)監(jiān)測站利用傳感器按照采樣頻率實(shí)時(shí)測量監(jiān)測區(qū)域內(nèi)的水質(zhì)指標(biāo)，并通過網(wǎng)絡(luò)連接傳送給云端服務(wù)器；所述的氣象站利用傳感器按照采樣頻率實(shí)時(shí)測量監(jiān)測區(qū)域內(nèi)包含氣溫、降水、風(fēng)速、相對濕度、氣壓的氣象指標(biāo)，并通過網(wǎng)絡(luò)連接傳送給云端服務(wù)器；所述的云端服務(wù)器為計(jì)算機(jī)設(shè)備，其中內(nèi)置了一種融合多參數(shù)時(shí)空信息的水華預(yù)測方法的程序化代碼。

4、具體包括如下步驟：

5、s1：云端服務(wù)器發(fā)出采集數(shù)據(jù)指令給監(jiān)測區(qū)域內(nèi)的水質(zhì)監(jiān)測站和氣象站；

6、s2：各個(gè)水質(zhì)監(jiān)測站測量監(jiān)測區(qū)域內(nèi)水體的水質(zhì)指標(biāo)，并上傳給云端服務(wù)器；

7、s3：各個(gè)氣象站測量監(jiān)測區(qū)域內(nèi)氣象指標(biāo)，并上傳給云端服務(wù)器；

8、s4：遍歷所有的水質(zhì)監(jiān)測站，云端服務(wù)器將監(jiān)測區(qū)域重疊的水質(zhì)監(jiān)測站和氣象站的數(shù)據(jù)以及時(shí)間，三者進(jìn)行拼接，構(gòu)建對應(yīng)水質(zhì)監(jiān)測站點(diǎn)的水質(zhì)-氣象數(shù)據(jù)集；

9、s5：云端服務(wù)器搭建基于transformer架構(gòu)的多視角信息融合水華預(yù)測模型，并進(jìn)行網(wǎng)絡(luò)權(quán)重初始化；

10、s6：云端服務(wù)器將歷史所有水質(zhì)監(jiān)測站點(diǎn)的水質(zhì)-氣象數(shù)據(jù)集按一定比例分為訓(xùn)練集和測試集，利用訓(xùn)練集數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并利用測試集數(shù)據(jù)進(jìn)行測試；

11、s7：設(shè)定監(jiān)測時(shí)間段t，云端服務(wù)器將t時(shí)間段內(nèi)的所有水質(zhì)監(jiān)測站點(diǎn)的水質(zhì)-氣象數(shù)據(jù)輸入到多視角信息融合水華預(yù)測模型的編碼器中，將目標(biāo)水質(zhì)監(jiān)測站點(diǎn)t時(shí)間段內(nèi)的水質(zhì)-氣象數(shù)據(jù)集和氣象站預(yù)測的未來的氣象指標(biāo)輸入到多視角信息融合水華預(yù)測模型的解碼器中，對目標(biāo)水質(zhì)監(jiān)測站點(diǎn)的葉綠素a濃度進(jìn)行預(yù)測；

12、進(jìn)一步，所述的水質(zhì)指標(biāo)包含：水溫(℃)、ph(無量綱)、溶解氧(mg/l)、電導(dǎo)率(μs/cm)、濁度(ntu)、高錳酸鹽指數(shù)(mg/l)、氨氮(mg/l)、總磷(mg/l)、總氮(mg/l)、葉綠素a(ug/l)；

13、進(jìn)一步，所述的氣象指標(biāo)包含：氣溫(℃)、降水(mm)、風(fēng)速(m/s)、相對濕度(％)、氣壓(pa)；

14、所述的多視角信息融合水華預(yù)測模型為基于注意力機(jī)制的編碼器和解碼器構(gòu)成；

15、進(jìn)一步，所述的編碼器由時(shí)間注意力機(jī)制、變量注意力機(jī)制、空間注意力機(jī)制、注意力聚合機(jī)制以及傳統(tǒng)transformer中的編碼層構(gòu)成；所述的解碼器由注意力聚合機(jī)制以及傳統(tǒng)transformer中的解碼層構(gòu)成；

16、進(jìn)一步，所述的編碼器的架構(gòu)為并聯(lián)的空間注意力機(jī)制和時(shí)間變量部分串聯(lián)傳統(tǒng)transformer中的編碼層后再與一個(gè)注意力聚合機(jī)制串聯(lián)，其中時(shí)間變量部分為時(shí)間注意力機(jī)制和變量注意力機(jī)制并聯(lián)后與一個(gè)注意力聚合機(jī)制串聯(lián)；所述的解碼器的架構(gòu)注意力聚合機(jī)制串聯(lián)傳統(tǒng)transformer中的解碼層。

17、更進(jìn)一步，所述的時(shí)間注意力機(jī)制和變量注意力機(jī)制的計(jì)算過程具體為：

18、(1-1)計(jì)算歸一化系數(shù)x′＝tanh(x⊙w)；其中，輸入l在時(shí)間注意力機(jī)制中屬于回看時(shí)間窗口大小，在變量注意力機(jī)制中屬于變量個(gè)數(shù)，即指標(biāo)的個(gè)數(shù)，d為嵌入維度；是一個(gè)可學(xué)習(xí)的權(quán)重矩陣；tanh(.)為激活函數(shù)；⊙表示逐元素相乘；

19、(1-2)計(jì)算標(biāo)準(zhǔn)化系數(shù)其中，μ(·)、σ(·)表示取均值與方差；ε是一個(gè)小常數(shù)，用于數(shù)值穩(wěn)定性；softmax(·)為激活函數(shù)；

20、(1-3)計(jì)算輸出y＝a×x；為輸出。

21、更進(jìn)一步，所述的空間注意力機(jī)制的計(jì)算過程具體為：

22、(2-1)計(jì)算平均池化aavg＝avgpool(x)；其中，輸入avgpool(·)代表平均池化；

23、(2-2)計(jì)算最大池化amax＝maxpool(x)；其中，maxpool(·)代表最大池化；

24、(2-3)計(jì)算全連接輸出y＝mlp(aavg+amax)；其中mlp(·)代表全連接層；

25、(2-4)計(jì)算先驗(yàn)知識(shí)輸出y′＝(1-λ)y+λp，其中，為權(quán)衡網(wǎng)絡(luò)提取特征信息與先驗(yàn)知識(shí)的可調(diào)超參數(shù)λ；p為相似度矩陣，即用距離的倒數(shù)來度量地理空間相似度，是一種先驗(yàn)知識(shí)；

26、(2-5)計(jì)算標(biāo)準(zhǔn)化系數(shù)其中，μ(·)、σ(·)表示取均值與方差；ε是一個(gè)小常數(shù)，用于數(shù)值穩(wěn)定性；softmax(·)為激活函數(shù)；

27、(2-6)計(jì)算最終輸出out＝attn×x；為最終輸出。

28、更進(jìn)一步，所述的注意力聚合機(jī)制為：首先利用concat拼接輸入，然后對拼接的結(jié)果進(jìn)行深層特征提取，提取的結(jié)果之后再會(huì)與空間注意力機(jī)制的結(jié)果再進(jìn)行聚合，具體計(jì)算過程為：

29、(3-1)計(jì)算輸入拼接：y′＝concat(y1，y2)；其中，y1、y2為維度相同的輸入；concat(·)為concat連接；

30、(3-2)計(jì)算輸出：y＝y(tǒng)′+attention(y′)；其中，attention(·)代表縮放點(diǎn)積自注意力；y代表融合之后的輸出。

31、本發(fā)明的有益效果在于：本發(fā)明提供了一種融合多參數(shù)時(shí)空信息的水華預(yù)測方法，通過端到端的深度神經(jīng)網(wǎng)絡(luò)特征提取和訓(xùn)練方式，具有更高的自適應(yīng)和泛化能力，利用時(shí)間、空間、變量注意力機(jī)制，能夠充分挖掘監(jiān)測數(shù)據(jù)中的時(shí)空相關(guān)性和變量間相互作用，還能可視化化時(shí)間-空間-變量的注意力分布，提高了水華預(yù)測的準(zhǔn)確性和機(jī)理上的可解釋性，對水環(huán)境管理和保護(hù)提供了科學(xué)依據(jù)。