本發(fā)明屬于藍(lán)藻水華預(yù)測領(lǐng)域，尤其涉及一種基于衛(wèi)星遙感和天氣預(yù)報(bào)的藍(lán)藻水華預(yù)測方法和系統(tǒng)。

背景技術(shù)：

1、在人類活動和氣候變化加劇的背景下，內(nèi)陸水體富營養(yǎng)化現(xiàn)象已經(jīng)成為全球湖泊水環(huán)境問題的重大挑戰(zhàn)，藍(lán)藻水華則是富營養(yǎng)化問題的極端表現(xiàn)，是最為嚴(yán)重的內(nèi)陸水環(huán)境問題之一。因此，如果能實(shí)現(xiàn)對大型湖泊中藍(lán)藻水華的短期預(yù)測，相關(guān)管理部門可以提前進(jìn)行藍(lán)藻水華預(yù)警并采取應(yīng)急響應(yīng)措施，有效地遏制水華的暴發(fā)，從而降低藍(lán)藻水華所造成的環(huán)境危害及治理經(jīng)濟(jì)負(fù)擔(dān)。

2、目前來看，關(guān)于藍(lán)藻水華預(yù)測的相關(guān)研究發(fā)展較為緩慢，現(xiàn)有模型多為針對單一湖庫的(陳宇煒等,2001；張虎軍等,2022)，且對現(xiàn)場采樣數(shù)據(jù)及水動力學(xué)因素過分依賴(孔繁翔等,2009；陳莉瓊等,2016)，該類模型輸入?yún)?shù)較多，業(yè)務(wù)化應(yīng)用不方便(mu?et?al.,2021)。在無法確保不間斷的現(xiàn)場采樣數(shù)據(jù)的支持下，現(xiàn)有的預(yù)測模型應(yīng)用受到了很大的限制(shi?etal.,2017；yussof?et?al.,2021；cao?et?al.,2022)。在模型預(yù)測結(jié)果上，目前少有模型能實(shí)現(xiàn)像素尺度上的藍(lán)藻水華預(yù)測，且目前現(xiàn)有的藍(lán)藻水華模型構(gòu)建也多局限于單一的特定水體。因此，總的來說，目前還缺乏像素尺度的針對典型大湖的藍(lán)藻水華短期預(yù)測模型。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述技術(shù)問題，本發(fā)明提出一種基于衛(wèi)星遙感和天氣預(yù)報(bào)的藍(lán)藻水華預(yù)測方法的技術(shù)方案，以解決上述技術(shù)問題。

2、本發(fā)明第一方面公開了一種基于衛(wèi)星遙感和天氣預(yù)報(bào)的藍(lán)藻水華預(yù)測方法，所述方法包括：

3、步驟s1、采集modis衛(wèi)星遙感影像數(shù)據(jù)，并對所述modis衛(wèi)星遙感影像數(shù)據(jù)進(jìn)行篩選，得到atbi波段和藍(lán)藻水華分布結(jié)果；采集氣象數(shù)據(jù)，并應(yīng)用最優(yōu)累積氣象因子的篩選和多重共線性檢驗(yàn)，得到篩選后的氣象數(shù)據(jù)；

4、步驟s2、利用箱型圖四分位線法對所述atbi波段進(jìn)行離散處理和歸一化處理，得到歸一化后的atbi波段；利用箱型圖四分位線法對篩選后的氣象數(shù)據(jù)進(jìn)行離散處理，得到離散后的氣象數(shù)據(jù)；應(yīng)用研究區(qū)逐像素的藍(lán)藻水華暴發(fā)頻次與無云覆蓋的有效像元頻次之比，計(jì)算先驗(yàn)概率；

5、步驟s3、應(yīng)用所述歸一化后的atbi波段、離散后的氣象數(shù)據(jù)、先驗(yàn)概率和藍(lán)藻水華分布結(jié)果構(gòu)建預(yù)測模型的訓(xùn)練集和檢驗(yàn)集；基于貝葉斯定理的原理構(gòu)建預(yù)測模型；應(yīng)用所述訓(xùn)練集的歸一化后的atbi波段、離散后的氣象數(shù)據(jù)、先驗(yàn)概率為預(yù)測模型輸入，藍(lán)藻水華分布結(jié)果為預(yù)測模型的標(biāo)簽，訓(xùn)練預(yù)測模型，得到訓(xùn)練后的預(yù)測模型；

6、步驟s4、對實(shí)時(shí)采集到的modis衛(wèi)星遙感影像數(shù)據(jù)進(jìn)行離散處理和歸一化處理，得到歸一化后的實(shí)時(shí)atbi波段；對實(shí)時(shí)采集到的氣象數(shù)據(jù)進(jìn)行所述篩選和離散處理，得到離散后的實(shí)時(shí)氣象數(shù)據(jù)；將所述歸一化后的實(shí)時(shí)atbi波段和離散后的實(shí)時(shí)氣象數(shù)據(jù)輸入到所述訓(xùn)練后的預(yù)測模型，得到藍(lán)藻水華事件暴發(fā)的后驗(yàn)概率。

7、根據(jù)本發(fā)明第一方面的方法，在所述步驟s1中，所述最優(yōu)累積氣象因子的篩選包括：

8、采集氣象因子的7日的數(shù)據(jù)，在所述7日的數(shù)據(jù)中篩選出每類氣象因子對藍(lán)藻水華暴發(fā)貢獻(xiàn)度最大的1日的數(shù)據(jù)。

9、根據(jù)本發(fā)明第一方面的方法，在所述步驟s2中，所述利用箱型圖四分位線法對所述atbi波段進(jìn)行離散處理和歸一化處理，得到歸一化后的atbi波段包括：

10、對藍(lán)藻水華區(qū)域的atbi波段與非藍(lán)藻水華區(qū)域的atbi波段分組進(jìn)行箱式圖繪制，按照兩組箱式圖的上下四分位線、中位線及0值進(jìn)行分級，分為8級，得到離散后的atbi波段；

11、對所述離散后的atbi波段進(jìn)行歸一化，得到歸一化后的atbi波段。

12、根據(jù)本發(fā)明第一方面的方法，在所述步驟s2中，所述對所述離散后的atbi波段進(jìn)行歸一化，得到歸一化后的atbi波段包括：

13、利用迭代三角形法計(jì)算藍(lán)藻水華的分割閾值，將整景影像的離散后的atbi波段減去所述分割閾值，將藍(lán)藻水華區(qū)域的離散后的atbi波段歸一化至0值以上；對于無水華影像的離散后的atbi波段，則直接將整景影像的離散后的atbi波段減去影像上atbi波段的最大值，將所有非藍(lán)藻水華區(qū)域的離散后的atbi波段歸一化值0值以下；

14、所述利用迭代三角形法計(jì)算藍(lán)藻水華的分割閾值包括：

15、首先計(jì)算所述離散后的atbi波段的數(shù)值分布直方圖，利用迭代三角形法尋找該直方圖上某點(diǎn)，使得所述點(diǎn)到直方圖峰值與尾點(diǎn)連線的距離為最大值，所述點(diǎn)對應(yīng)的atbi波段的數(shù)值即為所需的分割閾值。

16、根據(jù)本發(fā)明第一方面的方法，在所述步驟s2中，所述利用箱型圖四分位線法對篩選后的氣象數(shù)據(jù)進(jìn)行離散處理，得到離散后的氣象數(shù)據(jù)包括：

17、對每個湖泊的篩選后的最優(yōu)累積氣象因子按照藍(lán)藻水華暴發(fā)日與非藍(lán)藻水華暴發(fā)日進(jìn)行分組，并繪制箱式圖；每類氣象因子按照藍(lán)藻水華日和非藍(lán)藻水華日兩組箱式圖的上下四分位線及中位線分為7級，得到離散后的氣象數(shù)據(jù)。

18、根據(jù)本發(fā)明第一方面的方法，在所述步驟s2中，所述應(yīng)用研究區(qū)逐像素的藍(lán)藻水華暴發(fā)頻次與無云覆蓋的有效像元頻次之比，計(jì)算先驗(yàn)概率包括：

19、

20、其中，p(c1)表示先驗(yàn)概率。

21、根據(jù)本發(fā)明第一方面的方法，在所述步驟s3中，所述基于貝葉斯定理的原理構(gòu)建預(yù)測模型包括：

22、將所述先驗(yàn)概率輸入預(yù)測模型后，遍歷訓(xùn)練集的歸一化后的atbi波段和離散后的氣象數(shù)據(jù)，將歸一化后的atbi波段和離散后的氣象數(shù)據(jù)作為特征變量，為藍(lán)藻水華事件暴發(fā)與否兩種情況構(gòu)建每個特征變量下的多維條件概率表；根據(jù)歸一化后的atbi波段和離散后的氣象數(shù)據(jù)輸入數(shù)據(jù)，應(yīng)用所述多維條件概率表確定響應(yīng)的條件概率，進(jìn)而計(jì)算藍(lán)藻水華事件暴發(fā)的后驗(yàn)概率。

23、本發(fā)明第二方面公開了一種基于衛(wèi)星遙感和天氣預(yù)報(bào)的藍(lán)藻水華預(yù)測系統(tǒng)，所述系統(tǒng)包括：

24、第一處理模塊，被配置為，采集modis衛(wèi)星遙感影像數(shù)據(jù)，并對所述modis衛(wèi)星遙感影像數(shù)據(jù)進(jìn)行篩選，得到atbi波段和藍(lán)藻水華分布結(jié)果；采集氣象數(shù)據(jù)，并應(yīng)用最優(yōu)累積氣象因子的篩選和多重共線性檢驗(yàn)，得到篩選后的氣象數(shù)據(jù)；

25、第二處理模塊，被配置為，利用箱型圖四分位線法對所述atbi波段進(jìn)行離散處理和歸一化處理，得到歸一化后的atbi波段；利用箱型圖四分位線法對篩選后的氣象數(shù)據(jù)進(jìn)行離散處理，得到離散后的氣象數(shù)據(jù)；應(yīng)用研究區(qū)逐像素的藍(lán)藻水華暴發(fā)頻次與無云覆蓋的有效像元頻次之比，計(jì)算先驗(yàn)概率；

26、第三處理模塊，被配置為，應(yīng)用所述歸一化后的atbi波段、離散后的氣象數(shù)據(jù)、先驗(yàn)概率和藍(lán)藻水華分布結(jié)果構(gòu)建預(yù)測模型的訓(xùn)練集和檢驗(yàn)集；基于貝葉斯定理的原理構(gòu)建預(yù)測模型；應(yīng)用所述訓(xùn)練集的歸一化后的atbi波段、離散后的氣象數(shù)據(jù)、先驗(yàn)概率為預(yù)測模型輸入，藍(lán)藻水華分布結(jié)果為預(yù)測模型的標(biāo)簽，訓(xùn)練預(yù)測模型，得到訓(xùn)練后的預(yù)測模型；

27、第四處理模塊，被配置為，對實(shí)時(shí)采集到的modis衛(wèi)星遙感影像數(shù)據(jù)進(jìn)行離散處理和歸一化處理，得到歸一化后的實(shí)時(shí)atbi波段；對實(shí)時(shí)采集到的氣象數(shù)據(jù)進(jìn)行所述篩選和離散處理，得到離散后的實(shí)時(shí)氣象數(shù)據(jù)；將所述歸一化后的實(shí)時(shí)atbi波段和離散后的實(shí)時(shí)氣象數(shù)據(jù)輸入到所述訓(xùn)練后的預(yù)測模型，得到藍(lán)藻水華事件暴發(fā)的后驗(yàn)概率。

28、本發(fā)明第三方面公開了一種電子設(shè)備。電子設(shè)備包括存儲器和處理器，存儲器存儲有計(jì)算機(jī)程序，處理器執(zhí)行計(jì)算機(jī)程序時(shí)，實(shí)現(xiàn)本公開第一方面中任一項(xiàng)的一種基于衛(wèi)星遙感和天氣預(yù)報(bào)的藍(lán)藻水華預(yù)測方法中的步驟。

29、本發(fā)明第四方面公開了一種計(jì)算機(jī)可讀存儲介質(zhì)。計(jì)算機(jī)可讀存儲介質(zhì)上存儲有計(jì)算機(jī)程序，計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)本公開第一方面中任一項(xiàng)的一種基于衛(wèi)星遙感和天氣預(yù)報(bào)的藍(lán)藻水華預(yù)測方法中的步驟。

30、綜上，本發(fā)明提出的方案能夠以大型湖泊的藍(lán)藻水華監(jiān)測結(jié)果、及氣象因子數(shù)據(jù)為主要數(shù)據(jù)源，構(gòu)建了基于貝葉斯定理的中國大型湖泊藍(lán)藻水華短期預(yù)測模型，實(shí)現(xiàn)未來多天藍(lán)藻水華的像素尺度預(yù)測。