[发明专利]基于时空序列混合模型的水华预测方法

权利要求书

1.基于时空序列混合模型的水华预测方法，其特征在于：包括如下步骤，

步骤一、基于深度置信网络提取水华时空数据大尺度非线性趋势项；

按照历史水华时空序列作为输入，按照时空次序将时空序列输入深度置信网络中，设定隐藏层神经元个数、训练次数、多层受限玻尔兹曼机的学习效率η₁以及改进BP网络的学习效率η₂对网络进行训练，此时通过深度置信网络将水华时空序列当中大尺度非线性趋势项提取出来，同时得到提取了大尺度非线性趋势项剩余的小尺度残差项；

步骤二、基于多元时空气象监测点地理位置的空间权重矩阵建立；

空间权重矩阵记为W^(d)，使用半变异函数γ(d)来表示空间延迟距离为d的变异,半变异函数γ(d)只依赖于空间延迟距离d的大小，即γ维各向同性，因此使用高斯函数形式作为权重的函数，高斯变异函数的表达式为：

式中，C是偏基台值，表示确定空间变异，C₀是块金值，表示随机空间变异；C₀+C是基台值或样本方差；d是空间延迟距离；A表示空间实际测量距离；a是空间相关距离或变程，也是高斯变异函数中最重要的参数，权重函数定义为空间延迟距离d的函数，表示为：

式中，γ(d)是高斯变异函数；C₀+C₁是方差或基台值；a是变程，权值在变程之内，随着距离的增大而减小，当距离大于变程时，权值为0，因此，W(d)随着距离的增加而减小，距离越小影响权重越大，因此建立得到单气象点关于其他气象点的权重函数W(d)的权值是连续变化的，反应目标气象点区域相邻气象点区域的权重值；根据多个气象监测点之间的空间距离关系计算权重关系，得到空间权重矩阵W^(d):

其中w_ij(d)表示气象点i和气象点j之间的权重关系；

步骤三、小尺度残差项提取及再建模；

一个标准的时空序列表示为：

Z_i(t)＝μ_i(t)+e_i(t) (10)

其中Z_i(t)为时空序列的实际观测值，μ_i(t)为大尺度非线性趋势项，表示时空序列在时间t、位置i的大尺度非线性趋势，e_i(t)为小尺度残差项，表示在时间t、位置i的小尺度残差项。

由于多元水质数据为单点数据、多元气象数据为多点数据，且表示的指标类型不同，故需要对两者分别进行建模，下面分别对水华时空序列中多元水质序列的叶绿素a的小尺度残差项e₁(t)和多元时空气象序列的小尺度残差项e_n(t)使用时间自相关模型和多元时空自相关模型进行建模解释；

步骤四、大尺度非线性趋势项预测值与小尺度残差项预测值叠加，同时根据反距离加权差值法得出目标水域的气象预测值；

步骤五、使用自适应神经模糊系统融合预测目标水域的水质与气象数据。