[发明专利]基于时空序列混合模型的水华预测方法

说明书

本发明公开了一种基于时空序列混合模型的水华预测方法，属于水环境预测技术领域。所述水华预测方法首先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；基于多元时空气象监测点地理位置建立空间权重矩阵；然后小尺度残差项提取及再建模；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；使用ANFIS融合预测目标水域的水质与气象数据。本发明增加了水华暴发的影响因素数量，使水华建模预测的结果更加准确，更能真实反映周边水域对目标水域的影响作用。本发明适用性强，可以在不同水域的水华时空序列数据条件下使用，适用于不同水质、气象下水华暴发的预测，具有普遍适用性。

技术领域

本发明属于水环境预测技术领域，涉及一种水华预测方法，具体地说，是一种使用监测水域历史多元水质数据以及水域附近多气象站点历史多元时空气象数据进行分析后建立的基于时空序列混合模型的一种提高预测精度的水华预测方法。

背景技术

水体的富营养化已经是一个全球性的水环境的问题。随着社会经济的快速发展、农业和工业快速进步，大量的化肥、农药工业原料的使用，导致生物所需的氮、磷等营养物质过多的流入河流、湖泊、海湾等水流缓慢的水体，引起水体中藻类及其他浮游生物的快速繁殖、水中溶氧量下降、水中需氧生物大量死亡。其中，水华是水体富营养化的典型表现，是我国河湖水环境污染所面对的主要问题。水华严重的影响到水产养殖、流域饮用水水质以及其他水资源的利用，对流域附近的环境和经济造成了不可忽视的影响。因此，通过建立可用的模型对水域水质进行监控和预测来有效的防灾减灾具有重要的意义。

目前，对水华的预测预警主要是采用两种水华的预警模型，分别是机理模型、数据驱动模型。水华机理模型主要是利用水中藻类生长繁殖的生理知识以及水环境中与藻类生长关系紧密的物理化学变化来模拟预测水中藻类的含量，但是以生态动力学模型为代表的机理模型需要考虑生态过程较繁琐，如生态链中与藻类相关的食物链关系、藻类的繁殖规律等，导致模型需率定的参数过多、考虑的因素过多，在一定程度上限制了机理模型的使用；水华数据驱动模型，主要是使用回归分析、时间序列或者智能网络等方法，建立输入输出数据之间的最优数学模型，但是现存的水华预测方法中，大多采用单一水质的数据驱动传统的神经网络，这会导致模型建立之后的预测结果不够准确。

时间序列是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列，为现实中真实的一组数据，而不是数理统计或者是实验得到的，它反映的是某一现象的统计指标，因此时间序列背后反应的是该统计指标的变化规律。使用时间序列进行分析是一种动态数据处理的统计方法，该分析方法强调了过去的时间因素在预测中的作用，而忽视了外界环境变量对预测的作用。同时传统的时间序列分析方法大部分适用于平稳性时序模型和线性系统的建模，但是在实际实践应用中，时间序列在外界的影响下会具有不规则的非平稳性，因此直接采用传统的时间序列分析方法进行预测会有较大的偏差。

空间序列，是指特定区域内，按照空间先后顺序，将需要统计的变量给予合理组织的空间统计，即对空间目标物的观测数据序列，是在时间固定条件下某一时刻基于地面测量手段对对象所获取的检测序列，包括目标区域内的沉降监测、平面位移监测以及其他传感器点所获取的数据序列，也可以是位移、温度、气压等数据序列组成的空间序列。基于观测点的空间序列建立模型，可对监测变量的走势、走向进行分析。但是在实际的走势、走向分析中，只使用空间序列进行建模预测会忽视监测变量往期数值对监测量自身的作用。