[发明专利]一种微博舆情动态时空关联下浒苔灾害空间分布推估方法

权利要求书

1.一种微博舆情动态时空关联下浒苔灾害空间分布推估方法，其特征在于：使用历年的浒苔灾害和对应的微博社会舆情数据，提取出对应的浒苔灾害特征与微博社会舆情特征构建双向联想神经网络，在使用双向联想神经网络预测浒苔灾害的过程中，使用残差网络对双向联想神经网络稳定状态下的结果进行校正，使用基于APRIORI算法提取得到的浒苔与微博时空关联规则对神经网络运行的结果进行校正，最后得到推估的当前浒苔灾害的空间分布与发展的态势，实现在得到微博社会舆情数据时可以推估浒苔空间分布于发展态势的目的；该方法具体包括以下步骤：

步骤一，浒苔灾害特征提取，所需提取的浒苔灾害特征包括浒苔灾害的覆盖面积、浒苔灾害的漂移重心、浒苔灾害分布最小外接矩形的长、宽与旋转角度；

步骤二，微博社会舆情特征提取，所需提取的微博社会舆情特征包括热点辐射范围，热点辐射强度、标准差椭圆分布范围与标准差椭圆旋转角度；

步骤三，基于浒苔灾害特征与微博社会舆情特征进行双向联想神经网络构建；

步骤四，取不同年的浒苔灾害特征与微博社会舆情特征作为测试集，剩余年作为训练集，进行不同年份的双向联想网络训练，基于不同年份的测试集与结果集，构建残差网络；

步骤五，基于历年浒苔灾害与微博社会舆情特征，提取浒苔与微博社会舆情时空规则；

步骤六，输入待预测浒苔灾害对应的微博社会舆情数据，进行基于微博社会舆情的浒苔分布预测。

2.根据权利要求1所述的一种微博舆情动态时空关联下浒苔灾害空间分布推估方法，其特征在于：步骤一的具体实现方式如下，

设历史上的浒苔灾害发生时，存在一组数量为N_d可供浒苔灾害解译分析的MODIS影像，其年份分别为Year＝{year₁，year₂，...，year_N}，对于集合Year中的任意一年year存在可以解译浒苔灾害的MODIS日期为其中N为总年份数，N_year为第year年的天数；

步骤11，根据公式(1)，计算出基于MODIS影像提取得到的浒苔灾害的覆盖面积(CA)；

CA＝n×cellsize×cellsize (1)

公式(1)中，n为浒苔灾害在图像中实际覆盖的像元数，cellsize为影像的分辨率；

步骤12，根据公式(2)与(3)，计算出浒苔灾害的漂移重心

公式(2)与(3)中，x_i与y_i分别为浒苔发生位置的横坐标与纵坐标，n为浒苔灾害在图像中实际覆盖的像元数；

步骤13，对监测范围中的任一点(x_i，y_i)的浒苔灾害，对其实施一个角度为θ的逆时针旋转，得到新的坐标位置(x′_i(θ)，y′_i(θ))，其计算公式为公式(4)与公式(5)；θ的范围为[0°，180°]，步长为1°，初值为0°；计算θ取不同值时的横坐标x′_i(θ)与纵坐标y′_i(θ)；将所有x′_i(θ)与y′_i(θ)的极差作为浒苔分布外接矩形的长L₁(θ)与宽L₂(θ)，其计算公式分别为公式(6)与公式(7)；计算θ取不同值时的最小外接矩形面积S(θ)，如公式(8)所示；选取外接矩形面积最小时对应的θ₀作为浒苔分布的角度特征，如公式(9)所示；取θ₀对应的长L₁(θ₀)与宽L₂(θ₀)作为浒苔分布的长度与宽度特征，如公式(10)与公式(11)所示；

L₁(θ)＝R(X′)，X＝{x′₀(θ)，x′₁(θ)，...，x′_n-1(θ)} (6)

L₂(θ)＝R(Y′)，Y＝{y′₀(θ)，y′₁(θ)，...，y′_n-1(θ)} (7)

S(θ)＝L₁(θ)L₂(θ) (8)

minS(θ)→θ₀ (9)

L₁＝L₁(θ₀) (10)

L₂＝L₂(θ₀) (11)

公式(6)与公式(7)中，R(·)表示极差函数；公式(9)中min表示取最小值。