[发明专利]基于遥感图像4D-FractalNet的多因素蓝藻水华预测方法

权利要求书

1.一种基于遥感图像4D-FractalNet的多因素蓝藻水华预测方法，其特征在于，具体为：首先，在传统卷积神经网络的基础上加入时间维度与水华发生的相关因素，进行改进得到4D-CNN-SVM模型，对4D-CNN-SVM的卷积层进行递归扩展，形成4D-FractalNet模型；

然后，利用细菌觅食算法对4D-FractalNet模型中的卷积核数量和尺寸进行优化，优化后对输入的各遥感图像分别进行特征提取；

最后，在BP神经网络上增加承接层作为Elman神经网络；

将各遥感图像的提取特征，结合历史时刻采样的叶绿素浓度测量值，以及利用藻类生长机理模型计算的当前时刻叶绿素浓度值，共同输入Elman神经网络，对下一时刻的叶绿素浓度值进行预测。

2.如权利要求1所述的一种基于遥感图像4D-FractalNet的多因素蓝藻水华预测方法，其特征在于，所述的水华发生的相关因素包括：表征水华发生程度的叶绿素和藻蓝素两个因素，以及影响水华发生的温度因素。

3.如权利要求1所述的一种基于遥感图像4D-FractalNet的多因素蓝藻水华预测方法，其特征在于，所述4D-CNN-SVM模型通过对激活函数和分类器进行改进得到：

首先，通过改进的激活函数得到改进的卷积层，具体为：

激活函数f(·)具体如下：

α(·)是为可调整参数；

改进的四维卷积层计算公式为：

其中是第i行第j列第l层神经元在(h,w,n,t)位置的输出，h、w、n、t为分量，与其对应的H为图像的总长度，W为图像的总宽度，N代表表征水华的三个影响因素，T表示时间的变化情况；L是覆盖所有特征映射的层数，P是卷积核的长度，Q是卷积核的宽度，R是卷积核的高度，G是卷积核深度，是第i行第j列神经元第l层神经元的权重，b_ij是第i行第j列神经元特征映射的偏差；

然后，改进的分类层是指：4D-CNN的全连接层之后连接支持向量机模型替换常规的Softmax分类器成为卷积神经网络的最后一层，组成4D-CNN-SVM模型。

4.如权利要求1所述的一种基于遥感图像4D-FractalNet的多因素蓝藻水华预测方法，其特征在于，所述递归扩展的计算公式如下：

其中f_C(·)表示分形网络的卷积操作，C表示分形网络的扩展次数，代表级联操作，表示组合方式，4dconv(·)代表四维卷积操作。

5.如权利要求1所述的一种基于遥感图像4D-FractalNet的多因素蓝藻水华预测方法，其特征在于，所述细菌觅食算法是通过将细菌位置转化为4D-FractalNet模型的权值和阈值，寻找最优的卷积核尺寸及数量。

6.如权利要求1所述的一种基于遥感图像4D-FractalNet的多因素蓝藻水华预测方法，其特征在于，所述利用优化后的4D-FractalNet模型对各输入的遥感图像进行特征提取，并对水体富营养化等级预测的过程为：

首先，将若干多因素的遥感图像分别输入4D-FractalNet模型；

然后，通过多次四维卷积操作，将遥感图像的矩阵与卷积核点乘，得到各遥感图像的特征输出；

利用4D-FractalNet模型中——级联层对多层次特征进行求和汇集，通过最大池化法进行特征筛选，基于扩展规则进行两次扩展以后，经过全连接层与分类层对各遥感图像对应的水体富营养化等级进行预测；

接着，对比实际富营养化等级与预测等级之间的误差，判断是否满足设定的阈值，如果是，输出最终的富营养化等级的预测结果；否则，将误差反向传递，修正并更新各神经元的权重与阈值，直至达到结束条件。

7.如权利要求1所述的一种基于遥感图像4D-FractalNet的多因素蓝藻水华预测方法，其特征在于，所述藻类生长机理模型计算叶绿素浓度的公式如下：

c_a为叶绿素浓度；G_max为蓝藻生长率最大值；T_e为水温；I为光照强度；K_I为光的半饱和常数；P为营养物质磷元素的浓度；K_p为磷元素的半饱和常数；D_max为死亡率的最大值；m_p表示藻类的净损失率。