一种海洋营养盐浓度反演方法及系统

1.本发明涉及海洋观测领域，特别是涉及一种海洋营养盐浓度反演方法及系统。


背景技术：

2.海洋中的无机氮、磷、硅等营养盐是海洋浮游植物生长的必需营养物质，是海洋初级生产的物质基础，营养盐浓度过高或结构比例失调都会导致水体富营养化，对海洋渔业和海洋环境都产生严重威胁，全面掌握海洋中营养盐的时空变化有助于理解海洋浮游植物生物量的变化以及海洋初级生产力水平，为解决海洋环境问题等海洋科学研究提供重要的科学依据。
3.传统的海洋营养盐浓度获取方法主要是现场采样方法和生态动力海洋数值模拟方法，现场采样方法的局限性在于耗费的人力物力成本较大且观测站位数量有限，难以获取空间分辨率高且持续时间长的营养盐浓度数据。生态动力海洋数值模拟方法的局限性在于对生态或称的模拟往往不完备或经过简化处理，会导致营养盐浓度结果具有较大的不确定性；同时也受人们认知水平和解决物理机制瓶颈问题的限制。


技术实现要素：

4.基于此，本发明实施例提供一种海洋营养盐浓度反演方法及系统，以准确、及时、低成本地获取海洋营养盐浓度。
5.为实现上述目的，本发明提供了如下方案：
6.一种海洋营养盐浓度反演方法，包括：
7.实时获取目标区域的海洋环境特征数据；所述海洋环境特征数据包括海表面温度、海表面盐度、海表面叶绿素a浓度、浊度、深度、经纬度和时间；
8.将所述海洋环境特征数据输入海洋表层营养盐浓度反演模型中，得到所述目标区域的海洋营养盐浓度；所述海洋营养盐浓度包括溶解态无机氮浓度、溶解态无机磷浓度和溶解态硅酸盐浓度；所述海洋表层营养盐浓度反演模型是基于人工神经网络建立的。
9.可选地，所述海洋表层营养盐浓度反演模型的确定方法为：
10.获取所述目标区域实地测量的历史数据；所述历史数据包括历史时间段的海洋环境特征数据和历史时间段对应的海洋营养盐浓度；
11.采用所述历史数据对人工神经网络进行训练，并将训练好的人工神经网络确定为所述海洋表层营养盐浓度反演模型。
12.可选地，所述采用所述历史数据对人工神经网络进行训练，并将训练好的人工神经网络确定为所述海洋表层营养盐浓度反演模型，具体包括：
13.对所述历史数据进行随机抽取，得到训练数据集、验证数据集和测试数据集；
14.构建设定层数、设定神经元数量的人工神经网络；
15.将所述训练数据集中的海洋环境特征数据作为所述人工神经网络的输入，分别以所述训练数据集中溶解态无机氮浓度、溶解态无机磷浓度和溶解态硅酸盐浓度作为所述人
工神经网络的输出进行训练，得到初始模型；所述初始模型包括初始溶解态无机氮浓度反演模型、初始溶解态无机磷浓度反演模型和初始溶解态硅酸盐浓度反演模型；
16.采用所述验证数据集，以设定预测精度为目标，分别对所述初始模型中各模型的模型参数进行调整，得到调整模型；所述调整模型包括调整后的溶解态无机氮浓度反演模型、调整后的溶解态无机磷浓度反演模型和调整后的溶解态硅酸盐浓度反演模型；
17.采用所述测试数据集对所述调整模型中的各模型进行测试，得到海洋表层营养盐浓度反演模型；所述海洋表层营养盐浓度反演模型包括测试后的溶解态无机氮浓度反演模型、测试后的溶解态无机磷浓度反演模型和测试后的溶解态硅酸盐浓度反演模型。
18.可选地，所述设定预测精度为模型准确率达到60％以上。
19.本发明还提供了一种海洋营养盐浓度反演系统，包括：
20.数据获取模块，用于实时获取目标区域的海洋环境特征数据；所述海洋环境特征数据包括海表面温度、海表面盐度、海表面叶绿素a浓度、浊度、深度、经纬度和时间；
21.海洋营养盐浓度预测模块，用于将所述海洋环境特征数据输入海洋表层营养盐浓度反演模型中，得到所述目标区域的海洋营养盐浓度；所述海洋营养盐浓度包括溶解态无机氮浓度、溶解态无机磷浓度和溶解态硅酸盐浓度；所述海洋表层营养盐浓度反演模型是基于人工神经网络建立的。
22.可选地，所述海洋营养盐浓度反演系统，还包括：模型确定模块，用于确定所述海洋表层营养盐浓度反演模型；
23.所述模型确定模块，具体包括：
24.历史数据获取单元，用于获取所述目标区域实地测量的历史数据；所述历史数据包括历史时间段的海洋环境特征数据和历史时间段对应的海洋营养盐浓度；
25.训练单元，用于采用所述历史数据对人工神经网络进行训练，并将训练好的人工神经网络确定为所述海洋表层营养盐浓度反演模型。
26.可选地，所述训练单元，具体包括：
27.数据集划分子单元，用于对所述历史数据进行随机抽取，得到训练数据集、验证数据集和测试数据集；
28.网络构建子单元，用于构建设定层数、设定神经元数量的人工神经网络；
29.初始训练子单元，用于将所述训练数据集中的海洋环境特征数据作为所述人工神经网络的输入，分别以所述训练数据集中溶解态无机氮浓度、溶解态无机磷浓度和溶解态硅酸盐浓度作为所述人工神经网络的输出进行训练，得到初始模型；所述初始模型包括初始溶解态无机氮浓度反演模型、初始溶解态无机磷浓度反演模型和初始溶解态硅酸盐浓度反演模型；
30.验证子单元，用于采用所述验证数据集，以设定预测精度为目标，分别对所述初始模型中各模型的模型参数进行调整，得到调整模型；所述调整模型包括调整后的溶解态无机氮浓度反演模型、调整后的溶解态无机磷浓度反演模型和调整后的溶解态硅酸盐浓度反演模型；
31.测试子单元，用于采用所述测试数据集对所述调整模型中的各模型进行测试，得到海洋表层营养盐浓度反演模型；所述海洋表层营养盐浓度反演模型包括测试后的溶解态无机氮浓度反演模型、测试后的溶解态无机磷浓度反演模型和测试后的溶解态硅酸盐浓度
反演模型。
32.可选地，所述验证子单元中的所述设定预测精度为模型准确率达到60％以上。
33.与现有技术相比，本发明的有益效果是：
34.本发明实施例提出了一种海洋营养盐浓度反演方法及系统，实时获取目标区域的海洋环境特征数据；海洋环境特征数据包括海表面温度、海表面盐度、海表面叶绿素a浓度、浊度、深度、经纬度和时间；将海洋环境特征数据输入海洋表层营养盐浓度反演模型中，得到目标区域的海洋营养盐浓度；海洋营养盐浓度包括溶解态无机氮浓度、溶解态无机磷浓度和溶解态硅酸盐浓度；海洋表层营养盐浓度反演模型是基于人工神经网络建立的。本发明利用人工神经网络的强非线性映射能力来开展海洋营养盐的反演，能实现及时、准确、轻量化、低成本的获取海洋营养盐浓度数据。
附图说明
35.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
36.图1为本发明实施例提供的海洋营养盐浓度反演方法的流程图；
37.图2为本发明实施例提供的海洋营养盐浓度反演方法的具体实现过程图；
38.图3为本发明实施例提供的海洋营养盐浓度反演系统的结构图。
具体实施方式
39.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
40.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
41.机器学习是用计算机程序模拟人的学习能力，从实际数据中学习知识和经验，进行推断和决策，涉及到统计学、认知论、信息论、控制论、哲学以及计算复杂性等，是实现人工智能的基本途径，具有非线性、容错性、自适应性等特点，不需要理解复杂的生物物理机制，只需面向数据进行模型建立。目前国内外很多的专家学者已经使用机器学习方法在海面温度预测、海冰预测、海洋叶绿素a浓度预测以及海洋浮游植物生物量的模拟等海洋领域取得了不错的进展。因此采用机器学习方法对研究海洋营养盐浓度规律、扩展机器学习方法在海洋营养盐浓度反演的研究中有着重要的意义。
42.参见图1，本实施例的海洋营养盐浓度反演方法，包括：
43.步骤101：实时获取目标区域的海洋环境特征数据；所述海洋环境特征数据包括海表面温度、海表面盐度、海表面叶绿素a浓度、浊度、深度、经纬度和时间。该步骤可以采用卫星遥感实时获取目标区域的海洋环境特征数据。
44.步骤102：将所述海洋环境特征数据输入海洋表层营养盐浓度反演模型中，得到所
述目标区域的海洋营养盐浓度；所述海洋营养盐浓度包括溶解态无机氮浓度(din)、溶解态无机磷浓度(dip)和溶解态硅酸盐浓度(dsi)；所述海洋表层营养盐浓度反演模型是基于人工神经网络建立的。
45.其中，步骤101中，实时获取到的目标区域的海洋环境特征数据可以是大范围长时序的数据，因此，本实施例的方法可得到大范围长时序(连续时间)的营养盐浓度结果。
46.其中，步骤102中，所述海洋表层营养盐浓度反演模型的确定方法为：
47.获取所述目标区域实地测量的历史数据；所述历史数据包括历史时间段的海洋环境特征数据和历史时间段对应的海洋营养盐浓度。
48.采用所述历史数据对人工神经网络(artificial neuralnetwork，ann)进行训练，并将训练好的人工神经网络确定为所述海洋表层营养盐浓度反演模型。所述海洋表层营养盐浓度反演模型用于实现对溶解态无机氮浓度、溶解态无机磷浓度和溶解态硅酸盐浓度的预测，该模型也称之为海洋三维营养盐反演模型。所述海洋表层营养盐浓度反演模型的具体训练过程为：
49.对所述历史数据进行随机抽取，得到训练数据集、验证数据集和测试数据集。
50.构建设定层数、设定神经元数量的人工神经网络。
51.将所述训练数据集中的海洋环境特征数据作为所述人工神经网络的输入，分别以所述训练数据集中溶解态无机氮浓度、溶解态无机磷浓度和溶解态硅酸盐浓度作为所述人工神经网络的输出进行训练，得到初始模型；所述初始模型包括初始溶解态无机氮浓度反演模型、初始溶解态无机磷浓度反演模型和初始溶解态硅酸盐浓度反演模型。
52.采用所述验证数据集，以设定预测精度为目标，采用试错法分别对所述初始模型中各模型的模型参数进行调整，得到调整模型；所述调整模型包括调整后的溶解态无机氮浓度反演模型、调整后的溶解态无机磷浓度反演模型和调整后的溶解态硅酸盐浓度反演模型。其中，所述设定预测精度为模型准确率达到60％以上。
53.采用所述测试数据集对所述调整模型中的各模型进行测试，得到海洋表层营养盐浓度反演模型；所述海洋表层营养盐浓度反演模型包括测试后的溶解态无机氮浓度反演模型、测试后的溶解态无机磷浓度反演模型和测试后的溶解态硅酸盐浓度反演模型。
54.本实施例的海洋营养盐浓度反演方法具有如下优势：
55.目前获取海洋营养盐浓度数据的方法主要是现场观测采样分析和生态动力海洋数值模拟方法，现场观测方法耗费人力物力资源较大，且获取到的数据是时空离散的、数据量非常有限，难以对海洋营养盐结果。生态动力海洋数值模拟方法效率低、建模过程复杂、且结果具有很强不确定性。
56.本实施例利用人工神经网络(ann)构建机器学习模型反演海洋表层营养盐浓度，优点如下：
57.(1)模型可以通过输入较少的参数来获得营养盐浓度数据，且具有高效性和较强的鲁棒性。机器学习方法使用的数据为目标区域的各项海洋环境数据，数据维度相较于生态动力海洋数值模拟方法大大减少。由于使用了机器学习方法，模型结果具有很强的鲁棒性和容错性。
58.(2)可以低成本获得大范围长时序的海洋营养盐浓度数据。由于采用的机器学习方法得到的是一个包含输入和输出的模型，仅需输入参数数据即可得到结果，且参数包含
经纬度与时间，因此只要有大范围连续时间的参数数据即可得到大范围连续时间的营养盐浓度结果。
59.在实际应用中，上述海洋营养盐浓度反演方法的一个实现过程可以为：
60.首先获取含有海洋表面多个特征的数据样本库，对不同特征进行预处理，得到具有时空关联性的海洋三维营养盐样本库，其次基于海洋三维营养盐样本库，利用人工神经网络建立海洋三维营养盐反演模型。反演模型的输入为过去多个时刻(即历史时刻)的海洋环境特征，包括温度、盐度、叶绿素a浓度、浊度、经纬度、深度、时间，反演模型的输出为溶解态无机氮(din)、溶解态无机磷(dip)和溶解态硅酸盐(dsi)三种营养盐浓度数据。本实施例利用人工神经网络的强非线性映射能力来开展海洋营养盐的反演，实现及时、准确、轻量化、低成本的海洋营养盐浓度数据的获取。
61.参见图2，海洋营养盐浓度反演方法的具体实现过程如下：
62.步骤1：基于海洋再分析资料构建海洋表层营养盐样本库
63.(1)获取融合了目标区域现场观测、再分析处理的表层海洋特征数据集，包括表层温度、盐度、叶绿素a浓度、浊度、经纬度、深度、时间数据信息；
64.(2)对数据集进行筛选和预处理，并对时间参数t进行周期化处理，形成t_sin和t_cos；
65.(3)采用留出法将表层海洋特征数据进行随机抽取，形成80％训练样本，10％验证样本和10％测试样本，分别对每个样本进行标准化，形成训练数据集、验证数据集和测试数据集。
66.步骤2：构建海洋表层营养盐浓度反演模型
67.(1)采用pytorch搭建深度学习框架；
68.(2)搭建ann模型，对ann层数、隐藏层神经元数量进行设置，并根据训练集的大小初步设置学习率、模型训练次数、权重衰减系数、学习率衰减方法、激活函数、优化方法等模型训练参数；
69.(3)将步骤1中的训练数据集作为输入数据，对初步建立的ann模型进行训练，初步建立目标区域海洋营养盐浓度反演模型；
70.(4)模型参数调整；根据步骤2中(3)得出模型输出的预测精度，采用试错法重复上述步骤2中的(1)和(2)，对模型参数进行调整训练，以期在兼顾效率的情况下，获得更高的模型预测精度，最终建立区域海洋营养盐浓度反演模型。
71.步骤3：利用卫星遥感数据输入模型获取营养盐浓度
72.(2)获取卫星遥感的环境数据，包括模型输入的各项海洋环境参数，包括海表温度、盐度、叶绿素a浓度、浊度、经纬度、深度、时间。
73.(2)将卫星遥感的环境数据输入到区域海洋营养盐反演模型中得到大范围长时序的海表营养盐浓度。
74.其中，步骤1中，区域海洋营养盐数据是实地测量数据，包括海表面温度、海表面盐度、海表面叶绿素a浓度、浊度、深度、经纬度、时间(t_sin和t_cos)，训练集、验证集与测试集在时间和空间上没有重叠，相互独立。
75.其中，步骤2中，模型为完全自主建立；分别建立并训练得到din、dip和dsi三种营养盐模型；模型输入参数为t时间的海洋环境特征，反演得到t时间不同深度的海洋din、
dip、dsi三种营养盐浓度结果，输出为t时间某一深度的某中营养盐浓度结果。
76.其中，步骤4中，获取的卫星遥感数据需与模型各项输入参数相对应，数据单位需保持一致；输入前需对卫星遥感数据进行标准化，标准化的参数需与模型的训练集相同。另外，需指出的是获取的卫星遥感数据集与模型结果的准确性有较大联系，卫星遥感数据精确度越高模型结果的准确度也越高。
77.本发明还提供了一种海洋营养盐浓度反演系统，参见图3，所述系统，包括：
78.数据获取模块201，用于实时获取目标区域的海洋环境特征数据；所述海洋环境特征数据包括海表面温度、海表面盐度、海表面叶绿素a浓度、浊度、深度、经纬度和时间。
79.海洋营养盐浓度预测模块202，用于将所述海洋环境特征数据输入海洋表层营养盐浓度反演模型中，得到所述目标区域的海洋营养盐浓度；所述海洋营养盐浓度包括溶解态无机氮浓度、溶解态无机磷浓度和溶解态硅酸盐浓度；所述海洋表层营养盐浓度反演模型是基于人工神经网络建立的。
80.在一个示例中，所述海洋营养盐浓度反演系统，还包括：模型确定模块，用于确定所述海洋表层营养盐浓度反演模型。
81.所述模型确定模块，具体包括：
82.历史数据获取单元，用于获取所述目标区域实地测量的历史数据；所述历史数据包括历史时间段的海洋环境特征数据和历史时间段对应的海洋营养盐浓度。
83.训练单元，用于采用所述历史数据对人工神经网络进行训练，并将训练好的人工神经网络确定为所述海洋表层营养盐浓度反演模型。
84.在一个示例中，所述训练单元，具体包括：
85.数据集划分子单元，用于对所述历史数据进行随机抽取，得到训练数据集、验证数据集和测试数据集。
86.网络构建子单元，用于构建设定层数、设定神经元数量的人工神经网络。
87.初始训练子单元，用于将所述训练数据集中的海洋环境特征数据作为所述人工神经网络的输入，分别以所述训练数据集中溶解态无机氮浓度、溶解态无机磷浓度和溶解态硅酸盐浓度作为所述人工神经网络的输出进行训练，得到初始模型；所述初始模型包括初始溶解态无机氮浓度反演模型、初始溶解态无机磷浓度反演模型和初始溶解态硅酸盐浓度反演模型。
88.验证子单元，用于采用所述验证数据集，以设定预测精度为目标，分别对所述初始模型中各模型的模型参数进行调整，得到调整模型；所述调整模型包括调整后的溶解态无机氮浓度反演模型、调整后的溶解态无机磷浓度反演模型和调整后的溶解态硅酸盐浓度反演模型。
89.测试子单元，用于采用所述测试数据集对所述调整模型中的各模型进行测试，得到海洋表层营养盐浓度反演模型；所述海洋表层营养盐浓度反演模型包括测试后的溶解态无机氮浓度反演模型、测试后的溶解态无机磷浓度反演模型和测试后的溶解态硅酸盐浓度反演模型。
90.在一个示例中，所述验证子单元中的所述设定预测精度为模型准确率达到60％以上。
91.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他
实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
92.本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。