一种浒苔绿潮斑块最优搜寻区域预报方法与流程

1.本发明涉及浒苔绿潮预警领域，具体地说是涉及一种浒苔绿潮斑块最优搜寻区域预报方法。


背景技术：

2.浒苔绿潮具有高生物量、长距离运移过程和巨大影响的特点。浒苔上岸后会腐烂发臭，给海洋生态环境、滨海旅游、海上运动和水产养殖等造成了严重影响。浒苔绿潮防控工作已成为海洋领域的重大任务。
3.海上打捞、近岸拦截、岸滩清理是浒苔绿潮防控的三道防线。当前浒苔海上应急打捞决策过程中，决策者虽然利用信息平台掌握浒苔综合信息和船舶位置信息，但搜寻浒苔绿潮斑块的时间长，这导致浒苔打捞工作效率低、成本高。确定搜寻区域是开展浒苔打捞的前提。搜寻区域的确定涉及到如何量化复杂海况下浒苔绿潮斑块漂移、聚散和分裂过程。因此，确定最优搜寻区域是浒苔打捞的重点和难点。
4.国内外研究学者发现浒苔绿潮早期发生发展过程主要可以分为由零星绿藻、小斑块逐渐生长聚集为条带状、大斑块的漂浮发生阶段，以及规模性暴发阶段。在浒苔绿潮形成规模后打捞，其防控成本和难度将大大增加，而开展源头打捞（早期斑块较小时，生物量较低），能起到事半功倍的效果。因此，确定浒苔绿潮斑块的最优搜寻区域，特别当浒苔绿潮斑块面积较小时，是浒苔应急打捞的重要前提，也是目前需要迫切解决的问题。
5.搜寻区域确定主要基于浒苔绿潮斑块的漂移位置。目前浒苔绿潮的漂移位置预报一般采用“拉格朗日粒子追踪”方法，将漂浮浒苔绿潮斑块离散为一定数量的浒苔绿潮粒子，考虑风和流对浒苔绿潮斑块的拖曳作用，并基于海上和室内漂移试验以及数值敏感试验确定风、流作用系数和风拖曳偏转角，但是模型中未考虑浒苔绿潮斑块的聚散和大风大浪情况下分裂过程，且尚未开展搜寻区域确定或预报等研究工作。


技术实现要素：

6.基于上述技术问题，本发明提出一种浒苔绿潮斑块最优搜寻区域预报方法，以提高浒苔绿潮斑块搜寻准确性和效率。
7.本发明所采用的技术解决方案是：一种浒苔绿潮斑块最优搜寻区域预报方法，包括以下步骤：a确定浒苔应急打捞海域；b获取步骤a确定的浒苔应急打捞海域的卫星遥感影像，从卫星遥感影像中提取出浒苔绿潮散点；c将步骤b提取出的浒苔绿潮散点标识为不同的浒苔绿潮斑块；d构建浒苔绿潮蒙特卡洛概率漂移预报模型将浒苔绿潮斑块离散为一定数量的浒苔绿潮粒子，考虑风和流对浒苔绿潮粒子的拖曳作用，并引入随机走动以反映漂移、聚散和分裂过程的不确定性，构建浒苔绿潮蒙特卡
洛概率漂移预报模型，具体见公式（1）：
ꢀꢀꢀꢀꢀꢀ
（1）式（1）中xi为第i个浒苔绿潮斑块在t时刻的位置；va为表层流速，vd为海面10 m 风速；r1为海流作用系数；r2为风作用系数，表示风对浒苔的直接拖曳作用；表示风对浒苔绿潮斑块运动方向的改变作用；x轴方向为, y轴方向为，其中为风与x方向坐标轴的夹角，单位为度， 为风拖曳偏转角，单位为度；表示扩散系数，一般为海流或风场的预报误差；是一个独立的随机数，n为随机数个数；e获取浒苔应急打捞海域预报的表层流速和海面10m风速，以及表层流速和海面10m风速的数值预报误差；f选取关注的浒苔绿潮斑块，将其离散为浒苔绿潮粒子，基于步骤d构建的浒苔绿潮蒙特卡洛概率漂移预报模型，以浒苔绿潮粒子的初始位置和时间为模型的初始值，预报浒苔绿潮粒子未来不同时刻的漂移位置；g确定浒苔绿潮斑块预选搜寻区域确定打捞船舶预计到达的时间，首先生成包含该时间段内所有浒苔绿潮粒子预报位置的最小凸多边形，然后生成最小面积外接矩形，获得预选搜寻区域；h将步骤g获得的预选搜寻区域剖分为m
×
n个大小相同的网格，计算每个网格的浒苔绿潮粒子的分布概率，从而得到浒苔绿潮粒子在预选搜寻区域中的概率分布，进而确定浒苔绿潮斑块最优搜寻区域，完成浒苔绿潮斑块最优搜寻区域预报。
8.优选的，步骤c中：采用基于密度的聚类算法将浒苔绿潮散点标识为不同的浒苔绿潮斑块。
9.优选的，步骤d中：海流作用系数r1为0.8-1.0，风作用系数r2为0.005-0.015，风拖曳偏转角为20-30
°
。
10.步骤d中，基于拉格朗日粒子追踪方法，将漂浮的浒苔绿潮斑块离散为一定数量的浒苔绿潮粒子。
11.上述步骤中，当从卫星遥感影像中解译提取出的浒苔绿潮散点数量远大于计算机计算能力时，需将浒苔绿潮散点抽稀，即先将浒苔绿潮散点标识为不同的浒苔绿潮斑块，再将浒苔绿潮斑块离散为一定数量的浒苔绿潮粒子。一个浒苔绿潮粒子代表一定数量的浒苔绿潮散点。基于步骤d构建的浒苔绿潮蒙特卡洛概率漂移预报模型，以浒苔绿潮斑块监测位置和时间为模型初始值，预报浒苔绿潮粒子不同时刻的位置。
12.优选的，步骤g中浒苔绿潮粒子预报位置的最小面积外接矩形的计算步骤如下：g1针对打捞船舶到达浒苔绿潮斑块附近海域时间段内，某一个浒苔绿潮斑块所有浒苔绿潮粒子的不同预报位置，采用格雷厄姆扫描算法，计算浒苔绿潮粒子的最外层的点连接起来构成的最小凸多边型，又称凸包；
g2将凸包两个相邻的点连线作为矩形第一条边；g3寻找凸包上距离已得到的第一条边最远的点，过该点做与第一条边相平行的平行线，得到矩形第二条边；g4将凸包上点向已得到的第一条边和第二条边投影，求得投影点相距最远的两个点，过该两点做直线，作为矩形另外两条边；g5遍历凸包所有相邻两点重复步骤g2至g4，求得面积最小的矩形。
13.优选的，步骤h中：通过画图方法绘制概率分布的浒苔绿潮斑块最优搜寻区域，网格灰度值越大为概率越高的区域，需要优先搜寻；从黑色网格往四周概率逐渐降低，白色网格的概率最低。
14.本发明的有益技术效果是：本发明浒苔绿潮斑块最优搜寻区域预报方法相比传统的目标搜寻区域确定方法，在确定目标分布概率时，不是作为围绕基准点、基准线或基准区域均匀分布，而是考虑了浒苔绿潮斑块受风、浪等环境因素影响存在漂移、聚集和分裂等过程的不确定性,构建浒苔绿潮斑块蒙特卡洛概率漂移模型，进而预报浒苔绿潮斑块最优搜寻区域。基于此本发明充分考虑浒苔绿潮斑块的分布特征，采用基于密度的聚类算法（dbscan算法），识别浒苔绿潮斑块；构建了考虑漂移、聚集和分裂的不确定性的浒苔绿潮斑块蒙特卡洛概率漂移模型，根据打捞船舶可能到达的时间段，统计分析分布概率，预报最优搜寻区域；浒苔打捞决策者可根据船舶位置，选择其中一个或者几个区域，开展浒苔绿潮斑块搜寻。这种方法可提高浒苔绿潮打捞的准确性和效率，进而缩短搜寻时间、减少资源浪费，将在浒苔打捞过程中起重要作用。
附图说明
15.下面结合附图与具体实施方式对本发明作进一步说明：图1为本发明浒苔绿潮斑块最优搜寻区域预报方法的流程图；图2为本发明具体应用实例中高分四号（gf4）卫星监测数据基于密度的空间聚类结果；图3为本发明具体应用实例中浒苔绿潮蒙特卡洛概率漂移预报结果；图4为本发明具体应用实例中浒苔绿潮蒙特卡洛概率漂移预报结果的最小凸多边形；图5为本发明具体应用实例中搜寻区域剖分为10
×
10个网格；图6为本发明具体应用实例中通过画图方法绘制概率分布的浒苔绿潮斑块最优搜寻区域。
具体实施方式
16.针对目前主要依靠人工经验划定浒苔打捞搜寻区域，存在准确率低、搜寻时间长等问题。本发明基于复杂的海上打捞环境，考虑浒苔绿潮斑块的漂移、聚集和分裂，基于最优搜寻理论，预报浒苔绿潮斑块最优搜寻区域，以解决打捞过程中浒苔绿潮斑块搜寻范围大、耗时长和发现率低等问题。这种方法不仅能够避免传统方法中可能存在漏捞的情况，而且能够提高打捞准确性和效率，缩短搜寻时间、减少资源浪费，能够在实际打捞行动中发挥
重要作用。
17.如图1所示，一种浒苔绿潮斑块最优搜寻区域预报方法，包括以下步骤：a确定打捞海域根据浒苔应急打捞需求，确定浒苔应急打捞海域。该浒苔应急打捞海域可看作浒苔打捞的大致海域范围。
18.b获取步骤a确定的浒苔应急打捞海域的卫星遥感影像，从卫星遥感影像中提取出浒苔绿潮散点。
19.获取研究海域的卫星遥感影像主要包括高分1号和高分四号等。获取卫星遥感影像后，基于业务化绿潮信息反演算法开展浒苔绿潮散点提取。先是对遥感影像进行辐射定标和大气校正等预处理，得到大气底层放射率产品；之后利用归一植被化指数（ndvi）等浒苔绿潮遥感探测算法对预处理后的影像进行计算；最后对计算后的影像进行目视解译，选择可判定为浒苔绿潮像元的边界值，以其探测指数作为阈值进行浒苔绿潮相关提取。
20.c将步骤b提取出的浒苔绿潮散点标识为不同的浒苔绿潮斑块。
21.浒苔绿潮斑块在不同生长阶段呈零星、小斑块、条带状、大片分布。在浒苔绿潮不同发展阶段，采用dbscan算法—密度空间聚类算法，将浒苔绿潮散点标识为不同的浒苔绿潮斑块，或者说将浒苔绿潮散点归类为不同的浒苔绿潮斑块。
22.dbscan 算法是由密度可达关系导出的最大密度相连的样本集合，即为最终聚类的一个簇。dbscan 算法的簇里面可以有一个或者多个核心点。如果有多个核心点，则簇里的任意一个核心点的邻域半径 （eps）邻域中一定有一个其他的核心点，否则这两个核心点无法密度可达。这些核心点邻域里所有的样本的集合组成一个 dbscan 聚类簇。基于卫星遥感影像提取的浒苔绿潮散点采用matlab 2009版本及以上的dbscan 函数开展斑块识别，标识为不同的浒苔绿潮斑块。
23.d构建浒苔绿潮蒙特卡洛概率漂移预报模型由于浒苔绿潮斑块受到海洋和大气等环境因素的影响，其漂移、聚散和分裂具有一定的随机性。因此，如何准确量化浒苔绿潮斑块的这些特征以确定相应的搜寻区域，是本发明的难点之一。此外，浒苔绿潮斑块的面积大小也存在差异，从几平方米到几万平方米不等。根据黄海浒苔绿潮发展特征，当浒苔绿潮斑块面积较小，一般位于水体浑浊的浅滩附近海域，其搜寻难度更大。为了提高浒苔绿潮斑块搜寻发现率，采用随机粒子仿真法描述影响浒苔绿潮斑块漂移、扩散和分裂的不确定性因素，如风和流的直接或间接拖曳作用、风场和流场的误差等。基于拉格朗日粒子追踪方法，将漂浮浒苔绿潮斑块离散为一定数量的浒苔绿潮粒子，考虑风和流对浒苔绿潮斑块的拖曳作用，引入随机走动，具体见公式（1）。
24.ꢀꢀꢀꢀꢀꢀ
（1）式（1）中xi为第i个浒苔绿潮斑块在t时刻的位置；va为表层流速，vd为海面10 m 风速；r1为海流作用系数；r2为风作用系数，表示风对浒苔的直接拖曳作用；表示风对浒苔绿潮斑块运动方向的改变作用；x轴方向为,y轴方向为，其中为风与x方向坐标轴的夹角，单位为度， 为风拖曳偏转角，单位为度；
表示扩散系数，一般为海流或风场的预报误差；是一个独立的随机数，n为随机数个数。
25.其中风和流作用系数r2、r1和风拖曳偏转角一般通过漂浮浒苔绿潮斑块海上漂移跟踪试验，结合数值模拟结果来确定。黄海浒苔绿潮的风作用系数一般为0.005-0.015，流作用系数一般为0.8-1.0，风拖曳偏转角20-30
°
。
26.e获取研究海域的表层海流和海面风的水文气象预报数据和预报误差通过海洋气象数值预报模型获取水文气象预报数据，包括表层流速va和海面10 m 风速vd。海流和海面风数据的预报时效不短于漂移数值预报的预报时效；预报空间范围大于浒苔绿潮斑块监测所在的范围和预报时效内所有浒苔绿潮粒子可能漂移的海域。
27.同时，将历史预报的海面风场（海面10 m 风速vd）和表层流场（表层流速va）与实际观测值开展10天以上的对比分析，统计计算风场和流场的预报误差。
28.f取关注的浒苔绿潮斑块，将其离散为一定数量粒子，基于步骤d构建的浒苔绿潮蒙特卡洛概率漂移预报模型，以浒苔绿潮粒子的初始位置和时间为模型初始值，预报浒苔绿潮粒子未来不同时刻的漂移位置。
29.g确定浒苔绿潮斑块搜寻区域确定打捞船舶预计到达的时间，首先生成包含该时间段内所有浒苔绿潮粒子预报位置的最小凸多边形，再生成最小面积外接矩形，获得预选搜寻区域；其中，浒苔绿潮粒子预报位置的最小面积外接矩形的计算步骤如下：g1针对打捞船舶到达浒苔绿潮斑块附近海域时间段内，某一个浒苔绿潮斑块所有浒苔绿潮粒子的不同预报位置，采用格雷厄姆扫描算法，计算最小凸多边形，又称凸包；g2将凸包两个相邻的点连线作为矩形第一条边；g3寻找凸包上距离已得到的第一条边最远的点，过该点做与第一条边相平行的平行线，得到矩形第二条边；g4将凸包上点向已得到的第一条边和第二条边投影，求得投影点相距最远的两个点，过该两点做直线，作为矩形另外两条边；g5遍历凸包所有相邻两点重复步骤g2至g4，求得面积最小的矩形。
30.h将步骤g获得的预选搜寻区域剖分为m
×
n个大小相同的网格，计算每个网格浒苔绿潮粒子的分布概率，从而得到浒苔绿潮粒子在预选搜寻区域中的概率分布，进而确定浒苔绿潮斑块最优搜寻区域。
31.通过画图方法绘制概率分布的浒苔绿潮斑块最优搜寻区域。区域的网格灰度值越大为概率越高的区域，需要优先搜寻；从黑色网格往四周概率逐渐降低，白色网格的概率最低。
32.下面结合具体应用实例对本发明作进一步说明。
33.1）研究区域确定根据浒苔打捞需求，确定浒苔应急打捞区域，进而确定研究海域。本实施例中选取的研究海域是青岛近海。
34.2）获取研究海域的遥感影像并解译卫星遥感图像经过影像预处理后，利用ndvi指数进行浒苔绿潮信息提取，获取浒
苔绿潮分布数据。
35.ꢀꢀꢀꢀꢀꢀ
（2）式中和分别为近红外、红外波段的反射率。本实施例中获取的遥感影像是2022年6月28日卫星gf4多光谱遥感影像，解译的遥感影像数据中为0、1二值型，解译图件中0值（空白区域为无浒苔分布的海面），1值（各种灰度区域为海面上的浒苔绿潮），具体解译结果，见图2。对于gf4数据，nir采用b5波段（760-900nm），r采用b4波段（630-690nm）；通过设定阈值t0来确定浒苔的存在与否；通过ndvi阈值分割和假彩色合成图像进行目视解译来共同确定t值，阈值t0的理论值为0，但受各种因素（浅滩，水深等）的影响而存在波动。
36.3）研究区域浒苔绿潮斑块识别采用dbscan算法—密度空间聚类算法，将浒苔绿潮散点标识为不同的斑块。为了提高搜寻发现率，采用dbscan识别的斑块可能为海上实际的一个浒苔绿潮斑块，也有可能有距离比较近的浒苔绿潮斑块，为斑块搜寻打捞提供基础数据。
37.结合图2，本实施例中gf4分辨率为 50m，扫描半径（eps）设置为卫星分辨率的4倍，最小样本（minpts）个数为3。研究区域的浒苔绿潮散点识别为19个斑块（图中-1代表在任何核心点的邻域半径；（eps）邻域内样本数均小于3，识别为另外一种斑块，该类斑块面积较小，仅仅占卫星的一个像素点）。
38.4）浒苔绿潮蒙特卡洛概率漂移预报模型构建基于公式（1）构建模型，在近岸和重点关注海域。该模型网格分辨率宜刻画沿海的岸线特征；模型同时考虑了拦截网等障碍物对浒苔绿潮斑块的阻挡作用。模型基于业务化预报的海流和风场数据，其预报未来72 h的计算用时10min，满足浒苔绿潮应急工作高效的需求。模式相邻两次预报结果输出的时间间隔为1 h。
39.5）获取研究海域的表层海流和海面风的水文气象预报数据研究海域的表层海流和海面10m风场分别来自青岛近海wrf业务化预报系统和三维温盐流预报系统，数据时长为72 h；风场和海流预报空间范围为青岛近海，大于浒苔绿潮斑块监测所在的范围和预报时效内所有浒苔绿潮粒子可能漂移的海域。
40.6）浒苔绿潮蒙特卡洛概率漂移预报选取关注的浒苔绿潮斑块（如图2中黑色框），在模型中海流作用系数r1设置为1，风作用系数r2设置为0.01，风拖曳偏转角设置为20
°
。由于gf-1卫星监测精度较高，浒苔绿潮粒子较多，因此设置50个随机走动粒子。同时计算表层流场预报误差为0.1m/s，那么公式（1）中为0.1
×
random(50）。基于浒苔绿潮蒙特卡洛概率漂移预报模型，预报未来0-72 h浒苔绿潮粒子漂移位置（如图3为某一时刻的预报结果）。
41.7）确定打捞船舶预计到达的时间，首先生成包含该时间段内所有粒子预报位置的最小凸多边形，再生成最小面积外接矩形，获得预选搜寻区域。
42.71）针对打捞船舶到达浒苔绿潮斑块附近海域时间段内，某一个浒苔绿潮斑块所有浒苔绿潮粒子的不同预报位置，采用格雷厄姆扫描算法，计算最小凸多边形，又称凸包。
43.72）将凸包两个相邻的点连线作为矩形一条边。
44.73）寻找凸包上距离已得到的边最远的点，过该点做平行线，得到矩形第二条边。
45.74）将凸包上点向已求得的边投影，求得投影点相距最远的两个点，过该两点做直线，作为矩形另外两条边。
46.75）遍历凸包所有相邻两点重复步骤72）至74)，即可求得面积最小的矩形，结果如图4。
47.上述得到的外包矩形为预选搜寻区域，为获取浒苔绿潮斑块最优搜寻区域提供了基础。
48.8）浒苔绿潮斑块最优搜寻区域预报将浒苔绿潮斑块预选搜寻区域（图4矩形）剖分为10
×
10个大小相同的网格（如图5）计算搜寻区域的分布概率。计算每个网格的浒苔绿潮粒子的分布概率（即为每个网格浒苔绿潮粒子个数除总粒子个数），通过画图方法绘制概率分布的浒苔绿潮斑块搜寻区域。网格灰度值越大为概率越高的区域，需要优先搜寻；从黑色网格往四周概率逐渐降低，白色网格的概率最低。图6可看出，该浒苔绿潮斑块4处概率分布较高的搜寻区域，约3.5%，决策者可根据打捞船舶所在位置，选择n处（n=1至4）浒苔绿潮斑块最优搜寻区域。
49.上述方式中未述及的部分采取或借鉴已有技术即可实现。
50.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。