本發(fā)明屬于水環(huán)境科學(xué)，尤其涉及湖泊水體藻華空間分布預(yù)測(cè)技術(shù)。
背景技術(shù)：
1、藻華是指水體中浮游植物形成肉眼可見的藻類群體，嚴(yán)重時(shí)可在水面漂浮積聚形成綠色的藻漿甚至藻席，廣泛存在于富營(yíng)養(yǎng)化的湖泊、水庫(kù)、池塘以及海灣等封閉、半封閉性水體。水華藻類在生長(zhǎng)和衰亡過程中釋放的藻毒素或異味物質(zhì)能在生物體內(nèi)富集，并通過生物放大作用，威脅人類健康。長(zhǎng)期野外觀測(cè)表明，短時(shí)間內(nèi)大規(guī)模藻華不是由藻類生長(zhǎng)累積的生物量所致，由于水華藻類細(xì)胞內(nèi)存在偽空泡，易上浮至水面形成藻斑。在溫和穩(wěn)定的風(fēng)場(chǎng)作用下，藻斑水平漂移至下風(fēng)向區(qū)域積聚，導(dǎo)致藻類生物量在水平空間上出現(xiàn)再分配，這使得局部湖區(qū)藻類生物量異常增殖、藻華程度加重。可見，藻華空間分布與風(fēng)場(chǎng)特征密切相關(guān)。
2、近年來，機(jī)器學(xué)習(xí)方法在藻華預(yù)測(cè)以及環(huán)境因子對(duì)藻華影響的分析中得到了廣泛應(yīng)用。例如，基于極端梯度提升（xgboost）、隨機(jī)森林（rf）等算法的模型已用于預(yù)測(cè)藻華的發(fā)生與時(shí)間序列趨勢(shì)。此外，結(jié)合長(zhǎng)短期記憶網(wǎng)絡(luò)（lstm）、卷積神經(jīng)網(wǎng)絡(luò)（cnn）等深度學(xué)習(xí)算法與遙感數(shù)據(jù)的方法，也用于藻華的短期預(yù)測(cè)。但是，現(xiàn)有機(jī)器學(xué)習(xí)模型的預(yù)測(cè)指標(biāo)側(cè)重于葉綠素-a濃度、藻類密度、藻華是否暴發(fā)等，這些指標(biāo)主要反映藻華的時(shí)間動(dòng)態(tài)性質(zhì)和整體強(qiáng)度，而非其空間分布。而藻華空間分布格局往往還受到水文氣象要素影響。研究表明，風(fēng)生流是淺湖湖泊湖流的主要表現(xiàn)形式，并在藻類空間分布中起著重要作用。然而，簡(jiǎn)單的函數(shù)關(guān)系難以描述風(fēng)對(duì)藻華空間分布的影響。
技術(shù)實(shí)現(xiàn)思路
1、發(fā)明目的：針對(duì)現(xiàn)有技術(shù)存在的技術(shù)問題，本發(fā)明提供了一種基于近地表風(fēng)矢量和bi-gru-attention模型的湖泊藻華空間分布預(yù)測(cè)方法。
2、技術(shù)方案：為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明采用以下技術(shù)方案：一種基于近地表風(fēng)矢量和bi-gru-attention模型的湖泊藻華空間分布預(yù)測(cè)方法，包括以下步驟：
3、s1，數(shù)據(jù)獲取：獲取目標(biāo)區(qū)域的modis地表反射率數(shù)據(jù)和era5-land再分析數(shù)據(jù)，分別計(jì)算得到浮游藻類指數(shù)和近地表風(fēng)矢量向量；
4、s2，藻華空間特征提取：通過eof分析將藻華空間分布分解為不隨時(shí)間變化的主導(dǎo)模態(tài)，同時(shí)獲得可以表示其時(shí)序變化特征的時(shí)間系數(shù)；
5、s3，藻華空間分布模型構(gòu)建：構(gòu)建基于注意力機(jī)制的雙向門控制循環(huán)單元模型bi-gru-attention，提取近地表風(fēng)矢量時(shí)序的關(guān)鍵動(dòng)態(tài)特征，并識(shí)別對(duì)藻華空間分布格局形成具有顯著貢獻(xiàn)的風(fēng)況時(shí)段；
6、s4，通過風(fēng)矢量時(shí)序狀態(tài)預(yù)測(cè)得到藻華空間主導(dǎo)模態(tài)的時(shí)間系數(shù)，并結(jié)合對(duì)應(yīng)空間模態(tài)重構(gòu)得到藻華覆蓋度的空間分布。
7、進(jìn)一步的，步驟s1中通過獲取目標(biāo)區(qū)域的modis地表反射率數(shù)據(jù)，并按下式計(jì)算得到浮游藻類指數(shù)，
8、
9、
10、式中，、、分別表示中心波長(zhǎng)的紅光波段、中心波長(zhǎng)的近紅外波段和中心波長(zhǎng)短波紅外波段的反射率；表示通過紅光波段和短波紅外波段線性插值得到的近紅外波段基線反射率；
11、所述近地表風(fēng)矢量向量通過下式表示，
12、
13、式中，表示第t天的近地表風(fēng)矢量向量，表示東西向風(fēng)速分量，表示南北向風(fēng)速分量，表示東西向風(fēng)速的非線性增強(qiáng)項(xiàng)，表示南北向風(fēng)速的非線性增強(qiáng)項(xiàng)。
14、進(jìn)一步的，步驟s2所述藻華空間特征提取具體包括以下步驟：
15、s21，以目標(biāo)區(qū)域內(nèi)浮游藻類指數(shù)大于?0.004所有像元的第60百分位數(shù)作為當(dāng)日閾值；
16、s22，將目標(biāo)區(qū)域進(jìn)行網(wǎng)格化處理，并按下式計(jì)算獲得網(wǎng)格的藻華覆蓋度，
17、
18、式中，表示第天第個(gè)網(wǎng)格內(nèi)的藻華覆蓋度，表示第天第個(gè)網(wǎng)格內(nèi)fai值高于當(dāng)日閾值的像元數(shù)量，為該網(wǎng)格內(nèi)有效像元總數(shù)；
19、s23，構(gòu)建用于eof分析的網(wǎng)格化藻華覆蓋度時(shí)空矩陣，
20、
21、
22、式中，表示第天的網(wǎng)格化藻華覆蓋度空間分布向量，表示網(wǎng)格化藻華覆蓋度時(shí)空矩陣，n表示目標(biāo)區(qū)域網(wǎng)格總數(shù)，t表示有效觀測(cè)日期數(shù)；
23、s24，對(duì)網(wǎng)格化藻華覆蓋度時(shí)空矩陣做距平處理，得到距平矩陣，
24、
25、
26、式中，，表示所有觀測(cè)日期的平均空間分布向量；表示有效觀測(cè)日期數(shù)；
27、s25，按下式計(jì)算得到距平矩陣的協(xié)方差矩陣，并進(jìn)行特征值分解，
28、
29、
30、式中，表示有效觀測(cè)日期數(shù)，為第個(gè)空間模態(tài)，對(duì)應(yīng)n×1列向量，為對(duì)應(yīng)特征值，用于表征該模態(tài)所解釋的方差；
31、s26，將距平矩陣的每一行投影到各空間模態(tài)上，按下式計(jì)算得到各空間模態(tài)的時(shí)間系數(shù)，
32、
33、式中，表示第個(gè)模態(tài)在第天的時(shí)間系數(shù)，表示該日期空間分布對(duì)第k個(gè)空間模態(tài)的響應(yīng)強(qiáng)度；表示第天的空間距平向量，通過第行的轉(zhuǎn)置得到。
34、進(jìn)一步的，其特征在于，步驟s23中，在構(gòu)建網(wǎng)格化藻華覆蓋度時(shí)空矩陣時(shí)，還包括將原網(wǎng)格分辨率進(jìn)行空間降采樣處理。
35、進(jìn)一步的，其特征在于，步驟s3藻華空間分布模型構(gòu)建具體包括以下步驟：
36、s31，通過gru提取風(fēng)矢量序列的時(shí)序特征，按風(fēng)矢量序列的順序和逆序輸出當(dāng)前時(shí)間步的隱藏狀態(tài)，
37、
38、式中，為正向的隱藏狀態(tài)，為反向的隱藏狀態(tài)；
39、s32，引入注意力機(jī)制，按下式計(jì)算各時(shí)間步隱藏狀態(tài)的注意力得分，
40、
41、式中，為注意力權(quán)重矩陣，為偏置項(xiàng)，表示雙曲正切函數(shù)，為可訓(xùn)練權(quán)重向量；
42、s33，對(duì)各時(shí)間步的隱藏狀態(tài)注意力得分進(jìn)行歸一化和加權(quán)處理后，得到注意力加權(quán)后的特征向量：
43、
44、
45、式中，是歸一化后的時(shí)間步的注意力權(quán)重系數(shù)，?表示第j個(gè)時(shí)間步的注意力得分，?表示注意力加權(quán)后的特征向量；
46、s34，將注意力加權(quán)后的特征向量輸入多層全連接回歸網(wǎng)絡(luò)，經(jīng)非線性映射得到目標(biāo)日期的各模態(tài)時(shí)間系數(shù)預(yù)測(cè)值，輸出向量，表示第天藻華空間分布前個(gè)eof模態(tài)的時(shí)間系數(shù)。
47、進(jìn)一步的，步驟s3中所述bi-gru-attention模型訓(xùn)練時(shí)采用均方誤差mse作為損失函數(shù)。
48、進(jìn)一步的，步驟s4中，通過利用模型估算的時(shí)間系數(shù)與對(duì)應(yīng)模態(tài)的線性組合，按下式重構(gòu)得到網(wǎng)格化藻華覆蓋度的空間分布向量，
49、
50、
51、式中，為模型估算的第個(gè)在第天的時(shí)間系數(shù)，為對(duì)應(yīng)的空間模態(tài)向量，表示對(duì)所有觀測(cè)日期的藻華覆蓋度空間分布向量求平均后得到的平均空間分布向量，表示空間距平向量。
52、有益效果：與現(xiàn)有技術(shù)相比，具有以下優(yōu)點(diǎn)：
53、（1）本發(fā)明基于eof分析方法提取的主導(dǎo)空間模態(tài)和時(shí)間系數(shù)能有效反映太湖藻華空間格局的年際變化規(guī)律。
54、（2）本發(fā)明基于風(fēng)矢量序列和藻華空間分布主導(dǎo)模態(tài)時(shí)間系數(shù)具有顯著的線性相關(guān)關(guān)系，確認(rèn)本發(fā)明模型的可行性。
55、（3）本發(fā)明利用風(fēng)矢量時(shí)序信息獲得的預(yù)測(cè)值能表征獨(dú)立樣本中藻華空間分布的主導(dǎo)結(jié)構(gòu)特征，再現(xiàn)藻華主要分布區(qū)域的位置與范圍，表明風(fēng)矢量時(shí)序狀態(tài)是驅(qū)動(dòng)湖泊藻華空間異質(zhì)性的核心因子。