基于CNN-SVR网络的黄渤海近岸海域叶绿素a浓度预测

利用海洋卫星观测数据和黄渤海近岸海域实测生态水质数据,建立了一种基于卷积神经网络结合支持向量回归(Convolutional Neural Network-Support Vector Regression,CNN-SVR)的深度学习网络模型的叶绿素a浓度预测方法。采用皮尔逊方法对叶绿素a与环境动力因子和生态水质因子作相关分析,发现营养盐因子大多与叶绿素a有显著相关性,水质因子如pH、溶解氧、盐度等与叶绿素a的相关性不大;将黄渤海近岸海域划分为渤海南部与黄海北部、黄海中部,进行春夏、秋冬两个时期1×1和2×2两种卷积核大小的CNN-SVR网络模型实验以及单因子敏感性分析试验。结果显示:卷积核大小为2×2时,CNN-SVR网络模型对训练数据的学习和对测试样本的预测检验效果都更优;渤海南部与黄海北部近岸海域模型预测效果更好。营养盐因子对模型预测能力的影响更显著,悬浮物等水质因子的影响相对较弱。单变量对模型预测的敏感性较弱,多变量整合具有互补性,改善了模型的预测效果。

基于时空演变多重特性建模的近海叶绿素浓度时序预测

近海环境是沿海地区社会经济发展的关键支撑系统,近海环境的持续恶化对海洋经济的可持续发展带来了巨大挑战。叶绿素浓度的反映了水体理化性质的演变规律,对近海生态环境保护具有重要意义。尽管现有时序叶绿素浓度预测方法能从时空数据中挖掘有效信息,揭示时空数据的发展趋势和变化规律,但忽略了时空数据的结构化特征以及外界因素/突发因素对叶绿素浓度的影响。因此,本文提出基于时空演变多重特性建模的近海叶绿素浓度时序预测模型,并由四部分构成:自相关时序预测模块预测叶绿素浓度时序变化规律;多视角空间融合预测模块在构建预测点与其他位置叶绿素浓度空间关联性基础上,考虑海域气象状况,提高了空间叶绿素浓度预测的可靠性;基于环境上下文的突变模块通过对极端因素建模,挖掘突变因素与的叶绿素浓度变化的关联;时空动态聚合模块利用结构化模式,结合时间、空间叶绿素预测结果,实现不同圈层全要素近海叶绿素浓度建模。在渤海叶绿素浓度数据上的实验结果表明,该算法模型极大程度提升了近海叶绿素预测模型的准确性与可靠性。