【技术实现步骤摘要】
本专利技术属于河流水质预测，尤其涉及一种结合气象数据的河流水质预测方法。
技术介绍
1、按照基于不同的理论基础，水环境预测可以分为机理性预测方法与非机理性预测方法。机理性预测方法建立在对水环境内部、外部运行演化规律基础之上，涉及到动力学、生态学、化学等多个学科的综合性预测方法，最终通过模型来表征各要素之间的相互关系。常见的模型有：wasp模型、ual模型、mike模型、gwlf模型等，该方法需要大量的专业知识，对数据采集质量的要求高，但预测效果不理想。非机理性预测方法是一种黑箱式方法，基于概率统计学的相关理论，针对某一特定的水环境建立模型，具有较好的预测效果，所以也广泛地应用于水环境的水质预测中。传统的概率统计方法难以对这样的复杂依赖关系进行建模。目前，以深度学习为代表的人工智能方法在地表水环境指标预测中的应用取得较大的发展。
2、但是在对整条河流预测的过程中，需要获取河流各段区域的水质监测数据，并根据各段区域的水质监测数据对河流水质进行预测，该种方法面临当水质监测装置损坏时，无法采集到有效的水质监测数据的现象，从而使得预测精度下降甚至无法预测，并且若需要对多个区域进行预测时，其操作是将相应的水质监测数据全部输入模型进行识别，导致了预测效率不高。
技术实现思路
1、本专利技术提供一种结合气象数据的河流水质预测方法，用于解决当水质监测装置损坏时，无法采集到有效的水质监测数据的现象，从而使得预测精度下降甚至无法预测，并且若需要对多个区域进行预测时，其操作是将相应的水质监测数
2、第一方面，本专利技术提供一种结合气象数据的河流水质预测方法，包括：
3、获取多个预设区域内的图像数据，并判断各个图像数据中是否存在异常的图像数据；
4、若存在，则筛选出异常图像数据，并将所述异常图像数据所在的预设区域定义为异常预设区域；
5、获取某一预设区域的某一图像数据以及与所述某一预设区域相邻的另一预设区域的另一图像数据；
6、获取所述某一图像数据与所述异常图像数据之间的第一相似度，以及所述另一图像数据与所述异常图像数据之间的第二相似度，并计算所述第一相似度与所述第二相似度的比值；
7、获取所述异常图像数据所在的异常预设区域内各个检测点的第一水质数据以及第一气象数据，以及所述某一图像数据所在的某一预设区域内各个检测点的第二水质数据以及第二气象数据；
8、分别对异常预设区域内各个检测点的第一水质数据以及某一预设区域内各个检测点的第二水质数据进行排序，得到第一水质数据序列以及第二水质数据序列；
9、基于预设的融合规则将所述第一气象数据融合至所述第一水质数据序列中，得到第一目标预测数据序列，以及将所述第二气象数据融合至所述第二水质数据序列中，得到第二目标预测数据序列；
10、将所述第一目标预测数据序列和所述第二目标预测数据序列分别输入至预设的深度学习模型中，所述深度学习模型分别输出对应所述异常预设区域的第一水质预测结果以及对应所述某一预设区域的第二水质预测结果；
11、根据所述第一水质预测结果、所述第二水质预测结果以及所述第一相似度与所述第二相似度的比值计算所述另一预设区域的水质预测结果。
12、第二方面，本专利技术提供一种结合气象数据的河流水质预测系统，包括：
13、判断模块，配置为获取多个预设区域内的图像数据，并判断各个图像数据中是否存在异常的图像数据；
14、筛选模块，配置为若存在，则筛选出异常图像数据，并将所述异常图像数据所在的预设区域定义为异常预设区域；
15、第一获取模块，配置为获取某一预设区域的某一图像数据以及与所述某一预设区域相邻的另一预设区域的另一图像数据；
16、计算模块，配置为获取所述某一图像数据与所述异常图像数据之间的第一相似度，以及所述另一图像数据与所述异常图像数据之间的第二相似度，并计算所述第一相似度与所述第二相似度的差值；
17、第二获取模块，配置为获取所述异常图像数据所在的异常预设区域内各个检测点的第一水质数据以及第一气象数据，以及所述某一图像数据所在的某一预设区域内各个检测点的第二水质数据以及第二气象数据；
18、排序模块，配置为分别对异常预设区域内各个检测点的第一水质数据以及某一预设区域内各个检测点的第二水质数据进行排序，得到第一水质数据序列以及第二水质数据序列；
19、融合模块，配置为基于预设的融合规则将所述第一气象数据融合至所述第一水质数据序列中，得到第一目标预测数据序列，以及将所述第二气象数据融合至所述第二水质数据序列中，得到第二目标预测数据序列；
20、输出模块，配置为将所述第一目标预测数据序列和所述第二目标预测数据序列分别输入至预设的深度学习模型中，所述深度学习模型分别输出对应所述异常预设区域的第一水质预测结果以及对应所述某一预设区域的第二水质预测结果；
21、预测模块，配置为根据所述第一水质预测结果、所述第二水质预测结果以及所述第一相似度与所述第二相似度的差值预测所述另一预设区域的水质结果。
22、第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例的结合气象数据的河流水质预测方法的步骤。
23、第四方面，本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本专利技术任一实施例的结合气象数据的河流水质预测方法的步骤。
24、本申请的结合气象数据的河流水质预测方法，通过将第一目标预测数据序列和第二目标预测数据序列分别输入至预设的深度学习模型中，深度学习模型分别输出对应异常预设区域的第一水质预测结果以及对应某一预设区域的第二水质预测结果，并根据第一水质预测结果、第二水质预测结果以及第一相似度与第二相似度的比值计算另一预设区域的水质预测结果，能够实现整条河流各个区域的水质快速预测，并且能够准确的获取河流连续的几段区域的水质结果。
本文档来自技高网...【技术保护点】
1.一种结合气象数据的河流水质预测方法，其特征在于，包括：
2.根据权利要求1所述的一种结合气象数据的河流水质预测方法，其特征在于，在判断各个图像数据中是否存在异常的图像数据之后，所述方法还包括：
3.根据权利要求1所述的一种结合气象数据的河流水质预测方法，其特征在于，所述获取某一预设区域的某一图像数据以及与所述某一预设区域相邻的另一预设区域的另一图像数据包括：
4.根据权利要求1所述的一种结合气象数据的河流水质预测方法，其特征在于，所述分别对异常预设区域内各个检测点的第一水质数据以及某一预设区域内各个检测点的第二水质数据进行排序，得到第一水质数据序列以及第二水质数据序列包括：
5.根据权利要求1所述的一种结合气象数据的河流水质预测方法，其特征在于，所述基于预设的融合规则将所述第一气象数据融合至所述第一水质数据序列中，得到第一目标预测数据序列，以及将所述第二气象数据融合至所述第二水质数据序列中，得到第二目标预测数据序列包括：
6.根据权利要求1所述的一种结合气象数据的河流水质预测方法，其特征在于，其中，计算所述另一预设区
7.一种结合气象数据的河流水质预测系统，其特征在于，包括：
8.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至6任一项所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至6任一项所述的方法。
...【技术特征摘要】
1.一种结合气象数据的河流水质预测方法，其特征在于，包括：
2.根据权利要求1所述的一种结合气象数据的河流水质预测方法，其特征在于，在判断各个图像数据中是否存在异常的图像数据之后，所述方法还包括：
3.根据权利要求1所述的一种结合气象数据的河流水质预测方法，其特征在于，所述获取某一预设区域的某一图像数据以及与所述某一预设区域相邻的另一预设区域的另一图像数据包括：
4.根据权利要求1所述的一种结合气象数据的河流水质预测方法，其特征在于，所述分别对异常预设区域内各个检测点的第一水质数据以及某一预设区域内各个检测点的第二水质数据进行排序，得到第一水质数据序列以及第二水质数据序列包括：
5.根据权利要求1所述的一种结合气象数据的河流水质预测方法，其特征在于，所述基于预设的融合规则将所述第一气象数...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。