【技术实现步骤摘要】
本专利技术属于水环境质量预测，具体涉及一种基于递归多步预测的湖泊水华预警方法及装置、电子设备。
技术介绍
1、淡水湖泊具有供水、娱乐、水体净化、生物多样性保育等多种重要系统服务功能，对人类的生存和可持续发展具有十分重要的支撑作用。在人为活动的持续干扰下，氮磷等营养盐向湖泊的输入强度不断增加，加之全球变暖加速，湖泊富营养化问题十分严重。富营养化导致的湖泊水华问题是我国乃至全球淡水湖泊面临的主要生态危机之一。水华是指水体中氮磷营养盐富集导致的藻类过量繁殖的现象。当湖泊发生水华时，湖泊水环境质量急剧恶化，部分藻类分泌藻毒素，对水生态系统产生毒害作用。湖泊水华的发生机理较为复杂，在发生时间上具有随机性和季节性，难以精准预测。当前湖泊水华治理的关键技术问题之一是如何准确预测水华，这对制定应急预警策略具有十分重要的意义。
2、目前湖泊水华预警技术主要有三类，一是基于遥感的预警技术；二是基于机理模型的预警技术；三是基于统计模型的预警技术。其中，基于遥感的水华预警技术是一种将遥感解译和预测模型将结合的方法，通过遥感影像获取光谱指数带入到预测模型中对未来的水华面积和强度等信息进行预测，该方法需要解译影像，操作较为复杂，且受到天气情况的影响；基于机理模型的水华预警技术是通过构建水华的过程模型，模拟湖泊水华的生长、繁殖和消亡过程，机理模型的结果具有较强的可解释性，但需要复杂的参数率定和多种类型的数据输入；统计模型是湖泊水华预警的主要技术之一，通过建立水华指标与驱动因子的统计关系预测水华发生时间，具有模型结构简单，结果较为准确的特点，但模型
技术实现思路
1、本专利技术的目的是提出一种基于递归多步预测的湖泊水华预警方法及装置、电子设备，基于少量的单指标历史观测数据，采用递归多步预测技术实现湖泊水华连续多日的非线性变化预测，解决了湖泊水华短期、高效、精准预测问题。
2、根据本申请实施例的第一方面，提供一种基于递归多步预测的湖泊水华预警方法，包括：
3、收集湖泊藻密度逐日连续监测数据的作为基本样本；
4、对所述基本样本进行数据预处理；
5、根据预处理后的数据，计算藻密度预测指标；
6、利用所述藻密度预测指标和预处理后的数据训练xgboost模型，并验证模型对不同步长的预测能力，确定最优预测步长n；
7、基于训练后的xgboost模型，预测未来藻密度，得到藻密度的预测结果；
8、根据藻密度的预测结果，判断藻密度等级，以发出水华预警信号。
9、可选的，收集湖泊藻密度逐日连续监测数据的作为基本样本，包括：
10、收集某湖泊连续多日的藻密度监测数据，藻密度的时间频率为逐日或逐小时。
11、可选的，对所述基本样本进行数据预处理，包括：
12、将基本样本中的缺失值进行删除或用平均值代替；
13、将基本样本中的低于检出限的数据进行删除或替代处理。
14、可选的，根据预处理后的数据，计算藻密度预测指标，包括：
15、计算逐日平均藻密度；
16、计算多日连续平均藻密度，以此为预测指标。
17、可选的，基于所述的藻密度预测指标和预处理后的数据训练xgboost模型，验证模型对不同步长的预测能力，确定最优预测步长n，包括：
18、基于所述的预测变量和预处理后的数据，以基本样本中的当日藻密度为响应变量，以计算的藻密度预测指标为预测变量，构建模型计算数据集；
19、基于所述的模型计算数据集，采用随机抽样法，将数据集划分为训练集和测试集，以训练集数据训练xgboost模型；
20、将测试集的数据输入xgboost模型，预测下一计算步长的藻密度，并计算误差指标；
21、基于所述的藻密度预测结果和前序数据，构建藻密度预测指标的新时间序列，输入xgboost模型预测未来第2个步长的藻密度，并计算误差指标；
22、重复以上步骤，预测第n个步长的藻密度，计算第n个预测结果的误差，如果第n+1个预测误差高于阈值，则停止在n步长的预测。
23、可选的，基于所述的训练后的xgboost模型，预测未来藻密度，得到藻密度的预测结果，包括：
24、收集连续多日的藻密度数据作为预测未来变化的基准时间序列；
25、计算多日连续平均藻密度作为预测变量；
26、根据所述的预测变量和训练后的xgboost模型，预测未来藻密度，得到藻密度的预测结果。
27、可选的，根据藻密度的预测结果，判断藻密度等级，以发出水华预警信号，包括：
28、当藻密度的预测结果大于等于水华阈值时，判断藻密度落入的预警标准范围，确定水华预警等级和颜色，以发出水华预警信号。
29、根据本申请实施例的第二方面，提供一种基于递归多步预测的湖泊水华预警装置，包括：
30、收集模块，用于收集湖泊藻密度逐日连续监测数据的作为基本样本；
31、预处理模块，用于对所述基本样本进行数据预处理；
32、预测指标计算模块，用于根据预处理后的数据，计算藻密度预测指标；
33、优化模块，用于基于所述的藻密度预测指标和预处理后的数据训练xgboost模型，验证模型对不同步长的预测能力，确定最优预测步长n；
34、模拟模块，用于基于所述的训练后的xgboost模型，预测未来的藻密度，得到藻密度的预测结果；
35、预警模块，用于根据藻密度的预测结果，判断藻密度等级，以发出水华预警信号。
36、根据本申请实施例的第三方面，提供一种电子设备，包括：
37、一个或多个处理器；
38、存储器，用于存储一个或多个程序；
39、当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述方法的步骤。
40、根据本申请实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如第一方面所述方法的步骤。
41、本申请的实施例提供的技术方案可以包括以下有益效果：
42、本申请提出的湖泊水华预警方法，仅使用连续多日的湖泊监测数据即可实现对未来多日藻密度的预测，具有数据需求低，计算速度快，预测精度高的特点，提出的水华预警方法具有广泛的适用性和应用潜力。
43、本申请采用xgboost模型建立藻密度与前序藻密度指标的响应关系，具有计算速度高、拟合效果好和结果可解释性强的特点，能够模拟藻类变化的复杂线性和非线性过程，相较于传统的水华预警方法具有更加高效和稳健的特点。
44、本申请使用递归多步预测方法对湖泊藻密度进行多步预测，实现了基于藻密度时间序列自身规律的滚动预测，能够适应不同时本文档来自技高网...
【技术保护点】
1.一种基于递归多步预测的湖泊水华预警方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，收集湖泊藻密度逐日连续监测数据的作为基本样本，包括：
3.根据权利要求1所述的方法，其特征在于，对所述基本样本进行数据预处理，包括：
4.根据权利要求1所述的方法，其特征在于，根据预处理后的数据，计算藻密度预测指标，包括：
5.根据权利要求1所述的方法，其特征在于，基于所述的藻密度预测指标和预处理后的数据训练XGBoost模型，验证模型对不同步长的预测能力，确定最优预测步长n，包括：
6.根据权利要求1所述的方法，其特征在于，基于所述的训练后的XGBoost模型，预测未来藻密度，得到藻密度的预测结果，包括：
7.根据权利要求1所述的方法，其特征在于，根据藻密度的预测结果，判断藻密度等级，以发出水华预警信号，包括：
8.一种基于递归多步预测的湖泊水华预警装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机指令，其特
...【技术特征摘要】
1.一种基于递归多步预测的湖泊水华预警方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，收集湖泊藻密度逐日连续监测数据的作为基本样本，包括：
3.根据权利要求1所述的方法，其特征在于，对所述基本样本进行数据预处理，包括：
4.根据权利要求1所述的方法，其特征在于，根据预处理后的数据，计算藻密度预测指标，包括：
5.根据权利要求1所述的方法，其特征在于，基于所述的藻密度预测指标和预处理后的数据训练xgboost模型，验证模型对不同步长的预测能力，确定最优预测步长n，...
【专利技术属性】
技术研发人员：高伟，盛雅婧，张远，蔡宴朋，郭芬，李飞龙，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：
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。