【技术实现步骤摘要】
本专利技术涉及数据处理领域，尤其涉及一种水质预测模型训练方法、水质预测方法、装置及相关设备。
技术介绍
1、水质预测是水环境科学与工程领域的重要研究方向，旨在根据水体中相关参数的观测值，预测未来一段时间的水质状况。现有方式主要通过统计学的方式，结合历史观测数据，对水质数据进行预测评估。
2、专利技术人在实现本专利技术过程中发现，水质数据具有时空变异性强、非线性关系复杂、数据稀缺、难以获取等特点。气候变化、地形地貌、水体自身特性等因素都会进而影响水体的物理、化学、生物过程，导致水质数据的时空分布更加复杂，受到多方面的地理环境因素的影响，现有的预测方式需要大量数据支撑，对数据依赖性强。在数据量不够或者环境较为复杂时，存在预测准确性不高的问题。
技术实现思路
1、本专利技术实施例提供一种水质预测模型训练方法、水质预测方法、装置、计算机设备和存储介质，以提高水质预测的准确率。
2、为了解决上述技术问题，本申请实施例提供一种水质预测模型训练方法，包括：
3、获取历史遥感图像和时序水质参数，所述历史遥感图像为历史采集的待监控水质区域的多分辨率多通道遥感图像，所述时序水质参数为采集到的不同时刻的水质参数；
4、将所述历史遥感图像和所述时序水质参数输入到初始水质预测模型进行预测，得到第一预测结果，所述初始水质预测模型包括第一子模型和第二子模型，所述第一子模型为用于提取图像模态的遥感特征的神经网络模型，所述第二子模型用于提取时序模态序列特征的编解码器；
5、基于所述第一预测结果计算损失函数并反向传播，根据反向传播的结果计算梯度，并基于所述梯度更新模型参数，直到达到预设条件，得到训练好的水质预测模型。
6、可选地，所述将所述历史遥感图像和所述时序水质参数输入到初始水质预测模型进行预测，得到第一预测结果包括：
7、采用所述第一子模型对所述历史遥感图像进行图像模态特征提取，得到多模态特征；
8、采用所述第二子模型中的编码器对所述时序水质参数进行编码和注意力计算，得到注意力张量；
9、采用所述第二子模型的解码器对所述注意力张量和所述多模态特征进行特征融合，得到目标融合特征，并根据所述目标融合特征进行预测，得到目标预测结果。
10、可选地，所述采用所述第一子模型对所述历史遥感图像进行图像模态特征提取，得到多模态特征包括：
11、采用所述第一子模型中的卷积层，对不同分辨率的历史遥感图像在下采样时进行信息融合，得到第一融合特征；
12、采用所述第一子模型对不同通道的历史遥感图像进行特征提取和融合，得到第二融合特征，并基于所述第二融合特征，构建通道权重表；
13、基于所述第一融合特征、所述第二融合特征和所述通道权重表，确定所述多模态特征。
14、可选地，所述时序水质参数由三部分组成，包括：真实水质y、空间因素g以及随机因素ω；
15、真实水质变化与空间因素存在非线性关系，空间因素表示为g＝f(δy)，上一个时刻的真实水质为y{k,(t-1)}，当前时刻的真实值为y{k,t}，其中差值为δy，k为第k各参数，t为第t个时刻。
16、可选地，所述水质预测模型训练方法还包括：
17、将时刻1和时刻2两个检测水质记为w1和w2，真实水质为y1和y2，其中y0为y1上一个时刻的真实水质，随机因素为ω1和ω2，则：
18、w1＝y1+f(y1-y0)+ω1
19、w2＝y2+f(y2-y1)+ω2
20、在水体相对稳定的情况下，定义两个时间段之间人为对水质所造成的影响差值为δg，其中y2＝y1+δg；
21、有w1,w2两者的关系为：
22、w2＝y1+δh+f(δh)+ω1+δω
23、确定所述第二子模型学习参数为h和ω。
24、为了解决上述技术问题，本申请实施例提供一种水质预测方法，包括：
25、获取实时遥感图像和实时水质参数；
26、将所述实时遥感图像和所述实时水质参数输入到训练好的水质预测模型中进行识别，得到水质预测结果。
27、为了解决上述技术问题，本申请实施例还提供一种水质预测模型训练装置，包括：
28、第一获取模块，用于获取历史遥感图像和时序水质参数，所述历史遥感图像为历史采集的待监控水质区域的多分辨率多通道遥感图像，所述时序水质参数为采集到的不同时刻的水质参数；
29、第一预测模块，用于将所述历史遥感图像和所述时序水质参数输入到初始水质预测模型进行预测，得到第一预测结果，所述初始水质预测模型包括第一子模型和第二子模型，所述第一子模型为用于提取图像模态的遥感特征的神经网络模型，所述第二子模型用于提取时序模态序列特征的编解码器；
30、迭代训练模块，用于基于所述第一预测结果计算损失函数并反向传播，根据反向传播的结果计算梯度，并基于所述梯度更新模型参数，直到达到预设条件，得到训练好的水质预测模型。
31、为了解决上述技术问题，本申请实施例还提供一种水质预测装置，包括：
32、第二获取模块，用于获取实时遥感图像和实时水质参数；
33、第二预测模块，用于将所述实时遥感图像和所述实时水质参数输入到训练好的水质预测模型中进行识别，得到水质预测结果。
34、为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述水质预测模型训练方法的步骤，或者，所述处理器执行所述计算机程序时实现上述水质预测方法的步骤。
35、为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述水质预测模型训练方法的步骤，或者，所述计算机程序被处理器执行时实现上述水质预测方法的步骤。
36、本专利技术实施例提供的水质预测模型训练方法、水质预测方法、装置、计算机设备及存储介质，通过获取历史遥感图像和时序水质参数，历史遥感图像为历史采集的待监控水质区域的多分辨率多通道遥感图像，时序水质参数为采集到的不同时刻的水质参数；将历史遥感图像和时序水质参数输入到初始水质预测模型进行预测，得到第一预测结果，初始水质预测模型包括第一子模型和第二子模型，第一子模型为用于提取图像模态的遥感特征的神经网络模型，第二子模型用于提取时序模态序列特征的编解码器；基于第一预测结果计算损失函数并反向传播，根据反向传播的结果计算梯度，并基于梯度更新模型参数，直到达到预设条件，得到训练好的水质预测模型。实现融合多种模态的环境信息并充分利用不同模态之间的信息互补，从而提高模型的水质预测准确性。
本文档来自技高网...【技术保护点】
1.一种水质预测模型训练方法，其特征在于，包括：
2.如权利要求1所述的水质预测模型训练方法，其特征在于，所述将所述历史遥感图像和所述时序水质参数输入到初始水质预测模型进行预测，得到第一预测结果包括：
3.如权利要求2所述的水质预测模型训练方法，其特征在于，所述采用所述第一子模型对所述历史遥感图像进行图像模态特征提取，得到多模态特征包括：
4.如权利要求2所述的水质预测模型训练方法，其特征在于，所述时序水质参数由三部分组成，包括：真实水质y、空间因素g以及随机因素ω；
5.如权利要求2所述的水质预测模型训练方法，其特征在于，所述水质预测模型训练方法还包括：
6.一种水质预测方法，其特征在于，包括：
7.一种水质预测模型训练装置，其特征在于，包括：
8.一种水质预测装置，其特征在于，包括：
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的水质预测模型训练方法，或者，所
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的水质预测模型训练方法，或者，所述计算机程序被处理器执行时实现如权利要求6所述的水质预测方法。
...【技术特征摘要】
1.一种水质预测模型训练方法，其特征在于，包括：
2.如权利要求1所述的水质预测模型训练方法，其特征在于，所述将所述历史遥感图像和所述时序水质参数输入到初始水质预测模型进行预测，得到第一预测结果包括：
3.如权利要求2所述的水质预测模型训练方法，其特征在于，所述采用所述第一子模型对所述历史遥感图像进行图像模态特征提取，得到多模态特征包括：
4.如权利要求2所述的水质预测模型训练方法，其特征在于，所述时序水质参数由三部分组成，包括：真实水质y、空间因素g以及随机因素ω；
5.如权利要求2所述的水质预测模型训练方法，其特征在于，所述水质预测模型训练方法还包括：
6.一种水质预测方法，其特征在于，...
【专利技术属性】
技术研发人员：易国栋，何佳明，胡东滨，张新玉，杨艺，
申请(专利权)人：湖南工商大学，
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。