海洋溶解氧含量时空分布预测方法、系统、介质及设备

本发明属于人工智能领域，具体涉及一种海洋溶解氧含量时空分布预测方法、系统、介质及设备。

背景技术：

1、溶解氧（dissolved oxygen，do）是海洋学的一个基本参数，其含量是衡量海水水质的重要指标之一，是控制海洋生态系统的关键要素。近半个世纪以来，由于海洋变暖与营养物污染等原因，全球海洋溶解氧含量下降了超过2%，其中，北太平洋和赤道太平洋的氧气减少幅度最大。溶解氧含量的下降是海洋中发生的最重要的变化之一，海洋脱氧会导致海洋生产力、生物多样性以及生物地球化学循环的重大变化。目前，学界普遍认为海水温度能够对海洋溶解氧的含量产生直接影响，而温度、盐度、营养盐等常见海洋要素对溶解氧含量的具体影响及其时空分布仍是未知的。如何准确地获取不同时空条件下海洋溶解氧含量与相关环境因子的复杂时空关系，并预测溶解氧的时空分布，探究海洋溶解氧的变化机理具有重要意义。

2、近年来，考虑到海洋溶解氧及其环境因子之间的复杂非线性关系，已有不少研究将深度学习方法应用于溶解氧的反演及其影响因素分析。这些研究大多使用各类黑盒式神经网络预测溶解氧含量，即利用输入参数直接获得输出参数。虽然相较于数值模拟等方法，这类方法在建模过程具有一定优势，但通常难以量化不同时空背景下溶解氧与环境因子间的复杂时空关系。

3、此外，现有的深度学习方法大多关注于数据本身，其性能在很大程度上受限于训练数据的质量和数量，较少考虑到时空非平稳问题，而由于海洋环境的复杂多变，时空非平稳特性普遍存在于溶解氧的建模过程中。另外，大多数模型在衡量样本点间的空间邻近关系时，往往只考虑欧式空间距离，而在海洋背景下，洋流作用会改变海水之间的物质交换，进而影响溶解氧的时空分布，传统的欧氏空间距离忽略了溶解氧在地理空间中变化过程的各向异性特征，可能面临不足以充分表征样本点间空间邻近关系的问题。因此，有必要在获取溶解氧含量与环境因子的关系以及预测溶解氧含量过程中顾及数据的时空背景，以妥善解决建模过程中的时空非平稳问题与空间邻近关系表达不充分问题。

技术实现思路

1、本发明的目的是克服现有技术中海洋溶解氧含量时空分布难以准确预测的问题，并提供一种海洋溶解氧含量时空分布预测方法。

2、为实现本发明目的，本发明具体提供的技术方案如下：

3、第一方面，本发明提供了一种海洋溶解氧含量时空分布预测方法，其包括：

4、s1、将目标海洋区域由海平面和深度方向构成的三维空间进行离散化，形成一系列子空间体；以子空间体为空间维度，以季节为时间维度，构建形成数量为子空间体数量4倍的时空坐标点；将每个时空坐标点在目标海洋区域的监测数据集中进行时空匹配，获得一个空间和时间均匹配的样本点，进而构建样本点集合；每个样本点中包含溶解氧含量、环境因子以及时空特征信息，所述环境因子包含温度、盐度、硝酸盐含量、磷酸盐含量和硅酸盐含量，所述时空特征信息包含所处季节、子空间体的经纬度坐标、子空间体的深度、子空间体的洋流在东西方向的流速以及在南北方向的流速；

5、s2、利用所述样本点集合作为训练数据，以输入样本点与所述样本点集合中每个样本点之间的时间距离、水平空间距离、垂直空间距离、洋流流向距离和洋流流速距离作为第一模型输入，以输入样本点的环境因子作为第二模型输入，以输入样本点的溶解氧含量为监督标签，训练一个由时空距离神经网络、时空加权神经网络和回归模型级联而成的溶解氧含量预测模型；所述溶解氧含量预测模型中，先由时空距离神经网络基于所述第一模型输入得到输入样本点与各时空坐标点之间的时空非线性距离，再由时空加权神经网络基于所述时空非线性距离得到输入样本点对应的时空权重，最后通过所述回归模型以输入样本点对应的时空权重对第二模型输入中的环境因子进行加权回归，得到输入样本点的溶解氧含量；

6、s3、在实际预测时，获取待预测时空坐标点的时空特征信息以及环境因子，然后分别构造成第一模型输入和第二模型输入，通过所述溶解氧含量预测模型预测得到待预测时空坐标点的溶解氧含量。

7、作为上述第一方面的优选，所述时空坐标点匹配到的样本点中，溶解氧含量和环境因子均取时空匹配到的监测数据的均值，而所述时空特征信息中的空间信息均按照子空间体中的中心确定。

8、作为上述第一方面的优选，所述时空特征信息中包含的季节信息，需要采用连续递增的不同整数分别表征冬、春、夏、秋四个季节。

9、作为上述第一方面的优选，所述第一模型输入中，两个样本点之间的时间距离为这两个样本点的季节整数表征值之差；两个样本点之间的水平空间距离为这两个样本点的经纬度坐标之间的欧氏距离；两个样本点之间的垂直空间距离为这两个样本点的深度之差；两个样本点之间的洋流流向距离为，其中为这两个样本点的洋流流向之差，为求余函数；两个样本点之间的洋流流速距离为这两个样本点的洋流流速向量模长之差；每个样本点的洋流流向和洋流流速向量模长均通过洋流在东西方向和南北方向的流速计算得到。

10、作为上述第一方面的优选，所述时空距离神经网络和时空加权神经网络均采用全连接神经网络。

11、作为上述第一方面的优选，所述回归模型采用线性加权回归模型，其因变量为溶解氧含量，自变量为所述环境因子中的温度、盐度、硝酸盐含量、磷酸盐含量和硅酸盐含量；且每个时空坐标点的线性加权回归模型各自具有独立的回归系数，所述时空加权神经网络针对该时空坐标点输出的时空权重包含6个权值，分别用于修正线性加权回归模型中5个自变量和1个误差项的原始回归系数；不同时空坐标点的线性加权回归模型中原始回归系数相同，均以所述样本点集合为拟合数据通过拟合算法优化得到。

12、作为上述第一方面的优选，所述拟合算法采用最小二乘法。

13、第二方面，本发明提供了一种海洋溶解氧含量时空分布预测系统，其包括：

14、样本点构建模块，用于将目标海洋区域由海平面和深度方向构成的三维空间进行离散化，形成一系列子空间体；以子空间体为空间维度，以季节为时间维度，构建形成数量为子空间体数量4倍的时空坐标点；将每个时空坐标点在目标海洋区域的监测数据集中进行时空匹配，获得一个空间和时间均匹配的样本点，进而构建样本点集合；每个样本点中包含溶解氧含量、环境因子以及时空特征信息，所述环境因子包含温度、盐度、硝酸盐含量、磷酸盐含量和硅酸盐含量，所述时空特征信息包含所处季节、子空间体的经纬度坐标、子空间体的深度、子空间体的洋流在东西方向的流速以及在南北方向的流速；

15、预测模型训练模块，用于利用所述样本点集合作为训练数据，以输入样本点与所述样本点集合中每个样本点之间的时间距离、水平空间距离、垂直空间距离、洋流流向距离和洋流流速距离作为第一模型输入，以输入样本点的环境因子作为第二模型输入，以输入样本点的溶解氧含量为监督标签，训练一个由时空距离神经网络、时空加权神经网络和回归模型级联而成的溶解氧含量预测模型；所述溶解氧含量预测模型中，先由时空距离神经网络基于所述第一模型输入得到输入样本点与各时空坐标点之间的时空非线性距离，再由时空加权神经网络基于所述时空非线性距离得到输入样本点对应的时空权重，最后通过所述回归模型以输入样本点对应的时空权重对第二模型输入中的环境因子进行加权回归，得到输入样本点的溶解氧含量；

16、溶解氧含量预测模块，用于在实际预测时，获取待预测时空坐标点的时空特征信息以及环境因子，然后分别构造成第一模型输入和第二模型输入，通过所述溶解氧含量预测模型预测得到待预测时空坐标点的溶解氧含量。

17、第三方面，本发明提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上述第一方面任一方案所述的海洋溶解氧含量时空分布预测方法。

18、第四方面，本发明提供了一种计算机电子设备，其包括存储器和处理器；

19、所述存储器，用于存储计算机程序；

20、所述处理器，用于当执行所述计算机程序时，实现如上述第一方面任一方案所述的海洋溶解氧含量时空分布预测方法。

21、相对于现有技术而言，本发明具有以下有益效果：

22、本发明针对现有深度学习方法难以量化海洋溶解氧含量与相关环境因子的复杂时空关系，建模过程没有顾及时空非平稳特性且空间邻近关系表达不充分的问题，通过时空距离神经网络融合时间距离、水平空间距离、垂直空间距离、洋流流向距离和流速距离以解算时空非线性距离，使用时空加权神经网络解算时空权重，将神经网络与地理时空加权回归模型结合，构建了顾及时空距离与时空权重的神经网络回归模型，充分表征样本点间的空间邻近关系，并顾及了海洋溶解氧含量及其环境因子间的复杂非线性特征和时空非平稳特性，通过模型求解各环境因子的回归参数，获取溶解氧与环境因子间的复杂时空关系，量化各因子对溶解氧含量的具体影响，并反演不同时空条件下的溶解氧含量。本发明可获取溶解氧含量与环境因子间的时空关系，预测溶解氧含量的时空分布，且由于充分表达了空间邻近关系，考虑了复杂非线性特征和时空非平稳特性，求解精度较高，对海洋脱氧机制探究具有重要意义。