一种基于卫星遥感和天气预报的蓝藻水华预测方法和系统

本发明属于蓝藻水华预测领域，尤其涉及一种基于卫星遥感和天气预报的蓝藻水华预测方法和系统。

背景技术：

1、在人类活动和气候变化加剧的背景下，内陆水体富营养化现象已经成为全球湖泊水环境问题的重大挑战，蓝藻水华则是富营养化问题的极端表现，是最为严重的内陆水环境问题之一。因此，如果能实现对大型湖泊中蓝藻水华的短期预测，相关管理部门可以提前进行蓝藻水华预警并采取应急响应措施，有效地遏制水华的暴发，从而降低蓝藻水华所造成的环境危害及治理经济负担。

2、目前来看，关于蓝藻水华预测的相关研究发展较为缓慢，现有模型多为针对单一湖库的(陈宇炜等,2001；张虎军等,2022)，且对现场采样数据及水动力学因素过分依赖(孔繁翔等,2009；陈莉琼等,2016)，该类模型输入参数较多，业务化应用不方便(mu et al.,2021)。在无法确保不间断的现场采样数据的支持下，现有的预测模型应用受到了很大的限制(shi etal.,2017；yussof et al.,2021；cao et al.,2022)。在模型预测结果上，目前少有模型能实现像素尺度上的蓝藻水华预测，且目前现有的蓝藻水华模型构建也多局限于单一的特定水体。因此，总的来说，目前还缺乏像素尺度的针对典型大湖的蓝藻水华短期预测模型。

技术实现思路

1、为解决上述技术问题，本发明提出一种基于卫星遥感和天气预报的蓝藻水华预测方法的技术方案，以解决上述技术问题。

2、本发明第一方面公开了一种基于卫星遥感和天气预报的蓝藻水华预测方法，所述方法包括：

3、步骤s1、采集modis卫星遥感影像数据，并对所述modis卫星遥感影像数据进行筛选，得到atbi波段和蓝藻水华分布结果；采集气象数据，并应用最优累积气象因子的筛选和多重共线性检验，得到筛选后的气象数据；

4、步骤s2、利用箱型图四分位线法对所述atbi波段进行离散处理和归一化处理，得到归一化后的atbi波段；利用箱型图四分位线法对筛选后的气象数据进行离散处理，得到离散后的气象数据；应用研究区逐像素的蓝藻水华暴发频次与无云覆盖的有效像元频次之比，计算先验概率；

5、步骤s3、应用所述归一化后的atbi波段、离散后的气象数据、先验概率和蓝藻水华分布结果构建预测模型的训练集和检验集；基于贝叶斯定理的原理构建预测模型；应用所述训练集的归一化后的atbi波段、离散后的气象数据、先验概率为预测模型输入，蓝藻水华分布结果为预测模型的标签，训练预测模型，得到训练后的预测模型；

6、步骤s4、对实时采集到的modis卫星遥感影像数据进行离散处理和归一化处理，得到归一化后的实时atbi波段；对实时采集到的气象数据进行所述筛选和离散处理，得到离散后的实时气象数据；将所述归一化后的实时atbi波段和离散后的实时气象数据输入到所述训练后的预测模型，得到蓝藻水华事件暴发的后验概率。

7、根据本发明第一方面的方法，在所述步骤s1中，所述最优累积气象因子的筛选包括：

8、采集气象因子的7日的数据，在所述7日的数据中筛选出每类气象因子对蓝藻水华暴发贡献度最大的1日的数据。

9、根据本发明第一方面的方法，在所述步骤s2中，所述利用箱型图四分位线法对所述atbi波段进行离散处理和归一化处理，得到归一化后的atbi波段包括：

10、对蓝藻水华区域的atbi波段与非蓝藻水华区域的atbi波段分组进行箱式图绘制，按照两组箱式图的上下四分位线、中位线及0值进行分级，分为8级，得到离散后的atbi波段；

11、对所述离散后的atbi波段进行归一化，得到归一化后的atbi波段。

12、根据本发明第一方面的方法，在所述步骤s2中，所述对所述离散后的atbi波段进行归一化，得到归一化后的atbi波段包括：

13、利用迭代三角形法计算蓝藻水华的分割阈值，将整景影像的离散后的atbi波段减去所述分割阈值，将蓝藻水华区域的离散后的atbi波段归一化至0值以上；对于无水华影像的离散后的atbi波段，则直接将整景影像的离散后的atbi波段减去影像上atbi波段的最大值，将所有非蓝藻水华区域的离散后的atbi波段归一化值0值以下；

14、所述利用迭代三角形法计算蓝藻水华的分割阈值包括：

15、首先计算所述离散后的atbi波段的数值分布直方图，利用迭代三角形法寻找该直方图上某点，使得所述点到直方图峰值与尾点连线的距离为最大值，所述点对应的atbi波段的数值即为所需的分割阈值。

16、根据本发明第一方面的方法，在所述步骤s2中，所述利用箱型图四分位线法对筛选后的气象数据进行离散处理，得到离散后的气象数据包括：

17、对每个湖泊的筛选后的最优累积气象因子按照蓝藻水华暴发日与非蓝藻水华暴发日进行分组，并绘制箱式图；每类气象因子按照蓝藻水华日和非蓝藻水华日两组箱式图的上下四分位线及中位线分为7级，得到离散后的气象数据。

18、根据本发明第一方面的方法，在所述步骤s2中，所述应用研究区逐像素的蓝藻水华暴发频次与无云覆盖的有效像元频次之比，计算先验概率包括：

19、

20、其中，p(c1)表示先验概率。

21、根据本发明第一方面的方法，在所述步骤s3中，所述基于贝叶斯定理的原理构建预测模型包括：

22、将所述先验概率输入预测模型后，遍历训练集的归一化后的atbi波段和离散后的气象数据，将归一化后的atbi波段和离散后的气象数据作为特征变量，为蓝藻水华事件暴发与否两种情况构建每个特征变量下的多维条件概率表；根据归一化后的atbi波段和离散后的气象数据输入数据，应用所述多维条件概率表确定响应的条件概率，进而计算蓝藻水华事件暴发的后验概率。

23、本发明第二方面公开了一种基于卫星遥感和天气预报的蓝藻水华预测系统，所述系统包括：

24、第一处理模块，被配置为，采集modis卫星遥感影像数据，并对所述modis卫星遥感影像数据进行筛选，得到atbi波段和蓝藻水华分布结果；采集气象数据，并应用最优累积气象因子的筛选和多重共线性检验，得到筛选后的气象数据；

25、第二处理模块，被配置为，利用箱型图四分位线法对所述atbi波段进行离散处理和归一化处理，得到归一化后的atbi波段；利用箱型图四分位线法对筛选后的气象数据进行离散处理，得到离散后的气象数据；应用研究区逐像素的蓝藻水华暴发频次与无云覆盖的有效像元频次之比，计算先验概率；

26、第三处理模块，被配置为，应用所述归一化后的atbi波段、离散后的气象数据、先验概率和蓝藻水华分布结果构建预测模型的训练集和检验集；基于贝叶斯定理的原理构建预测模型；应用所述训练集的归一化后的atbi波段、离散后的气象数据、先验概率为预测模型输入，蓝藻水华分布结果为预测模型的标签，训练预测模型，得到训练后的预测模型；

27、第四处理模块，被配置为，对实时采集到的modis卫星遥感影像数据进行离散处理和归一化处理，得到归一化后的实时atbi波段；对实时采集到的气象数据进行所述筛选和离散处理，得到离散后的实时气象数据；将所述归一化后的实时atbi波段和离散后的实时气象数据输入到所述训练后的预测模型，得到蓝藻水华事件暴发的后验概率。

28、本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本公开第一方面中任一项的一种基于卫星遥感和天气预报的蓝藻水华预测方法中的步骤。

29、本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本公开第一方面中任一项的一种基于卫星遥感和天气预报的蓝藻水华预测方法中的步骤。

30、综上，本发明提出的方案能够以大型湖泊的蓝藻水华监测结果、及气象因子数据为主要数据源，构建了基于贝叶斯定理的中国大型湖泊蓝藻水华短期预测模型，实现未来多天蓝藻水华的像素尺度预测。