CN115240060A - 一种海星灾害预警方法及*** - Google Patents

一种海星灾害预警方法及*** Download PDF

Info

Publication number
CN115240060A
CN115240060A CN202211157737.5A CN202211157737A CN115240060A CN 115240060 A CN115240060 A CN 115240060A CN 202211157737 A CN202211157737 A CN 202211157737A CN 115240060 A CN115240060 A CN 115240060A
Authority
CN
China
Prior art keywords
data
starfish
early warning
water quality
disaster
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211157737.5A
Other languages
English (en)
Other versions
CN115240060B (zh
Inventor
黄慧
李龙宇
刘韬
郭明皓
曲景邦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hainan Institute of Zhejiang University
Original Assignee
Hainan Institute of Zhejiang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hainan Institute of Zhejiang University filed Critical Hainan Institute of Zhejiang University
Priority to CN202211157737.5A priority Critical patent/CN115240060B/zh
Publication of CN115240060A publication Critical patent/CN115240060A/zh
Application granted granted Critical
Publication of CN115240060B publication Critical patent/CN115240060B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/05—Underwater scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Multimedia (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Agronomy & Crop Science (AREA)
  • Emergency Management (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Animal Husbandry (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Mining & Mineral Resources (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种海星灾害预警方法及***，采用海星灾害预警模型，根据实时获取的现场同步观测数据，对目标海域未来是否会发生海星灾害事件进行预测，其中，海星灾害预警模型是根据历史海星灾害现场观测数据集与所述相关性较高的水质参数数据训练得到的，海星灾害预警模型考虑多种具有较高相关性水质参数数据的因素，其是基于多种因素构成的多维数据构建的。本发明能对海星灾害多发海域的海星灾害爆发事件进行预测预警，使得管理人员可以缩短响应时间甚至提前制止海星灾害的发生，极大限度的减小海星灾害爆发造成的海洋牧场的经济损失或珊瑚礁的生态损失。

Description

一种海星灾害预警方法及***
技术领域
本发明涉及灾害预警领域，尤其为一种海星灾害预警方法及***。
背景技术
海星是近海地区最常见的肉食性棘皮动物之一，具有极强的繁殖能力和再生能力，以贝类和珊瑚为食物来源。海星的特性和食性使其在适宜环境下能够迅速繁殖，形成大规模海星爆发灾害，对贝类养殖业和珊瑚生态***造成极大破坏，给人类生产生活和海洋生态平衡造成不必要的影响。现有的研究并没有针对海星灾害的预警方法或***。
发明内容
针对现有技术的不足，本发明提供一种海星灾害预警方法及***，具体技术方案如下：
一种海星灾害预警方法，包括如下步骤：
步骤一：获取现场同步观测数据；
所述现场同步观测数据为目标海域的现场长期原位观测的海星视频数据集和目标海域的水质参数数据；所述水质参数数据为多维数据；一种水质参数对应单维数据；每一个单维数据对应一个时间序列；
步骤二：预处理现场同步观测数据；
将所述海星视频数据集使用预训练好的基于深度学习的目标检测模型处理成海星数量数据集；对所述目标海域的水质参数数据进行缺失值填充和归一化处理；
步骤三：将所述海星数量数据集与处理后的所述目标海域的水质参数数据输入预警确立模型中得到预警模型；
所述预警确立模型的建立方法如下：
水质参数相关性分析：对处理后的目标海域的水质参数数据与所述目标海域的历史海星数量数据集进行相关性分析，挑选出相关性较高的水质参数数据；
爆发标准建立：基于所述目标海域的历史海星数量数据集，使用聚类算法建立爆发标准；
基于历史海星灾害现场观测数据集与所述相关性较高的水质参数数据，结合所述爆发标准，使用神经网络模型建立预警模型；
步骤四：使用预警模型对目标海域未来海星灾害爆发风险进行预警。
进一步地，所述预训练好的基于深度学习的目标检测模型的建立过程如下：
从目标海域的现场长期原位观测的海星视频数据集中挑选出部分子集并标注，将所述子集划分为训练集和测试集，训练集用于训练所述基于深度学习的目标检测模型，测试集用于测试训练后的所述基于深度学习的目标检测模型，取测试集精确度最高的模型为所述预训练好的基于深度学习的目标检测模型；
其中，所述部分子集为图像数据集，其挑选方法如下：
以相同的间隔从视频数据中每个视频中抽取若干帧作为抽帧结果；从所述抽帧结果中挑选出的图像符合如下条件：（1）光照条件好，以保证标注工作的顺利进行；（2）来自每个月份的图像数量接近，以保证图像数据集的平衡。
进一步地，所述爆发标准建立的过程如下：
基于所述海星数量数据集，以固定间隔s为单位划分为M个部分，其中每一部分单独计算统计量，得到多维点集
Figure 878567DEST_PATH_IMAGE001
其中，
Figure 61287DEST_PATH_IMAGE002
表示第j部分第i种统计量的数据，i=1,2,…,d，j=1,2,…,M；
以所述多维点集的每一行为输入，使用聚类算法聚为k类[r1 r2 … rj … rk]；其中，k为风险等级划分数量，rj为第j类的风险等级；所述聚类算法为风险等级生成模型；每一类聚类结果所覆盖的聚类范围为不同风险等级的爆发标准。
进一步地，所述聚类算法为k-means算法；以所述多维点集的每一行为输入，使用聚类算法聚为k类的具体过程如下：
a.从多维点集
Figure 168920DEST_PATH_IMAGE003
随机初始化k个聚类中心
Figure 626446DEST_PATH_IMAGE004
，其中
Figure 503135DEST_PATH_IMAGE005
，且1≤k≤M；
b. 计算每一个对象
Figure 387915DEST_PATH_IMAGE006
到每一个聚类中心
Figure 920527DEST_PATH_IMAGE007
的距离，距离公式如下：
Figure 181744DEST_PATH_IMAGE008
c. 依次比较每一个对象到每一个聚类中心的距离，将对象分配到距离最近的聚类中心的类簇中，得到k个类簇；
d.根据每个类簇内的所有点，重新计算该类簇的中心点，中心点就是类簇内所有对象在各个维度的均值；
e.重复步骤c和步骤d，直到新的中心点与上一轮中心点一致。
进一步地，所述预警模型的建立过程如下：
以同一时间段的所述海星数量数据集与所述相关性较高的水质参数数据为输入，以下一时间段海星数量数据集对应的风险等级为输出，使用神经网络模型建立预警模型；
同一时间段海星数量数据集输入的数据格式为[n1 n2 … nj … nk]；
同一时间段相关性较高的水质参数数据输入的数据格式为：
Figure 181449DEST_PATH_IMAGE009
以下一时间段海星数量数据集[nk+1 nk+2 … nk+j … nk+m]为输入，使用所述风险等级生成模型生成对应风险等级rm；
所述神经网络模型包括输入层、3个全连接层、输出层；所述输入层的输入维度为[N+1,k]，其中k为海星数量数据集的输入数量，N为相关性较高的水质参数数据的维数；所述全连接层表述为Y=f(WX+B)，其中，Y为全连接层的输出，f为激活函数，3个全连接层均设置为relu函数，X为前一全连接层的输出或输入层的输入，W为可学习的权重参数，B为偏置参数。
进一步地，所述步骤四，使用预警模型对目标海域未来海星灾害爆发风险进行预警，具体包括：
将同一时间段的海星数量数据集与同一时间段的处理后的目标海域的水质参数数据输入预警模型中得到下一时间段的海星灾害爆发风险等级；
判断所述下一时间段的海星灾害爆发风险等级是否大于设定等级阈值；
若所述下一时间段的海星灾害爆发风险等级大于设定等级阈值，则发出海星灾害爆发风险预警信号。
一种海星灾害预警***，包括数据获取模块、数据预处理模块、预警确立模块和预警模块；
所述数据获取模块用于获取目标海域的现场长期原位观测的海星视频数据集和目标海域的水质参数数据；所述水质参数数据为多维数据；一种水质参数对应单维数据；每一个单维数据对应一个时间序列；
所述数据预处理模块用于预处理现场同步观测数据，具体包括：
目标检测模型建立子模块：建立并预训练基于深度学习的目标检测模型作为预训练好的基于深度学习的目标检测模型；
目标检测处理子模块：将所述海星视频数据集使用预训练好的基于深度学习的目标检测模型处理成海星数量数据集；
水质数据参数处理子模块：对目标海域的水质参数数据进行缺失值填充和归一化处理；
所述预警确立模块用于将海星数量数据集与处理后的所述目标海域的水质参数数据输入预警确立模型中得到预警模型，具体包括：
水质参数相关性分析子模块：对处理后的目标海域的水质参数数据与目标海域的历史海星数量数据集进行相关性分析，挑选出相关性较高的水质参数数据；
爆发标准建立子模块：基于目标海域的历史海星数量数据集，使用聚类算法建立爆发标准；
预警模型建立子模块：基于历史海星灾害现场观测数据集与所述相关性较高的水质参数数据，结合所述爆发标准，使用神经网络模型建立预警模型；
所述预警模块用于对目标海域未来海星灾害爆发风险进行预警。
本发明的有益效果如下：
本发明的海星灾害预警方法及***，采用海星灾害预警模型，根据实时获取的现场同步观测数据，对目标海域未来是否会发生海星灾害事件进行预测，其中，海星灾害预警模型是根据历史海星灾害现场观测数据集与所述相关性较高的水质参数数据训练得到的，海星灾害预警模型考虑多种具有较高相关性水质参数数据的因素，其是基于多种因素构成的多维数据构建的。本发明不仅能对海星灾害事件进行预测，使得管理人员可以缩短响应时间甚至提前制止海星灾害的发生，极大限度地减小海星灾害爆发造成的海洋牧场的经济损失或珊瑚礁的生态损失，而且相比只考虑单一因素对海星灾害事件进行预测的方式，能提高海星灾害事件预测的准确性。
附图说明
图1为本发明的海星灾害预警方法的流程图。
图2为本发明的海星灾害预警***的框架图。
具体实施方式
下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提出了一种海星灾害预警方法及***，采用海星灾害预警模型，根据实时获取的现场同步观测数据，对目标海域未来是否会发生海星灾害事件进行预测，其中，海星灾害预警模型是根据历史海星灾害现场观测数据集与所述相关性较高的水质参数数据训练得到的，海星灾害预警模型考虑多种具有较高相关性水质参数数据的因素，其是基于多种因素构成的多维数据构建的。
如图1所示，本实施例的海星灾害预警方法，包括：
步骤一：获取现场同步观测数据；
现场同步观测数据为目标海域的现场长期原位观测的视频数据和目标海域的水质参数数据；目标海域的现场长期原位观测的视频数据为海星视频数据集；目标海域的水质参数数据为多维数据，包括但不限于温度、盐度、深度、pH、溶解氧等。一种水质参数对应单维数据；每一个单维数据对应一个时间序列；例如，若水质参数数据为温度，其对应的时间序列为每间隔设定时间t（如30秒）的温度值构成的序列；若水质参数数据为盐度，其对应的时间序列为每间隔设定时间t（如30秒）的盐度值构成的序列；深度、pH、溶解氧同理可得到相应的时间序列。
步骤二：预处理现场观测数据；
将海星视频数据集使用预训练好的基于深度学习的目标检测模型处理成海星数量数据集；对目标海域的水质参数数据进行缺失值填充和归一化处理。
具体的，所述预训练好的基于深度学习的目标检测模型建立过程如下：
从所述目标海域的现场长期原位观测的视频数据中挑选出部分子集并标注，将所述子集划分为训练集和测试集，训练集用于训练所述基于深度学习的目标检测模型，测试集用于测试训练后的所述基于深度学习的目标检测模型，取测试集精确度最高的模型为所述预训练好的基于深度学习的目标检测模型；
其中，所述部分子集为图像数据集，其挑选方法如下：
以相同的间隔从所述视频数据中每个视频中抽取若干帧作为抽帧结果；从所述抽帧结果中挑选出的图像符合如下条件：光照条件较好，以保证标注工作的顺利进行；来自每个月份的图像数量较为接近以保证图像数据集的平衡；
具体的，所述海星数量数据集的数据结构如下：
[n1 n2 … nj … nk]
其中，nj表示目标海域海星数量在j时刻的数据；
处理后的目标海域的水质参数数据的数据结构如下：
Figure 705971DEST_PATH_IMAGE010
其中，
Figure 725879DEST_PATH_IMAGE011
表示第i种水质参数在j时刻的数据，i=1,2,…,k，j=1,2,…,n。
步骤三：将所述海星数量数据集与处理后的所述目标海域的水质参数数据输入预警确立模型中得到预警模型。
具体的，所述预警确立模型的建立方法如下：
（1）水质参数相关性分析：对处理后的目标海域的水质参数数据与所述目标海域的历史海星数量数据集进行相关性分析，挑选出相关性较高的水质参数数据；
具体的，所述水质参数相关性分析过程如下：
计算所述海星数量数据集[n1 n2 … nj … nk]与所述目标海域的第i种水质参数
Figure 994050DEST_PATH_IMAGE012
的相关性系数vi，组成[v1 v2 … vj … vk]，选择相关性系数最大的N种水质参数数据，其中N≤k，得到相关性较高的水质参数数据。
（2）爆发标准建立：基于所述目标海域的历史海星数量数据集，使用聚类算法建立爆发标准。
具体的，爆发标准建立过程如下：
基于所述海星数量数据集，以固定间隔s为单位连续划分为M个部分，其中每一个 海星数量数据集的子集单独计算统计量，得到多维点集
Figure 579752DEST_PATH_IMAGE013
其中，
Figure 540755DEST_PATH_IMAGE014
表示第j部分第i种统计量的数据，i=1,2,…,d，j=1,2,…,M；
以所述多维点集的每一行为输入，使用聚类算法聚为k类[r1 r2 … rj … rk]，其中j=1,2,…,k，k为风险等级划分数量，rj为第j类的风险等级；所述聚类算法为风险等级生成模型；每一类聚类结果所覆盖的聚类范围为不同风险等级的爆发标准。
所述聚类算法采用k-means算法，包括以下步骤：
a.从多维点集
Figure 641435DEST_PATH_IMAGE015
随机初始化看k个聚类中心
Figure 182137DEST_PATH_IMAGE016
，其中
Figure 887925DEST_PATH_IMAGE017
，且1≤k≤M；
b.计算每一个对象
Figure 285409DEST_PATH_IMAGE018
到每一个聚类中心
Figure 345156DEST_PATH_IMAGE019
的距离，距离公式如下：
Figure 79763DEST_PATH_IMAGE020
c. 依次比较每一个对象到每一个聚类中心的距离，将对象分配到距离最近的聚类中心的类簇中，得到k个类簇；
d.根据每个类簇内的所有点，重新计算该类簇的中心点，中心点就是类簇内所有对象在各个维度的均值；
e.重复步骤c和步骤d，直到新的中心点与上一轮中心点一致。
具体的，固定间隔s设置为7天或以上较佳，聚类数k设置为3或以上较佳；计算的统计量包括但不限于最大值、均值、方差等。例如，若有70天的海星数量数据集，以7天为间隔连续划分为10个子集，每一部分子集单独计算最大值、均值、方差，每个子集以计算出的3个统计量为输入，使用聚类算法聚为3类，则3个聚类结果所覆盖的聚类范围为不同风险等级的爆发标准。
（3）预警模型建立：基于所述历史海星灾害现场观测数据集与所述相关性较高的水质参数数据，结合所述爆发标准，使用神经网络模型建立预警模型。
具体的，所述预警模型建立过程如下：
以同一时间段的所述海星数量数据集与所述相关性较高的水质参数数据为输入，以所述下一时间段海星数量数据集对应的风险等级为输出，使用神经网络模型建立预警模型。
同一时间段海星数量数据集输入的数据格式为[n1 n2 … nj … nk]，所述同一时 间段相关性较高的水质参数数据输入的数据格式为
Figure 843319DEST_PATH_IMAGE021
。
下一时间段海星数量数据集所属的风险等级获取过程如下：
以下一时间段海星数量数据集[nk+1 nk+2 … nk+j … nk+m]为输入，使用所述风险等级生成模型生成对应风险等级rm。
神经网络模型具体包括输入层、3个全连接层、输出层；所述输入层的输入维度为[N+1,k]，其中k为海星数量数据集的输入数量，N为相关性较高的水质参数数据的维数；全连接层可表述为Y=f(WX+B)，其中，Y为全连接层的输出，f为激活函数，3个全连接层均设置为relu函数，X为前一全连接层的输出或输入层的输入，W为可学习的权重参数，B为偏置参数。
步骤四：使用预警模型对目标海域未来海星灾害爆发风险进行预警。
具体包括：
将同一时间段的所述海星数量数据集与同一时间段的所述处理后的目标海域的水质参数数据输入预警模型中得到下一时间段的海星灾害爆发风险等级；
判断所述下一时间段的海星灾害爆发风险等级是否大于设定等级阈值；
若所述下一时间段的海星灾害爆发风险等级大于设定等级阈值，则发出海星灾害爆发风险预警信号。
如图2所示，本实施例的海星灾害预警***，包括：
1. 数据获取模块
该模块用于获取现场同步观测数据；所述现场同步观测数据为目标海域的现场长期原位观测的视频数据和目标海域的水质参数数据；所述目标海域的现场长期原位观测的视频数据为海星视频数据集；所述水质参数数据为多维数据；一种水质参数对应单维数据；每一个单维数据对应一个时间序列。
数据预处理模块
该模块用于预处理现场观测数据，具体包括：
（1）目标检测模型建立子模块
该模块用于建立并预训练基于深度学习的目标检测模型，将其作为预训练好的基于深度学习的目标检测模型。目标检测模型建立子模块实现的功能具体包括：
从所述目标海域的现场长期原位观测的视频数据中挑选出部分子集并标注，将所述子集划分为训练集和测试集，训练集用于训练所述基于深度学习的目标检测模型，测试集用于测试训练后的所述基于深度学习的目标检测模型，取测试集精确度最高的模型为所述预训练好的基于深度学习的目标检测模型。
其中，所述部分子集为图像数据集，其挑选方法如下：
以相同的间隔从所述视频数据中每个视频中抽取若干帧作为抽帧结果；从所述抽帧结果中挑选出的图像符合如下条件：光照条件较好，以保证标注工作的顺利进行；来自每个月份的图像数量较为接近以保证图像数据集的平衡。
（2）目标检测处理子模块
该模块用于将所述海星视频数据集使用预训练好的基于深度学习的目标检测模型处理成海星数量数据集。
（3）水质数据参数处理子模块
该模块对目标海域的水质参数数据进行缺失值填充和归一化处理；所述海星数量数据集的数据结构如下：
[n1 n2 … nj … nk]
其中，nj表示目标海域海星数量在j时刻的数据。
处理后的所述目标海域的水质参数数据的数据结构如下：
Figure 146125DEST_PATH_IMAGE022
其中，
Figure 424659DEST_PATH_IMAGE023
表示第i种水质参数在j时刻的数据，i=1,2,…,k，j=1,2,…,n。
预警确立模块
该模块用于将所述海星数量数据集与处理后的所述目标海域的水质参数数据输入预警确立模型中得到预警模型，具体包括：
水质参数相关性分析子模块：对处理后的目标海域的水质参数数据与所述目标海域的历史海星数量数据集进行相关性分析，挑选出相关性较高的水质参数数据；具体步骤如下：
计算所述海星数量数据集[n1 n2 … nj … nk]与所述目标海域的第i种水质参数的水质参数数据
Figure 572744DEST_PATH_IMAGE024
的相关性系数vi，组成[v1 v2 … vj …vk]，选择相关性系数最大的N种水质参数数据，其中N≤k，得到相关性较高的水质参数数据。
爆发标准建立子模块：基于所述目标海域的历史海星数量数据集，使用聚类算法建立爆发标准；具体包括：基于所述海星数量数据集，以固定间隔s为单位划分为M个部分，其中每一部分单独计算统计量，得到多维点集
Figure 456386DEST_PATH_IMAGE025
其中，
Figure 930093DEST_PATH_IMAGE026
表示第j部分第i种统计量的数据，i=1,2,…,d，j=1,2,…,M；
以所述多维点集的每一行为输入，使用聚类算法聚为k类[r1 r2 … rj … rk]，其中j=1,2,…,k，k为风险等级划分数量，rj为第j类的风险等级；所述聚类算法为风险等级生成模型；每一类聚类结果所覆盖的聚类范围为不同风险等级的爆发标准；
预警模型建立子模块：基于所述历史海星灾害现场观测数据集与所述相关性较高的水质参数数据，结合所述爆发标准，使用神经网络模型建立预警模型。具体包括：
以同一时间段的所述海星数量数据集与所述相关性较高的水质参数数据为输入，以所述下一时间段海星数量数据集对应的风险等级为输出，使用神经网络模型建立预警模型。
同一时间段海星数量数据集输入的数据格式为[n1 n2 … nj … nk]，所述同以时 间段相关性较高的水质参数数据输入的数据格式为
Figure 695924DEST_PATH_IMAGE027
；
下一时间段海星数量数据集所属的风险等级获取过程如下：
以下一时间段海星数量数据集[nk+1 nk+2 … nk+j … nk+m]为输入，使用所述风险等级生成模型生成对应风险等级rm；
神经网络模型具体包括输入层，3个全连接层，输出层；所述输入层的输入维度为[N+1,k]，其中k为海星数量数据集的输入数量，N为相关性较高的水质参数数据的维数；所述全连接层可表述为Y=f(WX+B)。其中Y为全连接层的输出，f为激活函数，3个全连接层均设置为relu函数，X为前一全连接层的输出或输入层的输入，W为可学习的权重参数，B为偏置参数。
预警模块
该模型用于对目标海域未来海星灾害爆发风险进行预警，具体包括：
将同一时间段的所述海星数量数据集与同一时间段的所述处理后的目标海域的水质参数数据输入预警模型中得到下一时间段的海星灾害爆发风险等级；
判断所述下一时间段的海星灾害爆发风险等级是否大于设定等级阈值；
若所述下一时间段的海星灾害爆发风险等级大于设定等级阈值，则发出海星灾害爆发风险预警信号。
下面给出一个具体的实施例验证本发明的方法的效果。
步骤一：获取现场同步观测数据：
本实施例所获取的现场同步观测数据为山东威海海洋牧场海星聚集海域的视频数据和水质参数；所获取的水质包括温度、盐度、深度、pH、溶解氧。
步骤二：预处理现场观测数据
对所获取的视频数据采用基于深度学习的目标检测模型处理为海星数量数据集；本实施例所使用的基于深度学习的目标检测模型为YOLOV5目标检测模型；本实施例所使用的YOLOV5目标检测模型为使用部分视频数据中的多帧图像训练完成的模型，具体为：从不同月份、光照较好的视频中，抽取5000帧图像并进行人工标注，将人工标注后的图像分为训练集和测试集，将训练集用于训练模型，测试集用于测试模型；用识别的准确率作为测试结果指标，将测试结果指标达到一定阈值后的模型作为训练完成的模型，本实施例中的测试结果指标阈值设定为92%。
本实施例对所述水质参数进行缺失值用众数填充和各参数内归一化处理。
步骤三：将所述海星数量数据集与处理后的所述目标海域的水质参数数据输入预警确立模型中得到预警模型；
本实施例中预警确立模型建立过程如下：
（1）水质参数相关性分析：对处理后的目标海域的水质参数数据与所述目标海域的历史海星数量数据集计算皮尔逊系数，将所得皮尔逊系数作为相关性指标，选择相关性指标较高的温度、盐度两种参数作为相关性较高的水质参数。
（2）爆发标准建立：以连续3天的海星数量为一个单位将海星数量数据集划分为若干个子集，每个子集单独计算最大值、均值、方差，将每个子集视为一个包含[最大值、均值、方差]三个数值的三维点，使用k-means算法，聚类为4类，根据聚类完成后的4个聚类中心的具体数值，从小到大，依次认为是：无风险、低风险、中风险、高风险，使用[0,1,2,3]代表其等级。
（3）预警模型建立：基于海星数量数据集与相关性较高的水质参数数据，结合爆发标准，使用神经网络模型建立预警模型。本实施例中的神经网络模型包括输入层、三个全连接层和输出层。输入为前3天内的海星数量数据、温度数据、盐度数据；全连接层的权重矩阵尺寸分别设置为3*100、100*1000、1000*1；最终输出为[0,1,2,3]分别代表接下来一天内的风险等级与接下来一天在爆发标准中得到的风险等级作比较，使用均方根误差作为损失函数，训练神经网络；
步骤四：使用预警模型对目标海域未来海星灾害爆发风险进行预警。
将最近3天的海星数量数据与温度、盐度参数数据输入到步骤三中建立好的神经网络模型，得到的输出结果代表了接下来一天的预测风险等级。
本实施例中风险等级为[0,1,2,3]代表了无风险，低风险，中风险，高风险，即等级1为风险阈值；判断预测风险等级是否大于1；若预测风险等级大于1，则发出海星爆发灾害风险预警信号。
本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。

Claims (7)

1.一种海星灾害预警方法，其特征在于，包括如下步骤：
步骤一：获取现场同步观测数据；
所述现场同步观测数据为目标海域的现场长期原位观测的海星视频数据集和目标海域的水质参数数据；所述水质参数数据为多维数据；一种水质参数对应单维数据；每一个单维数据对应一个时间序列；
步骤二：预处理现场同步观测数据；
将所述海星视频数据集使用预训练好的基于深度学习的目标检测模型处理成海星数量数据集；对所述目标海域的水质参数数据进行缺失值填充和归一化处理；
步骤三：将所述海星数量数据集与处理后的所述目标海域的水质参数数据输入预警确立模型中得到预警模型；
所述预警确立模型的建立方法如下：
水质参数相关性分析：对处理后的目标海域的水质参数数据与所述目标海域的历史海星数量数据集进行相关性分析，挑选出相关性较高的水质参数数据；
爆发标准建立：基于所述目标海域的历史海星数量数据集，使用聚类算法建立爆发标准；
基于历史海星灾害现场观测数据集与所述相关性较高的水质参数数据，结合所述爆发标准，使用神经网络模型建立预警模型；
步骤四：使用预警模型对目标海域未来海星灾害爆发风险进行预警。
2.根据权利要求1所述的海星灾害预警方法，其特征在于，所述预训练好的基于深度学习的目标检测模型的建立过程如下：
从目标海域的现场长期原位观测的海星视频数据集中挑选出部分子集并标注，将所述子集划分为训练集和测试集，训练集用于训练所述基于深度学习的目标检测模型，测试集用于测试训练后的所述基于深度学习的目标检测模型，取测试集精确度最高的模型为所述预训练好的基于深度学习的目标检测模型；
其中，所述部分子集为图像数据集，其挑选方法如下：
以相同的间隔从视频数据中每个视频中抽取若干帧作为抽帧结果；从所述抽帧结果中挑选出的图像符合如下条件：（1）光照条件好，以保证标注工作的顺利进行；（2）来自每个月份的图像数量接近，以保证图像数据集的平衡。
3.根据权利要求1所述的海星灾害预警方法，其特征在于，所述爆发标准建立的过程如下：
基于所述海星数量数据集，以固定间隔s为单位划分为M个部分，其中每一部分单独计算统计量，得到多维点集
Figure 288767DEST_PATH_IMAGE001
其中，
Figure 89232DEST_PATH_IMAGE002
表示第j部分第i种统计量的数据，i=1,2,…,d，j=1,2,…,M；
以所述多维点集的每一行为输入，使用聚类算法聚为k类[r1 r2 … rj … rk]；其中，k为风险等级划分数量，rj为第j类的风险等级；所述聚类算法为风险等级生成模型；每一类聚类结果所覆盖的聚类范围为不同风险等级的爆发标准。
4.根据权利要求3所述的海星灾害预警方法，其特征在于，所述聚类算法为k-means算法；以所述多维点集的每一行为输入，使用聚类算法聚为k类的具体过程如下：
a.从多维点集
Figure 733840DEST_PATH_IMAGE001
随机初始化k个聚类中心
Figure 924650DEST_PATH_IMAGE003
，其中
Figure 211275DEST_PATH_IMAGE004
，且1≤k≤M；
b. 计算每一个对象
Figure 600668DEST_PATH_IMAGE005
到每一个聚类中心
Figure 416177DEST_PATH_IMAGE006
的距离，距离公式如下：
Figure 94283DEST_PATH_IMAGE007
c. 依次比较每一个对象到每一个聚类中心的距离，将对象分配到距离最近的聚类中心的类簇中，得到k个类簇；
d.根据每个类簇内的所有点，重新计算该类簇的中心点，中心点就是类簇内所有对象在各个维度的均值；
e.重复步骤c和步骤d，直到新的中心点与上一轮中心点一致。
5.根据权利要求3所述的海星灾害预警方法，其特征在于，所述预警模型的建立过程如下：
以同一时间段的所述海星数量数据集与所述相关性较高的水质参数数据为输入，以下一时间段海星数量数据集对应的风险等级为输出，使用神经网络模型建立预警模型；
同一时间段海星数量数据集输入的数据格式为[n1 n2 … nj … nk]；
同一时间段相关性较高的水质参数数据输入的数据格式为：
Figure 450178DEST_PATH_IMAGE008
以下一时间段海星数量数据集[nk+1 nk+2 … nk+j … nk+m]为输入，使用所述风险等级生成模型生成对应风险等级rm；
所述神经网络模型包括输入层、3个全连接层、输出层；所述输入层的输入维度为 [N+1,k]，其中k为海星数量数据集的输入数量，N为相关性较高的水质参数数据的维数；所述全连接层表述为Y=f(WX+B)，其中，Y为全连接层的输出，f为激活函数，3个全连接层均设置为relu函数，X为前一全连接层的输出或输入层的输入，W为可学习的权重参数，B为偏置参数。
6.根据权利要求5所述的海星灾害预警方法，其特征在于，所述步骤四，使用预警模型对目标海域未来海星灾害爆发风险进行预警，具体包括：
将同一时间段的海星数量数据集与同一时间段的处理后的目标海域的水质参数数据输入预警模型中得到下一时间段的海星灾害爆发风险等级；
判断所述下一时间段的海星灾害爆发风险等级是否大于设定等级阈值；
若所述下一时间段的海星灾害爆发风险等级大于设定等级阈值，则发出海星灾害爆发风险预警信号。
7.一种海星灾害预警***，其特征在于，包括数据获取模块、数据预处理模块、预警确立模块和预警模块；
所述数据获取模块用于获取目标海域的现场长期原位观测的海星视频数据集和目标海域的水质参数数据；所述水质参数数据为多维数据；一种水质参数对应单维数据；每一个单维数据对应一个时间序列；
所述数据预处理模块用于预处理现场同步观测数据，具体包括：
目标检测模型建立子模块：建立并预训练基于深度学习的目标检测模型作为预训练好的基于深度学习的目标检测模型；
目标检测处理子模块：将所述海星视频数据集使用预训练好的基于深度学习的目标检测模型处理成海星数量数据集；
水质数据参数处理子模块：对目标海域的水质参数数据进行缺失值填充和归一化处理；
所述预警确立模块用于将海星数量数据集与处理后的所述目标海域的水质参数数据输入预警确立模型中得到预警模型，具体包括：
水质参数相关性分析子模块：对处理后的目标海域的水质参数数据与目标海域的历史海星数量数据集进行相关性分析，挑选出相关性较高的水质参数数据；
爆发标准建立子模块：基于目标海域的历史海星数量数据集，使用聚类算法建立爆发标准；
预警模型建立子模块：基于历史海星灾害现场观测数据集与所述相关性较高的水质参数数据，结合所述爆发标准，使用神经网络模型建立预警模型；
所述预警模块用于对目标海域未来海星灾害爆发风险进行预警。
CN202211157737.5A 2022-09-22 2022-09-22 一种海星灾害预警方法及*** Active CN115240060B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211157737.5A CN115240060B (zh) 2022-09-22 2022-09-22 一种海星灾害预警方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211157737.5A CN115240060B (zh) 2022-09-22 2022-09-22 一种海星灾害预警方法及***

Publications (2)

Publication Number Publication Date
CN115240060A true CN115240060A (zh) 2022-10-25
CN115240060B CN115240060B (zh) 2023-04-07

Family

ID=83667232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211157737.5A Active CN115240060B (zh) 2022-09-22 2022-09-22 一种海星灾害预警方法及***

Country Status (1)

Country Link
CN (1) CN115240060B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115713232A (zh) * 2022-11-12 2023-02-24 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) 一种刺参底播增殖风险联防预警***
CN115830516A (zh) * 2023-02-13 2023-03-21 新乡职业技术学院 一种用于电池爆燃检测的计算机神经网络图像处理方法
CN117035164A (zh) * 2023-07-10 2023-11-10 江苏省地质调查研究院 一种生态灾害物监测方法及***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021051609A1 (zh) * 2019-09-20 2021-03-25 平安科技（深圳）有限公司 细颗粒物污染等级的预测方法、装置及计算机设备
WO2021120788A1 (zh) * 2019-12-19 2021-06-24 华中科技大学 一种基于机器学习的水文预报精度评价方法及***
CN114037163A (zh) * 2021-11-10 2022-02-11 南京工业大学 一种基于动态权重pso优化bp神经网络的污水处理出水质量预警方法
CN114254836A (zh) * 2021-12-28 2022-03-29 四创科技有限公司 一种基于相似性分析的水华灾害预警方法及终端
CN114419869A (zh) * 2022-03-30 2022-04-29 北京启醒科技有限公司 一种基于时序多维预测的城市灾害预警方法及***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021051609A1 (zh) * 2019-09-20 2021-03-25 平安科技（深圳）有限公司 细颗粒物污染等级的预测方法、装置及计算机设备
WO2021120788A1 (zh) * 2019-12-19 2021-06-24 华中科技大学 一种基于机器学习的水文预报精度评价方法及***
CN114037163A (zh) * 2021-11-10 2022-02-11 南京工业大学 一种基于动态权重pso优化bp神经网络的污水处理出水质量预警方法
CN114254836A (zh) * 2021-12-28 2022-03-29 四创科技有限公司 一种基于相似性分析的水华灾害预警方法及终端
CN114419869A (zh) * 2022-03-30 2022-04-29 北京启醒科技有限公司 一种基于时序多维预测的城市灾害预警方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄慧 等: "前置上向流臭氧生物活性炭深度处理水厂浮游动物监测与控制", 《给水排水》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115713232A (zh) * 2022-11-12 2023-02-24 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) 一种刺参底播增殖风险联防预警***
CN115713232B (zh) * 2022-11-12 2024-04-23 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) 一种刺参底播增殖风险联防预警***
CN115830516A (zh) * 2023-02-13 2023-03-21 新乡职业技术学院 一种用于电池爆燃检测的计算机神经网络图像处理方法
CN115830516B (zh) * 2023-02-13 2023-05-12 新乡职业技术学院 一种用于电池爆燃检测的计算机神经网络图像处理方法
CN117035164A (zh) * 2023-07-10 2023-11-10 江苏省地质调查研究院 一种生态灾害物监测方法及***
CN117035164B (zh) * 2023-07-10 2024-03-12 江苏省地质调查研究院 一种生态灾害物监测方法及***

Also Published As

Publication number Publication date
CN115240060B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN115240060B (zh) 一种海星灾害预警方法及***
Cabreira et al. Artificial neural networks for fish-species identification
Carter et al. Automated marine turtle photograph identification using artificial neural networks, with application to green turtles
CN111914778A (zh) 一种基于弱监督学习的视频行为定位方法
CN114842208A (zh) 一种基于深度学习的电网危害鸟种目标检测方法
CN115331172A (zh) 一种基于监控视频的车间危险行为识别报警方法及***
CN111738044A (zh) 一种基于深度学习行为识别的校园暴力评估方法
CN115602337A (zh) 一种基于机器学习的刺激隐核虫疾病预警方法及***
Haddon et al. Using an inverse-logistic model to describe growth increments of blacklip abalone (Haliotis rubra) in Tasmania
Schneider et al. Counting fish and dolphins in sonar images using deep learning
CN115797844A (zh) 一种基于神经网络的鱼体鱼病检测方法及***
CN114942951A (zh) 一种基于ais数据的渔船捕鱼行为分析方法
CN115423995A (zh) 一种轻量化幕墙裂纹目标检测方法及***、安全预警***
CN114005064A (zh) 一种基于机器视觉技术的生物式水体污染预警方法及装置
Chamberlain et al. ImageCLEFcoral task: coral reef image annotation and localisation
Rahman et al. Application of machine learning techniques in aquaculture
CN114943290A (zh) 一种基于多源数据融合分析的生物入侵识别方法
Martin-Abadal et al. A deep learning solution for Posidonia oceanica seafloor habitat multiclass recognition
CN112801955A (zh) 种群分布不平衡条件下的浮游生物检测方法
Lestari et al. Segmentation of seagrass (Enhalus acoroides) using deep learning mask R-CNN algorithm
Venu et al. Disease Identification in Plant Leaf Using Deep Convolutional Neural Networks
CN117807469B (zh) 一种水下传感器数据采集方法、介质及***
CN117236016B (zh) 一种基于bim的水中生态***构建方法和***
CN116579508B (zh) 一种鱼类预测方法、装置、设备及存储介质
CN115661751B (zh) 一种基于注意力变换网络的公路低能见度检测方法和***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant