本发明涉及藻类污染治理,特别是涉及一种海洋藻类生长污染协整预测方法及系统。
背景技术:
1、本部分的陈述仅仅是提到了与本发明相关的背景技术,并不必然构成现有技术。
2、在特殊的环境条件下,某些海洋藻类的过量繁殖和高度聚集(即“有害藻华”),会造成海洋藻类污染。目前判断海洋藻类污染的方法有传统的船只定期调查、岸滨人工定期观测,但是难以发现赤潮的突发性变化;或者运用多源卫星遥感、无人机、船舶、车辆陆岸立体监测绿潮的动态变化,运用生态动力学和漂移预测模型等预测绿潮的变化,以及绿潮覆盖面积和海温之间的长期均衡和因果关系预测绿潮的规模变化。
3、以上所有的海洋藻类污染预测都需要深入理解藻类的生长数量或密度变化,然而,基于藻类生长与海温、化学物质占比、其他捕食藻类等之间存在的复杂非线性关系,藻类在不同时间段、垂向分布发生变化时,在气候因子、风速与温度等产生不同时,均会有不同的生长变化特征。近年来基于人类的捕捞、污水排放、水体富营养化、自然气候的变化等,破坏了水域生态系统的生态平衡,使其出现营养层级下降、优势种群衰退等现象。
4、因此,即使人们已经大概了解化肥使用量的增加和全球气候变暖是藻华形势恶化的可能原因,目前也仍然没有治理海洋藻类污染的有效方法。虽然目前已经有机器学习等算法对藻类生长的影响因素进行分类,但是机器学习算法并没有对影响因素进行分析,无法为海洋藻类的污染治理提供帮助。
技术实现思路
1、为了解决现有技术的不足,本发明提供了一种海洋藻类生长污染协整预测方法、系统、电子设备及计算机可读存储介质,根据藻类生长因素的已有实证理论、非线性复杂系统理论的相关结果,基于不同地区的藻类生长相关真实数据,进行统计分析与多元线性回归预测。
2、第一方面,本发明提供了一种海洋藻类生长污染协整预测方法;
3、一种海洋藻类生长污染协整预测方法,包括:
4、获取海洋藻类生长相关数据,并对海洋藻类生长相关数据进行预处理;
5、对将预处理后的海洋藻类生长相关数据输入预设的协整预测模型进行处理,获取海洋藻类生长影响变量之间的协整关系,以根据协整关系抑制海洋藻类生长污染;其中,将预处理后的海洋藻类生长相关数据输入预设的协整预测模型进行处理包括:
6、对预处理后的海洋藻类生长相关数据进行稳定性分析,获取藻类多元时间动态生长趋势曲线;
7、对预处理后的海洋藻类生长相关数据进行归一化处理,基于藻类多元时间动态生长趋势曲线,确定藻类生长污染的关键影响变量和次级影响变量;
8、计算关键影响变量和次级影响变量之间的相关系数矩阵,建立关键影响变量和次级影响变量之间的协整关系;运用jcitest方法检验关键影响变量和次级影响变量之间的协整关系,建立多元线性回归模型。进一步的,所述对预处理后的海洋藻类生长相关数据进行稳定性分析,获取藻类多元时间动态生长趋势曲线具体为:
9、根据预处理后的海洋藻类生长相关数据,分析海洋藻类生长污染出现次数或海洋藻类生长污染面积呈减少趋势的海洋藻类生长相关数据,获取多元时间动态生长趋势曲线。
10、进一步的,所述基于藻类多元时间动态生长趋势曲线,确定藻类生长污染的关键影响变量和次级影响变量包括:
11、基于藻类多元时间动态生长趋势曲线,将藻类的叶绿素a浓度作为藻类生长污染的关键影响变量;
12、对海洋藻类生长相关数据中的海洋水质基本数据进行相关性分析,获取具有高度相关性的次级影响变量。
13、优选的,删除相关性过低的次级影响变量,运用迪基富勒检验方法对处理后的数据进行平稳性分析;
14、通过qq图分析法判断核心影响变量是否符合正态分布。
15、进一步的,所述多元线性回归模型表示为
16、y=1.63x1+4.6516x2+3.6104x3-0.91236x4
17、+1.0207x5-2.563x6+0.52605x7+0.33509x8
18、+0.85703x9-0.023949
19、其中,y为叶绿素a浓度、x1为五天生化需氧量、x2为氨氮含量、x3为温度、x4为盐度、x5为脱镁色素含量、x6为硅含量、x7为溶解氧含量、x8为总氮含量、x9为总磷含量;
20、或者,
21、所述多元线性回归模型表示为
22、y=-0.023616x1+1.4527x2-0.29186x3+0.055603x4+0.13686
23、其中,y为硅磷比,x1为水柱平均叶绿素a浓度,x2为硅酸盐,x3为溶解无机氮,x4为氮磷比。
24、进一步的,对海洋藻类生长相关数据进行预处理包括:
25、构建海洋藻类生长相关数据集,判断数据集中的缺失值是否影响海洋藻类生长污染预测;
26、若是,则通过插值法补充缺失值;若否,则删除缺失值;
27、删除与海洋藻类生长污染预测不相关的非数值数据。
28、进一步的,所述海洋藻类生长相关数据包括叶绿素浓度、海域水体营养盐浓度和海域水质数据。
29、第二方面,本发明提供了一种海洋藻类生长污染协整预测系统;
30、一种海洋藻类生长污染协整预测系统,包括:
31、数据处理模块,被配置为:获取海洋藻类生长相关数据,并对海洋藻类生长相关数据进行预处理;
32、协整关系预测模块,被配置为:将预处理后的海洋藻类生长相关数据输入预设的协整预测模型进行处理,获取海洋藻类生长影响变量之间的协整关系,以根据协整关系抑制海洋藻类生长污染;其中,将预处理后的海洋藻类生长相关数据输入预设的协整预测模型进行处理包括:
33、对预处理后的海洋藻类生长相关数据进行稳定性分析,获取藻类多元时间动态生长趋势曲线;
34、对预处理后的海洋藻类生长相关数据进行归一化处理,基于藻类多元时间动态生长趋势曲线,确定藻类生长污染的关键影响变量和次级影响变量;
35、计算关键影响变量和次级影响变量之间的相关系数矩阵,建立关键影响变量和次级影响变量之间的协整关系;运用jcitest方法检验关键影响变量和次级影响变量之间的协整关系,建立多元线性回归模型,以根据协整关系调整次级影响变量的占比,抑制海洋藻类生长污染。
36、第三方面,本发明提供了一种电子设备;
37、一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述海洋藻类生长污染协整预测方法的步骤。
38、第四方面,本发明提供了一种计算机可读存储介质;
39、一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成上述海洋藻类生长污染协整预测方法的步骤。
40、与现有技术相比,本发明的有益效果是:
41、本发明提供的技术方案,基于藻类生长的复杂非线性动态特性、实际藻类生长数据特征,结合经济发展水平的区域情况,构建基于真实藻类生长相关数据的时间动态比较多元线性回归模型,有助于查明人类活动与藻类污染的影响关系,确定影响海洋藻类生长污染的关键影响因素,便于根据关键影响因素进行调控,抑制海洋藻类的生长,整治海洋藻类生长污染。