基于水动力感知的多尺度时空图卷积蓝藻预报方法及装置与流程

本发明涉及水环境预测的，尤其是涉及一种基于水动力感知的多尺度时空图卷积蓝藻预报方法及装置。

背景技术：

1、蓝藻暴发是严重威胁水体生态系统和人类健康的环境问题，因此，准确预测蓝藻暴发对于水环境管理和保护至关重要。目前，相关技术提出，可以利用时空图卷积网络（spatio-temporal graph convolutional network, stgcn）能够同时捕捉空间和时间维度的依赖关系的特点，处理时空数据，进行蓝藻预测。

2、但现有的stgcn模型在应用于蓝藻暴发预测时，图结构的构建较简单，不能充分反映水体中监测站点之间的复杂关系，且现有数据驱动的蓝藻暴发预测方法主要是基于传统的时间序列分析或简单的机器学习模型，其未能充分考虑水体系统的空间结构和水动力学特性，从而导致预测精确度较低，特别是在复杂水动力条件下表现欠佳。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于水动力感知的多尺度时空图卷积蓝藻预报方法及装置，可以显著提升蓝藻预报的精确度。

2、第一方面，本发明实施例提供了一种基于水动力感知的多尺度时空图卷积蓝藻预报方法，方法包括：获取待检测区域预设的各项水质监测站之间的空间距离，并基于空间距离和预设可调节尺度参数，确定边权重矩阵，其中，边权重矩阵用于确定水质监测站中任意两节点之间的边权重，预设可调节尺度参数用于调节空间距离对边权重的影响；设置图论指标集合，并基于图论指标集合对原始特征进行特征增强处理，确定目标输入特征，其中，图论指标集合包括：图直径、平均空间距离和度矩阵；基于边权重矩阵构建多尺度时空卷积网络，并将目标输入特征发送至多尺度时空卷积网络，对多尺度时空卷积网络进行模型训练处理，确定目标多尺度时空卷积网络，以利用多尺度时空卷积网络进行蓝藻爆发预报。

3、在一种实施方式中，设置图论指标集合的步骤，包括：通过预设空间距离矩阵和预设临接矩阵，对水质监测站中任意两节点之间的距离进行计算处理，确定水动力约束的图直径，其中，图直径为任意两节点之间的空间距离的最大值，图直径用于反映水体系统中最远的两个监测点之间的连通性。

4、在一种实施方式中，设置图论指标集合的步骤，还包括：获取监测站数量，并基于监测站数量和节点间的空间距离，确定平均空间距离，其中，平均空间距离用于反映水体系统中物质传输的平均效率。

5、在一种实施方式中，设置图论指标集合的步骤，还包括：利用权重矩阵获取任意两节点之间的边权重，并根据边权重和节点之间包含的水动力学因子，确定节点对应的加权度，其中，水动力学因子为水动力学机制相关参数；基于加权度和监测站数量，确定度矩阵，其中，度矩阵用于反映各监测点的局部水动力学影响强度。

6、在一种实施方式中，在基于图论指标集合对原始特征进行特征增强处理，确定目标输入特征的步骤之前，包括：将各项水质监测站在各时间步长检测到的水质指标参数和水动力学机制相关参数确定为特征维度；根据特征维度、监测站数量和时间步长，确定卷积网络的时空图序列，并将时空图序列确定为原始特征。

7、在一种实施方式中，基于图论指标集合对原始特征进行特征增强处理，确定目标输入特征的步骤，包括：针对图直径和平均空间距离进行整合拓展处理，确定图直径对应的第一全局特征向量集合和平均空间距离对应的第二全局特征向量集合，其中，全局特征向量集合与原始特征矩阵中包含的节点数量相同；利用第一全局特征向量集合和第二全局特征向量集合对原始特征矩阵进行特征增强处理，使各节点对应的第一全局特征向量、第二全局特征向量和原始特征拼接，确定目标输入特征。

8、在一种实施方式中，将目标输入特征发送至多尺度时空卷积网络，对多尺度时空卷积网络进行模型训练处理，确定目标多尺度时空卷积网络的步骤，包括：将目标输入特征发送至多尺度时空卷积网络的图卷积层和时间卷积层中，以使多尺度时空卷积网络中的各分支依次进行图卷积处理和时间卷积处理，确定不同尺度对应的特征；利用预设注意力融合机制，将不同尺度对应的特征进行特征融合处理，确定目标融合特征，以利用目标融合特征确定目标多尺度时空卷积网络。

9、第二方面，本发明实施例还提供一种基于水动力感知的多尺度时空图卷积蓝藻预报装置，装置包括：矩阵构建模块，获取待检测区域预设的各项水质监测站之间的空间距离，并基于空间距离和预设可调节尺度参数，确定边权重矩阵，其中，边权重矩阵用于确定水质监测站中任意两节点之间的边权重，预设可调节尺度参数用于调节空间距离对边权重的影响；特征增强模块，设置图论指标集合，并基于图论指标集合对原始特征进行特征增强处理，确定目标输入特征，其中，图论指标集合包括：图直径、平均空间距离和度矩阵；模型训练模块，基于边权重矩阵构建多尺度时空卷积网络，并将目标输入特征发送至多尺度时空卷积网络，对多尺度时空卷积网络进行模型训练处理，确定目标多尺度时空卷积网络，以利用多尺度时空卷积网络进行蓝藻爆发预报。

10、第三方面，本发明实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现第一方面提供的任一项的方法。

11、第四方面，本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现第一方面提供的任一项的方法。

12、本发明实施例带来了以下有益效果：

13、本发明实施例提供的一种基于水动力感知的多尺度时空图卷积蓝藻预报方法及装置，该方法在获取待检测区域预设的各项水质监测站之间的空间距离后，基于空间距离和预设可调节尺度参数，确定边权重矩阵，之后设置图论指标集合，并基于图论指标集合对原始特征进行特征增强处理，确定目标输入特征，最后基于边权重矩阵构建多尺度时空卷积网络，并将目标输入特征发送至多尺度时空卷积网络，对多尺度时空卷积网络进行模型训练处理，确定目标多尺度时空卷积网络，以利用多尺度时空卷积网络进行蓝藻爆发预报，本发明实施例可以显著提升蓝藻预报的精确度。

14、本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

15、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

1.一种基于水动力感知的多尺度时空图卷积蓝藻预报方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于水动力感知的多尺度时空图卷积蓝藻预报方法，其特征在于，所述设置图论指标集合的步骤，包括：

3.根据权利要求1所述的基于水动力感知的多尺度时空图卷积蓝藻预报方法，其特征在于，所述设置图论指标集合的步骤，还包括：

4.根据权利要求1所述的基于水动力感知的多尺度时空图卷积蓝藻预报方法，其特征在于，所述设置图论指标集合的步骤，还包括：

5.根据权利要求1所述的基于水动力感知的多尺度时空图卷积蓝藻预报方法，其特征在于，在所述基于所述图论指标集合对原始特征进行特征增强处理，确定目标输入特征的步骤之前，包括：

6.根据权利要求1所述的基于水动力感知的多尺度时空图卷积蓝藻预报方法，其特征在于，所述基于所述图论指标集合对原始特征进行特征增强处理，确定目标输入特征的步骤，包括：

7.根据权利要求1所述的基于水动力感知的多尺度时空图卷积蓝藻预报方法，其特征在于，将所述目标输入特征发送至所述多尺度时空卷积网络，对所述多尺度时空卷积网络进行模型训练处理，确定目标多尺度时空卷积网络的步骤，包括：

8.一种基于水动力感知的多尺度时空图卷积蓝藻预报装置，其特征在于，所述装置包括：

9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至7任一项所述的方法。