近岸海域海洋水質(zhì)監(jiān)測(cè)浮標(biāo)水質(zhì)參數(shù)預(yù)測(cè)方法

1、8附錄 A（資料性附錄）近岸海域海洋水質(zhì)監(jiān)測(cè)浮標(biāo)水質(zhì)參數(shù)預(yù)測(cè)方法A.1 技術(shù)要求A.1.1 數(shù)據(jù)來(lái)源數(shù)據(jù)來(lái)源為布放在浙江近岸海域的海洋水質(zhì)監(jiān)測(cè)浮標(biāo)實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)。A.1.2 預(yù)測(cè)方法a）水質(zhì)預(yù)測(cè)參數(shù)包括溶解氧、鹽度、pH、電導(dǎo)率、水溫、葉綠素 a、碳?xì)浠衔?、硝酸鹽氮、亞硝酸鹽氮、氨氮、磷酸鹽。b）溶解氧、鹽度、pH、電導(dǎo)率、水溫和葉綠素 a 等參數(shù)采用自回歸積分滑動(dòng)平均模型(Autoregressive Integrated Movin

2、g Average Model，簡(jiǎn)記 ARIMA)和人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeural Network，ANN)結(jié)合的組合預(yù)測(cè)模型開(kāi)展預(yù)測(cè)，硝酸鹽氮、亞硝酸鹽氮、氨氮、磷酸鹽等四項(xiàng)營(yíng)養(yǎng)鹽和碳?xì)浠衔飬?shù)采用 LSTM 遞歸神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)。A.1.3 監(jiān)測(cè)數(shù)據(jù)的有效性海洋水質(zhì)監(jiān)測(cè)浮標(biāo)定點(diǎn)實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)需通過(guò)數(shù)據(jù)有效性審核， 符合海洋環(huán)境監(jiān)測(cè)質(zhì)量保證和質(zhì)量控制要求。A.2 水質(zhì)參數(shù)預(yù)測(cè)A.2.1 預(yù)測(cè)模型A.2.1.1 AR

3、IMA 模型預(yù)測(cè)法ARIMA 模型基本思想是：將預(yù)測(cè)對(duì)象隨時(shí)間推移而形成的數(shù)據(jù)序列視為一個(gè)隨機(jī)序列，用一定的數(shù)學(xué)模型來(lái)近似描述這個(gè)序列。在 ARIMA 模型中， 假設(shè)變量的某一時(shí)刻的值是由過(guò)去幾次的觀測(cè)值和隨機(jī)誤差組成的線性函數(shù)，其完整公式為：yt = θ0 + φ1yt?1 + φ2yt?2 + … + φpyt?p+ ?t ? θ1?t?1 ? θ2?t?2 ? … ? θq?t?q（A.1）其中，yt和?t分別代表時(shí)間段 t 的實(shí)

4、際值和隨機(jī)誤差；φi（i = 1,2，…,p）和θj（j =1,2,…,q）是模型的權(quán)重參數(shù)；p 與 q 被稱為模型的階數(shù)。隨機(jī)誤差?t被假設(shè)為是以 0 為均值的獨(dú)立正態(tài)分布的常量。ARIMA 的核心工作就是確定其模型的階數(shù)（p 和 q）以選取合適的模型。下圖為 ARIMA建模流程：10層（Hidden Layer），隱含層與輸出層類似，可設(shè)置激活函數(shù)。A.2.1.3 組合模型ARIMA 與 ANN 組合模型是一種兼顧線性模型與非線性模

5、型優(yōu)點(diǎn)的模型。將兩個(gè)或多個(gè)模型進(jìn)行組合， 從不同的角度去理解數(shù)據(jù)的規(guī)律與模式。 將時(shí)間序列分解為線性回歸部分和非線性部分部分。即：其中，Lt表示線性部分，Nt表示非線性部分。首先用 ARIMA 模型的分析方法分解出線性部分， 剩下的殘差所包含的信息即我們所需要的另一部分——非線性結(jié)構(gòu)。 然后分別對(duì)兩個(gè)部分建立合適的線性模型與非線性模型。A.2.1.4 RNN 神經(jīng)網(wǎng)絡(luò)模型遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，

6、RNN）通過(guò)添加跨越時(shí)間點(diǎn)的自連接隱藏層而具有對(duì)時(shí)間進(jìn)行顯式建模的能力。 主要結(jié)構(gòu)如圖 A.3 所示， 即是當(dāng)前時(shí)間隱含層會(huì)有連向下一時(shí)間隱含層的邊。圖 A.3 RNN 模型結(jié)構(gòu)圖RNN 最大的優(yōu)勢(shì)就在于將時(shí)序的概念引入了神經(jīng)網(wǎng)絡(luò)之中，能夠做到上一個(gè)輸入的時(shí)間數(shù)據(jù)對(duì)本次的時(shí)間數(shù)據(jù)產(chǎn)生直接的影響。 可以根據(jù)時(shí)間點(diǎn)設(shè)置相應(yīng)的輸入輸出層， 數(shù)據(jù)可以多條輸入。中間隱藏層的個(gè)數(shù)也與時(shí)間節(jié)點(diǎn)相同，每層的神經(jīng)元為自變量個(gè)數(shù)。并且，中間隱藏層會(huì)自我循環(huán)

7、遞歸反饋。。然而，隨著輸入序列的不斷變長(zhǎng)，RNN 模型實(shí)際可使用的信息范圍將受到限制。RNN 模型在沿時(shí)間的反向傳播計(jì)算的過(guò)程中使用了鏈?zhǔn)角髮?dǎo)法則，因此會(huì)造成系統(tǒng)的不穩(wěn)定， 即隨著時(shí)間序列的增長(zhǎng)， 梯度會(huì)成指數(shù)級(jí)増大或減小， 造成梯度爆炸或梯度消失問(wèn)題。A.2.1.5 LSTM 神經(jīng)網(wǎng)絡(luò)模型長(zhǎng)短時(shí)間記憶神經(jīng)網(wǎng)絡(luò)（Long Short Term Memory Neural Network， LSTM）是RNN 模型的一個(gè)變種形式，針對(duì) R