近岸海域海洋水質監(jiān)測浮標水質參數(shù)預測方法

1、8附錄 A（資料性附錄）近岸海域海洋水質監(jiān)測浮標水質參數(shù)預測方法A.1 技術要求A.1.1 數(shù)據(jù)來源數(shù)據(jù)來源為布放在浙江近岸海域的海洋水質監(jiān)測浮標實時監(jiān)測數(shù)據(jù)。A.1.2 預測方法a）水質預測參數(shù)包括溶解氧、鹽度、pH、電導率、水溫、葉綠素 a、碳氫化合物、硝酸鹽氮、亞硝酸鹽氮、氨氮、磷酸鹽。b）溶解氧、鹽度、pH、電導率、水溫和葉綠素 a 等參數(shù)采用自回歸積分滑動平均模型(Autoregressive Integrated Movin

2、g Average Model，簡記 ARIMA)和人工神經(jīng)網(wǎng)絡(ArtificialNeural Network，ANN)結合的組合預測模型開展預測，硝酸鹽氮、亞硝酸鹽氮、氨氮、磷酸鹽等四項營養(yǎng)鹽和碳氫化合物參數(shù)采用 LSTM 遞歸神經(jīng)網(wǎng)絡模型進行預測。A.1.3 監(jiān)測數(shù)據(jù)的有效性海洋水質監(jiān)測浮標定點實時監(jiān)測數(shù)據(jù)需通過數(shù)據(jù)有效性審核， 符合海洋環(huán)境監(jiān)測質量保證和質量控制要求。A.2 水質參數(shù)預測A.2.1 預測模型A.2.1.1 AR

3、IMA 模型預測法ARIMA 模型基本思想是：將預測對象隨時間推移而形成的數(shù)據(jù)序列視為一個隨機序列，用一定的數(shù)學模型來近似描述這個序列。在 ARIMA 模型中， 假設變量的某一時刻的值是由過去幾次的觀測值和隨機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分別代表時間段 t 的實

4、際值和隨機誤差；φi（i = 1,2，…,p）和θj（j =1,2,…,q）是模型的權重參數(shù)；p 與 q 被稱為模型的階數(shù)。隨機誤差?t被假設為是以 0 為均值的獨立正態(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)點的模型。將兩個或多個模型進行組合， 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——非線性結構。 然后分別對兩個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)絡模型遞歸神經(jīng)網(wǎng)絡（Recurrent Neural Network，

6、RNN）通過添加跨越時間點的自連接隱藏層而具有對時間進行顯式建模的能力。 主要結構如圖 A.3 所示， 即是當前時間隱含層會有連向下一時間隱含層的邊。圖 A.3 RNN 模型結構圖RNN 最大的優(yōu)勢就在于將時序的概念引入了神經(jīng)網(wǎng)絡之中，能夠做到上一個輸入的時間數(shù)據(jù)對本次的時間數(shù)據(jù)產(chǎn)生直接的影響。 可以根據(jù)時間點設置相應的輸入輸出層， 數(shù)據(jù)可以多條輸入。中間隱藏層的個數(shù)也與時間節(jié)點相同，每層的神經(jīng)元為自變量個數(shù)。并且，中間隱藏層會自我循環(huán)

7、遞歸反饋。。然而，隨著輸入序列的不斷變長，RNN 模型實際可使用的信息范圍將受到限制。RNN 模型在沿時間的反向傳播計算的過程中使用了鏈式求導法則，因此會造成系統(tǒng)的不穩(wěn)定， 即隨著時間序列的增長， 梯度會成指數(shù)級増大或減小， 造成梯度爆炸或梯度消失問題。A.2.1.5 LSTM 神經(jīng)網(wǎng)絡模型長短時間記憶神經(jīng)網(wǎng)絡（Long Short Term Memory Neural Network， LSTM）是RNN 模型的一個變種形式，針對 R