CN120524246B - 一种基于时间序列神经网络的海表甲烷浓度反演预测方法及系统 - Google Patents

一种基于时间序列神经网络的海表甲烷浓度反演预测方法及系统

Info

Publication number
CN120524246B
CN120524246B CN202510632639.XA CN202510632639A CN120524246B CN 120524246 B CN120524246 B CN 120524246B CN 202510632639 A CN202510632639 A CN 202510632639A CN 120524246 B CN120524246 B CN 120524246B
Authority
CN
China
Prior art keywords
time sequence
methane
information
methane concentration
sea surface
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.)
Active
Application number
CN202510632639.XA
Other languages
English (en)
Other versions
CN120524246A (zh
Inventor
朱晓辉
唐丹玲
高倩
杨小波
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.)
Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
Original Assignee
Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
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 Southern Marine Science and Engineering Guangdong Laboratory Guangzhou filed Critical Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
Priority to CN202510632639.XA priority Critical patent/CN120524246B/zh
Publication of CN120524246A publication Critical patent/CN120524246A/zh
Application granted granted Critical
Publication of CN120524246B publication Critical patent/CN120524246B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请涉及一种基于时间序列神经网络的海表甲烷浓度反演预测方法及系统，涉及海洋环境监测处理技术领域，该方法包括：以获取的水色遥感数据和环境参数为基准，反演分析光学参数、漫射衰减系数，进而反演出反映甲烷在海表变化的主要物理过程的关键驱动量，提取具有物理意义的时序特征，输入时序神经网络模型组反演甲烷浓度值，以及预测一定时间段的甲烷浓度值。可见，本申请从海表甲烷生产、海表甲烷浓度变化的过程入手，深入研究诸如光学特性、环境参数以及各项驱动量等因素对海表甲烷生产排放的影响，一方面，实现准确反演已知目标时间的海表甲烷浓度值，另一方面，能预测未来时间段的甲烷浓度值，提高监测效率和适用性。

Description

一种基于时间序列神经网络的海表甲烷浓度反演预测方法及 系统
技术领域
本申请涉及海洋环境监测处理技术领域，尤其涉及一种基于时间序列神经网络的海表甲烷浓度反演预测方法及系统。
背景技术
在相关技术中，大气甲烷主要反映全球碳循环的整体状况；海洋表面(简称海表)水体甲烷则直接揭示了水体内部的生物地球化学过程，包括光生产、分解以及甲烷向大气逸散的关键机制。因此，海表水体甲烷浓度的准确监测具有独立的科学研究意义，同时也是计算水-气界面甲烷通量的必要参数。
在现有技术中，全球对海洋表面(简称海表)水体中甲烷(CH4)浓度的监测与分析仍然聚焦于单一时间点的海表甲烷浓度和海气通量，主要依赖于原位仪器实现测量，然而，该方法存在显著局限性。具体的，现有技术只能测量一定区域内的甲烷浓度或海气通量，测量覆盖范围较小，无法实现大范围的监测。再者，单纯的测量单一时间的甲烷浓度和海气通量数据并不能准确反应海表甲烷的浓度变化趋势和排放趋势，并且海表甲烷的生产和排放会受到诸如温度等环境因素的影响，现有技术也没有深入研究海表甲烷生产过程，甲烷浓度反演结果以及排放趋势的预测结果都不准确。
可见，现有技术无法动态、精确的反演海表甲烷的浓度，也无法预测未来时间段的甲烷浓度值。
发明内容
本申请提供了一种基于时间序列神经网络的海表甲烷浓度反演预测方法及系统，通过反演与甲烷浓度预测相关的关键驱动量，提取具有明确物理意义的时间序列(简称“时序”)特征，进而反演已知目标时间的海表甲烷浓度值，并预测未来时间段的海表甲烷浓度值，实现了对海表水体甲烷浓度的动态、精确反演，并能够预测甲烷的排放趋势。本申请在技术创新性、监测效率和适用性等方面具有显著优势，能够为全球海洋甲烷循环研究及环境保护提供高效、可靠的数据支持，解决现有技术无法动态、精确的反演海表甲烷浓度值，以及预测未来时间段的海表甲烷浓度值的问题。
第一方面，本申请提供了一种基于时间序列神经网络的海表甲烷浓度反演预测方法，包括：
获取目标区域的在预设时间段内的水色遥感数据和环境参数信息，所述水色遥感数据包含通过卫星获取的海表遥感反射率；
基于所述海表遥感反射率进行水体光学反演，得到有色可溶性有机物的光学特性参数和水体的漫射衰减系数，所述光学特性参数包含在关键波长的吸收系数光谱和光谱斜率；
基于所述环境参数信息和获取的甲烷浓度信息进行分析处理，得到散逸信息和甲烷氧化速率，所述散逸信息包含海气交换通量和气泡通量；
根据所述光谱斜率分析陆源输入指标，以及，根据所述光学特性参数、所述漫射衰减系数和所述环境参数信息反演分析海表甲烷的原位生产效率，所述原位生产效率包括光生产效率和生物生产效率；
以所述原位生产效率、所述散逸信息、所述陆源输入指标、所述甲烷氧化速率以及所述环境参数信息为输入，通过时序特征提取模块进行基础时序和特殊时序的特征提取，得到时序特征信息；
基于所述原位生产效率、所述散逸信息、所述陆源输入指标以及所述甲烷氧化速率构建时间序列数据，结合所述时序特征信息，通过预设的时序神经网络模型组分析短期与长期特征，得到第一海表甲烷浓度值和在指定时间内预测的第二海表甲烷浓度值；
其中，所述时序神经网络模型组包含第一模型和第二模型，所述第一模型基于输入数据反演分析所述第一海表甲烷浓度值，所述第二模型基于输入数据预测所述第二海表甲烷浓度值，所述甲烷浓度信息的初始获取为基于气候学统计值反演分析得到，并在所述时序神经网络模型组运行过程中持续更新，所述甲烷氧化速率和所述散逸信息的初始获取为基于初始的甲烷浓度信息反演分析得到，并在所述时序神经网络模型组运行过程中持续更新。
可选的，基于所述海表遥感反射率进行水体光学反演，得到有色可溶性有机物的光学特性参数和水体的漫射衰减系数，包括：
根据所述海洋遥感反射率进行主成分分析和颜色簇分类，并进行多元线性回归计算，得到有色可溶性有机物的吸收系数光谱和光谱斜率；
根据所述海洋遥感反射率进行主成分分析和聚类分析，并通过优化算法进行优化处理，得到水体的漫射衰减系数。
可选的，根据所述海洋遥感反射率进行主成分分析和颜色簇分类，并进行多元线性回归计算，得到有色可溶性有机物的吸收系数光谱和光谱斜率，包括：
根据对所述海表遥感反射率进行对数变换，并根据将对数变换后的海表遥感反射率进行标准化处理，得到第一遥感反射率；
将所述第一遥感反射率输入预先训练好的特征向量矩阵，根据[PC1i,PC2i,PC3i]＝R′rs(λ)i×U进行主成分分析，计算三个主成分值；
基于三个主成分值进行海洋颜色簇的分类判定，确定各主成分值在海洋颜色簇中对应所属的目标簇号；
以所述目标簇号为基准，调用多元回归线性方程，根据ln(ag(λ))＝β0(λ)+β1(λ)*PC1i+β2(λ)*PC2i+β3(λ)*PC3i，计算所述海表遥感反射率在各波长对应的吸收系数，并计算完整的吸收系数光谱ag(λ)；
以各波长的第一遥感反射率作为输入，根据ln(S275-295)＝α+β*ln[Rrs(443)]+γ*ln[Rrs(488)]+δ*ln[Rrs531)]+ε*ln[Rrs(555)]+ζ*ln[Rrs(667)]，分析计算感兴趣的光谱斜率S275-295；
其中，R′rs(λ)i为第一遥感反射率，U为通过算法训练获得的特征向量矩阵，PC1、PC2以及PC3均为主成分值，α、β、γ、δ、ε以及ζ均为回归系数，mean和std为算法中预先确定的参数。
可选的，根据所述海洋遥感反射率进行主成分分析和聚类分析，并通过优化算法进行优化处理，得到水体的漫射衰减系数，包括：
分析所述海洋遥感反射率对应的卫星波段，并基于所述卫星波段进行标准化处理，得到属于预设波长的第二遥感反射率；
根据所述第二遥感反射率进行水体类型判断，并根据水体类型判断结果选取优化算法；
根据对所述第二遥感反射率进行归一化处理，得到归一化数据X(λ)；
将各波长的归一化数据X(λ)，结合所述优化算法的特征向量作为输入，根据PCj＝ej1X(412)+ej2X(443)+ej3X(490)+ej4X(510)+ej5X(555)+ej6X(670)，分析计算四个主成分值；
将四个主成分值输入优化算法的多元线性回归方程模型，根据ln[Kd(λ)]＝α+βPC1+γPC2+δPC3+∈PC4，计算四个主成分值对应波长的波长漫射衰减系数；
根据对各所述波长漫射衰减系数进行取指数，得到真实的漫射衰减系数Kd(λ)；
其中，λ数据波长，σR(λ)为根据水体类型预先确定的标准差，为根据水体类型预先确定的平均值，ej为给定的特征向量。
可选的，基于所述环境参数信息和获取的甲烷浓度信息进行分析处理，得到散逸信息和甲烷氧化速率，包括：
以所述环境参数中的温度、盐度和水深信息和所述甲烷浓度信息作为输入，使用预设的随机森林回归模型反演甲烷氧化速率；
以所述环境参数信息中的风速信息为输入，根据 计算气体传输速率k；
将气体传输速率k作为输入，根据Fdiff＝k([CH4]water-[CH4]air)，计算甲烷的海气交换通量Fdiff；
根据计算气泡通量；
其中，为海面上方的风速，Sc为施密特数，[CH4]water为海表水体甲烷浓度，[CH4]air为海表上方甲烷浓度。
可选的，根据所述光谱斜率分析陆源输入指标，包括：
根据分析光谱斜率S的特性信息；
以所述特性信息为输入，根据f陆源＝
[ln(S样品)-ln(S陆源端元)]/[ln(S海洋端元)-ln(S陆源端元)]，定量计算陆源输入指标f陆源；
其中，特性信息包括平缓下降吸收曲线特征和陡峭下降吸收曲线特征，样本空间中吸收曲线下降最平缓、光谱斜率最小的样本的吸收曲线特征，表征S陆源端元，样本空间中收曲线下降最陡峭、光谱斜率最大的样本的吸收曲线特征，表征S海洋端元。
可选的，根据所述光学特性参数、所述漫射衰减系数和所述环境参数信息反演分析海表甲烷的原位生产效率，包括：
根据所述环境参数信息和所述吸收系数光谱，反演分析与甲烷光生产相关的光谱量子产率光谱，以及，通过辐射传输模型获取水下光谱标量辐照度；
基于所述漫射衰减系数和所述水下光谱标量辐照度，分析所述水下光谱标量辐照度在指定深度下的指数衰减，并结合所述吸收系数光谱、所述表观量子产率，分析指定深度的光子吸收速率；
基于所述光子吸收速率进行光谱范围积分和垂向积分，得到甲烷光生产效率；
根据所述光学特性参数和所述环境参数信息，反演分析甲烷的生物生产效率。
可选的，以所述原位生产效率、所述散逸信息、所述陆源输入指标、所述甲烷氧化速率以及所述环境参数信息为输入，通过时序特征提取模块进行基础时序和特殊时序的特征提取，得到时序特征信息，包括：
通过时序特征提取模块对所述原位生产效率、所述散逸信息、所述甲烷氧化速率以及所述陆源输入指标进行基础时序特征分析和特殊时序特征分析，得到第一时序特征信息；
通过所述时序特征提取模块对所述环境参数信息进行特殊时序特征分析，得到第二时序特征信息，并基于所述第一时序特征信息和所述第二时序特征信息，生成时序特征信息；
其中，所述第一时序特征信息包括海表甲烷浓度的短期动态特征、平均状态特征、近期状态特征以及长期趋势项特征，所述第二时序特征信息包括海表甲烷浓度变化受风速影响的相关特征。
可选的，通过预设的时序神经网络模型组分析短期与长期特征之前，还包括：
从预设的数据库源中获取初始样本，所述初始样本包括海表遥感反射率样本、环境参数样本、光学参数样本、漫射衰减系数样本、下行辐照度样本以及光合有效辐射样本；
根据所述初始样本进行标准化处理和时序数据构建处理，得到具备时序连续性的时间序列数据样本，并将时间序列数据样本划分为训练集和验证集；
构建时序特征提取模块和物理量推导模块；
以所述训练集为基准，对所述物理量推导模块进行训练，推导与海表甲烷浓度变化相关的关键驱动量，构建时间序列样本，并以所述关键驱动量为输入对所述时序特征提取模块进行基准时序特征和特殊时序特征提取训练，得到时序特征样本；
构建初始第一模型和初始第二模型，并以所述时序特征样本和所述时间序列样本为输入，初始第一模型和初始第二模型均为时序神经网络模型，且组成初始时序神经网络模型组；
所述初始时序神经网络模型组从输入的所述时序特征样本和所述时间序列样本中学习与实际物理过程相关联的变化特性，以及从输入的时间序列数据中学习短期特征和长期特征，并通过参数调整和迭代优化，自动提取和编码输入时间序列中的关键信息，逐步构建用于反演和预测海表甲烷浓度的时间序列的特征表示，输出反演结果和预测结果；
通过所述验证集，分别对所述反演结果和所述预测结果进行验证评估，优化所述初始时序神经网络模型组的参数，直到得到训练好的时序神经网络模型组；
其中，所述初始第一模型输出反演结果，所述初始第二模型输出预测结果，所述初始时序神经网络模型组中各模型内部提取的特征为黑箱式学习，用于有效提取特征参数提升预测精度，所述时序特征样本包括提取的物理意义明确的时序特征，用于增强模型预测性能，提供科学解释性。
第二方面，本申请提供了一种装基于时间序列神经网络的海表甲烷浓度反演预测系统，包括：
数据获取模块，用于获取目标区域的在预设时间段内的水色遥感数据和环境参数信息，所述水色遥感数据包含通过卫星获取的海表遥感反射率；
光学反演模块，用于基于所述海表遥感反射率进行水体光学反演，得到有色可溶性有机物的光学特性参数和水体的漫射衰减系数，所述光学特性参数包含在关键波长的吸收系数光谱和光谱斜率；
散逸和氧化速率分析模块，用于基于所述环境参数信息和获取的甲烷浓度信息进行分析处理，得到散逸信息和甲烷氧化速率，所述散逸信息包含海气交换通量和气泡通量；
原位生产效率分析模块，用于根据所述光谱斜率分析陆源输入指标，以及，根据所述光学特性参数、所述漫射衰减系数和所述环境参数信息反演分析海表甲烷的原位生产效率，所述原位生产效率包括光生产效率和生物生产效率；
特征提取模块，用于以所述原位生产效率、所述散逸信息、所述陆源输入指标、所述甲烷氧化速率以及所述环境参数信息为输入，通过时序特征提取模块进行基础时序和特殊时序的特征提取，得到时序特征信息；
海表甲烷浓度反演和预测模块，用于基于所述原位生产效率、所述散逸信息、所述陆源输入指标以及所述甲烷氧化速率构建时间序列数据，结合所述时序特征信息，通过预设的时序神经网络模型组分析短期与长期特征，得到第一海表甲烷浓度值和在指定时间内预测的第二海表甲烷浓度值；
其中，所述时序神经网络模型组包含第一模型和第二模型，所述第一模型基于输入数据反演分析所述第一海表甲烷浓度值，所述第二模型基于输入数据预测所述第二海表甲烷浓度值，所述甲烷浓度信息的初始获取为基于气候学统计值反演分析得到，并在所述时序神经网络模型组运行过程中持续更新，所述甲烷氧化速率和所述散逸信息的初始获取为基于初始的甲烷浓度信息反演分析得到，并在所述时序神经网络模型组运行过程中持续更新。
综上，本申请实施例利用获取到的具备时间序列的水色遥感数据进行水体光学反演，分析得到有色可溶性有机物的光学特性参数和水体的漫射衰减系数。然后，结合获取到的环境参数信息和甲烷氧化速率，分析包括散逸信息、陆源输入指标以及甲烷原位生产效率在内的与甲烷在海表层的收支过程高度相关的具有明确物理意义的关键驱动量，以各关键驱动量为基准，提取时序特征，最后通过时序神经网络模型组分析预测短期特征和长期特征，反演已知目标时间的海表甲烷浓度值，以及预测未来时间段的海表甲烷浓度值。可见，本申请从海表甲烷生产、海表甲烷浓度变化的过程入手，深入研究诸如光学特性、环境参数以及各项驱动量等因素对海表甲烷生产排放的影响。一方面，实现准确反演已知目标时间的海表甲烷浓度值，另一方面，能预测未来时间段的甲烷浓度值，提高监测效率和适用性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于时间序列神经网络的海表甲烷浓度反演预测方法的流程示意图；
图2是本申请一个可选实施例提供的一种基于时间序列神经网络的海表甲烷浓度反演预测方法的步骤流程示意图；
图3是本申请一个可选示例提供的一种基于遥感反射率反演CDOM吸收系数光谱的流程图；
图4是本申请一个可选示例提供的一种基于遥感反射率反演漫射衰减系数的流程图；
图5是本申请一个可选示例提供的一种时序神经网络结构示意图；
图6为本申请实施例提供的一种基于时间序列神经网络的海表甲烷浓度反演预测系统的结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
在相关技术中，现有技术大多只关注与实验数据的测量结果，没有深入研究分析海表甲烷的生产排放过程，不仅无法准确预测海表甲烷浓度和其对应的排放趋势，也难以在大范围内进行推广与应用。
为解决上述技术问题，本实施例的技术构思之一在于，深入研究海表甲烷在“扰动-积累-释放”过程中的内在动态模式，分析与甲烷浓度变化相关的具有明确物理意义的关键驱动量，并提取时序特征，一并输入时序神经网络模型组进行反演和预测。一方面，实现对已知目标时间的海表水体甲烷浓度值的动态、精确反演，解决现有技术在海表水体中甲烷浓度反演上的缺陷，提高监测效率和适用性。另一方面，能够准确预测未来时间段的海表甲烷浓度值，能够为全球海洋甲烷循环研究及环境保护提供高效、可靠的数据支持和理论支持。
为便于对本申请实施例的理解，下面将结合附图以及具体实施例做进一步的解释说明，实施例并不构成对本申请实施例的限定。
图1为本申请实施例提供的一种基于时间序列神经网络的海表甲烷浓度反演预测方法的流程示意图。在具体实现中，本实施例旨在解决现有技术在监测范围不足、参数完整性不足以及时间序列缺失等问题，提出了高效且精准的海表甲烷浓度反演和预测方法，以支持对海洋碳循环和甲烷通量的精确分析。如图1所示，本申请实施例提供的基于时间序列神经网络的海表甲烷浓度反演预测方法具体可以包括如下步骤：
步骤110，获取目标区域的在预设时间段内的水色遥感数据和环境参数信息。
其中，所述水色遥感数据包含通过卫星获取的海表遥感反射率。
在本实施例中，水色遥感数据是通过水色卫星获取的遥感数据。环境参数信息包括但不限于海表水温，海表风速等关键参数。
在相关技术中，遥感技术因其具备的监测能力，可应用于大气甲烷浓度的反演。然而在现有技术中，尚未有技术方案利用其反演海表水体甲烷浓度，其原因在于大气甲烷遥感反演主要基于甲烷气体在红外波段特定波长的特异性吸收，而海表水体中其他光学活性成分的信号掩盖了微量甲烷的微弱信号，直接基于甲烷光学乃至电磁学特征的遥感反演方法失效，只能从甲烷相关的海洋生物地球化学过程出发，通过更为迂回的生物地球化学建模方法对海表甲烷的浓度进行反演。这些相关的生物地球化学过程包括原位生产、氧化以及甲烷向大气逸散的关键机制。因此，由于大气甲烷浓度的反演与海表水体甲烷含量的反演存在巨大差异，现有技术暂未能实现准确反演海表水体甲烷浓度值。
本实施例为实现在一定区域内，甚至在全球尺度上，实现大范围、连续的甲烷浓度监测。主要获取指定区域在一定时间段内的水色遥感数据，用于反演预测海表甲烷浓度值。
步骤120，基于所述海表遥感反射率进行水体光学反演，得到有色可溶性有机物的光学特性参数和水体的漫射衰减系数。
其中，所述光学特性参数包含在关键波长的吸收系数光谱和光谱斜率。
在具体实现中，甲烷属于在时间上受到部分环境参数的滞后和积累效应影响的目标反演参数，单一时间点数据无法准确反演实际参数情况。
因此，本实施例中，先利用一定时间段的海表遥感反射率反演分析海表水体中有色可溶性有机物/有机物(CDOM)的吸收系数光谱和光谱斜率，以及反演分析水体的漫射衰减系数(也称海表水体的下行漫射衰减系数，英文简称Kd)，得到反演结果，作为关键的计算参数之一。
步骤130，基于所述环境参数信息和获取的甲烷浓度信息进行分析处理，得到散逸信息和甲烷氧化速率。
其中，所述散逸信息包含海气交换通量和气泡通量，所述甲烷浓度信息的初始获取为基于气候学统计值反演分析得到，并在所述时序神经网络模型组运行过程中持续更新，所述甲烷氧化速率和所述散逸信息的初始获取为基于初始的甲烷浓度信息反演分析得到，并在所述时序神经网络模型组运行过程中持续更新。
在具体实现中，考虑到甲烷浓度反演受风速、水温等环境因素的滞后和积累效应影响，本实施例研究分析了影响甲烷浓度含量分析的相关参数，反演甲烷浓度时，不仅使用遥感数据和环境参数作为输入，更以这些参数变量为基准，进一步计算相关的具有明确意义的关键驱动量，关键驱动量包括：甲烷原位生产效率、海气交换通量、气泡通量、甲烷氧化率以及陆源输入指标。
在本实施例中，甲烷氧化速率、海气交换和气泡通量都会影响甲烷浓度值的预测，因此本实施例利用环境参数中海表水体温度、盐度、风速，结合甲烷浓度反演分析甲烷氧化速率、海气交换通量(CH4flux via air-sea exchange)和气泡通量(bubble-mediatedCH4flux)。
在具体实现中，本实施例可以使用Wanninkhof(2014)公式计算海气交换通量，输入参数包括风速(遥感可得)和甲烷浓度。
在具体实现中，本实施例可以使用Mao等人(Maoet.al.,2022)建立的随机森林回归模型(含105棵树，最大167分叉)反演海表甲烷氧化速率，该模型的输入包括甲烷浓度、温度、盐度和水深。
其中，初期上线阶段，为了让模型具备初步运行能力，使用了气候学统计值(即预设的特定月份、特定位置海表甲烷浓度和大气甲烷浓度)作为初始输入。后续通过模型迭代，使用模型计算出的海表甲烷浓度值作为后续的计算海气交换通量的输入。
气泡通量可以基于Monahan公式计算得出，其核心输入为白帽覆盖率(Whitecapcoverage)(MonahanandMuircheartaigh,1980)，间接与风速相关，结合甲烷浓度(同上处理方式)进行计算，得到气泡通量。
其中，当风速较高时，波浪破碎会产生气泡湍流系统，气泡能够携带溶解气体上浮破裂，增强非分子扩散过程的贡献，而甲烷作为低溶解度气体，在该反应过程中逃逸效率较高。为准确反演分析目标时间段的海表甲烷浓度值，本实施例关注点之一在于气泡通量对于海表甲烷散逸的影响。
步骤140，根据所述光谱斜率分析陆源输入指标，以及，根据所述光学特性参数、所述漫射衰减系数和所述环境参数信息反演分析海表甲烷的原位生产效率。
其中，所述原位生产效率包括光生产效率和生物生产效率。
在本实施例中，陆源输入指标主要通过CDOM的光谱斜率S275–295估算，反映腐殖质输入强度。
现有技术方案大多关注于甲烷的光生产效率，然而，甲烷原位生产效率主要涉及到光生产效率和生物生产效率，仅关注光生产效率无法准确反应甲烷生产的实际效率，因此，本实施例研究甲烷生物生产效率，将其与光生产效率结合，共同确定甲烷原位生产效率。
在具体实现中，甲烷的原位生产效率受环境参数影响，因此本实施例主要利用CDOM的吸收系数光谱和环境参数等，反演分析甲烷光生产效率，以及，使用CDOM的吸收系数光谱、光谱斜率以及环境参数，反演分析甲烷的生物生产效率。
由此，本实施例针对现有的甲烷反演方法使用普通海表环境参数，而无法精确分析甲烷浓度的缺陷，引入甲烷光/生物生产效率等关键参数，用于准确反映海表甲烷的生物地球化学过程，提供更为全面、精准的参数输入，提高甲烷浓度值得反演精度。
步骤150，以所述原位生产效率、所述散逸信息、所述陆源输入指标、所述甲烷氧化速率以及所述环境参数信息为输入，通过时序特征提取模块进行基础时序和特殊时序的特征提取，得到时序特征信息。
在本实施例中，时序特征提取模块是预设的用于从关键驱动量中提取时序特征的模块。
在具体实现中，基于对海洋甲烷动态过程的物理理解，在原始时间序列(即前述获取到的各项参数和关键驱动量)的基础上提取具有明确物理意义的特征，这些特征作为额外的输入通道，有助于提升模型的物理解释性，同时突出本方案在建模阶段的创造性劳动。
具体的，本实施例将原位生产效率、散逸信息、陆源输入指标、甲烷氧化速率等关键驱动量，结合环境参数信息输入至时序特征提取模块中，进行基础时序的特征提取，主要包括滞后变量、窗口平均值、指数加权平均值以及长期趋势等特征。
考虑到海表甲烷浓度的变化往往受到高风速事件的扰动-恢复模式影响，因此本实施例还提取了特殊时序特征，也称特殊时序过程特征，包括：风速突变事件、动态加权时间窗口以及风速事件间隔特征等。将基础时序特征和特殊时序过程特征结合，构成具有明确物理意义的时序特征信息，用于后续的模型反演和预测。
步骤160，基于所述原位生产效率、所述散逸信息、所述陆源输入指标以及所述甲烷氧化速率构建时间序列数据，结合所述时序特征信息，通过预设的时序神经网络模型组分析短期与长期特征，得到第一海表甲烷浓度值和在指定时间内预测的第二海表甲烷浓度值。
其中，所述时序神经网络模型组包含第一模型和第二模型，所述第一模型基于输入数据反演分析所述第一海表甲烷浓度值，所述第二模型基于输入数据预测所述第二海表甲烷浓度值。
在具体实现中，将提取到的多种时序特征，结合时序数据(包括原位生产效率、散逸信息、陆源输入指标、甲烷氧化速率以及环境参数信息等)输入时序神经网络模型组中。该时序神经网络模型组包含的第一模型和第二模型均为时序神经网络模型，可以用于两类场景：其一，利用已知时间点(如T0)及以前的输入变量时间序列和时序特征反演T0时刻的海表甲烷浓度值，即得到第一海表甲烷浓度值；其二，利用T0时刻及之前的输入变量预测未来(如未来T0+1至T0+3天)的海表甲烷浓度值，即为第二海表甲烷浓度值，用于趋势前瞻与预警。这两种模型功能由同一网络结构分别训练得到，具备高度一致性与互补性。可以根据使用需求，设置模型用途。
本实施例中，各时序神经网络模型在模型训练阶段已经预先学习与实际物理过程相关联的变化特性，并在多次训练过程中通过内部构自动学习不同层次的时间序列特征(如短期局部特征和长期全局特征)。因此，该模型可以基于输入数据分析短期依赖关系(如2-3天)和长期趋势(如4-7天)，提取短期特征(如快速波动、突发事件)和长期特征(如累积效应、滞后响应、慢变量演变)。一方面反演已知目标时间的海表甲烷浓度值，另一方面预测未来时间段的甲烷浓度值。
在具体实现中，水色遥感和环境遥感数据除了包含当天数据外，还包含一定时间段的历史数据。本实施例利用前述获取到的多种参数和关键驱动量，获得时间序列并提取时序特征，通过时间序列模型进行预测，捕捉甲烷浓度的动态变化过程，包括甲烷浓度受风速、温度、光生产速率等因素的累积和动态影响。然后，融合当天以及历史数据(如前1天至3天的历史数据)，以捕捉短期和长期的动态变化过程，从而有效提高反演、预测的准确性和可靠性。
需要说明的是，已知同期T0数据推断出系统的内部状态、参数或过程(此处是甲烷浓度)是为反演；未知同期T0+n数据使用历史数据(T0-m到T0)来推测T0+n是为预测。
本实施例中时序神经网络模型，其使用了黑箱式学习，但其在模型构建阶段输入的参数中，包含了根据物理机理提取的部分时间特征(如累积效应、滞后效应)等额外的物理意义明确的参数，使得模型不仅具备工程上良好的预测性能，同时具有更强的科学解释性。这是区别于纯黑箱模型的重要创新点之一。时间序列神经网络在本方案中的作用是基于输入的各项数据进行综合处理和模式识别，最终输出预测结果。该模型改进避免了单纯黑箱模型的局限，兼顾了工程实用性与物理科学合理性。
可见，本申请实施例利用获取到的具备时间序列的水色遥感数据进行水体光学反演，分析得到有色可溶性有机物的光学特性参数和水体的漫射衰减系数。然后，结合获取到的环境参数信息和甲烷氧化速率，分析包括散逸信息、陆源输入指标以及甲烷原位生产效率在内的与甲烷在海表层的收支过程高度相关的具有明确物理意义的关键驱动量，以各关键驱动量为基准，提取时序特征，最后通过时序神经网络模型组分析预测短期特征和长期特征，反演已知目标时间的海表甲烷浓度值，以及预测未来时间段的海表甲烷浓度值。可见，本申请从海表甲烷生产、海表甲烷浓度变化的过程入手，深入研究诸如光学特性、环境参数以及各项驱动量等因素对海表甲烷生产排放的影响。一方面，实现准确反演已知目标时间的海表甲烷浓度值，另一方面，能预测未来时间段的甲烷浓度值，提高监测效率和适用性。
参照图2，示出了本申请一个可选实施例提供的一种基于时间序列神经网络的海表甲烷浓度反演预测方法的步骤流程示意图。该方法具体可以包括如下步骤：
步骤210，获取目标区域的在预设时间段内的水色遥感数据和环境参数信息。
其中，所述水色遥感数据包含通过卫星获取的海表遥感反射率。
在具体实现中，海表水体甲烷浓度的准确监测具有独立的科学研究意义，同时也是计算水-气界面甲烷通量的必要参数。水体甲烷浓度受生物地球化学过程的影响，其生成、累积与向大气释放过程相互耦合，共同影响着海表中甲烷的含量。因此，本实施例在分析海表甲烷含量时主要结合类型多样的综合海洋环境数据作为输入，并充分考虑多种驱动量进行反演，对海表甲烷的动态变化过程进行有效建模，准确反演海表的甲烷浓度。
本实施例在反演海表甲烷浓度时，主要利用水色遥感技术获取的遥感数据进行反演，以便充分发挥水色遥感数据在实现大范围、连续的海表甲烷浓度反演上的优势。
步骤220，根据所述海洋遥感反射率进行主成分分析和颜色簇分类，并进行多元线性回归计算，得到有色可溶性有机物的吸收系数光谱和光谱斜率。
在具体实现中，CDOM吸收系数光谱表示CDOM在不同波长的吸收特性；CDOM的光谱斜率表示CDOM吸收光谱在特定波长范围内的变化趋势。本实施例针对这两个关键参数进行反演分析。具体的，本实施例获取到海洋遥感反射率后，通过反演分析，得到CDOM的吸收系数光谱和光谱斜率。在进行反演分析时，先对海洋遥感反射率中各波段进行转换处理，并对各波段对应的遥感反射率进行对数变换和标准化，得到标准化后的遥感反射率。然后，对遥感反射率进行主成分分析，计算感兴趣的主成分值(通常为前三个主成分PC的值)，对每一个主成分值，确定所属的海洋颜色簇(主要利用聚类模型进行判定)。最后，利用对应所属的簇进行回归系数计算，得到CDOM的吸收系数光谱，以及计算得到感兴趣的光谱斜率。
在一个可选实施例中，上述根据所述海洋遥感反射率进行主成分分析和颜色簇分类，并进行多元线性回归计算，得到有色可溶性有机物的吸收系数光谱和光谱斜率，具体可以包括：根据对所述海表遥感反射率进行对数变换，并根据将对数变换后的海表遥感反射率进行标准化处理，得到第一遥感反射率；将所述第一遥感反射率输入预先训练好的特征向量矩阵，根据[PC1i,PC2i,PC3i]＝R′rs(λ)i×U进行主成分分析，计算三个主成分值；基于三个主成分值进行海洋颜色簇的分类判定，确定各主成分值在海洋颜色簇中对应所属的目标簇号；以所述目标簇号为基准，调用多元回归线性方程，根据ln(ag(λ))＝β0(λ)+β1(λ)*PC1i+β2(λ)*PC2i+β3(λ)*PC3i，计算所述海表遥感反射率在各波长对应的吸收系数，并计算完整的吸收系数光谱ag(λ)；以各波长的第一遥感反射率作为输入，根据ln(S275-295)＝α+β*ln[Rrs(443)]+γ*ln[Rrs(488)]+δ*ln[Rrs(531)]+ε*ln[Rrs(555)]+ζ*ln[Rrs(667)]，分析计算感兴趣的光谱斜率S275-295；其中，R′rs(λ)i为第一遥感反射率，U为通过算法训练获得的特征向量矩阵，PC1、PC2以及PC3均为主成分值，α、β、γ、δ、ε以及ζ均为回归系数，mean(均值)和std(标准差)为算法中预先确定的参数。
其中，上述公式中的U为已经确定并固定的特征向量矩阵，Rrs(λ)i为海表遥感反射率；β0、β1、β2以及β3均为已经训练好的回归系数。
参照图3所示，在具体实现中，获取到的海洋遥感反射率(Rrs)通常包含多个波段，本实施例将海洋遥感反射率的波段转换为SeaWiFS标准波段，包括：412纳米(简称nm)、443nm、490nm、510nm、555nm、670nm等6个波段。其中，对于不同卫星波段的海洋遥感反射率，通过插值的方式转换为上述6个波段。
然后，对于输入的每个波段的Rrs数据进行对数变换和标准化，为实现对数变换和标准化，本实施例采用对数变换公式，准确的对Rrs数据进行对数变换，方便标准化处理，然后利用标准化公式准确的实现标准化处理，从而在反演分析时，能够准确得到吸收系数光谱和光谱斜率。
接下来，将标准化后的Rrs数据代入预先训练好的PCA特征向量矩阵，，计算出前三个主成分分量得分，即得到前三个主成分值PC1,PC2,PC3。
然后，将上述得到的三个PC得分输入到训练时确定的海洋颜色簇分类器(聚类模型)。分类器可以根据PC1、PC2、PC3的数值，自动判定当前样本属于9个海洋颜色簇中的哪一个。计算得到数据所属的簇号(共9类之一)。
最后，对于吸收系数光谱，根据上一步确定的簇号，调用该簇对应的已训练好的回归系数，对应代入多元线性回归方程进行计算，对于275–450nm范围内每一个波长λ，均可获得对应的CDOM吸收系数，结合得到完整的CDOM吸收系数光谱。
对于光谱斜率，可以直接利用公式实现计算用户感兴趣的光谱斜率值S275-295。
步骤230，根据所述海洋遥感反射率进行主成分分析和聚类分析，并通过优化算法进行优化处理，得到水体的漫射衰减系数。
在本实施例中，漫射衰减系数用于描述光在海表水体中的垂向衰减程度。
本实施例主要利用了SeaUV算法，结合主成分分析和聚类，计算漫射衰减系数。
在具体实现中，反演分析漫射衰减系数时，首先将海表遥感反射率的数据波长转换为标准波段，随后，选用合理的算法将其应用至主成分分析过程，以此分析前4个主成分值。在进行主成分分析之前，还可以对海表遥感反射率进行归一化预处理，从而方便主成分分析。
然后，对分析出的四个主成分值可以进行聚类分析，将前两个主成分值分析所属的海洋光学聚类域，以提高后续预测精度，适合光学性质复杂的区域。
最后，将分析出的四个主成分值，使用算法的多元线性回归模型计算不同波长的漫射衰减系数，最终得到真实的漫射衰减系数Kd。
在一个可选实施例中，上述根据所述海洋遥感反射率进行主成分分析和聚类分析，并通过优化算法进行优化处理，得到水体的漫射衰减系数，具体可以包括：分析所述海洋遥感反射率对应的卫星波段，并基于所述卫星波段进行标准化处理，得到属于预设波长的第二遥感反射率；根据所述第二遥感反射率进行水体类型判断，并根据水体类型判断结果选取优化算法；根据 对所述第二遥感反射率进行归一化处理，得到归一化数据X(λ)；将各波长的归一化数据X(λ)，结合所述优化算法的特征向量作为输入，根据PCj＝ej1X(412)+ej2X(443)+ej3X(490)+ej4X(510)+ej5X(555)+ej6X(670)，分析计算四个主成分值；将四个主成分值输入优化算法的多元线性回归方程模型，根据ln[Kd(λ)]＝α+βPC1+γPC2+δPC3+∈PC4，计算四个主成分值对应波长的波长漫射衰减系数；根据对各所述波长漫射衰减系数进行取指数，得到真实的漫射衰减系数Kd(λ)；其中，λ数据波长，σR(λ)为根据水体类型预先确定的标准差，为根据水体类型预先确定的平均值，ej为给定的特征向量。
示例性的，参照图4所示，以Kd(490)为例，根据NASA的Kd(490)标准算法，首先计算Kd(490)：其中，若Kd(490)<0.32m-1，则判定为清澈水体，可以使用原始SeaUV算法；若Kd(490)≥0.32m-1，则判定为复杂近岸水体，可以使用优化后的SeaUV算法。其中，Kd(490)的阈值0.32m-1，是基于NASA标准Kd(490)产品，能区分开阔海域和复杂近岸水域。
接下来，对选定算法(原始或优化后SeaUV)的遥感反射率数据取自然对数，得到ln(Rrs(λ))，将对数转换后的数据进行标准化(归一化)处理，得到X(λ)。
使用标准化后的数据X(λ)结合SeaUV算法的特征向量(eigenvectors)计算前4个主成分得分。优选地，分析主成分值后，还可以根据前2个主成分得分确定所属的海洋光学聚类域(例如，开放海洋域OCD或黑水域DWD)。
最后，根据前4个主成分得分，使用多元线性回归模型计算不同波长的Kd(λ)，对计算得到的结果取指数以获得真实的Kd值。
由此，根据上述计算流程，本实施例准确的计算得到各波段(λ＝320，340，380，412，443以及490nm)的Kd值。
本实施例准确反演了CDOM的光学参数和漫射衰减系数，为后续反演甲烷原位生产效率和驱动量提供准确输入。
步骤240，基于所述环境参数信息和获取的甲烷浓度信息进行分析处理，得到散逸信息和甲烷氧化速率。
其中，所述散逸信息包含海气交换通量和气泡通量，所述甲烷浓度信息的初始获取为基于气候学统计值反演分析得到，并在所述时序神经网络模型组运行过程中持续更新，所述甲烷氧化速率和所述散逸信息的初始获取为基于初始的甲烷浓度信息反演分析得到，并在所述时序神经网络模型组运行过程中持续更新。
可选的，本申请实施例基于所述环境参数信息和获取的甲烷浓度信息进行分析处理，得到散逸信息和甲烷氧化速率，可以包括：以所述环境参数中的温度、盐度和水深信息和所述甲烷浓度信息作为输入，使用预设的随机森林回归模型反演甲烷氧化速率；以所述环境参数信息中的风速信息为输入，根据 计算气体传输速率k；将气体传输速率k作为输入，根据Fdiff＝k([CH4]water-[CH4]air)，计算甲烷的海气交换通量Fdiff；根据计算气泡通量；其中，为海面上方的风速，Sc为施密特数，[CH4]water为海表水体甲烷浓度，[CH4]air为海表上方甲烷浓度。
在本实施例中，海气交换通量主要使用Wanninkhof(2014)公式计算气体传输速率，其中，施密特数Sc可以基于海表水体的温度和盐度计算得到。优选的，可以是海面上方10米(简称m)处的风速。初始可以使用两个浓度数据的气候学数据为模型的最初输入，后续预测可以随着时间序列模型的运行更新。
本实施例使用海表的白帽覆盖率，表征气泡通量。海洋白帽是海表波浪破碎的直观体现，可以有效反映波浪破碎产生的气泡湍流系统的强度。
步骤250，根据所述光谱斜率分析陆源输入指标，以及，根据所述光学特性参数、所述漫射衰减系数和所述环境参数信息反演分析海表甲烷的原位生产效率。
其中，所述原位生产效率包括光生产效率和生物生产效率。
可选的，本申请实施例根据所述光谱斜率分析陆源输入指标，可以包括：根据分析光谱斜率S的特性信息；以所述特性信息为输入，根据f陆源＝[ln(S样品)-ln(S陆源端元)]/[ln(S海洋端元)-ln(S陆源端元)]，定量计算陆源输入指标f陆源；其中，特性信息包括平缓下降吸收曲线特征和陡峭下降吸收曲线特征，样本空间中吸收曲线下降最平缓、光谱斜率最小的样本的吸收曲线特征，表征S陆源端元，样本空间中收曲线下降最陡峭、光谱斜率最大的样本的吸收曲线特征，表征S海洋端元。
在具体实现中，CDOM吸收系数的光谱斜率S具有区分水团，用于表征陆源输入物质的物理意义(FichotandBenner,2012)。CDOM吸收系数随波长衰减的指数斜率，通常通过公式拟合求得光谱斜率S。其中，λ0为参考波长。
根据上述公式可以计算分析得出光谱斜率的特性，光谱斜率的特征主要包括平缓下降吸收曲线特征和陡峭下降吸收曲线特征。具体的，在低S值时(平缓下降吸收曲线)表征了陆源CDOM(含高分子量腐殖质)；在高S值时(陡峭下降吸收曲线)表征海洋自生CDOM(低分子量物质)或光降解产物。基于光谱斜率这一特性，可以将其用作陆源输入的定量指标，以计算陆源输入。
由此，本实施例实现了对三个关键驱动量的反演分析，包括海气交换通量、气泡通量以及陆源输入指标。本实施例中，海表甲烷的原位生产效率作为关键驱动量之一，在反演海表甲烷浓度中，具备重要意义。此外，本实施例关注海表甲烷的生产过程研究，发现环境参数(如海表水体温度)等对甲烷生产具有较大的影响，因此，本实施例还引入环境参数共同拟合分析甲烷的原位生产效率。
可选的，上述根据所述光学特性参数、所述漫射衰减系数和所述环境参数信息反演分析海表甲烷的原位生产效率，可以包括以下子步骤：
子步骤2501，根据所述环境参数信息和所述吸收系数光谱，反演分析与甲烷光生产相关的光谱量子产率光谱，以及，通过辐射传输模型获取水下光谱标量辐照度。
在具体实现中，本实施例反演分析甲烷原位生产效率中的光生产效率时，主要涉及到三个核心要素，即水下光谱标量辐照度Eo(λ,z)、海洋表层光谱漫衰减系数Kd(λ)与CDOM吸收系数光谱，以及，甲烷光生产的视量子产率(光谱量子产率光谱，简称AQY)。此外，引入环境参数中的温度参数拟合甲烷光生产效率。
需要说明的是，本实施例中光谱量子产率光谱是通过一些列与甲烷光生产相关的实验获取到的，示例性的，其计算公式如下：
其中，b为温度修正因子，T为温度。
子步骤2502，基于所述漫射衰减系数和所述水下光谱标量辐照度，分析所述水下光谱标量辐照度在指定深度下的指数衰减，并结合所述吸收系数光谱、所述表观量子产率，分析指定深度的光子吸收速率。
在具体实现中，可以使用利用水下光场的指数衰减公式，将表层(z＝0-)的光谱标量辐照度延伸至指定深度z处。例如，可以利用公式： 实现分析水下光谱标量辐照度在指定深度下的指数衰减，得到光谱标量辐照度EodDay(λ,z)。
其中，EodDay(λ,0-)：水面下的日积分光谱标量辐照度。Kd(λ)：光谱漫衰减系数。z：目标计算深度。
然后，根据CDOM吸收系数光谱ag和指定深度的辐照度EodDay(λ,z)，计算CDOM吸收光子的速率。示例性的，可以通过公式：Ξ(λ,z)＝EodDay(λ,z)×ag(λ)，实现光子吸收速率的计算。
子步骤2503，基于所述光子吸收速率进行光谱范围积分和垂向积分，得到甲烷光生产效率。
在本实施例中，确定光子吸收速率后，可以对光子吸收速率沿光谱范围积分，以及，垂向积分得到混合层的甲烷光生产效率。
示例性的，通过如下公式实现：
其中，MLD：混合层深度(一般根据外部数据，如MLD混合层深度气候态确定)
甲烷光生产效率的单位可以是：mol CH4m-2day-1。
子步骤2504，根据所述光学特性参数和所述环境参数信息，反演分析甲烷的生物生产效率。
在本实施例中，甲烷的生物生产效率主要通过CDOM的吸收系数光谱和光谱斜率计算得到，并利用环境参数中的温度参数进行拟合修正，得到准确的甲烷生物生产效率。
示例性的，可以通过如下公式计算生物生产效率：
其中，Pbio(ag,S275-295,T)为当前温度参数下，拟合修正的甲烷生物生产效率。
由此，本实施例实现了基于甲烷生产相关的多项参数数据，准确反演甲烷光生产和生物生产效率，以作为甲烷浓度反演预测的重要驱动量之一。
步骤260，通过时序特征提取模块对所述原位生产效率、所述散逸信息、所述甲烷氧化速率以及所述陆源输入指标进行基础时序特征分析和特殊时序特征分析，得到第一时序特征信息。
其中，所述第一时序特征信息包括海表甲烷浓度的短期动态特征、平均状态特征、近期状态特征以及长期趋势项特征。
步骤270，通过所述时序特征提取模块对所述环境参数信息进行特殊时序特征分析，得到第二时序特征信息，并基于所述第一时序特征信息和所述第二时序特征信息，生成时序特征信息。
其中，所述第二时序特征信息包括海表甲烷浓度变化受风速影响的相关特征。
对步骤260-步骤270进行统一描述：
在具体实现中，本实施例充分分析甲烷在“扰动-积累-释放”过程中的内在动态模式，深入研究海表甲烷从生产到逸散的过程，实现准确预测海表甲烷浓度以及预测其动态变化趋势。为完善时序神经网络模型对海表甲烷浓度的反演预测，本实施例对输入参数进行结构性升级，具体的，本实施例以遥感数据和相关参数为基础，反演出关键驱动量，利用关键驱动量提取时序特征，以便模型可以分析时序特征，得到海表甲烷浓度的动态变化预测结果。
在实际实现中，将关键驱动量，结合获取的参数数据，通过时序特征提取模块进行特征提取，包括：基础时序特征和特殊时序特征。
在提取基础时序特征时，分析驱动量带来的影响，分析短期动态变化、平均状态变化、近期状态变化以及长期趋势变化，并分析特殊时序过程特征，主要包括甲烷的动态变化，得到第一时序特征。
然后，分析海表甲烷浓度的变化受到高风速事件的扰动-恢复模式影响，主要利用环境参数提取特殊时序过程特征，包括分析：风速突变时间对甲烷的影响、风速突变后甲烷随时间积累的影响以及风速事件间隔对甲烷浓度的影响。
步骤280，基于所述原位生产效率、所述散逸信息、所述陆源输入指标以及所述甲烷氧化速率构建时间序列数据，结合所述时序特征信息，通过预设的时序神经网络模型组分析短期与长期特征，得到第一海表甲烷浓度值和在指定时间内预测的第二海表甲烷浓度值。
其中，所述时序神经网络模型组包含第一模型和第二模型，所述第一模型基于输入数据反演分析所述第一海表甲烷浓度值，所述第二模型基于输入数据预测所述第二海表甲烷浓度值。
本实施例中时序神经网络模型组包含的各模型主要提取到的各项时序特征和甲烷浓度变化的物理驱动因素的时间序列(包括获取的各项参数和关键驱动量)中学习。各模型通过多层递归结构，在模型训练阶段，综合学习输入时间序列中存在的短期与长期特征，建立环境变化与甲烷浓度响应之间的非线性映射关系，从而可以实现反演已知目标时间的海表甲烷浓度值，以及预测得到未来时间段的海表甲烷浓度值。
由此，本实施例基于时序神经网络模型组，针对甲烷在海表位置的生产、逸散等过程，深入研究甲烷在“扰动-积累-释放”过程中的内在动态模式，一方面实现反演海表甲烷浓度值，另一方面实现预测未来时间段的海表甲烷浓度值。
进一步地，在具体实现中，本实施例是通过深入研究分析，以各项关键驱动量为基准，构建并训练了各时序神经网络模型(组成时序神经网络模型组)、物理量推导模块以及时序特征提取模块。在实际应用中，可以利用物理量推导模块实现根据风速、CDOM、温度等环境变量推导出上述关键的物理驱动量，以及，利用时序特征提取模块，从这些驱动量及原始输入中提取时序特征，如滞后项、加权平均、风速突变响应等。最后，再由长短期记忆神经网络(LSTM)模型，学习甲烷在“扰动-积累-释放”过程中的内在动态模式，以便实现准确的海表甲烷浓度值的反演和预测。
可选的，本实施例通过预设的时序神经网络模型组分析短期与长期特征之前，还包括：从预设的数据库源中获取初始样本，所述初始样本包括海表遥感反射率样本、环境参数样本、光学参数样本、漫射衰减系数样本、下行辐照度样本以及光合有效辐射样本；根据所述初始样本进行标准化处理和时序数据构建处理，得到具备时序连续性的时间序列数据样本，并将时间序列数据样本划分为训练集和验证集；构建时序特征提取模块和物理量推导模块；以所述训练集为基准，对所述物理量推导模块进行训练，推导与海表甲烷浓度变化相关的关键驱动量，构建时间序列样本，并以所述关键驱动量为输入对所述时序特征提取模块进行基准时序特征和特殊时序特征提取训练，得到时序特征样本；构建初始第一模型和初始第二模型，并以所述时序特征样本和所述时间序列样本为输入，初始第一模型和初始第二模型均为时序神经网络模型，且组成初始时序神经网络模型组；所述初始时序神经网络模型组从输入的所述时序特征样本和所述时间序列样本中学习与实际物理过程相关联的变化特性，以及从输入的时间序列数据中学习短期特征和长期特征，并通过参数调整和迭代优化，自动提取和编码输入时间序列中的关键信息，逐步构建用于反演和预测海表甲烷浓度的时间序列的特征表示，输出反演结果和预测结果；通过所述验证集，分别对所述反演结果和所述预测结果进行验证评估，优化所述初始时序神经网络模型组的参数，直到得到训练好的时序神经网络模型组；其中，所述初始第一模型输出反演结果，所述初始第二模型输出预测结果，所述初始时序神经网络模型组中各模型内部提取的特征为黑箱式学习，用于有效提取特征参数提升预测精度，所述时序特征样本包括提取的物理意义明确的时序特征，用于增强模型预测性能，提供科学解释性。
示例性的，本实施例以模型训练的目标变量与模型验证的基准，从数据源中获得的数据样本，主要包含三类独立数据集：①全球历史科考数据库：MEMENTO(MarinEMethanEandNiTrous Oxide)数据库(KockandBange,2015)，覆盖全球26,000个站位的船载观测数据；②文献补充数据：发表于Nature Geoscience(Mao etal.,2022)等期刊的12篇论文公开了MEMENTO数据库更新期之后的海表甲烷浓度数据。③自主实测数据(2024–2025)，包括：X海北部航次：2024年1月“实验六号”科考船获取12个站位的甲烷数据以及2024和2025年北部湾季度常规科考获取的41个站位的甲烷数据。
对获取的各项数据样本进行整理，以得到以下关键数据样本：
①、遥感反射率：来自OCCCI(OceanColour-ClimateChangeInitiative)v4.2；②、叶绿素a(Chl-a)与光合有效辐射(PAR)：基于OCCCIv6.0算法，融合MODIS/Aqua与VIIRS数据，反演误差分别为±30％与±5％；③、CDOM吸收系数与光谱斜率；④、漫衰减系数；⑤、海表温度(SST)：NOAAOISST v2.1多传感器融合产品(Huangetal.,2021)，空间分辨率0.25°，绝对精度±0.5℃；⑥、海表风速(SSW)：NOAANCEIBlendedSeawinds(NBS)v2产品(SahaandZhang,2022)，融合ASCAT与RapidScat数据，12.5km分辨率，误差<1.5m/s；⑦、下行太阳辐照度：基于Ruggaberetal.(1994)辐射传输模型计算，输入参数包括太阳天顶角、臭氧浓度与气溶胶光学厚度。
然后，对获取到的上述各初始数据样本进行数据清洗与标准化，先进行异常值剔除：采用3σ原则识别异常值，同时识别物理上明显异常的值(比如过高的风速)，然后进行变量标准化，对甲烷浓度数据转换成相同的单位，其他的输入变量根据参数的具体性质进行对数转换和标准化，提高数据分布的稳定性。
接下来，进行时空匹配与差值、时间序列数据的构建。其中，时空匹配：所有输入数据(遥感、地球物理模型、环境参数)均需与前述甲烷科考数据库数据匹配，确保数据源对齐；时空差值：采用DINEOF经验正交函数插值修复数据，确保时间序列完整性。基于前9天、当天以及后3天的卫星数据，填补前6天、当天的完整时间序列，针对局部缺失区域，利用EOF分解恢复数据连续性。
随后，对预处理后的时序数据，构建机理参数体系，具体的，模型的核心机理参数涉及甲烷的生产(光生产、生物生产)、消耗(甲烷氧化)、散逸(海气交换、气泡通量)以及陆源输入等，这些过程的物理参数如下：
光生产产量，主要利用如下公式计算得到：
其中，上式前半部分是海表混合层中CDOM吸收的光量子数量，使用了卫星遥感获取的ag、Kd和混合层深度(MLD)数据进行计算。甲烷的表观量子产率是基于甲烷生产实验的数据确定的。
生物生产产量，主要利用如下公式计算得到：
ΔCH4＝∫Pbio(ag,S275-295,T,t)dt
生物生产的生产效率Pbio(ag,S275-295,T,t)是基于甲烷生产实验确定的，随海表水体环境的变化而变化。
甲烷氧化速率，可参见步骤150的描述。
海气交换通量和气泡通量，可参见步骤240的描述。
确定各关键驱动量后，可以构建时序神经网络模型、物理量推导模块和时序特征提取模块。
在提取时间序列特征变量(特征工程)时主要关注：
A、基础时序特征，包括：滞后变量：构造输入参数的前1到7天滞后值，以反映短期动态。窗口平均：计算2到7天的窗口均值，考虑参数长期的平均状态。指数加权平均：加权近期数据，兼顾长期平均状态的同时强调近期状态的更大贡献。长期趋势：提取长期趋势项。
B、特殊时序过程特征，包括：风速突变事件：计算风速扰动持续时间及恢复时间。定义动态加权时间窗口：确保模型学习到风速突变后甲烷如何随时间积累。风速事件间隔特征：识别高风速事件后，计算距上一次高风速事件的时间间隔，并用它来推测甲烷浓度的恢复情况。
其中，本实施例中各时序神经网络模型，其结构可以如图5所示，此模型结构可用于训练多个子模型，构成“模型组”，分别承担当前浓度的反演与未来浓度的预测任务。用户可依据任务需求调用不同模型，保持结构一致性、增强适应性。
时序神经网络模型包括：输入层，用于接收基础环境驱动参数的时间序列，及提取的具备物理意义的时序特征。其中，时间序列直接来源于遥感反演或地球物理数据，反映了甲烷在海表变化的主要物理过程，这些时间序列直接作为神经网络的输入，是本模型的基本驱动信息；时间序列特征(具有明确物理意义)是基于对海洋甲烷动态过程的物理理解，在原始时间序列的基础上提取了具有物理意义的特征，这些特征作为额外的输入通道，有助于提升模型的物理解释性，同时突出本方案在建模阶段的创造性劳动，时间序列长度设定为2-7天；长短期记忆(LSTM)序列处理层，包括：第一层LSTM提取短期依赖关系(如快速波动、突发事件)、第二层LSTM提取长期趋势(如累积效应、滞后响应、慢变量演变)；Dropout层，该Dropout层随机丢弃数据(p＝0.2)防止过拟合；全连接层：将输出映射为甲烷浓度预测值；输出层，主要用于输出预测的甲烷浓度。
最后，对构建的各时序神经网络模型进行训练。在训练过程中，LSTM网络通过大量的参数调整和迭代优化，自动提取和编码输入时间序列中的关键信息，逐步构建能够预测目标量(海表甲烷浓度)的时间序列的特征表示。
考虑到时序神经网络模型可以执行反演和预测任务，因此其训练时使用的标签时间点可以不同。即训练反演分析任务时，使用已知T0时间点的样本；训练预测任务时，使用T0+n时间点的样本。
在模型训练与优化过程中，将数据划分训练集90％，以及，验证集10％。训练集采用十折交叉验证。训练过程中引入超参数优化：神经网络单元数、学习率、Dropout率、序列处理方法、输入时间序列长度和输入参数。模型验证与独立测试：模型验证采用三层验证框架，确保模型的泛化能力，包括：内部验证，用于采用全球海洋甲烷数据库，10％数据保留作为测试集，评估模型的预测能力。独立验证I，采用最近发表的论文公开的2014年后的新测量数据(未参与训练)进行独立测试。独立验证II：采用自主采集的科考数据进行验证。
需要说明的是，本实施例构建的时序神经网络模型可用于两类功能：一类为“反演模型”，即在已知目标时间(如T0)当天及其前一段时间的输入特征下，反演T0时刻的海表甲烷浓度；另一类为“预测模型”，即在未知T0+n相关信息的情况下，仅使用T0及之前的环境变量序列预测未来T0+n天的浓度。上述两类模型在结构设计和输入特征选择上保持一致，仅在训练目标变量时间位置上存在差异，因此可归为一组模型组(modelensemble)。通过调整训练集的标签时间位点，即可灵活实现反演或预测功能。
本实施例完成模型构建和训练后，即可利用训练好的模型组成时序神经网络模型组对输入的时序特征数据，反演已知时间的海表甲烷浓度值，以及预测未来时间段的海表甲烷浓度值。
综上，本申请实施例利用获取的海表遥感反射率反演分析的光学参数和漫射衰减系数，结合环境参数、甲烷浓度、甲烷氧化效率等，反演分析海气交换通量、气泡通量、陆源输入指标和甲烷原位生产效率等与海表甲烷浓度变化过程相关的关键驱动量，形成时序数据。随后，利用关键驱动量提取具备明确物理意义的时序特征，结合时序数据共同输入时序神经网络模型组，通过时序神经网络模型组自动提取和编码输入时间序列中的关键信息，识别时间序列中的短期特征和长期特征，一方面准确反演已知目标时间的海表甲烷浓度值，另一方面，预测未来时间段的甲烷浓度值，提高监测效率和适用性。
可见，本申请实施例深入研究分析光学特性、环境参数以及各项驱动量等因素对海表甲烷生产、排放以及浓度变化的影响，实现准确反演和预测海表甲烷浓度值。本实施例针对甲烷生产排放等研究提供了理论支持，实现甲烷原位生产的精确反演计算，本实施例通过物理模型量化该甲烷原位生产效率，显著提高了甲烷浓度反演结果和预测结果的可信度。
本实施例的技术方案解决了现有技术未深入关注与甲烷生产和排放变化过程相关的多种因素，而导致的无法动态、精确的反演海表甲烷浓度值和排放趋势的问题。
进一步的，本申请在现有技术的基础上实现了突破海表水体甲烷浓度监测中存在的空间局限、时间滞后和参数缺失等问题。具体的，本申请具有以下优点/技术效果：①实现了高时间分辨率与大范围海表甲烷浓度监测，相比于现有技术能够降低观测成本，具备高效性；②纳入甲烷原位生产效率、时间序列信息以及关键驱动量，通过与时间序列建模的结合预测，实现了大尺度、连续、高时间分辨率的甲烷浓度反演，弥补了传统方法的空间与时间局限性，能够有效提高反演精度；③满足动态监测和长期趋势分析需求，具备高时间分辨率与空间连续性；④能够为全球海洋甲烷循环研究、气候变化评估及环境保护提供强有力的数据支持，具有广阔的应用前景和显著的技术优势。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请实施例并不受所描述的动作顺序的限制，因为依据本申请实施例，某些步骤可以采用其他顺序或者同时进行。
如图6所示，本申请实施例还提供了一种基于时间序列神经网络的海表甲烷浓度反演预测系统600，包括：
数据获取模块610，用于获取目标区域的在预设时间段内的水色遥感数据和环境参数信息，所述水色遥感数据包含通过卫星获取的海表遥感反射率；
光学反演模块620，用于基于所述海表遥感反射率进行水体光学反演，得到有色可溶性有机物的光学特性参数和水体的漫射衰减系数，所述光学特性参数包含在关键波长的吸收系数光谱和光谱斜率；
散逸和氧化速率分析模块630，用于基于所述环境参数信息和获取的甲烷浓度信息进行分析处理，得到散逸信息和甲烷氧化速率，所述散逸信息包含海气交换通量和气泡通量；
原位生产效率分析模块640，用于根据所述光谱斜率分析陆源输入指标，以及，根据所述光学特性参数、所述漫射衰减系数和所述环境参数信息反演分析海表甲烷的原位生产效率，所述原位生产效率包括光生产效率和生物生产效率；
特征提取模块650，用于以所述原位生产效率、所述散逸信息、所述陆源输入指标、所述甲烷氧化速率以及所述环境参数信息为输入，通过时序特征提取模块进行基础时序和特殊时序的特征提取，得到时序特征信息；
海表甲烷浓度反演和预测模块660，用于基于所述原位生产效率、所述散逸信息、所述陆源输入指标以及所述甲烷氧化速率构建时间序列数据，结合所述时序特征信息，通过预设的时序神经网络模型组分析短期与长期特征，得到第一海表甲烷浓度值和在指定时间内预测的第二海表甲烷浓度值；
其中，所述时序神经网络模型组包含第一模型和第二模型，所述第一模型基于输入数据反演分析所述第一海表甲烷浓度值，所述第二模型基于输入数据预测所述第二海表甲烷浓度值，所述甲烷浓度信息的初始获取为基于气候学统计值反演分析得到，并在所述时序神经网络模型组运行过程中持续更新，所述甲烷氧化速率和所述散逸信息的初始获取为基于初始的甲烷浓度信息反演分析得到，并在所述时序神经网络模型组运行过程中持续更新。
需要说明的是，本申请实施例提供的基于时间序列神经网络的海表甲烷浓度反演预测系统可执行本申请任意实施例所提供的基于时间序列神经网络的海表甲烷浓度反演预测方法，具备执行方法相应的功能和有益效果。
在具体实现中，上述基于时间序列神经网络的海表甲烷浓度反演预测系统可以集成在设备中，使得该设备可以利用海表遥感反射率反演分析关键驱动量，提取时序特征，并通过时序神经网络模型预测时序特征，输出预测的海表浓度值，作为电子设备，实现对海表水体甲烷浓度、浓度变化情况的动态、精确反演。该电子设备可以是由两个或多个物理实体构成，也可以是一个物理实体构成，如电子设备可以是个人计算机(PersonalComputer，PC)、电脑、服务器等，本申请实施例对此不作具体限制。
本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述任意一个方法实施例提供的基于时间序列神经网络的海表甲烷浓度反演预测方法的步骤。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于时间序列神经网络的海表甲烷浓度反演预测方法，其特征在于，包括：
获取目标区域的在预设时间段内的水色遥感数据和环境参数信息，所述水色遥感数据包含通过卫星获取的海表遥感反射率；
基于所述海表遥感反射率进行水体光学反演，得到有色可溶性有机物的光学特性参数和水体的漫射衰减系数，所述光学特性参数包含在关键波长的吸收系数光谱和光谱斜率；
基于所述环境参数信息和获取的甲烷浓度信息进行分析处理，得到散逸信息和甲烷氧化速率，所述散逸信息包含海气交换通量和气泡通量；
根据所述光谱斜率分析陆源输入指标，以及，根据所述光学特性参数、所述漫射衰减系数和所述环境参数信息反演分析海表甲烷的原位生产效率，所述原位生产效率包括光生产效率和生物生产效率；
以所述原位生产效率、所述散逸信息、所述陆源输入指标、所述甲烷氧化速率以及所述环境参数信息为输入，通过时序特征提取模块进行基础时序和特殊时序的特征提取，得到时序特征信息；
基于所述原位生产效率、所述散逸信息、所述陆源输入指标以及所述甲烷氧化速率构建时间序列数据，结合所述时序特征信息，通过预设的时序神经网络模型组分析短期与长期特征，得到第一海表甲烷浓度值和在指定时间内预测的第二海表甲烷浓度值；
其中，所述时序神经网络模型组包含第一模型和第二模型，所述第一模型基于输入数据反演分析所述第一海表甲烷浓度值，所述第二模型基于输入数据预测所述第二海表甲烷浓度值，所述甲烷浓度信息的初始获取为基于气候学统计值反演分析得到，并在所述时序神经网络模型组运行过程中持续更新，所述甲烷氧化速率和所述散逸信息的初始获取为基于初始的甲烷浓度信息反演分析得到，并在所述时序神经网络模型组运行过程中持续更新。
2.根据权利要求1所述的方法，其特征在于，基于所述海表遥感反射率进行水体光学反演，得到有色可溶性有机物的光学特性参数和水体的漫射衰减系数，包括：
根据所述海表遥感反射率进行主成分分析和颜色簇分类，并进行多元线性回归计算，得到有色可溶性有机物的吸收系数光谱和光谱斜率；
根据所述海表遥感反射率进行主成分分析和聚类分析，并通过优化算法进行优化处理，得到水体的漫射衰减系数。
3.根据权利要求2所述的方法，其特征在于，根据所述海表遥感反射率进行主成分分析和颜色簇分类，并进行多元线性回归计算，得到有色可溶性有机物的吸收系数光谱和光谱斜率，包括：
根据对所述海表遥感反射率进行对数变换，并根据将对数变换后的海表遥感反射率进行标准化处理，得到第一遥感反射率；
将所述第一遥感反射率输入预先训练好的特征向量矩阵，根据
[PC1i,PC2i,PC3i]＝R′rs(λ)i×U进行主成分分析，计算三个主成分值；
基于三个主成分值进行海洋颜色簇的分类判定，确定各主成分值在海洋颜色簇中对应所属的目标簇号；
以所述目标簇号为基准，调用多元回归线性方程，根据ln(ag(λ))＝β0(λ)+β1(λ)*PC1i+β2(λ)*PC2i+β3(λ)*PC3i，计算所述海表遥感反射率在各波长对应的吸收系数，并计算完整的吸收系数光谱ag(λ)；
以各波长的第一遥感反射率作为输入，根据ln(S275-295)＝α+β*ln[Rrs(443)]+γ*ln[Rrs(488)]+δ*ln[Rrs(531)]+ε*ln[Rrs(555)]+ζ*ln[Rrs(667)]，分析计算感兴趣的光谱斜率S275-295；
其中，R′rs(λ)i为第一遥感反射率，U为通过算法训练获得的特征向量矩阵，PC1、PC2以及PC3均为主成分值，α、β、γ、δ、ε以及ζ均为回归系数，mean和std为算法中预先确定的参数。
4.根据权利要求2所述的方法，其特征在于，根据所述海表遥感反射率进行主成分分析和聚类分析，并通过优化算法进行优化处理，得到水体的漫射衰减系数，包括：
分析所述海表遥感反射率对应的卫星波段，并基于所述卫星波段进行标准化处理，得到属于预设波长的第二遥感反射率；
根据所述第二遥感反射率进行水体类型判断，并根据水体类型判断结果选取优化算法；
根据对所述第二遥感反射率进行归一化处理，得到归一化数据X(λ)；
将各波长的归一化数据X(λ)，结合所述优化算法的特征向量作为输入，根据PCj＝ej1X(412)+ej2X(443)+ej3X(490)+ej4X(510)+ej5X(555)+ej6X(670)，分析计算四个主成分值；
将四个主成分值输入优化算法的多元线性回归方程模型，根据ln[Kd(λ)]＝α+βPC1+γPC2+δPC3+∈PC4，计算四个主成分值对应波长的波长漫射衰减系数；
根据对各所述波长漫射衰减系数进行取指数，得到真实的漫射衰减系数Kd(λ)；
其中，λ数据波长，σR(λ)为根据水体类型预先确定的标准差，为根据水体类型预先确定的平均值，ej为给定的特征向量。
5.根据权利要求1所述的方法，其特征在于，基于所述环境参数信息和获取的甲烷浓度信息进行分析处理，得到散逸信息和甲烷氧化速率，包括：
以所述环境参数中的温度、盐度和水深信息和所述甲烷浓度信息作为输入，使用预设的随机森林回归模型反演甲烷氧化速率；
以所述环境参数信息中的风速信息为输入，根据 计算气体传输速率k；
将气体传输速率k作为输入，根据Fdiff＝k([CH4]water-[CH4]air)，计算甲烷的海气交换通量Fdiff；
根据计算气泡通量；
其中，为海面上方的风速，Sc为施密特数，[CH4]water为海表水体甲烷浓度，[CH4]air为海表上方甲烷浓度。
6.根据权利要求1所述的方法，其特征在于，根据所述光谱斜率分析陆源输入指标，包括：
根据分析光谱斜率S的特性信息；
以所述特性信息为输入，根据f陆源＝[ln(S样品)-ln(S陆源端元)]/[ln(S海洋端元)-ln(S陆源端元)]，定量计算陆源输入指标f陆源；
其中，特性信息包括平缓下降吸收曲线特征和陡峭下降吸收曲线特征，样本空间中吸收曲线下降最平缓、光谱斜率最小的样本的吸收曲线特征，表征S陆源端元，样本空间中收曲线下降最陡峭、光谱斜率最大的样本的吸收曲线特征，表征S海洋端元。
7.根据权利要求1所述的方法，其特征在于，根据所述光学特性参数、所述漫射衰减系数和所述环境参数信息反演分析海表甲烷的原位生产效率，包括：
根据所述环境参数信息和所述吸收系数光谱，反演分析与甲烷光生产相关的光谱量子产率光谱，以及，通过辐射传输模型获取水下光谱标量辐照度；
基于所述漫射衰减系数和所述水下光谱标量辐照度，分析所述水下光谱标量辐照度在指定深度下的指数衰减，并结合所述吸收系数光谱、表观量子产率，分析指定深度的光子吸收速率；
基于所述光子吸收速率进行光谱范围积分和垂向积分，得到甲烷光生产效率；
根据所述光学特性参数和所述环境参数信息，反演分析甲烷的生物生产效率。
8.根据权利要求1所述的方法，其特征在于，以所述原位生产效率、所述散逸信息、所述陆源输入指标、所述甲烷氧化速率以及所述环境参数信息为输入，通过时序特征提取模块进行基础时序和特殊时序的特征提取，得到时序特征信息，包括：
通过时序特征提取模块对所述原位生产效率、所述散逸信息、所述甲烷氧化速率以及所述陆源输入指标进行基础时序特征分析和特殊时序特征分析，得到第一时序特征信息；
通过所述时序特征提取模块对所述环境参数信息进行特殊时序特征分析，得到第二时序特征信息，并基于所述第一时序特征信息和所述第二时序特征信息，生成时序特征信息；
其中，所述第一时序特征信息包括海表甲烷浓度的短期动态特征、平均状态特征、近期状态特征以及长期趋势项特征，所述第二时序特征信息包括海表甲烷浓度变化受风速影响的相关特征。
9.根据权利要求1-8任一项所述的方法，其特征在于，通过预设的时序神经网络模型组分析短期与长期特征之前，还包括：
从预设的数据库源中获取初始样本，所述初始样本包括海表遥感反射率样本、环境参数样本、光学参数样本、漫射衰减系数样本、下行辐照度样本以及光合有效辐射样本；
根据所述初始样本进行标准化处理和时序数据构建处理，得到具备时序连续性的时间序列数据样本，并将时间序列数据样本划分为训练集和验证集；
构建时序特征提取模块和物理量推导模块；
以所述训练集为基准，对所述物理量推导模块进行训练，推导与海表甲烷浓度变化相关的关键驱动量，构建时间序列样本，并以所述关键驱动量为输入对所述时序特征提取模块进行基准时序特征和特殊时序特征提取训练，得到时序特征样本；
构建初始第一模型和初始第二模型，并以所述时序特征样本和所述时间序列样本为输入，初始第一模型和初始第二模型均为时序神经网络模型，且组成初始时序神经网络模型组；
所述初始时序神经网络模型组从输入的所述时序特征样本和所述时间序列样本中学习与实际物理过程相关联的变化特性，以及从输入的时间序列数据中学习短期特征和长期特征，并通过参数调整和迭代优化，自动提取和编码输入时间序列中的关键信息，逐步构建用于反演和预测海表甲烷浓度的时间序列的特征表示，输出反演结果和预测结果；
通过所述验证集，分别对所述反演结果和所述预测结果进行验证评估，优化所述初始时序神经网络模型组的参数，直到得到训练好的时序神经网络模型组；
其中，所述初始第一模型输出反演结果，所述初始第二模型输出预测结果，所述初始时序神经网络模型组中各模型内部提取的特征为黑箱式学习，用于有效提取特征参数提升预测精度，所述时序特征样本包括提取的物理意义明确的时序特征，用于增强模型预测性能，提供科学解释性。
10.一种基于时间序列神经网络的海表甲烷浓度反演预测系统，其特征在于，包括：
数据获取模块，用于获取目标区域的在预设时间段内的水色遥感数据和环境参数信息，所述水色遥感数据包含通过卫星获取的海表遥感反射率；
光学反演模块，用于基于所述海表遥感反射率进行水体光学反演，得到有色可溶性有机物的光学特性参数和水体的漫射衰减系数，所述光学特性参数包含在关键波长的吸收系数光谱和光谱斜率；
散逸和氧化速率分析模块，用于基于所述环境参数信息和获取的甲烷浓度信息进行分析处理，得到散逸信息和甲烷氧化速率，所述散逸信息包含海气交换通量和气泡通量；
原位生产效率分析模块，用于根据所述光谱斜率分析陆源输入指标，以及，根据所述光学特性参数、所述漫射衰减系数和所述环境参数信息反演分析海表甲烷的原位生产效率，所述原位生产效率包括光生产效率和生物生产效率；
特征提取模块，用于以所述原位生产效率、所述散逸信息、所述陆源输入指标、所述甲烷氧化速率以及所述环境参数信息为输入，通过时序特征提取模块进行基础时序和特殊时序的特征提取，得到时序特征信息；
海表甲烷浓度反演和预测模块，用于基于所述原位生产效率、所述散逸信息、所述陆源输入指标以及所述甲烷氧化速率构建时间序列数据，结合所述时序特征信息，通过预设的时序神经网络模型组分析短期与长期特征，得到第一海表甲烷浓度值和在指定时间内预测的第二海表甲烷浓度值；
其中，所述时序神经网络模型组包含第一模型和第二模型，所述第一模型基于输入数据反演分析所述第一海表甲烷浓度值，所述第二模型基于输入数据预测所述第二海表甲烷浓度值，所述甲烷浓度信息的初始获取为基于气候学统计值反演分析得到，并在所述时序神经网络模型组运行过程中持续更新，所述甲烷氧化速率和所述散逸信息的初始获取为基于初始的甲烷浓度信息反演分析得到，并在所述时序神经网络模型组运行过程中持续更新。
CN202510632639.XA 2025-05-16 2025-05-16 一种基于时间序列神经网络的海表甲烷浓度反演预测方法及系统 Active CN120524246B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202510632639.XA CN120524246B (zh) 2025-05-16 2025-05-16 一种基于时间序列神经网络的海表甲烷浓度反演预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202510632639.XA CN120524246B (zh) 2025-05-16 2025-05-16 一种基于时间序列神经网络的海表甲烷浓度反演预测方法及系统

Publications (2)

Publication Number Publication Date
CN120524246A CN120524246A (zh) 2025-08-22
CN120524246B true CN120524246B (zh) 2025-12-12

Family

ID=96752463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202510632639.XA Active CN120524246B (zh) 2025-05-16 2025-05-16 一种基于时间序列神经网络的海表甲烷浓度反演预测方法及系统

Country Status (1)

Country Link
CN (1) CN120524246B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120740873B (zh) * 2025-09-01 2025-11-18 广州海洋地质调查局三亚南海地质研究所 声光融合的冷泉甲烷探测方法、系统、装置及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2008281299A1 (en) * 2007-07-27 2009-02-05 Ignite Resources Pty Limited Process and apparatus for converting organic matter into a product
CN113704954A (zh) * 2021-04-13 2021-11-26 北京师范大学 化学物质环境系统行为模拟中大气行为的简化模拟方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115656105B (zh) * 2022-10-27 2026-03-24 中国科学院南京地理与湖泊研究所 富营养化藻型水体甲烷扩散排放的卫星遥感监测方法
CN119199310B (zh) * 2024-08-31 2025-09-30 武汉敢为科技有限公司 基于绝缘油检测的变压器诊断方法及系统
CN119147481B (zh) * 2024-11-19 2025-02-07 山东大学 基于高光谱成像的空地一体化矿区环境监测方法及系统
CN119827422B (zh) * 2024-12-27 2026-04-03 浙江大学 一种针对温室气体的大气高分辨率辐射传输计算方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2008281299A1 (en) * 2007-07-27 2009-02-05 Ignite Resources Pty Limited Process and apparatus for converting organic matter into a product
CN113704954A (zh) * 2021-04-13 2021-11-26 北京师范大学 化学物质环境系统行为模拟中大气行为的简化模拟方法

Also Published As

Publication number Publication date
CN120524246A (zh) 2025-08-22

Similar Documents

Publication Publication Date Title
CN114021436B (zh) 一种基于近地面紫外辐射的近地面臭氧反演方法
CN118468608B (zh) 基于数据同化技术的海洋生态系统模拟与预测方法
CN112070234B (zh) 复杂场景下水体叶绿素和藻蓝素陆基遥感机器学习算法
CN114707688A (zh) 基于卫星云图和时空神经网络的光伏功率超短期预测方法
CN120524246B (zh) 一种基于时间序列神经网络的海表甲烷浓度反演预测方法及系统
CN120690318A (zh) 一种基于多源遥感数据的河流水质监测方法
CN119206536B (zh) 基于垂向预分类和深度学习的藻总量遥感估算方法及系统
CN114510513A (zh) 用于光伏功率超短期预测的短临气象预报数据处理方法
CN117470776A (zh) 基于SSA-XGBOOST算法的高光谱遥感水质叶绿素a反演方法
CN118941958B (zh) 一种基于海洋光学分类的海水透光率遥感提取方法及装置
Hu et al. A review of anthropogenic ground-level carbon emissions based on satellite data
CN117496369A (zh) 一种矿区碳汇数据集构建方法
Tripathy et al. Modification of the vertically generalized production model for the turbid waters of Ariake Bay, southwestern Japan
CN120632292A (zh) 一种基于机器学习的hy-2a卫星海洋水汽反演方法
Hood et al. Remote estimation of nitrogen fixation by Trichodesmium
CN119670982B (zh) 光伏发电能力预测准确性提升方法
CN115759280B (zh) 一种近红外co柱总量估算方法及设备
Allam et al. Enhancing chlorophyll-a predictions using optimal machine learning models and field spectral reflectance
Trifunov et al. A data-driven approach to partitioning net ecosystem exchange using a deep state space model
Wang et al. Assessing the quality of chlorophyll-a concentration products under multiple spatial and temporal scales
Schlosser et al. Monsoons, plumes, and blooms: intraseasonal variability of subsurface primary productivity in the Bay of Bengal
Zhao et al. The potential of AI global weather models for reference evapotranspiration forecasting: a comparison with numerical weather prediction models
Qin et al. Research on Long-Term Time Series Chlorophyll Concentration Inversion Method Based on Multi-Sensor Consistency Transformation
CN121072810B (zh) 一种联合地面和卫星观测约束的gpp多任务学习估算方法、系统、介质及设备
Wu et al. Reconstruction and Spatiotemporal Analysis of Global Surface Ocean pCO₂ Considering Sea Area Characteristics

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