检索结果-内蒙古大学图书馆

海洋测绘 2024年第6期44卷 54-59页

作者：姜毅宫起正向进大连海事大学信息科学技术学院辽宁大连116026

针对船舶定位单纯依赖全球导航卫星系统(global navigation satellite system,GNSS)易遭受欺骗攻击的问题,提出了一种非周期特征卷积循环编解码器(convolutional recurrent encoder-decoder,CRED)算法,用于船舶导航欺骗检测。将来自GNS... 详细信息

针对船舶定位单纯依赖全球导航卫星系统(global navigation satellite system,GNSS)易遭受欺骗攻击的问题,提出了一种非周期特征卷积循环编解码器(convolutional recurrent encoder-decoder,CRED)算法,用于船舶导航欺骗检测。将来自GNSS、罗经、计程仪等传感器非周期特征数据的协方差矩阵作为输入,应用自动编码器、卷积长短记忆神经网络和注意力机制构建三层神经网络,通过累加残差矩阵和输入矩阵中具有相关性的元素值,计算检测统计量以识别欺骗攻击。实验表明,该方法在船舶不同航行状态下,针对跳变攻击和慢攻击,在多种欺骗程度下均具有良好的欺骗检测性能。该算法可用于处理船舶导航多源非周期特征数据,在船舶导航欺骗检测方面表现出检测效果好、泛化能力强的特点,具有很好的应用价值。

关键词：卫星导航欺骗检测深度神经网络自动编码器卷积长短记忆神经网络注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于哨兵2号遥感数据的淀山湖蓝藻爆发风险区预测

基于哨兵2号遥感数据的淀山湖蓝藻爆发风险区预测

引用

作者：洪微上海师范大学

学位级别：硕士

近年来,太湖流域及其附近地区的国民经济和工业生产的发展,特别是航行船舶排放的油污,农田施用的化肥和农药,以及湖畔居民的数量不断扩大,导致大量未经处理的污水流入河流湖泊。淀山湖处于太湖下游,其水质每年都在持续恶化,而富营养化... 详细信息

近年来,太湖流域及其附近地区的国民经济和工业生产的发展,特别是航行船舶排放的油污,农田施用的化肥和农药,以及湖畔居民的数量不断扩大,导致大量未经处理的污水流入河流湖泊。淀山湖处于太湖下游,其水质每年都在持续恶化,而富营养化则是淀山湖目前所面临的主要生态问题之一。而湖水富营养化现象通常表现为藻类特别是蓝藻的异常繁殖。在1985年淀山湖首次爆发蓝藻水华,此后每年均有不同程度的蓝藻水华爆发。而淀山湖对于上海有着特殊的生态和经济价值,因此,建立淀山湖蓝藻爆发风险区具有重要的现实意义。论文以上海市最大引用水源地——淀山湖为典型代表,综合运用地理学理论、3S技术与计算机科学的理论和手段,利用地理空间插值,对淀山湖蓝藻爆发环境的时空特征进行分析,结合蓝藻遥感反演的结果,探索基于时空大数据的蓝藻预测深度学习模型构建。在综合考虑蓝藻爆发影响因子的基础上,形成上海地区城市水源地蓝藻爆发预警体系。因此,建立淀山湖蓝藻爆发风险区也同时具有理论意义。论文的主要研究成果可以概括为以下几个方面: (1)考虑到水质监测项目评价区域的情况以及研究目标,本研究利用反距离加权插值法,对p H值、溶解氧、高锰酸盐指数、氨氮、总磷、总氮、水温、浊度、电导率9个影响蓝藻生长的环境因子进行空间插值。通过分析发现,2022年9月至2023年8月淀山湖的水质普遍不佳,总氮为主要污染源,其含量大于1.5mg/L,达到V类水标准,总磷为次要污染源,含量大于0.05mg/L,达到IV类水体标准。基于淀山湖蓝藻爆发集中在6-8月,本研究针对2023年夏季淀山湖的环境因素,进一步分析其时空分布情况。研究发现,2023年夏天淀山湖氨氮浓度较低,其中大部分湖区属于II类水质,较小区域含量较高,属于III类水质;东部湖区含量较低,西部、北部湖区含量普遍较高。溶解氧浓度较高,其中大部分湖区达到II类水质标准,少数区域浓度偏低,属于III类水质标准;东部湖区变化不明显,西部湖区变化较大。高锰酸盐含量普遍不高,大部分区域为第二类,少数区域为第三类;东部湖区偏高,北部湖区较低。考虑到磷、氮两种元素是蓝藻生长的关键,而淀山湖中总氮和总磷的浓度较高,为湖水污染来源。本研究特别关注了这两种环境因素在湖泊中的分布情况。分析发现,湖泊的西部、北部和西南部沿岸地区,这两种营养物的浓度尤为显著,并呈现向湖中心递减的趋势;而东部地区在8月份的营养物含量远高于6月和7月,显著高于其他区域,表明这一地区的营养物浓度高,蓝藻爆发的风险相对更大。 (2)在遥感图像提取蓝藻水华方面,本研究运用了浮游藻类指标、波段差异法及三波段技术等三种方法,并结合了像元坡度分析与统计法。借助Arc GIS,成功构建了一个分层次的蓝藻水华级别体系,有效实现了对淀山湖不同强度蓝藻水华的鉴别,并进一步探讨了2023年夏季蓝藻水华在淀山湖的时空分布特性。利用上述蓝藻水华级别提取体系,研究揭示了2023年夏天淀山湖蓝藻爆发主要在东部、西部湖区较为频繁,而南北部湖区较少见。湖泊的西部与东部沿岸区域常见中度至重度蓝藻水华;北部区域蓝藻水华较少,多呈轻度状态;南部区域蓝藻水华发生频率最低,但在8月份部分湖面出现了重度水华情况。淀山湖的蓝藻水华呈现出一定的空间扩散和时间加剧的趋势。从空间上看,蓝藻水华从沿岸及近岸区域逐步扩散到湖泊的更多区域。从时间上看,随着夏季的深入,轻度和中度水华逐渐向重度水华转变,尤其是在东部和西南部湖区。 (3)基于空间插值的环境数据和历史蓝藻遥感反演数据,结合深度学习方法,建立CNN+Conv LSTM+CNN模型,充分挖掘数据的时间特征和空间特征,对淀山湖蓝藻水华进行预测。该模型不仅可以弥补遥感影像反演的局限性,还能够提供更准确的蓝藻水华预测结果,为蓝藻水华的预警和管理提供了新的手段。经检验,CNN+Conv LSTM+CNN蓝藻预测模型平均绝对百分比误差为26.35%,纳什效率系数为0.925,精度较高,可有效预测蓝藻爆发。通过分析模型预测结果,建立蓝藻水华风险区,对风险区进行空间分布特征分析,发现淀山湖的湖体中部、东部沿岸、西部沿岸为蓝藻爆发的高风险区,会出现大面积水华,与以往不同的是,模型预测北部湖区也成为风险区。通过对北部沿岸的环境的进一步分析,本文推测大量度假区将生活废水排放进河流,使北部成为蓝藻爆发风险区。为降低蓝藻爆发风险,需控制污染物的排放,合理管理生活污水处理等。通过加强对环境污染的监测和管理,可以减少外部营养物质的输入,从而降低蓝藻爆发风险。

关键词：蓝藻水华卷积长短记忆神经网络环境因素预测

来源：评论

学校读者我要写书评

暂无评论

太湖水域的蓝藻密度预测技术研究

太湖水域的蓝藻密度预测技术研究

引用

作者：季想江南大学

学位级别：硕士

太湖蓝藻水华严重影响沿湖居民的生活,对蓝藻密度的提前预测十分重要。虽然目前已经建立了许多基于传统方法的蓝藻密度预测模型,但这些模型的预测精度仍有很大的改进空间。本研究区别于传统的蓝藻密度监测方法,采用深度学习和迁移学习方... 详细信息

太湖蓝藻水华严重影响沿湖居民的生活,对蓝藻密度的提前预测十分重要。虽然目前已经建立了许多基于传统方法的蓝藻密度预测模型,但这些模型的预测精度仍有很大的改进空间。本研究区别于传统的蓝藻密度监测方法,采用深度学习和迁移学习方法,通过太湖水域中的环境变量对蓝藻密度进行建模,实现蓝藻密度的准确预测。本研究工作主要从以下三方面开展:1.基于深度学习的太湖蓝藻密度预测方法研究。该研究主要针对单个太湖蓝藻监测点,提出了一种深度学习模型—1D CNN-SLSTM-ATTE模型来预测蓝藻密度。在该模型建立过程中,进行相关性分析和小波变换的数据预处理,利用传统长短期记忆网络(Long-Short Term Memory,LSTM)模型进行改进,加入一维卷积神经网络(1D Convolutional Neural Networks,1D CNN)和注意力机制(Attention Mechanism,AM)并改进激活函数。通过与传统机器学习和深度学习算法方比较,本文提出的1D CNN-SLSTM-ATTE模型的预测结果更加准确。均方误差(Root Mean Square Error,RMSE)平均下降了272.21cell/ml,平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)平均下降了26.23%,平均绝对误差(Mean Absolute Error,MAE)平均下降了142.29cell/ml,纳什效率系数(Nash-Sutcliffe efficiency coefficient,NSE)平均上升了0.217。2.基于迁移学习的太湖蓝藻密度预测方法研究。该研究针对多个太湖蓝藻监测点,运用深度学习和迁移学习方法,通过建立一个大型可用数据集来预测多个目标的蓝藻密度趋势。基于该数据集,首先建立包含残差网络(Residual Network,Res Net)、门控循环单元(gated recurrent unit,GRU)和多头注意力机制(Multi-Head Attention)等深度学习算法的预训练蓝藻密度预测模型,然后将预训练模型获得和保留的知识转化为可用数据量小得多的目标系统蓝藻密度预测模型。为了体现迁移学习的优势,对比在没有进行迁移学习的情况下,利用目标系统本身的数据建立了相同结构的蓝藻密度预测模型精度。与基于传统的深度学习模型的迁移学习相比,采用本文研究的迁移学习模型后,对蓝藻预测的RMSE、MAPE、MAE分别下降了55.67、12.67%、30.71,NSE提高了0.126。3.基于卷积长短时记忆神经网络的蓝藻水华预测方法研究。该研究针对太湖多个湖湾水域的蓝藻密度监测,基于卷积长短记忆神经网络(Convolutional Long Short-Term Memory,Conv LSTM)与CNN算法,提出了蓝藻密度预测的深度学习模型CNN+Conv LSTM+CNN。遥感提取NDVI,结合监测点的环境变量数据进行训练,并与仅考虑时空特征的深度学习模型Conv LSTM和仅考虑空间特征的深度学习模型CNN以及仅考虑时间特征的深度学习模型LSTM、Bi LSTM和1D CNN+LSTM进行对比。测试结果表明,CNN+Conv LSTM+CNN模型最终使RMSE、MAPE、MAE分别下降了98.56、7.13%、74.59,NSE提高了0.33。

关键词：蓝藻密度深度学习迁移学习卷积长短记忆神经网络预测

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：