本发明涉及水质预测，具体涉及一种基于植被图像和混合水质模型的水质预测方法及系统。
背景技术：
1、传统的水质预测方法包括回归分析、时间序列分析和神经网络等方法，这些方法仅仅利用水质历史数据进行预测，难以准确地反映水质变化的时空特征。深度学习技术是一种基于神经网络的机器学习方法，具有强大的特征提取和模式识别能力，可以应用于水质预测中。在预测水质时常采用长短期记忆神经网络，这类预测模型可以很好的解决递归神经网络水质预测存在的梯度爆炸和消失的问题。
2、然而，仅仅依靠长短期记忆神经网络也存在着缺点，一些重要数据特征容易忽略。并且传统的水质预测方法通常只考虑水质参数的历史数据，忽略了周围植物环境对水质的影响，因此导致水质预测精度很难再提高。
技术实现思路
1、基于此，本技术提出一种基于植被图像和混合水质模型的水质预测方法及系统，旨在不仅能够考虑水质参数的历史数据，还能考虑周围植物环境对水质的影响，以提升水质预测精度。
2、本技术的第一方面提供了一种基于植被图像和混合水质模型的水质预测方法，所述水质预测方法包括：
3、对目标水体周围的初始植被高光谱图像进行第一预处理，得到第一植被高光谱图像；
4、获取所述第一植被高光谱图像中的植被地表反射率和ndvi指数，将所述植被地表反射率和ndvi指数转换为植被高光谱数据；
5、对所述目标水体的水质历史数据进行第二预处理，得到水质数据；
6、根据所述植被高光谱数据和所述水质数据构建数据集；
7、构建混合水质预测模型，所述混合水质预测模型包括abc优化算法、lstm模型和注意力机制；
8、根据所述数据集训练所述混合水质预测模型，得到混合水质预测优化模型；
9、基于所述混合水质预测优化模型进行水质预测。
10、与现有技术相比，本技术提供的一种基于植被图像和混合水质模型的水质预测方法，该水质预测方法具有以下有益效果：
11、1.提高水质预测准确性：通过对目标水体周围的初始植被高光谱图像进行第一预处理和对水质历史数据进行第二预处理，提取出与水质相关的信息，并将其转换为植被高光谱数据和水质数据。然后，利用构建的混合水质预测模型进行训练和优化，该模型结合了abc 优化算法、lstm 模型和注意力机制，能够更好地捕捉水质数据中的时空特征和复杂关系，从而提高水质预测的准确性。
12、2.考虑多因素影响：该技术方案考虑了植被图像和水质数据这两个因素对水质预测的影响。植被可以反映水体周围的环境状况和生态特征，而水质数据则直接反映了水体的污染情况。通过将这两个因素结合起来，可以更全面地了解水质的变化趋势，提高预测的可靠性。
13、3.适应性强：abc 优化算法可以自动调整模型的参数，以适应不同的水质数据集和预测需求。lstm 模型具有良好的时间序列处理能力，能够捕捉水质数据中的长期趋势和季节性变化。注意力机制可以根据数据的重要性分配权重，提高模型的泛化能力和预测精度。
14、作为第一方面的一种可选实施方式，所述第一预处理包括：
15、对所述初始植被高光谱图像进行裁剪，以裁取研究区域图像；
16、对所述研究区域图像进行中值滤波、去噪、采用主成分分析方法进行特征提取，以及使用最大-最小归一化消除不同波段之间的量纲差异。
17、作为第一方面的一种可选实施方式，获取所述第一植被高光谱图像中的植被地表反射率和ndvi指数的步骤包括：
18、获取第一植被高光谱图像中的辐射数据，所述辐射数据包括太阳辐射值和大气辐射值，并记录不同波段的数字计数dn；
19、根据所述第一植被高光谱图像中不同波段的表观反射率，得到大气校正系数；
20、根据所述数字计数dn和所述大气辐射值，得到地表辐射亮度；
21、根据所述太阳辐射值和所述大气校正系数，得到入射辐射亮度；
22、根据所述地表辐射亮度和所述入射辐射亮度，得到植被地表反射率；
23、根据所述植被地表反射率在红光和近红外波段的比值，得到ndvi指数。
24、作为第一方面的一种可选实施方式，所述第二预处理包括：
25、采用平均值填充法填充水质历史数据的空缺值，得到第一水质数据；
26、采用最大-最小归一化处理所述第一水质数据，得到水质数据，所述水质数据的范围在[0,1]之间。
27、作为第一方面的一种可选实施方式，根据所述植被高光谱数据和所述水质数据构建数据集的步骤包括：
28、将所述植被高光谱数据和所述水质数据进行时间标签对齐，以整合为具有时间序列的数据集；
29、在具有时间序列的数据集中选取任一时间点，将所述时间点之前的一部分数据集作为训练集，将所述时间点之后的另一部分数据集作为测试集。
30、作为第一方面的一种可选实施方式，所述abc优化算法包括：
31、初始化abc优化算法中的雇佣蜂群数量、食物源的最大循环次数limit、最大迭代次数mc、最大训练周期me、以及lstm-attention模型的隐含层神经元数量nhn；
32、将均方根误差作为适应度函数，用于计算所述训练集中前个食物源的适应度；
33、执行雇佣蜂阶段和观察蜂阶段，用于限制适应度函数的寻优范围；
34、执行侦察蜂阶段，用于将不满足保留条件的食物源丢弃并获取替补的食物源；
35、判断是否满足适应度函数寻优的终止条件，若满足，则输出最优解(nhn、me)；若不满足，则返回继续执行雇佣蜂阶段、观察蜂阶段和侦察蜂阶段。
36、作为第一方面的一种可选实施方式，所述混合水质预测模型包括lstm-attention模型，所述lstm-attention模型包括三个lstm层、两个随机失活层、一个注意力机制层和一个全连接层，所述lstm层用于获取水质数据长时间依赖关系，所述随机失活层用于防止发生过拟合，所述注意力机制层用于根据注意力机制分配权重，所述全连接层用于输出预测结果。
37、本技术实施例的第二方面提供了一种基于植被图像和混合水质模型的水质预测系统，所述系统包括：
38、第一数据获取模块，用于对目标水体周围的初始植被高光谱图像进行第一预处理，得到第一植被高光谱图像；获取所述第一植被高光谱图像中的植被地表反射率和ndvi指数，将所述植被地表反射率和ndvi指数转换为植被高光谱数据；
39、第二数据获取模块，用于对所述目标水体的水质历史数据进行第二预处理，得到水质数据；
40、数据集获取模块，用于根据所述植被高光谱数据和所述水质数据构建数据集；
41、模型构建模块，用于构建混合水质预测模型，所述混合水质预测模型包括abc优化算法、lstm模型和注意力机制；
42、模型训练模块，用于根据所述数据集训练所述混合水质预测模型，得到混合水质预测优化模型；
43、模型预测模块，用于基于所述混合水质预测优化模型进行水质预测。
44、本技术实施例的第三方面提供了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的处理程序，所述处理程序被所述处理器执行时实现上述一种基于植被图像和混合水质模型的水质预测方法。
45、本技术实施例的第四方面提供了一种存储介质，所述存储介质上存储有处理程序，所述处理程序被处理器运行时执行上述一种基于植被图像和混合水质模型的水质预测方法。
46、本技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实施例了解到。
1.一种基于植被图像和混合水质模型的水质预测方法，其特征在于，所述水质预测方法包括：
2.根据权利要求1所述的水质预测方法，其特征在于，所述第一预处理包括：
3.根据权利要求1所述的水质预测方法，其特征在于，获取所述第一植被高光谱图像中的植被地表反射率和ndvi指数的步骤包括：
4.根据权利要求1所述的水质预测方法，其特征在于，所述第二预处理包括：
5.根据权利要求1所述的水质预测方法，其特征在于，根据所述植被高光谱数据和所述水质数据构建数据集的步骤包括：
6.根据权利要求5所述的水质预测方法，其特征在于，所述abc优化算法包括：
7.根据权利要求6所述的水质预测方法，其特征在于，所述混合水质预测模型包括lstm-attention模型，所述lstm-attention模型包括三个lstm层、两个随机失活层、一个注意力机制层和一个全连接层，所述lstm层用于获取水质数据长时间依赖关系，所述随机失活层用于防止发生过拟合，所述注意力机制层用于根据注意力机制分配权重，所述全连接层用于输出预测结果。
8.一种基于植被图像和混合水质模型的水质预测系统，其特征在于，所述水质预测系统包括：
9.一种计算机设备，其特征在于，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的处理程序，所述处理程序被所述处理器执行时实现如权利要求1至7中任一项所述的水质预测方法。
10.一种存储介质，其特征在于，所述存储介质上存储有处理程序，所述处理程序被处理器运行时实现如权利要求1至7任一项所述的水质预测方法。
