(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210988326.4 (22)申请日 2022.08.17 (71)申请人 山东科技大 学 地址 266590 山东省青岛市黄岛区前湾港 路579号山东科技大 学青岛校区 (72)发明人 林磊　刘浩　杜立彬　王胜利　 付庆军　夏璐　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 刘芳 (51)Int.Cl. G01N 33/18(2006.01) G01D 21/02(2006.01) G06N 3/02(2006.01) G06N 3/08(2006.01) (54)发明名称 一种海洋营养盐浓度反演方法及系统 (57)摘要 本发明公开了一种海洋营养盐浓度反演方 法及系统， 涉及海洋观测领域， 所述方法， 包括： 实时获取目标区域的海洋环境特征数据； 海洋环 境特征数据包括海表面温度、 海表面盐度、 海表 面叶绿素a浓度、 浊度、 深度、 经纬度和时间； 将海 洋环境特征数据输入海洋表层营养盐浓度反演 模型中， 得到目标区域的海洋营养盐浓度； 海洋 营养盐浓度包括溶解态无机氮浓度、 溶解态无机 磷浓度和溶解态硅酸盐浓度； 海洋表层营养盐浓 度反演模型是基于人工神经网络建立的。 本发明 能准确、 及时、 低成本地获取海 洋营养盐浓度。 权利要求书2页 说明书7页 附图2页 CN 115327062 A 2022.11.11 CN 115327062 A 1.一种海洋营养盐浓度反演方法， 其特 征在于， 包括： 实时获取目标区域的海洋环境特征数据； 所述海洋环境特征数据包括海表面温度、 海 表面盐度、 海表面叶绿素a浓度、 浊度、 深度、 经纬度和时间； 将所述海洋环境特征数据输入海洋表层营养盐浓度反演模型中， 得到所述目标区域的 海洋营养盐浓度； 所述海洋营养盐浓度包括溶解态无机氮浓度、 溶解态无机磷浓度和溶解 态硅酸盐浓度； 所述海洋表层营养盐浓度反演模型 是基于人工神经网络建立的。 2.根据权利要求1所述的一种 海洋营养盐浓度反演方法， 其特征在于， 所述海洋表层营 养盐浓度反演模型的确定方法为： 获取所述目标区域实地测量的历史数据； 所述历史数据包括历史时间段的海洋环境特 征数据和历史时间段对应的海洋营养盐浓度； 采用所述历史数据对人工神经网络进行训练， 并将训练好的人工神经网络确定为所述 海洋表层营养盐浓度反演模型。 3.根据权利要求2所述的一种 海洋营养盐浓度反演方法， 其特征在于， 所述采用所述历 史数据对人工神经网络进 行训练， 并将训练好的人工神经网络确定为所述海洋表层营养盐 浓度反演模型， 具体包括： 对所述历史数据进行随机抽取， 得到训练数据集、 验证数据集和 测试数据集； 构建设定层数、 设定神经 元数量的人工神经网络； 将所述训练数据集中的海洋环境特征数据作为所述人工神经网络的输入， 分别以所述 训练数据集中溶解态无机氮浓度、 溶解态无机磷浓度和溶解态硅酸盐浓度作为所述人工神 经网络的输出进行训练， 得到初始模型； 所述初始模型包括初始溶解态无机氮浓度反演模 型、 初始溶解态无机磷 浓度反演模型和初始溶解态硅酸盐浓度反演模型； 采用所述验证数据集， 以设定预测精度为目标， 分别对所述初始模型中各模型的模型 参数进行调整， 得到调整模 型； 所述调整模型包括调整后的溶解态无机氮浓度反演模型、 调 整后的溶解态无机磷 浓度反演模型和调整后的溶解态硅酸盐浓度反演模型； 采用所述测试数据集对所述调整模型中的各模型进行测试， 得到海洋表层营养盐浓度 反演模型； 所述海洋表层营养盐浓度反演模型包括测试后的溶解态无机氮浓度反演模型、 测试后的溶解态无机磷 浓度反演模型和 测试后的溶解态硅酸盐浓度反演模型。 4.根据权利要求3所述的一种 海洋营养盐浓度反演方法， 其特征在于， 所述设定预测精 度为模型准确率达 到60％以上。 5.一种海洋营养盐浓度反演系统， 其特 征在于， 包括： 数据获取模块， 用于实时获取目标区域的海洋环境特征数据； 所述海洋环境特征数据 包括海表面温度、 海表面盐度、 海表面叶绿素a浓度、 浊度、 深度、 经纬度和时间； 海洋营养盐浓度 预测模块， 用于将所述海洋环境特征数据输入海洋表层营养盐浓度反 演模型中， 得到所述 目标区域的海洋营养盐浓度； 所述海洋营养盐浓度包括溶解态无机氮 浓度、 溶解态无机磷浓度和溶解态硅酸盐浓度； 所述海洋表层营养盐浓度反演模型是基于 人工神经网络建立的。 6.根据权利要求5所述的一种海洋营养盐浓度反演系统， 其特征在于， 还包括： 模型确 定模块， 用于确定所述海洋表层营养盐浓度反演模型； 所述模型确定模块， 具体包括：权　利　要　求　书 1/2 页 2 CN 115327062 A 2历史数据获取单元， 用于获取所述目标区域实地测量的历史数据； 所述历史数据包括 历史时间段的海洋环境特 征数据和历史时间段对应的海洋营养盐浓度； 训练单元， 用于采用所述历史数据对人工神经网络进行训练， 并将训练好的人工神经 网络确定为所述海洋表层营养盐浓度反演模型。 7.根据权利要求6所述的一种海洋营养盐浓度反演系统， 其特征在于， 所述训练单元， 具体包括： 数据集划分子单元， 用于对所述历史数据进行随机抽取， 得到训练数据集、 验证数据集 和测试数据集； 网络构建子单 元， 用于构建 设定层数、 设定神经 元数量的人工神经网络； 初始训练子单元， 用于将所述训练数据集中的海洋环境特征数据作为所述人工神经网 络的输入， 分别以所述训练数据集中溶解态无机氮浓度、 溶解态无机磷浓度和溶解态硅酸 盐浓度作为所述人工神经网络的输出进行训练， 得到初始模型； 所述初始模型包括初始溶 解态无机氮浓度反演模型、 初始溶解态无机磷浓度反演模型和初始溶解态硅酸盐浓度反演 模型； 验证子单元， 用于采用所述验证数据集， 以设定预测精度为目标， 分别对所述初始模型 中各模型 的模型参数进行调整， 得到调整模型； 所述调整模型包括调整后的溶解态无机氮 浓度反演模型、 调整后的溶解态无机磷浓度反演模型和调整后的溶解态硅酸盐浓度反演模 型； 测试子单元， 用于采用所述测试数据集对所述调整模型中的各模型进行测试， 得到海 洋表层营养盐浓度反演模型； 所述海洋表层营养盐浓度反演模型包括测试后的溶解态无机 氮浓度反演模型、 测试后的溶解态无机磷浓度反演模型和测试后的溶解态硅酸盐浓度反演 模型。 8.根据权利要求7所述的一种 海洋营养盐浓度反演系统， 其特征在于， 所述验证子单元 中的所述设定预测精度为模型准确率达 到60％以上。权　利　要　求　书 2/2 页 3 CN 115327062 A 3