滇池草海水质等级预测模型研究

综合考虑影响水质的不同类别因子之间的关系,为水质等级预测提供平均预测精度更高的模型。选取的p H、DO、CODMn、NH3-N、历史水质等级5个水质因子数据来源于中国环境保护部官方发布的水质数据,降雨量、光照时间2个气象因子数据来源于云南省气象局官方发布的气象数据。首先利用改进的灰色模型(Adaptive Grey Model,AGM)进行单因子预测,从而获取BP人工神经网络(BP Artificial Neural Network,BPANN)训练集和水质等级残差序列;然后使用经过训练集训练后的BPANN进行水质等级残差纠正;最后利用AGM模型得到未来水质等级,以滇池草海2006-2013年水质周报资料和气象资料为数据基础进行了仿真分析和验证实验。结果表明:(1)AGM模型对水体因子和气象因子的单项指标预测理想,保证了作用于BP人工神经网络数据的可靠性,同时降低了预测误差的传输;(2)来源于中国环境保护部与云南省气象局的数据保证了水质等级预测中数据的权威性,采用AGM-BPANN组合模型预测滇池草海水质等级精度达到90.2%,说明模型适用于同一地区短时间内的水质变化研究;(3)AGM-BPANN组合模型借助BP网络的高维非线性克服了数据突变对预测的影响,在AGM预测基础上,通过纠正预测残差获得最终的水质等级值,实现了对滇池草海短时间内水质的预测。     

BP神经网络在渔船航行安全预警中的应用

渔船在海上航行时由于船体自身结构或者海面风浪等不利因素的影响,时常处于潜在的威胁当中。为了研究渔船在海洋环境中可能会遭受的风险,采用基于BP神经网络算法,对渔船吨位、发动机功率、渔船材质、渔船船龄以及渔船所处海面风等级、海面浪等级等6个预警指标要素构成的渔船预警模型进行评估,最终确定渔船在海上航行时的风险等级。在构建风险预警模型中使用了400个渔船事故案例,将训练样本按照数量划分为多个级别进行验证。预警模型结果与实际值比较显示,模型的正确率为79.76%~83.62%,其中在训练样本数为测试样本数的0.75倍时,模型精度最高。研究表明,基于BP神经网络的渔船风险预警模型的评估结果与渔船实际事故状态基本相符。该模型的建立为渔船海上航行提供了安全保障。     

BP神经网络模型在水环境质量综合评价应用中的一些问题

BP神经网络是采用误差反向传播算法对网络权值进行训练的多层前向神经网络，以其优良的非线性逼近能力，获得广泛应用，建立的神经网络模型具有优异性能的必要条件是神经网络结构及其参数的合理选取，具有足够多和代表性，典型性好的训练样本，训练时求得全局最小点和不出现“过学习”或“过拟合”等，本文根据近几年BP神经网络建模理论研究的最新成果，研究发现目前在建立水环境质量综合评价BP神经网络模型时存在的几个主要问题：（1）训练样本太小；（2）没有检验样本和测试样本；（3）神经网络结构太大等，从而极有可能造成在训练神经网络模型时再现“过拟合”或“过学习”现象，使建立的模型泛化能力较差或根本没有，在研究近年提出的应用BP神经网络方法建模的必备条件的基础上，对目前应用人工神经网络进行水环境质量综合评价的研究成果的分析表明，绝大多数水环境质量BP神经网络评价模型是在满足建模条件的情况下建立的，计算实例表明，在不满足建模条件下建立的神经网络模型泛化能力和预测能力较差，极有可能出现多模式现象，没有实用价值。     

基于粒子群优化BP神经网络的水产养殖水温及pH预测模型

针对养殖水质、水温及p H预测准确性低的问题,提出了一种基于粒子群优化BP神经网络的养殖水质参数预测方法。首先应用粒子群算法优化得出BP神经网络的初始权值和阈值,然后对得到的数据进行预处理,修复异常数据信息,再以当前时间的多个水质参数作为输入,下个时间点的水温、p H作为输出,建立养殖水质预测模型,最后利用采集的水质数据在BP神经网络中进行训练,并通过实验检验水质预测模型的可行性和预测性能。与支持向量回归(SVR)和传统BP神经网络相比,基于粒子群优化的BP神经网络在预测水温方面,均方根误差(RMSE)下降幅度分别为64.4%和86.7%;在预测p H方面,RMSE下降幅度分别为11.1%和78.9%。研究表明,基于粒子群优化的BP神经网络养殖水质预测模型具有灵活简便、预测精度高、易于实现的特点,同时具有很好的预测能力。     

基于BP神经网络的虾蛄捕捞海域溯源方法

虾蛄是重要的经济水产品,对环境中重金属元素具有富集作用。不同海域捕捞的虾蛄体内重金属含量差异较大,因此,可根据虾蛄体内重金属含量推断捕捞海域的污染状况,即基于虾蛄体内重金属状况对其来源进行溯源。以渤海、东海和南海三大海域虾蛄中的3种重金属含量数据作为输入,建立BP神经网络判别分析模型,并对模型进行优化,通过模型判断虾蛄样本的来源海域。结果显示:经过网络训练后,总计90个样本中,86个分类正确,模型的判别准确率为95.6%,其中训练集判别准确率为98.1%,验证集准确率为94.4%,测试集准确率为88.9%。研究表明:基于BP神经网络建立的判别分析模型能够解析非线性复杂体系中各元素的内在关联,以区分样品的来源,并可据此进行有效的追溯。     

以优化的BP神经网络模型为基础研究山东近海口虾蛄空间分布与环境因子的关系

BP神经网络模型作为一种常用的机器学习方法,被广泛应用于物种分布模型,以解析生物分布与环境因子的关系。与传统回归模型相比,该模型可以灵活处理变量间的非线性关系,但其结构复杂,在参数设置方面存在不确定性,从而影响模型的预测与应用。根据2016—2017年山东近海口虾蛄渔业资源调查与环境数据,利用BP神经网络模型构建口虾蛄资源分布模型,同时利用数据分组处理算法(group method of data handling, GMDH)、遗传算法(genetic algorithm, GA)和自适应算法(adaptive algorithm)分别对模型输入变量、初始权值和隐节点数目3方面进行优化,构建7种不同组合优化模型。结果显示,7种模型的优化效果存在明显差异,单方面和两方面组合优化模型预测性能基本保持一致;而三方面共同优化其均方根误差与残差平方和分别为0.35和1.94,较初始模型的0.52和2.40更小,且相关系数最大为0.45,表明模型优化效果最好。对比优化前后发现,口虾蛄资源密度随纬度和底层盐度变化趋势基本保持一致,而随底层温度的升高,口虾蛄资源密度存在较大差异。此外,最优模型较初始模型增加水深为关键环境因子,对口虾蛄的资源密度具有重要影响。本研究进一步开发了BP神经网络模型参数优化的方法,证明了参数优化对BP模型的预测性能具有重要影响,模型优化对于分析口虾蛄资源密度与环境因子的关系具有重要意义。     

栉孔扇贝夏季大规模死亡的神经网络预测模型

根据2002年和2003年对山东荣成桑沟湾栉孔扇贝养殖海区的水温、盐度、pH、氨氮浓度、亚硝氮浓度等环境因子和扇贝血清中的蛋白浓度、酸性磷酸酶活力、碱性磷酸酶活力、超氧化物歧化酶活力和过氧化氢酶活力等免疫学指标及栉孔扇贝养殖密度和死亡率的监测数据,运用人工神经网络(artificial neurd network,ANN)的原理和误差反相传播(back propagefion,BP)网络的方法,利用MATLAB软件初步建立养殖栉孔扇贝夏季大规模死亡的BP人工神经网络预测模型.预测模型经过300次的学习训练,误差平方和由67.46下降至0.009 1.该预测模型对未参与模型构建的样本预测的结果与实际监测结果的符合率达到87.5%.首次将人工神经网络与水产动物病害死亡的预测相结合,建立的预测模型具有对数据适应能力强,可适时学习,预测结果准确等突出优点,为水产养殖动物病害死亡程度的预测提供了一个新的研究方法.     

基于启发式Johnson算法优化BP神经网络的水产养殖产量预测模型

针对水产养殖产量预测难的现状,提出一种基于启发式Johnson算法优化的反向传播神经网络(BPNN)的产量预测模型。该模型在传统BP神经网络的基础上,针对网络训练时间长、易陷入局部最优的问题,通过启发式Johnson算法降低输入神经元维度,再结合试凑法确定神经网络隐层个数,构建启发式Johnson反向传播神经网络(HJA-BPNN)学习预测模型。实验结果表明,该模型在山东省对虾海水养殖产量预测中,预测的均方根误差小于传统BP神经网络和GM(1,1),且学习效率相比传统BP神经网络有所提升。研究表明,该学习预测模型在大量历史数据的模型构造上有更大的优势,能够缩短建模时间,同时获得良好的预测效果,为水产养殖产量预测提供了一种可行的新方法。     

基于遗传BP神经网络的半滑舌鳎体重估算模型优化研究

针对人工估算半滑舌鳎(Cynoglossus semilaevis)鱼苗体重存在误差大、难度大、易伤鱼苗等缺点,提出了一种基于遗传BP神经网络体重估算模型优化研究的方法。首先利用参考系测量鱼苗体长和体宽,再通过遗传BP神经网络估算模型计算鱼苗体重。利用遗传算法对编码后的BP神经网络进行优化并验证了遗传算法能有效确定BP神经网络隐藏层节点数目。结合遗传算法优化BP神经网络的结构和连接权值,采用300份同一训练样本对优化的BP神经网络进行训练,最终建立准确遗传BP神经网络体重估算模型。结果显示,该方法对鱼苗体重估算与实际值平均相对误差不超过0.61%。研究表明,该方法为半滑舌鳎体重估算提供了一种比较科学的计算方法,在鱼苗生长发育监测和科学喂养等方面具有重要的实际意义。     

基于神经网络和VMS的渔船捕捞类型辨别

不合理的捕捞方式会导致海洋渔业资源衰退以及海洋生态环境破坏。近年来,渔船监测系统已被用于渔船安全监督、渔业资源管理、海洋生态环境保护等方面。文章以中国近海15艘流刺网渔船、39艘拖网渔船、24艘流动张网渔船共78个样本为研究对象,以BP(back propagation)神经网络为研究模型,借助2014年北斗渔船监测系统(VMS)中对应渔船的航速和航向数据对其作业方式进行辨别。结果显示,基于航速和航向的渔船作业方式辨别正确率分别为93.6%和91%,两者均能较好地对捕捞类型进行分类,且航速的分类精度高于航向。拖网和流动张网渔船分类的正确率在90%以上,而流刺网渔船仅为70%,原因可能是流刺网在空间上的移动较复杂,减弱了航速和航向变化的规律性。     

SeaWiFS遥感数据应用于福建近海赤潮监测的适用性初步评估

通过分析SeaW iFS Chla与现场Chla的相关性,统计SeaW iFS遥感数据在福建近海的时间覆盖率,对SeaW iFS遥感数据在福建近海赤潮监测的适用性进行初步评估。结果表明,SeaW iFS Chla与现场Chla呈良好的线性关系,能够很好反映现场Chla的空间分布情况;4~6月SeaW iFS遥感数据量稀少,难以满足赤潮监测的要求;7~9月数据量显著增加,基本可以满足SeaW iFS对较开阔的福建近海进行赤潮监测。     

福建海洋生态环境的主要问题及对策

本文探讨了福建海洋生态环境的主要问题，生物资源利用过度、病害和赤潮频发。针对这些问题．发展。即浅海滩涂围垦、水污染加剧、局部养殖密度过高、作者提出了相应的解决办法，以保证海洋的可持续     

厦门海域赤潮发生规律初探

本文根据历史资料及2004～2005年厦门海域赤潮的监测结果和相关资料,对赤潮多发性规律及其与自然环境关系进行初步探讨.资料显示,太阳黑子活动峰年的前后3年是赤潮的多发年份、5～7月是多发季节、多发月份的中小潮期是多发日期.赤潮生物具有适应和利用自然环境变化的本能,同时也反映了太阳黑子活动、季节变化、引潮力变化和气象条件能够通过生物的、物理的或化学的过程影响赤潮的发生和发展.     

赤潮对羊栖菜产量构成的影响

20 0 0年 4～ 6月 ,浙江省洞头海区发生了 2次赤潮。经测定 ,在该区栽培的羊栖菜 (Hizikiafusiforme)的鲜干比增加 ,日平均增长率、平均长度减少 ,营养生长减慢。羊栖菜个体的繁殖部分受影响较小 ,假根次之 ,主茎、次生叶 (气囊 )、分枝部分受影响最大 ,后者在羊栖菜产量中的比重最大。但在赤潮发生区的羊栖菜未出现明显病烂现象 ,生长发育正常 ,表明羊栖菜对赤潮有一定忍耐力     

青岛近海赤潮灾害分级与时空分布及赤潮生物的变化

根据赤潮发生面积和赤潮藻类的危害类型,将青岛近海发生的赤潮划分为特大、重度、中度、轻度和轻微共计5个灾害级别。结果表明,1990-2013年青岛近海共计发生赤潮33次,以轻微灾害和轻度灾害为主,其它级别尚未发生;其中,发生面积小于10 km2赤潮占总数的51.5%,60.6%的赤潮由基本无害的赤潮种类引起,发生范围以胶州湾和浮山湾近海为主;赤潮次数和面积基本呈现4~5年的波动周期,高发期集中在每年的6-8月;主要赤潮生物种类是红色中缢虫(Mesodinium rubrum)和夜光虫(Noctiluca scintillans);引发赤潮的生物种类逐渐增多,甲藻比例升高,罕见种类逐渐出现。赤潮种类的变化反映出青岛近海浮游植物的种类组成发生了改变,与期间青岛近岸海洋环境的变化密切相关。     

海州湾海域的赤潮生物

利用2003—2008年海州湾海域浮游植物的调查资料,对海州湾海域常见的赤潮生物进行描述、归纳及总结,为赤潮的常规监测和应急监测提供背景资料。结果表明,在海州湾海域共监测到121种赤潮生物,其中重要的赤潮生物有:中肋骨条藻、夜光藻、多纹膝沟藻、短角弯角藻、赤潮异弯藻、链状裸甲藻、海链藻属,这7种(属)赤潮生物都曾经在该海域引发过赤潮。此外,中华盒形藻、海洋原甲藻、梭角藻、三角角藻、圆筛藻属、角毛藻属等赤潮生物在海州湾海域常年分布,也具有引发赤潮的可能。