基于海表温因子的太平洋褶柔鱼冬生群资源丰度预测模型比较

太平洋褶柔鱼是世界上重要的大洋性经济柔鱼类资源,其资源易受海洋环境因子的影响,科学预测其资源丰度有利于科学生产和管理。本实验依据2000—2010年太平洋褶柔鱼冬生群单位捕捞努力量渔获量(CPUE),以及产卵期间(1—3月)产卵场(28°~40°N、125°~140°E)的海表温(SST)数据,进行SST与CPUE的相关性分析,选取统计学有意义的SST作为影响资源丰度的因子,分别建立多元线性和BP神经网络的资源丰度预报模型,并利用2011和2012年的CPUE进行验证。结果显示,CPUE与产卵场1—3月SST相关系数较高的海域分别为1月的S1(30.5°N,136.5°E)和S2(31.5°N,136.5°E),2月的S3(30.5°N,137.5°E)和S4(30.5°N,135.5°E),3月的S5(37.5°N,129.5°E)和S6(37.5°N,130.5°E)。在多元线性及不同结构的BP神经网络等5种预报模型中,结构为6-4-1的BP神经网络模型预测精度最高,2011—2012年CPUE预测值精度平均为98%。研究表明,30°~32°N、135°~138°E和37°~38°N、129°~131°E附近海域的6个环境因子代表着1—3月产卵场暖流(黑潮和对马海流)势力的强弱,决定着当年太平洋褶柔鱼冬生群资源丰度,所建立的BP神经网络模型可作为其资源丰度的预测模型。  

基于BP神经网络模型的福建海域赤潮预报方法研究

赤潮往往给渔业生产和人类的生命安全造成极大的危害,但由于赤潮的成因十分复杂,对其进行预报非常困难.本研究收集了福建海区2000年至2016年发生的219个赤潮案例有效数据,应用BP神经网络人工智能模型建立了其与气温、降水、风速、气压和日照5个气象因子的非线性关系,并将这些赤潮案例数据与相应的气象指标按闽东、闽中和闽南3个海区,分别输入模型进行学习、训练与预测.结果显示:1)闽东海区53个训练样本45个预测正确,正确率达84.91%,3个模拟预测样本全部正确;2)闽中海区69个训练样本58个预测正确,正确率达84.06%,4个模拟预测样本全部正确;3)闽南海区85个训练样本的运算预测结果63个正确,正确率74.12%,5个模拟预测样本全部正确,达到预期的结果.研究表明,以气象因子为自变量采用BP神经网络模型对赤潮的发生进行预测是可行的,该方法可为赤潮的预测提供新的途径.  

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。  

浙江青山水库富营养化状况评价

2013年4月、7月、10月及12月对杭州青山水库实施4次生态环境调查，采集表层水质样品，应用BP神经网络模型进行水质富营养化评价。结果表明：青山水库水质富营养化状态总体为中营养，4月最低，人工神经网络评价结果平均为1.130；7月相对较高，人工神经网络评价结果平均为1.338。4月、7月与其他月份之间差异显著（p＜0.01），10月与12月无显著性差异（p＞0.05）；水库的上游（S4）、下游(S6、S7)与其他站位之间存在显著性差异（p＜0.05），4月、7月富营养化数值最大的站点为S6，10月、12月为S7，富营养化程度随着水流方向，呈现增加的趋势，这与下游库区大坝拦截作用致使水流减缓是分不开的。相对于河流，具有大面积静水区域的水库更加适合浮游植物生长，不同季节水温、日照等自然条件适应与否是造成富营养化程度时间变化的主要原因。  

家鱼池塘底泥耗氧率与理化因子的相关性分析

采用原位底泥耗氧测定法,研究了10口家鱼鱼池底泥耗氧率与底部水体理化因子(溶氧、温度、pH值、氧化还原电位)和底泥有机质含量及深度的相关关系。结果显示:池塘平均底泥耗氧率(SOD)为0.91 g/(m2.d),变动范围为0.76～1.09 g/(m2.d)。双变量相关性分析表明,底泥耗氧率与池塘底部水体理化指标的相关性均达到极显著水平(P<0.01),与溶氧相关性最高(Pearson相关系数为0.779),其次是温度、pH值和氧化还原电位,相关系数分别为0.587、0.557和-0.421;底泥耗氧率与底泥深度相关性达到显著水平(P<0.05)。偏相关分析结果表明,底泥耗氧率与溶氧和温度呈极显著相关(P<0.01),与其它因素均未达到显著水平。影响底泥耗氧率最重要的环境因子是溶氧,其次是温度。利用BP神经网络分析影响SOD的理化因子,以溶氧、温度和底泥深度为BP神经网络模型的输入变量建立BP神经网络模型对SOD进行预测分析,BP神经网络模型训练和测试相关系数分别为0.911和0.879,平均相对误差分别为11.6%和10.4%,预测值与真实值偏差较小,拟合度较高,可有效预测池塘底泥耗氧率。  

利用BP神经网络短期预测太湖不同湖区叶绿素a浓度

人工神经网络具有强大的非线性能力,能对复杂的水环境系统中非线性行为进行准确有效地预测.选择太湖典型湖区梅梁湾(4个样点)和湖心区(2个样点)为研究对象,通过对其2006-2008年的常规水质参数进行主成分分析,选择合适的输入因子及最优的网络参数,建立优化的BP神经网络模型,以期实现叶绿素a浓度的月预测.结果表明,梅梁湾的预测值与实测值的平均相对误差为71％,湖心区的预测值与实测值的平均相对误差为39％,2者预测精度均较低,其原因主要与太湖的水动力条件、水文气象及藻型生态系统等因素有关.  

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pH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、pH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pH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.  

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.  

基于栈式自编码BP神经网络预测水体亚硝态氮浓度模型

亚硝态氮对于水产养殖动物具有毒性，对于其含量的及时监控非常重要。基于光谱法和电极法设计的亚硝态氮传感器价格昂贵，难以大面积推广，因此急需研发一种能快速预测养殖水体亚硝态氮的模型。实验通过实验室构建的水质在线检测系统测定水体中温度、pH、溶解氧、氧化还原电位4个参数，同时用α-萘胺比色法测定水体中亚硝态氮的浓度，从4种参数中选取与亚硝态氮浓度相关的参数作为预测模型的关联变量。水质参数数据及亚硝态氮浓度数据分别经预处理后作为原始数据用于SAE神经网络的训练，训练方法采用无监督逐层贪婪训练法，用学习到的特征监督训练SAE-BP神经网络，利用反向传播算法(BP)优化模型。训练得到结构为4-5-4-3-1的SAE-BP神经网络模型，建立的神经网络模型对实验数据预测的拟合优度R²为0.95，预测结果的均方根误差RMSEP为0.099 71。研究表明，亚硝态氮预测模型可以较为精准地预测水体中亚硝态氮的浓度。本模型将为开发在线快速监测养殖水体亚硝态氮浓度提供新的思路。