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。