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。     

基于有限混合模型的山东海域口虾蛄群体体长结构分析

个体大小是渔业资源种群的重要结构特征,一般研究中采用平均个体体长或平均体质量等分析指标,难以充分反应具有多年龄结构和个体生长速度差异的种群组成差异。为研究口虾蛄个体大小组成的时空变化,实验根据山东海域2016年10月和2017年1、5、8月的底拖网调查数据,应用有限混合模型分析了不同性别、不同时间、不同水深口虾蛄个体大小的频率分布特征。结果发现,除秋季外,山东海域口虾蛄均可区分为高、低两个年龄组,同时雌雄体长分布具有一定的差异。从冬季到夏季,雌性口虾蛄中低龄组个体比例先下降后上升,雄性口虾蛄低龄比例则逐渐下降。就不同水深而言,口虾蛄低龄组个体主要集中在近海海域,其比例由近海向远海逐渐减小。各年龄组的近远海分布表现出季节性差异,春季高龄口虾蛄在近海比例最大,由近海向远海比例逐渐减小;夏季高龄组口虾蛄在20～30 m水深比例最大;冬季高龄组口虾蛄比例则由近海向远海逐渐增加。有限混合模型能够较好地对口虾蛄的体长结构进行分析,解析口虾蛄不同年龄组在山东海域的时空分布,对于深入了解口虾蛄种群分布动态和科学的渔业管理具有重要意义。     

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。     

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。     

基于BP神经网络的阿根廷滑柔鱼资源CPUE标准化研究

西南大西洋阿根廷滑柔鱼(Illex angentinus)是世界上重要的经济柔鱼类,也是我国远洋鱿钓的主要捕捞对象之一.单位努力量渔获量(CPUE)是渔业中广泛使用的表达种群丰度的指标,但CPUE易受到其他因素的影响,需对其进行标准化.本研究利用2012-2017年1-4月中国大陆西南大西洋阿根廷滑柔鱼鱿钓生产统计数据...     

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。     

基于稳定同位素的口虾蛄食性分析

为了探讨口虾蛄的食物组成,利用稳定同位素方法对2015年5月在汕尾红海湾海域采集的口虾蛄及其饵料生物的碳、氮稳定同位素比值(δ~(13)C和δ~(15)N值)进行分析,定量研究不同饵料生物在口虾蛄食物中的贡献比率。结果表明,口虾蛄的δ~(13)C值为–18.1‰~–16.3‰,δ~(15)N值为10.9‰~13.5‰,平均值分别为–17.1‰±0.5‰和12.7‰±0.7‰。δ~(13)C和δ~(15)N值的变化范围均较大,表明口虾蛄的食物来源较多。口虾蛄的食物主要由鱼类、虾类、贝类、蟹类和桡足类组成。其中,贝类为口虾蛄的主要食物,平均贡献率为38.6%;其次为蟹类和桡足类,平均贡献率分别为22.9%和16.0%;虾类的平均贡献率为13.6%;鱼类的平均贡献率最低,仅为8.9%。根据δ~(15)N值及营养级的计算公式得出,口虾蛄的营养级为3.01±0.22,在其5类食物中,桡足类的营养级最低,仅为1.77±0.12;其次为贝类;蟹类和虾类的营养级分别为2.78±0.21和2.89±0.16;鱼类的最高,为2.98±0.15;它们的营养级均低于口虾蛄。此外相关分析显示,口虾蛄的δ~(15)N值与其个体体质量间存在极显著的正相关关系,说明不同大小的口虾蛄营养级有所差异。     

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。     

山东海域口虾蛄肥满度的时空变化及其影响因素

根据 2017 年冬、夏季在山东海域进行的底拖网调查数据, 分析了口虾蛄(Oratosquilla oratoria)肥满度的变化, 并应用 GAM 模型分析了肥满度与海洋环境因子、种群结构以及生物因素等 3 类因子之间的关系。研究表明, 山东海域口虾蛄评估肥满度接近 1.1, 冬季肥满度高于夏季, 在北部和东部海域肥满度较高, 南部近岸海域口虾蛄的肥满度较低。个体大小对于肥满度影响最大, 小个体的肥满度略大于大个体, 两个季节不同性别间肥满度差异较小。 夏季口虾蛄肥满度随种群密度的增加逐渐上升, 冬季种群密度对口虾蛄肥满度的影响不大。夏季温度和水深的变化对口虾蛄肥满度大小的影响较小, 冬季口虾蛄肥满度大小变化受温度、水深的影响较大。饵料生物对口虾蛄肥满度呈现出显著影响(P＜0.01)。口虾蛄肥满度的变化与其摄食、繁殖和越冬等生物学过程紧密相关。通过研究发现, 种群结构(种群密度、体长、性别)、环境因子(海水温度、水深、底质类型)和饵料生物对口虾蛄肥满度大小呈现显著影响(P＜0.01), 初步阐明了口虾蛄肥满度与种群结构、环境因子及生物因素之间的关系。     

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。     

渔具模型空间形状的计测方法

为便于对渔具作业形状的数值计算结果的精度评价提供更详细的实验验证数据,提出了利用2台数码摄像机同时从实验水槽的下方和侧面立体拍摄渔具模型展开形状的实验方法和通过图像解析装置及软件读取各节点的位置坐标并进行误差修正的解析方法。利用本方法得到的一系列节点位置坐标和自行编制的计算机绘图程序,不仅可以方便地进行水流中渔具模型的二维或三维展开形状的虚拟呈现,而且还可以任意地将图形进行旋转、放大和缩小,以对渔具展开形状的各个局部进行比实际模型试验更为详细的观察和比较。通过对实验例的比较和分析,表明本方法具有较好的精度和实用性。     

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。