欢迎来到天天文库
浏览记录
ID:35046999
大小:3.86 MB
页数:70页
时间:2019-03-17
《几种人工神经网络模型在智利竹筴鱼渔场渔情预报中的比较研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、学校代码:10264研究生学号:M130350734上海海洋大学硕士学位论文几种人工神经网络模型在智利竹筴鱼渔题目:场渔情预报中的比较研究Fisheryforecastingcomparativestudyof英文题目:Trachurusmurphyiinthesoutheastpacificfishinggroundsbasedonartificialneuralnetworkmodel专业:渔业研究方向:渔业姓名:常永波指导教师:张敏教授二O一六年四月五日上海海洋大学学位论文原创性声明本人郑重声明:我恪守学术道德,崇尚严谨学风。所呈交的学位论文,是本人在导
2、师的指导下,独立进行研究工作所取得的成果。除文中已经明确注明和引用的内容外,本论文不包含任何其他个人或集体已经发表或撰写过的作品及成果的内容。论文为本人亲自撰写,我对所写的内容负责,并完全意识到本声明的法律结果由本人承担。学位论文作者签名:日期:年月日上海海洋大学硕士学位论文答辩委员会成员名单姓名工作单位职称备注上海海洋大学硕士学位论文几种人工神经网络模型在智利竹筴鱼渔场渔情预报中的比较研究摘要东南太平洋智利竹筴鱼是世界上一种较为重要的海洋经济鱼种,也是我国大型拖网渔船远洋捕捞作业的主要鱼种之一。因其渔业资源的分布范围横跨南太平洋,又易受到不同的海洋环境因素影
3、响,导致渔场的中心范围与资源丰度很难把握。因而利用一些先进的渔情预报方法对其渔场中心及资源丰度的准确预报在有助于提高渔业生产效能的同时,也可以为渔业管理组织对资源的科学管理与可持续利用提供一定的参考资料。本文根据2003—2013年东南太平洋智利竹筴鱼渔场15条作业渔船的生产统计数据,结合海表面温度、海表面温度梯度、海表面高度、叶绿素a浓度、南方涛动指数、厄尔尼诺3.4指数及其异常值共7个遥感海洋环境因子,通过GAM模型对生产统计数据中的年份、月份、船只、经度、纬度、经纬度交互因子,以及7个海洋环境因子的分析,分析结果剔除了海表面温度梯度因子的不显著因素,并通
4、过其余因子构建以CPUE为资源丰度指标的标准化CPUE模型,从而获得CPUE标准化数据,数据的时间尺度为月,空间尺度为1°×1°。然后以月份、经度、纬度、南方涛动指数海表面高度、叶绿素a浓度、海表面温度、厄尔尼诺3.4指数及其异常值共计9个时空与环境因子分别作为BP神经网络模型预报系统、RBF神经网络模型预报系统、GABP神经网络模型预报系统的输入层因子,标准化CPUE为输出层因子,隐含层均为1层,利用线性拟合优度R²指标、残差平方和以及其它统计学参数综合分析获得三种神经网络中的最优神经网络模型,结果表明,GABP神经网络具有相对更好的渔场渔情预报精度与稳度,
5、预报效果最好,预报精度达到69.52%。具体研究结果如下:I上海海洋大学硕士学位论文(1)CPUE标准化结果15条船中不同渔船的捕捞效率出现显著不同,渔船效应解释率7.91%;2003年~2013年CPUE整体呈现S型波动,2003~2006年上升,2007~2012年缓慢下降,2013年又上升,年效应解释率7.79%;资源的丰度具有明显的季节性波动,1~4月逐步上升,5、6、7月维持在较高位置,然后9月以后逐步下降,直至1月份的年中最低位,月效应13.7%;三者累积效应解释率占模型总解释能力的76%,对竹筴鱼的资源丰度影响显著。空间因素上,主要作业区域分布于
6、45S~32S之间和80W-100W,中心渔场从北向南呈现东移趋势,空间效应3.3%。环境因素上,海表面温度最适栖息温度11~17℃;最适叶绿素-a浓度0.1~0.2mg/m3;Nino3.4指数在26.5~28,异常值在-0.5~0.5之间,SOI指数在-20、-5、5、12、30时,海表面高度在-10厘米、10厘米、40厘米时,均具有较高资源丰度;GAM模型增加海表面温度梯度因素经AIC检验模型解释率下降,显著性相对不强,在作为神经网络模型输入层因子时不予考虑。在构建智利竹筴鱼渔情预报系统的CPUE标准化过程中不考虑环境效应,CPUE标准化最终模型:ln(
7、cpue+0.9)~factor(vessel)+factor(year)+factor(mon)+s(lat)+s(lon)GAM模型总解释率达到38.7%,标准化CPUE与名义CPUE的变化趋势相似。(2)BP神经网络模型分析东南太平洋智利竹筴鱼BP神经网络渔情预报系统,模型单隐含层节点数从1至16个,随着节点数的增加,预报精度先波动增加再稍有下降并逐渐稳定轻微波动。较少的隐含层节点数会导致神经网络模结构过于简单,迭代次数太少,收敛过小;过大的隐含层节点数会使模型映射能力增强,学习时间大大加长,甚至出现过度拟合现象。综合残差平方和和拟合优化系数发现单隐层神
8、经网络节点为6较为适合,此时,拟合优度
此文档下载收益归作者所有