基于神经网络的东南太平洋公海智利竹筴鱼渔情预报的研究

《基于神经网络的东南太平洋公海智利竹筴鱼渔情预报的研究》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、基于神经网络的东南太平洋公海智利竹笑鱼渔情预报的研究摘要根据2002年4月至2006年12月上海开创远洋渔业有限公司大型拖网加工船队在东南太平洋的生产资料，以GLM模型对CPUE进行标准化换算；结合海水表面温度(SeaSurfaceTemperature，SST)数据，利用Matlab软件为智利竹荚鱼渔场建立空间分辨率为loxloBP神经网渔情预报络模型，通过对2006年内11个月份(除2月份外)的CPUE水平的预报，研究了四种预报模型结构(6．3．1，6-6．1，6．9．1和6．13．1)的预报结果，通过比较四

2、种模型预报值与实际值的方差选择最优结构的预报模型。结果表明，网络结构为6-9．1(隐层神经元数量为9)的BP神经网络较适合用作东南太平洋公海智利竹笑鱼渔场的渔情预报模型。以最适网络结构为基础，按10×lo的空间分辨率预报了2006年3．12月份东南太平洋公海智利竹笑鱼渔场的cPUE，以MarineExplorer4．0对预报CPUE和实际CPUE值作叠图分析。具体研究结果如下：(1)介绍了东南太平洋智利竹荚鱼渔场环境的气象和海况特征，及其在世界范围产量的变动情况。以智利竹笑鱼课题组多年来的探捕情况和上海公司的生产

3、情况为基础，介绍了近年来捕捞智利竹炙鱼的渔船设备和渔具渔法发展的基本情况，并以实际生产数据分析了上海公司2002-2006年在东南太平洋智利竹煲鱼的生产概况。研究发现，各年年产量之间的波动除受到气候和海洋环境变化的影响外，与作业渔船的捕捞能力有着十分紧密的关系。因此，在第三章的研究中，作业渔船将作为主要的说明变量之一在CPUE的标准化处理中得到进一步应用。(2)对东南太平洋智利竹荚鱼渔场的生产情况展开了建立CPUE标准化模型的研究，认为模型的建立应包括以下四个步骤：l、处理零渔获量；2、选择说明变量；3、建立CP

4、UE标准化模型；4、标准化模型的检验。其中，零渔获量数据的处理原则根据零值产生的原因进行删除或加1处理；说明变量的选择经过相关性分析和共线性分析，认为CPUE标准化模型中应包括作业渔区，年份，月份，渔船类别；在渔获方程的基础上，具体化可捕系数q的内涵，并基于GLM方法的思想，将非线性的渔获方程线性化，认为线性化后方程中的常数是对应时空范围内资源密度的指标：最后研究了对标准化模型进行方差分析、偏回归系数与常数项的检验、残差的正态性检验的方法。(3)简单介绍了人工神经网络的研究与发展现状和基本构成。按lOxIo的空间

5、分辨率统计预报月份对应的SSTl、SSl"2，利用级差法对上述海水表面温度数据，时间和空间信息数据和标准化后的CPUE数据进行归一化处理。在时间序列上将数据样本分为训练样本和检验(预测)样本，将年份、月份、空间信息和海水表面温度数据作为输入，CPUE数据作为输出，以S型对数函数和双曲正切S型函数分别作为隐层和输出层的激发函数，建立东南太平洋智利竹荚鱼渔场渔情预报神经网络模型，对隐层神经元数量分别为3、6、9和13进行试验。(4)CPuE标准化换算的结果表明：在智利竹笑鱼渔场内，对以中层拖网为作业方式的捕捞渔船CP

6、UE标准化的换算公式为：InCPUE。。砧=0．635·耳-0．601·E+o．721·M。+1．428·K-2．“l。方差分析结果的结果表明，方程包含的区域效应、年份效应、月份效应和渔船效应有效，且方程的拟合效果较好；偏回归系数与常数项的检验结果表明，模型具有较好预测效果；残差的正态性检验结果显示，模型对数据拟合较佳，偏差的分布呈现出明显的正态分布特点。渔情预报的结果与最适网络结构的研究结果表明：a．除隐层神经元数量为3的结构，其余3种结构模型的训练精度均在O．002242．0．003245范围内。从预报结果上

7、来看，4种结构的预报模型的预报值和实际值在数值上有略微差别，特别是在5．10月份的渔汛期，这种差距较为明显。b．通过方差分析，认为网络结构为6-9．1的BP神经网络模型为最适的渔情预报模型。(5)本文的三个创新点：运用了GLM模型对东南太平洋智利竹荚鱼的CPUE标准化进行了研究；提出了CPUE标准化方程中的∥值是特定时空条件下鱼群密度变化的指标这个观点；以BP神经网络为基础，以商业性生产数据为研究对象，进行公海智利竹笑鱼渔场渔情预报研究的方法。本文认为：扎为使求算的CPUE尽可能完整地描述渔场特征，原始数据的取用

8、范围需要进一步扩大：b．GLM模型在CPUE标准化的应用中存在着局限性，需对模型的优化方法作进一步研究；c．II对／．z值的合理应用还需要进一步研究；d．研究结果证明，BP神经网络的在渔情预报中的应用是成功的，但对模型计算的优化和模型结构的多样化仍需进一步研究。e．BP神经网络渔情预报模型输出的预报值与实际值之间存在着一定的误差，分析原因认为这与捕捞季节以及训练样本和检验