您当前所在位置:首页 > 论文 > 农学论文 > 水产论文

渔情预报技术及模型综述

编辑:sx_wangha

2014-05-09

渔情预报技术及模型综述:1渔情预报模型的构建

借鉴Guisan等[21]关于生物分布预测模型的研究,可将建立渔情预报模型的过程分为四个步骤:(1)研究渔场形成机制;(2)建立渔情预报模型;(3)模型校正;(4)模型评价和改进。渔情预报模型的构建应以目标鱼种的生物学和渔场学研究为基础,力求模型与渔场学实际的吻合[13]。如果对目标鱼种的集群、洄游特性以及渔场形成机制较清楚,可选择使用机理/过程模型或理论模型对这些特性和机制进行定量表述。反之,如果对这些特性和机制的了解并不完全,则可选择经验/现象模型,根据基本的生态学原理对渔场形成过程进行一种平均化的描述。除此之外,无论构建何种预测模型,都应充分考虑模型所使用的数据本身的特点,这对于基于统计学的模型尤其重要[22]。模型校正(modelcalibration)是指建立预报模型方程之后,对于模型参数的估值以及模型的调整[23]。根据预报模型的不同,模型参数估值的方法也不一样。例如对于各类统计学模型,其参数主要采用最小方差或极大似然估计等方法进行估算;而对于人工神经网络模型,权重系数则通过模型迭代计算至收敛而得到。在渔情预报模型中,除了估计和调整模型参数和常数之外,模型校正还包括对自变量的选择。在利用海洋环境要素进行渔情预报时,选择哪些环境因子是一项比较重要也非常困难的工作。周彬彬[24]在利用回归模型进行蓝点马鲛渔期预报研究时认为,多因子组合的预报比单因子预报要准确。Harrell等[25]研究表明,为了增加预测模型的准确度,自变量的个数不宜太多。另外,对于某些模型来说,模型校正还包括自变量的变换、平滑函数的选择等工作[26]。模型评价(modelevaluation)主要是对于预测模型的性能和实际效果的评价。模型评价的方法主要有两种,一种是模型评价和模型校正使用相同的数据,采用变异系数法或自助法评价模型[27-28];另一种方法则是采用全新的数据进行模型评价,评价的标准一般是模型拟合程度或者某种距离参数[29]。由于渔情预报模型的主要目的是预报,其模型评价一般采用后一种方法,即考查预测渔情与实际渔情的符合程度。

2渔场预报模型

2.1统计学模型

线性回归模型早期或传统的渔情预报主要采用以经典统计学为主的回归分析、相关分析、判别分析和聚类分析等方法[12]。其中最有代表性的是一般线性回归模型。通过分析海表面温度(seasurfacetemperature,SST)、叶绿素a(Chl.a)浓度等海洋环境数据与历史渔获量、单位捕捞努力渔获量(catchperuniteffort,CPUE)或者渔期之间的关系,建立回归方程:CPUE=β0+β1•SST+β2•chl+…+ε(1)式(1)中:βi为回归系数,ε为误差项。一般线性回归模型采用最小二乘法对系数βi进行估计,然后利用这些方程对渔期、渔获量或CPUE进行预报。如陈新军[30]认为,北太平洋柔鱼日渔获量CPUE(kg/d)与0~50m水温差ΔT(℃)具有线性关系,可以建立预报方程CPUE=-880+365ΔT。一般线性模型结构稳定,操作方法简单,在早期的实际应用中取得了一定的效果[10-12]。但一般线性模型方差小、偏差大,用于预报时存在一定的局限性。一方面,渔场形成与海洋环境要素之间的关系具有模糊性和随机性,一般很难建立相关系数很高的回归方程。另一方面,实际的渔业生产和海洋环境数据一般并不满足一般线性模型对于数据的假设,因而导致回归方程预测效果较差[14]。目前,一般线性回归模型在渔情预报中的应用已比较少见,而逐渐被更为复杂的分段线性回归[31]、多项式回归[32]和指数(对数)回归[33-34]、分位数回归[35]等模型所取代。

2.2机器学习和人工智能方法

标签:水产论文

免责声明

精品学习网(51edu.com)在建设过程中引用了互联网上的一些信息资源并对有明确来源的信息注明了出处,版权归原作者及原网站所有,如果您对本站信息资源版权的归属问题存有异议,请您致信qinquan#51edu.com(将#换成@),我们会立即做出答复并及时解决。如果您认为本站有侵犯您权益的行为,请通知我们,我们一定根据实际情况及时处理。