本發(fā)明涉及中心漁場預(yù)報方法，尤其是東南太平洋莖柔魚中心漁場預(yù)測方法。

背景技術(shù)：

中心漁場預(yù)報是漁況速報的一種，準(zhǔn)確的中心漁場預(yù)報可以為捕撈生產(chǎn)提高漁獲產(chǎn)量并降低燃油成本，漁況速報是對未來24h或幾天內(nèi)的中心漁場位置、魚群動向及旺發(fā)的可能性進(jìn)行預(yù)測，由漁訊指揮單位每天定時將預(yù)報內(nèi)容通過電訊系統(tǒng)迅速而準(zhǔn)確地傳播給生產(chǎn)船只，達(dá)到指揮現(xiàn)場生產(chǎn)的目的。

目前已有多種方法預(yù)報大洋性經(jīng)濟(jì)柔魚類的中心漁場，這些方法的基礎(chǔ)是魚類行動和生物學(xué)狀況與環(huán)境條件之間的關(guān)系及其規(guī)律，本質(zhì)都是根據(jù)生產(chǎn)統(tǒng)計數(shù)據(jù)樣本獲取“經(jīng)驗知識”用于預(yù)報，但以往對樣本的時空尺度和環(huán)境因子的選擇均沒有深入研究，基本是根據(jù)經(jīng)驗(如大漁區(qū)小漁區(qū)等)設(shè)定，沒有考慮不同時空尺度和環(huán)境因子對中心漁場預(yù)測模型的影響；在模型的選擇上，也很少考慮海洋環(huán)境因子的實時性問題。

技術(shù)實現(xiàn)要素：

本發(fā)明研究了大洋性經(jīng)濟(jì)柔魚類的樣本時空尺度和環(huán)境因子的選擇對其中心漁場預(yù)測模型的影響，提出一種東南太平洋莖柔魚中心漁場預(yù)測方法。

本發(fā)明的技術(shù)方案包括時空尺度設(shè)置、環(huán)境因子設(shè)置、建立中心漁場預(yù)測模型，其特征是時空尺度設(shè)置采用三個級別的空間尺度，經(jīng)緯度分別為0.25°×0.25°、0.5°×0.5°、1.0°×1.0°，周和月兩個級別的時間尺度；環(huán)境因子設(shè)置采用SST為主要環(huán)境因子，再輔以SSH、Chl-a兩種環(huán)境因子，在建立中心漁場預(yù)測模型時將環(huán)境因子分為四種情況：ⅠSST；ⅡSST，SSH；ⅢSST，Chl-a；ⅣSST，SSH，Chl-a；根據(jù)時空尺度和環(huán)境因子設(shè)置情況，建立24種情況的樣本方案集；中心漁場預(yù)測模型采用經(jīng)典的誤差反向傳播BP神經(jīng)網(wǎng)絡(luò)模型，BP神經(jīng)網(wǎng)絡(luò)模型為三層結(jié)構(gòu)，即輸入層、隱藏層和輸出層，輸入層輸入漁場的時空因子和環(huán)境因子，輸出層輸出CPUE或是由CPUE轉(zhuǎn)化而成的漁場等級指標(biāo)；BP神經(jīng)網(wǎng)絡(luò)模型正向傳播時，樣本從輸入層進(jìn)入，經(jīng)隱藏層激活函數(shù)處理，傳向輸出層，如輸出層的實際輸出與期望的輸出不符合誤差要求，則轉(zhuǎn)入誤差的反向傳播階段，反向傳播是將誤差通過隱藏層向輸入層逐層反向傳播，將誤差分?jǐn)偨o各層所有節(jié)點，從而獲得各層節(jié)點的誤差信號，此誤差信號作為修正的依據(jù)，這種信號的正向傳播與誤差的反向傳播周而復(fù)始地進(jìn)行，權(quán)值不斷調(diào)整，此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止，通過學(xué)習(xí)訓(xùn)練獲得到最佳模型，供預(yù)報使用。

本發(fā)明考慮不同時空尺度和環(huán)境因子的選擇對中心漁場預(yù)測模型的影響，采用經(jīng)典的誤差反向傳播神經(jīng)網(wǎng)絡(luò)(Error Backpropagation Network，BP)，BP神經(jīng)網(wǎng)絡(luò)屬于多層前向神經(jīng)網(wǎng)絡(luò)，使用誤差反向傳播的監(jiān)督算法，BP神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)和存儲大量的模式映射模式，用于主要(高產(chǎn))作業(yè)時間，最佳的作業(yè)海域范圍，莖柔魚棲息適宜的SST范圍，SSH范圍，Chl-a范圍預(yù)報，為捕撈生產(chǎn)提高漁獲產(chǎn)量并降低燃油成本提供技術(shù)支撐，建立的漁場預(yù)測模型的預(yù)報精度70％，具有較高的精度和較小的ARV值。

附圖說明

圖1是BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖。

具體實施方式

為了能夠比較大洋性經(jīng)濟(jì)柔魚類的中心漁場預(yù)測模型的最適時空尺度，設(shè)置三個級別的空間尺度，經(jīng)緯度分別為0.25°×0.25°、0.5°×0.5°、1.0°×1.0°，兩個級別的時間尺度為周和月。

大洋性經(jīng)濟(jì)柔魚類的漁場的資源豐度不但受時空因子的影響，而且受棲息地的環(huán)境因子影響。其中，SST是被廣泛研究且最為重要的影響因子，因此選定SST為主要環(huán)境因子，再輔以SSH、Chl-a兩種環(huán)境因子，所以在建立中心漁場預(yù)測模型時將環(huán)境因子分為四種情況(表1)。

表1環(huán)境因子設(shè)置

因此，根據(jù)樣本的時空尺度和環(huán)境因子設(shè)置情況，建立大洋性經(jīng)濟(jì)柔魚類中心漁場預(yù)測模型的樣本方案集有如下24種情況：

表2BP預(yù)測模型樣本集方案

中心漁場預(yù)測模型采用經(jīng)典的誤差反向傳播神經(jīng)網(wǎng)絡(luò)(Error Backpropagation Network，BP)，BP神經(jīng)網(wǎng)絡(luò)屬于多層前向神經(jīng)網(wǎng)絡(luò)，使用誤差反向傳播的監(jiān)督算法，BP神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)和存儲大量的模式映射模式。

BP模型采用三層結(jié)構(gòu)，即輸入層、隱藏層和輸出層(圖1)。輸入層為漁場的時空因子和海洋環(huán)境因子，輸出層是CPUE或是由CPUE轉(zhuǎn)化而成的漁場等級指標(biāo)，不同漁場等級的劃分方法參考漁業(yè)專家的領(lǐng)域知識。隱藏層節(jié)點個數(shù)由經(jīng)驗公式(1)確定。

P_num＝2N_num+1 (1)

式中：P_num為隱藏層節(jié)點個數(shù)，N_num為輸入層節(jié)點個數(shù)。

BP算法主要包括學(xué)習(xí)過程信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，樣本從輸入層進(jìn)入，經(jīng)隱藏層激活函數(shù)處理，傳向輸出層，如輸出層的實際輸出與期望的輸出不符合誤差要求，則轉(zhuǎn)入誤差的反向傳播階段。反向傳播是將誤差以某種形式通過隱藏層向輸入層逐層反向傳播，將誤差分?jǐn)偨o各層所有節(jié)點，從而獲得各層節(jié)點的誤差信號，此誤差信號作為修正的依據(jù)。這種信號的正向傳播與誤差的反向傳播是周而復(fù)始地進(jìn)行，權(quán)值不斷調(diào)整，也就是網(wǎng)絡(luò)學(xué)習(xí)的過程。此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

訓(xùn)練方法采用最速下降法。假設(shè)輸入神經(jīng)元個數(shù)為M，隱藏層神經(jīng)元個數(shù)為I，輸出層神經(jīng)元個數(shù)為J。輸入層第m個神經(jīng)元記為x_m，隱藏層第i個神經(jīng)元記為k_i，輸出層第j個神經(jīng)元記為y_j。從x_m到k_i的鏈接權(quán)值為w_mi，從k_i到y(tǒng)_j的連接權(quán)值為w_ij。隱藏層傳遞函數(shù)為Sigmoid函數(shù)，輸出層傳遞函數(shù)為線性函數(shù)。u和v分別表示每一層的輸入和輸出，如表示I層(隱藏層)第一個神經(jīng)元的輸入，網(wǎng)絡(luò)的實際輸出可表示為：

$Y\left(n\right)=\[v_J^1,v_J^2,...,v_J^J\]$

網(wǎng)絡(luò)的期望輸出為：

d(n)＝[d₁，d₂，...，d_J]

n為迭代次數(shù)。第n次迭代的誤差信號定義為：

e_j(n)＝d_j(n)-Y_j(n)

將誤差能量定義為：

$e\left(n\right)=\frac{1}{2}\underset{j=1}{\overset{J}{\Σ}}{e}_j^2\left(n\right)$

訓(xùn)練過程即是將誤差能量減小的過程。

在權(quán)值調(diào)整階段，沿著網(wǎng)絡(luò)逐層反向進(jìn)行調(diào)整。首先調(diào)整隱藏層與輸出層之間的權(quán)值w_ij，根據(jù)最速下降法，應(yīng)計算誤差對w_ij的梯度再沿著該方向的反方向進(jìn)行調(diào)整：

${\mathrm{\Δw}}_{ij}\left(n\right)=-\mathrm{\η}\frac{\∂e\left(n\right)}{\∂w_{ij}\left(n\right)}$

w_ij(n+1)＝Δw_ij(n)+w_ij(n)

梯度可由求偏導(dǎo)得到，根據(jù)微分的鏈?zhǔn)揭?guī)則，有

$\frac{\∂e\left(n\right)}{\∂w_{ij}\left(n\right)}=\frac{\∂e\left(n\right)}{\∂e_j\left(n\right)}\·\frac{\∂e_j\left(n\right)}{\∂v_J^j\left(n\right)}\·\frac{\∂v_J^j\left(n\right)}{\∂u_J^j\left(n\right)}\·\frac{\∂u_J^j\left(n\right)}{\∂w_{ij}\left(n\right)}$

由于e(n)是e_j(n)的二次函數(shù)，其微分為一次函數(shù)：

$\frac{\∂e\left(n\right)}{\∂e_j\left(n\right)}=e_j\left(n\right)$

$\frac{\∂e_j\left(n\right)}{\∂v_J^j\left(n\right)}=-1$

輸出層傳遞函數(shù)的導(dǎo)數(shù)：

$\frac{\∂v_J^j\left(n\right)}{\∂u_J^j\left(n\right)}=g^{\′}{u}_J^j\left(n\right)$

$\frac{\∂u_J^j\left(n\right)}{\∂w_{ij}\left(n\right)}=v_I^i\left(n\right)$

因此，梯度值為

$\frac{\∂e\left(n\right)}{\∂w_{ij}\left(n\right)}=-e_j\left(n\right)g^{\′}\left(u_J^i\right(n\left)\right)v_I^i\left(n\right)$

權(quán)值的修正量為

${\mathrm{\Δw}}_{ij}\left(n\right)={\mathrm{\ηe}}_j\left(n\right)g^{\′}\left(u_J^j\right(n\left)\right)v_I^i\left(n\right)$

引入局部梯度的定義：

${\mathrm{\δ}}_J^j=-\frac{\∂e\left(n\right)}{\∂u_J^j\left(n\right)}=-\frac{\∂e\left(n\right)}{\∂e_j\left(n\right)}\·\frac{\∂e_j\left(n\right)}{\∂v_J^j\left(n\right)}\·\frac{\∂v_J^j\left(n\right)}{\∂u_J^j\left(n\right)}=e_j\left(n\right)g^{\′}\left(u_J^j\right(n\left)\right)$

所以權(quán)值的修正量為：

${\mathrm{\Δw}}_{ij}\left(n\right)={\mathrm{\η\δ}}_J^j{v}_I^i\left(n\right)$

在輸出層，傳遞函數(shù)為線性函數(shù)，因此其導(dǎo)數(shù)為1，即

$g^{\′}\left(u_J^j\right(n\left)\right)=1$

所以可得

${\mathrm{\Δw}}_{ij}\left(n\right)={\mathrm{\ηe}}_j\left(n\right)v_I^i\left(n\right)$

誤差信號向前傳播，對輸入層與隱藏層之間的權(quán)值w_mi進(jìn)行調(diào)整，與上一步類似應(yīng)有

${\mathrm{\Δw}}_{mi}\left(n\right)={\mathrm{\η\δ}}_J^j{v}_M^m\left(n\right)$

為輸入神經(jīng)元的輸出，即

為局部梯度，定義為

${\mathrm{\δ}}_I^i=--\frac{\∂e\left(n\right)}{\∂u_I^i\left(n\right)}=-\frac{\∂e\left(n\right)}{\∂v_I^i\left(n\right)}\·\frac{\∂v_I^i\left(n\right)}{\∂u_I^i\left(n\right)}=-\frac{\∂e\left(n\right)}{\∂v_I^i\left(n\right)}{f}^{\′}\left(u_I^i\right(n\left)\right)$

f(g)為sigmoid函數(shù)，同時又上一步計算可見，

$\frac{\∂e\left(n\right)}{\∂v_I^i\left(n\right)}=\underset{j=1}{\overset{J}{\Σ}}{\mathrm{\δ}}_J^j{w}_{ij}$

故有

${\mathrm{\δ}}_I^i=f^{\′}\left(u_I^i\right(n\left)\right)\underset{j=1}{\overset{J}{\Σ}}{\mathrm{\δ}}_J^j{w}_{ij}$

到此，三層BP網(wǎng)絡(luò)的學(xué)習(xí)權(quán)值調(diào)整過程結(jié)束，可歸結(jié)為：

權(quán)值調(diào)整量Δw＝學(xué)習(xí)率η·局部梯度δ·上一層輸出信號v。至于學(xué)習(xí)率η、誤差范圍等的設(shè)定，在不過擬合的狀態(tài)下進(jìn)行逐步調(diào)優(yōu)。

BP神經(jīng)網(wǎng)絡(luò)的建立過程在matlab(2010b)軟件中完成，使用神經(jīng)網(wǎng)絡(luò)工具箱的擬合工具，將樣本集分為訓(xùn)練樣本、驗證樣本和測試樣本三部分。網(wǎng)絡(luò)設(shè)計的參數(shù)為：學(xué)習(xí)速率0.1，動量參數(shù)0.5，輸入層與隱藏層、隱藏層與輸出層神經(jīng)元之間的傳遞函數(shù)分別是S型正切函數(shù)tansig、線性函數(shù)purelin；網(wǎng)絡(luò)訓(xùn)練的終止參數(shù)為：最大訓(xùn)練次數(shù)為1000，最大誤差給定為0.001。模型通過多次訓(xùn)練獲得到最佳模型，取權(quán)重供預(yù)報使用。

模型從預(yù)報精度、穩(wěn)定性和可解釋性三方面評價BP預(yù)報模型：

(1)預(yù)報精度評價

當(dāng)模型的輸出為CPUE等級時，根據(jù)模型預(yù)報出的正確等級百分比，比較各種模型的精度；當(dāng)模型的輸出為CPUE數(shù)值時，計算模型的均方誤差(MSE)，比較各個模型的精度。

$MSE=\frac{1}{N}{\Σ}_{k=1}^N{(y_k-{\hat{y}}_k)}^2$

其中，y_k為CPUE的實際值，為CPUE的預(yù)報值。

(2)穩(wěn)定性評價

評價不同樣本建立的BP模型精度的穩(wěn)定性，計算平均相對變動值(Average Relative Variance,ARV)，其定義為

$ARV=\frac{{\Σ}_{i=1}^N{\[x\left(i\right)-\hat{x}\left(i\right)\]}^2}{{\Σ}_{i=1}^N{\[x\left(i\right)-\stackrel{\‾}{x}\left(i\right)\]}^2}$

其中，N為比較數(shù)據(jù)的個數(shù)，x(i)為漁場等級實際值，為漁場等級實際平均值，為漁場等級預(yù)測值。平均相對變動值A(chǔ)RV越小，表明預(yù)測效果越好，ARV＝0表示達(dá)到了理想預(yù)測效果，當(dāng)ARV＝1時，表明模型僅達(dá)到了平均值的預(yù)測效果。

(3)可解釋性評價

用變量相關(guān)性(Independent variable relevance)和靈敏度分析(Sensitivity Analyses)評價在不同時空尺度和環(huán)境因子樣本上建立的預(yù)報模型的可解釋性。

變量相關(guān)用來比較各輸入變量對CPUE的貢獻(xiàn)率，計算方法是輸入變量與隱藏層連接的權(quán)重平方和與所有輸入層變量到隱藏層連接權(quán)重平方和之比。

靈敏度分析是探究輸入變量變化與輸出變量之間的關(guān)系，其過程是：首先計算各個輸入變量的最大值、最小值、中值、平均值、眾數(shù)特殊值；然后選擇其中一個輸入變量，使其從最小值到最大值逐漸變化，其他輸入變量都確定為四個特殊值中的一個，輪流改變變化的輸入變量，觀察輸出變量的變化情況。

東南太平洋莖柔魚的魷釣生產(chǎn)數(shù)據(jù)處理成時間分辨率為“月”，空間分辨率為0.5°×0.5°的樣本，計算小漁區(qū)內(nèi)的Nominal CPUE，并根據(jù)漁業(yè)專家知識(表3)將Nominal CPUE劃分為不同的漁場等級(fishing ground levels)，在MarineStar軟件中繪制基于漁場等級的作業(yè)分布圖。

表3基于CPUE的東南太平洋莖柔魚漁場等級

本方法所建立的漁場預(yù)測模型的預(yù)報精度70％，具有較高的精度和較小的ARV值。