CN108229720A - 一种贫信息渔业数据cpue标准化评估方法 - Google Patents
一种贫信息渔业数据cpue标准化评估方法 Download PDFInfo
- Publication number
- CN108229720A CN108229720A CN201711250813.6A CN201711250813A CN108229720A CN 108229720 A CN108229720 A CN 108229720A CN 201711250813 A CN201711250813 A CN 201711250813A CN 108229720 A CN108229720 A CN 108229720A
- Authority
- CN
- China
- Prior art keywords
- data
- fishery
- cpue
- model
- poor information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 14
- 230000001186 cumulative effect Effects 0.000 claims abstract description 9
- 238000013139 quantization Methods 0.000 claims abstract description 5
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000011835 investigation Methods 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 description 5
- 241000252203 Clupea harengus Species 0.000 description 3
- 241001269238 Data Species 0.000 description 3
- 235000019514 herring Nutrition 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种贫信息渔业数据CPUE标准化评估方法，包括以下步骤：通过对原始的贫信息渔业数据进行累加生成累积时间序列数据；对生成的累积时间序列数据建立微分方程模型；根据微分方程模型对原始离散的数据进行模型量化，实现对渔业资源的评估预测。本发明能够在没有空间变量和环境变量以及生产数据存在信息量少的情况下实现对渔业数据CPUE的标准化处理，从而实现渔业资源评估。
Description
技术领域
本发明涉及渔业资源评估技术领域，特别是涉及一种贫信息渔业数据CPUE标准化评估方法。
背景技术
在渔业资源评估和管理中，单位捕捞努力量渔获量(catch per unite ofeffort，简称“CPUE”)是必不可少的数据。CPUE标准化是基础性工作，CPUE被认为与渔业资源丰度成比例，被作为渔业资源相对丰度来反映渔业资源丰度。计算CPUE的渔业捕捞数据主要来自于商业或者休闲渔业。然而商业生产数据受各种因素影响大(如时间、空间、渔船参数和环境变量等)。为了使名义CPUE数据使用时更有把握，在使用前会采用统计模型对原始数据进行标准化处理，即以名义CPUE作为响应变量和各种输入变量建立映射关系。在实际中，许多采集和统计的调查监测数据没有空间变量和环境变量，同时渔业管理单位监测采集和统计的调查生产数据存在信息量少，而且有缺失的问题。这种渔业数据无法用现有的模型方法建立因变量和自变量响应关系模型，进行CPUE标准化工作。在实际工作中，必须依据该数据支撑渔业管理部门的决策，因此针对这种情况必须提出新的CPUE标准化方法。
发明内容
本发明所要解决的技术问题是提供一种贫信息渔业数据CPUE标准化评估方法，能够在没有空间变量和环境变量以及生产数据存在信息量少的情况下实现对渔业数据CPUE的标准化处理。
本发明解决其技术问题所采用的技术方案是：提供一种贫信息渔业数据CPUE标准化评估方法，包括以下步骤：
(1)通过对原始的贫信息渔业数据进行累加生成累积时间序列数据；
(2)对生成的累积时间序列数据建立微分方程模型；
(3)根据微分方程模型对原始离散的数据进行模型量化，实现对渔业资源的评估预测。
所述贫信息为不确定性调查监测的渔业数据。
所述微分方程为其中，a为发展灰数、b为内生控制灰数、n为渔业数据个数，x(0)(1)表示第一个原始观测数据。
所述步骤(3)进行评估预测时，当-a≤0.3时，用于中长期预测；当0.3＜-a≤0.5时，用于中短期预测；当0.5＜-a≤0.8时，用于短期预测；当0.8＜-a≤1时，采用残差序列修正后的模型进行预测。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明基于灰色系统理论的灰色预测模型，通过对原始不规律、波段大、信息量少的渔业数据进行累加生存累积时间序列数据，在此基础上对生成的累加时间数量建立微分方程模型，对原始离散的数据进行模型量化，进而在缺乏系统特性知识的情况下进行预测和输出标准化CPUE。本发明方法适用于信息量少，而且有缺失的问题的渔业数据CPUE标准化，结果可以有效评估捕捞容纳量，指导渔业管理部门制定捕捞目标。
附图说明
图1是实施例中三种张网数据名义CPUE和累计数列图；
图2是实施例中三种张网数据建立的灰色模型精度检验表图；
图3是实施例中三种张网数据建立的灰色模型计算的CPUE和名义CPUE年平均图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种贫信息渔业数据CPUE标准化评估方法，包括以下步骤：通过对原始的贫信息渔业数据进行累加生成累积时间序列数据；对生成的累积时间序列数据建立微分方程模型；根据微分方程模型对原始离散的数据进行模型量化，实现对渔业资源的评估预测。其中，为不确定性调查监测的渔业数据，具有不规律、波段大、信息量少的特点。具体方式如下：
设调查监测的渔业数据时间系列有n个观测数据x(0)＝x(0)(1),x(0)(2),…,x(0)(n)，通过一次累加生产新的数据系列x(1)＝x(1)(1),x(1)(2),…,x(1)(n)。这个新的数据系列，其变化趋势可以近似地用如下微分方程描述：
式(1)中，设β为待估计参数向量，β＝(a,b)T可以通过如下最小二乘法拟合得到
式(2)中，
令z(1)为x(1)的紧邻均值生产的数值系列，即则GM(1,1)的灰色微分方程为
x(1)(0)+a*z(1)(k)＝b (3)
a称为发展灰数，b称为内生控制灰数。式(2)为灰色微分方程式(3)的白化方程，也称影子方程。
1)白化方程的解也称时间响应函数，其为
2)GM(1,1)灰色微分方程x(1)(0)+a*z(1)(k)＝b的时间响应函数系列为
取x(1)(0)＝x(1)(1)，有
3)累减后的预测方程为
GM(1,1)模型的适用范围:
1)当-a≤0.3时，GM(1,1)模型的一步预测精度在98％以上，三步和五步预测精度都在97％以上，可用于中长期预测。
2)当0.3＜-a≤0.5时，GM(1,1)模型的一步和二步预测精度在90％以上，十步预测精度都在80％以上，可用于中短期预测。
3)当0.5＜-a≤0.8时，用于短期预测应十分慎重。
4)当0.8＜-a≤1时，GM(1,1)模型的一步预测精度已低于70％，应采用残差修正模型。
5)当a＞1时，不宜采用GM(1,1)模型。
灰色预测检验一般分为残差检验、关联度检验和后验差检验。
1)残差检验。它是对模型预测还原值与实际值的残差进行逐点检验。首先计算绝对残差系列：和相对残差系列:最后得到平均相对残差
2)关联度检验。通过考察模型值曲线与建模系列曲线的相似程度进行检验。计算x(0)和的关联度。根据经验，当关联度λ大于0.6可以接受模型。
3)后验差检验。对于预测公式，我们所关心的是它的预测精度。这一预测公式是否达到精度要求，可按下述方法进行精度检验。
首先计算原始系列平均值
第二步计算原始系列标准差
第三步计算绝对误差系列的标准差
第四步计算方差比
最后计算小误差概率
一般的预测公式(6)的精度检验可由灰色预测精度检验等级标准表给出。如果p和C都在允许范围之内，则可以根据模型计算预测值。否则需要通过分析残差序列对式(6)进行修正。
下面以2010-2014年江苏省沿海三种张网类调查渔船生产数据为实施例进一步说明本发明。其中，数据包含年、月、网次和总产量。单锚张纲张网监测船2艘，年平均有效监测网次约为2000网次，5年46条数据记录；单桩桁杆张网监测船1艘，年平均有效监测网次2366网次，5年41条数据记录；双桩竖杆张网监测船2艘，年平均有效监测网次约为3889网次，5年38条数据记录。3种张网每年调查月份和次数不一致，而且没有空间和环境变量信息。
统计计算3种网次监测数据和所有数据的年平均名义CPUE(千克/网)，CPUE计算公式如下：
CPUE＝Catch/Net
其中Catch是当年某种网次或所有网次的总的调查渔获量，Net是当年某种网次或所有网次的总的作业网次。
按CPUE＝Catch/Net计算的年平均名义CPUE(见图1)。结合计算的年平均名义CPUE值，采用GM(1,1)分别对单桩桁杆张网、单锚张纲张网、双桩竖杆张网和所有网目数据建立CPUE标准化模型，模型参数见下表，模型优良度检验见图2。单桩桁杆张网的灰色GM(1,1)模型的发展灰色(a)绝对值小于0.5，可以用于中短期预测。单锚张纲张网、双桩竖杆张网和所有网目数据的灰色GM(1,1)模型的发展灰色均小于0.3，可以用于中长期预测。
最后根据建立合格的灰色模型进行预测和输出，输出结果为标准化CPUE，见图3。
Claims (4)
1.一种贫信息渔业数据CPUE标准化评估方法，其特征在于，包括以下步骤：
(1)通过对原始的贫信息渔业数据进行累加生成累积时间序列数据；
(2)对生成的累积时间序列数据建立微分方程模型；
(3)根据微分方程模型对原始离散的数据进行模型量化，实现对渔业资源的评估预测。
2.根据权利要求1所述的贫信息渔业数据CPUE标准化评估方法，其特征在于，所述贫信息为不确定性调查监测的渔业数据。
3.根据权利要求1所述的贫信息渔业数据CPUE标准化评估方法，其特征在于，所述微分方程为其中，a为发展灰数、b为内生控制灰数、n为渔业数据个数，x(0)(1)表示第一个原始观测数据。
4.根据权利要求3所述的贫信息渔业数据CPUE标准化评估方法，其特征在于，所述步骤(3)进行评估预测时，当-a≤0.3时，用于中长期预测；当0.3＜-a≤0.5时，用于中短期预测；当0.5＜-a≤0.8时，用于短期预测；当0.8＜-a≤1时，采用残差序列修正后的模型进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711250813.6A CN108229720A (zh) | 2017-12-01 | 2017-12-01 | 一种贫信息渔业数据cpue标准化评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711250813.6A CN108229720A (zh) | 2017-12-01 | 2017-12-01 | 一种贫信息渔业数据cpue标准化评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108229720A true CN108229720A (zh) | 2018-06-29 |
Family
ID=62653247
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711250813.6A Pending CN108229720A (zh) | 2017-12-01 | 2017-12-01 | 一种贫信息渔业数据cpue标准化评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108229720A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109410059A (zh) * | 2018-10-18 | 2019-03-01 | 西安交通大学 | 一种基于三元区间数的灰色预测方法 |
| CN112184470A (zh) * | 2020-08-17 | 2021-01-05 | 广东海洋大学 | 一种确定海洋渔业资源总可捕量的方法和系统 |
| JP2022053452A (ja) * | 2020-09-24 | 2022-04-05 | 上海海洋大学 | 灰色システム理論に基づく海水魚の盛漁期予測方法及びその応用 |
-
2017
- 2017-12-01 CN CN201711250813.6A patent/CN108229720A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109410059A (zh) * | 2018-10-18 | 2019-03-01 | 西安交通大学 | 一种基于三元区间数的灰色预测方法 |
| CN112184470A (zh) * | 2020-08-17 | 2021-01-05 | 广东海洋大学 | 一种确定海洋渔业资源总可捕量的方法和系统 |
| JP2022053452A (ja) * | 2020-09-24 | 2022-04-05 | 上海海洋大学 | 灰色システム理論に基づく海水魚の盛漁期予測方法及びその応用 |
| JP7202709B2 (ja) | 2020-09-24 | 2023-01-12 | 上海海洋大学 | 灰色システム理論に基づく海水魚の盛漁期予測方法及びその応用 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aastveit et al. | Nowcasting GDP in real time: A density combination approach | |
| Hagar et al. | Incorporating LiDAR metrics into a structure-based habitat model for a canopy-dwelling species | |
| Shaffer et al. | Population viability analysis and conservation policy | |
| Hoyle et al. | Recommended approaches for standardizing CPUE data from pelagic fisheries | |
| CN108229720A (zh) | 一种贫信息渔业数据cpue标准化评估方法 | |
| Krolzig et al. | A new approach to the analysis of business cycle transitions in a model of output and employment | |
| Satterthwaite et al. | Methods for assessing and responding to bias and uncertainty in US West Coast salmon abundance forecasts | |
| Gensler et al. | A review of deterministic error scores and normalization techniques for power forecasting algorithms | |
| Scandol | Use of quality control methods to monitor the status of fish stocks | |
| Ono et al. | How do marine closures affect the analysis of catch and effort data? | |
| Ndjaula et al. | Establishing a baseline for evaluating changes in body condition and population dynamics of sardine (Sardinops sagax) in the southern Benguela ecosystem | |
| Kapombe et al. | Modeling US broiler supply response: a structural time series approach | |
| Zhang | Benefit evaluation of human resource management in agricultural enterprises based on convolutional neural network. | |
| Singini et al. | Modelling And Forecasting Small Haplochromine Species (Kambuzi) Production In Malaŵi–A Stochastic Model Approach | |
| Semenov et al. | Copula models comparison for portfolio risk assessment | |
| Asemota et al. | Modelling seasonal behavior of rainfall in northeast Nigeria. A state space approach | |
| CN114092216A (zh) | 企业信贷评级方法、装置、计算机设备和存储介质 | |
| Darvishi Salookolaei et al. | Application of grey system theory in rainfall estimation | |
| Witkowska | Discrete choice model application to the credit risk evaluation | |
| Septaningtiyas et al. | Financial distress prediction on agricultural sector companies in Indonesia stock exchange | |
| CN112862014A (zh) | 客户信用预警方法及装置 | |
| Trenkel et al. | Intersection–union tests for characterising recent changes in smoothed indicator time series | |
| Congregado et al. | The role of scale economies in determining firm size in modern economies | |
| Bannor et al. | Arfima, arima and ecm models forecasting of wholesale price of mustard in sri ganganagar district of rajasthan of india | |
| Kral et al. | Evaluation of prediction ability of bankruptcy prediction models applying logistic regression (LOGIT) |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180629 |
|
| RJ01 | Rejection of invention patent application after publication |