CN111652443A - 综合多源卫星遥感预测远洋渔业资源丰度的方法及其应用 - Google Patents
综合多源卫星遥感预测远洋渔业资源丰度的方法及其应用 Download PDFInfo
- Publication number
- CN111652443A CN111652443A CN202010505197.XA CN202010505197A CN111652443A CN 111652443 A CN111652443 A CN 111652443A CN 202010505197 A CN202010505197 A CN 202010505197A CN 111652443 A CN111652443 A CN 111652443A
- Authority
- CN
- China
- Prior art keywords
- cpue
- time period
- data
- marine environment
- prediction model
- 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 46
- 241000251468 Actinopterygii Species 0.000 claims abstract description 59
- 238000012360 testing method Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 45
- 230000008859 change Effects 0.000 claims abstract description 31
- 239000013535 sea water Substances 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000004519 manufacturing process Methods 0.000 claims abstract description 12
- 230000001360 synchronised effect Effects 0.000 claims abstract description 5
- 230000007613 environmental effect Effects 0.000 claims description 17
- 229930002868 chlorophyll a Natural products 0.000 claims description 7
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 230000000052 comparative effect Effects 0.000 description 29
- 241000238366 Cephalopoda Species 0.000 description 24
- 238000004088 simulation Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 16
- 238000012937 correction Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 241001279686 Allium moly Species 0.000 description 1
- OMPJBNCRMGITSC-UHFFFAOYSA-N Benzoylperoxide Chemical compound C=1C=CC=CC=1C(=O)OOC(=O)C1=CC=CC=C1 OMPJBNCRMGITSC-UHFFFAOYSA-N 0.000 description 1
- 101100423891 Caenorhabditis elegans qars-1 gene Proteins 0.000 description 1
- 241000208175 Daucus Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 229940060894 topex Drugs 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Marine Sciences & Fisheries (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种综合多源卫星遥感预测远洋渔业资源丰度的方法及其应用,预测方法:处理时间段A内海域B鱼类C的生产统计数据及时间段A内海域B的多源卫星遥感获取的包括海水质量变化和地转流在内的海洋环境因子的数据得到时间段A内海域B鱼类C的时空同步的CPUE与海洋环境因子的数据;使用所得数据训练并测试基于BP神经网络建立的CPUE预测模型得到最终预测模型;将待预测时间段内海域B鱼类C的海洋环境因子输入最终预测模型即可完成对待预测时间段内海域B鱼类C的CPUE的预测。本发明的预测方法,首次提出以海水质量变化和地转流作为海洋环境因子,不仅提高了预测精度,而且提高了预测稳定性,极具应用前景。
Description
技术领域
本发明属于远洋渔汛预测技术领域,涉及一种综合多源卫星遥感预测远洋渔业资源丰度的方法及其应用。
背景技术
柔鱼是具有巨大开发潜力的重要经济头足类种类,广泛分布在太平洋海域。柔鱼分为2个繁殖群体:冬春生群和秋生群,其中冬春生的西部种群为我国鱿钓渔船主要捕捞对象,年产量最高可达十几万吨。柔鱼是短生命周期种类,其生活史过程与栖息地的海洋环境条件有重要关联,海洋环境因子的时空分布与变化显著影响着柔鱼资源的分布范围和资源密度。建立海洋环境因子与柔鱼资源丰度之间的模型对柔鱼中心渔场进行预报,对增加柔鱼捕捞产量、提高捕捞效率具有重要指导作用。
目前已有学者开展了柔鱼资源丰度预测模型的构建研究,如CN201210563445.1公开了一种西北太平洋柔鱼资源补充量预测方法及其应用方法,其通过一般线性回归模型(GLM模型)对历史数据进行标准化,而后得到CPUE与AREASST的线性关系式(预测模型),通过线性关系式即可实现对资源补充量的预测;CN 201610505768.3公开了基于灰色系统的西北太平洋柔鱼冬春生群体丰度预测方法,其通过对环境因子进行灰色关联分析,选取关联度最高的几个环境因子建立灰色关联模型,而后对灰色关联模型进行优选得到最终预测模型,通过最终预测模型即可实现对西北太平洋柔鱼冬春生群体丰度的预测。虽然这些方法能够实现对资源丰度的预测,但其模型建立主要考虑的是海表温度(SST)、叶绿素a(Chl-a)和海表面高度(SSH)等海洋环境信息,并未考虑包括海水流速等其他海洋条件对柔鱼资源丰度的影响,这将在一定程度上影响模型的预测精度,此外,这些海洋环境信息的历史数据有部分并不是来源于直接观测资料,而是从误差较大的再分析资料或海洋模型中获取,这会进一步导致模型预测性能产生较大误差,使得模型预报的柔鱼资源丰度与实际情况存在较大偏差,从而降低了预报的准确率。
因此,开发一种预测精度高的远洋渔业(适用于柔鱼)资源丰度预测方法极具现实意义。
发明内容
本发明的目的在于克服现有技术预测精度较差的缺陷,提供一种预测精度高的远洋渔业(适用于柔鱼)资源丰度预测方法。
为实现上述目的,本发明提供如下技术方案:
综合多源卫星遥感预测远洋渔业资源丰度的方法,首先,处理时间段A内海域B鱼类C的生产统计数据及时间段A内海域B的多源卫星遥感获取的包括海水质量变化和地转流在内的海洋环境因子的数据得到时间段A内海域B鱼类C的时空同步的CPUE与海洋环境因子的数据;然后,使用所得数据训练并测试基于BP神经网络(基于监督式学习算法的BP神经网络)建立的CPUE预测模型得到最终预测模型;最后,将待预测时间段内海域B鱼类C的海洋环境因子输入最终预测模型即可完成对待预测时间段内海域B鱼类C的CPUE的预测。
本发明的综合多源卫星遥感预测远洋渔业资源丰度的方法,首次提出以海水质量变化和地转流作为海洋环境因子,其中,海水质量变化能够反映海水密度变化,地转流能够反演海洋流速,而海水密度变化及海洋流速这些影响因子与海洋鱼类的资源丰度分布息息相关,将海水质量变化和地转流作为考察的海洋环境因子不仅能够极大地提高获取的预测模型的预测精度,而且能够一定程度上避免海洋环境信息因子引入不当或特征不典型而造成的模型不稳定的问题即预测稳定性差的问题,同时,本发明中的海洋环境因子均可依据多源卫星遥感实时获取即数据获取精确性高,能够进一步提高预测的精度。本发明基于多源卫星遥感获取的待预测时间段内海域B鱼类C的海洋环境因子即可完成对远洋渔业资源丰度,便捷性好,此外,本发明的CPUE预测模型是基于BP神经网络建立的,BP神经网络无论在网络理论还是在性能方面已比较成熟,其具有很强的非线性映射能力和柔性的网络结构,网络的中间层数、各层的神经元个数可根据具体情况任意设定,适用性好,能够一定程度上降低实际操作及应用时的难度。
作为优选的技术方案:
如上所述的综合多源卫星遥感预测远洋渔业资源丰度的方法,步骤如下:
(1)对时间段A内海域B鱼类C的生产统计数据及时间段A内海域B的多源卫星遥感获取的海洋环境因子的数据进行处理,获取时间段A内海域B鱼类C的时空同步的CPUE与海洋环境因子的数据,所述海洋环境因子包括海水质量变化和地转流;
(2)将步骤(1)获取的时间段A内海域B鱼类C的时空同步的CPUE与海洋环境因子的数据分为训练集和测试集;
(3)从训练集中选取训练样本,判断训练集中训练样本是否已经全部被选取过;
(4)训练集中训练样本未被全部被选取过,则采用步骤(3)选取的训练样本对基于BP神经网络建立的CPUE预测模型进行训练,所述CPUE预测模型的输入为海洋环境因子,输出为CPUE,反之,则以前次训练得到的CPUE预测模型作为最终预测模型;
(5)从测试集中选取测试样本,将测试样本的海洋环境因子输入步骤(4)训练得到的CPUE预测模型得到该测试样本的测试CPUE;
(6)测试样本的测试CPUE与测试样本的真实CPUE的偏差小于阈值I,则该CPUE预测模型即为最终预测模型,反之,则调整BP神经网络的参数并返回步骤(3);
(7)获取待预测时间段内海域B鱼类C的海洋环境因子,将其输入到最终预测模型可得待预测时间段内海域B鱼类C的资源丰度,进而完成对远洋渔业资源丰度的预测。针对不同海域海洋环境的差异性,可以指定分辨率单独建立每个海域的预测模型进而进行对应海域鱼类的资源丰度的预测。
如上所述的综合多源卫星遥感预测远洋渔业资源丰度的方法,所述海洋环境因子还包括海表温度(SST)、叶绿素a浓度(Chl-a)和海表面高度距平(SSHA)。本发明的海洋环境因子并不仅限于此,此处列举部分常规的海洋环境因子为例而已,包括太平洋年代际震荡指数等在内的海洋环境因子也可作为海洋环境因子,针对不同海域不同的鱼类,海洋环境因子的选择并不相同,本领域技术人员根据实际需求调整所选取的海洋环境因子,当然海洋环境因子必须包括海水质量变化和地转流。
如上所述的综合多源卫星遥感预测远洋渔业资源丰度的方法,步骤(1)中的对时间段A内海域B鱼类C的生产统计数据及时间段A内海域B的多源卫星遥感获取的海洋环境因子的数据进行处理是指在时间域上按照指定的时间分辨率进行平均处理,在空间域上按照指定的空间分辨率进行重采样。
如上所述的综合多源卫星遥感预测远洋渔业资源丰度的方法,所述训练集与测试集的数量比为2:1。本发明的保护范围并不仅限于此,训练集与测试集的数量比本领域技术人员根据实际情况进行适当的调整。
如上所述的综合多源卫星遥感预测远洋渔业资源丰度的方法,所述CPUE预测模型包括输入层、隐含层和输出层;输入层为海洋环境因子,输出层为CPUE。
BP神经网络属于前向网络,可包含多个隐含层,具备处理线性不可分问题的能力。BP神经网络具备以下特点:
(1)网络由多层构成,层与层之间全连接,同一层之间的神经元无连接。多层的网络设计,使BP网络能够从输入中挖掘更多的信息,完成更复杂的任务。
(2)采用反向传播算法进行学习。在BP网络中,数据从输入层经隐含层逐层向后传播,训练网络权值时,则沿着减少误差的方向,从输出层经过中间各层向前修正网络的连接权值。随着学习的不断进行,最终的误差越来越小。
隐含层节点数对BP神经网络的性能有很大影响,较多的隐含层节点数可以带来更好的性能,但可能导致训练时间过长,采用经验公式设置隐含层节点M:
M=[log2n]
其中,n为输入层神经元个数,[x]表示不小于x的最小整数。
如上所述的综合多源卫星遥感预测远洋渔业资源丰度的方法,所述测试样本的测试CPUE与测试样本的真实CPUE的偏差小于阈值I是指测试样本的测试CPUE与测试样本的真实CPUE之差的绝对值小于测试样本的真实CPUE的0.1~0.2%。本发明的保护范围并不仅限于此,本领域技术人员根据实际情况进行适当的调整阈值I。
如上所述的综合多源卫星遥感预测远洋渔业资源丰度的方法,步骤(6)中的调整BP神经网络的参数是指调整输入层、隐含层和输出层之间的连接权值。在符合本领域常识的基础上,上述各优选条件,可任意组合,即得本发明各较佳实例。
本发明还提供一种综合多源卫星遥感预测远洋渔业资源丰度的方法的应用,具体为一种电子设备,包括一个或多个处理器、一个或多个存储器、一个或多个程序及数据搜集装置;
所述数据搜集装置用于获取时间段A内海域B鱼类C的生产统计数据、时间段A内海域B的多源卫星遥感获取的海洋环境因子的数据及待预测时间段内海域B鱼类C的海洋环境因子的数据,所述一个或多个程序被存储在所述存储器中,当所述一个或多个程序被所述处理器执行时,使得所述电子设备执行如上所述的综合多源卫星遥感预测远洋渔业资源丰度的方法。
有益效果:
(1)本发明的综合多源卫星遥感预测远洋渔业资源丰度的方法,首次提出以海水质量变化和地转流作为海洋环境因子,其中,海水质量变化能够反映海水密度变化,地转流能够反演海洋流速,而海水密度变化及海洋流速这些影响因子与海洋鱼类的资源丰度分布息息相关,将海水质量变化和地转流作为考察的海洋环境因子不仅能够极大地提高获取的预测模型的预测精度,而且能够一定程度上避免海洋环境信息因子引入不当或特征不典型而造成的模型不稳定的问题即预测稳定性差的问题,;
(2)本发明的综合多源卫星遥感预测远洋渔业资源丰度的方法,海洋环境因子均可依据多源卫星遥感实时获取即数据获取精确性高,能够进一步提高预测的精度;
(3)本发明的电子设备,结构简单,成本低廉,能够快速实现了对远洋渔业资源丰度的预测。
附图说明
图1为本发明的综合多源卫星遥感预测远洋渔业资源丰度的方法的流程图;
图2和图3分别为基于T1数据的对比例和实施例1在北纬43°、东经155°处模拟的CPUE值与鱿钓船实测值的比较图;
图4和图5分别为基于对比例和实施例1的方案模拟所得2012年7月的柔鱼CPUE值的空间分布示意图;
图6为2012年7月鱿钓船实测的柔鱼CPUE值的空间分布图;
图7和图8分别为对比例和实施例1对T1时间段内逐月的西北太平洋柔鱼CPUE模拟结果与鱿钓船实测值之间的标准偏差的空间分布图;
图9和图10分别为对比例和实施例1对T1时间段内逐月的西北太平洋柔鱼CPUE模拟结果与鱿钓船实测值之间的均方根误差的空间分布图;
图11和图12分别为对比例和实施例1预测2013年11月的柔鱼CPUE值的空间分布图;
图13为2013年11月鱿钓船实测的CPUE值的空间分布图;
图14和图15分别为对比例和实施例1对T2时间段内逐月的西北太平洋柔鱼CPUE模拟结果与鱿钓船实测值之间的标准偏差的空间分布图;
图16和图17分别为对比例和实施例1对T2时间段内逐月的西北太平洋柔鱼CPUE模拟结果与鱿钓船实测值之间的均方根误差的空间分布图;
图18为本发明的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
一种综合多源卫星遥感预测远洋渔业资源丰度的方法,如图1所示,其步骤如下:
(1)对2004~2017年5~12月,坐标范围为35°~50°N、150°~175°E内柔鱼的生产统计数据及2004~2017年5~12月,坐标范围为35°~50°N、150°~175°E的多源卫星遥感获取的海洋环境因子的数据进行处理(在时间域上按照指定的时间分辨率(月)进行平均处理,在空间域上按照1°×1°的空间分辨率进行重采样),获取2004~2017年5~12月,坐标范围为35°~50°N、150°~175°E内柔鱼的时空同步的CPUE与海洋环境因子的数据,海洋环境因子包括海水质量变化、地转流、海表温度(SST)、叶绿素a浓度(Chl-a)和海表面高度距平(SSHA)。
数据的获取及处理具体如下:
本专利中的柔鱼生产统计数据来自上海海洋大学中国远洋渔业数据中心。选取2004~2017年的西北太平洋海域的柔鱼历史渔业捕捞数据,统计获取逐月平均、空间分辨率为1°×1°的柔鱼CPUE值。对不同卫星平台的海洋环境因子的数据来源及处理方法如下:
本专利所使用的SST和Chl-a数据均来自于中分辨率成像光谱仪MODIS传感器(http://oceandata.sci.gsfc.nasa.gov/)。MODIS是由美国宇航局研制的大型空间传感器,搭载于Terra和Aqua上。MODIS数据有36个波段,每日或每两日可获得一次全球观测数据。为了保证研究区域内数据的完整性,我们选取了Terra和Aqua卫星平台上的月平均SST和Chl-a数据产品,空间分辨率为9km。在实际操作中,我们将Terra和Aqua得到的数据产品进行平均后,然后将平均后的SST和chl-a进行重采样处理,获得2004~2017年5~12月的空间分辨率为1°×1°的月平均SST和Chl-a。
为了获取海面高度距平值SSHA,本专利选用法国航天局AVISO中心提供的海面高异常格网数据(https://www.aviso.altimetry.fr/data.html),该数据融合了Topex/Poseidon,ERS-1/2,Jason-1,Envisat和Jason-2多颗卫星的测高资料,选取20年(1993-2013)的平均海面高模型作为参考基准。该数据与单颗测高卫星的数据相比,不仅极大地提高了海平面变化的空间分辨率,而且能够提供更长时间序列的海面高异常数据。对于不同的测高卫星的数据融合,采用相同观测时间段的观测资料,计算出不同的测高卫星的系统性偏差。该数据经过了多种必要的地球物理改正,包括电离层延迟改正、对流层干湿分量改正、固体潮和海潮改正、海洋负荷潮汐改正、极潮改正、电磁偏差改正、仪器改正和反变气压计改正等。
为了获取海水质量变化,本专利选取美国德克萨斯大学空间研究中心(CSR)发布的GRACE卫星的Level-2 RL05版本的时变重力场月平均数据(http:// www2.csr.utexas.edu/grace/RL05.html)进行后续处理,该版本数据提供平均每个月的地球重力场模型的球谐系数。由于GRACE重力场模型系数只是展开至有限的阶数,表面密度变化也只能计算到截断阶次,因此在计算地球质量变化时将不可避免会产生截断误差。为了最大程度的降低GRACE噪音基础上尽量保留原有数据的信号,以保证其空间分辨率,本文中选取了500km为平滑半径,然后利用高斯核函数对GRACE重力位系数进行了平滑滤波处理。在GRACE数据处理中还需对低阶重力场系数进行处理。本专利利用海洋模型和GRACE数据解算得到的一阶重力场系数来代替GRACE重力场系数中的一阶项;另外,本专利利用卫星激光测距(SLR)得到的二阶项来代替GRACE重力位系数中的二阶项。此外,由于GRACE在数据处理中扣除了大气和海洋高频非潮汐变化影响,因此,在利用GRACE Level-2数据研究海水质量变化时,应恢复该影响。经过上述处理之后,我们基于GRACE数据得到了空间分辨率为1°×1°,时间跨度为2004年1月至2017年12月的月变全球海水质量变化,然后从中截取出我们需要的西北太平洋区域的结果。
在研究地转流时,需要首先确定海面地形。海面地形(ζ)是海面高度(h)与大地水准面高(N)之差,可表示为:
ζ=h-N
其中,海面高度可以由卫星测高数据获得,而大地水准面高则由高精度的卫星重力场模型获取。将海面地形代入如下公式:
式中,f为科里奥利参数,g为重力加速度,us,vs分别表示地转流的东西分量和南北分量。将地转流的东西分量和南北分量进行合成后,即可进一步获取地转流的大小。经过上述处理之后,我们可以得到空间分辨率为1°×1°,时间跨度为2004年1月至2017年12月的月变地转流东西分量和南北分量,然后从中获得我们需要的西北太平洋区域的地转流大小。
(2)从2004~2017年5~12月,坐标范围为35°~50°N、150°~175°E内柔鱼的CPUE与海洋环境因子的数据中选取2004~2012年5~12月和2013~2017年5~12月的数据,分别即为T1和T2,而后分别将T1和T2分为训练集和测试集(训练集与测试集的数量比为2:1);
(3)从训练集中选取训练样本,判断训练集中训练样本是否已经全部被选取过;
(4)训练集中训练样本未被全部被选取过,则采用步骤(3)选取的训练样本对基于BP神经网络建立的CPUE预测模型(CPUE预测模型包括输入层、隐含层和输出层;输入层为海洋环境因子即海水质量变化、地转流、海表温度(SST)、叶绿素a浓度(Chl-a)和海表面高度距平(SSHA),输出层为CPUE)进行训练,CPUE预测模型的输入为海洋环境因子,输出为CPUE,反之,则以前次训练得到的CPUE预测模型作为最终预测模型。
其中BP神经网络的构建如下:
经验公式设置隐含层节点M;
选用的训练函数为Levenberg-Marquardt(LM)反向传播算法。该算法类似牛顿法,是为了在修正速率是避免计算Hessian矩阵而设计的。当误差性能函数e具有平方和误差的形式时,Hessian矩阵可近似表示为:
H=JTJ
梯度可以表示为
g=JTe
式中J为包含误差性能函数对网络权值一阶导数的雅可比矩阵。LM算法根据下式修正网络权值:
ω(n+1)=ω(n)-[JTJ+μI]-1JTe
当μ=0时,LM算法退化为牛顿法;当μ很大时,上式相当于步长较小的梯度下降法。柔鱼雅可比矩阵的计算比Hessian矩阵易于计算,因此速度非常快。
BP神经网络的构建是在Matlab 2018b的环境下进行并完成的。所设置的BP神经网络的其他主要参数包括:学习速率0.01,训练精度0.001,最大训练次数为1000次,隐含层和输出层的传递函数均为线性函数purelin。
(5)从测试集中选取测试样本,将测试样本的海洋环境因子输入步骤(4)训练得到的CPUE预测模型得到该测试样本的测试CPUE;
(6)测试样本的测试CPUE与测试样本的真实CPUE的偏差小于阈值I(测试样本的测试CPUE与测试样本的真实CPUE之差的绝对值小于测试样本的真实CPUE的0.1~0.2%),则该CPUE预测模型即为最终预测模型,反之,则调整BP神经网络的参数(调整输入层、隐含层和输出层之间的连接权值)并返回步骤(3);
(7)获取待预测时间段内待预测海域柔鱼的海洋环境因子(海水质量变化、地转流、海表温度(SST)、叶绿素a浓度(Chl-a)和海表面高度距平(SSHA)),将其输入到最终预测模型可得待预测时间段内待预测海域柔鱼的资源丰度,进而完成对远洋渔业资源丰度的预测。
对比例
一种远洋渔业资源丰度的预测方法,其步骤与实施例1基本相同,不同在于,基于BP神经网络建立的CPUE预测模型的输入层为海表温度(SST)、叶绿素a浓度(Chl-a)和海表面高度距平(SSHA);
为验证本发明的预测方法的精确度,下文对实施例1及对比例的预测结果等进行详细对比;
基于T1数据的对比例在北纬43°、东经155°处模拟的CPUE值与鱿钓船实测值的比较结果如图2所示,图2中还给出了该格点的CPUE模拟结果与实测值的标准差(STD)和均方根误差(RMSE),分别来表征BP神经网络进行模拟和预测结果的离散与精确程度;
基于T1数据的实施例1在北纬43°、东经155°处模拟的CPUE值与鱿钓船实测值的比较结果如图3所示,对比图2和图3可以看出,实施例1对柔鱼CPUE值模拟较对比例的可靠性和精度都要高;
图4和图5分别为基于对比例和实施例1的方案模拟所得2012年7月的柔鱼CPUE值的空间分布示意图,图6为2012年7月鱿钓船实测的柔鱼CPUE值的空间分布,对比可以发现,对比例模拟的2012年7月的西北太平洋柔鱼CPUE的平均偏差和均方根误差分别为0.62和0.88t/d,而实施例1模拟结果的平均偏差和均方根误差分别为0.26和0.55t/d,因此可以看出实施例1的模拟结果在2012年7月要优于对比例;
图7和图8分别为对比例和实施例1对T1时间段内逐月的西北太平洋柔鱼CPUE模拟结果与鱿钓船实测值之间的标准偏差的空间分布图,对比可以发现对比例和实施例1模拟结果的平均STD分别为0.95和0.74t/d,可以看出实施例1模拟的西北太平洋柔鱼CPUE与实测值的离散程度要低于对比例;
图9和图10分别为对比例和实施例1对T1时间段内逐月的西北太平洋柔鱼CPUE模拟结果与鱿钓船实测值之间的均方根误差的空间分布图,对比可以发现对比例和实施例1平均RMSE分别为0.94和0.73t/d,且在东经160°~175°范围内实施例1的CPUE模拟误差要显著低于对比例;
图11和图12分别为对比例和实施例1预测2013年11月的柔鱼CPUE值的空间分布图,图13为2013年11月鱿钓船实测的CPUE值的空间分布图,对比可以发现,对比例预测2013年11月的西北太平洋柔鱼CPUE的平均偏差和均方根误差分别为-0.44和1.30t/d,实施例1预测结果的平均偏差和均方根误差分别为0.05和1.21t/d,由此可以看出实施例1相比于对比例而言在平均偏差和均方根误差上分别提高了88%和7%;
图14和图15分别为对比例和实施例1对T2时间段内逐月的西北太平洋柔鱼CPUE模拟结果与鱿钓船实测值之间的标准偏差的空间分布图,对比可以发现对比例和实施例1模拟结果的平均STD分别为1.98和1.36t/d,可以看出实施例1能有效减弱对比例中的预测的异常偏大值,且实施例1比对比例预测CPUE值的标准误差提高了31%;
图16和图17分别为对比例和实施例1对T2时间段内逐月的西北太平洋柔鱼CPUE模拟结果与鱿钓船实测值之间的均方根误差的空间分布图,对比可以发现对比例和实施例1平均RMSE分别为2.11和1.55t/d,实施例1相比于对比例预测CPUE的均方根误差提高了26%。
综上可以看出,引入了海水质量变化和地转流作为海洋环境因子,不仅极大地提高了预测精度,而且能够提高预测结果的稳定性。
经验证,本发明的综合多源卫星遥感预测远洋渔业资源丰度的方法,首次提出以海水质量变化和地转流作为海洋环境因子,其中,海水质量变化能够反映海水密度变化,地转流能够反演海洋流速,而海水密度变化及海洋流速这些影响因子与海洋鱼类的资源丰度分布息息相关,将海水质量变化和地转流作为考察的海洋环境因子不仅能够极大地提高获取的预测模型的预测精度,而且能够一定程度上避免海洋环境信息因子引入不当或特征不典型而造成的模型不稳定的问题即预测稳定性差的问题;海洋环境因子均可依据多源卫星遥感实时获取即数据获取精确性高,能够进一步提高预测的精度,极具应用前景。
实施例2
一种电子设备,如图18所示,包括一个或多个处理器、一个或多个存储器、一个或多个程序及数据搜集装置;
数据搜集装置用于获取时间段A内海域B鱼类C的生产统计数据、时间段A内海域B的多源卫星遥感获取的海洋环境因子的数据及待预测时间段内海域B鱼类C的海洋环境因子的数据,一个或多个程序被存储在存储器中,当一个或多个程序被处理器执行时,使得电子设备执行如实施例1所述的综合多源卫星遥感预测远洋渔业资源丰度的方法。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应该理解,这些仅是举例说明,在不违背本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改。
Claims (9)
1.综合多源卫星遥感预测远洋渔业资源丰度的方法,其特征在于,首先,处理时间段A内海域B鱼类C的生产统计数据及时间段A内海域B的多源卫星遥感获取的包括海水质量变化和地转流在内的海洋环境因子的数据得到时间段A内海域B鱼类C的时空同步的CPUE与海洋环境因子的数据;然后,使用所得数据训练并测试基于BP神经网络建立的CPUE预测模型得到最终预测模型;最后,将待预测时间段内海域B鱼类C的海洋环境因子输入最终预测模型即可完成对待预测时间段内海域B鱼类C的CPUE的预测。
2.根据权利要求1所述的综合多源卫星遥感预测远洋渔业资源丰度的方法,其特征在于,步骤如下:
(1)对时间段A内海域B鱼类C的生产统计数据及时间段A内海域B的多源卫星遥感获取的海洋环境因子的数据进行处理,获取时间段A内海域B鱼类C的时空同步的CPUE与海洋环境因子的数据,所述海洋环境因子包括海水质量变化和地转流;
(2)将步骤(1)获取的时间段A内海域B鱼类C的时空同步的CPUE与海洋环境因子的数据分为训练集和测试集;
(3)从训练集中选取训练样本,判断训练集中训练样本是否已经全部被选取过;
(4)训练集中训练样本未被全部被选取过,则采用步骤(3)选取的训练样本对基于BP神经网络建立的CPUE预测模型进行训练,所述CPUE预测模型的输入为海洋环境因子,输出为CPUE,反之,则以前次训练得到的CPUE预测模型作为最终预测模型;
(5)从测试集中选取测试样本,将测试样本的海洋环境因子输入步骤(4)训练得到的CPUE预测模型得到该测试样本的测试CPUE;
(6)测试样本的测试CPUE与测试样本的真实CPUE的偏差小于阈值I,则该CPUE预测模型即为最终预测模型,反之,则调整BP神经网络的参数并返回步骤(3);
(7)获取待预测时间段内海域B鱼类C的海洋环境因子,将其输入到最终预测模型可得待预测时间段内海域B鱼类C的资源丰度,进而完成对远洋渔业资源丰度的预测。
3.根据权利要求1或2所述的综合多源卫星遥感预测远洋渔业资源丰度的方法,其特征在于,所述海洋环境因子还包括海表温度、叶绿素a浓度和海表面高度距平。
4.根据权利要求2所述的综合多源卫星遥感预测远洋渔业资源丰度的方法,其特征在于,步骤(1)中的对时间段A内海域B鱼类C的生产统计数据及时间段A内海域B的多源卫星遥感获取的海洋环境因子的数据进行处理是指在时间域上按照指定的时间分辨率进行平均处理,在空间域上按照指定的空间分辨率进行重采样。
5.根据权利要求2所述的综合多源卫星遥感预测远洋渔业资源丰度的方法,其特征在于,所述训练集与测试集的数量比为2:1。
6.根据权利要求1或2所述的综合多源卫星遥感预测远洋渔业资源丰度的方法,其特征在于,所述CPUE预测模型包括输入层、隐含层和输出层;输入层为海洋环境因子,输出层为CPUE。
7.根据权利要求2所述的综合多源卫星遥感预测远洋渔业资源丰度的方法,其特征在于,所述测试样本的测试CPUE与测试样本的真实CPUE的偏差小于阈值I是指测试样本的测试CPUE与测试样本的真实CPUE之差的绝对值小于测试样本的真实CPUE的0.1~0.2%。
8.根据权利要求2所述的综合多源卫星遥感预测远洋渔业资源丰度的方法,其特征在于,步骤(6)中的调整BP神经网络的参数是指调整输入层、隐含层和输出层之间的连接权值。
9.一种电子设备,其特征在于,包括一个或多个处理器、一个或多个存储器、一个或多个程序及数据搜集装置;
所述数据搜集装置用于获取时间段A内海域B鱼类C的生产统计数据、时间段A内海域B的多源卫星遥感获取的海洋环境因子的数据及待预测时间段内海域B鱼类C的海洋环境因子的数据,所述一个或多个程序被存储在所述存储器中,当所述一个或多个程序被所述处理器执行时,使得所述电子设备执行如权利要求1~8任一项所述的综合多源卫星遥感预测远洋渔业资源丰度的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010505197.XA CN111652443A (zh) | 2020-06-05 | 2020-06-05 | 综合多源卫星遥感预测远洋渔业资源丰度的方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010505197.XA CN111652443A (zh) | 2020-06-05 | 2020-06-05 | 综合多源卫星遥感预测远洋渔业资源丰度的方法及其应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111652443A true CN111652443A (zh) | 2020-09-11 |
Family
ID=72348809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010505197.XA Pending CN111652443A (zh) | 2020-06-05 | 2020-06-05 | 综合多源卫星遥感预测远洋渔业资源丰度的方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652443A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329998A (zh) * | 2020-10-26 | 2021-02-05 | 上海海洋大学 | 一种基于分层水温的渔业资源丰度的预测方法及其应用 |
CN112541613A (zh) * | 2020-11-08 | 2021-03-23 | 上海海洋大学 | 一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法 |
CN113159400A (zh) * | 2021-04-02 | 2021-07-23 | 上海海洋大学 | 基于原位遥感信息的远洋渔类生境分布预测方法及其应用 |
CN114242156A (zh) * | 2021-12-17 | 2022-03-25 | 厦门大学 | 海洋微塑料上致病性弧菌相对丰度的实时预测方法及系统 |
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 |
CN114444819A (zh) * | 2022-04-11 | 2022-05-06 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 一种渔业资源预测方法、装置、存储介质以及电子设备 |
CN114494837A (zh) * | 2022-01-06 | 2022-05-13 | 中国水产科学研究院南海水产研究所 | 一种渔业资源的密度智能识别方法及系统 |
CN114943696A (zh) * | 2022-05-13 | 2022-08-26 | 南方海洋科学与工程广东省实验室(广州) | 基于遥感影像的海洋环境变化监测方法、装置及介质 |
CN115860284A (zh) * | 2023-03-01 | 2023-03-28 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 渔业资源密度识别方法、装置、存储介质以及电子设备 |
CN114943696B (zh) * | 2022-05-13 | 2024-06-28 | 南方海洋科学与工程广东省实验室(广州) | 基于遥感影像的海洋环境变化监测方法、装置及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157162A (zh) * | 2016-07-22 | 2016-11-23 | 上海海洋大学 | 一种北太平洋鱿鱼中心渔场预测方法 |
CN107341565A (zh) * | 2017-06-15 | 2017-11-10 | 上海海洋大学 | 西北太平洋日本鳀鱼资源丰度预测方法 |
CN108665104A (zh) * | 2018-05-14 | 2018-10-16 | 华际卫星通信有限公司 | 一种基于lstm的渔场预报方法 |
-
2020
- 2020-06-05 CN CN202010505197.XA patent/CN111652443A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157162A (zh) * | 2016-07-22 | 2016-11-23 | 上海海洋大学 | 一种北太平洋鱿鱼中心渔场预测方法 |
CN107341565A (zh) * | 2017-06-15 | 2017-11-10 | 上海海洋大学 | 西北太平洋日本鳀鱼资源丰度预测方法 |
CN108665104A (zh) * | 2018-05-14 | 2018-10-16 | 华际卫星通信有限公司 | 一种基于lstm的渔场预报方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN112329998A (zh) * | 2020-10-26 | 2021-02-05 | 上海海洋大学 | 一种基于分层水温的渔业资源丰度的预测方法及其应用 |
CN112541613A (zh) * | 2020-11-08 | 2021-03-23 | 上海海洋大学 | 一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法 |
CN112541613B (zh) * | 2020-11-08 | 2024-04-05 | 上海海洋大学 | 一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法 |
CN113159400A (zh) * | 2021-04-02 | 2021-07-23 | 上海海洋大学 | 基于原位遥感信息的远洋渔类生境分布预测方法及其应用 |
CN114242156A (zh) * | 2021-12-17 | 2022-03-25 | 厦门大学 | 海洋微塑料上致病性弧菌相对丰度的实时预测方法及系统 |
CN114494837A (zh) * | 2022-01-06 | 2022-05-13 | 中国水产科学研究院南海水产研究所 | 一种渔业资源的密度智能识别方法及系统 |
CN114494837B (zh) * | 2022-01-06 | 2024-05-07 | 中国水产科学研究院南海水产研究所 | 一种渔业资源的密度智能识别方法及系统 |
CN114444819A (zh) * | 2022-04-11 | 2022-05-06 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 一种渔业资源预测方法、装置、存储介质以及电子设备 |
CN114943696A (zh) * | 2022-05-13 | 2022-08-26 | 南方海洋科学与工程广东省实验室(广州) | 基于遥感影像的海洋环境变化监测方法、装置及介质 |
CN114943696B (zh) * | 2022-05-13 | 2024-06-28 | 南方海洋科学与工程广东省实验室(广州) | 基于遥感影像的海洋环境变化监测方法、装置及介质 |
CN115860284A (zh) * | 2023-03-01 | 2023-03-28 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 渔业资源密度识别方法、装置、存储介质以及电子设备 |
CN115860284B (zh) * | 2023-03-01 | 2023-05-16 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 渔业资源密度识别方法、装置、存储介质以及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652443A (zh) | 综合多源卫星遥感预测远洋渔业资源丰度的方法及其应用 | |
CN112905560A (zh) | 一种多源时空大数据深度融合的空气污染预测方法 | |
Yin et al. | Comparison of physical and data-driven models to forecast groundwater level changes with the inclusion of GRACE–A case study over the state of Victoria, Australia | |
Robinson et al. | Overview of data assimilation | |
CN110689179A (zh) | 基于时空序列混合模型的水华预测方法 | |
CN110909449B (zh) | 一种多源数据电离层区域现报方法 | |
CN112099110A (zh) | 基于机器学习和遥感数据的海洋内波预报方法 | |
CN109154664A (zh) | 具有低延时时钟校正值的导航卫星轨道和时钟的确定 | |
CN113341476B (zh) | 基于海底地形-重力联合提高海洋重力空间分辨率的方法 | |
CN113205155A (zh) | 一种基于分区自适应权重的多源降水数据融合方法 | |
CN113468799A (zh) | 一种静止气象卫星观测中获取近地面pm2.5浓度的方法及系统 | |
CN115758074A (zh) | 基于多源数据的高空间分辨率海水二氧化碳分压重构方法 | |
CN114676621A (zh) | 基于深度学习权重负载提高陆地水储量异常准确性方法 | |
CN116299247B (zh) | 一种基于稀疏卷积神经网络的InSAR大气校正方法 | |
Ma et al. | A high-precision hydrodynamic model coupled with the hydrological habitat suitability model to reveal estuarine vegetation distribution | |
CN105893329A (zh) | 一种基于月尺度的潮位资料一致性修正方法 | |
CN115540832A (zh) | 基于VGGNet的卫星测高海底地形校正方法及系统 | |
Yakubu et al. | Modelling Uncertainties in Differential Global Positioning System Dataset | |
CN113627465A (zh) | 基于卷积长短期记忆神经网络的降水数据时空动态融合方法 | |
Ma et al. | Ecological vulnerability assessment of coral islands and reefs in the South China Sea based on remote sensing and reanalysis data | |
Shi et al. | A Grey Model for Short-Term Prediction of the Ionospheric TEC | |
Isern-Fontanet et al. | Retrieval and assimilation of velocities at the ocean surface | |
Mao et al. | Terrestrial evapotranspiration over China from 1982 to 2020: Consistency of multiple data sets and impact of input data | |
Alonso et al. | Automatic calibration of a wave model with an evolutionary Bayesian method | |
Zhao et al. | Using drifter velocity measurements to assess and constrain coarse-Resolution Ocean models |
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 |