基于空间自回归和空间聚类的渔情预报模型

作者针对远洋渔场渔情预报精度偏低的问题,提出一种基于空间自回归和空间聚类的渔情预报模型。该模型利用空间自回归对收集到的渔业历史数据进行预处理,然后通过空间聚类将所有数据样本根据地理位置分划成若干个区域,最后研究每个区域中环境数据与渔获数据之间的数学关系,各自建立栖息地适宜性指数模型(Habitat Suitability Index,HSI),并以印度洋大眼金枪鱼(Thunnus obesus)为例进行验证。结果表明,本模型的均方差为0.1742,与传统线性回归方法的均方差0.2363相比,能更好地表达海洋环境数据与渔获量之间的关系,预测精度显著提高。     

西北太平洋柔鱼中长期预测方法研究

为了能更好预测西北太平洋柔鱼的资源量, 选择合适的预测方法及开发相应的预测系统颇为重要。利用相关性分析, 筛选出在产卵区显著影响西北太平洋柔鱼资源量的关键网格点, 并采用这些网格点的海表温度、产卵区适宜温度所占面积的比例和单位努力捕获量等数据组织样本, 然后利用线性回归、BP 神经网络、RBF 神经网络和支持向量机等预测方法进行实验。结果表明: 在西北太平洋柔鱼中长期预测中, BP 神经网络要优于其他方法。以相关性分析和BP 神经网络为基础建立的西北太平洋柔鱼资源量预测系统是有效可行的。