基于BP神经网络的公交动态行程时间预测方法研究

公交行程时间的精确预测对于提升公交吸引力具有重要意义。本文基于公交车到离站的历史数据,综合考虑时间周期、站点、站间距离、天气等多个因素,建立了基于BP神经网络的公交车静态行程时间预测模型,以该模型为基础,采用动态迭代的方法,叠加多个站间行程时间预测结果,进一步构建了面向连续站点的公交车动态行程时间预测模型,实现对跨越多个站点的公交行程时间预测。以青岛市125路公交为例对算法进行测试。在模型的横向对比实验中,本模型预测结果的绝对误差均在50 s以内,平均绝对误差百分比(MAPE)为11.74%,均方根误差(RMSE)为23.15,R2的确定系数为0.905 1,SVM的MAPE、RMSE、R2 误差指标分别为:12.38%、38.33、0.743 6,LR对应的误差指标分别为:12.50%、25.59、0.884 1;在静态模型与动态模型的对比实验中,动态模型预测结果的MAPE为11.75%,RMSE为23.15,静态模型对应误差指标分别为:11.63%、26.74。研究结果表明,基于BP神经网络的公交动态行程时间预测模型比传统的静态预测方法具有更高的预测精度。     

基于多变量LSTM神经网络模型的PDO指数预测研究

利用1921–2020年的海平面气压、海平面高度、热含量数据以及海冰密集度作为太平洋年代际振荡（Pacific Decadal Oscillation, PDO）指数的预报要素,建立了关于PDO指数时间序列预测的多变量长短期记忆（Long Short Term Memory, LSTM）神经网络模型,对比分析了2011–2020年不同时间序列预测模型的PDO指数预测结果,最后利用多变量LSTM神经网络模型实现了2021–2030年的PDO指数预测。结果显示,多变量LSTM神经网络模型的预测值与观测值经过交叉验证后的平均相关系数和均方根误差分别为0.70和0.62;PDO未来10年将一直处于冷位相,PDO神经网络指数出现两次波动,于2025年出现最小值。相比于其他时间序列预测模型,本文采用的多变量LSTM神经网络模型预测结果误差小、拟合效果好,可以作为一种新型的预测PDO指数的手段。     

基于回归模型的南海表层漂流浮标轨迹模拟研究

分别利用地转流、风海流和ROMS模式表层海流中的一项或者多项作为自变量,建立了关于表层漂流浮标漂移速度的回归模型,模拟了2017年12月—2018年2月和2019年12月—2020年2月的南海海域表层漂流浮标轨迹。根据回归模型结果对浮标进行72 h的漂移轨迹模拟,对比结果显示:基于地转流、风海流和ROMS模式表层海流3项作为自变量的回归模型(M_EGR)效果最好,其浮标模拟轨迹的72 h平均距离误差为38 km,平均角度误差为35°,平均综合技术得分为0.34。将风海流和地转流作为自变量加入到以ROMS模式表层海流结果为自变量的回归模型中,浮标模拟轨迹的72 h平均距离误差减少10 km,平均角度误差减少5°,平均技术得分提高0.09,特别是在涡旋附近区域的模拟效果得到显著提升。该方法对利用ROMS模式结果进行漂移浮标轨迹预测具有较好的校正效果。此外,风海流叠加地转流数据和ROMS模式数据在南海漂流浮标轨迹的预测方面具有较好的互补性;在南海流速相对稳定的区域,利用M_EGR模型得到的拟合流速可以较为准确地模拟漂移浮标轨迹,在南海涡旋活跃的区域,该模型效果有待进一步提升。     

基于奇异值分解技术的近海水体硅藻浓度反演模型研究

浮游植物是水体生态系统中的重要初级生产者,其中硅藻贡献海洋初级生产力约40%,因此估算硅藻浓度对了解海洋生物地球化学过程和生态系统演变至关重要。本文基于2016年6月黄渤海和2018年7月黄渤海航次实测色素浓度数据集,利用CHEMTAX软件,获取硅藻浓度信息;之后,结合实测遥感反射率数据,利用奇异值分解方法,构建硅藻浓度反演模型。检验结果表明：模型的决定系数为0.80(p<0.001),平均绝对百分比误差和中值误差分别为58.62%和39.12%,模型适用度较高;经过卫星验证,该模型适用于GOCI(Geostationary Ocean Color Imager)传感器。将模型应用于2020年6月份GOCI月平均数据,其硅藻浓度空间分布趋势与前人研究一致。本研究成果可为近海水体硅藻生物量的遥感估算研究提供技术方法支撑。     

基于神经网络的印度洋长鳍金枪鱼(Thunnus alalunga)时空分布与海洋环境关系研究

长鳍金枪鱼(Thunnusalalunga)是主要的经济性金枪鱼鱼种之一,其空间分布与环境因子存在着密切联系。利用2012—2019年印度洋长鳍金枪鱼生产数据和海洋环境数据,包括海表面温度(sea surface temperature, SST)、叶绿素浓度(chlorophyll a, chl a)和海表面盐度(sea surface salinity, SSS)构建印度洋长鳍金枪鱼时空分布神经网络模型。以空间(经度,纬度)、环境因子(SST, chl a, SSS)为解释变量,局部渔获量为因变量,变化隐含层节点数,构建了18个BP空间分布模型,并采用10×10交叉验证模型稳定性,以均方误差(meansquareerror,MSE)、平均相对方差(averagerelativevariance,ARV)以及拟合优度(R~2)作为不同模型精度与稳定性的评判标准,最终选取5-18-1(隐含层节点18)模型为最佳模型,其平均MSE值为0.02232,平均ARV值为0.511。利用最优模型预测结果与同期实际捕捞产量进行叠加对比发现两者具有一致性。环境因子敏感性分析表明海表温度显著影响印度洋长鳍金枪鱼渔场分布,其贡献率达到0.2。印度洋长鳍金枪鱼高精度BP神经网络时空分布模型为其资源的可持续开发与动态管理提供了一种新思路。     

南海北部次表层叶绿素最大值年际变化特征分析*

次表层叶绿素最大值(subsurface chlorophyll maxima, SCMs)广泛存在于全球各海域, 该最大值层往往具有较高的海洋初级生产力和新生产力, 因此研究其年际变化特征对深入理解气候变化影响下海洋生态系统变化有重要意义。本文采用一维物理-生态耦合模型(one-dimensional physical-biological coupled model, MEM-1D)较好地模拟了1994—2019年南海北部海盆区海温、盐度、营养盐和叶绿素的垂向分布, 并采用3种统计方法, 分别从整体趋势、不同时间尺度及显著变化三方面分析了SCMs特征因子(强度、深度和厚度)的年际变化特征。总体而言1994—2019年SCMs强度整体减小趋势较弱(趋势斜率S<0), 具体表现为先减小(1994—2004年)后增大(2005—2012年)再减小(2013—2019年), 其中1999—2004年显著变小; SCMs深度呈变深趋势(趋势斜率S>0), 1994—2011年逐渐变深, 之后逐渐变浅, 但变化不显著; SCMs厚度整体呈增大趋势, 1999年起显著变大。相关分析发现, 海表面温度在年际变化上与SCMs特征因子间不存在相关性(P>0.05); 海表面温度对SCMs的影响主要表现在季节尺度上, SCMs深度和强度均与海表面温度呈一致性变化。季节性差分自回归滑动平均模型对SCMs三个特征因子的拟合效果较好, 平均绝对百分比误差分别为5.33%(强度)、0.62%(深度)、2.49%(厚度), 模型可用于对SCMs特征因子变化趋势的预测。     

声速剖面反演预测方法

利用2006—2017年我国南海部分区域(112°～114°E,10°～12°N)的Argo观测数据,对该海区声速剖面进行了仿真分析和研究。在此基础上,利用遗传算法(GA)优化的径向基函数(RBF)神经网络建立反演预测模型(GA-RBF),结合海区表面实测温度和历史数据,研究了该区域2016—2017年的声速剖面实时预测情况,并获得该海区6月和12月的声速剖面平均均方根误差值为0.845 m/s和0.815 m/s;而采用平均声速剖面方法获得该海区6月和12月的声速均方根误差分别是2.393 m/s和2.176 m/s。仿真结果表明:基于GA-RBF网络模型并利用海区表面实测温度的反演预测结果更趋近实测声速剖面,该模型可用于海区垂直声速剖面的实时预测。     

胶州湾海域海水浊度和悬浮物粒径分布及遥感反演模型

为拓展无人机搭载多光谱相机在海上应用的广度和精度,利用2021年1月、3—7月共6个航次的胶州湾海域现场观测数据,采用多种数理统计方法,开展了海水浊度和悬浮物粒径时空分布特征及基于多光谱数据的遥感反演研究。浊度和悬浮物粒径的分析结果表明,胶州湾湾内海域表层浊度冬季偏低,春夏季高,特别是5月浊度最高,是春季水华暴发浮游植物大量繁殖的结果。胶州湾悬浮颗粒以极细砂为主;悬浮物粒径冬季较粗、春季较细、夏季最小,与水动力条件的季节变化密切相关。将多光谱数据计算得到的不同波段离水辐照度反射率与浊度和悬浮物粒径分别进行相关性分析,结果显示红光波段(660～680nm)的辐照度反射率对浊度和粒径参数最敏感。基于红光波段的波段组合构建了多种函数类型的浊度反演模型,基于450和660 nm处的离水辐照度反射率构建的多项式模型反演效果最好,预测浊度与实测浊度的相关系数为0.82,预测浊度的均方根误差为1.448 FTU。通过基于红光波段的波段组合以及后向散射系数分别构建平均粒径的反演模型,基于555和660 nm处的离水辐照度反射率构建的多项式模型对平均粒径有较好的预测效果,预测结果的均方根误差为0.051...     

全新世以来泰国湾古气候演化历史———来自地球化学和矿物学证据

为了对海表温度(SeaSurfaceTemperature,SST)和海表盐度(SeaSurfaceSalinity,SSS)数据进行精确的短期预报,基于多站位海洋观测浮标获取的海表温度和海表盐度数据,利用反向传播(BackPropagation,BP)和径向基函数(RadialBasisFunction,RBF)两种神经网络方法开展了短期预测。首先,在预测时长固定为5d的情况下,对比不同训练时长的预测结果的均方误差(MeanSquaredError,MSE),进而确定以20d的观测数据作为训练集的预测结果均方误差最小。然后,以 PAPA 站观测浮标获取的2009年1月、4月、7月和10月各月的前20d温盐数据作为训练集,分别训练BP和 RBF神经网络,将训练好的2种神经网络模型应用于各月第21至25日的温盐数据预测。结果表明:BP和 RBF神经网络均能有效预测海表温盐数据的季节性变化,但 RBF神经网络对不同预测时间的整体预测效果优于 BP神经网络。多站点数据的预测实验进一步验证了 RBF神经网络模型具有较强适用性和更高的准确性。RBF神经网络模型可以作为海表温盐数据短期预报的有力工具。     

一种改进的VMD-XGBoost验潮站月海面高序列预测模型

海平面不断上升威胁人类的生命安全,高精度的海平面预测对人类预防水文灾害具有重要意义。现有的预测方法因验潮站数据为单一时间序列而难以进行高精度预测。针对此问题,提出一种融合变分模态分解(VMD)和极度梯度提升算法(XGBoost)的变分模态分解-极度梯度提升预测模型,简称VMD-XGBoost模型。与XGBoost模型、卷积神经网络与长短期记忆神经网络混合模型(CNN-LSTM)、变分模态-卷积神经网络与长短期记忆神经网络混合模型(VMD-CNN-LSTM)对比,对荷兰沿岸海平面验潮站时间序列进行预测。验潮站预测结果分析表明：相较于XGBoost模型,VMD-XGBoost模型预测结果的均方根误差平均降低65.43%,平均绝对误差平均降低63.79%,平均绝对百分比误差平均降低63.44%,且相较于VMD-CNN-LSTM模型,VMD-XGBoost模型在验潮站海面高序列预测上具有更高预测精度,可实现高精度验潮站时间序列预测。     

基于中美贸易摩擦背景下我国水产品出口贸易风险预警研究

水产品出口贸易在我国农产品对外贸易中占有重要地位,然而中美贸易摩擦已经在一定程度上影响到我国水产品的出口。文章以水产品出口额增长率作为警情指标,通过时差相关分析和均数原则分别确定警兆指标和警情区间,构建了我国水产品出口贸易风险预警指标体系。根据各警兆指标的特点采用ARIMA模型、线性回归等方法对警兆指标进行预测,将所得预测值同历史数据相结合,建立双隐层3层BP神经网络。在此基础上对我国水产品未来风险进行了系统预警,并将预测值和实际值对比,得出预测值准确性良好,未来3年我国水产品出口贸易将面临较大的风险,出口额持续下跌,需做重度防范。最后针对预警结果提出了促进水产品出口结构转型和质量标准体系建设,逐步扩大水产品国内销售市场并培育多元化国际新兴市场,政府要积极协助,水产行业和协会要强化自身作用等建议。     

基于海洋气候数据集的区域海平面变化非线性预测

本文基于中国首套长时间序列、高精度、高时空一致性的全球海洋气候数据集产品, 利用1993年1月至2015年12月的山东半岛近海海平面异常数据, 构建了基于集合经验模式分解(EEMD)和长短期记忆神经网络(LSTM)的海平面非线性变化组合预测模型。EEMD可以得到海平面异常的各周期项、线性趋势及残差部分, LSTM模型可对其进行逐个预测并重构得到最终的海平面异常预测结果。EEMD-LSTM组合模型海平面异常预测的均方根误差仅为25.87 mm, 取得了令人满意的效果。基于该组合模型预测2016-2025年山东半岛近海海平面上升速率将达到3.54 mm·a^-1。     

基于融合U-Net及ConvLSTM的海面高度异常预报方法研究

海面高度异常是反映海洋环境状况的主要变量之一。本文使用1993—2019年的融合月均海面高度异常数据,建立了基于深度学习的海面高度异常预测神经网络模型,提出了基于融合U型网络(U-Net)和卷积长短记忆网络(ConvLSTM)的中长期海面高度异常预报模型。在研究海域0.25°×0.25°的空间分辨率下,模型测试集预报结果的均方根误差和平均绝对误差分别为0.039 m和0.027 m,均优于全连接LSTM预报模型和ConvLSTM+CNN预报模型,为大中尺度的海面高度异常预报提供了新的方法。     

中国沿海赤潮灾害时间序列特征的模拟与预测（英文）

对赤潮灾害时间序列的特征分析是进行赤潮灾害防灾减灾工作的基础,对赤潮灾害的未来预测具有重要意义。通过观察发现中国沿海赤潮灾害年发生频次和分布面积的时间序列(2004-2019年)均呈现出趋势项和周期项并存的特征,因此利用灰色-周期外延组合预测模型对两个序列中的趋势项和周期项进行提取,模型的拟合度分别达到95.20%和95.24%,优于灰色模型、 Fourier级数扩展模型和Holt-Winter指数平滑模型等,最后将该模型结果应用到对未来中国赤潮灾害的预测中,得到结论:2020和2021年赤潮灾害发生频次分别为39和42次,与2019年相比略有上升,2020年赤潮灾害分布面积达到3 168平方千米,与2019年相比增加了约59%,而2021年赤潮灾害分布面积出现回落,为1 901平方千米。     

基于OLCI数据的杭州湾悬浮物浓度估算及其产品适用性分析

悬浮物含量及其时空分布是河口海岸环境中关心的热点问题。2016年2月16日,欧洲航天局发射了新一代海洋水色传感器(OLCI),该传感器具有良好的时空及光谱分辨率。本研究结合2017年7月杭州湾同步采样数据,对比了6种大气校正算法和8种悬浮物浓度(TSM)估算模型,遴选和分析了适宜于杭州湾和OLCI数据的大气校正方法和TSM估算模型,验证了OLCI数据二级产品精度和适用性。结果表明:(1)基于紫外光谱的大气校正算法(UVAC)精度最高,同步4个采样点的大气校正平均相对误差(MAPE)分别为34.21%、13.11%、5.92%和20.28%。在除Oa1以外的14个波段的MAPE均值为15.23%,Oa4至Oa10波段的MAPE低于8%;(2)基于Oa16/Oa5的波段比值模型,具有良好的建模(MAPE为16.49%,RMSE为50.92 mg/L)和验证(MAPE为19.08%,RMSE为19.29 mg/L)精度及模型稳健性;(3)基于C2RCC算法的固有光学量和TSM含量产品及OLCI二级TSM含量产品在杭州湾精度较差,不适用于杭州湾TSM和固有光学量遥感监测应用;(4)空间上,TSM在杭州湾中部区域含量较低,在杭州湾南岸和湾口区域含量较高。     

长江水下三角洲现代沉积速率厘定的新途径:季节性Bio-Si记录

长江水下三角洲沉积层中高分辨生物硅(Bio-Si)曲线具有明显的波动规律,记录了该区硅藻生物量的季节性差异,据此对近14年来的沉积速率进行了估算。在1992～2005年里,该处沉积速率变化于1.2～3.4 cm/a之间,平均沉积速率2.1 cm/a,沉积速率与长江入海沙量具有较好的对应关系。研究结果表明长江水下三角洲Bio-Si沉积记录类似于季节性湖泊中的"年纹",可作为沉积速率估算的新指标。     

基于时间序列的海洋赤潮灾害特征分析

以1977-2012年中国海赤潮的年发生频率及2001-2012年赤潮的月发生频率数据资料为基础,建立赤潮事件的年发生频率和月发生频率时间序列。赤潮的年发生频率与时间的分段回归拟合效果较好,月频率的季节性最大值在5月(约18.22),随机波动的大小随时间序列逐步增加,波动峰值主要出现在5-7月。利用Holt指数平滑法和Holt-Winter指数平滑法分别对赤潮事件的年发生频率和月发生频率进行预测,结果表明2013-2020年赤潮的年发生频率呈年平均增加1次的缓慢趋势上升,2013-2016年5-7月份为赤潮高发期,峰值出现在5月,基本稳定在25次左右。     

基于时间序列的海洋赤潮灾害特征分析（英文）

以1977-2012年中国海赤潮的年发生频率及2001-2012年赤潮的月发生频率数据资料为基础,建立赤潮事件的年发生频率和月发生频率时间序列。赤潮的年发生频率与时间的分段回归拟合效果较好,月频率的季节性最大值在5月(约18.22),随机波动的大小随时间序列逐步增加,波动峰值主要出现在5-7月。利用Holt指数平滑法和Holt-Winter指数平滑法分别对赤潮事件的年发生频率和月发生频率进行预测,结果表明2013-2020年赤潮的年发生频率呈年平均增加1次的缓慢趋势上升,2013-2016年5-7月份为赤潮高发期,峰值出现在5月,基本稳定在25次左右。     

海平面变化的小波和自回归模型集成预测试验

针对海面变化预测时间序列模型中趋势组份和周期(准周期)组份的提取和预测问题,基于吴淞站1955～2001年月平均潮位序列,采用小波分析(WA)与自回归(AR)模型相结合的方案,对小波分解的不同尺度分量序列,借助于时间序列模型进行分量预测,再对它们进行叠加建立预测模型,进行了月平均潮位预测试验.以1955～1996年数据为基础建立模型,1997～2001年数据作为验证,结果表明两种方法的结合使用显示了较好的效果,具有较高的精度.     

基于灰色系统西南大西洋阿根廷滑柔鱼资源丰度预测模型的构建

阿根廷滑柔鱼（Illex argentinus）是西南大西洋鱿钓渔业的主要作业鱼种,对资源丰度进行准确的预测可指导企业合理安排渔业生产。因此,本研究根据2000-2016年我国西南大西洋阿根廷滑柔鱼的生产数据,以单位捕捞努力量的渔获量（Catch per unit effort, CPUE）为阿根廷滑柔鱼资源丰度的指标,利用灰色绝对关联分析和灰色预测建模的方法（GM（0, N））,计算2001-2015年CPUE的时间序列值与产卵期（6-8月）产卵场海表面温度（Sea surface temperature, SST）时间序列值的灰色绝对关联度,选取产卵场海域中灰色绝对关联度大于0.90的海区SST建立资源丰度预测模型,并用2016年实际CPUE进行验证。灰色绝对关联分析表明,6-8月,30°~40°S,45°~60°W海域内存在若干海区的SST与次年对数CPUE时间序列呈现较强的关联度,可作为预报因子。GM（0, N）模型结果表明,以6-8月产卵场SST作为环境因子建立的模型4能较好地拟合出阿根廷滑柔鱼资源丰度变动趋势,与2016年真实值相比,相对误差为7%,该模型可较好地作为阿根廷滑柔鱼资源丰度的预测模型。相反,包含6月和7月SST的模型1效果优于不包含6月SST的模型2或不包含7月SST的模型3,拟合得到的2016年的数据与真实值相比,相对误差分别为128%和289%,这说明6月和7月是西南大西洋阿根廷滑柔鱼的主要产卵月份。