利用BP神经网络标准化东南太平洋茎柔鱼(Dosidicus gigas)资源丰度

东南太平洋茎柔鱼(Dosidicus gigas)是短生命周期大洋性经济鱼类,其资源量受环境因素变化的影响较大。根据我国鱿钓船队2013~2017年在东南太平洋的生产统计数据,结合海洋环境数据包括海表面温度(SST)、海表面盐度(SSS)、叶绿素a浓度(chl a),运用BP神经网络(back propagation network)模型来标准化单位捕捞努力量渔获量(catch per unit effort, CPUE,也称名义CPUE)。以均方误差(mean square errors, MSE)和平均相对变动值(average relative variances, ARV)为最优模型判断依据,比较隐含层节点3-10的神经网络模型,发现6-9-1结构为最优模型。用Garson算法解释模型结果,发现各输入层因子对东南太平洋茎柔鱼资源丰度影响重要度排序为chl a、SST、经度(Lon)、SSS、纬度(Lat)、月份(Month)。并作名义CPUE和标准化CPUE资源丰度对比分布图,结果显示CPUE与标准化CPUE总体分布状况基本一致,但局部区域存在明显差异, 80°~85°W及10°~20°S海域适宜鱿钓生产,表明BP神经网络模型可以适用于东南太平洋茎柔鱼的CPUE标准化,从而为鱿钓渔业生产提供一定参考依据。     

贵阳市空气质量预报方法与效果检验

2012年环境保护部发布的《环境空气质量标准》实施后,贵阳市空气质量状况发生了变化。利用贵阳市空气质量指数和常规气象要素等资料,分析空气质量特征及其与气象要素的关系,通过多元线性逐步回归和BP神经网络方法,分季节建立空气质量指数预报模型,并同CUACE模式进行对比检验。结果表明:近3年贵阳市空气质量状况良好,优良天数增多,污染天数减少且污染天气多出现在冬季,首要污染物为PM_2.5、PM₁₀和O_3;各季相关因子不同,但主要与相对湿度和风速有关;两种模型预报效果均表现为夏季评价最高,等级TS评分超过85%,指数准确率近99%,冬季预报效果相对最差,TS评分接近或达到70%,指数准确率超过或接近80%,而春、秋季效果指标差距不大;对2015—2016年AQI的预报效果回归模型的优于CUACE模式的,TS评分和预报准确率分别相差16.2%和20.0%。     

基于多种神经网络的风暴潮增水预测方法的比较分析

简要介绍了利用BP神经网络、小波神经网络、递归神经网络进行风暴潮增水值预测的原理。选取广东省珠江口以南的阳江站2017年风暴潮增水数据进行测试。结果表明,三种神经网络方法针对阳江地区风暴潮增水的预测均具有可靠性和实用性。以当前增水值为输入量的单因子模型更能反映真实风暴潮增水趋势,而从增水极值预测的准确性来看,以台风风力、气压、风向等相关参数为输入量的多因子模型优于单因子模型。BP神经网络更适用于多因子长时间预测,小波神经网络在单因子短时间预测上准确性更高,递归神经网络预测值与实测值相关性更强。在工程运用中,需根据地域时空特点、数据资料的丰富度与预测值评估指标选择合适的方法。     

基于高低潮的风暴增水人工神经网络预报模型

针对只有高低潮数据的情况,利用人工神经网络建立起一种预报当前台风时刻后第一个高潮时增水的模型。该模型选取台风在当前时刻、前6 h、前12 h、前18 h的中心经度、纬度、最大风速、中心气压以及当前时刻前第一个高潮时刻的风暴增水为输入单元。台风当前时刻后第一个高潮时刻风暴增水为模型输出单元。利用历史资料形成的规范化后的模式对,对模型进行训练,训练成功后,结合台风因子预报模型,即可用于风暴增水的预报。经过长江口高桥站高低潮实测资料的检验,结果表明该模型提取到了风暴增水效应,说明该模型可用于风暴增水的预报。     

基于BP人工神经网络平潭海域赤潮叶绿素a浓度模型演算研究

以福建平潭海域为研究对象、以叶绿素a浓度为输出指标,根据2009-2018年赤潮期数据规律及2013-2017年海洋监测数据主成分分析结果,对拟构建的BP模型进行输入指标筛选,选定结果包括4个气象因子和4个水质因子。基于此结果,对2013-2017年的698组海洋监测数据中叶绿素a浓度进行归一化处理并进行模型演算,随机选取80%数据作为演算模型的训练样本,其余进行模型验证。通过交叉变换输入指标,寻求最优的输入节点组合,以气温、溶解氧浓度、日照时长指标为输入参数时,BP模型误差较小(均方根误差为0.05μg/L,平均绝对误差为0.03μg/L),演算结果精度较高(可决系数R~2=0.81)。以上结果表明,气温、溶解氧浓度和日照时长对叶绿素a浓度表征效果较好,可为平潭海域以叶绿素a浓度作为判定指标的赤潮预警研究提供参考。     

BP神经网络精度估计及其在海洋油气资源预测中的应用

在对BP算法进行深入分析的基础上,将测量数据处理与误差理论中的精度评定方法应用到BP神经网络的精度估计中,通过分别计算BP神经网络学习训练过程及预测过程的输出层中误差,实现对神经网络模型的精度评定。最后以海洋油气资源预测为例,结合实测资料建立了BP神经网络预测模型并分别进行了学习训练过程及预测过程的精度评定,以期为神经网络模型结构的优化设计提供有效参考,为提高神经网络模型的适用性提供科学依据。     

人工神经网络在凡纳滨对虾养殖水质预测中的应用研究

以BP神经网络为基础,建立了凡纳滨对虾养殖水质预测模型。采用3层结构,通过灵敏度分析得到网络的输入变量,在确定了模型的各结构参数后,建立了凡纳滨对虾养殖水质预测模型,并根据整个对虾养殖周期内的水质监测数据对模型进行了训练和仿真。结果显示,水质的实测值与预测值之间的相关系数为0.991 8,预测误差率结果显示,最大误差率为4.37%,最小误差率为0.12%,平均误差率为1.20%,总体预测结果较好。BP神经网络能够以较高精度预测养殖水质状况,为水质恶化的早期预报提供了有效途径。     

基于JSCORS的无验潮水下地形测量研究

提出了一种无验潮水下地形测量方法,利用长江江苏段沿岸的控制点资料,基于分段二次曲面与BP神经网络拟合算法建立似大地水准面精化模型;利用该模型换算测深点高程数据文件,并输出数据成图。经多方面精度测试比对,此方法能够获得高精度的水底点高程。     

神农架大九湖四万年以来的植被与气候变化

通过对大九湖6 m长连续沉积岩芯剖面(DJH-1 孔) 7 个样品的AMS¹⁴C年龄测定和151 块孢粉样品的鉴定分析, 揭示了神农架区域4 万以年来植被和气候演变。末次冰期阶段大九湖附近发育森林草地或草地-草甸植被。MIS 3 晚期, ~42-39 cal ka BP之间, 气候相对干冷, 发育森林草地;~39-31 cal ka BP 之间, 气候较为湿润, 草甸扩张并伴随低海拔阔叶树种的发育。MIS 2 阶段, 草甸组分中蒿属显著增加, 高海拔可能分布有荒漠草地, 气候极端干冷;该时期植被带垂直下降达到1000 余m, 按垂直温度递减率推算, 冰盛期阶段该区域温度下降约7℃左右。从冰消期开始, 森林植被开始扩张, 北温带、暖温带和亚热带乔木组分依次增加。约在9.4-4 cal ka BP之间, 演变为亚热带常绿阔叶落叶林, 属全新世适宜期;从约4 cal ka BP以来, 北温带阔叶和针叶树开始增加, 气候趋于凉干。通过对比区域高分辨率的洞穴石笋及高纬冰芯氧同位素记录, 表明神农架区域植被环境变化对气候变化敏感, 并记录了H1, YD气候突变事件;进一步体现出该区域气候环境演变主要与北半球太阳辐射控制的东亚夏季风强度变化有关, 且与北半球高纬气候变化一致。     

基于PCA和BP神经网络的径流预测

径流预测为流域水资源的合理开发利用与统筹配置提供依据。运用多元线性回归、主成分回归、BP神经网络及主成分分析和BP神经网络相结合的方法,对新疆呼图壁河流域石门水文站2009-2011年各月径流量进行预测,并采用相关系数、确定性系数及均方根误差对各模型预测精度进行比较。结果表明：（1）神经网络等智能算法具有高速寻优的能力,对短时间尺度的月径流量的预测结果较好;（2）主成分回归等常规算法能充分反映出某地区径流的年际的稳定性,对全年径流总量的模拟精度较高;（3）主成分分析和BP神经网络相结合的方法,提高了神经网络的收敛速度,同时降低了局部极值的影响,优于简单的BP神经网络,适用于呼图壁河月径流量预测。