A fishery forecasting method based on LSTM is presented, which consists of two parts: one is to match the historical fishing data and the marine environment data in the range of longitude and latitude, the other is to normalize the historical fishery data. The normalized historical fishery data train LSTM model, the time step is 1 day, the input dimension is 5, and the fishery forecast model based on LSTM is obtained. The dimension is 5, and the output result is normalized to get the fishing ground forecast. The invention can mine the long-short time dependence relationship between the data, more in line with the law of fish migration and other long-term periodic activities in the fishing ground, and can achieve better prediction effect.
【技术实现步骤摘要】
一种基于LSTM的渔场预报方法
:本专利技术涉及渔场预报领域,特别是涉及一种基于LSTM递归神经网络模型的渔场预报方法。
技术介绍
:鱼类在海洋中的分布是由其自身生物学特性和外界环境条件共同决定的,影响因子包括鱼类集群和洄游习性,外界环境条件及各类突发性、阶段性或长期性的海洋环境事件。鱼类的分布是多因子共同作用的结果,是一个长周期、规律性事件。渔场预报技术正是利用技术手段,寻找鱼类变动规律与海洋环境因子之间的内在联系,并由此对未来时段海洋渔情渔况进行预报,进而指导渔船捕捞作业。目前渔场预报技术通常使用单位捕捞努力量渔获量CPUE(catchperuniteffort)代表渔业资源密度,反映鱼类在海洋中的分布。常使用的影响因子包括经纬度、作业时间、温度、盐度、风力风向、洋流流速流向、叶绿素含量、厄尔尼诺系数等。综合考虑技术参数的获取难易程度及重要性,本专利技术采用海表层温度、海表面高度、海表面风场、海表面叶绿素含量这四个海洋环境要素,学习挖掘单位捕捞努力量渔获量和这四个海洋环境要素之间的内在联系,并由此对未来时段进行渔场预报。现有的渔场预报分析方法包括频度分析、栖息地指数等,多存在预测精度较低的问题。LSTM(Long-ShortTermMemory:长短期记忆)递归神经网络近几年在许多领域均取得了重大突破,该神经网络可以学习时间序列数据之间的长短依赖关系,对于输入数据自主学习历史数据对预测数据的贡献,特别是该神经网络克服了其他神经网络无法长时间学习的缺点,更适合挖掘鱼类在渔场中存在洄游等长周期性的活动规律。
技术实现思路
:本专利技术的目的就是提供一种基于LS ...
【技术保护点】
1.一种基于LSTM的渔场预报方法,其特征在于,包括步骤A:生成预测模型,以及步骤B:预报未来时段渔场信息;所述的步骤A的方法包括:步骤A1、提取海洋环境数据:利用全球现有的遥感卫星数据,反演出海洋环境数据;该数据包括:海洋表面温度SST、海表面高度SSH、海表面风场SSW和海表面叶绿素含量CHL,精度为0.25°*0.25°、每天;步骤A2、提取捕捞数据:利用已有捕捞日志,收集作业经纬度、作业时间、捕捞量(重量或尾数)、作业单位数量(作业时间或下网次数或钩数)信息;以0.25°*0.25°为单元格,将捕捞数据网格化;作业时间单位为天,按作业时间先后进行排序,第一次作业的自然天设为1,下一自然天为2,以此类推,按照自然天顺序逐次加1,生成时间列;计算单位捕捞努力量渔获量CPUE(catch per unit effort),其公式如式(1)所示:CUPE=C/E (1)其中C是捕捞量,E是作业单位数量;步骤A3、对海洋环境数据和捕捞数据进行数据匹配,获得历史渔场数据:对历史渔场数据进行归一化处理,将时间列和归一化的SST、SSH、SSW、CHL、CPUE作为LSTM模型的输入数据 ...
【技术特征摘要】
1.一种基于LSTM的渔场预报方法,其特征在于,包括步骤A:生成预测模型,以及步骤B:预报未来时段渔场信息;所述的步骤A的方法包括:步骤A1、提取海洋环境数据:利用全球现有的遥感卫星数据,反演出海洋环境数据;该数据包括:海洋表面温度SST、海表面高度SSH、海表面风场SSW和海表面叶绿素含量CHL,精度为0.25°*0.25°、每天;步骤A2、提取捕捞数据:利用已有捕捞日志,收集作业经纬度、作业时间、捕捞量(重量或尾数)、作业单位数量(作业时间或下网次数或钩数)信息;以0.25°*0.25°为单元格,将捕捞数据网格化;作业时间单位为天,按作业时间先后进行排序,第一次作业的自然天设为1,下一自然天为2,以此类推,按照自然天顺序逐次加1,生成时间列;计算单位捕捞努力量渔获量CPUE(catchperuniteffort),其公式如式(1)所示:CUPE=C/E(1)其中C是捕捞量,E是作业单位数量;步骤A3、对海洋环境数据和捕捞数据进行数据匹配,获得历史渔场数据:对历史渔场数据进行归一化处理,将时间列和归一化的SST、SSH、SSW、CHL、CPUE作为LSTM模型的输入数据,输入维度为5;步骤A4、搭建并训练LSTM模型,通过不断调整参数,择优选取获得基于LSTM的渔场预报模型;所述的步骤B的方法包括:步骤B1、将当日的渔场数据采用和步骤A3中一致的归一化方法进行处理,将当日的时间列和归一化的SST...
【专利技术属性】
技术研发人员:曹亮,赵强,张鹏,
申请(专利权)人:华际卫星通信有限公司,
类型:发明
国别省市:山东,37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。