北太平洋鱿鱼洄游重心年际变化的预测方法技术

本发明专利技术北太平洋鱿鱼洄游重心年际变化的预测方法，根据鱿鱼的洄游能力、鱿钓渔业的聚集海域范围及渔船的航行能力，按月筛选出产量最高的点为圆心，以1°为半径的圆形海域作为鱿鱼的洄游聚集海域，以此方法，筛选另外两个海域，分别作为鱿鱼洄游聚集海域，汛期各月均可得出三个洄游聚集海域及洄游重心；通过系统聚类分析，以同一类别平均中心距离最小作为类别的选取，得出各月固定洄游重心，据月份变化变动，推测鱿鱼洄游路径；洄游重心预测模型采用经典的误差反向传播BP神经网络模型，BP神经网络模型为三层结构，即输入层、隐含层和输出层，输入层输入固定洄游重心的经纬度和对应海域的环境因子，输出层输出预测洄游重心经纬度和产量占比。

【技术实现步骤摘要】
北太平洋鱿鱼洄游重心年际变化的预测方法
本专利技术涉及鱿鱼洄游重心预测
，特别是涉及一种北太平洋鱿鱼洄游重心年际变化的预测方法。
技术介绍
掌握鱼类的洄游规律对于准确的预报中心渔场具有重要作用。鱼类洄游路径通常可以使用渔场重心来表示。渔场重心是表征渔场位置的重要参数，与环境要素和生物特征等因素有关，常用于描述渔场空间位置的变动，作为渔业资源和鱼类生态学研究的基础，亦可以用来确定中心渔场和表征鱼群在渔场分布特征和变化规律。目前的研究中，渔场重心计算采用的都是固定物体重心计算方法，然而鱼类具有洄游特性，并不等同于固定物体。因此，固定物体重心法对于实际渔业生产上的指导意义有失精度，使渔场重心无法准确表示鱼群分布特征。反之，如果将整个渔场按照“经度×纬度”的方式划分成多个相邻海域，分别计算渔场重心，当划分海域较多时，由于鱼类作为生态机会主义者，渔场分布极易受环境因素影响而发生变化，故年间渔场重心的预报精度会大幅下降。实际生产中需要的是精确地指导(时间、地点和产量)。预报渔场重心过多，同样缺乏实际的指导意义。鱿钓渔业是根据鱼类集群和趋光性等特性所建立起来的高效灯光诱捕作业方式。实际生产中，因为鱼类的集群而相应地出现鱿钓渔船之间的聚集，通过提升渔场重心在时间和空间上精度并分析其变化规律，可以对鱼类渔业提供准确的生产信息服务。
技术实现思路
本专利技术针对现有技术存在的问题和不足，提供一种北太平洋鱿鱼洄游重心年际变化的预测方法。本专利技术是通过下述技术方案来解决上述技术问题的：本专利技术提供一种北太平洋鱿鱼洄游重心年际变化的预测方法，本专利技术的技术方案包括洄游海域的选取、洄游重心的确定、建立洄游重心预测模型。渔场范围的选取及渔场重心的计算，根据鱿鱼的洄游能力、鱿钓渔业的聚集海域范围以及渔船的航行能力，按月筛选出产量最高的点为圆心，以1°为半径的圆形海域作为鱿鱼的洄游聚集海域，以此方法，筛选另外两个海域，分别作为鱿鱼洄游聚集海域。通过以上方法，汛期各月均可得出三个洄游聚集海域以及洄游重心，通过系统聚类分析，以同一类别平均中心距离最小作为类别的选取，可得出各月固定洄游重心，根据时间(月份变化)变动，可推测鱿鱼洄游路径。洄游重心预测模型采用经典的误差反向传播BP神经网络模型，BP神经网络模型为三层结构，即输入层、隐含层和输出层，输入层输入固定洄游重心的经纬度和对应海域的环境因子(SST、SSS、Chl-a)，输出层输出预测洄游重心经纬度和产量占比。BP神经网络模型正向传播时，样本从输入层进入，经隐含层激活函数处理，传向输出层，如输出层的实际输出与期望的输出不符合误差要求，则转入误差的反向传播阶段，反向传播是将误差通过隐含层向输入层逐层反向传播，将误差分摊给各层所有节点，从而获得各层节点的误差信号，此误差信号作为修正的依据，这种信号的正向传播与误差的反向传播周而复始地进行，权值不断调整，此过程一直进行到网络输出的误差减少到可接受的程度或进行到预先设定的学习次数为止，通过学习训练获得到最佳模型，供预报使用。本专利技术的积极进步效果在于：本专利技术考虑传统的渔场重心的对于实际生产中指导存在偏差，故提出：根据鱿鱼生物学特性，通过筛选渔场重心，结合聚类分析，得出鱿鱼固定洄游重心。采用经典的误差反向传播神经网络(ErrorBackpropagationNetwork，BP)，BP神经网络属于多层前向神经网络，使用误差反向传播的监督算法，BP神经网络能够学习和存储大量的模式映射模式，用于洄游重心海域以及该海域内产量占比的预测，为捕捞生产提高渔获产量并降低燃油成本提供技术支撑。该模型可以根据海洋环境信息，预报鱿鱼可能会出现的海域，以及该海域内的产量占比，预报准确度在64％～89％，可以为渔业生产提供较为准确的生产信息。附图说明图1a和图1b是2004年—2015年各月份鱿鱼洄游重心分布及产量占比图。图2是2004—2015年各月份洄游重心产量总和占比图。图3是2004年—2015年各月份洄游重心产量总和占比及其年间变化趋势图。图4是2004年—2015年各月份洄游重心离散度年间变化图。图5是G1洄游重心系统聚类分析结果图。图6是固定洄游重心海域范围分布图。图7是神经网络模型结构图。图8是预测洄游重心海域分布范围图。图9是预测海域产量总和占比图。图10是北太平洋鱿鱼洄游重心年际变化的预测方法的流程图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。如图10所示，本专利技术提供一种北太平洋鱿鱼洄游重心年际变化的预测方法，其包括以下步骤：步骤101、根据鱿鱼的洄游能力、鱿钓渔业的聚集海域范围以及渔船的航行能力，按月筛选出产量最高的点为圆心，以1°为半径的圆形海域作为鱿鱼的洄游聚集海域，以此方法，筛选另外两个海域，分别作为鱿鱼洄游聚集海域，汛期各月均可得出三个洄游聚集海域以及洄游重心。步骤102、通过系统聚类分析，以同一类别平均中心距离最小作为类别的选取，可得出各月固定洄游重心，根据月份变化变动，可推测鱿鱼洄游路径。步骤103、洄游重心预测模型采用经典的误差反向传播BP神经网络模型，BP神经网络模型为三层结构，即输入层、隐含层和输出层，输入层输入固定洄游重心的经纬度和对应海域的环境因子(SST、SSS、Chl-a)，输出层输出预测洄游重心经纬度和产量占比。BP神经网络模型正向传播时，样本从输入层进入，经隐含层激活函数处理传向输出层，如输出层的实际输出与期望的输出不符合误差要求，则转入误差的反向传播阶段，反向传播是将误差通过隐含层向输入层逐层反向传播，将误差分摊给各层所有节点，从而获得各层节点的误差信号，此误差信号作为修正的依据，这种信号的正向传播与误差的反向传播周而复始地进行，权值不断调整，此过程一直进行到网络输出的误差减少到可接受的程度或进行到预先设定的学习次数为止，通过学习训练获得到最佳模型，供预报使用。下面具体介绍北太平洋鱿鱼洄游重心年际变化的预测方法的各个细化的流程：根据鱿鱼的集群性、鱿钓渔业所采用的灯光诱鱼技术以及在实际生产中渔船的聚集性，可以用高产海域的(鱿鱼洄游聚集海域)的渔场重心来指代鱿鱼的洄游分布。根据物理重心计算公式，当所计算海域足够小且相对于整个渔场可以看做一个点时，渔场重心基本可以表示该海域内鱼群的具体分布。因此，定义经度、纬度0.25°×0.25°为一个渔区，统计每个渔区内的产量，单位为t·d-1。逐月统计每个渔区的产量，筛选出各月份所有渔区中产量最高的渔区，结合鱿鱼的洄游能力以及鱿钓渔船的航行能力，以该渔区的中心为圆心，1°为半径，将所有包含在内的渔区统一纳入局部海域渔场，并将该海域的渔场重心定义为鱿鱼的洄游重心G1，依次选出G2和G3，则G1、G2和G3分别代表该月份鱿鱼聚群洄游的重心，该重心1°海域内为鱿鱼的洄游范围，并同时计算每个重心所包含渔区的产量总和。依据以下公式来计算G1、G2、和G3。同时计算整个西北太平洋鱿鱼渔场每月的渔场重心。各月份洄游重心分布以及本文档来自技高网...

【技术保护点】
1.一种北太平洋鱿鱼洄游重心年际变化的预测方法，其特征在于，其包括以下步骤：S1、根据鱿鱼的洄游能力、鱿钓渔业的聚集海域范围以及渔船的航行能力，按月筛选出产量最高的点为圆心，以1°为半径的圆形海域作为鱿鱼的洄游聚集海域，以此方法，筛选另外两个海域，分别作为鱿鱼洄游聚集海域，汛期各月均可得出三个洄游聚集海域以及洄游重心；S2、通过系统聚类分析，以同一类别平均中心距离最小作为类别的选取，可得出各月固定洄游重心，根据月份变化变动，可推测鱿鱼洄游路径；S3、洄游重心预测模型采用经典的误差反向传播BP神经网络模型，BP神经网络模型为三层结构，即输入层、隐含层和输出层，输入层输入固定洄游重心的经纬度和对应海域的环境因子(SST、SSS、Chl‑a)，输出层输出预测洄游重心经纬度和产量占比；BP神经网络模型正向传播时，样本从输入层进入，经隐含层激活函数处理传向输出层，如输出层的实际输出与期望的输出不符合误差要求，则转入误差的反向传播阶段，反向传播是将误差通过隐含层向输入层逐层反向传播，将误差分摊给各层所有节点，从而获得各层节点的误差信号，此误差信号作为修正的依据，这种信号的正向传播与误差的反向传播周而复始地进行，权值不断调整，此过程一直进行到网络输出的误差减少到可接受的程度或进行到预先设定的学习次数为止，通过学习训练获得到最佳模型，供预报使用。...

【技术特征摘要】
1.一种北太平洋鱿鱼洄游重心年际变化的预测方法，其特征在于，其包括以下步骤：S1、根据鱿鱼的洄游能力、鱿钓渔业的聚集海域范围以及渔船的航行能力，按月筛选出产量最高的点为圆心，以1°为半径的圆形海域作为鱿鱼的洄游聚集海域，以此方法，筛选另外两个海域，分别作为鱿鱼洄游聚集海域，汛期各月均可得出三个洄游聚集海域以及洄游重心；S2、通过系统聚类分析，以同一类别平均中心距离最小作为类别的选取，可得出各月固定洄游重心，根据月份变化变动，可推测鱿鱼洄游路径；S3、洄游重心预测模型采用经典的误差反向传播BP神经网络模型，BP神经网络模型为三层结构，即输入层、隐含层和输出层，输入层输入固定洄游重心的经纬度和对应海域的环境因子(SST、SSS、Chl-a)，输出层输出预测洄游重心经纬度和产量占比；BP神经网络模型正向传播时，样本从输入层进入，经隐含层激活函数处理传向输出层，如输出层的实际输出与期望的输出不符合误差要求，则转入误差的反向传播阶段，反向传播是将误差通过隐含层向输入层逐层反向传播，将误差分摊给各层所有节点，从而获得各层节点的误差信号，此误差信号作为修正的依据，这种信号的正向传播与误差的反向传播周而复始地进行，权值不断调整，此过程一直进行到网络输出的误差减少到可接受的程度或进行到预先设定的学习次数为止，通过学习训练获得到最佳模型，供预报使用。2.如权利要求1所述的北太平洋鱿鱼洄游重心年际变化的预测方法，其特征在于，在步骤S2中，经度、纬度0.25°×0.25°为一个渔区，逐月统计每个渔区的产量，筛选出各月份所有渔区中产量最高的渔区，结合鱿鱼的洄游...

【专利技术属性】
技术研发人员：魏广恩，陈新军，
申请(专利权)人：上海海洋大学，
类型：发明
国别省市：上海,31