基于原位遥感信息的远洋渔类生境分布预测方法及其应用技术

本发明专利技术公开了一种基于原位遥感信息的远洋渔类生境分布预测方法及其应用，方法：处理时间段A内海域B鱼类C的生产统计数据及时间段A内海域B的包括遥感反射比和亮温在内的原位遥感信息得到时间段A内海域B鱼类C的时空同步的CPUE与原位遥感信息的数据；针对任意1～m种原位遥感信息利用BP神经网络建立多个CPUE预测模型，使用所得数据训练并测试建立的各CPUE预测模型得到最终预测模型；将待预测时间段内海域B鱼类C的原位遥感信息输入最终预测模型完成预测。本发明专利技术的预测方法，首次提出直接以原位遥感信息作为模型因子考察CPUE，其与传统方法相比，既避免因海洋环境因子提取损失必要的海洋信息，又提高了预测精度。

【技术实现步骤摘要】
基于原位遥感信息的远洋渔类生境分布预测方法及其应用
本专利技术属于远洋渔类生境时空分布的预测
，涉及一种基于原位遥感信息的远洋渔类生境分布预测的方法及其应用。
技术介绍
柔鱼是一种大洋性头足类种类，广泛分布于北太平洋海域，主要分布范围为20°-50°N。柔鱼具有季节性洄游特征，包含2个繁殖群体：冬春生群和秋生群体，其中冬春生群体的西部种群是我国鱿钓渔船主要捕捞对象。在产卵季节，柔鱼向南进行繁殖洄游且主要在30°N以南水域进行产卵；而在夏秋季，柔鱼主要向北洄游在亚北极边界附近和过渡区域进行索饵。柔鱼仅有1年生命周期，是短生命周期种类，其资源丰度和空间分布与海洋环境具有紧密关联。为了提高我国柔鱼捕捞效率和产量，深入了解海洋环境和柔鱼资源丰度之间的关系具有重要意义。国内外有众多学者基于卫星遥感的海洋环境因子产品，开展了柔鱼资源丰度预测模型的研究。这些模型主要考虑的海洋环境因子主要包括叶绿素a(Chl-a)、海表温度(SST)、海表面高度、海表风速等，但是在这些海洋环境信息的获取过程中，需要对卫星遥感手段获取的原始信息进行校正和预处理，这一过程会不可避免地去除部分海洋环境信息，使得基于海洋环境因子产品建立的柔鱼资源丰度预测模型难以更加准确的体现实际的柔鱼资源分布特征，进而导致了对柔鱼资源丰度的预报精度难以得到进一步的提升。因此，开发一种能够更加准确的体现实际的柔鱼资源分布特征进而提高预测精度的远洋渔类(适用于柔鱼)资源丰度预测方法极具现实意义。
技术实现思路
本专利技术的目的在于克服现有的预测方法难以更加准确的体现实际的柔鱼资源分布特征，预报精度较差的缺陷，提供一种能够更加准确的体现实际的柔鱼资源分布特征进而提高预测精度的远洋渔类(适用于柔鱼)资源丰度预测方法，具体是利用较为原始的遥感观测数据完成对远洋渔类生境分布的预测。为实现上述目的，本专利技术提供如下技术方案：基于原位遥感信息的远洋渔类生境分布预测方法，首先，处理时间段A内海域B鱼类C的生产统计数据及时间段A内海域B的包括遥感反射比(Rrs)和亮温(BT)(其可用于反演Chl-a和SST)在内的原位遥感信息得到时间段A内海域B鱼类C的时空同步的CPUE与原位遥感信息的数据，按照1、2、3……m的次序依次对所有类别的原位遥感信息进行编号，将这些原位遥感信息依次记为x1、x2、x3……xm；然后，针对x1、x2、x3……xm中的任意1～m种原位遥感信息利用基于误差反向传播BP神经网络建立至多2m-1个CPUE预测模型，使用所得数据训练并测试建立的各CPUE预测模型得到最终预测模型；最后，将待预测时间段内海域B鱼类C的原位遥感信息输入最终预测模型即可完成对待预测时间段内海域B鱼类C的CPUE的预测。本专利技术的基于原位遥感信息的远洋渔类生境分布预测方法，首次提出直接以原位遥感信息作为模型因子考察CPUE，与使用海洋环境因子的传统方法相比，一方面可以避免因为海洋环境因子提取过程中损失必要的海洋信息，另一方面引入原位遥感信息后预测资源丰度的精度可得到有效提高。本专利技术通过获取待预测时间段内海域B鱼类C的原位遥感信息即可完成对远洋渔业资源丰度，便捷性好，此外，本专利技术的CPUE预测模型是基于BP神经网络建立的，BP神经网络无论在网络理论还是在性能方面已比较成熟，其具有很强的非线性映射能力和柔性的网络结构，网络的中间层数、各层的神经元个数可根据具体情况任意设定，适用性好，能够一定程度上降低实际操作及应用时的难度。作为优选的技术方案：如上所述的基于原位遥感信息的远洋渔类生境分布预测方法，步骤如下：(1)对时间段A内海域B鱼类C的生产统计数据、时间段A内海域B的原位遥感信息的数据以及时间段A内海域B的海洋环境因子的数据(原位遥感信息及海洋环境因子的相关数据是通过MODIS和AMSR-E/2卫星数据获取的)进行处理，获取时间段A内海域B鱼类C的时空同步的CPUE、海洋环境因子与原位遥感信息的数据，所述原位遥感信息包括遥感反射比(Rrs)和亮温(BT)，按照1、2、3……m的次序依次对所有类别的原位遥感信息及海洋环境因子进行编号，将这些原位遥感信息及海洋环境因子依次记为x1、x2、x3……xm；(2)将步骤(1)获取的时间段A内海域B鱼类C的时空同步的CPUE、海洋环境因子与原位遥感信息的数据分为训练集和测试集；(3)针对x1、x2、x3……xn中的任意1～n种原位遥感信息及海洋环境因子利用基于误差反向传播BP神经网络建立至多2n-1个CPUE预测模型；(4)使用训练集训练各CPUE预测模型并使用测试集对各CPUE预测模型进行测试，选取精度最高的模型作为最终预测模型；(5)将待预测时间段内海域B鱼类C的最终预测模型所需的原位遥感信息输入最终预测模型即可完成对待预测时间段内海域B鱼类C的CPUE的预测。针对不同海域、不同时间的海洋环境的差异性，可以指定分辨率单独建立每个海域单独时间段的预测模型进而进行对应海域鱼类的资源丰度的预测。如上所述的基于原位遥感信息的远洋渔类生境分布预测方法，其步骤(4)中一CPUE预测模型的训练及测试具体步骤为：(a)从训练集中选取训练样本，判断训练集中训练样本是否已经全部被选取过；(b)训练集中训练样本未被全部被选取过，则采用步骤(a)选取的训练样本对CPUE预测模型I进行训练，所述CPUE预测模型I的输入为海洋环境因子和原位遥感信息中的任意项，输出为CPUE，反之，则以前次训练得到的CPUE预测模型I作为CPUE预测模型I的优选模型；(c)从测试集中选取测试样本，将测试样本的对应CPUE预测模型I的输入的相关数据输入步骤(b)训练得到的CPUE预测模型I的优选模型得到该测试样本的测试CPUE；(c)测试样本的测试CPUE与测试样本的真实CPUE的偏差小于阈值，则CPUE预测模型I的优选模型即为CPUE预测模型I的最终模型，反之，则调整BP神经网络的参数并返回步骤(a)。如上所述的基于原位遥感信息的远洋渔类生境分布预测方法，步骤(4)中所述最终预测模型的获取过程如下：从测试集中选取测试样本，将测试样本的对应各CPUE预测模型的输入的相关数据分别输入各CPUE预测模型的最终模型得到各测试样本的测试CPUE；计算各测试样本的测试CPUE与真实CPUE的偏差；选取最小偏差值对应的CPUE预测模型的最终模型作为最终预测模型。如上所述的基于原位遥感信息的远洋渔类生境分布预测方法，所述海洋环境因子包括海表温度(SST)和叶绿素a浓度(Chl-a)。本专利技术的海洋环境因子并不仅限于此，此处列举部分常规的海洋环境因子为例而已，包括太平洋年代际震荡指数、海水质量变化和地转流等在内的海洋环境因子也可作为海洋环境因子，针对不同海域不同的鱼类，海洋环境因子的选择并不相同，本领域技术人员根据实际需求调整所选取的海洋环境因子。如上所述的基于原位遥感信息的远洋渔类生境分布预测方法，步骤(1)中的对时间段A内海域B鱼类C的生产统计数据、时间段A内海域B的原位遥感信息的本文档来自技高网...

【技术保护点】
1.基于原位遥感信息的远洋渔类生境分布预测方法，其特征在于，首先，处理时间段A内海域B鱼类C的生产统计数据及时间段A内海域B的包括遥感反射比和亮温在内的原位遥感信息得到时间段A内海域B鱼类C的时空同步的CPUE与原位遥感信息的数据，按照1、2、3……m的次序依次对所有类别的原位遥感信息进行编号，将这些原位遥感信息依次记为x

【技术特征摘要】
1.基于原位遥感信息的远洋渔类生境分布预测方法，其特征在于，首先，处理时间段A内海域B鱼类C的生产统计数据及时间段A内海域B的包括遥感反射比和亮温在内的原位遥感信息得到时间段A内海域B鱼类C的时空同步的CPUE与原位遥感信息的数据，按照1、2、3……m的次序依次对所有类别的原位遥感信息进行编号，将这些原位遥感信息依次记为x1、x2、x3……xm；然后，针对x1、x2、x3……xm中的任意1～m种原位遥感信息利用BP神经网络建立至多2m-1个CPUE预测模型，使用所得数据训练并测试建立的各CPUE预测模型得到最终预测模型；最后，将待预测时间段内海域B鱼类C的原位遥感信息输入最终预测模型即可完成对待预测时间段内海域B鱼类C的CPUE的预测。


2.根据权利要求1所述的基于原位遥感信息的远洋渔类生境分布预测方法，其特征在于，步骤如下：
(1)对时间段A内海域B鱼类C的生产统计数据、时间段A内海域B的原位遥感信息的数据以及时间段A内海域B的海洋环境因子的数据进行处理，获取时间段A内海域B鱼类C的时空同步的CPUE、海洋环境因子与原位遥感信息的数据，所述原位遥感信息包括遥感反射比和亮温，按照1、2、3……m的次序依次对所有类别的原位遥感信息及海洋环境因子进行编号，将这些原位遥感信息及海洋环境因子依次记为x1、x2、x3……xm；
(2)将步骤(1)获取的时间段A内海域B鱼类C的时空同步的CPUE、海洋环境因子与原位遥感信息的数据分为训练集和测试集；
(3)针对x1、x2、x3……xn中的任意1～n种原位遥感信息及海洋环境因子利用BP神经网络建立至多2n-1个CPUE预测模型；
(4)使用训练集训练各CPUE预测模型并使用测试集对各CPUE预测模型进行测试，选取精度最高的模型作为最终预测模型；
(5)将待预测时间段内海域B鱼类C的最终预测模型所需的原位遥感信息输入最终预测模型即可完成对待预测时间段内海域B鱼类C的CPUE的预测。


3.根据权利要求2所述的基于原位遥感信息的远洋渔类生境分布预测方法，其特征在于，步骤(4)中一CPUE预测模型的训练及测试具体步骤为：
(a)从训练集中选取训练样本，判断训练集中训练样本是否已经全部被选取过；
(b)训练集中训练样本未被全部被选取过，则采用步骤(a)选取的训练样本对CPUE预测模型I进行训练，所述CPUE预测模型I的输入为海洋环境因子和原位遥感信息中的任意项，输出为CPUE，反之，则以前次训练...

【专利技术属性】
技术研发人员：常亮，陈新军，余为，李阳东，冯贵平，杨艳丽，
申请(专利权)人：上海海洋大学，
类型：发明
国别省市：上海;31