基于貝葉斯方法、分位數(shù)回歸和人工神經(jīng)網(wǎng)絡(luò)模型的黃鰭金槍魚(yú)漁情預(yù)報(bào)模型比較.pdf

1、黃鰭金槍魚(yú)(Thunnus albacares)是金槍魚(yú)漁業(yè)的捕撈對(duì)象之一，由于其產(chǎn)量和經(jīng)濟(jì)食用價(jià)值都明顯高于其它金槍魚(yú)和類(lèi)金槍魚(yú)，所以世界各國(guó)對(duì)黃鰭金槍魚(yú)的開(kāi)發(fā)和利用都極其重視，我國(guó)也將其作為遠(yuǎn)洋漁業(yè)重點(diǎn)開(kāi)發(fā)的對(duì)象。因此研究黃鰭金槍魚(yú)的可持續(xù)、有效的開(kāi)發(fā)利用，進(jìn)一步掌握其資源分布豐度、生活習(xí)性和種群時(shí)間空間分布狀況，是我國(guó)乃至世界目前金槍魚(yú)漁業(yè)研究工作者的重要研究課題之一。黃鰭金槍魚(yú)漁情預(yù)報(bào)模型的建立需要由大量科學(xué)而精確的海洋環(huán)境數(shù)據(jù)

2、與對(duì)應(yīng)的漁獲數(shù)據(jù)作為建模的先決條件。
　　本文建模所用的海洋環(huán)境數(shù)據(jù)為2016年中西太平洋馬紹爾海域海表面溫度（SST）、海表面高度（SSH）、初級(jí)生產(chǎn)力（PHL），漁獲數(shù)據(jù)為在一定的地理單元里與環(huán)境數(shù)據(jù)對(duì)應(yīng)的每艘船的作業(yè)時(shí)間和作業(yè)位置、每尾黃鰭金槍魚(yú)的漁獲位置及漁獲漁船當(dāng)天投放釣鉤的數(shù)量，通過(guò)這些數(shù)據(jù)得出名義捕撈努力量（尾/千鉤），其中海洋環(huán)境數(shù)據(jù)和漁獲數(shù)據(jù)的空間分辨率為0.25°×0.25°，時(shí)間分辨率為天。應(yīng)用貝葉斯分析方法

3、（BA）、分位數(shù)回歸模型（QRM）和人工神經(jīng)網(wǎng)絡(luò)（ANNS）這三種模型建立相應(yīng)的黃鰭金槍魚(yú)的漁情預(yù)報(bào)模型，貝葉斯預(yù)測(cè)模型得到的是地理單元預(yù)測(cè)漁場(chǎng)存在概率，而分位數(shù)回歸和人工神經(jīng)網(wǎng)絡(luò)得到的是預(yù)測(cè)單位捕撈努力量漁獲量（CPUE），將三種模型得到的預(yù)測(cè)結(jié)果分別和實(shí)際結(jié)果用泊松相關(guān)系數(shù)、秩( Wilcoxon)檢驗(yàn)方法和有效性指數(shù) EF值這三個(gè)指標(biāo)作為模型能力的評(píng)價(jià)標(biāo)準(zhǔn)比對(duì)這三種模型對(duì)黃鰭金槍魚(yú)漁場(chǎng)的預(yù)測(cè)能力，并分別計(jì)算三種模型的棲息地綜合指數(shù)

4、，分析各個(gè)模型在黃鰭金槍魚(yú)漁情預(yù)報(bào)能力方面的表現(xiàn)和預(yù)測(cè)的優(yōu)劣勢(shì)，得到各個(gè)模型影響最大的相關(guān)因子，并確立相對(duì)最優(yōu)模型。
　　結(jié)果表明：
　　1）基于三種預(yù)測(cè)模型所得的黃鰭金槍魚(yú)漁情預(yù)報(bào)結(jié)果各不相同，分位數(shù)回歸的預(yù)測(cè)能力稍強(qiáng)于人工神經(jīng)網(wǎng)絡(luò)，特別是在一些高值區(qū)域表現(xiàn)要明顯優(yōu)于人工神經(jīng)網(wǎng)絡(luò)，而貝葉斯模型的預(yù)測(cè)能力最差。
　　2）通過(guò)貝葉斯、分位數(shù)回歸和人工神經(jīng)網(wǎng)絡(luò)模型所得黃鰭金槍魚(yú)棲息地綜合指數(shù)較高的海域分別為0o00′~4o

5、00′N(xiāo)，150o00′E~165o00′E、2o00′N(xiāo)~9o00′N(xiāo)，153o00′E~165o00′E、1o00′N(xiāo)~7o00′N(xiāo)，152o30′E~165o30′E。三種模型的高值海域各不相同，但均包含2o00′N(xiāo)~4o00′N(xiāo)，153o00′E~165o00′E。
　　3)把110個(gè)驗(yàn)證格網(wǎng)（總數(shù)據(jù)的14.3％）的海洋環(huán)境數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)導(dǎo)入三種模型分別得到預(yù)測(cè)漁場(chǎng)存在概率（貝葉斯模型）和預(yù)測(cè) CPUE（分位數(shù)回歸、人工

6、神經(jīng)網(wǎng)絡(luò)模型），通過(guò)符號(hào)秩( Wilcoxon)檢驗(yàn)，得到的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果的相關(guān)性比較得出模型的預(yù)報(bào)效果從優(yōu)到劣的順序?yàn)椋悍治粩?shù)回歸模型、人工神經(jīng)網(wǎng)絡(luò)模型、貝葉斯模型；用EF值相關(guān)性分析得到預(yù)報(bào)效果從優(yōu)到劣的順序?yàn)椋贺惾~斯模型、分位數(shù)回歸模型、人工神經(jīng)網(wǎng)絡(luò)模型。
　　4）三種模型得到的最強(qiáng)相關(guān)因子也不相同，貝葉斯模型相關(guān)性最強(qiáng)的環(huán)境因子為海表面溫度，分位數(shù)回歸模型則為初級(jí)生產(chǎn)力、海表水溫、海面高度及其交互項(xiàng)，而人工神經(jīng)網(wǎng)絡(luò)得出

7、的是海表面高度和月份。
　　5）不同模型應(yīng)用方面的優(yōu)缺點(diǎn)也各不相同。本文得出分位數(shù)回歸模型其預(yù)測(cè)效果最佳，適用于關(guān)鍵環(huán)境因子的選取，缺點(diǎn)是如果環(huán)境因子間相關(guān)性太差，最后得到的分位數(shù)回歸方程對(duì)環(huán)境因子的舍棄太多；人工神經(jīng)網(wǎng)絡(luò)模型適用于多環(huán)境因子情況下的建模，但是只能得到預(yù)測(cè)值，得不到關(guān)系方程，并不能得到環(huán)境因子的影響和權(quán)重；而基于貝葉斯方法構(gòu)建的模型則更適用于中心漁場(chǎng)空間出現(xiàn)概率的預(yù)測(cè)，對(duì)一些高值區(qū)域的預(yù)報(bào)能力較差，預(yù)報(bào)結(jié)果相對(duì)平均