基于先驗(yàn)知識(shí)的SVM模型及漁業(yè)應(yīng)用研究.pdf

1、阿根廷滑柔魚為大洋性淺海魚種，分布在22°S-54°S的西南大西洋大陸架和陸坡，其中以35°S-52°S資源尤為豐富，它是目前世界頭足類中最為重要的資源之一。開展阿根廷滑柔魚資源評(píng)估、了解資源和漁場(chǎng)與海洋環(huán)境關(guān)系將有利于對(duì)其實(shí)施合理的開發(fā)，具有重要建設(shè)性意義。
　　 目前，在漁情預(yù)測(cè)的研究中，已經(jīng)有學(xué)者利用到了數(shù)據(jù)挖掘的一些算法，但是仍然存在以下的一些不足：(1)傳統(tǒng)漁情預(yù)測(cè)模型采用多元回歸分析法來進(jìn)行預(yù)測(cè)，但是，只有在因變量之

2、間獨(dú)立和獨(dú)立分布的情況下，回歸分析才能取得較好的結(jié)果。這樣的要求對(duì)于海洋壞境因子變量來說是很難達(dá)到的。(2)當(dāng)前漁情預(yù)測(cè)系統(tǒng)中涉及到的環(huán)境因子相對(duì)而言比較少，一般只包含海表溫度和海面高度。某些對(duì)魚類產(chǎn)量有較大影響的因子沒有考慮進(jìn)去，這勢(shì)必也影響漁情預(yù)測(cè)的精度。(3)當(dāng)前大多數(shù)漁情預(yù)測(cè)是建立關(guān)系模型，即利用海洋環(huán)境因子和產(chǎn)量之間的關(guān)系建立模型。實(shí)際上，漁業(yè)領(lǐng)域某些專業(yè)知識(shí)能夠?qū)δＰ途哂幸恍┲笇?dǎo)性的意義，但是應(yīng)用較少。(4)大多數(shù)漁情預(yù)測(cè)系

3、統(tǒng)是對(duì)漁業(yè)產(chǎn)量進(jìn)行定性分析，即某一區(qū)域產(chǎn)魚的可能性是高、中或者低，而對(duì)于某一漁區(qū)的棲息地指數(shù)研究較少。(5)由于支持向量機(jī)的理論較為科學(xué)完備，因此很多學(xué)者進(jìn)行了相關(guān)方面的研究，但是，在實(shí)際應(yīng)用方面研究較少，大多數(shù)學(xué)者利用支持向量機(jī)解決問題的方式是采用MATLAB仿真，然而，很多具體的問題不能夠直接利用仿真實(shí)驗(yàn)得出結(jié)果，因此，如何真正將支持向量機(jī)應(yīng)用于解決實(shí)際問題也是值得研究的內(nèi)容。
　　 本文是在國(guó)家發(fā)改委專項(xiàng)“衛(wèi)星遙感大洋漁業(yè)

4、高技術(shù)產(chǎn)業(yè)化示范工程項(xiàng)目”的背景下展開的。本文主要研究的內(nèi)容是，根據(jù)收集到的西南大西洋阿根廷滑作業(yè)次數(shù)、產(chǎn)量數(shù)據(jù)和海洋環(huán)境因子數(shù)據(jù)（海表溫度、葉綠素濃度和海平面高度）以及漁業(yè)方面專業(yè)領(lǐng)域知識(shí)進(jìn)行機(jī)器學(xué)習(xí)，得到較好的漁情預(yù)測(cè)模型。根據(jù)這個(gè)漁情預(yù)測(cè)模型可以分析西南大西洋阿根廷滑柔魚在某一海域的棲息地指數(shù)。這個(gè)預(yù)測(cè)模型系統(tǒng)可以指導(dǎo)漁業(yè)生產(chǎn)和捕撈活動(dòng)，探索和發(fā)現(xiàn)漁場(chǎng)分布。本論文的主要工作有以下幾個(gè)方面：
　　 (1)通過閱讀漁業(yè)資源與漁

5、場(chǎng)學(xué)方面的論著和文獻(xiàn)，了解大量海洋漁業(yè)方面的知識(shí)，發(fā)現(xiàn)對(duì)魚類分布有較大影響的海洋環(huán)境因子，其中包括海洋表面溫度(SST)、海洋水溫的垂直分布、海洋水溫距歷史平均值、海水鹽度、溫躍層等等。影響魚類分布還有一些氣象因素和生物因素。在本論文中主要研究的是海洋環(huán)境因子與西南大西洋阿根廷柔魚棲息地指數(shù)之間的關(guān)系。
　　 (2)收集西南大西洋海域海洋環(huán)境因子數(shù)據(jù)（海水表面溫度、海面高度、葉綠素含量等）以及2000年1月到2004年5月之間該

6、海域阿根廷滑柔魚圍網(wǎng)作業(yè)的作業(yè)次數(shù)、產(chǎn)量數(shù)據(jù)。海洋環(huán)境因子中海水表面溫度、海面高度和葉綠素濃度的空間分辨率是0.1°×0.1°，而產(chǎn)量數(shù)據(jù)的空間分辨率不確定。因此在數(shù)據(jù)分析前必須對(duì)數(shù)據(jù)進(jìn)行處理，將海洋環(huán)境因子和棲息地指數(shù)數(shù)據(jù)進(jìn)行配對(duì)，生成樣本數(shù)據(jù)文件，確保使用同一標(biāo)準(zhǔn)進(jìn)行度量，提高數(shù)據(jù)的可用性和可靠性。
　　 (3)結(jié)合領(lǐng)域?qū)＜业囊庖?，確定對(duì)漁情預(yù)測(cè)有效的樣本數(shù)據(jù)，并將這些領(lǐng)域知識(shí)應(yīng)用于支持向量機(jī)中，提高預(yù)測(cè)準(zhǔn)確度。
　　

7、 (4)徑向基神經(jīng)網(wǎng)絡(luò)是近年來應(yīng)用較廣泛、較成熟的機(jī)器學(xué)習(xí)算法，因此本文也利用徑向基神經(jīng)網(wǎng)絡(luò)建立了漁情預(yù)測(cè)模型，然后將徑向基神經(jīng)網(wǎng)絡(luò)和基于先驗(yàn)知識(shí)的支持向量機(jī)進(jìn)行了比較。
　　 本文首次將漁業(yè)資源領(lǐng)域的專家知識(shí)應(yīng)用到了漁情預(yù)測(cè)系統(tǒng)中，對(duì)該模型進(jìn)行了系統(tǒng)研究。該模型可以獲取更有價(jià)值的漁業(yè)知識(shí)，能夠?qū)O場(chǎng)漁情進(jìn)行分析，提高了漁情預(yù)測(cè)的精度。本文將西南大西洋阿根廷滑柔魚的實(shí)際生產(chǎn)數(shù)據(jù)和多因子海洋環(huán)境數(shù)據(jù)（海水表面溫度、海面高度、葉綠