09第九章_资源预报.ppt

2.渔场预报模型 统计学模型 机器学习和人工智能方法 机理/过程模型和理论模型 （1）统计学模型 线性回归模型 早期或传统的渔情预报主要采用以经典统计学为主的回归分析、相关分析、判别分析和聚类分析等方法。其中最有代表性的是一般线性回归模型。 通过分析海表面温度、叶绿素a浓度等海洋环境数据与历史渔获量、单位捕捞努力渔获量或者渔期之间的关系，建立回归方程: CPUE = β0 + β1·SST + β2·chl + … + ε 式中: βi为回归系数，ε 为误差项。一般线性回归模型采用最小二乘法对系数βi进行估计，然后利用这些方程对渔期、渔获量或CPUE 进行预报。 一般线性模型的优劣 一般线性模型结构稳定，操作方法简单，在早期的实际应用中取得了一定的效果。但一般线性模型方差小、偏差大，用于预报时存在一定的局限性。 一方面，渔场形成与海洋环境要素之间的关系具有模糊性和随机性，一般很难建立相关系数很高的回归方程。 另一方面，实际的渔业生产和海洋环境数据一般并不满足一般线性模型对于数据的假设，因而导致回归方程预测效果较差。 目前，一般线性回归模型在渔情预报中的应用已比较少见，而逐渐被更为复杂的分段线性回归、多项式回归和指数( 对数) 回 归、分位数回归等模型所取代 广义回归模型 广义线性模型( generalized linear model，GLM)通过连接函数g 对响应变量进行一定的