生物资源评估：第九章 渔业资源的估算和预报.pptVIP

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变换，将基于指数分布族的回归与一般线性回归整合起来，其回归方程如下: g［E( Y) ］ = β0 +Σ βi·Xi + ε GLM 模型可对自变量本身进行变换，也可加上反映自变量相互关系的函数项，从而以线性的形式实现非线性回归。 广义加性模型( generalized additive model，GAM) 是GLM 模型的非参数扩展,适合处理非线性问题. 其方程式如下: g［E( Y) ］ = LP = β0 +Σfi (Xi)+ ε GLM 模型中的回归系数βi被平滑函数局部散点平滑函数fi所取代 贝叶斯方法 贝叶斯统计理论基于贝叶斯定理，即通过先验概率以及相应的条件概率计算后验概率。 其中先验概率是指渔场形成的总概率，条件概率是指渔场为“真”时环境要素满足某种条件的概率，后验概率即当前环境要素条件下渔场形成的概率。 贝叶斯方法的一个显著优点是其易于集成的特性，几乎可以与任何现有的模型集成在一起应用，常用的方法就是以不同的模型计算和修正先验概率. 目前渔情预报应用中的贝叶斯模型采用的都是朴素贝叶斯分类器( simple Bayesian classifier) ,考虑各预测变量联合概率的贝叶斯信念网络( Bayesian belief network) 模型在渔情预报方面也应该会有较大的应用空间。 时间序列分析( time series) 时间序列是指具有时间顺序的一组数值序列。对于时间序列的处理和分析具有静态统计处理方法的优势，随着计算机以及数值计算方法的发展，已经形成了一套完整的分析和预测方法。 时间序列分析在渔情预报中主要应用在渔获量预测方面。Georgakarakos 等采用时间序列分析、人工神经网络和贝叶斯动态模型对希腊海域枪乌贼科和柔鱼科产量进行了预测，结果表明时间序列分析方法具有很高的精度。 空间分析和插值 空间分析的基础是地理实体的空间自相关性，即距离越近的地理实体相似度越高，距离越远的地理实体差异性越大。空间自相关性被称为“地理学第一定律”( first law of geography) 。 空间分析主要用来分析渔业资源在时空分布上的相关性和异质性，如渔场重心的变动、渔业资源的时空分布模式等。 但也有部分学者使用基于地统计学的插值方法( 如克里金插值法) 对渔获量数据进行插值，在此基础上对渔业资源总量或空间分布进行估计。 渔业具有非常强的动态变化特征，而地统计学方法从本质上来讲是一种静态方法，因此对渔业数据的收集方法具有严格的要求。 （2）机器学习和人工智能方法 原理 空间的渔场预测也可以看成是一种“分类”，即将空间中的每一个网格分成“渔场”和“非渔场”的过程。 提取分类规则的方法有很多，一般都属于机器学习方法。机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识的方法。 机器学习和人工智能方法众多，目前在渔情预报方面应用最多的是人工神经网络、基于规则的专家系统和范例推理方法。除此之外，决策树、遗传算法、最大熵值法、元胞自动机、支持向量机、分类器聚合、关联分析和聚类分析、模糊推理等方法都开始在渔情分析和预报中有所应用 人工神经网络模型( artificial