留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于优化灰色模型的南海鸢乌贼资源丰度预测

周茜涵 吴洽儿 周艳波 谢恩阁 马胜伟

周茜涵, 吴洽儿, 周艳波, 谢恩阁, 马胜伟. 基于优化灰色模型的南海鸢乌贼资源丰度预测[J]. 南方水产科学. doi: 10.12131/20200218
引用本文: 周茜涵, 吴洽儿, 周艳波, 谢恩阁, 马胜伟. 基于优化灰色模型的南海鸢乌贼资源丰度预测[J]. 南方水产科学. doi: 10.12131/20200218
Xihan ZHOU, Qia'er WU, Yanbo ZHOU, Enge XIE, Shengwei MA. Prediction of abundance of Sthenoteuthis oualaniensis in South China Sea based on optimized grey system model[J]. South China Fisheries Science. doi: 10.12131/20200218
Citation: Xihan ZHOU, Qia'er WU, Yanbo ZHOU, Enge XIE, Shengwei MA. Prediction of abundance of Sthenoteuthis oualaniensis in South China Sea based on optimized grey system model[J]. South China Fisheries Science. doi: 10.12131/20200218

基于优化灰色模型的南海鸢乌贼资源丰度预测

doi: 10.12131/20200218
基金项目: 基于渔村振兴背景下广东省渔港管理效能提升战略研究 (粤农2019A3);南海渔业资源大数据智能平台构建及应用示范 (2020B1111030001)
详细信息
    作者简介:

    周茜涵(1996—),女,硕士研究生,研究方向为渔业资源。E-mail:2930378523@qq.com

    通讯作者:

    马胜伟(1978—),男,硕士,副研究员,从事渔业发展战略研究。E-mail:42123269@qq.com

  • 中图分类号: S931

Prediction of abundance of Sthenoteuthis oualaniensis in South China Sea based on optimized grey system model

  • 摘要: 鸢乌贼 (Sthenoteuthis oualaniensis) 是南海重要的经济头足类之一,巨大的开发潜力与经济价值,使其在我国南海海洋渔业中的地位日益凸显。为深入了解南海鸢乌贼单位捕捞努力量渔获量 (Catch per unit effort, CPUE) 变化情况并作出科学预测,文章选择构建灰色预测模型GM (1, N),结合海洋环境因子,对2013—2019年春夏季南海鸢乌贼生产数据进行拟合预测,使用Simpson公式和Fourier级数改造原模型背景值并对拟合值残差做修正。结果显示,在鸢乌贼CPUE预测上,普通GM (1, N) 模型的平均相对误差为7.78%,优化灰色GM (1, N) 模型为2.54%;在2019年鸢乌贼CPUE预测上,优化灰色GM (1, N) 模型将相对误差从普通GM (1, N) 模型的4.79%降至1.87%。结果表明,优化的灰色模型较普通多因素GM (1, N) 模型的预测精度更高,为准确预测鸢乌贼资源相对丰度提供了一个新思路。
  • 图  1  2013—2019年南海鸢乌贼单位捕捞努力量渔获量变化

    Figure  1.  CPUE of S. oualaniensis in South China Sea from 2013 to 2019

    图  2  海表面叶绿素浓度 (a)、海表面温度 (b) 和海表面风速 (c) 对单位捕捞努力量渔获量的影响

    Figure  2.  Effects of Sea surface Chl-a concentration (a), sea surface temperature (b), sea surface wind speed (c) on CPUE

    图  3  3种模型的拟合结果与单位捕捞努力量渔获量真实值的比较

    Figure  3.  Comparison between fitting results of three models and real CPUE value

    表  1  环境因子序列与单位捕捞努力量渔获量的灰色关联度分析结果

    Table  1.   Grey relational analysis of environmental factor sequence and CPUE

    月份
    Month
    海表面高度
    SSH
    海表面温度
    SST
    海表面盐度
    SSS
    海表面叶绿素a
    Sea surface Chl-a
    海表面风速
    Sea surface wind speed
    2月 Feb. 0.730 9 0.890 0* 0.698 6 0.948 6 0.828 2
    3月 Mar. 0.756 3 0.872 0 0.724 0 0.964 5* 0.856 5*
    4月 Apr. 0.728 6 0.817 9 0.732 9 0.952 9 0.825 5
    5月 May 0.782 2* 0.827 1 0.750 1* 0.938 3 0.831 0
    6月 Jun. 0.726 2 0.832 9 0.730 3 0.963 2 0.827 9
    均值 Mean 0.744 8 0.848 0 0.727 2 0.953 5 0.833 8
    注:*. 该因子对应相关度最高的月份 Note: *. The factor corresponds to the month with the highest correlation.
    下载: 导出CSV

    表  2  多因素预测模型得到的单位捕捞努力量渔获量拟合值与真实值的相对误差

    Table  2.   Relative error between CPUE predictive value and real value obtained by multi-factor prediction model

    模型 ModelM1M2M3M4M5M6
    平均相对误差 Mean relative error/% 4.79 7.79 8.81 27.16 7.78 10.46
    注:模型M1. 包含所有因子的GM (1,6) 模型;模型M2. 不包含SSH的GM (1,5) 模型;模型M3. 不包含SST的GM (1,5) 模型;模型M4. 不包含SSS的GM (1,5) 模型;模型M5. 不包含Chl-a的GM (1,5) 模型;模型M6. 不包含Wind的GM (1,5) 模型 Note: Model M1. GM (1,6) model with all factors; Model M2. GM (1,5) model without SSH; Model M3. GM (1,5) model without SST; Model M4. GM (1,5) model without SSS; Model M5. GM (1,5) model without Chl-a; Model M6. GM (1,5) model without Wind
    下载: 导出CSV

    表  3  3种模型的拟合结果与单位捕捞努力量渔获量真实值的相对误差

    Table  3.   Relative error between predictive values of three models and real CPUE value

    年份
    Year
    真实值
    Real value
    GM (1,6) 预测值
    Predictive value
    基于Simpson优化的
    预测值
    Prediction value based
    on Simpson formula
    基于Fourier级数
    修正值
    Prediction value based
    on Fourier series
    2013 1.856 5 1.856 5 1.856 5 1.844 5
    2014 2.376 8 1.975 7 2.082 0 2.355 1
    2015 2.656 8 2.717 6 2.457 1 2.712 9
    2016 1.932 9 1.973 6 1.991 6 1.852 9
    2017 1.915 2 2.199 0 2.108 0 1.991 6
    2018 2.150 1 1.922 7 1.868 6 2.076 6
    平均相对误差 Mean relative error/% 7.78 7.69 2.54
    2019 2.386 8 2.272 5 2.304 2 2.431 4
    相对误差 Relative error/% 4.79 3.46 1.87
    下载: 导出CSV
  • [1] 张鹏, 杨吝, 张旭丰, 等. 南海金枪鱼和鸢乌贼资源开发现状及前景[J]. 南方水产, 2010, 6(1): 68-74.
    [2] EKO S, YE H J, DAI Y, et al. Detailed spatiotemporal impacts of El Niño on phytoplankton biomass in the South China Sea[J]. J Geophys Res Oceans, 2017, 12(2): 123-126.
    [3] 招春旭, 邱星宇, 何雄波, 等. 南海春季月相、水深、作业时间与鸢乌贼CPUE的关系[J]. 水产学报, 2019, 43(11): 2372-2382.
    [4] 耿喆, 朱江峰, 夏萌, 等. 数据缺乏条件下的渔业资源评估方法研究进展[J]. 海洋湖沼通报, 2018(5): 130-137.
    [5] 邓聚龙. 灰色系统基本方法[M]. 武汉: 华中理工大学出版社, 1987: 20-60.
    [6] 陈新军. 灰色系统理论在渔业科学中的应用[M]. 北京: 中国农业出版社, 2003: 1-32.
    [7] 袁德宝, 张振超, 张军, 等. 最优化分数阶算子EGM (1,1) 模型在变形监测预报中的应用[J]. 大地测量与地球动力学, 2020, 40(4): 331-334+345.
    [8] 索瑞霞, 王翔宇, 沈剑. 基于动态无偏灰色马尔科夫模型的煤炭需求量预测[J]. 数学的实践与认识, 2019, 49(13): 179-186.
    [9] 徐华锋, 刘思峰, 方志耕. GM (1,1) 模型灰色作用量的优化[J]. 数学的实践与认识, 2010, 40(2): 26-32.
    [10] 高媛媛, 魏勇. 灰色模型背景值优化的一种新方法[J]. 统计与决策, 2020, 36(07): 21-26.
    [11] CUI J, LIU S F, ZENG B, et al. A novel grey forecasting model and its optimization[J]. Appl Math Model, 2013, 37(6): 4399-4406. doi:  10.1016/j.apm.2012.09.052
    [12] 孙辰军, 王翠茹, 张江维. 残差灰色预测模型的改进与应用[J]. 统计与决策, 2005(5): 19-20. doi:  10.3969/j.issn.1002-6487.2005.05.010
    [13] 高雪, 陈新军, 余为. 基于灰色系统的西北太平洋柔鱼冬春生群资源丰度预测模型[J]. 海洋学报, 2017, 39(6): 55-61.
    [14] 谢恩阁, 周艳波, 冯菲, 等. 中国南海外海鸢乌贼灯光罩网渔业CPUE标准化研究[J]. 大连海洋大学学报, 2020, 35(3): 439-446.
    [15] 张立, 李渊, 林龙山, 等. 南海中南部主要经济种类渔业资源声学评估[J]. 海洋渔业, 2016, 38(6): 577-587. doi:  10.3969/j.issn.1004-2490.2016.06.003
    [16] 余景, 胡启伟, 李纯厚, 等. 西沙—中沙海域春季鸢乌贼资源与海洋环境的关系[J]. 海洋学报, 2017, 39(6): 62-73.
    [17] 冯波, 颜云榕, 张宇美, 等. 南海鸢乌贼 (Sthenoteuthis oualaniensis) 资源评估的新方法[J]. 渔业科学进展, 2014, 35(4): 1-6. doi:  10.11758/yykxjz.20140401
    [18] 范江涛, 张俊, 冯雪, 等. 南沙海域鸢乌贼渔场与海洋环境因子的关系[J]. 上海海洋大学学报, 2019, 28(3): 419-426.
    [19] 王言丰, 陈新军, 陈芃, 等. 基于灰色系统西南大西洋阿根廷滑柔鱼资源丰度预测模型的构建[J]. 海洋学报, 2019, 41(4): 64-73.
    [20] 余胜威. MATLAB优化算法案例分析与应用[M]. 北京: 清华大学出版社, 2004: 46-55.
    [21] 成枢, 周龙飞, 高秀明. 基于灰色关联GM (1,N)-Markov修正模型的应用[J]. 勘察科学技术, 2019(3): 43-48. doi:  10.3969/j.issn.1001-3946.2019.03.011
    [22] 方舟, 陈洋洋, 陈新军, 等. 基于不同环境因子的中西太平洋鲣鱼资源丰度灰色预测模型构建[J]. 海洋学研究, 2018, 36(4): 60-67. doi:  10.3969/j.issn.1001-909X.2018.04.008
    [23] 李庆扬, 王能超, 易大义. 数值分析[M]. 北京: 清华大学出版社, 2008: 32-39.
    [24] 姜汝翰. 基于灰色模型的青岛港集装箱吞吐量预测研究[D]. 大连: 大连海事大学, 2019: 25-29.
    [25] DENG Z, KE Y, GONG H, et al. Land subsidence prediction in Beijing based on PS-InSAR technique and improved Grey-Markov model[J]. GISci Remote Sens, 2017, 54(6): 797-818. doi:  10.1080/15481603.2017.1331511
    [26] 郭雪峰, 黄健元, 王欢. 改进的灰色模型在流动人口预测中的应用[J]. 统计与决策, 2018, 34(08): 76-79.
    [27] 蒲晓妮, 赵睿, 王江荣. 基于Fourier级数残差修正的灰色Verhulst模型及应用[J]. 自动化与仪器仪表, 2019(8): 98-101.
    [28] 徐红云, 崔雪森, 周为峰, 等. 基于海洋遥感的南海外海鸢乌贼最适栖息环境分析[J]. 生态学杂志, 2016, 35(11): 3080-3085.
    [29] 晏磊, 张鹏, 杨炳忠, 等. 南海鸢乌贼产量与表温及水温垂直结构的关系[J]. 中国水产科学, 2016, 23(2): 469-477.
    [30] 范江涛, 张俊, 冯雪, 等. 基于地统计学的南沙海域鸢乌贼渔场分析[J]. 生态学杂志, 2017, 36(2): 442-446.
    [31] 常永波. 几种人工神经网络模型在智利竹筴鱼渔场渔情预报中的比较研究[D]. 上海: 上海海洋大学, 2016: 7-15.
    [32] SOYKAN C U, EGUCHI T, KOHIN S, et al. Prediction of fishing effort distributions using boosted regression trees[J]. Ecol Appl, 2014, 24(1): 71-83. doi:  10.1890/12-0826.1
    [33] HIROSHI S. Application of support vector regression to CPUE analysis for southern bluefin tuna Thunnus maccoyii, and its comparison with conventional methods[J]. Fish Sci, 2014, 80(5): 879-886. doi:  10.1007/s12562-014-0770-6
  • 加载中
计量
  • 文章访问数:  13
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-10-19
  • 修回日期:  2021-01-10

目录

    /

    返回文章
    返回