专利名称：一种基于贝叶斯网络模型的渔场预报方法
技术领域：
本发明涉及渔场鱼情预报技术领域，特别是涉及一种基于贝叶斯网络模型的渔场预报方法。
背景技术：
海洋水体环境作为海洋生物及海洋鱼类赖以生存的基本空间，海洋生物及鱼类的生长发育、生活习性、时空分布等与海洋环境密不可分，据此可通过对海洋水体环境要素的信息获取、海洋鱼类生活习性的掌握来研究渔场的时空动态演变进而开展渔场渔情分析预报。传统渔业捕捞中，船长依据目视海水颜色、海流流向、定点测量海表温度等简单方法来判断可能的渔场位置，该方法较为落后，难以准确探寻渔场的形成位置。由于大洋性鱼类一般具有高度跨界洄游习性，渔场分布具有区域性、时空易变性、复杂性等特点，传统的渔业捕捞受到渔场环境信息短缺和渔场规律研究不足等缺陷，大大地限制了捕捞效率和产量，相应的渔场渔情预报方法研究也很少。由于卫星遥感技术可以大范围、准同步、快速地获取海洋环境信息，因此利用卫星遥感技术监测获取的海水温度、海洋叶绿素浓度和海面高度等信息在渔场学应用已相对成熟。目前，渔场预报多考虑一种或两种环境要素与渔场位置的关系，很少涉及多种环境要素与渔场位置的关系研究，更未考虑环境要素之间的是否具有条件相关关系。
发明内容
本发明所要解决的技术问题是提供一种基于贝叶斯网络模型的渔场预报方法，能够实现渔场的速预报功能。本发明解决其技术问题所采用的技术方案是:提供一种基于贝叶斯网络模型的渔场预报方法，包括以下步骤: (I)对渔场环境的各个历史海洋信息数据集进行离散化处理；(2)建立贝叶斯网络结构图和贝叶斯网络中节点之间的条件概率表；(3)选取最优学习算法得到的贝叶斯网络结构图来计算渔场的后验概率分布公式；(4)根据得到的后验概率分布公式对渔场进行预报。所述步骤(I)中利用分位数的定义，分别对各个环境变量进行了离散化分级处理。所述步骤(2)中建立贝叶斯网络结构图包括以下子步骤:(21)对修补后的海洋信息数据进行等值线和等值面绘图；(22)用标注形式显示出海洋信息，用不同颜色分级来显示等值面分布，使渔场的各个环境数据分别存储在不同图层；(23)对不同图层进行叠加获得贝叶斯网络结构图。所述步骤(21)中的海洋信息通过反距离权重法进行修补。所述步骤(22)中等值线采用先提取等值线粗集，再细化的方式进行绘制或通过规则三角网或四边形进行等值的搜索生成。所述步骤(22)中的图层以栅格和矢量数据的结合形式展现。所述步骤(3)中的最优学习算法通过将离散化的数据分为学习数据集和测试数据集两部分，选用不同的学习算法，并用两种以上的函数进行评分，筛选出评分最高的学习算法获得的。所述步骤(3)中的最优学习算法为基于约束的结构学习算法。有益效果由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果:本发明采用贝叶斯网络模型原理，通过对历史的海洋环境数据和捕捞产量数据的学习，构建了关于数种渔场环境数据与捕捞数据的贝叶斯网络结构图，依此确定了渔场形成的后验概率分布公式，从而获取所选海域中各个渔区的渔场概率，能够实现渔场的速预报功能，为现代化捕捞业提供一种新的渔场预报方法。
图1是本发明的流程图；图2是东南太平洋智利竹莢鱼渔场位置与贝叶斯网络渔场概率对比图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。本发明的实施方式涉及一种基于贝叶斯网络模型的渔场预报方法，如图1所示，采用卫星遥感技术获得的海表温度(SST)、叶绿素浓度(chl-a)、海表温度距平(ASST)、叶绿素浓度距平(Λ chl-a)和海表温度梯度强度(Grad)等5个环境因子作为预报因子，将单位捕捞努力量渔获量(CPUE)作为模型的响应因子。为提高数据的分类能力和提高计算效率，首先对各个历史数据集进行离散化处理；建立贝叶斯网络结构图和贝叶斯网络中节点之间的条件概率表；选取最优学习算法得到的贝叶斯网络结构图来计算渔场的后验概率分布公式，最终结合GIS技术制图成渔场预报产品发布给渔业管理部门和生产企业。本发明主要包括贝叶斯网络学习和制图发布两部分:(一)机器学习过程1.渔场环境历史数据获取与处理。月平均海表温度SST与叶绿素a浓度chl-a数据均可来自NASA网站的极地轨道环境遥感卫星MODIS提供三级产品，空间分辨率为9km。海表温度距平Λ SST和叶绿素a浓度距平Λ chl-a以及海表温度梯度强度Grad数据，也由上述数据计算得到。历史渔获生产数据来自东南太平洋公海海域捕捞的中国大型拖网渔船的生产统计资料，网格化处理成1° Xl0渔区，由公式(I)计算单位捕捞努力量渔获量(CPUE)，CPUE = Cmonth/Nmonth (I)其中C_th表示每个渔区中一个月的产量，N_th表示该渔区中一个月的总网次。
数据的离散化对机器学习或数据挖掘有非常重要的意义，利用分位数α (0<α<1)的定义，分别对各个环境变量进行了离散化分级处理。将环境变量中叶绿素a浓度chl-a、海表温度SST和海表温度梯度强度Grad均分为4级，分位数α分别为0，0.25，0.50，0.75和1，而海表温度距平Λ SST、叶绿素a浓度距平Λ Chl-a和单位捕捞努力量渔获量CPUE数据分为3级，分位数α分别为0，0.333，0.667和I。2.贝叶斯网络模型的建立，贝叶斯网络又称信度网络，是一系列变量之间概率关系的图形模型。将离散化的数据分为学习数据集(2002-2008年)和测试数据集(2009年)两部分，其中用于学习的数据共942条。选用不同的学习算法，并用五种函数进行评分，筛选出最优的学习算法(即基于约束的结构学习算法，IAMB)来进行渔场条件概率的计算，由此算法得到的网络结构图中最大限度地考虑了多个环境因素，所以选用此算法得到的贝叶斯网络结构图计算渔场概率。该模型反映了渔场形成与月份、海表温度、叶绿素a浓度、海表温度梯度、海表温度距平和叶绿素浓度距平之间是条件相关的。贝叶斯网络在渔场预报概率上具有比较高的优势，它是有向无环图与概率理论的有机结合，将随机变量间的联合概率直观地表达出来，具有坚实概率理论基础。而在一般的回归和归类(如决策树和人 工神经网络)等问题中，并不过多考虑变量间的相关关系，而贝叶斯网络则提供了清晰的概率关联关系。(二)业务化制图与发布1.实时数据的预处理。表层海洋环境信息(SST，chl_a)主要通过遥感卫星监测反演得到，但由于卫星过境时间、天气状况等原因，获得的遥感数据会有所缺失，需要采用不同的插值方法(如Kriging、Spline、IDW、Naturalneighbor)对采样点进行加密插值来修补数据，再通过规则三角网或四边形进行等值的搜索生成整幅等值线图。海表温度和叶绿素实时数据采用东海水产研究所渔业遥感信息实验室接收的美国MODIS遥感数据，插值利用“海温叶绿素数据处理系统”软件(国家版权局计算机软件登记号0258719)完成。2.渔业场概率的计算。将上述实时环境数据代入筛选出的贝叶斯网络模型的后验概率分布公式当中，参照通过机器学习所得到概率分布表，逐点计算所选海域中各个渔区的渔场概率。3.渔场图制作与输出。渔场与环境产品制作采用地图分层技术，将海表温度图层、叶绿素图层、渔场概率图层、海流图层、地理坐标、陆地地标等分别存储在不同图层，同时构造一个控制树，对图层的添加、删除、修改、叠加等分别进行控制，并用不同颜色和符号对海表温度、叶绿素和海流等进行可视化标注，渔场概率大小采用不同颜色的方格来表示。针对每周获取的准实时海洋环境数据进行再处理后，依据贝叶斯网络模型计算出渔场概率预报图，保存成JPG图片格式进行网络发布或邮件发送给相关渔业部门和生产企业。下面以东南太平洋海域的智利竹莢鱼渔场(区域为20 50° S、80 130° W)预报为例进一步说明本发明。首先，读取卫星遥感资料并利用“海温叶绿素数据处理系统”软件对缺失的数据进行插值和修补，海流数据通过购买美国ASA公司产品获得并使用“大洋海流数据处理系统V1.0”软件(国家版权局计算机软件登记号0258718)进行海流流速和流向的图形化处理。其次，对修补后的海表温度、叶绿素等数据进行等值线和等值面绘图，用标注形式显示出温度值和叶绿素值，用不同颜色分级来显示等值面分布，海表温度梯度、海表温度距平和叶绿素浓度距平也通过该软件来完成，绘制后的各个环境数据分别存储在不同图层。其中海表温度和叶绿素数据修补方法采用IDW (反距离权重)法，针对数据点密集、绘图范围大的特点，采用先提取等值线粗集，再细化的方法，减少了内存资源的占用，加快了跟踪和生成等值线的速度。采用了电子地图管理不同图层，方便了整个海域图像的显示、缩放和漫游。图层采用了栅格与矢量数据结合的方法，对不同图层的叠加次序可以自由定制，可对海表温度、叶绿素和海流等环境数据进行图层叠加，最终显示在一个窗口，方便用户比较渔场环境变化情况。最后，利用贝叶斯网络模型预报模块计算智利竹莢鱼渔海况先验概率表(图2)和各个渔区概率值，并将其图形化，并存储成矢量图层。将海表温度图层、叶绿素图层、海流图层、地理坐标等信息分别与之叠加。发布采用两种模式:(I)保存成JPG图片格式，通过EMAIL或打印出后利用传真发送给相关渔业部门和生产企业。(2)首先将整个电子地图的图层数据进行压缩(zip格式)，再利用安装给用户的软件客户端自动定时下载，再进行解压复原，更便于用户的操作与浏览。不难发现，本发明采用贝叶斯网络模型原理，通过对历史的海洋环境数据和捕捞产量数据的学习，构建了关于数种渔场环境数据与捕捞数据的贝叶斯网络结构图，依此确定了渔场形成的后验概率分布公式，从而获取所选海域中各个渔区的渔场概率，能够实现渔场的速预报功能， 为现代化捕捞业提供一种新的渔场预报方法。
权利要求
1.一种基于贝叶斯网络模型的渔场预报方法，其特征在于，包括以下步骤: (1)对渔场环境的各个历史海洋信息数据集进行离散化处理； (2)建立贝叶斯网络结构图和贝叶斯网络中节点之间的条件概率表； (3)选取最优学习算法得到的贝叶斯网络结构图来计算渔场的后验概率分布公式； (4)根据得到的后验概率分布公式对渔场进行预报。
2.根据权利要求1所述的基于贝叶斯网络模型的渔场预报方法，其特征在于，所述步骤 (1)中利用分位数的定义，分别对各个环境变量进行了离散化分级处理。
3.根据权利要求1所述的基于贝叶斯网络模型的渔场预报方法，其特征在于，所述海洋信息数据包括海表温度、叶绿素浓度、海表温度距平、叶绿素浓度距平和海表温度梯度强度。
4.根据权利要求1所述的基于贝叶斯网络模型的渔场预报方法，其特征在于，所述步骤 (2)中建立贝叶斯网络结构图包括以下子步骤: (21)对修补后的海洋信息数据进行等值线和等值面绘图； (22)用标注形式显示 出海洋信息，用不同颜色分级来显示等值面分布，使渔场的各个环境数据分别存储在不同图层； (23)对不同图层进行叠加获得贝叶斯网络结构图。
5.根据权利要求4所述的基于贝叶斯网络模型的渔场预报方法，其特征在于，所述步骤 (21)中的海洋信息通过反距离权重法进行修补。
6.根据权利要求4所述的基于贝叶斯网络模型的渔场预报方法，其特征在于，所述步骤 (22)中等值线采用先提取等值线粗集，再细化的方式进行绘制或通过规则三角网或四边形进行等值的搜索生成。
7.根据权利要求4所述的基于贝叶斯网络模型的渔场预报方法，其特征在于，所述步骤 (22)中的图层以栅格和矢量数据的结合形式展现。
8.根据权利要求1所述的基于贝叶斯网络模型的渔场预报方法，其特征在于，所述步骤 (3)中的最优学习算法通过将离散化的数据分为学习数据集和测试数据集两部分，选用不同的学习算法，并用两种以上的函数进行评分，筛选出评分最高的学习算法获得的。
9.根据权利要求1所述的基于贝叶斯网络模型的渔场预报方法，其特征在于，所述步骤 (3)中的最优学习算法为基于约束的结构学习算法。
全文摘要
本发明涉及一种基于贝叶斯网络模型的渔场预报方法，包括以下步骤对渔场环境的各个历史海洋信息数据集进行离散化处理；建立贝叶斯网络结构图和贝叶斯网络中节点之间的条件概率表；选取最优学习算法得到的贝叶斯网络结构图来计算渔场的后验概率分布公式；根据得到的后验概率分布公式对渔场进行预报。本发明能够实现渔场的速预报功能。
文档编号G06Q10/04GK103235982SQ20131013205
公开日2013年8月7日 申请日期2013年4月16日 优先权日2013年4月16日
发明者张衡, 崔雪森, 张胜茂, 樊伟, 周为峰, 唐峰华 申请人:中国水产科学研究院东海水产研究所