本发明涉及一种渔情预报方法，特别是涉及一种日本鱿冬生群资源丰度预测方法。
背景技术：
渔情预报是渔业生产的关键环节，对日本鱿冬生群资源丰度的预报将有利于对日本鱿冬生群产量、中心渔场位置和鱼汛期的预报和掌握。温度因素对日本鱿的生长和分布具有很大的影响，而研究认为海表温度和单位渔船捕获的渔获量(cpue，单位：千尾/天)的回归则具有极显著性，因此，利用海表温作为日本鱿冬生群资源丰度的预报因子是可行的。
渔情预报也是渔场学研究的重点。准确的渔情预报可以指导企业合理安排渔业生产，缩短寻找渔场的时间，减少成本、提高渔获产量。我国于20世纪50年代开始对近海主要经济鱼种进行渔情预报工作，积累了丰富的经验。20世纪80年代以来，地理信息系统的发展为渔情分析和渔场预报研究提供了强大的分析工具。海洋卫星遥感技术的普及更使得人们能快速获取大范围内的海况信息，实时船位监控及海事卫星通讯技术使得远洋渔船能有效地接收渔情预报机构的实时预报。
而随着我国近海资源的枯竭，远洋渔业也成为我国渔业的重要组成之一，其生产规模在不断扩大的同时，生产成本也不断升高，相应的，远洋渔业企业对渔情预报准确性的要求也越来越高，这也为渔情预报技术和预报模型的研究提出了新的挑战。近年来，随着现代统计理论、数值计算方法、数据挖掘和人工智能等理论和技术的发展，使传统的统计预报模型焕发出了新的活力，各类机器学习方法也为渔情预报模型的开发提供了新的思路。
由于各种预报方法和模型层出不穷，解释的适用范围也不同，实际上会给我们使用这些方法造成困惑。因此，选用哪种预报模型和方法相对合适，哪种预报模型的精度较高，则需要我们进行对比和选择；同样，选择正确的预报模型将会有效地提高渔船的生产效率，同时给企业的年度规划提供参考依据。
技术实现要素：
本发明所要解决的技术问题在于克服现有技术中渔情预报中所存在的问题，提供一种利用海洋遥感数据，借助时间序列分析方法分析产卵期产卵场范围不同时间海表温(sst)与其对应的单位捕捞努力量渔获量(cpue)进行相关性分析，选取相关性最高的6个因子，采用不同的预报模型对日本鱿冬生群资源丰度的大小进行预报，并比较其预报精度，最终选择bp神经网络预报模型的6-4-1结构作为预测日本鱿冬生群资源丰度的大小的方法。
其所要解决的技术问题可以通过以下技术方案来实施。
一种日本鱿冬生群资源丰度预测方法，包括以下步骤：
(1)、通过遥感卫星获取日本鱿冬生群产卵场海域海洋环境因子海表温sst；
(2)、计算日本鱿冬生群产卵月份产卵场范围内经纬度1°*1°样本点的sst时间序列值和对应的日本鱿cpue值做相关性分析，选出相关性较高的海域；
(3)、选出连续三个月中相关系数较高的6个海域s1、s2、s3、s4、s5和s6；
(4)、将选取的相关性较高海域s1、s2、s3、s4、s5和s6的sst，建立与cpue的多元线性预报模型，其方程为：
y＝0.931x1-0.286x2-0.647x3-0.151x4+0.728x5+0.345x6-26.567
式中：y为cpue，单位为千尾/天；x1、x2、x3、x4、x5、x6分别是s1、s2、s3、s4、s5、s6的sst，单位为℃；x1-x6前的各系数单位为千尾/(天.℃)；
(5)、将选取的6个海域的sst按其与cpue的相关系数由大到小的顺序，从大到小的排序分别为s3、s4、s5、s1、s6、s2；依次增加输入因子构建四种bp神经网络预报模型，分别为3-2-1、4-3-1、5-4-1、6-4-1；
(6)、比较多元线性预报模型和4种bp神经网络预报模型，选取6-4-1结构的bp神经网络预报模型作为日本鱿冬生群资源丰度的预测模型。
作为本技术方案的进一步改进，所述连续三个月中相关系数较高的6个海域分别为第一个月的s1和s2、第二个月的s3和s4、第三个月的s5和s6。
也作为本技术方案的进一步改进，所述产卵场海域的位置为：28°n—40°n，125°e—140°e。
作为本发明的优选实施例，所述产卵月份为1月至3月。1-3月为日本鱿冬生群产卵场的适宜环境预报因子。
同样作为本发明的优选实施例，s1的位置为：30.5°n，136.5°e；s2的位置为：31.5°n，136.5°e；s3的位置为：30.5°n，137.5°e；s4的位置为30.5°n，135.5°e；s5的位置为：37.5°n，129.5°e；s6的位置为：37.5°n，130.5°e。
还作为本技术方案的进一步改进，所述样本点共180个。
本发明的有益效果是：该神经网络结构预测模型对日本鱿冬生群资源丰度的平均解释精度达到98％。由本发明预测方法得到的日本鱿冬生群资源丰度的预报结果及时提供给用户及相关部门后，可以供渔业生产与安排的科学参考，也可作为一种产品进行实时发布。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面将进一步阐述本发明。
日本鱿生长速度较快，生命周期约1年或者更短，冬生群分布最广，其产卵场位于九州西南东海大陆架外缘，主要集中在东海的中部和北部，产卵期为1—3月；1-3月份也是日本鱿冬生群产卵场的适宜环境预报因子。
本发明提供的日本鱿冬生群资源丰度预测方法，主要包括以下步骤：
(1)、通过遥感卫星获取日本鱿冬生群产卵场海域(28°n—40°n，125°e—140°e)海洋环境因子海表温(sst)；
(2)、计算日本鱿冬生群产卵月份(1—3月)产卵场范围内经纬度1°*1°样本点(共180个样本点)的sst时间序列值和对应的日本鱿cpue值做相关性分析，选出相关性较高的海域；
(3)、选出相关系数较高的海域：1月份的s1(30.5°n，136.5°e)和s2(31.5°n，136.5°e)；2月份的s3(30.5°n，137.5°e)和s4(30.5°n，135.5°e)；3月份的s5(37.5°n，129.5°e)和s6(37.5°n，130.5°e)；
(4)、将选取的相关性较高海域(s1、s2、s3、s4、s5、s6)的sst，建立与cpue的多元线性预报模型，其方程为：
y＝0.931x1-0.286x2-0.647x3-0.151x4+0.728x5+0.345x6-26.567
式中：y为cpue，单位千尾/天；x1、x2、x3、x4、x5、x6分别是s1、s2、s3、s4、s5、s6的sst，单位为℃；各系数单位为千尾/(天.℃)；
(5)、将选取的6个海域的sst按其与cpue的相关系数由大到小的顺序，从大到小的排序分别为s3、s4、s5、s1、s6、s2。依次增加输入因子构建四种bp神经网络预报模型，分别为3-2-1、4-3-1、5-4-1、6-4-1；
(6)、比较多元线性预报模型和4种bp神经网络预报模型，选取6-4-1结构的bp神经网络预报模型作为日本鱿冬生群资源丰度的预测模型。
以上描述了本发明的基本原理、主要特点和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。