基于原位遥感信息的远洋渔类生境分布预测方法及其应用

本发明属于远洋渔类生境时空分布的预测技术领域，涉及一种基于原位遥感信息的远洋渔类生境分布预测的方法及其应用。

背景技术：

柔鱼是一种大洋性头足类种类，广泛分布于北太平洋海域，主要分布范围为20°-50°n。柔鱼具有季节性洄游特征，包含2个繁殖群体：冬春生群和秋生群体，其中冬春生群体的西部种群是我国鱿钓渔船主要捕捞对象。在产卵季节，柔鱼向南进行繁殖洄游且主要在30°n以南水域进行产卵；而在夏秋季，柔鱼主要向北洄游在亚北极边界附近和过渡区域进行索饵。柔鱼仅有1年生命周期，是短生命周期种类，其资源丰度和空间分布与海洋环境具有紧密关联。为了提高我国柔鱼捕捞效率和产量，深入了解海洋环境和柔鱼资源丰度之间的关系具有重要意义。

国内外有众多学者基于卫星遥感的海洋环境因子产品，开展了柔鱼资源丰度预测模型的研究。这些模型主要考虑的海洋环境因子主要包括叶绿素a(chl-a)、海表温度(sst)、海表面高度、海表风速等，但是在这些海洋环境信息的获取过程中，需要对卫星遥感手段获取的原始信息进行校正和预处理，这一过程会不可避免地去除部分海洋环境信息，使得基于海洋环境因子产品建立的柔鱼资源丰度预测模型难以更加准确的体现实际的柔鱼资源分布特征，进而导致了对柔鱼资源丰度的预报精度难以得到进一步的提升。

因此，开发一种能够更加准确的体现实际的柔鱼资源分布特征进而提高预测精度的远洋渔类(适用于柔鱼)资源丰度预测方法极具现实意义。

技术实现要素：

本发明的目的在于克服现有的预测方法难以更加准确的体现实际的柔鱼资源分布特征，预报精度较差的缺陷，提供一种能够更加准确的体现实际的柔鱼资源分布特征进而提高预测精度的远洋渔类(适用于柔鱼)资源丰度预测方法，具体是利用较为原始的遥感观测数据完成对远洋渔类生境分布的预测。

为实现上述目的，本发明提供如下技术方案：

基于原位遥感信息的远洋渔类生境分布预测方法，首先，处理时间段a内海域b鱼类c的生产统计数据及时间段a内海域b的包括遥感反射比(rrs)和亮温(bt)(其可用于反演chl-a和sst)在内的原位遥感信息得到时间段a内海域b鱼类c的时空同步的cpue与原位遥感信息的数据，按照1、2、3……m的次序依次对所有类别的原位遥感信息进行编号，将这些原位遥感信息依次记为x1、x2、x3……xm；然后，针对x1、x2、x3……xm中的任意1～m种原位遥感信息利用基于误差反向传播bp神经网络建立至多2^m-1个cpue预测模型，使用所得数据训练并测试建立的各cpue预测模型得到最终预测模型；最后，将待预测时间段内海域b鱼类c的原位遥感信息输入最终预测模型即可完成对待预测时间段内海域b鱼类c的cpue的预测。

本发明的基于原位遥感信息的远洋渔类生境分布预测方法，首次提出直接以原位遥感信息作为模型因子考察cpue，与使用海洋环境因子的传统方法相比，一方面可以避免因为海洋环境因子提取过程中损失必要的海洋信息，另一方面引入原位遥感信息后预测资源丰度的精度可得到有效提高。本发明通过获取待预测时间段内海域b鱼类c的原位遥感信息即可完成对远洋渔业资源丰度，便捷性好，此外，本发明的cpue预测模型是基于bp神经网络建立的，bp神经网络无论在网络理论还是在性能方面已比较成熟，其具有很强的非线性映射能力和柔性的网络结构，网络的中间层数、各层的神经元个数可根据具体情况任意设定，适用性好，能够一定程度上降低实际操作及应用时的难度。

作为优选的技术方案：

如上所述的基于原位遥感信息的远洋渔类生境分布预测方法，步骤如下：

(1)对时间段a内海域b鱼类c的生产统计数据、时间段a内海域b的原位遥感信息的数据以及时间段a内海域b的海洋环境因子的数据(原位遥感信息及海洋环境因子的相关数据是通过modis和amsr-e/2卫星数据获取的)进行处理，获取时间段a内海域b鱼类c的时空同步的cpue、海洋环境因子与原位遥感信息的数据，所述原位遥感信息包括遥感反射比(rrs)和亮温(bt)，按照1、2、3……m的次序依次对所有类别的原位遥感信息及海洋环境因子进行编号，将这些原位遥感信息及海洋环境因子依次记为x1、x2、x3……xm；

(2)将步骤(1)获取的时间段a内海域b鱼类c的时空同步的cpue、海洋环境因子与原位遥感信息的数据分为训练集和测试集；

(3)针对x1、x2、x3……xn中的任意1～n种原位遥感信息及海洋环境因子利用基于误差反向传播bp神经网络建立至多2ⁿ-1个cpue预测模型；

(4)使用训练集训练各cpue预测模型并使用测试集对各cpue预测模型进行测试，选取精度最高的模型作为最终预测模型；

(5)将待预测时间段内海域b鱼类c的最终预测模型所需的原位遥感信息输入最终预测模型即可完成对待预测时间段内海域b鱼类c的cpue的预测。针对不同海域、不同时间的海洋环境的差异性，可以指定分辨率单独建立每个海域单独时间段的预测模型进而进行对应海域鱼类的资源丰度的预测。

如上所述的基于原位遥感信息的远洋渔类生境分布预测方法，其步骤(4)中一cpue预测模型的训练及测试具体步骤为：

(a)从训练集中选取训练样本，判断训练集中训练样本是否已经全部被选取过；

(b)训练集中训练样本未被全部被选取过，则采用步骤(a)选取的训练样本对cpue预测模型i进行训练，所述cpue预测模型i的输入为海洋环境因子和原位遥感信息中的任意项，输出为cpue，反之，则以前次训练得到的cpue预测模型i作为cpue预测模型i的优选模型；

(c)从测试集中选取测试样本，将测试样本的对应cpue预测模型i的输入的相关数据输入步骤(b)训练得到的cpue预测模型i的优选模型得到该测试样本的测试cpue；

(c)测试样本的测试cpue与测试样本的真实cpue的偏差小于阈值，则cpue预测模型i的优选模型即为cpue预测模型i的最终模型，反之，则调整bp神经网络的参数并返回步骤(a)。

如上所述的基于原位遥感信息的远洋渔类生境分布预测方法，步骤(4)中所述最终预测模型的获取过程如下：从测试集中选取测试样本，将测试样本的对应各cpue预测模型的输入的相关数据分别输入各cpue预测模型的最终模型得到各测试样本的测试cpue；计算各测试样本的测试cpue与真实cpue的偏差；选取最小偏差值对应的cpue预测模型的最终模型作为最终预测模型。

如上所述的基于原位遥感信息的远洋渔类生境分布预测方法，所述海洋环境因子包括海表温度(sst)和叶绿素a浓度(chl-a)。本发明的海洋环境因子并不仅限于此，此处列举部分常规的海洋环境因子为例而已，包括太平洋年代际震荡指数、海水质量变化和地转流等在内的海洋环境因子也可作为海洋环境因子，针对不同海域不同的鱼类，海洋环境因子的选择并不相同，本领域技术人员根据实际需求调整所选取的海洋环境因子。

如上所述的基于原位遥感信息的远洋渔类生境分布预测方法，步骤(1)中的对时间段a内海域b鱼类c的生产统计数据、时间段a内海域b的原位遥感信息的数据以及时间段a内海域b的海洋环境因子的数据是指在时间域上按照指定的时间分辨率进行平均处理，在空间域上按照指定的空间分辨率进行重采样。

如上所述的基于原位遥感信息的远洋渔类生境分布预测方法，所述cpue预测模型包括输入层、隐含层和输出层；输入层为海洋环境因子和原位遥感信息中的任意项，输出层为cpue。

bp神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。它属于前向网络，可包含多个隐含层，具备处理线性不可分问题的能力。bp神经网络包括信号的前向传播和误差的反向传播两个过程，具备以下特点：

(1)bp神经网络实现了一个从输入到输出的映射功能，一个三层的神经网络能够以任意精度逼近任何非线性连续函数，使得其特别适合于求解内部机制复杂的问题，具有较强的非线性映射能力。

(2)bp神经网络在训练时，能够通过学习自动提取输出、输出数据间的“合理规则”，并自适应的将学习内容记忆于网络的权值中，具有高度自学习和自适应的能力。

(3)bp神经网络在设计模式分类器时，既考虑了网络对所需分类对象的正确分类，还关注了网络在经过训练后对未见过的模式或有噪声污染的模式进行正确的分类，具有将学习成果应用于新知识的能力。

(4)bp神经网络在其局部的或者部分的神经元受到破坏后对全局的训练结果不会造成很大的影响，具有一定的容错能力。

在本专利中，bp神经网络的输入层为上述海洋环境因子或原位遥感信息，经神经网络隐含层传递函数处理后，由输出层输出cpue；由于输出层输出的cpue值与实际的cpue值存在偏差，神经网络通过评估偏差大小，如果偏差过大，则将偏差反向传播至输入层，并通过迭代更新并调整输入层与隐含层之间的连接权值，直到输出层输出的cpue值与实际的cpue值之间的偏差小于指定的阈值或达到设置的迭代次数，即可认为bp神经网络的训练学习达到了所需精度要求，训练得到的神经网络模型即可以用于cpue的预报。

本专利进行bp神经网络的实例构建中，选用的训练函数为levenberg-marquardt(lm)反向传播算法。该算法类似牛顿法，是为了在修正速率是避免计算hessian矩阵而设计的。当误差性能函数e具有平方和误差的形式时，hessian矩阵可近似表示为：

h＝j^tj(1)

梯度可以表示为

g＝j^te(2)

式中j为包含误差性能函数对网络权值一阶导数的雅可比矩阵。lm算法根据下式修正网络权值：

ω(n+1)＝ω(n)-[j^tj+μi]^-1j^te(3)

当μ＝0时，lm算法退化为牛顿法；当μ很大时，上式相当于步长较小的梯度下降法。柔鱼雅可比矩阵的计算比hessian矩阵易于计算，因此速度非常快。

本专利实施的bp神经网络的构建及实例分析均是在matlab2018b的环境下进行并完成的。所设置的bp神经网络的其他主要参数包括：学习速率0.01，训练精度0.001，最大训练次数为10000次，隐含层层数选用程序默认的10层，隐含层和输出层的传递函数均为s型函数logsig。

如上所述的基于原位遥感信息的远洋渔类生境分布预测方法，步骤(d)中的调整bp神经网络的参数是指调整输入层、隐含层和输出层之间的连接权值。在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。

本发明还提供基于原位遥感信息的远洋渔类生境分布预测方法的应用，具体为一种电子设备，包括一个或多个处理器、一个或多个存储器、一个或多个程序及数据搜集装置；

所述数据搜集装置用于获取时间段a内海域b鱼类c的生产统计数据、时间段a内海域b的原位遥感信息的数据及待预测时间段内海域b鱼类c的原位遥感信息的数据，所述一个或多个程序被存储在所述存储器中，当所述一个或多个程序被所述处理器执行时，使得所述电子设备执行如上所述的基于原位遥感信息的远洋渔类生境分布预测方法。

有益效果：

(1)本发明的基于原位遥感信息的远洋渔类生境分布预测方法，首次提出直接以原位遥感信息作为模型因子考察cpue，与使用海洋环境因子的传统方法相比，一方面可以避免因为海洋环境因子提取过程中损失必要的海洋信息，另一方面引入原位遥感信息后预测资源丰度的精度可得到有效提高；

(2)本发明的电子设备，结构简单，成本低廉，实现了对远洋渔类生境分布的快速精确预测。

附图说明

图1为北纬44°、东经156°处2004-2018年柔鱼月平均cpue实测值的空间分布；

图2～7分别为模型i、ii、iii、iv、v及vi对北纬44°、东经156°处柔鱼月平均cpue分布的模拟(2004～2013年)和预测(2014～2018年)结果；

图8为2004年9月西北太平洋柔鱼平均cpue实测值的空间分布；

图9～14分别为模型i、ii、iii、iv、v及vi对2004年9月西北太平洋柔鱼平均cpue值的模拟结果；

图15为2017年10月西北太平洋柔鱼平均cpue实测值的空间分布；

图16～21分别为模型i、ii、iii、iv、v及vi对2017年10月西北太平洋柔鱼平均cpue值的预测结果；

图22～27分别为模型i、ii、iii、iv、v及vi模拟2004-2013年西北太平洋柔鱼月平均cpue的rmse分布；

图28～33分别为模型i、ii、iii、iv、v及vi预测2014-2018年西北太平洋柔鱼月平均cpue的rmse分布。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

一种基于原位遥感信息的远洋渔类生境分布预测方法，其步骤如下：

(1)对2004～2018年5～12月，坐标范围为35°～50°n、150°～175°e内柔鱼(即对应前文中时间段a内海域b鱼类c)的生产统计数据、2004～2018年5～12月，坐标范围为35°～50°n、150°～175°e内的原位遥感信息(遥感反射比rrs和亮温bt)的数据以及2004～2018年5～12月，坐标范围为35°～50°n、150°～175°e内的海洋环境因子(海表温度sst和叶绿素a浓度chl-a)的数据进行处理(即在时间域上按照指定的时间分辨率(月)进行平均处理，在空间域上按照1°×1°的空间分辨率进行重采样)，获取2004～2018年5～12月，坐标范围为35°～50°n、150°～175°e内柔鱼的时空同步的cpue、海洋环境因子与原位遥感信息的数据，按照1、2、3……m的次序依次对所有类别的原位遥感信息及海洋环境因子进行编号，将这些原位遥感信息及海洋环境因子依次记为x1、x2、x3……xm。

数据的获取及处理具体如下：

本专利中的柔鱼生产统计数据来自上海海洋大学中国远洋渔业数据中心。选取2004～2018年的西北太平洋海域的柔鱼历史渔业捕捞数据，统计获取逐月平均、空间分辨率为1°×1°的柔鱼cpue值。对不同卫星平台的海洋环境因子的数据来源及处理方法如下：

本专利所使用的chl-a和rrs数据均来自于中分辨率成像光谱仪modis传感器(http://oceandata.sci.gsfc.nasa.gov/)。modis是由美国宇航局研制的大型空间传感器，搭载于terra和aqua上。modis数据有36个波段，每日或每两日可获得一次全球观测数据。为了保证研究区域内数据的完整性，我们选取了terra和aqua卫星平台上的月平均sst和rrs数据产品，空间分辨率为9km。利用modis生成chl-a产品时，主要利用了465、555和645nm的rrs数据，实际操作中，我们也仅分析了这三个波段的rrs数据。将terra和aqua得到的数据产品进行平均后，然后对平均后的sst和rrs进行重采样处理，获得了2004-2018年5～12月的空间分辨率为1°×1°的月平均chl-a和rrs。

sst和bt数据来自于高级微波成像扫描辐射计(amsr-e)及其后继卫星amsr-2(https://sharaku.eorc.jaxa.jp/amsr/index.html)。amsr-e是搭载在aqua卫星上的被动微波辐射计，有6.9、10.7、18.7，23.8、36.5和89.0ghz共6个频率、总计12个通道的数据，空间分辨率为25km，数据有效时间段为2002年6月至2011年9月。amsr2是继amsr-e之后又一新型的传感器，它搭载在日本的gcomw1(globalchangeobservationmission1st-water)“shizuku”卫星上，该传感器包括6.9、7.3、10.65、18.7、23.8、36.5ghz和89ghz共7个频率，每个频率有水平(h)和垂直(v)两种极化方式，空间分辨率为10km，数据有效时间段为2012年7月至今。本发明直接使用了月平均的sst和bt数据，然后对sst和bt在空间域上进行了重采样处理，获得2004-2018年5～12月的空间分辨率为1°×1°的月平均sst和bt。需要进一步说明的是，本专利仅选择处理和分析了6.9h、6.9v、10.7h、10.7v、23.8v、36.5h和36.5v四个频率共7个通道的bt数据。

(2)将步骤(1)获取的2004～2018年5～12月，坐标范围为35°～50°n、150°～175°e内柔鱼的时空同步的cpue、海洋环境因子与原位遥感信息的数据中分别选用2004-2013年5～12月和2014-2017年5～12月的相关数据，分别记为t1和t2，而后分别将t1和t2分为训练集和测试集；

(3)针对x1、x2、x3……xn中的任意1～n种原位遥感信息及海洋环境因子利用bp神经网络建立6个cpue预测模型，这六个cpue预测模型的输入层不同，其输出层均为cpue，cpue预测模型包括输入层、隐含层和输出层，cpue预测模型编号与输入层具体对应关系如下表所示：

(4)使用训练集训练各cpue预测模型并使用测试集对各cpue预测模型进行测试，选取精度最高的模型作为最终预测模型；

其中一cpue预测模型的训练及测试具体步骤为：

(a)从训练集中选取训练样本，判断训练集中训练样本是否已经全部被选取过；

(b)训练集中训练样本未被全部被选取过，则采用步骤(a)选取的训练样本对cpue预测模型i进行训练，所述cpue预测模型i的输入为海洋环境因子和原位遥感信息中的任意项，输出为cpue，反之，则以前次训练得到的cpue预测模型i作为cpue预测模型i的优选模型；

(c)从测试集中选取测试样本，将测试样本的对应cpue预测模型i的输入的相关数据输入步骤(b)训练得到的cpue预测模型i的优选模型得到该测试样本的测试cpue；

(c)测试样本的测试cpue与测试样本的真实cpue的偏差小于阈值，则cpue预测模型i的优选模型即为cpue预测模型i的最终模型，反之，则调整bp神经网络的参数(调整输入层、隐含层和输出层之间的连接权值)并返回步骤(a)。

最终预测模型的获取过程具体如下：从测试集中选取测试样本，将测试样本的对应各cpue预测模型的输入的相关数据分别输入各cpue预测模型的最终模型得到各测试样本的测试cpue；计算各测试样本的测试cpue与真实cpue的偏差；选取最小偏差值对应的cpue预测模型的最终模型作为最终预测模型。

本专利实施的bp神经网络的构建及实例分析均是在matlab2018b的环境下进行并完成的。所设置的bp神经网络的其他主要参数包括：学习速率0.01，训练精度0.001，最大训练次数为10000次，隐含层层数选用程序默认的10层，隐含层和输出层的传递函数均为s型函数logsig。

对以上模型i～模型vi进行优选：

图1是北纬44°、东经156°处2004～2018年柔鱼月平均cpue实测值的空间分布，图2～7分别给出了模型i～vi对北纬44°、东经156°处的柔鱼月平均cpue进行模拟(2004～2013年)和预测(2014～2018年)的结果。将图2～7的结果与图1的实际结果进行比较分析后发现，基于t1时间段的chl-a对北纬44°、东经156°处模拟的柔鱼月平均cpue的标准差(std)和均方根误差(rmse)分别为0.75和0.78t/d，而基于chl-a的原位遥感信息rrs进行该处柔鱼月平均cpue模拟的rmse和std分别为0.54和0.66t/d，分别减少了27％和15％。基于t2时间段的chl-a对北纬44°、东经156°处的柔鱼月平均cpue预测的rmse和std分别为2.23和2.27t/d，对应的基于原位遥感信息rrs的预测的rmse和std分别降低到2.11和2.21t/d，分别减少了6％和2％。

基于t1时间段的sst对北纬44°、东经156°处的柔鱼月平均cpue进行模拟的rmse和std分别为0.68和0.76t/d，预测的rmse和std分别为1.88和2.0t/d。而利用其原位遥感信息bt进行模拟的rmse和std分别为0.54和0.68t/d，预测的rmse和std分别为1.35和1.32t/d。因此，相比于sst，其原位遥感信息bt在该网格处模拟的柔鱼cpue的rmse和std分别降低了21％和11％，预测结果的rmse和std分别降低了28％和34％。这说明原位遥感信息对柔鱼cpue的模拟和预测的精度比海洋环境因子产品更高。

为了验证多种海洋环境因子或原位遥感信息组合时对柔鱼cpue的模拟和预测情况，我们还比较分析了chl-a和sst联合(模型v)，以及rrs和bt联合(模型vi)对柔鱼cpue进行模拟和预测的结果。结果发现，多种海洋环境因子组合和多种原位遥感信息组合模拟北纬44°、东经156°处的柔鱼cpue的结果较为一致(rmse＝0.55t/d；std＝0.68t/d)，但多种原位遥感信息组合比多种海洋环境因子组合预测的柔鱼cpue的rmse和std提高了29％和32％。

图8为2004年9月西北太平洋柔鱼平均cpue实测值的空间分布，图9～14分别给出了模型i～vi模拟的柔鱼月平均cpue在2004年9月的分布情况。结果显示，基于rrs建模模拟的柔鱼cpue的rmse和std比基于chl-a建模时在2004年9月改善了54％和51％，基于bt建模模拟的柔鱼cpue的rmse和std比基于sst建模时在2004年9月改善了29％和28％，而基于rrs和bt建模模拟的柔鱼cpue的rmse和std也比基于chl-a和sst建模时在2004年9月改善了9％和6％。

为了进一步验证预测结果的空间分布的精度，图15为2017年10月西北太平洋柔鱼平均cpue实测值的空间分布，图9～14分别给出了模型i～vi预测的柔鱼月平均cpue在2017年10月的分布情况。结果发现，基于rrs建模预测的柔鱼cpue的rmse和std比基于chl-a建模时在2004年9月改善了65％和58％，基于bt建模预测的柔鱼cpue的rmse和std比基于sst建模时在2004年9月改善了18％和30％，而基于rrs和bt建模预测的柔鱼cpue的rmse和std也比基于chl-a和sst建模时在2004年9月改善了5％和8％。

在每个1°×1°的网格点上，也可以利用每个月的cpue模拟和预测结果，分析不同方案建立的bp神经网络模型模拟和预测的柔鱼cpue的精度分布情况。图22～27给出了模型i～vi模拟的柔鱼cpue的rmse分布情况。结果发现，采用海洋环境因子及其组合，以及采用原位遥感信息及其组合均能以较高的精度(平均rmse<0.5t/d)模拟的西北太平洋地区的柔鱼cpue。

图28～33还给出了模型i～vi预测的柔鱼cpue的rmse的空间分布。结果发现，rrs预测的柔鱼cpue比chl-a预测结果的平均rmse减少了4％，bt预测的柔鱼cpue比sst预测结果的平均rmse减少了9％，而rrs和bt预测的柔鱼cpue比chl-a和sst预测结果的平均rmse减少了14％。即证实了将原位遥感信息引入bp神经网络模型，比使用传统的海洋环境因子在预测西北太平洋柔鱼cpue时的精度得到了有效提高。

综上所述，最终预测模型为模型vi。

(5)将待预测时间段内坐标范围为35°～50°n、150°～175°e内柔鱼的最终预测模型(模型vi)所需的原位遥感信息(rrs和bt)输入最终预测模型(模型vi)即可完成对待预测时间段内坐标范围为35°～50°n、150°～175°e内柔鱼的cpue的预测。

经验证，本发明的基于原位遥感信息的远洋渔类生境分布预测方法，首次提出直接以原位遥感信息作为模型因子考察cpue，与使用海洋环境因子的传统方法相比，一方面可以避免因为海洋环境因子提取过程中损失必要的海洋信息，另一方面引入原位遥感信息后预测资源丰度的精度可得到有效提高，极具应用前景。

实施例2

一种电子设备，包括一个或多个处理器、一个或多个存储器、一个或多个程序及数据搜集装置；

数据搜集装置用于获取时间段a内海域b鱼类c的生产统计数据、时间段a内海域b的原位遥感信息的数据及待预测时间段内海域b鱼类c的原位遥感信息的数据，一个或多个程序被存储在存储器中，当一个或多个程序被处理器执行时，使得电子设备执行如实施例1所述的基于原位遥感信息的远洋渔类生境分布预测方法。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应该理解，这些仅是举例说明，在不违背本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改。