一种预测鳗鲡种苗资源量的方法与流程

本发明涉及种苗资源预测，特别涉及一种预测鳗鲡种苗资源量的方法。

背景技术：

1、鳗鲡，俗称鳗鱼、白鳝，是亚洲具有重要经济价值的降海洄游性鱼类，素有“水中人参”之称，深受消费者喜爱。然而近年来由于各种人类活动使得其自然种群数量急剧下降，苗种锐减。同时又由于其人工繁育至今尚未成功，养殖所需苗种全依赖于天然捕捞。鳗苗主产区近年来由于渔民过度捕捞使得苗种数量锐减，价格屡创新高，养殖成本大大增加且苗种供应不稳定，这已成为限制鳗鲡养殖进一步发展的首要因素，所以需要对鳗鲡种苗资源量进行估测，以对鳗鲡养殖业的合理布局提供相关数据支持。

技术实现思路

1、为解决上述现有技术中所存在的无法对鳗鲡种苗资源量进行有效估测问题，本发明提供一种预测鳗鲡种苗资源量的方法，有效且普遍适用的对河口鳗鲡种苗资源量进行预测。

2、为了实现上述技术目的，本发明提供了如下技术方案：一种预测鳗鲡种苗资源量的方法，包括：

3、获取初始因素，并对初始因素进行筛选，得到影响因素，根据影响因素获取历史数据，构建广义线性模型和非线性模型；

4、通过历史数据对广义线性模型和非线性模型进行优化及验证；

5、根据影响因素获取当前数据，通过验证后的广义线性模型和非线性模型对当前数据进行预测，并对预测结果进行加权结合，生成鳗鲡种苗资源量预测结果。

6、可选的，其中初始因素包括光照、环境温度、潮差、月距和水温。

7、可选的，通过灰色关联分析方法对初始因素进行筛选。

8、可选的，对初始因素筛选过程包括：根据初始因素和鳗鲡种苗资源量，生成初始序列和资源量序列；对所述初始序列和资源量序列进行对应位置元素的插值计算，根据差值计算结果，生成两级最大差值和两级最小差值；根据两级最大差值和两级最小差值，计算初始序列和资源量序列的相关系数；根据相关系数计算关联程度；根据关联程度对初始因素进行筛选。

9、可选的，所述影响因素包括潮差、月距和水温。

10、可选的，所述广义线性模型为：cpue＝β0+β1潮差+β2月距+β3水温，其中β0为截距；β1、β2、β3表示回归系数，分别表示潮差、月距和水温对鳗鲡种苗cpue的影响程度。

11、可选的，其中非线性模型采用深度学习模型，其中深度学习模型为dnn模型。

12、可选的，所述深度学习模型包括输入层、两个连续的隐藏层和输出层，其中各层的神经元依次为3、5、5、1。

13、可选的，对所述广义线性模型进行验证的过程包括：通过对历史数据进行随机选取，生成验证数据，通过验证数据对广义线性模型的结果与验证数据对应的鳗鲡种苗资源量进行差值和方差计算，根据差值方差计算结果对广义线性模型进行验证。

14、可选的，对非线性模型进行验证的过程包括：通过对历史数据进行随机选取，生成匹配数据，通过匹配数据广义线性模型的结果与非线性模型的结果进行差值和方差计算，根据差值和方差计算对非线性模型进行验证。

15、本发明具有如下技术效果：

16、本发明公开了一种预测鳗鲡种苗资源量的方法，使用灰色关联分析方法筛选对应的影响因素，筛选后，以影响因素即河口潮汐、月距和水温数据为基础，分析往年鳗鲡种苗的丰度数据，并根据每日丰度数据建立与潮汐和水温的线性和非线性的对应关系，通过线性和非线性结果联合计算，进而估算出鳗鲡种苗的资源量状况。与传统的定置张网捕捞法相比，该方法成本大大降低；将种苗数据与环境数据相结合，分析结果更准确可靠。本发明方法是一种可以普遍适用的河口鳗鲡种苗资源量预测方法。对鳗鲡种苗资源量的估测，对于鳗鲡养殖业的合理布局具有重要意义。

技术特征：

1.一种预测鳗鲡种苗资源量的方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于：

3.根据权利要求1所述的方法，其特征在于：

4.根据权利要求3所述的方法，其特征在于：

5.根据权利要求1所述的方法，其特征在于：

6.根据权利要求1所述的方法，其特征在于：

7.根据权利要求1所述的方法，其特征在于：

8.根据权利要求7所述的方法，其特征在于：

9.根据权利要求1所述的方法，其特征在于：

10.根据权利要求1所述的方法，其特征在于：

技术总结
本发明公开一种预测鳗鲡种苗资源量的方法，包括：获取初始因素，并对初始因素进行筛选，得到影响因素，根据影响因素获取历史数据，构建广义线性模型和非线性模型；通过历史数据对广义线性模型和非线性模型进行优化及验证，根据影响因素获取当前数据，通过验证后的广义线性模型和非线性模型对当前数据进行预测，并对预测结果进行加权结合，生成鳗鲡种苗资源量预测结果。通过上述技术方案，本发明能够有效且普遍适用的对河口鳗鲡种苗资源量进行预测。

技术研发人员：帅方敏,李捷
受保护的技术使用者：中国水产科学研究院珠江水产研究所
技术研发日：
技术公布日：2024/1/15