基于支持向量机的鱼类栖息地适宜性指数建模方法
【技术领域】
[0001] 本发明涉及一种鱼类栖息地指数建模方法，尤其是涉及一种基于支持向量机的鱼 类栖息地适宜性指数建模方法。
【背景技术】
[0002] 栖息地适宜性指数（HabitatSuitabilityIndex，HSI)模型最早由美国科学家于 20世纪80年代提出，用来模拟生物体对周围栖息环境要素的反应。目前已广泛应用于物种 分布与管理等领域，并逐渐在鱼类渔场的分析与预测得到应用，取得了较好效果。HSI的研 宄不仅是为了从理论上认知渔场分布与海洋环境要素的关系，同时也是为了向捕捞生产和 渔业资源管理者提供信息参考。HSI模型已应用于多种鱼类的渔场分析，如印度洋大眼金枪 鱼、大西洋及太平洋的鱿鱼、以及鲐鱼、秋刀鱼等。从研宄方法来看，主要有传统的权重求和 法和几何平均法、分位数回归方法、主成分分析法等。
[0003] 海洋环境要素与中心渔场之间存在动态交互关系并构成一个复杂的系统，环境要 素之间通常存在一定的相关性，而传统数理统计方法在构建HSI模型时由于无法消除环境 要素固有的多重相关性，分析预报的精度受到极大的限制。同时，由于受到商业捕捞数据的 限制，在很大程度下渔业资源数据的样本点数是非常有限，普通方法很难从中获取有效的 模型。因此，我们需要探索一种既能消除环境变量的相关性、又能从小样本中获取规律的方 法，建立海洋鱼类栖息地适宜性指数的建模，从而反映海洋环境与中心渔场复杂系统，从而 提高渔场渔情预报的精度和可靠性。
【发明内容】
[0004] 本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于支持向量 机的鱼类栖息地适宜性指数建模方法，能够以较合理的计算代价，得到较为合理的HSI模 型和预测结果，提高渔情预报的精度和准确性。
[0005] 本发明的目的可以通过以下技术方案来实现：
[0006] 一种基于支持向量机的鱼类栖息地适宜性指数建模方法，其特征在于，包括以下 步骤：
[0007] 1)联合多种海洋环境因子，求取一组海洋因子对应的适宜性指数值SI;
[0008] 2)对所有海洋环境因子以及SI进行归一化；
[0009] 3)基于步骤2)的数据，建立支持向量机HSI模型：SVMHSI;
[0010] 4)利用SVMHSI对不同的区域进行预测，获取预测的均方根误差和相关系数，并 在GIS环境中进行渔场渔情预报；
[0011] 5)输出并保存模拟结果。
[0012] 所述的步骤1)具体为：
[0013] 11)通过遥感获取海洋环境因子，包括海表温度SST、温度梯度、海表叶绿素-a浓 度、盐度、盐度梯度以及距海平面平均高度；
[0014] 12)通过对各种海洋环境因子进行分组，得到每一组总的作业次数，通过对作业次 数的归一化换算，获取对应的适宜性指数值SI。
[0015] 所述的步骤2)具体为：
[0016] 13)利用支持向量机的Scaling方法，对所用海洋环境因子和SI进行归一化处理， 最小值为〇、最大值为1。
[0017] 归一化数据分为训练数据和预测数据两个部分，其中训练数据含有SI数值，而预 测数据不含SI值，但是具有验证模型的渔业产量数据。
[0018] 所述的步骤3)具体为：
[0019] 14)基于支持向量机，对归一化数据进行处理的训练数据进行训练建模，得到SVM HSI模型。
[0020] 所述的步骤4)具体为：
[0021] 15)利用SVMHSI模型对预测数据进行预测，预测的均方根误差和相关系数，得到 对应于每一组海洋环境因子的HSI值；
[0022] 16)选择HSI值大于0. 6的数据组，将其在GIS环境中显示，对不同的区域进行预 测，并在GIS环境中进行空间可视化显示及渔场渔情预报。
[0023] 所述的步骤14)中的对归一化数据进行处理的训练数据进行训练建模，并进而得 到SVMHSI模型，数据处理过程如下：
[0024] 假设有N个数据对集合lxbyi丨，其中Xi是第i个数据，其输出模式为已知并且 yiG{-1，+1}，即输出为二元值，那么二元值的决策方程表达为：
【主权项】
1. 一种基于支持向量机的鱼类栖息地适宜性指数建模方法，其特征在于，包括以下步 骤： 1) 联合多种海洋环境因子，求取一组海洋因子对应的适宜性指数值SI; 2) 对所有海洋环境因子以及SI进行归一化； 3) 基于步骤2)的数据，建立支持向量机HSI模型：SVMHSI; 4) 利用SVMHSI对不同的区域进行预测，获取预测的均方根误差和相关系数，并在GIS 环境中进行渔场渔情预报； 5) 输出并保存模拟结果。
2. 根据权利要求1所述的一种基于支持向量机的鱼类栖息地适宜性指数建模方法，其 特征在于，所述的步骤1)具体为： 11) 通过遥感获取海洋环境因子，包括海表温度SST、温度梯度、海表叶绿素-a浓度、盐 度、盐度梯度以及距海平面平均高度； 12) 通过对各种海洋环境因子进行分组，得到每一组总的作业次数，通过对作业次数的 归一化换算，获取对应的适宜性指数值SI。
3. 根据权利要求2所述的一种基于支持向量机的鱼类栖息地适宜性指数建模方法，其 特征在于，所述的步骤2)具体为： 13) 利用支持向量机的Scaling方法，对所用海洋环境因子和SI进行归一化处理，最小 值为〇、最大值为1。
4. 根据权利要求3所述的一种基于支持向量机的鱼类栖息地适宜性指数建模方法，其 特征在于，归一化数据分为训练数据和预测数据两个部分，其中训练数据含有SI数值，而 预测数据不含SI值，但是具有验证模型的渔业产量数据。
5. 根据权利要求4所述的一种基于支持向量机的鱼类栖息地适宜性指数建模方法，其 特征在于，所述的步骤3)具体为： 14) 基于支持向量机，对归一化数据进行处理的训练数据进行训练建模，得到SVMHSI 模型。
6. 根据权利要求5所述的一种基于支持向量机的鱼类栖息地适宜性指数建模方法，其 特征在于，所述的步骤4)具体为： 15) 利用SVMHSI模型对预测数据进行预测，预测的均方根误差和相关系数，得到对应 于每一组海洋环境因子的HSI值； 16) 选择HSI值大于0.6的数据组，将其在GIS环境中显示，对不同的区域进行预测，并 在GIS环境中进行空间可视化显示及渔场渔情预报。
7. 根据权利要求5所述的一种基于支持向量机的鱼类栖息地适宜性指数建模方法，其 特征在于，所述的步骤14)中的对归一化数据进行处理的训练数据进行训练建模，并进而 得到SVMHSI模型，数据处理过程如下： 假设有N个数据对集合，其中Xi是第i个数据，其输出模式为已知并且yiG{-1，+1}，即输出为二元值，那么二元值的决策方程表达为：
(1) 式⑴中，sgn决策规则，W是向量的权重，W= (Wl，w2，…，wn)，0是超平面的权重向 (3) (2) 量，并且<W*x>+|3 =0。 在支持向量机SVM中，最优化问题解析式可以表达为：
式⑵和⑶中，(K0是非线性方程，用于将输入空间映射到高维特征空间，^是限 制因子，满足％Wa) + /?] 2 1，用于决定训练误差和SVM模型的泛化能力； 此外，用拉格朗日方程来解决上述最优化问题，该方程定义如下： i-丄
式⑷中，ai是拉格朗日乘数； 进一步，最优解的条件进行微分，转化为： I
通过消除e,和W，最优化问题重新表达为下列线性方程：
(6) 式（6)中，D=ZZT，而之=[少(A.), ^(X2),…，识(％)]T，且y= [yi，y2，…，yN]T、lN = [1，1，…，1]、a= [aa2，…，aN];根据Mercer条件，矩阵D=ZZT表达为核函数：
(7) 核函数的选择选择存在多种可能性，选择高斯径向基核函数RBF，该函数表达为： K(x, Xi)=exp{-1 |x-Xi| 12/2 〇 2} (8) 式（8)中，〇为反映数据分布性质的常数； 根据上述条件，式（1)中的问题可以通过解决方程（6)和方程（7)中的分类问题，进而 表达为二元分类器，进一步在高维特征空间中将HSI建模数据进行分类，即分类与鱼类栖 息地适宜和不适宜； 最后，式（1)中的决策方程重新表达为二元分类器：
【专利摘要】本发明涉及一种基于支持向量机的鱼类栖息地适宜性指数建模方法，包括以下步骤：1)联合多种海洋环境因子，求取一组海洋因子对应的适宜性指数值SI；2)对所有海洋环境因子以及SI进行归一化；3)基于步骤2)的数据，建立支持向量机HSI模型：SVM HSI；4)利用SVM HSI对不同的区域进行预测，获取预测的均方根误差和相关系数，并在GIS环境中进行渔场渔情预报；5)输出并保存模拟结果。与现有技术相比，本发明在样本数量较少时，能够较好地从中挖掘数据中存在的规律，得到较为合理的HSI模型和渔情预报结果等优点。
【IPC分类】G06K9-62
【公开号】CN104809479
【申请号】CN201510252783
【发明人】冯永玖, 方学燕, 陈新军
【申请人】上海海洋大学
【公开日】2015年7月29日
【申请日】2015年5月18日