基于江蘇省河蟹主產(chǎn)區(qū)氣象因子的產(chǎn)量BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

金 武，何 奇，杜興偉，朱新艷，聞海波，馬學(xué)艷，何義進(jìn)，邴旭文

（1中國(guó)水產(chǎn)科學(xué)研究院淡水漁業(yè)研究中心，江蘇無(wú)錫 214081；2常熟市水產(chǎn)技術(shù)推廣站，江蘇常熟 215500）

0 引言

中國(guó)河蟹養(yǎng)殖主要集中在長(zhǎng)江中下游、黃河口、遼河口等地區(qū)，目前中國(guó)河蟹養(yǎng)殖總面積在4.67×104hm2左右，其中江蘇的養(yǎng)殖面積約2.47×104hm2[1]。由于養(yǎng)殖技術(shù)[2-4]和養(yǎng)殖模式[5-7]的不斷突破創(chuàng)新，在河蟹總產(chǎn)量穩(wěn)中有升的形勢(shì)下，河蟹的品質(zhì)不斷提高。近年來(lái)，全國(guó)河蟹總體產(chǎn)量平均在7×108kg左右，但由于受到氣候等因素的影響，各地河蟹產(chǎn)量常常有起伏波動(dòng)[1]。

作為河蟹養(yǎng)殖主要方式之一的池塘生態(tài)系統(tǒng)是一個(gè)多因素耦合的復(fù)雜生態(tài)系統(tǒng)，生態(tài)要素間的關(guān)系錯(cuò)綜復(fù)雜表現(xiàn)出極大的隨機(jī)性、不確定性和非線(xiàn)性，這與湖泊生態(tài)系統(tǒng)的特點(diǎn)類(lèi)似[8-9]。在這些生態(tài)要素中，氣象因子在其中起到了重要作用，特別是氣溫、光照、降水等與河蟹產(chǎn)量之間存在顯著的相關(guān)性[10-13]。BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Networks)是基于誤差反傳算法的多層前饋神經(jīng)網(wǎng)絡(luò)，與傳統(tǒng)的線(xiàn)性回歸模型相比，具有自學(xué)習(xí)和自適應(yīng)、非線(xiàn)性、魯棒性和容錯(cuò)性等特點(diǎn)[14]，對(duì)于提高河蟹產(chǎn)區(qū)多個(gè)氣象因子與產(chǎn)量之間非線(xiàn)性數(shù)學(xué)模型的精確性有顯著優(yōu)勢(shì)。本研究利用2013—2017 年江蘇省河蟹主產(chǎn)區(qū)的氣象數(shù)據(jù)和產(chǎn)量數(shù)據(jù)建立數(shù)學(xué)模型并開(kāi)展河蟹產(chǎn)量預(yù)測(cè)，以期為河蟹生產(chǎn)流通、制定江蘇省河蟹發(fā)展方向及極端氣象條件下的應(yīng)急處理提供參考。

1 材料與方法

1.1 數(shù)據(jù)來(lái)源

氣象數(shù)據(jù)來(lái)自中國(guó)氣象數(shù)據(jù)網(wǎng)在河蟹主產(chǎn)區(qū)附近設(shè)立的7個(gè)觀測(cè)臺(tái)站，氣象數(shù)據(jù)包括極大風(fēng)速、最低氣壓、最低氣溫、最高氣壓、最高氣溫、8:00—20:00 時(shí)降水量、平均氣壓、平均2 min風(fēng)速、平均氣溫、平均水氣壓、平均相對(duì)濕度、平均最低氣溫、平均最高氣溫、日降水量≥0.1 mm 日數(shù)、月日照百分率、日照時(shí)數(shù)、最大風(fēng)速、最大日降水量18個(gè)氣象因子。江蘇省河蟹主產(chǎn)區(qū)產(chǎn)量數(shù)據(jù)（2013—2017 年）來(lái)自原江蘇省海洋與漁業(yè)局計(jì)劃財(cái)務(wù)處。

1.2 數(shù)據(jù)分析

1.2.1 數(shù)據(jù)標(biāo)準(zhǔn)化 對(duì)原始數(shù)據(jù)做的標(biāo)準(zhǔn)化處理以消除各項(xiàng)指標(biāo)數(shù)據(jù)量綱和數(shù)量級(jí)對(duì)算法的影響，見(jiàn)公式(1)。

式中，Y表示得到的標(biāo)準(zhǔn)化矩陣，yij為標(biāo)準(zhǔn)化后的數(shù)值，xij為各項(xiàng)指標(biāo)的數(shù)值，各項(xiàng)指標(biāo)的均值與標(biāo)準(zhǔn)差分別表示為和sj。

1.2.2 PCA 主成分分析 通過(guò)主成分分析對(duì)數(shù)據(jù)進(jìn)行降維處理，將原始數(shù)據(jù)中線(xiàn)性相關(guān)的變量轉(zhuǎn)化為少數(shù)幾個(gè)線(xiàn)性不相關(guān)的主成份，使得處理之后的數(shù)據(jù)既能包含原始數(shù)據(jù)的絕大部分信息，又能降低維度，簡(jiǎn)化算法。按照主成份的選定規(guī)則，通常情況下最終選定的主成份，其特征值大于1，并且累計(jì)貢獻(xiàn)率達(dá)在85%以上。

1.2.3 BP 神經(jīng)網(wǎng)絡(luò)分析 神經(jīng)網(wǎng)絡(luò)處理的都是非線(xiàn)性問(wèn)題，為了達(dá)到BP神經(jīng)網(wǎng)絡(luò)處理非線(xiàn)性問(wèn)題的效果，隱含層與輸出層還需要用到激活函數(shù)。為使神經(jīng)網(wǎng)絡(luò)在處理非線(xiàn)性數(shù)據(jù)時(shí)更能把握隱藏在數(shù)據(jù)中的抽象邏輯關(guān)系，激活函數(shù)一般選取非線(xiàn)性函數(shù)，比較常用的有Sigmoid 函數(shù)、tan 函數(shù)等。本研究中采用Sigmoid 函數(shù)進(jìn)行神經(jīng)網(wǎng)絡(luò)分析，計(jì)算見(jiàn)公式(2)。

2013—2015 年的氣象數(shù)據(jù)和產(chǎn)量數(shù)據(jù)用于訓(xùn)練數(shù)據(jù)，2016 年數(shù)據(jù)用于測(cè)試模型，2017 年數(shù)據(jù)用于檢驗(yàn)預(yù)測(cè)結(jié)果。該神經(jīng)網(wǎng)絡(luò)有1 個(gè)隱含層，神經(jīng)元個(gè)數(shù)為12個(gè)，輸出層為1個(gè)。對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)設(shè)置并代入樣本進(jìn)行訓(xùn)練，并將訓(xùn)練好的神經(jīng)模型進(jìn)行數(shù)據(jù)計(jì)算與預(yù)測(cè)。

2 結(jié)果與分析

2.1 主成分分析結(jié)果

通過(guò)對(duì)標(biāo)準(zhǔn)化之后的極大風(fēng)速、最低氣壓等18個(gè)指標(biāo)數(shù)據(jù)和產(chǎn)量數(shù)據(jù)做主成分分析，取累計(jì)貢獻(xiàn)率達(dá)到85%的主成份。共選取5 個(gè)主成份，累計(jì)貢獻(xiàn)率為87.128%，分析結(jié)果顯著減少了原始數(shù)據(jù)之間的相關(guān)性，又充分概括了原始數(shù)據(jù)的主要特性。

2.2 BP神經(jīng)網(wǎng)絡(luò)分析結(jié)果

2.2.1 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果BP神經(jīng)網(wǎng)絡(luò)的性能圖如圖1，隨著神經(jīng)網(wǎng)絡(luò)迭代次數(shù)的增加，均方誤差在逐漸減小，最終均方誤差穩(wěn)定在0.0248左右，得到了一個(gè)穩(wěn)定的BP神經(jīng)網(wǎng)絡(luò)。

圖1 BP神經(jīng)網(wǎng)絡(luò)的性能圖

從圖2可以看出，第7～21個(gè)數(shù)據(jù)之間的曲線(xiàn)貼合得比較緊密，說(shuō)明神經(jīng)網(wǎng)絡(luò)對(duì)這部分?jǐn)?shù)據(jù)之間的關(guān)系，擬合得比較準(zhǔn)確，而其他數(shù)據(jù)之間的曲線(xiàn)貼合得不是很緊密，說(shuō)明神經(jīng)網(wǎng)絡(luò)對(duì)其余數(shù)據(jù)之間的關(guān)系擬合還有一定誤差。

圖2 訓(xùn)練數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)效果對(duì)比

2.2.2 BP 神經(jīng)網(wǎng)絡(luò) 從圖3 可以看出，第5～8 組之間的曲線(xiàn)，貼合的較為緊密，有一致地增減關(guān)系，而兩邊的數(shù)據(jù)，曲線(xiàn)貼合得不夠緊密，有一定的誤差，這一特點(diǎn)和訓(xùn)練數(shù)據(jù)曲線(xiàn)相一致，均是中間數(shù)據(jù)擬合預(yù)測(cè)較為準(zhǔn)確，兩側(cè)數(shù)據(jù)具有相對(duì)大些的誤差。

圖3 測(cè)試數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)效果對(duì)比

從圖4 以看出，在訓(xùn)練數(shù)據(jù)中，數(shù)據(jù)落在y=x這條線(xiàn)兩側(cè)。結(jié)果說(shuō)明大部分?jǐn)?shù)據(jù)距離這條回歸線(xiàn)較近，個(gè)別數(shù)據(jù)距離回歸線(xiàn)較遠(yuǎn)，相關(guān)系數(shù)為0.82267，說(shuō)明BP神經(jīng)網(wǎng)絡(luò)學(xué)到了大部分?jǐn)?shù)據(jù)的特點(diǎn)，能在一定誤差上模擬氣象因子數(shù)據(jù)與產(chǎn)量之間的關(guān)系。

圖4 神經(jīng)網(wǎng)絡(luò)輸出數(shù)據(jù)與實(shí)際值回歸圖

3 討論

3.1 氣象因子與河蟹產(chǎn)量之間的關(guān)系

氣象因子與河蟹產(chǎn)量的關(guān)系主要表現(xiàn)在對(duì)河蟹生長(zhǎng)、成活率[15]的影響，起主要作用的因子包括：降水、溫度、日照、蒸發(fā)、風(fēng)速、氣壓、生長(zhǎng)期高溫天數(shù)、自然生長(zhǎng)期間積溫、生長(zhǎng)關(guān)鍵期降水[10-11,13,15-17]。高溫(＞35℃)天數(shù)、自然生長(zhǎng)期間積溫和關(guān)鍵期降水的年際變化分別與河蟹個(gè)體品質(zhì)、成熟期、河蟹產(chǎn)量的波動(dòng)密切相關(guān)[13]。水溫升至15℃時(shí)，攝食開(kāi)始增加。20～26℃時(shí)攝食最旺盛[18]。氣溫達(dá)到35℃時(shí)，河蟹基本進(jìn)入休眠狀態(tài)，攝食停止，持續(xù)高溫3～4 天，河蟹出現(xiàn)死亡。自然生長(zhǎng)期積溫和氣溫顯著相關(guān)，氣溫高的年份一般對(duì)應(yīng)成熟期較早的年份，生長(zhǎng)期積溫低的年份一般對(duì)應(yīng)成熟期較晚的年份。過(guò)于集中的降水容易造成湖水上漲，河蟹逃逸，且持續(xù)降水期間的陰雨寡照易引發(fā)河蟹病害，甚至死亡，從而直接影響收獲量[13,19]。

河蟹養(yǎng)殖過(guò)程中，水草可為中華絨螯蟹提供天然餌料、凈化水質(zhì)、增加溶氧，并營(yíng)造良好的生態(tài)環(huán)境，同時(shí)也可起到夏季降溫遮光的作用，是提高中華絨螯蟹品質(zhì)和產(chǎn)量的重要因子[20]。在水草的培育和生長(zhǎng)過(guò)程中，日照起決定性作用[18]。

3.2 BP神經(jīng)網(wǎng)絡(luò)在池塘生態(tài)系統(tǒng)非線(xiàn)性建模中的應(yīng)用

BP 神經(jīng)網(wǎng)絡(luò)在水產(chǎn)中的應(yīng)用目前多集中在工廠(chǎng)化養(yǎng)殖系統(tǒng)水質(zhì)指標(biāo)方面，包括溶氧[21]、溫度[22]、pH[23]、氨氮[24]等，在宏觀尺度利用氣象數(shù)據(jù)預(yù)測(cè)池塘河蟹產(chǎn)量的報(bào)道仍較少。采用逐步回歸法也可以進(jìn)行河蟹產(chǎn)量的預(yù)測(cè)，但僅能包括2～3個(gè)氣象因，因此模型的預(yù)測(cè)準(zhǔn)確性仍較低[15]。養(yǎng)成后期平均氣溫（影響池塘水溫）及同期雨量這2 個(gè)因子也可用于河蟹氣象產(chǎn)量預(yù)報(bào)[15,25-26]。以生長(zhǎng)期高溫天數(shù)、自然生長(zhǎng)期間積溫、生長(zhǎng)關(guān)鍵期降水3個(gè)因子對(duì)江西軍山湖區(qū)河蟹產(chǎn)量進(jìn)行擬合也取得了不錯(cuò)的效果[13]。但與中華絨螯蟹生長(zhǎng)相關(guān)的氣象因素遠(yuǎn)遠(yuǎn)不止溫度[27]、日照和降水，氣壓、風(fēng)4項(xiàng)[10]，氣壓的高低和風(fēng)的大小都會(huì)改變水體中的溶解氧含量等[28]，而溶解氧含量又是影響水產(chǎn)動(dòng)物生長(zhǎng)的一個(gè)重要因素[29]。各氣象因素之間是相互依存的，存在復(fù)雜的非線(xiàn)性關(guān)系，因此單純用2～3 個(gè)因子來(lái)預(yù)測(cè)河蟹產(chǎn)量很難達(dá)到對(duì)生產(chǎn)過(guò)程中的所有氣象信息準(zhǔn)確描述并提高模型預(yù)測(cè)準(zhǔn)確性的目的。本研究中對(duì)氣象觀測(cè)站采集的絕大多數(shù)因子和光照因子與河蟹主產(chǎn)區(qū)產(chǎn)量進(jìn)行了建模，盡最大可能反應(yīng)河蟹養(yǎng)殖環(huán)境系統(tǒng)的復(fù)雜性。今后仍可以繼續(xù)積累氣象、產(chǎn)量、水環(huán)境等方面的數(shù)據(jù)，改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法等角度進(jìn)一步提高模型的精度。

4 結(jié)論

本研究中BP 神經(jīng)網(wǎng)絡(luò)在訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)分析中表現(xiàn)出相似的規(guī)律，BP神經(jīng)網(wǎng)絡(luò)對(duì)兩側(cè)的部分?jǐn)?shù)據(jù)的擬合存在一定的誤差。BP 神經(jīng)網(wǎng)絡(luò)能夠?qū)W到了大部分?jǐn)?shù)據(jù)的特點(diǎn)，神經(jīng)網(wǎng)絡(luò)輸出值和真實(shí)值之間的相關(guān)系數(shù)R=0.82267。對(duì)河蟹主產(chǎn)區(qū)的氣象因子、光照數(shù)據(jù)利用該神經(jīng)網(wǎng)絡(luò)能夠較準(zhǔn)確地預(yù)測(cè)江蘇省河蟹主產(chǎn)區(qū)的產(chǎn)量。