基于支持向量機的魚類棲息地適宜性指數(shù)建模方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種魚類棲息地指數(shù)建模方法，尤其是涉及一種基于支持向量機的魚 類棲息地適宜性指數(shù)建模方法。
【背景技術(shù)】
[0002] 棲息地適宜性指數(shù)（HabitatSuitabilityIndex，HSI)模型最早由美國科學(xué)家于 20世紀80年代提出，用來模擬生物體對周圍棲息環(huán)境要素的反應(yīng)。目前已廣泛應(yīng)用于物種 分布與管理等領(lǐng)域，并逐漸在魚類漁場的分析與預(yù)測得到應(yīng)用，取得了較好效果。HSI的研 宄不僅是為了從理論上認知漁場分布與海洋環(huán)境要素的關(guān)系，同時也是為了向捕撈生產(chǎn)和 漁業(yè)資源管理者提供信息參考。HSI模型已應(yīng)用于多種魚類的漁場分析，如印度洋大眼金槍 魚、大西洋及太平洋的魷魚、以及鮐魚、秋刀魚等。從研宄方法來看，主要有傳統(tǒng)的權(quán)重求和 法和幾何平均法、分位數(shù)回歸方法、主成分分析法等。
[0003] 海洋環(huán)境要素與中心漁場之間存在動態(tài)交互關(guān)系并構(gòu)成一個復(fù)雜的系統(tǒng)，環(huán)境要 素之間通常存在一定的相關(guān)性，而傳統(tǒng)數(shù)理統(tǒng)計方法在構(gòu)建HSI模型時由于無法消除環(huán)境 要素固有的多重相關(guān)性，分析預(yù)報的精度受到極大的限制。同時，由于受到商業(yè)捕撈數(shù)據(jù)的 限制，在很大程度下漁業(yè)資源數(shù)據(jù)的樣本點數(shù)是非常有限，普通方法很難從中獲取有效的 模型。因此，我們需要探索一種既能消除環(huán)境變量的相關(guān)性、又能從小樣本中獲取規(guī)律的方 法，建立海洋魚類棲息地適宜性指數(shù)的建模，從而反映海洋環(huán)境與中心漁場復(fù)雜系統(tǒng)，從而 提高漁場漁情預(yù)報的精度和可靠性。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種基于支持向量 機的魚類棲息地適宜性指數(shù)建模方法，能夠以較合理的計算代價，得到較為合理的HSI模 型和預(yù)測結(jié)果，提高漁情預(yù)報的精度和準確性。
[0005] 本發(fā)明的目的可以通過以下技術(shù)方案來實現(xiàn)：
[0006] 一種基于支持向量機的魚類棲息地適宜性指數(shù)建模方法，其特征在于，包括以下 步驟：
[0007] 1)聯(lián)合多種海洋環(huán)境因子，求取一組海洋因子對應(yīng)的適宜性指數(shù)值SI;
[0008] 2)對所有海洋環(huán)境因子以及SI進行歸一化；
[0009] 3)基于步驟2)的數(shù)據(jù)，建立支持向量機HSI模型：SVMHSI;
[0010] 4)利用SVMHSI對不同的區(qū)域進行預(yù)測，獲取預(yù)測的均方根誤差和相關(guān)系數(shù)，并 在GIS環(huán)境中進行漁場漁情預(yù)報；
[0011] 5)輸出并保存模擬結(jié)果。
[0012] 所述的步驟1)具體為：
[0013] 11)通過遙感獲取海洋環(huán)境因子，包括海表溫度SST、溫度梯度、海表葉綠素-a濃 度、鹽度、鹽度梯度以及距海平面平均高度；
[0014] 12)通過對各種海洋環(huán)境因子進行分組，得到每一組總的作業(yè)次數(shù)，通過對作業(yè)次 數(shù)的歸一化換算，獲取對應(yīng)的適宜性指數(shù)值SI。
[0015] 所述的步驟2)具體為：
[0016] 13)利用支持向量機的Scaling方法，對所用海洋環(huán)境因子和SI進行歸一化處理， 最小值為〇、最大值為1。
[0017] 歸一化數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)和預(yù)測數(shù)據(jù)兩個部分，其中訓(xùn)練數(shù)據(jù)含有SI數(shù)值，而預(yù) 測數(shù)據(jù)不含SI值，但是具有驗證模型的漁業(yè)產(chǎn)量數(shù)據(jù)。
[0018] 所述的步驟3)具體為：
[0019] 14)基于支持向量機，對歸一化數(shù)據(jù)進行處理的訓(xùn)練數(shù)據(jù)進行訓(xùn)練建模，得到SVM HSI模型。
[0020] 所述的步驟4)具體為：
[0021] 15)利用SVMHSI模型對預(yù)測數(shù)據(jù)進行預(yù)測，預(yù)測的均方根誤差和相關(guān)系數(shù)，得到 對應(yīng)于每一組海洋環(huán)境因子的HSI值；
[0022] 16)選擇HSI值大于0. 6的數(shù)據(jù)組，將其在GIS環(huán)境中顯示，對不同的區(qū)域進行預(yù) 測，并在GIS環(huán)境中進行空間可視化顯示及漁場漁情預(yù)報。
[0023] 所述的步驟14)中的對歸一化數(shù)據(jù)進行處理的訓(xùn)練數(shù)據(jù)進行訓(xùn)練建模，并進而得 到SVMHSI模型，數(shù)據(jù)處理過程如下：
[0024] 假設(shè)有N個數(shù)據(jù)對集合lxbyi丨，其中Xi是第i個數(shù)據(jù)，其輸出模式為已知并且 yiG{-1，+1}，即輸出為二元值，那么二元值的決策方程表達為：
【主權(quán)項】
1. 一種基于支持向量機的魚類棲息地適宜性指數(shù)建模方法，其特征在于，包括以下步 驟： 1) 聯(lián)合多種海洋環(huán)境因子，求取一組海洋因子對應(yīng)的適宜性指數(shù)值SI; 2) 對所有海洋環(huán)境因子以及SI進行歸一化； 3) 基于步驟2)的數(shù)據(jù)，建立支持向量機HSI模型：SVMHSI; 4) 利用SVMHSI對不同的區(qū)域進行預(yù)測，獲取預(yù)測的均方根誤差和相關(guān)系數(shù)，并在GIS 環(huán)境中進行漁場漁情預(yù)報； 5) 輸出并保存模擬結(jié)果。
2. 根據(jù)權(quán)利要求1所述的一種基于支持向量機的魚類棲息地適宜性指數(shù)建模方法，其 特征在于，所述的步驟1)具體為： 11) 通過遙感獲取海洋環(huán)境因子，包括海表溫度SST、溫度梯度、海表葉綠素-a濃度、鹽 度、鹽度梯度以及距海平面平均高度； 12) 通過對各種海洋環(huán)境因子進行分組，得到每一組總的作業(yè)次數(shù)，通過對作業(yè)次數(shù)的 歸一化換算，獲取對應(yīng)的適宜性指數(shù)值SI。
3. 根據(jù)權(quán)利要求2所述的一種基于支持向量機的魚類棲息地適宜性指數(shù)建模方法，其 特征在于，所述的步驟2)具體為： 13) 利用支持向量機的Scaling方法，對所用海洋環(huán)境因子和SI進行歸一化處理，最小 值為〇、最大值為1。
4. 根據(jù)權(quán)利要求3所述的一種基于支持向量機的魚類棲息地適宜性指數(shù)建模方法，其 特征在于，歸一化數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)和預(yù)測數(shù)據(jù)兩個部分，其中訓(xùn)練數(shù)據(jù)含有SI數(shù)值，而 預(yù)測數(shù)據(jù)不含SI值，但是具有驗證模型的漁業(yè)產(chǎn)量數(shù)據(jù)。
5. 根據(jù)權(quán)利要求4所述的一種基于支持向量機的魚類棲息地適宜性指數(shù)建模方法，其 特征在于，所述的步驟3)具體為： 14) 基于支持向量機，對歸一化數(shù)據(jù)進行處理的訓(xùn)練數(shù)據(jù)進行訓(xùn)練建模，得到SVMHSI 模型。
6. 根據(jù)權(quán)利要求5所述的一種基于支持向量機的魚類棲息地適宜性指數(shù)建模方法，其 特征在于，所述的步驟4)具體為： 15) 利用SVMHSI模型對預(yù)測數(shù)據(jù)進行預(yù)測，預(yù)測的均方根誤差和相關(guān)系數(shù)，得到對應(yīng) 于每一組海洋環(huán)境因子的HSI值； 16) 選擇HSI值大于0.6的數(shù)據(jù)組，將其在GIS環(huán)境中顯示，對不同的區(qū)域進行預(yù)測，并 在GIS環(huán)境中進行空間可視化顯示及漁場漁情預(yù)報。
7. 根據(jù)權(quán)利要求5所述的一種基于支持向量機的魚類棲息地適宜性指數(shù)建模方法，其 特征在于，所述的步驟14)中的對歸一化數(shù)據(jù)進行處理的訓(xùn)練數(shù)據(jù)進行訓(xùn)練建模，并進而 得到SVMHSI模型，數(shù)據(jù)處理過程如下： 假設(shè)有N個數(shù)據(jù)對集合，其中Xi是第i個數(shù)據(jù)，其輸出模式為已知并且yiG{-1，+1}，即輸出為二元值，那么二元值的決策方程表達為：
(1) 式⑴中，sgn決策規(guī)則，W是向量的權(quán)重，W= (Wl，w2，…，wn)，0是超平面的權(quán)重向 (3) (2) 量，并且<W*x>+|3 =0。 在支持向量機SVM中，最優(yōu)化問題解析式可以表達為：
式⑵和⑶中，(K0是非線性方程，用于將輸入空間映射到高維特征空間，^是限 制因子，滿足％Wa) + /?] 2 1，用于決定訓(xùn)練誤差和SVM模型的泛化能力； 此外，用拉格朗日方程來解決上述最優(yōu)化問題，該方程定義如下： i-丄
式⑷中，ai是拉格朗日乘數(shù)； 進一步，最優(yōu)解的條件進行微分，轉(zhuǎn)化為： I
通過消除e,和W，最優(yōu)化問題重新表達為下列線性方程：
(6) 式（6)中，D=ZZT，而之=[少(A.), ^(X2),…，識(％)]T，且y= [yi，y2，…，yN]T、lN = [1，1，…，1]、a= [aa2，…，aN];根據(jù)Mercer條件，矩陣D=ZZT表達為核函數(shù)：
(7) 核函數(shù)的選擇選擇存在多種可能性，選擇高斯徑向基核函數(shù)RBF，該函數(shù)表達為： K(x, Xi)=exp{-1 |x-Xi| 12/2 〇 2} (8) 式（8)中，〇為反映數(shù)據(jù)分布性質(zhì)的常數(shù)； 根據(jù)上述條件，式（1)中的問題可以通過解決方程（6)和方程（7)中的分類問題，進而 表達為二元分類器，進一步在高維特征空間中將HSI建模數(shù)據(jù)進行分類，即分類與魚類棲 息地適宜和不適宜； 最后，式（1)中的決策方程重新表達為二元分類器：
【專利摘要】本發(fā)明涉及一種基于支持向量機的魚類棲息地適宜性指數(shù)建模方法，包括以下步驟：1)聯(lián)合多種海洋環(huán)境因子，求取一組海洋因子對應(yīng)的適宜性指數(shù)值SI；2)對所有海洋環(huán)境因子以及SI進行歸一化；3)基于步驟2)的數(shù)據(jù)，建立支持向量機HSI模型：SVM HSI；4)利用SVM HSI對不同的區(qū)域進行預(yù)測，獲取預(yù)測的均方根誤差和相關(guān)系數(shù)，并在GIS環(huán)境中進行漁場漁情預(yù)報；5)輸出并保存模擬結(jié)果。與現(xiàn)有技術(shù)相比，本發(fā)明在樣本數(shù)量較少時，能夠較好地從中挖掘數(shù)據(jù)中存在的規(guī)律，得到較為合理的HSI模型和漁情預(yù)報結(jié)果等優(yōu)點。
【IPC分類】G06K9-62
【公開號】CN104809479
【申請?zhí)枴緾N201510252783
【發(fā)明人】馮永玖, 方學(xué)燕, 陳新軍
【申請人】上海海洋大學(xué)
【公開日】2015年7月29日
【申請日】2015年5月18日