为了提高渔业数据单位捕捞努力量渔获量(catch per unite of effort,CPUE)标准化数据的质量和模型连续稳定预测能力,该文采用人工神经网络(artificial neural network,ANN)、回归树(regression trees,RT)、随机森林(random forest,RF)...为了提高渔业数据单位捕捞努力量渔获量(catch per unite of effort,CPUE)标准化数据的质量和模型连续稳定预测能力,该文采用人工神经网络(artificial neural network,ANN)、回归树(regression trees,RT)、随机森林(random forest,RF)和支持向量机(support vector machine,SVM)等机器学习方法和传统的广义线性模型(generalized linear model,GLM)等方法,对2000-2013年大西洋大眼金枪鱼(Thunnus obesus)延绳钓CPUE数据进行标准化。采用平均绝对误差、平均均方误差、3种相关系数(Pearson’s,Kendall’s和Spearman’s)和标准化均方误差等评价指标对不同模型标准化结果进行对比,寻找较优的标准化方法。研究结果表明,在验证数据集SVM方法得到的3种相关系数(0.596,0473和0.632)和RF(0.623,0.456,0.621)相似,高于RT(0.516,0.432和0.586)、ANN(0.428,0.249和0.365)和GLM(0.199,0.106和0.159)。SVM预测的均方误差(11.25)、平均绝对误差(2.107)和标准化均方误差(0.652)略低于RF(11.655,2.377和0.661),明显低于RT(14.999,2.434和0.801)、ANN(16.692,2.883和0.823)和GLM(16.517,2.777和0.993)。各项指标揭示SVM方法要优于其他4种方法,RF次之,GLM计算结果在所有方法中最差,不适合渔业数据CPUE标准化。SVM和RF方法应该被优先考虑用于渔业数据CPUE标准化。研究结果为渔业资源管理和保护提供更好的支持。展开更多
文摘为了提高渔业数据单位捕捞努力量渔获量(catch per unite of effort,CPUE)标准化数据的质量和模型连续稳定预测能力,该文采用人工神经网络(artificial neural network,ANN)、回归树(regression trees,RT)、随机森林(random forest,RF)和支持向量机(support vector machine,SVM)等机器学习方法和传统的广义线性模型(generalized linear model,GLM)等方法,对2000-2013年大西洋大眼金枪鱼(Thunnus obesus)延绳钓CPUE数据进行标准化。采用平均绝对误差、平均均方误差、3种相关系数(Pearson’s,Kendall’s和Spearman’s)和标准化均方误差等评价指标对不同模型标准化结果进行对比,寻找较优的标准化方法。研究结果表明,在验证数据集SVM方法得到的3种相关系数(0.596,0473和0.632)和RF(0.623,0.456,0.621)相似,高于RT(0.516,0.432和0.586)、ANN(0.428,0.249和0.365)和GLM(0.199,0.106和0.159)。SVM预测的均方误差(11.25)、平均绝对误差(2.107)和标准化均方误差(0.652)略低于RF(11.655,2.377和0.661),明显低于RT(14.999,2.434和0.801)、ANN(16.692,2.883和0.823)和GLM(16.517,2.777和0.993)。各项指标揭示SVM方法要优于其他4种方法,RF次之,GLM计算结果在所有方法中最差,不适合渔业数据CPUE标准化。SVM和RF方法应该被优先考虑用于渔业数据CPUE标准化。研究结果为渔业资源管理和保护提供更好的支持。
