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
风场强度与方向的季节性变化是季风区最显著的气象要素变化特征之一。Lu and Chan(1999)利用大气低层风场,定义了一个表征南海季风强度的指数,为简单起见,只用了经向风分量,研究表明该指数与华南夏季降水有很好的相关。为了进一步验证...风场强度与方向的季节性变化是季风区最显著的气象要素变化特征之一。Lu and Chan(1999)利用大气低层风场,定义了一个表征南海季风强度的指数,为简单起见,只用了经向风分量,研究表明该指数与华南夏季降水有很好的相关。为了进一步验证和改进该指数,本文利用逐月NCEP/NCAR(National Centers for Environmental Prediction/National Center for Atmospheric Research)风场再分析资料以及华南地区的基准、基本气象站降水资料,将设计指数时允许的实际风的投影方向从规定的正北方向(即经向风),拓展为允许偏转的其他方向,以此建立改进的指数。为了更好地反应改进后的指数与华南降水的月异常之间的关系,本文引入了广义线性模型及正态分布和Gamma分布两类假设,来建立两者非线性的回归关系。结果证明,实际风在自正北方向逆时针旋转11.3°的方向上的投影与华南降水具有最好的相关性,采用这一方向上的投影可以对原指数加以改进;中国南海季风所覆盖的风场与华南降水的月异常之间有显著的非线性关系,而对降水采用Gamma分布假设的广义线性模型能够比正态分布假设得到更符合实际的回归结果。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。
文摘风场强度与方向的季节性变化是季风区最显著的气象要素变化特征之一。Lu and Chan(1999)利用大气低层风场,定义了一个表征南海季风强度的指数,为简单起见,只用了经向风分量,研究表明该指数与华南夏季降水有很好的相关。为了进一步验证和改进该指数,本文利用逐月NCEP/NCAR(National Centers for Environmental Prediction/National Center for Atmospheric Research)风场再分析资料以及华南地区的基准、基本气象站降水资料,将设计指数时允许的实际风的投影方向从规定的正北方向(即经向风),拓展为允许偏转的其他方向,以此建立改进的指数。为了更好地反应改进后的指数与华南降水的月异常之间的关系,本文引入了广义线性模型及正态分布和Gamma分布两类假设,来建立两者非线性的回归关系。结果证明,实际风在自正北方向逆时针旋转11.3°的方向上的投影与华南降水具有最好的相关性,采用这一方向上的投影可以对原指数加以改进;中国南海季风所覆盖的风场与华南降水的月异常之间有显著的非线性关系,而对降水采用Gamma分布假设的广义线性模型能够比正态分布假设得到更符合实际的回归结果。
