袁紅春，張 永，張?zhí)祢?/p>

(上海海洋大學(xué)信息學(xué)院 上海 201306)

金槍魚是一種具有定期洄游行為的魚類，因其資源量豐富，經(jīng)濟(jì)效益顯著，已經(jīng)成為世界各沿海國家的重點(diǎn)捕撈魚種[1-2]，更是中國遠(yuǎn)洋漁業(yè)的主要產(chǎn)業(yè)之一[3]。大眼金槍魚(Thunnusobesus)屬于金槍魚的一個(gè)重要分支，是大洋性金槍魚漁業(yè)的主捕魚種之一[4-6]。研究表明，其分布受表層水溫、次表層水溫、葉綠素等眾多環(huán)境因子的影響[7]。在世界金槍魚的捕撈總產(chǎn)量中,大眼金槍魚產(chǎn)量近幾年一直穩(wěn)居第3位[8]。大眼金槍魚在各海域分布廣泛[9]，南太平洋屬于重要產(chǎn)區(qū)[10-11]。因此，構(gòu)建高精度的漁場預(yù)報(bào)新模型，提高漁場預(yù)報(bào)水平，將對(duì)中國大眼金槍魚的捕撈與研究工作產(chǎn)生積極作用。

近年來，對(duì)于中心漁場預(yù)報(bào)模型及方法，眾多學(xué)者進(jìn)行了大量的研究。Aoki 等[12]用3個(gè)隱層的 BP模型，在日本遠(yuǎn)東海域針對(duì)擬沙丁魚漁獲量進(jìn)行相關(guān)預(yù)報(bào)研究，得出神經(jīng)網(wǎng)絡(luò)可作該領(lǐng)域分析和預(yù)測工具，并適用于魚類非線性多變量的問題。但環(huán)境因子選用SST和浮游動(dòng)物密度，種類偏少，且模型層數(shù)較多，對(duì)訓(xùn)練及預(yù)測速度會(huì)產(chǎn)生一定的影響。周為鋒等[13]采用貝葉斯概率的方法對(duì)金槍魚進(jìn)行漁場預(yù)報(bào)，取得了一定效果，可以為金槍魚的生產(chǎn)提供參考，但所用環(huán)境因子為SST，過于單一，且絕對(duì)誤差為0.349，仍有降低空間。李娜等[14]使用BP網(wǎng)絡(luò)在大西洋相關(guān)海域進(jìn)行阿根廷柔魚的漁場預(yù)報(bào)，將月份、經(jīng)緯度、海面高度、海面溫度當(dāng)作模型的輸入因子，試驗(yàn)過程中選擇不同結(jié)構(gòu)的BP網(wǎng)絡(luò)作對(duì)比。但所涉模型均為BP相關(guān)模型，未能說明BP模型較其他模型的優(yōu)越性。陳雪忠等[15]利用隨機(jī)森林模型，在印度洋海域?qū)﹂L鰭金槍魚漁場分布及變動(dòng)進(jìn)行預(yù)報(bào)。但所涉環(huán)境因子均為海洋表層信息，且隨機(jī)森林模型并不能很好地應(yīng)對(duì)CPUE原始序列本身存在的波動(dòng)性與無規(guī)律性對(duì)模型預(yù)報(bào)產(chǎn)生的不良影響。

上述漁場預(yù)報(bào)模型研究存在以下不足：預(yù)報(bào)模型結(jié)構(gòu)比較普通，性能一般；所選環(huán)境因子類型不足,沒有更全面地呈現(xiàn)生存環(huán)境；與其他預(yù)報(bào)模型性能對(duì)比不夠充分，且多數(shù)模型結(jié)合環(huán)境因子直接利用CPUE序列進(jìn)行訓(xùn)練與預(yù)報(bào)，均受CPUE原始序列的波動(dòng)性與無規(guī)律性影響較大，預(yù)報(bào)難度較高且誤差偏大。若能構(gòu)造一個(gè)漁場預(yù)報(bào)模型，將海洋表層與海洋面以下環(huán)境因子結(jié)合漁業(yè)數(shù)據(jù)進(jìn)行模型訓(xùn)練與預(yù)報(bào)，并將所受原始序列特征對(duì)預(yù)報(bào)模型的不良影響降到最低，則有望獲取抗干擾能力更強(qiáng)、預(yù)報(bào)誤差更小的預(yù)報(bào)效果?；诖耍谏钊胙芯可窠?jīng)網(wǎng)絡(luò)理論的基礎(chǔ)上，提出一種基于經(jīng)驗(yàn)?zāi)B(tài)分解機(jī)制和雙向長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(EMD-BiLSTM)的漁場預(yù)報(bào)模型，結(jié)合海洋表層和海平面以下環(huán)境因子輔助模型訓(xùn)練與預(yù)報(bào)，并對(duì)比分析隨機(jī)森林、BP、LSTM、Bi-LSTM等模型的預(yù)報(bào)效果，以期實(shí)現(xiàn)更科學(xué)實(shí)用的漁場預(yù)報(bào)新模型。

1 材料與方法

1.1 試驗(yàn)材料

1.1.1 數(shù)據(jù)來源

所用漁業(yè)數(shù)據(jù)來源于深圳市聯(lián)成遠(yuǎn)洋漁業(yè)有限公司的太平洋延繩釣捕撈數(shù)據(jù)。為保證試驗(yàn)數(shù)據(jù)的統(tǒng)一性，一律采用該公司2014年1月至2018年12月的太平洋海域大眼金槍魚漁業(yè)數(shù)據(jù)，時(shí)間分辨率為月，空間分辨率為1°× 1°，選取數(shù)據(jù)的作業(yè)海域?yàn)?°S～14°N，157°E～175°E，具體類別有年、月、經(jīng)度、緯度、釣鉤數(shù)、大眼金槍魚漁獲量(尾)。單位捕撈努力漁獲量(CPUE)為試驗(yàn)的預(yù)測參數(shù)[16]，其計(jì)算過程如公式(1)所示：

XCPUE=A/H

(1)

式中：XCPUE—單位捕撈努力量，尾/千鉤(ind/khooks)；A—漁獲量，尾(ind)；H—釣鉤數(shù)，千鉤(khooks)。

另選取2014年1月至2018年12月與漁業(yè)數(shù)據(jù)相對(duì)應(yīng)的環(huán)境數(shù)據(jù)，包括月、經(jīng)度、緯度、海表面溫度SST、海表面鹽度SSS、葉綠素a質(zhì)量濃度，同時(shí)綜合考慮到大眼金槍魚習(xí)慣性棲息水深[17-18]，初步在水深500 m范圍內(nèi)選取15個(gè)深度值處的海水溫度與海水鹽度，其中各深度值如下：0、5、10、20、30、50、75、100、125、150、200、250、300、400和500 m，然后對(duì)該15個(gè)數(shù)據(jù)進(jìn)行相關(guān)性分析，繼而選用相關(guān)性較大的環(huán)境因子作為模型的輸入。其中的海水溫度(SST～T500 m)與海水鹽度(SSS～S500 m)數(shù)據(jù)均來源于亞太數(shù)據(jù)研究中心(APDRC)的Argo數(shù)據(jù)庫，而葉綠素 a 質(zhì)量濃度數(shù)據(jù)取自于美國國家海洋和大氣管理局(NOAA) 環(huán)境數(shù)據(jù)庫。

1.1.2 相關(guān)性分析

將處理好的環(huán)境數(shù)據(jù)與漁業(yè)數(shù)據(jù)相匹配，得到符合模型要求的數(shù)據(jù)集，使用SPSS軟件對(duì)該試驗(yàn)數(shù)據(jù)進(jìn)行雙變量相關(guān)性分析，找出時(shí)空因子、環(huán)境因子與CPUE值之間的關(guān)系，以及相關(guān)性大小。其中雙變量線性相關(guān)程度計(jì)算公式(2)如下：

(2)

式中：r12— 1、2兩變量相關(guān)系數(shù)大小；s12— 1、2兩變量協(xié)方差大??；s11—變量1的方差；s22—變量2的方差。

在分析結(jié)果中，若0.01

表1 雙變量相關(guān)分析

分析發(fā)現(xiàn)，所列舉影響因子中，葉綠素a質(zhì)量濃度、溫度和鹽度與該區(qū)域CPUE值均有較大相關(guān)性。且對(duì)于溫度、鹽度，與CPUE值相關(guān)性較大的在100～300 m深度范圍。因此，本研究選用葉綠素a質(zhì)量濃度和海表面以及水深100 m、200 m、300 m處的溫度值、鹽度值作為試驗(yàn)數(shù)據(jù)，得到數(shù)據(jù)集A。

將月、經(jīng)緯度、溫度、葉綠素a質(zhì)量濃度、鹽度用作訓(xùn)練參數(shù)，各月對(duì)應(yīng)CPUE值作為預(yù)測參數(shù)，對(duì)試驗(yàn)數(shù)據(jù)集A截取80%作為訓(xùn)練集，10%作為驗(yàn)證集，10%作為測試集，用于預(yù)報(bào)模型試驗(yàn)，得出各預(yù)報(bào)模型的預(yù)報(bào)誤差并進(jìn)行誤差大小對(duì)比。

1.1.3 數(shù)據(jù)歸一化

數(shù)據(jù)各因子量級(jí)有所區(qū)別，將會(huì)對(duì)模型產(chǎn)生不良影響，為保證試驗(yàn)結(jié)果的準(zhǔn)確性，此處目標(biāo)變量和影響因子均經(jīng)過公式(3)歸一化到[0.1,1]區(qū)間中[20-21]。

(3)

式中：xn—某一影響因子第n條數(shù)據(jù)；xmax—此影響因子中最大值；xmin—此影響因子中最小值。

1.2 方法原理

1.2.1 EMD基本原理

經(jīng)驗(yàn)?zāi)B(tài)分解機(jī)制(EMD)是一種新方法，用于信號(hào)處理，主要針對(duì)非線性、非平穩(wěn)性時(shí)間序列[22]。數(shù)據(jù)自身特征尺度存在區(qū)別，該機(jī)制根據(jù)特征尺度提取數(shù)據(jù)的本征模態(tài)函數(shù)IMF，使其逐漸平穩(wěn)化[23]。一個(gè)顯著特征是消除了基函數(shù)無自適應(yīng)性問題，無須進(jìn)行預(yù)處理便可將陌生信號(hào)分解。假設(shè)數(shù)據(jù)序列為s(t)，具體步驟如下[24]：

1)通過計(jì)算機(jī)編程，于原始序列中得到極值；

2)以局部的下部極小值和上部最大值為插值點(diǎn)，實(shí)施3次樣條插值，得到所需上下包絡(luò)線；

3)計(jì)算兩條包絡(luò)線，求出均值f1;

4)計(jì)算k1=s(t)-f1，若k1是本征模態(tài)函數(shù)要求，則k1屬于s(t)的第一階分量，否則實(shí)施步驟5)；

5)把k1視作新序列，再一次進(jìn)行上面1～4步驟，直至求出s(t)的第一階分量；

6)獲得第一階分量之后，所剩數(shù)據(jù)為：

c1=s(t)-IMF(1)

(4)

7)將數(shù)據(jù)c1重復(fù)視作原始序列，實(shí)施步驟1～6，依次求出IMF(2),…,IMF(n)以及殘余分量r(t),則有：

(5)

將上述分解過程繪制為流程圖(圖1)。

1.2.2 LSTM與Bi-LSTM模型介紹

LSTM網(wǎng)絡(luò)模型于1997年提出，相對(duì)于RNN網(wǎng)絡(luò)，LSTM在其神經(jīng)元內(nèi)添加三類全新門結(jié)構(gòu)[25]：輸入門，輸出門以及遺忘門，為梯度消失問題提供一個(gè)有效的處理辦法。其模型結(jié)構(gòu)見圖2。

上述門結(jié)構(gòu)在時(shí)刻t時(shí)運(yùn)算公式如下：

ft=σ[Wf(ht-1,xt)+bf]

(6)

it=σ[Wi(ht-1,xt)+bi]

(7)

(8)

ot=σ[Wo(ht-1,xt)+bo]

(9)

(10)

ht=ottanh(ct)

(11)

LSTM網(wǎng)絡(luò)被廣泛使用且性能良好，基于此，Graves等[26]又提出雙向長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(Bi-LSTM)，該網(wǎng)絡(luò)由LSTM改進(jìn)后產(chǎn)生，將兩個(gè)LSTM網(wǎng)絡(luò)置于前后方向共同訓(xùn)練，與同一輸出層連接，捕捉過去和將來的信息[27]。Bi-LSTM的基本結(jié)構(gòu)見圖3，其中，Xi為網(wǎng)絡(luò)輸入，Yi為特征向量通過該網(wǎng)絡(luò)后的輸出結(jié)果。

1.3 試驗(yàn)誤差分析方法

精確性和穩(wěn)定性是兩個(gè)重要的模型評(píng)價(jià)指標(biāo)。依據(jù)相關(guān)文獻(xiàn)[28]，利用XMAE、XRMSE對(duì)所用模型進(jìn)行統(tǒng)計(jì)對(duì)比分析，計(jì)算公式如下：

(12)

(13)

式中：n—測試集個(gè)數(shù)；Ct—CPUE的預(yù)測值；Rt—CPUE的真實(shí)值；XMAE—絕對(duì)誤差，其值越小則代表預(yù)報(bào)越準(zhǔn)確；XRMSE—均方根誤差，其值越小則代表預(yù)報(bào)模型越穩(wěn)定。

2 試驗(yàn)及結(jié)果分析

2.1 試驗(yàn)平臺(tái)

試驗(yàn)環(huán)境為基于Python3.6的TensorFlow1.3框架，操作系統(tǒng)為Windows10，GPU為NVIDIA GTX 1060，通過CUDA9.0進(jìn)行加速運(yùn)算，CPU為Intel i5-3470K。

2.2 試驗(yàn)過程

建立了基于EMD-BiLSTM的漁場預(yù)報(bào)新模型，并在該深度學(xué)習(xí)平臺(tái)上進(jìn)行基于隨機(jī)森林、BP、LSTM、Bi-LSTM、EMD-BiLSTM的漁場預(yù)報(bào)試驗(yàn)。根據(jù)各模型在同一試驗(yàn)數(shù)據(jù)集下的試驗(yàn)效果進(jìn)行優(yōu)越性綜合評(píng)定，繼而驗(yàn)證EMD-BiLSTM模型的有效性。基于EMD-BiLSTM的漁場預(yù)報(bào)模型在該研究中的試驗(yàn)步驟為：

1)通過對(duì)大眼金槍魚CPUE序列進(jìn)行EMD分解，獲得所需IMF分量和殘余項(xiàng)；

2)將IMF分量與影響因子共同處理，實(shí)現(xiàn)數(shù)據(jù)歸一化，并轉(zhuǎn)為監(jiān)督學(xué)習(xí)問題，以滿足Bi-LSTM的要求；

3)結(jié)合影響因子自動(dòng)為IMF分量分別建立Bi-LSTM模型，進(jìn)行訓(xùn)練與預(yù)報(bào)；

4)所有預(yù)報(bào)均產(chǎn)生對(duì)應(yīng)結(jié)果，將所有預(yù)報(bào)結(jié)果序列重構(gòu)，再反歸一化操作，獲得最終預(yù)報(bào)值。

將試驗(yàn)過程繪制為流程圖(圖4)。

2.3 結(jié)果

2.3.1 EMD分解結(jié)果

取5°N～9°N，156°E～161°E海域的2018年7月～12月數(shù)據(jù)使用EMD機(jī)制實(shí)施分解作為該處結(jié)果展示，CPUE序列作為EMD的輸入，輸出為該值各分解分量和一個(gè)殘余分量。由圖4可以看出，EMD分解首先從信號(hào)中分解出高頻分量，再逐步得出低頻分量，最后獲得一個(gè)變化緩慢的趨勢信號(hào)Res。結(jié)果表明，大眼金槍魚CPUE序列經(jīng)過EMD機(jī)制分解，共得7個(gè)IMF分解分量與一個(gè)殘余項(xiàng)Res。圖4中，分量IMF1～I(xiàn)MF3具有較高的頻率和較大的突變性，而且具有一定的隨機(jī)性與無序性；分量IMF4～I(xiàn)MF7整體的變化比較平穩(wěn)，而且變化的規(guī)律相比IMF1～I(xiàn)MF3較強(qiáng)，殘余項(xiàng)Res則代表該CPUE序列整體變化趨勢。

分解過程有效降低了原始序列的波動(dòng)性與無規(guī)律性對(duì)預(yù)報(bào)結(jié)果的影響，使原本復(fù)雜的序列得到簡化，最終使得基于Bi-LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)報(bào)過程得到簡化，預(yù)報(bào)誤差進(jìn)一步降低。分解結(jié)果如圖5所示。

2.3.2 預(yù)報(bào)誤差結(jié)果

表2是預(yù)報(bào)誤差統(tǒng)計(jì)結(jié)果。由表2可知，EMD-BiLSTM模型預(yù)報(bào)精度最高，MAE、RMSE分別是0.033和0.056。相比于隨機(jī)森林模型，MAE和RMSE分別降低0.284、0.476；相比于BP模型分別降低0.048、0.208；相比于LSTM模型分別降低0.035、0.096；相比于Bi-LSTM模型分別降低0.018、0.053。

綜合來看，基于EMD-BiLSTM的大眼金槍魚漁場預(yù)報(bào)模型比其他模型預(yù)報(bào)精度更高，預(yù)報(bào)效果比文獻(xiàn)中涉及的BP模型和隨機(jī)森林模型更好，能對(duì)大眼金槍魚CPUE值的變化規(guī)律與趨勢實(shí)施更準(zhǔn)確的預(yù)報(bào)。

表2 預(yù)報(bào)誤差統(tǒng)計(jì)結(jié)果

2.3.3 損失值結(jié)果

數(shù)據(jù)集在LSTM、BP、Bi-LSTM、EMD-BiLSTM預(yù)報(bào)模型上的訓(xùn)練集與驗(yàn)證集損失值如圖6所示。圖中，縱軸代表損失值，橫軸代表模型迭代次數(shù)，實(shí)線和虛線分別代表訓(xùn)練集損失值和驗(yàn)證集損失值。

從圖6可以看出，在結(jié)合EMD機(jī)制之后，雖然模型復(fù)雜度有所提高，但可在一定程度上提高模型收斂速度，并降低抖動(dòng)性。該模型將原始數(shù)據(jù)經(jīng)過經(jīng)驗(yàn)?zāi)B(tài)分解，然后跳過原始CPUE序列自動(dòng)為各分量分別進(jìn)行Bi-LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)，并將各預(yù)報(bào)結(jié)果進(jìn)行序列重構(gòu)，使Bi-LSTM神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)處理優(yōu)勢得以充分發(fā)揮，模型性能更為理想。

2.3.4 CPUE值預(yù)報(bào)結(jié)果

為降低可視化圖形的曲線擁擠度，提高視覺清晰性，取5°N～9°N,156°E～161°E海域的2018年7月～12月數(shù)據(jù)進(jìn)行預(yù)報(bào)與展示，生成CPUE值的可視化預(yù)報(bào)結(jié)果圖。LSTM、BP和Bi-LSTM模型與EMD-BiLSTM模型的預(yù)報(bào)結(jié)果分別如圖7所示。通過對(duì)比圖中兩曲線，直觀上看，LSTM與BP模型的預(yù)報(bào)結(jié)果不太理想，預(yù)報(bào)值曲線與實(shí)際值曲線之間的擬合度較低，存在一定程度的誤差；Bi-LSTM模型的預(yù)報(bào)效果有所提高，但兩曲線間仍偏差較大；而在結(jié)合了經(jīng)驗(yàn)?zāi)B(tài)分解機(jī)制之后，EMD-BiLSTM模型下的兩曲線較為接近，預(yù)報(bào)值與實(shí)際值相對(duì)吻合?？梢姡贓MD-BiLSTM模型的預(yù)報(bào)準(zhǔn)確度更高，預(yù)報(bào)結(jié)果與實(shí)際CPUE值基本一致。因此，將經(jīng)驗(yàn)?zāi)B(tài)分解機(jī)制與Bi-LSTM相結(jié)合可以顯著提高模型的預(yù)報(bào)效果。

3 討論

3.1 與其他預(yù)報(bào)模型的比較

許多學(xué)者對(duì)于中心漁場預(yù)報(bào)模型及預(yù)報(bào)方法進(jìn)行了大量研究，所用模型包括傳統(tǒng)預(yù)報(bào)模型與神經(jīng)網(wǎng)絡(luò)模型，如隨機(jī)森林模型[15]，其通過使用若干預(yù)測器來獲取更多信息，進(jìn)而減少擬合數(shù)值和估計(jì)分割的偏差，而且可對(duì)高維度數(shù)據(jù)進(jìn)行處理，但性能一般，經(jīng)試驗(yàn)，在結(jié)合多種環(huán)境因子對(duì)CPUE進(jìn)行相關(guān)預(yù)報(bào)時(shí)，預(yù)報(bào)誤差偏大。對(duì)于BP網(wǎng)絡(luò)[14]，往往通過增加隱含層數(shù)并反復(fù)調(diào)整神經(jīng)元之間權(quán)值達(dá)到預(yù)報(bào)目的，但其結(jié)構(gòu)選擇缺乏統(tǒng)一的理論指導(dǎo)，只能憑借經(jīng)驗(yàn)，且不含有記憶單元，不能有效保留隱含層權(quán)重與目標(biāo)因子的擬合度。而LSTM神經(jīng)網(wǎng)絡(luò)[29]，增加了輸入門、輸出門和遺忘門，新增的記憶單元能夠更好地適應(yīng)數(shù)據(jù)的變化，從而為梯度消失問題提供一個(gè)有效處理辦法，預(yù)報(bào)誤差相對(duì)減小，但相比于Bi-LSTM神經(jīng)網(wǎng)絡(luò)，其對(duì)過去、將來信息進(jìn)行有效整合的能力有所欠缺，因而存在較大預(yù)報(bào)誤差。

本研究將EMD機(jī)制和雙向長短時(shí)記憶網(wǎng)絡(luò)進(jìn)行有效結(jié)合，探索并構(gòu)建的EMD-BiLSTM漁場預(yù)報(bào)新模型，引入了一種信號(hào)處理新方法即經(jīng)驗(yàn)?zāi)B(tài)分解機(jī)制(EMD)，該機(jī)制依據(jù)數(shù)據(jù)不同特征尺度，提取本征模態(tài)函數(shù)IMF，從原始信號(hào)中分解得出高頻分量，再逐步得出低頻分量，最后獲得一個(gè)變化緩慢的趨勢信號(hào)Res，使各分量波動(dòng)性比原始CPUE信號(hào)有所降低，平穩(wěn)性有所提高。該模型在對(duì)原始序列做EMD分解、獲取IMF分量之后，會(huì)跳過原始CPUE序列直接為平穩(wěn)性較好的各分解分量分別進(jìn)行Bi-LSTM預(yù)報(bào)，在簡化了預(yù)報(bào)難度的同時(shí)，又提供了多個(gè)Bi-LSTM神經(jīng)網(wǎng)絡(luò)，使得記憶功能較強(qiáng)的該網(wǎng)絡(luò)進(jìn)一步發(fā)揮出數(shù)據(jù)處理優(yōu)勢，最后對(duì)各序列進(jìn)行重構(gòu)并獲得最終預(yù)報(bào)結(jié)果。

結(jié)果顯示，在CPUE值的預(yù)報(bào)可視化圖形中，結(jié)合了EMD機(jī)制之后的新模型，相比于其他所涉及對(duì)比模型，圖中兩曲線更為接近，預(yù)報(bào)值與實(shí)際值相對(duì)吻合，可見新模型預(yù)報(bào)效果更好。同時(shí)，依據(jù)相關(guān)文獻(xiàn)[28]，該試驗(yàn)也采用了絕對(duì)誤差XMAE和均方根誤差XRMSE兩種評(píng)判方式進(jìn)行結(jié)果對(duì)比與評(píng)價(jià)。其中，絕對(duì)誤差越小則代表預(yù)報(bào)越準(zhǔn)確，均方根誤差越小則代表預(yù)報(bào)模型越穩(wěn)定。根據(jù)試驗(yàn)結(jié)果，在所用模型中，EMD-BiLSTM模型預(yù)報(bào)誤差最小，其中MAE、RMSE分別是0.033和0.056，相比于隨機(jī)森林模型分別降低0.284、0.476，相比于LSTM模型分別降低0.035、0.096，而相比于BP模型分別降低0.048、0.208，相比于Bi-LSTM模型也分別降低了0.018、0.053?？梢娦履Ｐ驮跍?zhǔn)確性和穩(wěn)定性方面預(yù)報(bào)性能更好，并且具有很好的適用性。另外，該模型中各路Bi-LSTM其含有的記憶功能又能有效保留隱含層權(quán)重與目標(biāo)因子的擬合度，使模型的整體預(yù)報(bào)效果得到極大提升。

3.2 其他影響因素

在試驗(yàn)中運(yùn)用EMD機(jī)制可減少CPUE原始序列本身特征造成的影響。為更全面模擬環(huán)境提升預(yù)報(bào)效果，該試驗(yàn)利用海洋表層和海平面以下的環(huán)境數(shù)據(jù)，共同輔助模型訓(xùn)練與預(yù)報(bào)，做到水面水下數(shù)據(jù)有效結(jié)合，從立體層面協(xié)助新模型做大眼金槍魚的預(yù)報(bào)研究，提升了預(yù)報(bào)結(jié)果。經(jīng)過相關(guān)性分析，在該海域所列環(huán)境因子中，葉綠素a質(zhì)量濃度和溫度均與CPUE值具有較大相關(guān)性。這是因?yàn)?，金槍魚的分布主要受海洋環(huán)境和餌料生物影響，海洋環(huán)境主要包括水溫、溫躍層和溶氧等[31-32]。其中，餌料生物也會(huì)隨著棲息環(huán)境的改變游至適宜的棲息位置，進(jìn)一步影響大眼金槍魚的分布。大眼金槍魚的具體棲息水深目前尚無統(tǒng)一定論，有相關(guān)研究表明，對(duì)CPUE影響密切的深度值在250 m[32]，但日本學(xué)者調(diào)查的結(jié)果表明，大西洋大眼金槍魚延繩釣CPUE最高值在300 m水層以下[33]；也有研究表明，在大西洋，超過300 m水層的深水延繩釣 (400 m)，大眼金槍魚CPUE依然很高[34]。將來可考慮針對(duì)大眼金槍魚適宜棲息深度做深入研究。由于大眼金槍魚是洄游性海洋魚類，影響其漁場分布的因素可能不止這些，比如風(fēng)向風(fēng)速、溶氧量、海流等環(huán)境因子[30]。接下來將搜集更多的影響因子投入試驗(yàn)進(jìn)行綜合分析，希望能進(jìn)一步提升試驗(yàn)效果。

4 結(jié)論

構(gòu)建了基于EMD-BiLSTM的大眼金槍魚漁場預(yù)報(bào)新模型，與傳統(tǒng)方法相比，該模型可有效降低CPUE原始序列的波動(dòng)性與無規(guī)律性對(duì)預(yù)報(bào)的不良影響，簡化原始序列，繼而簡化了Bi-LSTM對(duì)大眼金槍魚CPUE的預(yù)報(bào)復(fù)雜性，減小預(yù)報(bào)誤差。這在一定程度上彌補(bǔ)了傳統(tǒng)模型的不足，為大眼金槍魚漁場預(yù)報(bào)工作提供了一種新思路。后期仍考慮整理更多的海洋環(huán)境因子，并對(duì)模型本身做進(jìn)一步完善，提高模型在漁場預(yù)報(bào)方面的效果。另外，該研究主要是根據(jù)CPUE與環(huán)境因子這類空間特征數(shù)據(jù)進(jìn)行分析，對(duì)時(shí)間關(guān)聯(lián)性方面考量不足，因此，后期準(zhǔn)備將每一年中各季度下的漁場CPUE添加到影響因子中，結(jié)合時(shí)間、空間，共同完成模型的訓(xùn)練與預(yù)報(bào)工作。同時(shí)，CPUE作為捕撈效率的一個(gè)結(jié)果，其高低除與漁場環(huán)境參數(shù)有關(guān)外，還與漁撈水平與能力可能也有一定關(guān)系，下一步將針對(duì)該點(diǎn)努力獲取多方面數(shù)據(jù)投入到模型試驗(yàn)與研究工作，進(jìn)一步完善模型的預(yù)報(bào)性能。

□