基于双隐层ANN模型的叶绿素a浓度智能预报方法

作者：何恩业1  杨静1  李尚鲁2  高姗1

单位：1. 国家海洋环境预报中心 自然资源部海洋灾害预报技术重点实验室, 北京 100081; 2. 浙江省海洋监测预报中心, 浙江 杭州 310007

关键词：神经网络 智能预报 深层学习 叶绿素a 数据预处理

分类号：X55

出版年·卷·期（页码）：2021·38·第一期（43-53）

摘要：

利用2019年5月WZ02生态浮标监测数据，建立了两种不同隐层人工神经网络（ANN）模型的叶绿素a （Chl-a）智能预报方法，并对单隐层和双隐层模型的预测结果做了对比。结果表明：双隐层结构预测结果精度更高，泛化能力更强，一定程度上说明了深层学习比浅层学习对信息的主要特征提取能力更有优势。同时，对数据样本集合进行了系统预处理。结果显示： Chl-a浓度与溶解氧、pH、浊度和氨氮都有显著的相关性，与表层温度、盐度、亚硝氮和磷酸盐在限定时间段内的相关性不大。通过对模型预测结果的对比验证，发现数据预处理对数据质量的改进、数据挖掘执行效率和执行效果（预测结果）都起到明显的正向作用。

Using the monitoring data of ecological buoy WZ02 in May 2019, two intelligent prediction methods for Chlorophyll are established based on the artificial neural network (ANN), and the prediction results of the single hidden layer model and double hidden layer model are compared. It is found that the result of the double hidden layer model is more accurate with higher generalization capability, which indicates the advantages of deep learning in extracting key characteristics compared to shallow learning. The results of data preprocessing reveals that the concentration of Chlorophyll a has significant correlation with dissolved oxygen, pH, turbidity and ammonia-nitrogen, while it shows no significant correlation with surface temperature, salinity, nitrous nitrogen and phosphate. Meanwhile, the data preprocessing plays a positive role in the improvement of data quality, data mining efficiency and prediction accuracy.

参考文献：

[1] 刘建萍, 张玉超, 钱新, 等. 太湖叶绿素a浓度预测模型初探[J]. 环境保护科学, 2009, 35(4):46-49. [2] 黄文超. 叶绿素a与环境因子关系的研究——以三明地区某水源地为例[J]. 环境保护科学, 2013, 39(4):57-60, 96. [3] 许云峰, 马春子, 霍守亮, 等. 以程海为例用支持向量机回归算法预测叶绿素a浓度[J]. 环境工程技术学报, 2012, 2(3):207-211. [4] 仝玉华, 周洪亮, 黄浙丰, 等. 一种自优化RBF神经网络的叶绿素a浓度时序预测模型[J]. 生态学报, 2011, 31(22):6788-6795. [5] 王玲玲, 戴会超, 蔡庆华. 香溪河水动力因子与叶绿素a分布的数值预测及相关性研究[J]. 应用基础与工程科学学报, 2009, 17(5):652-658. [6] 张颖, 李鹏, 邬益川. 基于模糊最近邻聚类学习算法的海水藻类繁殖状态预测研究[J]. 东南大学学报(自然科学版), 2011, 41(S1):32-35. [7] 余凯, 贾磊, 陈雨强, 等. 深度学习的昨天、今天和明天[J]. 计算机研究与发展, 2013, 50(9):1799-1804. [8] Hinton G E, Salakhutdinov R R. Reducing the dimensionality of data with neural networks[J]. Science, 2006, 313(5786):504-507. [9] 何恩业, 王丹, 黄莉, 等. 西太平洋副热带高压的变动对我国赤潮发生的影响分析[J]. 海洋预报, 2015, 32(4):83-89. [10] 何恩业, 李海, 任湘湘, 等. BP人工神经网络在渤海湾叶绿素预测中的应用[J]. 海洋预报, 2008, 25(2):1-10. [11] 陈祥光, 裴旭东. 人工神经网络技术及应用[M]. 北京:中国电力出版社, 2003:22-31. [12] 王嵘冰, 徐红艳, 李波, 等. BP神经网络隐含层节点数确定方法研究[J]. 计算机技术与发展, 2018, 28(4):31-35.

服务与反馈：

【文章下载】【发表评论】【查看评论】【加入收藏】