基于雙隱層ANN模型的葉綠素a濃度智能預報方法

作者：何恩業(yè)1  楊靜1  李尚魯2  高姍1

單位：1. 國家海洋環(huán)境預報中心 自然資源部海洋災害預報技術重點實驗室, 北京 100081; 2. 浙江省海洋監(jiān)測預報中心, 浙江 杭州 310007

關鍵詞：神經網(wǎng)絡 智能預報 深層學習 葉綠素a 數(shù)據(jù)預處理

分類號：X55

出版年·卷·期（頁碼）：2021·38·第一期（43-53）

摘要：

利用2019年5月WZ02生態(tài)浮標監(jiān)測數(shù)據(jù)，建立了兩種不同隱層人工神經網(wǎng)絡（ANN）模型的葉綠素a （Chl-a）智能預報方法，并對單隱層和雙隱層模型的預測結果做了對比。結果表明：雙隱層結構預測結果精度更高，泛化能力更強，一定程度上說明了深層學習比淺層學習對信息的主要特征提取能力更有優(yōu)勢。同時，對數(shù)據(jù)樣本集合進行了系統(tǒng)預處理。結果顯示： Chl-a濃度與溶解氧、pH、濁度和氨氮都有顯著的相關性，與表層溫度、鹽度、亞硝氮和磷酸鹽在限定時間段內的相關性不大。通過對模型預測結果的對比驗證，發(fā)現(xiàn)數(shù)據(jù)預處理對數(shù)據(jù)質量的改進、數(shù)據(jù)挖掘執(zhí)行效率和執(zhí)行效果（預測結果）都起到明顯的正向作用。

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.

參考文獻：

[1] 劉建萍, 張玉超, 錢新, 等. 太湖葉綠素a濃度預測模型初探[J]. 環(huán)境保護科學, 2009, 35(4):46-49. [2] 黃文超. 葉綠素a與環(huán)境因子關系的研究——以三明地區(qū)某水源地為例[J]. 環(huán)境保護科學, 2013, 39(4):57-60, 96. [3] 許云峰, 馬春子, 霍守亮, 等. 以程海為例用支持向量機回歸算法預測葉綠素a濃度[J]. 環(huán)境工程技術學報, 2012, 2(3):207-211. [4] 仝玉華, 周洪亮, 黃浙豐, 等. 一種自優(yōu)化RBF神經網(wǎng)絡的葉綠素a濃度時序預測模型[J]. 生態(tài)學報, 2011, 31(22):6788-6795. [5] 王玲玲, 戴會超, 蔡慶華. 香溪河水動力因子與葉綠素a分布的數(shù)值預測及相關性研究[J]. 應用基礎與工程科學學報, 2009, 17(5):652-658. [6] 張穎, 李鵬, 鄔益川. 基于模糊最近鄰聚類學習算法的海水藻類繁殖狀態(tài)預測研究[J]. 東南大學學報(自然科學版), 2011, 41(S1):32-35. [7] 余凱, 賈磊, 陳雨強, 等. 深度學習的昨天、今天和明天[J]. 計算機研究與發(fā)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] 何恩業(yè), 王丹, 黃莉, 等. 西太平洋副熱帶高壓的變動對我國赤潮發(fā)生的影響分析[J]. 海洋預報, 2015, 32(4):83-89. [10] 何恩業(yè), 李海, 任湘湘, 等. BP人工神經網(wǎng)絡在渤海灣葉綠素預測中的應用[J]. 海洋預報, 2008, 25(2):1-10. [11] 陳祥光, 裴旭東. 人工神經網(wǎng)絡技術及應用[M]. 北京:中國電力出版社, 2003:22-31. [12] 王嶸冰, 徐紅艷, 李波, 等. BP神經網(wǎng)絡隱含層節(jié)點數(shù)確定方法研究[J]. 計算機技術與發(fā)展, 2018, 28(4):31-35.

服務與反饋：

【文章下載】【發(fā)表評論】【查看評論】【加入收藏】