一种基于动态建模的渔场渔情预测方法与流程

本发明涉及渔情预测技术领域，尤其是涉及一种基于动态建模的渔场渔情预测方法。

背景技术：

我国渔场已濒临绝境，渔场振兴工程的实施势在必行，而且刻不容缓。为了实现这一目标，就必须全面、深入了解岛群海域重要生物资源及其生存的生态环境信息，集成现有的海洋生态环境监测技术和监测手段，构建海洋渔情预测模型并开发有效的渔情预报系统，为恢复我国渔业资源、实行渔业资源科学管理以及渔业可持续发展提供可能。目前已有中国专利公开号为cn107766974a的一种融合多种数据的海洋渔情预测方法，采用统计的方法进行预测，在假设条件的基础上对渔情进行预测，预测不准确。

渔情预报是对未来一定时期和一定水域内水产资源状况各要素进行预报。准确的渔情预报不仅为渔业主管部门和生产单位如何进行鱼汛生产管理等提供必要的科学依据，同时还大大提高渔业的生产效率，降低生产成本。它还能为海洋渔业资源实行科学管理提供可能，不但渔业管理部门可以将预报结果作为制订渔业政策的参考信息，渔业生产企业也可以根据这些预报信息合理安排捕捞努力量，适应负责任捕捞和渔业可持续发展的要求。随着我国远洋渔业的不断发展，努力构建精确的渔情预报模型和开发渔情预报系统，并不断提高渔情预报的准确性和鲁棒性具有重大的意义。

技术实现要素：

本发明解决了现有技术中渔情预测不准确的问题，提出一种基于动态建模的渔场渔情预测方法，对渔场数据进行动态建模，根据数据的随机性和系统的非线性，动态建模能自适应地调配模型参数，因而能更客观、更准确地实现精确渔场渔情预测的目的。

为实现上述目的，本发明提供以下的技术方案：

一种基于动态建模的渔场渔情预测方法，包括以下步骤：

s1，对预测渔场进行长期性侦查，获得渔情观测数据和渔场环境数据；

s2，对渔情观测数据和渔场环境数据进行动态建模，建立模型方程；

s3，根据渔场环境的变化的，取舍渔场环境数据求解模型方程，获取渔情预测数据。

对预测渔场进行长期性侦查，记录每天获得渔情观测数据和渔场环境数据，由于渔场环境是实时变化的，因此每天获得的渔情观测数据和渔场环境数据也是每天变化，当记录数据量足够时，可以利用数据建立模型方程，此时模型方程代表渔场环境与渔情的关系，而渔场环境又是实时变化的，可以根据变化后的渔场环境数据，通过取舍渔场环境数据求解模型方程，得出渔情预测数据，此过程数据的随机性和非线性，同时新记录的渔情观测数据和渔场环境数据将加入到模型之中，时间越长，所记录的数据越多，而且记录的数据都是实际获取的，整个模型将随时间的推移而更加完善，同时解出的渔情预测数据也更加准确。

作为优选，所述渔情观测数据包括经济鱼类的种类、质量和分布密度。

作为优选，采用随机抽样和试捕侦查相结合的方式获得渔情观测数据，所述随机抽样为渔场试捕位置随机抽取，所述试捕侦查捕捞获得的鱼在记录完数据后放回渔场。采用随机抽样可以保证数据的随机性，使渔情预测更加准确，捕获的鱼放回渔场是为了避免人为因素影响预测的精度。

作为优选，所述对渔情观测数据和渔场环境数据进行动态建模，建立模型方程，其过程包括：

s201：以时间为坐标轴，将渔情观测数据和渔场环境数据映射到坐标轴上构成了一系列的时间序列变量；

s202：用曲线连接时间序列变量，获得渔情变化曲线和渔场环境变化曲线；

s203：拟合渔情变化曲线和渔场环境变化曲线，获得渔情随环境变化曲线；

s204：根据渔情随环境变化曲线建立模型方程。

作为优选，所述渔场环境数据包括海洋水文气象参数、水质生物状态参数和物理化学参数。

作为优选，所述海洋水文气象参数包括温度、湿度、风速风向、水流速流向;

所述水质生物状态参数包括ph值、叶绿素a含量、盐度、溶剂氧;

所述物理化学参数包括各种重金属、营养盐和放射性，营养盐包括磷酸盐、硝酸盐、亚硝酸盐。

作为优选，所述渔情预测数据包括中心渔场位置、渔期、鱼群数量、种类和质量。

作为优选，渔期包括渔汛始末和旺汛时间。

本发明有以下有益效果：采用随机抽样可以保证数据的随机性，使渔情预测更加准确，捕获的鱼放回渔场是为了避免人为因素影响预测的精度；新记录的渔情观测数据和渔场环境数据将加入到模型之中，时间越长，所记录的数据越多，而且记录的数据都是实际获取的，整个模型将随时间的推移而更加完善，同时解出的渔情预测数据也更加准确。

附图说明

图1是实施例的流程图。

具体实施方式

实施例：

本实施例提出一种基于动态建模的渔场渔情预测方法，参考图1，包括以下步骤：

s1，对预测渔场进行长期性侦查，获得渔情观测数据和渔场环境数据，渔情观测数据包括经济鱼类的种类、质量和分布密度。渔场环境数据包括海洋水文气象参数、水质生物状态参数和物理化学参数。其中海洋水文气象参数包括温度、湿度、风速风向、水流速流向;水质生物状态参数包括ph值、叶绿素a含量、盐度、溶剂氧;物理化学参数包括各种重金属、营养盐和放射性，营养盐包括磷酸盐、硝酸盐、亚硝酸盐。

s2，对渔情观测数据和渔场环境数据进行动态建模，建立模型方程，其过程包括：

s201：以时间为坐标轴，将渔情观测数据和渔场环境数据映射到坐标轴上构成了一系列的时间序列变量；

s202：用曲线连接时间序列变量，获得渔情变化曲线和渔场环境变化曲线；

s203：拟合渔情变化曲线和渔场环境变化曲线，获得渔情随环境变化曲线；

s204：根据渔情随环境变化曲线建立模型方程。

s3，根据渔场环境的变化的，取舍渔场环境数据求解模型方程，获取渔情预测数据。

对预测渔场进行长期性侦查，记录每天获得渔情观测数据和渔场环境数据，由于渔场环境是实时变化的，因此每天获得的渔情观测数据和渔场环境数据也是每天变化，当记录数据量足够时，可以利用数据建立模型方程，此时模型方程代表渔场环境与渔情的关系，而渔场环境又是实时变化的，可以根据变化后的渔场环境数据，通过取舍渔场环境数据求解模型方程，得出渔情预测数据，此过程数据的随机性和非线性，同时新记录的渔情观测数据和渔场环境数据将加入到模型之中，时间越长，所记录的数据越多，而且记录的数据都是实际获取的，整个模型将随时间的推移而更加完善，同时解出的渔情预测数据也更加准确。

采用随机抽样和试捕侦查相结合的方式获得渔情观测数据，随机抽样为渔场试捕位置随机抽取，试捕侦查捕捞获得的鱼在记录完数据后放回渔场。采用随机抽样可以保证数据的随机性，使渔情预测更加准确，捕获的鱼放回渔场是为了避免人为因素影响预测的精度。

渔情预测数据包括中心渔场位置、渔期、鱼群数量、种类和质量，渔期包括渔汛始末和旺汛时间。

本发明有以下优势：采用随机抽样可以保证数据的随机性，使渔情预测更加准确，捕获的鱼放回渔场是为了避免人为因素影响预测的精度；新记录的渔情观测数据和渔场环境数据将加入到模型之中，时间越长，所记录的数据越多，而且记录的数据都是实际获取的，整个模型将随时间的推移而更加完善，同时解出的渔情预测数据也更加准确。