[发明专利]一种西北太平洋秋刀鱼资源补充量预测方法及应用

摘要

本发明涉及一种西北太平洋秋刀鱼资源补充量预测方法，包括以下步骤：(1)计算获得1-12月各月份的Trans-Nino指数(TNI)；(2)计算获得1月份黑潮海域28°-35°N、128°-145°E范围的海表面温度(SST黑潮)；(3)计算获得6月亲潮40°-45°N、140°-160°E范围的海表面温度(SST亲潮)；(4)利用BP神经网络构建结构为14-10-1的神经网络预测模型；(5)将1-12月各月份的Trans-Nino指数(TNI)、SST黑潮、SST亲潮等14个影响因素输入，进行西北太平洋秋刀鱼资源补充量预测。本神经网络14-10-1的预测模型可以解释西北太平洋秋刀鱼资源丰度变化的90％以上。西北太平洋秋刀鱼资源补充量的预报结果及时提供给用户及相关部门，供渔业生产与安排的科学参考，今后可作为一种产品进行实时发布。

主权项

一种西北太平洋秋刀鱼资源补充量预测方法，其特征在于，包括以下步骤：(1)统计1989‑2012年西北太平洋秋刀鱼全年生产渔船的CPUE数据；(2)统计1989‑2012年1‑12月各月的Trans‑Nino指数(TNI)；(3)统计1989‑2012年1月黑潮28°‑35°N，128°‑145°E范围的海表面温度(SST黑潮)，SST黑潮按所在区域计算月平均值；(4)统计1989‑2012年6月亲潮40°‑45°N，140°‑160°E范围的海表面温度(SST亲潮)，SST黑潮按所在区域计算月平均值；(5)应用DPS数据处理系统进行BP神经网络预测的计算，BP神经网络由输入层、隐含层和输出层组成。输入层为各海洋环境因子{(2)、(3)、(4)}的组合，隐含层为1层，一般设为输入层节点数的75％构建，输出层为1个节点，即CPUE值。确定多种模拟方案，以最小拟合残差作为判断最优模型的标准，拟合残差是将输出层所输出的CPUE预报值与实测值进行比较所得的值；(6)通过比较，网络结构为14‑10‑1的BP神经网络模型相对误差仅为0.000681，可作为西北太平洋秋刀鱼资源补充量预测模型；(7)将所得到14个影响因素(1‑12月各月的Trans‑Nino指数，SST黑潮，SST亲潮)输入进行西北太平洋秋刀鱼资源补充量预测。