基于GRA-RBF的赤潮影響因素分析與預(yù)測方法

李志剛　袁蕾

摘要：針對赤潮災(zāi)害受多種影響因素綜合作用的問題，采用灰度關(guān)聯(lián)算法對所有影響因素進(jìn)行關(guān)聯(lián)分析。選取關(guān)聯(lián)性強(qiáng)的50%因素作為徑向基神經(jīng)網(wǎng)絡(luò)的輸入，用葉綠素a作為輸出，來執(zhí)行赤潮預(yù)測任務(wù)。實驗結(jié)果表明，該模型具有良好的赤潮預(yù)測能力。

關(guān)鍵詞：赤潮;影響因素分析;預(yù)測;灰度關(guān)聯(lián)分析; 徑向基神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP391? ? ? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2021）06-0004-02

Abstract： Aiming at the problem that red tide disaster is affected by multiple factors， the gray relation analysis algorithm is used to analyze the correlation of all influence factors. Furthermore， 50% factors with strong correlation are selected as the input of radial basis neural networks， and chlorophyll a is used as the output to perform the red tide prediction task. The experimental results show that the proposed model has good red tide prediction ability.

Key words： red tide; influence factors analysis; prediction; grey relation analysis; radial basis function network

1 引言

赤潮的暴發(fā)會破壞海洋生態(tài)平衡，阻礙海洋漁業(yè)和養(yǎng)殖業(yè)的發(fā)展，給海洋環(huán)境，人體健康和社會經(jīng)濟(jì)發(fā)展帶來危害[1-2]。赤潮的發(fā)生是多種海洋因素綜合作用的結(jié)果[3]。這些因素使得赤潮具有季節(jié)性、空間異質(zhì)性和復(fù)雜非線性等特點，給赤潮預(yù)防工作帶來了巨大的挑戰(zhàn)。因此，對海洋數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析，進(jìn)而提取并預(yù)測影響赤潮發(fā)生的主要因素對預(yù)防赤潮、保護(hù)海洋環(huán)境具有重要意義。傳統(tǒng)的經(jīng)驗預(yù)測和數(shù)理統(tǒng)計方法難以解析多因素、不規(guī)則、不穩(wěn)定的海洋數(shù)據(jù)，致使赤潮影響因素特征分析不全面，容易出現(xiàn)誤差，不利于后期的數(shù)據(jù)挖掘與融合。灰度關(guān)聯(lián)算法（Grey Relation Analysis， GRA） 彌補(bǔ)了上述方法的缺陷，是一種可以有效處理不精確不完整數(shù)據(jù)的相關(guān)分析方法[4]。此外，人工智能技術(shù)的發(fā)展使研究人員開始將基于數(shù)據(jù)驅(qū)動的神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于赤潮預(yù)測研究中[5]。徑向基函數(shù)（Radial Basis Function， RBF）神經(jīng)網(wǎng)絡(luò)由于其高度的非線性映射能力、較快的收斂速度和強(qiáng)大的噪聲修復(fù)能力，使其在時間序列預(yù)測中得到廣泛的關(guān)注[6]，可以用于解決多元赤潮影響因素預(yù)測問題。鑒于上述分析，本文充分結(jié)合GRA算法和RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，提出了一種GRA-RBF數(shù)據(jù)分析與預(yù)測框架，并應(yīng)用于海洋環(huán)境數(shù)據(jù)赤潮影響因素分析和預(yù)測中。實驗結(jié)果表明該框架可以充分分析海洋數(shù)據(jù)與赤潮之間的內(nèi)在聯(lián)系，實現(xiàn)多元赤潮影響因素預(yù)測功能。

2 多元赤潮影響因素預(yù)測模型

2.1 灰度關(guān)聯(lián)分析

2.2 RBF神經(jīng)網(wǎng)絡(luò)

徑向基（Radial Basis Function， RBF）神經(jīng)網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò)。它包括輸入層，隱藏層和輸出層，層與層之間為全連接模式。在海洋環(huán)境數(shù)據(jù)預(yù)測任務(wù)中，徑向基函數(shù)將每個輸入映射到高維對應(yīng)不同的感知域中，使低維不可分的數(shù)據(jù)轉(zhuǎn)變?yōu)楦呔S可分?jǐn)?shù)據(jù)，使RBF網(wǎng)絡(luò)可以逼近任意非線性函數(shù)，具有良好的泛化能力和較快的學(xué)習(xí)速度。一般地，常采用高斯核函數(shù)作為徑向基函數(shù)，輸出向量可以表示為：

其中w為隱層到輸出層的權(quán)值，P為隱層神經(jīng)元數(shù)量，?為高斯核函數(shù)。訓(xùn)練中，我們采用均方根誤差（Root Mean Square Error， RMSE）來衡量預(yù)測性能。

3 實驗

3.1 實驗數(shù)據(jù)

本實驗采用的數(shù)據(jù)為國內(nèi)某海域每隔半小時采集的海洋環(huán)境數(shù)據(jù)，涵蓋水文、氣象、營養(yǎng)鹽、水質(zhì)四種類型，包括有效波高、1/10波浪高度、1/10波浪周期、最大波浪高度、海浪方向、平均波浪周期、氣溫、氣壓、風(fēng)速、雨量、最大風(fēng)速、風(fēng)向、相對濕度、亞硝酸鹽、磷酸鹽、硝酸鹽、氨氮、鹽度、電導(dǎo)率、溶解氧、葉綠素a、濁度、藍(lán)綠藻、總?cè)芙庑怨腆w、溶解氧飽和度、水溫、pH，標(biāo)號分別為1至27。選取與赤潮關(guān)聯(lián)度高的前50%的影響因素作為RBF的輸入，葉綠素a作為模型的輸出。將數(shù)據(jù)的60%用于模型訓(xùn)練，40%用于模型測試。

3.2 實驗驗證

本文結(jié)合GRA算法和RBF神經(jīng)網(wǎng)絡(luò)，建立了GRA-RBF數(shù)據(jù)分析與預(yù)測框架來執(zhí)行多元赤潮影響因素分析與預(yù)測任務(wù)。首先，采用GRA算法對不同類型的海洋數(shù)據(jù)進(jìn)行了關(guān)聯(lián)度評價。圖1給出了27種因素的標(biāo)號按關(guān)聯(lián)度降序排列。從圖中可以看出，不同的海洋環(huán)境因素對于赤潮的影響程度有明顯區(qū)別。因此，進(jìn)行關(guān)聯(lián)度評價是有意義的。從圖1可以看出，葉綠素a的關(guān)聯(lián)度最高，值為0.1034。而最大波浪高度則為影響最小的因素，關(guān)聯(lián)度值僅為0.0049。然后，按比例選取高關(guān)聯(lián)度赤潮影響因素用于預(yù)測赤潮，即葉綠素a，濁度，水溫，亞硝酸鹽，藍(lán)綠藻，氣溫，pH值，鹽度，氨氮，磷酸鹽，硝酸鹽，溶解氧，相對濕度。

圖2給出了RBF的測試結(jié)果。從圖中可以明顯地看出，真實值與預(yù)測值的變化趨勢大致相同，證明了模型的擬合度較高，可以用于赤潮的多因素預(yù)測。模型的預(yù)測誤差RMSE為0.1008。為進(jìn)一步說明模型性能，本文采用散點圖進(jìn)行驗證。圖中黑色線表示標(biāo)準(zhǔn)的葉綠素a真實值基準(zhǔn)線。灰色散點表示每個真實值在模型輸出中對應(yīng)的預(yù)測值。當(dāng)灰色線與黑色線越接近時，表明模型的性能越好。從圖3可以看出，大部分的預(yù)測值趨近于標(biāo)準(zhǔn)線，即RBF可以在較小的誤差下實現(xiàn)多因素赤潮預(yù)測。

4 結(jié)論

本文基于灰度關(guān)聯(lián)算法和徑向基神經(jīng)網(wǎng)絡(luò)提出了一種GRA-RBF數(shù)據(jù)分析與預(yù)測框架用于分析和預(yù)測多元赤潮影響因素。通過灰度關(guān)聯(lián)算法提取影響赤潮程度高的因素，再用徑向基神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，該模型可以有效地處理赤潮數(shù)據(jù)，并對赤潮數(shù)據(jù)進(jìn)行準(zhǔn)確的預(yù)測。本文采用該模型對赤潮數(shù)據(jù)進(jìn)行了預(yù)測。實驗結(jié)果表明，該模型可以高效地用于多種影響因素分析，并對赤潮進(jìn)行預(yù)測。

參考文獻(xiàn)：

[1] 張曉冉，龐雨寧.海水赤潮的危害及防治對策[J].河北漁業(yè)，2017（4）： 59-60.

[2] Zohdi E， Abbaspour M. Harmful algal blooms （red tide）： a review of causes， impacts and approaches to monitoring and prediction[J]. International Journal of Environmental Science and Technology， 2019， 16（3）： 1789-1806.

[3] 齊慶華，蔡榕碩，顏秀花.氣候變化與我國海洋災(zāi)害風(fēng)險治理探討[J].海洋通報，2019（4）.

[4] Cornejo-Bueno L， Nieto-Borge J C， García-Díaz P， et al. Significant wave height and energy flux prediction for marine energy applications： A grouping genetic algorithm-extreme learning machine approach[J]. Renewable Energy， 2016， 97：380-389.

[5] 李海濤，劉泰麟，邵澤東，黃海廣.基于決策樹與二分分割算法的BP神經(jīng)網(wǎng)絡(luò)在赤潮等級預(yù)測中的應(yīng)用研究[J].海洋科學(xué)，2019，43（9）：34-40.

[6] 曹嘉杰， 楊猛， 徐新宇. 基于RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘方法探究[J].電腦知識與技術(shù)，2016，12（7）：151-153.

【通聯(lián)編輯：王力】