基于串聯深度神經網絡的Chl-a濃度短期預報方法研究

何恩業，李尚魯，楊靜，季軒梁，高姍，王丹

（1.國家海洋環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.浙江省海洋監測預報中心，浙江杭州 310007）

1 引言

葉綠素a（Chl-a）作為一個生物量指標可以表征水體初級生產力狀況，研究Chl-a的變化趨勢對赤潮早期預警和海水富營養化潛勢研究具有重要意義[1]。眾多學者針對Chl-a含量的預報和研究開展了大量工作。預報方法有很多種，大體可以歸納為4類：（1）單要素指標預測法。如郭文景等[2]利用有滯后變量參與的格蘭杰因果關系檢驗和向量自回歸模型，分析了太湖水質參數對浮游植物生物量的影響；阮華杰等[3]對赤潮發生前后生態浮標各監測要素的變化進行分析，認為可以通過監測要素指標進行藻華預測。（2）傳統統計學預測法。如金衍健等[4]利用舟山近岸水質監測數據建立了Chl-a多元線性回歸方程；林祥[5]利用主成分線性回歸分析方法建立了詔安灣Chl-a統計方程。（3）數值模擬方法。如楊德周等[6]基于POM（Princeton Ocean Model）模型模擬長江口Chl-a分布狀況；崔玉潔[7]利用CE-QUAL-W2模型對三峽庫區藻類水華生消過程進行模擬。（4）人工智能預測法。如張娣等[8]建立了自回歸滑動平均-反向傳播（AutoRegressive Moving Average-Back Propagation，ARMA-BP）模型對太湖藻類Chl-a濃度進行預測；石綏祥等[9]根據海洋各要素與Chl-a濃度之間的長短期依賴程度構建了長短期記憶網絡（Long Short Term Memory network，LSTM）預測模型，預測精度大幅提高。

由于Chl-a變化成因復雜，其與環境因子之間模糊和不確定性的高度非線性關系，造成傳統統計方法預測效果較差，而數值模擬對具體站點Chl-a含量預測的精確度不高，難以應用于預報實踐。隨著計算機技術的飛速發展，神經網絡模型的智能預報方法逐漸體現出獨特的優勢。神經網絡是一種對人腦結構和功能進行模擬的數學模型，它是由大量且互相連接的處理單元組成的復雜系統，具有分布式存儲和處理以及自組織自學習的能力，特別適合處理因素眾多、機制不明晰和信息缺失的復雜問題[10]。神經網絡誕生至今主要經歷了感知器、淺層學習和深度學習3個階段。Taylor等[11]研究發現大腦具有逐層處理信息的能力；人工智能之父Hinton等[12]提出具有多層次的深度神經網絡（Deep Neural Networks，DNN）更易從低層信息提取高層語義特征。但是由于DNN參數眾多，造成模型運算效率較低，甚至難以收斂于全局最優，陳旭偉等[13]提出了一種串聯BP神經網絡結構，不但可以減少模型參數，實現對多個非線性函數的擬合，還可以實現特征信息逐級提取和傳遞，在實驗中取得了較大成功。Sutskever等[14]針對DNN容易陷入局部最小的缺陷提出了優化調整方案。這些研究成果極大地促進了深度學習的長足發展。近幾年來，基于深度學習智能模型，如卷積神經網絡（Convolutional Neural Network，CNN）、循環神經網絡（Recurrent Neural Network，RNN）和DNN的各種研究應用已逐漸成為最熱門的課題。但是當前針對Chl-a濃度預報的智能模型大都以淺層學習為主，鮮有將深度學習應用于預報研究之中。本文以浙江海洋保護區生態浮標監測數據為依據，建立了一種串聯式DNN的Chl-a短期預報模型，并針對預報結果進行了檢驗。

2 數據來源和研究方法

2.1 數據來源

本文采用2019年5月浙江省海洋保護區3個生態浮標NB03、TZ01和WZ02的連續監測資料作為樣本數據進行建模分析（見圖1）。浮標監測數據主要由浙江省近岸海域浮標實時監測系統省級數字化監控平臺提供。海上浮標系統由浮體、標架、供電設備、防護設備、錨系、傳感器和數據采集傳輸等部分組成。浮體上加載的水質多參數傳感器（置于水面以下0.5～0.8 m處）可獲取間隔1 h的水溫、鹽度、pH、溶解氧及其飽和度、Chl-a濃度、濁度和電導率等常規水質參數數據，以及間隔4 h的氨氮、硝酸鹽氮、亞硝酸鹽氮和磷酸鹽等數據。海上浮標系統每月1次例行維護，不定期開展應急維護，保證浮標系統運行穩定性，定期開展人工采樣比對監測，確保監測數據質量。

圖1 2019年5月浙江沿海生態浮標位置（）和赤潮發生時間及中心位置（）

2.2 基于DNN的Chl-a短期預報模型構建方法

DNN是具有多個隱層的神經網絡，層與層之間采用全連接的結構，隱層中的任一神經元與前后層任一神經元相連。DNN具有優異的特征學習能力，對復雜函數的逼近能力極強，具有能夠從少量樣本集合中挖掘高階本質特征的優勢[12]。在DNN架構研究方面，Wang等[15]基于兩階段深度學習的綜合推薦框架，利用潛因子向量作為深度學習推薦模型的輸入，不僅捕捉到高階交互特征，而且減輕了隱層的負擔，避免了模型訓練陷入局部最優。結果表明串聯結構的DNN在預測精度、參數空間和訓練速度等方面都體現出更好的性能。本文采用5層神經網絡為基本單元，以串聯方式構建了24 h和48 h的Chl-a濃度預報模型。

“你怎么能干這樣的事？”關小美哭著責備郭啟明。郭啟明說：“還不是被你爸爸逼的？我真的是不知道怎么辦才好才會這樣……那些錢我一分也沒敢拿。”關小美說：“趕快去自首吧……”郭啟明搖頭：“搶銀行是重罪，我還捅了人，弄不好要被判死刑。我先回老家看看老人再說……”“要走我們一起走，我要陪著你。”糊涂的關小美在驚慌中也跟著郭啟明踏上了逃亡之路。兩人從后門匆匆逃出，來到長途汽車站，準備逃往西安。路上，關小美還接到關云飛的電話，問她交了房款沒有。關小美哭著說：“爸爸，闖大禍了，郭啟明搶銀行了……”說完，她就關了手機。

2.2.1 子神經網絡

損失函數的值即為網絡模型誤差，若其值達不到目標值ε（期望損失），則進行誤差反饋，對網絡耦合權值按照損失函數負梯度方向從輸出層至輸入層進行全局調整，調整量為：

圖2 具有5層結構的DNN

其一階導數函數為：f'(x)=f(x)?(1-f(x))。設wij為任意兩個神經元之間的耦合權值，g為神經元的輸入，h為神經元的輸出，則有：

輸入層按照實驗方案設置輸入節點數（變量x或者變量x與干擾變量的組合），3個隱層均配置10個神經元節點，輸出層為預測變量y，模型損失函數目標值為3×10-4，4套測試實驗方案為：

平房第十棟附近，有一間廁所。生活區最大的廁所，你應該還記得那間廁所。和廁所相連，有一間小房子大約五平米，清潔工放桶子，掃把用的工具房。

2.2.2 模型損失函數和參數的優化調整方案

48 h預報方案：在24 h預報因子基礎上加入T24h時刻Chl-a預報值作為48 h預報因子，對T48h時刻的Chl-a濃度進行預測。

設DNN模型期望輸出為T=(t1,t2,…,tm)T，共有α個仿真訓練樣本，第p個樣本輸入模型后的輸出方差為，α個樣本輸入模型后的輸出總方差為，定義模型損失函數為：

具有5層結構的子神經網絡模型包含1個輸入層、3個隱層和1個輸出層（見圖2）。輸入層有n0個變量輸入節點，隱層分別有n1、n2和n3個神經元節點，輸出層有m個神經元節點。前后層節點之間通過耦合權值矩陣進行全連接，上一層神經元的輸出作為下一層神經元的輸入，神經元采用單極性Sigmoid激活函數處理信息，在輸出層采用線性方式輸出預測變量。Sigmoid激活函數為：

式中，η為學習率，大取值可以加快學習速度，但易導致wij調整量過大造成模型震蕩難以收斂，小取值會導致模型運算時間加長，效率變差。本文對算法進行了優化，采用可變學習率，網絡每迭代100次η乘以系數0.98，且設置η最小值為0.01以保證學習速度，優化后的網絡模型可以在初期采用較大的學習率加快收斂速度，在后期以較小的學習率解決參數調整過大產生的模型震蕩難題。此外，為了進一步提高模型運算效率和穩定性，本研究引入可變動量項mcΔw，其作用在于記憶上一次wij的調整方向，mc為動量系數，若本次調整與上次調整方向一致，增大為1.1×mc，加快收斂速度；若調整方向相反網絡產生了震蕩，則減小為0.9×mc，起到平滑作用。設n為迭代次數（調整次數），經過優化后各層之間的耦合權值調整公式可表達為：

2.2.3 Chl-a短期預報模型結構和參數設置

本文采用前后串聯的方式將兩個5層結構的神經網絡進行橋接建立了一個DNN（見圖3），該網絡擁有1個前端輸入層、1個中間橋接層、6個隱含層和1個終端輸出層。該模型將24 h預報日期前2 d的生態浮標Chl-a敏感性理化因子作為自變量進行信息輸入，前一個子神經網絡輸出未來24 h Chl-a濃度預報結果，并將該結果作為后一個子神經網絡的輸入參與運算，模型終端輸出未來48 h Chl-a濃度預報量結果。

Cite this article as:HAN Xue-Ying, WANG Ya-Nan, DOU De-Qiang. Regulatory effects of Poria on substance and energy metabolism in cold-deficiency syndrome compared with heat-deficiency syndrome in rats [J]. Chin J Nat Med, 2018, 16(12): 936-945.

圖3 基于串聯DNN的Chl-a短期預報模型結構設計

模型設置所有耦合權值wij的初值為隨機小量，以保證單極性Sigmoid激活函數處于靈敏區間，加快調整速度。設置初始學習率η為0.2，初始動量系數mc為0.8。

中共十一屆三中全會的召開是提出憲法適應性問題的時間節點，改革開放政策的確立和法治發展，是憲法適應性問題產生的主要推手。改革凸顯“變”，憲法貴在“穩”，而憲法修改作為最重要的憲法適應機制，既為憲法保持先進性提供了途徑，又凸顯出其不足，憲法為適應社會急劇變革，開始呈現出妥協性特征，發展方向也有所偏離。

3 結果與分析

3.1 DNN模型驗證

不同的數據預處理方法會導致模型預測結果差距較大[10]。本文利用目標函數y=x3評價幾種不同樣本處理方法對網絡模型預測效果產生的差異，設計了4套實驗方案對子神經網絡模型的相關特性進行測試驗證，根據測試結果優劣為后續Chl-a短期預報模型提供最優樣本數據處理方式。目標函數y=x3的樣本選取見表1，（xp，yp）表示樣本對，p為樣本序號，自變量x取值間隔為0.1。自變量方面額外增加了3個隨機干擾變量（ν1、ν2和ν3），共選取36條樣本。

表l目標函數y=x3測試樣本集合

式中，θ為偏置量，表示神經元的閾值。

方案a：所有樣本按照順序排列，自變量x不加入干擾變量，取前30個作為仿真訓練集，剩余后6個作為預測檢驗樣本集，測試模型對未涉獵知識領域的預測效果。

方案b：打亂樣本集順序作類間交叉處理，自變量x不加入干擾變量，隨機取6個樣本進行預測檢驗，其他30個樣本作為仿真訓練集，測試樣本類間均衡對模型預測效果產生的作用。

為讓易地搬遷對象“搬得出，穩得住，有事做，能致富”，爭取到2018年所有搬遷對象全面脫貧，湖南省汝城縣三措并舉，不斷強化監管力度，確保了全縣易地扶貧搬遷工作的順利推進。截至10月31日，全縣所有集中安置點的搬遷對象均已分房到戶。

方案c：在方案b的基礎上，對自變量x加入3個隨機干擾變量v1、v2和v3，測試神經網絡模型容錯能力和剔除噪音的能力。

方案d：在方案c的基礎上大幅減少仿真訓練樣本至20個，預測檢驗樣本不變，測試學習樣本多寡對預測效果的影響程度。

方案a實驗結果顯示（見圖4a），由于仿真訓練集未包含自變量x的所有區間，模型喪失了對后部區間學習的機會，系統學習不完整，對于未涉獵的知識處理缺乏經驗，導致預測效果不理想。預測檢驗顯示，給定自變量x值，其值偏離訓練集樣本區間越遠，則對因變量y的預測能力就會變得越差。

方案b實驗結果顯示（見圖4b），樣本集合進行了類間交叉處理后，仿真訓練樣本基本包含了所有自變量區間，模型學習信息較為系統，因此在預測檢驗時，隨機給定自變量x，模型能夠根據仿真訓練建立的知識庫對變量y做出較準確的預測，效果提升明顯。

林業作為我國的重要資源，在我國的經濟建設和發展中發揮著重要作用。林區的造林改造正在繼續進行。然而，在長期的改革過程中，除了上述造林成本不足和造林方法的不足之外，不可避免地會遇到一些困難。除了林區經營管理不善外，樹種結構比例失衡、地方資源利用不合理、分類不清等問題也不容忽視。此外，近年來我國沙塵暴、干旱、暴雨、水土流失等氣候災害的頻繁發生，對更新造林工作產生了很大影響，這就要求我們從提高更新造林的成本、改善更新造林入手。加強林區管理，分類經營，加強育苗、育苗、灌漿。為了促進林業的可持續發展，應充分利用當地環境和資源的優勢，合理利用資源，豐富知識，創新技術，轉變觀念。

方案c實驗結果顯示（見圖4c），雖然在自變量信息中隨機加入了v1、v2和v3等干擾變量，但是DNN經過自學習能夠有效的剔除噪音信號，對關鍵信息提取效果較好。對比來看，預測效果好于方案a，相較于方案b的預測誤差略有增大。該實驗結果表明DNN特別適合對變量之間映射關系模糊不清或充滿各種干擾噪音的復雜問題進行建模研究。

方案d實驗結果顯示（見圖4d），減少訓練樣本后，模型整體預測誤差稍有增大，較大誤差主要分布在仿真訓練集中學習類別較少的區間，對于學習樣本密集度較高的區域，模型對于預測的能力仍然較強。該實驗結果表明即使仿真訓練樣本較少，但只要做到樣本類間均衡，仍能有效減小預報誤差。

圖4 不同方案DNN對目標函數模擬和預測結果比較

表2為4種實驗方案的仿真訓練和預測結果的均方根誤差（Root Mean Square Error，RMSE）和平均絕對誤差（Mean Absolute Error，MAE）的對比，4種方案模型的仿真RMSE差別較小，說明DNN對任何訓練樣本都能做到較高的擬合精度。但是從預測檢驗來看，4種方案表現出了明顯的差距，即使沒有加入干擾變量，方案a的預測效果仍然最差，表明樣本類間均衡對于模型最終執行效果起到最為關鍵性的作用。雖然方案b最優，但是在解決實際問題方面，變量之間的映射關系并不清晰，很難準確界定因變量是由哪種或哪幾種自變量引發，所以方案c和d成了現實中最多的選擇。

表2 各實驗方案的DNN模型誤差對比

針對方案c和d變量過多導致的模型參數增加、學習緩慢和預測效果變差的問題，國內外眾多學者也提出了多種解決方案，如利用相關性分析法、聚類算法和小波分析法等對模型輸入信息進行降維去噪和特征提取，DNN的預測準確率得到了較大提高[16-18]。本文選用Pearson法篩選Chl-a含量相關的敏感性因子作為模型的自變量輸入信息。

3.2 基于DNN的Chl-a短期預報模型仿真和預測結果分析

3.2.1 原始數據處理和相關性分析

由于原始數據存在大量的噪音、冗余和不完整的信息，所以在輸入模型之前需要進行清洗以達到改進數據質量的目的[19-20]。本文采用如下方案對生態浮標原始數據進行處理。

對于異常值的剔除采用3σ準則：

式中，x表示觀測要素變量；σ、μ分別為標準差和均值，觀測要素值超出區間[(μ-3σ),(μ+3σ)]的離群點只占0.3%，以異常值處理。對于缺失值采用五點等權滑動平均濾波法（Moving Average）進行插值填充：

5)AR技術運用范圍廣闊，軍事、銷售、娛樂、教育、技術、傳媒、旅游、醫療等八個領域，都是AR增強現實的發展方向。

式中，fk為5個相鄰數據yk-2、yk-1、yk、yk+1和yk+2的平滑數據，yk為等效監測數據。

根據以上內容分析可以看出，以后現代理論為基礎的后現代圖書館學對馬克思主義的現實理論批評提出了嚴峻的挑戰。后現代圖書館學對中心論的解構促使馬克思主義思想權威受到很大影響。后現代圖書館學所主張的反本質、反基礎、反中心的觀點與馬克思主義的基本原則大相徑庭。另外，后現代圖書館學所提倡的差異性方法論也對馬克思主義理論關于政治、經濟及階級的劃分提出了質疑。可以說，在分析和解釋后現代圖書館學的理論根據時，傳統的馬克思主義面臨著諸多問題。然而作為新馬克思主義，并沒有左派思想那樣悲觀失望的情緒，而是自覺承擔起維護馬克思主義的歷史責任，同時也為后現代圖書館學提供了科學的理論批評工具。

由于各要素監測頻率不一致以及部分監測要素值變化劇烈，其瞬時值與其他要素的步調性并不好。為了利于后續分析和應用，我們對各要素進行日平均處理，共形成93條記錄（見圖5）。Chl-a濃度的變化直接表征浮游植物數量變動狀況，例如：2019年5月9日在生態浮標WZ02海域發現以東海原甲藻為優勢種的赤潮，2019年5月15日在生態浮標NB03毗鄰水域發現以東海原甲藻和夜光藻等為優勢種的赤潮。圖5顯示出WZ02和NB03浮標的Chl-a濃度監測值分別在赤潮發生日期有較明顯的大幅度上升，而未有赤潮發生海域的TZ01浮標處Chl-a變化較為平穩，波動不大。3個浮標監測數據既包括赤潮發生前后各理化要素的連續記錄，同時也涵蓋了正常水體Chl-a含量變化的連續記錄，具有明顯的樣本均衡特性，特別適合神經網絡建模樣本數據。

本文主要介紹了利用java爬蟲技術的票務查詢系統的開發，從需求分析、相關技術分析、框架搭建、具體設計等幾個方面進行了介紹，并且對使用的技術進行了詳細的分析與解釋。本次開發有以下幾個技術要點：

圖5 2019年5月浙江海洋保護區各生態浮標Chl-a濃度日變化

采用與Chl-a濃度變化具有顯著相關性的環境因子作為預報因子，Chl-a濃度作為預測變量，兩者分別作為模型的輸入和輸出信息在進入學習之前進行類間交叉處理。一般要求預測檢驗樣本占總體樣本的10%左右[10]，因此本文隨機預留10個樣本作為預測檢驗集，剩余樣本做仿真訓練集。

本文采用Fortran軟件進行數學建模與編程，利用SPSS和Excel軟件分別進行統計學分析和繪圖。

利用IBM SPSS Statistics21進行相關性分析，結果見表3。分析發現研究海域T0h時刻Chl-a濃度與T-24h和T-48h（-24 h、-48 h表示0 h時刻前1 d和前2 d）時刻溶解氧濃度、pH值和Chl-a濃度在P=0.01水平上均呈現顯著性正相關，且時間越接近相關性越強，說明Chl-a濃度變化與這3種要素的變化具有較好的同步性；T0h時刻Chl-a濃度與T-24h和T-48h時刻的硝氮和磷酸鹽在P=0.05水平上均呈現顯著的負相關，且過去2 d的相關性整體高于當天，說明營養鹽對浮游植物生長的影響具有滯后性效應；Chl-a濃度與其他水質和營養鹽要素在5月的相關性不大。相關性分析結果表明，監測樣本偏赤潮發生初期，處于藻類密度不大、爆發性增殖前或開端時期，藻類生物量繁殖增長時吸收表層CO2釋放氧氣，而營養鹽無機態也處于被消耗狀態，氮和磷成為浮游植物生長的關鍵性限制因子[22-23]。所以，建立的模型更適用于赤潮早期或將發生期的預測。

表3 T 0h時刻Chl-a與不同時刻理化因子的相關性

3.2.2 模型仿真和預測結果分析

相關性分析是機器學習樣本數據預處理的核心工具，本文采用Pearson相關法分析Chl-a與各環境因子的相關關系，以此衡量各要素變動的一致程度，為預測模型的輸入信息篩選敏感性因子。Pearson相關法不但可以做到數據降維、減小模型參數提高學習速度，還可以有效改善預測效果，提高預測準確率[21]。Pearson相關系數公式為：

24 h預報方案：選取T-24h和T0h時刻的溶解氧、pH、硝氮、磷酸鹽和Chl-a作為預報因子，對T24h時刻的Chl-a濃度進行預測；

本文以船舶應用需求為根本出發點，提出船舶分布式數據網絡管理平臺，根據智能船舶系統的固有特點進行針對性研究。該平臺不僅能彌補傳統數據管理平臺的缺陷，而且具有全面感知、可靠傳遞和智能應用的優勢，應用于遠洋船舶運輸管理中，可建立集航運企業各部門和遠洋船舶于一體的安全監控平臺。此外，船舶分布式數據網絡平臺可大大提高船岸定時交互數據和協作管理業務的效率，增強遠洋船舶物資運輸、航行、機務系統和油耗監測管理等方面的安全性、可靠性和高效性，為船舶智能管理業務和應用提供有力的數據支撐。

變量之間由于量綱和數值大小不同，各度量之間的特征很難具有可比性，同時對目標函數影響權重也不一致。為了消除這些影響，本文對輸入變量統一進行標準歸一化處理：

小草，沒有牡丹花的絢麗多彩，沒有月季花的亭亭玉立，沒有菊花的婀娜多姿……但它的足跡踏遍了整個世界，無論是城市，還是農村，都能找到它的蹤跡。一層層、一批批的小草，沒有索求，只有奉獻，它們爭先恐后地用那頑強的生命力，編織成一望無際的綠，染遍了平原、染遍了山川……

工作人員選取了劉磊家的1畝路邊田為試驗示范地，使用云天化復合肥14-8-20，示范田周圍田地使用其他品牌復合肥15-15-15，面積為1畝，并均根據農戶常年種植習慣與用肥習慣進行相同施肥與管理。觀測棉花的長勢和產量，同時與對比田進行對照。

式中，σ為變量標準偏差，yi和zi分別為變量xi標準化和歸一化數值。經過處理后所有變量處于同等地位，也符合神經網絡Sigmoid激活函數定義域的要求。

網絡神經元節點數設置過少會造成信息的挖掘能力不足，設置過多又因為出現過擬合現象，即將原始數據的噪音轉變為特征信號，而造成預測誤差偏大[24]。通過對隱層神經元節點不同設置的實驗可知（見表4），前一子網絡結構為10-9-9-9-1，后一子網絡結構為11-6-6-6-1時，模型預測效果最優，24 h Chl-a濃度預報RMSE達到最小值1.25μg/L，MAE為1.03μg/L，48 h預報RMSE達到最小值2.43μg/L，MAE為1.99μg/L。

四是狠抓任務落實，強化督導檢查。省政府與各試點市簽訂責任書，明確了地下水超采綜合治理的時間表、路線圖。各市也將任務進一步細化分解到各縣，落實到項目和具體責任人。加強對試點項目的監管，嚴格財經紀律，嚴格工程監督檢查。各試點市縣確保資金專款專用，確保工程質量，確保施工安全，真正把地下水超采綜合治理工作打造成經得起歷史檢驗的優質工程、群眾滿意的民生工程、陽光透明的廉潔工程。

表4 不同節點設置的DNN模型預測效果對比

此外，實驗過程中發現，雖然DNN能夠對仿真訓練集進行任意精度的擬合，但是過于擬合會將原始數據中的噪音轉變為網絡學習特征，導致模型測試集預測精度降低（泛化效果變差）。本研究中當目標損失值（訓練集擬合誤差RMSE）為0.5～1.0μg/L時，測試集的損失較小，預測效果達到較高的精度（見圖6）。

圖6 串聯DNN模型的Chl-a濃度仿真訓練和預測結果

為了對比深層學習與淺層學習在預測效果上的差異，本文構建了經典的單一隱層BP神經網絡模型。經過同樣方法進行測試，BP模型的前一子網絡結構為10-8-1，后一子網絡結構為11-11-1時，模型預測效果最優，24 h Chl-a預報RMSE達到最小值1.78μg/L，MAE為1.42μg/L，48 h預報RMSE達到最小值3.09μg/L，MAE為2.20μg/L（見表5）。

表5 淺層ANN與深層DNN模型對Chl-a濃度的預測結果對比（單位：μg/L）

對比顯示，深層DNN相比淺層人工神經網絡（Artificial Neural Network，ANN），24 h Chl-a預報的RMSE減小了0.53μg/L，MAE減小了0.39μg/L；48 h Chl-a預報的RMSE減小了0.66μg/L，MAE減小了0.21μg/L，一定程度上反映了深度學習在挖掘高階特征上比淺層學習更具有優勢。另一方面，無論是深層DNN還是淺層ANN，48 h預報的RMSE比24 h的RMSE大幅增加，深層DNN增加了1.18μg/L，淺層ANN增加了1.31μg/L，顯示出神經網絡對于臨近預報更有優勢，隨著時間跨度的加大不確定因素也會增加。該模型未將氣象和水動力等對Chl-a含量產生重要影響的因素加入考慮，一定程度上也降低了模型在較長時間預測方面的精度。

4 結論

本文嘗試建立一種串聯DNN的Chl-a短期預報模型，通過對目標函數的測試驗證了DNN的相關特性，利用浙江海洋保護區生態浮標數據對Chl-a濃度進行了仿真和預報實驗。結果表明：

（1）對訓練樣本進行類間均衡處理比單純增加樣本數量更為有效，且具有更好的預測效果。采用傳統統計方法對輸入信息進行去噪和降維預處理，有利于提升預測精度。

（2）2019年5月浙江海洋保護區生態浮標水質和營養鹽要素相關性分析結果顯示，T0h時刻的Chl-a與T-24h和T-48h時刻的溶解氧、pH和Chl-a在P=0.01水平上均有明顯的正相關，與T-24h和T-48h時刻的硝氮和磷酸鹽在P=0.05水平上均有明顯的負相關，氮和磷是浮游植物生長的關鍵性限制因子。

（3）本文所建立的串聯DNN Chl-a濃度短期預報模型24 h預報的RMSE為1.25μg/L，MAE為1.03μg/L，48 h預報的RMSE為2.43μg/L，MAE為1.99μg/L，預報精度比淺層學習提升明顯，體現了深度學習從原始數據中挖掘高階語義特征的優勢。該方法不但可以減少模型參數，實現對多個非線性函數的擬合，還可以實現特征信息的逐級提取和傳遞，具有一定的通用性和可移植性。

本研究只考慮了水質和營養鹽要素對Chl-a濃度變化的影響，實際上淡水輸入、環流形勢和上升流等水動力因子以及氣溫、光照和風等氣象因子都會對Chl-a濃度產生重要影響，如果將這些影響因子一并考慮無疑會提高預測的精度，這也是未來進一步研究需要開展的工作[25-28]。此外，DNN雖然具有很強的仿真和預測性能，但是網絡不同的參數設置也會對結果產生不同影響，如模型大小、結構和訓練細節等設置目前沒有統一的標準，仍需要不斷優化[29]。總之，隨著人工智能技術的不斷完善和發展，基于深度學習的Chl-a預報模型將具有廣闊的應用前景。