袁紅春，劉慧，張碩，陳冠奇

(1.上海海洋大學(xué) 信息學(xué)院，上海 201306; 2.農(nóng)業(yè)農(nóng)村部漁業(yè)信息重點實驗室，上海 201306)

長鰭金槍魚Thunnusalalonga作為南太平洋延繩釣的主要魚種，在遠(yuǎn)洋漁業(yè)中具有較大開發(fā)潛力。近20年來，在南太平洋海域長鰭金槍魚的漁獲量和捕撈努力量呈逐年增長之勢，目前，長鰭金槍魚已成為南太平洋金槍魚延繩釣漁業(yè)的主要捕撈對象之一[1]，精準(zhǔn)預(yù)報南太平洋長鰭金槍魚中心漁場能夠合理分配有限的捕撈努力量，降低漁場探查時間和捕撈作業(yè)成本，促進(jìn)中國遠(yuǎn)洋漁業(yè)作業(yè)的科學(xué)化和智能化。

在傳統(tǒng)的漁場預(yù)報模型中，國內(nèi)外學(xué)者通常采用統(tǒng)計學(xué)方法和GIS技術(shù)對漁場漁情進(jìn)行分析和預(yù)估。近年來，一些學(xué)者構(gòu)建了多種系統(tǒng)性預(yù)測模型進(jìn)行漁場預(yù)報，如Raman等[2]采用ARIMA(auto regressive integrated moving average)模型，結(jié)合3個外部理化因子構(gòu)建了SARIMAX預(yù)測模型。高峰[3]以東、黃海鮐魚Scomberjaponicus為例，提出了基于提升回歸樹的漁場預(yù)報模型。崔雪森等[4]通過樸素貝葉斯方法對西北太平洋柔魚Ommastrephesbartramii漁場進(jìn)行回歸預(yù)測。宋利明等[5]利用庫克群島海域不同水層環(huán)境中影響因子的差異性，通過支持向量機(jī)分析測算了長鰭金槍魚棲息地環(huán)境綜合指數(shù)。然而，由于高維海洋大數(shù)據(jù)具有海量性、多樣性和快速流轉(zhuǎn)性，以上方法在對其數(shù)據(jù)預(yù)處理和樣本組織時往往流程較為復(fù)雜繁瑣，不易操作，人為因素對結(jié)果影響較大。如當(dāng)訓(xùn)練樣本量大時，支持向量機(jī)算法效率低下甚至難以實施，提升回歸樹算法容易出現(xiàn)過擬合問題，而樸素貝葉斯方法需要特征條件獨立，在使用該方法前要進(jìn)行獨立成分分析，過程繁瑣。

隨著海洋科技的飛速發(fā)展，漁業(yè)數(shù)據(jù)規(guī)模和種類也不斷擴(kuò)大，傳統(tǒng)的漁場預(yù)報模型在海量大數(shù)據(jù)的分析和預(yù)測上往往表現(xiàn)不佳[6]，而深度學(xué)習(xí)方法在海量高維數(shù)據(jù)分析預(yù)測上有較好的擬合效果[7-10]，且深度學(xué)習(xí)不需要手動特征工程，配備的自動特征工程，不僅減少了特征工程中的繁瑣步驟，而且減少了人為因素對結(jié)果的影響，因此，可以很好地解決上述傳統(tǒng)漁場預(yù)報模型中存在的問題。為此，本文中擬構(gòu)建一種新型的預(yù)測模型，在數(shù)據(jù)模型上，由于單類海洋環(huán)境因子按空間分布可構(gòu)建二維矩陣，故可再疊加另外兩類不同的環(huán)境因子合成三維矩陣，并采用卷積神經(jīng)網(wǎng)絡(luò)(CNN)提取圖像特征信息的方式提取特征，同時針對時空因子異構(gòu)數(shù)據(jù)均勻分布的離散特性，通過深度神經(jīng)網(wǎng)絡(luò)(DNN)進(jìn)行時空因子特征提取，從而得到兩種不同的模態(tài)向量，然后將兩個模型提取的最高隱藏層特征使用典型相關(guān)分析方法(CCA)進(jìn)行特征融合，最后將融合后的特征輸入徑向基函數(shù)網(wǎng)絡(luò)(RBF)中進(jìn)行分類。本研究中提出了一種基于深度學(xué)習(xí)和典型相關(guān)分析的南太平洋長鰭金槍魚漁場預(yù)報模型——CNN-DNN-CCA(連接融合)-RBF模型，并進(jìn)行了對比試驗分析，旨在為漁場的精確預(yù)報提供科學(xué)指導(dǎo)。

1 模型構(gòu)建

1.1 CNN-DNN-CCA-RBF模型整體結(jié)構(gòu)

由于海洋環(huán)境因子數(shù)據(jù)和時空因子數(shù)據(jù)是不同結(jié)構(gòu)的數(shù)據(jù)類型，所以分別選擇合適的神經(jīng)網(wǎng)絡(luò)方法進(jìn)行特征提取，以達(dá)到更好的特征提取效果。海洋環(huán)境數(shù)據(jù)映射為三維矩陣后，同一維度內(nèi)的海洋環(huán)境因子相似，但也有類似于紋理的差異性。不同維度的環(huán)境因子數(shù)據(jù)差異較大，可以將經(jīng)過數(shù)據(jù)預(yù)處理后的海洋環(huán)境因子數(shù)據(jù)看作RGB三通道圖像格式，因此，海洋環(huán)境因子適用于用CNN進(jìn)行特征提取，這種特征提取方法不僅融合了3種海洋環(huán)境因子，而且減少了參數(shù)量。由于DNN可以對時空因子數(shù)據(jù)進(jìn)行高階特征交互，具有較強(qiáng)的表達(dá)能力和泛化能力，所以使用DNN對時空因子進(jìn)行特征提取。

本研究中設(shè)計的模型中，設(shè)計了兩個分支結(jié)構(gòu)分別對海洋環(huán)境因子數(shù)據(jù)和時空因子進(jìn)行特征提取。模型的整體結(jié)構(gòu)如圖1所示，首先，將海洋環(huán)境因子和時空因子進(jìn)行歸一化處理，并把海洋環(huán)境因子轉(zhuǎn)換為三維矩陣，然后，將經(jīng)過預(yù)處理后得到的海洋環(huán)境因子和時空因子分別輸入到CNN和DNN模型中進(jìn)行特征提取，最后將提取的兩個模型的最高隱藏層特征利用CCA進(jìn)行融合，并將融合后的特征輸入到RBF分類器中進(jìn)行分類。

1.2 CNN及其結(jié)構(gòu)設(shè)計

CNN通過卷積層的卷積操作提取輸入的不同特征，再通過池化層的池化操作減少神經(jīng)元數(shù)量，降低CNN模型的計算量，最后通過全連接層整合卷積層和池化層中具有類別區(qū)分性的局部信息，并傳遞給輸出層進(jìn)行分類[11]。

在對海洋環(huán)境因子進(jìn)行特征提取時，輸入矩陣的尺度為5×5×3，矩陣高度較小，故在卷積過程中不需進(jìn)行池化操作，為增大感受野，全局采用3×3大小的卷積核進(jìn)行操作，然后通過全局平均池化的方式將三維特征值矩陣轉(zhuǎn)換為二維特征向量，最后映射到全連接層進(jìn)行整合，并通過全連接層進(jìn)行分類。本研究中，把海洋環(huán)境因子三維矩陣輸入到該CNN模型中進(jìn)行訓(xùn)練，并提取到32維的全連接層特征，具體的CNN分支結(jié)構(gòu)如圖2所示。

1.3 DNN及其結(jié)構(gòu)設(shè)計

DNN是具有多個隱藏層的神經(jīng)網(wǎng)絡(luò)，即多層感知機(jī)，DNN可以分為輸入層、隱藏層和輸出層。本研究中，將月份、經(jīng)度、緯度3個時空因子構(gòu)成的特征向量輸入到DNN模型中進(jìn)行訓(xùn)練，并提取時空因子的最高隱藏層特征。為了使提取后特征向量的維數(shù)與CNN提取海洋環(huán)境因子特征向量的維數(shù)相同，該分支結(jié)構(gòu)采用3-32-32-32-1的網(wǎng)絡(luò)結(jié)構(gòu)，其具體結(jié)構(gòu)如圖3所示。

圖3 DNN分支結(jié)構(gòu)

1.4 典型相關(guān)分析

典型相關(guān)分析作為一種特征融合關(guān)鍵技術(shù)已經(jīng)在多模態(tài)生物特征識別領(lǐng)域和圖像識別領(lǐng)域得到廣泛研究和關(guān)注[12-14]。傳統(tǒng)的串行融合和并行融合方法僅僅是將兩組特征向量通過簡單拼接或復(fù)合方式直接組合在一起，未對兩個不同特征空間的特征集建立任何聯(lián)系，再加之上述CNN和DNN兩種深度學(xué)習(xí)方法提取到的特征向量維度較大，這使得融合后的特征向量易產(chǎn)生維度災(zāi)難等問題[15]。CCA可以從總體上把握兩組指標(biāo)間的相關(guān)關(guān)系，不僅起到合理簡化變量的作用，而且可以使最終得到的變量更具有判別力，從而達(dá)到更好的分類效果，為此本研究中使用CCA進(jìn)行特征融合。

(1)

其中：SXX為X的協(xié)方差矩陣；SYY為Y的協(xié)方差矩陣；SXY為X與Y的互協(xié)方差矩陣。因此，CCA就可以表示為如下式所示的優(yōu)化問題的解，即

(u,v)=arg(u,v)max(uTSXYv)，

s.t.uTSXXu=vTSYYv=1。

(2)

使用拉格朗日乘子法求解該問題，令

L(u,v)=uTSXYv-(λ1/2)(uTSXXu-1)-

(λ2/2)(vTSYYv-1)。

(3)

將式(3)分別對u和v求導(dǎo)并令結(jié)果等于0，得到：

SXYv-λ1SXXu=0，

(4)

SYXu-λ2SYYv=0。

(5)

將式(4)和式(5)分別左乘uT和vT，并利用uTSXXu=vTSYYv=1得到：

λ1=λ2=uTSXYv。

(6)

將公式(6)繼續(xù)整理得到：

(7)

(8)

于是，求(u,v)就轉(zhuǎn)化為求上式特征值的問題。

圖4 CCA基本框架

1.5 RBF神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)是一種具有單個隱藏層的3層前向網(wǎng)絡(luò)，由輸入層、具有徑向基函數(shù)神經(jīng)元的隱藏層和輸出層構(gòu)成，其基本結(jié)構(gòu)如圖5所示。

圖5 RBF基本結(jié)構(gòu)

RBF神經(jīng)網(wǎng)絡(luò)的基本思想是通過隱藏層將低維向量映射到高維度隱藏層空間，不需要權(quán)連接，隱藏層神經(jīng)元的核函數(shù)通常采用高斯函數(shù)：

(9)

其中：x為輸入向量；Gi(x)為隱藏層第i個神經(jīng)元的輸出；σi為第i個基函數(shù)的方差；ci為第i個基函數(shù)的中心；h為隱藏層神經(jīng)元的個數(shù)。確定RBF中心點之后，對應(yīng)的映射關(guān)系即確定。從隱藏層空間到輸出空間的映射是線性的，即輸出層是隱藏層單元輸出的線性加權(quán)和?；谝陨纤枷?，大大加快了學(xué)習(xí)速度且避免了局部極小的問題。由于最終要對漁場進(jìn)行二分類，因此，在RBF神經(jīng)網(wǎng)絡(luò)的輸出層選用了Sigmoid函數(shù)，在試驗中將中心漁場標(biāo)簽設(shè)為1，非中心漁場標(biāo)簽設(shè)為0，當(dāng)正負(fù)樣本分布均勻時，輸出值y應(yīng)滿足

y/(1-y)>1，

(10)

即輸出y>0.5時，將該作業(yè)區(qū)域視為中心漁場。

由于漁場等級劃分時中心漁場與非中心漁場所占比重差異較大，因此，將分類閾值重新調(diào)整為

y/(1-y)>T/F。

(11)

其中：T=2 669為訓(xùn)練集中心漁場的數(shù)目；F=5 182為訓(xùn)練集非中心漁場的數(shù)目。最終得到分類閾值為0.34。

2 南太平洋長鰭金槍魚漁場的預(yù)測

2.1 數(shù)據(jù)來源

根據(jù)南太平洋長鰭金槍魚的漁業(yè)作業(yè)范圍，選取范圍為115°E～135°W、10°S～35°S的海域空間為研究對象，數(shù)據(jù)樣本時間范圍為2000—2015年。

漁業(yè)作業(yè)數(shù)據(jù)取自中西太平洋漁業(yè)委員會(Western and central pacific fisheries commission，WCPFC)的南太平洋長鰭金槍魚延繩釣數(shù)據(jù)。該漁業(yè)數(shù)據(jù)包含作業(yè)時間、作業(yè)空間經(jīng)緯坐標(biāo)、釣鉤數(shù)、漁獲量，空間分辨率為5°×5°。

長鰭金槍魚的中心漁場分布受海表溫度、葉綠素a濃度、海水溶解氧濃度、鹽度、海面風(fēng)速和海水流速等多種環(huán)境因子影響[17]，調(diào)研對比后，本研究中選取即時性較強(qiáng)、影響權(quán)重占比較大的環(huán)境遙感數(shù)據(jù)作為主要影響因子，集成后的環(huán)境數(shù)據(jù)包括海表溫度(SST)、葉綠素a濃度(Chl-a)、海面高度(SSH)。其中，海表溫度、葉綠素a濃度數(shù)據(jù)來源于美國國家海洋和大氣管理局(Nation oceanic and atmospheric administration, NOAA)環(huán)境數(shù)據(jù)庫，海面高度數(shù)據(jù)來源于哥白尼海洋環(huán)境監(jiān)測服務(wù)中心(Copernicus marine environment monitoring service，CMEMS)，時間單位為月，空間分辨率為1°×1°。

2.2 數(shù)據(jù)預(yù)處理與評估方法

2.2.1 單位捕撈努力量漁獲量(CPUE)的計算

單位捕撈努力量漁獲量(catch per unit of effort，CPUE常被作為漁業(yè)資源豐度的相對指數(shù)，反映漁業(yè)資源豐度的變化[18]，其定義為

CPUE(i,j)=(F(i,j)×1 000)/H(i,j)。

(12)

其中：CPUE(i,j)為整經(jīng)緯度(i，j)范圍內(nèi)的CPUE；F(i,j)為漁獲尾數(shù)；H(i,j)為釣鉤數(shù)。

2.2.2 漁業(yè)作業(yè)數(shù)據(jù)處理 在遠(yuǎn)洋漁業(yè)作業(yè)中，為了節(jié)省成本和提高作業(yè)效率，漁船常常圍繞中心漁場進(jìn)行作業(yè)，因此，提高中心漁場預(yù)報精度對遠(yuǎn)洋漁業(yè)具有重要的指導(dǎo)意義。為使CPUE適用于分類模型，需將CPUE值有效離散化[19-20]，本研究中使用三分位數(shù)將漁區(qū)按照CPUE的大小劃分為若干等級。按式(12)計算出CPUE值后，以每月CPUE值三分位點的最高位為分界點重新將每月的CPUE劃分為中心漁場和非中心漁場兩類，并以1、0分別初始化中心漁場和非中心漁場，最終得到中心漁場2 875個，非中心漁場5 579個。

2.2.3 環(huán)境數(shù)據(jù)處理 當(dāng)海洋環(huán)境因子與漁業(yè)數(shù)據(jù)空間分辨率不匹配時，會導(dǎo)致海洋環(huán)境因子和時空因子在輸入層分布不均勻，從而影響預(yù)測精度。故在傳統(tǒng)漁場預(yù)報方法中，通常采用取平均值、中心值等方法統(tǒng)一兩者分辨率[21]。而本研究中分別采用CNN和DNN提取兩種異構(gòu)數(shù)據(jù)，由于CNN特有的卷積和池化操作，能夠在運(yùn)算時將海洋環(huán)境因子數(shù)據(jù)的空間分辨率下降到與時空因子相同大小，自動統(tǒng)一分辨率，故本試驗中直接使用1°×1°空間分辨率的海洋環(huán)境因子數(shù)據(jù)，無須手動匹配。

海洋環(huán)境因子的預(yù)處理共分兩步：

Step 1：環(huán)境因子歸一化

由于不同環(huán)境因子的量值單位和變化范圍差別較大，為消除量綱和加速優(yōu)化過程，對海表溫度、葉綠素a濃度、海面高度、月份、經(jīng)度、緯度進(jìn)行歸一化處理。計算公式為

(13)

Step 2：將海洋環(huán)境因子映射為三維矩陣

先將整個研究區(qū)域按照1°×1°劃分為網(wǎng)格區(qū)域，然后再將整個海域中歸一化后的海洋環(huán)境因子數(shù)據(jù)以5°×5°網(wǎng)格范圍重新組織，從而構(gòu)成5×5大小的海洋環(huán)境因子矩陣，最后疊加海表溫度、海面高度、葉綠素a 濃度3種海洋環(huán)境因子矩陣，生成5×5×3大小的三維矩陣。例如，對于處于緯度為i、經(jīng)度為j的作業(yè)點，設(shè)其海面高度為Hi，j，海表溫度為Ti，j，葉綠素a濃度為Ai，j。將此作業(yè)點5°×5°范圍內(nèi)的環(huán)境因子轉(zhuǎn)換為如圖6所示的三維矩陣。

圖6 三維矩陣

2.2.4 預(yù)報精度評估方法 驗證漁場預(yù)報模型預(yù)測結(jié)果的指標(biāo)是漁場預(yù)報精度。但由于漁業(yè)作業(yè)會受到相關(guān)法律法規(guī)、天氣等不可抗力因素的影響，導(dǎo)致部分漁場并無漁船進(jìn)行作業(yè)，因此，CPUE值在一些情況下并不能完全代表該海域的漁場等級，故本研究中采用總召回率(recall)作為漁場預(yù)測模型的評估標(biāo)準(zhǔn)[22]，定義如下：

(14)

(15)

2.3 試驗設(shè)計

本試驗中使用的計算機(jī)配置：顯卡型號為AMD Radeon R5 320，CPU型號為Intel(R)Core(TM)i7-6700 CPU @3.40 GHz，RAM為16 GB，操作系統(tǒng)為Windows10，并搭建了基于Python3.7的TensorFlow 2.1.0框架。

根據(jù)以上構(gòu)建的長鰭金槍魚預(yù)報模型，將處理成三維矩陣的海洋環(huán)境因子數(shù)據(jù)輸入到CNN模型中進(jìn)行特征提取，將經(jīng)過預(yù)處理的時空因子輸入到DNN模型中進(jìn)行特征提取，各得到一組32維的特征向量，然后將提取到的兩組特征向量進(jìn)行典型相關(guān)分析，得到21對典型相關(guān)變量，并分別使用相加融合和連接融合兩種融合策略進(jìn)行特征融合。其中，使用連接融合得到一組42維的特征向量，使用相加融合得到一組21維的特征向量。最后輸入到RBF神經(jīng)網(wǎng)絡(luò)中進(jìn)行分類。選用2000—2014年的7 851條數(shù)據(jù)作為訓(xùn)練集，另外選擇2015年的數(shù)據(jù)作為測試集。使用CNN和DNN進(jìn)行訓(xùn)練并提取特征時，學(xué)習(xí)率均設(shè)置為0.000 1，采用Adam優(yōu)化器進(jìn)行訓(xùn)練，最大迭代次數(shù)設(shè)置為50次，RBF分類器的學(xué)習(xí)率設(shè)置為0.08，采用Adam優(yōu)化器進(jìn)行訓(xùn)練，最大迭代次數(shù)設(shè)置為10 000次，隱藏層單元數(shù)設(shè)置為80。

為驗證模型的準(zhǔn)確率，設(shè)置了5組對比試驗。從表1可見，試驗1和試驗2為本研究中所采用的模型，試驗3、試驗4和試驗5是模型自身構(gòu)建過程中的對比試驗，用來驗證通過CCA特征融合的模型是否有效提高了模型的準(zhǔn)確度。從表2可見，為了驗證本研究中的模型對南太平洋長鰭金槍魚漁場的預(yù)測效果，試驗6和試驗7選用目前在長鰭金槍魚預(yù)測中應(yīng)用效果較好的模型[7,20]進(jìn)行對比。

表1 模型構(gòu)建過程中的對比試驗

表2 現(xiàn)有模型

3 結(jié)果與分析

3.1 模型自身構(gòu)建過程中的結(jié)果對比分析

從表3可知，采用CNN-DNN-CCA-RBF模型進(jìn)行預(yù)測時的中心漁場召回率最高，其中，采用CCA連接融合時中心漁場召回率達(dá)到了90.3%，總召回率達(dá)到了82.1%，采用CCA相加融合時中心漁場召回率達(dá)到87.4%，總召回率達(dá)到了80.3%，相較于將提取到的特征進(jìn)行簡單的拼接融合再進(jìn)行預(yù)測，精度均有不同程度的提高，且遠(yuǎn)高于使用單一模型進(jìn)行預(yù)測的精度，該對比試驗驗證了CCA在特征融合方面的有效性。其中，采用CCA連接融合效果最為明顯，可以準(zhǔn)確反映南太平洋長鰭金槍魚的漁場資源水平，由于模型的總精準(zhǔn)率達(dá)到了83.6%，說明此模型的誤報率較低，可以減少實際作業(yè)中因為誤報所帶來的損失。

表3 模型構(gòu)建過程中的預(yù)測結(jié)果

3.2 與其他漁場預(yù)測結(jié)果對比分析

為了驗證本文的模型對南太平洋長鰭金槍魚漁場預(yù)測的效果，選取了目前在該領(lǐng)域中預(yù)測效果較好的兩種模型來進(jìn)行對比，其中，試驗6的F-ACN模型是筆者先前提出的一種模型，試驗7為基于隨機(jī)森林(RF)的長鰭金槍魚漁場預(yù)報模型，RF模型具有泛化能力強(qiáng)、訓(xùn)練速度快等優(yōu)點，在其他海域的長鰭金槍魚漁場預(yù)報中已經(jīng)取得了較好的應(yīng)用效果，但是易出現(xiàn)過擬合的問題。表4展示了以上兩種模型的預(yù)測結(jié)果，其中，F(xiàn)-ACN模型的中心漁場召回率為84.0%，隨機(jī)森林模型的中心漁場召回率為68.5%，雖然F-ACN較RF模型的預(yù)測效果有較大程度上的提高，但仍低于本研究中所提出的基于深度學(xué)習(xí)和典型相關(guān)分析的漁場預(yù)測方法。

表4 不同模型的預(yù)測結(jié)果

試驗結(jié)果表明，本研究中構(gòu)建的模型對于中心漁場的預(yù)報準(zhǔn)確率可達(dá)90.3%，基本可以滿足現(xiàn)有漁業(yè)作業(yè)的需求。

4 討論

魚類活動與海洋環(huán)境密切相關(guān)，南太平洋長鰭金槍魚作為一種高度洄游魚類，受海洋環(huán)境的影響較為明顯，故本研究中在漁場預(yù)報過程中采用多分支結(jié)構(gòu)，將時空因子中提取到的特征與海表面溫度、海表面高度和葉綠素濃度等海洋環(huán)境因子中提取到的特征融合后再進(jìn)行預(yù)測。本研究表明，將兩種海洋環(huán)境因子與時空因子結(jié)合進(jìn)行預(yù)測時的中心漁場召回率高于單獨使用海洋環(huán)境因子或時空因子時的中心漁場召回率(表1)。因此，為減少單獨使用某種因子特征提取時對預(yù)測結(jié)果產(chǎn)生的影響，CNN-DNN-CCA-RBF模型分別針對海洋環(huán)境因子和時空因子的數(shù)據(jù)特點，使用兩種不同的特征提取方式對二者進(jìn)行特征提取，CNN分支與DNN分支在模型結(jié)構(gòu)上雖然不同，但在特征提取過程中互不影響，且各分支結(jié)構(gòu)的輸出向量維度一致，故提取的特征向量能夠較好地進(jìn)行融合，并不會由于參數(shù)量的差異導(dǎo)致某種環(huán)境因子所占比重較小或被忽略。同時，使用CNN對海洋環(huán)境因子進(jìn)行特征提取能夠減少數(shù)據(jù)預(yù)處理過程中造成的信息損失，該方法能夠?qū)⑷我饪臻g分辨率的海洋環(huán)境因子與時空因子相結(jié)合，對復(fù)雜的海洋大數(shù)據(jù)有較好的適用性和可擴(kuò)展性。長鰭金槍魚的中心漁場分布除了受上述因素影響外，還可能受到海水流速、海面風(fēng)場、海水鹽度、海水溶解氧濃度等因素影響，因此，下一步的延伸研究工作是收集和分析更多的海洋環(huán)境參數(shù)數(shù)據(jù)，并將其加入模型中，進(jìn)行更多影響因子的綜合處理與分析，以期更加準(zhǔn)確地為海洋漁業(yè)提供技術(shù)支撐。

5 結(jié)論

針對傳統(tǒng)漁情預(yù)報方法在處理高維復(fù)雜多源異構(gòu)海洋數(shù)據(jù)時，存在性能欠佳、特征轉(zhuǎn)換困難、擬合程度不足的問題，本研究中提出了一種基于深度學(xué)習(xí)和典型相關(guān)分析的南太平洋長鰭金槍魚漁場預(yù)報模型——CNN-DNN-CCA(連接融合)-RBF模型，并進(jìn)行了對比試驗分析，得出了以下結(jié)論：

1)該方法能夠?qū)Υ笠?guī)模任意空間分辨率的海洋環(huán)境因子進(jìn)行自動特征提取和特征融合，無須人工匹配不同空間分辨率，簡化了特征轉(zhuǎn)換，提高了預(yù)測精度，為漁場預(yù)報提供了一種全新思路。

2)本研究中將典型相關(guān)分析思想引入到特征融合中，得到海洋環(huán)境因子和時空因子的關(guān)聯(lián)特征，不僅達(dá)到了信息融合的目的，而且消除了冗雜信息，降低了維數(shù)，從而增強(qiáng)了模型的性能和預(yù)測效果。

3)本研究中對各個分支結(jié)構(gòu)的層數(shù)、節(jié)點數(shù)和不同尺度的卷積核進(jìn)行了試驗，增強(qiáng)了CNN-DNN-CCA(連接融合)-RBF模型的預(yù)測效果，預(yù)報精度達(dá)到了90.3%，相較于傳統(tǒng)的機(jī)器學(xué)方法和先前的深度學(xué)習(xí)方法均有較大程度的提高，證明了基于深度學(xué)習(xí)和典型相關(guān)分析的方法在漁情預(yù)測領(lǐng)域的可行性、科學(xué)性和先進(jìn)性，對南太平洋長鰭金槍魚漁業(yè)作業(yè)的開展有一定的指導(dǎo)作用。