支持向量机与水动力模式相结合的养殖海区水文环境研究

海水交换是营养盐的一个重要来源，养殖海区内的养殖生物会为海水流动交换带来阻力，影响营养盐的补充。研究海水养殖区的水动力环境，对于揭示海水交换状况，指导合理养殖布局具有重要的意义。.近年来，以支持向量机为代表的统计学习理论及方法得到了长足发展。我国已经积累了大量的观测数据，如何从大量的历史资料中利用支持向量机方法预测与水动力相关的海洋环境要素，并与养殖海域的水动力模式的建立过程相结合，目前尚无可查文献，因此也具有重要的理论及应用研究意义。.本项目研究如何通过支持向量机与水动力物理模型相结合，建立带有养殖生物阻力的水动力数值模式。主要包括：(1)研究基于统计学习的养殖藻类生长阶段对潮流产生的影响；(2)研究如何建立考虑养殖生物阻力的水动力模式；（3）研究不同养殖密度及布局对潮汐要素的影响。通过本项目的研究，将得出一套把统计学习与物理海洋理论相结合的水动力数值模型的建立方法。

随着人口增长和人们对优质蛋白质的需求不断提高,海水养殖在近几十年得到了迅速地发展,养殖海区越来越大,分布广泛。为提高效益,养殖密度也是日趋加大,养殖区域的环境问题日益严重。桑沟湾是我国黄海沿岸的重要水产养殖海湾,是一个无机氮缺乏的水域,海水交换是养殖生物生长过程需要的无机氮营养盐的一个重要来源,而不同的养殖产品的布局及密度会为海水流动交换带来不同的阻力,养殖密度过高会影响海水交换周期,直接造成营养盐补充不足。水文环境研究对于养殖海区是至关重要的。. 对于水文环境的研究,目前还是以模式研究为主。随着海洋研究的不断深入,海洋观测技术的发展,我们慢慢会积累一些观测数据。模式的不断发展进步和完善,我们又可以得到大量的计算数据,如何挖掘数据中的价值,数学中的统计学习方法自然是我们可以考虑的方向。支持向量机(SVM)是90年代在统计学习理论基础上开发出来的一种新的机器学习新方法。该方法较好地解决了以往困扰很多学习方法的小样本、非线性、过学习、高维数、局部极小点等实际问题,在预测,分类及回归方面有很好地应用,是人工智能和机器学习领域的新的研究热点。. 根据桑沟湾的水文环境,本项目首先采用POM模式,通过对POM模式取定边界条件,物理过程参数化,模式配置和潮汐验证,得到适合于桑沟湾的POM模式。桑沟湾海湾养殖中海带养殖面积较大,特别是常年放置的海带养殖筏架,对流速影响很大,影响整个养殖海湾的生产力。我们提出使用支持向量机与POM模式相结合的方法,求取海带筏架阻力系数。首先,我们在09年、10年和12年三次出海,取得实际观测数据,同时,我们又结合历史观测数据,训练SVM1模型,初步预测阻力系数在10-3这样一个数量级中。然后我们利用POM模式计算数据与实际数据相结合,训练SVM2模型。得到SVM2训练模型后,使用这个模型预测流速。将预测流速与实际观测流速比较,优化阻力系数,通过循环迭代,重复POM模式计算流速和SVM2预测流速,直到二者的流速差小于给定阈值,算法收敛。通过对桑沟湾2009年,2012年阻力系数的计算,我们得到相类似的结果。本文所提出的方法的优势在于通过上述方法训练得到的SVM2模型,可以用来预测不同养殖分布下的给定点的流速,计算速度远远快于POM模式求解,同时由于训练过程中加入了实测历史数据,预测结果的准确性更高。