现在越来越多的养殖户开始了渔业的发展和养殖，想在这方面开始自己的发展道路，那么对于我们在水产养殖方面的论文来通过的论文投稿来了解一下。
如果对目标鱼种的集群、洄游特性以及渔场形成机制较清楚，可选择使用机理/过程模型或理论模型对这些特性和机制进行定量表述。反之，如果对这些特性和机制的了解并不完全，则可选择经验/现象模型，根据基本的生态学原理对渔场形成过程进行一种平均化的描述。除此之外，无论构建何种预测模型，都应充分考虑模型所使用的数据本身的特点，这对于基于统计学的模型尤其重要[22]。模型校正(modelcalibration)是指建立预报模型方程之后，对于模型参数的估值以及模型的调整[23]。根据预报模型的不同，模型参数估值的方法也不一样。例如对于各类统计学模型，其参数主要采用最小方差或极大似然估计等方法进行估算;而对于人工神经网络模型，权重系数则通过模型迭代计算至收敛而得到。在渔情预报模型中，除了估计和调整模型参数和常数之外，模型校正还包括对自变量的选择。在利用海洋环境要素进行渔情预报时，选择哪些环境因子是一项比较重要也非常困难的工作。周彬彬[24]在利用回归模型进行蓝点马鲛渔期预报研究时认为，多因子组合的预报比单因子预报要准确。Harrell等[25]研究表明，为了增加预测模型的准确度，自变量的个数不宜太多。另外，对于某些模型来说，模型校正还包括自变量的变换、平滑函数的选择等工作[26]。模型评价(modelevaluation)主要是对于预测模型的性能和实际效果的评价。模型评价的方法主要有两种，一种是模型评价和模型校正使用相同的数据，采用变异系数法或自助法评价模型[27-28];另一种方法则是采用全新的数据进行模型评价，评价的标准一般是模型拟合程度或者某种距离参数[29]。由于渔情预报模型的主要目的是预报，其模型评价一般采用后一种方法，即考查预测渔情与实际渔情的符合程度。
2渔场预报模型
2.1统计学模型
线性回归模型早期或传统的渔情预报主要采用以经典统计学为主的回归分析、相关分析、判别分析和聚类分析等方法[12]。其中最有代表性的是一般线性回归模型。通过分析海表面温度(seasurfacetemperature，SST)、叶绿素a(Chl.a)浓度等海洋环境数据与历史渔获量、单位捕捞努力渔获量(catchperuniteffort，CPUE)或者渔期之间的关系，建立回归方程:CPUE=β0+β1?SST+β2?chl+…+ε(1)式(1)中:βi为回归系数，ε为误差项。一般线性回归模型采用最小二乘法对系数βi进行估计，然后利用这些方程对渔期、渔获量或CPUE进行预报。如陈新军[30]认为，北太平洋柔鱼日渔获量CPUE(kg/d)与0～50m水温差ΔT(℃)具有线性关系，可以建立预报方程CPUE=-880+365ΔT。一般线性模型结构稳定，操作方法简单，在早期的实际应用中取得了一定的效果[10-12]。但一般线性模型方差小、偏差大，用于预报时存在一定的局限性。一方面，渔场形成与海洋环境要素之间的关系具有模糊性和随机性，一般很难建立相关系数很高的回归方程。另一方面，实际的渔业生产和海洋环境数据一般并不满足一般线性模型对于数据的假设，因而导致回归方程预测效果较差[14]。目前，一般线性回归模型在渔情预报中的应用已比较少见，而逐渐被更为复杂的分段线性回归[31]、多项式回归[32]和指数(对数)回归[33-34]、分位数回归[35]等模型所取代。
2.2机器学习和人工智能方法
关于空间的渔场预测也可以看成是一种“分类”，即将空间中的每一个网格分成“渔场”和“非渔场”的过程。这种分类过程一般是一种监督分类(supervisedclassification)，即通过不同的方法从样本数据中提取出渔场形成规则，然后使用这些规则对实际的数据进行分类，将海域中的每个网格点分成“渔场”和“非渔场”两种类型。提取分类规则的方法有很多，一般都属于机器学习方法。机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识的方法。机器学习和人工智能、数据挖掘的内涵有相同之处且各有侧重[58]，这里不作详细阐述。机器学习和人工智能方法众多，目前在渔情预报方面应用最多的是人工神经网络、基于规则的专家系统和范例推理方法。除此之外，决策树、遗传算法、最大熵值法、元胞自动机、支持向量机、分类器聚合、关联分析和聚类分析、模糊推理等方法都开始在渔情分析和预报中有所应用[12，59]。人工神经网络模型人工神经网络(artificialneuralnetworks，ANN)模型是模拟生物神经系统而产生的。它由一组相互连接的结点和有向链组成[58]。人工神经网络的主要参数是连接各结点的权值，这些权值一般通过样本数据的迭代计算至收敛得到，收敛的原则是最小化误差平方和。确定神经网络权值的过程称为神经网络的学习过程。结构复杂的神经网络学习非常耗时，但预测时速度很快。人工神经网络模型可以模拟非常复杂的非线性过程，在海洋和水产学科已经得到广泛应用[60-61]。在渔情预报应用中，人工神经网络模型在空间分布预测和产量预测方面都有成功应用[62-67]。人工神经网络方法并不要求渔业数据满足任何假设，也不需要分析鱼类对于环境条件的响应函数和各环境条件之间的相互关系，因此应用起来较为方便，在应用效果上与其它模型相比也没有显著的差异。但人工神经网络类型很多，结构多变，相对其它模型来说应用比较困难，要求建模者具有丰富的经验[68]。另外ANN模型对于知识的表达是隐式的，相当于一种黑盒(blackbox)模型，这一方面使得ANN模型在高维情况下表现尚可[69]，一方面也使得ANN模型无法对预测原理做出明确的解释。当然目前也已经有方法检验ANN模型中单个输入变量对模型输出贡献度[70]。基于规则的专家系统专家系统是一种智能计算机程序系统，它包含特定领域人类专家的知识和经验，并能利用人类专家解决问题的方法来处理该领域的复杂问题[71]。在渔情预报应用中，这些专家知识和经验一般表现为渔场形成的规则。目前渔情预报中最常见的专家系统为环境阈值法和栖息地适宜性指数模型。环境阈值法(environmentalenvelopemethods)是最早也是应用最广泛的渔情空间预报模型之一。鱼类对于环境要素都有一个适宜的范围，环境阈值法假设鱼群在适宜的环境条件出现而当环境条件不适宜时则不会出现。这种模型在实现时，通常先计算出满足单个环境条件的网格，然后对不同环境条件的计算结果进行空间叠加分析，得到最终的预测结果，因此也常被称为空间叠加法。空间叠加法能够充分利用渔业领域的专家知识，而且模型构造简单，易于实现，特别适用于海洋遥感反演得到的环境网格数据，因此在渔情预报领域得到了相当广泛的应用[72-74]。栖息地适宜性指数(habitatsuitabilityindex，HSI)模型是由美国地理调查局国家湿地研究中心鱼类与野生生物署提出的用于描述鱼类和野生动物的栖息地质量的框架模型[75]。其基本思想和实现方法与环境阈值法相似，但也有一些区别:首先，HSI模型的预测结果是一个类似于“渔场概率”的栖息地适应性指数，而不是环境阈值法的“是渔场”和“非渔场”的二值结果;其次，在HSI模型中，鱼类对于单个环境要素的适应性不是用一个绝对的数值范围描述，而是采用资源选择函数来表示;最后，在描述多个环境因子的综合作用时，HSI模型可以使用连乘、几何平均、算术平均、混合算法等多种表示方式[76]。HSI模型在鱼类栖息地分析和渔情预报上已有大量应用[31，34-35，76]。但栖息地适应性指数作为一个平均化的指标，与实时渔场并不具有严格的相关性，因此在利用HSI模型来预测渔场时需要非常地谨慎[31]。范例推理范例推理(case-basedreasoning，CBR)模拟人们解决问题的一种方式，即当遇到一个新问题的时候，先对该问题进行分析，在记忆中找到一个与该问题类似的范例，然后1274将该范例有关的信息和知识稍加修改，用以解决新的问题。在范例推理过程中，面临的新问题称为目标范例，记忆中的范例称为源范例。范例推理就是由目标范例的提示，而获得记忆中的源范例，并由源范例来指导目标范例求解的一种策略[77]。这种方法简化了知识获取，通过知识直接复用的方式提高解决问题的效率，解决方法的质量较高，适用于非计算推导，在渔场预报方面有广泛的应用[78-81]。范例推理方法原理简单，并且其模型表现为渔场规则的形式，因此可以很容易地应用到专家系统中。但范例推理方法需要足够多的样本数据以建立范例库，而且提取出的范例主要还是历史数据的总结，难以对新的渔场进行预测[12]。