《表2 部分模型演算输出结果的RMSE、MAE、R2》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于BP人工神经网络平潭海域赤潮叶绿素a浓度模型演算研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

赤潮的暴发受各环境因子的综合影响，而叶绿素a含量与浮游植物细胞密度具有相关性，能在一定程度上表征赤潮藻种的生长情况，因此，将各输入指标与叶绿素a之间的关系进行主成分分析（图3），筛选出与叶绿素a相关性较强的影响因子进行模型的演算，以提高模型的演算精度。通过主成分分析可知，气温、水温、DO、日照、盐度在第一主成分贡献率较高，分别达到了0.53、0.49、–0.50、0.35、0.29。此外，pH在第二主成分的贡献率达到了0.73，故将这一指标叠加到模型演算中。将筛选出的环境因子通过多输入指标组合进行BP模型的建模分析，环境因子组合的部分演算结果误差及可决系数R2如表2所示。根据Qin等[8]ARIMA-DBN模型的评价标准，为了更加精准的预测赤潮，RMSE和MAE应当尽可能小，R2尽可能逼近1。各演算误差RMSE均小于0.1μg/L、MAE均小于0.05μg/L，各组合差别不大。在这个基础上筛选出相关性较高的，使得模型的预测结果尽可能可靠。根据表2可以看出组合6的演算结果误差较小，RMSE=0.05μg/L，MAE=0.03μg/L，可决系数R2达到0.81，拟合度较好，BP神经网络对应样本的相关性较高，即该模型的预测结果与实际发生情况的相关度较高，这一结果达到期望精度。在组合6的拟合图中（见图4）可以看出叶绿素a的BP模型演算值与实测值的趋势大体一致，多数模型演算值与实测值极为接近。模型演算值峰值与实测值峰值不仅在同一点出现，且模型演算值峰值高于实测值，这对于赤潮预警极为重要，可以使相关部门提前对赤潮的发生做好防范工作，以减少赤潮带来的损失。因此，可以认为以气温、日照、DO作为BP神经网络的输入指标进行演算时，模型训练结果可以获取有效的学习经验。