《表2 部分模型演算输出结果的RMSE、MAE、R2》
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》
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。
图表编号 | XD00133202600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.03.15 |
作者 | 许阳春、张明峰、苏玉萍、洪颐、苏金洙、陈晶晶 |
绘制单位 | 福建师范大学环境科学与工程学院、福建省污染控制与资源循环重点实验室、福建师范大学地理科学学院、福建师范大学环境科学与工程学院、福建省污染控制与资源循环重点实验室、法国巴黎高科路桥学院、福建师范大学环境科学与工程学院、福建省污染控制与资源循环重点实验室、福建师范大学环境科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |