典型文献
基于改进的XGBoost模型预测南太平洋长鳍金枪鱼资源丰度
文献摘要：
为提高渔场资源丰度预测准确性,以单位捕捞努力量渔获量(catch per unit effort,CPUE)为长鳍金枪鱼(Thunnus alalunga)资源丰度指标,利用海洋遥感、Argo等获取的海洋环境因子,在最优分布式决策梯度提升树(XGBoost)模型基础上,采用卷积神经网络(Convolutional Neutral Network,CNN)进行高维海洋环境数据特征提取,并利用模拟退火算法(Simulate Anneal,SA)对最优分布式决策梯度提升树(Extreme gradient boosting,XGBoost)模型进行超参数优化,提出了改进的XGBoost模型CNN-SA-XGBoost模型,实现对南太平洋长鳍金枪鱼资源丰度的回归预测.实验表明,在南太平洋长鳍金枪鱼资源丰度预测中,CNN-SA-XGBoost模型的均方根误差为0.486,较XGBoost减少12.4％,较多元线性回归(Multiple Linear Regression)、随机森林(Random Forest,RF)、BP神经网络等模型预测误差降低11.8％～28.4％.且改进的XGBoost模型在一定程度上改善了传统资源丰度预测模型面对高维环境数据和缺失值较多的渔业生产数据时预测误差较大的问题,为远洋渔场预报提供了新方法.
文献关键词：
资源丰度;南太平洋;长鳍金枪鱼;CNN-SA-XGBoost
中图分类号：
作者姓名：
袁红春;高子玥;张天蛟
作者机构：
上海海洋大学信息学院,上海201306
文献出处：
引用格式：
[1]袁红春;高子玥;张天蛟-.基于改进的XGBoost模型预测南太平洋长鳍金枪鱼资源丰度)[J].海洋湖沼通报,2022(02):112-120
A类：
Anneal
B类：
XGBoost,南太平洋长鳍金枪鱼,资源丰度,预测准确性,单位捕捞努力量渔获量,catch,per,unit,effort,CPUE,Thunnus,alalunga,用海,海洋遥感,Argo,环境因子,分布式决策,梯度提升树,Convolutional,Neutral,Network,高维,海洋环境数据,数据特征,模拟退火算法,Simulate,SA,Extreme,gradient,boosting,超参数优化,回归预测,Multiple,Linear,Regression,Random,Forest,RF,预测误差,传统资源,型面,缺失值,渔业生产,生产数据,远洋,渔场预报
AB值：
0.330503
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
