基于支持向量机的绿潮灾害发展过程中影响因素的权重分析

发布时间：2018-03-12 10:20

本文选题：绿潮成因　切入点：支持向量机　出处：《上海海洋大学》2016年硕士论文　论文类型：学位论文

【摘要】：浒苔(Enteromorpha)的大量繁殖即为绿潮(green tide),绿潮不但影响沿海社会经济和海洋环境,甚至会引起海洋灾害。绿潮发生频率的明显上升引起了相关学者的高度关注,其灾害预报以及成因分析越来越成为人们关注的焦点。绿潮观测数据珍贵且稀少,同时导致绿潮灾害发生的原因极其复杂,并且在绿潮发生的不同时期,各个影响因素对其分布面积的影响程度会发生变化,这些都会给绿潮发展过程中的成因分析及灾害预测造成了一定的困难。本文以解决绿潮这种典型的海洋灾害成因的分析问题从而更好的进行灾害预测为研究目的。根据真实连续的绿潮灾害影响因素的观测数据和间断有限的黄海绿潮分布面积(Distribution Area,DA)的观测数据,对绿潮灾害发展过程进行分析,提出了基于支持向量机(Support Vector Machine,SVM)的动态权重求解算法。利用此算法得出在绿潮生存期间,各因素影响权重的动态变化,并通过分析变化规律,给出在绿潮灾害过程中漂浮、爆发和消亡阶段的判别准则,为其他海洋灾害的分析提供一种值得借鉴的方法。主要研究内容和结果如下:(1)针对绿潮灾害成因极其复杂的问题,分析了黄海绿潮的暴发机制,对其起源与发生过程以及影响绿潮暴发的要素进行了综述。最终得出绿潮暴发主要原因包括温度(Temperature,T)、天气现象(Weather Phenomenon,WP)、风向(Wind Direction,WD)、风力(Wind Force,WF)和浪高(Wave Height,WH),为绿潮暴发预测模型的样本数据构建奠定了基础。(2)针对绿潮观测样本稀少以及灾害成因与分布面积为非线性关系的问题,结合SVM的小样本特性及能够将样本从输入空间映射到特征空间并进行学习的优点,利用SVM对绿潮灾害进行分析。由于绿潮灾害成因的观测数据为真实连续的,而分布面积间断稀少且不同时期的面积相差极大,因此本文提出了一种基于SVM的临近插值模型,来对缺失的观测数据进行插值。在插值精度保证下,一个插值模型只插值一个未知数据,最终得到连续的绿潮观测样本。利用此插值算法,对2012年-2015年的绿潮分布面积进行插值,从最终的插值结果中可以看出恢复的连续样本均符合绿潮灾害过程中分布面积的变化规律,证明了此算法的适用性。(3)针对在绿潮发生的不同时期各个影响因素对其分布面积的影响程度会发生变化的问题,提出一种基于支持向量机回归的动态权重分析法来对灾害过程中各个影响因素权重的动态变化进行分析。根据分析得出的影响黄海绿潮发生及扩散的五个影响因素,利用此算法得出在绿潮生存期各影响因素的动态权重:温度权重(记为W_T)、天气现象权重(记为W_(WP))、风向权重(记为W_(WD))、风力权重(记为W_(WF))和浪高权重(记为W_(WH))。通过分析对比各个因素的权重得到以下结论:T为影响灾害发生的首要因素;WF为绿潮在海表面漂移的主要外力;WP对绿潮的暴发并无明显的影响;在绿潮的消亡阶段,WH会对卫星遥感的绿潮监测产生影响。通过进一步分析温度权重差分(记为DW_T)发现:当DW_T波动由小变大时,绿潮DA也开始慢慢扩大;当DW_T波动最剧烈时,绿潮进入爆发阶段;随着DW_T波动的逐渐平缓,绿潮进入消亡阶段。由此给出当年绿潮漂浮、爆发和消亡阶段分界点的判定准则。(4)在上述提出的方法的基础上建立预测模型,对2014,2015年的绿潮灾害情况进行了预测,得出了灾害预测中的首要监测因子为温度。通过2012-2015年中每年的DW_T与绿潮DA之间的关系对比,发现在每年的各个绿潮灾害阶段,DW_T变化规律一致,这说明了基于SVM的动态权重求解算法具有很强的泛华性。
[Abstract]:......
【学位授予单位】：上海海洋大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：X55

【相似文献】