河蟹養殖水溫預報模型研究

張俊++陳曉偉

摘要 外界環境對河蟹生長影響較大，利用常規氣象要素（溫度、濕度、風、降水量、氣壓）的數據，分析河蟹生長與養殖水溫的關系，建立相關預報模型。研究表明：河蟹養殖水溫主要受溫度、濕度影響；采用神經網絡方法可以較好地建立該模型。

關鍵詞 河蟹養殖；氣象要素；水溫；線性回歸；神經網絡；預報模型

中圖分類號 S966.16 文獻標識碼 A 文章編號 1007-5739（2016）22-0206-02

當涂縣坐落在安徽省東部，境內青山綠水，風景宜人，水網密布，水系發達。當涂縣氣候宜人，光溫資源非常充足，常年平均氣溫16.7 ℃，年降水量1 112.7 mm，年日照時數1 978.6 h。當涂縣屬典型的江南“魚米之鄉”，是全國河蟹生產強縣、安徽省水產大縣，被譽為“中國生態養蟹第一縣”。石臼湖牌大閘蟹金腳紅毛，古代為皇室貢品，被譽為中華“三只蟹”，被列入國家地理標志產品保護物種之一。

河蟹是一種水生變溫動物，水溫的變化不僅直接影響到河蟹及其他水生生物自身的生長發育以及藥物與毒物的作用、對疾病的抵抗作用等，同時也影響到池塘水中的溶解氧、酸堿度的變化、池塘的物質循環速度等其他外界環境因子。一般來說，水溫低于10 ℃，河蟹基本蟄伏不動、不吃食。河蟹的耐低溫能力比較強，即使是抱卵蟹也可以在-2～-1 ℃的水中過冬。當冬季到來時，河蟹就隱藏在洞穴中，停止進食，減少活動進行越冬；水溫升至12～13 ℃時，開始有低頻率的爬行活動，并少量吃食，至15 ℃時，便較大量地吃食[1]；而當水溫超過28 ℃時，河蟹的蛻殼和生長就會受到抑制。河蟹對水溫比較敏感，在適宜的水溫內，隨著水溫升高，蛻殼次數也增多，生長迅速[2]。

與河蟹生長相關的氣象因素遠遠不止溫度，降水、氣壓、風同樣與河蟹生長有很大的關系，氣壓的高低和風的大小都會改變水體中的溶解氧含量等，而溶解氧含量又是影響河蟹生長的一個重要因素。但各氣象因素之間具有相關性，某一氣象因素發生變化時，其他氣象因素隨之改變，從而共同影響著河蟹的正常生長發育。

河蟹養殖成功與氣象要素變化密切相關。為了更好地研究河蟹生長環境（水溫）與氣象要素關系，在當涂縣姑孰鎮苦菜圩水產養殖合作社基地建設了一套水產養殖小型氣候觀測站，通過對小型氣候站各氣象要素的觀測，得出水溫與氣象要素關系，從而利用天氣預報做出水溫預測為河蟹養殖提供氣象服務。

1 資料與方法

1.1 研究資料

本文所用資料為當涂縣苦菜圩水產養殖小型氣候觀測站2013年11月至2014年10月的每小時常規要素（氣溫、小時雨量、10 min風速、相對濕度、本站氣壓）以及河蟹生長環境水溫觀測數據。

1.2 研究方法

本文利用氣象要素觀測資料，采用線性回歸和BP神經網絡組建水底溫度預測方程。計算回歸方程系數時，逐項P值（當原假設為真時所得到的樣本觀察結果或更極端結果出現的概率）和方程擬合系數R也會隨之確定。逐項P值和擬合系數R相結合，可以很好地評估方程的擬合狀況[3]。

BP神經網絡是一種目前應用較多的神經網絡模型[4]，具有很強的非線性擬合能力，可映射任意復雜的非線性關系，而且學習規則簡單，便于計算機實現。具有很強的魯棒性、記憶能力、非線性映射能力、異常值影響小以及強大的自學習能力。本文采用LM（Levenberg-Marquardt）算法、單隱含層（神經元數量稍多于預報因子）的BP神經網絡。

利用現有的氣溫、小時雨量、10 min風速、相對濕度、本站氣壓5個要素作為預報因子[5-6]，得出對水底溫度預報的模型，根據本地天氣氣溫預報出水底溫度范圍。

2 結果與分析

2.1 線性回歸

將水底溫度作為預報量，將氣溫、小時雨量、10 min風速、相對濕度、本站氣壓5個要素作為預報因子，利用2013年11月至2014年10月數據作樣本，進行多元一次線性回歸，擬合系數R=0.877；各因子系數及P值見表1。

從表1可以看到，水底溫度主要和氣溫相關，其系數為0.80，達到0.01的置信度區間。小時雨量和本站氣壓擬合的P值均未達到0.05的置信度區間，應剔除該預報因子。而10 min風速，其變化范圍一般在0～10 m/s，乘以0.01的相關系數，對水底溫度的影響小于0.1 ℃。該影響遠小于預報的誤差，因此也不考慮作為預報因子。常數項的P值超過0.05置信度，則因子選擇、方法等方面存在問題。

將水底溫度作為預報量y，將氣溫a、相對濕度b作為預報因子。線性回歸結果：y=0.789a+0.068b-0.557，擬合系數R=0.876，3項P值<0.000 3，通過顯著性檢驗（置信度0.01）。

2.2 神經網絡方法

將水底溫度作為預報量，將對應時次氣溫、小時雨量、10 min風速、濕度、本站氣壓作為預報因子。BP神經網絡擬合系數結果如圖1所示。圖中橫坐標表示實際值，縱坐標表示擬合值。

在BP神經網絡擬合的時候，通常將所有數據分成3個部分。通常選擇70%為訓練數據，15%為確認數據，15%為測試數據。訓練集用來估計模型，驗證集用來確定網絡結構或者控制模型復雜程度的參數，而測試集則檢驗最終選擇最優的模型的性能如何。

2.3 檢驗與分析

2.3.1 回歸方程誤差分析。水底溫度作為預報量y，利用回歸方程y=0.789a+0.068b-0.557，a為氣溫，b為濕度，算出預報量y（水溫），再與實際觀測值（2014年11月觀測值）水溫進行比對（圖2）。

利用殘差分析其數據，殘差是指實際觀察值與回歸估計值的差。根據計算（選用2013年10月至2014年11月數據），殘差值63%在3 ℃以內，29%在3～4 ℃以內，9%在4 ℃以上，然而4 ℃以上的是由于采取人工灌水降溫導致（圖3）。

2.3.2 神經網絡誤差分析。由圖4可以看出，訓練、驗證、測試數據與實際水底溫度比較，殘差比較小，均在2 ℃以內，然而4 ℃以上的是由于采取人工灌水降溫導致。

3 結論與討論

通過以上數據分析看出，水溫變化趨勢和預測值大致一致，說明利用氣溫、濕度觀測要素建立螃蟹養殖水底溫度預報的方法是可行的。采用線性回歸方法建立預報型，水底溫度主要受氣溫、相對濕度影響，擬合系數0.876。然而神經網絡方法建立預報模型，擬合系數較高，測試數據具有高達0.949的擬合系數，接近訓練、驗證數據。該方法有較高的擬合精度和較高的泛化能力。

4 參考文獻

[1] 時冬頭，許祥，陳賢明.中華絨螯蟹成蟹生長與主要氣象因素的關系[J].江蘇農業科學，2013，41（4）：226-228.

[2] 時冬頭.成蟹養殖生長與主要氣象要素關系的研究[C]//中國氣象學會.S10 氣象與現代農業發展.中國氣象學會，2012：7.

[3] 賈寧華.函數型線性回歸模型若干問題研究[D].合肥：合肥工業大學，2012.

[4] 劉鵬飛.基于神經網絡的數據統計研究[D].西安：西安科技大學，2012.

[5] 辜曉青，江國振.河蟹養殖生態、氣象影響因子觀測研究[J].江西農業學報，2015（4）：88-93.

[6] 辜曉青，江國振，田俊，等.中華絨螯蟹養殖生態氣象試驗研究[J].上海海洋大學學報，2013（1）：54-59.