基于CNN-XGBoost融合模型的海洋渔业资源动态预测

科学领域:

• 海洋生态和资源管理
• 计算智能和数据科学数据科学

背景情况:

• 传统的统计方法与复杂的,非线性海洋环境数据作斗争,用于渔业预测.
• 准确的海洋渔业资源预测对于可持续管理和生态系统保护至关重要.

研究的目的:

• 开发和评估一种新的卷积神经网络 (CNN) - 极端梯度增强 (XGBoost) 融合模型,用于增强海洋渔业资源预测.
• 改善现有方法的局限性,以捕捉海洋环境数据中的时间依赖性和非线性关系.

主要方法:

• 开发了一个分层的两级CNN-XGBoost融合模型.
• 美国有线电视新闻网的组件从多来源的海洋环境数据中提取了高层次的时间特征.
• XGBoost模块处理了提取的特征和工程变量,用于最终的预测.

主要成果:

• 在独立的CNN,XGBoost和ARIMA模型中,CNN-XGBoost融合模型表现出优越的性能.
• 在根平均平方误差 (RMSE) 中取得了19.1%的改进,并在所有评估指标中取得了显著的改进.
• 最佳的融合重量分配了40%的CNN特征和60%的XGBoost特征,产生RMSE为2.847,MAE为2.184和R2为0.846.

结论:

• 拟议的CNN-XGBoost融合模型为海洋渔业资源预测提供了强大而准确的方法.
• 该模型有效地处理季节性变化,并预测极端丰度事件,这对于适应性管理至关重要.
• 结果为决策者和资源管理者提供了有价值的工具,以确保可持续的海洋资源利用.