河蟹养殖水温预报模型研究

张俊++陈晓伟

摘要 外界环境对河蟹生长影响较大，利用常规气象要素（温度、湿度、风、降水量、气压）的数据，分析河蟹生长与养殖水温的关系，建立相关预报模型。研究表明：河蟹养殖水温主要受温度、湿度影响；采用神经网络方法可以较好地建立该模型。

关键词 河蟹养殖；气象要素；水温；线性回归；神经网络；预报模型

中图分类号 S966.16 文献标识码 A 文章编号 1007-5739（2016）22-0206-02

当涂县坐落在安徽省东部，境内青山绿水，风景宜人，水网密布，水系发达。当涂县气候宜人，光温资源非常充足，常年平均气温16.7 ℃，年降水量1 112.7 mm，年日照时数1 978.6 h。当涂县属典型的江南“鱼米之乡”，是全国河蟹生产强县、安徽省水产大县，被誉为“中国生态养蟹第一县”。石臼湖牌大闸蟹金脚红毛，古代为皇室贡品，被誉为中华“三只蟹”，被列入国家地理标志产品保护物种之一。

河蟹是一种水生变温动物，水温的变化不仅直接影响到河蟹及其他水生生物自身的生长发育以及药物与毒物的作用、对疾病的抵抗作用等，同时也影响到池塘水中的溶解氧、酸碱度的变化、池塘的物质循环速度等其他外界环境因子。一般来说，水温低于10 ℃，河蟹基本蛰伏不动、不吃食。河蟹的耐低温能力比较强，即使是抱卵蟹也可以在-2～-1 ℃的水中过冬。当冬季到来时，河蟹就隐藏在洞穴中，停止进食，减少活动进行越冬；水温升至12～13 ℃时，开始有低频率的爬行活动，并少量吃食，至15 ℃时，便较大量地吃食[1]；而当水温超过28 ℃时，河蟹的蜕壳和生长就会受到抑制。河蟹对水温比较敏感，在适宜的水温内，随着水温升高，蜕壳次数也增多，生长迅速[2]。

与河蟹生长相关的气象因素远远不止温度，降水、气压、风同样与河蟹生长有很大的关系，气压的高低和风的大小都会改变水体中的溶解氧含量等，而溶解氧含量又是影响河蟹生长的一个重要因素。但各气象因素之间具有相关性，某一气象因素发生变化时，其他气象因素随之改变，从而共同影响着河蟹的正常生长发育。

河蟹养殖成功与气象要素变化密切相关。为了更好地研究河蟹生长环境（水温）与气象要素关系，在当涂县姑孰镇苦菜圩水产养殖合作社基地建设了一套水产养殖小型气候观测站，通过对小型气候站各气象要素的观测，得出水温与气象要素关系，从而利用天气预报做出水温预测为河蟹养殖提供气象服务。

1 资料与方法

1.1 研究资料

本文所用资料为当涂县苦菜圩水产养殖小型气候观测站2013年11月至2014年10月的每小时常规要素（气温、小时雨量、10 min风速、相对湿度、本站气压）以及河蟹生长环境水温观测数据。

1.2 研究方法

本文利用气象要素观测资料，采用线性回归和BP神经网络组建水底温度预测方程。计算回归方程系数时，逐项P值（当原假设为真时所得到的样本观察结果或更极端结果出现的概率）和方程拟合系数R也会随之确定。逐项P值和拟合系数R相结合，可以很好地评估方程的拟合状况[3]。

BP神经网络是一种目前应用较多的神经网络模型[4]，具有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现。具有很强的鲁棒性、记忆能力、非线性映射能力、异常值影响小以及强大的自学习能力。本文采用LM（Levenberg-Marquardt）算法、单隐含层（神经元数量稍多于预报因子）的BP神经网络。

利用现有的气温、小时雨量、10 min风速、相对湿度、本站气压5个要素作为预报因子[5-6]，得出对水底温度预报的模型，根据本地天气气温预报出水底温度范围。

2 结果与分析

2.1 线性回归

将水底温度作为预报量，将气温、小时雨量、10 min风速、相对湿度、本站气压5个要素作为预报因子，利用2013年11月至2014年10月数据作样本，进行多元一次线性回归，拟合系数R=0.877；各因子系数及P值见表1。

从表1可以看到，水底温度主要和气温相关，其系数为0.80，达到0.01的置信度区间。小时雨量和本站气压拟合的P值均未达到0.05的置信度区间，应剔除该预报因子。而10 min风速，其变化范围一般在0～10 m/s，乘以0.01的相关系数，对水底温度的影响小于0.1 ℃。该影响远小于预报的误差，因此也不考虑作为预报因子。常数项的P值超过0.05置信度，则因子选择、方法等方面存在问题。

将水底温度作为预报量y，将气温a、相对湿度b作为预报因子。线性回归结果：y=0.789a+0.068b-0.557，拟合系数R=0.876，3项P值<0.000 3，通过显著性检验（置信度0.01）。

2.2 神经网络方法

将水底温度作为预报量，将对应时次气温、小时雨量、10 min风速、湿度、本站气压作为预报因子。BP神经网络拟合系数结果如图1所示。图中横坐标表示实际值，纵坐标表示拟合值。

在BP神经网络拟合的时候，通常将所有数据分成3个部分。通常选择70%为训练数据，15%为确认数据，15%为测试数据。训练集用来估计模型，验证集用来确定网络结构或者控制模型复杂程度的参数，而测试集则检验最终选择最优的模型的性能如何。

2.3 检验与分析

2.3.1 回归方程误差分析。水底温度作为预报量y，利用回归方程y=0.789a+0.068b-0.557，a为气温，b为湿度，算出预报量y（水温），再与实际观测值（2014年11月观测值）水温进行比对（图2）。

利用残差分析其数据，残差是指实际观察值与回归估计值的差。根據计算（选用2013年10月至2014年11月数据），残差值63%在3 ℃以内，29%在3～4 ℃以内，9%在4 ℃以上，然而4 ℃以上的是由于采取人工灌水降温导致（图3）。

2.3.2 神经网络误差分析。由图4可以看出，训练、验证、测试数据与实际水底温度比较，残差比较小，均在2 ℃以内，然而4 ℃以上的是由于采取人工灌水降温导致。

3 结论与讨论

通过以上数据分析看出，水温变化趋势和预测值大致一致，说明利用气温、湿度观测要素建立螃蟹养殖水底温度预报的方法是可行的。采用线性回归方法建立预报型，水底温度主要受气温、相对湿度影响，拟合系数0.876。然而神经网络方法建立预报模型，拟合系数较高，测试数据具有高达0.949的拟合系数，接近训练、验证数据。该方法有较高的拟合精度和较高的泛化能力。

4 参考文献

[1] 时冬头，许祥，陈贤明.中华绒螯蟹成蟹生长与主要气象因素的关系[J].江苏农业科学，2013，41（4）：226-228.

[2] 时冬头.成蟹养殖生长与主要气象要素关系的研究[C]//中国气象学会.S10 气象与现代农业发展.中国气象学会，2012：7.

[3] 贾宁华.函数型线性回归模型若干问题研究[D].合肥：合肥工业大学，2012.

[4] 刘鹏飞.基于神经网络的数据统计研究[D].西安：西安科技大学，2012.

[5] 辜晓青，江国振.河蟹养殖生态、气象影响因子观测研究[J].江西农业学报，2015（4）：88-93.

[6] 辜晓青，江国振，田俊，等.中华绒螯蟹养殖生态气象试验研究[J].上海海洋大学学报，2013（1）：54-59.