何世鈞，唐瑩莉，張 婷，李 煜，謝圣東，于克鋒，何培民，3（.上海海洋大學(xué)信息學(xué)院，上海 0306；.上海海洋大學(xué)水產(chǎn)與生命學(xué)院，上海 0306；3.上海海洋大學(xué)海洋科學(xué)研究院，海洋生態(tài)環(huán)境與修復(fù)研究所，上海0306）

基于支持向量機(jī)的綠潮災(zāi)害影響因素的權(quán)重分析

何世鈞1*，唐瑩莉1，張 婷1，李 煜1，謝圣東1，于克鋒2，何培民2，3（1.上海海洋大學(xué)信息學(xué)院，上海 201306；2.上海海洋大學(xué)水產(chǎn)與生命學(xué)院，上海 201306；3.上海海洋大學(xué)海洋科學(xué)研究院，海洋生態(tài)環(huán)境與修復(fù)研究所，上海201306）

根據(jù)2012～2013年南黃海海域綠潮滸苔遙感監(jiān)測分布面積數(shù)據(jù)及溫度、天氣狀況、風(fēng)向、風(fēng)力、浪高5個(gè)影響綠潮滸苔擴(kuò)散的氣候因子，建立了相應(yīng)的支持向量機(jī)回歸模型.通過模型中各影響因素權(quán)重的變化分析綠潮災(zāi)害的發(fā)展過程，并與傳統(tǒng)的單因素分析法進(jìn)行對比，支持向量機(jī)回歸更能準(zhǔn)確得出各影響因素的權(quán)重及權(quán)重的變化規(guī)律.通過對權(quán)重變化規(guī)律的分析，給出在綠潮發(fā)生過程中漂浮、爆發(fā)和消亡階段的劃分依據(jù).

支持向量機(jī)回歸；影響因子；權(quán)重分析；災(zāi)害過程

滸苔（Ulvaprolifera）屬綠藻門，綠藻綱［1］，雖然無毒，但大量繁殖的滸苔（綠潮）會對海洋環(huán)境、景觀、生態(tài)服務(wù)功能以及沿海社會經(jīng)濟(jì)造成嚴(yán)重影響.近年來綠潮在黃海中部南部等海域相繼爆發(fā)，給日照、青島、煙臺等地造成不同程度的經(jīng)濟(jì)損失和社會、環(huán)境影響，黃海綠潮的發(fā)生原因越來越成為人們關(guān)注的焦點(diǎn)［2-3］.目前對于黃海綠潮災(zāi)害的發(fā)生過程分析主要局限于單因素分析法［4-6］，而單因素分析法只考慮單一影響因子對綠潮分布面積的影響.綠潮發(fā)生的原因比較復(fù)雜，與諸多環(huán)境因子具有高維非正態(tài)、復(fù)雜性、非線性相關(guān)［7］，因此僅僅利用單因素分析法，并不能準(zhǔn)確預(yù)測其各個(gè)影響因子的權(quán)重（W）.

支持向量機(jī)（SVM）是小樣本學(xué)習(xí)理論［8-9］，正成為機(jī)器學(xué)習(xí)領(lǐng)域新的研究熱點(diǎn)，目前 SVM已廣泛應(yīng)用于人臉圖像識別、手寫識別、水質(zhì)評價(jià)、文本分類、土壤評價(jià)，遙感圖像分析等領(lǐng)域［10-13］，這些應(yīng)用皆是建立在基于SVM的分類或回歸問題上，而目前尚很少見將 SVM應(yīng)用于權(quán)重分析中.SVM能夠?qū)?shù)據(jù)從觀測空間映射到特征空間并進(jìn)行推理學(xué)習(xí)，而綠潮觀測數(shù)據(jù)稀少，且成因具有較高的復(fù)雜性，因此本文以黃海綠潮為研究對象，利用 SVM對其災(zāi)害發(fā)展過程中各影響因素的權(quán)重進(jìn)行分析.

綠潮的生成和災(zāi)害爆發(fā)與營養(yǎng)鹽、鹽度等有關(guān)［14］，故其生成源地在富營養(yǎng)化的長江口水域，隨后隨著長江沖淡水不斷飄向東北方向貧營養(yǎng)區(qū)的黃海南部［15-16］.本文旨在為黃海綠潮業(yè)務(wù)化預(yù)報(bào)提供依據(jù)，重點(diǎn)研究在綠潮災(zāi)害已經(jīng)爆發(fā)的條件下，對其在黃海中的擴(kuò)散影響比較大且便于測量的因素，營養(yǎng)鹽、鹽度等影響綠潮生成的因素不在考慮范圍內(nèi).根據(jù)文獻(xiàn)總結(jié)得出影響綠潮災(zāi)害發(fā)生擴(kuò)散的主要因素包括溫度（T）、天氣現(xiàn)象（WP）、風(fēng)向（WD）、風(fēng)力（WF）和浪高（WH）［5-6，17-18］.主要探討 SVM的建模過程和評價(jià)效果，旨在對 SVM模型技術(shù)在綠潮或其他海洋生物的災(zāi)害過程分析中提供借鑒，同時(shí)討論在綠潮發(fā)生過程中的漂浮、爆發(fā)和消亡階段［17］的劃分依據(jù).

1　基于SVM的權(quán)重分析法

SVM是 1995年由 AT&T貝爾實(shí)驗(yàn)室的Vapnik及其研究小組提出的一種小樣本理論.下面針對綠潮災(zāi)害成因分析的問題說明支持向量機(jī)權(quán)重分析法.

1.1支持向量機(jī)回歸理論

對于支持向量機(jī)回歸（SVR）問題［19］，就是對于給定的l個(gè)數(shù)據(jù)樣本｛（x，y），i=1，…，l｝∈（Rn×Yi），xi∈Rn，y∈Y?R ，來找到一個(gè)可將樣本分離的超平面（決策平面），支持向量回歸的目標(biāo)就是求下列回歸函數(shù)：

考慮以下最優(yōu)化問題：

其中：C是懲罰參數(shù)，用來控制模型復(fù)雜度和逼近誤差的折中，C越大則對數(shù)據(jù)的擬合程度越高.引入拉格郎日乘子，α*=，...，并轉(zhuǎn)換為如下的對偶問題：

對于非線性可分的情況，可使用映射Φ將 X映射到特征空間中，再在高維特征空間建立優(yōu)化超平面，相應(yīng)的超平面為wTΦ（x）+b=0，支持向量回歸機(jī)理論只考慮高維特征空間的內(nèi)積運(yùn)算K（ x，y）= Φ（x）·Φ（y），因此，最終的最優(yōu)超平面為

1.2權(quán)重分析

對于線性可分的情況，求得上述回歸結(jié)果后，式（4）中權(quán)重向量wT各分量的絕對值大小分別代表向量x∈Rn各分量在決策函數(shù)中的權(quán)重［20］.對于綠潮災(zāi)害發(fā)生過程分析的問題而言，因綜合其5個(gè)影響因子，故式（4）中，設(shè)在回歸點(diǎn)=［T，WP，WD，WF，WH］，則有回歸結(jié)果

2　應(yīng)用實(shí)例分析

2.1基于SVR的綠潮面積回歸

目前相關(guān)部門已經(jīng)利用衛(wèi)星、航空、船舶等不同監(jiān)測平臺對綠潮災(zāi)害開始進(jìn)行實(shí)時(shí)、動態(tài)的立體監(jiān)測［21-23］.本文主要對 2012，2013年黃海綠潮的發(fā)生過程進(jìn)行分析，文中綠潮面積數(shù)據(jù)由“黃海綠潮業(yè)務(wù)化預(yù)測預(yù)警關(guān)鍵技術(shù)研究與示范”專項(xiàng)獲取，實(shí)際觀測的2013年綠潮分布面積（DA）如圖1所示.由圖1可知，綠潮的發(fā)生階段為5～8月，而實(shí)際獲得的綠潮衛(wèi)星遙感監(jiān)測數(shù)據(jù)只有42d的數(shù)據(jù)，因此需要對連續(xù)觀察數(shù)據(jù)中缺失的數(shù)據(jù)進(jìn)行恢復(fù).

圖1　實(shí)際觀測的綠潮分布面積Fig.1 The observed distribution area of green tide

2.1.1數(shù)據(jù)預(yù)處理 綜合影響黃海綠潮發(fā)生過程的因子T，WP，WD，WF和WH.其數(shù)據(jù)來自氣象臺天氣后報(bào)［24］.根據(jù)綠潮藻在不同溫光條件下的特定生長率［25］，WP分別數(shù)值化為：晴即 14，多云及陰 24，雨即 21，T的數(shù)值化處理方式為：T= （T）/（（14+24+21）/3）.表層流的流向決定海洋中綠潮漂流方向，在夏季，黃海沿岸海域表層海流基本上是由東南向西北方向流動［26］，且 2012，2013年黃海綠潮的漂移方向也是西北方向，因此根據(jù)風(fēng)向與綠潮漂移方向的夾角大小，對WD的數(shù)值化如圖2所示.WF，WH則使用氣象臺發(fā)布的原始數(shù)值.

2.1.2回歸計(jì)算 對2012，2013年黃海綠潮衛(wèi)星遙感監(jiān)測數(shù)據(jù)的綠潮DA進(jìn)行回歸，利用基于SVR的綠潮面積預(yù)測模型建模.由于在綠潮的整個(gè)生存階段min（DA）＜ ＜max（DA），為了保持回歸過程中相對誤差（RE）小于20%以獲得較準(zhǔn)確的回歸結(jié)果，根據(jù)局部最優(yōu)解原理，分別對 5月、6月、7月和8月的綠潮DA進(jìn)行回歸，具體步驟如下（以對 6月的綠潮 DA進(jìn)行回歸為例）：

圖2　風(fēng)向Fig.2 Wind direction

（1）訓(xùn)練集（Train）和測試集（Test）的選取.針對6月綠潮 DA的觀測數(shù)據(jù)Data=｛Datai=（xi，yi），i=1，…，n｝∈（Rn×Y）n，選 取Test=｛Datai（1≤i≤10），Dataj（11≤j ≤20），Datak（21≤k≤30）｝，Train=Data-Test.

（2）模型的建立.利用基于SVR的綠潮DA預(yù)測的原理，對Train進(jìn)行建模并確保RE＜20%.

（3）綠潮DA回歸.利用模型預(yù)測臨近測試點(diǎn)的DA的預(yù)測值（PV），將其加入Train，重新建模，若 RE＜20%，更新 Train=Train+｛PV｝，重新選擇Test.以此類推直到恢復(fù)數(shù)據(jù)的連續(xù)性.

回歸的最終結(jié)果如圖3所示.

圖3　綠潮分布面積的回歸結(jié)果Fig.3 The regression result of distribution area of green tide

2.2基于SVM的綠潮災(zāi)害發(fā)生過程分析

2.2.1單因素分析法 利用單因素分析法分析T和WF對綠潮DA的影響.圖4是綠潮分布面積差分（記為ΔDA）與溫度差分（記為ΔT）和風(fēng)力差分（記為ΔWF）的對比（為了方便分析，將圖示中ΔT 和ΔWF各擴(kuò)大1000倍）.從圖4中可以看出ΔT和ΔWF的規(guī)律性不強(qiáng)，并不能分析它們間的關(guān)系.

圖4　ΔDA與ΔT， ΔWF對比Fig.4 The comparison of ΔDA with ΔT，ΔWF

2.2.2基于SVR的權(quán)重分析法 為了求得影響綠潮DA各個(gè)因素的權(quán)重，建立基于SVR的黃海綠綠潮DA預(yù)測模型，選用線性核，利用5折交叉驗(yàn)證法對參數(shù) C進(jìn)行尋優(yōu)［27］，SVR訓(xùn)練結(jié)果為f（x）= wT·x+b，其中wT=［w1，w2，w3，w4，w5］，其絕對值大小分別代表T、WP、WD、WF和WH在綠潮發(fā)生過程中的影響權(quán)重.

利用SVR求取WT、WWP、WWD、WWF和WWH具體步驟如下：

（1）選取第1d至第nd的數(shù)據(jù)做為訓(xùn)練集，利用5折交叉驗(yàn)證法進(jìn)行參數(shù)尋優(yōu)，得到最優(yōu)模型的決策函數(shù)f（x）=wT·x+b ，從而確定此時(shí)間段各個(gè)因素的權(quán)重；

（2）將n從第一組數(shù)據(jù)循環(huán)至最后一組數(shù)據(jù)，最終得到各影響因子在不同時(shí)間段的權(quán)重向量WT、WWP、WWD、WWF和WWH.

圖5、圖6為綠潮生存期其DA與WT、WWP、WWD、WWF和WWH的關(guān)系.

圖5　綠潮DA與WT， WWD和WWF的對比Fig.5 The comparison of DA with WT，WWD，WWF

圖5表示綠潮DA與WT、WWD和WWF的對比，圖5（b）中，虛線為WT，粗實(shí)線和細(xì)實(shí)線分別為WWD和 WWF.由圖 5（b）可知，在綠潮的整個(gè)生存期，WT的變化與 DA的變化保持較高的一致性，且具有較好的平滑性.隨著綠潮的生長，WT越來越大，在綠潮的爆發(fā)階段，WT最大，這說明，T與綠潮大規(guī)模的形成有密切關(guān)系，在綠潮的消亡期，WT慢慢變小.同樣可以很直觀的看出，在綠潮生存期間，WWD和 WWF的變化呈現(xiàn)一致的規(guī)律，且它們的變化規(guī)律與DA的變化具有一致性，在綠潮剛生成時(shí)，WWD和 WWF較小，隨著綠潮的規(guī)模性形成，WWD和WWF慢慢變大，WF成為綠潮在海洋中移動的主要強(qiáng)迫力，持續(xù)的強(qiáng)風(fēng)成為 DA慢慢擴(kuò)大的主要外界強(qiáng)迫力.分析圖6可知在綠潮的生存階段，WWP的變化毫無規(guī)律，這說明WP對綠潮的暴發(fā)并無明顯的影響.觀察曲線WWH可知，在綠潮即將消亡時(shí)期，WH影響衛(wèi)星遙感對綠潮DA的監(jiān)測.

圖6　綠潮DA與WWP和WWH的對比Fig.6 The comparison of DA with WWP，WWH

由圖5（b）WT、WWD和WWF值的大小對比可知，在綠潮發(fā)生的氣候影響因子中，WT最大，于是分析ΔWT可得到圖7.

圖7中，當(dāng)ΔWT產(chǎn)生跳變時(shí)，DA始慢慢變大，當(dāng)ΔWT達(dá)到最大時(shí)，綠潮進(jìn)入爆發(fā)階段，隨著ΔWT的減小，綠潮慢慢進(jìn)入消亡階段.因此，可根據(jù)ΔWT的變化，來確定當(dāng)年綠潮漂浮、爆發(fā)和消亡階段時(shí)間分界點(diǎn).對 2012年黃海綠潮觀測數(shù)據(jù)用同樣方法進(jìn)行分析，得出其生長過程中DA與ΔWT的對比如圖8所示.由圖8可以看到，結(jié)果與上述結(jié)論一致.

圖8　2012年黃海綠潮DA與ΔWT的對比Fig.8 The comparison of DA with ΔWTin 2012

3　結(jié)論

基于SVR模型技術(shù)，綜合影響黃海綠潮發(fā)生及擴(kuò)散的條件因素包括T，WP，WD，WF和WH，分析它們對綠潮DA的影響權(quán)重.首先利用單因素分析法分析各影響因素對綠潮DA的影響，并沒有得到某種相關(guān)性關(guān)系，且不能得出各個(gè)影響因子的權(quán)重.接著將這些影響因素與相應(yīng)的綠潮DA建立相應(yīng)的SVR模型，求取WT、WWP、WWD、WWF和 WWH，并分析各個(gè)因素的權(quán)重.結(jié)果表明：可用SVR對復(fù)雜問題進(jìn)行權(quán)重分析，給出時(shí)間序列上的權(quán)重的變化規(guī)律；T對綠潮災(zāi)害發(fā)生過程的影響是最大的，因此在綠潮的監(jiān)測中應(yīng)首要考慮T；ΔWT的值由小變大的分界點(diǎn)，即為綠潮從漂浮階段過渡到爆發(fā)階段的時(shí)間分界點(diǎn)，ΔWT的值由大變小的分界點(diǎn)，即為綠潮從爆發(fā)階段到消亡階段的時(shí)間分界點(diǎn).

曾呈奎，張德瑞，張峻甫.中國經(jīng)濟(jì)海藻志 ［M］. 北京：科學(xué)出版社，1962：50-76.

Liu D Y， Keesing J K， Xing Q G. World's largest macroalgal bloom casused by expansion of seaweed aquaculture in China ［J］. Marine Pollution Bulletin， 2009，58（6）：888-895.

Hu C M， Li D Q， Chen C S， et al. On the recurrent Ulva prolifera blooms in the Yellow Sea and East China Sea ［J］. Journal of Geophysical Research， 2010，115C：05017.

李德萍，楊育強(qiáng)，董海鷹.2008年青島海域滸苔大爆發(fā)天氣特征及成因分析 ［J］. 中國海洋大學(xué)學(xué)， 2009，39（6）：1165-1170.

衣 立，張?zhí)K平，殷玉齊.2009年黃海綠潮滸苔爆發(fā)與漂移的水文氣象環(huán)境 ［J］. 中國海洋大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2010，40（10）：015-023.

張?zhí)K平，劉應(yīng)辰，張廣泉，等.基于遙感資料的2008年黃海綠潮滸苔水文氣象條件分析 ［J］. 中國海洋大學(xué)學(xué)報(bào)， 2009，39（5）：870- 876.

劉桂梅，李 海，王 輝，等.我國海洋綠潮生態(tài)動力學(xué)研究進(jìn)展 ［J］.地球科學(xué)進(jìn)展， 2010，25（2）：147-152.

Vapnik V N. An overview of statistical learning theory ［J］. IEEE Transactions on Neural Networks， 1999，10（5）：988-999.

Cortes C， Vapnik V. Support vector networks ［J］. Machine Learning，1995，20（3）：273-297.

Hugo Carrao， Paulo Goncalves， Mario Caetano. Contribution of multispectral and multitemporal information from MODIS images to land cover classification ［J］. Remote Sensing of Environment， 2008，112（3）：986-997.

周建國，張希剛.基于粗糙集與灰色SVM的中國CO2排放量預(yù)測 ［J］.中國環(huán)境科學(xué)， 2013，33（12）：2157-2163.

李柞泳，張正健.基于回歸支持向量機(jī)的指標(biāo)規(guī)范值的水質(zhì)評價(jià)模型［J］. 中國環(huán)境科學(xué)， 2013，33（8）：1502-1508.

姜 雪，盧文喜.應(yīng)用支持向量機(jī)評價(jià)土壤環(huán)境質(zhì)量 ［J］. 中國環(huán)境科學(xué)， 2014，34（5）：1229-1235.

高 嵩，范士亮，韓秀榮，等.滸苔綠潮與南黃海近岸海域水質(zhì)的關(guān)系［J］. 中國環(huán)境科學(xué)， 2014，34（1）：213-218.

徐兆禮，葉屬峰，徐 韌，等.2008年中國滸苔災(zāi)害成因條件和過程推測 ［J］. 水產(chǎn)學(xué)報(bào)， 2009，33（3）：430-437.

黃 容，馬 艷，郭麗娜，等.2008-2011年滸苔影響青島的海面風(fēng)觀測資料特征分析 ［J］. 海洋預(yù)報(bào)， 2013，30（2）：30-35.

張 浩.黃海綠潮爆發(fā)機(jī)制分析及防治研究 ［D］. 大連：大連海事大學(xué)， 2013.

范士亮，傅明珠，李 艷，等.2009-2010年黃海綠潮起源與發(fā)生過程調(diào)查研究 ［J］. 海洋學(xué)報(bào)， 2013，34（6）：187-194.

Vapnik V N. The nature of statistical learning theory ［M］. New York：Springer， 1995：70-256.

Nello Cristianini， John Shawe-Taylor. An introduction to support vector machines and other kernel-based learning methods ［M］. Beijing： Electronic Industry Press， 2004：9-17.

顧行發(fā)，陳興峰，尹 球，等.黃海滸苔災(zāi)害遙感立體監(jiān)測 ［J］. 光譜學(xué)與光譜分析， 2011，31（6）：1627-1632.

Gower J， Hu C， Borstad G， et al. Ocean color satellites show extensive lines of floating sargassum in the Gulf of Mexico ［J］. IEEE Transactions on Geoscience and Remote Sensing， 2006，44（12）：3619-3625.

Hu C. A novel ocean color index to detect floating algae in the global oceans ［J］. Remote Sensing of Environment， 2009，113（10）：2118-2129.

中國氣象局.天氣后報(bào)［EB/OL］.http：//www.tianqihoubao.com/，2014-01-01/2015-04-07.

張 宇.線性硬毛藻的生理生態(tài)學(xué)特性的初步研究 ［D］. 青島：中國海洋大學(xué)， 2014.

梁兼霞，龐重光，白學(xué)志.夏季南黃海海風(fēng)漂流的不同計(jì)算方法的對比分析 ［J］. 海洋科學(xué)， 2005，29（9）：60-75.

鄧乃揚(yáng).支持向量機(jī)-理論，算法與拓展 ［M］. 北京：科學(xué)出版社，2009：152-154.

Weight analysis of each influence factor of the green tide disaster based on SVM.

HE Shi-jun1*， TANG Ying-li1，ZHANG Ting1， LI Yu1， XIE Sheng-dong1， YU Ke-feng2， HE Pei-min2，3（1.College of information， Shanghai Ocean University， Shanghai 201306， China；2.College of Fisheries and Life Sciences， Shanghai Ocean University， Shanghai 201306， China；3.Institutes of Marine Sciences， Shanghai Ocean University， Shanghai 201306， China）.

China Environmental Science， 2015，35（11）：3431～3436

According to the green tide algae -Ulvaprolifera remote sensing data of the Southern Yellow Sea in 2012～2013，climate factors including temperature， weather， wind direction， wind force and wave height which effect theUlvaprolifera diffusion， the corresponding support vector regression model （SVR） was established. By analyzing the development of the disaster using the model's weight change， the result of SVM was more accurately draw the right weight of each factor and weight conversion lawcompared with traditional single factor analysis method. Then through the analysis for the change rule of weight， give the division basis of the various stages of green tide.

support vector regression；impact factor；weight analysis；disaster process

X55

A

1000-6923（2015）11-3431-06

2015-04-07

國家科技支撐計(jì)劃項(xiàng)目課題（2012BAC07B03）

* 責(zé)任作者， 教授， heshijun6@163.com

何世鈞（1965-），男，河南鄭州人，教授，博士，主要從事海洋信息處理、預(yù)測模型等研究.發(fā)表論文40余篇.