摘要： 基于鄰域粗糙集對(duì)影響蝦塘水溫變化的氣象因子進(jìn)行選擇，并選取模型預(yù)測(cè)蝦塘水溫，為南美白對(duì)蝦養(yǎng)殖趨利避害提供科學(xué)參考。首先，將平均氣溫、最高氣溫、最低氣溫、降水量、氣壓、2 min風(fēng)速、10 min風(fēng)速和瞬時(shí)風(fēng)速等8個(gè)氣象因子組合輸入SFNN模型（單隱層前饋神經(jīng)網(wǎng)絡(luò)模型）、高斯回歸模型和嶺回歸模型進(jìn)行蝦塘水溫預(yù)測(cè)，選取預(yù)測(cè)效果最好的SFNN模型為本研究預(yù)測(cè)模型。然后，運(yùn)用鄰域粗糙集和熵理論，考慮氣象因子和蝦塘水溫之間的相關(guān)性、冗余性和交互性，選出影響蝦塘水溫變化的主要?dú)庀笠蜃?。最后，利用選出的主要?dú)庀笠蜃雍蚐FNN模型實(shí)現(xiàn)蝦塘水溫預(yù)測(cè)。將基于鄰域粗糙集選出的5個(gè)氣象因子組合與8個(gè)氣象因子組合，以及8個(gè)氣象單因子分別輸入SFNN模型，預(yù)測(cè)結(jié)果表明：鄰域粗糙集選出的5個(gè)氣象因子組合預(yù)測(cè)結(jié)果最好，其預(yù)測(cè)均方根誤差、均方誤差、平均絕對(duì)誤差最小，分別為1.121 1、1.256 9和0.893 8，決定系數(shù)（R2）為0.791 6；在氣象單因子中，氣壓對(duì)蝦塘水溫的預(yù)測(cè)結(jié)果較好。因此，基于鄰域粗糙集選出的5個(gè)氣象因子組合，通過(guò)SFNN模型進(jìn)行蝦塘水溫預(yù)測(cè)結(jié)果最好，此方法在南美白對(duì)蝦養(yǎng)殖趨利避害、防災(zāi)減災(zāi)中具有一定的實(shí)用價(jià)值。

關(guān)鍵詞： 蝦塘水溫；氣象因子；鄰域粗糙集；SFNN模型

中圖分類號(hào)： S966.12 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1000-4440（2023）03-0732-09

Application of meteorological factor selection based on neighborhood rough set in shrimp pond water temperature prediction

HU Jing-jing1， LUO Yong-ming2， ZHANG Gang-qiang3， KUANG Zhao-min2， XIE Ying2， ZENG Xing-ji4

（1.College of Electronic Information， Guangxi Minzu University， Nanning 530006， China；2.Guangxi Zhuang Autonomous Region Institute of Meteorological Sciences， Nanning 530022， China；3.School of Artificial Intelligence， Guangxi Minzu University， Nanning 530006， China；4.Guangxi Zhuang Autonomous Region Meteorological Information Center， Nanning 530022， China）

Abstract： Based on the neighborhood rough set， the meteorological factors affecting the change of shrimp pond water temperature were selected. A model was selected to predict the water temperature of shrimp pond， which provided a scientific reference for shrimp culture to seek advantages and avoid disadvantages. Firstly， eight meteorological factors， including average temperature， highest temperature， lowest temperature， amount of precipitation， barometric pressure， two-minute wind speed， ten-minute wind speed， and instantaneous wind speed， were combined into the single hidden layer feed forward neural network （SFNN） model， Gaussian regression model， and bridge regression model to predict the water temperature of shrimp ponds. SFNN model with the best prediction effect was selected as the prediction model. Then considering the correlation， redundancy and interaction between meteorological factors and shrimp pond water temperature， the main meteorological factors affecting the shrimp pond water temperature were selected by using neighborhood rough set and entropy theory. Finally， the water temperature of the shrimp pond was predicted by using the selected meteorological factors and SFNN model. Combination of five meteorological factors selected based on neighborhood rough set， the combination of eight meteorological factors， and eight single meteorological factors were input into the SFNN model， respectively. The prediction results showed that， the combination of five meteorological factors selected by neighborhood rough set had the best prediction results， and its root mean square error， mean square error and mean absolute error were the smallest， which were 1.121 1， 1.256 9 and 0.893 8， respectively. And the determination coefficient was 0.791 6. Among single meteorological factors， atmospheric pressure predicted best on shrimp pond water temperature. Therefore， the combination of five meteorological factors selected based on the neighborhood rough set had the best prediction in shrimp pond water temperature by the SFNN model. This method had practical value in seeking advantages and avoiding disadvantages， and disaster prevention and reduction in prawn breeding.

Key words： shrimp pond water temperature；meteorological factors；neighborhood rough set；single hidden layer feed forward neural network （SFNN） model

近年來(lái)，廣西水產(chǎn)養(yǎng)殖面積不斷增大，南美白對(duì)蝦因其個(gè)體大、生長(zhǎng)快、營(yíng)養(yǎng)需求低、抗病能力強(qiáng)等優(yōu)點(diǎn)[1]，已經(jīng)成為廣西對(duì)蝦養(yǎng)殖的一個(gè)主要養(yǎng)殖品種，并成為養(yǎng)殖戶收入增長(zhǎng)的主要來(lái)源。南美白對(duì)蝦又名凡納濱對(duì)蝦（簡(jiǎn)稱：對(duì)蝦），其生長(zhǎng)發(fā)育與蝦塘的水環(huán)境密切相關(guān)[2]，其中水溫起伏變化直接影響其生長(zhǎng)發(fā)育，或引發(fā)疾病，甚至導(dǎo)致死亡。由于廣西南美白對(duì)蝦基本是露天海水養(yǎng)殖，觀測(cè)水溫儀器易被腐蝕，成本高，無(wú)法在生產(chǎn)中大量應(yīng)用。然而，蝦塘水溫與氣象條件息息相關(guān)[3-4]。因此，構(gòu)建蝦塘水溫預(yù)測(cè)模型，通過(guò)氣象因子實(shí)現(xiàn)水溫預(yù)測(cè)，應(yīng)用于生產(chǎn)，對(duì)廣西南美白對(duì)蝦養(yǎng)殖趨利避害、防災(zāi)減災(zāi)具有重要的現(xiàn)實(shí)意義。國(guó)內(nèi)外關(guān)于水溫預(yù)測(cè)研究多集中在海水[5-6]、水庫(kù)[7-8]及河流[9-10]中。鄧愛(ài)娟等[9]利用逐步回歸法對(duì)養(yǎng)殖魚(yú)塘水溫進(jìn)行了預(yù)測(cè)。韋耀國(guó)等[10]分析了氣溫、相對(duì)濕度、地溫、太陽(yáng)輻射等因素，建立了基于BP神經(jīng)網(wǎng)絡(luò)的南水北調(diào)中線水溫預(yù)報(bào)模型。施珮等[11]基于EMD-IGA-SELM方法預(yù)測(cè)了養(yǎng)殖池水溫。陳英義等[12]針對(duì)池塘水溫小樣本，提出了基于GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)養(yǎng)殖塘短期水溫。柳海濤等[13]根據(jù)水文與氣象數(shù)據(jù)，基于人工神經(jīng)網(wǎng)絡(luò)建立了魚(yú)類產(chǎn)卵場(chǎng)水溫預(yù)測(cè)模型。朱森林等[14]根據(jù)高斯過(guò)程回歸建立了密蘇里河水溫預(yù)測(cè)模型。此外，還有許多學(xué)者以氣溫作為影響水溫的主要?dú)庀笠蜃?，提出水溫預(yù)測(cè)模型[15-18]。由于粗糙集理論[19]在處理信息不確定性方面的巨大優(yōu)勢(shì)，Hu等[20]將鄰域的概念引入粗糙集理論，研究并提出了鄰域粗糙集，并進(jìn)行數(shù)據(jù)挖掘，近年來(lái)在群體決策[21]、屬性選擇[22-23]、不確定性推理[24]等領(lǐng)域得到了成功應(yīng)用。同時(shí)，結(jié)合鄰域粗糙集與熵理論的屬性選擇方法在信息熵[25]，條件信息熵[26]、互信息[27]和自信息[28]等方面都取得了顯著進(jìn)展。前人在利用氣象因子預(yù)測(cè)水溫方面已經(jīng)開(kāi)展了大量有價(jià)值的研究，但現(xiàn)有蝦塘水溫預(yù)測(cè)模型沒(méi)有充分考慮氣象因子之間相互作用對(duì)蝦塘水溫變化的影響，且缺乏對(duì)氣象因子進(jìn)行選擇的有效工具。為了彌補(bǔ)這一方面研究的缺失，鄰域粗糙集能有效刻畫(huà)影響蝦塘水溫變化的關(guān)鍵氣象因子，為氣象因子選擇提供了新的視角。本文選取了平均氣溫、最高氣溫、最低氣溫、降水量、氣壓、2 min風(fēng)速、10 min風(fēng)速和瞬時(shí)風(fēng)速共8個(gè)氣象因子，度量各個(gè)氣象因子對(duì)蝦塘水溫變化的不確定性，對(duì)8個(gè)氣象因子進(jìn)行選擇，得到影響蝦塘水溫預(yù)測(cè)的關(guān)鍵氣象因子，分析其對(duì)蝦塘水溫的預(yù)測(cè)效果，實(shí)現(xiàn)蝦塘水溫預(yù)測(cè)功能，為南美白對(duì)蝦養(yǎng)殖過(guò)程中趨利避害提供科學(xué)參考。

1 材料和方法

1.1 研究區(qū)域

廣西北部灣沿海地處亞熱帶季風(fēng)氣候區(qū)，氣候溫和，降水充沛，具有得天獨(dú)厚地理優(yōu)勢(shì)，是農(nóng)業(yè)農(nóng)村部指定的重點(diǎn)南美白對(duì)蝦產(chǎn)業(yè)帶，2020年廣西南美白對(duì)蝦產(chǎn)量3.3×105 t，占中國(guó)總產(chǎn)量27.67%，產(chǎn)量排名中國(guó)第2。

1.2 數(shù)據(jù)來(lái)源與試驗(yàn)環(huán)境

選取廣西欽州市犀牛腳鎮(zhèn)沙角村的一個(gè)露天南美白對(duì)蝦養(yǎng)殖水塘作為水溫?cái)?shù)據(jù)的采集點(diǎn)（東經(jīng)108.84°，北緯21.65°），采集點(diǎn)位于廣西南美白對(duì)蝦產(chǎn)區(qū)較中心位置。采用美國(guó)YSI ProDSS多參數(shù)水質(zhì)分析儀，每隔1 min采集水溫、pH值、溶解氧等數(shù)據(jù)，共采集數(shù)據(jù)61 676條。采集時(shí)間：2021年10月13日至11月25日，采集數(shù)據(jù)期間有3次明顯降溫過(guò)程。借鑒前人研究經(jīng)驗(yàn)[3-4，18]，選取平均氣溫、最高氣溫、最低氣溫、降水量、氣壓、2 min風(fēng)速、10 min風(fēng)速和瞬時(shí)風(fēng)速共8個(gè)氣象因子作為影響蝦塘水溫的因素，其中氣象數(shù)據(jù)來(lái)自離觀測(cè)點(diǎn)最近的合浦西場(chǎng)國(guó)家自動(dòng)氣象觀測(cè)站，東經(jīng)108.95°，北緯21.14°，觀測(cè)得到的8個(gè)氣象因子的小時(shí)數(shù)據(jù)共1 004條。根據(jù)時(shí)間，將蝦塘觀測(cè)的水溫與氣象數(shù)據(jù)匹配成小時(shí)數(shù)據(jù)樣本集。

本研究使用深度學(xué)習(xí)框架Tensorflow2.0和Python3.6搭建試驗(yàn)環(huán)境。試驗(yàn)數(shù)據(jù)集在所有模型中劃分為訓(xùn)練集和測(cè)試集，劃分比例為9∶1，以1 h為單位的100條測(cè)試數(shù)據(jù)來(lái)預(yù)測(cè)蝦塘水溫的每小時(shí)變化。

1.3 數(shù)據(jù)預(yù)處理

采用美國(guó)YSI ProDSS多參數(shù)水質(zhì)分析儀采集水溫?cái)?shù)據(jù)，試驗(yàn)過(guò)程中，儀器運(yùn)行相當(dāng)穩(wěn)定，無(wú)缺失值和異常值；采用的氣象觀測(cè)站數(shù)據(jù)屬于氣象業(yè)務(wù)數(shù)據(jù)，質(zhì)量穩(wěn)定可靠，8個(gè)氣象因子數(shù)據(jù)僅存在極少的缺失值，針對(duì)個(gè)別缺失的氣象小時(shí)數(shù)據(jù)，在數(shù)據(jù)樣本集中進(jìn)行了刪除。為了減少不同維度數(shù)據(jù)之間由于量綱造成的差異，加速模型擬合速度，使用最大最小歸一化方法將數(shù)據(jù)映射到[0，1]范圍內(nèi)。歸一化公式如下：

其中，xnew為歸一化后的值，xmin為最小值，xmax為最大值。

1.4 模型構(gòu)建

1.4.1 單隱層前饋神經(jīng)網(wǎng)絡(luò) 單隱層前饋神經(jīng)網(wǎng)絡(luò)（Single hidden layer feedforward neural network， SFNN）模型[29]是神經(jīng)網(wǎng)絡(luò)模型中最簡(jiǎn)單的拓?fù)浣Y(jié)構(gòu)，由輸入層、隱藏層和輸出層構(gòu)成。由圖1可知SFNN的拓?fù)浣Y(jié)構(gòu)：其各神經(jīng)元分層排列，每個(gè)神經(jīng)元與前一層的神經(jīng)元相連，接受前一層的輸出，并輸出給下一層。神經(jīng)網(wǎng)絡(luò)的能力主要取決于隱藏層，包括隱藏層節(jié)點(diǎn)數(shù)和所使用的激活函數(shù)類型。其核心原理是通過(guò)激活函數(shù)將輸入層數(shù)據(jù)進(jìn)行非線性組合生成非線性決策邊界，從而提高網(wǎng)絡(luò)的學(xué)習(xí)能力。

2 結(jié)果

2.1 SFNN模型預(yù)測(cè)結(jié)果

為了分析不同模型對(duì)蝦塘水溫預(yù)測(cè)的效果，將8個(gè)氣象因子組合作為高斯回歸模型、SFNN模型和嶺回歸模型的輸入，進(jìn)行蝦塘水溫預(yù)測(cè)。結(jié)果由表1和圖3可知，SFNN模型預(yù)測(cè)效果最好，RMSE、MSE和MAE最小，分別為1.326 1、1.758 6和1.028 8；決定系數(shù)（R2）最大為0.708 4，比高斯回歸模型和嶺回歸模型分別高出0.314 2和0.258 6。整體來(lái)看，SFNN模型預(yù)測(cè)蝦塘水溫效果好于其他兩種預(yù)測(cè)模型。因此，本試驗(yàn)選擇SFNN模型作為蝦塘水溫預(yù)測(cè)模型。

2.2 不同氣象單因子預(yù)測(cè)效果分析

為了探究利用氣象單因子預(yù)測(cè)蝦塘水溫的效果，將氣象單因子：平均氣溫、最高氣溫、最低氣溫、降水量、氣壓、2 min風(fēng)速、10 min風(fēng)速和瞬時(shí)風(fēng)速等分別輸入SFNN模型對(duì)蝦塘水溫進(jìn)行預(yù)測(cè)。氣象單因子對(duì)蝦塘水溫預(yù)測(cè)結(jié)果誤差見(jiàn)表2所示，其中，利用氣壓預(yù)測(cè)蝦塘水溫與實(shí)測(cè)蝦塘水溫變化趨勢(shì)擬合度較好，詳見(jiàn)圖4e，RMSE和MSE最小，分別為1.868 6和3.491 8；利用最高氣溫、最低氣溫和平均氣溫預(yù)測(cè)蝦塘水溫的效果次之，詳見(jiàn)圖4a～圖4c，處在同一水平；利用2 min風(fēng)速、10 min風(fēng)速和瞬時(shí)風(fēng)速預(yù)測(cè)效果較差，詳見(jiàn)圖4f、圖4g和圖4h，處于同一水平；降水量對(duì)蝦塘水溫預(yù)測(cè)效果最差，詳見(jiàn)圖4d，在57～60 h時(shí)段內(nèi)，降水量對(duì)蝦塘水溫預(yù)測(cè)效果波動(dòng)較大，其余時(shí)段基本保持平穩(wěn)，RMSE、MSE和MAE最大，分別為3.086 7、9.528 1和2.054 7。

2.3 不同氣象因子組合預(yù)測(cè)效果分析

本研究設(shè)計(jì)的基于鄰域粗糙集的氣象因子選擇算法，充分考慮了氣象因子與蝦塘水溫的相關(guān)性、冗余性和交互性，選擇的氣象因子組合為最低氣溫、最高氣溫、氣壓、降水量和10 min風(fēng)速等5個(gè)氣象因子，從表2和圖5可知，同樣是用SFNN模型對(duì)蝦塘水溫進(jìn)行預(yù)測(cè)，選擇的5個(gè)氣象因子組合預(yù)測(cè)效果最好，比8個(gè)氣象因子組合預(yù)測(cè)誤差都小，RMSE、MSE和MAE分別小了0.201 9、0.493 4和0.135 9。

另外，8個(gè)氣象因子組合預(yù)測(cè)效果又好于氣象單因子的預(yù)測(cè)效果。從RMSE、MSE和MAE上看，降水量和10 min風(fēng)速分別作為氣象單因子預(yù)測(cè)水溫的效果并不理想，但是在選擇的5個(gè)氣象因子組合中，降水量和10 min風(fēng)速與其他氣象因子相互作用后，表現(xiàn)出了良好的預(yù)測(cè)效果，這充分證明了氣象因子之間相互作用對(duì)蝦塘水溫預(yù)測(cè)是有影響的。

3 討論

鄧愛(ài)娟等[9]使用逐步回歸法建立了洪湖地區(qū)春夏季魚(yú)塘水溫預(yù)報(bào)，研究水溫與氣溫的相關(guān)性，分析了水溫與當(dāng)日以及前1～3 d的氣溫關(guān)系顯著，選取當(dāng)日、前1～3 d氣象因子平均氣溫、最高氣溫和最低氣溫作為水溫的影響因子，模型預(yù)測(cè)效果在5月較好，7月較差。朱森林等[14]利用機(jī)器學(xué)習(xí)高斯回歸建立了密蘇里河水溫-氣溫模型，并與線性、非線性和隨機(jī)回歸模型進(jìn)行了比較，論證了隨機(jī)回歸模型的精度高于線性和非線性模型;受水庫(kù)調(diào)節(jié)溫度的影響，水溫-氣溫模型在3個(gè)站點(diǎn)的預(yù)測(cè)精度并不都是較高的。楊青青等[18]采用多元線性回歸法建立稻蝦種養(yǎng)模式的蝦溝水溫預(yù)報(bào)模型，以平均氣溫、平均水溫以及遷移1 d平均氣溫為預(yù)測(cè)因子，構(gòu)建了日平均水溫、日最高水溫、日最低水溫預(yù)報(bào)模型，水溫模型預(yù)測(cè)精度較高，由于在篩選與水溫相關(guān)要素時(shí)主要集中在氣溫，范圍較小，僅通過(guò)相關(guān)分析無(wú)法準(zhǔn)確判斷出氣溫對(duì)蝦塘水溫變化的真實(shí)影響。以上研究都是基于氣象因子的日數(shù)據(jù)。

本研究借鑒各領(lǐng)域?qū)＜医?jīng)驗(yàn)[20，27，33-36]，選取8個(gè)氣象因子（小時(shí)數(shù)據(jù)）作為影響蝦塘水溫的氣象因子，充分考慮氣象因子與蝦塘水溫之間的相關(guān)性、冗余性和交互性，基于鄰域粗糙集和熵理論，引入鄰域互信息和條件互信息度量了它們之間的不確定性，并利用構(gòu)建的評(píng)價(jià)函數(shù)得到影響蝦塘水溫的氣象因子組合。從原來(lái)的8個(gè)氣象因子中得到5個(gè)氣象因子組合，即最低氣溫、10 min風(fēng)速、氣壓、降水量、最高氣溫。通過(guò)對(duì)測(cè)試集均方根誤差、均方誤差、平均絕對(duì)誤差的綜合分析，一方面論證了氣象因子與蝦塘水溫之間存在相關(guān)性、冗余性和交互性；另一方面也表明了基于鄰域粗糙集的氣象因子選擇的有效性。本試驗(yàn)獲得了SFNN模型、高斯回歸模型、嶺回歸模型預(yù)測(cè)蝦塘水溫的效果。它們的預(yù)測(cè)由好到差排序?yàn)椋篠FNN模型、嶺回歸模型和高斯回歸模型。本研究從氣象因子對(duì)蝦塘水溫影響的角度出發(fā)，預(yù)測(cè)了蝦塘水溫的變化，但在實(shí)際生產(chǎn)中，除了本研究討論的氣象因子，可能還有其他因素對(duì)蝦塘水溫預(yù)測(cè)產(chǎn)生影響。在之后的工作中，將進(jìn)一步考慮其他有關(guān)因素的影響，以進(jìn)一步提高蝦塘水溫預(yù)測(cè)效果。

4 結(jié)論

本研究基于鄰域粗糙集構(gòu)造了蝦塘水溫預(yù)測(cè)模型，該模型考慮了氣象因子之間的相互作用對(duì)蝦塘水溫變化的影響。結(jié)果表明：

（1）將8個(gè)氣象因子組合作為SFNN模型、高斯回歸模型和嶺回歸模型的輸入，進(jìn)行蝦塘水溫預(yù)測(cè)。結(jié)果是SFNN模型預(yù)測(cè)效果最好，RMSE、MSE和MAE誤差最小，分別為1.326 1、1.758 6和1.028 8；決定系數(shù)（R2）最大為0.708 4。

（2）不同氣象單因子對(duì)蝦塘水溫預(yù)測(cè)結(jié)果表明：氣壓對(duì)蝦塘水溫的預(yù)測(cè)效果較好，預(yù)測(cè)誤差RMSE和MSE最小，分別為1.868 6和3.491 8。降水量和10 min風(fēng)速分別作為氣象單因子預(yù)測(cè)蝦塘水溫的效果并不理想，但是在選出的5個(gè)氣象因子組合中與其他氣象因子相互作用后，表現(xiàn)出了良好的預(yù)測(cè)效果。

（3）將5個(gè)氣象因子組合（最低氣溫、最高氣溫、氣壓、降水量、10 min風(fēng)速）輸入SFNN模型進(jìn)行蝦塘水溫預(yù)測(cè)，比8個(gè)氣象因子組合的預(yù)測(cè)效果要好，預(yù)測(cè)誤差RMSE、MSE和MAE最小分別為1.121 1、1.256 9和0.893 8，決定系數(shù)（R2）最大為0.791 6。因此，在南美白對(duì)蝦養(yǎng)殖中，基于鄰域粗糙集選擇的5個(gè)氣象因子組合，利用SFNN模型進(jìn)行蝦塘水溫預(yù)測(cè)的技術(shù)具有很好的應(yīng)用前景。

參考文獻(xiàn)：

[1] 陳美佳，孔 杰，譚 建，等. 凡納濱對(duì)蝦育種基礎(chǔ)群體收獲體重的未知親本組效應(yīng)分析[J]. 中國(guó)水產(chǎn)科學(xué)， 2021， 28（7）： 863-870.

[2] 張志東，陳愛(ài)華，吳楊平，等. 不同飼料投喂模式對(duì)脊尾白蝦生長(zhǎng)、消化酶、體成分及養(yǎng)殖水環(huán)境的影響[J]. 中國(guó)水產(chǎn)科學(xué)， 2020， 27（9）： 1075-1084.

[3] 農(nóng)成萬(wàn)，張 幸，李斌喜，等. 欽州對(duì)蝦養(yǎng)殖災(zāi)害性天氣分析和氣象服務(wù)要領(lǐng)[J]. 氣象研究與應(yīng)用， 2013， 34（1）： 60-63.

[4] 王立超，申子彬，周溥佳. 南美白對(duì)蝦養(yǎng)殖氣象指數(shù)預(yù)報(bào)方法[J]. 浙江農(nóng)業(yè)科學(xué)， 2017， 58（7）： 1254-1256.

[5] 楊 棟，姚日升，金志鳳，等. 不同類型海水養(yǎng)殖水體溫度日變化諧波分析[J]. 中國(guó)農(nóng)業(yè)氣象， 2017， 38（9）： 558-566.

[6] 吳迪生，張 娟，劉增宏，等. 赤道西太平洋暖池次表層水溫與熱帶氣旋的關(guān)系[J]. 熱帶氣象學(xué)報(bào)， 2010， 26（2）： 242-249.

[7] 葉 舟，龔夢(mèng)園. 基于下游生境水溫需求的水庫(kù)分層取水調(diào)度研究[J]. 人民長(zhǎng)江， 2022，53（6）： 105-110.

[8] 劉杏紅，韓云童，常曉林，等. 考慮淤沙影響的高拱壩水庫(kù)水溫?cái)?shù)值分析[J]. 水利學(xué)報(bào)， 2010， 31（2）： 6-8.

[9] 鄧愛(ài)娟，劉 敏，劉志雄，等. 洪湖地區(qū)養(yǎng)殖魚(yú)塘春夏季水溫變化及預(yù)報(bào)研究[J]. 中國(guó)農(nóng)學(xué)通報(bào)， 2013， 29（29）： 61-68.

[10]韋耀國(guó)，趙海鏡，楊國(guó)華，等. 神經(jīng)網(wǎng)絡(luò)在南水北調(diào)中線冬季水溫預(yù)測(cè)中的應(yīng)用[J]. 水利水電技術(shù)（中英文）， 2021， 52（S2）： 335-338.

[11]施 珮，袁永明，匡 亮，等. 基于EMD-IGA-SELM的池塘養(yǎng)殖水溫預(yù)測(cè)方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2018， 49（11）： 312-319.

[12]陳英義，程倩倩，成艷君，等. 基于GA-BP神經(jīng)網(wǎng)絡(luò)的池塘養(yǎng)殖水溫短期預(yù)測(cè)系統(tǒng)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2017， 48（8）： 172-178.

[13]柳海濤，孫雙科，鄭鐵剛，等. 水電站下游魚(yú)類產(chǎn)卵場(chǎng)水溫的人工神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型[J].農(nóng)業(yè)工程學(xué)報(bào)， 2018， 34（4）： 185-191.

[14]朱森林，吳時(shí)強(qiáng). 高斯過(guò)程回歸模型在河流水溫模擬中的應(yīng)用[J]. 華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2018， 46（10）： 122-126.

[15]程海燕，脫友才，許維忠，等. 氣候變暖對(duì)穩(wěn)定分層型供水水庫(kù)水溫影響研究[J]. 人民長(zhǎng)江， 2022，53（10）：22-30.

[16]楊開(kāi)林. 冰期明渠水溫模型[J]. 水利學(xué)報(bào)， 2022， 53（1）： 20-30.

[17]鄒 琳，劉 偉，蔣定國(guó). 基于數(shù)值方法的大型水庫(kù)水溫結(jié)構(gòu)影響因素分析[J]. 中國(guó)農(nóng)村水利水電， 2022（9）： 113-119.

[18]楊青青，曾 月，鄧艷君， 等. 稻蝦共作模式蝦溝水溫預(yù)報(bào)模型研究[J]. 江蘇農(nóng)業(yè)科學(xué)， 2021， 49（5）： 194-199.

[19]PAWLAK Z. Vagueness and uncertainty： A rough set perspective[J]. Computational Intelligence， 1995， 11（2）： 227-232.

[20]HU Q H， YU D， LIU J F， et al. Neighborhood rough set based heterogeneous feature subset selection[J]. Information Sciences， 2008， 178（18）： 3577-3594.

[21]SUN B Z， MA W M， XIAO X. Three-way group decision making based on multigranulation fuzzy decision-theoretic rough set over two universes[J]. International Journal of Approximate Reasoning， 2017， 81： 87-102.

[22]DONG L J， CHEN D G， WANG N L， et al. Key energy-consumption feature selection of thermal power systems based on robust attribute reduction with rough sets[J]. Information Sciences， 2020， 532： 61-71.

[23]ZHANG P F， LI T R， WANG G Q， et al. Multi-source information fusion based on rough set theory： A review[J]. Information Fusion， 2021， 68： 85-117.

[24]ZHANG X Y， YAO H， LU Z Y， et al. Class-specific information measures and attribute reducts for hierarchy and systematicness[J]. Information Sciences， 2021， 563： 196-225.

[25]CHEN H M， LI T R， FAN X， et al. Feature selection for imbalanced data based on neighborhood rough sets[J]. Information Sciences， 2019， 483： 1-20.

[26]DAI J H， WANG W T， XU Q. An uncertainty measure for incomplete decision tables and its applications[J]. IEEE Transactions on Cybernetics， 2012， 43（4）： 1277-1289.

[27]WAN J H， CHEN H M， ZHONG Y， et al. A novel hybrid feature selection method considering feature interaction in neighborhood rough set[J]. Knowledge-Based Systems， 2021， 227： 107167.

[28]WANG C Z， HUANG Y， SHAO M W， et al. Feature selection based on neighborhood self-information[J]. IEEE Transactions on Cybernetics， 2019， 50（9）： 4031-4042.

[29]SUGANTHAN P N， KATUWAL R. On the origins of randomization-based feedforward neural networks[J]. Applied Soft Computing， 2021， 105： 107239.

[30]李亞茹，張宇來(lái)，王佳晨. 面向超參數(shù)估計(jì)的貝葉斯優(yōu)化方法綜述[J].計(jì)算機(jī)科學(xué)，2022，49（S1）：86-92.

[31]張慧春，張 萌，邊黎明，等. 基于YOLO v5的植物葉綠素含量估測(cè)與可視化技術(shù)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2022， 53（4）： 313-321.

[32]YUAN Z， CHEN H M， ZHANG P F， et al. A novel unsupervised approach to heterogeneous feature selection based on fuzzy mutual information[J]. IEEE Transactions on Fuzzy Systems， 2021，39（9） 3395-3409.

[33]施 珮，袁永明，匡 亮，等. 基于GA-SELM算法的工廠化水產(chǎn)養(yǎng)殖水溫預(yù)測(cè)方法研究[J]. 傳感技術(shù)學(xué)報(bào)， 2018， 31（10）： 1592-1597，1612.

[34]任 妮，鮑 彤，劉 楊，等. 基于粒子群優(yōu)化算法和長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的蟹塘溶解氧預(yù)測(cè)[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)， 2021， 37（2）： 426-434.

[35]李祥銅，曹 亮，李湘麗，等. 基于WTD-LSTM的對(duì)蝦養(yǎng)殖水溫組合預(yù)測(cè)模型[J]. 廣東農(nóng)業(yè)科學(xué)， 2021， 48（2）： 153-160.

[36]袁紅春，王 敏，劉 慧，等. 基于特征交互與卷積網(wǎng)絡(luò)的漁場(chǎng)預(yù)測(cè)模型[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)， 2021， 37（6）： 1501-1509.

（責(zé)任編輯：成紓寒）

收稿日期：2022-07-21

基金項(xiàng)目：廣西壯族自治區(qū)自然科學(xué)基金項(xiàng)目（2￣0￣2￣0￣G￣X￣N￣S￣F￣A￣A￣2￣38046）；廣西壯族自治區(qū)氣象局氣象科研計(jì)劃重點(diǎn)項(xiàng)目（桂氣科2020Z03）；廣西民族大學(xué)軟件工程重點(diǎn)實(shí)驗(yàn)室項(xiàng)目（2022-18XJSY-03）

作者簡(jiǎn)介：胡晶晶（1996-），女，江蘇淮安人，碩士研究生，主要從事粗糙集理論、數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn)研究。（E-mail）jingjinghu_star304@163.com

通訊作者：羅永明，（E-mail） mingyongluo858@163.com