基于人工神经网络的湛江市水产产量智能预测模型：多算法比较与关键影响因素分析

本研究创新性地结合灰色关联分析（GRA）与四种神经网络模型（BP、GA-BP、LSTM、RBF），构建了湛江市水产产量高精度预测框架。通过筛选GDP人均值、日照时长等9个关键因子，验证了径向基函数（RBF）神经网络的最优性能（测试集R2=0.96，MAE=27725），其预测精度显著超越传统BP（R2=0.73）和LSTM（R2=0.94）。敏感性分析揭示经济指标（GDP人均值）与气候变量（日照时长）对产量影响最大，为区域水产养殖政策制定提供了量化依据。

　　

水产产量预测的智能革命

在全球粮食安全与区域经济发展背景下，湛江市作为中国南方重要水产养殖中心，其年产70亿元的产业链亟需精准预测工具。传统统计方法难以捕捉非线性关系，而生态模型又面临数据复杂性挑战。这项研究开辟了新路径——通过融合计算智能与多源数据，建立了首个针对湛江特色的多模型预测体系。

数据驱动的因子筛选

研究团队从1992-2022年的《广东农村统计年鉴》和《湛江统计年鉴》中提取了12维特征，采用灰色关联分析（GRA）量化各因素与产量的相关性。标准化矩阵B_10×31的计算显示，GDP人均值（关联度0.987）、日照时长（0.963）和恩格尔系数（0.787）等9个因子均呈现强相关性，构成后续模型的输入维度。

神经网络模型的巅峰对决

四类神经网络在相同数据集上展开较量：

• •

  传统BP网络虽在训练集表现尚可（R²=0.92），但测试集出现明显过拟合（R²下降至0.73）

• •

  遗传算法优化的GA-BP模型展现出更强鲁棒性，测试集R²提升至0.93

• •

  LSTM凭借记忆单元在训练集达到惊人0.998的R²，但测试性能（0.94）仍略逊一筹

• •

  RBF网络凭借高斯核函数的局部逼近特性，在测试集实现0.96的R²和27725的MAE，预测误差比BP降低70%

机制解析与决策支持

通过权重反演技术，研究首次量化了各因素贡献度：GDP人均值（100%）>日照时长（70.9%）>恩格尔系数（70.6%）>气温（56.5%）。这种阶梯式分布揭示：经济发展水平通过影响养殖投入和消费需求直接决定产量上限，而日照时长等气候因子则调控生物生长周期。令人意外的是，传统认为重要的养殖面积（47.5%）和渔船数量（42.9%）反而影响力较弱。

实践启示与创新价值

该研究突破性地实现了三个维度的创新：

1）首次建立涵盖经济-气候-社会因子的12维预测体系

2）验证RBF在中小样本区域预测中的统治地位

3）开发出可解释性强的因子贡献度算法

这些发现不仅为湛江提供了可直接应用的决策工具（如根据GDP增速调整养殖规模），更为沿海地区水产预测建立了方法论范式。

未来展望

尽管RBF在当前数据规模下表现最优，研究者指出当高频监测数据普及时，LSTM可能展现更大潜力。团队计划进一步整合卫星遥感和物联网数据，探索多模态融合预测的新前沿。这项成果发表于《Frontiers in Marine Science》，其开源代码和参数矩阵（见表4-7）已为同行研究提供宝贵基准。