In order to simulate the phytoplankton abundance and estimate the invasion risk of exotic organisms, the monitoring data of background ecological environment at Tianjin Port were collected, and the port′s ecological environment database was established. Taking Skeletonema costatum as an example, data mining techniques such as cluster analysis and association analysis were used to mine the port water quality environmental indicators that affected the abundance of Skeletonema costatum. Then, the prediction model of Skeletonema costatum abundance based on BP neural network was established with these indicators. The results show that the RMS error between the predicted value and the true value of the algal abundance of the middle rib is 0.0715 and the average value of the absolute value of the relative error is 14.7%, which indicates that BP neural network has a good prediction effect on the abundance of the algae in the middle rib, and can be used as a technical means to simulate the variation of phytoplankton abundance in the port water area. The integrated application of the data mining technology and BP neural network model can solve the key technical problems of phytoplankton abundance change and risk assessment of alien invasion in port water.
李 涛，郁百成，邹德武，任利利
. Application of Data Mining in Invasion Damage Assessment of Organisms in Ballast Water[J]. Transport Research, 2021
, 7(2)
: 100
-107
.
DOI: 10.16503/j.cnki.2095-9931.2021.02.012
[1] 陈立侨，李云凯，侯俊利，等. 船舶压载水导致的生物入侵及其防治对策[J]. 华东师范大学学报（自然科学版），2005 （Z1）：40-48.
[2] 龙华，林石明，梁君荣，等. 船舶压舱水引入外来藻类的危害及监测[J]. 植物检疫，2005，19（5）：289-291.
[3] 刘述锡，梁玉波. 外来海洋生物的入侵及其生态危害[J]. 大自然，2004 （2）：54-56.
[4] 王泰祥，张军英. 我国生物入侵及其防治对策[J]. 甘肃环境研究与监测，2003，16（4）：383-385.
[5] Kazakos W, Kramer R, Schmidt A. CoastBase: the virtual european coastal and marine data warehouse[DB/OL]. [2020-10-20].
400875.html.
[6] REES T, FINNEY K. Biological data and metadata initiatives at CSIRO M Research, Australia, with implications for the design of OBIS[J]. Oceanography, 2000, 13(3): 860-72.
[7] USGS. NAS FaST-Flood and storm tracker[EB/OL]. [2020-10-20].
[8] 赵丽宁，李一凡，赵德鹏. 数字海洋空间数据库的构建[J]. 大连海事大学学报，2002，28（1）：34-37.
[9] 方朝阳，陈戈. 一个基于TOPEX卫星极端海面风速预测的海洋地理信息系统[J]. 青岛海洋大学学报，2001，31（5）：789-794.
[10] 朱宇锋. 浅谈数据挖掘在证券行业的应用[J]. 网络与信息，2012（6）： 48.
[11] 邓玮舛. 基于粗糙集的粒度计算在数据挖掘中的应用研究[D]. 广州： 广东工业大学，2008.
[12] 向先全，王海波，路文海，等. 基于数据挖掘的渤海湾水生态环境特性研究[J].海洋通报，32（1）：72-77.
[13] 兰儒，乔冰，孙安森，等. 数据挖掘技术在港口工程环保竣工验收中的应用[C]//中国环境科学学会. 2013年水资源生态保护与水污染控制研讨会论文集. 哈尔滨：2013年水资源生态保护与水污染控制研讨会，2013：224-230.
[14] 夏登文，石绥祥，于戈，等. 海洋数据仓库及数据挖掘方法研究[J]. 海洋通报，2005，24（3）：60-65.
[15] 吉祥. 数据挖掘技术在环境信息分析与预测中的应用研究[D]. 苏州： 苏州大学，2012.
[16] BAKER K S , JACKSON S J , WANETICK J R . Strategies supporting heterogeneous data and interdisciplinary collaboration: towards an ocean informatics environment[C]// IEEE. Proceedings of 38th Hawaii International Conference on System Sciences (HICSS-38 2005). Big Island, US: IEEE, 2005: 291b.
[17] KITAMOTO A. Data mining for typhoon image collection[C]//ZA?ANE O R, SIMOFF S J, SIGKDD A. Proceedings of the Second International Workshop on Multimedia Data Mining. San Francisco: ACM SIGKDD, 2001: 68-77.
[18] WOOLEY B, BRIDGES S, HODGES J, et al. Scaling the data mining step in knowledge discovery using oceanographic data[C]// Lecture Notes in Computer Science. Proceedings of the 13th International Conference on Industrial and Engineering Applications of Artificial Intelligence and Expert Systems: Intelligent Problem Solving: Methodologies and Approaches.Berlin: Springer Verlag, 2000: 85-92.
[19] GUO D, EVANGELINOS C, PATRIKALAKIS N M. Flow feature extraction in oceanographic visualization[C]// Proceedings of Computer Graphics International 2004. Crete, Greece: IEEE, 2004: 162-173.
[20] 张姗姗. 基于海洋环境的数据挖掘算法研究[D]. 青岛：青岛科技大学，2018.
[21] 孙剑. 海洋环境数据仓库与数据挖掘应用研究[D]. 青岛：中国海洋大学，2013.
[22] 沈菲，曲阳，李会民，等. 浮游植物密度的人工神经网络预测研究[J]. 海洋技术，2005，24（1）：44-47.
[23] 王雪莲，宋玉芝，孔繁璠，等. 利用BP神经网络模型对太湖水体叶绿素a含量的估算[J]. 中国农业气象，2016，37（4）：408-414.
[24] 秦业海. 基于SparkR的藻类生长模型及预测[D]. 南宁：广西大学，2019.
[25] 任凯. 基于生长模型的太湖蓝藻生物量模型模拟研究[D]. 南京：南京师范大学，2019.
[26] 赵晓东. 河流藻类叶绿素a浓度短时间尺度预测方法研究和应用[D]. 杭州：浙江大学，2014.
[27] 孔繁璠. 太湖浮游植物叶绿素a浓度及初级生产力的模拟研究[D]. 南京：南京信息工程大学，2015.
[28] 赵行行，刘妍忻，宋明，等.东港赤潮监控区中肋骨条藻生长的主要环境因子影响分析[J]. 环境与发展，2018，30（11）：13-15.
[29] 宋娅婷，林军，沈敏，等.环境因子对中肋骨条藻生长及叶绿素荧光特性的影响[J]. 上海海洋大学学报，2020，29（3）：346-354.
[30] 中国环境监测总站，浙江省舟山海洋生态环境监测站. 近岸海域环境监测技术规范：HJ 442—2008[S]. 北京：中国环境科学出版社，2008.
[31] 国家环境保护局，国家海洋局. 海水水质标准：GB 3097—1997[S]. 北京：中国环境科学出版社，1997.
[32] 汤效琴，戴汝源. 数据挖掘中聚类分析的技术方法[J]. 微计算机信息， 2003（1）：3-4.
[33] 梁志荣. 数据挖掘中聚类分析的技术方法[J]. 电脑开发与应用, 2007，20（6）：37-39.
[34] 贺玲，吴玲达，蔡益朝. 数据挖掘中的聚类算法综述[J]. 计算机应用研究，2007，24（1）：10-13.
[35] 孙英慧，孙英娟. 关联规则挖掘Apriori算法研究[J]. 吉林师范大学学报（自然科学版），2009，30（4）：82-84.
[36] 邵峰晶，于忠清. 数据挖掘原理与算法[M]. 北京：中国水利水电出版社，2003.
[37] 罗孟. 基于聚类的周期关联规则的海洋环境数据挖掘技术探究[J]. 电脑知识与技术，2010，6（28）：7895-7897.
[38] 惠燕，潘煜，徐光辉. 数据库设计范式[J]. 现代电子技术，2003（24）：107-108.
[39] 杨德仁，马晓燕. 大型数据库优化设计方案[J]. 计算机系统应用，2001（5）：16-18.
[40] 张建萍，刘希玉. 基于聚类分析的K-means算法研究及应用[J]. 计算机应用研究，2007，24（5）：166-168.
