遥感与GIS支持下的海洋渔业空间分布研究——以东海为例

基于海洋渔业多年来生产实践所表明的海洋渔场与海洋水文要素密切相关性,将研究区的遥感融合信息与生产数据进行GIS空间配准,同时建立了诸多要素数据的空间聚类模式,利用该模式提取了水文信息和中心渔场信息相关联的空间分布规律的隐伏信息,由此阐述了实现海洋渔业现代化,应用空间遥感融合信息和GIS支持下指导海洋渔业生产的渔情预报有着重要意义.     

基于提升回归树的东、黄海鲐鱼渔场预报

为提高东、黄海鲐鱼渔场预报准确率、降低渔业生产成本,研究提出了一种基于提升回归树的渔场预报模型。研究采用2003—2010年我国大型灯光围网渔捞日志数据,以有网次记录的小渔区为渔场,以渔捞日志未记录的区域作为背景场随机选择假定非渔场数据,以海表水温等环境因子作为预测变量构建东、黄海鲐鱼渔场预报模型并以2011年的实际作业记录对预报模型进行精度验证。验证计算得到预报模型的AUC(area under receiver operating curve)值为0.897,表明模型的预报精度较高。模型的空间预测结果表明,预报渔场与实际作业位置基本吻合,其位置移动也与实际情况相符。这表明基于提升回归树的渔场预报模型可以用来进行东、黄海鲐鱼渔场的预报。     

东海北部鲐鲹鱼渔场水文特征的统计学研究

东海北部是鲐鱼主要渔场之一 ,研究其水文及其变化特征对于掌握鲐鱼中心渔场的时空变化规律、指导渔业生产、合理利用海洋渔业资源具有重要意义。根据 1 987— 2 0 0 1年在 2 9°— 32°N、1 2 4 5°E以西海域的海洋环境调查资料和鲐鱼渔场资料 ,在GIS平台上 ,用最优隶属模型划分水团 ,并研究渔场的水团和温、盐跃层特性及其月、年变化之间的相关性 ,用于渔情预报。研究表明 ,用最优隶属模糊聚类方法划分该海域水团的结果与以往的研究结果比较一致 ;鲐鱼渔情与该区域水团第一强度、第二强度之间显示了一定的相关性 ;用稳健统计学方法 ,可确定中心渔场的底层、鱼类栖息水层的温盐范围及其聚类中心值 ;鲐鱼渔情、渔场与水文跃层的关系密切。     

基于GAM和GWR模型分析环境因子对南极磷虾资源分布的非线性和非静态性影响

分析南极磷虾分布与环境因子的非线性和空间非静态性关系,对南极磷虾的高效捕捞和管理具有重要意义。本研究基于"龙腾"船2015、2016年在南设得兰群岛捕捞作业的渔捞日志数据,应用广义加模型(Generalized additive model,GAM)和地理权重回归模型(Geographical weighted regression,GWR)探究南极磷虾(Euphausia superba)渔场分布与环境因子的非线性和空间非静态性关系,并比较这2种模型的模拟性能,为南极磷虾的渔场渔情预报、资源评估和渔业管理提供基础数据。GAM模型结果显示,2015、2016年单位捕捞努力量渔获量(Catch per unit effort, CPUE)与作业水深均呈显著负相关关系(P0.01),表明在作业水深范围内,南极磷虾在较浅水域集群密度较高;2015年CPUE与表层水温呈显著正相关关系(P0.01),但在2016年呈显著负相关关系(P0.01),推测是由于2年调查作业位置不同所致;CPUE与离岸距离关系不显著(P≥0.05)。GWR模型结果显示,作业水深对CPUE的影响无显著的空间变化(P0.05);海水表温和离岸距离对CPUE的影响具显著的空间变化(P0.01),表明这2个因子对南极磷虾渔场分布的影响在空间上不连续,存在显著空间非静态性。GAM模型可用于研究资源分布与驱动因子的一般规律;GWR模型作为全局回归模型的有效补充,可用于探究一般规律不适合的特殊区域,便于发现资源分布的"热点"区域,未来在海洋生物资源分布研究中将有广阔的应用前景。     

基于深度卷积嵌入式聚类(DCEC)的海洋环境特征提取对渔情预报模型的改进研究——以西南印度洋大眼金枪鱼为例

为提高大眼金枪鱼(Thunnus obesus)延绳钓渔情预报模型的预测能力,本研究提出了一种基于深度卷积嵌入式聚类(DCEC)的海洋环境时空特征提取方法,结合广义可加模型(GAM)对西南印度洋大眼金枪鱼延绳钓渔场进行预报。采用2018年1-12月0.041 6°×0.041 6°的MODIS-Aqua和MODISTerra海表面温度三级反演图像数据(以日为单位)构建DCEC模型,基于Davies-Bouldi指数(DBI)确定最佳聚类数,在此基础上提取各月海表温度(SST)的类别特征值F M;采用美国国家海洋和大气管理局网站2018年1-12月1°×1°的Chl a浓度月平均值作为辅助环境特征因子;采用印度洋金枪鱼委员会2018年1-12月1°×1°的大眼金枪鱼延绳钓渔业数据(以月为单位),计算单位捕捞努力量渔获量(CPUE);将SST月类别特征值F M、Chl a浓度月平均值与CPUE数据进行时空匹配,构建改进GAM;采用SST月平均值、Chl a浓度月平均值与CPUE数据构建基础GAM;采用联合假设检验(F检验)验证模型解释变量对响应变量的影响;采用赤池信息准则(AIC)、均方误差(MSE)、绘制实测值和预测值的散点图并计算相关系数r,分析改进GAM相比于基础GAM的提升效果。实验结果表明:(1)基于DCEC模型提取的F M能够较好地反映西南印度洋海表温度的时空动态特征与规律,并与西南印度洋的气候条件、季风状况和水文特征等相互耦合;(2) F M相比SST平均值的因子解释率更高,对大眼金枪鱼CPUE影响更为显著,高渔获率集中在暖冷流交汇区域;(3)改进GAM相比基础GAM的AIC值降低了9.17%,MSE降低了26.7%,散点图显示改进GAM预测的CPUE对数值与实测CPUE对数值的相关性较显著,r为0.60。本研究证明了DCEC模型在海洋环境特征提取方面的有效性,可为后序大眼金枪鱼延绳钓渔情预报模型的改进研究提供参考。     

多元自适应样条回归预报浮游植物总量分析

在浮游植物总量与环境因子的定量关系研究中,使用了多元自适应样条回归模型。基于2003年5-9月渤海湾地区浮游植物总量及各种环境因子的实测数据,经过与投影寻踪回归模型预报结果对比,表明多元自适应样条回归很好地反映了浮游植物总量与环境因子定量关系并且是预报赤潮的较好模型。     

XGBoost算法在多光谱遥感浅海水深反演中的应用

在多光谱遥感浅海水深反演过程中,考虑到水体和底质影响,水深值和海水表面辐射亮度之间的线性关系不成立。本文以甘泉岛南部0～25m范围的沙质区域为研究区域,利用GeoEye-1多光谱遥感影像和多波束实测水深数据构建XGBoost非线性水深反演模型,研究了XGBoost算法用于水深反演的性能。以决定系数(R~2),均方误差(MSE)和平均绝对误差(MAE)作为评价指标,并与3种传统线性回归模型进行了对比分析。结果表明, XGBoost非线性水深反演模型的R~2、MSE和MAE分别为0.991、0.33m和0.44m,拟合程度最好,精度优于线性回归模型。为进一步探究各模型在不同水深的反演精度,将水深范围分成3段(0～8 m, 8～15 m, 15～25 m)分别进行精度验证和误差分析。结果表明, XGBoost模型在各分段的精度均优于线性回归模型, MSE依次为0.56 m, 0.14 m和0.43 m。可见,在单一底质区域下XGBoost模型的水深反演精度更高,且反演效果更稳定。     

沉积物粒度组分空间预测的神经网络残余kriging方法

针对近海表层沉积物粒度组分空间变异的尺度差异性,提出了基于广义回归神经网络残余kriging的沉积物粒度组分空间预测方法,并以海州湾沉积物粒度数据为基础,分析了其在沉积物粒度组分空间预测和底质类型制图中的应用效果。结果表明,广义回归神经网络残余kriging方法能够获得比普通kriging方法更高的沉积物粒度组分空间预测精度,并且其底质类型的总体空间预测精度达到85%以上,相应的Kappa系数也在0.8以上,显示底质制图的预测类型与样本的实测类型具有较高的一致性。新方法对于开展定量化的沉积物粒度组分空间预测和底质类型制图具有参考价值。     

辽东湾沉积物石油类GIS空间插值研究

为了客观准确地反映辽东湾海域沉积物中石油类含量的空间分布特征,文中基于GIS的地统计分析模块,对2015年辽东湾海域沉积物石油类调查数据进行探索性数据分析,分别运用反距离权重法、普通克里金法、规则样条函数法和张力样条函数法进行空间插值,采用交叉检验方法对插值精度进行了评估。结果表明:插值精度张力样条函数法规则样条函数法反距离权重法普通克里金法,整体上4种插值方法均能客观地模拟出沉积物石油类含量的空间分布趋势。在局部区域,张力样条函数法插值预测结果更接近真实测量值。辽东湾海域沉积物石油类宜采用张力样条函数法进行空间插值。     

黄东海近海区表层水温纵向预报试验——黄东海温盐预报方法研究之二

海水温度和盐度的变化与鱼类的行动和分布息息相关。当前在海洋渔业生产上广泛开展渔情预报工作,对发展海洋渔业生产,进行科学捕鱼作出了一定的贡献,而海水温、盐度的预报,往往是分析渔情,预测渔况和发布渔情预报的重要依据。本研究课题是直接为海洋渔业生产服务的,因而,我们主要选择渔汛期和渔场区进行了水温纵向预报试验。所谓纵向预报,这里是指多年同月水温序列的预报,借以同横向时间序列预报相区别。     

基于综合环境因子的协同克里金法分析茎柔鱼资源丰度空间分布

茎柔鱼是我国重要的远洋捕捞对象之一,研究其资源丰度空间分布问题,有助于更好地理解茎柔鱼的生态习性,并提高我国鱿钓渔船的生产效率。本文利用上海海洋大学鱿钓技术组提供的2003-2012年6-9月秘鲁外海茎柔鱼捕捞数据,结合海表面温度（SST）,海表面高度（SSH）,海表面盐度（SSS）和叶绿素浓度（Chl a）进行协同克里金插值预测其资源丰度的空间分布。为了解决协同克里金插值中4个环境因子的权重问题,本文将4个环境因子进行归一化处理,利用主成分分析方法将其整合为单一综合环境因子,以此作为协变量。将综合环境因子与单位捕捞努力量渔获量（CPUE）进行相关性检验后进行协同克里金插值,根据平均误差（ME）,均方根误差（RMSE）和标准化均方根（RMSSE）对插值结果评价,探讨此种方法的可行性。研究结果认为:（1）主成分分析方法获得的6-9月份的综合环境因子均与CPUE具有显著相关性;（2）6-7月份ME分别为0.002 6和0.002 5,预测准确性很高,平均预测结果稍高于实际观测值;而8-9月份的ME分别为-0.007 8和-0.000 2,预测准确性较高,平均预测结果稍低于实际观测值。6月份的RMSE估值精度最高,8月份的估值精度最低。6-7月份的RMSSE值小于1,说明都高估了预测的不确定性,8-9月份的RMSSE值大于1,说明都低估了预测的不确定性,则在6-9月份中的预测精度和准确性上会有一定程度的偏差。从ME、RMSE和RMSSE三者综合来看,6-9月的预测值具有一定的可靠性。     

基于神经网络的印度洋长鳍金枪鱼(Thunnus alalunga)时空分布与海洋环境关系研究

长鳍金枪鱼(Thunnusalalunga)是主要的经济性金枪鱼鱼种之一,其空间分布与环境因子存在着密切联系。利用2012—2019年印度洋长鳍金枪鱼生产数据和海洋环境数据,包括海表面温度(sea surface temperature, SST)、叶绿素浓度(chlorophyll a, chl a)和海表面盐度(sea surface salinity, SSS)构建印度洋长鳍金枪鱼时空分布神经网络模型。以空间(经度,纬度)、环境因子(SST, chl a, SSS)为解释变量,局部渔获量为因变量,变化隐含层节点数,构建了18个BP空间分布模型,并采用10×10交叉验证模型稳定性,以均方误差(meansquareerror,MSE)、平均相对方差(averagerelativevariance,ARV)以及拟合优度(R~2)作为不同模型精度与稳定性的评判标准,最终选取5-18-1(隐含层节点18)模型为最佳模型,其平均MSE值为0.02232,平均ARV值为0.511。利用最优模型预测结果与同期实际捕捞产量进行叠加对比发现两者具有一致性。环境因子敏感性分析表明海表温度显著影响印度洋长鳍金枪鱼渔场分布,其贡献率达到0.2。印度洋长鳍金枪鱼高精度BP神经网络时空分布模型为其资源的可持续开发与动态管理提供了一种新思路。     

基于空间自相关的阿根廷滑柔鱼CPUE标准化研究

CPUE的观测往往不是独立的，而是存在空间相关性的。但是，大多数的CPUE标准化方法通常都假设名义CPUE在空间上是相互独立的。为此，本研究以西南大西洋阿根廷滑柔鱼为例，采用2000-2014年1-5月中国大陆鱿钓生产统计数据以及对应的海表温度和叶绿素浓度数据，选择广义线性模型（general linear model，GLM）为基础模型，将空间自相关加入到GLM中，比较标准GLM和4种加入空间自相关的空间GLM的CPUE标准化。根据最小信息准则（Akaike Information Criterion，AIC）及贝叶斯信息准则（Bayesian Information Criterion，BIC），空间自相关的GLM的CPUE标准化结果优于标准GLM，其中指数模型的CPUE标准化结果最佳。同时，标准GLM与空间自相关的GLM相比，存在精确度过高估计的问题。因此，在CPUE标准化中，应充分考虑空间自相关这一因素。     

东南太平洋秘鲁鳀资源量预报模型的构建

秘鲁鳀（Engraulis ringens）是栖息于东南太平洋沿岸的一种小型中上层鱼类。有效地对秘鲁鳀资源量进行预报将有助于为我国鱼粉进口企业提供决策支撑。为此，本研究结合秘鲁鳀生物（上一个渔汛季度的资源量、渔获物中的幼鱼比例）和环境（渔场水温和nino1+2区的温度距平）因素及捕捞量为预报因子，利用主成分分析和多元线性回归的方法对17个渔汛季度（2006年至2014年第一渔汛季度）秘鲁鳀的资源量建立预报模型并利用主成分分析的结果对影响秘鲁鳀资源变动的因子进行初步评价。研究表明，随着时间的推移样本量的增加，模型拟合资源量与真实资源量的平均相对误差逐渐下降，拟合资源量序列与真实资源量序列的相关系数逐渐增加。最终模型5（建模数据为2006-2013年第二渔汛季度的数据，验证数据为2014年第一渔汛季度的数据）能够很好地拟合出秘鲁鳀资源量的大小及变动趋势拟合资源量序列与真实资源量序列的相关系数为0.861；拟合资源量序列与真实资源量序列的平均相对误差为12%；预报得到的2014年第一渔汛季度的数据与真实值相比，相对误差为1%。结合主成分分析的结果对影响秘鲁鳀资源变动的因素进行评价结果表明，第一主成分的方差贡献率为46%，其中环境因素占据了最大的载荷；第二主成分的方差贡献率为23%，同样环境因素占据了最大载荷，但是，排名第二和第三的因素分别是上一个渔汛季度的资源量和捕捞量，其载荷相当；第三和第四主成分的方差贡献率分别为9%和7%，其中幼鱼比例占的载荷最大。根据各主成分得分序列与资源量序列的相关系数结果，环境因子对秘鲁鳀资源变动有重要影响。     

A New model to forecast fishing ground of Scomber japonicus in the Yellow Sea and East China Sea

The pelagic species is closely related to the marine environmental factors, and establishment of forecasting model of fishing ground with high accuracy is an important content for pelagic fishery. The chub mackerel(Scomber japonicus) in the Yellow Sea and East China Sea is an important fishing target for Chinese lighting purse seine fishery. Based on the fishery data from China's mainland large-type lighting purse seine fishery for chub mackerel during the period of 2003 to 2010 and the environmental data including sea surface temperature(SST), gradient of the sea surface temperature(GSST), sea surface height(SSH) and geostrophic velocity(GV), we attempt to establish one new forecasting model of fishing ground based on boosted regression trees. In this study, the fishing areas with fishing effort is considered as one fishing ground, and the areas with no fishing ground are randomly selected from a background field, in which the fishing areas have no records in the logbooks. The performance of the forecasting model of fishing ground is evaluated with the testing data from the actual fishing data in 2011. The results show that the forecasting model of fishing ground has a high prediction performance, and the area under receiver operating curve(AUC) attains 0.897. The predicted fishing grounds are coincided with the actual fishing locations in 2011, and the movement route is also the same as the shift of fishing vessels, which indicates that this forecasting model based on the boosted regression trees can be used to effectively forecast the fishing ground of chub mackerel in the Yellow Sea and East China Sea.     

基于两种机器学习方法分析东海北部海域三疣梭子蟹(Portunus trituberculatus)时空分布

为了解东海北部海域三疣梭子蟹(Portunustrituberculatus)资源时空分布规律,探索更适合三疣梭子蟹资源量预测的模型方法,根据2006—2007年共四个季度在东海北部海域的底拖网调查数据,运用梯度提升回归树(gradientboostingregressiontree,GBRT)和支持向量机(supportvector machine,SVM)这两种机器学习方法,分析了三疣梭子蟹时空分布与环境因子之间的关系,同时使用方差解释率(VE)、相对均方根误差(RMSE)以及决定系数R2等指标对不同模型的拟合效果、预测性能以及稳定性等进行了比较,选择其中最佳模型对东海北部海域三疣梭子蟹资源分布进行预测。结果显示, GBRT模型的拟合效果相对优于SVM模型,两种模型的拟合结果均显示底层海水盐度(SBS)为影响三疣梭子蟹资源分布最为显著的环境因子。GBRT模型的预测性能较高且模型较为稳定,其预测结果显示夏季的资源量高于其他三个季节,且各季节所研究海域的东南部均存在一个资源分布的低值区。研究结果预期可为三疣梭子蟹资源分布及资源量预测新方法的探索和分析提供技术指导。     

基于深度学习和时空特征融合的海洋渔船密度预测方法

为了从海量渔船轨迹数据中挖掘隐含的信息和知识,进而为渔业行政主管部门的决策提供科学依据,本研究以AIS渔船轨迹数据为研究对象,提出了一种基于深度学习和面向时空特征融合的海洋渔船密度预测方法：首先,利用渔船轨迹数据集对渔船行驶区域进行网格划分;其次,筛选出渔船高密度区域进行研究,避免数据稀疏性问题;再次,根据渔船轨迹数据的时空分析,构建三维时空融合矩阵;最后,通过卷积循环神经网络模型捕获渔船分布的时间和空间特征,并利用卷积神经网络的堆叠加强对空间特征的学习。实验通过东海海域渔船真实轨迹数据进行具体测试,结果表明渔船密度预测值与真实值非常接近,平均绝对误差为4×10-4,模型较好地拟合了渔船密度分布特征,有效地提高了渔船捕捞热点预测的准确性和鲁棒性。     

基于客观分析的多源卫星叶绿素a浓度产品融合方法研究

本文基于Aqua/MODIS、Terra/MODIS和Envisat/MERIS多源卫星叶绿素a浓度产品,研究了客观分析融合方法,制作了西北太平洋海域(0°~50°N,100°~150°E)叶绿素a浓度融合产品,并从有效数据空间覆盖率和产品精度两个方面对融合方法进行了评价。与单传感器以及欧洲太空局发布的GSM模型业务化融合产品相比,客观分析融合产品空间覆盖率明显提高;与收集的2002-2012年间叶绿素a浓度实测数据比较,GSM模型业务化融合产品的匹配数据点为578个,偏差为-0.20 mg/m3,均方根误差为0.37 mg/m3,客观分析法融合产品的匹配数据点为1432个,偏差为-0.21 mg/m3,均方根误差为0.36 mg/m3。结果表明:本文研究的客观分析融合方法在保证融合产品精度的同时可显著提高产品的空间覆盖率,在海洋水色融合应用前景广阔。     

基于改进ConvLSTM网络太平洋长鳍金枪鱼时空分布趋势预测

渔场资源与位置的变动由空间与环境因子共同驱动,远洋渔场时空演变信息的精准预测是远洋捕捞的关键支撑。该研究考虑渔业生产统计数据,并兼顾同期海洋环境数据包括海表面温度（Sea surface temperature, SST）、海表面盐度（Sea surface salinity, SSS）、初级生产力（primary productivity, PP）和溶解氧浓度（dissolved oxygen concentration, O2）,提出了一种融合卷积长短期记忆网络（ConvLSTM）和卷积神经网络（CNN）的渔场时空分布预测模型。首先对时空因子进行编码,提取高层时空特征;其次采用CNN提取海洋环境变量的抽象特征,并基于ConvLSTM提取渔业数据的时空特征,最后融合高层时空关联信息对渔场时空演变趋势进行预测。以1995－2018年太平洋海域的延绳钓生产数据对模型进行验证,模型的根均方误差为0.1036,实验对比发现较传统渔场预报模型的预测误差降低15%~40%,预测的高产渔区与实际作业的高渔获量区匹配度高。该研究构建的渔场时空预测模型能够准确地预测出太平洋长鳍金枪鱼的时空分布,为太平洋长鳍金枪鱼的延绳钓渔业提供科学参考依据。