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。     

基于韧性视角的福建沿海风暴潮风险综合评估研究

本文基于城市安全韧性三角形模型,构建韧性城市视角下的风暴潮灾害综合风险评价框架,采用2011—2020年福建省33个沿海县(区、市)数据,通过城市适灾韧性评价指标体系,科学评价福建沿海城市适灾韧性水平时空分异特征,借助地理信息分析工具,综合风暴潮灾害危险性、脆弱性和城市韧性的评价结果,实现福建省域尺度风暴潮灾害综合风险区划。结果表明:(1)福建省2020年沿海城市适灾韧性水平从高到低依次为:福州、厦门、漳州、泉州、宁德、莆田;(2)随着各沿海城市适灾韧性水平的稳步提升,福建省风暴潮灾情等级指数呈下降趋势;(3)风暴潮综合风险I级区主要分布在莆田的兴化湾、湄洲湾沿岸;(4)在灾害防御建议方面,应重点关注河口、喇叭型湾口等地区,应重点防范北部路径和中部路径的台风风暴潮,应因地制宜制定海洋防灾减灾对策和韧性城市建设规划。