基于遥感数据的智利竹筴鱼渔场预报系统

根据中国2001-2009年东南太平洋作业船只提供的捕捞数据和卫星遥感反演的海表温度数据,建立了基于贝叶斯概率理论的智利竹筴鱼渔场预报系统。系统开发采用客户/服务器(C/S)体系模式,数据库则采用SQL Server 2000数据库管理系统,结合控件式GIS技术,构建了渔场分析和预报系统,并利用历史数据进行了模型精度验证。结果表明:预报渔场的准确度为72.6%,预报非渔场的准确率为57.5%;综合预报准确率达65%以上。渔汛盛期的渔场预报准确率要高于渔汛末期3%～22%,而非渔场的预报准确率低于渔汛末期4%～11%。因此,该预报系统对于南太平洋智利竹筴鱼渔场预测和捕捞活动具有一定的指导意义。但在实际预报过程中,也需结合其他相关环境因子(如叶绿素a、海面高度、海流等)对预报渔场进行修正。     

基于机器学习的中西太平洋黄鳍金枪鱼渔场预报模型

为提供准确的中西太平洋黄鳍金枪鱼渔场预报信息,该研究利用2008－2019年中国水产集团43艘远洋延绳钓渔船在中西太平洋海域（0°～30°S;110°E～170°W）作业的渔业数据,通过方差膨胀因子筛选、归一化处理,选取时空因子、海洋环境因子及大尺度气候数据等共35种特征因子,构建了一种随机森林和极端梯度提升决策树相结合的XGBRF模型,并利用五折交叉验证法确定最佳参数,选择逻辑回归、分类与回归树、K最近邻、自适应增强、梯度提升决策树、极端梯度提升决策树和随机森林等模型作为对照,建立8种黄鳍金枪鱼渔场预测模型并进行模型间的比较分析。结果表明,XGBRF模型对中西太平洋黄鳍金枪鱼渔场的预测性能比其他模型更好,其准确率、渔场召回率、渔场F1得分、非渔场查准率和曲线下面积值AUC均最高,分别为75.39%、87.36%、82.64%、66.32%和79.48%,且模型的受试者工作特征曲线ROC更靠近左上角;海表温度是影响中西太平洋黄鳍金枪鱼渔场分布最重要的环境因子,其他因子依次是300 m水层温度、50 m水层盐度、叶绿素a浓度、南方涛动指数以及表层盐度因子,时空因子和其余大尺度气候因子的影响程度较低;基于XGBRF预报模型得到的渔场预测结果与实际作业范围总体一致。XGBRF集成模型对中西太平洋海域黄鳍金枪鱼的渔场预报具有较好的效果,可为渔场预报提供参考。     

基于随机森林算法和气象因子的砀山酥梨始花期预报

准确预报始花期是制定砀山酥梨花期管理措施和赏花活动方案的重要基础。该文利用1983-2018年砀山酥梨始花期的定位观测物候数据和平行观测的气象资料，采用线性趋势法，揭示始花期演变趋势；采用相关分析，筛选影响始花期的关键气象因子，依据不同预报日期构成特征变量集；采用随机森林算法（Random Forest, RF），自3月11日开始预报到3月25日终止预报，每日训练1个预报模型。结果表明，1）1983－2018年始花期呈极显著提早发生趋势，每10a约提前2.750 d（P＜0.001）。2）16个逐日气象预报模型中，共计有200个气象因子与始花期早迟密切相关，相关系数在0.469～0.789之间；各气象预报模型的训练集与测试集的平均正确率（Nd）分别为92.9%和75.5%、平均均方根误差（RMSE）分别为1.693～2.870和2.240～7.237、平均决定系数（R2）分别为0.891和0.701。3）2019年试验预报中，提前15日准确预报出当年始花期。该文研究表明RF在梨树始花期逐日气象预报中有一定业务应用潜力，预报准确率基本满足气象服务需求。     

基于姿态与时序特征的猪只行为识别方法

生猪行为监测是生猪养殖管理过程中的一个重要环节。该研究提出了基于姿态与时序特征的猪只行为识别方法。首先采集和标注猪栏内猪只图像，分别构建了猪只目标检测数据集、猪只关键点数据集和猪只行为识别数据集；利用构建的数据集，分别训练了基于YOLOv5s的猪只检测模型、基于轻量化OpenPose算法的猪只姿态估计模型和基于ST-GCN算法的猪只行为识别模型，并搭建了猪只行为识别系统。经测试，文中训练的YOLOv5s猪只检测模型mAP（mean Average Precision）最高达到0.995，姿态估计模型平均精度和平均召回率达到93%以上，基于ST-GCN的猪只行为识别模型的平均准确率为86.67%。文中构建的猪只行为识别系统中基于LibTorch推理猪只检测模型和猪只姿态估计模型的单帧推理耗时分别约为14和65 ms，单只猪行为识别推理耗时约为8 ms，每提取200帧连续姿态进行一次行为识别推理，平均17 s更新一次行为识别结果。证明提出的基于姿态与时序特征的猪只行为识别方法具有一定可行性，为群养猪场景下的猪只行为识别提供了思路。     

北太平洋柔鱼渔场资源与海洋环境关系的季节性变化

利用我国2002—2012年5—11月北太平洋鱿钓渔业的生产资料,结合同期卫星遥感反演技术获取的海表温度(SST)、海水叶绿素(Chl-a)、海流等数据,运用产量重心法和广义加性模型(GAM),分析了北太平洋公海柔鱼渔场渔获量变化与海洋环境关系的季节性变化。研究结果显示北太平洋柔鱼5—6月渔场重心位于中、东部渔场,在168°~171°E、38°~39°N的范围;7—11月集中在西部渔场,重心位于150°~160°E、40°~44°N的范围,渔场重心伴随着明显的季节性变化。通过GAM模型综合分析发现整个渔汛期的北太平洋柔鱼渔场最适SST范围为14~19℃;最适Chl-a范围为0.22~0.55 mg·m-3;集中的经度范围为154°~157°E;集中出现的纬度范围为41°~44°N。柔鱼活动呈现每年北上索饵洄游和南下活动产卵洄游,与环境因素的关系表现出不同的特征,尤其是SST相关性最好,从5月到9月SST与渔场重心的关系在北上时呈正相关,从9月到11月南下时为负相关,呈现明显的季节性变化。另外海流对渔场的影响甚为重要,高产渔场一般位于黑潮、亲潮交汇区域的黑潮前锋、亲潮向背一侧附近,随着暖、寒流的此消彼长而变化。     

基于声振信号对称极坐标图像的苹果霉心病早期检测

为实现苹果早期霉心病较高精度的检测，该研究采用对称极坐标法（Symmetrized Dot Pattern，SDP）将苹果声振信号变换为雪花图，然后采用AlexNet、VGG16和ResNet50卷积神经网络以迁移学习方式深度挖掘SDP雪花图像的特征信息，将其输入到支持向量机（Support Vector Machine，SVM）分类器，对霉心程度≤7%的苹果进行检测。研究结果表明，当时间间隔系数为25和角度放大因子为50°时，健康果与早期霉心果声振信号的SDP图形状特征差异最大，在此条件下获取的SDP图经卷积神经网络AlexNet、VGG16和ResNet50提取特征并构建了不同核函数的SVM霉心果检测模型，在各类SVM模型中，ResNet50-SVM-gaus（高斯基）模型用相对较少的训练时间和参数量可取得训练集霉心果较高分类准确率，经超参数优化训练该模型对健康果和早期霉心果测试集不平衡样本（10∶1）的总体分类准确率达到96.97%，平均查准率、平均查全率、平均加权调和均值、Kappa系数和马修斯相关系数值分别为80.19%、90.36%、86.21%，82.54%和82.68%，该模型不仅对多数类的健康果保持较高分类准确率，而且对少数类的早期霉心果也具有较高判别能力。这些研究结果为声振法应用于果蔬内部病害的早期在线检测系统研发提供了技术支撑。     

基于迁移学习的棉花叶部病虫害图像识别

针对传统图像识别方法准确率低、手工提取特征等问题,该研究以棉花叶部病虫害图像为研究对象,利用迁移学习算法并辅以数据增强技术,实现棉花叶部病虫害图像准确分类。首先改进AlexNet模型,利用PlantVillage大数据集训练取得预训练模型,在预训练模型上使用棉花病虫害数据微调参数,得到平均测试准确率为93.50%;然后使用数据增强技术扩充原始数据集,在预训练模型上再训练,得到最终平均测试准确率为97.16%。相同试验条件下,该研究方法较支持向量机(Support Vector Machine,SVM)和BP(Back Propagation,BP)神经网络以及深度卷积模型(VGG-19和GoogLeNet Inception v2)分类效果更好。试验结果表明,通过迁移学习能把从源领域(PlantVillage数据集)学习到的知识迁移到目标领域(棉花病虫害数据集),数据增强技术能有效缓解过拟合。该研究为农作物病虫害识别技术的发展提供了参考。     

基于改进ResNet50模型的大宗淡水鱼种类识别方法

针对传统鱼类识别方法存在特征提取复杂、算法可移植性差等不足,该研究提出了一种基于改进ResNet50模型的淡水鱼种类识别方法。研究以鳙鱼、鳊鱼、鲤鱼、鲫鱼、草鱼、白鲢6种大宗淡水鱼为对象,通过搭建淡水鱼图像采集系统获取具有单一背景的淡水鱼图像,同时通过互联网搜索具有干扰背景的淡水鱼图像,共同构建淡水鱼图像数据集;再对淡水鱼图像进行预处理,以增加样本多样性;构建改进ResNet50模型,增加全连接层Fc1以及Dropout,引入迁移学习机制训练模型,同时选择CELU作为激活函数提高神经网络表达能力,通过Adam优化算法更新梯度,并嵌入余弦退火方法衰减学习率。为验证改进ResNet50模型的准确率等性能,对6种淡水鱼进行种类识别,结果表明：在单次验证方法下,选用包含单一背景图像和干扰背景图像构成的淡水鱼图像数据集训练模型,识别准确率为96.94%,比经典模型提高1.22%,单张淡水鱼图像样本的平均检测时间为0.234 5 s;在四折交叉验证下,选用具有单一背景的图像数据集,模型的识别准确率为100%,选用包含单一背景图像和干扰背景图像的淡水鱼图像数据集,模型的识别准确率为96.20%,说明模型具有较好的泛化性能和鲁棒性。针对混淆矩阵的可视化结果表明：改进的ResNet50模型具有通用的结构和训练方式,对不同背景下的淡水鱼进行种类识别具有较高的准确率,可为淡水鱼种类识别提供技术借鉴。     

基于改进残差网络的橡胶林卫星影像语义分割方法

为进一步提升现有基于残差的分割模型在测试集上的信息提取能力和验证改进残差优化策略普适性及实现橡胶卫星影像的更优分割,该研究提出了一种通用改进残差策略,以哨兵-2多光谱卫星影像为数据源构建数据集,并使用改进后残差网络ResNet50_ve作为OCRNet模型的骨干网络,实现基于变种残差网络的OCRNet模型（ResNet-ve-OCRNet）,使用在ImageNet1k分类数据集上蒸馏好的学生模型作为预训练模型参与ResNet-ve-OCRNet模型的训练。研究结果表明使用层数中等的基于50层残差网络在小尺度卫星影像训练集上各指标收敛效果优于较深层数的101层残差网络,与DeeplabV3、DeeplabV3+、PSPNet模型相比,以ResNet50_ve为骨干网络的OCRNet在验证集上的平均交并比达到0.85,像素准确率达到97.87%,卡帕系数达到0.90。该研究提出的改进残差策略具有一定的普适性可应用到众多主流分割模型上且有评价指标性能增益,从预测图来看,基于改进残差网络（ResNet-ve）的模型抑制了在测试集预测图上的上下文信息缺失问题,能够实现橡胶林卫星影像的更优精确分割。     

基于迁移学习和改进CNN的葡萄叶部病害检测系统

为建立高效、准确的葡萄叶部病害检测系统,引入迁移学习机制,利用大型公开数据集对VGG16模型预训练,保持模型前端13个层的参数和权重不变,对全连接层和分类层改进后利用新数据集微调训练模型,包括对训练优化器、学习率和中心损失函数平衡参数的优选试验,最后将模型部署在Android手机端。试验表明,在微调训练阶段选择Adam优化器、初始学习率设为0.001、中心损失函数平衡参数设为0.12时,改进的VGG16模型性能最优,对葡萄6类叶部图像的分类平均准确率为98.02%,单幅图像平均检测耗时为0.327s。与未改进的VGG16模型相比,平均准确率提高了2.82%,平均检测耗时下降了66.8%,权重参数数量减少了83.4%。改进后的模型综合性能优于AlexNet、ResNet50和Inceptionv3等模型。将模型跨平台部署在Android手机端,自然环境下验证的平均准确率为95.67%,平均检测耗时为0.357 s。该研究建立的基于迁移学习和改进卷积神经网络的病害检测系统可实现对葡萄叶部病害的快速、智能诊断,为葡萄病害的及时防控提供依据。     

采用AIS计算中西太平洋延绳钓渔船捕捞努力量

对渔船捕捞行为和捕捞强度空间高分辨率的估计可以作为海洋资源管理和生态脆弱性评估的重要信息。为识别远洋延绳钓渔船作业状态,该文基于2017年10-11月中西太平洋延绳钓渔船卫星船舶自动识别系统(automatic identification system,AIS)数据和捕捞日志数据,采用支持向量机(support vector machine,SVM)学习方法,构建了中国中西太平洋延绳钓渔船捕捞作业状态(捕捞/非捕捞)分类模型。通过计算模型分类准确率、精确率、敏感度和特异度来评价模型对渔船作业状态分类能力。结果表明,模型训练数据的准确率为95.24%(Kappa系数为0.9),验证数据的准确率为93.85%(Kappa系数为0.87)。采用构建好的模型识别2017年10月和11月中西太平洋延绳钓渔船共计125624条AIS记录数据,模型准确率在83.3%(Kappa系数为0.67)。2017年10、11月所有数据分类精确率为82.33%,灵敏度为88.32%,特异度为77.27%。渔船主要作业空间在168°E^173°E,12°S^18°S,有3个明显的作业强度较高区域。基于SVM模型和日志记录的捕捞强度信息在空间上相关性很高(r>0.98),SVM模型识别的渔船捕捞努力量空间分布特征和实际吻合。捕捞努力量与单位捕捞努力量渔获量(catch per unit of effort,CPUE)、渔获尾数、渔获质量和投钩数的相关系数分别是0.68、0.93、0.93和0.94。基于AIS信息挖掘的渔船空间捕捞努力量可用于渔业资源分析。     

鱿鱼钓机的改进设计与试验

为提升鱿鱼钓机国产化水平,该文针对鱿鱼钓机的动力系统、控制系统、保护装置及控制面板等关键部件进行了改进设计。动力系统采用交流伺服驱动器结合交流伺服永磁同步电机的运行模式。控制系统包括放线程序、诱钓程序收线程序和收工程序子控制系统。显示操作面板采用数码管显示器和图文显示屏相结合的方式,可根据不同海况和钓捕要求调节作业参数。在保护装置方面设计了智能防过载功能,0位(重锤位于海平面的位置)及上限位置保护和缺相报警措施。海上测试结果表明试验机运行稳定,试验机20 d渔获量为2 493 kg,试验机渔获量与对照机无显著性差异(P0.05)。     

农田土壤墒情监测与预报系统研发

为了定量预报农田未来7d 土壤墒情变化特征,提升农业气象服务工作质量与效率,该文旨在研发基于网络化的辽宁省农田土壤墒情监测与预报系统。该系统基于VC++及Fortran程序语言设计,以改进的CERES-MAIZE模型中的土壤水分子模型为基础,通过程序设计及各接口功能的实现,自动调用辽宁省自动土壤水分观测站的监测当日土壤含水量数据和中央气象台预报指导产品,实现数据的网络化获取和业务模型的实时运行,提升土壤墒情模拟的准确性、时效性和便利性。结果表明,预报准确率随预报日期增加而呈现降低的趋势,越临近实际监测日期土壤墒情预报情况与实际情况拟合越好;等级干旱预报准确率最低值为70.1%,最高值为81.9%,系统对于辽宁省农田土壤干旱级别的预报具有较高准确率。     

采用注意力机制与改进YOLOv5的水下珍品检测

海胆、海参、扇贝等水下珍品在渔业中具有重要意义和价值,最近,利用机器人捕捞水下珍品成为发展趋势。为了探测水下珍品的数量及分布情况,使水下机器人获得更加可靠的数据,该研究提出基于注意力机制与改进YOLOv5的水下珍品检测方法。首先,使用K-means匹配新的锚点坐标,增加多个检测尺度提升检测精度;其次,将注意力机制模块融入特征提取网络Darknet-53中获得重要特征;然后,利用Ghost模块的轻量化技术优势,引入由Ghost模块构成的Ghost-BottleNeck代替YOLOv5中的BottleNeck模块,大幅度降低网络模型的参数与计算量;最后,将IOU_nms修改为DIOU_nms以优化损失函数。采用基于实际水下环境建立的数据集,样本数量为781幅图像,按照9∶1的比例随机划分训练与测试集,对改进的网络进行验证。结果表明,该研究算法可获得95.67%平均准确率,相比YOLOv5算法可提升5.49个百分点,试验效果良好,研究结果可以为水下珍品的检测捕捉提供更加准确快捷的方法。     

不同模型在渔业CPUE标准化中的比较分析

为了提高渔业数据单位捕捞努力量渔获量（catch per unite of effort,CPUE）标准化数据的质量和模型连续稳定预测能力,该文采用人工神经网络（artificial neural network,ANN）、回归树（regression trees,RT）、随机森林（random forest,RF）和支持向量机（support vector machine,SVM）等机器学习方法和传统的广义线性模型（generalized linear model,GLM）等方法,对2000－2013年大西洋大眼金枪鱼（Thunnus obesus）延绳钓CPUE数据进行标准化。采用平均绝对误差、平均均方误差、3种相关系数（Pearson's,Kendall's和Spearman's）和标准化均方误差等评价指标对不同模型标准化结果进行对比,寻找较优的标准化方法。研究结果表明,在验证数据集SVM方法得到的3种相关系数（0.596,0473和0.632）和RF（0.623,0.456,0.621）相似,高于RT(0.516,0.432和0.586)、ANN(0.428,0.249和0.365)和GLM(0.199,0.106和0.159)。SVM预测的均方误差（11.25）、平均绝对误差（2.107）和标准化均方误差（0.652）略低于RF（11.655,2.377和0.661）,明显低于RT（14.999,2.434和0.801）、ANN(16.692,2.883和0.823)和GLM（16.517,2.777和0.993）。各项指标揭示SVM方法要优于其他4种方法,RF次之,GLM计算结果在所有方法中最差,不适合渔业数据CPUE标准化。SVM和RF方法应该被优先考虑用于渔业数据CPUE标准化。研究结果为渔业资源管理和保护提供更好的支持。     

基于改进稠密胶囊网络模型的植物识别方法

植物识别意义重大,但是由于植物种类繁多,规模数据集标注和构建困难,因此植物物种识别作为精细分类任务仍然面临巨大挑战。该研究提出一种改进稠密胶囊网络模型用于植物物种识别。首先,在网络初始端引入自注意力层,通过增加特征图中待识别区域的特征权值以降低背景信息对于识别任务的干扰。其次,在改进模型胶囊层间使用局部约束动态路由算法,实现局部区域内胶囊路由选择和转换矩阵共享机制,降低网络参数规模,减小网络训练学习计算负载。在试验数据集上计算结果表明,当输入图片尺度为32×32像素时,该研究模型平均识别准确率为77.2%,参数规模仅为1.8M。当输入图片尺度为227×227像素时,该研究模型平均识别准确率为95.1%,参数规模仅为5.2M。试验结果表明提出的改进稠密胶囊网络模型在识别分类和降低模型参数规模上均有大幅提升。     

Modeling loggerhead sea turtle (Caretta caretta) interactions with US Mid-Atlantic bottom trawl gear for fish and scallops, 2005–2008

Interactions between sea turtles and northwestern Atlantic trawl fisheries are of global concern, and the National Marine Fisheries Service is considering expanding bycatch reduction regulations, including deployment of turtle excluder devices (TEDs). To inform bycatch mitigation strategies, the number of loggerhead sea turtle (Caretta caretta) interactions was estimated for US Mid-Atlantic bottom trawl fisheries for fish and scallops. A generalized additive model of interactions was developed using 1994–2008 Northeast Fisheries Observer Program data from trawl fisheries that were not required to deploy TEDs. Predicted loggerhead interaction rates were applied to 2005–2008 commercial fishing data to estimate the number of interactions for the trawl fleet. For trawl fisheries in which TEDs were required, an experimentally-determined TED exclusion rate (97%) was applied to estimate the number of loggerheads that were excluded by TEDs. Latitude, depth, and sea surface temperature (SST) were associated with the interaction rate. Average annual interactions for 2005–2008 were estimated at 292 (CV 0.13, 95% CI 221–369) loggerheads, with an additional 61 (CV 0.17, 95% CI 41–83) excluded by TEDs. The interaction rate was highest south of latitude 37°N in waters <50 m deep with SST >15 °C; interaction magnitude in terms of adult equivalents was highest at latitude 37–39°N, depth <50 m, and SST >15 °C. Predicted average annual loggerhead interactions decreased compared to 1996–2004, likely due to decreased commercial fishing effort in high-interaction areas. Additional sea turtle conservation measures can be informed by the high-interaction-rate and -magnitude areas identified through this analysis.