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。     

基于北斗卫星船位数据分析象山拖网捕捞时空特征

为了快速大范围掌握捕捞努力量时空分布特点,借助北斗船位数据采用统计方法获取拖网捕捞状态的速度阈值,根据阈值判断捕捞状态点,捕捞状态点之间时间组成累计捕捞时间,累计捕捞时间与功率的乘积作为捕捞努力量,根据捕捞努力量分析拖网捕捞时空特征。2013年象山在近海拖网捕捞努力量从时间上可以分为3个时间段,即2~5月、6~9月、10~12月与1月。从空间来看捕捞努力量以象山附近的渔场为中心由高到低向外扩展,形成近似的同心圆。从拖网捕捞时间来看分为全年近海渔场、春秋季近海渔场、春秋冬外海渔场、春季或秋季周边外缘渔场。利用北斗数据提取方法计算6个网次时长,并与手工出海调查记录的时长比较,两者相对误差在5%以内。     

浙江省近海海洋捕捞渔船异地停靠信息提取与分析

根据船籍港管理制度要求,所有渔船必须在休渔期返回船籍港停靠休渔,渔船不能到非船籍港停靠。为调查渔船异地休渔情况,该研究提出一种基于北斗卫星导航系统的船位数据提取渔船异地停靠信息的方法。首先查找出渔船停船时段,选择停船时间较长的时间段,获得该停船时段内渔船停靠地的经度和纬度,利用高德地图提供的逆地址查询Web服务,获取停船地点所属的省、市、区县,然后将停船地址与船籍港对比,判断渔船是否属于异地停靠。以浙江省为例,选用2018年北斗卫星导航系统的船位数据,提取浙江省渔船异地停靠的信息,并进行统计分析,得到跨省停靠休渔的渔船占比为2.60%,省内跨市停靠的占比为5.53%,市内夸区县停靠的占比为14.74%,该方法能够快速提取和统计渔船的异地停靠信息,为休渔期渔船管理的信息化提供技术支持。     

基于NPP/VIIRS夜光遥感影像的作业灯光围网渔船识别

为对远洋灯光渔船作业信息进行实时动态监测,该研究基于可见光红外辐射仪(visible infrared imaging radiometer suite,VIIRS)夜光遥感影像,根据远洋灯光渔船作业时其集鱼灯灯光在VIIRS白天/夜晚波段(day/night band,DNB)影像上的辐射特征,采用峰值中值指数(spike median index,SMI)对灯光渔船与背景像元间的辐射差异进行拉伸,在此基础上设计了基于最大熵法(maximum entropy method,Max Ent)阈值分割以及局部峰值检测(local spike detection,LSD)的作业远洋灯光渔船识别算法,并采用2015年西北太平洋公海灯光围网渔场内作业渔船船位监控系统(vessel monitoring system,VMS)数据对该算法的识别精度进行检验。验证结果显示,该文提出的作业远洋灯光渔船自动识别算法对实际作业灯光渔船的识别精度在92%以上,可以满足远洋灯光渔船日常监测的需求,可为进一步评估远洋光诱渔业捕捞努力量、推进远洋光诱渔业信息化管理以及打击非法、未申报和无管制的(illegal,unregulated,unreported,IUU)捕捞活动提供技术支持。     

DX-180型玻璃钢扇贝拖网渔船优化改造与试验

针对日本引进的DX-180型玻璃钢扇贝拖网渔船在獐子岛海域捕捞过程中出现的高能耗、低产量等问题,通过对该渔船与獐子岛扇贝捕捞主力船型(辽长渔养15021钢质扇贝拖网渔船)的技术指标差异性分析得出,该渔船配备的捕捞网具与作业模式无法满足中国海域扇贝捕捞需求。因此,该文提出优化捕捞网具与作业模式,并通过在獐子岛虾夷扇贝(Patinopecten yessoensis)底播海域的海上对比试验论证其改造的合理性。试验分2阶段进行,第1阶段通过增大网具扫海面积并对作业参数进行优化与论证,确定在沙砾底、泥沙底和泥底的最佳拖网航速与曳纲长度;第2阶段进行海上生产对比试验,并以单位捕捞油耗、单位捕捞效率和单位捕捞成本为经济评价指标。试验结果表明,优化后的DX-180型扇贝拖网渔船的捕捞量与耗油量均得到有效改善。与预替代的辽长渔养15021钢质扇贝拖网渔船相比,虽单位捕捞油耗与钢质拖网渔船基本持平,但在单位捕捞效率和单位捕捞成本方面均优于钢质拖网渔船,其中单位捕捞效率提高了37.5%,单位捕捞成本降低了26.0%,符合扇贝低碳化产业发展需求,对中国推广玻璃钢扇贝拖网渔船从技术与经济性方面提供参考。     

利用机器学习算法的海洋渔船捕捞能力影响因素权重分析

针对传统方法在宏观层面上进行海洋渔船捕捞能力计量分析中,对指标数量要求有限,考虑因素不足、渔船作业数据利用不充分等问题,该研究在分析南海三省2018至2019年间,约20万条海洋渔船捕捞监测数据特征的基础上,提出了基于机器学习算法的单船捕捞能力影响因素权重分析评价模型。首先,利用四分位法、主成分分析法以及数据标准化与独热编码法对原始数据集进行了清洗处理,获得了4万余条可靠数据。进一步,采用机器学习算法,构建了BP神经网络、决策树和随机森林算法分析模型,同时,利用网格搜索和交叉验证结合遍历循环创建6000次生成学习曲线,结果表明随机森林模型的均方误差、平均绝对误差和可决系数均最优,表现最好的一组参数的决定系数达0.951,明显优于另外两种算法模型。最后,基于随机森林算法对各指标进行权重提取,得出本次研究数据集中渔捞监测数据所包含的影响因素权重排序,结果显示,影响渔船捕捞能力的各因素权重依次为:网次产量(50.070%)、pa(功率、总吨和船长降维后的指标)(23.779%)、拖网(包括单拖、双拖以及拖虾网)(9.409%)、网次数量(6.782%)、作业时长(4.578%)、刺网(2.019%)、张网(1.347%)、围网(1.228%)、罩网(0.628%)、杂渔具(0.122%)、钓具(0.022%)、船龄(0.009%)、钢质渔船(0.002%)、玻璃钢渔船(0.002%)和木质渔船(0.002%)。研究结果明晰表征了各因素的影响占比,可为海洋捕捞渔船捕捞能力量化评价与监管、减船转产与更新改造等海洋捕捞业管理提供重要的技术支撑与参考。     

渤黄海区域渔船碳排放特征

渔船二氧化碳排放是全球温室气体排放评估中通常被忽视的领域，在全球变暖过程中具有不可忽略的驱动作用。渤黄海是中国重要的海上粮仓和生态环境治理区域，查明渤黄海渔船生产作业过程对温室气体排放贡献较大的环节，对区域碳循环研究、碳排放管理及减排降碳措施制定具有重要意义。为探明渤黄海区域海洋渔船二氧化碳排放的时空变化特征，揭示渔业生产活动对气候变暖的影响程度，该研究基于2020至2021年的海量渔船管理及动态船位数据，提取了航段位移、航段内渔船航速、发动机负荷因子、排放因子等状态参数，构建了渔船二氧化碳排放动态计算模型，分析了渤黄海区域9种作业类型渔船的二氧化碳排放强度，给出了渔船年度及月度排放的空间分布特征。结果表明：1）渤黄海区域各类机动渔船在2020和2021年的二氧化碳排放总量分别为450万和945万t，总体呈现出近岸低、外海高的分布特征，热点区域主要分布在渤海湾渔场、滦河口渔场、海东渔场、烟威渔场、石岛渔场、石东渔场、海州湾渔场及大沙渔场。2）拖网和刺网渔船是二氧化碳年度累计排放的主要贡献者，但就单船单位航行时长二氧化碳排放量而言，辅助船最高，围网渔船次之。3）不同年份相同月份的渔船二氧化碳排放空间分布呈现出一定的相似性，伏季休渔期开始前强碳源主要出现在黄海中南部区域，休渔期结束后强碳源主要出现渤海中部、山东半岛东部以及黄海中部海域一带，年度内渔船二氧化碳排放重心总体上是由沿岸海域向中部开阔海域方向扩散。该研究通过渔船动静态异质数据推演二氧化碳的时空变化，对评估渔业生产所引起的气候效应具有理论指导作用。     

基于改进YOLOv7的毛虾捕捞渔船作业目标检测与计数方法

渔船捕捞信息量化是开展限额捕捞精细化管理的前提,为解决中国毛虾限额捕捞目标识别和信息统计量化问题,研究了在中国毛虾限额捕捞渔船上安装电子监控（electronic monitoring,EM）设备,并基于YOLOv7提出一种改进的目标检测算法（YOLOv7-MO）和目标计数算法（YOLOv7-MO-SORT）。YOLOv7-MO目标检测算法采用MobileOne作为主干网络,在输出端head部分加入C3模块,并完成剪枝操作;YOLOv7-MO-SORT目标计数算法将SORT（simple online and realtime tracking）算法中的Fast R-CNN替换为YOLOv7-MO,用于检测捕捞作业中抛出的锚和装有毛虾的筐。采用卡尔曼滤波和匈牙利匹配算法对检测到的目标进行跟踪预测,设置碰撞检测线、时间戳、阈值和计数器,实现对捕捞作业过程中渔获毛虾筐数和下网数量计数。结果表明：1）改进后的YOLOv7-MO在测试集上的平均检测精度、召回率、F1得分分别达到了97.3%,96.0%,96.6%,相比YOLOv7模型分别提升了2.0、1.1和1.5个百分点。2）改进后的YOLOv7-MO模型大小、参数量和浮点运算数分别为64.0 MB、32.6 M、39.7 G,相比YOLOv7模型分别缩小了10.2%、10.6%和61.6%。3）以YOLOv7-MO为检测器的SORT算法毛虾捕捞作业计数准确率在统计毛虾筐数和下网数量上分别达到80.0%和95.8%。YOLOv7-MO在提高检测精度的同时减轻了模型量级,提高了检测效率。结果表明,该研究能够为实现渔船捕捞作业信息记录自动化和智能化提供方法,为毛虾限额捕捞管理提供决策参考依据。     

CNN-LSTM在日本鲭捕捞渔船行为提取中的应用

目前，国内外部分自动化程度较高的捕捞渔船逐渐开始采用人类观察员与电子观察员相结合的捕捞监控方式。为简化电子监控系统数据处理流程、提高电子监控系统自动化程度、增强相关渔业公司及政府部门的管理效率，该研究提出将卷积神经网络（Convolutional Neural Network, CNN）与长短期记忆模块（Long Short Term Memory, LSTM）应用在传统电子监控系统数据中，用于灯光渔业日本鲭捕捞渔船行为提取。根据日本鲭捕捞渔船工作特点，划分出放网、收网、进鱼、转载等9种捕捞作业行为。设计4组平行试验，分别对比3层卷积神经网络、带有LSTM模块的3层卷积神经网络、8层卷积神经网络、带有LSTM模块的8层卷积神经网络在日本鲭捕捞渔船行为提取中的表现。试验结果显示，在测试集中该4种神经网络训练得到的模型综合评价指标F1分数分别达到了0.794、0.799，0.966及0.972，在配备NVIDIA Tesla V100 32GB高性能GPU的超算环境下5 000组数据平均每次检测耗时分别为34.66、34.50、37.41、37.61 ms。在一定范围内，网络深度的增加会显著提升模型的效果，但检测耗时也会有明显增加；LSTM模块的加入对网络模型效果有一定程度的提升，且不会显著影响检测耗时。因此，CNN-LSTM 模块在电子监控系统高实时性、高精度场景下均有较大的应用前景，能够提高电子监控系统自动化程度，提高相关部门的管理效率。     

考虑多影响因素的渔船单船捕捞能力评估方法

针对以往海洋机动渔船捕捞能力评估研究中考虑影响因素较少,对各影响因素的主观权重值和客观权重值综合分析不足,不能给出渔船单船捕捞能力量化值等问题,该研究提出了考虑多影响因素的渔船单船捕捞能力评估模型。首先,考虑多种影响渔船捕捞能力的因素,建立单船捕捞能力评估指标体系,将其分为可量化指标和不可量化指标,并初步制定了不可量化指标评估标准。其次,利用专家、渔民调查问卷中的数据,运用层次分析法计算各指标主观权重值,结果表明各指标权重依次为：捕捞装备（10.76%）、功率（9.35%）、拖网（7.40%）、作业时长（7.14%）、总吨（4.85%）、探鱼仪器（4.74%）、刺网（3.98%）、船长（3.18%）、张网（2.83%）、围网（2.38%）、钓业（2.06%）、作业环境（1.92%）、钢质材质（1.89%）、罩网（1.65%）、玻璃钢材质（1.55%）、船龄（1.26%）、木制材质（1.21%）;渔具相关指标权重依次为：网具主尺寸（40.23%）、网具结构（14.93%）、装配技术（9.26%）、制造材料（5.08%）。最后,为兼顾主客观权重优点,基于加法合成法、博弈论法、最小鉴别信息法对各指标权重值进行组合计算,以获得目标权重值,并根据某省渔船数据对建立的模型进行验证分析,通过Spearman等级相关系数法计算捕捞能力评估值与实际渔获量之间的等级相关系数,结果表明基于博弈论法得到的结果相关性最高,相关系数为0.937,证实了组合权重值和评估模型的科学性和合理性。研究结果可为渔业管理部门制定科学合理的渔业资源调控政策提供依据。     

基于物联网的内河小型渔船动态信息监控系统设计

为规范内河流域渔业生产秩序,保障渔船作业安全,该文设计了基于物联网的内河小型渔船动态信息监控系统。该系统集成了无线传感器网络、远程信息传输、远端后台监控等多种技术方法。其中,无线传感器网络主要用于获取包括渔船位置、电捕鱼违法监测信息和渔船超载检测信息等渔业现场数据。依靠Zig Bee技术,该网络实现了对不同类别传感器数据的汇聚、判断以及远程播发。远程信息传输是利用GPRS/GSM移动通信网络与互联网传输技术,实现了多渔船作业信息向后台监控中心的实时传输。后台渔政监控中心,具有渔船在电子地图上的识别与定位,渔业生产的实时监控以及渔政执法的决策辅助等功能。该系统经测试,可满足内河流域作业渔船在实时监管和安全保障等方面的需求,提高了农业渔政管理的水平。     

渔船安全技术评价系统的开发与应用

为了辅助有关部门与管理人员收集指定区域的渔船的信息,并据此对渔船及其设备的安全技术状况进行科学、客观的评价,该文利用MS-ACCESS数据库的单机访问效率高、数据文件存储与合并灵活便捷的特点,开发了一种经济实用的渔船安全技术状况评价系统,实现了评价指标、标准与模型的自定义以及网络限制条件下的渔船安全技术状况评价数据采集与处理。该系统在应用过程中,数据由基层的渔业船舶检验工程师将有关渔船参数报到地方渔船管理部门,并最终上报到上级渔船管理部门,进行逐级收集、合并、上报与汇总,最后由相关部门的管理人员进行评价、统计与分析。该研究以某区域5700多艘24 m及以上钢质海洋渔船为样本,实施了渔船安全技术状况的评价。实用证明该系统用户环境配置安装简单,界面简洁方便,数据处理效率高,通用性强,运行维护成本低。通过渔船安全技术评价系统的开发与实施,可以对指定区域渔船的安全技术作出全面客观的评价,并辅助管理者对渔船技术状况和安全隐患进行科学分析,提出消除危险的最佳技术措施和方案,为主管机关制定相关政策、安全技术法规提供参考,进而大力改善区域渔船的安全生产状况。     

基于北斗短报文的渔获信息压缩传输方法

在利用北斗短报文进行渔获信息的实时通讯中,由于北斗系统的民用报文存在通信频度和长度受限、丢包等问题,该文通过分析渔获信息和短报文空间特点,提出了一种渔获信息报文的字节空间分配策略。在此基础上,提出2种渔获数据压缩传输方法:鱼代号模式和索引码表模式。鱼代号模式一次性只能描述≤16种鱼产量信息,当超过16种鱼,只能分次传输。索引码表模式完全有能力适应一次性描述≥20种鱼产量的各种情况,当满足一定条件时,能够一次性描述21~31种鱼的产量,而鱼代号模式没有这样的可能。为了进一步提升索引码表模式压缩能力,该文讨论了采用基于霍尔曼编码的变长度方案来改造固定长度的索引码表,虽然可能会相对节省字节空间,但效果不明显,同时会增加编译码算法的复杂度。因此,在实践中采用了固定长度的索引码表模式,实测证明该方法能满足渔获信息实时短报文通信需求,具有算法可靠和简单易实现的特点。     

基于文本分类和知识挖掘的远洋渔船安全问题分析

针对远洋渔船问题信息的知识挖掘与分析任务中存在渔船安全知识提取深度不足、安全问题文本分类精度不够的问题，该研究在归纳中国沿海8省市远洋渔业管理机构和企业的约5000条远洋渔船安全问题文本数据特征的基础上，提出一种整合文本分类、知识挖掘和共现网络分析技术的远洋渔船安全问题分析方法。首先，构建基于双向预训练语言模型与文本卷积神经网络的混合深度学习模型BERT-TextCNN（bidirectional encoder representations from transformers-text convolutional neural networks），对渔船安全问题文本进行基于《开普敦协定》规定的精准主题分类。进一步利用基于主题的词频-逆文档频率算法TF-IDF（term frequency-inverse document frequency），提取各主题下的关键渔船安全知识。最后，绘制渔船安全知识共现网络图，可视化分析各知识的分布规律及内在联系。结果表明，BERT-TextCNN模型对渔船安全问题文本的分类精度相较于BERT、Word2vec、Character embedding文本表示方法和DPCNN、BiLSTM-Attention、RCNN等6种神经网络的其他17种对比模型提升较为明显，准确率、宏平均召回率、宏平均F₁值分别达98.20%、98.02%、98.05%；基于主题的渔船安全知识挖掘方法可以展示远洋渔船安全工作的重点排序和关系网络图，涵盖渔船的机电设备、消防装置、救生设备、无线电通信等10类安全知识。该方法可为相关渔业管理人员提供高质量的渔船安全知识服务，对国内远洋渔业的安全管理效率、履约水平、智慧渔业工程的应用和发展有促进作用。