东南太平洋智利竹鱼渔场渔获物的种类组成与多样性

根据2009年3~6月和2012年3~5月在东南太平洋智利竹鱼(Trachurus murphyi)渔场(39°42'S~46°42'S;79°30'W~97°30'W)的渔获种类组成和数量分布调查数据,分析了其种类组成的月份和昼夜差异及其物种多样性。结果表明:调查期间共发现鱼类13科20种和未定种鱼类1种,其中鲭科4种、乌鲂科3种、头足类3种,均隶属于柔鱼科。从数量分布来看,2009和2012年均是以智利竹鱼比例最高,分别为92.55%和92.38%;其次为日本鲭(Scomber japonicus),分别为4.99%和0.15%;在头足类中,茎柔鱼(Dosidicus gigas)数量比例最高,分别为1.17%和1.12%。从出现频次来看,智利竹鱼、日本鲭、日本乌鲂(Brama japonica)、茎柔鱼出现频次较高,其它种类出现频次很低;约88%的种类幼鱼比例低于10%。2012年白天渔获种类有13种,低于夜间的17种;智利竹鱼白天的数量比例比夜晚要高约11%,日本乌鲂、灯笼鱼科、茎柔鱼等种类则是夜间的数量比例和出现频次高于白天。2009年智利竹鱼渔场拖网渔获物的物种丰富度指数(D)为2.2~3.7,2012年为2.1~3.0;Pielous种类均匀度指数(J)在3~6月均很低,Shannon-weaver指数(H')在2009和2012年各个月份均低于0.8,反映了该渔业渔获物群落多样性较低。综合来说,东南太平洋智利竹鱼渔场渔获的种类数相对较低、群落结构较为单一,该作业对当地海域幼鱼资源的影响很低。     

中国近海捕捞机动渔船航次特征数据挖掘

为加强渔船进出港管理和捕捞渔获物监管,解决信息上报中主观性大,报告信息错误、虚假报告等问题,利用北斗船位数据记录渔船出海作业的时间、位置、航速、航向等信息,通过航次特征数据挖掘,分析了港口格网、岸线点与北斗船位终端记录轨迹的空间关系,提取到2.5万余艘渔船的39.98万个航次数据,并利用船位点球面距离累加计算航程,利用...     

阿拉伯海域围网渔场时空分布及其与海表环境因子的关系

为了解阿拉伯海海表环境因子对围网作业渔场的影响,采用2016-2017年中国印度洋拖围网生产数据和同期海表温度、叶绿素浓度、表层海流和海面高度数据,统计分析了围网作业重心变化,以及围网CPUE与海表环境因子关系,并利用频次分析和经验累积分布函数计算出最适宜的海洋环境区间。结果表明:阿拉伯海的海表环境、围网作业和渔场重心受印度洋季风影响明显,围网渔场渔汛主要在东北季风期间,渔场重心移动方向与表层季风相似。东北季风期间,围网作业渔场的海表温度呈现由高到低再到高的小幅波动趋势。CPUE随着叶绿素浓度高值区域南北收缩,呈现南北移动纬向特征;且CPUE呈径向分布在西边界流速较大的海域右侧,多出现在海流最大值和最低值中间区域。东北季风期间,围网渔场适宜海表温度在25.5～28℃,叶绿素浓度在0.2～0.5 mg/m~3,表层海流在0.05～0.25 m/s,海表高度0.20～0.35 m。     

热带中西太平洋黄鳍金枪鱼栖息水层空间分析

为了解热带中西太平洋黄鳍金枪鱼(Thunnus albacares)延绳钓适宜水层的空间分布,分析黄鳍金枪鱼垂直空间分布对渔获率的影响,采用Argo浮标剖面温度数据挖掘热带中西太平洋17℃和距海洋表层水温8 ℃(△8℃)的月平均等温线场,网格化计算17、△8℃等温线深度值和下界深度差,量化黄鳍金枪鱼游动水层,并结合中西...     

基于卫星船位数据的北太平洋作业渔船分布及类型研究

卫星数据可以准确获取实时船位，但不能直观反映渔船作业期间动态分布及其渔船类型。为了解北太平洋公海渔场分布及其渔船类型，基于2019年3—12月北太平洋渔船卫星数据及同期北太平洋围网渔船和鱿钓渔船的实际生产数据，采用局部空间自相关中的热点分析（hot spot analysis）方法，利用实际生产数据叠加验证，分析探讨渔船作业的动态分布变化及其识别情况。结果表明： 2019年北太平洋渔船作业主要分布于37°—44°N、154°—176°E；多数渔船在主要作业分布区域内先从西南移动至东北，再折返至西北，9月及之后再折返至西南方向；热点分布与实际鱿钓渔船作业点重叠率达83.7%，冷点分布与实际围网渔船作业点重叠率达78.1%。通过观察各月渔船分布整体轨迹变化，初判其热点分布应为鱿钓渔船，冷点分布应为围网渔船，但仍可运用其他技术手段或数据进一步验证及提高重叠率，如夜光遥感技术或结合渔船的水上移动业务标识码（maritime mobile service identifier，MMSI）对应验证渔船类型。该方法基于卫星渔船数据与生产数据直观展示渔船作业动态变化及两者重叠程度，可初步探索在研究区域中渔船的分布变动与渔船类型，为渔业可持续化管理提供了参考依据和相关方法。     

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。