基于融合深度学习模型的长鳍金枪鱼渔情预测研究

南太平洋渔场环境复杂,传统的渔情预测方法难以从渔场影响因子数据中提取有效特征。提出一种融合深度学习模型CNN-GRU-Attention,以实现对南太平洋长鳍金枪鱼(Thunnus alalunga)渔场单位捕捞努力量渔获量(CPUE)的预测。首先利用卷积神经网络(CNN)提取单个渔场范围内影响因子特征数据,得到与渔场CPUE值相匹配的一维特征数据,然后通过门控循环(GRU)实现对渔场CPUE值的预测,最后使用Attention机制,利用权值分配加速模型收敛,实现对模型的优化,并利用相同数据在不同模型上进行对比试验。结果显示:与传统预测模型多层前馈网络(BP)相比,绝对误差降低0.047,均方根误差降低0.352;与GRU相比,绝对误差降低0.012,均方根误差降低0.055。试验结果证明了CNN-GRU-Attention模型的有效性,为渔情预测方法提供了一种新的思路。

舟山市1989年海洋渔业春夏汛渔情预测

春暖花开,北方冷空气逐渐离开浙江渔场,随着东南风的替代,台湾暖流也徐徐北上。这时正是多种鱼类的产卵期,到五月份后则为多种鱼类幼鱼的生长期。由于鱼类在产卵时有集群的本能,因此形成了一年一度的春夏汛。春夏汛与冬汛的明显区别,首先是作业发生变化,由对网改为多种形式的作业;其次是鱼种发生变化,即由以捕捞带鱼为主转为捕多种鱼类作业。一、近几年的春夏汛生产情况。

基于海洋遥感与渔船轨迹数据的多任务鱼情预测

渔情预测,即预测未来鱼群的位置和该区域内鱼量的丰富度.通过了解未来的渔情信息,管理者可以制定行之有效的策略,对渔民来说也可以节省捕鱼过程中的资源消耗.本文从海洋环境遥感数据与AIS渔船轨迹数据着手,分析挖掘鱼群的分布状况,进而对未来的渔情进行预测.根据作业方式的不同,渔船可以分为多种类型,如围网、刺网、拖网、张网等,针对装备不同渔具的渔船预测出未来作业的区域,进行精细化管理具有重要意义.以往的单任务学习能够对各渔具实现单独预测,但不能捕获各种渔具之间的相互影响.为此,本文提出了一种基于海洋遥感数据与AIS渔船轨迹数据的时空神经网络的多任务预测方法,在对每种渔具单独预测的同时捕获各渔具之间的相互影响.同时,将诸如海洋温度、盐度等环境遥感数据嵌入到模型中,进一步提高了预测的准确度.在浙江海域的AIS渔船轨迹数据集上进行了实验,结果证明了该方法相对于经典和最新的基于海洋遥感与AIS轨迹预测鱼群分布状况的优越性.

围网渔情预报中强影响因子的挖掘技术研究

针对传统围网渔业渔情预测方法的缺点,综合多种类型海洋环境因子,采用粗糙集理论中的属性约简方法,获得多种类型因子中的约简属性,即影响围网产量的强影响因子。该技术首先对渔情监测数据进行缺失值的填补,再利用可辨识矩阵进行属性约简,从而构建出强影响因子的核心属性集。该算法有效解决了渔情监测数据的稀疏性问题,提高了渔情预测的准确性。

一种获取渔场知识的数据挖掘模型及知识表示方法研究

提出了一种获取渔场知识的数据挖掘模型及知识表示方法。首先利用SVM(支持向量机)和模糊分类器从数据库中提取出有利于渔情预测的静态知识,然后通过可拓挖掘方法将静态知识转换为动态知识,最后采用本体构建技术对渔场的静态知识和动态知识进行表达,建立本体知识库。在上述方法的研究基础上,建立了以印度洋大眼金枪鱼为例的渔情预测原型系统。系统运行结果表明,提出的获取渔场知识的数据挖掘模型及知识表示方法是有效可行的。

基于神经网络的规则提取及其渔业应用研究

为了解决远洋渔业中过度依赖经验而产生的盲目捕捞问题,结合海洋环境数据和历史产量数据对渔场进行有效分析,提出了一种基于径向基函数神经网络(Radial basis function neural network,RBFNN)的栖息地指数(HSI)预测方法,并将其应用于印度洋海域大眼金枪鱼(Thunnus obesus)栖息地指数的预测。在RBFNN训练过程中使用模糊C均值(Fuzzy c-means,FCM)聚类算法,在基于神经网络的规则提取过程中首次采用了和声搜索(Harmony search,HS)算法。实验研究表明,利用FCM改进后的RBFNN,均方误差(Mean square error,MSE)达到0.021 6。和声搜索由于算法简单,易于实现,能够应用于训练后的FCM-RBFNN提取分类规则,提取出的规则能够反映该渔业现状。

基于粒子群可拓的南太平洋长鳍金枪鱼产量预测方法研究

长鳍金枪鱼(Thunnus alalunga)作为大洋中上层洄游性鱼类,因其经济价值高、分布范围广而成为各渔业国家的主要捕捞对象之一。结合南太平洋长鳍金枪鱼渔业捕捞作业背景,提出一种新的面向渔业应用的产量预测方法。依据2000-2015年南太平洋长鳍金枪鱼的延绳钓渔获数据、空间因子以及海表温度、海面高度和叶绿素a质量浓度等关键影响因子数据,利用可拓神经网络模型对金枪鱼进行产量预测,并采用粒子群算法(PSO)进行权值优化。结果显示:总召回率达到68%,较传统方法有所提高,对高产区预测有较大优势,召回率达到74.2%,但对中产区的预测效果明显低于高产区和低产区。研究表明,利用粒子群可拓的方法可解决可拓神经网络中经典域不易确定的问题,对丰富渔场预测方法和合理捕捞作业具有一定的指导作用。