论文部分内容阅读
近三十年中国远洋渔业产业发展迅速,鱿钓渔船规模越来越大,然而随着我国远洋渔业的发展,柔鱼生产规模在不断扩大的同时,生产成本也不断升高,寻找可靠稳定渔场的难度越来越高,同时远洋渔业企业对柔鱼渔场的预报服务产品的要求也越来越高。因此,打破传统的渔情预报方式存在的局限,充分利用当前计算机先进软件算法和条件,准确而快速地进行渔情预报,可以为远洋渔业企业的出海作业生产提供科学、合理的指导意见,降低人力、物力成本。西北太平洋是一片有着较为特殊海洋环境的海域,是亲潮寒流与黑潮暖流的交汇区域,季节性温差较大,但同时也是中国鱿鱼产量最高的海域,拥有着全太平洋36%的柔鱼产量,把握西北太平洋渔场的位置及渔汛的长短,对提高我国渔业产量、降低捕捞作业成本,维持柔鱼生产的稳定发展,具有重要的现实意义。为了提高西北太平洋渔场预报的准确性和实用性,本研究提出了一种基于深度学习原理的柔鱼预报模型的构建方法。研究数据时间跨度是2000年-2015年的7月-11月,包括来自西北太平洋柔鱼渔船生产信息日报以及来自NASA的中分辨率成像光谱仪（Moderate-resolution Imaging Spectroradiometer,MODIS）的海洋表面温度（Sea Surface Temperature,SST）和叶绿素a数据（Chlorophyll,Chl-a）,两种海洋环境数据都是三级产品。本研究根据不同通道即SST、Chl-a、经度、纬度、月份等的组合,构建了5种用于模型训练的数据集,即1)仅包含SST的单通道数据集、2)包含SST和月份的2通道数据集、3)包含SST、经度和纬度的3通道数据集、4)包含SST、月份、经度和纬度的4通道数据集、5)包含Chl-a、月份、经度和纬度的4通道数据集。为了在维度上与第1个通道数据相匹配,需要将经度、纬度和月份的输入数据从0维标量扩展到像素数为65×65的二维张量,并作为第2、第3和第4通道。由于缺乏足够多的有效渔业捕捞数据,通过以-10°和+10°之间的小角度随机旋转数据集图像以及图像中心在四个方向（包括北、南、东和西）的随机0.1°偏移对训练数据集进行了增强处理。经数据增强后的数据集数据量比原来增加了4倍。卷积神经网络（Convolutional Neural Network,CNN）模型的结构选择的是Alex Net,它由五个卷积层,三个最大池化层和三个全连接层组成。此方法使用图形处理单元（Graphics Processing Unit,GPU）加快训练速度,其环境特征的提取由计算机自动完成,充分考虑了渔场周边的温度场特征,优于传统的渔业预报方法。SST、纬度、经度和月份都是构建渔场预测模型时需要考虑的重要影响因素,本研究比较和分析了这些因素对渔场预报准确率的影响。为了检验所选环境因素的合理性,本研究另外使用了叶绿素浓度数据作为输入因子进行了试验,同时,为了检验该模型的优越性,也基于随机森林方法采用SST数据构建了柔鱼预报模型且通过预报准确率、精确率、召回率和F1分数等模型评价参数,对比分析了三个预报模型的效果。得出以下结论:1)根据柔鱼的迁移规律,将7月-11月的SST数据集分为3个子数据集,分别是7-8月、9月和10-11月。这种月份组合的方式将测试准确率提高了至少6个百分点。7月-8月、9月、10月-11月这三个数据集的测试准确率远高于7-11月数据集的测试准确率74.4%,因此柔鱼本身的生物特性包括迁徙、生长规律是十分重要的,在渔业预报模型构建过程中不可忽视,有利于提高渔场预报模型的预报精度。2)经过8万次训练后,平均测试准确率收敛至约81.1%。采用SST数据构建的7-8月、9月和10-11月3个4通道数据集的测试准确率分别为80.5%,81.5%和81.4%。可以得出结论,海洋表面温度及其时空信息在西北太平洋柔鱼渔场的预报中起着重要作用,利用单个环境因子SST构建CNN训练数据集从而建立柔鱼渔场预报模型的方法是可行的。3)对包含不同通道信息的数据集训练结果进行对比,SST的4通道数据集的训练结果最好,测试精度明显高于3通道、2通道、单通道数据集以及Chl-a的4通道数据集。仅包含SST的单通道数据集的测试精度至少达到73.5%,这表明SST是5个因素中的最重要因素,即SST、Chl-a、经度、纬度和月份。而且对比了SST、Chl-a两种海洋环境数据的模型预报效果,以SST训练的模型取得了81.1%的准确率显著高于以Chl-a训练的模型的不足75%的平均准确率,也证明了较之Chl-a,SST是影响柔鱼渔场变动的更重要因素。4)以2015年实际渔获量数据为依据,验证了预测模型的应用效果,并选择精确率和召回率作为该模型的评价指标。结果表明,基于SST数据的柔鱼渔场预报模型平均精确率、召回率和F1分数分别为66.6%、82.3%和73.1%,高于基于Chl-a数据的预报模型的60.3%、69.3%、63.1%。基于SST数据的柔鱼渔场预报模型预测的高产捕捞区域基本上与实际的高CPUE区域匹配,并且两者的月度移动趋势也基本一致。5)与随机森林构建的渔场预报模型对比,在变量种类相同的情况下,随机森林方法取得了7-8月72.0%、9月58.9%、10-11月64.1%的测试准确率,低于本研究的卷积神经网络方法,测试准确率的差值在8.5%-22.6%之间。