CN107944590B - 一种渔情分析预报的方法及设备 - Google Patents
一种渔情分析预报的方法及设备 Download PDFInfo
- Publication number
- CN107944590B CN107944590B CN201610894299.9A CN201610894299A CN107944590B CN 107944590 B CN107944590 B CN 107944590B CN 201610894299 A CN201610894299 A CN 201610894299A CN 107944590 B CN107944590 B CN 107944590B
- Authority
- CN
- China
- Prior art keywords
- fishing
- analysis
- fishery
- data
- index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本申请的目的是提供一种渔情分析预报的方法及设备,本申请通过基于渔场的历史数据确定所述渔场的渔情分析预报结果,为渔场提供渔情分析预报服务的同时,还根据所述渔场对应的海洋气象数据确定所述渔场的气象风险分析预报结果;对所述渔情分析预报结果与所述气象风险分析预报结果进行综合分析,得到综合渔情分析预报结果。弥补了为渔场提供渔情分析预报服务的同时缺少渔场的海洋气象风险分析预报信息的不足,实现渔情预报的全面和精确,为渔业安全生产和管理决策提供可靠的科学依据。
Description
技术领域
本申请涉及计算机领域,尤其涉及一种渔情分析预报的方法及设备。
背景技术
渔场信息短缺、渔场渔况不明、渔场渔情信息服务都影响着远洋渔业的发展,渔场渔情信息服务中的远洋渔情分析预报和海洋气象灾害风险预警对渔业科学、安全生产和渔业资源管理具有重要的意义,随着现代统计理论、数值计算方法、数据挖掘和人工智能等理论和技术的发展,使渔情预报技术和模型的发展焕发出了新的活力。在当前的渔情预报服务中,部分服务提供了渔情预报结果,但很少涉及对海上气象灾害风险的评估,且所提供的预报结果不全面、精确,使得捕捞效率低和远洋捕捞存在较大风险,同时渔船作业的人力和物力成本较大。
申请内容
本申请的一个目的是提供一种渔情分析预报的方法及设备,以解决现有技术中存在的缺少渔场海上气象灾害的评估,预报结果不全面、精确的问题,提高捕捞效率,降低渔业捕捞风险。
根据本申请的一个方面,提供了一种渔情分析预报的方法,该方法包括:
基于渔场的历史数据确定所述渔场的渔情分析预报结果;
根据所述渔场对应的海洋气象数据确定所述渔场的气象风险分析预报结果;
对所述渔情分析预报结果与所述气象风险分析预报结果进行综合分析,得到综合渔情分析预报结果。
进一步地,上述方法中,基于渔场的历史数据确定所述渔场的渔情分析预报结果,包括:
对渔场的历史数据进行数据处理,得到待建模数据;
根据所述待建模数据及预设建模方法建立对应的预报模型;
基于所述对应的预报模型的评估分析确定所述渔场的渔情分析预报结果。
进一步地,所述渔场的历史数据包括捕捞生产数据、渔船轨迹数据、海洋环境数据。
进一步地,上述方法中,对渔场的历史数据进行数据处理,得到待建模数据,包括:
对所述历史数据进行数据预处理、融合、网格化处理,得到基础数据;
根据所述基础数据得到时间特征、空间特征、环境特征和捕捞生产特征,及所述捕捞生产特征分别与时间特征、空间特征、环境特征之间的相关性;
根据预设样本分析方法和所述相关性对所述基础数据构成的样本进行处理,得到处理后的样本,将所述处理后的样本作为待建模数据。
进一步地,所述预设样本分析方法包括特征阈值渔场分类、正负样本失衡处理、缺失值处理、异常值检测与处理中任一或任几种组合。
进一步地,所述预设建模方法包括朴素贝叶斯、逻辑回归和随机森林方法,每种建模方法对应建立一个预报模型。
更进一步地,基于所述对应的预报模型的评估分析确定所述渔场的渔情分析预报结果,包括:
根据渔场的验证数据对预报模型进行评估分析,得到所述渔场对应的最优预报模型,根据所述对应的最优预报模型得到所述渔场的渔情分析预报结果。
更进一步地,根据渔场的验证数据对预报模型进行评估分析,得到所述渔场对应的最优预报模型,包括:
根据所述渔场的验证数据计算预报模型中的F-值、准确率、召回率和ROC曲线下面积,得到对应的计算值;
根据所述对应的计算值对预报模型进行评估分析,得到所述预报模型的评估结果,根据所述评估结果确定所述渔场对应的最优预报模型。
进一步地,上述方法中,根据所述渔场对应的海洋气象数据确定所述渔场的气象风险分析预报结果,包括:
对所述渔场对应的海洋气象数据进行数据预处理,得到海洋气象指标;
基于所述海洋气象指标确定海洋气象指标的权重;
根据所述海洋气象指标的权重计算所述渔场的气象风险指数,对所述气象风险指数评估分析,得到所述渔场的气象风险分析预报结果。
进一步地,所述渔场对应的海洋气象数据包括降水量、风力风向、能见度、浪高。
进一步地,对所述渔场对应的海洋气象数据进行数据预处理,得到海洋气象指标,包括:
将所述渔场对应的海洋气象数据进行包括海洋气象指标选择、指标转换和指标无量纲化的数据预处理,得到海洋气象指标。
进一步地,基于所述海洋气象指标确定海洋气象指标的权重,包括:
对所述海洋气象指标进行包括层次分析、主成分和因子分析及模糊评价的指标评价分析,得到指标评价分析结果;
根据所述指标评价分析结果确定海洋气象指标的权重。
进一步地,所述渔场的气象风险指数包括渔业安全生产指数、海洋气象灾害指数和渔业捕捞风险指数。
更进一步地,根据所述海洋气象指标的权重计算所述渔场的气象风险指数之后,包括:
根据所述渔业安全生产指数、所述海洋气象灾害指数和所述渔业捕捞风险指数进行海洋气象灾害监测预警。
进一步地,对所述渔情分析预报结果与所述气象风险分析预报结果进行综合分析,得到综合渔情分析预报结果,包括:
根据所述渔情分析预报结果得到所述渔场的高产概率;
对所述渔场的高产概率和所述气象风险指数进行综合分析,确定所述渔场的综合推荐指数;
将所述渔场的综合推荐指数、所述渔情分析预报结果与所述气象风险分析预报结果作为综合渔情分析预报结果。
根据本申请的又一个方面,还提供了一种渔情分析预报的方法,所述方法包括:
获取客户端发送的渔场的分析预报请求;
基于所述分析预报请求获取所述渔场的历史数据和对应的海洋气象数据;
基于渔场的历史数据确定所述渔场的渔情分析预报结果;
根据所述渔场对应的海洋气象数据确定所述渔场的气象风险分析预报结果;
对所述渔情分析预报结果与所述气象风险分析预报结果进行综合分析,得到综合渔情分析预报结果;
向所述客户端反馈所述综合渔情分析预报结果。
根据本申请的又一个方面,还提供了一种渔情分析预报的设备,所述设备包括:
渔情预报装置,用于基于渔场的历史数据确定所述渔场的渔情分析预报结果;
气象风险预报装置,用于根据所述渔场对应的海洋气象数据确定所述渔场的气象风险分析预报结果;
综合预报装置,用于对所述渔情分析预报结果与所述气象风险分析预报结果进行综合分析,得到综合渔情分析预报结果。
进一步地,上述设备中,所述渔情预报装置用于:
对渔场的历史数据进行数据处理,得到待建模数据;
根据所述待建模数据及预设建模方法建立对应的预报模型;
基于所述对应的预报模型的评估分析确定所述渔场的渔情分析预报结果。
进一步地,所述渔场的历史数据包括捕捞生产数据、渔船轨迹数据、海洋环境数据。
进一步地,上述设备中,所述渔情预报装置用于:
对所述历史数据进行数据预处理、融合、网格化处理,得到基础数据;
根据所述基础数据得到时间特征、空间特征、环境特征和捕捞生产特征,及所述捕捞生产特征分别与时间特征、空间特征、环境特征之间的相关性;
根据预设样本分析方法和所述相关性对所述基础数据构成的样本进行处理,得到处理后的样本,将所述处理后的样本作为待建模数据。
进一步地,所述预设样本分析方法包括特征阈值渔场分类、正负样本失衡处理、缺失值处理、异常值检测与处理中任一或任几种组合。
进一步地,所述预设建模方法包括朴素贝叶斯、逻辑回归和随机森林方法,每种建模方法对应建立一个预报模型。
更进一步地,所述渔情预报装置用于:
根据渔场的验证数据对预报模型进行评估分析,得到所述渔场对应的最优预报模型,根据所述对应的最优预报模型得到所述渔场的渔情分析预报结果。
更进一步地,所述渔情预报装置用于:
根据所述渔场的验证数据计算预报模型中的F-值、准确率、召回率和曲线下面积,得到对应的计算值;
根据所述对应的计算值对预报模型进行评估分析,得到所述预报模型的评估结果,根据所述评估结果确定所述渔场对应的最优预报模型。
进一步地,在上述设备中,所述气象风险预报装置用于:
对所述渔场对应的海洋气象数据进行数据预处理,得到海洋气象指标;
基于所述海洋气象指标确定海洋气象指标的权重;
根据所述海洋气象指标的权重计算所述渔场的气象风险指数,对所述气象风险指数评估分析,得到所述渔场的气象风险分析预报结果。
进一步地,所述渔场对应的海洋气象数据包括降水量、风力风向、能见度、浪高。
进一步地,所述气象风险预报装置用于:
将所述渔场对应的海洋气象数据进行包括海洋气象指标选择、指标转换和指标无量纲化的数据预处理,得到海洋气象指标。
进一步地,所述气象风险预报装置用于:
对所述海洋气象指标进行包括层次分析、主成分和因子分析及模糊评价的指标评价分析,得到指标评价分析结果;
根据所述指标评价分析结果确定海洋气象指标的权重。
进一步地,所述渔场的气象风险指数包括渔业安全生产指数、海洋气象灾害指数和渔业捕捞风险指数。
更进一步地,所述气象风险预报装置还用于:
根据所述渔业安全生产指数、所述海洋气象灾害指数和所述渔业捕捞风险指数进行海洋气象灾害监测预警。
进一步地,所述综合预报装置用于:
根据所述渔情分析预报结果得到所述渔场的高产概率;
对所述渔场的高产概率和所述气象风险指数进行综合分析,确定所述渔场的综合推荐指数;
将所述渔场的综合推荐指数、所述渔情分析预报结果与所述气象风险分析预报结果作为综合渔情分析预报结果。
根据本申请的另一个方面,还提供了一种渔情分析预报的设置,所述设备包括:
获取装置,用于获取客户端发送的渔场的分析预报请求;
确定装置,用于基于所述分析预报请求获取所述渔场的历史数据和对应的海洋气象数据;
渔情预报装置,用于基于渔场的历史数据确定所述渔场的渔情分析预报结果;
气象风险预报装置,用于根据所述渔场对应的海洋气象数据确定所述渔场的气象风险分析预报结果;
综合预报装置,用于对所述渔情分析预报结果与所述气象风险分析预报结果进行综合分析,得到综合渔情分析预报结果;
反馈装置,用于向所述客户端反馈所述综合渔情分析预报结果。
根据本申请的再一个方面,还提供了一种基于计算的设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
基于渔场的历史数据确定所述渔场的渔情分析预报结果;
根据所述渔场对应的海洋气象数据确定所述渔场的气象风险分析预报结果;
对所述渔情分析预报结果与所述气象风险分析预报结果进行综合分析,得到综合渔情分析预报结果。
根据本申请的再一个方面,还提供了一种基于计算的设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
获取客户端发送的渔场的分析预报请求;
基于所述分析预报请求获取所述渔场的历史数据和对应的海洋气象数据;
基于渔场的历史数据确定所述渔场的渔情分析预报结果;
根据所述渔场对应的海洋气象数据确定所述渔场的气象风险分析预报结果;
对所述渔情分析预报结果与所述气象风险分析预报结果进行综合分析,得到综合渔情分析预报结果;
向所述客户端反馈所述综合渔情分析预报结果。
本申请通过基于渔场的历史数据确定所述渔场的渔情分析预报结果,为渔场提供渔情分析预报服务的同时,还根据所述渔场对应的海洋气象数据确定所述渔场的气象风险分析预报结果;对所述渔情分析预报结果与所述气象风险分析预报结果进行综合分析,得到综合渔情分析预报结果。弥补了为渔场提供渔情分析预报服务的同时缺少渔场的海洋气象风险分析预报信息的不足,实现渔情预报的全面和精确,为渔业安全生产和管理决策提供可靠的科学依据。
进一步地,在本申请所述的方法中,对渔场的历史数据进行数据处理,得到待建模数据,经过数据处理可以将历史数据进行规范化、完整化,得到待建模数据,方便后续建模;根据所述待建模数据及预设建模方法建立对应的预报模型;基于所述对应的预报模型的评估分析确定所述渔场的渔情分析预报结果,利用建立起的多种预报模型能够实现更准确的预报分析,为渔业生产提供更准确的指导。
进一步地,在本申请所述的方法中,对所述海洋气象指标进行包括层次分析、主成分和因子分析及模糊评价的指标评价分析,得到指标评价分析结果;根据所述指标评价分析结果确定海洋气象指标的权重,进而建立与渔业相关的海洋气象风险综合指标,提供多种渔场的气象风险指数。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出根据本申请的一个方面的渔情分析预报系统;
图2示出根据本申请一个方面的海洋气象灾害风险评估系统;
图3示出根据本申请一个方面一实施例中的综合推荐指数的示意图;
图4示出本申请一实施例中基于海况和渔况的综合渔情预报的系统示意图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本申请作进一步详细描述。
根据本申请的一个方面,提供了一种渔情分析预报的方法,该方法包括步骤S11~步骤S13:
步骤S11,基于渔场的历史数据确定所述渔场的渔情分析预报结果;在本申请一实施例中,获取渔场的历史数据,比如渔业捕捞生产的历史数据、渔场渔船轨迹数据等多源的历史数据,对渔场的多源的历史数据进行数据融合和分析等数据处理过程,对处理后的数据基于统计分析、数据挖掘、机器学习、人工智能方法建立渔情预报的多种预测模型,采用组合预测方法实现渔情预报的高准确性,可根据建立起的多种预测模型进行组合以实现渔情的综合预报,也可利用各渔场的一些历史数据或当前数据对建立起的多种预测模型中的每个预测模型都进行评估,得到每个渔场对应的最优预测模型,从而利用该最优预测模型确定该渔场的渔情分析预报结果,各渔场的预测模型不再统一使用同一预测模型,而是选取符合自身实际情况的最优预测模型,提高了各渔场的渔情分析预报结果的准确率。
步骤S12,根据所述渔场对应的海洋气象数据确定所述渔场的气象风险分析预报结果;在本申请一实施例中,渔场对应的海洋气象数据包括该渔场所在的海洋位置上的海洋历史气象数据、当前气象数据以及可预测到的未来气象数据,海洋气象数据比如降水量、气压、潮位、盐度、风力风向等多源数据,可从气象卫星上获取,也可从其他海洋气象预测设备中获取这些海洋气象数据,对获取到的多源海洋气象数据进行融合与分析等数据处理过程,基于处理后的数据采用层次分析、模糊评价方法对各渔场的气象灾害风险进行气象风险综合分析,建立海洋气象风险综合评估分析系统,以进行对该渔场的海洋气象风险进行分析预报及利用建立起的气象风险综合评估分析系统进行海洋气象灾害监测预警,得到该渔场对应的气象风险分析预报结果。通过根据每个渔场对应的海洋气象数据建立渔场的海洋气象风险综合评估分析系统,从而提供了与每个渔场相关的海洋气象风险综合指标,提供包括多种风险指数的气象风险分析预报结果,为每个渔场的渔业安全生产提供指导。
步骤S13,对所述渔情分析预报结果与所述气象风险分析预报结果进行综合分析,得到综合渔情分析预报结果。在本申请一实施例中,通过本申请所述的方法建立起的渔情分析预报系统得到的渔场的渔情分析预报结果,提高了预报的准确率,并将预报结果在GIS(地理信息系统)上进行可视化展示和快速发布,本申请所述的方法中基于层次分析和模糊评价的海洋气象风险综合评价方法,对各渔场的气象风险进行了评估分析,得到各渔场的气象风险分析预报结果;将渔场的渔情分析预报结果与渔场的气象风险分析预报结果相结合,提供基于海况和渔况的综合渔情分析预报结果,即提供各渔场渔情预报结果的同时,还提供了渔场对应的气象风险指数,弥补了现有技术中渔情预报服务准确率低及缺少海上气象灾害风险的评估的不足方面,为远洋渔业安全生产和管理提供更好的指导。
在本申请一实施例中,步骤S11包括:对渔场的历史数据进行数据处理,得到待建模数据;根据所述待建模数据及预设建模方法建立对应的预报模型;基于所述对应的预报模型的评估分析确定所述渔场的渔情分析预报结果。在本申请一实施例中,因采集的渔场的历史数据为实际场景中的实际数据值,而实际数据值由于采集设备、环境等因素可能出现异常值、缺失部分数据值等情况,因此需要对采集到的渔场的历史数据进行数据处理,同时经过数据处理可以将历史数据进行规范化、完整化,得到待建模数据,方便后续建模,根据待建模数据及预设建模方法建立对应的预报模型,待建模数据为已被处理过的为完整、规范化的数据,基于待建模数据采用多种建模方法能够加快建模速度及提高建立起的多种预报模型的准确性,对多种预报模型进行评估分析,可将多种预报模型的预报结果的综合结果作为渔场的渔情分析预报结果,也可对多种预报模型进行评估分析后选取最优的预报模型,利用最优的预报模型确定渔场的渔情分析预报结果,因此,利用建立起的多种预报模型能够实现更准确的预报分析,为渔业生产提供更准确的指导。
在本申请一实施例中,所述渔场的历史数据包括捕捞生产数据、渔船轨迹数据、海洋环境数据,其中,海洋环境数据包括海表温度、表温距平、叶绿素a浓度、叶绿素a浓度距平、海表温度梯度强度等。获取到某渔场的历史数据如获取该渔场的10月份的捕捞生产量为N,多个渔船在10月份多次出海时在该渔场的轨迹集合为L,该渔场在10月份期间的海洋环境数据集合为H,对这些获取到的数据进行处理,作为建立预报模型的样本。需要说明的是,所述渔场的历史数据包括但不限于捕捞生产数据、渔船轨迹数据、海洋环境数据,以上三类历史数据仅为举例,其他现有的或今后可能出现的渔场的历史数据如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
在本申请一实施例中,在步骤S11中,对渔场的历史数据进行数据处理,得到待建模数据,包括:对所述历史数据进行数据预处理、融合、网格化处理,得到基础数据;根据所述基础数据得到时间特征、空间特征、环境特征和捕捞生产特征,及所述捕捞生产特征分别与时间特征、空间特征、环境特征之间的相关性;根据预设样本分析方法和所述相关性对所述基础数据构成的样本进行处理,得到处理后的样本,将所述处理后的样本作为待建模数据。在本申请一实施例中,对渔船轨迹数据、捕捞生产数据、海洋环境数据进行数据预处理、多源数据的融合、网格化处理多个步骤,存入挖掘数据库中,其中,网格化处理是将空间上不均匀分布的数据规算成规则网格中的数值,在本申请的一实施例中,按经纬度坐标分布划分1°×1°的经纬度网格,采集每一个网格上的数据进行预测分析,根据1°×1°网格点上的数据进行建立模型,进行预测1°×1°网格上的未来的渔情;渔场的历史数据通过数据预处理、融合、网格化处理,能够提高计算机运算速度,大大提高了数据挖掘模式的质量,降低实际数据挖掘所需要的时间。将以上存入挖掘数据库中的三类基础数据构建时间特征、空间特征、海洋环境特征和捕捞生产特征,其中,时间特征:比如捕捞生产量是与季节性、周期性有关,如按照月为单位的捕捞生产量是多少,夏季的捕捞生产量和冬季的捕捞生产量等,通过时间特征获取有关的捕捞生产量;空间特征:为1°×1°网格中心点的经纬度信息,以1°×1°网格上数据为基础获取原始数据和预测未来数据。海洋特征,例如,当叶绿素a浓度为N时对应的捕捞生产量,当叶绿素a浓度为M时对应的捕捞生产量;捕捞生产特征:根据历史捕捞数据得到的1°×1°渔场的月平均捕捞量和周平均捕捞量等信息。通过构建的时间特征、空间特征、海洋环境特征和捕捞生产特征,能够分析确定出影响捕捞生产量的重要的影响因子有哪些,确定各影响因子与捕捞生产量这一因子之间的相关性。因建立预设模型的基础是样本数据,若所用的样本数据不合理则会导致所建立的预设模型进行预测时会出现较大的偏差,准确率较低,在本申请所述的方法中,通过选择预设样本分析方法对上述三类基础数据构成的样本进行处理,得到处理后的合理样本,将所述处理后的样本作为待建模数据能进而提高了建立的预设模型的可用性,利用所建立的预设模型进行预测渔情时准确率大大的被提高。
在本申请一实施例中,所述预设样本分析方法包括特征阈值渔场分类、正负样本失衡处理、缺失值处理、异常值检测与处理中任一或任几种组合。在本申请一实施例中,预设样本分析方法与建立预设模型所用到的样本是否合理密切相关,其中,采用预设样本分析方法中的特征阈值渔场分类,如4月份的捕捞属于低产,将每周的捕捞生产阈值设置为1000千克,当周平均捕捞生产量大于1000千克时表示该渔场为高产区,当小于或等于1000千克时表示该渔场为低产区;而在7月份的捕捞属于高产,则将每周的捕捞生产阈值设置为2000千克,根据构建的时间特征、空间特征、海洋环境特征和捕捞生产特征为每个渔场设定特征阈值,按照设置的特征阈值进行渔场样本数据的分类,得到合理的样本数据,避免因统一的阈值进行的分类,导致渔情预报错误,如在产鱼旺季和淡季所设置的阈值为同一个,进行建立的预报模型在进行预测时,则可能会出现在所有淡季内出现的相对高产的渔场也被判为了低产,为渔业生产提供了不准确的指导;采用预设样本分析方法中的正负样本失衡处理,比如高产的渔区与低产的渔区的比例为1:10,比例比较失衡,若不进行正负样本失衡处理,则建立出的预报模型进行预测渔场为高产还是低产时结果会更多偏向于低产,因此需要做失衡处理,将正负样本调整到一个合理的相对比例,建立出的预报模型才更合理。采用预设样本分析方法中的缺失值处理,如10月1号某一1°×1°网格点处渔场的海洋环境数据缺失,比如叶绿素a浓度数值是缺失的,则需要将该点的数据值补充上;因在数据测量和采集过程中会出现误差,则需要采用预设样本分析方法中的异常值检测与处理进行剔除这些误差导致的异常点,提高利用剔除异常点后的样本建立的模型的准确性。需要说明的是,本申请所述的预设样本分析方法包括但不限于上述特征阈值渔场分类、正负样本失衡处理、缺失值处理、异常值检测与处理,其他现有的或今后可能出现的预设样本分析方法如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
在本申请的一实施例中,所述预设建模方法包括朴素贝叶斯、逻辑回归和随机森林方法,每种建模方法对应建立一个预报模型。在本申请一实施例中,利用多种预设建模方法建立渔情预报的组合预报模型,对组合预报模型中的各预报模型进行评估分析,实现更准确的预报分析,为渔业生产提供更准确的指导。本领域技术人员应能理解,上述朴素贝叶斯、逻辑回归和随机森林方法为建模的常用技术,在本申请中利用多种常用的建模技术建立组合预报模型,使得建立的渔情预报模型不再单一,进而根据实际的应用场景选取最优的预报模型,在本申请中包括但不限于上述三种预设建模方法,其他现有的或今后可能出现的预设建模方法如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
接上述实施例,在步骤S11中,基于所述对应的预报模型的评估分析确定所述渔场的渔情分析预报结果,包括:根据渔场的验证数据对预报模型进行评估分析,得到所述渔场对应的最优预报模型,根据所述对应的最优预报模型得到所述渔场的渔情分析预报结果。在本申请一实施例中,渔场的验证数据可以为渔场的历史数据也可以为当前数据,如采用历史捕捞生产数据、海洋环境数据作为渔场的验证数据,对建立起的多种预报模型进行评估分析,选取最优的预报模型,其中,在实际场景应用中,不同渔区的最优预报模型可能是不一样的,不同时间段内的预报模型也可能不一样,例如,在6-9月内每个月预报时使用逻辑回归建立的模型最符合实际情况,而在10-12月内,使用随机森林方法建立的模型最符合实际情况。再如,在某渔场A使用朴素贝叶斯方法建立的模型最优,但在渔场B使用逻辑回归建立的模型才最优,建立多种模型,根据实际场景需求评估出最优的预报模型,提高预报准确率。
在本申请一实施例中,在步骤S11中,根据所述渔场的验证数据计算预报模型中的F-值、准确率、召回率和ROC曲线下面积,得到对应的计算值;根据所述对应的计算值对预报模型进行评估分析,得到所述预报模型的评估结果,根据所述评估结果确定所述渔场对应的最优预报模型。在本申请一实施例中,对建立的多种预报模型进行评估分析时,基于渔场的验证数据如历史捕捞生产数据、海洋环境数据计算每个模型中的F-值(F-score)、准确率、召回率和ROC曲线下面积,得到对应的计算值,根据对应的计算值进行评估该预报模型的质量,以选取最优的预报模型。例如,通过预设的建模方法建立了某渔场w的预报模型A、预报模型B和预报模型C的组合预报模型,计算预报模型A的F-值(F-score)为n1%、准确率为p1%、召回率为r1%和ROC曲线下面积为m1,预报模型B的F-值(F-score)为n2%、准确率为p2%、召回率为r2%和ROC曲线下面积为m2,预报模型C的F-值(F-score)为n3%、准确率为p3%、召回率为r3%和ROC曲线下面积为m3,通过比较预报模型A、B、C的上述计算值,得到预报模型C为渔场w的最优的预报模型,利用预设模型C提供渔场w的渔情信息。
在本申请的一实施例中,如图1所示的根据本申请的一个方面的渔情分析预报系统,该系统主要包括面向渔情预报的智能数据处理模型,包括数据层,特征层,样本层,挖掘层,评价层和应用层,其中,本申请所述方法步骤S11中的数据处理得到待建模数据的过程在数据层、特征层和样本层中进行,步骤S11中利用待建模数据建立预报模型的过程在挖掘层中进行,步骤S11中对建立起的预报模型进行评估分析的过程在评价层进行,通过应用层将步骤S11中确定的渔情预报分析结果展示给用户。如图1所示,数据层为数据探索过程,是渔船行驶轨迹数据、海洋环境数据、捕捞生产数据进行数据预处理、多源数据的融合、网格化处理等多个步骤,得到基础数据,之后将基础数据存入挖掘数据库中;特征层进行特征构建与提取,基于上述三类基础数据构建时间特征、空间特征、海洋环境特征和捕捞生产特征,并分析捕捞生产因子与时空因子、海洋环境因子之间的相关性;样本层进行样本选择,是通过特征阈值渔场分类、正负样本失衡处理、缺失值处理和异常检测与处理中的任一种或任几种组合的处理方法对由基础数据构成的样本进行选择和处理,得到合理的样本;在挖掘层进行建模分析,采用预设的建模方法建立渔情预报的多种预报模型,在建模过程中利用统计分析、数据挖掘、机器学习和人工智能等技术手段;在评价层进行性能评估,即对建立起的多种预报模型根据每个模型的F-score、准确率、召回率和AUC(ROC曲线下面积)进行性能评估,选取最优的预报模型,从而提高了渔情预报的准确率;在应用层将评估分析选取出的最优的预报模型所预测的渔情分析预报结果发布,进行可视化表达,展示给用户。本申请所述的方法中提供上述面向渔情预报的多源数据智能处理模型,包括数据层、特征层、样本层、挖掘层、评价层和应用层,从而实现海洋环境数据的快速获取和更新,渔场海洋环境数据的特征提取和可视化分析,同时综合时空因子和海洋环境因子,建立基于统计和机器学习、人工智能方法的渔情预报模型,并将预报结果在GIS(地理信息系统)上进行可视化展示和快速发布,指导远洋渔业生产和管理。
在本申请一实施例中,步骤S12包括:对所述渔场对应的海洋气象数据进行数据预处理,得到海洋气象指标;基于所述海洋气象指标确定海洋气象指标的权重;根据所述海洋气象指标的权重计算所述渔场的气象风险指数,对所述气象风险指数评估分析,得到所述渔场的气象风险分析预报结果。在本申请一实施例中,获取渔场所在海洋位置的海洋气象数据,对海洋气象数据进行预处理,得到海洋气象指标,便于后续利用处理后得到的海洋气象指标进行指标的权重的确定及利用权重计算多个气象灾害指数;在本申请的一实施例中,所述渔场对应的海洋气象数据包括降水量、风力风向、能见度、浪高,对这四类海洋气象指标数据进行预处理,如将这四类海洋气象指标数据的单位进行无量纲化,经过预处理的指标数据,利用指标评估分析方法及根据实际的海洋气象灾害进行确定各指标的权重,如确定降水量、风力风向、能见度、浪高的权重为w1、w2、w3、w4,则根据已确定的权重计算渔场的气象风险指数,其中,渔场的气象风险指数包括多种灾害指数,则在进行计算不同灾害指数时降水量、风力风向、能见度、浪高的权重会不同,根据统计学中多指标的分析方法确定各指标的权重,对计算得到的气象风险指数中的各灾害指数评估分析,得到所述渔场的气象风险分析预报结果,通过根据海洋气象数值预报数据及指标的权重确定方法建立与渔业相关的海洋气象风险综合指标,提供每个渔场的各灾害指数,为渔业安全生产提供指导。需要说明的是,所述渔场对应的海洋气象数据包括但不限于降水量、风力风向、能见度、浪高,在上述实施例中仅为举例,其他现有的或今后可能出现的渔场对应的海洋气象数据如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
在本申请一实施例中,在步骤S12中,对所述渔场对应的海洋气象数据进行数据预处理,得到海洋气象指标,包括:将所述渔场对应的海洋气象数据进行包括海洋气象指标选择、指标转换和指标无量纲化的数据预处理,得到海洋气象指标。在本申请一实施例中,海洋气象指标选择为针对不同的海洋气象灾害海洋气象指标选择会不同,例如,评估海捕捞时的风暴潮风险,可将风力风向、降水量作为气象指标选择。指标转换是把海洋气象数据中的指标统一化处理,如风力风向越大表示危险性越高,两者呈正相关,而能见度越低才表示危险性越高,两者呈负相关,因此需要将负指标(能见度与危险性的负相关)转换为正指标。指标无量纲化是指风力风向、能见度等指标的单位不同,需要转换为统一的无量纲化数据,便于后续数据处理。在本申请的优选实施例中对海洋气象数据通过海洋气象指标选择、指标转换、指标无量纲化等多个步骤的数据预处理,是为了方便后续数据计算和处理,以确定海洋指标的权重。需要说明的是,上述海洋气象指标选择、指标转换、指标无量纲化仅为本申请中进行数据预处理的方法举例,还可结合其他的数据预处理方法一起使用或替换为其他的数据预处理方法,其他现有的或今后可能出现的渔场对应的海洋气象数据进行预处理的方法如可适用于本申请,也应包含在本申请保护范围以内,并在本申请一实施例中以引用方式包含于此。
在本申请一实施例中,在步骤S12中,基于所述海洋气象指标确定海洋气象指标的权重,包括:对所述海洋气象指标进行包括层次分析、主成分和因子分析及模糊评价的指标评价分析,得到指标评价分析结果;根据所述指标评价分析结果确定海洋气象指标的权重。在本申请一实施例中,层次分析、主成分,因子分析、模糊评价都为统计学中的数据处理技术,为多指标综合评价分析中的常用技术方法,在本申请的优选实施例中采用上述几种多指标综合评价分析方法是为了得到的海洋气象指标的权重更准确、上述主成分分析和因子分析等方法都是一种客观赋权方法,降低了人为主观的确定权重的影响,使得根据指标的权重建立的气象风险综合评估分析系统更准确。根据上述层次分析、主成分和因子分析及模糊评价等方法的指标评价分析结果,确定海洋气象指标的权重,进而建立与渔业相关的海洋气象风险综合指标,提供多种渔场的气象风险指数。
在本申请一实施例中,所述渔场的气象风险指数包括渔业安全生产指数、海洋气象灾害指数和渔业捕捞风险指数。在本申请的优选实施例中,计算渔业安全生产指数用来为用户提供评估渔业生产捕捞时安全生产状况和事故水平的指标,用户通过海洋气象灾害指数可获取到海洋上各类气象灾害发生可能性的信息,用户通过渔业捕捞风险指数能够判断由于各类气象灾害所引起的一系列对渔业捕捞生产作业正常进行造成干扰的可能性,通过以上三个气象风险指数可以为用户提供更全面地海况信息,更好地指导渔业安全生产和管理。
在本申请一实施例中,在步骤S12中,根据所述海洋气象指标的权重计算所述渔场的气象风险指数之后,包括:根据所述渔业安全生产指数、所述海洋气象灾害指数和所述渔业捕捞风险指数进行海洋气象灾害监测预警。在本申请一实施例中,计算得到渔场的气象风险指数后,根据气象风险指数中的渔业安全生产指数、所述海洋气象灾害指数和所述渔业捕捞风险指数的综合分析预报结果进行海洋气象灾害监测预警,为远洋渔业的捕捞人员及安全生产提供安全指导,降低出海风险及提高捕捞生产量。
在本申请的又一实施例中,图2示出的根据本申请一个方面的海洋气象灾害风险评估系统,在该系统中根据海洋气象数值预报数据,通过层次、模糊评价等方法建立与渔业相关的海洋气象风险综合指标,提供每个渔场的渔业安全生产指数,海洋气象灾害指数和渔业捕捞风险指数,为渔业安全生产提供指导。如图2所示,海洋气象数据包括降水量、风力风向、能见度和浪高,对海洋气象数据进行海洋气象指标选择、指标转换和指标无量纲化等多个步骤的数据预处理,进而利用数据预处理后的数据通过层次分析、主成分和因子分析及模糊评价等方法确定评价指标权重,进而利用评价指标权重计算渔业安全生产指数、海洋气象灾害指数和渔业捕捞风险指数,得到海洋气象风险综合评估分析的预报分析结果,弥补了现有技术中渔情服务时缺少海上气象灾害风险的评估的不足。
在本申请一实施例中,在步骤S13中,根据所述渔情分析预报结果得到所述渔场的高产概率;对所述渔场的高产概率和所述气象风险指数进行综合分析,确定所述渔场的综合推荐指数;将所述渔场的综合推荐指数、所述渔情分析预报结果与所述气象风险分析预报结果作为综合渔情分析预报结果。在本申请一实施例中,根据步骤S11中确定的渔情分析预报结果可获取到各渔场的高产概率信息,将渔场的高产概率与通过步骤S12确定的气象风险指数进行综合分析,确定各渔场的综合推荐指数,例如,渔场D1的高产概率为p1,气象风险指数中的渔业安全生产指数、海洋气象灾害指数和渔业捕捞风险指数分别为s1、w1和f1,根据{p1,s1,w1,f1}确定渔场D1的综合推荐指数,如可通过加权平均法进行确定,如图3示出的本申请一实施例中的综合推荐指数的示意图,根据经纬度将渔区分为1°×1°网格的渔场,利用本申请所述的方法确定每个渔场的综合推荐指数。最后将渔场的综合推荐指数、根据渔场的历史数据确定的渔情分析预报结果和根据渔场的海洋气象数据确定的气象风险分析预报结果相结合起来,进而提供了基于渔况和海况的综合渔情分析预报结果,指导渔业安全生产和管理。
图4示出本申请一实施例中基于海况和渔况的综合渔情预报的系统示意图,该系统包括渔情分析预报系统和海洋气象风险综合评估分析系统,其中,根据对渔业捕捞生产数据、渔场渔船轨迹数据和海洋环境数据进行的多源数据融合与分析,并利用数据挖掘、机器学习和人工智能等方法建立的渔区渔情模型综合预测,进而确定渔情分析预报系统,实现了渔场数据的快速获取和更新,并且在为渔区提供渔情分析预报服务的同时,还根据降水量、风力风向、浪高、能见度等海洋气象数据进行多源数据融合与分析等数据预处理过程,之后利用处理后的数据确定海洋气象指标的权重,进而确定气象风险指数,进行气象风险综合评估,进而提供海洋气象风险综合评估分析预报结果;从基于海况与渔况的综合渔情分析预报系统中可获取到渔区高产概率、渔区安全生产指数、渔区捕捞风险指数和渔区气象灾害指数的综合分析预报结果,将该综合分析预报结果以渔情信息产品方式进行分布供用户浏览与查询,实现分析预报结果的可视化表达。通过本申请中所述的渔情分析预报的方法,提高了分析预报模型的准确率,同时提供了更加全面、精确的渔情预报结果,为渔业安全生产和管理提供指导。
根据本申请的又一个方面,还提供了一种渔情分析预报的方法,其中,所述方法包括:步骤S21~步骤S26,其中,在步骤S21中,获取客户端发送的渔场的分析预报请求;在步骤S22中,基于所述分析预报请求获取所述渔场的历史数据和对应的海洋气象数据;在步骤S23中,基于渔场的历史数据确定所述渔场的渔情分析预报结果;在步骤S24中,根据所述渔场对应的海洋气象数据确定所述渔场的气象风险分析预报结果;在步骤S25中,对所述渔情分析预报结果与所述气象风险分析预报结果进行综合分析,得到综合渔情分析预报结果;在步骤S26中,向所述客户端反馈所述综合渔情分析预报结果。在本申请一实施例中,客户端发送的渔场的分析预报请求可以为基于渔船的历史轨迹数据、捕捞生产数据等渔场的历史数据确定哪些渔场需要进行分析预报进行发送的请求,如根据某渔区的历史行为,即有渔船在该渔区进行捕捞作业,且开源网站或其他第三方有该渔区的一些历史数据,比如渔船在该渔区的轨迹数据、海洋环境数据、捕捞生产数据等,则对该渔区进行建立预报分析系统是有意义的,可对该渔区的渔情进行分析预报及海洋气象风险分析预报,给该渔区提供渔业安全生产和管理;也可以为例如已有的渔业捕捞系统发送的请求,根据渔业捕捞系统制定包括综合渔情分析预报系统的更加完善的捕捞系统,将该请求发送至网络设备,网络设备从第三方获取这些渔场的历史数据及海洋气象数据,以进行确定渔场的渔情分析预报结果和渔场的气象风险分析预报结果;在网络设备中根据分析预报请求获取某渔区的历史数据,将该渔区按照经纬度划分为渔场1~渔场10的十个渔场,根据每个渔场的历史数据确定对应渔场的渔情分析预报结果,由渔场的分析预报结果可获取到每个渔场的高产概率信息,具体实施过程为:对捕捞生产数据、渔船轨迹数据、海洋环境数据这三类渔场的历史数据进行数据处理,如进行数据预处理、融合、网格化处理,得到基础数据,根据基础数据得到时间特征、空间特征、环境特征和捕捞生产特征,及所述捕捞生产特征分别与时间特征、空间特征、环境特征之间的相关性,根据所述相关性以及特征阈值渔场分类、正负样本失衡处理、缺失值处理、异常值检测这些预设的样本分析方法对所述基础数据构成的样本进行处理,得到处理后的样本,将所述处理后的样本作为待建模数据;之后,采用朴素贝叶斯、逻辑回归和随机森林方法建立渔情的组合预报模型,根据渔场的验证数据对组合预报模型中每个预报模型进行评估分析,如根据所述渔场的验证数据计算预报模型中的F-值、准确率、召回率和ROC曲线下面积,得到对应的计算值;根据所述对应的计算值对预报模型进行评估分析,得到所述预报模型的评估结果,根据所述评估结果得到所述渔场对应的最优预报模型,根据所述对应的最优预报模型得到所述渔场的渔情分析预报结果。根据每个渔场对应的海洋气象数据确定对应渔场的气象风险分析预报结果,包括渔业安全生产指数、海洋气象灾害指数、渔业捕捞风险指数,具体实施过程为:将海洋气象数据如降水量、风力风向、能见度和浪高进行包括海洋气象指标选择、指标转换和指标无量纲化的数据预处理,得到海洋气象指标,接着,对该海洋气象指标进行包括层次分析、主成分和因子分析及模糊评价的指标评价分析,得到指标评价分析结果,根据所述指标评价分析结果确定海洋气象指标的权重,根据确定的海洋气象指标的权重计算渔场的气象风险指数,如计算渔业安全生产指数、海洋气象灾害指数和渔业捕捞风险指数,得到渔场的气象的风险指数后进行海洋气象灾害监测预警;随后,对每个渔场的渔情分析预报结果与对应的气象风险分析预报结果进行综合分析,如根据每个渔场的高产概率信息、渔业安全生产指数、海洋气象灾害指数、渔业捕捞风险指数可以确定一个综合推荐指数,将该综合推荐指数可视化展示给用户,如图3中所示,用户在客户端可进行浏览和查询,例如,进行出海捕捞时根据综合推荐指数定位到气象安全性比较高且为高产率的渔场,提高了出海捕捞作业的安全及避免因无法得知渔情信息而去较低产率渔场所造成人力、物力的浪费。根据本申请所述的方法建立的包括综合渔情分析预报结果的综合渔情分析预报系统可以是一个云服务系统,所述云服务系统可以是架设的公共云平台或专有云平台,该平台以公共数据服务API的方式上架到阿里云数加数据产品市场,用户可以在阿里云数加数据产品市场中采购本服务,获取API的调用权限,开发者调用该API接入客户本地系统,定制开发,比如渔业捕捞企业自身开发了一套渔业捕捞系统,将本申请中的综合渔情分析预报系统接入到该渔业捕捞系统中作为其一个功能模块,完善渔业捕捞系统,更全面、精确地指导渔业生产和管理。根据本申请的另一个方面,还提供了一种渔情分析预报的设备,该设备包括:
渔情预报装置11,用于基于渔场的历史数据确定所述渔场的渔情分析预报结果;在本申请一实施例中,获取渔场的历史数据,比如渔业捕捞生产的历史数据、渔场渔船轨迹数据等多源的历史数据,对渔场的多源的历史数据进行数据融合和分析等数据处理过程,对处理后的数据基于统计分析、数据挖掘、机器学习、人工智能方法建立渔情预报的多种预测模型,采用组合预测方法实现渔情预报的高准确性,可根据建立起的多种预测模型进行组合以实现渔情的综合预报,也可利用各渔场的一些历史数据或当前数据对建立起的多种预测模型中的每个预测模型都进行评估,得到每个渔场对应的最优预测模型,从而利用该最优预测模型确定该渔场的渔情分析预报结果,各渔场的预测模型不再统一使用同一预测模型,而是选取符合自身实际情况的最优预测模型,提高了各渔场的渔情分析预报结果的准确率。
气象风险预报装置12,用于根据所述渔场对应的海洋气象数据确定所述渔场的气象风险分析预报结果;在本申请一实施例中,渔场对应的海洋气象数据包括该渔场所在的海洋位置上的海洋历史气象数据、当前气象数据以及可预测到的未来气象数据,海洋气象数据比如降水量、气压、潮位、盐度、风力风向等多源数据,可从气象卫星上获取,也可从其他海洋气象预测设备中获取这些海洋气象数据,对获取到的多源海洋气象数据进行融合与分析等数据处理过程,基于处理后的数据采用层次分析、模糊评价方法对各渔场的气象灾害风险进行气象风险综合分析,建立海洋气象风险综合评估分析系统,以进行对该渔场的海洋气象风险进行分析预报及利用建立起的气象风险综合评估分析系统进行海洋气象灾害监测预警,得到该渔场对应的气象风险分析预报结果。通过根据每个渔场对应的海洋气象数据建立渔场的海洋气象风险综合评估分析系统,从而提供了与每个渔场相关的海洋气象风险综合指标,提供包括多种风险指数的气象风险分析预报结果,为每个渔场的渔业安全生产提供指导。
综合预报装置13,用于对所述渔情分析预报结果与所述气象风险分析预报结果进行综合分析,得到综合渔情分析预报结果。通过本申请所述设备的实施例中的方法建立起的渔情分析预报系统得到的渔场的渔情分析预报结果,提高了预报的准确率,并将预报结果在GIS(地理信息系统)上进行可视化展示和快速发布,实施例中所述的方法中基于层次分析和模糊评价的海洋气象风险综合评价方法,对各渔场的气象风险进行了评估分析,得到各渔场的气象风险分析预报结果;将渔场的渔情分析预报结果与渔场的气象风险分析预报结果相结合,提供基于海况和渔况的综合渔情分析预报结果,即提供各渔场渔情预报结果的同时,还提供了渔场对应的气象风险指数,弥补了现有技术中渔情预报服务准确率低及缺少海上气象灾害风险的评估的不足方面,为远洋渔业安全生产和管理提供更好的指导。
在本申请一实施例中,渔情预报装置11用于:对渔场的历史数据进行数据处理,得到待建模数据;根据所述待建模数据及预设建模方法建立对应的预报模型;基于所述对应的预报模型的评估分析确定所述渔场的渔情分析预报结果。在本申请一实施例中,因采集的渔场的历史数据为实际场景中的实际数据值,而实际数据值由于采集设备、环境等因素可能出现异常值、缺失部分数据值等情况,因此需要对采集到的渔场的历史数据进行数据处理,同时经过数据处理可以将历史数据进行规范化、完整化,得到待建模数据,方便后续建模,根据待建模数据及预设建模方法建立对应的预报模型,待建模数据为已被处理过的为完整、规范化的数据,基于待建模数据采用多种建模方法能够加快建模速度及提高建立起的多种预报模型的准确性,对多种预报模型进行评估分析,可将多种预报模型的预报结果的综合结果作为渔场的渔情分析预报结果,也可对多种预报模型进行评估分析后选取最优的预报模型,利用最优的预报模型确定渔场的渔情分析预报结果,因此,利用建立起的多种预报模型能够实现更准确的预报分析,为渔业生产提供更准确的指导。
在本申请的一实施例中,所述渔场的历史数据包括捕捞生产数据、渔船轨迹数据、海洋环境数据,其中,海洋环境数据包括海表温度、表温距平、叶绿素a浓度、叶绿素a浓度距平、海表温度梯度强度等。获取到某渔场的历史数据如获取该渔场的10月份的捕捞生产量为N,多个渔船在10月份多次出海时在该渔场的轨迹集合为L,该渔场在10月份期间的海洋环境数据集合为H,对这些获取到的数据进行处理,作为建立预报模型的样本。需要说明的是,所述渔场的历史数据包括但不限于捕捞生产数据、渔船轨迹数据、海洋环境数据,以上三类历史数据仅为举例,其他现有的或今后可能出现的渔场的历史数据如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
在本申请一实施例中,渔情预报装置11用于:对所述历史数据进行数据预处理、融合、网格化处理,得到基础数据;根据所述基础数据得到时间特征、空间特征、环境特征和捕捞生产特征,及所述捕捞生产特征分别与时间特征、空间特征、环境特征之间的相关性;根据预设样本分析方法和所述相关性对所述基础数据构成的样本进行处理,得到处理后的样本,将所述处理后的样本作为待建模数据。在本申请一实施例中,对渔船轨迹数据、捕捞生产数据、海洋环境数据进行数据预处理、多源数据的融合、网格化处理多个步骤,存入挖掘数据库中,其中,网格化处理是将空间上不均匀分布的数据规算成规则网格中的数值,在本申请的一实施例中,按经纬度坐标分布划分1°×1°的经纬度网格,采集每一个网格上的数据进行预测分析,根据1°×1°网格点上的数据进行建立模型,进行预测1°×1°网格上的未来的渔情;渔场的历史数据通过数据预处理、融合、网格化处理,能够提高计算机运算速度,大大提高了数据挖掘模式的质量,降低实际数据挖掘所需要的时间。将以上存入挖掘数据库中的三类基础数据构建时间特征、空间特征、海洋环境特征和捕捞生产特征,其中,时间特征:比如捕捞生产量是与季节性、周期性有关,如按照月为单位的捕捞生产量是多少,夏季的捕捞生产量和冬季的捕捞生产量等,通过时间特征获取有关的捕捞生产量;空间特征:为1°×1°网格中心点的经纬度信息,以1°×1°网格上数据为基础获取原始数据和预测未来数据。海洋特征,例如,当叶绿素a浓度为N时对应的捕捞生产量,当叶绿素a浓度为M时对应的捕捞生产量;捕捞生产特征:根据历史捕捞数据得到的1°×1°渔场的月平均捕捞量和周平均捕捞量等信息。通过构建的时间特征、空间特征、海洋环境特征和捕捞生产特征,能够分析确定出影响捕捞生产量的重要的影响因子有哪些,确定各影响因子与捕捞生产量这一因子之间的相关性。因建立预设模型的基础是样本数据,若所用的样本数据不合理则会导致所建立的预设模型进行预测时会出现较大的偏差,准确率较低,在本申请所述的实施例中,通过选择预设样本分析方法对上述三类基础数据构成的样本进行处理,得到处理后的合理样本,将所述处理后的样本作为待建模数据能进而提高了建立的预设模型的可用性,利用所建立的预设模型进行预测渔情时准确率大大的被提高。
在本申请的又一实施例中,所述预设样本分析方法包括特征阈值渔场分类、正负样本失衡处理、缺失值处理、异常值检测与处理中任一或任几种组合。在本申请一实施例中,预设样本分析方法与建立预设模型所用到的样本是否合理密切相关,其中,采用预设样本分析方法中的特征阈值渔场分类,如4月份的捕捞属于低产,将每周的捕捞生产阈值设置为1000千克,当周平均捕捞生产量大于1000千克时表示该渔场为高产区,当小于或等于1000千克时表示该渔场为低产区;而在7月份的捕捞属于高产,则将每周的捕捞生产阈值设置为2000千克,根据构建的时间特征、空间特征、海洋环境特征和捕捞生产特征为每个渔场设定特征阈值,按照设置的特征阈值进行渔场样本数据的分类,得到合理的样本数据,避免因统一的阈值进行的分类,导致渔情预报错误,如在产鱼旺季和淡季所设置的阈值为同一个,进行建立的预报模型在进行预测时,则可能会出现在所有淡季内出现的相对高产的渔场也被判为了低产,为渔业生产提供了不准确的指导;采用预设样本分析方法中的正负样本失衡处理,比如高产的渔区与低产的渔区的比例为1:10,比例比较失衡,若不进行正负样本失衡处理,则建立出的预报模型进行预测渔场为高产还是低产时结果会更多偏向于低产,因此需要做失衡处理,将正负样本调整到一个合理的相对比例,建立出的预报模型才更合理。采用预设样本分析方法中的缺失值处理,如10月1号某一1°×1°网格点处渔场的海洋环境数据缺失,比如叶绿素a浓度数值是缺失的,则需要将该点的数据值补充上;因在数据测量和采集过程中会出现误差,则需要采用预设样本分析方法中的异常值检测与处理进行剔除这些误差导致的异常点,提高利用剔除异常点后的样本建立的模型的准确性。需要说明的是,本申请所述的预设样本分析方法包括但不限于上述特征阈值渔场分类、正负样本失衡处理、缺失值处理、异常值检测与处理,其他现有的或今后可能出现的预设样本分析方法如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
在本申请的一实施例中,所述预设建模方法包括朴素贝叶斯、逻辑回归和随机森林方法,每种建模方法对应建立一个预报模型。在本申请一实施例中,利用多种预设建模方法建立渔情预报的组合预报模型,对组合预报模型中的各预报模型进行评估分析,实现更准确的预报分析,为渔业生产提供更准确的指导。本领域技术人员应能理解,上述朴素贝叶斯、逻辑回归和随机森林方法为建模的常用技术,在本申请中利用多种常用的建模技术建立组合预报模型,使得建立的渔情预报模型不再单一,进而根据实际的应用场景选取最优的预报模型,在本申请中包括但不限于上述三种预设建模方法,其他现有的或今后可能出现的预设建模方法如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
接上述实施例,渔情预报装置11用于:根据渔场的验证数据对预报模型进行评估分析,得到所述渔场对应的最优预报模型,根据所述对应的最优预报模型得到所述渔场的渔情分析预报结果。在本申请一实施例中,渔场的验证数据可以为渔场的历史数据也可以为当前数据,如采用历史捕捞生产数据、海洋环境数据作为渔场的验证数据,对建立起的多种预报模型进行评估分析,选取最优的预报模型,其中,在实际场景应用中,不同渔区的最优预报模型可能是不一样的,不同时间段内的预报模型也可能不一样,例如,在6-9月内每个月预报时使用逻辑回归建立的模型最符合实际情况,而在10-12月内,使用随机森林方法建立的模型最符合实际情况。再如,在某渔场A使用朴素贝叶斯方法建立的模型最优,但在渔场B使用逻辑回归建立的模型才最优,建立多种模型,根据实际场景需求评估出最优的预报模型,提高预报准确率。
在本申请一实施例中,渔情预报装置11用于,根据所述渔场的验证数据计算预报模型中的F-值、准确率、召回率和ROC曲线下面积,得到对应的计算值;根据所述对应的计算值对预报模型进行评估分析,得到所述预报模型的评估结果,根据所述评估结果确定所述渔场对应的最优预报模型。在本申请一实施例中,对建立的多种预报模型进行评估分析时,基于渔场的验证数据如历史捕捞生产数据、海洋环境数据计算每个模型中的F-值(F-score)、准确率、召回率和ROC曲线下面积,得到对应的计算值,根据对应的计算值进行评估该预报模型的质量,以选取最优的预报模型。例如,通过预设的建模方法建立了某渔场w的预报模型A、预报模型B和预报模型C的组合预报模型,计算预报模型A的F-值(F-score)为n1%、准确率为p1%、召回率为r1%和ROC曲线下面积为m1,预报模型B的F-值(F-score)为n2%、准确率为p2%、召回率为r2%和ROC曲线下面积为m2,预报模型C的F-值(F-score)为n3%、准确率为p3%、召回率为r3%和ROC曲线下面积为m3,通过比较预报模型A、B、C的上述计算值,得到预报模型C为渔场w的最优的预报模型,利用预设模型C提供渔场w的渔情信息。
在本申请的一实施例中,如图1所示的根据本申请的一个方面的渔情分析预报系统,该系统主要包括面向渔情预报的智能数据处理模型,包括数据层,特征层,样本层,挖掘层,评价层和应用层,其中,本申请所述方法步骤S11中的数据处理得到待建模数据的过程在数据层、特征层和样本层中进行,步骤S11中利用待建模数据建立预报模型的过程在挖掘层中进行,步骤S11中对建立起的预报模型进行评估分析的过程在评价层进行,通过应用层将步骤S11中确定的渔情预报分析结果展示给用户。如图1所示,数据层为数据探索过程,是渔船行驶轨迹数据、海洋环境数据、捕捞生产数据进行数据预处理、多源数据的融合、网格化处理等多个步骤,得到基础数据,之后将基础数据存入挖掘数据库中;特征层进行特征构建与提取,基于上述三类基础数据构建时间特征、空间特征、海洋环境特征和捕捞生产特征,并分析捕捞生产因子与时空因子、海洋环境因子之间的相关性;样本层进行样本选择,是通过特征阈值渔场分类、正负样本失衡处理、缺失值处理和异常检测与处理中的任一种或任几种组合的处理方法对由基础数据构成的样本进行选择和处理,得到合理的样本;在挖掘层进行建模分析,采用预设的建模方法建立渔情预报的多种预报模型,在建模过程中利用统计分析、数据挖掘、机器学习和人工智能等技术手段;在评价层进行性能评估,即对建立起的多种预报模型根据每个模型的F-score、准确率、召回率和AUC(ROC曲线下面积)进行性能评估,选取最优的预报模型,从而提高了渔情预报的准确率;在应用层将评估分析选取出的最优的预报模型所预测的渔情分析预报结果发布,进行可视化表达,展示给用户。本申请所述的方法中提供上述面向渔情预报的多源数据智能处理模型,包括数据层、特征层、样本层、挖掘层、评价层和应用层,从而实现海洋环境数据的快速获取和更新,渔场海洋环境数据的特征提取和可视化分析,同时综合时空因子和海洋环境因子,建立基于统计和机器学习、人工智能方法的渔情预报模型,并将预报结果在GIS(地理信息系统)上进行可视化展示和快速发布,指导远洋渔业生产和管理。
在本申请一实施例中,所述设备还包括气象风险预报装置12,用于对所述渔场对应的海洋气象数据进行数据预处理,得到海洋气象指标;基于所述海洋气象指标确定海洋气象指标的权重;根据所述海洋气象指标的权重计算所述渔场的气象风险指数,对所述气象风险指数评估分析,得到所述渔场的气象风险分析预报结果。在本申请一实施例中,获取渔场所在海洋位置的海洋气象数据,对海洋气象数据进行预处理,得到海洋气象指标,便于后续利用处理后得到的海洋气象指标进行指标的权重的确定及利用权重计算多个气象灾害指数;在本申请的一实施例中,所述渔场对应的海洋气象数据包括降水量、风力风向、能见度、浪高,对这四类海洋气象指标数据进行预处理,如将这四类海洋气象指标数据的单位进行无量纲化,经过预处理的指标数据,利用指标评估分析方法及根据实际的海洋气象灾害进行确定各指标的权重,如确定降水量、风力风向、能见度、浪高的权重为w1、w2、w3、w4,则根据已确定的权重计算渔场的气象风险指数,其中,渔场的气象风险指数包括多种灾害指数,则在进行计算不同灾害指数时降水量、风力风向、能见度、浪高的权重会不同,根据统计学中多指标的分析方法确定各指标的权重,对计算得到的气象风险指数中的各灾害指数评估分析,得到所述渔场的气象风险分析预报结果,通过根据海洋气象数值预报数据及指标的权重确定方法建立与渔业相关的海洋气象风险综合指标,提供每个渔场的各灾害指数,为渔业安全生产提供指导。需要说明的是,所述渔场对应的海洋气象数据包括但不限于降水量、风力风向、能见度、浪高,在上述实施例中仅为举例,其他现有的或今后可能出现的渔场对应的海洋气象数据如可适用于本申请,也应包含在本申请保护范围以内,并在本申请一实施例中以引用方式包含于此。
在本申请一实施例中,气象风险预报装置12用于:将所述渔场对应的海洋气象数据进行包括海洋气象指标选择、指标转换和指标无量纲化的数据预处理,得到海洋气象指标。在本申请一实施例中,海洋气象指标选择为针对不同的海洋气象灾害海洋气象指标选择会不同,例如,评估出海捕捞时的风暴潮风险,可将风力风向、降水量作为气象指标选择。指标转换是把海洋气象数据中的指标统一化处理,如风力风向越大表示危险性越高,两者呈正相关,而能见度越低才表示危险性越高,两者呈负相关,因此需要将负指标(能见度与危险性的负相关)转换为正指标。指标无量纲化是指风力风向、能见度等指标的单位不同,需要转换为统一的无量纲化数据,便于后续数据处理。在本申请的优选实施例中对海洋气象数据通过海洋气象指标选择、指标转换、指标无量纲化等多个步骤的数据预处理,是为了方便后续数据计算和处理,以确定海洋指标的权重。需要说明的是,上述海洋气象指标选择、指标转换、指标无量纲化仅为本申请中进行数据预处理的方法举例,还可结合其他的数据预处理方法一起使用或替换为其他的数据预处理方法,其他现有的或今后可能出现的渔场对应的海洋气象数据进行预处理的方法如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
在本申请一实施例中,气象风险预报装置12用于:对所述海洋气象指标进行包括层次分析、主成分和因子分析及模糊评价的指标评价分析,得到指标评价分析结果;根据所述指标评价分析结果确定海洋气象指标的权重。在本申请一实施例中,层次分析、主成分,因子分析、模糊评价都为统计学中的数据处理技术,为多指标综合评价分析中的常用技术方法,在本申请的一实施例中采用上述几种多指标综合评价分析方法是为了得到的海洋气象指标的权重更准确、上述主成分分析和因子分析等方法都是一种客观赋权方法,降低了人为主观的确定权重的影响,使得根据指标的权重建立的气象风险综合评估分析系统更准确。根据上述层次分析、主成分和因子分析及模糊评价等方法的指标评价分析结果,确定海洋气象指标的权重,进而建立与渔业相关的海洋气象风险综合指标,提供多种渔场的气象风险指数。
在本申请一实施例中,所述渔场的气象风险指数包括渔业安全生产指数、海洋气象灾害指数和渔业捕捞风险指数。在本申请的优选实施例中,计算渔业安全生产指数用来为用户提供评估渔业生产捕捞时安全生产状况和事故水平的指标,用户通过海洋气象灾害指数可获取到海洋上各类气象灾害发生可能性的信息,用户通过渔业捕捞风险指数能够判断由于各类气象灾害所引起的一系列对渔业捕捞生产作业正常进行造成干扰的可能性,通过以上三个气象风险指数可以为用户提供更全面地海况信息,更好地指导渔业安全生产和管理。
在本申请一实施例中,气象风险预报装置12还用于:根据所述渔业安全生产指数、所述海洋气象灾害指数和所述渔业捕捞风险指数进行海洋气象灾害监测预警。在本申请一实施例中,计算得到渔场的气象风险指数后,根据气象风险指数中的渔业安全生产指数、所述海洋气象灾害指数和所述渔业捕捞风险指数的综合分析预报结果进行海洋气象灾害监测预警,为远洋渔业的捕捞人员及安全生产提供安全指导,降低出海风险及提高捕捞生产量。
在本申请的又一实施例中,图2示出的根据本申请一个方面的海洋气象灾害风险评估系统,在该系统中根据海洋气象数值预报数据,通过层次、模糊评价等方法建立与渔业相关的海洋气象风险综合指标,提供每个渔场的渔业安全生产指数,海洋气象灾害指数和渔业捕捞风险指数,为渔业安全生产提供指导。如图2所示,海洋气象数据包括降水量、风力风向、能见度和浪高,对海洋气象数据进行海洋气象指标选择、指标转换和指标无量纲化等多个步骤的数据预处理,进而利用数据预处理后的数据通过层次分析、主成分和因子分析及模糊评价等方法确定评价指标权重,进而利用评价指标权重计算渔业安全生产指数、海洋气象灾害指数和渔业捕捞风险指数,得到海洋气象风险综合评估分析的预报分析结果,弥补了现有技术中渔情服务时缺少海上气象灾害风险的评估的不足。
在本申请一实施例中,综合预报装置13用于,根据所述渔情分析预报结果得到所述渔场的高产概率;对所述渔场的高产概率和所述气象风险指数进行综合分析,确定所述渔场的综合推荐指数;将所述渔场的综合推荐指数、所述渔情分析预报结果与所述气象风险分析预报结果作为综合渔情分析预报结果。在本申请一实施例中,根据渔情预报装置11中确定的渔情分析预报结果可获取到各渔场的高产概率信息,将渔场的高产概率与通过气象风险预报装置12确定的气象风险指数进行综合分析,确定各渔场的综合推荐指数,例如,渔场D1的高产概率为p1,气象风险指数中的渔业安全生产指数、海洋气象灾害指数和渔业捕捞风险指数分别为s1、w1和f1,根据{p1,s1,w1,f1}确定渔场D1的综合推荐指数,如可通过加权平均法进行确定,如图3示出的本申请一实施例中的综合推荐指数的示意图,根据经纬度将渔区分为1°×1°网格的渔场,利用本申请所述的方法确定每个渔场的综合推荐指数。最后将渔场的综合推荐指数、根据渔场的历史数据确定的渔情分析预报结果和根据渔场的海洋气象数据确定的气象风险分析预报结果相结合起来,进而提供了基于渔况和海况的综合渔情分析预报结果,指导渔业安全生产和管理。
图4示出本申请一实施例中基于海况和渔况的综合渔情预报的系统示意图,该系统包括渔情分析预报系统和海洋气象风险综合评估分析系统,其中,根据对渔业捕捞生产数据、渔场渔船轨迹数据和海洋环境数据进行的多源数据融合与分析,并利用数据挖掘、机器学习和人工智能等方法建立的渔区渔情模型综合预测,进而确定渔情分析预报系统,实现了渔场数据的快速获取和更新,并且在为渔区提供渔情分析预报服务的同时,还根据降水量、风力风向、浪高、能见度等海洋气象数据进行多源数据融合与分析等数据预处理过程,之后利用处理后的数据确定海洋气象指标的权重,进而确定气象风险指数,进行气象风险综合评估,进而提供海洋气象风险综合评估分析预报结果;从基于海况与渔况的综合渔情分析预报系统中可获取到渔区高产概率、渔区安全生产指数、渔区捕捞风险指数和渔区气象灾害指数的综合分析预报结果,将该综合分析预报结果以渔情信息产品方式进行分布供用户浏览与查询,实现分析预报结果的可视化表达。通过本申请中所述的渔情分析预报的方法,提高了分析预报模型的准确率,同时提供了更加全面、精确的渔情预报结果,为渔业安全生产和管理提供指导。
根据本申请的再一个方面,还提供了一种基于计算的设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
基于渔场的历史数据确定所述渔场的渔情分析预报结果;根据所述渔场对应的海洋气象数据确定所述渔场的气象风险分析预报结果;对所述渔情分析预报结果与所述气象风险分析预报结果进行综合分析,得到综合渔情分析预报结果。
根据本申请的再一方面,还提供了一种渔情分析预报的设置,其中,所述设备包括:获取装置21,用于获取客户端发送的渔场的分析预报请求;确定装置22,用于基于所述分析预报请求获取所述渔场的历史数据和对应的海洋气象数据;渔情预报装置23,用于基于渔场的历史数据确定所述渔场的渔情分析预报结果;气象风险预报装置24,用于根据所述渔场对应的海洋气象数据确定所述渔场的气象风险分析预报结果;综合预报装置25,用于对所述渔情分析预报结果与所述气象风险分析预报结果进行综合分析,得到综合渔情分析预报结果;反馈装置26,用于向所述客户端反馈所述综合渔情分析预报结果。在本申请一实施例中,客户端发送的渔场的分析预报请求可以为基于渔船的历史轨迹数据、捕捞生产数据等渔场的历史数据确定哪些渔场需要进行分析预报进行发送的请求,如根据某渔区的历史行为,即有渔船在该渔区进行捕捞作业,且开源网站或其他第三方有该渔区的一些历史数据,比如渔船在该渔区的轨迹数据、海洋环境数据、捕捞生产数据等,则对该渔区进行建立预报分析系统是有意义的,可对该渔区的渔情进行分析预报及海洋气象风险分析预报,给该渔区提供渔业安全生产和管理;也可以为例如已有的渔业捕捞系统发送的请求,根据渔业捕捞系统制定包括综合渔情分析预报系统的更加完善的捕捞系统,将该请求发送至网络设备,网络设备从第三方获取这些渔场的历史数据及海洋气象数据,以进行确定渔场的渔情分析预报结果和渔场的气象风险分析预报结果;在网络设备中根据分析预报请求获取某渔区的历史数据,将该渔区按照经纬度划分为渔场1~渔场10的十个渔场,根据每个渔场的历史数据确定对应渔场的渔情分析预报结果,由渔场的分析预报结果可获取到每个渔场的高产概率信息,具体实施过程为:对捕捞生产数据、渔船轨迹数据、海洋环境数据这三类渔场的历史数据进行数据处理,如进行数据预处理、融合、网格化处理,得到基础数据,根据基础数据得到时间特征、空间特征、环境特征和捕捞生产特征,及所述捕捞生产特征分别与时间特征、空间特征、环境特征之间的相关性,根据所述相关性以及特征阈值渔场分类、正负样本失衡处理、缺失值处理、异常值检测这些预设的样本分析方法对所述基础数据构成的样本进行处理,得到处理后的样本,将所述处理后的样本作为待建模数据;之后,采用朴素贝叶斯、逻辑回归和随机森林方法建立渔情的组合预报模型,根据渔场的验证数据对组合预报模型中每个预报模型进行评估分析,如根据所述渔场的验证数据计算预报模型中的F-值、准确率、召回率和ROC曲线下面积,得到对应的计算值;根据所述对应的计算值对预报模型进行评估分析,得到所述预报模型的评估结果,根据所述评估结果得到所述渔场对应的最优预报模型,根据所述对应的最优预报模型得到所述渔场的渔情分析预报结果。根据每个渔场对应的海洋气象数据确定对应渔场的气象风险分析预报结果,包括渔业安全生产指数、海洋气象灾害指数、渔业捕捞风险指数,具体实施过程为:将海洋气象数据如降水量、风力风向、能见度和浪高进行包括海洋气象指标选择、指标转换和指标无量纲化的数据预处理,得到海洋气象指标,接着,对该海洋气象指标进行包括层次分析、主成分和因子分析及模糊评价的指标评价分析,得到指标评价分析结果,根据所述指标评价分析结果确定海洋气象指标的权重,根据确定的海洋气象指标的权重计算渔场的气象风险指数,如计算渔业安全生产指数、海洋气象灾害指数和渔业捕捞风险指数,得到渔场的气象的风险指数后进行海洋气象灾害监测预警;随后,对每个渔场的渔情分析预报结果与对应的气象风险分析预报结果进行综合分析,如根据每个渔场的高产概率信息、渔业安全生产指数、海洋气象灾害指数、渔业捕捞风险指数可以确定一个综合推荐指数,将该综合推荐指数可视化展示给用户,如图3中所示,用户在客户端可进行浏览和查询,例如,进行出海捕捞时根据综合推荐指数定位到气象安全性比较高且为高产率的渔场,提高了出海捕捞作业的安全及避免因无法得知渔情信息而去较低产率渔场所造成人力、物力的浪费。根据本申请所述设备的实施例中的方法建立的包括综合渔情分析预报结果的综合渔情分析预报系统可以是一个云服务系统,所述云服务系统可以是架设的公共平台或专有云平台,该平台以公共数据服务API的方式上架到阿里云数加数据产品市场,用户可以在阿里云数加数据产品市场中采购本服务,获取API的调用权限,开发者调用该API接入客户本地系统,定制开发,比如渔业捕捞企业自身开发了一套渔业捕捞系统,将本申请中的综合渔情分析预报系统接入到该渔业捕捞系统中作为其一个功能模块,完善渔业捕捞系统,更全面、精确地指导渔业生产和管理。
根据本申请的又一方面,还提供了一种基于计算的设备,包括:处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:获取客户端发送的渔场的分析预报请求;基于所述分析预报请求获取所述渔场的历史数据和对应的海洋气象数据;基于渔场的历史数据确定所述渔场的渔情分析预报结果;根据所述渔场对应的海洋气象数据确定所述渔场的气象风险分析预报结果;对所述渔情分析预报结果与所述气象风险分析预报结果进行综合分析,得到综合渔情分析预报结果;向所述客户端反馈所述综合渔情分析预报结果。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
需要注意的是,本申请可在软件和/或软件与硬件的组合体中被实施,例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中,本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地,本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本申请的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
另外,本申请的一部分可被应用为计算机程序产品,例如计算机程序指令,当其被计算机执行时,通过该计算机的操作,可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令,可能被存储在固定的或可移动的记录介质中,和/或通过广播或其他信号承载媒体中的数据流而被传输,和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此,根据本申请的一个实施例包括一个装置,该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (32)
1.一种渔情分析预报的方法,其中,所述方法包括:
基于渔场的历史数据确定所述渔场的渔情分析预报结果;
对所述渔场对应的海洋气象数据进行数据预处理,得到海洋气象指标;
基于所述海洋气象指标确定海洋气象指标的权重;
根据所述海洋气象指标的权重计算所述渔场的气象风险指数,对所述气象风险指数评估分析,得到所述渔场的气象风险分析预报结果;
对所述渔情分析预报结果与所述气象风险分析预报结果进行综合分析,得到综合渔情分析预报结果。
2.根据权利要求1所述的方法,其中,基于渔场的历史数据确定所述渔场的渔情分析预报结果,包括:
对渔场的历史数据进行数据处理,得到待建模数据;
根据所述待建模数据及预设建模方法建立对应的预报模型;
基于所述对应的预报模型的评估分析确定所述渔场的渔情分析预报结果。
3.根据权利要求2所述的方法,其中,所述渔场的历史数据包括捕捞生产数据、渔船轨迹数据、海洋环境数据。
4.根据权利要求2所述的方法,其中,对渔场的历史数据进行数据处理,得到待建模数据,包括:
对所述历史数据进行数据预处理、融合、网格化处理,得到基础数据;
根据所述基础数据得到时间特征、空间特征、环境特征和捕捞生产特征,及所述捕捞生产特征分别与时间特征、空间特征、环境特征之间的相关性;
根据预设样本分析方法和所述相关性对所述基础数据构成的样本进行处理,得到处理后的样本,将所述处理后的样本作为待建模数据。
5.根据权利要求4所述的方法,其中,所述预设样本分析方法包括特征阈值渔场分类、正负样本失衡处理、缺失值处理、异常值检测与处理中任一或任几种组合。
6.根据权利要求2所述的方法,其中,所述预设建模方法包括朴素贝叶斯、逻辑回归和随机森林方法,每种建模方法对应建立一个预报模型。
7.根据权利要求6所述的方法,其中,基于所述对应的预报模型的评估分析确定所述渔场的渔情分析预报结果,包括:
根据渔场的验证数据对预报模型进行评估分析,得到所述渔场对应的最优预报模型,根据所述对应的最优预报模型得到所述渔场的渔情分析预报结果。
8.根据权利要求7所述的方法,其中,根据渔场的验证数据对预报模型进行评估分析,得到所述渔场对应的最优预报模型,包括:
根据所述渔场的验证数据计算预报模型中的F-值、准确率、召回率和ROC曲线下面积,得到对应的计算值;
根据所述对应的计算值对预报模型进行评估分析,得到所述预报模型的评估结果,根据所述评估结果确定所述渔场对应的最优预报模型。
9.根据权利要求1所述的方法,其中,所述渔场对应的海洋气象数据包括降水量、风力风向、能见度、浪高。
10.根据权利要求1所述的方法,其中,对所述渔场对应的海洋气象数据进行数据预处理,得到海洋气象指标,包括:
将所述渔场对应的海洋气象数据进行包括海洋气象指标选择、指标转换和指标无量纲化的数据预处理,得到海洋气象指标。
11.根据权利要求1所述的方法,其中,基于所述海洋气象指标确定海洋气象指标的权重,包括:
对所述海洋气象指标进行包括层次分析、主成分和因子分析及模糊评价的指标评价分析,得到指标评价分析结果;
根据所述指标评价分析结果确定海洋气象指标的权重。
12.根据权利要求1所述的方法,其中,所述渔场的气象风险指数包括渔业安全生产指数、海洋气象灾害指数和渔业捕捞风险指数。
13.根据权利要求12所述的方法,其中,根据所述海洋气象指标的权重计算所述渔场的气象风险指数之后,包括:
根据所述渔业安全生产指数、所述海洋气象灾害指数和所述渔业捕捞风险指数进行海洋气象灾害监测预警。
14.根据权利要求1或9至13中任一项所述的方法,其中,对所述渔情分析预报结果与所述气象风险分析预报结果进行综合分析,得到综合渔情分析预报结果,包括:
根据所述渔情分析预报结果得到所述渔场的高产概率;
对所述渔场的高产概率和所述气象风险指数进行综合分析,确定所述渔场的综合推荐指数;
将所述渔场的综合推荐指数、所述渔情分析预报结果与所述气象风险分析预报结果作为综合渔情分析预报结果。
15.一种渔情分析预报的方法,其中,所述方法包括:
获取客户端发送的渔场的分析预报请求;
基于所述分析预报请求获取所述渔场的历史数据和对应的海洋气象数据;
基于渔场的历史数据确定所述渔场的渔情分析预报结果;
对所述渔场对应的海洋气象数据进行数据预处理,得到海洋气象指标;
基于所述海洋气象指标确定海洋气象指标的权重;
根据所述海洋气象指标的权重计算所述渔场的气象风险指数,对所述气象风险指数评估分析,得到所述渔场的气象风险分析预报结果;
对所述渔情分析预报结果与所述气象风险分析预报结果进行综合分析,得到综合渔情分析预报结果;
向所述客户端反馈所述综合渔情分析预报结果。
16.一种渔情分析预报的设备,其中,所述设备包括:
渔情预报装置,用于基于渔场的历史数据确定所述渔场的渔情分析预报结果;
气象风险预报装置,用于对所述渔场对应的海洋气象数据进行数据预处理,得到海洋气象指标;基于所述海洋气象指标确定海洋气象指标的权重;根据所述海洋气象指标的权重计算所述渔场的气象风险指数,对所述气象风险指数评估分析,得到所述渔场的气象风险分析预报结果;
综合预报装置,用于对所述渔情分析预报结果与所述气象风险分析预报结果进行综合分析,得到综合渔情分析预报结果。
17.根据权利要求16所述的设备,其中,所述渔情预报装置用于:
对渔场的历史数据进行数据处理,得到待建模数据;
根据所述待建模数据及预设建模方法建立对应的预报模型;
基于所述对应的预报模型的评估分析确定所述渔场的渔情分析预报结果。
18.根据权利要求17所述的设备,其中,所述渔场的历史数据包括捕捞生产数据、渔船轨迹数据、海洋环境数据。
19.根据权利要求17所述的设备,其中,所述渔情预报装置用于:
对所述历史数据进行数据预处理、融合、网格化处理,得到基础数据;
根据所述基础数据得到时间特征、空间特征、环境特征和捕捞生产特征,及所述捕捞生产特征分别与时间特征、空间特征、环境特征之间的相关性;
根据预设样本分析方法和所述相关性对所述基础数据构成的样本进行处理,得到处理后的样本,将所述处理后的样本作为待建模数据。
20.根据权利要求19所述的设备,其中,所述预设样本分析方法包括特征阈值渔场分类、正负样本失衡处理、缺失值处理、异常值检测与处理中任一或任几种组合。
21.根据权利要求17所述的设备,其中,所述预设建模方法包括朴素贝叶斯、逻辑回归和随机森林方法,每种建模方法对应建立一个预报模型。
22.根据权利要求21所述的设备,其中,所述渔情预报装置用于:
根据渔场的验证数据对预报模型进行评估分析,得到所述渔场对应的最优预报模型,根据所述对应的最优预报模型得到所述渔场的渔情分析预报结果。
23.根据权利要求22所述的设备,其中,所述渔情预报装置用于:
根据所述渔场的验证数据计算预报模型中的F-值、准确率、召回率和ROC曲线下面积,得到对应的计算值;
根据所述对应的计算值对预报模型进行评估分析,得到所述预报模型的评估结果,根据所述评估结果确定所述渔场对应的最优预报模型。
24.根据权利要求16所述的设备,其中,所述渔场对应的海洋气象数据包括降水量、风力风向、能见度、浪高。
25.根据权利要求16所述的设备,其中,所述气象风险预报装置用于:
将所述渔场对应的海洋气象数据进行包括海洋气象指标选择、指标转换和指标无量纲化的数据预处理,得到海洋气象指标。
26.根据权利要求16所述的设备,其中,所述气象风险预报装置用于:
对所述海洋气象指标进行包括层次分析、主成分和因子分析及模糊评价的指标评价分析,得到指标评价分析结果;
根据所述指标评价分析结果确定海洋气象指标的权重。
27.根据权利要求16所述的设备,其中,所述渔场的气象风险指数包括渔业安全生产指数、海洋气象灾害指数和渔业捕捞风险指数。
28.根据权利要求27所述的设备,其中,所述气象风险预报装置还用于:
根据所述渔业安全生产指数、所述海洋气象灾害指数和所述渔业捕捞风险指数进行海洋气象灾害监测预警。
29.根据权利要求16或24至28中任一项所述的设备,其中,所述综合预报装置用于:
根据所述渔情分析预报结果得到所述渔场的高产概率;
对所述渔场的高产概率和所述气象风险指数进行综合分析,确定所述渔场的综合推荐指数;
将所述渔场的综合推荐指数、所述渔情分析预报结果与所述气象风险分析预报结果作为综合渔情分析预报结果。
30.一种渔情分析预报的设备,其中,所述设备包括:
获取装置,用于获取客户端发送的渔场的分析预报请求;
确定装置,用于基于所述分析预报请求获取所述渔场的历史数据和对应的海洋气象数据;
渔情预报装置,用于基于渔场的历史数据确定所述渔场的渔情分析预报结果;
气象风险预报装置,用于对所述渔场对应的海洋气象数据进行数据预处理,得到海洋气象指标;基于所述海洋气象指标确定海洋气象指标的权重;根据所述海洋气象指标的权重计算所述渔场的气象风险指数,对所述气象风险指数评估分析,得到所述渔场的气象风险分析预报结果;
综合预报装置,用于对所述渔情分析预报结果与所述气象风险分析预报结果进行综合分析,得到综合渔情分析预报结果;
反馈装置,用于向所述客户端反馈所述综合渔情分析预报结果。
31.一种基于计算的设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
基于渔场的历史数据确定所述渔场的渔情分析预报结果;
对所述渔场对应的海洋气象数据进行数据预处理,得到海洋气象指标;
基于所述海洋气象指标确定海洋气象指标的权重;
根据所述海洋气象指标的权重计算所述渔场的气象风险指数,对所述气象风险指数评估分析,得到所述渔场的气象风险分析预报结果;
对所述渔情分析预报结果与所述气象风险分析预报结果进行综合分析,得到综合渔情分析预报结果。
32.一种基于计算的设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
获取客户端发送的渔场的分析预报请求;
基于所述分析预报请求获取所述渔场的历史数据和对应的海洋气象数据;
基于渔场的历史数据确定所述渔场的渔情分析预报结果;
对所述渔场对应的海洋气象数据进行数据预处理,得到海洋气象指标;
基于所述海洋气象指标确定海洋气象指标的权重;
根据所述海洋气象指标的权重计算所述渔场的气象风险指数,对所述气象风险指数评估分析,得到所述渔场的气象风险分析预报结果;
对所述渔情分析预报结果与所述气象风险分析预报结果进行综合分析,得到综合渔情分析预报结果;
向所述客户端反馈所述综合渔情分析预报结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610894299.9A CN107944590B (zh) | 2016-10-13 | 2016-10-13 | 一种渔情分析预报的方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610894299.9A CN107944590B (zh) | 2016-10-13 | 2016-10-13 | 一种渔情分析预报的方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107944590A CN107944590A (zh) | 2018-04-20 |
CN107944590B true CN107944590B (zh) | 2022-02-22 |
Family
ID=61928400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610894299.9A Active CN107944590B (zh) | 2016-10-13 | 2016-10-13 | 一种渔情分析预报的方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107944590B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034105B (zh) * | 2018-08-15 | 2020-08-04 | 上海海洋大学 | 基于无人机的金枪鱼渔场位置预测方法 |
CN109725610A (zh) * | 2018-11-30 | 2019-05-07 | 厦门钰德服装有限公司 | 工厂生产信息分析处理方法、装置及设备 |
CN109902761B (zh) * | 2019-03-18 | 2020-11-10 | 上海海洋大学 | 一种基于海洋环境因子融合和深度学习的渔情预测方法 |
CN110398786B (zh) * | 2019-06-03 | 2022-03-11 | 中国水产科学研究院南海水产研究所 | 一种渔业防台防汛抗旱抗灾的预警系统及方法 |
CN110796277B (zh) * | 2019-09-29 | 2022-01-28 | 宁波海上鲜信息技术有限公司 | 一种推荐方法、装置及存储介质 |
CN111489266A (zh) * | 2020-04-23 | 2020-08-04 | 舟山国家远洋渔业基地科技发展有限公司 | 一种基于位置的渔业信息服务方法 |
CN111932519A (zh) * | 2020-08-12 | 2020-11-13 | 上海眼控科技股份有限公司 | 天气预测方法、装置、计算机设备和存储介质 |
CN116702093B (zh) * | 2023-08-08 | 2023-12-08 | 海南智慧海事科技有限公司 | 一种基于大数据数据融合的海上目标定位方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101452077A (zh) * | 2007-12-03 | 2009-06-10 | 中国水产科学研究院东海水产研究所 | 金枪鱼渔场预报方法 |
CN102833680A (zh) * | 2012-09-11 | 2012-12-19 | 中国水产科学研究院东海水产研究所 | 基于位置的海洋渔业信息服务方法 |
CN103235982A (zh) * | 2013-04-16 | 2013-08-07 | 中国水产科学研究院东海水产研究所 | 一种基于贝叶斯网络模型的渔场预报方法 |
CN103004664B (zh) * | 2012-12-21 | 2014-10-22 | 上海海洋大学 | 一种西北太平洋柔鱼资源补充量预测方法 |
CN105654210A (zh) * | 2016-02-26 | 2016-06-08 | 中国水产科学研究院东海水产研究所 | 一种利用海洋遥感多环境要素的集成学习渔场预报方法 |
CN105787591A (zh) * | 2016-02-26 | 2016-07-20 | 中国水产科学研究院东海水产研究所 | 一种利用多尺度环境特征的渔场预报方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030212618A1 (en) * | 2002-05-07 | 2003-11-13 | General Electric Capital Corporation | Systems and methods associated with targeted leading indicators |
-
2016
- 2016-10-13 CN CN201610894299.9A patent/CN107944590B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101452077A (zh) * | 2007-12-03 | 2009-06-10 | 中国水产科学研究院东海水产研究所 | 金枪鱼渔场预报方法 |
CN102833680A (zh) * | 2012-09-11 | 2012-12-19 | 中国水产科学研究院东海水产研究所 | 基于位置的海洋渔业信息服务方法 |
CN103004664B (zh) * | 2012-12-21 | 2014-10-22 | 上海海洋大学 | 一种西北太平洋柔鱼资源补充量预测方法 |
CN103235982A (zh) * | 2013-04-16 | 2013-08-07 | 中国水产科学研究院东海水产研究所 | 一种基于贝叶斯网络模型的渔场预报方法 |
CN105654210A (zh) * | 2016-02-26 | 2016-06-08 | 中国水产科学研究院东海水产研究所 | 一种利用海洋遥感多环境要素的集成学习渔场预报方法 |
CN105787591A (zh) * | 2016-02-26 | 2016-07-20 | 中国水产科学研究院东海水产研究所 | 一种利用多尺度环境特征的渔场预报方法 |
Non-Patent Citations (2)
Title |
---|
判别分析在渔情预报中应用的研究;刘树勋等;《海洋通报》;19880330;第63-70页 * |
渔场渔情分析预报业务化应用中的关键技术探讨;樊伟, 崔雪森, 伍玉梅, 周为峰, 陈雪忠;《中国水产科学》;20130131;第234-241页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107944590A (zh) | 2018-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944590B (zh) | 一种渔情分析预报的方法及设备 | |
Demuzere et al. | LCZ Generator: a web application to create Local Climate Zone maps | |
Zhu et al. | Flood disaster risk assessment based on random forest algorithm | |
CN106204392A (zh) | 环境风险源预警系统 | |
CN112287018B (zh) | 一种台风灾害下10kV杆塔受损风险评估方法及系统 | |
CN111967712B (zh) | 一种基于复杂网络理论的交通风险预测方法 | |
CN114494837A (zh) | 一种渔业资源的密度智能识别方法及系统 | |
CN108491877A (zh) | 一种分类对流天气概率预报方法及装置 | |
CN109857782A (zh) | 一种测井数据采集处理系统 | |
Rojas et al. | False-positive occupancy models produce less-biased occupancy estimates for a rare and elusive bat species | |
CN114417981B (zh) | 一种智能河长巡测系统 | |
CN116797030A (zh) | 地质监测预警方法、系统、计算机设备及存储介质 | |
Saville et al. | Application of information and communication technology and data sharing management scheme for the coastal fishery using real-time fishery information | |
CN116363524A (zh) | 一种公路地质灾害高风险区域监测预警方法及装置 | |
CN116415481A (zh) | 区域滑坡灾害风险预测方法、装置、计算机设备及存储介质 | |
Mayer et al. | Prediction of natural dry-snow avalanche activity using physics-based snowpack simulations | |
CN117408495A (zh) | 一种基于土地资源综合管理的数据分析方法及系统 | |
CN116090674B (zh) | 草地退化早期预警方法、装置及系统 | |
CN112016744A (zh) | 一种基于土壤水分的森林火灾预测方法、装置及存储介质 | |
AU2021100350A4 (en) | Method for Predicting Reclamation Potential of Homestead | |
CN113034017A (zh) | 一种基于云计算的应用安全服务平台 | |
CN111967419A (zh) | 一种坝岸险情预测方法、装置、计算机设备及存储介质 | |
CN113344247B (zh) | 一种基于深度学习的电力设施选址预测方法与系统 | |
CN117933503A (zh) | 一种基于火点样本的山火预测方法、系统、设备及介质 | |
Parisi et al. | Design of a Web Environmental Decision Support System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |