CN109165766A - 一种南海鸢乌贼渔情预报的方法 - Google Patents
一种南海鸢乌贼渔情预报的方法 Download PDFInfo
- Publication number
- CN109165766A CN109165766A CN201810672158.1A CN201810672158A CN109165766A CN 109165766 A CN109165766 A CN 109165766A CN 201810672158 A CN201810672158 A CN 201810672158A CN 109165766 A CN109165766 A CN 109165766A
- Authority
- CN
- China
- Prior art keywords
- index
- habitat
- symeplectoteuthis oualaniensis
- hsi
- chl
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000007613 environmental effect Effects 0.000 claims abstract description 35
- 230000001932 seasonal effect Effects 0.000 claims abstract description 28
- 238000009826 distribution Methods 0.000 claims abstract description 27
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 5
- 239000002028 Biomass Substances 0.000 claims description 12
- 229930002868 chlorophyll a Natural products 0.000 claims description 9
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 9
- 241000238366 Cephalopoda Species 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000000052 comparative effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 241000238371 Sepiidae Species 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 101150011375 Tab2 gene Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000036413 temperature sense Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
本发明提供了一种南海鸢乌贼渔情预报的方法,包括以下步骤:在需进行南海鸢乌贼渔情预报海域范围内选取不同的点,并获取相应位置影响鸢乌贼栖息地质量的环境因子;根据不同季节不同环境因子与适应性指数的模型,得到选取点位置的适应性指数;根据不同季节适应性指数与栖息地适应性指数的模型,得到选取点位置的栖息地适应性指数;将进行渔情预报海域范围内选取点与其相对应的栖息地适应性指数,进行图像化处理,得到栖息地适应性指数分布图,即可预报鸢乌贼渔场出现的范围。本发明的方法可以对南海鸢乌贼渔情做短期预报,反映头足类资源短时间内栖息地的变化,不同季节预报南海鸢乌贼渔情的准确率分别为83%、86%、88%和90%。
Description
技术领域
本发明属于海洋渔情预报技术领域,具体涉及一种南海鸢乌贼渔情预报的方法。
背景技术
南海蕴藏着丰富渔业资源,其中鸢乌贼资源量巨大,是南海外海最具开发潜力的渔业资源,年可捕量超过200万t,经济价值高,具有极大的开发潜力。同时鸢乌贼属于头足类资源,头足类为一年生的短生命周期种类,对海洋环境的变动较为敏感,其栖息地环境的变化直接影响其分布和产量,这为通过分析环境条件变化来预报鸢乌贼的分布提供了基础。对南海头足类资源做初步的渔情预报探索,掌握南海头足类资源的栖息环境,掌握渔场中心的变化规律,既可以有效的指导生产,降低生产成本,提高捕捞效率,又可以保护性开发南海生物资源,维护国家海洋权益。
现有的海洋渔情预报方法中,大多数方法只关注影响渔情的一个或者几个因子,因子数量较少,模型的精确度不足;或者所用数据时间跨度大,一般为按季度或按年份分析,属于中长期预报,不能反映头足类资源短时间内栖息地的变化。基于此,有必要提供一种准确率高,能对南海鸢乌贼渔情做短期预报的方法。
发明内容
本发明的目的在于提供一种南海鸢乌贼渔情预报的方法,该方法能对南海鸢乌贼渔情做短期预报,准确度高,反映不同季节渔场分布的变化情况。
为实现上述目的,本发明采用以下技术方案来实现:
一种南海鸢乌贼渔情预报的方法,其包括以下步骤:
(1)在需进行南海鸢乌贼渔情预报海域范围内选取不同的点,并获取相应位置影响鸢乌贼栖息地质量的环境因子;
(2)根据不同季节不同环境因子与适应性指数(SI)的模型,得到选取点位置的适应性指数(SI);
(3)根据不同季节适应性指数(SI)与栖息地适应性指数(HSI)的模型,得到选取点位置的栖息地适应性指数(HSI);
(4)将进行渔情预报海域范围内选取点位置与其相对应的栖息地适应性指数(HSI),进行图像化处理,得到栖息地适应性指数(HSI)分布图,即可预报鸢乌贼渔场出现的范围。
所述步骤(1)中不同的点通过经度和纬度确定。选取点可以根据不同经纬度间隔选取,选取的点越多,获取的数据越多,渔情预报的准确率越高。
所述步骤(1)中影响鸢乌贼栖息地质量的环境因子为海表温度(SST)、叶绿素a浓度(CHL)、海表盐度(SSS)、海面高度(SSH)。
所述步骤(2)中适应性指数(SI)为环境因子与鸢乌贼生物量Y建立的对应关系,其模型如下:
式中,SI为该季度的适应性指数;Y max为该季度调查的生物量最大值。
所述步骤(2)中适应性指数(SI)的模型如下:
春季不同环境因子的适应性指数(SI):
SI=1/(2169.41-162.48×SST+3.04×SST2)
SI=1/(76.78-1258.66×CHL+5197.66×CHL2)
SI=1/(453.14-845.28×SSH+394.91×SSH2)
SI=1/(309094.40-18702.97×SSS+282.92×SSS2);
夏季不同环境因子的适应性指数(SI):
SI=1/(998.89-69.12×SST+1.19×SST2)
SI=1/(34.52-719.46×CHL+3857.76×CHL2)
SI=1/(1129.19-2086.94×SSH+964.84×SSH2)
SI=1/(79835.86-4816.52×SSS+72.65×SSS2);
秋季不同环境因子的适应性指数(SI):
SI=1/(1438.76-101.92×SST+1.81×SST2)
SI=1/(202.26-3041.69×CHL+14208.34×CHL2)
SI=1/(383.75-720.49×SSH+338.99×SSH2)
SI=1/(40447.21-2469.62×SSS+37.70×SSS2);
冬季不同环境因子的适应性指数(SI):
SI=1/(513.47-40.28×SST+0.79×SST2)
SI=1/(113.74-1505.14×CHL+5023.50×CHL2)
SI=1/(593.26-1170.35×SSH+578.10×SSH2)
SI=1/(33548.50-2040.68×SSS+31.03×SSS2)。
所述步骤(3)中栖息地适应性指数(HSI)的模型如下:
春季鸢乌贼渔场栖息地适应性指数(HSI)模型:
HSI=0.7×SISST+0.1×SICHL+0.1×SISSS+0.1×SISSH
夏季鸢乌贼渔场栖息地适应性指数(HSI)模型:
HSI=1×SICHL
秋季鸢乌贼渔场栖息地适应性指数(HSI)模型:
HSI=0.7×SICHL+0.1×SISST+0.1×SISSS+0.1×SISSH
冬季鸢乌贼渔场栖息地适应性指数(HSI)模型:
HSI=1×SISST
所述步骤(4)中栖息地适应性指数即为预报该点位置出现南海鸢乌贼渔场渔情的准确率。
与现有技术相比,本发明具有以下有益效果:
(1)本发明方法采用一般加法模型(GAM)先对所能获取到的各种海洋环境要素进行筛选,选出影响南海鸢乌贼栖息地质量的环境因子,再用环境因子与鸢乌贼生物量建立对应关系,不同环境因子赋予不同的权重系数,经过验证,最终确定了不同季节不同环境因子的权重系数,得到了不同季节南海鸢乌贼渔场栖息地指数的计算方法,从而实现了对南海鸢乌贼渔场分布进行有效预报。
(2)本发明方法按月份收集整合渔业数据和环境数据,建立栖息地适应性指数模型,将环境数据带入模型进行运算,对运算结果进行可视化分析,找出渔场可能出现的范围,可以实现对南海鸢乌贼渔情做短期预报,反映头足类资源短时间内栖息地的变化。
(3)本发明的方法证实了南海鸢乌贼渔场分布季节性变化明显,并确认了不同季节影响南海鸢乌贼渔场分布的环境因子,分别为春季鸢乌贼渔场分布对海表温度较为敏感,夏季鸢乌贼渔场分布的主要因子为叶绿素a浓度,秋季鸢乌贼渔场分布对叶绿素a浓度较为敏感,冬季影响鸢乌贼渔场分布的主要因子为海表温度,渔情预报准确率分别为83%、86%、88%和90%,可以有效预报南海鸢乌贼不同季节渔场的分布位置,准确率高。
附图说明
图1a是本发明南海鸢乌贼渔情预报方法建模的流程图;
图1b是本发明南海鸢乌贼渔情预报方法的流程图;
图2是本发明建立模型过程南锋专项声学走航范围示意图;
图3是本发明不同季节环境因子海表温度的适宜性曲线图;
图4是本发明不同季节环境因子叶绿素a浓度的适宜性曲线图;
图5是本发明不同季节环境因子海表盐度的适宜性曲线图;
图6是本发明不同季节环境因子海面高度的适宜性曲线图;
图7是本发明建立模型过程春季南海鸢乌贼渔场预报位置与实际分布位置对照图;
图8是本发明建立模型过程夏季南海鸢乌贼渔场预报位置与实际分布位置对照图;
图9是本发明建立模型过程秋季南海鸢乌贼渔场预报位置与实际分布位置对照图;
图10是本发明建立模型过程冬季南海鸢乌贼渔场预报位置与实际分布位置对照图;
图11是本发明建立模型过程南海鸢乌贼渔场预报结果与实际值对照示意图;
图12是本发明实施例春季南海鸢乌贼渔场预报位置与实际分布位置对照图;
图13是本发明实施例夏季南海鸢乌贼渔场预报位置与实际分布位置对照图;
图14是本发明实施例秋季南海鸢乌贼渔场预报位置与实际分布位置对照图;
图15是本发明实施例冬季南海鸢乌贼渔场预报位置与实际分布位置对照图。
具体实施方式
下面结合实施例,详细说明本发明的技术方案,以便本领域技术人员更好地理解和实施本发明的技术方案。
如图1a,本发明南海鸢乌贼渔情预报的方法其模型建立过程,包括以下步骤:
(1)按照月份对渔场数据和环境数据进行整合,得到原始数据,对原始数据进行预处理,选出影响栖息地质量的环境因子,建立鸢乌贼渔场与环境相对应的数据库,具体步骤如下:
渔场数据来自南锋专项2014年春、夏、秋、冬4个季节调查的声学走航数据,走航范围如图2所示,渔场数据包括时间、经纬度、产量/资源量、下网次数等。
环境数据来自美国国家海洋和大气管理局(National Oceanic and AtmosphericAdministration,NOAA)的海洋环境遥感产品(http://coastwatch.pfeg.noaa.gov/erddap/info/index.html),数据均选取声学走航当天的数据。
按照月份将渔场数据和环境数据进行整合,得到原始数据,采用一般加法模型(GAM)对所获取到的各种海洋环境要素进行筛选,获得影响栖息地质量的海洋环境因子包括海表温度(Sea Surface Temperature,SST)、叶绿素a浓度(Chlorophyll-aconcentration,CHL)、海表盐度(Sea Surface Salinity,SSS)、海面高度(Sea SurfaceHeight,SSH),建立鸢乌贼渔场与环境相对应的数据库。
(2)从数据库中选取数据并进行处理,具体过程如下:
基于栖息地指数模型原理,将生物量分别与海表温度(SST)、叶绿素a浓度(CHL)、海表盐度(SSS)、海面高度(SSH)建立适应性指数(SI)模型。假设每季度调查生物量Y最多的海域其栖息地指数为1,生物量为0时栖息地指数为0,各因子的栖息地指数模型如下:
式中,SI为该季度的适应性指数;Y max为该季度调查的生物量最大值。
表1各环境因子SI模型
Tab.1SI model of factors
根据渔场数据做出渔场的时空分布图,找出各个季节环境因子的适宜范围,见表2,进而通过一元非线性回归对不同环境因子分季节分别建立适应性指数SI模型,见表1,拟合出各个环境因子的适宜性曲线,见图3-6;
表2.各季节各环境因子最适值
Tab2.Optimum value of each factors
(3)采用最小值法、连乘法、算数平均值法和几何平均值法对各个环境因子的适宜性曲线进行建模,,通过AIC准则选出不同建模方式中最优的方法为一元非线性回归,对不同的环境因子赋予不同的权重系数建立栖息地适应性指数(HSI)模型,对建立的模型进行精度验证,确定模型的可靠性,确定不同环境因子的权重系数,得到不同季节栖息地适应性指数(HSI)模型。
采用一元非线性回归建立各环境因子与栖息地适应性指数的关系,将各单因子适应性模型赋予不同权重系数a,其余因子权重系数为(1-a)/3,进而建立栖息地适应性指数(HSI)模型,如下所示。
式中a分别取0.25、0.5、0.6、0.7、1。取值大于0.7时,其余各因子系数均小于0.1,对模型的贡献度极小,故可忽略。
分不同季节,对不同因子模型赋予不同的权重系数a,通过计算HSI值与实际值之差来判断模型准确率,二者之差小于等于0.4,则认为模型准确,继而选择不同的权重系数,结果见表3-表6。
表3.春季不同权重系数的模型准确率
Tab3.The model accuracy of different weight coefficient in spring
从表3可知,春季当SST-SI的权重系数a为0.7时,其余CHL-SI、SSS-SI、SSH-SI的系数均为0.1,模型准确度最高为83%,故而春季鸢乌贼渔场对SST较为敏感,鸢乌贼渔场栖息地适应性指数(HSI)模型如下:
HSI=0.7×SISST+0.1×SICHL+0.1×SISSS+0.1×SISSH
表4夏季不同权重系数的模型准确率
Tab4.The model accuracy of different weight coefficient in summer
从表4可知,夏季当CHL-SI的权重系数为1时,其余各因子权重系数均为0,模型准确度最高为86%,故而夏季影响鸢乌贼渔场的主要因子为CHL,鸢乌贼渔场栖息地适应性指数(HSI)模型如下:
HSI=1×SICHL
表5秋季不同权重系数的模型准确率
Tab5.The model accuracy of different weight coefficient in autumn
从表5可知,秋季当CHL-SI的权重系数为0.7,其余因子权重系数为0.1时,模型准确度最高为88%,故而秋季鸢乌贼渔场对CHL较为敏感,鸢乌贼渔场栖息地适应性指数(HSI)模型如下:
HSI=0.7×SICHL+0.1×SISST+0.1×SISSS+0.1×SISSH
表6冬季不同权重系数的模型准确率
Tab6.The model accuracy of different weight coefficient in winter
从表6可知,冬季当SST-SI的权重系数为1,其余因子权重系数为0时,模型准确度最高为90%,故而冬季影响鸢乌贼渔场分布的主要因子为SST,鸢乌贼渔场栖息地适应性指数(HSI)模型如下:
HSI=1×SISST
(4)将数据库中未用于建立模型的其他数据的环境因子带入不同季节栖息地适应性指数计算公式用服务器进行运算,并对运算结果进行图像化处理,得到栖息地适应性指数(HSI)分布图,直观找出渔场可能出现的范围,并将结果输出到客户端,见图7-图11,叠加声学走航所测生物量的实际值,利用Marine Explorer 4.0对不同季节进行分析,各季节鸢乌贼生物量较高的点均出现在模型拟合值较高点。
下面运用上述建立的不同季节鸢乌贼渔场栖息地适应性指数模型对鸢乌贼渔情不同季节分布情况进行预报。
如图1b所示一种南海鸢乌贼渔情预报的方法,其包括以下步骤:
(1)选取南海中南部海域进行南海鸢乌贼渔情预报,海域经度范围为东经109o到118o,纬度范围为北纬5o到北纬18o,在该海域范围内以经度0.1°和纬度0.1°间隔选取不同的点,并获取相应位置的海表温度(SST)、叶绿素a浓度(CHL)、海表盐度(SSS)、海面高度(SSH)数据;
(2)根据不同季节不同环境因子与适应性指数(SI)的关系,得到选取点位置的适应性指数(SI),其计算如下:
春季不同环境因子的适应性指数(SI):
SI=1/(2169.41-162.48×SST+3.04×SST2)
SI=1/(76.78-1258.66×CHL+5197.66×CHL2)
SI=1/(453.14-845.28×SSH+394.91×SSH2)
SI=1/(309094.40-18702.97×SSS+282.92×SSS2);
夏季不同环境因子的适应性指数(SI):
SI=1/(998.89-69.12×SST+1.19×SST2)
SI=1/(34.52-719.46×CHL+3857.76×CHL2)
SI=1/(1129.19-2086.94×SSH+964.84×SSH2)
SI=1/(79835.86-4816.52×SSS+72.65×SSS2);
秋季不同环境因子的适应性指数(SI):
SI=1/(1438.76-101.92×SST+1.81×SST2)
SI=1/(202.26-3041.69×CHL+14208.34×CHL2)
SI=1/(383.75-720.49×SSH+338.99×SSH2)
SI=1/(40447.21-2469.62×SSS+37.70×SSS2);
冬季不同环境因子的适应性指数(SI):
SI=1/(513.47-40.28×SST+0.79×SST2)
SI=1/(113.74-1505.14×CHL+5023.50×CHL2)
SI=1/(593.26-1170.35×SSH+578.10×SSH2)
SI=1/(33548.50-2040.68×SSS+31.03×SSS2)。
(3)根据不同季节适应性指数(SI)与栖息地适应性指数(HSI)的关系,得到选取点位置的栖息地适应性指数(HSI),其计算如下;
春季鸢乌贼渔场栖息地适应性指数(HSI)模型:
HSI=0.7×SISST+0.1×SICHL+0.1×SISSS+0.1×SISSH
夏季鸢乌贼渔场栖息地适应性指数(HSI)模型:
HSI=1×SICHL
秋季鸢乌贼渔场栖息地适应性指数(HSI)模型:
HSI=0.7×SICHL+0.1×SISST+0.1×SISSS+0.1×SISSH
冬季鸢乌贼渔场栖息地适应性指数(HSI)模型:
HSI=1×SISST;
(4)将进行渔情预报海域范围内选取点位置与其相对应的栖息地适应性指数(HSI),进行图像化处理,得到栖息地适应性指数(HSI)分布图,如图12-图15,栖息地适应性指数高的位置渔场出现概率高,反之则出现概率低,图中标注的圆形区域,即为鸢乌贼渔场分布位置。
可以看出生物量高的点均出现在HSI高的海域,其余HSI高,但是没有渔场数据的位置是潜在的渔场,可以进行进一步的探捕调查。
本实施例通过对获取的鸢乌贼渔场数据和环境数据进行分析处理,筛选出影响栖息地质量的环境因子,建立不同模型,对最优模型进行验证,确认不同环境因子对栖息地适应性指数影响的权重,得到计算栖息地适应性指数的计算公式,将现有需进行渔情预报海域的环境因子带入栖息地适应性指数公式,计算出该海域内各位置的栖息地指数,并进行可视化分析得到栖息地适应性指数分布图,可直观找出鸢乌贼渔场分布位置。
本实施例的方法环境数据的获取基本可以实现实时同步更新,可以实现对南海鸢乌贼渔情做短期预报,反映头足类资源短时间内栖息地的变化;证实了南海鸢乌贼渔场分布季节性变化明显,并确认了不同季节影响南海鸢乌贼渔场分布的环境因子,不同季节渔情预报准确率分别为83%、86%、88%和90%,可以有效预报南海鸢乌贼不同季节渔场的分布位置。
以上实施例仅为本发明的部分实施例,但并不能作为对本发明的限制,任何基于本发明构思基础上做出的改进和变形,均落入本发明的保护范围之内,具体保护范围以权利要求书记载的为准。
Claims (6)
1.一种南海鸢乌贼渔情预报的方法,其特征在于,包括以下步骤:
(1)在需进行南海鸢乌贼渔情预报的海域范围内选取不同的点,并获取相应位置影响鸢乌贼栖息地质量的环境因子;
(2)根据不同季节不同环境因子与适应性指数(SI)的模型,得到选取点位置的适应性指数(SI);
(3)根据不同季节适应性指数(SI)与栖息地适应性指数(HSI)的模型,得到选取点位置的栖息地适应性指数(HSI);
(4)将进行渔情预报海域范围内选取点位置与其相对应的栖息地适应性指数(HSI),进行图像化处理,得到栖息地适应性指数(HSI)分布图,即可预报鸢乌贼渔场出现的范围。
2.根据权利要求1所述的南海鸢乌贼渔情预报的方法,其特征在于,所述步骤(1)中不同的点通过经度和纬度确定。
3.根据权利要求1所述的南海鸢乌贼渔情预报的方法,其特征在于,所述步骤(1)中影响鸢乌贼栖息地质量的环境因子为海表温度(SST)、叶绿素a浓度(CHL)、海表盐度(SSS)、海面高度(SSH)。
4.根据权利要求1所述的南海鸢乌贼渔情预报的方法,其特征在于,所述步骤(2)中适应性指数(SI)为环境因子与鸢乌贼生物量Y建立的对应关系,其模型如下:
式中,SI为该季度的适应性指数;Ymax为该季度调查的生物量最大值。
5.根据权利要求1所述的南海鸢乌贼渔情预报的方法,其特征在于,所述步骤(2)中适应性指数(SI)的模型如下:
春季不同环境因子的适应性指数(SI):
SI=1/(2169.41-162.48×SST+3.04×SST2)
SI=1/(76.78-1258.66×CHL+5197.66×CHL2)
SI=1/(453.14-845.28×SSH+394.91×SSH2)
SI=1/(309094.40-18702.97×SSS+282.92×SSS2);
夏季不同环境因子的适应性指数(SI):
SI=1/(998.89-69.12×SST+1.19×SST2)
SI=1/(34.52-719.46×CHL+3857.76×CHL2)
SI=1/(1129.19-2086.94×SSH+964.84×SSH2)
SI=1/(79835.86-4816.52×SSS+72.65×SSS2);
秋季不同环境因子的适应性指数(SI):
SI=1/(1438.76-101.92×SST+1.81×SST2)
SI=1/(202.26-3041.69×CHL+14208.34×CHL2)
SI=1/(383.75-720.49×SSH+338.99×SSH2)
SI=1/(40447.21-2469.62×SSS+37.70×SSS2);
冬季不同环境因子的适应性指数(SI):
SI=1/(513.47-40.28×SST+0.79×SST2)
SI=1/(113.74-1505.14×CHL+5023.50×CHL2)
SI=1/(593.26-1170.35×SSH+578.10×SSH2)
SI=1/(33548.50-2040.68×SSS+31.03×SSS2)。
6.根据权利要求1所述的南海鸢乌贼渔情预报的方法,其特征在于,所述步骤(3)中栖息地适应性指数(HSI)模型如下:
春季鸢乌贼渔场栖息地指数(HSI)模型:
HSI=0.7×SISST+0.1×SICHL+0.1×SISSS+0.1×SISSH
夏季鸢乌贼渔场栖息地指数(HSI)模型:
HSI=1×SICHL
秋季鸢乌贼渔场栖息地指数(HSI)模型:
HSI=0.7×SICHL+0.1×SISST+0.1×SISSS+0.1×SISSH
冬季鸢乌贼渔场栖息地指数(HSI)模型:
HSI=1×SISST。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810672158.1A CN109165766A (zh) | 2018-06-26 | 2018-06-26 | 一种南海鸢乌贼渔情预报的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810672158.1A CN109165766A (zh) | 2018-06-26 | 2018-06-26 | 一种南海鸢乌贼渔情预报的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109165766A true CN109165766A (zh) | 2019-01-08 |
Family
ID=64897300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810672158.1A Pending CN109165766A (zh) | 2018-06-26 | 2018-06-26 | 一种南海鸢乌贼渔情预报的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165766A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767040A (zh) * | 2019-01-15 | 2019-05-17 | 上海海洋大学 | 基于栖息地指数的秋刀鱼中心渔场预测方法 |
CN109902761A (zh) * | 2019-03-18 | 2019-06-18 | 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 |
CN111680844A (zh) * | 2020-06-14 | 2020-09-18 | 上海海洋大学 | 一种基于水温垂直结构的西南大西洋阿根廷滑柔鱼栖息地评估和预测技术方法 |
CN112507533A (zh) * | 2020-11-24 | 2021-03-16 | 上海海洋大学 | 一种基于海洋环境因子的鸢乌贼生长模型的构建方法 |
CN112825797A (zh) * | 2020-12-31 | 2021-05-25 | 上海海洋大学 | 一种基于海洋环境因子的鸢乌贼角质颚生长模型的构建方法 |
CN114897383A (zh) * | 2022-05-20 | 2022-08-12 | 中国水产科学研究院南海水产研究所 | 一种基于数据填补的渔情数据处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809479A (zh) * | 2015-05-18 | 2015-07-29 | 上海海洋大学 | 基于支持向量机的鱼类栖息地适宜性指数建模方法 |
CN107578125A (zh) * | 2017-08-29 | 2018-01-12 | 上海海洋大学 | 基于不同权重海洋环境因子的摩洛哥头足类渔场预报方法 |
CN107609691A (zh) * | 2017-08-29 | 2018-01-19 | 上海海洋大学 | 基于栖息地指数的毛里塔尼亚头足类渔场预报方法 |
-
2018
- 2018-06-26 CN CN201810672158.1A patent/CN109165766A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809479A (zh) * | 2015-05-18 | 2015-07-29 | 上海海洋大学 | 基于支持向量机的鱼类栖息地适宜性指数建模方法 |
CN107578125A (zh) * | 2017-08-29 | 2018-01-12 | 上海海洋大学 | 基于不同权重海洋环境因子的摩洛哥头足类渔场预报方法 |
CN107609691A (zh) * | 2017-08-29 | 2018-01-19 | 上海海洋大学 | 基于栖息地指数的毛里塔尼亚头足类渔场预报方法 |
Non-Patent Citations (2)
Title |
---|
范江涛等: "基于栖息地模型的南沙海域鸢乌贼渔情预报研究", 《南方水产科学》 * |
范江涛等: "基于海洋环境因子和不同权重系数的南海中沙西沙海域鸢乌贼渔场分析", 《南方水产科学》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767040A (zh) * | 2019-01-15 | 2019-05-17 | 上海海洋大学 | 基于栖息地指数的秋刀鱼中心渔场预测方法 |
CN109767040B (zh) * | 2019-01-15 | 2023-09-15 | 上海海洋大学 | 基于栖息地指数的秋刀鱼中心渔场预测方法 |
CN109902761A (zh) * | 2019-03-18 | 2019-06-18 | 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 |
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 |
CN111680844A (zh) * | 2020-06-14 | 2020-09-18 | 上海海洋大学 | 一种基于水温垂直结构的西南大西洋阿根廷滑柔鱼栖息地评估和预测技术方法 |
CN111680844B (zh) * | 2020-06-14 | 2024-01-05 | 上海海洋大学 | 一种基于水温垂直结构的西南大西洋阿根廷滑柔鱼栖息地评估和预测技术方法 |
CN112507533A (zh) * | 2020-11-24 | 2021-03-16 | 上海海洋大学 | 一种基于海洋环境因子的鸢乌贼生长模型的构建方法 |
CN112507533B (zh) * | 2020-11-24 | 2023-03-14 | 上海海洋大学 | 一种基于海洋环境因子的鸢乌贼生长模型的构建方法 |
CN112825797A (zh) * | 2020-12-31 | 2021-05-25 | 上海海洋大学 | 一种基于海洋环境因子的鸢乌贼角质颚生长模型的构建方法 |
CN112825797B (zh) * | 2020-12-31 | 2022-12-30 | 上海海洋大学 | 一种基于海洋环境因子的鸢乌贼角质颚生长模型的构建方法 |
CN114897383A (zh) * | 2022-05-20 | 2022-08-12 | 中国水产科学研究院南海水产研究所 | 一种基于数据填补的渔情数据处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165766A (zh) | 一种南海鸢乌贼渔情预报的方法 | |
Kendall et al. | Patterns of scale-dependency and the influence of map resolution on the seascape ecology of reef fish | |
CN109284771B (zh) | 一种番茄生长模型判定方法及装置 | |
CN102135531A (zh) | 大型浅水湖泊72小时蓝藻水华预测方法 | |
CN111680866B (zh) | 一种海洋生态保护重要性的评价方法、应用和装置 | |
CN113221765B (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
CN110580474B (zh) | 一种基于多源数据的农田重金属高风险区遥感快速识别方法 | |
CN108983324A (zh) | 一种基于卡尔曼滤波的气温预报方法及系统 | |
CN110243936A (zh) | 一种原位无损伤测定沉水植物生物量的方法 | |
CN115575601A (zh) | 基于水汽通量散度的植被旱灾指数评估方法和系统 | |
CN116227758A (zh) | 基于遥感技术和深度学习的农产品成熟度预测方法及系统 | |
Shafer et al. | Development and validation of a habitat suitability model for the non-indigenous seagrass Zostera japonica in North America. | |
Desmet et al. | Tracking the space‐time evolution of ocean acidification extremes in the California Current System and Northeast Pacific | |
CN107578125A (zh) | 基于不同权重海洋环境因子的摩洛哥头足类渔场预报方法 | |
CN109444957B (zh) | 基于决策树评价的水合物储层地震预测方法及处理终端 | |
Masud-Ul-Alam et al. | Surface temperature and salinity in the northern Bay of Bengal: in situ measurements compared with satellite observations and model output | |
Barlow et al. | Predictive modeling of cetacean densities in the eastern Pacific Ocean | |
CN110929222A (zh) | 基于遥感植被冠层水分指数的灌溉农田识别方法 | |
Fauchald et al. | Arctic-breeding seabirds’ hotspots in space and time-A methodological framework for year-round modelling of environmental niche and abundance using light-logger data | |
Bacopoulos et al. | Sea-level rise impact on salt marsh sustainability and migration for a subtropical estuary: GTMNERR (Guana Tolomato Matanzas National Estuarine Research Reserve) | |
CN117288257A (zh) | 基于水下探测设备智能监测海洋环境的方法、装置及系统 | |
Tiktak et al. | Uncertainty in a regional‐scale assessment of cadmium accumulation in the Netherlands | |
Valley et al. | Accuracy and precision of hydroacoustic estimates of aquatic vegetation and the repeatability of whole-lake surveys: Field tests with a commercial echosounder | |
Beazley et al. | Characteristics of environmental data layers for use in species distribution modelling in the Gulf of St. Lawrence | |
Hasyim et al. | The use of statistical models in identifying skipjack tuna habitat characteristics during the Southeast Monsoon in the Bone Gulf, Indonesia |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190108 |
|
WD01 | Invention patent application deemed withdrawn after publication |