CN110555567A - 用于鱼汛预测的方法、系统和装置 - Google Patents

用于鱼汛预测的方法、系统和装置 Download PDF

Info

Publication number
CN110555567A
CN110555567A CN201910853192.3A CN201910853192A CN110555567A CN 110555567 A CN110555567 A CN 110555567A CN 201910853192 A CN201910853192 A CN 201910853192A CN 110555567 A CN110555567 A CN 110555567A
Authority
CN
China
Prior art keywords
data
life history
marine
key
target resource
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
Application number
CN201910853192.3A
Other languages
English (en)
Inventor
景军
赵恒�
郭超颖
刘志国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Rainbow Fish Marine Polytron Technologies Inc
Original Assignee
Shanghai Rainbow Fish Marine Polytron Technologies Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Rainbow Fish Marine Polytron Technologies Inc filed Critical Shanghai Rainbow Fish Marine Polytron Technologies Inc
Priority to CN201910853192.3A priority Critical patent/CN110555567A/zh
Publication of CN110555567A publication Critical patent/CN110555567A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Databases & Information Systems (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

提供了用于鱼汛预测的方法、系统和装置。该方法包括：分析目标资源的生活史，以得到该目标资源的多个生活史阶段。收集针对该目标资源的多个生活史阶段的海洋数据，所收集的海洋数据包括针对多个指标的数据。对所收集的海洋数据进行清洗。经清洗的海洋数据进行分析，以从多个指标中提取关键指标。基于所提取的关键指标来构建针对多个生活史阶段中每个生活史阶段的阶段性鱼汛预测模型。

Description

用于鱼汛预测的方法、系统和装置
技术领域
本发明涉及鱼汛预测，更具体地，涉及基于历史渔获和海洋监测数据的鱼汛预测。
背景技术
鱼汛一般指鱼类或其他水产经济动物高度集中适合于捕捞的时期。鱼汛期的长短，不仅取决于鱼类(或其他经济水产动物)的生物学特性，而且还与渔场的地理位置、年度的变化以及海洋环境条件的变化等有关。因此，准确地掌握好鱼汛期是渔业生产取得高产的重要保证，也是提高渔业生产效率的重要条件之一。鱼汛预测是指对未来一定时期和一定水域范围内水产资源状况各要素，如渔期、渔场、鱼群数量和质量以及可能达到的渔获量等所作出的预报。其预报的基础就是鱼类行动和生物学状况与环境条件之间的关系及其规律，以及各种实时的汛前调查所获得的渔获量、资源状况、海洋环境等各种渔海况资料。
一般而言，海洋鱼类生活史中大多存在数个洄游阶段，诸如：生殖洄游、索饵洄游或越冬洄游现象。不同的洄游阶段所处的不同的海洋环境对于鱼量会产生一定的影响。然而，目前采用的鱼汛预测模型没有对海洋鱼类生活史的不同阶段建立相对应的预测模型，并不能反映出海洋鱼类在洄游过程中途径的不同海洋环境对其的影响。
因此，需要一种能够基于海洋鱼类生活史不同阶段的预测模型来提高鱼汛预测的准确度。
发明内容
提供本发明内容以便以简化形式介绍将在以下具体实施方式中进一步的描述一些概念。本发明内容并非旨在标识所要求保护的主题的关键特征或必要特征，也不旨在用于帮助确定所要求保护的主题的范围。
海洋鱼类生活史中的不同阶段生活的环境存在差异，对环境因子的敏感程度存在差异，因此基于海洋大数据、渔业大数据和人为活动数据建立海洋鱼类生活史不同阶段的预测模型对于提高鱼汛预测的准确度具有重要意义。
根据本发明的一个实施例，提供了一种用于鱼汛预测的方法。该方法包括：分析目标资源的生活史，以得到该目标资源的多个生活史阶段，该目标资源包括特定种类的鱼。收集针对该目标资源的多个生活史阶段的海洋数据，所收集的海洋数据包括针对多个指标的数据。对所收集的海洋数据进行清洗。经清洗的海洋数据进行分析，以从多个指标中提取关键指标，该关键指标表示在多个生活史阶段中的每个生活史阶段对目标资源产生影响的主要因素。基于所提取的关键指标来构建针对多个生活史阶段中每个生活史阶段的阶段性鱼汛预测模型。
根据本发明的另一个实施例，提供一种用于鱼汛预测的装置，该装置包括：数据分析装置，所述数据分析装置被配置用于分析目标资源的生活史，以得到所述目标资源的多个生活史阶段，所述目标资源包括特定种类的鱼。该装置还包括数据收集装置，所述数据收集装置被配置用于收集针对所述目标资源的所述多个生活史阶段的海洋数据，所收集的海洋数据包括针对多个指标的数据。该装置还包括数据清洗装置，所述数据清洗装置被配置用于对所收集的海洋数据进行清洗。该装置还包括关键指标提取装置，所述关键指标提取装置被配置用于对经清洗的海洋数据进行分析，以从所述多个指标中提取关键指标，所述关键指标表示在所述多个生活史阶段中的每个生活史阶段对所述目标资源产生影响的主要因素。该装置进一步包括模型构建装置，所述模型构建装置被配置用于基于所提取的关键指标来构建针对所述多个生活史阶段中每个生活史阶段的阶段性鱼汛预测模型。
根据本发明的又一个实施例，提供了一种用于鱼汛预测的系统，包括：处理器；存储器；以及如上述所述的装置。
通过阅读下面的详细描述并参考相关联的附图，这些及其他特点和优点将变得显而易见。应该理解，前面的概括说明和下面的详细描述只是说明性的，不会对所要求保护的各方面形成限制。
附图说明
为了能详细地理解本发明的上述特征所用的方式，可以参照各实施例来对以上简要概述的内容进行更具体的描述，其中一些方面在附图中示出。然而应该注意，附图仅示出了本发明的某些典型方面，故不应被认为限定其范围，因为该描述可以允许有其它等同有效的方面。
图1示出了根据本发明的一个实施例的用于鱼汛预测的方法100的流程图。
图2示出了根据本发明的一个实施例的某鱼类在某海域的洄游路线图200。
图3示出了根据本发明的一个实施例的所构建的模型示意图。
图4示出了基于图2的示例的被可视化的鱼汛预测模型的图示400。
图5示出了根据本发明的一个实施例的用于鱼汛预测的装置500的框图。
图6示出了根据本发明的一个实施例的示例性计算设备600的框图。
具体实施方式
下面结合附图详细描述本发明，本发明的特点将在以下的具体描述中得到进一步的显现。
以下具体描述参考示出本发明的示例性实施例的附图。但是，本发明的范围不限于这些实施例，而是由所附权利要求书定义。因此，诸如所示实施例的修改版本之类的在附图所示之外的实施例仍然由本发明所包含。
本说明书中对“一个实施例”、“实施例”、“示例实施例”等的引用指的是所述实施例可包括特定的特征、结构或特点，但是每一实施例不一定包括该特定的特征、结构或特点。此外，这些短语不一定指相同的实施例。此外，当结合实施例描述具体特征、结构或特性时，应当理解在相关领域的技术人员的知识范围内能够结合其他实施例来实现具体特征、结构或特性，无论是否被显式地描述。
海洋鱼类生活史中大多存在生殖、索饵或越冬洄游现象，针对不同阶段所处环境构建针对性的鱼汛预测模型能保证其适用性和实用性。海洋大数据作为“大数据”的典范具有数据量大、类型繁多、价值密度低、速度快时效高和在线式五大特征，全面抓取潜在的影响因素能保证鱼汛预测模型的准确性。数据的收集主要依靠实地调查监测进行，同时与公开历史数据和通过网络爬虫抓取的公共数据相结合，从而保证鱼汛数据和影响因素的全面性和积累量。通过数据清洗实现数据的准确化、结构化、逻辑化，尽可能避免因极个别劣质数据对鱼汛预测模型的影响。数据分析遵循简约、纵观、解释和智慧原则，建立数据库并筛选出影响鱼汛特征的关键性因素。采用统计学方法建立鱼汛预测模型，并通过数据库存储的历史数据进行模型校正，提高预测准确性。结合地理信息系统形成基于鱼类生活史的可视化鱼汛预测模型。
参考图1，图1示出了根据本发明的一个实施例的用于鱼汛预测的方法100的流程图。例如，方法100可以在至少一个处理器(例如，图6的处理器604)内实现，该处理器可以位于计算机、远程服务器、或其组合中。当然，在本发明的各个方面，方法100还可以由能够执行相关操作的任何合适的装置来实现。
方法100开始于步骤110。在步骤110，分析目标资源的生活史。根据本发明的一个实施例，目标资源一般指某个海域的某种鱼类。针对该鱼类，基于资料检索和实地调研探明该鱼类的生活史地图，明确其产卵场、洄游路线、索饵场等场景。资料检索可结合相关部门(诸如政府渔业部门，商业捕鱼公司等)公开的历史海洋数据和鱼汛数据以及网络爬虫抓取的网上相关历史公共数据，从而保证鱼汛数据和影响因素的全面性和积累量。图2示出了基于步骤110所得出的某鱼类在某海域的洄游路线图200。根据本发明的一个实施例，路线图200示出了该鱼类的四个生活史阶段，即产卵场201，索饵洄游路线202，索饵区203，生殖洄游路线204。其中，箭头代表洄游方向。
在步骤120，收集针对目标资源的不同生活史阶段的海洋数据。根据本发明的一个实施例，海洋数据主要包括以下3种方式获得的数据：(1)实地调查监测数据；(2)利用网络爬虫技术获取的公共数据；以及(3)相关部门公开的历史数据。其中，最主要的数据来源为实地调查监测数据，因为这部分数据最具有针对性、延续性。其次，利用网络爬虫技术获取的公共数据所包含的类别通常而言更加全面。此外，相关部门的历史数据一般而言较为权威和准确，是预测模型建立的重要支撑。通过将以上三种方式获取的数据相组合，鉴于每种获取方式所具有的特点，可以使用于建立预测模型的海洋数据更加准确和全面。本领域的技术人员完全可以理解，通过其他方式获取的数据(诸如基于人工智能方式得到的先验数据)也在本发明的范围之内。
要建立准确的鱼汛预测模型需要从复杂的海洋数据中筛选出对于鱼汛的规模和时间有潜在影响的环境因子。目前，一般采用以下几种指标来进行预报：以水文资料为基础，利用水文状况与渔获量之间的关系进行预报；以渔获量统计为基础，即以总渔获量和单位捕捞努力量渔获量为基础，进行分析预报；以鱼类群体生物学指标为基础，并根据其变化提示群体数量和生物量的变动。但是，第一、第二种方法完全忽略了鱼类群体状况，没有考虑对象的生物特征。第三种方法虽然以鱼类群体生物学指标为基础，但是并没有考虑水文状况。
根据本发明的一个实施例，所收集的海洋数据不仅采用鱼类群体生物学指标，同时也利用渔获量统计和水文资料等指标，使得所构建的预测模型更为准确。根据本发明的一个实施例，需要收集的海洋数据至少包括涵盖以下7种指标的数据：海洋水文数据(诸如海水温度、盐度、透明度、潮汐、洋流、风暴潮等)、海洋气象数据(诸如太阳辐射、气压、降水等)、海水水质数据(诸如pH值、溶解氧、化学需氧量、重金属、有机氯农药等)、海洋灾害数据(诸如风暴潮、海底地震、海啸、赤潮等)、海洋生物数据(诸如初级生产力、目标资源生物量、繁殖率、死亡率、生长率、被捕食率、饵料资源等)、人为因素数据(诸如海洋交通数据等)和历史渔获数据(诸如目标资源渔获量、上市时间、持续时间、市场规模等)等。然而，需要注意的是，以上列出的指标仅仅是说明性的，本领域的技术人员完全可以理解在具体实践中，取决于不同的海洋环境和评价需求，所采用的指标可以多于或少于以上列出的指标，或者所采用的指标可以不同于以上列出的指标。
在步骤130，对所收集的海洋数据进行清洗。一般来说，数据清洗是将所获取的数据精简以除去重复记录，并使剩余部分转换成标准可接收格式的过程。数据清洗从数据的准确性、完整性、一致性、惟一性、适时性、有效性几个方面来处理数据的丢失值、越界值、不一致代码、重复数据等问题。
如以上所说，本发明可至少采用三种方式来获得海洋数据。通过各种方式获取的海洋数据一般可具有不同的格式，诸如文本、表格、图表等，因此，需要将不同格式的数据转换统一的格式。此外，由于所获取的海洋数据是从多个来源中抽取而来，这样就避免不了有的数据是错误的、有的数据是缺失的、还有的数据相互之间有冲突，这些数据显然是不理想的，称为“脏数据”。因此，需要通过数据清洗来实现不同来源数据的准确化、结构化、逻辑化，尽可能避免因极个别劣质数据对鱼汛预测模型的影响。
数据清洗一般针对具体应用，因而难以归纳统一的方法和步骤，但是根据数据不同可以给出相应的数据清洗方法。根据本发明的一个实施例，数据清洗主要包括劣质数据的删除或修正以及多元数据的标准化和融合处理。对于获取的多元数据进行标准化处理和数据融合，主要实现两个目标：1)将各种非结构化数据转换为可比较、运算的结构化数据；2)通过合理的标准化手实现数据差异的放大和融合。由此，针对海洋数据的数据清洗可包括以下中的一种或多种：纠正错误，删除重复，统一规格，修正逻辑，转换构造，数据压缩，补足缺失。本领域的技术人员完全可以理解，其他类型的数据清洗也在本发明的范围之内。
在步骤140，对经过清洗的海洋数据进行分析，提取用于预测模型的关键指标。根据本发明的一个实施例，将得到的经清洗的海洋数据按照海洋鱼类生活史的不同阶段来构建数据库。继续图2的示例，将所得到的针对某鱼类的海洋数据构建为四个分别针对产卵场201，索饵洄游路线202，索饵区203，生殖洄游路线204的数据表。根据本发明的一个实施例，所构建的数据表被存储在数据库中。其他未被使用在数据表中的历史数据也可被存储在数据库中以供后续的模型校正。该数据库可被实现在云端或远端的服务器处，以通过分布式存储平台实现鱼汛预测相关数据的有效存储。
出于简化说明目的，本发明仅仅列出了针对产卵场201的数据表(表格1)，其记录了在不同的历史时间针对7个指标的数据。根据本发明的一个实施例，所选取的历史时间的时间段一般和现有的渔业生产基本汛期一致。例如，某鱼类的产卵期为4月，则在表格1中所选择的历史时间为历史年份的4月(诸如2001年4月，2002年4月，2003年4月等等)，相应的7个指标的数据则为针对相应历史时间的所收集的数据。
如本领域的技术人员可以理解的，针对索饵洄游路线202，索饵区203，生殖洄游路线204的数据表采用相似的结构来构造。
表格1(产卵场历史数据)
在对数据进行统计分析时，需要注意，环境综合特征对不同生活史阶段的鱼类都有影响，但鱼类在不同生活史阶段的反应主要取决于某些主要的指标，即，关键指标。因此，针对不同的生活史阶段，采用不同的关键指标来构建预测模型是有必要的，其能够提高不同生活史阶段的预测准确度。
根据本发明的一个实施例，可采用因子分析法对所构建的数据表进行分析，以提取关键因子。将表格1中列出的各历史时间的指标的数据值作为样本进行因子分析，以从多个指标中筛选出关键因子。根据本领域的一个实施例，可以采用例如IBM软件平台来进行因子分析。因子分析是指研究从变量群中提取共性因子的统计技术。因子分析可在许多变量中找出隐藏的具有代表性的因子。将相同本质的变量归入一个因子，可减少变量的数目。通过因子分析，可以在尽可能不损失信息或者少损失信息的情况下，将多个变量减少为少数几个因子。这几个因子可以高度概括大量数据中的信息，这样，既减少了变量个数，又同样能再现变量之间的内在联系。通过因子分析从多个指标中提取关键因子，能够更加全面地了解海洋数据指标之间的关系。
根据本发明的一个实施例，从例如表格1中的7个指标中筛选出若干个(诸如，3个)关键因子。例如，通过将表格1中各历史时间的7个指标的数据进行因子分析，筛选出了三个关键因子，每个关键因子代表数个具有内在紧密关联性的数个指标。例如，根据本发明的一个实施例，关键因子F1对应于表格中的“海水水质”、“海水水文”、“海洋气象”、“海洋灾害”指标。关键因子F2代表了表格1中的“海洋生物”指标。关键因子F3代表了表格1中的“人为因素”、“历史渔获数据”指标。根据关键因子所代表的指标之间的关联性，可以理解F1体现出水文状况，F2体现出鱼类生物学，而F3体现出渔获量。当然，取决于用于因子分析的不同数据样本，可以得到不同数量或表示不同指标关联性的关键因子。
根据本发明的另一个实施例，可以采用其他方式(诸如主因子分析法，人工选择，人工智能分析等)来从表格1的7个指标中选择若干个主要指标。诸如，可以从7个指标中选取诸如，“海洋生物”指标，“海水水质”指标，“人为因素”指标，“历史渔获数据”指标等作为主要指标。
根据本发明的一个实施例，对于针对索饵洄游路线202，索饵区203，生殖洄游路线204的数据表，分别提取相应数据表的关键因子或主要指标(以下统称为关键指标)。可以理解，基于不同的生活史阶段的海洋数据，从上述三个数据表所提取的关键指标在数量以及所代表的指标方面可以是不同的。还可以理解，针对不同的生活史阶段数据表，取决于数据本身或实际需求，可以采用不同的方式来提取关键指标。举例而言，针对索饵洄游路线202的数据表，可以采用主因子分析法来选择关键指标，针对索饵区203的数据表，可以采用人工选择的方式来选择关键指标。本领域的技术人员应该理解，各种能够从海洋数据中提取出影响鱼类活动的主要指标的方法均在本发明的范围之内。
在步骤150，基于所提取的关键指标来构建不同生活史阶段的阶段性鱼汛预测模型。根据本发明的一个实施例，通过合理的统计方法，确定各关键指标的相关系数，以针对不同生活史阶段建立阶段性预测模型。
例如，继续表格1的示例，在得到关键指标之后，可以采用以下多元线性回归法或多元非线性回归法来构建预测模型：
或
其中，x为所提取出的关键指标，m为关键指标的数量，b或a为系数。
本领域的技术人员完全可以理解，其他用于建立预测模型的方式(诸如一元线性回归、灰色系统、判别分析和对应分析、人工智能等)也在本发明的范围之内。
根据本发明的一个实施例，针对不同的生活史阶段，基于所提取的针对每个生活史阶段的关键指标来构建针对每个生活史阶段的预测模型。继续图2的示例，将构建针对索饵区201，索饵洄游路线202，索饵区203，生殖洄游路线204的四个预测模型。根据本发明的还一个实施例，可利用数据库中存储的历史数据来对构建的模型进行校正，以纠正明确偏差。
图3示出了所构建的模型示意图。其中，针对四个生活史阶段的阶段性预测模型分别为预测模型A，预测模型B，预测模型C和预测模型D。当然，本领域的技术人员完全可以理解，根据具体分析的鱼类，可以具有更多或更少的生活史阶段以及相应的更多或更少的预测模型。根据本发明的一个实施例，如图3中示出的，基于构建好的针对不同生活史阶段的多个阶段性预测模型，将该多个阶段性预测模型整合成最终鱼汛预测模型W。根据本发明的一个实施例，可将阶段性的预测模型A，预测模型B，预测模型C和预测模型D整合为数组{预测模型A，预测模型B，预测模型C，预测模型D}的形式来作为最终鱼汛预测模型W。当然，本领域的技术人员完全可以构想其他方式(诸如直接相乘、加权融合、层次分析等)来整合多个阶段预测模型以得到鱼汛预测模型W。
在步骤160，将构建的鱼汛预测模型可视化以供输出。根据本发明的一个实施例，可将基于不同生活环境构建的鱼汛预测模型整合地理信息系统，形成可视化的鱼汛预测模型。图4示出了基于图2的示例的被可视化的鱼汛预测模型的图示400。在图4中，针对四个不同生活史阶段的预测模型结合地理信息和时间信息被分别显示在相应区域。其中，矩形框水平方向长度代表所预测的鱼的生物量，竖直方向长度代表所预测的鱼的个体大小，箭头代表洄游方向。通过图4的可视化，用户可以一目了然地了解，在每个生活史阶段，在预测的时间段以及预测的地点，鱼类的数量和大小将会如何。由此，可为用户进行鱼类捕捞决策或其他相关决策提供友好的界面。本领域的人员完全可以了解，在实践中，可以采用各种不同的可视化方式来基于预测模型显示表示渔汛信息的电子地图。
本发明针对海洋鱼类生活史不同阶段建立阶段性模型，进而整合成鱼汛预测模型能有效提高鱼汛预测的准确度。本发明还基于相关大数据分析筛选关键指标，由此提升了模型建立的适用性。本发明进一步整合地理信息系统来形成可视化鱼汛预测模型，能够让用户清楚地了解在各不同生活史阶段的预测结果。
图5示出了根据本发明的一个实施例的用于鱼汛预测的装置500的框图。装置500的所有功能块(包括在装置500中的各个单元)可通过硬件、软件、硬件和软件的组合来实现。本领域技术人员应当理解，图5中描述的功能块可被组合成单个功能块或者划分成多个子功能块。
装置500可包括数据分析装置501，该数据分析装置501被配置用于分析目标资源的生活史，以得到所述目标资源的多个生活史阶段，所述目标资源包括特定种类的鱼。装置500还包括数据收集装置502，该数据收集装置502被配置用于收集针对所述目标资源的所述多个生活史阶段的海洋数据，所收集的海洋数据包括针对多个指标的数据。装置500还包括数据清洗装置503，该数据清洗装置503被配置用于对所收集的海洋数据进行清洗。装置500进一步包括关键指标提取装置504，该关键指标提取装置504被配置用于对经清洗的海洋数据进行分析，以从所述多个指标中提取关键指标，所述关键指标表示在所述多个生活史阶段中的每个生活史阶段对所述目标资源产生影响的主要因素。装置500还包括模型构建装置505，该模型构建装置505被配置用于基于所提取的关键指标来构建针对所述多个生活史阶段中每个生活史阶段的阶段性鱼汛预测模型。
图6示出了根据本发明的一个实施例的示例性计算设备的框图，该计算设备是可应用于本发明的各方面的硬件设备的一个示例。
参考图6，现在将描述一种计算设备600，该计算设备是可应用于本发明的各方面的硬件设备的一个示例。计算设备600可以是可被配置成用于实现处理和/或计算的任何机器，可以是但并不局限于工作站、服务器、桌面型计算机、膝上型计算机、平板计算机、个人数字处理、智能手机、车载计算机或者它们的任何组合。前述的各种方法/装置/服务器/客户端设备可全部或者至少部分地由计算设备600或者类似设备或系统来实现。
计算设备600可包括可经由一个或多个接口和总线602连接或通信的组件。例如，计算设备600可包括总线602、一个或多个处理器604、一个或多个输入设备606以及一个或多个输出设备608。该一个或多个处理器604可以是任何类型的处理器并且可包括但不限于一个或多个通用处理器和/或一个或多个专用处理器(例如，专门的处理芯片)。输入设备606可以是任何类型的能够向计算设备输入信息的设备并且可以包括但不限于鼠标、键盘、触摸屏、麦克风和/或远程控制器。输出设备608可以是任何类型的能够呈现信息的设备并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。根据本发明的一个实施例，输出设备608可输出可视化的鱼汛预测模型。计算设备600也可以包括非瞬态存储设备610或者与所述非瞬态存储设备相连接，所述非瞬态存储设备可以是非瞬态的并且能够实现数据存储的任何存储设备，并且所述非瞬态存储设备可以包括但不限于磁盘驱动器、光存储设备、固态存储器、软盘、软磁盘、硬盘、磁带或任何其它磁介质、光盘或任何其它光介质、ROM(只读存储器)、RAM(随机存取存储器)、高速缓冲存储器和/或任何存储芯片或盒式磁带、和/或计算机可从其读取数据、指令和/或代码的任何其它介质。非瞬态存储设备610可从接口分离。非瞬态存储设备610可具有用于实施上述方法和步骤的数据/指令/代码。计算设备600也可包括通信设备612。通信设备612可以是任何类型的能够实现与内部装置通信和/或与网络通信的设备或系统并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信设备和/或芯片组，例如蓝牙设备、IEEE 1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似设备。
总线602可以包括但不限于工业标准结构(ISA)总线、微通道结构(MCA)总线、增强型ISA(EISA)总线、视频电子标准协会(VESA)局部总线和外部设备互连(PCI)总线。
计算设备600还可包括工作存储器614，该工作存储器614可以是任何类型的能够存储有利于处理器604的工作的指令和/或数据的工作存储器并且可以包括但不限于随机存取存储器和/或只读存储设备。
软件组件可位于工作存储器614中，这些软件组件包括但不限于操作系统616、一个或多个应用程序618、驱动程序和/或其它数据和代码。用于实现上述方法和步骤的指令可包含在所述一个或多个应用程序618中，并且前述各种装置/服务器/客户端设备的模块/单元/组件可通过处理器604读取和执行所述一个或多个应用程序618的指令来实现。
也应该认识到可根据具体需求而做出变化。例如，也可使用定制硬件、和/或特定组件可在硬件、软件、固件、中间件、微代码、硬件描述语音或其任何组合中实现。此外，可采用与其它计算设备、例如网络输入/输出设备等的连接。例如，可通过具有汇编语言或硬件编程语言(例如，VERILOG、VHDL、C++)的编程硬件(例如，包括现场可编程门阵列(FPGA)和/或可编程逻辑阵列(PLA)的可编程逻辑电路)利用根据本发明的逻辑和算法来实现所公开的方法和设备的部分或全部。
尽管目前为止已经参考附图描述了本发明的各方面，但是上述方法、系统和设备仅是示例，并且本发明的范围不限于这些方面，而是仅由所附权利要求及其等同物来限定。各种组件可被省略或者也可被等同组件替代。另外，也可以在与本发明中描述的顺序不同的顺序实现所述步骤。此外，可以按各种方式组合各种组件。也重要的是，随着技术的发展，所描述的组件中的许多组件可被之后出现的等同组件所替代。

Claims (10)

1.一种用于鱼汛预测的方法，包括：
分析目标资源的生活史，以得到所述目标资源的多个生活史阶段，所述目标资源包括特定种类的鱼；
收集针对所述目标资源的所述多个生活史阶段的海洋数据，所收集的海洋数据包括针对多个指标的数据；
对所收集的海洋数据进行清洗；
对经清洗的海洋数据进行分析，以从所述多个指标中提取关键指标，所述关键指标表示在所述多个生活史阶段中的每个生活史阶段对所述目标资源产生影响的主要因素；以及
基于所提取的关键指标来构建针对所述多个生活史阶段中每个生活史阶段的阶段性鱼汛预测模型。
2.如权利要求1所述的方法，其特征在于，所述多个生活史阶段包括产卵场，索饵洄游路线，索饵区，生殖洄游路线中的一个或多个。
3.如权利要求1所述的方法，其特征在于，所述多个指标的数据包括以下中的一个或多个：海洋水文数据，海洋气象数据，海水水质数据，海洋灾害数据，海洋生物数据，人为因素数据和历史渔获数据。
4.如权利要求1所述的方法，其特征在于，对所收集的海洋数据进行清洗进一步包括对所收集的海洋数据进行以下操作中的一种或多种：纠正错误，删除重复，统一规格，修正逻辑，转换构造，数据压缩，补足缺失。
5.如权利要求1所述的方法，其特征在于，对经清洗的海洋数据进行分析进一步包括：基于所述经清洗的海洋数据，针对所述多个生活史阶段中每个生活史阶段，构建表示该生活史阶段的数据表，其中每个数据表包括多个历史时间以及针对所述多个历史时间中每个历史时间的对应于该数据表所表示的生活史阶段的所述多个指标的海洋数据。
6.如权利要求5所述的方法，其特征在于，对经清洗的海洋数据进行分析以从所述多个指标中提取用于鱼汛预测模型的关键指标进一步包括：针对多个数据表中的一个或多个，采用以下方式中的任一种来提取关键指标：
采用因子分析法来分析该数据表中每个指标的数据，以基于所述多个指标之间的内在关联来导出多个关键因子来作为关键指标，其中，所述多个指标中一个或多个具有内在关联性的指标被分类到相同的关键因子中，并且所述多个关键因子的数量少于所述多个指标的数量；或
从所述多个指标中选择多个指标来作为关键指标。
7.如权利要求1所述的方法，进一步包括：将针对所述多个生活史阶段中每个生活史阶段的阶段性鱼汛预测模型整合为最终鱼汛预测模型。
8.如权利要求7所述的方法，其特征在于，进一步包括：
将所述最终鱼汛预测模型结合地理信息和时间信息来进行可视化。
9.一种用于鱼汛预测的装置，包括：
数据分析装置，所述数据分析装置被配置用于分析目标资源的生活史，以得到所述目标资源的多个生活史阶段，所述目标资源包括特定种类的鱼；
数据收集装置，所述数据收集装置被配置用于收集针对所述目标资源的所述多个生活史阶段的海洋数据，所收集的海洋数据包括针对多个指标的数据；
数据清洗装置，所述数据清洗装置被配置用于对所收集的海洋数据进行清洗；
关键指标提取装置，所述关键指标提取装置被配置用于对经清洗的海洋数据进行分析，以从所述多个指标中提取关键指标，所述关键指标表示在所述多个生活史阶段中的每个生活史阶段对所述目标资源产生影响的主要因素；以及
模型构建装置，所述模型构建装置被配置用于基于所提取的关键指标来构建针对所述多个生活史阶段中每个生活史阶段的阶段性鱼汛预测模型。
10.一种用于鱼汛预测的系统，包括：
处理器；
存储器；以及
如权利要求9所述的装置。
CN201910853192.3A 2019-09-10 2019-09-10 用于鱼汛预测的方法、系统和装置 Pending CN110555567A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910853192.3A CN110555567A (zh) 2019-09-10 2019-09-10 用于鱼汛预测的方法、系统和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910853192.3A CN110555567A (zh) 2019-09-10 2019-09-10 用于鱼汛预测的方法、系统和装置

Publications (1)

Publication Number Publication Date
CN110555567A true CN110555567A (zh) 2019-12-10

Family

ID=68739580

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910853192.3A Pending CN110555567A (zh) 2019-09-10 2019-09-10 用于鱼汛预测的方法、系统和装置

Country Status (1)

Country Link
CN (1) CN110555567A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062004A (zh) * 2019-12-20 2020-04-24 北京软通智慧城市科技有限公司 一种预测模型调整方法、装置、预测模拟器以及存储介质
CN113065247A (zh) * 2021-03-26 2021-07-02 自然资源部第一海洋研究所 一种基于高分辨率海洋预报系统的新型渔情预报模型及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049659A (zh) * 2012-12-21 2013-04-17 上海海洋大学 一种秘鲁外海茎柔鱼资源补充量预测方法及其应用方法
CN106228456A (zh) * 2016-07-22 2016-12-14 上海海洋大学 一种秘鲁鱿鱼的资源补充量预测方法
CN106228010A (zh) * 2016-07-22 2016-12-14 上海海洋大学 一种北太平洋鱿鱼资源补充量预测方法
CN108960523A (zh) * 2018-07-18 2018-12-07 上海海洋大学 一种利用两步广义加性模型预测鱿鱼类的索饵场栖息地的方法
CN109460860A (zh) * 2018-10-18 2019-03-12 上海海洋大学 基于南极涛动指数的阿根廷鱿鱼资源量预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049659A (zh) * 2012-12-21 2013-04-17 上海海洋大学 一种秘鲁外海茎柔鱼资源补充量预测方法及其应用方法
CN106228456A (zh) * 2016-07-22 2016-12-14 上海海洋大学 一种秘鲁鱿鱼的资源补充量预测方法
CN106228010A (zh) * 2016-07-22 2016-12-14 上海海洋大学 一种北太平洋鱿鱼资源补充量预测方法
CN108960523A (zh) * 2018-07-18 2018-12-07 上海海洋大学 一种利用两步广义加性模型预测鱿鱼类的索饵场栖息地的方法
CN109460860A (zh) * 2018-10-18 2019-03-12 上海海洋大学 基于南极涛动指数的阿根廷鱿鱼资源量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张孝民: "西北太平洋公海秋刀鱼渔场研究", 《万方在线公开：D.WANFANGDATA.COM.CN/THESIS/D01094469》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062004A (zh) * 2019-12-20 2020-04-24 北京软通智慧城市科技有限公司 一种预测模型调整方法、装置、预测模拟器以及存储介质
CN113065247A (zh) * 2021-03-26 2021-07-02 自然资源部第一海洋研究所 一种基于高分辨率海洋预报系统的新型渔情预报模型及方法

Similar Documents

Publication Publication Date Title
Nevo et al. Flood forecasting with machine learning models in an operational framework
Zwolinski et al. Predicting habitat to optimize sampling of Pacific sardine (Sardinops sagax)
Yu et al. FROM-GLC Plus: Toward near real-time and multi-resolution land cover mapping
Lin et al. A maximum entropy method to extract urban land by combining MODIS reflectance, MODIS NDVI, and DMSP-OLS data
Xu et al. Web-based geospatial platform for the analysis and forecasting of sedimentation at culverts
Schickele et al. European cephalopods distribution under climate-change scenarios
Currey-Randall et al. Optimal soak times for baited remote underwater video station surveys of reef-associated elasmobranchs
Pinto et al. Combining multiple data sets to unravel the spatiotemporal dynamics of a data-limited fish stock
Wang et al. Spatio-temporal distribution of skipjack in relation to oceanographic conditions in the west-central Pacific Ocean
Hu et al. Developing a smart semantic web with linked data and models for near-real-time monitoring of red tides in the Eastern Gulf of Mexico
CN110555567A (zh) 用于鱼汛预测的方法、系统和装置
Bolin et al. A current affair: entanglement of humpback whales in coastal shark‐control nets
Magness et al. Using random forests to provide predicted species distribution maps as a metric for ecological inventory & monitoring programs
Vance et al. Big data in Earth science: Emerging practice and promise
CN114510875B (zh) 一种基于多源气象数据的环流形势赤潮预报系统及方法
Symeonakis et al. Multi-temporal land-cover classification and change analysis with conditional probability networks: The case of Lesvos Island (Greece)
Barlow et al. Predictive modeling of cetacean densities in the eastern Pacific Ocean
Nieto-Mora et al. Systematic review of machine learning methods applied to ecoacoustics and soundscape monitoring
Bradford et al. Revised stock boundaries for false killer whales (Pseudorca crassidens) in Hawaiian waters
Ali et al. Raingauge network optimization in a tropical urban area by coupling cross-validation with the geostatistical technique
Pinkert et al. The potential of ecoregional range maps for boosting taxonomic coverage in ecology and conservation
Kitzes et al. Expanding NEON biodiversity surveys with new instrumentation and machine learning approaches
Graham et al. Quantification of walleye spawning substrate in a northern Minnesota river using side-scan sonar
Langley et al. Influence of oceanographic variability on recruitment of yellowfin tuna (Thunnus albacares) in the western and central Pacific Ocean
Feng et al. The effects of changing spatial scales on spatial patterns of CPUE for Ommastrephes bartramii in the northwest Pacific Ocean

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191210

RJ01 Rejection of invention patent application after publication