CN110633892A - 一种ais数据提取延绳钓捕捞状态的方法 - Google Patents

Abstract

本发明涉及一种AIS数据提取延绳钓捕捞状态的方法，包括以下步骤：提取多条延绳钓渔船的AIS数据和渔船捕捞日志数据；采用渔船捕捞日志数据对每条AIS数据进行逐点标记，确定每条AIS数据的渔船是捕捞状态还是非捕捞状态；构建SVM模型，并通过标记好的AIS数据训练SVM模型，获取SVM模型最优参数；采用训练好的SVM模型识别延绳钓渔船的AIS数据。本发明能够为渔业资源管理和渔情预报提供实时和高分辨率信息。

Description

一种AIS数据提取延绳钓捕捞状态的方法

技术领域

本发明涉及渔船和渔业资源管理以及渔情预报分析技术领域，特别是涉及一种AIS数据提取延绳钓捕捞状态的方法。

背景技术

随着逐年的资源开发也在渔业资源、渔业生态、生产安全、海洋权益争端上也暴漏出了越来越多的问题，主要有(1)捕捞能力过剩；(2)上报数据完整性和时效性；(3)IUU渔业活动的有效治理问题。

解决这些问题需要对作业渔船进行合理的监控和管理，加强渔船作业的合法性和安全性。针对金枪鱼渔场的研究主要依靠商业渔船的捕捞日志及渔业组织公布的渔获数据，通过标准化处理得到捕捞努力量，利用渔场重心公式等方法求得中心渔场位置，并结合海表温度、叶绿素等遥感影像分析中心渔场与海洋环境因子关系。然而远洋金枪鱼渔船海上作业时间通常在一年以上，渔船往往延后一两年提交捕捞日志，且部分企业在作业位置、渔获量及重量等关键信息上也存在乱填漏填的现象，因此渔捞日志的准确性和时效性上都存在着不足。

然而本发明的发明人发现，船舶自动监控系统可以实时获得渔船所处位置，发送经纬度、航向、航速等信息。如果可以通过AIS数据识别渔船作业状态，挖掘作业信息，那么就可以为渔业管理部门渔船管理提供支撑，为渔业资源管理和渔情预报提供实时和高分辨率信息。

发明内容

本发明所要解决的技术问题是提供一种AIS数据提取延绳钓捕捞状态的方法，能够为渔业资源管理和渔情预报提供实时和高分辨率信息。

本发明解决其技术问题所采用的技术方案是：提供一种AIS数据提取延绳钓捕捞状态的方法，包括以下步骤：

(1)提取多条延绳钓渔船的AIS数据和渔船捕捞日志数据；

(2)采用渔船捕捞日志数据对每条AIS数据进行逐点标记，确定每条AIS数据的渔船是捕捞状态还是非捕捞状态；

(3)构建SVM模型，并通过标记好的AIS数据训练SVM模型，获取SVM模型最优参数；

(4)采用训练好的SVM模型识别延绳钓渔船的AIS数据。

所述步骤(1)中AIS数据包括静态信息和动态信息，所述静态信息包括渔船的MMSI编号，IMO编号，呼号，船名、船长和功率，所述动态信息包括渔船的MMSI编号、船名、发送时间、经度、纬度、航向和航速，两部分信息通过渔船的MMSI编号或船名进行关联。

所述步骤(2)具体为：首先根据数据整体范围删除AIS数据中的异常值，并将AIS数据记录的时间转换为当地时间；根据渔船捕捞日志数据中的放钩时间，结合AIS数据中的作业起止时间、航速分布及变化、航向分布及变化和作业轨迹对延绳钓渔船的AIS数据进行标记，确定每条AIS数据的渔船是捕捞状态还是非捕捞状态。

所述步骤(3)中构建的SVM模型对

进行求解，满足

其中，最优判别函数为

W是权值向量，C为惩罚因子，ξ_i为松弛变量，

为映射函数，sgn(*)为符号函数，X_i为m维向量，包括当前作业点的航向、航速、向前速度差、向后速度差、航向差及作业时间中的小时数，y_i为分类标签，l为支持向量的个数，x_i为训练后得到的第i个支持向量，x为输入的属性向量，a_i为Largrange系数，b为阈值，K(x,x_i)为核函数，定义为

γ为核函数的参数。

所述步骤(3)中SVM模型最优参数通过交叉验证方法获取，具体为：将所有数据集随机分为v个子数据集，使用其中v-1个子数据集作为训练数据，确定一组参数对，经学习后得到一个SVM模型；将剩下的一个子数据集作为验证数据，将其代入得到的SVM模型中，计算SVM模型的预报准确率；以指数增长的方式不断改变参数对的值，重新训练得到新的SVM模型，再次检验SVM模型的预报准确率，最终获取能使SVM模型精度达到最高的参数对。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明在现有延绳钓渔船AIS大数据基础上构建支持向量机模型，通过对支持向量机模型的优化可以很好的识别延绳钓渔船的作业状态，为进一步的渔船和渔业资源管理，以及渔情分析提供实时准确的大数据支撑。

附图说明

图1为金枪鱼延绳钓渔船放钩开始时间统计图；

图2为不同作业状态下延绳钓渔船速度分布图；

图3为不同作业状态下延绳钓渔船航向分布图；

图4为SVM模型识别和日志观测的捕捞强度对比图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式涉及一种AIS数据提取延绳钓捕捞状态的方法，包括以下步骤：提取多条延绳钓渔船的AIS数据和渔船捕捞日志数据；采用渔船捕捞日志数据对每条AIS数据进行逐点标记，确定每条AIS数据的渔船是捕捞状态还是非捕捞状态；构建SVM模型，并通过标记好的AIS数据训练SVM模型，获取SVM模型最优参数；采用训练好的SVM模型识别延绳钓渔船的AIS数据。

下面通过一个具体的实施例来进一步说明本发明。

(一)AIS数据和捕捞日志数据提取

1.1AIS数据

本实施例使用的数据主要来自2017年7-12月exactView卫星星座传输数据。AIS数据包含渔船静态信息和动态信息两部分，静态信息包括渔船的MMSI编号，IMO编号，呼号，船名、船长、功率等信息，动态数据主要包括渔船的MMSI编号、船名、发送时间、经度、纬度、航向、航速等，两部分信息可以通过渔船的MMSI编号或船名进行关联。其中，所述发送时间可以用来统计出海时间，或提取渔船作业开始及结束的时刻，计算渔船持续捕捞时间；所述经度和纬度可以标识渔船在当前时刻的地理位置，可用来得到渔场范围；所述航向和航速可用来识别渔船状态。AIS数据信息丰富，数据间的结合使用可以确定有效分析渔船行为和渔场分布及其变化。

1.2捕捞日志数据

金枪鱼延绳钓渔获数据来源于2017年9～11月中水集团远洋延绳钓渔船在中西太平洋的渔获记录，时间分辨率为天，空间分辨率为0.5°×0.5°。数据包括作业日期、放钩时间、经纬度、投钩数及各金枪鱼鱼种尾数、产量。

(二)数据处理

2.1AIS渔船状态标定

通过船名匹配，本实施例提取中水集团10-11月份AIS数据进行状态标定，标定前首先根据数据整体范围删除经度，纬度，航向和航速中的异常值，并将数据记录的北京时间换算为当地时间。10月份涉及10条渔船，共55960条数据，11月份涉及12艘渔船，共71566条数据。根据中水金枪鱼延绳钓渔船日志记录的放钩时间，结合专家经验(主要包括作业开始及结束时刻、航速分布及变化、航向分布及变化、作业轨迹)对中水渔船AIS数据进行标记，渔船信息被分为捕捞状态(放钩和起钩)和未捕捞状态(漂流和航行)，捕捞状态设置为1，未捕捞状态为0。

2.2渔获数据处理

通过匹配船名提取9月份有AIS船位信息的渔船对应的渔获数据，将其按经纬度0.5°×0.5°进行渔区划分，按月对其作业位置、尾数和放钩数进行统计，计算各渔区内CPUE(单位尾/千钩)，公式如下:

其中，CPUE_(i,j)、N_fish(i,j)、N_hook(i,j)表示第i个经度，第j个纬度处方格的月平均CPUE，月渔获总尾数和月总投钩数。

(三)SVM模型构建

支持向量机(supportvectormachine,SVM)分类方法通过非线性映射将自变量映射到高维的特征空间，在高维特征空间中寻找一个最优分类面，使得所有训练样本距离该最优分类面的误差最小。设含有l个训练样本的训练集样本为{(x_i,y_i),i＝1,2,…,l}由两类组成。其中x_i∈R^d是输入变量，y_i∈R是输出分类变量，其中i＝1，2，…，N，x_i为d维向量，包括当前作业点的航向、航速、向前速度差、向后速度差、航向差及作业时间中的小时数；y_i为分类标签,即当前点是否为作业点,“是”为1，“否”为0。SVM模型目标是在高维空间中寻找一个分类超平面将两类数据分开，并且样本集到分类超平面的距离要最大。假设最优的分类超平面是Wx+b＝0，其中W是权值向量，b是阈值。参数W，b通过下面规划方法求解：

满足，

其中，C是一个大于0的数,称为误差项的惩罚因子,ξ_i称为松弛变量。在SVM模型中，利用映射函数将用于训练的m维向量X_i映射到一个更高的维空间，并在此高维空间中找到一个最大间隔。为了使低维的向量X_i向高维空间映射，需定义一个核函数:

K(x_i,x_j)＝<φ(x_i),φ(x_j)>

其中，*表示2个向量的点乘。其最优的判别函数为:

其中，sgn(*)为符号函数，取值为1或0；l为支持向量的个数,x_i为训练后得到的第i个支持向量，x为输入的属性向量，K(x,x_i)为核函数。由于RBF更适合处理类别标记与属性之间为非线性关系的情况，因此模型选用以下函数作为核函数，其定义为：

其中，γ为核函数的参数，同惩罚因子C一样，需在训练时通过交叉验证得到最佳值。

在含有径向基函数的SVM模型中，有(C,γ)两个个参数有待确定，解决该问题的方法之一就是v-折交叉验证。具体方法为：将所有数据集随机分为v个子数据集，使用其中v－1个子数据集作为训练数据，确定一个参数对(C,γ)，经学习后得到一个SVM模型。将剩下的一个子数据集为验证数据，将其代入SVM模型中，计算SVM模型的预报准确率。然后以指数增长的方式不断改变(C,γ)的值，重新训练得到新的SVM模型，再次检验SVM模型的预报准确率，最终可获取能使SVM模型精度达到最高的参数对(C,γ)。

本实施例中从所有匹配好的数据中随机选择3925条训练数据训练模型，构建训练模型，SVM模型最优参数采用交叉验证方法获取。频次分析图表明，渔船作业时间、航向速度、速度变化和渔船航向的角度对作业状态影响较大(见图1-3)选择渔船速度、航向、速度变化和作业时间，作为模型输入变量，构建机器学习模型。通过训练数据训练模型参数，采用交叉验证方法获取获得模型的最优参数，模型训练数据的准确率为92.5％，均方误差为0.05。对构建好的SVM模型采用1924条记录为验证数据，检验SVM模型的泛华拟合能力。验证数据的准确率为88.2％，均方误差为0.08。采用构建好的判别模型识别2017年10月和11月中西太平洋11条延绳钓渔船共计127000万条AIS数据，准确率在80.1％。

以作业状态下每天千瓦每小时的能源消耗作为渔船捕捞努力量，计算研究区域2017年10和11月0.5°×0.5°的捕捞努力量空间图，即捕捞强度图。分别计算和绘制SVM模型识别和捕捞数据观测的捕捞强度图(见图4)。可见，两者在空间分布上非常相似。计算2017年10和11月0.5°×0.5°捕捞强度在空间上和2017年10和11月0.5°×0.5°的CPUE的相关系数，相关系数为0.69。

不难发现，本发明在现有延绳钓渔船AIS大数据基础上构建支持向量机模型，通过对支持向量机模型的优化可以很好的识别延绳钓渔船的作业状态，为进一步的渔船和渔业资源管理，以及渔情分析提供实时准确的大数据支撑。

Claims (5)

1.一种AIS数据提取延绳钓捕捞状态的方法，其特征在于，包括以下步骤：

(1)提取多条延绳钓渔船的AIS数据和渔船捕捞日志数据；

(2)采用渔船捕捞日志数据对每条AIS数据进行逐点标记，确定每条AIS数据的渔船是捕捞状态还是非捕捞状态；

(3)构建SVM模型，并通过标记好的AIS数据训练SVM模型，获取SVM模型最优参数；

(4)采用训练好的SVM模型识别延绳钓渔船的AIS数据。

2.根据权利要求1所述的AIS数据提取延绳钓捕捞状态的方法，其特征在于，所述步骤(1)中AIS数据包括静态信息和动态信息，所述静态信息包括渔船的MMSI编号，IMO编号，呼号，船名、船长和功率，所述动态信息包括渔船的MMSI编号、船名、发送时间、经度、纬度、航向和航速，两部分信息通过渔船的MMSI编号或船名进行关联。

3.根据权利要求1所述的AIS数据提取延绳钓捕捞状态的方法，其特征在于，所述步骤(2)具体为：首先根据数据整体范围删除AIS数据中的异常值，并将AIS数据记录的时间转换为当地时间；根据渔船捕捞日志数据中的放钩时间，结合AIS数据中的作业起止时间、航速分布及变化、航向分布及变化和作业轨迹对延绳钓渔船的AIS数据进行标记，确定每条AIS数据的渔船是捕捞状态还是非捕捞状态。

4.根据权利要求1所述的AIS数据提取延绳钓捕捞状态的方法，其特征在于，所述步骤(3)中构建的SVM模型对

进行求解，满足

其中，最优判别函数为

W是权值向量，C为惩罚因子，ξ_i为松弛变量，

为映射函数，sgn(*)为符号函数，X_i为m维向量，包括当前作业点的航向、航速、向前速度差、向后速度差、航向差及作业时间中的小时数，y_i为分类标签，l为支持向量的个数，x_i为训练后得到的第i个支持向量，x为输入的属性向量，a_i为Largrange系数，b为阈值，K(x,x_i)为核函数，定义为

γ为核函数的参数。

5.根据权利要求1所述的AIS数据提取延绳钓捕捞状态的方法，其特征在于，所述步骤(3)中SVM模型最优参数通过交叉验证方法获取，具体为：将所有数据集随机分为v个子数据集，使用其中v-1个子数据集作为训练数据，确定一组参数对，经学习后得到一个SVM模型；将剩下的一个子数据集作为验证数据，将其代入得到的SVM模型中，计算SVM模型的预报准确率；以指数增长的方式不断改变参数对的值，重新训练得到新的SVM模型，再次检验SVM模型的预报准确率，最终获取能使SVM模型精度达到最高的参数对。

Images