CN112001641A - 一种扇贝养殖区适宜性遥感评估系统 - Google Patents
一种扇贝养殖区适宜性遥感评估系统 Download PDFInfo
- Publication number
- CN112001641A CN112001641A CN202010874865.6A CN202010874865A CN112001641A CN 112001641 A CN112001641 A CN 112001641A CN 202010874865 A CN202010874865 A CN 202010874865A CN 112001641 A CN112001641 A CN 112001641A
- Authority
- CN
- China
- Prior art keywords
- area
- scallop
- model
- remote sensing
- seawater
- 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.)
- Granted
Links
- 235000020637 scallop Nutrition 0.000 title claims abstract description 154
- 241000237509 Patinopecten sp. Species 0.000 title claims abstract description 141
- 238000011156 evaluation Methods 0.000 title claims abstract description 31
- 239000013535 sea water Substances 0.000 claims abstract description 99
- 238000000034 method Methods 0.000 claims abstract description 51
- 230000008859 change Effects 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000003044 adaptive effect Effects 0.000 claims description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 30
- 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 28
- 230000008569 process Effects 0.000 claims description 26
- 229930002875 chlorophyll Natural products 0.000 claims description 24
- 235000019804 chlorophyll Nutrition 0.000 claims description 24
- 230000007613 environmental effect Effects 0.000 claims description 20
- 238000009395 breeding Methods 0.000 claims description 16
- 230000001488 breeding effect Effects 0.000 claims description 16
- 241000237503 Pectinidae Species 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 claims description 5
- 229930002868 chlorophyll a Natural products 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 235000015170 shellfish Nutrition 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 238000009360 aquaculture Methods 0.000 description 3
- 244000144974 aquaculture Species 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 241000238557 Decapoda Species 0.000 description 2
- 238000004836 empirical method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000009364 mariculture Methods 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012364 cultivation method Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 244000038651 primary producers Species 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
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
- G06Q10/06—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
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marine Sciences & Fisheries (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Animal Husbandry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Processing (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
本发明属于遥感数据处理技术领域，公开了一种扇贝养殖区适宜性遥感评估方法，基于GIS技术建立了扇贝的最适宜养殖区域选址模型，通过对海水表面温度、叶绿素浓度、海水悬浮物浓度和海水深度的海洋环境因子进行分析，结合城镇、码头和加工厂位置信息，以及港口、河口及工业区等限制因素，综合扇贝的生态适应性系数，构建扇贝养殖区选址适宜性指数模型，对扇贝养殖区域进行分级评估，生成扇贝养殖区适应性空间分布结果。本发明通过分析多年历史数据，可以得到每年各个时期海水环境信息变化趋势，结合扇贝的栖息地适应性指数，能够预测未来扇贝养殖适宜区域，在一定程度上避免极端气候对养殖的危害。
Description
技术领域
本发明属于遥感数据处理技术领域，尤其涉及一种扇贝养殖区适宜性遥感评估系统。
背景技术
目前，水产养殖业是我国农业的重要支柱产业，贝类养殖是水产养殖的一个重要分支。其中，扇贝养殖是贝类产品的重要来源之一。然而，我国扇贝养殖业在飞速发展的同时，由于缺乏有效的科学管理，许多养殖区养殖密度过大，空间规划不合理。确定合适的养殖区域，可以有效解决自然环境退化和海域使用冲突的问题，可以有效降低贝类的死亡率，并提高水产养殖效益。
当前，我国养殖区域选址主要靠经验法和模型法。经验法仅依靠渔民经验对养殖区域进行选择，不结合科学有效的数据来判断，不准确且缺乏科学依据。而模型法仅靠数学模型计算推测，推算结果与真实值存在一定差距；且稳定性不高，细微的环境变化就会造成环境因子数值的巨大变化。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有经验法仅依靠渔民经验对养殖区域进行选择，不结合科学有效的数据来判断，不准确且缺乏科学依据。
(2)当现有模型法仅靠数学模型计算推测，推算结果与真实值存在一定差距；且稳定性不高，细微的环境变化就会造成环境因子数值的巨大变化。
解决以上问题及缺陷的难度为：
经验法主要依据渔民经验。近年来，极端气候越来越多，仅靠渔民经验难以应对高频变化的天气状况。同时，某些海域由于洋流的变化等的影响，可能会在某些年份水温适宜且具有丰富的养料，有利于扇贝养殖，渔民无法凭经验进行判断。
模型法是根据海上某些点的环境数据，建立数学模型对整片海域的环境信息进行求解，绝大部分区域的数据都是模型计算结果而并非真实值。数学模型建模需要极高的严谨性，细微的数据变动可能会产生完全相反的结果。同时，数学模型只能对现有数据进行处理，对反常的极端天气变动难以预测，无法提前进行预警。
解决以上问题及缺陷的意义为：
遥感数据空间覆盖范围广，且呈现的所有值都是卫星观测所得的实地真实值，可靠性更高。通过将扇贝养殖与遥感和GIS技术的结合，可以有效应对极端天气变化对养殖造成的影响，大幅度降低损失，同时可以更高效快捷开发寻找到更多有利于养殖的区域。
发明内容
针对现有技术存在的问题，本发明提供了一种扇贝养殖区适宜性遥感评估方法。
本发明是这样实现的，一种扇贝养殖区适宜性遥感评估方法，所述扇贝养殖区适宜性遥感评估方法基于GIS技术建立了扇贝的最适宜养殖区域选址模型，通过对海水表面温度、叶绿素浓度、海水悬浮物浓度和海水深度的海洋环境因子进行分析，结合城镇、码头和加工厂位置信息，以及港口、河口及工业区等限制因素，综合扇贝的生态适应性系数，构建扇贝养殖区选址适宜性指数模型，对扇贝养殖区域进行分级评估，生成扇贝养殖适应性空间分布结果。
进一步，所述扇贝养殖区适宜性遥感评估方法包括：
第一步，基于海表温度、叶绿素a浓度、水体浊度和水深的水体特征，建立长时间序列的水体环境特征数据集，利用层次分析法，计算出适宜权重，结合扇贝生长适应性指数，建立海水环境信息模型；
第二步，利用高分辨率卫星遥感影像，提取出城镇、码头和加工厂区域信息，计算欧氏距离，根据影响程度使用层次分析法设立权重，建立社会基础设施模型；
第三步，利用高分辨率卫星遥感影像，提取出港口、河流入海口和工业污染区不适宜养殖的区域，建立限制区域模型；
第四步，基于三个子模型，结合养殖海域分析重要性，利用层次分析法对其设立权重，构建扇贝养殖区适应性模型；
第五步，根据扇贝养殖区适应性模型，得到扇贝养殖适应性区域分级图，分析养殖适宜区动态长期变化特征。
进一步，所述第一步利用多源遥感数据协同提取分析海洋环境信息特征，建立海水环境信息模型，具体包括：
1)海水表面温度，通过在海表放置浮筏，在浮筏下面吊挂网笼进行饲养；
2)海水悬浮物浓度，悬浮物浓度代表单位体积内，悬浮在水中的固体物质的含量。海水悬浮物浓度在一定程度上反应了海水中悬浮有机物的含量；
3)叶绿素Chl-a浓度，叶绿素Chl-a含量直接反映出海水中浮游植物的含量；
4)海水深度，海水深度代表着海水环境稳定性。
进一步，所述海洋环境信息数据从多渠道获取，海水表面温度、海水悬浮物浓度、叶绿素Chl-a浓度数据通过卫星遥感获得；
首先，对获得的遥感影像数据进行预处理，通过人机交互的方法，选取水色数据作为海表温度、悬浮物浓度和叶绿素浓度的原始数据；使用ArcMap软件对原始遥感数据进行栅格化处理，在影像属性中将空间分辨率统一为1千米，遥感数据坐标系统一设置为WGS-84坐标系；
其次，对各个环境数据指标进行量化处理，各个指标的数值差异较大、计量单位不一致，无法进行直接比较分析，结合各品种扇贝的生物学特性，选取相对应的合适的打分系统，对各个栅格数据按分值1-8打分。分值越高，环境越适合扇贝的生长发育；
最后所得到各像素对应的分值：SAij、SBij、SCij和SDij，其中，i表示所选海区内各点横坐标，j表示所选海区内各点纵坐标，SA表示海水表面温度分值，SB表示海水悬浮物浓度分值，SC表示叶绿素浓度分值，SD表示海水深度分值。
进一步，各个环境指标权重的设置采用层次分析法，首先，使用一致矩阵法构造判断矩阵，对指标两两进行比较，判断矩阵中，对于海洋环境要素m于n的比较值Kmn，若具有同样重要性，则Kmn为1；若m比n稍微重要，则K为3；若m比n明显重要，则K为5；若m比n强烈重要，则K为7；若m比n极端重要，则K为9；若介于相邻比较值中，K各为2、4、6和8；同时，得到对于海洋环境要素m于n的比较值Knm＝1/Kmn；计算判断矩阵中，最大特征根λ的特征向量，经归一化处理得到的向量；其中，向量内元素WA、WB、WC和WD，分别表示海水表面温度、海水悬浮物浓度、叶绿素浓度和海水深度所对应的权重；最终，对每个栅格的数据，进行加权求和，求得到的海水环境数据模型各像素分值：
SEij＝SAij*WA+SBij*WB+SCij*WC+SDij*WD。
进一步，所述第二步选取出利于扇贝养殖业的社会基础设施区域，根据养殖区域与其之间的距离建立社会基础设施模型；
首先，获取高分辨率遥感影像，使用高分号遥感卫星影像，空间分辨率可达米级；通过影像判断地物类型，勾选出码头区域、城镇和加工厂区域；
其次，计算养殖区域到已勾选的社会基础设施的欧式距离Dij，即养殖区域像元与港口码头之间的距离
其中，i0表示最近的码头、城镇及加工厂区域横坐标，j0表示最近的码头、城镇及加工厂区域纵坐标；
最后，对欧式距离进行量化处理，设置一个合适的打分指标，将养殖区与港口及城镇的距离Dij，按从远到近的不同距离范围，从1-8进行打分，即为基于社会基础设施的养殖适宜度SSij；
所述第三步提取出限制扇贝养殖业的位置区域，建立限制区域模型在ArcMap中，对高分辨率遥感影像，通过人机交互识别的方法判断地物类型，选出港口、河口及工业污染区等区限制区域；使用编辑器，将限制区域像素点(i,j)的权重因子Lij设置为0，其余海域Lij设置为1。
进一步，所述第四步综合海水环境信息模型、社会基础设施模型和限制区域模型，构建扇贝养殖区适应性模型；利用ArcMap的模型构建器，将三个模型进行有效结合，最终得到扇贝养殖区适应性模型；根据所选海域特点，分析判断各模型的重要性，设置海水环境信息模型的权重为P：
总打分分值为S＝(P*SEij+(1-P)*SSij)*Lij；
最终分值范围为0-8，若分值为0，表示该区域不适合作为养殖区域；分值越大，越适宜作为扇贝养殖区域。
进一步，所述第五步分析扇贝养殖区适应性模型，生成扇贝养殖适应性区域分级图，分析扇贝养殖区域变化特征趋势，在ArcMap中，将所得到的扇贝养殖区适应性模型结果绘制成图，根据不同分值设置不同颜色，直观看到不同海域扇贝养殖的适应性；选取各年份不同月份晴朗天气的海洋环境数据，对不同年份的养殖适宜性进行分析，根据各年适宜养殖区域变化趋势分析养殖区域未来年份适宜区域，推测极端气候变化状况，提前对现有养殖区域作出预警。
本发明的另一目的在于提供一种实施所述扇贝养殖区适宜性遥感评估方法的扇贝养殖区适宜性遥感评估系统，所述扇贝养殖区适宜性遥感评估系统包括：
海水环境信息模型模块，用于结合扇贝生长适应性系数，分析影响扇贝生长的主要海水环境因素；
社会基础设施模型模块，用于通过高分辨率遥感影像，提取出城镇、码头和水产品加工厂位置区域信息，根据养殖海域位置与社会基础设施的距离，建立模型分析其对扇贝养殖区适应性的影响；
限制区域模型模块，用于利用高分辨率遥感影像，找到港口、河口及工业区等限制养殖的区域，将对扇贝养殖有直接限制的因素直接排除在合适养殖区域外；
扇贝养殖区适应性模型模块，用于利用层次分析法，分析计算出适宜权重，将海水环境信息模型、社会基础设施模型和限制区域模型相结合生成的最终模型，并通过结合环境变化趋势对未来养殖适宜区进行预测，并对极端气候进行预警。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：遥感数据具有很强的空间表现力和时效性，可以方便快捷获取多年多类型历史海洋环境数据；GIS技术由于其可以高效获取分析多种类型的海洋环境数据，有很强的空间规划性，可以很好的利用遥感数据进行分析。因此遥感数据结合GIS空间分析的技术方法，可作为养殖区域选址的重要工具。可延伸到其他任何进行室外海水养殖的鱼虾蟹贝等海洋经济生物，使得具有高空间规划性的智能海水养殖成为可能。
本发明实现最适养殖海域选址的方法，使用ArcGIS软件，利用遥感数据的空间技术优势，制作长时间序列海水环境信息数据集，结合社会基础设施分布对扇贝养殖的影响，同时考虑港口和污染区等限制区域，使用模型构建器建立扇贝最适养殖选址评估系统。此系统可对扇贝养殖区域进行适应性等级评估，生成扇贝养殖适应性分级图，服务于扇贝养殖业，使得养殖更加高效便捷有规划性，也为全国其他贝类养殖品种的研究提供范例。
本发明所运用的GIS技术具有很强的空间信息规划能力，运用ArcGIS等可进行GIS分析的相关软件平台，可将多种类型空间信息数据进行结合并加以分析，对较大区域面积水产品养殖进行有效的、科学的管理。本发明所运用的遥感技术有很强的空间信息表现力。海洋遥感影像经过解析，可以短时间低成本获取到大范围面积的、连续的、多种类型的海水环境数据，摒弃了传统的人工实地测量的方法，大幅度提高养殖环境监测效率，节省大量人力与金钱。本发明通过分析多年历史数据，可以得到每年各个时期海水环境信息变化趋势，结合扇贝的栖息地适应性指数，能够预测未来扇贝养殖适宜区域，在一定程度上避免极端气候对养殖的危害。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的扇贝养殖区适宜性遥感评估方法流程图。
图2是本发明实施例提供的扇贝养殖区适宜性遥感评估系统的结构示意图；
图2中：1、海水环境信息模型模块；2、社会基础设施模型模块；3、限制区域模型模块；4、扇贝养殖适应性模型模块。
图3是本发明实施例提供的扇贝养殖区适宜性遥感评估方法的实现流程图。
图4是2017年胶东半岛扇贝养殖区适应性分级图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种扇贝养殖区适宜性遥感评估方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明提供的扇贝养殖区适宜性遥感评估方法包括以下步骤：
S101：基于海表温度、叶绿素a浓度、水体浊度和水深等水体特征，建立长时间序列的水体环境特征数据集，利用层次分析法，计算出适宜权重，结合扇贝生长适应性指数，建立海水环境信息模型。
S102：利用高分辨率卫星遥感影像，提取出城镇、码头和加工厂区域信息，计算欧氏距离，根据影响程度使用层次分析法设立权重，建立社会基础设施模型。
S103：利用高分辨率卫星遥感影像，提取出港口、河流入海口和工业污染区等不适宜养殖的区域，建立限制区域模型。
S104：基于三个子模型，结合养殖海域分析重要性，利用层次分析法对其设立权重，构建扇贝养殖区适应性模型。
S105：根据扇贝养殖区适应性模型，得到扇贝养殖适应性区域分级图，分析养殖适宜区动态长期变化特征。
本发明提供的扇贝养殖区适宜性遥感评估方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的扇贝养殖区适宜性遥感评估方法仅仅是一个具体实施例而已。
如图2所示，本发明提供的扇贝养殖区适宜性遥感评估系统包括：
海水环境信息模型模块1，用于结合扇贝生长适应性系数，分析影响扇贝生长的主要海水环境因素。
社会基础设施模型模块2，用于通过高分辨率遥感影像，提取出城镇、码头和水产品加工厂位置区域信息，根据养殖海域位置与社会基础设施的距离，建立模型分析其对扇贝养殖区适应性的影响。
限制区域模型模块3，用于利用高分辨率遥感影像，找到港口、河口及工业区等限制养殖的区域，将对扇贝养殖有直接限制的因素直接排除在合适养殖区域外。
扇贝养殖区适应性模型模块4，用于利用层次分析法，分析计算出适宜权重，将海水环境信息模型、社会基础设施模型和限制区域模型相结合生成的最终模型，并通过结合环境变化趋势对未来养殖适宜区进行预测，并对极端气候进行预警。
下面结合附图对本发明的技术方案作进一步的描述。
本发明基于GIS技术建立了扇贝的最适宜养殖区域选址模型，通过对海水表面温度、叶绿素浓度、海水悬浮物浓度和海水深度等海洋环境因子进行分析，结合城镇、码头和加工厂等位置信息，以及港口、河口及工业区等限制因素，综合扇贝的生态适应性系数，构建扇贝养殖区选址适宜性指数模型，对扇贝养殖区域进行分级评估，生成扇贝养殖区适应性空间分布结果。
本发明包括如下四个模型：海水环境信息模型、社会基础设施模型、限制区域模型和扇贝养殖区适应性模型；可以实现对不同海域扇贝养殖区域适应性的快速评估，为渔业管理部门提供有效的养殖区域选址参照。
海水环境信息模型，即结合扇贝生长适应性系数，分析影响扇贝生长的主要海水环境因素，包括海水表面温度、海水悬浮物浓度、叶绿素Chl-a浓度和海水深度，反映了各区域海洋生态环境对扇贝生长的影响。
社会基础设施模型，是通过高分辨率遥感影像，提取出城镇、码头和水产品加工厂位置区域信息，根据养殖海域位置与社会基础设施的距离，建立模型分析其对扇贝养殖区适应性的影响。
限制区域模型，是利用高分辨率遥感影像，找到港口、河口及工业区等限制养殖的区域，将这些对扇贝养殖有直接限制的因素直接排除在合适养殖区域外。
扇贝养殖区适应性模型是利用层次分析法，分析计算出适宜权重，将海水环境信息模型、社会基础设施模型和限制区域模型相结合生成的最终模型，体现了扇贝养殖的适宜区域，并通过结合环境变化趋势对未来养殖适宜区进行预测，并对极端气候进行预警。
下面对本发明的扇贝最适养殖选址模型进行详细说明。该模型的实质是利用多平台的遥感影像数据，根据层次分析法计算得到的权重因子，结合物种的适应性系数，对所选海区建立扇贝养殖区适应性模型，选取出最佳养殖适应性区域；包括如下步骤：
第一步，基于海表温度、叶绿素a浓度、水体浊度和水深等水体特征，建立长时间序列的水体环境特征数据集，利用层次分析法，计算出适宜权重，结合扇贝生长适应性指数，建立海水环境信息模型。
第二步，利用高分辨率卫星遥感影像，提取出城镇、码头和加工厂区域信息，计算欧氏距离，根据影响程度使用层次分析法设立权重，建立社会基础设施模型。
第三步，利用高分辨率卫星遥感影像，提取出港口、河流入海口和工业污染区等不适宜养殖的区域，建立限制区域模型。
第四步，基于三个子模型，结合养殖海域分析重要性，利用层次分析法对其设立权重，构建扇贝养殖区适应性模型。
第五步，根据扇贝养殖区适应性模型，得到扇贝养殖区适应性区域分级图，分析养殖适宜区动态长期变化特征。
如图3所示，本发明提供的扇贝养殖区适宜性遥感评估方法具体包括以下步骤：
一、利用多源遥感数据协同提取分析海洋环境信息特征，建立海水环境信息模型。
多源是指，多种类型的遥感影像数据可来自多源平台。影响扇贝生长的海洋环境因素有很多，根据海洋环境数据可获取性以及影响因素的重要性，一般选取海水表面温度、海水悬浮物浓度、叶绿素Chl-a浓度和海水深度作为所选数据类型。
1)海水表面温度
温度是影响贝类生长发育的最基本要素之一，可以对其的进食、生理代谢和免疫力等产生直接影响。目前我国扇贝养殖，一般使用浮筏吊笼养殖的方法。通过在海表放置浮筏，在浮筏下面吊挂网笼进行饲养。所以，海水表面温度是选取扇贝最适养殖区域重要指标之一。
2)海水悬浮物浓度
悬浮物浓度代表单位体积内，悬浮在水中的固体物质的含量。海水悬浮物浓度在一定程度上反应了海水中悬浮有机物的含量。扇贝是滤食性生物，水体中浮游生物越多，扇贝的食物也就越多，生长速度也就随之加快。
3)叶绿素Chl-a浓度
浮游植物是海洋中最为重要的初级生产者，是滤食性贝类的主要是食物来源之一。叶绿素Chl-a含量可以直接反映出海水中浮游植物的含量。故海水中叶绿素浓度越高，扇贝的食物越丰富，越适宜其生长。
4)海水深度
海水深度代表着海水环境稳定性，水深越深，海洋环境信息稳定性越强，越难有大的温度、盐度等指标的大幅度变化。
海洋环境信息数据可从多渠道获取。海水表面温度、海水悬浮物浓度、叶绿素Chl-a浓度数据都可以通过卫星遥感获得。NASA的Oceancolor网站提供历史和最新的海洋水色遥感数据，包括：MODIS、VIIRS、SeaWiFS等多种遥感仪器的L2和L3级数据，时间分辨率可以达到每天(无云遮挡)，空间分辨率可以达到1千米。韩国的COMS卫星携带的GOCI遥感仪器所获得的高分辨率海洋水色遥感数据，包含我国北部海域的L1和L2级数据，空间分辨率可达500米。水深数据可以使用全球地形起伏模型(ETOPO1)，由NGDC供开放下载，空间分辨率为1千米。
首先，对所获得的遥感影像数据进行预处理。通过人机交互的方法，选取一个自然月内晴朗无云的天气的水色数据作为海表温度、悬浮物浓度和叶绿素浓度的原始数据。使用ArcMap软件对原始遥感数据进行栅格化处理，在影像属性中将空间分辨率统一为1千米，遥感数据坐标系统一设置为WGS-84坐标系。
其次，对各个环境数据指标进行量化处理。各个指标的数值差异较大、计量单位不一致，无法进行直接比较分析。结合各品种扇贝的生物学特性，选取相对应的合适的打分系统，对各个栅格数据按分值0-4打分。分值越高，环境越适合扇贝的生长发育。最后所得到各像素对应的分值：SAij、SBij、SCij和SDij。其中，i表示所选海区内各点横坐标，j表示所选海区内各点纵坐标，SA表示海水表面温度分值，SB表示海水悬浮物浓度分值，SC表示叶绿素浓度分值，SD表示海水深度分值。
表1扇贝环境适应性打分表
各个环境指标权重的设置采用层次分析法。层次分析法是一种将复杂问题定性与定量相结合的方法，通过判断各指标之间的重要程度，得到每个指标所对应的权重。首先，使用一致矩阵法构造判断矩阵，对指标两两进行比较。判断矩阵中，对于海洋环境要素m于n的比较值Kmn，若具有同样重要性，则Kmn为1；若m比n稍微重要，则K为3；若m比n明显重要，则K为5；若m比n强烈重要，则K为7；若m比n极端重要，则K为9；若介于上述相邻比较值中，K各为2、4、6和8。同时，得到对于海洋环境要素m于n的比较值Knm＝1/Kmn。计算判断矩阵中，最大特征根λ的特征向量，经归一化处理得到的向量。其中，向量内元素WA、WB、WC和WD，分别表示海水表面温度、海水悬浮物浓度、叶绿素浓度和海水深度所对应的权重。
最终，对每个栅格的数据，进行加权求和。最后，求得到的海水环境数据模型各像素分值：
SEij＝SAij*WA+SBij*WB+SCij*WC+SDij*WD。
二、选取出利于扇贝养殖业的社会基础设施区域，根据养殖区域与其之间的距离建立社会基础设施模型。
渔船作业收取的扇贝需要到码头卸货，所以距离码头越近，扇贝的运输时间越短。到码头的扇贝一部分会发往城镇，一部分会发往加工厂，所以离此类区域越近，运输时间越短。
首先，获取高分辨率遥感影像，可以使用我国的高分号遥感卫星影像，空间分辨率可达米级。通过影像判断地物类型，勾选出码头区域、城镇和加工厂等区域。
其次，计算养殖区域到已勾选的社会基础设施的欧式距离Dij。即养殖区域像元与港口码头之间的距离
其中，i0表示最近的码头、城镇及加工厂区域横坐标，j0表示最近的码头、城镇及加工厂区域纵坐标。
接下来对欧式距离进行量化处理。由于距离越近越适合运输，所以设置一个合适的打分指标，将养殖区与港口及城镇的距离Dij，按从远到近的不同距离范围，从0-4进行打分，即为基于社会基础设施的养殖适宜度SSij。
三、提取出限制扇贝养殖业的位置区域，建立限制区域模型。
港口一般为船只停靠的区域，无法设置为扇贝养殖区。
河水会携带大量泥沙和淡水进入河口区。扇贝为滤食性生物，大量泥沙的存在会阻碍其进食。同时，扇贝对盐度的要求较高，河口区盐度较低且会随着河水流量的变化而变化，很不稳定，所以河口区也不能设置为养殖区。
工业污染区由于工厂废水排放，水中存在大量有毒有害物质，不利于扇贝生长，同时也会影响人的身体健康。所以工业污染区也排除在外。
在ArcMap中，对高分辨率遥感影像，通过人机交互识别的方法判断地物类型，选出港口、河口及工业污染区等区限制区域。使用编辑器，将限制区域像素点(i,j)的权重因子Lij设置为0，其余海域Lij设置为1。
四、综合海水环境信息模型、社会基础设施模型和限制区域模型，构建扇贝养殖区适应性模型。
利用ArcMap的模型构建器，将三个模型进行有效结合，最终得到扇贝养殖区适应性模型。
根据所选海域特点，分析判断各模型的重要性，设置海水环境信息模型的权重为P。
总打分分值为S＝(P*SEij+(1-P)*SSij)*Lij；
最终分值范围为0-4。若分值为0，表示该区域不适合作为养殖区域；分值越大，越适宜作为扇贝养殖区域。
五、分析扇贝养殖区适应性模型，生成扇贝养殖区适应性区域分级图，分析扇贝养殖区域变化特征趋势。
在ArcMap中，将所得到的扇贝养殖区适应性模型结果绘制成图，根据不同分值设置不同颜色，可直观看到不同海域扇贝养殖的适应性。选取各年份不同月份晴朗天气的海洋环境数据，可对不同年份的养殖适宜性进行分析，根据各年适宜养殖区域变化趋势分析养殖区域未来年份适宜区域，推测极端气候变化状况，提前对现有养殖区域作出预警。
图4为以2017年胶东半岛为例，所生成的扇贝养殖区适应性分级图。养殖区域颜色由深至浅分别对应扇贝养殖区适应性由高到低。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种扇贝养殖区适宜性遥感评估方法，其特征在于，所述扇贝养殖区适宜性遥感评估方法基于GIS技术建立了扇贝的最适宜养殖区域选址模型，通过对海水表面温度、叶绿素浓度、海水悬浮物浓度和海水深度的海洋环境因子进行分析，结合城镇、码头和加工厂位置信息，以及港口、河口及工业区等限制因素，综合扇贝的生态适应性系数，构建扇贝养殖区选址适宜性指数模型，对扇贝养殖区域进行分级评估，生成扇贝养殖区适应性空间分布结果。
2.如权利要求1所述的扇贝养殖区适宜性遥感评估方法，其特征在于，所述扇贝养殖区适宜性遥感评估方法包括：
第一步，基于海表温度、叶绿素a浓度、水体浊度和水深的水体特征，建立长时间序列的水体环境特征数据集，利用层次分析法，计算出适宜权重，结合扇贝生长适应性指数，建立海水环境信息模型；
第二步，利用高分辨率卫星遥感影像，提取出城镇、码头和加工厂区域信息，计算欧氏距离，根据影响程度使用层次分析法设立权重，建立社会基础设施模型；
第三步，利用高分辨率卫星遥感影像，提取出港口、河流入海口和工业污染区不适宜养殖的区域，建立限制区域模型；
第四步，基于三个子模型，结合养殖海域分析重要性，利用层次分析法对其设立权重，构建扇贝养殖区适应性模型；
第五步，根据扇贝养殖区适应性模型，得到扇贝养殖区适应性区域分级图，分析养殖适宜区动态长期变化特征。
3.如权利要求2所述的扇贝养殖区适宜性遥感评估方法，其特征在于，所述第一步利用多源遥感数据协同提取分析海洋环境信息特征，建立海水环境信息模型，具体包括：
1)海水表面温度，通过在海表放置浮筏，在浮筏下面吊挂网笼进行饲养；
2)海水悬浮物浓度，悬浮物浓度代表单位体积内，悬浮在水中的固体物质的含量，海水悬浮物浓度在一定程度上反应了海水中悬浮有机物的含量；
3)叶绿素Chl-a浓度，叶绿素Chl-a含量直接反映出海水中浮游植物的含量；
4)海水深度，海水深度代表着海水环境稳定性。
4.如权利要求3所述的扇贝养殖区适宜性遥感评估方法，其特征在于，所述海洋环境信息数据从多渠道获取，海水表面温度、海水悬浮物浓度、叶绿素Chl-a浓度数据通过卫星遥感获得；
首先，对获得的遥感影像数据进行预处理，通过人机交互的方法，选取水色数据作为海表温度、悬浮物浓度和叶绿素浓度的原始数据；使用ArcMap软件对原始遥感数据进行栅格化处理，在影像属性中将空间分辨率统一为1千米，遥感数据坐标系统一设置为WGS-84坐标系；
其次，对各个环境数据指标进行量化处理，各个指标的数值差异较大、计量单位不一致，无法进行直接比较分析，结合各品种扇贝的生物学特性，选取相对应的合适的打分系统，对各个栅格数据按分值1-8打分，分值越高，环境越适合扇贝的生长发育；
最后所得到各像素对应的分值：SAij、SBij、SCij和SDij，其中，i表示所选海区内各点横坐标，j表示所选海区内各点纵坐标，SA表示海水表面温度分值，SB表示海水悬浮物浓度分值，SC表示叶绿素浓度分值，SD表示海水深度分值。
5.如权利要求4所述的扇贝养殖区适宜性遥感评估方法，其特征在于，各个环境指标权重的设置采用层次分析法，首先，使用一致矩阵法构造判断矩阵，对指标两两进行比较，判断矩阵中，对于海洋环境要素m于n的比较值Kmn，若具有同样重要性，则Kmn为1；若m比n稍微重要，则K为3；若m比n明显重要，则K为5；若m比n强烈重要，则K为7；若m比n极端重要，则K为9；若介于相邻比较值中，K各为2、4、6和8；同时，得到对于海洋环境要素m于n的比较值Knm＝1/Kmn；计算判断矩阵中，最大特征根λ的特征向量，经归一化处理得到的向量；其中，向量内元素WA、WB、WC和WD，分别表示海水表面温度、海水悬浮物浓度、叶绿素浓度和海水深度所对应的权重；最终，对每个栅格的数据，进行加权求和，求得到的海水环境数据模型各像素分值：
SEij＝SAij*WA+SBij*WB+SCij*WC+SDij*WD。
6.如权利要求2所述的扇贝养殖区适宜性遥感评估方法，其特征在于，所述第二步选取出利于扇贝养殖业的社会基础设施区域，根据养殖区域与其之间的距离建立社会基础设施模型；
首先，获取高分辨率遥感影像，使用高分号遥感卫星影像，空间分辨率可达米级；通过影像判断地物类型，勾选出码头区域、城镇和加工厂区域；
其次，计算养殖区域到已勾选的社会基础设施的欧式距离Dij，即养殖区域像元与港口码头之间的距离
其中，i0表示最近的码头、城镇及加工厂区域横坐标，j0表示最近的码头、城镇及加工厂区域纵坐标；
最后，对欧式距离进行量化处理，设置一个合适的打分指标，将养殖区与港口及城镇的距离Dij，按从远到近的不同距离范围，从1-8进行打分，即为基于社会基础设施的养殖适宜度SSij；
所述第三步提取出限制扇贝养殖业的位置区域，建立限制区域模型在ArcMap中，对高分辨率遥感影像，通过人机交互识别的方法判断地物类型，选出港口、河口及工业污染区等区限制区域；使用编辑器，将限制区域像素点(i，j)的权重因子Lij设置为0，其余海域Lij设置为1。
7.如权利要求2所述的扇贝养殖区适宜性遥感评估方法，其特征在于，所述第四步综合海水环境信息模型、社会基础设施模型和限制区域模型，构建扇贝养殖区适应性模型；利用ArcMap的模型构建器，将三个模型进行有效结合，最终得到扇贝养殖区适应性模型；根据所选海域特点，分析判断各模型的重要性，设置海水环境信息模型的权重为P：
总打分分值为S＝(P*SEij+(1-P)*Ssij)*Lij；
最终分值范围为0-8，若分值为0，表示该区域不适合作为养殖区域；分值越大，越适宜作为扇贝养殖区域。
8.如权利要求2所述的扇贝养殖区适宜性遥感评估方法，其特征在于，所述第五步分析扇贝养殖区适应性模型，生成扇贝养殖适应性区域分级图，分析扇贝养殖区域变化特征趋势，在ArcMap中，将所得到的扇贝养殖区适应性模型结果绘制成图，根据不同分值设置不同颜色，直观看到不同海域扇贝养殖的适应性；选取各年份不同月份晴朗天气的海洋环境数据，对不同年份的养殖适宜性进行分析，根据各年适宜养殖区域变化趋势分析养殖区域未来年份适宜区域，推测极端气候变化状况，提前对现有养殖区域作出预警。
9.一种实施权利要求1～8任意一项所述扇贝养殖区适宜性遥感评估方法的扇贝养殖区适宜性遥感评估系统，其特征在于，所述扇贝养殖区适宜性遥感评估系统包括：
海水环境信息模型模块，用于结合扇贝生长适应性系数，分析影响扇贝生长的主要海水环境因素；
社会基础设施模型模块，用于通过高分辨率遥感影像，提取出城镇、码头和水产品加工厂位置区域信息，根据养殖海域位置与社会基础设施的距离，建立模型分析其对扇贝养殖区适应性的影响；
限制区域模型模块，用于利用高分辨率遥感影像，找到港口、河口及工业区等限制养殖的区域，将对扇贝养殖有直接限制的因素直接排除在合适养殖区域外；
扇贝养殖区适应性模型模块，用于利用层次分析法，分析计算出适宜权重，将海水环境信息模型、社会基础设施模型和限制区域模型相结合生成的最终模型，并通过结合环境变化趋势对未来养殖适宜区进行预测，并对极端气候进行预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010874865.6A CN112001641B (zh) | 2020-08-27 | 2020-08-27 | 一种扇贝养殖区适宜性遥感评估系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010874865.6A CN112001641B (zh) | 2020-08-27 | 2020-08-27 | 一种扇贝养殖区适宜性遥感评估系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112001641A true CN112001641A (zh) | 2020-11-27 |
| CN112001641B CN112001641B (zh) | 2023-08-08 |
Family
ID=73470444
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010874865.6A Active CN112001641B (zh) | 2020-08-27 | 2020-08-27 | 一种扇贝养殖区适宜性遥感评估系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112001641B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117992801A (zh) * | 2024-04-03 | 2024-05-07 | 南京信息工程大学 | 一种通过卫星遥感技术的海域监测方法与系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080228542A1 (en) * | 2006-12-26 | 2008-09-18 | Katsumi Iwai | Method and apparatus for cultured sea algae |
| WO2019149147A1 (zh) * | 2018-01-30 | 2019-08-08 | 中国矿业大学 | 一种基于煤炭资源开发的生态地质环境类型划分方法 |
-
2020
- 2020-08-27 CN CN202010874865.6A patent/CN112001641B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080228542A1 (en) * | 2006-12-26 | 2008-09-18 | Katsumi Iwai | Method and apparatus for cultured sea algae |
| WO2019149147A1 (zh) * | 2018-01-30 | 2019-08-08 | 中国矿业大学 | 一种基于煤炭资源开发的生态地质环境类型划分方法 |
Non-Patent Citations (2)
| Title |
|---|
| 徐雯佳;: "基于高分卫星影像的秦皇岛近海浮筏养殖分布遥感监测", 河北渔业, no. 04 * |
| 邱明;张燕;隋传国;杨攀峰;: "基于GIS的深水网箱养殖适宜性评价――以长海县为例", 渔业研究, no. 06 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117992801A (zh) * | 2024-04-03 | 2024-05-07 | 南京信息工程大学 | 一种通过卫星遥感技术的海域监测方法与系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112001641B (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107609290A (zh) | 一种以底栖生物多样性为目标的河流生态流量确定方法 | |
| CN106295833B (zh) | 一种太平洋褶柔鱼资源补充量预测方法及其应用 | |
| Atalah et al. | Forecasting mussel settlement using historical data and boosted regression trees | |
| CN114492973A (zh) | 一种核电厂周边海域海洋生物预测方法 | |
| Kenitz et al. | Environmental and ecological drivers of harmful algal blooms revealed by automated underwater microscopy | |
| Atalah et al. | Inferring parental areas of juvenile mussels using hydrodynamic modelling | |
| Kokarev et al. | Strong macrobenthic community differentiation among sub-Arctic deep fjords on small spatial scales | |
| CN112001641B (zh) | 一种扇贝养殖区适宜性遥感评估系统 | |
| Miller et al. | Evaluation methods for trophic resource factors-nutrients, primary production, and associated assemblages | |
| CN114049243A (zh) | 一种浒苔堆积量估算方法、系统及存储介质 | |
| Beazley et al. | Characteristics of environmental data layers for use in species distribution modelling in the Gulf of St. Lawrence | |
| CN114118877A (zh) | 一种增殖型海洋牧场生态适宜性评价方法 | |
| Petersen et al. | Andre presfaktorer end næringsstoffer og klimaforandringer–effekter af fiskeri på de marine kvalitetselementer bundfauna og fytoplankton | |
| McInturf et al. | Use of a hydrodynamic model to examine behavioral response of broadnose sevengill sharks (Notorynchus cepedianus) to estuarine tidal flow | |
| Guijarro et al. | Characteristics of environmental data layers for use in species distribution modelling in the Newfoundland and Labrador Region | |
| Chamberlain et al. | Modeling approaches to assess the potential effects of shellfish aquaculture on the marine environment | |
| Spires | The exchange of eastern oyster (Crassostrea virginica) larvae between subpopulations in the choptank and little choptank rivers: Model simulations, the influence of salinity, and implications for restoration | |
| Jiang et al. | Modelling spatial variability of cultivated Saccharina latissima in a Dutch coastal bay shows benefits of co-cultivation with shellfish | |
| MYNETT | Hydroinformatics tools for ecohydraulics modelling | |
| Ross et al. | Ecological Monitoring Program at VIMS ESL-Annual Report 2018-2019 | |
| Windupranata et al. | Decision support system for selection of suitable mariculture site in the western part of Java Sea, Indonesia | |
| Moffat et al. | Advice on United Kingdom biodiversity indicators and targets for the Marine Strategy Framework Directive | |
| Srilatha et al. | Prediction of Algal Bloom and Its Effects on Aquaculture in Coastal Area Using Modis Dataset and Machine Learning Techniques | |
| Marks | In situ clearance rates of Olympia oyster (Ostrea lurida) habitat and Pacific oyster (Crassostrea gigas) aquaculture in California | |
| Kobayashi | Spatial connectivity of Pacific insular species: insights from modeling and tagging |
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 |