CN114444819A - 一种渔业资源预测方法、装置、存储介质以及电子设备 - Google Patents
一种渔业资源预测方法、装置、存储介质以及电子设备 Download PDFInfo
- Publication number
- CN114444819A CN114444819A CN202210371074.0A CN202210371074A CN114444819A CN 114444819 A CN114444819 A CN 114444819A CN 202210371074 A CN202210371074 A CN 202210371074A CN 114444819 A CN114444819 A CN 114444819A
- Authority
- CN
- China
- Prior art keywords
- indicator
- predicted
- data
- detection
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 142
- 239000013535 sea water Substances 0.000 claims abstract description 81
- 241000251468 Actinopterygii Species 0.000 claims abstract description 60
- 235000013305 food Nutrition 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000009395 breeding Methods 0.000 claims description 4
- 230000001488 breeding effect Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 14
- 238000004891 communication Methods 0.000 description 10
- 230000007613 environmental effect Effects 0.000 description 10
- 238000006424 Flood reaction Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 5
- 230000001413 cellular effect Effects 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 229910052760 oxygen Inorganic materials 0.000 description 5
- 239000001301 oxygen Substances 0.000 description 5
- 208000028804 PERCHING syndrome Diseases 0.000 description 4
- 238000012952 Resampling Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000002344 surface layer Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- 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 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003050 macronutrient Effects 0.000 description 1
- 235000021073 macronutrients Nutrition 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 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
- G06Q10/04—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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mechanical Means For Catching Fish (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种渔业资源预测方法、装置、存储介质以及电子设备，其中方法包括：选择待预测区域和待预测时段；基于历史捕获数据在待预测区域中确定海水上泛指示物中心检测位置；获取待预测区域和待预测时段的海洋环境数据，海洋环境数据包括洋流流向、流动速度、离岸风数据和气象数据中的至少之一；基于海洋环境数据和中心检测位置确定指示物检测范围，在指示物检测范围内投放有多个指示物检测装置；获取指示物检测装置的检测信号；基于检测信号和目标鱼群属性进行捕捞作业预测；可以在待预测区域海水上泛后浮游生物大量繁殖，会逐级繁殖或吸引不同食物链级别的鱼群，因此，可以基于海水上泛时机和位置确定鱼群聚集位置和时机。
Description
技术领域
本申请涉及海洋渔汛预测技术领域，尤其涉及一种渔业资源预测方法、装置、存储介质以及电子设备。
背景技术
海洋渔业资源在人类生存和发展中起着不可替代的作用，是现代社会主要经济活动的一部分。但随着捕捞区域的扩大和超出渔业资源再生速度的高强度捕捞，近海渔业资源环境遭到严重破坏，海洋渔业资源岌岌可危。为了维持渔业资源的可持续开发和利用，实现渔业资源的合理配置，通过对未来渔业资源的合理预测，为适度捕捞提供决策依据。
现有技术在实现未来渔业资源预测时，由于预测未来的鱼群的位置与鱼量，需要有关的历史数据，但是由于海洋中的直接观测鱼群的传感器的数量相对较少，无法获得海洋中准确的鱼群位置与数量，且每艘渔船的捕捞量对于各公司也都是保密的，这给鱼群预测带来了极大的挑战。
因此，如何在时间和空间上更为精确的预测捕捞鱼群成为亟待解决的技术问题。
发明内容
本申请实施例提供一种渔业资源预测方法、装置存储介质以及电子设备，用以解决现有技术中的如下技术问题：如何在时间和空间上更为精确的预测捕捞鱼群。
根据第一方面，本申请提供了一种渔业资源预测方法，包括：选择待预测区域和待预测时段；基于历史捕获数据在待预测区域中确定海水上泛指示物中心检测位置；获取所述待预测区域和待预测时段的海洋环境数据，所述海洋环境数据包括洋流流向、流动速度、离岸风数据和气象数据中的至少之一；基于所述海洋环境数据和所述中心检测位置确定指示物检测范围，在所述指示物检测范围内投放有多个指示物检测装置；获取指示物检测装置的检测信号；基于所述检测信号和目标鱼群属性进行捕捞作业预测。
可选地，所述指示物包括海水盐度和/或浮游生物数量；所述基于所述海洋环境数据和所述中心检测位置确定指示物检测范围包括：获取洋流方向和离岸风方向；基于所述洋流方向和离岸风方向确定上泛后的所述海水盐度的流动方向和/或基于海水上泛后繁殖的浮游生物的流动方向作为第一流动方向；获取未来预设时段内预测的气象数据中的气温变化数据和海水温度变化数据；基于所述气温变化数据和海水温度变化数据预测第一未来上泛速度；获取洋流速度和离岸风速；基于所述洋流速度和离岸风速以及所述第一未来上泛速度确定上泛后的所述海水盐度的位置与所述中心检测位置之间的距离和/或基于海水上泛后繁殖的浮游生物的位置与所述中心检测位置之间的距离作为第一距离；基于所述第一流动方向和所述第一距离确定所述指示物检测范围。
可选地，所述指示物还包括人工投放指示物；所述基于历史捕获数据在待预测区域中确定海水上泛指示物中心检测位置包括：基于历史捕获数据在待预测区域中确定海水上泛的所述人工投放指示物投放位置和投放时段；所述基于所述海洋环境数据和所述中心检测位置确定指示物检测范围包括：在所述投放时段内在所述检测范围内设置指示物检测装置。
可选地，基于所述海洋环境数据和所述指示物投放位置确定指示物检测范围包括：基于所述洋流方向和所述离岸风方向确定所述人工投放指示物的第二流动方向；基于所述气温变化数据和海水温度变化数据预测所述人工投放指示物第二未来上泛速度；基于所述洋流速度和所述离岸风速以及第二未来上泛速度确定所述上泛后的所述人工投放指示物的位置与所述中心检测位置之间的第二距离；基于所述第二流动方向和所述第二距离确定所述指示物检测范围。
可选地，所述基于所述检测信号和目标鱼群属性进行捕捞作业预测包括：判断所述检测信号中所述指示物的检测信号强度是否大于预设值；当所述指示物的检测信号强度大于预设值时，将检测到所述指示物的检测信号强度大于预设值的检测装置所在的区域作为待捕捞区；基于所述目标鱼群所属的食物链层级和出现所述指示物的检测信号强度大于预设值时间点确定所述目标鱼群到达所述待捕捞区的预测捕捞时段；基于所述待捕捞区位置和所述预测捕捞时段确定捕捞作业预测结果。
可选地，所述判断所述检测信号中所述指示物的检测信号强度是否大于预设值包括：在所述海水盐度的变化量和/或浮游生物数的量变化量是否大于预设变化量；当所述海水盐度的变化量和/或浮游生物数量的变化量大于预设变化量时，判断所述人工投放检测物的含量是否大于预设含量；当所述人工投放检测物的含量大于预设含量时，确认所述指示物的检测信号强度大于预设值。
可选地，所述选择待预测区域和待预测时段包括：获取多个目标鱼群历史聚集区域的渔船轨迹数据，所述历史聚集区域包括多个子区域；将所述轨迹点映射到所述子区域中，并获取所述轨迹点所在子区域中的海洋环境数据；综合时间和空间维度信息确定每个子区域的渔情状况数据；基于所述渔情状况数据以及海洋环境数据，得到所述待预测区域和所述待预测时段。
根据第二方面，本申请提供了一种渔业资源预测装置，包括：选择模块，用于选择待预测区域和待预测时段；第一确定模块，用于基于历史捕获数据在待预测区域中确定海水上泛指示物中心检测位置；第一获取模块，用于获取所述待预测区域和待预测时段的海洋环境数据，所述海洋环境数据包括洋流流向、流动速度、离岸风数据和气象数据中的至少之一；第二确定模块，用于基于所述海洋环境数据和所述中心检测位置确定指示物检测范围，在所述指示物检测范围内投放有多个指示物检测装置；第二获取模块，用于获取指示物检测装置的检测信号；预测模块，用于基于所述检测信号和目标鱼群属性进行捕捞作业预测。
根据第三方面，本申请提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任意一项所述的渔业资源预测方法。
根据第四方面，本申请提供了一种电子设备，包括一个或多个处理器、一个或多个存储器、一个或多个计算机程序指令，所述计算机程序指令被处理器执行时实现如上述第一方面任意一种渔业资源预测方法。
本发明提出了一种渔业资源预测方法，选择待预测区域和待预测时段；基于历史捕获数据在待预测区域中确定海水上泛指示物中心检测位置；获取所述待预测区域和待预测时段的海洋环境数据，所述海洋环境数据包括洋流流向、流动速度、离岸风数据和气象数据中的至少之一；基于所述海洋环境数据和所述中心检测位置确定指示物检测范围，在所述指示物检测范围内投放有多个指示物检测装置；获取指示物检测装置的检测信号；基于所述检测信号和目标鱼群属性进行捕捞作业预测。可以在待预测区域中基于历史捕获数据确定一个或多个捕获量最多的区域作为待预测区域。海水上泛后浮游生物大量繁殖，会逐级繁殖或吸引不同食物链级别的鱼群，因此，可以基于海水上泛时机和位置确定鱼群聚集位置和时机。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请的一些实施例提供的渔业资源预测方法流程的示意图；
图2为本申请的一些实施例提供的指示物检测的区域示意图；
图3为本申请的一些实施例提供的电子设备示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1为本申请的一些实施例提供的一种渔业资源预测方法，该方法可以包括如下步骤：
S10.选择待预测区域和待预测时段。作为示例性的实施例，待预测区域为目标鱼群出没区域、洄游区域或栖息地区域等。待预测时段为目标鱼群聚集时段，在本实施例中，每一类目标鱼群的聚集区域即渔场和聚集时段大致相同，而由于鱼类作为生态机会主义者，渔场分布极易受环境因素影响而发生变化，因此，可以将历年的渔场或聚集区域作为待预测区域，将历年的聚集时段作为待预测时段。
S20.基于历史捕获数据在待预测区域中确定海水上泛指示物中心检测位置。作为示例性的实施例，海水上泛会给上泛区域可以将大量营养盐类带到海洋表层，使浮游生物大量繁殖，为鱼类提供饵料，因此，可以在待预测区域中基于历史捕获数据确定一个或多个捕获量最多的区域作为待预测区域。海水上泛后浮游生物大量繁殖，会逐级繁殖或吸引不同食物链级别的鱼群，因此，可以基于海水上泛时机和位置确定鱼群聚集位置和时机。
在本实施例中，指示物包括海水盐度和/或浮游生物数量，示例性的，可以检测海水盐度变化和/或浮游生物数量变化进而确定所在区域是否发生上泛，进而确定未来是否会有鱼群。
作为可选的实施例，指示物还可以为人工投放指示物，例如陆源性同位素，可以包括有机碳粒和无机碳粒，由于海洋中的陆源性同位素含量较少，尤其是对于远洋区域，陆源性同位素含量更少，因此，可以将陆源性同位素作为海水上泛的示踪物，在投放区域不同深度投放缓释性的陆源性同位素，在海水发生上泛时，可以基于检测到的陆源性同位素确定海水上泛时机和海水上泛区域。进而确定未来是否会有鱼群。
S30.获取所述待预测区域和待预测时段的海洋环境数据，所述海洋环境数据包括洋流流向、流动速度、离岸风速和气象数据中的至少之一。作为示例性的实施例，冷海水上泛的原因有如下几种：1、表层海水热量收入大于热量支出，水温下降，如果表层水温低于底层水温，并且低于导致海水上泛的临界温度，冷重的表层海水就回向下沉，而相对温度较高的底层海水会由热力因素作用上升至表层——即底层海水上泛，起到补偿作用。也就形成了表层海水和底部海水的交换。2、离岸风自陆地吹向海洋，会造成近海大陆架地区海平面降低，进而使底层海水上泛，来补偿由此损失的水量。这样会加强冬季表层海水和底部海水的交换。3、寒暖流交汇，也会导致海水扰动，进而使冷海水上泛。
在本实施例中，可以以第一种原因和第二原因进行示例性的说明。因此，在本实施例中，需要离岸风数据和气象数据，离岸风数据可以包括风速和风向，气象数据可以包括气温数据和海水温度数据，在本实施例中，可以基于遥感卫星获取未来的离岸风数据和气象数据。作为可选的实施例，海水上泛过程中，可能会受到洋流的影响，因此，在本实施例中，还需要洋流流向、流动速度，当上泛区域存在洋流时，需要基于洋流流向、流动速度确定上泛过程中上泛物的流动方向和流动距离进而确定鱼群聚集方向和聚集范围。
S40.基于所述海洋环境数据和所述中心检测位置确定指示物检测范围，在所述指示物检测范围内投放有多个指示物检测装置。
作为示例性的实施例，以指示物包括海水盐度和/或浮游生物数量为例，获取洋流方向和离岸风方向；基于所述洋流方向和离岸风方向确定所述海水盐度上泛后和/或基于海水盐度上泛后繁殖的浮游生物的第一流动方向；获取未来预设时段内预测的气象数据中的气温变化数据和海水温度变化数据；基于所述气温变化数据和海水温度变化数据预测第一未来上泛速度；获取洋流速度和离岸风速；基于所述洋流速度和离岸风速以及所述第一未来上泛速度确定所述海水盐度上泛后和/或基于海水盐度上泛后繁殖的浮游生物与所述中心检测位置之间的第一距离；基于所述第一流动方向和所述第一距离确定所述指示物检测范围。
作为另一种可选地实施例，指示物还包括人工投放指示物；参见图2所示，所述基于历史捕获数据在待预测区域中确定海水上泛指示物中心检测位置包括：基于历史捕获数据在待预测区域中确定海水上泛的所述人工投放指示物投放位置和投放时段；所述基于所述海洋环境数据和所述中心检测位置确定指示物检测范围包括：在所述投放时段内在所述检测范围内设置指示物检测装置。基于所述海洋环境数据和所述指示物投放位置确定指示物检测范围包括：基于所述洋流方向和所述离岸风方向确定所述人工投放指示物的第二流动方向；基于所述气温变化数据和海水温度变化数据预测所述人工投放指示物第二未来上泛速度；基于所述洋流速度和所述离岸风速以及第二未来上泛速度确定所述上泛后的所述人工投放指示物与所述中心检测位置之间的第二距离；基于所述第二流动方向和所述第二距离确定所述指示物检测范围。
S50.获取指示物检测装置的检测信号。作为示例性的实施例，对于可以同时布置盐度、浮游生物和人工投放指示物的检测装置，以能获取到更为全面的检测结果。
S60.基于所述检测信号和目标鱼群属性进行捕捞作业预测。在获取到检测信号后，判断所述检测信号中所述指示物的检测信号强度是否大于预设值；当所述指示物的检测信号强度大于预设值时，将检测到所述指示物的检测信号强度大于预设值的检测装置所在的区域作为待捕捞区；基于所述目标鱼群所属的食物链层级和出现所述指示物的检测信号强度大于预设值时间点确定所述目标鱼群到达所述待捕捞区的预测捕捞时段；基于所述待捕捞区位置和所述预测捕捞时段确定捕捞作业预测结果。其中，对于检测信号是否能够表征上泛，在本实施例中，在所述海水盐度的变化量和/或浮游生物数量的变化量是否大于预设变化量；当所述海水盐度的变化量和/或浮游生物数量的变化量大于预设变化量时，判断所述人工投放检测物的含量是否大于预设含量；当所述人工投放检测物的含量大于预设含量时，确认所述指示物的检测信号强度大于预设值，即确定当前区域发生海水上泛。
作为示例性的实施例，海水上泛后，由于营养盐类大幅增加，浮游生物也很快繁殖，会吸引大量的次级鱼类进食，进而吸引食物链更上一级的鱼群过来捕食，因此，可以通过目标鱼群的食物链层级确定目标鱼群自上泛出现后，出现的时机。进而预测目标鱼群的聚集时机和聚集区域。
示例性的，在检测到海水上泛之后，鱼群是否会产生聚集，聚集所需的时长可能与当前环境因素相关，示例性的，在确定海水上泛之后，可以检测当前海水垂直温度分布、垂直含氧量，基于海水垂直温度分布和垂直含氧量对目标鱼群的聚集时机进行调整，示例性的，不同深度的含氧量可以影响不同深度的浮游生物的繁殖速度，进而对处于不同深度的目标鱼群产生影响，在本实施例中，还需基于目标鱼群的栖息深度和栖息深度的含氧量对聚集时机进行调整，其中，含氧量越丰富，从海水上泛到聚集所耗时长越短。
作为示例性的实施例，还需要基于目标鱼群温度适应范围和栖息深度与栖息深度对应的海水观测温度确定目标鱼群聚集的概率，示例性的，栖息深度对应的海水观测温度越靠近所述目标鱼群温度适应范围，其目标鱼群的聚集概率越大。
作为示例性的实施例，在确定海水上泛之后，洋流流向以及洋流流速对目标鱼群的栖息深度的影响程度，其中，栖息深度靠近洋流中心，其影响程度越大，因此，基于影响程度和预测的从海水上泛到聚集所耗时长以及洋流流向以及洋流流速确定目标鱼群偏离检测位置的距离，最终确定目标鱼群聚集区域。
作为示例性的实施例，待预测区域和待预测时段可以基于遥感卫星观测数据、渔船活动轨迹和目标鱼群的习性等因素确定，在本实施例中，还可以基于目前未来的离岸风数据、气温数据、海水温度数据和洋流数据确定，示例性的，可以获取当前离岸风数据、气温数据、海水温度数据和洋流数据对渔船活动轨迹和目标鱼群的习性等因素确定的区域进行调整，确定最终的待观测区域。
作为示例性的实施例，以渔船活动轨迹和海洋环境数据为例进行说明：选择待预测区域和待预测时段包括：获取多个目标鱼群历史聚集区域的渔船轨迹数据，所述历史聚集区域包括多个子区域；将所述轨迹点映射到所述子区域中，并获取所述轨迹点所在子区域中的海洋环境数据；综合时间和空间维度信息确定每个子区域的渔情状况数据；基于所述渔情状况数据以及海洋环境数据，得到所述待预测区域和所述待预测时段。
在本实施例中，针对轨迹提取方法可以采用，获取待提取的历史航迹数据；根据所述历史航迹数据，提取各条航迹的关键点；对所述关键点进行聚类，并从各个类别中提取代表点，作为捕鱼轨迹点。示例性的，首先对每条历史航迹中的航迹数据按照各个航迹数据的时间进行排序，由此生成每条航迹的航迹序列。
为了更好地区别各个航迹序列，可以对所有待提取的航迹序列进行编码即可。对每条所述第一航迹数据进行分段，并对分段航迹重新采样，得到第二航迹数据。先对每条第一航迹数据分别按照时间顺序进行排序，一般为升序，由此重新生成每条航迹的航迹序列。然后对第一航迹数据进行具体的分段，其分段规则为：例如在海事领域，对于同一条航迹，若某个点迹与下一个点迹的时间间隔小于1小时或者这个点迹到下一个点迹之间的距离间隔大于20海里，则从该点迹处将这条航迹断开，如此，直至为所有的航迹进行完分段，这样每一条航迹就有多个分段航迹。需要说明的是，该点迹属于上一航段，下一个点迹属于下一航段，从该点迹处将上一航段和下一航段断开，但保留该点迹。接着对每条航迹上的多个分段航迹进行重新采样，具体的，先按照预设时间间隔对属于同一分段航迹上的点迹进行重新采样，优选的，预设时间间隔为5分钟，也可以在1分钟到1小时之间任意取值。如此，直至为所有的多个分段航迹完成重新采样，此时的航迹数据被定义为第二航迹数据。
根据第一预设速度去除所述第二航迹数据中的异常数据，得到第三航迹数据。先对每条第二航迹数据分别按照时间顺序进行排序，一般为升序，由此重新生成每条航迹的航迹序列。
具体的，先计算同一航迹序列里相邻两点迹之间的距离，根据所述距离和相邻点迹之间的时间计算这段航迹的平均航速，将平均航速与第一预设速度进行比较，若平均航速大于第一预设速度，则将同一航迹序列中相邻点迹中的第一个点迹作为异常点进行去除，如此，直至第二航迹数据中没有异常数据存在，此时的航迹数据被定义为第三航迹数据。优选的，第一预设速度为20m/s，也可以在10m/s到30m/s之间任意取值。
提取各条航迹的关键点，具体包括：按照每条航迹序列，逐条提取各条航迹上的关键点，并生成各条航迹的关键点序列，需要说明的是，每条航迹序列可以是未进行预处理的航迹序列，也可以是进行预处理之后的航迹序列。
其中海洋环境遥感数据包括通过传感器获取到的海洋温度、盐度、叶绿素浓度等。
本实施例在数据预测过程中，通过结合时间和空间维度上的数据特征，在海洋环境数据的基础上进行依赖关系分析，克服了现有技术中时间依赖性上的不足，使得模型预测准确度得到提高。
在进一步的实施例中，进行时空数据预测分析时，对需要进行分析的区域，往往采用方形网格进行划分，由于方形网格的邻域有共享边邻域和共享顶点邻域两种，这两种邻域在距离度量和连通性上会产生不一致性，因此，方形网格不是空间分析的最佳选择。
针对方形网格在距离度量与连通性上存在的歧义，本实施例提出一种正六边形的蜂窝网格对研究区域进行划分，与方形网格相比，正六边形网络只有共享边邻域一种，在距离度量和连通性上没有歧义，同时还具有各向同性的特征，与海洋中运动方向不受限制的情况更加符合。
构建完正六边形的蜂窝网格分析区域后，将获取到的渔船轨迹点进行聚类，获得捕鱼轨迹点，随后将捕鱼轨迹点投影到蜂窝网格，在时间与空间维度进行聚合，从而得到在每个网格中每一段时内渔船作业的总时间，并利用此作业时间代表渔情状况。
本实施例针对现有技术利用方形网格划分研究区域存在歧义的技术问题，提出正六边形蜂窝网格的替换方案，有效解决了方形网格在距离度量和连通性方面存在不一致的问题，同时更符合实际海洋中运动方向不受限制的特点。
在进一步的实施例中，由于现有技术常采用全局区域要素作为预测模型的输入，同时输出全局区域的标签，因此，对未来数据进行分析预测时，这样的操作需要较长的样本历史序列，尤其是在研究范围广阔的情况下，更容易面临特征维度爆炸的问题。针对全局策略，本实施例提出一种局部到局部的预测技术方案，通过将小区域内的数据输入预测模型，在满足局部依赖的前提下，实现对未来数据的预测。同时，局部到局部的预测方式更加符合海洋中在短时间内远距离依赖不强的特点。
具体的，选定一个中心网格，每个中心网格的第一圈有6个环绕网格，第二圈有12个环绕网格，利用向量表示一个中心区域的局部蜂窝网格映射。围绕中心网格的两圈邻域中蜂窝网格的相对位置，第n圈的网格索引预设为从右方向开始。根据划分好的蜂窝网格，将对应映射的数据向量送入搭建的预测模型中，获得对应的预测数据。
本实施例通过局部到局部的映射方案相比于现有技术中采用的全局映射，在提供了更多的样本同时，减少了数据维度。优选实施例中，当分析数据为一年的数据时，共划分为500个区域，全局映射设计需要将这500个区域同时送入网络，而在按天划分的前提下样本数量只有365个。然而，采用本实施例提出的局部到局部策略，维数被限制在一个局部区域映射，考虑划分出的中心区域及附近两圈的网格区域，共有19个蜂窝网格，因此分析区域数量远小于全局区域划分出的500个区域，与此同时，对应的样本数量变为：500*365=182500个样本，极大程度上弥补了原始数据量的不足。
在进一步的实施例中，由于单个网格区域的渔情状况会受到其相邻区域的渔情状况、历史渔况信息和海洋环境条件的影响。因此为了捕捉这些影响，本实施例提出一种时空Transformer模型，通过提取时间和空间上的依赖关系同时嵌入海洋环境数据来准确预测渔情状况。
本实施例通过将自注意力机制从时间、空间数据扩展到时空数据，有效地提取时空特征，提高模型预测的准确度。
在进一步的实施例中，考虑到海洋中的环境因素也会对鱼群的时空分布产生影响。在第L层时空Transformer模块之后添加了一层融合层，将环境因素嵌入到时空Transformer提取的时空特征中。预测层使用了卷积层和一个全连接层，基于融合层的输出来进行预测输出。通过最优化的网络参数，便可以得到局部区域的预测值。为了提高预测的准确度，本实施例进一步提出一种区域重叠取平均的集成策略。
针对现有技术中采用全局区域要素作为预测模型的输入，输出全局区域标签的技术方案，通过局部到局部的数据处理方案，克服特征维度爆炸的问题，另外通过将自注意力机制从时间、空间数据扩展到时空数据，有效地提取时空特征，在满足局部依赖的前提下，实现对未来数据的预测，以及模型预测准确度的提高。
在第一方面的一些可实现方式中，预测模型的融合层位于时空全注意力网络模块之后，用于将环境因素嵌入到时空全注意力网络提取的时空特征中；具体的，利用两个全连接层对环境数据进行特征提取，获得环境因素，随后通过融合层将环境因素嵌入到时空全注意力网络提取的时空特征中，从而获得融合后的数据张量，最后，基于融合层的输出进行预测，并输出预测的结果。
通过重叠区域取平均值的策略，不仅提高了预测的准确度，同时还增强了预测的性能，有效提高预测模型的准确度和鲁棒性。
图3是根据本申请实施例的一种可选的电子设备的结构框图，如图3所示，包括处理器301、通信接口302、存储器303和通信总线304，其中，处理器301、通信接口302和存储器303通过通信总线304完成相互间的通信，其中，
存储器303，用于存储计算机程序；
处理器301，用于执行存储器303上所存放的计算机程序时，实现如下步骤：
选择待预测区域和待预测时段；
基于历史捕获数据在待预测区域中确定海水上泛指示物中心检测位置；
获取所述待预测区域和待预测时段的海洋环境数据，所述海洋环境数据包括洋流流向、流动速度、离岸风数据和气象数据中的至少之一；
基于所述海洋环境数据和所述中心检测位置确定指示物检测范围，在所述指示物检测范围内投放有多个指示物检测装置；
获取指示物检测装置的检测信号；
基于所述检测信号和目标鱼群属性进行捕捞作业预测。
可选地，在本实施例中，上述的通信总线可以是PCI (Peripheral ComponentInterconnect，外设部件互连标准)总线、或EISA (Extended Industry StandardArchitecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括RAM，也可以包括非易失性存储器(non-volatile memory)，例如，至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器，可以包含但不限于：CPU (Central ProcessingUnit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP (DigitalSignal Processing，数字信号处理器)、ASIC (Application Specific IntegratedCircuit，专用集成电路)、FPGA (Field－Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
本领域普通技术人员可以理解，图3所示的结构仅为示意，实施上述基于渔业资源预测方法的设备可以是终端设备，该终端设备可以是智能手机（如Android手机、iOS手机等）、平板电脑、掌上电脑以及移动互联网设备（Mobile Internet Devices，MID）、PAD等终端设备。图3其并不对上述电子装置的结构造成限定。例如，终端设备还可包括比图3中所示更多或者更少的组件（如网络接口、显示装置等），或者具有与图3所示的不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、ROM、RAM、磁盘或光盘等。
根据本申请实施例的又一个方面，还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于执行渔业资源预测方法的程序代码。
可选地，在本实施例中，上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：
选择待预测区域和待预测时段；
基于历史捕获数据在待预测区域中确定海水上泛指示物中心检测位置；
获取所述待预测区域和待预测时段的海洋环境数据，所述海洋环境数据包括洋流流向、流动速度、离岸风数据和气象数据中的至少之一；
基于所述海洋环境数据和所述中心检测位置确定指示物检测范围，在所述指示物检测范围内投放有多个指示物检测装置；
获取指示物检测装置的检测信号；
基于所述检测信号和目标鱼群属性进行捕捞作业预测。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例中对此不再赘述。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、ROM、RAM、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例中所提供的方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本申请中未述及的地方采用或借鉴已有技术即可实现。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种渔业资源预测方法，其特征在于，包括：
选择待预测区域和待预测时段；
基于历史捕获数据在待预测区域中确定海水上泛指示物中心检测位置；
获取所述待预测区域和所述待预测时段的海洋环境数据，所述海洋环境数据包括洋流流向、流动速度、离岸风数据和气象数据中的至少之一；
基于所述海洋环境数据和所述中心检测位置确定指示物检测范围，在所述指示物检测范围内投放有多个指示物检测装置；
获取指示物检测装置的检测信号；
基于所述检测信号和目标鱼群属性进行捕捞作业预测。
2.如权利要求1所述的渔业资源预测方法，其特征在于，所述指示物包括海水盐度和/或浮游生物数量；
所述基于所述海洋环境数据和所述中心检测位置确定指示物检测范围包括：
获取洋流方向和离岸风方向；
基于所述洋流方向和所述离岸风方向确定上泛后的所述海水盐度的流动方向和/或基于海水上泛后繁殖的浮游生物的流动方向作为第一流动方向；
获取未来预设时段内预测的气象数据中的气温变化数据和海水温度变化数据；
基于所述气温变化数据和所述海水温度变化数据预测第一未来上泛速度；
获取洋流速度和离岸风速；
基于所述洋流速度和所述离岸风速以及所述第一未来上泛速度确定上泛后的所述海水盐度的位置与所述中心检测位置之间的距离和/或基于海水上泛后繁殖的浮游生物的位置与所述中心检测位置之间的距离作为第一距离；
基于所述第一流动方向和所述第一距离确定所述指示物检测范围。
3.如权利要求2所述的渔业资源预测方法，其特征在于，所述指示物还包括人工投放指示物；
所述基于历史捕获数据在待预测区域中确定海水上泛指示物中心检测位置包括：
基于历史捕获数据在待预测区域中确定海水上泛的所述人工投放指示物投放位置和投放时段；
所述基于所述海洋环境数据和所述中心检测位置确定指示物检测范围包括：
在所述投放时段内在所述检测范围内设置指示物检测装置。
4.如权利要求3所述的渔业资源预测方法，其特征在于，基于所述海洋环境数据和所述指示物投放位置确定指示物检测范围包括：
基于所述洋流方向和所述离岸风方向确定所述人工投放指示物的第二流动方向；
基于所述气温变化数据和所述海水温度变化数据预测所述人工投放指示物的第二未来上泛速度；
基于所述洋流速度和所述离岸风速以及所述第二未来上泛速度确定上泛后的所述人工投放指示物的位置与所述中心检测位置之间的第二距离；
基于所述第二流动方向和所述第二距离确定所述指示物检测范围。
5.如权利要求4所述的渔业资源预测方法，其特征在于，所述基于所述检测信号和目标鱼群属性进行捕捞作业预测包括：
判断所述检测信号中所述指示物的检测信号强度是否大于预设值；
当所述指示物的检测信号强度大于预设值时，将检测到所述指示物的检测信号强度大于预设值的检测装置所在的区域作为待捕捞区；
基于所述目标鱼群所属的食物链层级和出现所述指示物的检测信号强度大于预设值的时间点确定所述目标鱼群到达所述待捕捞区的预测捕捞时段；
基于所述待捕捞区的位置和所述预测捕捞时段确定捕捞作业预测结果。
6.如权利要求5所述的渔业资源预测方法，其特征在于，所述判断所述检测信号中所述指示物的检测信号强度是否大于预设值包括：
在所述海水盐度的变化量和/或浮游生物数量的变化量是否大于预设变化量；
当所述海水盐度的变化量和/或浮游生物数量的变化量大于预设变化量时，判断所述人工投放检测物的含量是否大于预设含量；
当所述人工投放检测物的含量大于预设含量时，确认所述指示物的检测信号强度大于预设值。
7.如权利要求1所述的渔业资源预测方法，其特征在于，所述选择待预测区域和待预测时段包括：
获取多个目标鱼群历史聚集区域的渔船轨迹数据，所述历史聚集区域包括多个子区域；
将所述轨迹点映射到所述子区域中，并获取所述轨迹点所在子区域中的海洋环境数据；
综合时间和空间维度信息确定每个子区域的渔情状况数据；
基于所述渔情状况数据以及海洋环境数据，得到所述待预测区域和所述待预测时段。
8.一种渔业资源预测装置，其特征在于，包括：
选择模块，用于选择待预测区域和待预测时段；
第一确定模块，用于基于历史捕获数据在待预测区域中确定海水上泛指示物中心检测位置；
第一获取模块，用于获取所述待预测区域和待预测时段的海洋环境数据，所述海洋环境数据包括洋流流向、流动速度、离岸风数据和气象数据中的至少之一；
第二确定模块，用于基于所述海洋环境数据和所述中心检测位置确定指示物检测范围，在所述指示物检测范围内投放有多个指示物检测装置；
第二获取模块，用于获取指示物检测装置的检测信号；
预测模块，用于基于所述检测信号和目标鱼群属性进行捕捞作业预测。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任意一项所述的渔业资源预测方法。
10.一种电子设备，其特征在于，包括一个或多个处理器、一个或多个存储器、一个或多个计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-7任意一种渔业资源预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210371074.0A CN114444819B (zh) | 2022-04-11 | 2022-04-11 | 一种渔业资源预测方法、装置、存储介质以及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210371074.0A CN114444819B (zh) | 2022-04-11 | 2022-04-11 | 一种渔业资源预测方法、装置、存储介质以及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114444819A true CN114444819A (zh) | 2022-05-06 |
| CN114444819B CN114444819B (zh) | 2022-06-28 |
Family
ID=81358722
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210371074.0A Active CN114444819B (zh) | 2022-04-11 | 2022-04-11 | 一种渔业资源预测方法、装置、存储介质以及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114444819B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115345388A (zh) * | 2022-10-19 | 2022-11-15 | 山东省地质科学研究院 | 一种砂石资源供需精准分析方法及系统 |
| CN116542405A (zh) * | 2023-07-07 | 2023-08-04 | 中国水产科学研究院南海水产研究所 | 一种基于图像处理的蓝圆鯵资源分布预测方法及系统 |
| CN116562467A (zh) * | 2023-07-07 | 2023-08-08 | 中国水产科学研究院南海水产研究所 | 一种海洋鱼类目标种类识别及分布预测方法及系统 |
| CN116579508A (zh) * | 2023-07-13 | 2023-08-11 | 海煜(福州)生物科技有限公司 | 一种鱼类预测方法、装置、设备及存储介质 |
| CN117405175A (zh) * | 2023-12-13 | 2024-01-16 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 海洋环境智能监测系统 |
Citations (10)
| 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 |
| CN106295833A (zh) * | 2015-05-18 | 2017-01-04 | 上海海洋大学 | 一种太平洋褶柔鱼资源补充量预测方法及其应用 |
| CN111429297A (zh) * | 2020-04-23 | 2020-07-17 | 舟山国家远洋渔业基地科技发展有限公司 | 一种远洋渔业数字化管理系统 |
| CN111652443A (zh) * | 2020-06-05 | 2020-09-11 | 上海海洋大学 | 综合多源卫星遥感预测远洋渔业资源丰度的方法及其应用 |
| 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 |
| CN111784034A (zh) * | 2020-06-22 | 2020-10-16 | 上海海洋大学 | 一种影响智利海域美洲赤鱿渔场的关键环境因子的筛选及探测技术 |
| AU2020103524A4 (en) * | 2020-11-18 | 2021-01-28 | Shanghai Ocean University | A technical method for evaluating and predicting the habitat suitablity of Illex argentinus in the southwest Atlantic Ocean based on the vertical water temperature structure |
| CN112418521A (zh) * | 2020-11-23 | 2021-02-26 | 青岛科技大学 | 一种短时海洋鱼群和鱼量的预测方法 |
| CN113379137A (zh) * | 2021-06-21 | 2021-09-10 | 中国海洋大学 | 渔船作业区域的建模与预测方法、系统、存储介质、终端 |
| CN114004428A (zh) * | 2022-01-04 | 2022-02-01 | 中科曙光南京研究院有限公司 | 一种基于蜂窝网格集成机制与时空Transformer的渔情预测方法及系统 |
-
2022
- 2022-04-11 CN CN202210371074.0A patent/CN114444819B/zh active Active
Patent Citations (10)
| 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 |
| CN106295833A (zh) * | 2015-05-18 | 2017-01-04 | 上海海洋大学 | 一种太平洋褶柔鱼资源补充量预测方法及其应用 |
| CN111429297A (zh) * | 2020-04-23 | 2020-07-17 | 舟山国家远洋渔业基地科技发展有限公司 | 一种远洋渔业数字化管理系统 |
| CN111652443A (zh) * | 2020-06-05 | 2020-09-11 | 上海海洋大学 | 综合多源卫星遥感预测远洋渔业资源丰度的方法及其应用 |
| 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 |
| CN111784034A (zh) * | 2020-06-22 | 2020-10-16 | 上海海洋大学 | 一种影响智利海域美洲赤鱿渔场的关键环境因子的筛选及探测技术 |
| AU2020103524A4 (en) * | 2020-11-18 | 2021-01-28 | Shanghai Ocean University | A technical method for evaluating and predicting the habitat suitablity of Illex argentinus in the southwest Atlantic Ocean based on the vertical water temperature structure |
| CN112418521A (zh) * | 2020-11-23 | 2021-02-26 | 青岛科技大学 | 一种短时海洋鱼群和鱼量的预测方法 |
| CN113379137A (zh) * | 2021-06-21 | 2021-09-10 | 中国海洋大学 | 渔船作业区域的建模与预测方法、系统、存储介质、终端 |
| CN114004428A (zh) * | 2022-01-04 | 2022-02-01 | 中科曙光南京研究院有限公司 | 一种基于蜂窝网格集成机制与时空Transformer的渔情预测方法及系统 |
Non-Patent Citations (7)
| Title |
|---|
| GUIDETTI, P ET AL.: "Spatio-temporal variability in fish assemblages associated with coralligenous formations in south eastern Apulia (SE Italy)", 《ITALIAN JOURNAL OF ZOOLOGY》 * |
| LI FAN ET AL.: "Species composition and community diversity of nekton in Laizhou Bay, China.", 《BIODIVERSITY SCIENCE》 * |
| YUANWEI HU ET AL.: "Forecasts for the fish Migration and Fishing time under Marine Environment Changes based on the ARIMA model", 《2020 2ND INTERNATIONAL CONFERENCE ON ECONOMIC MANAGEMENT AND MODEL ENGINEERING (ICEMME)》 * |
| 张吉昌等: "中东大西洋中部海域小型中上层鱼类集群形态与时空分布特征", 《海洋渔业》 * |
| 牛明香等: "智利外海竹筴鱼中心渔场时空变动的初步研究", 《海洋科学》 * |
| 许永久等: "东南太平洋智利竹筴鱼渔场浮游生物数量分布及与渔场关系", 《海洋渔业》 * |
| 陈洋洋等: "基于捕捞努力量的中西太平洋鲣鱼围网渔业入渔预测分析", 《海洋学报》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115345388A (zh) * | 2022-10-19 | 2022-11-15 | 山东省地质科学研究院 | 一种砂石资源供需精准分析方法及系统 |
| CN116542405A (zh) * | 2023-07-07 | 2023-08-04 | 中国水产科学研究院南海水产研究所 | 一种基于图像处理的蓝圆鯵资源分布预测方法及系统 |
| CN116562467A (zh) * | 2023-07-07 | 2023-08-08 | 中国水产科学研究院南海水产研究所 | 一种海洋鱼类目标种类识别及分布预测方法及系统 |
| CN116542405B (zh) * | 2023-07-07 | 2024-01-23 | 中国水产科学研究院南海水产研究所 | 一种基于图像处理的蓝圆鯵资源分布预测方法及系统 |
| CN116562467B (zh) * | 2023-07-07 | 2024-02-20 | 中国水产科学研究院南海水产研究所 | 一种海洋鱼类目标种类识别及分布预测方法及系统 |
| CN116579508A (zh) * | 2023-07-13 | 2023-08-11 | 海煜(福州)生物科技有限公司 | 一种鱼类预测方法、装置、设备及存储介质 |
| CN116579508B (zh) * | 2023-07-13 | 2023-10-13 | 海煜(福州)生物科技有限公司 | 一种鱼类预测方法、装置、设备及存储介质 |
| CN117405175A (zh) * | 2023-12-13 | 2024-01-16 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 海洋环境智能监测系统 |
| CN117405175B (zh) * | 2023-12-13 | 2024-02-23 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 海洋环境智能监测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114444819B (zh) | 2022-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114444819B (zh) | 一种渔业资源预测方法、装置、存储介质以及电子设备 | |
| Araujo et al. | Population structure, residency patterns and movements of whale sharks in Southern Leyte, Philippines: results from dedicated photo‐ID and citizen science | |
| Guinan et al. | Quantifying relationships between video observations of cold-water coral cover and seafloor features in Rockall Trough, west of Ireland | |
| Camphuysen et al. | Identifying ecologically important marine areas for seabirds using behavioural information in combination with distribution patterns | |
| Holland et al. | Different residence times of yellowfin tuna, Thunnus albacares, and bigeye tuna, T. obesus, found in mixed aggregations over a seamount | |
| KR102401337B1 (ko) | 항적 데이타를 이용한 어선 조업 판별 방법 | |
| Robert et al. | Intra-individual behavioral variability displayed by tuna at fish aggregating devices (FADs) | |
| Lelievre et al. | Delineating recurrent fish spawning habitats in the North Sea | |
| Lyon et al. | Distribution, seasonal movements and habitat utilisation of an endangered shark, Glyphis glyphis, from northern Australia | |
| Hoolihan | Horizontal and vertical movements of sailfish (Istiophorus platypterus) in the Arabian Gulf, determined by ultrasonic and pop-up satellite tagging | |
| CN107766974A (zh) | 一种融合多种数据的海洋渔情预测方法 | |
| Bruneel et al. | Implications of movement for species distribution models-rethinking environmental data tools | |
| Gatti et al. | A review and tests of validation and sensitivity of geolocation models for marine fish tracking | |
| CN112784180A (zh) | 一种金枪鱼围网渔船捕捞强度空间信息提取方法 | |
| Gastauer et al. | Towards acoustic monitoring of a mixed demersal fishery based on commercial data: The case of the Northern Demersal Scalefish Fishery (Western Australia) | |
| Bowlby et al. | Resident and dispersal behavior among individuals within a population of American lobster Homarus americanus | |
| Dominguez-Carrió et al. | Diversity, structure and spatial distribution of megabenthic communities in Cap de Creus continental shelf and submarine canyon (NW Mediterranean) | |
| Sorochan et al. | Spatial variation and transport of abundant copepod taxa in the southern Gulf of St. Lawrence in autumn | |
| Li et al. | Potential spawning grounds of phytophilic fish under a shifting hydrological regime in Poyang Lake, China | |
| Kaplan et al. | Humpback-krill relationships are strongest at fine spatial scales in the Northern California Current region | |
| Axler et al. | Shifts in the composition and distribution of Pacific Arctic larval fish assemblages in response to rapid ecosystem change | |
| Kool et al. | Simulated larval connectivity among Australia’s southwest submarine canyons | |
| McInturf et al. | Use of a hydrodynamic model to examine behavioral response of broadnose sevengill sharks (Notorynchus cepedianus) to estuarine tidal flow | |
| Oozeki et al. | Patchiness structure and mortality of Pacific saury Cololabis saira larvae in the northwestern Pacific | |
| Chen et al. | Modelling the Spatial Distribution of Habitats of Main Cephalopod Taxa in Inshore Waters of Zhejiang Province at Spring and Autumn |
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 |