CN114493680A - 一种基于流刺网调查的渔业资源统计方法及系统 - Google Patents
一种基于流刺网调查的渔业资源统计方法及系统 Download PDFInfo
- Publication number
- CN114493680A CN114493680A CN202210008454.8A CN202210008454A CN114493680A CN 114493680 A CN114493680 A CN 114493680A CN 202210008454 A CN202210008454 A CN 202210008454A CN 114493680 A CN114493680 A CN 114493680A
- Authority
- CN
- China
- Prior art keywords
- spunlace
- information
- sea area
- fishery
- data
- 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
- 238000011835 investigation Methods 0.000 title claims abstract description 20
- 238000007619 statistical method Methods 0.000 title claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 64
- 230000007613 environmental effect Effects 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000010972 statistical evaluation Methods 0.000 claims abstract description 26
- 238000012795 verification Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012876 topography Methods 0.000 claims description 6
- 239000013535 sea water Substances 0.000 claims description 4
- 208000002193 Pain Diseases 0.000 description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000004083 survival effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 241000251468 Actinopterygii Species 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009192 sprinting Effects 0.000 description 4
- 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
- 241000238557 Decapoda Species 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010021143 Hypoxia Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000017448 oviposition Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000009897 systematic 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Finance (AREA)
- Mathematical Physics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
Abstract
本发明涉及一种基于流刺网调查的渔业资源统计方法，属于渔业资源统计技术领域，包括：获取当前目标海域的环境信息；基于所述环境信息建立渔业资源统计评价体系，并将第一预测结果信息以及第二预测结果信息导入所述渔业资源统计评价体系中，得到第一评价结果；将所述第一评价结果进行N次验证，并判断所述第一评价结果是否在预设评价结果范围之内，若在，则计算N次验证结果的偏差率；若所述偏差率大于预设偏差率，生成第二评价结果，并将所述第二评价结果作为最终的评价结果输出。本发明通过根据流刺网所采集的数据情况以及目标海域的历史调查数据对目标海域的渔业资源进行统计，能够有效地提高了预测准确率，使得预测数据更加接近于现实情况。
Description
技术领域
本发明涉及渔业资源统计技术领域，尤其涉及一种基于流刺网调查的渔业资源统计方法及系统。
背景技术
海洋渔业资源是自然资源的重要组成部分，是人类食物的重要来源之一，为三分之二的世界人口提供了40％的蛋白质。海洋渔业资源是海洋渔业的重要根基，海洋渔业是海洋经济的重要组成部分。近年来，由于过度捕捞及环境变化，造成了珠江口渔业资源的严重破坏，其群落结构也发生了变化。针对这种现状，中国已有很多学者对于水域低氧、浮游生态及渔业等方面进行了相关研究并提出了各自的建议，但未见不同网目尺寸刺网的渔获组成分析。因此，有必要针对海域不同网目尺寸、不同结构的刺网渔业现状开展系统的渔获组成及网目选择性调查，以确定最适合该海域作业的刺网种类，为渔业管理提供科学参考。
而现如今，现有技术中的预测数据大多数都只根据调查数据来做判断，但是调查数据也会出现不准确的时候，如流刺网收网速度亦会影响调查数据，流刺网的类型亦会影响调查的数据，从而影响了预测的结果。另外，现有技术中，无法根据季节性来进行选择流刺网的类型，导致了过渡捕捞现象愈发严重。
发明内容
本发明克服了现有技术的不足，提供了一种基于流刺网调查的渔业资源统计方法及系统。
为了达到上述目的，本发明采用的技术方案为：
本发明第一方面提供了一种基于流刺网调查的渔业资源统计方法，包括以下步骤：
获取当前目标海域的环境信息；
基于所述环境信息建立渔业资源统计评价体系，并将第一预测结果信息以及第二预测结果信息导入所述渔业资源统计评价体系中，得到第一评价结果；
将所述第一评价结果进行N次验证，并判断所述第一评价结果是否在预设评价结果范围之内，若在，则计算N次验证结果的偏差率；
若所述偏差率大于预设偏差率，生成第二评价结果，并将所述第二评价结果作为最终的评价结果输出。
进一步地，本发明的一个较佳实施例中，，在基于所述环境信息建立渔业资源统计评价体系，并将第一预测结果信息以及第二预测结果信息导入所述渔业资源统计评价体系中，得到第一评价结果步骤之前，还包括以下步骤：
获取当前目标海域的流刺网调查数据信息，所述流刺网调查数据信息包括流刺网收网时的速度值以及海洋生物的类型与数量；
对所述流刺网调查数据信息进行数据分类，得到第一数据信息；
获取当前目标海域使用的流刺网类型；
基于所述第一数据信息以及所述流刺网类型对所述目标海域的渔业资源进行预测，得到第一预测结果信息。
进一步地，本发明的一个较佳实施例中，所述的一种基于流刺网调查的渔业资源统计方法，还包括以下步骤：
获取当前流刺网在目标海域内撒网与收网的地理位置信息；
通过大数据网络获取当前所述地理位置信息对应的历史平均调查数据信息；
基于所述历史平均调查数据信息对该目标海域的渔业资源进行预测，得到第二预测结果信息。
进一步地，本发明的一个较佳实施例中，基于所述第一数据信息以及所述流刺网类型对所述目标海域的渔业资源进行预测，得到第一预测结果信息，具体包括：
通过所述第一数据信息获取项目属性特征；
根据所述项目属性特征构建项目属性特征训练集；
基于神经网络建立预测模型，并将所述项目属性特征训练集导入所述预测模型中，得到第一预测结果信息。
进一步地，本发明的一个较佳实施例中，基于所述历史平均调查数据信息对该目标海域的渔业资源进行预测，得到第二预测结果信息，具体包括：
将历史平均调查数据信息构建历史数据特征训练集；
将所述历史数据特征数据集导入预测模型中，以得到第二预测结果信息。
进一步地，本发明的一个较佳实施例中，所述的一种基于流刺网调查的渔业资源统计方法，所述环境信息包括当前海域的地形地貌、当前海域的天气状况以及当前海域的海水温度值。
进一步地，本发明的一个较佳实施例中，所述的一种基于流刺网调查的渔业资源统计方法，还包括以下步骤：
基于所述最终的评价结果得到当前目标海域的渔业资源分布规律特征数据；
根据所述渔业资源分布规律特征数据建立时间序列的分布规律特征曲线图；
按照所述时间序列的分布规律特征曲线图对流刺网的类型进行使用规划，具体为：以所述时间序列的分布规律特征曲线图中特征数据的第一渔业资源分布规律特征数据为依据，生成第一流刺网类型；以所述时间序列的分布规律特征曲线图中特征数据的第二渔业资源分布规律特征数据为依据，生成第二流刺网类型；按照该方式生成第 m流刺网类型，并将第一流刺网类型、第二流刺网类型以及第m流刺网类型组合成流刺网的类型使用规划。
本发明第二方面提供了一种基于流刺网调查的渔业资源统计系统，该系统包括存储器及处理器，所述存储器中包括基于流刺网调查的渔业资源统计的方法程序，所述基于流刺网调查的渔业资源统计的方法程序被处理器执行时，实现以下方法步骤：
获取当前目标海域的环境信息；
基于所述环境信息建立渔业资源统计评价体系，并将第一预测结果信息以及第二预测结果信息导入所述渔业资源统计评价体系中，得到第一评价结果；
将所述第一评价结果进行N次验证，并判断所述第一评价结果是否在预设评价结果范围之内，若在，则计算N次验证结果的偏差率；
若所述偏差率大于预设偏差率，生成第二评价结果，并将所述第二评价结果作为最终的评价结果输出。
进一步地，本发明的一个较佳实施例中，所述的一种基于流刺网调查的渔业资源统计系统，其特征在于，还包括以下步骤：
获取当前流刺网在目标海域内撒网与收网的地理位置信息；
通过大数据网络获取当前所述地理位置信息对应的历史平均调查数据信息；
基于所述历史平均调查数据信息对该目标海域的渔业资源进行预测，得到第二预测结果信息。
进一步地，本发明的一个较佳实施例中，在基于所述环境信息建立渔业资源统计评价体系，并将第一预测结果信息以及第二预测结果信息导入所述渔业资源统计评价体系中，得到第一评价结果步骤之前，还包括以下步骤：
获取当前目标海域的流刺网调查数据信息，所述流刺网调查数据信息包括流刺网收网时的速度值以及海洋生物的类型与数量；
对所述流刺网调查数据信息进行数据分类，得到第一数据信息；
获取当前目标海域使用的流刺网类型；
基于所述第一数据信息以及所述流刺网类型对所述目标海域的渔业资源进行预测，得到第一预测结果信息。
本发明解决了背景技术中存在的缺陷，能够达到如下的技术效果：
本发明通过能够根据流刺网所采集的数据情况以及目标海域的历史调查数据对目标海域的渔业资源进行统计，利用预测模型对调查数据进行修正，这样能够有效地提高了目标海域的预测准确率，使得预测数据更加接近于现实情况，有利于针对于不同的季节对目标海域使用不同的流刺网的类型，这样就使得捕捞的方式更具备合理性。另外，本方法还能通过无人机遥感技术对目标区域的环境信息进行采集，并通过该信息、第一预测结果信息以及第二预测结果信息对目标海域的渔业资源的走向进行预测，结合实际的数据信息，提高了目标海域渔业资源的预测精确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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实施例的附图。
图1示出了一种基于流刺网调查的渔业资源统计方法的方法流程图；
图2示出了得到第二预测结果信息的具体方法流程图；
图3示出了得到最终的评价结果的具体方法流程图；
图4示出了得到第一预测结果信息的具体方法流程图；
图5示出了一种基于流刺网调查的渔业资源统计方法的部分方法流程图。
图6示出了一种基于流刺网调查的渔业资源统计系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
本发明第一方面提供了一种基于流刺网调查的渔业资源统计方法，包括以下步骤：
S102:获取当前目标海域的流刺网调查数据信息，所述流刺网调查数据信息包括流刺网收网时的速度值以及海洋生物的类型与数量；
S104:对所述流刺网调查数据信息进行数据分类，得到第一数据信息；
S106:获取当前目标海域使用的流刺网类型；
S108:基于所述第一数据信息以及所述流刺网类型对所述目标海域的渔业资源进行预测，得到第一预测结果信息。
需要说明的是，其中所述流刺网收网时的速度值可通过在流刺网上设置速度传感器，从而获取到流刺网收网的速度值。其中对流刺网调查数据进行分类可以采用贝叶斯分类器、神经网络、KNN算法等途径，从而得到有效的数据信息，如调查数据中的环境温度值、目标海域的天气状况以及目标海域的地形地貌等。由于收网时的速度不一致会导致数据的差异性，因此通过预测模型来对实际的数据进行修正，从而根据不同的流刺网的类型建立预测模型，在该流刺网类型的预测模型之下，预测出在该海域之中的渔业资源数据值，其中预测模型满足：
其中Z为预测结果信息，实际为一个数值；L为环境因子类型的数量；j为第j个环境因子；V0为流刺网收网时最佳速度值，该数值可根据流刺网收网时历史数据中可以得出；αj为第j个环境因子的实际数值；V1为流刺网收网时的实际速度值；M0为在海洋生物类型对应的数量；b为流刺网的密度修正值；ρ为流刺网的密度。
需要说明的是，不同的流刺网有着不同的数值影响，利用以上方式能够从在该类型流刺网的下，预测出该目标海域渔业资源的第一预测结果信息；其中所述流刺网的类型b的取值可根据流刺网的密度进行取值，由于流刺网的密度越大目标海域中海洋生物逃脱的几率越小，因此流刺网的密度越大其b值越小，从而按照该方式就能够得到第一预测结果信息，即为目标海域的实时预测数据值。所述第一数据信息为流刺网收网时的速度值、环境因子的类型等。其中环境因子的类型可为水体温度、水体盐度、目标海域的地形地貌等。其中环境因子的实际数值可为水体的温度值、PH值等。其中，当收网时的实际速度值大于流刺网收网时最佳速度值时，此时V0取负值；反之，取正值。所述预测结果信息为海洋生物的预测数量。
进一步地，本发明的一个较佳实施例中，所述的一种基于流刺网调查的渔业资源统计方法，还包括以下步骤：
S202:获取当前流刺网在目标海域内撒网与收网的地理位置信息；
S204:通过大数据网络获取当前所述地理位置信息对应的查数据信息；
S206:基于所述历史平均调查数据信息对该目标海域的渔业资源进行预测，得到第二预测结果信息。
需要说明的是，利用大数据网络可以获取到该目标海域渔业资源的历史数据信息，将该历史数据信息导入到该预测模型中训练，即可得到第二预测结果信息，即可得到相同环境因子之下的目标海域的渔业资源历史数据预测数值。
进一步地，本发明的一个较佳实施例中，所述的一种基于流刺网调查的渔业资源统计方法，还包括以下步骤：
S302:获取当前目标海域的环境信息；
S304:基于所述环境信息建立渔业资源统计评价体系，并将第一预测结果信息以及第二预测结果信息导入所述渔业资源统计评价体系中，得到第一评价结果；
S306:将所述第一评价结果进行N次验证，并判断所述第一评价结果是否在预设评价结果范围之内，若在，则计算N次验证结果的偏差率；
S308:若所述偏差率大于预设偏差率，生成第二评价结果，并将所述第二评价结果作为最终的评价结果输出。
需要说明的是，在各种不同的环境因素之下，其渔业资源统计评价体系有着不同的变化，如在不同温度情况下、海域中的不同地形地貌的情况之下以及不同海域的天气状况(如春季、夏季、秋季以及冬季)，其中在预测目标海域的渔业资源时，建立以下评价体系：
其中，K为偏差率；N为在目标海域采集到的流刺网调查数据总个数；i为第i个调查数据；Z1为第一预测结果信息值；Z2为第二预测结果信息值；Z3为在该环境条件之下的历史数据值。
需要说明的是，K的值越小表明，在该环境之下，渔业资源的统计结果更接近于真实值，从而说明在该环境条件之下目标海域的历史数据当中与本次目标海域所采集的数据更接近，从而说明第一预测结果信息以及第二预测结果信息相接近，进而判断该预测结果是否准确，当该K值在预设范围之内时，说明该预测数值是准确的。而且K值越小，说明该目标海域海洋生物的丰富度变化不大；K值越大但并未超出预设范围之内，说明该目标海域海洋生物的丰富度变化大，而且丰富度相比于之前要高。
进一步地，本发明的一个较佳实施例中，基于所述第一数据信息以及所述流刺网类型对所述目标海域的渔业资源进行预测，得到第一预测结果信息，具体包括：
S402:通过所述第一数据信息获取项目属性特征；
S404:根据所述项目属性特征构建项目属性特征训练集；
S406:基于神经网络建立预测模型，并将所述项目属性特征训练集导入所述预测模型中，得到第一预测结果信息。
需要说明的是，按照以上预测模型即可得到第一预测结果信息；其中所述项目特征属性为第一数据信息中实际的数值，如温度值、各海洋生物的数量值等。
进一步地，本发明的一个较佳实施例中，基于所述历史平均调查数据信息对该目标海域的渔业资源进行预测，得到第二预测结果信息，具体包括：
将历史平均调查数据信息构建历史数据特征训练集；
将所述历史数据特征数据集导入预测模型中，以得到第二预测结果信息。
需要说明的是，通过以上预测模型的计算方式即可得到第二预测结果信息。
进一步地，本发明的一个较佳实施例中，所述环境信息为当前海域的地形地貌、当前海域的天气状况以及当前海域的海水温度值。
进一步地，本发明的一个较佳实施例中，还包括以下步骤：
S502:基于所述最终的评价结果得到当前目标海域的渔业资源分布规律特征数据，
S504:根据所述渔业资源分布规律特征数据建立时间序列的分布规律特征曲线图；
S516:按照所述时间序列的分布规律特征曲线图对流刺网的类型进行使用规划，具体为：以所述时间序列的分布规律特征曲线图中特征数据的第一渔业资源分布规律特征数据为依据，生成第一流刺网类型；以所述时间序列的分布规律特征曲线图中特征数据的第二渔业资源分布规律特征数据为依据，生成第二流刺网类型；按照该方式生成第m流刺网类型，并将第一流刺网类型、第二流刺网类型以及第m 流刺网类型组合成流刺网的类型使用规划。
需要说明的是，利用预测模型对目标海域各个季节时间点的海洋生物丰富度进行预测，得到目标海域各个季节的最终的评价结果K值，由于K值越大表示该目标海域的海洋生物丰富度越大，利用渔业资源统计评价体系来预测出目标区域各个季节时间点的海洋生物丰富度，所述渔业资源分布规律特征数据为海洋生物的丰富度，从而来得出各个季节的流刺网的使用规划，从而用户就可以根据该流刺网的使用规划来选择流刺网的类型，由于某些海洋生物(如鱼类、虾类、蟹类等) 产卵的季节集中，季节不同就使用不同类型的流刺网，这样就能够有效地保护幼小的鱼群，实现合理性捕捞。
此外，本方法还可以包括以下步骤：
通过无人机遥感测绘技术获取目标海域的环境因子；
建立栖息地适宜性模型，并将所述环境因子导入所述栖息地适宜性模型中，得到海洋生物适宜性权重值；
判断所述海洋生物适宜性权重值是否大于预设权重值；
若大于，则从大数据网络中获取在该环境因子的条件下适宜海洋生物的类型；
并将所述适宜海洋生物的类型传输至所述最终的评价结果中。
需要说明的是，所述栖息地适宜性模型满足：
其中，P为海洋生物适宜性权重值；k为第k个环境因子；n为环境因子的个数；ck为第k个环境因子的权重值；dk为第k个环境因子的适宜度；E为修正系数。
需要说明的是，每一种海洋生物的最适宜生存环境均不一致，因此，最适宜的海洋生物适宜性权重值亦不一致，海洋生物适宜性权重值表示海洋生物在该环境因子的情况下生存的存活概率，该权重值越接近于最适宜的海洋生物适宜性权重值时，说明在该环境下存活概率越高亦越适宜该海洋生物存活。所述预设权重值即为最适宜的海洋生物适宜性权重值，亦表示在该环境下该海洋生物的存活概率最高。从而根据该权重值来预测在该环境因子下的海洋生物类型，从而有利于预测该海域中海洋生物类型的变化趋势。其中，E为修正系数，一般取值为0-1之间，随着环境因子的变化而变化，环境因子越接近于海洋生物的最适生存环境，该至越接近于1；反之，越接近于0。
本发明第二方面提供了一种基于流刺网调查的渔业资源统计系统，该系统包括存储器41及处理器62，所述存储器41中包括基于流刺网调查的渔业资源统计的方法程序，所述基于流刺网调查的渔业资源统计的方法程序被处理器执行时，实现以下方法步骤：
获取当前目标海域的流刺网调查数据信息，所述流刺网调查数据信息包括流刺网收网时的速度值以及海洋生物的类型与数量；
对所述流刺网调查数据信息进行数据分类，得到第一数据信息；
获取当前目标海域使用的流刺网类型；
基于所述第一数据信息以及所述流刺网类型对所述目标海域的渔业资源进行预测，得到第一预测结果信息。
需要说明的是，其中所述流刺网收网时的速度值可通过在流刺网上设置速度传感器，从而获取到流刺网收网的速度值。其中对流刺网调查数据进行分类可以采用贝叶斯分类器、神经网络、KNN算法等途径，从而得到有效的数据信息，如调查数据中的环境温度值、目标海域的天气状况以及目标海域的地形地貌等。由于收网时的速度不一致会导致数据的差异性，因此通过预测模型来对实际的数据进行修正，从而根据不同的流刺网的类型建立预测模型，在该流刺网类型的预测模型之下，预测出在该海域之中的渔业资源数据值，其中预测模型满足：
其中Z为预测结果信息，实际为一个数值；L为环境因子类型的数量；j为第j个环境因子；V0为流刺网收网时最佳速度值，该数值可根据流刺网收网时历史数据中可以得出；αj为第j个环境因子的实际数值；V1为流刺网收网时的实际速度值；M0为在海洋生物类型对应的数量；b为流刺网的密度修正值；ρ为流刺网的密度。
需要说明的是，不同的流刺网有着不同的数值影响，利用以上方式能够从在该类型流刺网的下，预测出该目标海域渔业资源的第一预测结果信息；其中所述流刺网的类型b的取值可根据流刺网的密度进行取值，由于流刺网的密度越大目标海域中海洋生物逃脱的几率越小，因此流刺网的密度越大其b值越小，从而按照该方式就能够得到第一预测结果信息，即为目标海域的实时预测数据值。所述第一数据信息为流刺网收网时的速度值、环境因子的类型等。其中环境因子的类型可为水体温度、水体盐度、目标海域的地形地貌等。其中环境因子的实际数值可为水体的温度值、PH值等。其中，当收网时的实际速度值大于流刺网收网时最佳速度值时，此时V0取负值；反之，取正值。所述预测结果信息为海洋生物的预测数量。
进一步地，本发明的一个较佳实施例中，所述的一种基于流刺网调查的渔业资源统计方法，还包括以下步骤：
获取当前流刺网在目标海域内撒网与收网的地理位置信息；
通过大数据网络获取当前所述地理位置信息对应的查数据信息；
基于所述历史平均调查数据信息对该目标海域的渔业资源进行预测，得到第二预测结果信息。
需要说明的是，利用大数据网络可以获取到该目标海域渔业资源的历史数据信息，将该历史数据信息导入到该预测模型中训练，即可得到第二预测结果信息，即可得到相同环境因子之下的目标海域的渔业资源历史数据预测数值。
进一步地，本发明的一个较佳实施例中，所述的一种基于流刺网调查的渔业资源统计方法，还包括以下步骤：
获取当前目标海域的环境信息；
基于所述环境信息建立渔业资源统计评价体系，并将第一预测结果信息以及第二预测结果信息导入所述渔业资源统计评价体系中，得到第一评价结果；
将所述第一评价结果进行N次验证，并判断所述第一评价结果是否在预设评价结果范围之内，若在，则计算N次验证结果的偏差率；
若所述偏差率大于预设偏差率，生成第二评价结果，并将所述第二评价结果作为最终的评价结果输出。
需要说明的是，在各种不同的环境因素之下，其渔业资源统计评价体系有着不同的变化，如在不同温度情况下、海域中的不同地形地貌的情况之下以及不同海域的天气状况(如春季、夏季、秋季以及冬季)，其中在预测目标海域的渔业资源时，建立以下评价体系：
其中，K为偏差率；N为在目标海域采集到的流刺网调查数据总个数；i为第i个调查数据；Z1为第一预测结果信息值；Z2为第二预测结果信息值；Z3为在该环境条件之下的历史数据值。
需要说明的是，K的值越小表明，在该环境之下，渔业资源的统计结果更接近于真实值，从而说明在该环境条件之下目标海域的历史数据当中与本次目标海域所采集的数据更接近，从而说明第一预测结果信息以及第二预测结果信息相接近，使得渔业资源的统计结果与现有技术相比，判断该预测结果是否准确，当该K值在预设范围之内时，说明该预测数值是准确的。而且K值越小，说明该目标海域海洋生物的丰富度变化不大；K值越大但并未超出预设范围之内，说明该目标海域海洋生物的丰富度变化大，而且丰富度相比于之前要高。
进一步地，本发明的一个较佳实施例中，基于所述第一数据信息以及所述流刺网类型对所述目标海域的渔业资源进行预测，得到第一预测结果信息，具体包括：
通过所述第一数据信息获取项目属性特征；
根据所述项目属性特征构建项目属性特征训练集；
基于神经网络建立预测模型，并将所述项目属性特征训练集导入所述预测模型中，得到第一预测结果信息。
需要说明的是，按照以上预测模型即可得到第一预测结果信息；其中所述项目特征属性为第一数据信息中实际的数值，如温度值、各海洋生物的数量值等。
进一步地，本发明的一个较佳实施例中，基于所述历史平均调查数据信息对该目标海域的渔业资源进行预测，得到第二预测结果信息，具体包括：
将历史平均调查数据信息构建历史数据特征训练集；
将所述历史数据特征数据集导入预测模型中，以得到第二预测结果信息。
需要说明的是，通过以上预测模型的计算方式即可得到第二预测结果信息。
进一步地，本发明的一个较佳实施例中，所述环境信息为当前海域的地形地貌、当前海域的天气状况以及当前海域的海水温度值。
进一步地，本发明的一个较佳实施例中，还包括以下步骤：
基于所述最终的评价结果得到当前目标海域的渔业资源分布规律特征数据，
根据所述渔业资源分布规律特征数据建立时间序列的分布规律特征曲线图；
按照所述时间序列的分布规律特征曲线图对流刺网的类型进行使用规划，具体为：以所述时间序列的分布规律特征曲线图中特征数据的第一渔业资源分布规律特征数据为依据，生成第一流刺网类型；以所述时间序列的分布规律特征曲线图中特征数据的第二渔业资源分布规律特征数据为依据，生成第二流刺网类型；按照该方式生成第 m流刺网类型，并将第一流刺网类型、第二流刺网类型以及第m流刺网类型组合成流刺网的类型使用规划。
需要说明的是，利用预测模型对目标海域各个季节时间点的海洋生物丰富度进行预测，得到目标海域各个季节的最终的评价结果K值，由于K值越大表示该目标海域的海洋生物丰富度越大，利用渔业资源统计评价体系来预测出目标区域各个季节时间点的海洋生物丰富度，所述渔业资源分布规律特征数据为海洋生物的丰富度，从而来得出各个季节的流刺网的使用规划，从而用户就可以根据该流刺网的使用规划来选择流刺网的类型，由于某些海洋生物(如鱼类)产卵的季节集中，季节不同就使用不同类型的流刺网，这样就能够有效地保护幼小的鱼群，实现合理性捕捞。
此外，本方法还可以包括以下步骤：
通过无人机遥感测绘技术获取目标海域的环境因子；
建立栖息地适宜性模型，并将所述环境因子导入所述栖息地适宜性模型中，得到海洋生物适宜性权重值；
判断所述海洋生物适宜性权重值是否大于预设权重值；
若大于，则从大数据网络中获取在该环境因子的条件下适宜海洋生物的类型；
并将所述适宜海洋生物的类型传输至所述最终的评价结果中。
需要说明的是，所述栖息地适宜性模型满足：
其中，P为海洋生物适宜性权重值；k为第k个环境因子；n为环境因子的个数；ck为第k个环境因子的权重值；dk为第k个环境因子的适宜度。
需要说明的是，每一种海洋生物的最适宜生存环境均不一致，因此，最适宜的海洋生物适宜性权重值亦不一致，海洋生物适宜性权重值表示海洋生物在该环境因子的情况下生存的存活概率，该权重值越接近于最适宜的海洋生物适宜性权重值时，说明在该环境下存活概率越高亦越适宜该海洋生物存活。所述预设权重值即为最适宜的海洋生物适宜性权重值，亦表示在该环境下该海洋生物的存活概率最高。从而根据该权重值来预测在该环境因子下的海洋生物类型，从而有利于预测流刺网调查的数据中的海洋生物类型。其中，E为修正系数，一般取值为0-1之间，随着环境因子的变化而变化，环境因子越接近于海洋生物的最适生存环境，该至越接近于1；反之，越接近于0。
综上所述，本发明通过能够根据流刺网所采集的数据情况以及目标海域的历史调查数据对目标海域的渔业资源进行统计，这样能够有效地提高了目标海域的预测准确率，使得预测数据更加接近于现实情况，有利于针对于不同的季节对目标海域使用不同的流刺网的类型，这样就使得捕捞的方式更具备合理性。另外，本方法还能通过无人机遥感技术对目标区域的环境信息进行采集，并通过该信息、第一预测结果信息以及第二预测结果信息对目标海域的渔业资源的走向进行预测，结合实际的数据信息，提高了目标海域渔业资源的预测精确度。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM， Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的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一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、 ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于流刺网调查的渔业资源统计方法，其特征在于，包括以下步骤：
获取当前目标海域的环境信息；
基于所述环境信息建立渔业资源统计评价体系，并将第一预测结果信息以及第二预测结果信息导入所述渔业资源统计评价体系中，得到第一评价结果；
将所述第一评价结果进行N次验证，并判断所述第一评价结果是否在预设评价结果范围之内，若在，则计算N次验证结果的偏差率；
若所述偏差率大于预设偏差率，生成第二评价结果，并将所述第二评价结果作为最终的评价结果输出。
2.根据权利要求1所述的一种基于流刺网调查的渔业资源统计方法，其特征在于，在基于所述环境信息建立渔业资源统计评价体系，并将第一预测结果信息以及第二预测结果信息导入所述渔业资源统计评价体系中，得到第一评价结果步骤之前，还包括以下步骤：
获取当前目标海域的流刺网调查数据信息，所述流刺网调查数据信息包括流刺网收网时的速度值以及海洋生物的类型与数量；
对所述流刺网调查数据信息进行数据分类，得到第一数据信息；
获取当前目标海域使用的流刺网类型；
基于所述第一数据信息以及所述流刺网类型对所述目标海域的渔业资源进行预测，得到第一预测结果信息。
3.根据权利要求1所述的一种基于流刺网调查的渔业资源统计方法，其特征在于，还包括以下步骤：
获取当前流刺网在目标海域内撒网与收网的地理位置信息；
通过大数据网络获取当前所述地理位置信息对应的历史平均调查数据信息；
基于所述历史平均调查数据信息对该目标海域的渔业资源进行预测，得到第二预测结果信息。
4.根据权利要求2所述的一种基于流刺网调查的渔业资源统计方法，其特征在于，基于所述第一数据信息以及所述流刺网类型对所述目标海域的渔业资源进行预测，得到第一预测结果信息，具体包括：
通过所述第一数据信息获取项目属性特征；
根据所述项目属性特征构建项目属性特征训练集；
基于神经网络建立预测模型，并将所述项目属性特征训练集导入所述预测模型中，得到第一预测结果信息。
5.根据权利要求3所述的一种基于流刺网调查的渔业资源统计方法，其特征在于，基于所述历史平均调查数据信息对该目标海域的渔业资源进行预测，得到第二预测结果信息，具体包括：
将历史平均调查数据信息构建历史数据特征训练集；
将所述历史数据特征数据集导入预测模型中，以得到第二预测结果信息。
6.根据权利要求3所述的一种基于流刺网调查的渔业资源统计方法，其特征在于，所述环境信息包括当前海域的地形地貌、当前海域的天气状况以及当前海域的海水温度值。
7.根据权利要求3所述的一种基于流刺网调查的渔业资源统计方法，其特征在于，还包括以下步骤：
基于所述最终的评价结果得到当前目标海域的渔业资源分布规律特征数据；
根据所述渔业资源分布规律特征数据建立时间序列的分布规律特征曲线图；
按照所述时间序列的分布规律特征曲线图对流刺网的类型进行使用规划，具体为：以所述时间序列的分布规律特征曲线图中特征数据的第一渔业资源分布规律特征数据为依据，生成第一流刺网类型；以所述时间序列的分布规律特征曲线图中特征数据的第二渔业资源分布规律特征数据为依据，生成第二流刺网类型；按照该方式生成第m流刺网类型，并将第一流刺网类型、第二流刺网类型以及第m流刺网类型组合成流刺网的类型使用规划。
8.一种基于流刺网调查的渔业资源统计系统，其特征在于，该系统包括存储器及处理器，所述存储器中包括基于流刺网调查的渔业资源统计的方法程序，所述基于流刺网调查的渔业资源统计的方法程序被处理器执行时，实现以下方法步骤：
获取当前目标海域的环境信息；
基于所述环境信息建立渔业资源统计评价体系，并将第一预测结果信息以及第二预测结果信息导入所述渔业资源统计评价体系中，得到第一评价结果；
将所述第一评价结果进行N次验证，并判断所述第一评价结果是否在预设评价结果范围之内，若在，则计算N次验证结果的偏差率；
若所述偏差率大于预设偏差率，生成第二评价结果，并将所述第二评价结果作为最终的评价结果输出。
9.根据权利要求8所述的一种基于流刺网调查的渔业资源统计系统，其特征在于，还包括以下步骤：
获取当前流刺网在目标海域内撒网与收网的地理位置信息；
通过大数据网络获取当前所述地理位置信息对应的历史平均调查数据信息；
基于所述历史平均调查数据信息对该目标海域的渔业资源进行预测，得到第二预测结果信息。
10.根据权利要求8所述的一种基于流刺网调查的渔业资源统计系统，其特征在于，在基于所述环境信息建立渔业资源统计评价体系，并将第一预测结果信息以及第二预测结果信息导入所述渔业资源统计评价体系中，得到第一评价结果步骤之前，还包括以下步骤：
获取当前目标海域的流刺网调查数据信息，所述流刺网调查数据信息包括流刺网收网时的速度值以及海洋生物的类型与数量；
对所述流刺网调查数据信息进行数据分类，得到第一数据信息；
获取当前目标海域使用的流刺网类型；
基于所述第一数据信息以及所述流刺网类型对所述目标海域的渔业资源进行预测，得到第一预测结果信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210008454.8A CN114493680B (zh) | 2022-01-06 | 2022-01-06 | 一种基于流刺网调查的渔业资源统计方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210008454.8A CN114493680B (zh) | 2022-01-06 | 2022-01-06 | 一种基于流刺网调查的渔业资源统计方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114493680A true CN114493680A (zh) | 2022-05-13 |
| CN114493680B CN114493680B (zh) | 2024-05-03 |
Family
ID=81509489
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210008454.8A Active CN114493680B (zh) | 2022-01-06 | 2022-01-06 | 一种基于流刺网调查的渔业资源统计方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114493680B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116090859A (zh) * | 2022-11-09 | 2023-05-09 | 中国水产科学研究院南海水产研究所 | 一种近海岛礁渔业水域生态健康评价方法及系统 |
| CN116562472A (zh) * | 2023-07-10 | 2023-08-08 | 中国水产科学研究院南海水产研究所 | 一种中上层海洋生物目标种类识别与分布预测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102907359A (zh) * | 2012-10-19 | 2013-02-06 | 中国水产科学研究院东海水产研究所 | 一种人工鱼礁区声学评估数据获取的方法 |
| CN104463433A (zh) * | 2014-11-19 | 2015-03-25 | 中国水产科学研究院东海水产研究所 | 一种基于渔船船位数据提取刺网捕捞状态的方法 |
| CN111626467A (zh) * | 2020-04-08 | 2020-09-04 | 上海海洋大学 | 一种扫海面积估算渔业资源量的修正方法及其应用 |
| CN112907107A (zh) * | 2021-03-12 | 2021-06-04 | 中国水产科学研究院南海水产研究所 | 一种基于多源信息融合的渔业事故应急处理系统及方法 |
-
2022
- 2022-01-06 CN CN202210008454.8A patent/CN114493680B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102907359A (zh) * | 2012-10-19 | 2013-02-06 | 中国水产科学研究院东海水产研究所 | 一种人工鱼礁区声学评估数据获取的方法 |
| CN104463433A (zh) * | 2014-11-19 | 2015-03-25 | 中国水产科学研究院东海水产研究所 | 一种基于渔船船位数据提取刺网捕捞状态的方法 |
| CN111626467A (zh) * | 2020-04-08 | 2020-09-04 | 上海海洋大学 | 一种扫海面积估算渔业资源量的修正方法及其应用 |
| CN112907107A (zh) * | 2021-03-12 | 2021-06-04 | 中国水产科学研究院南海水产研究所 | 一种基于多源信息融合的渔业事故应急处理系统及方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116090859A (zh) * | 2022-11-09 | 2023-05-09 | 中国水产科学研究院南海水产研究所 | 一种近海岛礁渔业水域生态健康评价方法及系统 |
| CN116090859B (zh) * | 2022-11-09 | 2023-11-03 | 中国水产科学研究院南海水产研究所 | 一种近海岛礁渔业水域生态健康评价方法及系统 |
| CN116562472A (zh) * | 2023-07-10 | 2023-08-08 | 中国水产科学研究院南海水产研究所 | 一种中上层海洋生物目标种类识别与分布预测方法及系统 |
| CN116562472B (zh) * | 2023-07-10 | 2024-01-09 | 中国水产科学研究院南海水产研究所 | 一种中上层海洋生物目标种类识别与分布预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114493680B (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Morrongiello et al. | Impacts of drought and predicted effects of climate change on fish growth in temperate Australian lakes | |
| Li et al. | Distribution of hotspots of chub mackerel based on remote-sensing data in coastal waters of China | |
| Aires-da-Silva et al. | Demographic and risk analyses applied to management and conservation of the blue shark (Prionace glauca) in the North Atlantic Ocean | |
| Meineri et al. | Combining correlative and mechanistic habitat suitability models to improve ecological compensation | |
| Otero et al. | Quantifying the ocean, freshwater and human effects on year-to-year variability of one-sea-winter Atlantic salmon angled in multiple Norwegian rivers | |
| CN114493680B (zh) | 一种基于流刺网调查的渔业资源统计方法及系统 | |
| Stockhausen et al. | Running the gauntlet: Connectivity between natal and nursery areas for Pacific ocean perch (Sebastes alutus) in the Gulf of Alaska, as inferred from a biophysical individual-based model | |
| Fobert et al. | Dispersal and population connectivity are phenotype dependent in a marine metapopulation | |
| Mangano et al. | Moving toward a strategy for addressing climate displacement of marine resources: A proof-of-concept | |
| Politikos et al. | Climate variability and sardine recruitment in the California Current: a mechanistic analysis of an ecosystem model | |
| Rueda et al. | Effect of intra‐specific competition, surface chlorophyll and fishing on spatial variation of gadoid's body condition | |
| Schlaefer et al. | Wind conditions on the Great Barrier Reef influenced the recruitment of snapper (Lutjanus carponotatus) | |
| Rook et al. | The spatial scale for cisco recruitment dynamics in Lake Superior during 1978–2007 | |
| Liu et al. | Effects of climate change on the potential habitat distribution of swimming crab Portunus trituberculatus under the species distribution model | |
| Froeschke et al. | Spatiotemporal predictive models for juvenile southern flounder in Texas estuaries | |
| Bacheler et al. | Movements and mortality rates of striped mullet in North Carolina | |
| Martín et al. | Machine learning as a successful approach for predicting complex spatio–temporal patterns in animal species abundance | |
| Smith et al. | Spatiotemporal variability of fishery‐dependent indices for the declining Louisiana Southern Flounder fishery | |
| Feyrer et al. | Dissolved oxygen controls summer habitat of Clear Lake Hitch (Lavinia exilicauda chi), an imperilled potamodromous cyprinid | |
| Shipley et al. | Artificial reef placement: a red snapper, Lutjanus campechanus, ecosystem and fuzzy rule‐based model | |
| Yusop et al. | Determination of spatio-temporal distribution of Rastrelliger kanagurta using modelling techniques for optimal fishing | |
| CN116090859B (zh) | 一种近海岛礁渔业水域生态健康评价方法及系统 | |
| Fielding et al. | Ravens exploit wildlife roadkill and agricultural landscapes but do not affect songbird assemblages | |
| Nian et al. | The identification and prediction in abundance variation of Atlantic cod via long short-term memory with periodicity, time–frequency co-movement, and lead-lag effect across sea surface temperature, sea surface salinity, catches, and prey biomass from 1919 to 2016 | |
| CN116307879A (zh) | 一种斑节对虾虾苗高效培育方法、系统及介质 |
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 |