CN114612260A - 一种基于机器学习的南海渔业资源评估体系建模方法及系统 - Google Patents

一种基于机器学习的南海渔业资源评估体系建模方法及系统 Download PDF

Info

Publication number
CN114612260A
CN114612260A CN202210432038.0A CN202210432038A CN114612260A CN 114612260 A CN114612260 A CN 114612260A CN 202210432038 A CN202210432038 A CN 202210432038A CN 114612260 A CN114612260 A CN 114612260A
Authority
CN
China
Prior art keywords
module
comparison
ocean
machine learning
fishing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210432038.0A
Other languages
English (en)
Inventor
张魁
陈作志
孙铭帅
王新星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China Sea Fisheries Research Institute Chinese Academy Fishery Sciences
Original Assignee
South China Sea Fisheries Research Institute Chinese Academy Fishery Sciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China Sea Fisheries Research Institute Chinese Academy Fishery Sciences filed Critical South China Sea Fisheries Research Institute Chinese Academy Fishery Sciences
Priority to CN202210432038.0A priority Critical patent/CN114612260A/zh
Publication of CN114612260A publication Critical patent/CN114612260A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G06N20/00—Machine learning
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Probability & Statistics with Applications (AREA)
  • Animal Husbandry (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • Agronomy & Crop Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Farming Of Fish And Shellfish (AREA)

Abstract

本发明涉及渔业资源技术领域，且公开了一种基于机器学习的南海渔业资源评估体系建模方法及系统，包括处理器，处理器上连接有数据库模块，处理器上连接用于渔业捕鱼的计量模块，处理器上还连接有用于海上的丰度检测模块，环境监测模块和位置坐标反馈模块，丰度检测模块、环境监测模块和位置坐标模块上连接有综合评估模块，综合评估模块与数据库模块相连接；丰度检测模块，环境监测模块和位置坐标反馈模块同样与数据库模块相连接，通过单项对比或者多项对比随机排列的方式进行对比，增加对比的随机性，减少认为判断造成的误差，通过上述对比可以达到精确对比和随机对比两个方式，更多的对比方式处理数据保证综合评估模块对比得到的数据的准确性。

Description

一种基于机器学习的南海渔业资源评估体系建模方法及系统
技术领域
本发明涉及渔业资源技术领域，具体为一种基于机器学习的南海渔业资源评估体系建模方法及系统。
背景技术
渔业资源是人类重要的食物和微量营养物质来源，并为沿海地区的人们提供收入和就业机会。近几十年来，由于过度捕捞和环境污染等，包括我国近海在内的世界范围内海洋渔业资源的衰退现象日益严重，严重制约了生物多样性保护和生态文明建设。
(2)科学的资源评估与管理是维持渔业可持续发展的基础，然而，由于数据缺乏，全世界只有不到20％的渔业产量来自存在资源评估的渔业种类，而我国的南海绝大多数渔业资源种类同样缺乏渔业资源评估。
(3)复杂多样，包括统计产量数据、海上调查数据(包括生物学数据、丰度数据、位置数据、环境数据等等)，不同的渔业资源种类存在的数据种类和数据量又有非常大的差异，评估模型也是多种多样，针对不同的渔业种类，很难筛选出合适的评估模型进行评估，从而导致评估结果的精度差。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于机器学习的南海渔业资源评估体系建模方法及系统。
(二)技术方案
为实现上述目的，本发明提供如下技术方案：一种基于机器学习的南海渔业资源评估体系建模系统，包括处理器，所述处理器上连接有数据库模块，所述处理器上连接用于渔业捕鱼的计量模块，所述处理器上还连接有用于海上的丰度检测模块，环境监测模块和位置坐标反馈模块，所述丰度检测模块、环境监测模块和位置坐标模块上连接有综合评估模块，所述综合评估模块与数据库模块相连接；
所述丰度检测模块，环境监测模块和位置坐标反馈模块同样与数据库模块相连接。
优选的，所述计量模块包括有数量模块、种类模块、分布模块和比例模块，数量模块是对鱼、虾、蟹和贝类等产品的重量、数量进行统计和计算，然后按照(a1、b1、c1……)的方式建立集合一，每次打渔后进行单独的进行统计，而种类模块对每次打渔后对渔网内产品品种进行检测和统计，然后按照(a2、b2、c2……)的方式建立集合二。
优选的，所述比例模块将数量模块和种类模块得到的集合一和集合二进行进一步分析，通过不同种类的鱼类进行质量分比重的方式将不同种类的鱼类通过比例方式进行统计，并建立集合三(a：b：c……)。
优选的，所述丰度检测模块是检测海洋中鱼、虾、蟹和贝类等产品的数量和种类进行检测，与计量模块的检测方式相同，同样将海洋中鱼、虾、蟹和贝类等产品的数量和种类建立集合四、集合五，然后对集合四和集合五进行进一步分析和统计，建立集合六。
优选的，所述环境监测模块包括有经纬度模块、水流方向模块、水流速度模块、水流温度模块和水流分层检测模块，通过经纬度模块将检测位置的坐标用经度和纬度进行记录并标记为坐标(x，y)，确定捕鱼位置和海洋各个位置，然后通过水流方向模块检测海洋各个位置的水流方向并标记为(E-N-W-S),其中东:E；南:S；西:W；北:N,再通过水流速度模块检测捕鱼位置和海洋各个位置的海洋中洋流速度，并标记为V，然后通过水流温度模块检测捕鱼位置和海洋各个位置的海洋中洋流温度，并标记为T。
优选的，坐标、速度、方向和温度进行组合后即是环境监测模块是对捕鱼位置和海洋各个位置的环境进行记录，标记并建立集合七((x，y)，(E-N-W-S)，V，T)，通过集合的方式将集合七储存到数据中。
优选的，所述数据库模块包括有提取模块、储存模块和对比模块，其中提取模块、储存模块是将各个模块分析和记录的数据进行储存和提取，提取模块、储存模块和对比模块连接到综合评估模块上。
优选的，所述对比模块包括了单项对比模块、多项对比模块和综合对比模块，单项对比模块即是通过单个数据进行对比，其他数据可以相近或者相同，也可以不同，而多项对比模块即是同时对比多个数据。
一种基于机器学习的南海渔业资源评估体系建模方法，包括以下步骤：
第一步：通过环境监测模块将捕鱼位置和海洋各个位置的环境进行记录，并标记为((x，y)，(E-N-W-S)，V，T)；
第二步：将海洋中鱼、虾、蟹和贝类等产品的重量、数量进行统计和计算，并建立集合；
第三步：通过综合对比模块将第一步和第二步的两个集合进行分析；
第四步：通过对比模块采用精确对比和随机对比两个方式进行对比分析；
第五步：通过数据库模块将前四步得到的数据均储存在数据库中。
优选的，所述综合对比模块即是通过单项对比或者多项对比随机排列的方式进行对比，采用随机对比的方式。
(三)有益效果
与现有技术相比，本发明提供了一种基于机器学习的南海渔业资源评估体系建模方法及系统，具备以下有益效果：
1、该基于机器学习的南海渔业资源评估体系建模方法及系统，通过对比模块包括了单项对比模块、多项对比模块和综合对比模块，单项对比模块即是通过单个数据进行对比，其他数据可以相近或者相同，也可以不同，而多项对比模块即是同时对比多个数据，而综合对比模块即是通过单项对比或者多项对比随机排列的方式进行对比，增加对比的随机性，减少认为判断造成的误差，通过上述对比可以达到精确对比和随机对比两个方式，更多的对比方式处理数据保证综合评估模块对比得到的数据的准确性。
2、该基于机器学习的南海渔业资源评估体系建模方法及系统，通过水流方向模块与分布模块相配合可以更好的确定海洋深度、水流方向对不同海洋深度的海鲜种类的分布方式，或者不同海洋环境的海鲜种类分布的方式，水流温度模块与分布模块相配合同样可以确定海洋深度、水流方向对不同海洋深度的海鲜种类的分布方式，或者不同海洋环境的海鲜种类分布的方式，通过上面两个方式将海洋在空间上由上到下、由远及近的方式进行分层处理，便于对海洋中海鲜种类分布方式，以及精准的确定鱼类分布。
3、该基于机器学习的南海渔业资源评估体系建模方法及系统，通过经纬度模块将检测位置的坐标用经度和纬度进行记录并标记为坐标(x，y)，确定捕鱼位置和海洋各个位置，然后通过水流方向模块检测海洋各个位置的水流方向并标记为(E-N-W-S),其中东:E；南:S；西:W；北:N,再通过水流速度模块检测捕鱼位置和海洋各个位置的海洋中洋流速度，并标记为V，然后通过水流温度模块检测捕鱼位置和海洋各个位置的海洋中洋流温度，并标记为T，将上述坐标、速度、方向和温度进行组合后即是环境监测模块是对捕鱼位置和海洋各个位置的环境进行记录，标记并建立集合七((x，y)，(E-N-W-S)，V，T)，通过集合的方式将集合七储存到数据中，将所有的数据通过集合的方式进储存，便于分析、储存、提取和排列。
4、该基于机器学习的南海渔业资源评估体系建模方法及系统，数量模块是对鱼、虾、蟹和贝类等产品的重量、数量进行统计和计算，然后按照(a1、b1、c1……)的方式建立集合一，每次打渔后进行单独的进行统计，而种类模块对每次打渔后对渔网内产品品种进行检测和统计，然后按照(a2、b2、c2……)的方式建立集合二，将集合一和集合二进行对比可以更好的确定好打渔后对渔网产品的数量和种类，同时通过数据分类对比排列的方式，将集合一和集合二储存到处理器中然后通过处理后储存到数据库中，方便数据库中的数据储存，以及在提取时由于数据更加细化，提取数据更加方便。
5、该基于机器学习的南海渔业资源评估体系建模方法及系统，通过比例模块将数量模块和种类模块得到的集合一和集合二进行进一步分析，通过不同种类的鱼类进行质量分比重的方式将不同种类的鱼类通过比例方式进行统计，并建立集合三(a：b：c……)，通过建立集合三对分布模块进行组合分析可以更好的确定不同海洋深度的海鲜种类的分布方式，或者不同海洋环境的海鲜种类分布方式。
6、该基于机器学习的南海渔业资源评估体系建模方法及系统，丰度检测模块，与计量模块的检测方式相同，同样将海洋中鱼、虾、蟹和贝类等产品的数量和种类建立集合四、集合五，然后对集合四和集合五进行进一步分析和统计，建立集合六，将集合一、集合二和集合三与集合四、集合五和集合六进行对比分析，确定不同海洋深度的海鲜种类的分布方式，或者不同海洋环境的海鲜种类分布方式，方便捕鱼。
附图说明
图1为本发明主体结构示意图；
图2为本发明计量模块示意图；
图3为本发明环境监测模块示意图；
图4为本发明数据库模块示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
请参阅图1-4，一种基于机器学习的南海渔业资源评估体系建模系统，包括处理器，处理器即通过计算机预设好处理方式，通过计算机用于处理渔业资源中的各项数据进行分析、对比、评估和分类处理，所述处理器上连接有数据库模块，所述处理器上连接用于渔业捕鱼的计量模块，所述计量模块上连接有数量模块、种类模块、分布模块和比例模块。
其中，计量模块是对渔民每次打渔后对渔网内的鱼、虾、蟹和贝类等产品的数量和种类进行检测，计量模块包括有数量模块、种类模块、分布模块和比例模块，而数量模块是对鱼、虾、蟹和贝类等产品的重量、数量进行统计和计算，然后按照(a1、b1、c1……)的方式建立集合一，每次打渔后进行单独的进行统计，而种类模块对每次打渔后对渔网内产品品种进行检测和统计，然后按照(a2、b2、c2……)的方式建立集合二，将集合一和集合二进行对比可以更好的确定好打渔后对渔网产品的数量和种类，同时通过数据分类对比排列的方式，将集合一和集合二储存到处理器中然后通过处理后储存到数据库中，方便数据库中的数据储存，以及在提取时由于数据更加细化，提取数据更加方便。
所述分布模块是对数量模块和种类模块得到的集合一和集合二进行进一步分析，由将集合一和集合二的数据与海洋深度进行比照分析，将打渔后对渔网内产品进行高度上的分布进行分析和排布，确定不同海洋深度的海鲜种类的分布方式，或者不同海洋环境的海鲜种类分布方式，确定不同海洋深度或者不同海洋环境对海鲜种类分布方式的影响。
其中，比例模块将数量模块和种类模块得到的集合一和集合二进行进一步分析，通过不同种类的鱼类进行质量分比重的方式将不同种类的鱼类通过比例方式进行统计，并建立集合三(a：b：c……)，通过建立集合三对分布模块进行组合分析可以更好的确定不同海洋深度的海鲜种类的分布方式，或者不同海洋环境的海鲜种类分布方式。
所述处理器上还连接有用于海上的丰度检测模块，环境监测模块和位置坐标反馈模块，所述丰度检测模块是检测海洋中鱼、虾、蟹和贝类等产品的数量和种类进行检测，与计量模块的检测方式相同，同样将海洋中鱼、虾、蟹和贝类等产品的数量和种类建立集合四、集合五，然后对集合四和集合五进行进一步分析和统计，建立集合六，将集合一、集合二和集合三与集合四、集合五和集合六进行对比分析，确定不同海洋深度的海鲜种类的分布方式，或者不同海洋环境的海鲜种类分布方式，方便捕鱼。
所述环境监测模块是对捕鱼位置和海洋各个位置的环境进行记录和分析，所述环境监测模块包括有经纬度模块、水流方向模块、水流速度模块、水流温度模块和水流分层检测模块，通过经纬度模块将检测位置的坐标用经度和纬度进行记录并标记为坐标(x，y)，确定捕鱼位置和海洋各个位置，然后通过水流方向模块检测海洋各个位置的水流方向并标记为(E-N-W-S),其中东:E；南:S；西:W；北:N,再通过水流速度模块检测捕鱼位置和海洋各个位置的海洋中洋流速度，并标记为V，然后通过水流温度模块检测捕鱼位置和海洋各个位置的海洋中洋流温度，并标记为T，将上述坐标、速度、方向和温度进行组合后即是环境监测模块是对捕鱼位置和海洋各个位置的环境进行记录，标记并建立集合七((x，y)，(E-N-W-S)，V，T)，通过集合的方式将集合七储存到数据中，将所有的数据通过集合的方式进储存，便于分析、储存、提取和排列。
所述水流分层检测模块、分布模块和水流方向模块相配合，而通过水流方向模块与分布模块相配合可以更好的确定海洋深度、水流方向对不同海洋深度的海鲜种类的分布方式，或者不同海洋环境的海鲜种类分布的方式，水流温度模块与分布模块相配合同样可以确定海洋深度、水流方向对不同海洋深度的海鲜种类的分布方式，或者不同海洋环境的海鲜种类分布的方式，通过上面两个方式将海洋在空间上由上到下、由远及近的方式进行分层处理，便于对海洋中海鲜种类分布方式，以及精准的确定鱼类分布。
所述丰度检测模块、环境监测模块和位置坐标模块上连接有综合评估模块，所述综合评估模块与数据库模块相连接，综合评估模块即是将丰度检测模块、环境监测模块和位置坐标模块获得的数据和记录通过对比的方式进行比对，更好的对数据进行分析，并将分析的结果储存在数据库中，方便数据的提取，所述丰度检测模块，环境监测模块和位置坐标反馈模块同样与数据库模块相连接。
所述数据库模块包括有提取模块、储存模块和对比模块，其中提取模块、储存模块是将各个模块分析和记录的数据进行储存和提取，而对比模块即是通过对比的方式更好的对数据进行分析，提取模块、储存模块和对比模块连接到综合评估模块上，其中，对比模块包括了单项对比模块、多项对比模块和综合对比模块，单项对比模块即是通过单个数据进行对比，其他数据可以相近或者相同，也可以不同，而多项对比模块即是同时对比多个数据，而综合对比模块即是通过单项对比或者多项对比随机排列的方式进行对比，增加对比的随机性，减少认为判断造成的误差，通过上述对比可以达到精确对比和随机对比两个方式，更多的对比方式处理数据保证综合评估模块对比得到的数据的准确性。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种基于机器学习的南海渔业资源评估体系建模系统，包括处理器，其特征在于：所述处理器上连接有数据库模块，所述处理器上连接用于渔业捕鱼的计量模块，所述处理器上还连接有用于海上的丰度检测模块，环境监测模块和位置坐标反馈模块，所述丰度检测模块、环境监测模块和位置坐标模块上连接有综合评估模块，所述综合评估模块与数据库模块相连接；
所述丰度检测模块，环境监测模块和位置坐标反馈模块同样与数据库模块相连接。
2.根据权利要求1所述的一种基于机器学习的南海渔业资源评估体系建模方法及系统，其特征在于：所述计量模块包括有数量模块、种类模块、分布模块和比例模块，数量模块是对鱼、虾、蟹和贝类等产品的重量、数量进行统计和计算，然后按照(a1、b1、c1……)的方式建立集合一，每次打渔后进行单独的进行统计，而种类模块对每次打渔后对渔网内产品品种进行检测和统计，然后按照(a2、b2、c2……)的方式建立集合二。
3.根据权利要求2所述的一种基于机器学习的南海渔业资源评估体系建模方法及系统，其特征在于：所述比例模块将数量模块和种类模块得到的集合一和集合二进行进一步分析，通过不同种类的鱼类进行质量分比重的方式将不同种类的鱼类通过比例方式进行统计，并建立集合三(a：b：c……)。
4.根据权利要求3述的一种基于机器学习的南海渔业资源评估体系建模方法及系统，其特征在于：所述丰度检测模块是检测海洋中鱼、虾、蟹和贝类等产品的数量和种类进行检测，与计量模块的检测方式相同，同样将海洋中鱼、虾、蟹和贝类等产品的数量和种类建立集合四、集合五，然后对集合四和集合五进行进一步分析和统计，建立集合六。
5.根据权利要求1所述的一种基于机器学习的南海渔业资源评估体系建模方法及系统，其特征在于：所述环境监测模块包括有经纬度模块、水流方向模块、水流速度模块、水流温度模块和水流分层检测模块，通过经纬度模块将检测位置的坐标用经度和纬度进行记录并标记为坐标(x，y)，确定捕鱼位置和海洋各个位置，然后通过水流方向模块检测海洋各个位置的水流方向并标记为(E-N-W-S),其中东:E；南:S；西:W；北:N,再通过水流速度模块检测捕鱼位置和海洋各个位置的海洋中洋流速度，并标记为V，然后通过水流温度模块检测捕鱼位置和海洋各个位置的海洋中洋流温度，并标记为T。
6.根据权利要求5所述的一种基于机器学习的南海渔业资源评估体系建模方法及系统，其特征在于：坐标、速度、方向和温度进行组合后即是环境监测模块是对捕鱼位置和海洋各个位置的环境进行记录，标记并建立集合七((x，y)，(E-N-W-S)，V，T)，通过集合的方式将集合七储存到数据中。
7.根据权利要求1所述的一种基于机器学习的南海渔业资源评估体系建模方法及系统，其特征在于：所述数据库模块包括有提取模块、储存模块和对比模块，其中提取模块、储存模块是将各个模块分析和记录的数据进行储存和提取，提取模块、储存模块和对比模块连接到综合评估模块上。
8.根据权利要求7所述的一种基于机器学习的南海渔业资源评估体系建模方法及系统，其特征在于：所述对比模块包括了单项对比模块、多项对比模块和综合对比模块，单项对比模块即是通过单个数据进行对比，其他数据可以相近或者相同，也可以不同，而多项对比模块即是同时对比多个数据。
9.一种基于机器学习的南海渔业资源评估体系建模方法，其特征在于：包括以下步骤：
第一步：通过环境监测模块将捕鱼位置和海洋各个位置的环境进行记录，并标记为((x，y)，(E-N-W-S)，V，T)；
第二步：将海洋中鱼、虾、蟹和贝类等产品的重量、数量进行统计和计算，并建立集合；
第三步：通过综合对比模块将第一步和第二步的两个集合进行分析；
第四步：通过对比模块采用精确对比和随机对比两个方式进行对比分析；
第五步：通过数据库模块将前四步得到的数据均储存在数据库中。
10.根据权利要求9所述的一种基于机器学习的南海渔业资源评估体系建模方法，其特征在于：所述综合对比模块即是通过单项对比或者多项对比随机排列的方式进行对比，采用随机对比的方式。
CN202210432038.0A 2022-04-22 2022-04-22 一种基于机器学习的南海渔业资源评估体系建模方法及系统 Pending CN114612260A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210432038.0A CN114612260A (zh) 2022-04-22 2022-04-22 一种基于机器学习的南海渔业资源评估体系建模方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210432038.0A CN114612260A (zh) 2022-04-22 2022-04-22 一种基于机器学习的南海渔业资源评估体系建模方法及系统

Publications (1)

Publication Number Publication Date
CN114612260A true CN114612260A (zh) 2022-06-10

Family

ID=81868991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210432038.0A Pending CN114612260A (zh) 2022-04-22 2022-04-22 一种基于机器学习的南海渔业资源评估体系建模方法及系统

Country Status (1)

Country Link
CN (1) CN114612260A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114982677A (zh) * 2022-06-27 2022-09-02 陕西省动物研究所 一种基于大数据的野生鱼类分布保护系统
CN115456490A (zh) * 2022-11-14 2022-12-09 中国水产科学研究院南海水产研究所 一种基于地理信息的渔业资源数据分析方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108153861A (zh) * 2017-12-25 2018-06-12 中国水产科学研究院东海水产研究所 基于gis的河口渔业资源集群分布分析方法
CN111159246A (zh) * 2019-11-15 2020-05-15 西安海的电子科技有限公司 一种基于大数据的海洋生物多样性统计方法
CN111406693A (zh) * 2020-04-23 2020-07-14 上海海洋大学 基于仿生海鳗的海洋牧场渔业资源养护效果评价方法
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
CN112329998A (zh) * 2020-10-26 2021-02-05 上海海洋大学 一种基于分层水温的渔业资源丰度的预测方法及其应用
JP2021166507A (ja) * 2020-04-08 2021-10-21 上海海洋大学Shanghai Ocean University 掃過面積に基づいて推定された漁業資源量の補正方法及びその応用
CN113689183A (zh) * 2021-08-06 2021-11-23 浙江省海洋科学院(浙江省海洋技术服务中心) 一种基于海洋生态评价的资源管理分析系统及方法
CN113988548A (zh) * 2021-10-14 2022-01-28 浙江省海洋科学院(浙江省海洋技术服务中心) 一种基于可持续发展的海洋渔业评估方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108153861A (zh) * 2017-12-25 2018-06-12 中国水产科学研究院东海水产研究所 基于gis的河口渔业资源集群分布分析方法
CN111159246A (zh) * 2019-11-15 2020-05-15 西安海的电子科技有限公司 一种基于大数据的海洋生物多样性统计方法
JP2021166507A (ja) * 2020-04-08 2021-10-21 上海海洋大学Shanghai Ocean University 掃過面積に基づいて推定された漁業資源量の補正方法及びその応用
CN111406693A (zh) * 2020-04-23 2020-07-14 上海海洋大学 基于仿生海鳗的海洋牧场渔业资源养护效果评价方法
CN112329998A (zh) * 2020-10-26 2021-02-05 上海海洋大学 一种基于分层水温的渔业资源丰度的预测方法及其应用
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
CN113689183A (zh) * 2021-08-06 2021-11-23 浙江省海洋科学院(浙江省海洋技术服务中心) 一种基于海洋生态评价的资源管理分析系统及方法
CN113988548A (zh) * 2021-10-14 2022-01-28 浙江省海洋科学院(浙江省海洋技术服务中心) 一种基于可持续发展的海洋渔业评估方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114982677A (zh) * 2022-06-27 2022-09-02 陕西省动物研究所 一种基于大数据的野生鱼类分布保护系统
CN115456490A (zh) * 2022-11-14 2022-12-09 中国水产科学研究院南海水产研究所 一种基于地理信息的渔业资源数据分析方法及系统

Similar Documents

Publication Publication Date Title
CN114612260A (zh) 一种基于机器学习的南海渔业资源评估体系建模方法及系统
CN108777873A (zh) 基于加权混合孤立森林的无线传感网络异常数据检测方法
Mapstone et al. An investigation of optimum methods and unit sizes for the visual estimation of abundances of some coral reef organisms
CN111680844A (zh) 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
CN103090946B (zh) 果树单树产量测量的方法和系统
CN114066848B (zh) 一种fpca外观缺陷视觉检测系统
CN110263790A (zh) 一种基于卷积神经网络的电厂电表字符定位和识别方法
CN115145906A (zh) 一种面向结构化数据的预处理和补全方法
CN111105079A (zh) 一种物联网水体溶解氧预测方法及水质监测系统
CN112861666A (zh) 一种基于深度学习的鸡群计数方法及应用
CN111784034A (zh) 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
CN112016618A (zh) 一种用于对图像语义分割模型泛化能力的度量方法
CN116644879A (zh) 一种海洋牧场生态承载力评估与管理系统
CN115294044A (zh) 一种食用菌菌丝表型获取方法
CN108984739A (zh) 一种鱼类资源与渔场的时空分析方法
CN112733935A (zh) 一种基于Stacking算法的渔船捕捞方式预测方法
Maoiléidigh et al. Fifty years of marine tag recoveries from Atlantic salmon
CN116912672A (zh) 一种基于无人测量船的大型底栖无脊椎动物生物完整性评价方法
Zhang et al. Fully automatic system for fish biomass estimation based on deep neural network
CN116562467A (zh) 一种海洋鱼类目标种类识别及分布预测方法及系统
CN101975849B (zh) 一种浮游植物快速定性定量优化方法
Lin et al. A Real-Time Counting Method of Fish based on the Instance Segmentation
CN112215107A (zh) 一种猪的行为识别方法及装置、电子设备和存储介质
Zhou et al. Fish density estimation with multi-scale context enhanced convolutional neural network
CN112001641B (zh) 一种扇贝养殖区适宜性遥感评估系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220610