CN115860284B - 渔业资源密度识别方法、装置、存储介质以及电子设备 - Google Patents
渔业资源密度识别方法、装置、存储介质以及电子设备 Download PDFInfo
- Publication number
- CN115860284B CN115860284B CN202310182968.XA CN202310182968A CN115860284B CN 115860284 B CN115860284 B CN 115860284B CN 202310182968 A CN202310182968 A CN 202310182968A CN 115860284 B CN115860284 B CN 115860284B
- Authority
- CN
- China
- Prior art keywords
- target population
- body type
- change
- trend
- target
- 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.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mechanical Means For Catching Fish (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
本申请公开了一种渔业资源密度识别方法、装置、存储介质以及电子设备,涉及海洋渔汛预测技术领域,其中,识别方法包括:基于历史食物网结构变化信息确定第一目标种群和第二目标种群的变化趋势,并基于变化趋势和当前时段的第一目标种群数量和第二目标种群数量以及第二目标种群的体型结构,确定待预测时段的第一目标种群初始预测数量和第二目标种群初始预测数量,再基于对第二目标种群的体型结构按照与第一目标种群的摄食竞争和捕食关系进行划分,综合考虑食物网结构和不同目标种群之间的竞争关系和捕食关系,来调整初始预测数量,更为精准的预测每种目标种群的数量和密度,为渔业捕捞进行更为合理的规划。
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密度识别方法、装置、存储介质以及电子设备。
背景技术
为了保证渔业资源的可持续开发和利用,实现渔业资源的合理配置,需要基于渔业资源密度进行较为准确的识别,根据目前渔业资源目的和未来渔业资源密度调整捕捞策略,保证渔业资源的可持续开发的情况下,保证渔业资源的经济性。
现有技术中在对渔业资源密度识别时往往基于环境特征和适生条件对目标海域的渔业资源进行识别和监控,然而,现有技术中的往往只考虑海洋环境变化因素和适生条件因素等渔业资源的外在因素,并没有从渔业资源密度变化的直接因素对渔业资源密度进行预测,导致渔业资源密度预测不准。
如何更为准确的预测渔业资源密度以对捕捞方案做更合理的规划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密度识别方法、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:如何更为准确的预测渔业资源密度以对捕捞方案做更合理的规划。
根据第一方面,本申请提供了一种渔业资源密度识别方法,包括:获取预设历史期间的食物网的结构变化信息;基于所述结构变化信息确定在待预测时段的第一目标种群的第一变化趋势和第二目标种群的第二变化趋势;获取当前时段内第一目标种群数量和第二目标种群数量以及第二目标种群的体型结构,其中,所述第二目标种群的营养级别高于所述第一目标种群的营养级别;利用所述第一变化趋势、第二变化趋势、第一目标种群数量和第二目标种群数量确定所述待预测时段的第一目标种群初始预测数量和第二目标种群初始预测数量;基于所述体型结构和预设体型将所述第二目标种群划分为小于所述预设体型的第一体型区间和大于所述预设体型的第二体型区间,并分别确定所述第一体型区间数量和第二体型区间数量,其中,所述第一体型区间内的第二目标种群与所述第一目标种群形成摄食竞争关系;所述第二体型区间内的第二目标种群与所述第一目标种群形成捕食关系和摄食竞争关系;基于所述第一体型区间数量和所述第二体型区间数量以及所述第二目标种群的成长周期分别对所述第一目标种群初始预测数量和所述第二目标种群初始预测数量进行调整,得到待预测时段的渔业资源密度。
可选地,所述基于所述结构变化信息确定在待预测时段的第一目标种群的第一变化趋势和所述第二目标种群的第二变化趋势包括:基于所述结构变化信息确定所述第一目标种群和所述第二目标种群的历史变化节点和各个所述历史变化节点之间的变化速率;获取与所述历史变化节点相关的历史海洋事件信息和当前时段内的当前海洋事件信息,所述海洋事件信息包括人为事件和自然事件;确定当前海洋事件信息与所述历史海洋事件信息的相似度;基于所述相似度、所述历史变化节点以及所述各个所述历史变化节点之间的变化速率预测所述第一变化趋势和所述第二变化趋势。
可选地,所述基于所述结构变化信息确定在待预测时段的第一目标种群的第一变化趋势和所述第二目标种群的第二变化趋势还包括:基于所述结构变化信息确定所述海洋食物网的复杂程度和复杂程度变化趋势,所述复杂程度包括食物网营养层级数量,食物网能量来源比例,每一营养层级的物种丰富度中的至少之一;基于所述复杂程度和所述复杂程度变化趋势对所述第一变化趋势和所述第二变化趋势进行调整。
可选地,所述基于所述复杂程度和所述复杂程度变化趋势对所述第一变化趋势和所述第二变化趋势进行调整包括:将所述食物网营养层级数量和预设层级数量的比值作为第一权重系数,将所述食物网能量来源比例与预设比例的比值作为第二权重系数,将所述物种丰富度和预设物种丰富度的比值作为第三权重系数,当所述第一变化趋势和所述第二变化趋势的变化率大于0时,将所述第一权重系数、所述第二权重系数、所述第三权重系数分别与所述第一变化趋势和所述第二变化趋势的变化率的乘积作为调整后的第一变化趋势和第二变化趋势的变化率;当所述第一变化趋势和所述第二变化趋势的变化率大于0时,将所述第一变化趋势和所述第二变化趋势的变化率分别与所述第一权重系数、所述第二权重系数、所述第三权重系数的商作为调整后的第一变化趋势和第二变化趋势的变化率;基于所述复杂程度变化趋势对调整后的第一变化趋势与所述调整后的第二变化趋势进行二次调整,其中,所述复杂程度变化趋势与所述第一变化趋势和所述第二变化趋势成正相关。
可选地,所述获取当前时段内第一目标种群数量和第二目标种群数量以及第二目标种群的体型结构包括:获取当前时段内的捕捞信息;获取当前时段的海域环境信息,并基于所述海域环境信息对所述捕捞信息进行修正;基于修正后的捕捞信息确定所述第一目标种群数量、第二目标种群数量以及第二目标种群的体型结构。
可选地,所述海域环境包括海水PH值,所述基于所述海域环境信息对所述捕捞信息进行修正包括:统计所述捕捞信息捕捞总数量、第一目标种群比例和第二目标种群比例;判断当前时段内的所述海水PH值是否小于预设海水PH值;当所述海水PH值小于预设海水PH值时,基于所述海水PH值与预设PH值的差值和海水PH值与噪声吸收的关系提升第一目标种群比例和第二目标种群比例,其中,海水PH值越小,所述第一目标种群比例和所述第二目标种群比例提升量越大。
可选地,所述基于所述第一体型区间数量和所述第二体型区间数量以及所述第二目标种群的成长周期分别对所述第一目标种群初始预测数量和所述第二目标种群初始预测数量进行调整,得到待预测时段的渔业资源密度包括:基于所述第一目标种群数量和第一体型区间数量确定第二目标种群的第一竞争系数;基于所述第一竞争系数和所述成长周期确定所述第一体型区间向所述第二体型区间转换的转换数量、第一体型区间保持数量;基于第二体型区间数量和第二体型区间转换的转换数量确定第二体型区间保持数量;基于所述第二体型区间保持数量确定向第一体型区间的繁殖数量;将所述转换数量、第一体型区间保持数量、第二体型区间保持数量和向第一体型区间的繁殖数量之和作为调整后的所述第二目标种群初始预测;基于所述第一竞争系数、第二竞争系数和调整后的所述第二目标种群初始预测数量对所述第一目标种群初始预测数量调整。
根据第二方面,本申请实施例提供了一种渔业资源密度识别装置,包括:第一获取模块,用于获取预设历史期间的食物网的结构变化信息;变化趋势确定模块,用于基于所述结构变化信息确定在待预测时段的第一目标种群的第一变化趋势和第二目标种群的第二变化趋势;第二获取模块,用于获取当前时段内第一目标种群数量和第二目标种群数量以及第二目标种群的体型结构,其中,所述第二目标种群的营养级别高于所述第一目标种群的营养级别;预测模块,用于利用所述第一变化趋势、第二变化趋势、第一目标种群数量和第二目标种群数量确定所述待预测时段的第一目标种群初始预测数量和第二目标种群初始预测数量;体型区间划分模块,用于基于所述体型结构和预设体型将所述第二目标种群划分为小于所述预设体型的第一体型区间和大于所述预设体型的第二体型区间,并分别确定所述第一体型区间数量和第二体型区间数量,其中,所述第一体型区间内的第二目标种群与所述第一目标种群形成摄食竞争关系;所述第二体型区间内的第二目标种群与所述第一目标种群形成捕食关系和摄食竞争关系;调整模块,用于基于所述第一体型区间数量和所述第二体型区间数量以及第二目标种群的成长周期分别对所述第一目标种群初始预测数量和所述第二目标种群初始预测数量进行调整,得到待预测时段的渔业资源密度。
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密度识别方法。
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密度识别方法。
本发明提出了一种渔业资源密度识别方法,基于食物网的历史变化信息确定目标种群的变化趋势,再获取当前种群信息,基于变化趋势和种群信息确定初始预测数量,并且,综合考虑食物网结构和不同目标种群之间的竞争关系和捕食关系,来调整第一目标种群初始预测数量和所述第二目标种群初始预测数量,相比于只按照基础数量和变化趋势进行统计,综合考虑不同体型的第二目标种群与第一目标种群之间的生存关系可以更为精准的预测每种目标种群的数量,进而更为精准的得到待预测时段的渔业资源密度,可以为未来待预测时段的渔业捕捞进行更为合理的规划。
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密度识别方法流程的示意图;
图2为本申请的示例性的某一待预测海域第一目标种群和第二目标种群的变化示意图;
图3为本申请的一些实施例提供的渔业资源密度识别装置的示意图;
图4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。
如背景技术所述,现有的渔业资源密度识别方案往往局限于目标海域的外在环境因素,例如,公开号为【CN114494837A】,公开日期为2022年5月13日的中国发明专利申请文件中公开了如下技术方案:获取目标海域的海洋环境信息,通过所述海洋环境信息提取环境特征;获取各渔业资源的适生条件,将所述环境特征与所述适生条件进行对比生成偏差信息,根据所述偏差信息对目标海域进行分区,建立渔业资源密度识别模型,获取各海域渔业资源图像信息,通过所述渔业资源密度识别模型根据所述渔业资源图像信息生成目标海域渔业资源密度信息;建立目标海域内的渔业资源数据库,通过所述渔业资源数据库对目标海域的渔业资源进行监控,确保目标海域的渔业资源处于预设范围内。实现了目标海域内渔业资源的自动化检测,节约了人力资源,同时保证了识别精度。然而而上述现有技术中只是基于海洋环境因素和适生条件因素对渔业资源密度进行识别。而环境因素对于渔业资源密度的影响往往存在随机性和突变性,难以对渔业资源密度整体变化进行识别。
近几十年浅海区域的食物网结构正在发生的显著的变化,并且,食物网结构一旦变化,其影响具有较强的滞后性,海洋环境的暂时变化往往难以阻止由于食物网结构变化带来的长期影响,例如,气温升高,光照条件变好,会使得浮游植物和浮游动物增加,进而初级食肉鱼类增加,若按照海洋环境进行渔业资源密度识别,则渔业资源密度是增加的,然而,若食物网结构变简单,营养级数量过少,例如次级食肉鱼类和顶级食肉鱼类减少或低龄化,会使得初级食肉鱼类短时间内增加,然而,由于初级食肉鱼类和低龄的次级食肉鱼类和顶级食肉鱼类会形成竞争关系,最终会导致所有鱼类逐渐减少,甚至会导致海底荒漠化。
基于此,本申请从食物网的结构变化角度,基于食物网的变化对渔业资源密度进行整体预测和识别,进而可以为更为精准的得出对目标海域的管理方案。
图1为本申请的一些实施例提供的一种渔业资源密度识别方法,该方法可以包括如下步骤:
S10. 获取预设历史期间的食物网的结构变化信息。作为示例性的实施例,可以先原则待预测区域,该预测区域可以为近海渔场,目标鱼群出没区域洄游区域或栖息地区域等。基于历史捕捞数据和历史检测数据分析待预测区域内食物网各个营养层级的种群数量和种群占比,进而得到食物网的结构信息,在本实施例中,可以以简化食物网为例进行说明,在本实施例中,简化食物网可以包括生产者,食草生物,一级食肉生物和二级食肉生物。通常,二级食肉生物往往为体型较大,经济价值较高的鱼类,例如,黄鱼,带鱼,马鲛鱼,乌贼等。一级食肉生物通常为经济价值次之的小型鱼类,例如黄鲫,鳀等浮游生物食性鱼类和底栖动物食性鱼类。
在本实施例中,所称的预设历史期间可以为当前时段之前的二十年、三十年或五十年的历史期间。在本实施例中,可以获取前二十年、三十年或五十年的历史期间食物网结构的年间变化信息。示例性的,可以通过每一年或每N年的食物网中各个营养层级的渔获量所占比例和绝对数量确定该历史时期的食物网结构,按照时间轴得到整个预设历史期间的食物网变化信息。
S20. 基于所述结构变化信息确定在待预测时段的第一目标种群的第一变化趋势和所述第二目标种群的第二变化趋势。作为示例性的实施例,第一目标种群可以为初级食肉鱼类,例如可以为浮游生物食性鱼类和底栖生物食性鱼类,第二目标种群可以为次级食肉鱼类,例如可以为广食性鱼类和鱼食性鱼类。在本实施例中,第一变化趋势和第二变化趋势可以基于历史中的食物网中对应营养层级的渔获量占比和绝对数量绘制对应营养层级的变化趋势,将该变化趋势作为对应目标种群的变化趋势。
示例性的,以某一待预测海域为例,如图2所示,20世纪60年代至80年代,渔业资源群落食物网包括了底栖动物食性种类、鱼食性种类和广食性种类,即包括第一目标种群和第二目标种群,其中以鱼食性种类为主,占渔获量的70%左右,而广食性种类为10-15%,底栖动物食性种类和浮游动物食性种类为5-20%;即第二目标种群为绝对优势种群,占比80%以上,而第一目标种群小于20%;之后,20世纪80年代至21世纪初,食物网中鱼食性种类逐渐减小,从80%左右减小至20%以下,甚至在一些时间段内消失,开始以游动物食性种类为主,并且渔获量逐渐升至60%左右,21世纪初之后,第一目标种群占比呈逐渐上升趋势,其渔获量的可达80%以上,而鱼食性种类和广食性种类进一步下降,逐渐下降至10%以下。
因此,可以基于上述历史渔获量占比绘制结构变化信息,而且由于食物网结构改变具有较强的延时性,因此,可以基于历史期间的食物网结构变化信息对未来的待预测时段的第一目标种群和第二目标种群的变化趋势进行预测。例如,上述实施例中,第一目标种群可以为底栖动物食性鱼类,其变化趋势为逐渐增加,第二目标种群可以为鱼食性鱼类和广食性鱼类,其变化趋势为逐渐减少,在本实施例中,由于食物网结构变化的延时性,其第一变化趋势和第二变化趋势可延续最近一段时间内的变化趋势,第一变化趋势可以为增加,第二变化趋势可以为减小,其中,变化率也可以延续一段时间内的变化率。
在得到第一目标种群的第一变化趋势和所述第二目标种群的第二变化趋势之后,为了预测第一目标种群密度和第二目标种群目的,还需要基于当前时段的种群数量,基于种群数量和变化率进行预测。
S30. 获取当前时段内第一目标种群数量和第二目标种群数量以及第二目标种群的体型结构,其中,所述第二目标种群的营养级别高于所述第一目标种群的营养级别。作为示例性的实施例,可以获取当前时段的捕捞信息,当前时段的捕捞信息可以为当年的渔获量,可以为最近N年的渔获量,基于渔获量统计第一目标种群数量和第二目标种群数量以及第二目标种群的体型结构,其中体型结构可以包括体长比例,年龄比例等。
S40. 利用所述第一变化趋势、第二变化趋势、第一目标种群数量和第二目标种群数量确定所述待预测时段的第一目标种群初始预测数量和第二目标种群初始预测数量。作为示例性的实施例,以获取的当前时段的第一目标种群数量和第二目标种群数量作为基础,以第一变化趋势、第二变化趋势的曲线计算待预测时段的第一目标种群初始预测数量和第二目标种群初始预测数量。
S50. 基于所述体型结构和预设体型将所述第二目标种群划分为小于所述预设体型的第一体型区间和大于所述预设体型的第二体型区间,并分别确定所述第一体型区间数量和第二体型区间数量,其中,所述第一体型区间内的第二目标种群与所述第一目标种群形成摄食竞争关系;所述第二体型区间内的第二目标种群与所述第一目标种群形成捕食关系和摄食竞争关系。
示例性的,一些鱼类在成长发育的过程中,其摄食性会发生变化,例如小黄鱼在体长小于109mm时,主要食性为底层虾类的底栖动物食性,在体长超过109mm时,其摄食性转变为鱼类,底层虾类,浮游动物等广食性鱼类。因此,可以按照对应物种的摄食性发生变化时的体型对第二目标种群进行划分,并统计每一体型区间的数量。在本实施例中,往往小体型的第二目标种群与第一目标种群形成摄食性竞争关系,较大体型的第二目标种群与第一目标种群形成摄食性竞争关系和捕食性竞争关系。
S60. 基于所述第一体型区间数量和所述第二体型区间数量以及所述第二目标种群的成长周期分别对所述第一目标种群初始预测数量和所述第二目标种群初始预测数量进行调整,得到待预测时段的渔业资源密度。作为示例性的实施例,第一体型区间的种群会随时间逐渐成长为第二体型区间种群,同时在于第一目标种群竞争的过程中会数量会下降;同时,由于实际情况中,第一目标种群并非完全是第二目标准群的捕食对象,同时也存在竞争关系,因此,考虑体型较小的第二目标种群与第一目标种群的竞争关系,可以更为精准的确定第一目标种群的数量的变化,以防止第一目标种群预测量相较于实际的数量减少或偏差过大。
在本申请中,基于食物网的历史变化信息确定目标种群的变化趋势,再获取当前种群信息,基于变化趋势和种群信息确定初始预测数量,并且,综合考虑食物网结构和不同目标种群之间的竞争关系和捕食关系,来调整第一目标种群初始预测数量和所述第二目标种群初始预测数量,相比于只按照基础数量和变化趋势进行统计,综合考虑不同体型的第二目标种群与第一目标种群之间的生存关系可以更为精准的预测每种目标种群的数量,进而更为精准的得到待预测时段的渔业资源密度,可以为未来待预测时段的渔业捕捞进行更为合理的规划。
其中,本申请中的渔业资源密度可以包括第一目标种群和第二目标种群。
作为示例性的实施例,基于所述结构变化信息确定在待预测时段的第一目标种群的第一变化趋势和所述第二目标种群的第二变化趋势包括:
基于所述结构变化信息确定所述第一目标种群和所述第二目标种群的历史变化节点和各个所述历史变化节点之间的变化速率。作为示例性的实施例,可以遍历预设历史期间的食物网的结构变化信息,在结构网变化的过程中,可能存在一些种群突变的节点,在本实施例中,可以通过上述实施例中举例说明的食物网年际变化绘制的变化曲线确定种群的变化节点,以及各个变化节点之间的变化率(示例性的,参见图2所示)。
在获取到历史变化节点和各个所述历史变化节点之间的变化速率之后,可以获取与所述历史变化节点相关的历史海洋事件信息和当前时段内的当前海洋事件信息,其中,海洋事件信息可以包括人为事件和自然事件。示例性的人为事件可以为人为活动事件,例如,历史变化节点之前的捕捞量、捕捞方式或者禁渔政策等。自然事件可以为海洋气象事件,例如,厄尔尼诺现象,拉尼娜现象等;还可以为海洋环境变化,例如赤潮等。
在本实施例中,可以分析引起发生食物网发生较大的变化的原因,例如,在发生较大变化之前,没有禁渔政策,其捕捞主要以第二目标种群为主,在经过N年之后,第二目标种群数量会发生突变。再例如,在发生较大变化之前,海洋环境已经发生了可能引起种群数量下降的突发事件。
或者,由于气象原因,发生厄尔尼诺现象,导致海水升温,鱼类向南北两极方向和更深海底迁徙,尤其是对于第二目标种群鱼类,往更深的海底迁徙,进而导致捕获更加困难,然而,对于一些靠近南北两极的区域,或受厄尔尼诺现象影响较小的区域,其渔获量可能会增加,尤其是第二目标种群的渔获量增加的较为明显。
而拉尼娜现象,由于海水变冷,第一目标种群会上浮于海面,第一目标种群捕获量可能会增加。
在获取到历史海洋事件和当前海洋事件之后,可以对比当前海洋事件信息与所述历史海洋事件信息的相似度,如果当前时段内未发生历史海洋事件,即当前海洋事件信息与所述历史海洋事件信息的相似度较小,则可以对第一变化趋势和所述第二变化趋势不做调整。如果当前时段内同样发生历史海洋事件,即当前海洋事件信息与所述历史海洋事件信息的相似度较高,则基于相似度和历史节点变化率对第一变化趋势和第二变化趋势进行调整,具体的调整方式可以为,将相似度作为调整系数,调整第一变化趋势和第二变化趋势变化率。示例性的,相似度为A,历史节点之间的第一变化趋势的变化率中K1a,第二变化趋势的变化率为K2a,当前预测的第一变化趋势的变化率为K1b,第二变化趋势的变化率为K2b,其调整方式可以为:K1=(K1a*A+K1b/A)/2;K2=(K2a*A+K2b/A)/2;其中,K1为调整后的第一变化趋势的变化率,K2为第二变化趋势的变化率。
以当前预测的变化趋势的变化率为基础,考虑历史海洋事件与当前海洋事件的相似度,通过历史变化节点之前的变化率对当前预测的变化趋势的变化率进行调整,可以兼顾当前的现实情况,同时考虑历史原因,更为准确的得到变化趋势。
作为示例性的实施例,待预测时段的第一目标种群数量以及第一变化趋势和待预测时段的第二目标种群数量以及第二变化趋势均会受到当前时段食物网结构的影响,例如,食物网结构越复杂,食物链越长,种群数量变化会越稳定,而食物网越简单,食物链越短,生态系统越脆弱,因此,种群数量变化会存在很多不确定因素,可能发生较大的突变,种群数量变化会越不稳定。因此,在本实施例中,对于第一预测变化趋势和第二预测变化趋势还需基于食物网的复杂程度进行调整,示例性的:
基于所述结构变化信息确定所述海洋食物网的复杂程度和复杂程度变化趋势,所述复杂程度包括食物网营养层级数量,食物网能量来源比例,每一营养层级的物种丰富度中的至少之一;
基于所述复杂程度和所述复杂程度变化趋势对所述第一变化趋势和所述第二变化趋势进行调整。
作为示例性的实施例,其具体的调整方式可以为:
将所述食物网营养层级数量和预设层级数量的比值作为第一权重系数,将所述食物网能量来源比例与预设比例的比值作为第二权重系数,将所述物种丰富度和预设物种丰富度的比值作为第三权重系数。
作为示例性的实施例,食物网复杂程度可以体现在至少如下几个层面:食物网营养层级数量,食物网能量来源比例,每一营养层级的物种丰富度。
其中,食物网能量来源比例可以为浮游植物能量来源与碎屑能量来源的比例。作为示例性的实施例,食物网的能量来源往往分为两种,一种是生产型,即通过浮游植物和大型藻类的光合作用得到能量,另一种为分解型,即通过碎屑的传递的能量来源,在本实施例中,较为稳定的食物网其能量来源比例为浮游植物能量来源于碎屑能量来源的比例为9:1至7:3。因此,预设比例可以为9:1至7:3。若碎屑能量来源占比增加,会导致食物链变短,营养级变短,有可能加海域的富营养化进程;另一方面,通过浮游植物为起点的食物链可以向水层输运营养物质,而通过食物链传递沉降的碎屑营养越来越少,海洋生态系统中的物质循环有可能进入恶性循环,海底荒漠化,进一步加剧底栖动物食性种类的食物竞争,最终导致食物网系统的崩溃。
营养级数量的变化不仅仅在于能量来源的引起的,由于第二目标种群经济价值较高,在人类针对性的捕捞下,会加快第二目标种群数量急剧减小,降低营养级数量。在一些目标海域,其营养级可能以每年0.1-0.4的下降,在采取禁渔政策之后,营养级的下降速率减缓。
每一营养沉积内的物种丰富度越丰富,即种类越多,该营养级越稳定。
作为示例性的实施例,预设营养层级数量可以为4-5之间任意数值,以某目标海域为例,可以为4.8,例如,当前的营养层级数量为M,预设营养层级数量为N,第一权重系数为M/N。
预设比例的比值可以为9:1至7:3,当前食物网能量来源比例为Q,预设比例的比值为P,其第二权重系数可以为:Q/P。
物种丰富度中,的预设物种丰富度可以为物种数量为10-30种之间,当前物种丰富度可以为X,预设物种丰富度可以为Y,其第三权重系数可以为X/Y。
作为示例性的实施例,由于食物网中的食物网营养层级数量,食物网能量来源比例,每一营养层级的物种丰富度均会影响第一目标种群和第二目标种群的稳定性,因此,需要将所述第一权重系数、所述第二权重系数、所述第三权重系数分别与所述第一变化趋势和所述第二变化趋势的乘积作为调整后的第一变化趋势和调整后的第二变化趋势。
作为示例性的实施例,第一权重系数,第二权重系数和第三权重系数可以小于1,也可以大于1,其中,在小于1时,表征将第一变化趋势和第二变化趋势朝向种群数量增加的方向调整。在权重系数小于1时,将第一变化趋势和第二变化趋势朝向种群数量减小的方向调整。
示例性的,当前预测的第一变化趋势的变化率为K1b,第二变化趋势的变化率为K2b,第一权重系数为α1,第二权重系数为α2,第三权重系数为α3存在如下调整公式:
K1=K1b*α1*α2*α3,其中,K1b>0;
K2=K2b*α1*α2*α3,其中,K2b>0;
或者,
K1=K1b/(α1*α2*α3),其中,K1b<0;
K2=K2b/(α1*α2*α3),其中,K2b<0。
作为示例性的实施例,复杂程度变化趋势还可以影响第一变化趋势和第二变化趋势,若食物网越来越复杂,第一变化趋势和第二变化趋势均会朝向增加种群数量方向调整,若食物网越来越简单,则第一变化趋势和第二变化趋势均会朝向减小种群数量方向调整。
通过上述实施例可以准确的预测第一变化趋势和第二变化趋势,为渔业资源密度识别提供准确的识别基础。
作为示例性的实施例,确定所述第一目标种群数量、第二目标种群数量以及第二目标种群的体型结构时,突发性的海域环境信息可能会影响捕捞数量,而渔业资源的实际数量可能较捕捞的数量更多,因此,可以基于海域环境信息对捕捞信息进行修正,以得到更为准确的第一目标种群数量、第二目标种群数量以及第二目标种群的体型结构。
例如,若发生拉尼娜现象,体型小,年龄小的种群会向海面迁徙,会增加体型小,年龄小的捕捞量,若发生厄尔尼诺现象,则种群会向海底迁徙,会减小其捕捞量,均不能准确的反应出当前海域内的实际数量,因此,可以基于当前海域环境信息对捕捞信息进行修正。
另外,海水PH值也可能会发生变化,例如,不同季节海水PH值不同,例如,在夏季和春季较高,秋季较低。而海水PH值越小,对噪声吸收越差,其中,PH值每下降一个单位,噪声吸收率减弱60%-70%。而噪声吸收率降低会,使得海面噪声更容易向海洋底部传播,例如,渔船噪声,轮船噪声以及声呐等会向更深处传播,进而对鱼群造成影响。示例性的,过大的噪声会对鱼群形成驱散作用,进而导致捕捞量下降。尤其是对于浅层种群,其驱散作用可能更明显。
因此,判断当前时段内的所述海水PH值是否小于预设海水PH值;
当所述海水PH值小于预设海水PH值时,基于所述海水PH值与预设PH值的差值和海水PH值与噪声吸收的关系提升第一目标种群比例和第二目标种群比例,其中,海水PH值越小,所述第一目标种群比例和所述第二目标种群比例提升量越大。
本实施例中通过综合考虑海水PH值对噪声吸收率的影响,进而影响实际捕捞过程中,由于噪声吸收率差形成的驱散作用导致的捕捞量下降的因素,对捕捞数量和第一目标种群和第二目标种群的数量和比例进行修正和调整,以更为贴近目标海域实际的渔业资源密度。
作为示例性的实施例,还可以基于海水PH值对第一目标种群数量和第二目标种群数量进行调整,其中,海水酸化通常引起浮游植物显著降低,进而可能会导致第一目标种群的饵料减少,降低第一目标种群的数量。因此,可以基于当前海水PH值对当前的第一目标种群数量、第二目标种群数量以及第二目标种群的体型结构进行修正,以及对第一变化趋势和第二变化趋势进行修正。
在本实施例中,可以基于海水PH值下降量确定第一变化趋势和第二变化趋势的变化率的修正系数,当海水PH值小于预设海水PH值时,修正系数为小于1的系数,其中,每下降一个单位,修成系数减小10%-20%。基于小于1的修正系数将第一变化趋势和第二变化趋势朝向种群数量减小的方向调整,例如,当第一变化趋势和第二变化趋势的变化率小于0时,将原变化率与修正系数的商作为修正后的变化率。当第一变化趋势和第二变化趋势的变化率大于0时,将原变化率和修正参数的积作为修正后的变化率。
而海水PH值也可能存在突变的情况,例如,含硫物质排放到目标海域后,会引起目标海域的PH值短暂的下降。由于食物网来源还存在碎屑来源,若当前目标海域的能量来源中碎屑能量来源占比较大,其海水PH值突然减小,对第一目标种群的饵料影响并不大,因此,可以基于食物网能量来源中浮游植物能量来源和碎屑能量来源比例,对海水PH值的修正系数进行调整。
作为示例性的实施例,当浮游植物能量来源和碎屑能量来源比例小于预设比例时,则基于当前的浮游植物能量来源和碎屑能量来源比例对修成系数朝向1的方向进行线性调整。当前的浮游植物能量来源和碎屑能量来源比例小于7:3时,则表征当前食物网的能量来源基本上基于碎屑,PH值突变不会对第一目标种群和第二目标种群带来较大的影响。因此,在目标海域内以碎屑能量来源为主时,可以无需根据PH值对第一变化趋势和第二变化趋势调整。
作为示例性的实施例,基于所述第一体型区间数量和所述第二体型区间数量以及所述第二目标种群的成长周期分别对所述第一目标种群初始预测数量和所述第二目标种群初始预测数量进行调整,得到待预测时段的渔业资源密度包括:
基于所述第一目标种群数量和第一体型区间数量确定第二目标种群的第一竞争系数;基于所述第一竞争系数和所述成长周期确定所述第一体型区间向所述第二体型区间转换的转换数量、第一体型区间保持数量;基于第二体型区间数量和第二体型区间转换的转换数量确定第二体型区间保持数量;基于所述第二体型区间保持数量确定向第一体型区间的繁殖数量;将所述转换数量、第一体型区间保持数量、第二体型区间保持数量和向第一体型区间的繁殖数量之和作为调整后的所述第二目标种群初始预测;基于所述第一竞争系数、第二竞争系数和调整后的所述第二目标种群初始预测数量对所述第一目标种群初始预测数量调整。
作为示例性的实施例,由于第二目标种群中的第一体型区间的物种与第一目标种群形成食物竞争关系,因此,可以基于所述第一目标种群数量和第一体型区间数量确定第二目标种群的第一竞争系数,即在平均提醒基本一致的情况下,种群数量越多,竞争力越强,因此,可以将第一体型区间数量与第一目标种群数量的比值作为第一竞争系数。即竞争系数越小,竞争力越差,第一体型区间向所述第二体型区间转换的转换数量越少,且,第一体型区间保持数量也会减小。因此,考虑竞争关系,可以基于第一竞争系数确定第一体型区间向所述第二体型区间转换的转换数量、第一体型区间保持数量。
作为示例性的实施例,由于第二目标种群包括鱼食性种群,也可包括广食性种群;对于鱼食性种群与第一目标种群形成捕食关系,对于广食性种群中体型较大的鱼类可能与第一目标种群存在捕食关系和竞争关系。因此,在本实施例中,若不考虑所述第一目标种群和第二体型区间的竞争关系,只考虑捕食关系,则得预测得到的第一目标种群数量会偏少,第二体型区间的数量会偏多,因此预测精度的误差。因此,在本实施例中,基于所述第一目标种群数量和第二体型区间数量确定第二目标种群的第二竞争系数。并基于第二竞争系数调整第二体型区间保持数量。
示例性的,第二竞争系数可以与种群数量和体型相关,在本实施例中,由于第二体型区间的第二目标种群为第一目标种群的捕猎者,因此,其竞争力较强,因此,第二竞争系数相较于数量而言,体型可以作为绝对影响因素,因此,在本实施例中,第二体型区间与第一目标种群的体型的比值可以作为第二竞争系数。
作为示例性的实施例,第二体型区间保持数量与繁殖数量成正相关,因此,可以基于当前的第二体型区间保持数量确定向第一体型区间的繁殖数量。因此,可以基于食物网中第一目标种群和第二目标种群的竞争和捕食关系,以及体型成长和繁殖对预测数量进行调整,最终得到准确地数量。
如图3所示,本申请实施例还提供了一种渔业资源密度识别装置,包括:
第一获取模块301,用于获取预设历史期间的食物网的结构变化信息;
变化趋势确定模块302,用于基于所述结构变化信息确定在待预测时段的第一目标种群的第一变化趋势和所述第二目标种群的第二变化趋势;
第二获取模块303,用于获取当前时段内第一目标种群数量和第二目标种群数量以及第二目标种群的体型结构,其中,所述第二目标种群的营养级别高于所述第一目标种群的营养级别;
预测模块304,用于利用所述第一变化趋势、第二变化趋势、第一目标种群数量和第二目标种群数量确定所述待预测时段的第一目标种群初始预测数量和第二目标种群初始预测数量;
体型区间划分模块305,用于基于所述体型结构和预设体型将所述第二目标种群划分为小于所述预设体型的第一体型区间和大于所述预设体型的第二体型区间,并分别确定所述第一体型区间数量和第二体型区间数量,其中,所述第一体型区间内的第二目标种群与所述第一目标种群形成摄食竞争关系;所述第二体型区间内的第二目标种群与所述第一目标种群形成捕食关系和摄食竞争关系;
调整模块306,用于基于所述第一体型区间数量和所述第二体型区间数量以及第二目标种群的成长周期分别对所述第一目标种群初始预测数量和所述第二目标种群初始预测数量进行调整,得到待预测时段的渔业资源密度。
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4所示,包括处理器401、通信接口402、存储器403和通信总线404,其中,处理器401、通信接口402和存储器403通过通信总线404完成相互间的通信,其中,
存储器403,用于存储计算机程序;
处理器401,用于执行存储器403上所存放的计算机程序时,实现如下步骤:
获取预设历史期间的食物网的结构变化信息;
基于所述结构变化信息确定在待预测时段的第一目标种群的第一变化趋势和所述第二目标种群的第二变化趋势;
获取当前时段内第一目标种群数量和第二目标种群数量以及第二目标种群的体型结构,其中,所述第二目标种群的营养级别高于所述第一目标种群的营养级别;
利用所述第一变化趋势、第二变化趋势、第一目标种群数量和第二目标种群数量确定所述待预测时段的第一目标种群初始预测数量和第二目标种群初始预测数量;
基于所述体型结构和预设体型将所述第二目标种群划分为小于所述预设体型的第一体型区间和大于所述预设体型的第二体型区间,并分别确定所述第一体型区间数量和第二体型区间数量,其中,所述第一体型区间内的第二目标种群与所述第一目标种群形成摄食竞争关系;所述第二体型区间内的第二目标种群与所述第一目标种群形成捕食关系和摄食竞争关系;
基于所述第一体型区间数量和所述第二体型区间数量以及所述第二目标种群的成长周期分别对所述第一目标种群初始预测数量和所述第二目标种群初始预测数量进行调整,得到待预测时段的渔业资源密度。
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4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4所示的结构仅为示意,实施上述基于渔业资源密度识别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4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4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4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密度识别方法的程序代码。
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:
获取预设历史期间的食物网的结构变化信息;
基于所述结构变化信息确定在待预测时段的第一目标种群的第一变化趋势和所述第二目标种群的第二变化趋势;
获取当前时段内第一目标种群数量和第二目标种群数量以及第二目标种群的体型结构,其中,所述第二目标种群的营养级别高于所述第一目标种群的营养级别;
利用所述第一变化趋势、第二变化趋势、第一目标种群数量和第二目标种群数量确定所述待预测时段的第一目标种群初始预测数量和第二目标种群初始预测数量;
基于所述体型结构和预设体型将所述第二目标种群划分为小于所述预设体型的第一体型区间和大于所述预设体型的第二体型区间,并分别确定所述第一体型区间数量和第二体型区间数量,其中,所述第一体型区间内的第二目标种群与所述第一目标种群形成摄食竞争关系;所述第二体型区间内的第二目标种群与所述第一目标种群形成捕食关系和摄食竞争关系;
基于所述第一体型区间数量和所述第二体型区间数量以及所述第二目标种群的成长周期分别对所述第一目标种群初始预测数量和所述第二目标种群初始预测数量进行调整,得到待预测时段的渔业资源密度。
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 (9)
1.一种渔业资源密度识别方法,其特征在于,包括:
获取预设历史期间的食物网的结构变化信息;
基于所述结构变化信息确定在待预测时段的第一目标种群的第一变化趋势和第二目标种群的第二变化趋势;
获取当前时段内第一目标种群数量和第二目标种群数量以及第二目标种群的体型结构,其中,所述第二目标种群的营养级别高于所述第一目标种群的营养级别;
利用所述第一变化趋势、所述第二变化趋势、所述第一目标种群数量和所述第二目标种群数量确定所述待预测时段的第一目标种群初始预测数量和第二目标种群初始预测数量;
基于所述体型结构和预设体型将所述第二目标种群划分为小于所述预设体型的第一体型区间和大于所述预设体型的第二体型区间,并分别确定所述第一体型区间数量和第二体型区间数量,其中,所述第一体型区间内的第二目标种群与所述第一目标种群形成摄食竞争关系;所述第二体型区间内的第二目标种群与所述第一目标种群形成捕食关系和摄食竞争关系;
基于所述第一体型区间数量和所述第二体型区间数量以及所述第二目标种群的成长周期分别对所述第一目标种群初始预测数量和所述第二目标种群初始预测数量进行调整,得到待预测时段的渔业资源密度;
所述基于所述第一体型区间数量和所述第二体型区间数量以及所述第二目标种群的成长周期分别对所述第一目标种群初始预测数量和所述第二目标种群初始预测数量进行调整,得到待预测时段的渔业资源密度包括:
基于所述第一目标种群数量和第一体型区间数量确定第二目标种群的第一竞争系数;
基于所述第一竞争系数和所述成长周期确定所述第一体型区间向所述第二体型区间转换的转换数量、第一体型区间保持数量;
基于第二体型区间数量和第二体型区间转换的转换数量确定第二体型区间保持数量;
基于所述第二体型区间保持数量确定向第一体型区间的繁殖数量;
将所述转换数量、第一体型区间保持数量、第二体型区间保持数量和向第一体型区间的繁殖数量之和作为调整后的所述第二目标种群初始预测;
基于所述第一竞争系数、第二竞争系数和调整后的所述第二目标种群初始预测数量对所述第一目标种群初始预测数量调整。
2.如权利要求1所述的渔业资源密度识别方法,其特征在于,所述基于所述结构变化信息确定在待预测时段的第一目标种群的第一变化趋势和所述第二目标种群的第二变化趋势包括:
基于所述结构变化信息确定所述第一目标种群和所述第二目标种群的历史变化节点和各个所述历史变化节点之间的变化速率;
获取与所述历史变化节点相关的历史海洋事件信息和当前时段内的当前海洋事件信息,所述海洋事件信息包括人为事件和自然事件;
确定当前海洋事件信息与所述历史海洋事件信息的相似度;
基于所述相似度、所述历史变化节点以及所述各个所述历史变化节点之间的变化速率预测所述第一变化趋势和所述第二变化趋势。
3.如权利要求2所述的渔业资源密度识别方法,其特征在于,所述基于所述结构变化信息确定在待预测时段的第一目标种群的第一变化趋势和所述第二目标种群的第二变化趋势还包括:
基于所述结构变化信息确定食物网的复杂程度和复杂程度变化趋势,所述复杂程度包括食物网营养层级数量,食物网能量来源比例,每一营养层级的物种丰富度中的至少之一;
基于所述复杂程度和所述复杂程度变化趋势对所述第一变化趋势和所述第二变化趋势进行调整。
4.如权利要求3所述的渔业资源密度识别方法,其特征在于,所述基于所述复杂程度和所述复杂程度变化趋势对所述第一变化趋势和所述第二变化趋势进行调整包括:
将所述食物网营养层级数量和预设层级数量的比值作为第一权重系数,将所述食物网能量来源比例与预设比例的比值作为第二权重系数,将所述物种丰富度和预设物种丰富度的比值作为第三权重系数,
当所述第一变化趋势和所述第二变化趋势的变化率大于0时,将所述第一权重系数、所述第二权重系数、所述第三权重系数分别与所述第一变化趋势和所述第二变化趋势的变化率的乘积作为调整后的第一变化趋势和第二变化趋势的变化率;
当所述第一变化趋势和所述第二变化趋势的变化率小于0时,将所述第一变化趋势和所述第二变化趋势的变化率分别与所述第一权重系数、所述第二权重系数、所述第三权重系数的商作为调整后的第一变化趋势和第二变化趋势的变化率;
基于所述复杂程度变化趋势对调整后的第一变化趋势与所述调整后的第二变化趋势进行二次调整,其中,所述复杂程度变化趋势与所述第一变化趋势和所述第二变化趋势成正相关。
5.如权利要求1所述的渔业资源密度识别方法,其特征在于,所述获取当前时段内第一目标种群数量和第二目标种群数量以及第二目标种群的体型结构包括:
获取当前时段内的捕捞信息;
获取当前时段的海域环境信息,并基于所述海域环境信息对所述捕捞信息进行修正;
基于修正后的捕捞信息确定所述第一目标种群数量、第二目标种群数量以及第二目标种群的体型结构。
6.如权利要求5所述的渔业资源密度识别方法,其特征在于,所述海域环境包括海水PH值,
所述基于所述海域环境信息对所述捕捞信息进行修正包括:
统计所述捕捞信息捕捞总数量、第一目标种群比例和第二目标种群比例;
判断当前时段内的所述海水PH值是否小于预设海水PH值;
当所述海水PH值小于预设海水PH值时,基于所述海水PH值与预设PH值的差值和海水PH值与噪声吸收的关系提升第一目标种群比例和第二目标种群比例,其中,海水PH值越小,所述第一目标种群比例和所述第二目标种群比例提升量越大。
7.一种渔业资源密度识别装置,其特征在于,包括:
第一获取模块,用于获取预设历史期间的食物网的结构变化信息;
变化趋势确定模块,用于基于所述结构变化信息确定在待预测时段的第一目标种群的第一变化趋势和第二目标种群的第二变化趋势;
第二获取模块,用于获取当前时段内第一目标种群数量和第二目标种群数量以及第二目标种群的体型结构,其中,所述第二目标种群的营养级别高于所述第一目标种群的营养级别;
预测模块,用于利用所述第一变化趋势、第二变化趋势、第一目标种群数量和第二目标种群数量确定所述待预测时段的第一目标种群初始预测数量和第二目标种群初始预测数量;
体型区间划分模块,用于基于所述体型结构和预设体型将所述第二目标种群划分为小于所述预设体型的第一体型区间和大于所述预设体型的第二体型区间,并分别确定所述第一体型区间数量和第二体型区间数量,其中,所述第一体型区间内的第二目标种群与所述第一目标种群形成摄食竞争关系;所述第二体型区间内的第二目标种群与所述第一目标种群形成捕食关系和摄食竞争关系;
调整模块,用于基于所述第一体型区间数量和所述第二体型区间数量以及第二目标种群的成长周期分别对所述第一目标种群初始预测数量和所述第二目标种群初始预测数量进行调整,得到待预测时段的渔业资源密度;
所述调整模块还用于基于所述第一目标种群数量和第一体型区间数量确定第二目标种群的第一竞争系数;基于所述第一竞争系数和所述成长周期确定所述第一体型区间向所述第二体型区间转换的转换数量、第一体型区间保持数量;基于第二体型区间数量和第二体型区间转换的转换数量确定第二体型区间保持数量;基于所述第二体型区间保持数量确定向第一体型区间的繁殖数量;将所述转换数量、第一体型区间保持数量、第二体型区间保持数量和向第一体型区间的繁殖数量之和作为调整后的所述第二目标种群初始预测;基于所述第一竞争系数、第二竞争系数和调整后的所述第二目标种群初始预测数量对所述第一目标种群初始预测数量调整。
8.一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至6中任意一项所述的渔业资源密度识别方法。
9.一种电子设备,其特征在于,所述,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至6任意一种所述的渔业资源密度识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310182968.XA CN115860284B (zh) | 2023-03-01 | 2023-03-01 | 渔业资源密度识别方法、装置、存储介质以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310182968.XA CN115860284B (zh) | 2023-03-01 | 2023-03-01 | 渔业资源密度识别方法、装置、存储介质以及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115860284A CN115860284A (zh) | 2023-03-28 |
CN115860284B true CN115860284B (zh) | 2023-05-16 |
Family
ID=85659483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310182968.XA Active CN115860284B (zh) | 2023-03-01 | 2023-03-01 | 渔业资源密度识别方法、装置、存储介质以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115860284B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651616B (zh) * | 2016-12-26 | 2021-06-18 | 上海海洋大学 | 一种中西太平洋鲣鱼围网渔业入渔的预测方法 |
CN112784394A (zh) * | 2019-11-08 | 2021-05-11 | 福建伐木粒智能科技有限公司 | 一种基于人工智能的生态养殖模拟系统 |
CN112418521B (zh) * | 2020-11-23 | 2023-02-24 | 青岛科技大学 | 一种短时海洋鱼群和鱼量的预测方法 |
CN112560829B (zh) * | 2021-02-25 | 2021-06-04 | 腾讯科技(深圳)有限公司 | 人群数量确定方法、装置、设备及存储介质 |
CN114494837B (zh) * | 2022-01-06 | 2024-05-07 | 中国水产科学研究院南海水产研究所 | 一种渔业资源的密度智能识别方法及系统 |
-
2023
- 2023-03-01 CN CN202310182968.XA patent/CN115860284B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Non-Patent Citations (1)
Title |
---|
食物、捕食和种间竞争对东方田鼠种群动态的作用;杨月伟;刘震;刘季科;;生态学报(第12期) * |
Also Published As
Publication number | Publication date |
---|---|
CN115860284A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
King et al. | Marine fish life history strategies: applications to fishery management | |
Cowan et al. | Red snapper management in the Gulf of Mexico: science-or faith-based? | |
Dagorn et al. | Is it good or bad to fish with FAD s? What are the real impacts of the use of drifting FAD s on pelagic marine ecosystems? | |
Wright et al. | Fishery‐induced demographic changes in the timing of spawning: consequences for reproductive success | |
Greene et al. | Forty years of change in forage fish and jellyfish abundance across greater Puget Sound, Washington (USA): anthropogenic and climate associations | |
Hinke et al. | Visualizing the food-web effects of fishing for tunas in the Pacific Ocean | |
Nemerson et al. | Spatial patterns in diet and distribution of juveniles of four fish species in Delaware Bay marsh creeks: factors influencing fish abundance | |
Aura et al. | Checking the pulse of the major commercial fisheries of Lake Victoria Kenya, for sustainable management | |
Kuningas et al. | Population size, survival and reproductive rates of northern Norwegian killer whales (Orcinus orca) in 1986–2003 | |
Jůza et al. | Collapse of the native ruffe (Gymnocephalus cernua) population in the Biesbosch lakes (the Netherlands) owing to round goby (Neogobius melanostomus) invasion | |
Bollens et al. | Seasonal plankton cycles in a temperate fjord and comments on the match-mismatch hypothesis | |
Sepulveda et al. | Introduced northern pike consumption of salmonids in S outhcentral A laska | |
Ruzicka et al. | Evidence that summer jellyfish blooms impact Pacific Northwest salmon production | |
Penn et al. | Crustacean fisheries | |
Korta et al. | European hake (Merluccius merluccius) in the Northeast Atlantic Ocean | |
Yongo et al. | Growth, mortality and recruitment of Nile perch (Lates niloticus) in Lake Victoria, Kenya | |
Cox et al. | Baseline demographics of a non‐native lake trout population and inferences for suppression from sensitivity‐elasticity analyses | |
Casini et al. | Changes in population depth distribution and oxygen stratification are involved in the current low condition of the eastern Baltic Sea cod (Gadus morhua) | |
Field et al. | Exploring the BOFFFF hypothesis using a model of southern African deepwater hake (Merluccius paradoxus) | |
Leitão | Landing profiles of P ortuguese fisheries: assessing the state of stocks | |
Bang et al. | Changes in the biological characteristics of Walleye pollock related to demographic changes in the East Sea during the late 20th century | |
Diankha et al. | Studying the contribution of different fishing gears to the Sardinella small-scale fishery in Senegalese waters | |
CN115860284B (zh) | 渔业资源密度识别方法、装置、存储介质以及电子设备 | |
De Raedemaecker et al. | Macrobenthic prey availability and the potential for food competition between 0 year group Pleuronectes platessa and Limanda limanda | |
Turcotte et al. | Increasing occurrence of Atlantic bluefin tuna on Atlantic herring spawning grounds: a signal of escalating pelagic predator–prey interaction? |
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 |