長鰭金槍魚（Thunnus alalunga）為南太平洋延繩釣的主要目標魚種之一,精確預報其漁場對于提高捕撈效率和優(yōu)化漁業(yè)資源管理具有重要意義。本研究依據2000-2015年南太平洋長鰭金槍魚的延繩釣數據、漁場時空數據以及海表溫度、葉綠素a濃度和海面高度3種環(huán)境因子,采用全卷積網絡構建了一種以月為單位、空間分辨率為5°×5°的漁場預報模型。本研究提出三維獨熱編碼技術將各月環(huán)境數據映射到三維矩陣的不同層上,并設計2種卷積結構和3種全卷積網絡模型,利用2015年數據對研究模型進行驗證,最佳模型總精準率達到72.0%。結果表明,全卷積網絡在一定程度上解決了傳統(tǒng)漁場預報方法在處理高維復雜海洋數據時準確率偏低的問題,為漁場預報提供了一種新方法。 

【文章來源】：江蘇農業(yè)學報. 2020,36(02)北大核心CSCD

【文章頁數】：7 頁

【部分圖文】：

三維獨熱編碼

由表4可以看出,相比于其他模型本研究算法總體準確率最高,在高產區(qū)和低產區(qū)的預測準確率上有明顯優(yōu)勢。實際作業(yè)受捕撈效率影響,漁業(yè)作業(yè)位置一般依賴于高產區(qū)預測結果,而F-ACN模型在高產區(qū)和低產區(qū)預測準確率較高,對于作業(yè)漁船尋找最佳漁場有較好的指導意義。由于漁情預報方法的漁場等級劃分界限并不明確,只按照月CPUE的三分位點進行劃分,而受實際天氣、政策等因素的影響,漁場的實際水平可能高于或低于等級標簽,所以處在2個等級邊界部分漁場容易被誤分,出現了中產區(qū)預報準確率明顯低于高產區(qū)和低產區(qū)的現象。表4 不同模型的預測結果Table 4 Prediction results of different models 模型 高產區(qū)召回率(%) 中產區(qū)召回率(%) 低產區(qū)召回率(%) 總召回率(%) 總精準率(%) 總F1分數(%) 樸素貝葉斯模型 52.5 59.1 77.5 63.5 64.1 63.7 BP神經網絡模型 70.7 48.6 75.8 65.0 65.5 65.0 DNN神經網絡模型 75.6 49.4 72.2 65.7 67.1 65.9 F-ACN模型 76.9 61.8 76.6 71.7 72.0 71.8

【參考文獻】：
期刊論文
[1]基于支持向量機的庫克群島海域長鰭金槍魚棲息環(huán)境綜合指數[J]. 宋利明,周建坤,沈智賓,趙海龍,謝凱.  海洋通報. 2017(02)
[2]南太平洋長鰭金槍魚延繩釣漁業(yè)CPUE標準化[J]. 范永超,戴小杰,朱江峰,田思泉,高春霞,欒松鶴.  海洋湖沼通報. 2017(01)
[3]庫克群島海域海洋環(huán)境因子對長鰭金槍魚漁獲率的影響[J]. 宋利明,謝凱,趙海龍,李冬靜.  海洋通報. 2017(01)
[4]基于神經網絡的南太平洋長鰭金槍魚漁場預報[J]. 毛江美,陳新軍,余景.  海洋學報. 2016(10)
[5]基于卷積神經網絡的搜索廣告點擊率預測[J]. 李思琴,林磊,孫承杰.  智能計算機與應用. 2015(05)
[6]基于樸素貝葉斯的西北太平洋柔魚漁場預報模型的建立[J]. 崔雪森,唐峰華,張衡,伍玉梅,樊偉.  中國海洋大學學報(自然科學版). 2015(02)
[7]基于隨機森林的印度洋長鰭金槍魚漁場預報[J]. 陳雪忠,樊偉,崔雪森,周為峰,唐峰華.  海洋學報(中文版). 2013(01)
[8]基于遙感數據的智利竹筴魚漁場預報系統(tǒng)[J]. 張衡,崔雪森,樊偉.  農業(yè)工程學報. 2012(15)



本文編號：3227719