[發明專利]漁船作業區域的建模與預測方法、系統、存儲介質、終端

在審

• 申請號: 202110685294.6
• 申請日: 2021-06-21
• 公開（公告）號: CN113379137A
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 劉陽;秦元哲;田永軍;何良飛;毛璐;古麗努爾·依沙克
• 申請（專利權）人: 中國海洋大學;山西大地新亞科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/02;G06F16/29;G06K9/62
• 代理公司: 北京匯捷知識產權代理事務所(普通合伙) 11531
• 代理人: 盛君梅

本發明屬于漁場預測技術領域，公開了一種漁船作業區域的建模與預測方法、系統、存儲介質、終端，所述漁船作業區域的建模與預測方法包括：對AIS數據進行預處理：利用R語言對AIS數據進行提取，并對出現多艘船只在同一經緯度網格內的情況進行處理；利用預處理后的AIS數據與環境數據構建模型并預測適宜捕撈區域。本發明首次利用AIS數據對漁船適宜作業區域進行預測，在原有模型基礎上增加自動調整模型參數功能，擴大模型適用范圍，實現對漁場的準確預測。同時，本發明能夠充分利用數量較少且難以獲得的海洋生物信息，繪制出適宜漁船作業區域，有利于提高捕撈效率，節約能源，加強漁業管理促進海洋漁業資源的可持續化發展。

技術領域

本發明屬于漁場預測技術領域，尤其涉及一種漁船作業區域的建模與預測方法、系統、存儲介質、終端。

背景技術

自古以來，漁業是人類為了生存并適應地球生態環境的重要活動之一。在高分辨率衛星技術的飛速發展下，全球范圍內的漁業活動已經能被較好的探測并管理。但是由于electronic vessel monitoring systems(VMS)，捕撈日志等數據存在不完全公開和不能在大的時空尺度下反映漁船的捕撈作業活動的缺點。這就導致人類的捕撈活動只能間接通過漁獲量數據推斷，而不能得到直接的捕撈數據。AIS的最新發展可以彌補這一缺陷，它可以識別船舶的航跡。全球捕魚觀察網(GFW)致力于基于AIS數據提供船只捕魚數據，以供其他研究人員進行一系列研究。

目前，漁場預測的主要算法包括廣義加性模型，廣義線性模型，機器學習模型。廣義加性模型和廣義線性模型是經典的參數模型。但構建時需要考慮環境因子之間復雜的相互作用，從而對模型進行多次嘗試。隨著計算機技術的發展，機器學習模型被廣泛的應用于預測海洋生態系統中物種的生物量、分布圖、豐富度和多樣性。

相比于傳統的參數模型，機器學習模型的優勢在于能夠更好處理數據集中的各種非線性關系和復雜的相互作用。目前，機器學習已經被廣泛的應用于預測魚類種群的分布、適宜棲息地和潛在作業區域的研究中。Smolinski等基于國際拖網調查數據利用機器學習的回歸技術預測了波羅的海深海魚類的分布空間。Compton等人利用提升回歸樹模型研究了Pagrus與棲息地之間的關系。Mugo等人基于遙感數據利用機器學習的集成模型探索了金槍魚的適宜棲息地。

XGBoost是機器學習模型中一個新型的提升回歸樹模型。XGBoost是在梯度提升回歸樹(GBDT)的基礎上發展而來的算法。GBDT是一種將許多簡單模型組合在一起以提供改進提高回歸效果的自適應模型，從2007年起就開始被廣泛應用在生態建模與預測。XGBoost在GBDT的基礎上對損失函數進行了二階展開從而獲取更多的信息來提高回歸擬合的效果。由于其具有利用較少資源而能解決較為龐大的實際問題的優點，受到了數據科學家的青睞。

通過上述分析，現有技術存在的問題及缺陷為：

(1)由于electronic vessel monitoring systems(VMS)，捕撈日志等數據存在不完全公開和不能在大的時空尺度下反映漁船的捕撈作業活動的缺點，導致人類的捕撈活動只能間接通過漁獲量數據推斷，而不能得到直接的捕撈數據。

(2)傳統的漁場預測的參數模型，在構建時需要考慮環境因子之間復雜的相互作用，從而對模型進行多次嘗試。

發明內容

針對現有技術存在的問題，本發明提供了一種漁船作業區域的建模與預測方法、系統、存儲介質、終端。

本發明是這樣實現的，一種漁船作業區域的建模與預測方法，所述漁船作業區域的建模與預測方法包括以下步驟：

步驟一，對AIS數據進行預處理：利用R語言對AIS數據進行提取，并對出現多艘船只在同一經緯度網格內的情況進行處理；

步驟二，利用預處理后的AIS數據與環境數據構建模型并預測適宜捕撈區域。

進一步，步驟一中，所述對AIS數據進行預處理，包括：