基于海洋大数据深度学习的渔情预测模型研究

How to analyze fishing ground based on reasonable and effective utilization of ocean environment factors is an urgent issue in front of us. This study proposes a new data mining model to reveal the formation mechanisms of fishing ground, which is closely combined with the application background of South Pacific Albacore Tuna. This study focuses on four aspects: (1) For those massive Marine environmental data from different sources, types and formats, the automatic acquisition, storage, management and preprocessing of the data will be studied. (2) For the characteristics that the Marine environmental data is rich, but the actual fixed-point operations data is less, the generating model of theoretical production data in non-operation area will be studied, combining with the percolation theory, mathematical analysis and stochastic processes. Based on remote sensing data and deep learning, fishery forecasting model and its implementation in the computing platform of Spark also will be studied. (3)For the strong dynamic characteristics of the marine environment and fisheries, the discovery of fisheries dynamic knowledge based on extension theory will be studied.(4)In order to realize the ontology representation of dynamic knowledge, the mapping mechanism between dynamic knowledge and ontology will also be studied. This research will play a very important role in revealing the formation mechanism of fishing ground, improving the analysis level of fishing ground and expanding the marine rights of our country, as well as providing theory and method for the application of big data technology to the analysis of pelagic fishing ground.

如何有效合理地利用海洋环境因子进行渔场渔情分析，是摆在我们面前亟待研究的问题。本课题紧密结合南太平洋长鳍金枪鱼渔业应用背景，提出一种揭示渔场形成机制的新型数据挖掘模型。该模型研究重点集中在四个方面：（1）针对不同来源、种类和格式的海量海洋环境数据，研究数据的自动获取、存储、管理和预处理；（2）针对海洋环境数据丰富但实际定点作业数据积累较少的特点，利用渗透理论、数学分析和随机过程，研究非作业区理论产量数据的生成模型，并研究基于海洋遥感大数据深度学习的渔情预测模型构建及其在Spark计算平台上的实现；（3）针对海洋环境和渔场的强动态性特点，研究基于可拓学理论的渔场动态知识发现方法和知识评价方法；（4）为实现动态知识的本体表示，研究动态知识与本体间的映射机制。本研究对揭示渔场形成机制、提高渔场渔情分析水平及扩大我国的海洋权益等具有重要意义，也为大数据技术应用于远洋渔场分析提供理论和方法基础。

随着大数据和深度学习等新一代信息技术的快速发展，如何提高南太平洋长鳍金枪鱼的渔场渔情分析水平已成为国内学术界的研究热点之一。传统的渔场分析只对作业区进行分析，忽略了作业区之外的资源量，且目前所获得的渔场知识大都为静态知识，而无法体现环境因子和渔场间变化关系。针对传统方法在渔场数据分析方面研究的不足，本课题采用深度学习模型的技术路线，提出了一套新型的揭示渔场形成机制的数据挖掘模型。主要研究内容包括：（1）构建了一个基于空间自相关的非作业区理论产量数据生成模型，及研究了多源、异构海洋环境数据与渔业产量数据的有效集成。（2）构建了适用于渔情预测的全量数据深度学习模型。（3）研究了深度学习模型在云计算平台Spark上的并行计算及优化。（4）研究揭示了渔场形成机制的动态知识提取、评价及本体表示。（5）额外探索了基于计算机视觉的金枪鱼探测捕捞图像预处理方法。通过本项目研究，发表学术论文29篇，其中SCI论文5篇，EI会议论文1篇，中文核心期刊论文23篇，编写专著教材3本，获批专利2项，登记软件著作权4件，培养硕士研究生19位。本项目研究成果对揭示渔场形成机制、提高渔场分析水平、提高捕捞效率和效益及扩大我国的海洋权益等具有重要意义，同时对进一步深化数据挖掘研究及其应用具有重要意义。