基于集成学习和船位的渔场精准预报研究

For marine fisheries, the fishing ground forecasting has an important economic and social significance and ecological benefits to improve operational efficiency and energy conservation. Distribution and the dynamic changes of marine fisheries are concerned with a variety of marine environmental factors in multiple spatio-temporal scales. The fishing ground forecasting is essentially a mapping from the feature space of marine environment to the feature space of marine fisheries distributions. The forecasting model is established by using traditional machine learning methods and a few marine environmental parameters of the fixed grid units as the input features. This project introduces the thought of ensemble learning into the fishing ground forecasting. Using the multiple environment parameters of different temporal and space scale ,closely related to the distribution of ocean fisheries and the variance information of environment parameters within the grid units around the fishing boat's location, with the transform feature extraction method of kernal principal component analysis(KPCA) or Independent Component Analysis(ICA) and Deep Convolutional Neural Network(DCNN), this research employs substantial marine environmental factors as the input features in multiple spatio-temporal scales and environmental parameters field of location-based information. Use multiple learning machines with a simple structure to learn subsets of the feature space of fisheries ground distribution. Based on the ensemble learning framework to ensemble the sub learning machines, a robust forecasting model can be established with good identification performance and generalization ability. The achievement will improve the forecasting performance and generalization of the models. And it will give the basic support to the location-based marine fisheries information services.

海洋渔场预报本质上是从海洋环境特征空间到渔场分布特征空间的函数映射，映射关系是否稳健准确的表达海洋渔场分布规律是影响其实际效果的关键科学问题。现有方法是以整个作业海域为对象、少量单一尺度的环境数据和预报网格、以传统强学习机来构建映射模型，存在着模型复杂度和泛化能力的矛盾。面对基于船位开展精准预报的需要，本研究从现有问题出发，以渔船位置为视点形成动态匹配预报区域；以不同时间周期和空间尺度的海洋环境特征以及基于位置的场数据组成高维渔场环境输入特征；采用核主分量变换KPCA、独立分量变换ICA、深度卷积网络DCNN等特征变换方法，生成可以更好表达渔场分布特征的优化输入特征；通过多个异态子学习机分别学习特征空间子集；采用集成学习方法建立基于船位的渔场精准预报模型。研究成果对生成稳健准确反映渔场分布规律的映射函数具有重要科学意义，成果转化应用对海洋渔业增效降耗、节能减排具有显著的经济价值和生态效益。

海洋渔场预报本质上是从海洋环境特征空间到渔场分布特征空间的函数映射，映射关系是 否稳健准确的表达海洋渔场分布规律是影响其实际效果的关键科学问题。本课题采用集成学习方法研究多种不同时间周期和空间尺度的海洋环境特征场数据对渔场分布预报的作用和影响，通过多个异态子学习机的集成构建海洋渔场集成学习预报方法，建立从多维环境特征空间到渔场分布特征空间的映射，使得映射关系可以更稳健更全面的反映海洋渔场分布规律，形成具有更好预报性能和泛化能力的海洋渔场预报模型。①基于集成学习的长鳍金枪鱼预报模型的性能对比结果表明，Random Forest、Treebag、C5.0、Gradient Boosting Decision Tree、Adaptive Boosting、Stacking各集成模型分别取得了75.52%、73.87%、72.99%、71.14%、71.33%、75.84%的预报精度，增加了KNN的Stacking集成模型取得了最高精度，对南太平洋长鳍金枪鱼渔场的预报具有较好的效果及可行性；②从以第一三分位数划定的高、低CPUE渔场视角，分析各环境因子对渔场分类的影响，认为应结合多种因子来增加样本间属性差异，为之后集成模型输入属性的选择提供了参考；③研究海洋环境要素对长鳍金枪鱼高、低CPUE渔场分类的重要性发现：海表温对渔场划分贡献相对较大，其次为海面高度异常，而叶绿素最弱，通过单一环境因子难以划分高、低CPUE渔场，应结合多种因子来增加样本间属性差异；④利用3天平均、8天平均、4km分辨率、9km分辨率等原始数据进行重采样得到0.1度、0.25度、0.5度分辨率的特征数据，同时利用同源或异源的其他不同时空尺度的环境数据，组合构建多时空尺度特征集。研究成果对生成稳健准确反映渔场分布规律的映射函数具有重要科学意义，成果转化应用对海洋渔业增效降耗、节能减排具有显著的经济价值和生态效益。