采用AIS计算中西太平洋延绳钓渔船捕捞努力量

杨胜龙，张胜茂，周为峰，崔雪森，张忭忭，樊 伟

采用AIS计算中西太平洋延绳钓渔船捕捞努力量

杨胜龙，张胜茂，周为峰，崔雪森，张忭忭，樊 伟※

（1. 中国水产科学研究院东海水产研究所，农业农村部远洋与极地渔业创新重点实验室，上海 200090；2. 中国水产科学研究院渔业资源与遥感信息技术重点开放实验室，上海 200090）

对渔船捕捞行为和捕捞强度空间高分辨率的估计可以作为海洋资源管理和生态脆弱性评估的重要信息。为识别远洋延绳钓渔船作业状态，该文基于2017年10-11月中西太平洋延绳钓渔船卫星船舶自动识别系统（automatic identification system，AIS）数据和捕捞日志数据，采用支持向量机（support vector machine, SVM）学习方法，构建了中国中西太平洋延绳钓渔船捕捞作业状态（捕捞/非捕捞）分类模型。通过计算模型分类准确率、精确率、敏感度和特异度来评价模型对渔船作业状态分类能力。结果表明，模型训练数据的准确率为95.24% (Kappa系数为0.9)，验证数据的准确率为93.85%（Kappa系数为0.87）。采用构建好的模型识别2017年10月和11月中西太平洋延绳钓渔船共计125 624条AIS记录数据，模型准确率在83.3% (Kappa系数为0.67)。2017年10、11月所有数据分类精确率为82.33%，灵敏度为88.32%，特异度为77.27%。渔船主要作业空间在168°E～173°E，12°S～18°S，有3个明显的作业强度较高区域。基于SVM模型和日志记录的捕捞强度信息在空间上相关性很高（>0.98），SVM模型识别的渔船捕捞努力量空间分布特征和实际吻合。捕捞努力量与单位捕捞努力量渔获量（catch per unit of effort，CPUE）、渔获尾数、渔获质量和投钩数的相关系数分别是0.68、0.93、0.93和0.94。基于AIS信息挖掘的渔船空间捕捞努力量可用于渔业资源分析。

支持向量机；模型；自动识别系统（AIS）；延绳钓；捕捞努力量

0 引 言

估计渔船捕捞行为和捕捞强度的空间分布可以为海洋资源管理和生态脆弱性评估提供重要信息[1]。渔业资源管理中，科学数据主要来源商业渔船捕捞日志及国际渔业组织公布的渔获数据，但存在时间滞后、时空分辨率低和准确性不高等问题[2-3]。船舶自动识别系统（automatic identification system，AIS）和船舶监控系统（vessel monitoring system，VMS）数据提供渔船实时位置、航向和速度等信息[4]，已被证实可以用于渔船空间分布和作业强度分析[5-14]。

基于AIS和VMS信息对商业渔船捕捞强度和作业空间估计通常遵循4个步骤，即明确渔船作业类型、判别渔船作业状态、估计捕捞强度和识别渔场。AIS和VMS数据不包含渔船作业状态信息，因此捕捞空间分析和捕捞强度估计取决于很好的识别渔船作业状态。渔船速度通常被用来识别渔船作业状态，基于统计和专家知识设定速度阈值进行过滤和分类[5-6]。由于拖网渔船作业和非作业状态具有明显的速度差异，该方法多应用于拖网渔船作业状态识别[7-8]。但仅以速度作为变量进行作业状态识别，结果会高估捕捞作业位置[9]。近年，国外学者通过对渔船速度时间系列数据分析，采用数据挖掘和机器学习方法提高渔船状态识别，挖掘捕捞努力量空间信息[10-13]。但每条船的情况，如大小、网具和船长经验不一样，该方法需每条船进行建模。表征渔船作业行为不仅有速度，还有航向、轨迹和离岸距离等，因此多变量模型也被构建用于渔船状态识别。Kroodsma等[14]基于AIS数据挖掘12种特征参数，对全球7万多条不同作业类型船舶，220亿条信息构建了卷积神经网络深度学习算法，识别准确率在90%以上。深度学习建立在大数据基础上，对于区域性某一鱼种捕捞数据，机器学习也有较好的识别能力，Bertrand等[9]挖掘5种特征参数构建了BP神经网络模型识别秘鲁鳀鱼（）作业渔船，证实渔船作业空间分布和秘鲁鳀鱼资源空间分布相似。BP神经网络是一种局部搜索的优化方法，求解复杂非线性函数容易陷入局部极值，因此优化算法常被用于提高BP模型性能[15]。相比BP方法，支持向量机（support vector machine, SVM）[16-18]在解决非线性和高维模式识别中具有优势。已有文献表明SVM优于人工神经网络和其他机器学习方法[19-22]。

国内学者采用VMS开展了近海渔船捕捞行为分析和渔场捕捞努力量特征研究[23]，对远洋渔船研究较少[5]。金枪鱼是远洋渔业重要经济鱼种，全球50%以上的金枪鱼产量来自于中西太平洋[6]。Cimino等[6]挖掘和分析了帕拉经济专属权内延绳钓渔场捕捞努力量空间特征，然而对远洋延绳钓渔船捕捞努力量特征分析未见报道。因此本文基于AIS数据，采用SVM方法构建中国中西太平洋远洋延绳钓渔船的作业状态识别模型，挖掘渔场捕捞努力量信息，为渔业资源管理和可持续利用提供科学支撑。

1 材料与方法

1.1 数据来源

金枪鱼延绳钓日志数据来源于2017年10－11月中国延绳钓渔船在中西太平洋的记录。数据的时间分辨率为d，空间分辨率为0.5°×0.5°。数据包括作业日期、下钩时刻、经纬度、投钩数及各金枪鱼渔获尾数和产量。采用同期的AIS动态数据，包括MMSI编号、船名、发送时间、经度、纬度、航向、航速等，两部分数据可以通过MMSI编号或船名进行关联。AIS数据每间隔5～30 s向卫星发送1次。

1.2 数据处理和状态标识

延绳钓渔船作业一般包括投放带有支线和钓钩的主线，投放后渔船漂流一段时间，拉起主线和钓钩，整个过程会持续1 d时间。根据延绳钓渔船作业行为特征，将延绳钓渔船状态划分捕捞状态和非捕捞状态，其中捕捞状态下有放钩和起钩；非捕捞状态有漂流和航行。再根据数据整体范围删除经度，纬度，航向和航速中的异常值，删除1 d内点数少于10的数据。并将数据记录的北京时间换算为当地时间。10月份10条渔船，11月份12艘渔船，共计125 624条AIS记录数据。根据日志记录的放钩时间，结合专家经验（主要包括作业起止时间、航速分布及变化、航向分布及变化、作业轨迹）对125 624万条AIS记录数据的作业状态进行人工标定，即将渔船信息分为捕捞状态（放钩和起钩）和非捕捞状态（漂流和航行），捕捞状态设置为1，非捕捞状态为0。对标定好的数据，参考文献[9]提取每条船每个记录当地小时、船速、航向等信息，计算每个记录位置的向前速度差和向后速度差。2个船位点的航向差和航行时间（s）也是表征延绳钓渔船作业特征重要参数[14]，本文同时计算每条船前后2个船位点的航向差和航行时间。由于数据量大，因此本文从所有数据中随机选择1/10建立模型。

将捕捞日志数据按经纬度0.5°×0.5°进行渔区划分，按月对其作业位置、尾数和放钩数进行统计，计算各渔区内单位捕捞努力量渔获量（catch per unit of effort，CPUE）（尾/千钩）、投钩数、渔获尾数和渔获总质量，CPUE公式如下：

1.3 支持向量机算法

假设最优的分类超平面为

+=0（2）

式中是权值向量，是阈值。参数、通过下面的规划方程求解：

1.4 模型构建

随机选择的1/10数据中，2/3的数据（8 416条记录）用于建立模型，1/3的数据（4 146条记录）验证模型。采用LIBSVM工具箱下MATLAB语言函数实现模型。

1.5 模型检验

计算分类混淆矩阵，采用准确率、精确率、灵敏度和特异度来评价模型，公式分别如下[24]：

准确率：

精确率：

灵敏度：

特异度：

式中TP代表作业状态被正确识别个数；FN代表作业状态被错误识别个数；TN代表非作业状态被正确识别个数；FP代表非作业状态被错误识别个数。同时计算Kappa系数评价分类准确率，Kappa系数公式如下：

Kappa=(0−)/(1−)（8）

式中0是准确率。

式中为总的记录个数。为了和阈值识别结果进行对比，按照文献[5]中，以3～7 kn航速作为阈值对作业状态进行分类并计算各指标值。

1.6 捕捞努力量统计和相关性检验

渔船在作业状态下，航行轨迹中2点之间的捕捞努力量E,m计算如下：

式中T和T−1是渔船航行轨迹中前后2个船位的时间，两者差为时间间隔。W是渔船的功率，P,m是渔船在位置的作业状态。E为渔船在航行轨迹中第1到第个空间位置投入的捕捞努力量，kW·h。

一定时间内，渔场区第个作业网格内的捕捞努力量FE为所有船位点在该网格内的捕捞努力量之和，kW·h，计算公式如下：

式中为第个作业网格内渔船总数，为第个作业网格内第条船作业状态点总数。绘制SVM模型识别和日志记录下的捕捞强度图，定性分析模型有效性。计算捕捞努力量与单位捕捞努力量渔获量（catch per unite of effort，CPUE）、渔获尾数、渔获重量和投钩数的Person’s相关系数，检验其空间相关性。

2 结果与分析

2.1 模型结果

随机选择1/10数据，选择其中2/3数据训练SVM模型参数。采用交叉验证方法获得SVM模型的最优参数，在交叉验证平均精度为93.25%时，获得最优的模型参数，和分别取值2.8284和4，耗时17 182 s。最后采用最优模型参数（和）构建最终的SVM分类模型。采用最终的SVM模型分别对训练数据、验证数据和以及2017年10、11月共计125 624条AIS记录数据进行识别。

训练数据共8 416条记录，其中有3 413条作业状态记录和5 003条非作业状态记录（表1）。有3 189个作业状态记录和4 826个非作业状态记录被正确识别。训练数据作业状态精确率是94.74%，灵敏度为93.44%，特异度为96.46%。训练数据的分类准确率为95.24%，Kappa系数为0.9。

验证数据共有4 146条，其中有1 630条作业状态记录和2 516条非作业状态记录（表2）。有1 478个作业状态记录和2 413个非作业状态记录被正确识别。训练数据精确率是93.49%，灵敏度为90.67%，特异度为95.91%。验证数据渔船状态分类准确率为93.85%，Kappa系数为0.87。

表1 训练数据集混淆矩阵

表2 验证数据集混淆矩阵

2017年10、11月所有数据结果见表3。2017年10、11月所有数据共计125 624万条记录，其中作业状态共计73 482条记录，非作业状态52 142条记录。有60 469个作业状态记录和44 145个非作业状态记录被正确识别。12 986错误识别为非作业状态，7 997条记录错误识别为作业状态。2017年10、11月所有数据分类精确率是82.33%，灵敏度为88.32%，特异度为77.27%。2017年10、11月所有数据分类准确率是83.3%，Kappa系数为0.67。

表3 所有数据混淆矩阵

2017年10月作业分类准确率为82.73%，11月份作业分类准确率为83.74%，2个月结果差别不大。

以3～7 kn航速对2017年10、11月所有数据进行阈值分类，混淆矩阵计算结果如表4。有45 159个作业状态记录和38 806个非作业状态记录被正确识别。28 323错误识别为非作业状态，13 336条记录错误识别为作业状态。分类精确率是77.2%，灵敏度为61.46%，特异度为74.4%。平均准确率为66.84%，Kappa系数为0.34。

表4 阈值识别混淆矩阵

准确率和Kappa系数表明基于SVM方法计算的各项指标值均好于阈值识别方法。基于SVM模型识别中国延绳钓渔船作业状态要优于单纯的速度阈值识别。

2.2 捕捞努力量

SVM模型识别结果和日志标示的捕捞强度空间分布图见图1，图2。日志观测的捕捞强度图表明2017年10和11月，中水集团远洋延绳钓渔船主要作业空间在168°～173°E，12°～18°S，有3个明显的作业强度较高区域。10月和11月捕捞努力量空间分布有明显差异。10月作业最密集区域由3块区域组成，在170°～173°E，14°～16°S之间；11月作业最密集区域在169°E，14°S，其次是在172°E，16°S。11月渔船作业空间分布相比10月份更靠近海岛。

从捕捞强度上看，11月捕捞强度要明显高于10月份。10月多在30 000 kW·h以下，11月在169°E，14°S 附近区域，捕捞强度超过35 000 kW·h。SVM模型识别的捕捞努力量空间分布和日志观测的捕捞强度图在空间分布上一致。表3表明作业状态被错误识别位置数要大于非作业状态错误识别位置数，所以空间图显示SVM模型识别结果的捕捞强度均弱于日志标示的捕捞强度。

图1 10月份捕捞努力量空间分布图

图2 11月份捕捞努力量空间分布图

2.3 空间相关性

基于SVM模型识别的渔船作业状态结果和日志标示结果，分别计算渔船捕捞努力量，统计每个网格的捕捞强度。10、11月以及所有月份，识别结果和日志标示的捕捞努力量相关系均大于0.98，所有相关系数值小于0.000 001。模型输出的捕捞努力量空间分布和实际相似。

SVM模型识别的捕捞努力量与投钩数、渔获尾数、渔获重量和CPUE等在空间上的Person’s相关系数见表5。所有相关系数都大于0.64，值小于0.000 001。捕捞努力量与延绳钓投钩数的相关系数最大，均大于0.93；与CPUE相关系数最低，均小于0.8。基于AIS模型挖掘的捕捞强度空间信息可以在一定程度上反映渔业资源量空间分布。

表5 捕捞努力量与投钩数、渔获尾数、渔获重量和CPUE空间相关系数

3 讨 论

捕捞空间分析和捕捞强度估计取决于很好的识别渔船作业状态。捕捞作业行为描述了海上船只的运动模式、轨迹和渔民捕鱼习惯[8]。渔船速度常被用于渔船作业状态识别研究[10]，来定义渔船捕捞行为和努力量[11-13]。仅以速度阈值识别会高估渔船作业状态，容易把非作业状态误判为作业状态[15]，会给渔业管理带来偏差。

支持向量机在回归和分类问题上有较好的表现[17-18]，在渔业CPUE标准化中被证明要优于其他的统计学和机器学习算法[20-22]。本文通过挖掘渔船作业特征变量，采用SVM构建远洋延绳钓渔船多元分类模型，模型训练和验证数据集的所有分类指标超过90%，与Kroodsma等[14]卷积神经网络模型结果相似。2017年10月和11月所有数据作业分类准确率为83.3%，和Desouza等[10]采用数据挖掘方法结果（83%）相似，证明本文建立的渔船作业状态识别模型有很好的泛化能力，本文构建的模型是可行的。以3～7 kn航速对2017年10、11月所有数据进行阈值分类。平均准确率为66.84%，Kappa系数为0.34。本文建立的模型平均准确率是83.3%，Kappa系数为0.67。基于SVM方法计算的各项指标值均好于阈值识别方法。，采用本文方法绘制的捕捞努力量图更能反映实际渔船捕捞努力量空间分布。

本文挖掘渔船作业特征提取7个变量进行建模，模型可以对任意渔船轨迹中的任意一个AIS记录进行识别，无需考虑船只本身因素。模型验证精度很高，但对训练和验证集外的数据的识别率略低，可能与本文采用的输入变量和数据量有关。Kroodsma等[14]挖掘了12个输入特征参数构建了大数据深度学习模型，未来可以通过提取更多有效的特征参数作为输入变量，提高模型分类识别能力。本文SVM模型选择径向基函数为核函数，模型分类能力依赖于模型参数，即惩罚因子和径向基函数参数选择。本文采用交叉验证方法选择模型参数，相关文献采用遗传算法或者粒子群算法等优化算法选择SVM模型参数[24-26]，提升SVM模型分类能力，均取得很好的结果。未来可以采用遗传算法或者粒子群算法等优化算法选择模型参数，进一步提高SVM模型在渔船作业类型上的识别能力。

识别结果和渔船日志记录的捕捞强度在空间上相关性非常高（>0.98）。捕捞强度空间图和日志作业空间图在空间上分布非常吻合，区别在于SVM模型识别结果的捕捞强度均低于日志标示的捕捞强度。因为有12 986错误识别为非作业状态，有7 997条记录错误识别为作业状态。本文的识别结果渔船作业状态SVM模型误差并没有给渔船捕捞强度和渔场作业空间分布带来影响，因此在捕捞日志数据有限或没有的情况下，基于船位数据挖掘的捕捞强度信息也可以刻画渔船作业时的空间分布特征。捕捞强度和投钩数、渔获尾数、渔获重量和CPUE的空间相关性较好。捕捞强度与延绳钓渔船投钩数相关性最高，因为更多的捕捞强度意味着更多的延绳钓投钩作业。与延绳钓CPUE相关性最低，但大于0.64，空间相关性较好，捕捞强度空间分布和CPUE空间分布相似。CPUE与渔业资源丰度成比例，可作为渔业资源相对丰度来反映渔业资源丰度。因此在缺乏渔业捕捞生产数据时，基于AIS模型挖掘的捕捞强度空间信息可以在一定程度上反映渔业资源量空间分布，替代用于渔业资源评估和管理。

本文的渔船日志数据只记录了投钩开始时间，没有投钩结束、起钩开始和起钩结束的时间。通过绘制渔船速度曲线，并结合专家经验对投钩结束和起钩时间进行判断。Desouza等[10]也采用该方法对渔船作业状态进行标签。该方法工作量非常大，因此本文只采用了2个月的时间。未来希望通过观察员计划，记录和获取更多的渔船作业状态空间信息，采用深度学习方法开展相关研究工作。本文采用的是中国中水集团的渔船，为了方法有更好的实用性，需要考虑更多不同公司的渔船。未来希望获取国外渔船信息开展相关研究，及时了解和掌握国外企业渔船的作业空间分布，为中国渔业公司寻找渔场提供帮助。

4 结 论

本文采用船舶自动识别系统（automatic identification system，AIS）数据和渔船捕捞日志数据，基于SVM模型，构建了中国延绳钓渔船作业状态（作业/不作业）分类判别模型。得到如下结论：

1）本文构建SVM模型对中国延绳钓渔船作业状态进行分类，所有数据分类准确率是83.3%，Kappa系数为0.67，可以对中西太平洋中国渔船作业状态进行识别。

2）模型输出的捕捞努力量和日志标志的捕捞努力量空间相关系数大于0.98，基于AIS数据可以估计中国中西太平洋延绳钓渔船作业和捕捞强度空间分布。

3）基于AIS模型挖掘的捕捞强度与渔获尾数、渔获重量和单位捕捞努力量渔获量（catch per unit of effort，CPUE）等在空间上的相关系数都大于0.64，空间信息可以在一定程度上反映渔业资源量空间分布。

[1]Boulcott P, Millar C P, Fryer RJ. Impact of scallop dredging on benthic epifauna in a mixed-substrate habitat[J]. ICES Journal Marine Science, 2014, 71: 834－844.

[2]邹莉瑾，戴小杰，许柳雄，等. 金枪鱼延绳钓渔捞日志管理现状与趋势[J]. 渔业信息与战略，2015，30(1)：35－39.

Zou Jinli, Dai Xiaojie, Xu Liuxiong, et al.On the status of tuna longline fishery logbook[J]. Fishery Information and Strategy, 2015, 30(1): 35－39. (in Chinese with English abstract)

[3]Zeller D, Rossing P, Harper S, et al. The baltic sea:estimates of total fisheries removals 1950－2007[J]. Fisheries Research, 2011, 108, 356－363.

[4]McCauley D J, Woods P, Sullivan B, et al. Worm, Ending hide and seek at sea[J]. Science, 2016, 351(6278): 1148－1150.

[5]原作辉，杨东海，樊伟，等. 基于卫星AIS的中西太平洋金枪鱼延绳钓渔场分布研究[J]. 海洋渔业，2018，40(6)：649－659.

Yuan Zuohui, Yang Donghai, Fan Wei, et al. On fishing grounds distribution of tuna longline based on satellite automatic identification system in the Western and Central Pacific[J]. Marine Fisheries, 2018, 40(6): 649－659. (in Chinese with English abstract)

[6]Cimino M A, Anderson M, Schramek T, et al. Towards a fishing pressure prediction system for a western pacific EEZ[J]. Science, 2019, 9(461): 1－10.

[7]Wang Y B, Wang Y. Estimating catches with automatic identification system (AIS) data: a case study of single otter trawl in Zhoushan fishing ground, China[J]. Iranian Journal of Fisheries Sciences, 2016, 15(1): 75－90.

[8]Debrah E A, Wiafe G, Agyekum K A, et al. An assessment of the potential for mapping fishing zones off the coast of ghana using ocean forecast data and vessel movement[J]. West African Journal of Applied Ecology, 2018, 26(2): 26－43.

[9]Bertrand S, Burgos J, Gerlotto F, et al. Lévy trajectories of peruvian purse–seiners as an indicator of the spatial distribution of anchovy ()[J]. ICES Journal of Marine Science, 2005，62(3): 447－482.

[10]Desouza E N, Boerder K, Matwin S, et al. Improving fishing pattern detection from satellite AIS using data mining and machine learning[J]. Plos One 11, 2016, e0158248. doi:10.1371/journal.pone.0158248 Medline

[11]Natale F, Gibin M, Alessandrini A, et al. Mapping fishing effort through AIS data[J]. Plos One 10, 2015, e0130746. doi:10.1371/journal.pone.0130746 Medline

[12]Ferra C, Tassetti A N, Grati F, et al. Mapping change in bottom trawling activity in the Mediterranean Sea through AIS data[J]. Marine Policy, 2018, 94: 275－281.

[13]Guyader L D, Ray C, Brosset D. Defining high-resolution dredge fishing grounds with automatic identification system (AIS) data[J]. Aquatic Living Resources, 2017, 30: 39－49.

[14]Kroodsma D A, Mayorga J, Hochberg T, et al. Tracking the global footprint of fisheries[J]. Science, 2018, 359(6378): 904－908.

[15]Bertrand S, Bertrand A, Guevara-Carrasco R, et al. Scale invariant movements of fishermen: the same foraging strategy as natural predators[J]. Ecological Applications, 2007, 17(2): 331－337.

[16]郭霖，白丹，王新端，等. 基于支持向量机的滴灌灌水器流量预测模型建立与验证[J]. 农业工程学报，2018，34(2)：74－82.

Guo Lin, Bai Dan, Wang Xinduan, et al. Establishment and validation of flow rate prediction model for drip irrigation emitter based on support vector machine[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(2): 74－82. (in Chinese with English abstract)

[17]胡晓华，刘伟，刘长虹，等. 基于太赫兹光谱和支持向量机快速鉴别咖啡豆产地[J]. 农业工程学报，2017，33(9)：302－307.

Hu Xiaohua, Liu Wei, Liu Changhong, et al. Rapid identification of producing area of coffee bean based on terahertz spectroscopy and support vector machine[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(9): 302－307. (in Chinese with English abstract)

[18]刘伟，刘长虹，郑磊. 基于支持向量机的多光谱成像稻谷品种鉴别[J]. 农业工程学报，2014，30(10)：145－151.

Liu Wei, Liu Changhong, Zheng Lei. Discrimination in varieties of rice seeds with multispectral imaging using support vector machine[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(10): 145－151. (in Chinese with English abstract)

[19]Li A G, Ye Z J, Wan R. Model selection between traditional and popular methods for standardizing catch rates of target species a case study of Japanese Spanish mackerel in the gillnet fishery[J]. Fisheries Research, 2015, 161: 312－319.

[20]Shono H. Application of support vector regression to CPUE analysis for southern bluefin tuna Thunnus maccoyii and its comparison with conventional methods[J]. Fish Science, 2014, 80: 879－886.

[21]杨胜龙，张禹，张衡，等. 不同模型在渔业CPUE标准化中的比较分析[J]. 农业工程学报，2015，31(21)：259－264.

Yang Shenglong, Zhang Yu, Zhang Heng, et al. Comparison and analysis of different model algorithms for CPUE standardization in fishery[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE) 2015, 31(21): 259－264. (in Chinese with English abstract)

[22]Were A, Buick D T. Comparative assessment of support vector regression, artificialneural networks, and random forests for predicting and mapping soilorganic carbon stocks across an Afromontane landsca[J]. Ecological Indicators, 2015, 52: 394－403.

[23]张胜茂，崔雪森，伍玉梅，等. 基于北斗卫星船位数据分析象山拖网捕捞时空特征[J]. 农业工程学报，2015，31(7)：151－156.

Zhang Shengmao, Cui Xueseng, Wu Yumei, et al. Analyzing space-time characteristics of Xiangshan trawling based on Beidou Vessel Monitoring System Data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(7): 151－156. (in Chinese with English abstract)

[24]Zhou T, Lu H L, Wang W W, et al. GA-SVM based feature selection and parameter optimization in hospitalization expense modeling[J]. Applied Soft Computing Journal, 2019, 75: 323－332.

[25]Phan A V, Nguyen M L, Bui LT. Feature weighting and SVM parameters optimization based on genetic algorithms for classification problems[J]. Applied Intelligence, 2017, 46(2): 455－469.

[26]Nieto P J G, Fernández A J R, Suárez V M G, et al. A hybrid PSO optimized SVM-based method for predicting of the cyanotoxin content from experimental cyanobacteria concentrations in the trasona reservoir: A case study in Northern Spain[J]. Applied Mathematics and Computation, 2015, 260: 170－187.

Calculating the fishing effort of longline fishing vessel in the western and central pacific ocean using AIS

Yang Shenglong, Zhang Shengmao, Zhou Weifeng, Cui Xuesen, Zhang Bianbian, Fan Wei※

(1.,,,,, 200090,; 2.,,200090,)

In order to provide relevant information for natural resource management, impact assessment and marine spatial planning, high-resolution estimation of longline fishing gear is needed. Because the use of satellite vessel monitoring system (VMS) data is limited by data access and receiving offshore ship location information. In this paper, based on the data of automatic identification system (AIS) and logbook data of Chinese longline fishing from October to November 2017, a model of fishing detection based on support vector machine (SVM) learning method is established to classify the fishing and non fishing activities in the central and Western Pacific Ocean, to carry out longline fishing and draw fishing effort map in the Western and Central Pacific Ocean. Before constructing a fishing detection model, each AIS point was classified and pre-labeled as potential fishing and non-fishing events by an expert based on information on information on fisheries characteristics as obtained from literature, analysis of the tracks and logbook data. The performance of the fishing detection model was evaluated by the overall accuracy, precision, sensibility and specificity. Fishing intensities were computed from the known fishing positions and the estimated fishing positions were compared with correlation coefficient. The spatial correlation coefficient of fishing intensities and catch data was computed to quantify the extent to which the distribution of longline vessels describes tuna distribution. The results showed that the overall accuracy and the Kappa coefficient of the model training dataset were 95.24% and 0.9, respectively. The precision, sensibility and specificity were 94.74%, 93.44%, 96.56%, respectively. The overall accuracy and the Kappa coefficient of the model testing dataset were 93.85% and 0.87 respectively. The precision, sensibility and specificity were 93.49%, 90.67%, 95.91%, respectively. Then the constructed model was used to identify all the AIS data for 12 longline fishing vessels in the Western and Central Pacific in October and November 2017, with an overall accuracy rate of 83.3% and the Kappa coefficient was 0.67. The precision, sensibility and specificity were 82.33%, 88.32%, and 77.27%, respectively. The longline fishing distinct in October and November 2017 mainly located in 168°E-173°E, 12°S-18°S, and there were three obvious high fishing intensity areas on the map. The spatial distribution of fishing effort was significantly different between October and November. The distribution of fishing intensity in November was closer to the island than in October and the value of fishing intensity in October was lower than November. The fishing intensity information based on the SVM model and logbook data records was highly correlated (>0.98). The spatial distribution characteristics of the fishing effort of the fishing vessel identified by the SVM model were similar to the known fishing positions. But the fishing intensities were calculated from known fishing positions was higher than that of estimated fishing positions. The spatial correlation coefficients of cumulative fishing effort and catch per unit of effort (CPUE), catch tail, catch weight and number of hooks were 0.68, 0.93, 0.93 and 0.94, respectively. The fishing capacity of fishing vessels based on AIS information mining can also be used as an alternative method for fishery resource analysis.

support vector machine; models; automatic identification system; longline; fishing effort

杨胜龙，张胜茂，周为峰，崔雪森，张忭忭，樊 伟. 采用AIS计算中西太平洋延绳钓渔船捕捞努力量[J]. 农业工程学报，2020，36(3)：198－203.doi：10.11975/j.issn.1002-6819.2020.03.024 http://www.tcsae.org

Yang Shenglong, Zhang Shengmao, Zhou Weifeng, Cui Xuesen, Zhang Bianbian, Fan Wei. Calculating the fishing effort of longline fishing vessel in the western and central pacific ocean using AIS[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(3): 198－203. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.03.024 http://www.tcsae.org

2019-08-13

2020-01-16

国家重点研发计划（2019YFD0901405），中央级公益性科研院所基本科研业务费（2019T09）；国家自然科学基金项目（41606138）；农业部外海渔业开发重点实验室开放基金资助（LOF2018-01）

杨胜龙，副研究员，主要从事海洋生态学研究。Email：ysl6782195@126.com

樊伟，研究员，主要从事渔业遥感研究。Email：fanwee@126.com

10.11975/j.issn.1002-6819.2020.03.024

S972.9

A

1002-6819(2020)-03-0198-06