浙江省近海渔运船转载信息提取

范秀梅，张胜茂，崔雪森，杨胜龙

•农业信息与电气技术•

浙江省近海渔运船转载信息提取

范秀梅，张胜茂※，崔雪森，杨胜龙

（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）

渔运船是从事渔获物运输的专用船舶，能够提高捕捞渔船作业效率，增加捕捞渔船的作业强度。为掌握渔运船在海上的转载情况，从而间接了解捕捞渔船作业强度，该研究提出一种基于北斗船位数据的以设定航速阈值、距离阈值和时间阈值来提取渔运船转载信息的方法。如果渔运船和捕捞渔船距离小于50 m，且期间有持续3条以上的船舶监控系统（Vessel Monitoring Systems，VMS）记录，则认为可能发生了1次转载，并记录下相遇的时长、船名、空间位置。以浙江省为例，利用该方法从2018年浙江省的北斗船位数据中提取渔运船的海上转载信息，并进行统计分析。结果表明，有转载记录的渔运船808条，参与转载的捕捞渔船3 548条，共转载28 916次。渔运船停船转载占比21.0%，以1～1.4 m/s低速航行的作业状态转载占比53.7%，转载时长小于12.5 min的占比81.3%，同时得到渔运船转载的热点分布，转载累积时长最长的空间网格为122.5°E～123°E，31.5°N～32°N，转载累积时长187 h，其次为122°E～122.5°E，28°N～28.5°N，转载累积时长150 h。通过分析渔运船海上转载位置和转载累积时长的空间分布情况可掌握捕捞渔船作业的时空变化特点，为渔业限额捕捞精细化管理提供依据。

渔船；渔业；北斗卫星导航系统；船舶监控系统；转载

0 引 言

渔获物渔运船（以下简称渔运船）属于捕捞辅助船的一种，可同时为多艘捕捞渔船提供补给和转载渔获。渔运船进行渔获的转载一般在离港口较远的海上，其中转载地点为渔运船与渔船在海上会合后进行渔获转载的地点[1]。渔运船可以节省海洋捕捞机动渔船（以下简称捕捞渔船）往返渔港的航行时间，减少燃油消耗，增加作业时间，提高捕捞渔船作业效率，但也增加了渔船的捕捞强度，降低了捕捞渔船作业的透明度和渔获物来源的可追溯性，增加了渔业资源管理的难度[2-3]。

船舶自动识别系统（Automatic Identification System，AIS）和船舶监控系统（Vessel Monitoring Systems，VMS）提供了海量的渔船（渔运船、捕捞渔船）的船位数据，包括时间、位置和速度等信息[4-5]。捕捞渔船的船位数据已被广泛用来识别渔船作业类型[6]和作业状态[7-8]，计算捕捞努力量[9-12]等，渔运船船位数据的研究近些年也逐渐增多。Miller等[1, 13-15]开发了基于渔船AIS轨迹数据库，自动探测和显示远洋捕捞渔船（拖网、延绳钓、鱿钓、围网）与渔运船在海上会合转载的机器学习算法，可得到全球远洋渔获转载的热点区等。基于2012－2017年全球渔船与渔运船的AIS的轨迹数据，Kristina等[14]从220亿条AIS船位记录中查到501条渔运船与1 856条捕捞渔船相遇，约发生10 510次转载事件，其中35%的转载发生在公海，65%在专属经济区（Exclusive Economic Zones, EZZ）。

基于北斗卫星导航系统的VMS在国内渔业中的应用起步较晚，但发展较快[16-18]，目前国内安装北斗VMS终端的近海捕捞渔船和渔运船已超过7万艘[19]，初步实现了对船舶的实时联络及跟踪监控[20]，同时也已累积了大量具有时空特性的船位数据。对捕捞渔船的北斗船位数据进行统计和挖掘分析已经有一些相关的研究成果[21-24]，但对渔运船北斗船位数据的分析还未见有相关研究。为获得近海渔运船的转载信息，本文以浙江省2018年北斗船位数据为例，提出了一种渔运船海上转载特征信息提取和分析的方法，以期为渔业资源可持续利用和管理政策制定提供参考。

1 数据与方法

1.1 北斗船位数据

北斗VMS船位数据由北斗民用分理服务商提供，数据的时间分辨率约为3 min，空间分辨率约为10 m，测速精度约为0.2 m/s。数据的文件名为年份+船名，一条船对应于一个文件，文件中的信息包括船名、时间、经度、纬度、航速、航向等。文中使用的数据为浙江省2018年渔运船和捕捞渔船的北斗VMS船位数据。原始数据存储在.csv文件中，每次读取时都需要转变变量类型，而将字符串变量转变为日期类型较耗时[25]。为了提高读取速度，可先将数据读入内存，转变成正确的数据类型变量后，再将变量保存至.mat文件中。matlab可以直接加载.mat文件中的变量到内存中，无需再次转变数据类型，与直接加载.csv文件相比，可以提高约5倍的运算速度。

北斗船位数据中存在几种异常数据[26]：第一种是时间异常，通过设置时间范围剔除，本文设置的有效时间范围为2018年1月1日0时0分0秒至2018年12月31日23时59分59秒；第二种是经纬度异常，例如经度或者纬度出现0值，可直接剔除。或者出现渔船定位在内陆地区的异常，表现为经度、纬度记录与相邻记录值相差较大，可通过设置阈值删除，例如将经纬度与前后记录值相差超过1°的值删除。在数据载入内存后，算法执行前直接在内存中剔除异常数据，不改变原始文件中的数据记录。

1.2 渔运船转载信息提取方法与步骤

文中渔运船转载信息的提取流程如图1所示，主要分为3个步骤：首先查找所有航速值小于1.5 m/s（经过统计分析得到，细节见下文）时间段；其次得到渔运船各航次的开始时间和结束时间，并获得各航次中航速值小于1.5 m/s时间段；最后查找渔运船在各航次的航速值小于1.5 m/s时间段内与捕捞渔船距离小于50 m，且期间有持续3条以上的船舶监控系统（Vessel Monitoring Systems，VMS）记录的事件。

1）查找航速值小于1.5 m/s时间段

首先，将渔运船的数据读入内存，船名、时间、航速、经度、纬度分别存储于字符串类型数组SHIPE_NAME、日期类型数组TIME、浮点数类型数组V、浮点数类型数组LON、浮点数类型数组LAT，其中∈(1,2,3,…,)表示渔运船的序号，表示渔运船总数。

渔运船转载时的航速分布范围0～1.5 m/s通过统计浙江省1 052条渔运船的航速分布得到。将所有渔运船的航速离散到以0.3 m/s（可调参数，只要能将渔运船的3种状态区分开即可）为间隔的数值上，再进行航速值的频次统计分析，结果如图2所示。由图2可知渔运船主要有3种状态：第一种是停船状态（靠港或者转运），0～7 m/s航速值频次占比分布中，0值附近的航速值占比较高，占比46.4%，对应于停船状态；第二种是低速航行转运，0.3～7 m/s航速值频次占比分布中，第一个峰值在0.6 m/s附近，对应低速航行转运状态；第三种是正常航行状态，对应于第二个峰值区，在4.5 m/s附近。转运时船速对应于第一种和第二种状态，这2种状态的峰值在0～1.5 m/s之间，当速度小于1.5 m/s时，认为有正在转载的可能。

2）查找渔运船各航次的开始时间和结束时间，并获得各航次中航速值小于1.5 m/s时间段

3）查找渔运船在各航次的航速值小于1.5 m/s时间段与捕捞渔船之间转载信息

最后，计算同一时间段内的渔运船和捕捞渔船的距离，如果小于50 m，且持续时间大于3条记录，则认为2条船轨迹重叠，正在转载。根据经纬度计算任意2个点（如C，D点）球面距离的公式为

式中Radius为地球半径，取WGS84标准参考椭球中的地球长半径[27]6 378.137 km，C、C表示点的经度和纬度，D、D表示点的经度和纬度。

2 结果与分析

2.1 转载信息分析

以浙江省2018年的4条渔运船北斗VMS终端记录的船位数据为例，利用上述方法，查找2018年浙江省所有与这4条渔运船进行转载的近海捕捞渔船，并对渔运船的转载信息进行分析。结果如图3所示。

2018年渔运船1总共出海204个航次，转载213次，总转载时长为1315 min，停靠过1个地点，经纬度之一为（121.635 4°E，28.293 4°N）。根据经纬度坐标调用高德地图[28]的逆地理编码web服务查询具体的地址，即船只所在的省、市、县。调用的url格式为https://restapi.amap.com/v3/geocode/regeo?location=Lon，Lat&key=yourkey&output=json，其中‘Lon’，‘Lat’替换为实际的经度和纬度，‘yourkey’为在高德平台上申请的web应用服务的Key码。根据逆地理编码查询到渔运船1停靠地点为浙江省台州市温岭市石塘镇。渔运船2出海航次为185次，共转载191次，总转载时长为185 5 min，停靠过1个地点，经纬度之一为（121.570 9°E，28.256 5°N），对应的地点为浙江省台州市温岭市石塘镇。渔运船3出海航次为259次，转载285次，总转载时长为3372 min，停靠过1个地点，经纬度之一为（121.571 8°E，28.263 6°N），对应的地点为浙江省台州市温岭市石塘镇。渔运船4出海航次为287次，转载323次，总转载时长为2 325 min，停靠过3个地点，分别为浙江省舟山市普陀区沈家门，经纬度之一为（122.2815°E，29.9402°N）；浙江省台州市温岭市石塘镇，经纬度之一为（121.6419°E，28.3016°N），浙江省温州市苍南县，经纬度为（120.6439°E，28.3017°N）。

2.2 转载信息输出

渔运船转载信息查询程序执行过程中不断输出查询到的转载信息，输出的内容如表1所示。可以根据这些记录查找渔运船转载时的航速，计算转载时长，转载所在的月份，时间，并进行统计分析，另外还可以查找转载所在的经纬度分布，统计累计转载时长的空间分布。

表1 渔运船转载信息输出结果

2.3 转载信息统计

从北斗民用分理服务商处获得了2018年浙江省1 052条渔运船的北斗船位数据，7 249条捕捞渔船船位数据，经过计算，有转载记录的渔运船有808条，共转载28 916次，参与转载的捕捞渔船3 548条。

将渔运船转载时的航速离散至0.1 m/s（可调，能体现航速分布的特征即可）间隔的航速上，然后统计各航速值出现的占比（结果见图4a），图4a中可见转载速度分布有2个峰值，第一个峰值船速为0 m/s，即停船转载，占比21.0%。第二个峰值在1.2 m/s左右，即航行转载，捕捞渔船在低速航行的作业状态下完成渔获物的转载。以1～1.4 m/s船速进行转载的占比53.7%，故捕捞渔船在低速航行的作业状态下转载为主。以小时为单位统计0:00—24:00之间24个时间段（1 h为1个时间段）中转载频次的占比，得到23:00—24:00转载频次占比接近0，00:00—5:00之间的5个时间段转载频次稍低，占比2%～4%，其他时间段转载频次稍高，占比4%～5%（图4b）。统计各月转载频次的占比，图4c中5、6、7月处于禁渔期，故这期间的转载频次占比接近0，其他月份的频次占比位于5%～16%之间。统计28 916次转载时长的分布结果见图4d，转载时长在（5±2.5）min的频次最高，占比49.0%，转载时长在（10±2.5）min的频次占比30.7%，小于12.5 min的转载占比81.3%。

近海海上渔获转载地点基本位于捕捞渔船作业海域，如低速航行时转载地点是捕捞渔船正在作业的位置，停泊转载地点也在捕捞渔船作业海域的附近。因此，渔运船的转载时长可以反映捕捞渔船的作业强度，转载地点反映捕捞渔船作业的空间分布。图5a显示了转载累计时长的空间分布，位于122.5°E～123°E，31.5°N～32°N内的转载时长最长，为187 h，位于122°E～122.5°E，28°N～28.5°N内的转载时长次之，为150 h。图5b中彩色小实心圆点显示了浙江省2018年808条渔运船28 916次转载位置的空间分布，红色至绿色的颜色渐变表示转载时间1月至12月的变化。根据4a，捕捞渔船在作业状态下完成转载的频次占比53.7%，表明转载的位置主要在捕捞渔船作业的位置，转载时间的长短可作为渔获物多少的一个衡量指标，渔获物越多需要转载的时间越长，故转载时长的空间分布一定程度上可以反映捕捞强度的分布。

3 结 论

在海上渔运船和捕捞渔船出现持续一段时间的轨迹重叠（渔运船和捕捞渔船相遇）有很大的概率是正在转载，且一般渔获物越多，所需的转载时间也会越长。本研究基于北斗卫星导航系统的高时空分辨率的VMS船位数据，给出了一个提取渔运船转载信息的方法。该方法将渔运船航速小于1.5 m/s，与捕捞渔船之间的距离小于50 m，且2条船距离小于50 m的连续船位记录大于3条的情况判断为二者在海上相遇，可能正在转载。使用到的数据包括浙江省2018年1 052条渔运船和7 249条捕捞渔船的北斗船位数据，获得了28 916次的渔运船转载时的经纬度位置、时间、航速、转载时长等。

需要注意的是，得到的28 916次转载都是指可能发生的转载（渔运船和捕捞渔船会合），虽然无法证实转运是否真实发生，但通过分析实际的船位数据得到的渔运船和捕捞渔船在海上会合事件是真实发生的，也是得到渔获物转载信息的重要途径。根据渔运船转载时的航速分布可知渔运船转载状态有2种，分别为停船状态转载和以低速航行的作业状态转载。23:00—5:00转载频次较低，其他时间段转载频次较高。大部分的转载时长小于12.5 min。通过统计各渔区转载累积时长，得到转载热点主要分布在122.5°E～123°E，31.5°N～32°N，和122°E～122.5°E，28°N～28.5°N的渔区网格内。

为解决数据量大，计算慢的问题，将渔运船和捕捞渔船的.csv文件处理成matlab可以直接加载的.mat文件，并且将对渔运船的遍历设置为并行运行，即程序分为多个线程同时为不同的渔运船查找转载信息，使得程序运行比直接读取.csv文件的单线程程序提速了约250倍。通过分析提取到的渔运船转载特征数据，不仅可以了解和掌握单个渔运船的转载量和转载位置等，还可获得所有渔运船在各空间网格中的转载累积时长，获得转载热点分布，了解各渔区的捕捞强度，为渔业资源的养护和可持续利用政策的制定提供实际数据的支撑。

[1] Miller N A, Roan A, Hochberg T, et al. Identifying global patterns of transshipment behavior[J]. Frontiers in Marine Science, 2018, 5(240): 1-9.

[2] Telesetsky A. Laundering fish in the global undercurrents: illegal, unreported, and unregulated fishing and transnational organized crime[J]. Ecology Law Quarterly, 2014, 41(4): 939-997.

[3] Ewell C, Cullis-Suzuki S, Ediger M, et al. Potential ecological and social benefits of a moratorium on transshipment on the high seas[J]. Marine Policy, 2017, 81: 293-300.

[4] Dunn D C, Jablonicky C, Crespo G O, et al. Empowering high seas governance with satellite vessel tracking data[J]. Fish and Fisheries, 2018, 19: 729-739.

[5] Russo T, D'Andrea L, Parisi A, et al. Assessing the fishing footprint using data integrated from different tracking devices: Issues and opportunities[J]. Ecological Indicators, 2016, 69: 818-827.

[6] Marzuki M I, Gaspar P, Garello R, et al. Fishing gear identification from vessel-monitoring-system-based fishing vessel trajectories[J]. IEEE Journal of Oceanic Engineering. 2017, 43(3): 689-699.

[7] Souza E N, Boerder K, Matwin S, et al. Improving fishing pattern detection from satellite AIS using data mining and machine learning[J]. Plos One. 2016, 11(7): e0158248.

[8] Gascuel D. Identifying fishing trip behaviour and estimating fishing effort from VMS data using Bayesian Hidden Markov Models[J]. Ecological Modelling, 2010, 221(15): 1757-1769.

[9] 杨胜龙，张胜茂，周为峰，等. 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.

Yang Shenglong, Zhang Shengmao, Zhou Weifeng, et al. 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)

[10] Russo T, Parisi A, Prorgi M, et al. When behaviour reveals activity: Assigning fishing effort to métiers based on VMS data using artificial neural networks[J]. Fisheries Research, 2011, 111(6): 53-64.

[11] Natale F, Gibin M, Alessandrini A, et al. Mapping fishing effort through AIS data[J]. Plos One. 2015, 10(6): e0130746.

[12] Janette L, South A B, Simon J. Developing reliable, repeatable, and accessible methods to provide high-resolution estimates of fishing-effort distributions from vessel monitoring system (VMS) data[J]. Ices Journal of Marine Science. 2010, 67(6): 1260-1271.

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

[14] Kristina B, Miller N A, Boris W, et al. Global hot spots of transshipment of fish catch at sea[J]. Science Advances. 2018, 4(7): eaat7159. doi: 10.1126/sciadv.aat7159.

[15] Seto K, Miller N, Young M, et al. Toward transparent governance of transboundary fisheries: The case of Pacific tuna transshipment[J]. Marine Policy. 2020: 104200

[16] 崔秀芳，黄新胜，王世明，等. 渔船监控系统（VMS）设计[J]. 渔业现代化，2010，37(1)：67-69.

Cui Xiufang, Huang Xingsheng, Wang Shiming, et al. Research on vessel monitoring system (VMS)[J]. Fishery Modernization, 2010, 37(1): 67-69. (in Chinese with English abstract)

[17] 郝金明，刘伟平，杨力，等. 北斗卫星导航系统精密定轨技术研究现状[J]. 测绘科学技术学报，2015，32(3)：221-225.

Hao Jinming, Liu Weiping, Yang Li, et al. Status of precise orbit determination of Beidou navigation satellite system[J]. Journal of Geomatics Science and Technology, 2015, 32(3): 221-225. (in Chinese with English abstract)

[18] 郭刚刚，樊伟，张胜茂，等. 船位监控系统数据挖掘与应用研究进展[J]. 海洋渔业，2016，38(2)：217-224.

Guo Ganggang, Fan Wei, Zhang Shengmao, et al. Advances in mining and application of vessel monitoring system data[J]. Marine Fisheries，2016, 38(2): 217-224. (in Chinese with English abstract)

[19] 薛嘉伦. 基于北斗船位数据的浙江省近海渔船航次分析与渔船编队调度方案研究[D]. 上海：上海海洋大学，2018.

Xue Jialun. Analysis of Voyage Analysis and Fleet Scheduling Scheme of Zhejiang Province Fishing Boats Based on the Beidou Ship's Position Data[D]. Shanghai: Shanghai Ocean University, 2018. (in Chinese with English abstract)

[20] Chang S K, Liu K Y, Song Y H. Distant water fisheries development and vessel monitoring system implementation in taiwan-history and driving forces[J]. Marine Policy, 2010, 34(3): 541-548.

[21] Huang Haiguang, Hong Feng, Liu Jing, et al. FVID: Fishing vessel type identification based on VMS trajectories[J]. Journal of Ocean University of China, 2019, 18(2): 403-412.

[22] Wang Y, Wang Y B, Zheng J. Analyses of trawling track and fishing activity based on the data of vessel monitoring system (VMS)：A case study of the single otter trawl vessels in the Zhoushan fishing ground[J]. Journal of Ocean University of China, 2015, 14(1): 89-96.

[23] 张荣瀚，张胜茂，陈雪忠，等. 基于北斗船位数据的流刺网网次和方向提取方法研究[J]. 海洋渔业，2019，41(2)：169-178.

Zhang Ronghan, Zhang Shengmao, Chen Xuezhong, et al. Research on extract floating gill net hauls and direction on Beidou data[J]. Marine Fisheries, 2019, 41(2): 169-178. (in Chinese with English abstract)

[24] 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 Xuesen, 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)

[25] 耿家利. 渔船轨迹大数据存储优化与行为识别技术研究[D]. 杭州：杭州电子科技大学，2018.

Geng Jiali. Research on Storage Optimization and Fishing Behavior Identification Technology of Vessel Trajectory[D]. Hangzhou：Hangzhou Dianzi University, 2018. (in Chinese with English abstract)

[26] 范秀梅，张胜茂，杨胜龙，等. 浙江省近海海洋捕捞渔船异地停靠信息提取与分析[J]. 农业工程学报，2020，36(11)：203-209.

Fan Xiumei, Zhang Shengmao, Yang Shenglong, et al. Extraction and analysis of off-site docking information of offshore fishing vessels in Zhejiang Province of China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(11): 203-209. (in Chinese with English abstract)

[27] 林吉兆，贾登科，武警. CGCS2000及WGS84坐标系若干问题探讨及应对策略[J]. 水运工程，2014(2)：27-30.

Lin Jizhao, Jia Dengke, Wu jing. Discussion and strategies about CGCS 2000 and WGS84 coordinate system[J]. Port & Waterway Engineering, 2014(2): 27-30. (in Chinese with English abstract)

[28] 刘晓. 面向高德地图的自然语言接口语义解析系统设计与实现[D]. 南京：南京师范大学，2015.

Liu Xiao. The Design and Implementation of Natural Language Interface for Highmoralmap Via Semantic Parsing[D]. Nanjing: Nanjing Normal University, 2015. (in Chinese with English abstract)

Extraction of transshipment information of offshore fish carrier vessels in Zhejiang Province of China

Fan Xiumei, Zhang Shengmao※, Cui Xuesen, Yang Shenglong

(Key Laboratory of Fisheries Remote Sensing and Information Technology, East China Sea Fisheries Research Institute, Academy of Fisheries Science, Shanghai 200090, China)

Fish carrier vessels are engaged in the transportation of catch for high efficiency and effort of vessels, as fishing intensity redoubles in recent years. This study aims to extract the characteristic data in the transshipment of fish carrier vessels at sea in Zhengjiang Province of China, and then indirectly determine the fishing intensity of vessels. Beidou Vessel Monitoring System (VMS) position signals were also used to set the threshold of speed, distance, and time during extraction. If the distance between fish carrier and fishing vessel at sea was less than 50 m, and the duration was longer than 3 VMS position records, the system assumed that a transshipment event possibly happened, where the duration of the encounter, the names of vessels, and the spatial location were also recorded in real time. As such, the possible transshipment events were identified using the Beidou VMS position data in 2018, and then statistical analysis was also made for verification. It was found that there were 28 916 transshipment events between 808 fish carriers and 3 548 fishing vessels. Specifically, 21.0% of transshipment events happened, when the fish carrier vessels were stopped, whereas, 53.7% of transshipment events happened when the fish carrier vessels were sailing at a low speed between 1-1.4 m/s. The transshipment events with a duration of less than 12.5 min accounted for 81.3% of the total. Furthermore, the distribution of hot spots was finally obtained for the transshipment of fish carrier vessels. Additionally, the longest cumulative duration of transshipment was 187 hours at the space grid of 122.5-123°E and 31.5-32°N, followed by 150 h at the space grid of 122-122.5°E and 28-28.5°N. Consequently, it is widely expected to analyze the spatial distribution and the cumulative duration of transshipment events at sea, thereby clarifying the temporal and spatial changes in fishing vessel efforts.

fish vessel; fisheries; Beidou navigation satellite system; ship monitoring system; transshipment

范秀梅，张胜茂，崔雪森，等. 浙江省近海渔运船转载信息提取[J]. 农业工程学报，2021，37(13)：128-134.

10.11975/j.issn.1002-6819.2021.13.015 http://www.tcsae.org

Fan Xiumei, Zhang Shengmao, Cui Xuesen, et al. Extraction of transshipment information of offshore fish carrier vessels in Zhejiang Province of China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(13): 128-134. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.13.015 http://www.tcsae.org

2021-01-20

2021-06-30

国家重点研发计划（2019YFD0901405）；国家自然科学基金项目（31772899）；浙江省海洋渔业资源可持续利用技术研究重点实验室开放课题（2020KF001）；WWF/OPF蔚蓝星球基金项目（P04593）

范秀梅，助理研究员，研究方向为渔业数据挖掘。Email：fxm1fxm@163.com

张胜茂，博士，副研究员，研究方向为渔业数据挖掘、遥感与地理信息。Email：ryshengmao@126.com

10.11975/j.issn.1002-6819.2021.13.015

S975

A

1002-6819(2021)-13-0128-07