CN109584098B - 一种渔场单位捕捞努力量渔获量的预测方法及装置 - Google Patents
一种渔场单位捕捞努力量渔获量的预测方法及装置 Download PDFInfo
- Publication number
- CN109584098B CN109584098B CN201811563534.XA CN201811563534A CN109584098B CN 109584098 B CN109584098 B CN 109584098B CN 201811563534 A CN201811563534 A CN 201811563534A CN 109584098 B CN109584098 B CN 109584098B
- Authority
- CN
- China
- Prior art keywords
- fishing
- effort
- cpue
- prediction
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 241000251468 Actinopterygii Species 0.000 claims abstract description 13
- 238000009826 distribution Methods 0.000 claims description 55
- 238000009499 grossing Methods 0.000 claims description 16
- 230000007613 environmental effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 7
- 238000012800 visualization Methods 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000009877 rendering Methods 0.000 description 4
- 238000005314 correlation function Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 229930002868 chlorophyll a Natural products 0.000 description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种渔场单位捕捞努力量渔获量的预测方法,包括：对待预测区域的经度和纬度进行划分为多个区域；获得每一个区域的月钓获总尾数、月总钓钩数、海洋环境数据；获得单位捕捞努力量渔获量的初始值；以单位捕捞努力量渔获量的预设形态为预测变量，基于预测变量和海洋环境数据构建的联系函数，对多个预测模型的预测变量进行预测；获得预测后的单位捕捞努力量渔获量；计算预测前、后的单位捕捞努力量渔获量的斯皮尔曼等级相关系数；根据斯皮尔曼等级相关系数确定目标预测模型；获得目标预测模型所对应的预测后的单位捕捞努力量渔获量。应用本发明实施例，通过多模型对比得出最优渔场预测模型，能够提高预测结果可靠性。
Description
技术领域
本发明涉及图像处理技术领域，特别是涉及一种渔场单位捕捞努力量渔获量的预测方法及装置。
背景技术
远洋渔业是一项投入大，风险大的产业。渔场预测的参数主要为单位捕捞努力量渔获量，其意义是在规定时期内，平均一个作业单位捕获的重量或数量。通常用做资源密度的指标。
现有的单位捕捞努力量渔获量(catch per unit effort，简称CPUE) 主要将参数输入到统计模型中，并结合专家知识进行渔场预测，但是这种方法会因为专家的知识不全面和模型本身的不准确造成预测误差较大的问题，显然已不能满足远洋渔业快速发展的需要。
因此，提供一种有效的渔场单位捕捞努力量渔获量预测方法是亟待解决的技术问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种渔场单位捕捞努力量渔获量的预测方法及装置，旨在通过多模型对比得出最优渔场预测模型，能够提高预测结果可靠性。
为实现上述目的及其他相关目的，本发明提供一种渔场单位捕捞努力量渔获量的预测方法，所述方法包括：
根据预设的经度和纬度划分规则，对待预测区域的经度和纬度进行划分为多个区域；
获得每一个区域的月钓获总尾数、月总钓钩数、海洋环境数据；
根据每一个区域的月钓获总尾数、月总钓钩数，获得单位捕捞努力量渔获量的初始值；
以单位捕捞努力量渔获量的预设形态为预测变量，并基于所述预测变量和所述海洋环境数据构建的联系函数，对多个预测模型的预测变量进行预测；
获得预测后的单位捕捞努力量渔获量；
针对每一个预测模型，计算预测后的单位捕捞努力量渔获量和单位捕捞努力量渔获量的初始值的斯皮尔曼等级相关系数；
根据所述斯皮尔曼等级相关系数确定目标预测模型；
获得所述目标预测模型所对应的预测后的单位捕捞努力量渔获量。
本发明的一种实现方式中，所述根据预设的经度和纬度划分规则，对待预测区域的经度和纬度进行划分为多个区域的步骤，包括：
按照经度和纬度为5°×5°的网格，对待预测区域的经度和纬度进行划分为多个区域。
本发明的一种实现方式中，所述以单位捕捞努力量渔获量的预设形态为预测变量，基于所述预测变量和所述海洋环境数据构建的联系函数，对多个预测模型的预测变量进行预测的步骤，包括：
以单位捕捞努力量渔获量的预设形态为预测变量，并基于所述预测变量和所述海洋环境数据构建的联系函数，分别对高斯分布模型、泊松分布模型、 Tweedie类分布模型的预测变量进行预测。
本发明的一种实现方式中，所述高斯分布模型的具体表达为：
其中，N(μ,σ2)表示假设预测变量单位捕捞努力量渔获量的对数值 ln(CPUE)服从数学期望为μ，方差为σ2的正态分布；CPUE0表示单位捕捞努力量渔获量的初始值，μ是对CPUE0求取对数ln(CPUE0)后的期望；g(μ)表示联系函数，fi(Xi)表示第i个海洋环境参数的平滑函数；
所述泊松分布模型的具体表达为：
其中，P(λ)表示预测变量单位捕捞努力量渔获量CPUE服从参数λ的泊松分布；CPUE0表示单位捕捞努力量渔获量的初始值，μ是CPUE0的期望；g(μ) 表示联系函数，fi(Xi)表示第i个海洋环境参数的平滑函数；
Tweedie类分布模型的具体表达为：
其中，p为Tweedie类分布的有效参数；θ为规范参数；为分散参数；/>表示预测变量单位捕捞努力量渔获量CPUE服从相关参数的 Tweedie类分布；CPUE0表示单位捕捞努力量渔获量初始值，μ是CPUE0的期望；g(ln(μ))表示联系函数，fi(Xi)表示第i个海洋环境参数的平滑函数。
本发明的一种实现方式中，所述针对每一个预测模型，计算预测后的单位捕捞努力量渔获量和单位捕捞努力量渔获量的初始值的斯皮尔曼等级相关系数的公式具体表达为：
其中，r是针对任意一个i为第i个区域，且i∈[1,N]；CPUEi为第i 个单位捕捞努力量渔获量的预测值；为区域的单位捕捞努力量渔获量的预测值的平均值；CPUE0i为第i个区域的单位捕捞努力量渔获量的初始值；/>为第i个区域的单位捕捞努力量渔获量的初始值的平均值。
本发明的一种实现方式中，所述根据所述斯皮尔曼等级相关系数确定目标预测模型的步骤，包括：
计算每一个多个预测模型所对应的斯皮尔曼等级相关系数；
获得斯皮尔曼等级相关系数中的最大值；
将所述最大值对应的预测模型作为目标预测模型。
另外，本发明实施例还提供了一种渔场单位捕捞努力量渔获量的预测装置,所述装置包括：
划分模块，用于根据预设的经度和纬度划分规则，对待预测区域的经度和纬度进行划分为多个区域；
第一获得模块，用于获得每一个区域的月钓获总尾数、月总钓钩数、海洋环境数据；
第二获得模块，用于根据每一个区域的月钓获总尾数、月总钓钩数，获得单位捕捞努力量渔获量的初始值；
预测模块，用于以单位捕捞努力量渔获量的预设形态为预测变量，并基于所述预测变量和所述海洋环境数据构建的联系函数，对多个预测模型的预测变量进行预测；
第三获得模块，用于获得预测后的单位捕捞努力量渔获量；
计算模块，用于针对每一个预测模型，计算预测后的单位捕捞努力量渔获量和单位捕捞努力量渔获量的初始值的斯皮尔曼等级相关系数；
确定模块，用于根据所述斯皮尔曼等级相关系数确定目标预测模型；
第四获得模块，用于获得所述目标预测模型所对应的预测后的单位捕捞努力量渔获量。
如上所述，本发明实施例提供的一种渔场单位捕捞努力量渔获量的预测方法及装 置，旨在通过多个预测模型分别对单位捕捞努力量渔获量进行预测，并基于预测前后的单位捕捞努力量渔获量值计算斯皮尔曼等级相关系数，并基于斯皮尔曼等级相关系数再次确定预测效果最优的渔场预测模型，选取该最优的目标预测模型的预测结果作为单位捕捞努力量渔获量的最终预测结果，因此，通过多模型对比得出最优渔场预测模型，能够提高预测结果可靠性。
附图说明
图1是本发明实施例的一种渔场单位捕捞努力量渔获量的预测方法的一种流程示意图。
图2是本发明实施例的一种渔场单位捕捞努力量渔获量的预测方法的一种实现示意图。
图3是本发明实施例的一种渔场单位捕捞努力量渔获量的预测装置的结构示意图。
图4是本发明实施例的一种渔场单位捕捞努力量渔获量的预测方法的一种实现示意图。
图5是本发明实施例的一种渔场单位捕捞努力量渔获量的预测方法的一种实现示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1-5。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
如图1和图2所示，本发明实施例提供一种渔场单位捕捞努力量渔获量的预测方法，所述方法包括：
S101、根据预设的经度和纬度划分规则，对待预测区域的经度和纬度进行划分为多个区域。
本发明的一种实现方式中，所述根据预设的经度和纬度划分规则，对待预测区域的经度和纬度进行划分为多个区域的步骤，包括：
按照经度和纬的经度为5°×5°的网格，对待预测区域的经度和纬度进行划分为多个区域。具体的，本发明实施例中设置每一个网格为一个区域，形成区域与经度和纬度的对应关系。
S102、获得每一个区域的月钓获总尾数、月总钓钩数、海洋环境数据。
在具体应用中，以南太平洋长鳍金枪鱼渔业为例，数据可以由中西太平洋渔业委员会(WCPFC)下载，得到按照5°×5°网格统计月捕捞努力量和渔获量；海洋环境数据可以由美国国家海洋和大气管理局NOAA Ocean Watch 网站上下载(但不限于此)。海洋环境数据可以包括：海表温度、海表高度、海表叶绿素a浓度、海表风力等，还可以设定为其他的环境参数，本发明实施例在此不做具体限定。
S103、根据每一个区域的月钓获总尾数、月总钓钩数，获得单位捕捞努力量渔获量的初始值。
针对每一个区域的CPUE的初始值计算公式为：
式中，i,j表示表示区域的坐标，CPUE(i,j)表示区域i,j的月平均单位捕捞努力量，单位为尾/千钩；Nfish(i,j)表示区域i,j的月钓获总尾数；Nhook(i,j)表示区域i,j的月总钓钩数。
可以理解的是，由于区域是5°×5°网格的经度和纬度，那么起始的经度和纬度是已知的，所以对于每一个区域所对应的经度和纬度也是已知的，所以针对坐标系为i,j的区域，其经度和纬度是已知的，此外，区域的i,j也可以是经度纬度值，同样能够实现一对一的进行区域的标定。
S104、以单位捕捞努力量渔获量的预设形态为预测变量，基于所述预测变量和所述海洋环境数据构建的联系函数，对多个预测模型的预测变量进行预测。
具体的预设形态，可以为CPUE本身，也可以是CPUE的变形。
本发明的一种实现方式中，所述以单位捕捞努力量渔获量的预设形态为预测变量，基于所述预测变量和所述海洋环境数据构建的联系函数，对多个预测模型的预测变量进行预测的步骤，包括：
以单位捕捞努力量渔获量的预设形态为预测变量，基于所述预测变量和所述海洋环境数据构建的联系函数，分别对高斯分布模型、泊松分布模型、 Tweedie类分布模型的预测变量进行预测。
在具体应用中，多个GAM预测模型包括高斯分布模型(GA-GAM)、泊松分布模型(PO-GAM)和Tweedie类分布模型(TW-GAM)。
其中，高斯分布模型(GA-GAM)的模型表达为：
其中，N(μ,σ2)表示假设预测变量ln(CPUE)服从数学期望为μ、方差为σ2的正态分布；CPUE0表示CPUE的初始值，μ则是对CPUE0求取对数 ln(CPUE0)后的期望；g(μ)表示联系函数，用来拟合各海洋环境变量如海表温度(单位为℃)、海表高度(单位为m)、海表风力(单位为m/s)、叶绿素a浓度(单位为mg/m3)等(用X1、X2…Xn表示)与μ的关联关系；a0表示常数截距项；f1(X1)、f2(X2)…fn(Xn)表示各海洋环境变量平滑函数，可通过局部加权回归平滑方法或样条平滑方法得到。因此，由g(μ)的结构可以在给定新的海洋环境变量值时，得到预测变量ln(CPUE)，进而可以得到预测后的CPUE值。
其中，泊松分布模型(PO-GAM)的模型表达为：
其中，P(λ)表示假设预测变量CPUE服从参数λ的泊松分布；CPUE0表示CPUE的初始值，μ则是CPUE0的期望；g(μ)表示联系函数，用来拟合各海洋环境变量X1、X2…Xn与μ的关联关系；a0表示常数截距项；f1(X1)、 f2(X2)…fn(Xn)表示各海洋环境变量X1、X2…Xn的平滑函数，可通过局部加权回归平滑方法或样条平滑方法得到。因此，由g(μ)的结构可以在给定新的海洋环境变量值时，得到预测变量CPUE。
Tweedie类分布模型(TW-GAM)的模型表为：
其中，p为Tweedie类分布的有效参数；θ为规范参数；φ为分散参数； CPUE0表示CPUE的初始值，μ则是CPUE0的期望；g(ln(μ))表示联系函数，用来拟合各海洋环境变量X1、X2…Xn与ln(μ)的关联关系；a0表示常数截距项；f1(X1)、f2(X2)…fn(Xn)表示各海洋环境变量X1、X2…Xn的平滑函数，可通过局部加权回归平滑方法或样条平滑方法得到。因此，由g(ln(μ))的结构可以在给定新的海洋环境变量值时，得到预测变量CPUE。
S105、获得预测后的单位捕捞努力量渔获量。
有上述步骤S104可以预测到预测变量CPUE本身，或者通过CPUE的变形获得CPUE的本身值。
S106、针对每一个预测模型，计算预测后的单位捕捞努力量渔获量和单位捕捞努力量渔获量的初始值的斯皮尔曼等级相关系数。
在具体应用中，针对任意一个模型，Spearman相关系数的计算公式如下：
式中，i为空间网格数量i∈[1,N]；CPUEi为各模型网格的CPUE预测值；为各模型网格的CPUE预测值的平均值；CPUE0i为各网格的CPUE初始值；/>为各网格的CPUE初始值的平均值。
所以，本发明实施例中，针对高斯分布模型(GA-GAM)可以获得Spearman 相关系数rGA、泊松分布模型(PO-GAM)可以获得Spearman相关系数rPO、 Tweedie类分布模型(TW-GAM)可以获得Spearman相关系数rTW。
S107、根据所述斯皮尔曼等级相关系数确定目标预测模型。
本发明的一种实现方式中，所述根据所述斯皮尔曼等级相关系数确定目标预测模型的步骤，包括：
计算每一个多个预测模型所对应的斯皮尔曼等级相关系数；
获得斯皮尔曼等级相关系数中的最大值；
将所述最大值对应的预测模型作为目标预测模型。
假设获取到高斯分布模型(GA-GAM)所对应的Spearman相关系数rGA为最大值，那么确定高斯分布模型(GA-GAM)为目标预测模型。
S108、获得所述目标预测模型所对应的预测后的单位捕捞努力量渔获量。
需要说明的是，在步骤S105中已经获得了CPUE的预测值，所以，在确定了目标预测模型以后直接将其所对应预测后CPUE值作为最终需要的CPUE 值。示例性的，定高斯分布模型(GA-GAM)为目标预测模型以后，将高斯分布模型(GA-GAM)所预测出来的CPUE值作为最终的CPUE值。
如图3所示，一种渔场单位捕捞努力量渔获量的预测装置,其特征在于，所述装置包括：
划分模块301，用于根据预设的经度和纬度划分规则，对待预测区域的经度和纬度进行划分为多个区域；
第一获得模块302，用于获得每一个区域的月钓获总尾数、月总钓钩数、海洋环境数据；
第二获得模块303，用于根据每一个区域的月钓获总尾数、月总钓钩数，获得单位捕捞努力量渔获量的初始值；
预测模块304，用于以单位捕捞努力量渔获量的预设形态为预测变量，并基于所述预测变量和所述海洋环境数据构建的联系函数，对多个预测模型的预测变量进行预测；
第三获得模块305，用于获得预测后的单位捕捞努力量渔获量；
计算模块306，用于针对每一个预测模型，计算预测后的单位捕捞努力量渔获量和单位捕捞努力量渔获量的初始值的斯皮尔曼等级相关系数；
确定模块307，用于根据所述斯皮尔曼等级相关系数确定目标预测模型；
第四获得模块308，用于获得所述目标预测模型所对应的预测后的单位捕捞努力量渔获量。
如图4和图5所示，提供一种渔场单位捕捞努力量渔获量的预测***，数据处理模块，利用爬虫程序向海洋环境数据平台发起数据请求，并获取预测模型所需要的多种数据格式的源数据集，如csv格式的历史渔业统计数据、netCDF格式和遥感影像tiff格式的海洋环境数据；其次，利用数据处理程序将源数据集进行处理，包括对多源数据集的空间融合、对噪音数据的清洗，以及对异构数据的标准化，最终形成具有统一格式的标准数据集；最后，将标准数据集写入数据库服务器上的时序数据库中，形成模型的输入数据。由于海洋环境数据平台发布的数据更新时效性较强，一般按照每日、每周或每月更新，因此，本发明将数据处理模块程序设定为每日的固定时间运行，并且在获取数据以后结束程序的运行状态。数据处理模块的运行程序存储在计算机的可读存储介质，并安装在数据库服务***。
建立预测模型模块，主要包括了渔场预测程序。首先，渔场预测程序向数据库服务器请求标准化的渔业统计数据和海洋环境数据；其次，得到返回的数据集后，使用数据集构建GA-GAM模型、PO-GAM模型和TW-GAM模型；再次，比较各个模型CPUE预测值与CPUE初始值的Spearman相关系数，选择系数最高的模型作为该区域的渔场预测模型；最后，将最优模型输出的CPUE 预测结果存储到数据库服务器，供数据共享与可视化模块调用。程序代码构建使用开源的pygam包实现，并存储在计算机可读存储介质上的计算机程序。
建立数据共享与可视化模块，主要包括了数据共享程序与可视化程序。
数据共享程序实现了用户对于南太平洋长鳍金枪鱼的历史渔业数据、海洋环境数据及渔场预测结果数据的共享需求。该程序对用户指定要求进行解析，转换为数据库服务器接口请求数据的指令，在发送请求后，数据库服务器将数据集返回至程序所在服务器，再由程序转发数据集至用户主机。
用户可视化程序实现了Web服务器上数据的可视化渲染。该程序对南太平洋长鳍金枪鱼的渔业统计数据、海洋环境数据、渔场分布预测结果数据、渔场潜在概率与海洋环境因子关系曲线等进行可视化渲染，并将结果以图片的形式保存在服务器上。特别地，对于海洋环境数据和渔场分布预测结果数据的可视化渲染，采用地理信息***技术对数据以矢量和栅格两种方式进行可视化渲染，其中，栅格数据以制作切片缓存的方式发布成服务，以加快其在Web页面的显示。
建立接口管理模块，主要用于管理两类接口：(1)服务请求接口；(2) 功能接口。服务请求接口用来接收来自用户浏览器的服务请求，请求的内容为所需要访问的功能接口。接口管理程序在接收到服务请求时会先判断用户是否有访问所需功能接口的权限，在确认有访问权限后才会去调用相应功能接口。功能接口调用对应的功能程序，由接口管理程序返回至用户。功能程序主要包括其他模块的主要程序，如数据预处理程序、数据库访问程序、渔场预测程序、数据共享程序和数字可视化程序等。
在具体应用中，首先，当用户主机通过Web页面向服务请求接口发送渔场预测的请求时，在接口管理程序允许访问渔场预测模型程序接口后，接口管理程序会同时调用数据库访问程序接口和渔场预测模型程序接口。数据库访问程序接口会向数据库服务器发起数据请求，数据库服务器会返回其请求所对应的“标准模型输入数据”。渔场分布预测模型程序接口会运行渔场分布预测模型程序，最优模型程序返回“预测结果集”，再由接口管理程序将数据传至数据可视化程序接口中，由数据可视化程序将数据渲染为渔场CPUE 预测值分布图、潜在概率分布图、渔场潜在概率与海洋环境因子关系曲线图等，接口管理程序向用户浏览器发送可视化结果资源的URL，用户浏览器通过访问这些URL获取可视化资源并进行展示。接口管理程序存储在计算机可读存储介质上，并安装在web服务器设备上。
南太平洋长鳍金枪鱼的渔场预测方法的提出，是将南太平洋长鳍金枪鱼的渔业统计数据与海洋环境空间信息“大数据”相结合，通过建立多种模型，比后得到最优预测结果。该方法可以提高南太平洋长鳍金枪鱼的渔情预测与渔场分析水平，有助于提高远洋捕捞的效率。
本发明实施例中，共享的数据来源于自动获取和预处理后的南太平洋长鳍金枪鱼渔业统计数据和海洋环境数据；数据共享程序提供对应的API接口；
使用地理信息***技术，将预测结果使用自定义的符号***进行可视化成图；生成的图片作为可视化服务资源，产生对应的服务请求API接口；
接口管理模块，包含一个接口管理程序，同时管理服务请求接口和功能接口。
A.服务请求接口用来接收来自用户浏览器的服务请求，请求的内容为所需要访问的功能接口。接口管理程序在接收到服务请求时会先判断用户是否有访问所需功能接口的权限，在确认有访问权限后才会去调用相应功能接口；
B.功能接口用来调用对应的功能程序，然后由接口管理程序将结果返回至用户。功能程序主要包括权力6其他三个模块的主要程序，如数据预处理程序、数据库访问程序、渔场预测程序、数据共享程序和数字可视化程序等。
C.接口管理程序限定了用户可请求的服务请求接口；
D.接口管理程序储存在计算机可读存储介质上，并且一直保持运行状态。此计算机可读存储介质安装在一个能通过网络，对外提供服务的高性能计算机上。
南太平洋长鳍金枪鱼渔场预测的Web可视化***构建，将数据管理模块、预测模型模块、数据共享与可视化模块和接口管理模块进行集成，实现了各大渔业与海洋数据平台环境数据的自动获取、多源海洋环境数据的集成融合、数据清洗和数据标准化、基于Python的GA-GAM模型、PO-GAM模型和TW-GAM 模型搭建，以及海洋环境、渔场预测结果的Web可视化交互。本***满足了远洋捕捞的实际应用生产需要，能够为智慧远洋渔业提供借鉴。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (5)
1.一种渔场单位捕捞努力量渔获量的预测方法,其特征在于，所述方法包括：
根据预设的经度和纬度划分规则，对待预测区域的经度和纬度进行划分为多个区域；
获得每一个区域的月钓获总尾数、月总钓钩数、海洋环境数据；
根据每一个区域的月钓获总尾数、月总钓钩数，获得单位捕捞努力量渔获量的初始值；
以单位捕捞努力量渔获量的预设形态为预测变量，并基于所述预测变量和所述海洋环境数据构建的联系函数，对多个预测模型的预测变量进行预测；
获得预测后的单位捕捞努力量渔获量；
针对每一个预测模型，计算预测后的单位捕捞努力量渔获量和单位捕捞努力量渔获量的初始值的斯皮尔曼等级相关系数；
根据所述斯皮尔曼等级相关系数确定目标预测模型；
获得所述目标预测模型所对应的预测后的单位捕捞努力量渔获量；
所述以单位捕捞努力量渔获量的预设形态为预测变量，基于所述预测变量和所述海洋环境数据构建的联系函数，对多个预测模型的预测变量进行预测的步骤，包括：
以单位捕捞努力量渔获量的预设形态为预测变量，基于所述预测变量和所述海洋环境数据构建的联系函数，分别对高斯分布模型、泊松分布模型、Tweedie类分布模型的预测变量进行预测；
所述高斯分布模型的具体表达为：
其中，N(μ,σ2)表示假设预测变量单位捕捞努力量渔获量的对数值ln(CPUE)服从数学期望为μ，方差为σ2的正态分布；CPUE0表示单位捕捞努力量渔获量的初始值，μ是对CPUE0求取对数ln(CPUE0)后的期望；g(μ)表示联系函数，fi(Xi)表示第i个海洋环境参数的平滑函数；
所述泊松分布模型的具体表达为：
其中，P(λ)表示预测变量单位捕捞努力量渔获量CPUE服从参数λ的泊松分布；CPUE0表示单位捕捞努力量渔获量的初始值，μ是CPUE0的期望；g(μ)表示联系函数，fi(Xi)表示第i个海洋环境参数的平滑函数；
Tweedie类分布模型的具体表达为：
其中，p为Tweedie类分布的有效参数；θ为规范参数；为分散参数；/>表示预测变量单位捕捞努力量渔获量CPUE服从相关参数的Tweedie类分布；CPUE0表示单位捕捞努力量渔获量初始值，μ是CPUE0的期望；g(ln(μ))表示联系函数，fi(Xi)表示第i个海洋环境参数的平滑函数。
2.根据权利要求1所述的一种渔场单位捕捞努力量渔获量的预测方法,其特征在于，所述根据预设的经度和纬度划分规则，对待预测区域的经度和纬度进行划分为多个区域的步骤，包括：
按照经度和纬度为5°×5°的网格，对待预测区域的经度和纬度进行划分为多个区域。
3.根据权利要求1-2任一项所述的一种渔场单位捕捞努力量渔获量的预测方法,其特征在于，所述针对每一个预测模型，计算预测后的单位捕捞努力量渔获量和单位捕捞努力量渔获量的初始值的斯皮尔曼等级相关系数的公式具体表达为：
其中，r是针对任意一个i为第i个区域，且i∈[1,N]；CPUEi为第i个区域单位捕捞努力量渔获量的预测值；为区域的单位捕捞努力量渔获量的预测值的平均值；CPUE0i为第i个区域的单位捕捞努力量渔获量的初始值；/>为第i个区域的单位捕捞努力量渔获量的初始值的平均值。
4.根据权利要求1所述的一种渔场单位捕捞努力量渔获量的预测方法,其特征在于，所述根据所述斯皮尔曼等级相关系数确定目标预测模型的步骤，包括：
计算每一个预测模型所对应的斯皮尔曼等级相关系数；
获得斯皮尔曼等级相关系数中的最大值；
将所述最大值对应的预测模型作为目标预测模型。
5.一种渔场单位捕捞努力量渔获量的预测装置,其特征在于，所述装置包括：
划分模块，用于根据预设的经度和纬度划分规则，对待预测区域的经度和纬度进行划分为多个区域；
第一获得模块，用于获得每一个区域的月钓获总尾数、月总钓钩数、海洋环境数据；
第二获得模块，用于根据每一个区域的月钓获总尾数、月总钓钩数，获得单位捕捞努力量渔获量的初始值；
预测模块，用于以单位捕捞努力量渔获量的预设形态为预测变量，并基于所述预测变量和所述海洋环境数据构建的联系函数，对多个预测模型的预测变量进行预测；
第三获得模块，用于获得预测后的单位捕捞努力量渔获量；
计算模块，用于针对每一个预测模型，计算预测后的单位捕捞努力量渔获量和单位捕捞努力量渔获量的初始值的斯皮尔曼等级相关系数；
确定模块，用于根据所述斯皮尔曼等级相关系数确定目标预测模型；
第四获得模块，用于获得所述目标预测模型所对应的预测后的单位捕捞努力量渔获量；
所述预测模块具体用于：以单位捕捞努力量渔获量的预设形态为预测变量，基于所述预测变量和所述海洋环境数据构建的联系函数，分别对高斯分布模型、泊松分布模型、Tweedie类分布模型的预测变量进行预测；
所述高斯分布模型的具体表达为：
其中，N(μ,σ2)表示假设预测变量单位捕捞努力量渔获量的对数值ln(CPUE)服从数学期望为μ，方差为σ2的正态分布；CPUE0表示单位捕捞努力量渔获量的初始值，μ是对CPUE0求取对数ln(CPUE0)后的期望；g(μ)表示联系函数，fi(Xi)表示第i个海洋环境参数的平滑函数；
所述泊松分布模型的具体表达为：
其中，P(λ)表示预测变量单位捕捞努力量渔获量CPUE服从参数λ的泊松分布；CPUE0表示单位捕捞努力量渔获量的初始值，μ是CPUE0的期望；g(μ)表示联系函数，fi(Xi)表示第i个海洋环境参数的平滑函数；
Tweedie类分布模型的具体表达为：
其中，p为Tweedie类分布的有效参数；θ为规范参数；为分散参数；/>表示预测变量单位捕捞努力量渔获量CPUE服从相关参数的Tweedie类分布；CPUE0表示单位捕捞努力量渔获量初始值，μ是CPUE0的期望；g(ln(μ))表示联系函数，fi(Xi)表示第i个海洋环境参数的平滑函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811563534.XA CN109584098B (zh) | 2018-12-20 | 2018-12-20 | 一种渔场单位捕捞努力量渔获量的预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811563534.XA CN109584098B (zh) | 2018-12-20 | 2018-12-20 | 一种渔场单位捕捞努力量渔获量的预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109584098A CN109584098A (zh) | 2019-04-05 |
| CN109584098B true CN109584098B (zh) | 2023-07-25 |
Family
ID=65930193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811563534.XA Active CN109584098B (zh) | 2018-12-20 | 2018-12-20 | 一种渔场单位捕捞努力量渔获量的预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109584098B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111523732B (zh) * | 2020-04-25 | 2024-04-23 | 中国海洋大学 | 一种日本鳀冬季渔场模型筛选预测方法 |
| CN111768083A (zh) * | 2020-06-03 | 2020-10-13 | 中国水产科学研究院东海水产研究所 | 多鱼种综合管理方法 |
| CN111784034B (zh) * | 2020-06-22 | 2024-06-11 | 上海海洋大学 | 一种影响智利海域美洲赤鱿渔场的关键环境因子的筛选及探测方法 |
| CN113360544B (zh) * | 2021-06-04 | 2022-03-01 | 中国海洋大学 | 基于捕捞时序关系的短时捕捞努力量分布预测方法 |
| CN114004428B (zh) * | 2022-01-04 | 2022-04-22 | 中科曙光南京研究院有限公司 | 一种基于蜂窝网格集成机制与时空Transformer的渔情预测方法及*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103053450A (zh) * | 2012-12-24 | 2013-04-24 | 上海海洋大学 | 一种西南大西洋阿根廷滑柔鱼资源补充量预测方法 |
| WO2018014658A1 (zh) * | 2016-07-22 | 2018-01-25 | 上海海洋大学 | 一种柔鱼类的中心渔场预测方法 |
-
2018
- 2018-12-20 CN CN201811563534.XA patent/CN109584098B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103053450A (zh) * | 2012-12-24 | 2013-04-24 | 上海海洋大学 | 一种西南大西洋阿根廷滑柔鱼资源补充量预测方法 |
| WO2018014658A1 (zh) * | 2016-07-22 | 2018-01-25 | 上海海洋大学 | 一种柔鱼类的中心渔场预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| Comparison of modeling methods to predict the spatial distribution of deep-sea coral and sponge in the Gulf of Alaska;Christopher N. Rooper;《Deep-Sea Research Part I》;20170703;第1-53页 * |
| 区域人力资源竞争力组合评价研究;李从欣等;《当代经济管理》;20131122(第11期);全文 * |
| 卫星遥感在中东太平洋大眼金枪鱼渔场与环境关系的应用研究;陈雪冬等;《遥感信息》;20060228(第01期);全文 * |
| 基于捕捞努力量的中西太平洋鲣鱼围网渔业入渔预测分析;陈洋洋等;《海洋学报》;20171015(第10期);全文 * |
| 电力变压器全寿命周期成本模型参量的敏感性分析;舒萍;《四川电力技术》;20131020(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109584098A (zh) | 2019-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109584098B (zh) | 一种渔场单位捕捞努力量渔获量的预测方法及装置 | |
| US11022719B2 (en) | Statistical blending of weather data sets | |
| JP6648189B2 (ja) | 地点観測を使用して天気予報を精密化する方法及びシステム | |
| CN109359170B (zh) | 用于生成信息的方法和装置 | |
| CN108776699B (zh) | 一种气象数据和卫星遥感数据处理方法及装置 | |
| Kyriakidis et al. | Geostatistical mapping of precipitation from rain gauge data using atmospheric and terrain characteristics | |
| US7996192B2 (en) | Method and apparatus for generating an environmental element prediction for a point of interest | |
| Welch et al. | Practical considerations for operationalizing dynamic management tools | |
| US9753947B2 (en) | Four dimensional weather data storage and access | |
| CN111033318A (zh) | 当地气象预测 | |
| CN112214561B (zh) | 地图数据处理方法、装置、计算机设备及存储介质 | |
| CN112585505A (zh) | 确定用于农学决策支持的位置特定的天气信息 | |
| CN114580178B (zh) | 一种蚊虫分布预测方法、装置、设备和存储介质 | |
| Ma et al. | Individual structure mapping over six million trees for New York City USA | |
| Diniz Filho et al. | The three phases of the ensemble forecasting of niche models: geographic range and shifts in climatically suitable areas of Utetheisa ornatrix (Lepidoptera, Arctiidae) | |
| Schmidt et al. | Integrating distance sampling with minimum counts to improve monitoring | |
| CN111199092A (zh) | 太阳辐射遥感估算方法、***及数据处理装置 | |
| Pfreundschuh et al. | An improved near-real-time precipitation retrieval for Brazil | |
| CN116580123A (zh) | 一种区域大气环境光化学网格模型图像生成*** | |
| Labrousse et al. | Quantifying the causes and consequences of variation in satellite‐derived population indices: a case study of emperor penguins | |
| CN115685394A (zh) | 数据处理方法、设备及介质 | |
| US20220179063A1 (en) | Image processing device, image processing method, and image processing computer program | |
| White et al. | A model for Antarctic surface mass balance and ice core site selection | |
| Cook et al. | Bayesian forecasting of disease spread with little or no local data | |
| CN117057610B (zh) | 基于区域的多行业对象全局气象风险预警方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |