CN111784034B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111784034B CN111784034B CN202010576595.0A CN202010576595A CN111784034B CN 111784034 B CN111784034 B CN 111784034B CN 202010576595 A CN202010576595 A CN 202010576595A CN 111784034 B CN111784034 B CN 111784034B
- Authority
- CN
- China
- Prior art keywords
- key
- american red
- distribution
- month
- data
- 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
- 230000007613 environmental effect Effects 0.000 title claims abstract description 98
- 241000238366 Cephalopoda Species 0.000 title claims abstract description 93
- 238000012216 screening Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 title claims description 30
- 238000009826 distribution Methods 0.000 claims abstract description 81
- 238000004088 simulation Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims abstract description 4
- 241000894007 species Species 0.000 claims description 25
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 241000223600 Alternaria Species 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 235000002568 Capsicum frutescens Nutrition 0.000 abstract description 6
- 230000035945 sensitivity Effects 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 230000008859 change Effects 0.000 description 3
- 238000003306 harvesting Methods 0.000 description 2
- 241000739514 Dosidicus gigas Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Mechanical Means For Catching Fish (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
本发明公开了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技术，包括以下步骤：S1.处理智利海域美洲赤鱿的渔业捕捞数据，数据包括作业时间、作业位置、捕捞产量、捕捞努力量，S2.验证模拟效果，S3.对比分析各月不同环境变量对美洲赤鱿渔场分布的贡献情况，S4.将各月实际渔业数据与其关键环境因子数据进行匹配，S5.绘制以关键环境变量为横坐标，S6.重新建立MaxEnt模型模拟美洲赤鱿渔场的潜在分布，选取各月关键环境因子，以评估和预测智利海域美洲赤鱿渔场。本发明考虑了美洲赤鱿生物学特性对环境的敏感性差异，使今后预测智利海域美洲赤鱿渔场时选取的环境变量更加合理和科学，增强了预报模型的可靠性。
Description
技术领域
本发明涉及美洲赤鱿渔场时空分布的环境影响评估和渔场预测方法，尤其涉及一种基于最大熵模型的智利海域美洲赤鱿渔场的关键环境因子的筛选及其探测的方法。
背景技术
美洲赤鱿(Dosidicusgigas)，是一种商业性开发的头足类种类，广泛分布在东南太平洋海域，其渔获量极高，占据头足类总渔获量较高比例，目前开发的渔场有智利、秘鲁和赤道等，而智利渔场是我国捕捞美洲赤鱿最为重要的渔场之一。美洲赤鱿为一年生的短生命周期物种，其种群对环境变化十分敏感，因此当美洲赤鱿栖息地范围内环境发生变化时，会引起其种群迅速反应，资源丰度和空间分布会在短时间内发生急剧变化，因此美洲赤鱿的捕捞产量受环境影响显著，产量波动显著且具有明显的年间和月间差异。针对美洲赤鱿的资源丰度和渔场分布对环境变化响应研究中，众多分析结果忽略了环境的月间变化，实际上不同月份内环境因子对美洲赤鱿的影响程度不同，即存在影响程度较高的关键环境因子和影响程度较低的非关键环境因子。因此，建立筛选智利海域美洲赤鱿渔场的关键环境因子的关系模型，并对此海域内美洲赤鱿渔场进行评估与预测，对我国东南太平洋海域的远洋鱿钓业具有重要的指导意义。
目前已存在几种方法和模型探测智利海域美洲赤鱿的渔场，这些方法和模型未考虑研究选取的环境变量是否为研究时间内的关键环境变量，使探测渔场的模型或方法精度不高。本发明基于不同水层水温(包括0m,25m，50m，100m，150m，200m，300m，400m，500m)、海表面高度、海表面盐度、以及混合层深度等12种环境数据，在充分考虑各因子在不同时间段内的影响差异的前提下筛选关键环境因子，提高了智利海域美洲赤鱿渔场的预测性能，该模型方法可用于我国远洋鱿钓船精准探测东南太平洋智利海域范围内美洲赤鱿的渔场。
发明内容
为了解决上述问题，本发明探究了不同时间条件下不同水层水温(包括0m,25m，50m，100m，150m，200m，300m，400m，500m)、海表面高度、海表面盐度、以及混合层深度等12种环境数据对美洲赤鱿潜在渔场分布的影响程度，提出了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方法。
本发明是通过以下技术方案实现的：
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，包括以下步骤：
S1.处理智利海域美洲赤鱿的渔业捕捞数据，数据包括作业时间(年和月)、作业位置(经度和纬度)、捕捞产量(单位：吨)、捕捞努力量(以作业次数计)，利用ArcGis10.2软件将所有的环境数据处理成图层数据，利用MaxEnt模型结合处理后的渔业数据和环境数据模拟智利海域美洲赤鱿潜在的渔场分布，
S2.利用ArcGis 10.2软件将各月美洲赤鱿存在概率分布结果可视化后并分类，以不同颜色区分类别，将美洲赤鱿存在概率定义为栖息地适宜性指数(HSI)，并用来表征潜在的渔场分布，与实际渔业分布数据进行叠加，验证模拟效果，以模型模拟结果中AUC值的大小作为衡量模型精度的指标，
S3.对比分析各月不同环境变量对美洲赤鱿渔场分布的贡献情况，依据其贡献率大小，选取贡献率较排位前三的变量认定为该月影响美洲赤鱿渔场时空分布的关键环境因子，
S4.将各月实际渔业数据与其关键环境因子数据进行匹配，将作业次数定义为捕捞努力量，利用频次分布法绘制以关键环境变量为横坐标、捕捞努力量为纵坐标的频次分布图，计算美洲赤鱿实际分布时关键环境变量的适宜范围，
S5.绘制以关键环境变量为横坐标、单一环境变量条件下美洲赤鱿适生概率为纵坐标的响应曲线图，计算其在模拟条件下适生概率大于0.4时相应关键环境变量的适宜范围，并与其实际分布时相对应环境变量的适宜范围进行对比，
S6.选用不同年份的渔业数据和环境数据，重新建立MaxEnt模型模拟美洲赤鱿渔场的潜在分布，选取各月关键环境因子，以评估和预测智利海域美洲赤鱿渔场。
优选地，所述步骤S2将美洲赤鱿存在概率定义为栖息地适宜性指数(HabitatSuitability Index，HSI)。
优选地，所述步骤S2中美洲赤鱿存在概率是模型结合所有环境变量并依据各变量贡献率筛选出关键因子进行渔场模拟和验证。
优选地，所述步骤S2将模型运行过程中自动产生的受试者工作特征曲线(ReceiverOperatingCharacteristic Curve,ROC)下的面积值(area≤undercurve,AUC)作为衡量模型精确度的指标，具体是指：当模型模拟美洲赤鱿潜在分布与其实际分布完全不吻合时，AUC值为0；当模型模拟其潜在分布与实际分布完全吻合，即理想状态下时，AUC值为1；根据模型自动生成的AUC值判断模型精度。
优选地，所述步骤S3中不限制环境变量数量，依据各环境变量在不同时间段内对物种分布所产生的贡献情况，选取贡献率最高的前三个变量作为该月的关键环境因子，与以往研究不同的是，本发明充分考虑了各环境变量在不同时间内对美洲赤鱿时空分布的影响程度，体现了美洲赤鱿高度洄游及对环境敏感的生物学特性，使研究结果更科学。
优选地，所述步骤S3中各月关键环境因子选取是仅按照各月各环境变量贡献率从大到小的顺序依次选择排序排前三位的变量作为该月的关键环境因子，各月的关键环境因子具有差异性。
优选地，所述步骤S4中捕捞努力量定义为作业次数。
优选地，所述步骤S5中将美洲赤鱿适生概率大于0.4时对应的环境变量范围视为美洲赤鱿的适宜环境范围。
优选地，所述步骤S5中绘制美洲赤鱿存在概率对关键环境变量响应曲线时，为避免其他环境变量的影响，选用单一环境变量，结合所述步骤S4中关键环境变量与捕捞努力量的频次分布图，验证了关键环境因子选取的合理性。
本发明的原理是：利用最大熵模型结合美洲赤鱿的渔业捕捞数据和不同水层水温及海表面高度、海表面盐度、以及混合层深度等环境数据模拟美洲赤鱿潜在渔场分布，将其模拟渔场的分布结果与实际渔业数据叠加，通过各月不同环境变量贡献率大小来选取影响美洲赤鱿渔场分布的关键环境因子，对比分析美洲赤鱿模拟和实际分布条件下关键环境因子的适宜范围，基于筛选的关键环境因子并选取不同年份渔业数据和环境数据进行渔场预测分析。
本发明的有益效果在于：
(1)针对美洲赤鱿渔场时空分布与环境关联的传统研究，多数是假定2-3个人为设定的环境因子进行分析，本发明充分考虑了12种不同环境变量在不同时间段对美洲赤鱿渔场分布的差异性和贡献率，探究了美洲赤鱿对不同环境因子响应规律及月间差异，并筛选出关键环境因子，评估美洲赤鱿的偏好范围。
(2)本发明基于贡献率的大小忽略影响甚微的因素，筛选出影响美洲赤鱿渔场分布的关键环境因子来进行建模和预测，该发明充分考虑了美洲赤鱿生物学特性及其对环境的敏感性差异，使今后预测智利海域美洲赤鱿渔场时选取的环境变量更加合理和科学，增强了预报模型的可靠性。
附图说明
图1为本发明一实施案例中最新MaxEnt软件3.4.1运行界面。
图2为本发明一实施案例中MaxEnt模型模拟2011～2017年夏(12月，1月，2月)和秋(3月，4月，5月)美洲赤鱿存在概率与实际作业位置叠加分布图。
图3为本发明一实施案例中夏季各月关键环境变量条件下美洲赤鱿实际捕捞努力量频次分布图。
图4为本发明一实施案例中秋季各月关键环境变量条件下美洲赤鱿实际捕捞努力量频次分布图。
图5为本发明一实施案例中夏季仅单一关键环境变量建模时美洲赤鱿适生概率反映曲线图。
图6为本发明一实施案例中秋季仅单一关键环境变量建模时美洲赤鱿适生概率反映曲线图。
图7为本发明一实施案例中MaxEnt模型预测2011年12～5月美洲赤鱿存在概率(或HSI)与其实际分布图。
具体实施方式
下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
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，包括以下步骤：
S1.处理智利海域美洲赤鱿的渔业捕捞数据，数据包括作业时间(年和月)、作业位置(经度和纬度)、捕捞产量(单位：吨)、捕捞努力量(以作业次数计)，利用ArcGis10.2软件将所有的环境数据处理成图层数据，利用MaxEnt模型结合处理后的渔业数据和环境数据模拟智利海域美洲赤鱿潜在的渔场分布，
S2.利用ArcGis 10.2软件将各月美洲赤鱿存在概率分布结果可视化后并分类，以不同颜色区分类别，将美洲赤鱿存在概率定义为栖息地适宜性指数(HSI)，并用来表征潜在的渔场分布，与实际渔业分布数据进行叠加，验证模拟效果，以模型模拟结果中AUC值的大小作为衡量模型精度的指标，
S3.对比分析各月不同环境变量对美洲赤鱿渔场分布的贡献情况，依据其贡献率大小，选取贡献率较排位前三的变量认定为该月影响美洲赤鱿渔场时空分布的关键环境因子，
S4.将各月实际渔业数据与其关键环境因子数据进行匹配，将作业次数定义为捕捞努力量，利用频次分布法绘制以关键环境变量为横坐标、捕捞努力量为纵坐标的频次分布图，计算美洲赤鱿实际分布时关键环境变量的适宜范围，
S5.绘制以关键环境变量为横坐标、单一环境变量条件下美洲赤鱿适生概率为纵坐标的响应曲线图，计算其在模拟条件下适生概率大于0.4时相应关键环境变量的适宜范围，并与其实际分布时相对应环境变量的适宜范围进行对比，
S6.选用不同年份的渔业数据和环境数据，重新建立MaxEnt模型模拟美洲赤鱿渔场的潜在分布，选取各月关键环境因子，以评估和预测智利海域美洲赤鱿渔场。
所述步骤S2将美洲赤鱿存在概率定义为栖息地适宜性指数(HabitatSuitability Index，HSI)。所述步骤S2中美洲赤鱿存在概率是模型结合所有环境变量并依据各变量贡献率筛选出关键因子进行渔场模拟和验证。所述步骤S2将模型运行过程中自动产生的受试者工作特征曲线下(ReceiverOperatingCharacteristic Curve,ROC)下的面积值(area≤undercurve,AUC)作为衡量模型精确度的指标，具体是指：当模型模拟美洲赤鱿潜在分布与其实际分布完全不吻合时，AUC值为0；当模型模拟其潜在分布与实际分布完全吻合，即理想状态下时，AUC值为1；根据模型自动生成的AUC值判断模型精度。
所述步骤S3中不限制环境变量数量，依据各环境变量在不同时间段内对物种分布所产生的贡献情况，选取贡献率最高的前三个变量作为该月的关键环境因子，与以往研究不同的是，本发明充分考虑了各环境变量在不同时间内对美洲赤鱿时空分布的影响程度，体现了美洲赤鱿高度洄游及对环境敏感的生物学特性，使研究结果更科学。所述步骤S3中各月关键环境因子选取是仅按照各月各环境变量贡献率从大到小的顺序依次选择排序排前三位的变量作为该月的关键环境因子，各月的关键环境因子具有差异性。所述步骤S4中捕捞努力量定义为作业次数。
所述步骤S5中将美洲赤鱿适生概率大于0.4时对应的环境变量范围视为美洲赤鱿的适宜环境范围。步骤S5中绘制美洲赤鱿存在概率对关键环境变量响应曲线时，为避免其他环境变量的影响，选用单一环境变量，结合所述步骤S4中关键环境变量与捕捞努力量的频次分布图，验证了关键环境因子选取的合理性。
实施例：如图1-7所示，选取智利海域2011～2017年夏季(12～2月)、秋季(3～5月)美洲赤鱿渔场的评估和预测作为实施案例，空间分辨率为0.5°×0.5°，覆盖范围为70°～97°W，20°～47°S。
1.模型构建
本申请中的最大熵模型(Maximum Entropy，MaxEnt)是依据物种存在数据和整个研究区域的环境数据，在符合限制条件中选择物种存在概率即熵最大的分布作为其潜在栖息地最优分布。假设物种分布的环境区域为M，M由有限个空间网格xi构成；y表示物种于某一网格中的存在状态，即当物种存在时y值为1，物种不存在时y值为0。基于物种存在条件下，定义各网格中目标物种分布概率为π(x),则
π(x)＝Pr(x∣y＝1) (1)
且∑π(x)＝1；物种基于环境条件限制下的分布概率H(π)计算公式如下：
模型运算使用最新MaxEnt软件3.4.1(http://biodiversityinformatics.amnh. org/open_source/maxent/)，运行界面如图1所示。样本输入层(Samples)的物种存在数据是捕捞当月各渔船每日作业位置并去除渔获为0的数据，数据来源于上海海洋大学中国远洋渔业数据中心，选取2011～2017年智利海域美洲赤鱿渔业捕捞数据，时间分辨率为月，空间分辨率为0.5°×0.5°，输入形式为“物种名，经度，纬度”，并以csv格式进行存储。环境输入层(Environmental layer)数据为捕捞各月研究区域内不同水层水温(包括0m，25m，50m，100m，150m，200m，300m，400m，500m)、海表面高度、海表面盐度、以及混合层深度等12种环境数据的均值，数据来自于亚太数据研究中心(http://apdrc.soest.hawaii.edu/las_ofes/ v6/dataset？catitem＝71)，时间分辨率为月。空间分辨率为0.5°×0.5°，并由ArcGis 10.2软件将其转化为ASCII格式进行存储。MaxEnt模型运行前将物种分布数据的75％作为训练数据，剩余25％为测试数据，为消除随机性和重复数，需将模型重复运算次数设定为10次，即将样本数据均等分为10份，在运算过程中，这10等份的物种分布数据是以交叉验证的方式运行，正则化乘数及迭代次数默认为软件的自动最优设置，运行结果以Logistic形式输出。
2.结果验证
本发明使用MaxEnt模型自动生成的受试者工作特征曲线(Receiver OperatingCharacteristic Curve，ROC)评价模型实验性能。模型对预测结果阈值的判断会产生正确估计、过高估计和过低估计等不同二分类方式。正确估计为M区域空间网格中，模型正确预测物种实际存在的网格数，也称为真阳性，而真阳性率为物种存在状况被正确预测的比率；过高估计为M区域空间网格中物种实际不存在，但模型预测其存在的网格数，也称为假阳性，而假阳性率为物种实际不存在却被预测存在的比率；过低估计为M区域空间网格中物种实际存在，但模型预测其不存在的网格数，也成为假阴性。ROC曲线是以假阳性率为横坐标，真阳性率为纵坐标绘制而成，其与横纵坐标围成的曲线面积值(area under curve,AUC)的大小作为模型精度的衡量指标，值域为[0，1]，即当模型模拟物种潜在分布与实际分布完全不吻合时，AUC值为0；当二者完全吻合时，AUC值为1。将 定义为模型预测失败、较差、一般、好和极好。各月模型模拟样本量、精度、标准偏差汇总如表1所示，各月模拟精度均大于0.9，表明模拟结果极好。
表1夏秋季美洲赤鱿模拟情况汇总
模型输出的存在概率分布结果格式为ASCII，需将其导入ArcGis10.2软件中进行可视化分析。首先将ASCII格式数据转化为栅格格式(Raster format)，加载世界地图ship文件进行“提取分析”进而获得美洲赤鱿在研究区域的分布图；将存在概率定义为栖息地适宜指数(HSI)，并按照(不适宜栖息地)、/>(一般适宜栖息地)、(较适宜栖息地)、/>(最适宜栖息地)进行“重分类(Reclassify)”，赋予各类别以不同颜色区分；将智利海域美洲赤鱿实际生产统计数据与模拟概率分布图进行叠加，如图2所示，2011～2017年实际渔业捕捞努力量大部分集中在最适宜区，表明模型模拟物种分布与其实际分布吻合度很高。
3.关键环境因子选取
在模型运算过程中，通过改变某一环境变量的特征系数来增加模型增益，同时将模型增益的增值赋予这一环境变量，在模型运算过程结束时将增益增值转化为百分比，由此可获得各月各环境变量的贡献率大小，如表2所示。依据各月各环境变量贡献率情况，按贡献率从大到小的顺序选取贡献率较高的前三个变量作为本月关键环境因子(表2中加粗环境变量为各月筛选出的关键环境因子)。
表2 2011～2017年夏秋季各月环境因子贡献率
将选取的各月关键环境因子数据与渔业数据相匹配，利用频次分步法绘制以关键环境变量为横坐标，捕捞努力量为纵坐标的频次分布图，估算各关键环境变量的适宜范围，如图3、图4所示；绘制以关键环境变量为横坐标，利用单一关键环境变量建模时输出的美洲赤鱿适生概率为纵坐标的响应曲线图，如图5、图6所示，计算适生概率大于0.4条件下关键环境变量的适宜范围，并与频次分布图中相应关键环境变量的适宜范围做比较，以验证选取关键环境因子的合理性，如表3所示，美洲赤鱿在模拟条件下关键环境变量的适宜范围与其实际分布时关键环境变量适宜范围一致。
表3夏秋季各月关键环境因子适宜范围
4.预测分析
依据上述筛选智利海域美洲赤鱿栖息地关键环境因子及其渔场探测技术方法，选取处理后的2012～2017年夏季(12～2月)、秋季(3～5月)渔业数据和研究区域的环境数据，时间分辨率均为月，空间分辨率均为0.5°×0.5°，利用MaxEnt模型重新选取各月关键环境因子，如表4所示，依据各月选取的关键环境变量数据结合处理后的2011年对应月份对应环境变量数据，预测2011年对应月份美洲赤鱿潜在渔场，并实际渔业分布数据叠加，如图7所示，依据模型模拟2012～2017年选取的关键环境因子预测的2011年捕捞努力量大部分集中在HSI值高的区域，表明此方法选取的关键环境因子可以较好的评估和预测智利海域美洲赤鱿渔场的空间位置。
表4 2012～2017年夏秋季各月环境因子贡献率
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (1)
1.一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，其特征在于，包括以下步骤：
S1.处理智利海域美洲赤鱿的渔业捕捞数据，数据包括作业时间、作业位置、捕捞产量、捕捞努力量，利用ArcGis10.2软件将所有的环境数据处理成图层数据，利用MaxEnt模型结合处理后的渔业数据和环境数据模拟智利海域美洲赤鱿潜在的渔场分布，
S2.利用ArcGis 10.2软件将各月美洲赤鱿存在概率分布结果可视化后并分类，以不同颜色区分类别，将美洲赤鱿存在概率定义为栖息地适宜性指数，并用来表征潜在的渔场分布，与实际渔业分布数据进行叠加，验证模拟效果，以模型模拟结果中AUC值的大小作为衡量模型精度的指标，
S3.对比分析各月不同环境变量对美洲赤鱿渔场分布的贡献情况，依据其贡献率大小，选取贡献率排位前三的变量认定为该月影响美洲赤鱿渔场时空分布的关键环境因子，
S4.将各月实际渔业数据与其关键环境因子数据进行匹配，将作业次数定义为捕捞努力量，利用频次分布法绘制以关键环境变量为横坐标、捕捞努力量为纵坐标的频次分布图，计算美洲赤鱿实际分布时关键环境变量的适宜范围，
S5.绘制以关键环境变量为横坐标、单一环境变量条件下美洲赤鱿适生概率为纵坐标的响应曲线图，计算其在模拟条件下适生概率大于0.4时相应关键环境变量的适宜范围，并与其实际分布时相对应环境变量的适宜范围进行对比，
S6.选用不同年份的渔业数据和环境数据，重新建立MaxEnt模型模拟美洲赤鱿渔场的潜在分布，选取各月关键环境因子，以评估和预测智利海域美洲赤鱿渔场，
所述步骤S2中美洲赤鱿存在概率是模型结合所有环境变量并依据各变量贡献率筛选出关键因子进行渔场模拟和验证，
所述步骤S2将模型运行过程中自动产生的受试者工作特征曲线下的面积值作为衡量模型精确度的指标，具体是指：当模型模拟美洲赤鱿潜在分布与其实际分布完全不吻合时，AUC值为0；当模型模拟其潜在分布与实际分布完全吻合，即理想状态下时，AUC值为1；根据模型自动生成的AUC值判断模型精度，
所述步骤S3中不限制环境变量数量，依据各环境变量在不同时间段内对物种分布所产生的贡献情况，选取贡献率最高的前三个变量作为该月的关键环境因子，
所述步骤S3中各月关键环境因子选取是仅按照各月各环境变量贡献率从大到小的顺序依次选择排序排前三位的变量作为该月的关键环境因子，各月的关键环境因子具有差异性，
所述步骤S5中将美洲赤鱿适生概率大于0.4时对应的环境变量范围视为美洲赤鱿的适宜环境范围，
所述步骤S5中绘制美洲赤鱿存在概率对关键环境变量响应曲线时，为避免其他环境变量的影响，选用单一环境变量，结合所述步骤S4中关键环境变量与捕捞努力量的频次分布图，验证了关键环境因子选取的合理性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010576595.0A CN111784034B (zh) | 2020-06-22 | 2020-06-22 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010576595.0A CN111784034B (zh) | 2020-06-22 | 2020-06-22 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111784034A CN111784034A (zh) | 2020-10-16 |
| CN111784034B true CN111784034B (zh) | 2024-06-11 |
Family
ID=72757035
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010576595.0A Active CN111784034B (zh) | 2020-06-22 | 2020-06-22 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111784034B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686465A (zh) * | 2021-01-08 | 2021-04-20 | 中国海洋大学 | 蓝点马鲛渔场的集合模型预测方法、***、设备及应用 |
| CN112784180A (zh) * | 2021-02-03 | 2021-05-11 | 中国水产科学研究院东海水产研究所 | 一种金枪鱼围网渔船捕捞强度空间信息提取方法 |
| CN114444819B (zh) * | 2022-04-11 | 2022-06-28 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 一种渔业资源预测方法、装置、存储介质以及电子设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106204313A (zh) * | 2016-07-22 | 2016-12-07 | 上海海洋大学 | 一种预测茎柔鱼资源空间分布的方法 |
| CN106651616A (zh) * | 2016-12-26 | 2017-05-10 | 上海海洋大学 | 一种中西太平洋鲣鱼围网渔业入渔的预测方法 |
| CN106845699A (zh) * | 2017-01-05 | 2017-06-13 | 南昌大学 | 一种预测油茶适生区的方法 |
| CN107944590A (zh) * | 2016-10-13 | 2018-04-20 | 阿里巴巴集团控股有限公司 | 一种渔情分析预报的方法及设备 |
| CN109584098A (zh) * | 2018-12-20 | 2019-04-05 | 上海海洋大学 | 一种渔场单位捕捞努力量渔获量的预测方法及装置 |
| CN109767040A (zh) * | 2019-01-15 | 2019-05-17 | 上海海洋大学 | 基于栖息地指数的秋刀鱼中心渔场预测方法 |
| CN109902761A (zh) * | 2019-03-18 | 2019-06-18 | 上海海洋大学 | 一种基于海洋环境因子融合和深度学习的渔情预测方法 |
| WO2020088615A1 (zh) * | 2018-11-02 | 2020-05-07 | 上海海洋大学 | 基于太平洋震荡指数的日本鱿鱼资源丰度预测方法及应用 |
| CN111222748A (zh) * | 2019-11-27 | 2020-06-02 | 上海海洋大学 | 一种金枪鱼栖息地量化评估方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| AU2018325013A1 (en) * | 2017-08-29 | 2020-03-19 | Shanghai Ocean University | Environmental factors-based forecasting method for cephalopod fishing grounds in sea area in north west Africa |
-
2020
- 2020-06-22 CN CN202010576595.0A patent/CN111784034B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106204313A (zh) * | 2016-07-22 | 2016-12-07 | 上海海洋大学 | 一种预测茎柔鱼资源空间分布的方法 |
| CN107944590A (zh) * | 2016-10-13 | 2018-04-20 | 阿里巴巴集团控股有限公司 | 一种渔情分析预报的方法及设备 |
| CN106651616A (zh) * | 2016-12-26 | 2017-05-10 | 上海海洋大学 | 一种中西太平洋鲣鱼围网渔业入渔的预测方法 |
| CN106845699A (zh) * | 2017-01-05 | 2017-06-13 | 南昌大学 | 一种预测油茶适生区的方法 |
| WO2020088615A1 (zh) * | 2018-11-02 | 2020-05-07 | 上海海洋大学 | 基于太平洋震荡指数的日本鱿鱼资源丰度预测方法及应用 |
| CN109584098A (zh) * | 2018-12-20 | 2019-04-05 | 上海海洋大学 | 一种渔场单位捕捞努力量渔获量的预测方法及装置 |
| CN109767040A (zh) * | 2019-01-15 | 2019-05-17 | 上海海洋大学 | 基于栖息地指数的秋刀鱼中心渔场预测方法 |
| CN109902761A (zh) * | 2019-03-18 | 2019-06-18 | 上海海洋大学 | 一种基于海洋环境因子融合和深度学习的渔情预测方法 |
| CN111222748A (zh) * | 2019-11-27 | 2020-06-02 | 上海海洋大学 | 一种金枪鱼栖息地量化评估方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于MAXENT模型预测西北太平洋秋刀鱼潜在渔场;张孝民;石永闯;李凡;朱明明;魏振华;;上海海洋大学学报;20190911(第02期);全文 * |
| 基于最大熵模型模拟西北太平洋柔鱼潜在栖息地分布;龚彩霞;陈新军;高峰;;中国水产科学;20200313(第03期);全文 * |
| 基于最大熵模型的南太平洋长鳍金枪鱼栖息地预测;张嘉容;杨晓明;田思泉;;中国水产科学;20200401(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111784034A (zh) | 2020-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111784034B (zh) | 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 | |
| CN107633255A (zh) | 一种深度学习模式下的岩石岩性自动识别分类方法 | |
| CN111199270B (zh) | 一种基于深度学习的区域波高预报方法及终端 | |
| CN109902761B (zh) | 一种基于海洋环境因子融合和深度学习的渔情预测方法 | |
| CN111680844B (zh) | 一种基于水温垂直结构的西南大西洋阿根廷滑柔鱼栖息地评估和预测技术方法 | |
| CN104239712B (zh) | 一种雷达抗干扰效能实时评估方法 | |
| CN113516228B (zh) | 一种基于深度神经网络的网络异常检测方法 | |
| CN113487600A (zh) | 一种特征增强尺度自适应感知船舶检测方法 | |
| Chiffard et al. | Adaptive niche-based sampling to improve ability to find rare and elusive species: Simulations and field tests | |
| CN112084860A (zh) | 目标对象检测、火力发电厂检测方法和装置 | |
| CN113343123B (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
| CN114612260A (zh) | 一种基于机器学习的南海渔业资源评估体系建模方法及*** | |
| CN113627657A (zh) | 一种使用机器学习模型的砂岩型铀成矿有利区预测方法 | |
| Shi et al. | Construction of CPUE standardization model and its simulation testing for chub mackerel (Scomber japonicus) in the Northwest Pacific Ocean | |
| CN112330029A (zh) | 一种基于多层convLSTM的渔场预测计算方法 | |
| Noor et al. | Prediction map of rainfall classification using random forest and inverse distance weighted (IDW) | |
| CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与*** | |
| CN115272798B (zh) | 一种利用信息量扩充成矿预测训练正样本的方法及*** | |
| CN106250676A (zh) | 基于信息增益率的元素地球化学勘探数据优选方法 | |
| Yang et al. | Research on intelligent identification technology of lithology wireless remote transmission based on element measurement | |
| CN117421985B (zh) | 一种植物扩散能力评估及预警方法 | |
| CN116150038B (zh) | 基于神经元敏感性的白盒测试样本生成方法 | |
| CN117973700B (zh) | 一种沼泽湿地关键生境功能区识别方法 | |
| CN112070761B (zh) | 一种基于深度学习的明虾新鲜度无损检测方法 | |
| CN117647836A (zh) | 基于虚拟样本-机器学习的砂体地震智能预测方法 |
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 |