基于深度学习的东、黄海日本鲭渔场预测OA

日本鲭(Scomber japonicus)的时空分布与海洋环境紧密相关,因此利用海洋环境数据能有效预测日本鲭的渔场分布,进而为提高该渔业生产与管理效率提供技术支持。本研究采用1998—2011年东、黄海日本鲭的渔业数据以及海表温度(sea surface temperature,SST)、海表盐度(sea surface salinity,SSS)、溶解氧浓度(dissolved oxygen concentration,DO)等数据,根据不同时空分辨率、环境因子以及经纬度信息构建了多种数据集,并通过基于卷积神经网络(convolutional neural networks,CNN),建立了基于深度学习的东、黄海日本鲭渔场预报模型,以探究时空分辨率和环境因子的不同对日本鲭渔场预测效果的影响。结果表明,包含不同环境因子的模型其渔场预测准确率不同,增加与日本鲭时空分布相关环境因子的数量能提高模型预测效果,环境因子组合的准确率由低到高依次为:单因子组合、双因子组合、三因子组合;在构建渔场预报模型时,考虑多种环境因子作为输入变量可以提高模型预测效果。另外,渔业和环境数据的时空分辨率会影响模型的准确率,其中,时间分辨率为15 d的模型准确率优于时间分辨率为3 d和30 d模型的准确率,空间分辨率为0.083°×0.083°的模型准确率优于空间分辨率为0.25°×0.25°的模型准确率。经验证,模型的月平均AUC值为0.88,表明采用卷积神经网络构建的东、黄海日本鲭渔场预报模型预测效果较好。本文研究结果可为深度学习模型在东、黄海区域渔场预测的应用提供参考。