土耳其黑海拖网渔船自动识别系统缺陷的环境和行为驱动因素

《Frontiers in Marine Science》：Environmental and behavioral drivers of Automatic Identification System gaps of Turkish trawlers in the Black Sea

黑海拖网渔船AIS信号间隙的时空分布与驱动因素研究，采用XGBoost模型整合环境变量（叶绿素浓度、海表温度）与空间特征（离岸距离、港口邻近性），揭示短时间隙集中于近岸（1.5-3km），长时间隙在禁渔区显著（如伊斯坦布尔海峡北入口），且渔船类型差异明显（底拖网80.26%预测精度 vs. 中拖网61.68%）。关键因子包括叶绿素浓度阈值3.5mg/m3、海表温度15°C敏感点及港口活动关联性。

　　本研究聚焦于土耳其黑海地区的拖网渔船，分析其自动识别系统（AIS）信号中断现象的地理、时间、环境及行为驱动因素。AIS作为一种重要的海上监测工具，能够实时传输渔船的识别信息、位置、航向和速度，从而在保障海上安全、促进渔船追踪和提升渔业管理方面发挥关键作用。然而，AIS信号中断现象，无论是出于有意还是无意，都会导致渔船在一段时间内无法被AIS监控系统追踪，进而影响海上监管和渔业管理的效率。尽管如此，这些渔船仍可能通过其他系统如渔船监控系统（VMS）被检测到。研究主要针对两种主要的拖网类型：底拖网和中上层拖网，利用全面的AIS信号数据、环境变量和渔船活动数据，结合XGBoost机器学习技术，对AIS信号中断的关键预测因子进行了系统分析。研究结果揭示了AIS信号中断行为在季节和空间上的显著差异，为渔业管理提供了重要的参考依据。

### 研究背景与意义

海洋生态系统在全球生物多样性和粮食安全中扮演着至关重要的角色，然而，随着过度捕捞和非法活动的增加，这些生态系统正面临前所未有的压力。因此，有效监测和管理渔业活动成为确保其可持续性的关键。AIS作为国际海事安全公约（SOLAS）对超过300总吨的渔船的强制要求，是全球渔业管理的重要工具。它不仅有助于防止碰撞、非法捕捞和未报告活动，还为全球范围内的渔船活动提供了实时数据支持。然而，AIS数据的可及性问题限制了其在科学研究和跨境管理中的应用，特别是在土耳其等国家，尽管已经实施了VMS系统，但其数据未公开，限制了其在更大范围内的使用。

黑海作为独特的海洋生态系统，虽然生物多样性相对较低，但其生态脆弱性不容忽视。该地区依赖于底拖网和中上层拖网等有组织的渔业活动，因此对渔船行为的详细监测显得尤为重要。然而，黑海在渔业管理方面面临诸多挑战，包括15个鱼类种群中93.8%处于过度捕捞状态，其中55%的种群被过度捕捞至安全生物极限之外。非法、未报告和无监管（IUU）捕捞活动，如幽灵捕捞、误捕和对海底生态系统的破坏，进一步加剧了黑海的生态压力。因此，分析AIS信号中断的空间和时间模式，有助于评估渔船行为，识别潜在的合规问题，并确定需要加强监测的区域。

### 研究方法与数据来源

研究采用了全面的AIS信号数据，涵盖2022年在黑海作业的86艘底拖网渔船和50艘中上层拖网渔船的记录。数据包括船舶识别码（MMSI）、速度、纬度、经度和日期时间等关键信息。所有统计分析和空间操作均使用R 4.3.2版本及其相关软件包（如data.table、geosphere、raster、ncdf4和rerddap）进行。在数据预处理阶段，排除了重复点、陆地或偏远地点的记录以及不合理速度（超过20节）的数据，以确保数据的准确性和完整性。

AIS信号中断的识别基于数据.table包，通过计算连续信号之间的间隔时间，识别出超过30分钟的中断事件。这一阈值的选择旨在区分有意义的信号中断与短暂的传输中断，如临时信号丢失、速度变化或航向调整。此外，研究还计算了每个信号中断的平均位置和时间戳，并结合Haversine公式计算了其与最近港口的距离。为了减少港口相关的信号中断对分析的影响，研究排除了距离港口1.5海里以内的信号中断事件，以确保数据更准确地反映活跃渔场中的渔船行为。

### 研究发现与分析

研究发现，AIS信号中断在底拖网和中上层拖网中表现出不同的空间和时间分布特征。对于底拖网渔船，信号中断主要集中在伊斯坦布尔海峡的北部入口附近，而在中上层拖网渔船中，信号中断则更广泛地分布在黑海沿岸，特别是在萨姆松和宗古尔达克地区。这表明，不同类型的拖网活动在黑海的地理分布和操作策略存在差异，从而影响AIS信号中断的频率和持续时间。

从时间分布来看，底拖网渔船在远离海岸的区域，其信号中断的频率和持续时间较高，特别是在1月至3月期间，信号中断的平均持续时间达到290分钟。相比之下，中上层拖网渔船在靠近海岸的区域，其信号中断的持续时间更长，尤其是在春季，如3月，平均持续时间高达486分钟。这些时间上的差异可能与渔业活动的季节性、目标物种的分布以及渔船的经济动机有关。例如，中上层拖网渔船在春季可能更频繁地进入富含鱼类的区域，而底拖网渔船则可能在冬季因经济收益较高而增加信号中断的频率。

### 机器学习模型的应用与效果

研究采用XGBoost机器学习技术对AIS信号中断进行建模，分别构建了分类模型和回归模型，以预测信号中断的发生与否以及其持续时间。对于底拖网渔船，分类模型表现出较高的预测性能，准确率达到80.26%，AUC值为0.8855，TSS值为0.6052，Cohen’s Kappa值为0.6053，表明模型在区分信号中断与非中断方面具有良好的效果。回归模型则表现出较高的解释方差（92.63%）和R2值（94.92%），说明模型在预测信号中断持续时间方面具有较强的可靠性。然而，误差指标（MAE为1336.74分钟，RMSE为3205.54分钟）表明，模型在预测较长的信号中断时存在一定的局限性，可能与数据中的极端值有关。

相比之下，中上层拖网渔船的模型表现相对较弱，分类模型的准确率为61.68%，AUC值为0.6663，TSS值为0.2336，Cohen’s Kappa值为0.2336，说明该模型在区分信号中断与非中断方面的能力有限。回归模型的R2值为97.03%，解释方差为95.73%，表明其在预测信号中断持续时间方面具有较高的准确性。然而，MAE和RMSE值分别为2011.05分钟和4400.40分钟，显示出模型在处理中上层拖网渔船的信号中断时，仍然存在较高的预测误差。这可能与中上层拖网渔船的活动范围更广、环境变量的影响更为复杂有关。

### 关键预测因子与可视化分析

研究发现，氯ophyll浓度和距离海岸的距离是预测AIS信号中断的关键变量。氯ophyll浓度在3.5 mg/m3以上时，信号中断的概率显著增加，表明渔船可能在高生产力的区域有意关闭AIS信号以避免被其他渔船或监管机构发现。距离海岸越近，信号中断的概率越高，尤其是在15至20公里范围内，这一现象可能与渔船在靠近港口或禁渔区时的活动模式有关。此外，水深和距离港口的距离也对信号中断的发生有显著影响，尤其是在底拖网渔船中，这些变量的权重更高。

通过部分依赖图（Partial Dependence Plots）的可视化分析，研究进一步揭示了这些变量对AIS信号中断的非线性影响。例如，氯ophyll浓度和水温对信号中断的影响存在明显的阈值效应，表明渔船的行为可能受到特定环境条件的驱动。这些发现为渔业管理提供了重要的线索，表明在特定环境条件下，渔船可能更倾向于关闭AIS信号，以避免被监测或竞争者发现。

### 社会经济因素与监管挑战

AIS信号中断不仅可能源于技术问题，还可能受到渔船行为和经济动机的影响。研究指出，渔船可能出于竞争避免、非法捕捞或其他经济压力而有意关闭AIS信号。例如，在黑海沿岸的渔业社区中，渔船依赖于高价值的捕捞目标，如红绯鱼（Mullus barbatus）和鳕鱼（Merlangius merlangus），以维持生计。这种经济动机可能导致渔船在高生产力区域关闭AIS信号，以隐藏其捕捞活动。此外，研究还提到，尽管存在VMS等其他监测系统，但AIS的开放性使其在渔业监管中具有不可替代的作用，尤其是在提高透明度和促进跨境合作方面。

然而，AIS的监管仍面临诸多挑战。首先，AIS数据的可及性问题限制了其在科学研究和政策制定中的应用。其次，渔船可能出于经济利益或对监管技术的不信任而有意关闭AIS信号，这需要加强执法力度和提高监管透明度。此外，研究还指出，AIS信号中断的分析需要结合其他数据源，如VMS数据或独立的渔船监测报告，以更全面地理解其背后的原因，并制定更有效的执法策略。

### 研究的局限性与未来方向

尽管本研究提供了关于黑海拖网渔船AIS信号中断的重要见解，但仍存在一些局限性。首先，研究仅依赖于AIS数据，未能充分考虑其他类型的船舶活动，如商业、休闲或非捕鱼船舶的影响。这可能影响对AIS信号中断的全面理解，尤其是在高交通密度区域，如伊斯坦布尔海峡，这些区域的船舶活动可能对AIS信号传输产生复杂的影响。其次，研究未对信号中断的具体原因进行深入探讨，例如是技术故障还是有意关闭，这需要进一步的实地调查和数据整合。

未来的研究可以考虑引入更多数据源，如VMS数据、渔船活动报告和遥感数据，以更全面地分析AIS信号中断的成因和影响。此外，结合更多的环境变量，如海洋流、海底地形和鱼类迁徙模式，可能有助于提高模型的预测能力。最后，研究可以进一步探索AIS信号中断与渔业违法行为之间的关系，以制定更有效的监管策略和促进可持续渔业发展。

### 研究的启示与应用前景

本研究的发现对黑海渔业管理和生态保护具有重要的启示。首先，通过识别AIS信号中断的高风险区域和时间模式，研究为渔业监管提供了科学依据，有助于优化监测策略和执法资源的分配。其次，研究强调了AIS信号中断对渔业管理的潜在影响，尤其是在禁渔区和生态敏感区域，这种中断可能对资源保护和可持续利用构成威胁。最后，研究展示了机器学习技术在处理复杂渔业数据方面的潜力，为未来的研究和应用提供了新的方法论支持。

总的来说，本研究不仅揭示了AIS信号中断的地理、时间、环境和行为驱动因素，还为黑海渔业管理提供了科学依据和实用工具。通过结合机器学习技术，研究能够更准确地预测信号中断的发生和持续时间，从而支持更有效的监管措施和可持续的渔业发展。未来，随着技术的进步和数据的完善，AIS和机器学习的结合有望在更广泛的海洋治理中发挥更大的作用，为保护全球海洋生态系统提供更加精准和高效的解决方案。