基于导航雷达探测数据的AI驱动工作流P2F:实现无船载标识的渔场检测与捕捞努力量估算新方法

《International Journal of Digital Earth》:Detecting fishing areas from navigation radar detector data

【字体: 大 中 小 】 时间:2026年01月18日 来源:International Journal of Digital Earth 4.9

编辑推荐:

  本文提出了一种创新的AI驱动工作流Point-to-Fishing (P2F),旨在利用卫星或地面系统采集的导航雷达探测器(NRD)数据,结合海洋环流和海底地形数据,有效检测渔场并估算捕捞努力量。该方法通过整合统计分析、机器学习和深度学习组件,进行船舶行为分析、空间特征提取和异常检测,能够在数据稀疏或AIS信号缺失区域,甚至仅使用单一卫星数据的情况下,有效识别渔场。验证表明,P2F在相关渔区分类和强捕捞区识别上一致性达~75%,总捕捞努力量估算准确率~93%,为可持续海洋治理提供了可靠工具。

  
1. 引言
海洋资源的可持续管理是全球优先事项,而准确检测渔场和估算实际捕捞努力量对于确保粮食安全、促进经济发展和保护生物多样性至关重要。据估计,非法、不报告和不管制(IUU)捕捞每年造成的全球经济损失高达100-250亿美元。目前,渔业活动检测通常依赖于自动识别系统(AIS)网络和船舶监测系统(VMS)的数据,但这些系统存在访问限制、覆盖范围存在空白以及无法检测不合作船舶等局限性。
2. 概述
为解决上述限制,研究者开始关注能够提供成本效益高、全面且无偏见的海洋活动观测的替代数据源。导航雷达探测器(NRD)数据便是其中之一,其优势在于不易受信号丢失影响,可在各种天气条件下运行,并且能够检测不传输AIS信号的船舶。然而,NRD数据也存在挑战,例如通常缺乏船舶标识符、速度和方向信息,且原始数据通常稀疏且噪声较多,需要复杂的处理技术来提取有意义的模式。
3. 方法论
本文提出的Point-to-Fishing (P2F)工作流旨在克服这些挑战。P2F是一种新颖的、面向大数据的、人工智能驱动的方法论,用于从NRD数据中推断渔场并估算捕捞努力量,其输入信息最少(如坐标对,以及可选的加密船舶标识符)。P2F集成了基于统计分析、机器学习和深度学习的分析组件,其核心创新在于其模块化架构,将数据预处理、特征提取和异常检测结合在一个统一的流程中。
3.1. 数据准备和预处理
P2F首先对输入数据进行预处理,包括时间标准化、重心计算(以减少位置抖动)和港口邻近过滤(排除港口附近1.2海里内的点)。当船舶标识符可用时,还会进行基于聚类分析的船舶行为分析,以过滤掉非渔船。
3.2. 特征提取
P2F从NRD数据中提取四个关键空间特征:
  • •
    单元数据丰度:量化每个预定义网格单元中的点密度,作为船舶存在的代理。
  • •
    基于洋流的数据丰度插值:利用海洋表面流数据(如哥白尼计划数据),通过贝叶斯平流-扩散约束插值模型(BIMAC)来推断观测数据有限区域的潜在数据丰度。
  • •
    海底地形适宜性:利用来自GEBCO的海底深度数据,通过预训练的深度前馈人工神经网络(ANN)模型估算每个位置基于水深度的渔业适宜性。
  • •
    单元返回船舶数量:对于有船舶标识符的数据,计算每个网格单元内返回(至少在两个不同时间被检测到)的船舶数量,以识别稳定的渔场。
3.3. 相关渔区分类
P2F使用变分自编码器(VAE)这一无监督深度学习模型来识别相关渔区。VAE通过学习输入特征(上述四个空间特征)的联合概率分布,能够识别出表现出高船舶密度、重现性、有利海流和适宜深度等特征组合的异常网格单元,并将其标记为潜在的捕捞热点。这些被识别为异常的单元即被分类为相关渔区。
3.4. 捕捞努力量估算
最后,P2F通过将相关渔区内的船舶丰度乘以平均观测持续时间(例如,卫星单次过境期间船舶在其探测范围内的平均停留时间)来估算捕捞努力量(小时数)。同时,考虑到NRD数据通常只能代表实际船舶存在的一部分,P2F还引入了数据代表性范围[LBR, UBR]的概念,用以计算捕捞努力量的不确定性边界[LBF, UBF]。
3.5. 评估案例研究
为验证P2F的有效性,研究设置了三个案例:
  1. 1.
    使用NorSat-3卫星2023年数据对北海和挪威西部海域的分析:结果显示,P2F与全球渔业观察(GFW)在相关渔区分类上的重叠率达到74.67%,总捕捞努力量估算差异为6.12%。
  2. 2.
    使用GFW 2015年数据对北海和挪威西部海域的分析:P2F与GFW的相关渔区重叠率为73.74%,总努力量估算差异为3.08%。
  3. 3.
    使用GFW 2015年数据对北大西洋的分析:在更大的区域内,相关渔区重叠率为71.67%,总努力量估算差异为3.71%。
特征重要性分析表明,单元数据丰度是最有影响力的特征,其缺失会使总努力量估算差异增加92.5%。基于洋流的数据丰度插值和海底地形适宜性也是重要特征。
4. 结果与讨论
案例研究结果表明,P2F是一种稳健且多功能的方法,可用于识别相关渔区和估算捕捞努力量。即使在缺乏船舶标识符的情况下,P2F仍能保持约75%的相关渔区识别一致性。与依赖丰富AIS数据的模型(准确率可达90%以上)相比,P2F因缺乏连续的速度和航向信息,准确率存在约10-15%的差距,但这在非合作船舶检测的可接受范围内。P2F的主要优势在于其能够在不依赖船舶主动传输信息的情况下工作,适用于AIS信号缺失或受限区域。
5. 结论
P2F工作流证明,即使在使用来自单一卫星的NRD数据且船舶标识符不可用的情况下,也能实现一致的渔场分布检测。将NRD数据与洋流和海底地形等环境变量相结合是实现合理准确性的关键。该工作流程有潜力支持联合国海洋科学十年和可持续发展目标14.6.1,以及粮农组织(FAO)的蓝色转型路线图。P2F是免费和开源的,旨在为更具包容性和协作性的数字地球生态系统做出贡献。未来的工作将侧重于优化处理速度以实现近实时检测,以及整合更多行为描述符以区分不同的渔具类型。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号