摘要
非法、未报告和不受监管的捕鱼活动威胁着海洋生态系统的健康以及可持续渔业管理，因此亟需通过自动识别系统（AIS）的轨迹来准确识别渔船的行为。然而，基于AIS得出的渔船运行状态往往存在运动模式的重叠，尤其是在“航行中”与“捕鱼中”，以及“抛锚”与“系泊”状态之间。本研究提出了FishFormer，这是一种结合局部与全局时空深度学习框架，用于识别四种由AIS状态确定的渔船运行状态：航行中、捕鱼中、抛锚和系泊。FishFormer通过双流时空注意力机制、局部与全局特征融合以及前馈特征增强技术，能够捕捉长距离轨迹依赖关系、局部运动变化以及不同的运动学特征。在对美国沿海水域的8139段真实AIS轨迹数据进行实验后显示，FishFormer的整体准确率为96.63%，F1值为0.9661。在与七种基准模型在统一实验条件下的比较中，FishFormer的识别性能更为出色，而消融分析、混淆矩阵分析以及鲁棒性测试进一步证明了所提出模块的有效性，以及它们在减少相似行为状态之间的识别错误方面的作用。这些结果表明，局部与全局时空学习方法提升了基于AIS的渔船运行状态识别能力，可为渔船活动监测和渔业管理决策提供行为信息支持。
