漁船定位捕撈與環境因子的關聯分析

王德興，羅靜靜，袁紅春

漁船定位捕撈與環境因子的關聯分析

王德興，羅靜靜，袁紅春

（上海海洋大學信息學院，上海 201306）

針對由于海洋環境數據及漁業作業數據急劇增長，難以提取有效信息來定位漁船捕撈區域的問題，提出捕撈量與環境因子關聯分析算法，算法根據各屬性值的支持度來分析環境因子的重要度：利用k-means算法，分別將海表溫度、海面鹽度、葉綠素濃度和捕撈量進行聚類分析并量化加以標記；然后將環境因子和捕撈量區間映射為單值屬性構造相應的概念格；最后利用概念格的外延量化值記錄漁船數量，分別得到以捕撈量高、中、低為決策屬性的哈斯圖，圖中可較清晰地顯示出捕撈量與環境因子之間的關聯關系。實驗結果表明，在海表溫度為27.64~30.32oC、葉綠素濃度為0.0310~0.0479mg·m-3的區域，南太平洋長鰭金槍魚捕撈量最高，且其屬性組合的重要度最高。該算法可對漁船合理定位捕撈區域提供參考。

長鰭金槍魚；捕撈量；環境因子；概念格；關聯分析；漁船定位

0 引言

長鰭金槍魚（thunnus alalunga）作為高度洄游的大洋性魚類，因其經濟價值高，資源量較為豐富，已成為世界各個國家及沿岸地區的主要捕撈對象。中國遠洋金槍魚延繩釣漁業經過多年的發展歷程逐漸壯大[1]。長鰭金槍魚作為南太平洋延繩釣漁業的重要捕撈物種之一，目前已成為我國遠洋漁業的重要組成部分，迫切需要對其進行可持續開發。在長鰭金槍魚的實際生長環境中，不同區域的環境因子對其捕撈量具有重要的影響。

文獻[2]以單位捕撈努力量漁獲量（catch per unit effort, CPUE）為輸出因子，建立6-4-1結構的人工神經網絡模型，對南太平洋長鰭金槍魚的漁場位置進行了準確的預報。文獻[3]利用逐步回歸的方法建立釣鉤作業深度預測模型，通過統計和聚類分析的方法分析長鰭金槍魚魚獲率與環境因子的關系。對于南太平洋長鰭金槍捕撈量與環境因子關系的分析，大多數采用傳統數學分析方法、早期人工智能技術及地理信息系統（geographic information system, GIS）技術進行定量漁情預測。

我國自主研發的北斗衛星導航系統[4-5]（BeiDou navigation satellite system, BDS）具有定位精度高、自動化、效益高等特點，為漁船捕撈提供了精確的導航定位手段。隨著科技的發展，魚類捕撈不再靠捕撈人員的經驗。根據環境因子與捕撈量進行關聯分析，對漁船定位捕撈海域具有重要意義。關聯分析[6-7]旨在發現項目及之間有趣的關聯，是描述數據庫中數據項的屬性和變量之間潛在關系的一種知識表示形式。

本文提出捕撈量與環境因子關聯分析算法，對漁船定位捕撈與環境因子進行關聯分析。采用概念格[8-9]作為數據分析工具，將長鰭金槍魚捕撈量和環境因子作為屬性構造相應的概念格。將內涵屬性捕撈量量化為高、中、低3種，在概念格以長鰭金槍魚捕撈量為主屬性的哈斯圖中，可清晰地找到捕撈量與環境因子的概念節點，以此來分析各內涵屬性之間的關聯關系，即南太平洋長鰭金槍魚捕撈量與環境因子的關聯關系；最后根據各屬性的支持度，分析影響長鰭金槍魚捕撈量的環境因子的重要度以及捕撈區域中合理的漁船數量，指導漁船合理定位捕撈區域。

1 概念格

有關概念格的知識可參閱文獻[10-11]。

概念格中最主要的2種構造算法為批處理構造算法和漸進式構造算法。目前Godin算法[12]是最為典型的漸進式構造算法。

2 捕撈量與環境因子關聯分析

2.1 概念格表示

將長鰭金槍魚捕撈量和環境因子作為概念格的屬性并進行符號化標記。根據以上定義，采用漸進式構造算法，構造長鰭金槍魚捕撈量與環境因子的概念格。

在概念格中，概念（all,?)是最高層次的頂部概念節點，代表沒有具體特征、綜合性最強的概念，其中all是概念格中概念的所有外延，對應每條船1個月的捕撈量，?表示概念內涵為空，即所有公共環境因子與長鰭金槍魚捕撈量為空。在長鰭金槍魚實際生長環境中，公共環境因子一般不為空。概念（?,all)是屬性最詳細的底部概念，具有所有屬性特征，其中?表示概念的外延為空，all表示概念格中所有的內涵屬性。由于環境因子不是1個固定的值，所以沒有1個區域能夠表示所有環境因子的范圍。對于非頂點非底部概念節點，一般具有1個或1個以上的子（或超）概念節點，其概念節點的內涵是其子概念節點內涵中1組公共環境因子與長鰭金槍魚捕撈量的屬性值。以此將不同的環境因子與捕撈量范圍表示在概念格上。

2.2 關聯分析算法

1）將環境因子海表溫度、海面鹽度、葉綠素濃度及和捕撈量等數據進行聚類分析，將聚類的結果范圍以低、中、高升序排列，并采用符號標記。

2）將已標記的環境因子和捕撈量映射為概念格的單值屬性，采用漸進式構造算法，將待插入的對象和概念格中全部的概念節點進行交運算：如果原概念格內節點內涵包含在新對象內涵之中，僅需要將其外延更新到包含新對象的原概念格內節點即可；如果新節點對象的內涵與概念格內節點內涵的交集沒有出現過，則需要在概念格內新增概念節點；交集為空，不作任何修改，從而構造海洋環境因子和捕撈量的概念格。

3）在環境因子與捕撈量的概念格中，每個概念結點中的外延量化值記錄了外延中對象的個數，首個記錄從1開始，該記錄對應概念外延中的首個漁船，記錄依次加1遞增。概念外延中最大記錄對應的環境因子與捕撈量的關聯分析支持度最大；介于最小記錄和最大記錄之間對應的關聯分析，支持度的大小不同；最小記錄對應的關聯分析支持度最小，環境因子的重要度最低。

4）根據用戶的興趣目標，從概念格的頂部全概念開始從上往下作深度優先搜索。從概念的第1個直接子概念開始進行關聯分析，首先判斷該概念結點是否為空，如果該概念結點不為空，根據外延量化值記錄的漁船數量的支持度，開始分析該概念的外延與其內涵屬性之間的關聯關系，即漁船數量及捕撈量與環境因子之間的關聯分析。

5）如果該概念結點為空，則繼續遍歷該概念結點的兄弟概念結點，再判斷此概念結點是否為空，如果不為空，則輸出該概念節點外延與其內涵屬性之間的的關聯關系。以此類推，直到遍歷了整個概念格為止。在概念格的Hasse圖中，根據外延量化值的支持度大小，分析捕撈量與環境因子之間的關聯關系，得到環境因子對捕撈量的重要度，從而合理定位捕撈區域。

3 實驗與結果分析

3.1 數據來源

以南太平洋長鰭金槍魚漁業數據及海表溫度、海面鹽度和葉綠素濃度等環境數據作為實驗數據，選取的經度在155oE~175oE之間。因數據眾多，本文為了簡化實驗，選取時間為2015年的數據作為實驗數據，如表1所示。南太平洋長鰭金槍魚延繩釣漁業作業數據來源于中西太平洋漁業委員會（Western and Central Pacific Fisheries Commission, WCPFC），海洋環境數據來源于美國國家海洋和大氣管理局（National Oceanic and Atmospheric Administration, NOAA）環境數據庫。空間分辨率為5o×5o。生產數據主要包括作業日期、作業產量；環境數據主要包括海表溫度、海面鹽度、葉綠素濃度等數據。

表1 長鰭金槍魚捕撈量及環境因子原始數據示例

3.2 數據處理

由于不同的環境因子與長鰭金槍魚捕撈量有差異，其值的范圍是不確定的。利用MATLAB軟件將上述4個屬性值分別進行k-means聚類分析為3類，其算法步驟如下：

1）在表1的每列數據集中，分別隨機選取3個元素作為初始聚類中心。

2）對于數據集中剩下的元素，用歐式距離分別計算它們到3個類中心的相異度，按距離最近的準則將這些元素分別劃歸到距離它們最近的類。

3）根據聚類結果，再次計算3個類各自的中心，將每個類中所有元素對應的算術平均數作為新的中心點。

4）不斷重復2）和3），直到這3個中心點不再變化。

將海表溫度、海面鹽度、葉綠素濃度和長鰭金槍魚捕撈量分別劃分為3個區間，按照依次增大進行量化分別以低、中、高加以符號標記，如表2所示；根據表2將聚類結果加以符號標記，如表3所示；根據表3，將原始數據在對應的范圍以符號標記，如表4所示。

表2 環境因子與長鰭金槍魚捕撈量的量化表示

表3 環境因子與長鰭金槍魚捕撈量的聚類結果量化表示

表4 環境因子與長鰭金槍魚捕撈量對應聚類范圍的顯示情況

3.3 構造概念格

根據概念格的定義以及捕撈量與環境因子關聯分析算法，將每條船1個月捕撈量TID作為實驗對象，將環境因子海表溫度、海面鹽度、葉綠素濃度及長鰭金槍魚捕撈量作聚類分析處理并分別采用符號123123123123標記作為實驗屬性。根據表2構造以123為決策屬性的海洋環境因子和長鰭金金槍魚捕撈量的概念格。根據格中的每個概念統計外延中對象的個數，并將其量化值添加至原概念的外延中，此時外延表示漁船的數量，內涵表示環境因子和捕撈量。因內涵屬性眾多，概念格生成的哈斯圖較為復雜，為避免造成觀看混亂，分別將用戶感興趣的內涵屬性123的概念節點形成3個單獨的哈斯圖，以便分析南太平洋長鰭金槍魚捕撈量與環境因子的關聯關系。因此得到概念格分別以321為決策屬性的哈斯圖，如圖1、圖2和圖3所示。

圖1 表3對應的概念格以H3為決策屬性的哈斯圖

圖2 表3對應的概念格以H2為決策屬性的哈斯圖

圖3 表3對應的概念格以H1為決策屬性的哈斯圖

在圖1中，針對決策屬性的長鰭金槍魚最高捕撈量3，其表示范圍是401.48~669.42t，在概念格的哈斯圖中，最頂部全概念（all,?)節點包含全部漁船數量，而內涵屬性為空，其內部隱藏含義為不包含屬性捕撈量與環境因子，需從最頂部（all,?)節點開始向下遍歷所有節點來分析內涵屬性之間的關聯關系，即長鰭金槍魚捕撈量3與環境因子的關聯關系。南太平洋長鰭金槍魚捕撈量3與環境因子的關聯分析如下：

第二層的概念節點按照外延的大小聚類分析可以分為3類。第一類，節點({15},{31})；第二類，節點({7},{21})和節點({8},{11})；第三類，節點({4},{31})和節點({4},{21})。

第一類節點({15},{31})表示捕魚的漁船數量最多，捕撈量最高，滿足條件海表溫度3(27.64~30.32℃)和條件葉綠素濃度1(0.031~0.0479 mg·m-3)時，捕撈量達到最高3(401.48~669.42)，即海表溫度最高、葉綠素濃度最低時長鰭金槍魚捕撈量最高，支持度為15/200，表示屬性31的重要度最高。

第二類節點({7},{21})和節點({8},{11})表示捕魚的漁船數量相差不大，支持度分別為7/200、8/200。滿足條件葉綠素濃度都為1(0.031~0.0479mg·m-3)時，海面鹽度為2(34.75~35.13g·kg-1)和1(33.79~34.74 g·kg-1)對捕撈量的影響不大。與節點({4},{31})相比，在葉綠素濃度為1(0.031~0.0479mg·m-3)時，海面鹽度上升到3(35.14~35.74g·kg-1)時，漁船數量減少了近一半。表示在高產量區葉綠素濃度最低時，海面鹽度2和1對捕撈量的影響相差很大，表示屬性21和11的重要度次之。

第三類節點({4},{31})和節點({4},{21})表示漁船數量都為4，支持度為4/200，滿足條件葉綠素濃度都為1(0.031~0.0479mg·m-3)時漁船數量相等，表示屬性組合31和21的重要度最小。

第三層的概念為原始數據，其意義不大。

在圖2中，針對決策屬性長鰭金槍魚中等捕撈量2，其表示范圍是164.88~379.69t，南太平洋長鰭金槍魚捕撈量2與環境因子的關聯分析如下：

第二層的概念節點按照外延的大小通過聚類分析可以分為4類。第一類，節點({40},{1})；第二類，節點({28},{3})；第三類，節點({19},{2})；第四類，節點({11},{3})和節點({13},{2})。

第一類節點({40},{1})，表示捕魚的漁船數量最多，捕撈量最高，滿足條件葉綠素濃度1(0.031~0.0479mg·m-3)時，長鰭金槍魚捕撈量為2(164.88~ 379.69)，即在葉綠素濃度最低1時長鰭金槍魚捕撈量相對較高，支持度為40/200，說明在中產量區葉綠素濃度對長鰭金槍魚捕撈量影響最大，表示屬性1的重要度最高。

第二類節點({28},{3})表示有28條漁船進行捕撈，滿足條件海表溫度3(27.64~30.32℃)時，長鰭金槍魚捕撈量為2(164.88~379.69)，即在海表溫度最高3長鰭金槍魚捕撈量中等2，支持度為28/200，與節點({13},{2})相比，海表溫度從3(27.64~30.32℃)降到2(23.81~27.56℃)，漁船數量減少了15，說明海表溫度越高捕撈量越高，其屬性3的重要度次之。

第三類節點({19},{2})表示有19條漁船進行捕撈，滿足條件海面鹽度2(34.75~35.13g·kg-1)時，長鰭金槍魚捕撈量為2(164.88~379.69)，即在海面鹽度中等2時長鰭金槍魚捕撈量中等，支持度為19/200，表示屬性2的重要度次之。

第四類節點({11},{3})和節點({13},{2})表示捕魚的漁船數量相差不大，滿足條件海面鹽度3(35.14~35.74g·kg-1)和條件海表溫度2(23.81~ 27.56℃)時，支持度分別為11/200、13/200，表示屬性3和2重要度最小。

第三層的概念節點按照外延的大小通過聚類分析可以分為4類。第一類，節點({27},{31})；第二類，節點({18},{21})；第三類，節點({10},{31})、({12},{11})和({12},{21})；第四類：節點({6},{33})和節點({7},{23})。

第一類節點({27},{31})表示捕魚的漁船數量最多，滿足條件海表溫度3(27.64~30.32℃)和條件葉綠素濃度1(0.031~0.0479mg·m-3)時，長鰭金槍魚捕撈量為2(164.88~379.69)，即海表溫度最高3葉綠素濃度最低1時，長鰭金槍魚捕撈量較高2，支持度為27/200，與高產區圖1中的第一類節點({15},{31})有共同的內涵組合31，表示該組合在高產量區和中產量區海表溫度和葉綠素濃度對捕撈量的影響最大；海表溫度最高3葉綠素濃度最低1時，捕撈量較高，其支持度分別為15/200、27/200，表示屬性31的重要度最高。

第二類節點({18},{21})表示有18條漁船進行捕撈，滿足條件葉綠素濃度都為1(0.031~0.0479mg·m-3)和條件海面鹽度為2(34.75~35.13 g·kg-1)時，長鰭金槍魚捕撈量為2(164.88~379.69)，支持度為18/200，與節點({10},{31})相比，海面鹽度從2(34.75~35.13g·kg-1)上升到3(35.14~35.74g·kg-1)，而漁船數量減少了8，表示在中產量區葉綠素濃度最低時，海面鹽度2和3對捕撈量的影響相差很大，與高產量區圖1的節點({4},{31})和節點({8},{11})類似，其屬性21的重要度次之。

第三類節點({10},{31})、({12},{11})和({12},{21})表示捕魚的漁船數量相差不大，支持度分別為10/200,12/200,12/200，滿足條件葉綠素濃度都為1(0.031~0.0479mg·m-3)時，海面鹽度3(35.14~35.74g·kg-1)、1(33.79~34.74g·kg-1)和海表溫度2(23.81~27.56℃)對捕撈量的影響不大，與高產量區圖1的節點({4},{31})和節點({4},{21})類似，表示其屬性31、11和21的重要度次之。

第四類節點({6},{33})和節點({7},{23})表示捕魚的漁船數量相差不大，支持度分別為6/200、7/200，其屬性33和23的重要度最小。

第四層的概念為原始數據，其意義不大。

在圖3中：針對決策屬性長鰭金槍魚最低捕撈量1，其表示范圍是0.167~159.23t，南太平洋長鰭金槍魚捕撈量1與環境因子的關聯分析如下：

第二層的概念節點按照外延的大小通過聚類分析可以分為四類。第一類，節點({114},{1})；第二類，節點({66},{2})和節點({60},{2})；第三類，節點({41},{3})、({38},{1})和({46},{3})；第四類，節點({18},{2})和節點({27},{1})。

第一類節點({114},{1})表示捕魚的漁船數量最多，捕撈量最高，滿足條件葉綠素濃度1(0.031~ 0.0479mg·m-3)時，長鰭金槍魚捕撈量為1(0.167~ 159.23)，支持度為114/200，與節點({18},{2})相比，葉綠素濃度從1(0.031~0.0479mg·m-3)增加到2(0.082~0.159mg·m-3)，其漁船數量也減少很多，表示葉綠素濃度越高其捕撈量越低，與圖2的第一層第一類節點({40},{1})有共同的特點，表示在中產量區和低產量區葉綠素濃度對捕撈量的影響最大，葉綠素濃度越低其捕撈量越高，其支持度分別為40/200、114/200，表示屬性1的重要度最高。

第二類節點({66},{2})、({60},{2})表示捕魚的漁船數量相差不大，支持度分別為66/200、60/200，海表溫度和海面鹽度分別為2(23.81~27.56℃)和2(34.75~35.13g·kg-1)，表示在低產量區海表溫度2和海面鹽度2對長鰭金槍魚的捕撈量影響沒有葉綠素濃度1高，與中產區圖2的節點({28},{3})相似，表示屬性2和2的重要度次之。

第三類節點({41},{3})、({38},{1})、({46},{3})表示捕魚的漁船數量相差不大，支持度分別為41/200、38/200、46/200，說明海面鹽度3(35.14~35.74g·kg-1)、1(33.79~34.74g·kg-1)和海表溫度3(27.64~30.32℃)，在低產量區對長鰭金槍魚的捕撈量影響不大，與中產區圖2的第二層第三類節點({19},{2})相似，表示屬性3、1和3的重要度次之。

第四類節點({18},{2})和節點({27},{1})表示漁船數量分別為18、27，說明葉綠素濃度2(0.082~0.159mg·m-3)和海表溫度1(17.42~23.31℃)，在低產量區對長鰭金槍魚的捕撈量影響最小，與中產區圖2的節點({11},{3})和節點({13},{2})類似，表示其屬性的重要度最小。

第三層的概念節點按照外延的大小通過聚類分析可以分為7類。第一類，節點({62},{21})；第二類，節點({49},{21})和節點({45},{31})；第三類，節點({32},{31})和節點({32},{11})；第四類，({23},{23})；第五類，節點({13},{12})和節點({13},{12})；第六類，節點({10},{13})、({9},{31})、({8},{32})、({7},{13})和({7},{11})；第七類，({4},{11})。

第一類節點({62},{21})表示漁船數量最多，有62條漁船進行捕撈，占總漁船數量的62/200，滿足條件海表溫度2(23.81~27.56℃)和條件葉綠素濃度1(0.031~0.0479mg·m-3)時，長鰭金槍魚捕撈量為1(0.167~159.23)，表示在低產量區海表溫度中等葉綠素濃度最低時，長鰭金槍魚捕撈量相對較高，支持度為62/200，與高產量區的節點({15},{31})和中產量區的節點({27},{31})相比，支持度分別為15/200、27/200、62/200，說明海表溫度與葉綠素濃度的組合對捕撈量的影響最大，表示屬性的重要度最高。

第二類節點({49},{21})和節點({45},{31})表示漁船數量相差不大，支持度分別為49/200、45/200，滿足條件葉綠素濃度都為1(0.031~0.0479mg·m-3)時，海面鹽度2(34.75~35.13g·kg-1)和海表溫度3(27.64~30.32℃)對捕撈量的影響次之，與高產量區圖1的節點({7},{21})、({8},{11})和中產量區圖2的節點({18},{21})類似，表示其屬性的重要度次之。

第三類節點({32},{31})和節點({32},{11})表示漁船數量都為32，支持度為32/200，滿足條件葉綠素濃度都為1(0.031~0.0479mg·m-3)時，海面鹽度對捕撈量的影響不大，與中產量區圖2的節點({10},{31})、({12},{11})、({12},{21})類似，表示其屬性的重要度次之。依此類推，其余節點表示屬性重要度依次降低。

第四層的概念為原始數據，其意義不大。

3.4 結果分析

首先，通常高產量區少中產量區較多低產量區最多，在圖1長鰭金槍魚捕撈量最高3中，第一類節點({15},{31})表示捕魚的漁船數量最多，屬性組合31的支持度為15/200，即在海表溫度為27.64~30.32℃、葉綠素濃度都為0.031~0.0479mg·m-3時長鰭金槍魚捕撈量最高。在圖2長鰭金槍魚捕撈量最高中，第一類節點({27},{31})表示捕魚的漁船數量最多3屬性組合31的支持度為27/200。在圖3長鰭金槍魚捕撈量最高1中，第二層第一類節點節點({62},{21})表示捕魚的漁船數量最多，組合31的支持度為62/200，表示中高產量區海表溫度和葉綠素濃度的組合對長鰭金槍魚捕撈量的影響最大，即海表溫度越高葉綠素濃度最低時捕撈量最高，表示屬性組合31重要度最高。另外，圖1的第一層第二類組屬性組合11支持度為8/200，圖2的第三層第二類屬性組合21支持度為18/200，圖3的第三層第二類屬性組合21支持度為49/200，表示屬性組合11、21重要度次之；依次類推，其余節點屬性重要度依次減少。

其次，圖2中第二層第一類節點({40},{1})表示捕魚的漁船數量最多，支持度為40/200，即在葉綠素濃度都為0.031~0.0479mg·m-3時長鰭金槍魚捕撈量最高。圖3中第二層第一類節點({114},{1})表示捕魚的漁船數量最多，支持度為114/200，說明在中低產區葉綠素濃度對長鰭金槍魚捕撈量的影響最大，即葉綠素濃度最低時捕撈量最高，表示屬性1(0.031~0.0479mg·m-3)重要度最高。圖2的第三層第二類節點({28},{3})和圖3的第三層第二類節點({66},{2})次之，其支持度分別為28/200、66/200，表示屬性3(27.64~30.32 ℃)、2(23.81~27.56 ℃)重要度次之；依此類推，其余節點屬性重要度依次減少。

綜上，屬性組合31即在海表溫度為27.64~30.32℃、葉綠素濃度都為0.031~0.0479mg·m-3時長鰭金槍魚捕撈量最高。屬性3即在海表溫度為27.64~30.32℃時長鰭金槍魚捕撈量較高。海面鹽度對長鰭金槍魚捕撈量的影響較小，可能是受溫度的影響，但在中產量區海面鹽度2(34.75~35.13g·kg-1)時也有一些影響，捕撈量較高。本文的研究利用概念格的哈斯圖展示環境因子與捕撈量之間的泛化和特化關系，根據各屬性值的支持度，分析了影響漁場分布的海洋環境因子的重要度；并實現了漁船定位捕撈與環境因子的關聯分析，以提高漁船的調度和捕撈效率。

4 結束語

本文提出了捕撈量與環境因子關聯分析算法，對漁船定位捕撈與環境因子進行關聯分析。采用 k-means算法分別將各屬性值聚類，并構造相應的概念格。在概念格的哈斯圖中，能夠清晰地分析概念捕撈量與概念環境因子之間的關聯關系，并根據各內涵屬性的支持度來分析環境因子的重要度。研究表明，海表溫度和葉綠素濃度是影響南太平洋長鰭金槍魚捕撈量最重要因素。本文方法對北斗導航系統定位漁船的合理捕撈區域、對南太平洋的長鰭金槍魚資源的合理開發提供了一種參考方法，能夠提高漁情分析的效率。

[1] 陳錦淘, 戴小杰, 谷兵. 中國南太平洋長鰭金槍魚業發展對策的分析[J]. 中國漁業經濟, 2005(2): 49-51.

[2] 毛江美, 陳新軍, 余景. 基于神經網絡的南太平洋長鰭金槍魚漁場預報[J]. 海洋學報, 2016, 38(10): 34-43.

[3] 宋利明, 謝凱, 趙海龍, 等. 庫克群島海域海洋環境因子對長鰭金槍魚漁獲率的影響[J]. 海洋通報, 2017, 36(1): 96-106.

[4] 楊元喜. 北斗衛星導航系統的進展、貢獻與挑戰[J]. 測繪學報, 2010, 39(1): 1-6.

[5] 吳海玲, 高麗峰, 汪陶勝, 等. 北斗衛星導航系統發展與應用[J]. 導航定位學報, 2015, 3(2): 1-6.

[6] 王德興, 胡學鋼, 劉曉平. 量化擴展概念格的屬性歸納及多粒度規則挖掘[J]. 系統工程學報, 2009, 24(1): 54-61.

[7] 孫金鑫. 數據挖掘中的關聯規則的研究[J]. 智能計算機與應用, 2018, 8(3): 132-135.

[8] 王德興, 胡學鋼, 劉曉平, 等. 基于量化擴展概念格的屬性歸納算法[J]. 模式識別與人工智能, 2007, 20(6): 843-848.

[9] 王德興, 杜潤芝, 袁紅春, 等. 導航電子地圖中適宜比例尺的優選[J]. 導航定位學報, 2018, 6(2): 116-120.

[10] WILLE R. Restructuring lattice theory: an approach based on hierarchies of concepts, in ordered sets[M]. Dordrecht, Netherlands: Reidel, 1982: 445-470.

[11] WILLE R. Concept lattices and conceptual knowledge systems[J]. Computers and Mathematics with Applications, 1992, 23(6-9): 493-515.

[12] GODIN R, MISSAOUI R, ALAOUI H. Incremental concept formation algorithms based on Galois(concept) lattices[J]. Computational Intelligence, 1995, 11(2): 246-267.

Association analysis between fishing vessel positioning and environmental factors

WANG Dexing, LUO Jingjing, YUAN Hongchun

（College of Information Technology, Shanghai Ocean University, Shanghai 201306, China）

Aiming at the problem that it is difficult to extract effective information to locate fishing areas due to the rapid growth of marine environmental data and fishery operation data, the paper proposed an association analysis algorithm of catch and environmental factors which determines the importance of environmental factors according to the support of each attribute value: k-means algorithm was used to cluster and mark the sea surface temperature, sea surface salinity, chlorophyll a concentration and catch; and the intervals of environmental factors and catch were mapped into single-valued attributes to construct the corresponding concept lattice; then the extension quantified values were used to record the number of fishing vessels; finally, Hasse diagrams with the decision attributes of high, medium and low catch were obtained. The relationship of catch and environmental factors could be clearly viewed in the Hasse of concept lattice. Experimental result showed that the catch of the albacore tuna would be the highest when the sea surface temperature was ranged from 27.64 to 30.32oC and the Chl-a was varied from 0.0310 to 0.0479 mg·m-3, with the most importance of its attribute combination, which could provide a reference for reasonably locating the fishing areas for fishing vessels.

albacore tuna; catch; environmental factors; concept lattice; association analysis; fishing vessel positioning

P228

A

2095-4999(2019)04-0042-08

王德興，羅靜靜，袁紅春.漁船定位捕撈與環境因子的關聯分析[J].導航定位學報,2019,7(4): 42-49.（WANG Dexing,LUO Jingjing,YUAN Hongchun.Association analysis between fishing vessel positioning and environmental factors[J].Journal of Navigation and Positioning,2019,7(4): 42-49.）

10.16547/j.cnki.10-1096.20190408.

2019-02-26

國家自然科學基金項目(41776142)；上海市科委科技支撐項目（14391901400）。

王德興（1968—），男，河北保定人，博士，副教授，研究方向為人工智能、數據挖掘等。

羅靜靜（1992—），女，江蘇淮安人，碩士生，研究方向為數據挖掘。