采用卷積神經網絡構建西北太平洋柔魚漁場預報模型

朱浩朋，伍玉梅，唐峰華，靳少非，裴凱洋，崔雪森

采用卷積神經網絡構建西北太平洋柔魚漁場預報模型

朱浩朋1,2，伍玉梅2，唐峰華2，靳少非3，裴凱洋4，崔雪森2※

（1. 上海海洋大學海洋科學學院，上海 201306；2. 中國水產科學研究院東海水產研究所農業農村部遠洋與極地漁業創新重點實驗室，上海 200090；3. 閩江學院海洋學院，福州 350108；4. 上海海洋大學信息學院，上海 201306）

對遠洋漁場資源和位置進行預報可以為遠洋漁業生產及管理提供重要信息。該研究針對西北太平洋柔魚漁場，利用海洋表面溫度遙感信息和中國遠洋漁船生產資料，基于深度學習原理，選取卷積神經網絡構建西北太平洋柔魚漁場預報模型。根據不同月份、不同通道構建了多種數據集，用于訓練漁場預報模型。訓練結果表明，4個通道組合的數據集的訓練結果最優，漁汛早期（7—8月）、中期（9月）和后期（10—11月）測試集準確率分別為80.5%、81.5%和81.4%。以2015年的真實漁場數據對模型進行驗證，模型的平均召回率為82.3%，平均精確率為66.6%，F1得分平均值為73.1%，預測的高產漁區與實際作業的高單位捕撈努力量漁獲量區基本匹配。該研究構建的漁場預報模型可以獲得較好的準確率，可為其他魚種的漁場預報模型構建提供思路。

卷積神經網絡；模型；漁業；西北太平洋；柔魚

0 引 言

柔魚（）屬于頭足類，主要分布于太平洋、印度洋、大西洋溫帶與副熱帶海域，是西北太平洋的主要商業性開發性魚種之一[1]。全球對西北太平洋柔魚的商業性開發始于1974年，作業方式以釣捕為主，而中國對柔魚的捕撈則起步于20世紀90年代，歷經30 a的高速發展，遠洋魷釣產業已經是中國遠洋漁業的一個重要組成部分[2]，截至2017年中國魷釣漁船總數高達706艘，歷史最高產量高達78 860萬kg，已經是全球產業和規模最大的國家[3]，但是資源開發能力與遠洋魷釣漁業強國的目標尚有一定的差距，漁場預報技術的不足就是主要原因之一[4]。準確而高效地進行漁場預報，可以節省尋找漁場的時間，提高捕撈地效率，有助于減少漁業生產成本，對中國漁業生產的發展有著重要意義。

魚類漁獲量受資源量大小的影響，漁場漁汛的形成也與周邊環境變化有關。因此，通過不同的海洋環境因子建立漁場預報模型是當前進行漁情預報的一個常用手段。遙感技術的普及使得獲取大范圍的海洋信息成為可能，為漁場預報模型的建立提供了便利。在眾多漁場預報模型中，貝葉斯方法是一種較為常用的單一環境因子建模方法。樊偉等[5]以海洋表面溫度與葉綠素共同建立了金槍魚貝葉斯概率模型。在此基礎上，崔雪森等[6]嘗試使用樸素貝葉斯思想，增加了西北太平洋柔魚漁場預報模型的輸入因子維度。回歸模型也是一種較常見的建模方式[7-8]，如Solanki等[8]利用廣義相加模型（Generalized Additive Model，GAM）進行了阿拉伯海域的漁業資源預測研究。隨著海洋遙感技術的發展，海洋環境數據的種類越來越豐富，獲取方式越來越便捷，使多環境因子共同構建模型提高漁場預報準確率成為了可能。利用一系列規則對數據分類的決策樹算法[9-10]有利于構建多環境因子的柔魚漁場預報模型，其中崔雪森等[11]利用分類回歸樹進行漁場模型的構建，便于分析復雜多因子，而在此基礎上產生的隨機森林模型，在漁場預報中也得到了應用。隨著計算機技術的進步，人工神經網絡在漁場預報建模型中也得到了越來越多的應用，在西北太平洋柔魚[12]、東南太平洋莖柔魚[13]、南太平洋長鰭金槍魚[14]、中西太平洋鰹魚[15]等不同海域不同魚種漁場預報取得了一定的成效。針對西北太平洋柔魚漁場模型應用方面，近年來關注較多的是棲息地指數（Habitat Suitability Index，HSI）模型[16-17]。Tian等[18]通過定量研究對比了以作業努力量和單位捕撈努力量漁獲量（Catch Per Unit Effort，CPUE）為基礎的HSI模型，并研究適合柔魚漁場形成的海洋環境，方學燕等[19]在對比基于作業努力量與CPUE的HSI模型基礎上優化了智利外海莖柔魚漁場預報模型。盡管上述漁場預報模型的結構或便利或復雜，但多為弱分類器或多個弱分類器的簡單組合。另外，由于傳統模型在輸入數據的維度上存在限制，所以多選取漁區對應經緯度坐標的單個點的環境數據在空間上進行抽取，從而使得漁場環境數據的空間信息難以得到充分利用。近年來出現的卷積神經網絡（Convolutional Neural Network，CNN）是圖像識別的重要方法之一，是近幾年深度學習領域的研究熱點，具備自動提取圖像特征，兼顧空間信息，建模能力強，可通過圖形處理器（Graphics Processing Unit，GPU）獲取超強的計算能力，降低網絡復雜度，有效抑制過擬合等優點[20]。

目前，深度學習在漁場預報方面的研究鮮見報道。鑒于卷積神經網絡其在圖像特征提取和分類等復雜問題方面取得的成功，本研究基于深度學習原理，以漁區周邊區域的環境數據及時空信息為輸入數據，在考慮柔魚生物學特征和漁場時空特性情況下，構建卷積神經網絡的西北太平洋柔魚漁場預報模型，并對漁場預報效果進行檢驗，以期望在大數據背景下運用深度學習方法提高遠洋漁場的認識水平，拓寬預報模型構建思路，提高人工智能方法在遠洋漁業領域的應用能力。

1 材料與方法

1.1 研究區域概況

研究區域位于西北太平洋海域（35°N～48°N，145°E～165°E），該海域有著比較特殊的海洋環境，溫差隨季節變化較大，平均季節溫差最高可達13 ℃[21]，親潮寒流與黑潮暖流的交匯。柔魚一般隨暖流做向北洄游，會在黑潮與親潮的交匯區形成漁場[22]，同時，該海域也是中國魷釣漁船在太平洋的主要活動水域（圖1）。根據世界糧農組織2015年漁業和水產養殖統計年鑒[23]，太平洋的柔魚漁獲量占全球總漁獲量的64%，其中西北太平洋這一海域的魷魚漁獲量占全太平洋柔魚產量的36%，是世界魷魚產業不可或缺的一部分。從地理位置上看，西北太平洋更接近于中國；從柔魚產量上來說，西北太平洋是中國柔魚產量最高的海域，占中國柔魚總產量的43%[23]。

圖1 西北太平洋柔魚漁場分布

1.2 數據來源

本研究中柔魚漁獲數據來自于中國遠洋漁業分會魷釣工作組提供的西北太平洋柔魚的生產信息日報，時間范圍是2000—2015年的7—11月，數據包含作業日期、經度與緯度、漁獲量、船數等。

環境數據來自美國航空航天局（National Aeronautics and Space Administration，NASA）網站提供的中分辨率成像光譜儀（Moderate-resolution Imaging Spectroradiometer，MODIS）衛星傳感器獲取的海洋表面溫度（Sea Surface Temperature，SST）三級海洋環境數據產品，該數據精度和可靠性得到認可[5,15,17]，且擁有較高的時空分辨率（時間分辨率為8 d，空間分辨率是0.08°× 0.08°）。該數據相較于一些傳統方法的1°×1°的空間分辨率以及每月的時間分辨率能更好的滿足漁場預報實用性的要求，且其獲取來源可靠穩定，數據質量較高，有利于模型構建完成后的業務化應用。

1.3 數據預處理

1.3.1 生產數據預處理

單位捕撈努力量漁獲量（Catch Per Unit Effort，CPUE，103kg/d）表示漁業資源狀況及其豐度的常用指標。本研究將柔魚生產數據以0.5°×0.5°的網格為最小漁區進行統計，根據漁區網格內的漁獲數據計算8 d內的平均CPUE，如式（1）所示

式中Catch為一個漁區內的總漁獲量，103kg；Effort為一個漁區內所有船的總作業天數，d。

另外，將2000—2015年網格（0.5°×0.5°）CPUE樣本按月份分組，分別計算15 a中每個月份CPUE樣本數據的中位數，然后分別將各年份中該月各個漁區網格CPUE與該中位數進行比較。若漁區CPUE高于該中位數，則將其定義為高產漁區；反之，定義為低產漁區。

1.3.2 數據集構建

數據集的每個樣本由2個部分組成，一是多通道二維灰度圖像，像素為65×65；二是漁區類型標簽，以高產漁區或低產漁區（設高產漁區為1，低產漁區為0）作為每個樣本的標簽，整個數據集中80%的樣本數據作為訓練集，其余的20%作為測試集。其中單個樣本各通道代表意義如下：

1）第一通道為SST二維圖像數據。以漁區為中心，首先根據經緯度以及時間范圍將柔魚漁獲數據與海洋表面溫度數據SST相匹配，然后按照像素大小65×65以漁區為中心提取海洋表面溫度圖像，以此作為數據集單個樣本的第一通道（圖2a）。

2）第二、三、四通道分別表示經度、緯度和作業月份，為了與第一通道的數據在維度上匹配，需要將這3個輸入數據從零維標量擴展為像素65×65的二維張量。

以經度為例，首先根據樣本集中漁獲數據經度信息確定其經度最大變動范圍（145°E～170°E），再生成一幅行列65×65的二維灰度圖像，依據當前樣本中網格中心經度在最大經度范圍中的相對位置，在灰度圖像上將相對位置的上方像素的值填充為1，下方像素的值填充為0，如第二通道圖像表示的經度為145 °E加上像素值為1的部分在圖像中所占的比例與最大、最小經度差值的乘積（圖2b）。利用上述方法，對樣本中緯度信息（圖 2c）和月份信息（圖2d）也作同樣的處理，從而將零維時空數據擴充成二維張量信息，使SST圖像、經緯度及月份在形式上統一，作為不同通道的輸入數據供給模型訓練。

圖2 某一樣本的4個通道數據示意圖

1.4 研究方法

1.4.1 數據增強方法

因為有效柔魚生產數據的數據量較小（不足6 000條），為了增加訓練樣本的數量以及多樣性（噪聲數據），提升模型魯棒性，減少模型對某些屬性的依賴程度，本研究通過SST圖像小角度隨機旋轉（±10°之間）、圖像中心點隨機偏移（±0.1個經緯度）等方法對數據集進行擴充，使樣本量擴充至29 084條，每個點位的實際漁獲量數據分別對應以該點位為中心的行列為65×65的SST，空間跨度大于5個經緯度。與此相比，小范圍內隨機旋轉或偏移所帶來的偏差影響像素數目小于整個樣本像素總數的2%，在可接受范圍內。

1.4.2 AlexNet網絡模型結構

本研究選擇AlexNet網絡模型結構，因其簡單易實現，而且通過隨機失活（Dropout）層可以有效防止過擬合[24]、通過局部響應歸一化層（Local Response Normalization，LRN）增強模型的泛化能力。AlexNet網絡模型結構[25]主要包含5個卷積層和3個全連接層，在第1、2、5層卷積層后各存在1層池化層和1層標準化層，1、2層全連接層后各存在一層Dropout層，使用的激活函數為Relu。

1.4.3 漁場概率計算方法

模型中全連接層輸出的是一個二維向量，代表模型根據權重計算的高產漁區、低產漁區對應的線性預測值，然后通過Softmax函數將這2個值轉化為0～1之間的概率值，其計算如式（2）所示。

1.4.4 訓練方案及評價指標

不同季節柔魚漁場環境有較大的變化，根據Fan等[26]結論，本研究將數據集依據月份不同進行分組，即分為7—8月、9月和10—11月3組，分別稱為漁汛早期、漁汛中期和漁汛后期。同時，本研究采取7—11月不分組進行訓練，方便與季節分組的方案進行對比，選擇較優的訓練集季節組合。

在此基礎上，為了考察通道數量對模型性能的影響，本研究對不同輸入通道進行了4種組合，即單個通道（僅SST）、2個通道（即SST與月份）、3個通道（SST和經緯度）和4個通道（SST、經緯度和月份），最終確定最優的訓練方案，模型訓練結果評價指標是所有樣本中預測結果正確的比例即準確率（Accuracy），計算如式（3）所示。

式中TP為真實高產漁場被正確預測為高產漁場的漁區個數，FN為真實高產漁場被錯誤預測為低產漁場的個數，FP為真實低產漁場被錯誤預測為高產漁場的個數，TN為真實低產漁場正確預測為低產漁場的個數。

1.4.5 模型預報效果檢驗

通過計算模型預測結果的精確率（Precision）、高產漁場的召回率（Recall）、F1得分（F1-score）來檢驗模型在實際應用中的效果，精確率、召回率、F1得分分別是預測為高產的漁場中預測結果正確的比例、高產漁場被準確預測出來的比例、綜合衡量精確率與召回率的一個指標。其計算如式（4）～式（6）所示。

2 結果與分析

2.1 柔魚生長階段及洄游規律對模型準確率的影響

按照柔魚產卵孵化的高峰期，可以分為冬春生群體、秋生群體2個種群[1,27]，西北太平洋的柔魚主要是冬春生群體，無論是秋生還是冬春生群體一般都會隨季節做南北洄游，西北太平洋柔魚的早期幼體一般生活在35°N以南的黑潮逆流海區，9月份柔魚會進入索餌洄游期，向北或東北進入黑潮和親潮交匯區，隨著柔魚群體生長成熟，開始進入產卵洄游期，秋季成熟的雄性個體在10 —11月份向南洄游產卵，雌性個體成熟得較晚，于11月開始向南產卵洄游[28-29]。在柔魚洄游的不同階段，柔魚適宜的棲息環境不同。單就SST而言，7—8月、9月和10—11月的最適宜溫度分別為16～21 ℃、14～19 ℃和11～17 ℃，但7—8月CPUE與SST呈正相關關系，9月SST僅在低溫范圍呈正相關，而10—11月為負相關[30]。

鑒于此，為了分析柔魚生長階段及洄游規律對模型精度的影響，以2組數據集進行訓練對比結果，一組是訓練集不按月份進行分組，即以7—11月整體參與訓練，另一組是根據柔魚洄游的規律將訓練數據分組為7—8月（漁汛早期）、9月（漁汛中期）、10—11月（漁汛后期）3個數據集進行訓練，通道數量為4個，訓將練數據輸入基于Python語言構建的Alexnet網絡模型，學習率設置為0.000 1，訓練集每完成100次迭代，計算1次測試集準確率。經過訓練集的80 000次迭代后，7—8月、9月、10—11月3組數據的測試集準確率分別達到80.5%、81.5%和81.4%（圖3），之后不再提高，3組數據間的訓練效果差別較小，但相較于同等條件訓練的不分組數據集（7—11月）的74.4%，測試集準確率的提升幅度均大于6.1個百分點。因此，在構建西北太平洋的漁場預報模型時，柔魚的洄游規律是必須要考慮的因素之一，本研究中將7—8月、9月、10—11月的數據集分開訓練是合理的。

2.2 漁區時空信息對模型準確率的影響

柔魚是一種高度洄游的魚種，每年都往返于西北太平洋南部亞熱帶的產卵場與北部索餌場之間的海域。在該海域的經度方向上，CPUE也會發生較大的變化，通常由西向東CPUE呈逐漸減少的趨勢[26]。根據1995—2001年的調查結果，140°～150°E、150°～165°E和165°～180°E區域的平均CPUE分別為2.41、1.94和1.18×103kg/d。緯度方向上同樣與CPUE有關。全年來看，柔魚CPUE大體上會隨著緯度的增加而增加，但從季節上來看，在7—9月期間隨著緯度的升高而增加，而到了10—11月份，CPUE隨著緯度的增加而減少[26-27]。

注：訓練集每完成100次迭代，計算1次測試集準確率。

為了驗證時空信息對CPUE的影響以及對模型準確率的影響，在得到月份組合方式構建數據集的基礎上，分別利用4種不同通道組合構建數據集訓練，即SST+經緯度+月份、SST+經緯度、SST+月份、SST單個通道，結果如圖4所示。總體上，每個月份組合中都是4個通道測試集的準確率均明顯優于3、2、1個通道，準確率之差最高達到7.9個百分點。在4個通道組合的模型中，7—8月數據的測試集準確率為80.5%，9月的數據集為81.5%，10—11月的數據集為81.4%，模型輸入因子中在加入經緯度、月份通道后，模型準確率提高將近7個百分點。本研究結果與Fan等[26]研究結果吻合，可見時間、空間位置信息是預測柔魚漁場變動不可缺少的重要因素。

圖4 7—11月不同通道組合的測試集準確率

2.3 海洋表面溫度對模型準確率的影響

海洋表面溫度與空間信息都是影響漁場時空分布的重要因子[31]，對比海洋表面溫度、葉綠素濃度、海表面高度、鹽度等幾種海洋環境因子，SST是對柔魚資源豐度及分布影響最大的關鍵因子，而且SST會影響到柔魚的南北洄游[32]。Shen等[33]的研究表明，在西北太平洋魷釣漁場，葉綠素a的含量與SST有很好的相關性，而葉綠素a能反映浮游植物的生長狀況，因此SST通過影響葉綠素a的含量間接影響柔魚在這一水域的攝食。而且，太平洋柔魚的生產效率也直接與SST密切相關，太平洋魷釣漁船在7月份之前一般產量較低，而7—8月以后柔魚隨著暖水的北上而向北洄游，使得暖水側漁獲量增加，在10月份的冷水南下后冷水一側的柔魚漁場增加，漁獲量增加[34]。由厄爾尼諾與南方濤動（El Ni?o-Southern Oscillation，ENSO）現象引起的SST變動也會使漁場發生有規律的移動[35]，以上的研究證明SST這一環境因子對柔魚漁場的影響較大，是建立柔魚漁場預報模型所必需的重要因素。鑒于此，本研究預報因子選擇SST一種海洋環境數據及其時空信息，在所有月份的訓練中取得了至少80.5%的測試集準確率，只包含SST的單通道數據的訓練也取得了至少74.4%的測試集準確率，不僅驗證了海洋表面溫度與時空信息是影響漁場時空分布的重要因子這一結論，而且說明了利用單海洋環境因子SST構建漁場預報模型的可行性。

2.4 與隨機森林算法的準確率對比

傳統漁場預報方法中，樸素貝葉斯分類器需要假設環境因子對漁場的形成具有相互獨立的影響[6]，棲息地適宜性指數模型是建立在一個基本假設之上即魚群會出現在環境條件適宜的區域，而不會在環境條件不適宜的區域出現，基于計算機領域高速發展而出現的人工神經網絡方法的漁場預報研究至少需要2種環境因子[14-15]，并且僅僅考慮漁區一點的海洋環境信息，忽略了漁區周圍海洋環境空間特征，而基于卷積神經網絡的預報模型避免了過往模型對環境數據空間信息利用率不足的局限性，與傳統預報模型相比有著一定的優勢。

為了與傳統方法的預報模型進行對比，直觀展示卷積神經網絡構建柔魚漁場預報模型的方法在預測準確率上的優勢，本研究選擇隨機森林算法構建漁場預報模型，輸入變量與構建基于卷積神經網絡的預報模型相同（SST、經度、緯度和月份）及數據，訓練結果如表1所示。在變量種類相同的情況下，隨機森林算法的測試集準確率要低于本研究的卷積神經網絡方法，測試集準確率的差值在8.5～22.6個百分點之間。

表1 AlexNet與隨機森林算法的測試集準確率對比

2.5 模型應用效果

為了檢驗模型的實際應用效果，將2015年7—11月的SST、經度、緯度和月份共4個通道數據作為驗證數據集輸入訓練好的卷積神經網絡模型，得到各月份研究區域每個坐標柔魚CPUE超過歷年同月份CPUE中位數即高產漁場的概率，然后將概率圖與驗證數據對應日期范圍內的實際CPUE疊加（圖5）。結果顯示，每個月的高產漁場高概率值區域與相同日期的高CPUE漁區分布大體一致，并且隨時間的推移，高概率值區域的移動趨勢與西北太平洋漁船作業漁區的移動趨勢也基本吻合。根據驗證數據集輸入模型得到的預測結果與2015年7—11月西北太平洋實際漁獲數據計算模型評價指標（表2），模型對真實漁場的平均精確率為66.6%，平均召回率為82.3%，F1得分平均數為73.1%，該模型在預測高產漁場時準確率較高，對低產漁場的預測準確率有待模型的進一步優化，綜合精確率、召回率對模型預報效果進行評價的指標F1得分達到了預期，均說明以卷積神經網絡構建西北太平洋柔魚漁場預報模型具備一定的可行性。

圖5 2015年7—11月模型預報結果與實際生產的對比

表2 2015年7—11月本研究模型實際應用效果檢驗

3 結 論

本研究利用西北太平洋柔魚歷史生產數據以及海洋表面溫度（Sea Surface Temperature，SST）遙感數據，結合漁場的時空信息，制作了訓練集，根據深度學習原理構建了基于AlexNet網絡模型的柔魚漁場預報模型，檢驗了訓練效果，并利用真實漁場數據進行了實際驗證，結果表明：

1）按照柔魚洄游規律，訓練集被分為漁汛早期、漁汛中期和漁汛后期3組數據集后，分別得出80.5%、81.5%和81.4%的測試集準確率，而不分組數據集的測試集準確率為74.4%。由此可見，考慮柔魚洄游特性后，漁場預報測試集的準確率提升幅度均大于6.1個百分點，因此構建西北太平洋柔魚漁場預報模型時結合柔魚洄游的規律的研究成果，將有助于預報模型準確率的提高。

2）在最優月份組合方式的基礎上，對比分析了SST+經緯度+月份、SST+經緯度、SST+月份和SST單個通道4種不同通道數據集的訓練結果，4個通道數據集的測試集準確率均明顯優于第三、二、一通道，測試集準確率之差最高為7.9個百分點。

3）本研究中基于單環境因子及其時空信息建立的預報模型最高達到了81.5%的測試集準確率，優于傳統模型的訓練效果，而且根據2015年的實際柔魚漁場信息預報的高產漁區與實際作業高單位捕撈努力量漁獲量（Catch Per Unit Effort，CPUE）區基本吻合，預報的高產漁區隨月份移動的趨勢也與實際漁獲數據高CPUE區域移動的趨勢相吻合。

本研究基于AlexNet網絡模型構建的柔魚漁場預報模型的訓練結果一方面驗證了海洋表面溫度與時空信息是影響漁場時空分布的重要因子這一結論，另一方面證實了利用SST單環境因子遙感圖像構建漁場預報模型的可行性，表明AlexNet網絡模型在西北太平洋柔魚漁場預報中具有一定的實用性和有效性。

[1]Murata M. Oceanic resources of squids[J]. Marine Behaviour and Physiology, 1990, 18(1): 19-71.

[2]唐峰華，陸良峰，朱金鑫，等. 我國北太平洋魷釣漁業的現狀、面臨的問題及發展對策[J]. 漁業信息與戰略，2013，28(1)：14-19. Tang Fenghua, Lu Liangfeng, Zhu Jinxin, et al. Present situation, problems and development strategy for the North Pacific squid fishing fishery[J]. Fishery Information & Strategy, 2013, 28(1): 14-19. (in Chinese with English abstract)

[3]陳新軍，錢衛國，劉必林，等. 主要經濟大洋性魷魚資源漁場生產性調查與漁業概況[J]. 上海海洋大學學報，2019，28(3)：344-356. Chen Xinjun, Qian Weiguo, Liu Bilin, et al. Productive survey and fishery for major pelagic economic squid in the world[J]. Journal of Shanghai Ocean University, 2019, 28(3): 344-356. (in Chinese with English abstract)

[4]陳新軍. 世界頭足類資源開發現狀及我國遠洋魷釣漁業發展對策[J]. 上海海洋大學學報，2019，28(3)：321-330. Chen Xinjun. Development status of world cephalopod fisheries and suggestions for squid jigging fishery in China[J]. Journal of Shanghai Ocean University, 2019, 28(3): 321-330. (in Chinese with English abstract)

[5]樊偉，陳雪忠，沈新強. 基于貝葉斯原理的大洋金槍魚漁場速預報模型研究[J]. 中國水產科學，2006，13(3)：426-431. Fan Wei, Chen Xuezhong, Shen Xinqiang. Tuna fishing grounds prediction model based on Bayes probability[J]. Journal of Fishery Sciences of China, 2006, 13(3): 426-431. (in Chinese with English abstract)

[6]崔雪森，唐峰華，張衡，等. 基于樸素貝葉斯的西北太平洋柔魚漁場預報模型的建立[J]. 中國海洋大學學報：自然科學版，2015，45(2)：37-43. Cui Xuesen, Tang Fenghua, Zhang Heng, et al. The establishment of Northwest Pacificfishing ground forecasting model based on naive bayes method[J]. Periodical of Ocean University of China: Natural Science Edition, 2015, 45(2): 37-43. (in Chinese with English abstract)

[7]Bo D, Cau L H, Thanh N D. Fishing ground forecast in the offshore waters of Central Vietnam (Experimental results for purse-seine and drift-gillnet fisheries)[J]. Vietnam National University Journal of Science: Earth and Environmental Sciences Edition, 2010, 26(2): 57-63.

[8]Solanki H U, Bhatpuria D, Chauhan P. Applications of Generalized Additive Model (GAM) to satellite-derived variables and fishery data for prediction of fishery resources distributions in the Arabian Sea[J]. Geocarto International, 2017, 32(1): 30-43.

[9]李航. 統計學習方法[M]. 北京：清華大學出版社，2012.

[10]陳雪忠，樊偉，崔雪森，等. 基于隨機森林的印度洋長鰭金槍魚漁場預報[J]. 海洋學報：中文版，2013，35(1)：158-164. Chen Xuezhong, Fan Wei, Cui Xuesen, et al. Fishing ground forecasting ofin Indian Ocean based on random forest[J]. Acta Oceanologica Sinica: Chinese Edition, 2013, 35(1): 158-164. (in Chinese with English abstract)

[11]崔雪森，伍玉梅，張晶，等. 基于分類回歸樹算法的東南太平洋智利竹筴魚漁場預報[J]. 中國海洋大學學報：自然科學版，2012，42(7/8)：53-59. Cui Xuesen, Wu Yumei, Zhang Jing, et al. Fishing ground forecasting of Chilean jack mackerel () in the Southeast Pacific Ocean based on CART decision tree[J]. Periodical of Ocean University of China: Natural Science Edition, 2012, 42(7/8): 53-59. (in Chinese with English abstract)

[12]魏聯，陳新軍，雷林，等. 西北太平洋柔魚BP神經網絡漁場預報模型比較研究[J]. 上海海洋大學學報，2017，26(3)：450-457. Wei Lian, Chen Xinjun, Lei Lin, et al. Comparative study on the forecasting models of squid fishing ground in the Northwest Pacific Ocean based on BP artificial neural network[J]. Journal of Shanghai Ocean University, 2017, 26(3): 450-457. (in Chinese with English abstract)

[13]汪金濤，高峰，雷林，等. 基于神經網絡的東南太平洋莖柔魚漁場預報模型的建立及解釋[J]. 海洋漁業，2014，36(2)：131-137. Wang Jintao, Gao Feng, Lei Lin, et al. Modeling of fishing grounds forbased on BP neural network in Southeast Pacific[J]. Marine Fisheries, 2014, 36(2): 131-137. (in Chinese with English abstract)

[14]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. Mao Jiangmei, Chen Xinjun, Yu Jing. Forecasting fishing ground ofbased on BP neural network in the South Pacific Ocean[J]. Acta Oceanologica Sinica, 2016, 38(10): 34-43. (in Chinese with English abstract)

[15]陳洋洋，陳新軍，郭立新，等. 基于BP神經網絡的中西太平洋鰹魚漁場預報模型構建與比較[J]. 廣東海洋大學學報，2017，37(6)：65-73. Chen Yangyang, Chen Xinjun, Guo Lixin, et al. Comparison of fishing ground of skipjack based on BP neural network in the Western and Central Pacific Ocean[J]. Journal of Guangdong Ocean University, 2017, 37(6): 65-73. (in Chinese with English abstract)

[16]Li Gang, Cao Jie, Zou Xiaorong, et al. Modeling habitat suitability index for Chilean jack mackerel () in the South East Pacific[J]. Fisheries Research, 2016, 178: 47-60.

[17]崔雪森，周為峰，唐峰華，等. 基于約束線性回歸的柔魚棲息地指數漁場預報模型構建[J]. 漁業科學進展，2018，39(1)：64-72. Cui Xuesen, Zhou Weifeng, Tang Fenghua, et al. The construction of habitat suitability index forecast model offishing ground based on constrained linear regression[J]. Progress in Fishery Sciences, 2018, 39(1): 64-72. (in Chinese with English abstract)

[18]Tian Siquan, Chen Xinjun, Chen Yong, et al. Evaluating habitat suitability indices derived from CPUE and fishing effort data forin the Northwestern Pacific Ocean[J]. Fisheries Research, 2009, 95(2/3): 181-188.

[19]方學燕，陳新軍，丁琪. 基于棲息地指數的智利外海莖柔魚漁場預報模型優化[J]. 廣東海洋大學學報，2014，34(4)：67-73. Fang Xueyan, Chen Xinjun, Ding Qi. Optimization fishing ground prediction models ofin the high sea off Chile based on habitat suitability index[J]. Journal of Guangdong Ocean University, 2014, 34(4): 67-73. (in Chinese with English abstract)

[20]周飛燕，金林鵬，董軍. 卷積神經網絡研究綜述[J]. 計算機學報，2017，40(6)：1229-1251. Zhou Feiyan, Jin Linpeng, Dong Jun. Review of convolutional neural network[J]. Chinese Journal of Computers, 2017, 40(6): 1229-1251. (in Chinese with English abstract)

[21]李占強. 全球常年周平均海表溫度場構建及其在西北太平洋中的應用[D]. 大連：大連海洋大學，2014. Li Zhanqiang. Long-Term Weekly Average Field of Sea Surface Temperature and Used in Northwest Pacific[D]. Dalian: Dalian Ocean University, 2014. (in Chinese with English abstract)

[22]汪金濤. 大洋性經濟柔魚類漁情預報與資源量評估研究[D]. 上海：上海海洋大學，2015. Wang Jiangtao. Fishery Forecasting and Stock Assessment for Commercial Oceanic Ommastrephid Squid[D]. Shanghai: Shanghai Ocean University, 2015. (in Chinese with English abstract)

[23]Food and Agriculture Organization of the United Nations (FAO). Global capture production (Online query)[EB/OL]. 2015, http: //www. fao. org/fishery/topic/16140/en.

[24]Srivastava N, Hinton G E, Krizhevsky A, et al. Dropout: A simple way to prevent neural networks from overfitting[J]. Journal of Machine Learning Research, 2014, 15(1): 1929-1958.

[25]Krizhevsky A, Sutskever I, Hinton G E, et al. ImageNet classification with deep convolutional neural networks[C]//Neural information processing systems, 2012, 60(6): 1097-1105.

[26]Fan Wei, Wu Yumei, Cui Xueseng. The study on fishing ground of neon flying squid,, and ocean environment based on remote sensing data in the Northwest Pacific Ocean[J]. Chinese Journal of Oceanology and Limnology, 2009, 27(2): 408-414.

[27]馬金，陳新軍，劉必林，等. 北太平洋柔魚漁業生物學研究進展[J]. 上海海洋大學學報，2011，20(4)：563-570. Ma Jin, Chen Xinjun, Liu Bilin, et al. Review of fisheries biology of neon flying squid () in the North Pacific Ocean[J]. Journal of Shanghai Ocean University, 2011, 20(4): 563-570. (in Chinese with English abstract)

[28]Tian Siquan, Chen Xinjun, Chen Yong, et al. Standardizing CPUE offor Chinese squid-jigging fishery in Northwest Pacific Ocean[J]. Chinese Journal of Oceanology and Limnology, 2009, 27(4): 729-739.

[29]魏廣恩，陳新軍，李綱. 西北太平洋柔魚洄游重心年際變化及預測[J]. 上海海洋大學學報，2018，27(4)：573-583. Wei Guangen, Chen Xinjun, Li Gang. Interannual variation and forecasting ofmigration gravity in the Northwest Pacific Ocean[J]. Journal of Shanghai Ocean University, 2018, 27(4): 573-583. (in Chinese with English abstract)

[30]陳新軍，田思泉. 西北太平洋海域柔魚的產量分布及作業漁場與表溫的關系研究[J]. 中國海洋大學學報：自然科學版，2005，35(1)：101-107. Chen Xinjun, Tian Siquan. Study on the catch distribution and relationship between fishing ground and surface temperature forin the Northwestern Pacific Ocean[J]. Periodical of Ocean University of China: Natural Science Edition, 2005, 35(1): 101-107. (in Chinese with English abstract)

[31]唐峰華，史赟榮，朱金鑫，等. 海洋環境因子對日本海太平洋褶柔魚漁場時空分布的影響[J]. 中國水產科學，2015，22(5)：1036-1043. Tang Fenghua, Shi Yunrong, Zhu Jinxin, et al. Influence of marine environment factors on temporal and spatial distribution of Japanese common squid fishing grounds in the Sea of Japan[J]. Journal of Fishery Sciences of China, 2015, 22(5): 1036-1043. (in Chinese with English abstract)

[32]余為，陳新軍，易倩，等. 西北太平洋柔魚傳統作業漁場資源豐度年間差異及其影響因子[J]. 海洋漁業，2013，35(4)：373-381. Yu Wei, Chen Xinjun, Yi Qian, et al. Annual difference of abundance index and its influencing factors ofin traditional fishing grounds in the Northwest Pacific[J]. Marine Fisheries, 2013, 35(4): 373-381. (in Chinese with English abstract)

[33]Shen Xinqiang, Wang Yunlong, Yuan Qi, et al. Distributional characteristics of chlorophyll a and relation to the fishing ground in the squid fishing ground of the Northern Pacific Ocean[J]. Acta Oceanologica Sinica, 2004, 26(6): 118-123.

[34]唐峰華，樊偉，伍玉梅，等. 北太平洋柔魚漁場資源與海洋環境關系的季節性變化[J]. 農業資源與環境學報，2015，32(3)：242-249. Tang Fenghua, Fan Wei, Wu Yumei, et al. Seasonal changes of relationship between marine environment and squid fishing resources in North Pacific Ocean[J]. Journal of Agricultural Resources and Environment, 2015, 32(3): 242-249. (in Chinese with English abstract)

[35]唐峰華，靳少非，張勝茂，等. 北太平洋柔魚漁場時空分布與海洋環境要素的研究[J]. 中國環境科學，2014，34(8)：2093-2100. Tang Fenghua, Jin Shaofei, Zhang Shengmao, et al. Study for marine environmental elements on spatio-temporal distribution of neon flying squid in the North Pacific fishing ground[J]. China Environmental Science, 2014, 34(8): 2093-2100. (in Chinese with English abstract)

Construction of fishing ground forecast model ofusing convolutional neural network in the Northwest Pacific

Zhu Haopeng1,2, Wu Yumei2, Tang Fenghua2, Jin Shaofei3, Pei Kaiyang4, Cui Xuesen2※

(1.,,201306,; 2,,,,, 200090,; 3,,350108,; 4,,201306,)

To improve the accuracy and practicability of fishery forecast in the Northwest Pacific, a method of constructing a forecast model of squid was proposed based on the principle of deep learning. In this study, the data included the fishery catch data from the North Pacific squid fishing boat production information and the Sea Surface Temperature (SST) from the moderate-resolution imaging spectroradiometer, from July to November 2000-2015. According to the combination of different channels, four kinds of datasets were formed for the model training, including the single-channel dataset only containing SST; 2-channels dataset of SST and month; 3-channels dataset of SST, longitude, and latitude; 4-channels dataset of SST, month, longitude, and latitude. To match the data of the first channel in dimensionality, the three-input data of longitude, latitude, and month needed to be expanded from a 0-dimensional scalar quantity to a 2-dimensional tensor with pixels of 65×65 and regarded as the second, third, and fourth channel. Because of the insufficiency of effective fishery catch data, these datasets were enhanced by random rotation of the SST image with a small-angle between -10° and +10° and a random 0.1° offset of the image center in four directions, including north, south, east and west. The AlexNet was chosen as the structure of the Convolutional Neural Network (CNN) model, and it consisted of five convolutional layers, three max-pooling layers, and three fully-connected layers with a final 2-way softmax. Different from traditional fishery forecast methods, this method used the Graphics Processing Unit (GPU) to accelerate training, and its extraction of environmental features was automatically completed by computer. SST, latitude, longitude, and month were all factors that needed to be considered when constructing a fishing ground forecast model. The impact of these factors on the accuracy of the fishing ground forecast was compared and analyzed. The results showed that 1) According to the migration laws of squid, the datasets from July to November were divided into three sub-datasets, including July to August, September, and October to November. This way of month combination increased the testing accuracy by at least 6.1 percent points. The testing accuracies of three sub-datasets of July to August, September, October to November were much higher than that of the whole dataset (74.4%) from July to November. 2) The training result of the 4-channels dataset was the best, and the testing accuracy was significantly higher than that of others. The single-channel dataset only containing SST achieved the testing accuracy of at least 73.5%, which indicated that SST was the most important factor among the four factors of SST, longitude, latitude, and month. 3) The actual fishery catch data of 2015 was used to validate the accuracy of the forecast model, and precision and recall were chosen as the evaluation indexes of this model. The average precision, recall, and F1-score were 66.6%, 82.3%, and 73.1%, respectively. The predicted high-yield fishing areas basically matched the actual high-CPUE (Catch Per Unit Effort) areas, and the monthly movement trends of both were also basically consistent. 4) The training results were satisfactory, and the testing accuracy converged to about 80.5% after 80 000 iterations of training. The accuracy of three testing datasets with 4-channels dataset of July to August, September, and October to November was 80.5%, 81.5%, and 81.4%, respectively. It could be concluded that SST and its temporal and spatial information played an important role in the forecast of the Northwest Pacific squid fishery. And the training results demonstrated that it was feasible to construct a squid fishery forecast model by using a dataset of single environmental factor SST and CNN. It also could be concluded that the migratory laws of squid were significant and could not be ignored in the process of the fishery forecast model construction.

convolutional neural network; models; fisheries; Northwest Pacific;

朱浩朋，伍玉梅，唐峰華，等. 采用卷積神經網絡構建西北太平洋柔魚漁場預報模型[J]. 農業工程學報，2020，36(24)：153-160.doi：10.11975/j.issn.1002-6819.2020.24.018 http://www.tcsae.org

Zhu Haopeng, Wu Yumei, Tang Fenghua, et al. Construction of fishing ground forecast model ofusing convolutional neural network in the Northwest Pacific[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(24): 153-160. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.24.018 http://www.tcsae.org

2020-08-05

2020-09-15

國家重點研發計劃（2019YFD0901405）；上海市自然科學基金項目（17ZR1439700）；中國水產科學研究院基本科研業務費項目（2019T08）；中國水產科學研究院院級基本科研業務費（2018GH13）

朱浩朋，主要從事柔魚漁場預報研究。Email：zhuhaop_v@163.com

崔雪森，副研究員，主要從事漁業信息與遙感方向研究。Email：cui1012@sh163.net

10.11975/j.issn.1002-6819.2020.24.018

S931.3

A

1002-6819(2020)-24-0153-08