基于雙模態深度學習模型的漁場漁情預報

袁紅春 張碩 陳冠奇

摘要：?為解決傳統漁場漁情預測方法在處理高維復雜海洋數據時存在人工干預較多、擬合困難、精度不高的問題，提出了一種基于雙模態深度學習的漁場漁情預測方法。首先，該方法將不同海洋環境因子在5°×5°漁業作業區域范圍內按照空間相對位置映射為三維矩陣。然后，分別使用卷積神經網絡模型（CNN）和深度神經網絡模型（DNN）對海洋環境因子和時空因子2種異構數據進行特征提取。最后，將基于時空信息的深度神經網絡模型與卷積結構進行特征融合，再將融合后的特征經過全連接層進行分類。試驗結果表明，雙模態深度學習模型對南太平洋長鰭金槍魚中心漁場的漁場漁情預報率達到了89.8%，較其他漁場漁情預報模型精度提高10%～30%。同時由于該模型使用卷積神經網絡，可以對任意空間分辨率的海洋環境因子進行特征提取，省去了手動匹配不同空間分辨率的過程，減少了人工干預，對南太平洋長鰭金槍魚的漁業作業與漁場漁情預報有極高的指導意義。

關鍵詞：?雙模態深度學習模型;漁場漁情預報;長鰭金槍魚

中圖分類號：?S934??文獻標識碼：?A??文章編號：?1000-4440（2021）02-0435-08

Abstract：?To solve the problems of much manual intervention， difficulty in fitting and low accuracy in processing ocean data of high-dimensional complex by traditional fishery forecasting methods in the fishing ground， a fishery forecasting method based on dual-modal deep learning was proposed. Firstly， the method mapped different marine environmental factors within a 5°×5° fishery operation area into a three-dimensional matrix according to their relative spatial positions. Secondly， features of two heterogeneous data such as marine environmental factors and spatiotemporal factors were extracted by convolutional neural network （CNN） model and deep neural network （DNN） model respectively. Finally， the deep neural network model based on spatiotemporal information and the convolution structure were fused by feature， and the fused features were classified through the fully connected layer. The results showed that， the forecast rate of fishery by dual-modal deep learning model in the central fishing ground of albacore in the South Pacific reached 89.8%， which improved the forecast accuracy by 10%-30% compared with forecast models in other fishing grounds. At the same time， because the model used a convolutional neural network， which could extract features of marine environmental factors with any spatial resolution， thus eliminated the process of matching different spatial resolutions by manual and reduced manual intervention， which showed extremely high guiding significance for the fishing operations and fishery forecast in the fishing ground of albacore in the South Pacific.

Key words：?dual-modal deep learning model;fishery forecasting in the fishing ground;albacore tuna

長鰭金槍魚（Thunnus alalunga）是高度洄游的大洋性魚類，因其經濟價值高，資源量相對豐富，故該魚種具有較大開發潛力，已引起包括中國在內的很多漁業國家的關注與重視。如何提高南太平洋長鰭金槍魚的漁場漁情預測水平已成為國內外學術界研究熱點之一。通過調研區域漁業管理部門的漁獲量和努力量數據，發現長鰭金槍魚的種群主要分布于太平洋，并且在南太平洋海域近二十年來長鰭金槍魚產量逐年增長。目前長鰭金槍魚已成為南太平洋金槍魚延繩釣漁業的主要捕撈對象之一[1]，準確預報南太平洋長鰭金槍魚漁場，對于合理安排漁業生產，提高捕撈效益具有重要意義。

目前國內外農漁學者通常將漁情預測看作是一種分類或回歸問題，通常采取的方式是統計學方法和GIS技術對漁場漁情進行分析和預估。但由于海洋數據的復雜性、多變性，需要人為對海洋數據進行預處理以及樣本重組，在預測過程中，整個流程較為復雜，且人為篩選的特征和預處理方式直接影響模型的預測準確率，故預測結果受人為因素影響較大，不具備泛化性，可普及程度低。近年來國內外有研究者構建多種模型進行漁場漁情預報，如Zagaglia等[2]、Zainuddin等[3]通過廣義加性模型（GAM）與廣義線性模型（GLM）對長鰭金槍魚漁場漁情建立預報模型。崔雪森等[4] 使用樸素貝葉斯方法對西北太平洋柔魚漁場漁情進行回歸預測。宋利明等[5] 針對不同水層的環境因子差異，使用支持向量機進行分析，測算了庫克群島海域長鰭金槍魚棲息環境綜合指數。

隨著海洋科技的進步，漁業數據規模變得更加巨大，傳統的線性模型在對海量高維度數據進行分析時，模型預測的準確率往往偏低[6] 。現有漁情預測模型大多基于小范圍海面區域或短期漁業數據進行預測。而深度學習的發展，給傳統漁情預測帶來了新的思路。深度神經網絡能夠在復雜動態場景中挖掘出重要的語義特征，在大規模數據預測上有較好的擬合效果[7-9]。在數據結構上，海洋環境因子在空間排列上為二維矩陣，可以通過疊加不同的環境因子構成三維矩陣，將其視為圖像信息，十分適合使用卷積神經網絡（CNN）進行特征提取，而時空因子則是均勻分布的離散特征，此類特征適合使用深度神經網絡（DNN）神經網絡進行特征提取。本研究基于2種異構數據，使用雙模態學習的方式構建模型，先通過卷積神經網絡挖掘環境因子的內在關系，并與DNN提取的時空信息特征相結合，再用卷積神經網絡的特征提取方法將不同空間分辨率的數據融合到統一模型中，共同預測漁場漁情等級，以提高南太平洋長鰭金槍魚漁場漁情預報的精度。

1?材料與方法

1.1?數據來源

根據捕撈南太平洋長鰭金槍魚的作業范圍，選取135°W～115°E、10°S～35°S為研究海域，采用2000-2015年的數據進行分析研究。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）的南太平洋延繩釣數據。該數據包括作業時間、作業空間坐標位置、釣鉤數、捕獲量（質量和尾數）。該捕撈數據以月為時間分辨率進行記錄，將產量以5°×5°空間分辨率進行匯總。

長鰭金槍魚分布受海表溫度、葉綠素a含量、鹽度、渦動能和海流等多種因子影響[10] ，因此本研究選取即時性較強、獲取方便的環境遙感數據作為解釋因子，包括海表溫度（SST）、葉綠素a含量（Chla）、海面高度（SSH）。其中海表溫度、葉綠素a含量的數據來源于美國國家海洋和大氣管理局（Nation oceanic and atmospheric administration， NOAA）環境數據庫。海面高度數據來源于哥白尼海洋環境監測服務中心（Copernicus marine environment monitoring service，CMEMS）。該環境數據以月為時間分辨率，空間分辨率為1°×1°。

1.2?數據預處理與評估方法

1.2.1?單位捕撈努力量漁獲量（CPUE）的計算?在漁業作業生產中通常采用單位捕撈努力量漁獲量（CPUE）來表示漁業資源的豐度水平[11-13]。本研究在5°×5°的空間網格內對CPUE進行計算，公式如下：

其中CPUE（i，j）表示經度i緯度j處漁區范圍內的CPUE，F（i，j）和H（i，j）分別為對應的漁獲尾數和釣鉤數。

1.2.2?漁業作業數據處理?在漁業公司的日常作業中，為了節省能源與提高產量，漁船的作業區域常常圍繞著高產區，因此提升高產區預報精度對于指導漁業作業有著十分重要的意義。研究中常使用三分位數將漁區按照CPUE的大小劃分為若干個類別，將CPUE有效離散化[14-15]，從而適用于分類模型。

按照公式（1）的方法計算出CPUE值后，以每月CPUE三分位點的上三分位點（即CPUE最高數值的三分位點）為分界點重新將每月的CPUE劃分為2類，并分別命名為中心漁場和非中心漁場，并將中心漁場標簽值初始化為1，非中心漁場標簽值初始化為0。最終得到中心漁場2 875個，非中心漁場5 579個，2種類別的漁場數量分布不均勻。

1.2.3?環境數據處理?對于傳統的漁場漁情預報方法在面對環境因子與漁業作業數據空間分辨率不匹配時，常常采用取平均值、取中心值等方法統一環境因子數據與作業數據空間分辨率 [16]。這是由于在傳統的模型中如果采取不同空間分辨率的數據，會導致海洋環境因子在輸入層所占比重較大，當時空因子與海洋環境因子分布不均勻時，最終預報精度將會受到影響。本研究分別使用CNN和DNN提取兩種類型的異構數據。由于卷積神經網絡特有的卷積和池化操作，可以在運算的同時將環境數據的空間分辨率下降到與時空因子相同大小，因此本研究所用數據無需對海洋環境因子數據進行匹配，使用1°×1°的空間分辨率即可。

對于環境因子的預處理共分2步：第1步是將海洋環境因子和時空因子進行歸一化，消除量綱;第2步則是將海洋環境因子映射為三維矩陣，可看作RGB三通道彩色像。

1.2.3.1?環境因子歸一化?由于不同環境因子的量綱和數量級不同，首先將海表溫度、葉綠素a含量、海面高度、月份、經度、緯度歸一化到0至1范圍內，具體的計算公式為：

式中Xi代表某環境因子初始值，Xmax代表此環境因子在全部研究區域中的最大值，Xmin表示此環境因子在全部研究區域中的最小值，X′表示數據歸一化后得到的值。

1.2.3.2?將海洋環境因子映射為三維矩陣?先將整個研究區域按照1°×1°劃分為網格區域，然后再將整個海域中歸一化后的環境因子數據以5°×5°漁業作業范圍進行組織，從而構成5×5大小的環境因子矩陣，最終將3種環境因子疊加為三維矩陣，即每個漁場作業點分別根據海表溫度、海面高度、葉綠素a含量數值生成一個5×5×3大小的矩陣。例如，對于處于緯度為i、經度為j的作業點，設其海面高度為Hij，海表溫度為Tij，葉綠素a含量為Aij。將此作業點5°×5°范圍內的環境因子轉換為如圖1所示的三維矩陣：

為了方便輸入卷積神經網絡中進行運算，Python3.6中的Numpy科學計算包將三維矩陣統一轉換為Numpy數組并保存，原數據具體格式如表1所示。

1.2.4?預報精度評估方法?漁場漁情預報精度是描述漁場漁情預報結果與真實捕撈數據之間符合程度的標準。由于漁業作業會受到相關法律法規和天氣等影響，部分漁場并沒有漁船進行作業，CPUE并不能完全表示該漁場的等級水平，因此本文使用總召回率（Recall）作為評估標準[17] ，具體計算方法如下：

1.3?多模態學習

海洋大數據具有多源異構性特點，采用多模態學習方式十分適合。Srivastava等[18]利用受限玻爾茲曼機分別提取2種不同數據的特征，然后將其進行有監督學習。除此之外還有眾多學者嘗試了多模態支持向量機[19和多模態半監督學習[20]等多模態學習方法。

多模態學習使用不同的方式對不同種類的特征進行提取，然后映射到統一特征空間中進行學習，十分有利于多源異構數據的處理。對于不同數據類型可以各自選擇合適的模型進行特征提取。通過多模態學習能夠處理和關聯來自多種模式信息的模型，對于許多實際問題，多模態學習常常為涉及多模式數據的問題提供了很多改進的性能。多模態學習與傳統機器學習的區別見表2。

1.4?模型結構

對不同結構的數據類型分別選擇合適的神經網絡類型進行特征提取，以取得更好的特征提取效果。將海洋環境遙感數據經本研究方法轉換后的三維矩陣看作RGB三通道圖像格式，在該數據類型中，同一通道內同一種海洋環境因子是相似的，但是也存在類似于紋理的差異性。不同通道的數據差異較大，但在空間位置上又相互關聯，通過卷積神經網絡進行特征提取能夠融合多種環境因子，同時減少參數量。時空環境因子是離散的數值型數據，適用于DNN進行特征提取。本試驗的數據類型存在圖像格式和數值型2種模態，所以2種數據類型可以分別在特征提取后進行特征融合，然后使用全連接層映射到標簽空間內進行分類。

整個模型的設計分為2個分支結構，一個結構是使用卷積神經網絡提取海洋環境因子特征，另一個結構則是利用DNN提取時空因子特征，將2種特征融合后共同輸入到全連接層進行分類。具體流程如圖2所示。

1.4.1?卷積結構設計?卷積部分的輸入矩陣大小為5×5×3，故在卷積過程不適合進行池化操作，全局采用64個3×3大小的卷積核進行操作，最終使用全局平均池化將三維特征值矩陣轉換為二維特征向量，該向量用于后續的特征融合。具體的卷積分支結構如表3所示。

1.4.2?深度神經網絡結構設計?深度神經網絡分支的輸入層為月份、經度、緯度3種時空因子構成的特征向量。為了使特征提取后的權重與3種海洋環境因子相同，該分支采用與卷積神經網絡分支濾波器數目相同的隱層節點數，即3-32-32-32結構，如圖3所示。

1.4.3?模型整體結構?海洋環境因子數據與時空因子數據經上述設計的2個分支結構進行特征提取后得到2個長度為32的特征向量。由于海洋環境因子與時空因子都對漁業CPUE有很大的影響，考慮到各個提取到的環境因子的重要性難以確定，本模型將2個特征向量進行拼接，并在融合后的特征層新增2個含64個節點的全連接層，以便于2種特征更加充分地融合。

由于預測中心漁場與非中心漁場為二分類問題，故在全連接層后新增一個Sigmoid函數作為輸出層。在試驗中我們視中心漁場標簽為1，非中心漁場標簽為0，當正負樣本分布均勻時，我們認為輸出值y，滿足：

即輸出y>0.5時，將該作業區域視為為中心漁場。由于漁場等級劃分時中心漁場與非中心漁場所占比重差異很大，因此將分類閾值重新調整為：

其中T=2 669為訓練集中心漁場的數目，F=5 182為訓練集非中心漁場的數目。最終得到分類閾值為0.34。最終模型的整體結構如圖4所示。

1.5?試驗設計

依據上述長鰭金槍魚漁場漁情預報方法，分別使用DNN和CNN模型提取2種模態的數據特征，實現雙模態漁場漁情預報模型。本試驗工作站顯卡型號為NVIDIA GTX 1080Ti，CPU型號為AMD Ryzen Threadripper 1950X，操作系統為Windows10，并搭建了基于Python3.6的TensorFlow 1.3框架與Keras 2.0.8框架。其中試驗訓練數據為經過預處理的雙模態環境因子數據。2000-2014年共有數據7 851條，另外選擇2015年603條數據作為測試集。模型訓練時學習率設置為0.000 1，采用Adam優化器進行訓練，并設置最大迭代次數為50次。

為驗證本研究模型的準確率和優越性，設置了模型對比試驗。其他4種模型分別是只通過CNN分支進行特征提取海洋環境因子并分類的CNN模型，只使用DNN分支對海洋環境因子與時空因子進行提取并分類的DNN模型，袁紅春等[7]提出的F-ACN（全卷積深度神經網絡）模型以及采用基于FastICA方法進行獨立成分分析的樸素貝葉斯模型。

2?結果與分析

2.1?不同模型訓練擬合過程對比分析

試驗結果表明，F-CAN模型能夠對大規模海洋數據進行特征提取，在準確率上該方法與傳統漁情預報方法相比有較為明顯的提升。基于雙模態深度學習方法是在F-CAN模型的基礎上處理高維復雜海洋數據時提出的一種新思路。F-ACN 模型的多層非線性結構和龐大可訓練參數能夠比較充分地擬合多參數間的非線性關系，但 F-ACN 模型在訓練初期學習進度較為緩慢，無法判明類別，梯度方向也不斷變化，當進行10 次迭代后，損失值開始快速下降。而本研究提出的多模態深度學習方式采用多分支結構，相較于傳統卷積神經網絡參數量較小，經過多次試驗發現大約進行50次迭代后模型就達到了擬合狀態，并且從預測結果可以看出，本研究提出的方法具備更好的擬合效果。

2.2?不同模型漁場漁情預測結果比較

不同模型預測結果表明，分別使用2種模型對2種模態數據進行特征提取的雙模態模型極大地提高了南太平洋長鰭金槍魚漁場漁情的預報精度，預測結果如表4所示。由表4可以看出，相比于其他模型，本研究提出的雙模態學習模型總體準確率最高。雙模態學習模型的優點是能夠針對不同結構的特征進行特征提取，所獲得的特征值更加具有代表性。雙模態學習模型對于中心漁場的預報準確率達到了89.8%，遠高于其他模型，可以準確地反映南太平洋長鰭金槍魚的漁場資源水平。由于模型的總精準率均達到了83.5%，不僅可以準確地預報中心漁場位置，而且誤報率較低。雙模態學習模型分別針對矩陣型數據和數值型數據使用2種神經網絡進行特征提取，取得了遠高于單模態模型CNN或DNN的預報準確率，同時彌補了單模態模型對于不同類型特征進行提取時的不足，可以充分利用卷積神經網絡的特征提取能力和DNN模型優秀的特征融合能力，發揮各自的優勢。

樸素貝葉斯模型是通過對歷史數據的頻率統計得到先驗概率和條件概率，從而計算出后驗概率。故樸素貝葉斯模型雖同為分類模型，但其要求輸入模型前各變量相互獨立，在模型訓練前需要對多種輸入參數進行獨立成分分析，這不僅會增加模型復雜度，同時還易損失數據信息量。

F-ACN 模型主要由多層卷積神經網絡和 DNN 構成，具備更強的非線性，比樸素貝葉斯模型包含更多的可訓練參數。與此同時，F-ACN模型通過全卷積網絡結構，取消了池化操作，使用步長為 2 的卷積層來代替，模型在卷積層的計算量較普通卷積網絡減少了 1/2，極大地加速了運算速度。針對海洋數據大規模、多源化、異構性的特點，該模型能夠較好地擬合復雜的海洋數據，自動獲取海量高維海洋大數據中存在的復雜關聯，F-CAN模型較樸素貝葉斯模型能更精準地預報漁場漁情。對比回歸模型，F-ACN模型得到的預報結果是一個離散值，不存在一個連續的預測概率值，所以能夠更明確直觀地表示對漁場漁情等級的預測水平。F-ACN 模型結構作為一種“黑盒”模型，對漁業數據的假設條件不作要求，只先對數據進行三維獨熱編碼簡單處理即可，無需考慮環境因子間的相互影響，且當環境因子種類增加時，只需增加訓練集三維矩陣的維度即可在原模型上繼續訓練，故相較于其他模型而言，F-ACN 模型具有較好的可擴展性與簡易性。

但F-ACN 模型僅考慮了漁場與環境因子的關聯關系進行獨立漁場漁情預報，而南太平洋長鰭金槍魚作為一種高度洄游性的大洋魚類，各漁區的漁場數據在一段連續時間內與時空因素存在一定的關聯關系。本研究提出的基于雙模態深度學習的方法將漁場的時間序列因素和空間因子分別采用CNN和DNN進行提取，將特征加入到模型中，更進一步提高了漁場漁情預報準確率。通過CNN模型對任意空間分辨率的海洋環境因子數據進行特征提取，解決了海洋環境因子空間分辨率與漁業作業數據空間分辨率不匹配的問題。該模型可以通過卷積運算獲取5°×5°漁業作業范圍內1°×1°的信息，同時卷積運算的輸入矩陣保留了各個數據點的空間位置信息和5°×5°空間內環境因子的內部規律，遠優于各種手工的歸一化方法。在多個卷積核對不同層之間的各個環境因子進行交互運算時，由于卷積運算權重共享的特性，各卷積層的參數量僅為3×3×32，與全連接操作相比減少了近2/3的參數量。

2.3?其他影響因素對預測結果的影響分析及拓展

由于在實際漁場預報中，月份、緯度等時空因子對漁業CPUE的影響較大，在漁場漁情預報過程中必須要對時空因子進行兼顧，因此本模型采用多分支結構。一方面考慮到時空因子的重要性，多分支結構減少了高維度環境因子特征提取時對預測結果產生的影響，同時在全連接層將2種特征進行融合，使2種特征相互補充，最后輸入到分類器中。CNN分支與DNN分支在模型結構上雖然不同，但在特征提取過程互不影響，且各分支結構的輸出向量維度一致，故提取的特征向量能夠較好地進行融合，并不會由于參數量的差異導致某種環境因子所占比重較小或被忽略。本模型為提高中心漁場預報精度，將漁業數據劃分為中心漁場和非中心漁場2類，使漁場等級標簽更加明確。此外，由于本模型減少了漁場的類別，一定程度上緩解了模型由于類別劃分不清導致分類精度下降的問題。同時，使用卷積神經網絡對海洋環境因子進行特征提取能夠減少數據預處理過程中造成的信息損失，該模型能夠將任意空間分辨率的海洋環境因子與時空因子相結合，對復雜的海洋大數據有較好的適用性和可擴展性。試驗結果表明，本模型對中心漁場的預報準確率可以達到89.8%，完全可以滿足現有漁業作業的需求。不過長鰭金槍魚的中心漁場分布除了受上述因素影響外，還可能受到海水流速、海面風場、海水鹽度、海水溶解氧濃度等因素影響，因此下一步的延申研究工作是收集和分析更多的海洋環境參數數據，將其加入到模型中，進行更多影響因子的綜合處理與分析，以期更加準確地為海洋漁業提供技術支撐。

3?結論

本研究針對傳統漁場漁情預報方法在處理高維復雜海洋數據時難以擬合海洋大數據的缺陷，提出了一種基于雙模態深度學習的南太平洋長鰭金槍魚漁場漁情預報模型，使用CNN和DNN分別提取不同類型數據的特征。該模型能夠對大規模任意空間分辨率的海洋環境因子進行特征提取，省去了手動匹配不同空間分辨率的過程，減少了人工干預，為漁場漁情預報提供了一種全新思路。

采用海面高度、海表溫度、葉綠素a含量3種環境因子，增加了卷積神經網絡模型的輸入矩陣維度，提高了南太平洋長鰭金槍魚漁場漁情預報準確率。在雙模態學習模型中對于海洋環境因子和時空因子的融合使用特征拼接方法，進一步提高了準確率，同時也省去池化操作，提高了運算速度。本研究對各個分支結構的節點數、層數、不同尺度卷積核進行了試驗，增強了模型的特征提取能力，預報精度達到了89.8%，相較于其他模型，極大程度提高了預測精確度，對于南太平洋長鰭金槍魚的漁業作業有較好的指導作用。試驗結果證明了雙模態深度學習技術在漁場漁情預測領域的優越性。

參考文獻：

[1]?NIKOLIC N， MORANDEAU G， HOARAU L， et al. Review of albacore tuna， Thunnus alalunga， biology， fisheries and management[J]. Reviews in Fish Biology and Fisheries， 2017， 27（4）： 775-810.

[2]?ZAGAGLIA C R， LORENZZETTI J A， STECH J L. Remote sensing data and longline catches of yellowfin tuna （Thunnus albacares） in the equatorial Atlantic[J]. Remote Sensing of Environment， 2004， 93（1/2）： 267-281.

[3]?ZAINUDDIN M， SAITOH K， SAITOH S E I I. Albacore （Thunnus alalunga） fishing ground in relation to oceanographic conditions in the western North Pacific Ocean using remotely sensed satellite data[J]. Fisheries Oceanography， 2008， 17（2）： 61-73.

[4]?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.

[5]?宋利明，周建坤，沈智賓，等.基于支持向量機的庫克群島海域長鰭金槍魚棲息環境綜合指數[J].海洋通報，2017，36（2）：195-208.

[6]?HARRELL F E， LEE K L， MARK D B. Tutorial in biostatistics multivariable prognostic models： issues in developing models， evaluating assumptions and adequacy， and measuring and reducing errors[J]. Statistics in Medicine，1996，1 （15） ： 361-387.

[7]?袁紅春，陳冠奇，張天蛟，等.基于全卷積網絡的南太平洋長鰭金槍魚漁場預報模型[J].江蘇農業學報，2020，36（2）：423-429.

[8]?LIU Q， YU F， WU S， et al. A convolutional click prediction model[C]//ASSOCIATION FOR COMPUTING MACHINERY. Proceedings of the 24th ACM International on Conference on Information and Knowledge Management. New York， USA： ACM， 2015： 1743-1746.

[9]?WANG P， XU B， XU J， et al. Semantic expansion using word embedding clustering and convolutional neural network for improving short text classification [J]. Neurocomputing， 2016，174：806-814.

[10]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.

[11]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.

[12]范永超，戴小杰，朱江峰，等.南太平洋長鰭金槍魚延繩釣漁業CPUE標準化[J].海洋湖沼通報，2017（1）：122-132.

[13]ZAINUDDIN M， SAITOH S， SAIROH K. Detection of potential fishing ground for albacore tuna using synoptic measurements of ocean color and thermal remote sensing in the northwestern North Pacific[J]. Geophysical Research Letters， 2004， 31（20）： 183-213.

[14]ISMAIL A I， MORRISION E C， BURT B A， et al. Natural history of periodontal disease in adults： findings from the Tecumseh Periodontal Disease Study， 1959-1987[J]. Journal of Dental Research， 1990， 69（2）： 430-435.

[15]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，2013，35（1）：158-164.

[16]高?峰，陳新軍，官文江，等.基于提升回歸樹的東、黃海鮐魚漁場預報[J].海洋學報，2015，37（10）：39-48.

[17]張?衡，崔雪森，樊?偉.基于遙感數據的智利竹筴魚漁場預報系統[J].農業工程學報，2012，28（15）：140-144.

[18]SRIVASTAVA N， SALAKHUTDINOV R. Multimodal learning with deep boltzmann machines[J]. Journal of Machine Learning Research，2014，15（8）：1967-2006.

[19]林大超，安鳳平，郭章林，等.滑坡位移的多模態支持向量機模型預測[J].巖土力學，2011，32（S1）：451-458.

[20]姜?遠，黎?銘，周志華.一種基于半監督學習的多模態Web查詢精化方法[J].計算機學報，2009，32（10）：2099-2106.

（責任編輯：張震林）