船舶自動識別系統（AIS）數據在海洋漁業中研究應用現狀

于琳琳　樊偉　張衡　戴陽　萬里駿　王斐　石永闖　楊勝龍

摘要：在全球海洋主要經濟漁業資源衰退的背景下，如何保護和可持續開發利用海洋漁業資源受到全球各國、地區和組織高度重視，一直是研究熱點。受傳統海洋漁業數據的制約，一直難以全面了解遠洋漁船的捕撈足跡，因此，無法對其實行有效監控和管理。船舶自動識別系統（automatic identification system， AIS）提供的全球遠洋漁船軌跡數據可以用于量化分析從單艘到全球漁船行為，挖掘的歷史捕撈強度空間信息可為海洋捕撈活動的監測管理和生態壓力評估提供良好的可替代數據來源，成為近年海洋信息和海洋漁業研究的新熱點。為促進AIS數據在我國海洋漁業中的研究應用，對AIS近年的研究內容和應用現狀進行總結，指出AIS數據目前研究的不足和未來潛在的研究方法，以期為AIS在海洋漁業中的研究和應用提供參考。

關鍵詞：AIS；海洋漁業；漁船作業狀態；捕撈強度；漁場信息

doi：10.13304/j.nykjdb.2023.0330

中圖分類號：S951 文獻標志碼：A 文章編號：10080864（2024）05021211

漁船生產覆蓋了全球55%的海域，但人們對漁船的全球生產活動直觀了解知之甚少[1]。了解全球性或大區域的捕撈活動主要依靠聯合國糧農組織（Food and Agriculture Organization of theUnited Nations，FAO）或漁業區域組織（RegionalFisheries Management Organizations，RFMOs）統計的自我報告漁業數據[2]，但匯集后的捕撈數據存在數據錯誤、精度粗糙和時間滯后等不足[3]。日志數據、觀察數據和電子船舶監控系統（vesselmonitoring system of fishing vessel，VMS）提供了高質量的漁業信息，但這些異構數據只覆蓋部分漁船，而且不能公開獲取[1]。由于對漁船生產缺乏全面有效的監控和生態管理政策難以落實，致使支持公海資源可持續利用所需的監管框架和監測機制滯后[1]，公海漁業管理的有效性一直存在爭議，許多公海種群枯竭或過度捕撈[2]，非法、未報告和無管制（illegal， unreported and unregulatedfishing，IUU）捕撈活動會帶來巨大的經濟損失[45]。

船舶自動識別系統（automatic identificationsystem，AIS）是一種基于無線電技術實現的自動識別系統，用于船舶之間和與岸基站之間交換信息。其提供的實時、高精度和公開獲取的軌跡大數據可以直接觀察全球漁船超7萬艘。挖掘漁場時空高精度的捕撈努力量信息，為海洋捕撈活動的監測管理和生態壓力評估提供了良好的可替代數據來源，已經成為海洋漁業和海洋信息研究的熱點。已在漁船捕撈行為識別[6-8] 、捕撈活動聚集區范圍提取[9]、捕撈強度度量[10]、捕撈活動生態壓力評估[1112]等方面取得了一系列研究成果，為海洋生態保護和海洋空間規劃管理提供了重要信息支持[13]。

鑒于AIS 數據越來越多被應用在海洋各領域，全面認識AIS國內外研究現狀和不足，分析其發展動態，對于開展AIS未來研究有重要指導意義。雖然已有一些AIS 研究綜述介紹了AIS 在IUU監管、漁船狀態識別和海洋環境保護等研究現狀，但對AIS研究內容和應用領域介紹的深度和廣度都不夠。因此本文對AIS近年的研究內容和應用領域進行詳細總結介紹，以期為AIS在海洋漁業中的研究和應用提供參考。

1 AIS 功能

AIS 由國際海事組織（International MaritimeOrganization，IMO）引入，旨在提高海上安全和避免船舶碰撞[14]。與通常基于船舶和地面中心之間的點對點衛星通信的VMS不同，AIS消息是由船只全向廣播，可被周圍其他船只、地面接收器和衛星接收到。

1.1 AIS 傳輸信息

AIS系統提供了船只交換狀態矢量（位置、速度、航向、轉向速率等）、靜態信息（船只標識符、尺寸、船型等）和航行相關信息（目的地、預計到達時間、吃水等）[14]。研究中常用到的數據字段主要包括MMSI、時間、經緯度、航速、航向等。

1.2 AIS 傳輸設備

大多數AIS 設備可分為3 種類別：A 類、B類和B+類。A類設備的廣播功率更強（12.5 W，B類和B+類分別為2.0和5.0 W），而且在移動時能頻繁地廣播船舶的位置（每2～10 s廣播1次，B類為30 s，B+類為每5～30 s）。AIS只在2個頻率上廣播，如果2個信息同時在相同頻率上廣播，那么信息將會彼此干擾。為了解決這個問題，A類和B+類AIS設備使用自組織時域多址接入（selforganizedtime division multiple access，SOTDMA）的方案，與附近船只的設備協調，以使它們不同時廣播。

1.3 AIS 數據接收頻率和范圍

與VMS相比，AIS具有非常重要的優勢，即信息的時間分辨率高。根據船舶的特定操作，AIS消息傳輸速率范圍從2 s（高速或轉向率）到3 min（停泊船舶）。AIS消息的更高傳輸速率解決了需要在連續消息之間插值位置的需求，但是由于數據量更大，它也有更高的計算要求。

另一方面，由于AIS最初是為了避免碰撞而設計的，因此其空間覆蓋范圍僅限于視線范圍內或在特定情況下限制于VHF（very high frequency，VHF）傳播。這意味著AIS 消息通常在0～100n mile的距離內接收，具體取決于發射機和接收機的高度。AIS 消息也可以從低地球軌道（lowearth orbit，LEO）衛星接收；但在這種情況下，刷新率會降低到衛星重新訪問的時間。此外，在高交通密度區域，存在消息沖突的問題，導致衛星接收機在這些區域幾乎“失明”。

1.4 數據預處理

由于定位和衛星數據傳輸的原因，AIS 數據包括一些異常值，存在多種異常情況。同一MMSI號的數據對應于多個漁船軌跡信息，這種條件下該MMSI號對應的漁船軌跡信息需刪除。一些MMSI號的軌跡點存在空間重復，對待重復軌跡點應刪除；存在時間重復的軌跡點，一般保留這些點的均值信息。軌跡點存在速度異常值時，可采用單船單航跡的方法和基于航跡聚類的方法檢測并剔除速度異常點[15]。

由于衛星覆蓋和設備故障等原因，部分漁船的 AIS 數據信息接收存在丟失情況。船舶軌跡點存在較長時間缺失，可將軌跡數據進行分段處理[15]。對于數據缺失嚴重，軌跡點時間間隔較大并給分析帶來影響的，也可參考VMS處理方法，對軌跡點進行數據插值[16]。對于衛星覆蓋較好的海域，AIS數據傳輸接收率高，但數據量太大。針對該問題，一些學者會每艘船間隔5 min提取1個軌跡點[17]。

1.5 AIS 研究區域

每天有超過5 000萬條的軌跡信息被Orbcomm和Spire衛星接收。這些信息為不同空間尺度分析漁船行為提供了可能性。

從研究區域角度，AIS 漁船軌跡數據應用研究有全球尺度、區域中尺度和局部小尺度。Kroodsma等[1]計算了全球主要捕撈類型漁船的捕撈努力量信息。Vespe等[17]計算和繪制了歐洲捕撈努力量時空高精度圖。Guiet等[18]基于上述計算的捕撈努力量數據，分析了全球金槍魚延繩釣商業捕撈漁船空間季節分布特征。Zhang等[19]分析了中西太平洋圍網金槍魚漁船捕撈強度空間特征。Yan等[20]繪制了整個中國海岸的漁船軌跡信息。更廣泛的是如近海、海灣和專屬經濟區等區域小尺度研究[21-23]。

在不同空間尺度下，海洋生物和漁船行為對外界因子的響應也存在差異[24]。在全球大尺度下，國家（地區）文化和政策對漁業活動影響明顯，而短期的經濟和環境變化影響不顯著[1]。在小尺度下，帕勞經濟專屬區金槍魚捕撈努力量的空間分布受葉綠素、混合層、海面高度和離馬拉卡爾港的距離等變量影響明顯，但海表溫度影響不顯著[25]。在區域中尺度下，水溫是影響漁船作業空間分布的重要因素[26] 。

2 研究內容

2.1 漁船捕撈類型分類

現有的漁業研究多是按明確的漁具類型搜集AIS數據來研究描述漁船捕撈活動[13，17，27]，通過日期和船只標識符將位置與日志數據匹配[28]。在安裝AIS設備的漁船中，仍有很多船舶無法獲取類型信息[1]，因此需構建船舶作業類型判別模型以識別船舶類型。

速度和航向是識別船舶行為的重要特征，常被用于船舶分類。對航速、航向時間序列數據進行編碼后，鄭巧玲等[29]運用 BP（back propagation）神經網絡建立了中國近海小型漁船的三分類模型；Park等[30]利用圖像識別建立了韓國半島海域漁船的六分類模型。除航速、航向外，漁船的空間地理信息也是識別漁船捕撈行為的重要特征，Marzuki等[31]使用隨機森林和支持向量機算法，有效實現了漁船的四分類識別，但該方法對噪聲比較敏感，且易出現過擬合。Huang等[32]分段提取了23個特征參數，如時間、空間位置、速度等，并利用 XGBoost法，構建了中國近海漁船的九分類模型。Kroodsma等[1]基于AIS數據挖掘12種漁船空間行為特征參數，構建了對全球6類漁船和6類非漁船的卷積神經網絡（convolutional neuralnetwork，CNN）分類模型。船舶的位置、速度和航向等信息是連續的，船舶航跡具有明顯的時間平滑性，下一時刻的位置狀態由歷史時刻的位置滑行而來[33]。楊勝龍等[34]考慮了時間維度信息，構建了三層雙向長短期記憶網絡（bi-directional longshort-term memory，BiLSTM）深度學習模型，實現了對5類遠洋捕撈漁船和4類非漁船的分類。

2.2 漁船作業狀態識別

漁船作業狀態分為作業和非作業。采用AIS漁船軌跡信息挖掘漁場捕撈努力量，前提是正確地區分漁船作業狀態。漁船航行速度通常被用來確定漁船作業狀態[22，35]。基于速度的識別方法依靠專家知識，包括預定速度閾值或速度區間對船只位置進行過濾[22，3637]。原作輝等[37]以速度為閾值條件提取中國金槍魚延繩釣作業狀態點。拖網漁船作業具有明顯的速度變化特征，該方法多應用于拖網漁船作業狀態的識別，且識別準確率較高[22]。

僅采用速度閾值識別漁船狀態，往往會造成捕撈狀態的船位點數量被高估[38]。采用機器學習和深度學習方法可以更深層次地挖掘漁船作業的特征參數，將其作為輸入變量，基于多變量的多元分析[39]、數據挖掘和機器學習方法[1，13，27，38，40]被應用于提高漁船作業狀態的識別準確率。由于大多數漁船的作業和非作業速度呈現雙峰狀態，因此多采用高斯混合模型（Gaussian mixed model， GMM）提取漁船作業軌跡點，識別漁船作業狀態。Guyader等[13]采用GMM方法提取了法國布雷斯特海灣的底拖網漁船捕撈作業點，識別精度為91%。Yan 等[20]采用GMM 方法提取了中國近海所有配備AIS的漁船的軌跡點，提出了一種基于AIS數據識別和分析漁業足跡和活動的框架。

楊勝龍等[4142]采用數據挖掘和支持向量機方法開展了遠洋延繩釣漁船作業狀態識別，支持向量機的識別準確率遠高于速度閾值法。Souza等[27]針對拖網漁船，使用船速作為觀測變量，構建了一個隱馬爾可夫模型（hidden Markov model， HMM），對于金槍魚延繩釣漁船，設計了一種受動物運動研究啟發的算法；對于圍網漁船，采用基于船速和作業時間的多層閾值法。驗證表明，拖網和金槍魚延繩釣漁船的平均檢測準確率為83％，圍網漁船為97％[27]。由于采用速度和作業時間的方法計算簡單、準確率高及依據漁船捕撈作業行為特征，可將該多層次數據挖掘方法應用于提取金槍魚圍網和魷魚釣漁船的作業狀態。

上述漁船作業狀態識別算法，都是針對某一種具體的捕撈類型漁船來構建模型。Kroodsma等[1]構建了一種卷積神經網絡模型，可以對遠洋多種漁船捕撈作業狀態點進行識別。該深度學習模型框架類似于Inception-Reset 結構，模型輸入變量包括速度等12個變量，模型輸出長度為512的一維變量，因此模型運行1次可以識別512個捕撈作業點。該方法對主要漁船的識別準確率超過90%[1]。

2.3 捕撈強度信息圖繪制

采用漁船軌跡數據估計捕撈努力量空間信息，分析漁船作業空間變化，捕撈努力量的量化是前提。漁業捕撈努力量是單位時間內以相同作業方式投入的工作量[43]。Vespe等[17]將捕撈強度定義為單位面積漁船作業狀態軌跡點的總和，并繪制了歐洲1 km×1 km尺度網格內捕撈作業努力量空間分布圖，以漁船高密集出現的區域表示漁船捕撈強度大的地方。該方法沒有考慮漁船投入的時間。Guyader等[13]以捕撈季單位面積投入捕撈的總時間（h）定義為底層拖網的捕撈強度，繪制了各月捕撈強度空間圖。在單位面積投入的總捕撈時間相同的條件下，不同功率的漁船對海洋的捕撈強度是不同的。聯合國糧農組織采用每年總的發動機功率乘以捕撈作業天數（kW·d）表達全球的捕撈努力量[10]。Natale 等[21]和Kroodsma 等[1]將漁船功率和作業時間引入到捕撈努力量的量化模型中，消除漁船自身差異。基于漁船功率和作業時間計算捕撈努力量，能快速、自動、客觀動態地展示捕撈努力量時空分布特點及其變化。但是漁船功率信息難以獲得，模型預測的功率會帶來二次偏差，因此一般仍采用時間量化捕撈努力量。

2.4 漁船作業空間分布特征

對漁船作業空間分布特征進行分析可幫助了解漁船在特定海域的捕撈活動模式、作業習慣和漁業資源的利用情況以及對漁業可持續發展的影響。此外，還可以幫助制定漁業管理和保護政策，為漁業資源的科學管理和合理利用提供依據。基于AIS 數據挖掘的時空高精度捕撈強度空間信息，為了解漁船作業空間變動提供了可能。

Zhang等[19]采用空間地統計方法，在0.5°×0.5°空間分辨率下，開展了中西太平洋金槍魚圍網漁船捕撈強度空間特征以及熱點區域分布研究，計算了Morans I指數等空間指標值，定性和定量分析了捕撈強度的空間分布特征，結果表明，中西太平洋圍網金槍魚漁船尋找漁場捕撈努力量分布存在明顯的空間聚集性，而捕撈作業努力量則無空間聚集性；中西太平洋金槍魚圍網漁獲量、作業網次和單位捕撈努力量漁獲量（catch per unit effort，CPUE）與尋找漁場捕撈努力量呈明顯正相關關系。

目前AIS數據分析空間分辨率從0.01°×0.01°至1°×1°，以0.5°×0.5°居多。Zhang等[19]采用空間統計方法，在0.5°×0.5°空間分辨率條件下統計了中西太平洋圍網金槍魚漁船作業的空間特征指標，但沒有深入評估這些指標值的尺度效應。Amoroso等[44]指出，在不同空間分析尺度下計算的拖網漁船捕撈強度覆蓋面積可以相差5倍，這為客觀認識海洋捕撈壓力帶來困擾。采用不合適的空間尺度整合數據并開展進一步分析，可能會產生失真甚至錯誤的結果[45]。明確捕撈強度的空間尺度效應對客觀認識漁船捕撈空間的分布特征和捕撈壓力非常重要，但目前這方面研究較少。

2.5 漁場信息提取

漁場這一術語被廣泛使用，但并沒有明確和共同接受的定義來識別這些實體[4647]。在一些研究中，將漁場定義為包含漁船位置的最大范圍[28，48]。Jennings等[47]將密集漁業活動的區域定義為漁場，而Russo等[46]則建議將漁場定義為具有最高捕撈量或更高商業價值潛力的區域。孫永文等[49]使用AIS船位數據，將漁區格網中的船只密度作為要素進行熱點分析，對北太魷釣、圍網及舷提網漁場的時空分布進行研究，并使用漁撈日志數據，通過計算和提取漁場與實際漁場的重疊率，驗證了使用漁區密度提取熱點的可行性。核密度估計（kernel density estimation，KDE）的距離衰減效應可以較好地體現出捕撈活動點位密度的距離衰減效應和空間位置的差異性，被用于提取漁場空間信息[13，25]。KDE沒有定義核密度值超過多少才可以被稱為真正意義上的熱點，容易產生捕撈活動聚集區范圍閾值的主觀確定，從而引起問題。熱點分析（hot spot analysis， HSA）作為一種局部空間統計方法，對捕撈活動熱點區域的劃分給出了明確閾值，但其分析結果的網格連接處密度變化明顯，易導致地理現象空間上的不連續性。陳仁麗等[50]基于AIS數據，融合KDE和HSA，將帶有核密度值的地理單元引入HSA，以識別漁船捕撈活動在空間上具有統計顯著性的熱點與冷點，提取渤海海域漁場作業區，并對時空特征進行了分析。Chen等[12]以中國環渤海海峽沿岸海域為例，基于AIS數據，使用KDE與HSA相結合的方法，快速繪制漁場分布圖，并分析了夏季休漁等漁業管制措施的有效性。

2.6 環境對漁船作業影響

捕撈努力量空間分布受外在因素影響[33，39]，可通過外在環境因子建模重構和預測[51]。Crespo等[52]利用AIS數據創建捕撈努力分布，使用增強回歸樹（boosted regression tree，BRT）建立環境生態位模型，該方法將捕撈強度信息與14個環境變量聯系起來，探索公海金槍魚延繩釣船隊全球分布的空間生態和驅動因素，證實了公海金槍魚延繩釣漁船捕撈努力量分布受環境結構的影響，并且可以利用預測模型結合作業周圍環境的信息進行解釋和預測。利用AIS 數據挖掘漁船捕撈努力量信息，使用BRT、廣義加性模型（generalized additivemodel，GAM）和最大熵模型（maximum entropymodel，MaxEnt）等構建捕撈努力的空間分布與衛星遙感海洋生態環境因素之間的非線性關系，并探討了中西太平洋金槍魚圍網漁船捕撈作業與海洋環境關系[26，53-55]。

船長依據海洋環境變化和經驗尋找漁場[56]，漁船的空間分布在一定程度上可以揭示漁業資源的空間分布[38]，漁船捕撈活動的空間信息可以替代捕撈目標種群的空間分布。此外在一定時間內捕撈努力量與漁獲量呈正比[48]，捕撈努力量空間信息可用于替代分析和了解資源空間分布[13]。

2.7 捕撈強度預測

監控當前捕撈活動并預測未來捕撈強度，可在有限的監管條件下極大地提高保護漁船空間行為的漁業資源管理政策的有效性。Hsu等[57]基于AIS數據，采用棲息地適宜性指數（habitat suitabilityindex，HSI）構建漁場預測模型，結果表明，80%的捕撈努力量發生在適宜棲息區域50 km以內，基于AIS數據和海洋環境數據可以構建預報模型預測中心漁場。AIS跟蹤設備通常只能監測長度大于15 m的漁船，而低于規定長度的漁船不一定配備。Russo等[58]設計了一個級聯多層感知器網絡（cascaded multi-layer perceptron network，CMPN），預測未配備跟蹤設備的漁船的年度漁業足跡，使漁業足跡的空間分析擴展到相關但尚未被探索的船隊部分成為可能。Zhao等[59]通過挖掘近海拖網漁船作業引導關系，基于VMS數據構建了短期捕撈強度卷積神經網絡預測模型。但基于AIS大數據驅動的時空高精度捕撈強度預測信息未見報道。影響漁船作業的影響因子較為復雜，如海洋環境、各種管理政策制約、漁民憑借歷史生產經驗和現代技術手段作業。如何量化上述所有可能的影響因子以更科學地預測捕撈強度仍然有待進一步探索。

3 應用領域

3.1 IUU 監管

為了保護海洋生態環境和漁業資源的可持續發展，各國和地區采取了一系列措施以加強漁業管理，打擊非法漁業行為。AIS數據記錄的船舶空間信息可用于監測船只的異常行為，負責IUU監管[6061]。Dunn等[60]提供了全球漁業觀察使用案例中基于AIS 數據的現有監測和執法活動的例子，說明AIS可用于為國家管轄范圍以外的生物多樣性新條約的談判和最終實施提供信息。Mullie等[61]對2012至2018年期間，加納專屬經濟區（exclusive economic zone，EEZ）內拖網漁船采樣捕撈量（捕撈小時數）的AIS 衍生信息進行了分析，利用AIS數據可以證實拖網漁船入侵EEZ，推動政府執法和制裁。Shanthi 等[62]構建了一種IUU預警系統，該系統采用AIS數據的船舶位置信息追蹤船只的移動，通過監測船只進入禁區或瀕危物種區域等行為，檢測參與非法、無證漁業的船只。異常船只信息將被發送到海洋保護工作站，該站將持續監測來自衛星的數據，如果發現有非法行為，海洋保護委員會將決定是否對該特定船只采取行動，如果船只被確認違規，海岸保護船將被派往逮捕相關涉案人員以保護水生生物[62]。

AIS的設計主要考慮到安全而不是控制，因此在IUU輔助監管中，AIS還存在缺陷。例如，故意中斷來自星載AIS的信號傳輸，AIS信號的可靠性低，不正確的數據設置和AIS本身的安全漏洞等[63]。盡管有這些缺點，因為大量的AIS數據的近實時地積累，AIS仍然是監控目標船只活動的有力工具[64]。

3.2 海洋保護區保護

海洋保護區（marine protected areas，MPAs）能有效應對全球海洋環境面臨的棲息地減少、不可持續的捕撈業、海水污染等威脅[65]。在這些海洋保護中，AIS可發揮關鍵作用。Allen等[66]研究了加拿大SGaan Kinghlas Bowie 海洋保護區（SK-BMPA）的船舶交通和伴隨噪聲的衛星自動識別系統（satellite automatic identification system，S-AIS）和聲學數據，結果顯示，遠近距離的航運事件對該地區環境噪聲水平有驅動作用，而商業捕撈、商業旅游等活動尤其影響鯨目動物這類依賴聲音生存的生物，可能會破壞它們的棲息地，需要嚴格控制可能會對海床或海底生境造成破壞的張網、圍網、拖網捕撈等人類活動[66]。

全球貿易量大多通過海運完成，監控船舶并提供信息有助于避免碰撞導致的石油污染等事故，對擁堵地區和MPAs的交通管理很重要，通過AIS可以監測和分析非法或可疑活動，也可限制或轉移交通[67]。2007年，Eide等[6869]使用AIS數據提出了2 種概率模型來估計油輪的相關風險。Akhtar等[70]使用AIS數據作為選擇航行路線的輸入，以確定挪威沿海重型船舶（總噸位大于5 000 t）的安全航行路線，使用AIS通知航行路線的交通模擬結果和2025 年預計事故顯示，與2008 年相比，泄漏量每年減少590 t。

3.3 海洋生態壓力評估

AIS數據為揭示海洋漁業活動的分布、評估海洋生態壓力以及制定和改進漁業管理措施提供了良好的數據來源。歐盟數據收集框架（datacollection framework， DCF） 建立了5～7 個捕撈壓力指標，描述了捕撈活動的空間范圍，并監測其對生態系統的影響，最終基于AIS數據評估了其對海洋生態系統的壓力[7172]。陳仁麗等[50]采用AIS數據繪制沿海海域的漁場，并分析了漁業管理措施的有效性，結果顯示，渤海海峽周圍海域的漁業活動在月度和季度上有明顯的變化和空間異質性。夏季漁業休漁、增殖放流、海洋功能分區以及臨近底拖網的沿海區域等漁業管理措施對漁業活動產生了一定的限制作用。該研究證實中國在恢復沿海漁業資源和規范漁業活動方面做出了重大努力。Liu 等[73] 利用AIS 數據和地理信息系統（geographic information system，GIS）空間分析提出了一種描述船舶引起的海洋生態壓力的“源-途徑-載體-影響響應”模型，并構建了綜合評價指標體系，結果表明，從2014到2018年，船舶數量顯著增加，其中噪聲污染、光污染和水動力相互作用最為突出，貨船和油輪是主要的壓力源，船舶活動嚴重影響了渤海的農業和漁業功能以及海洋保護區。

3.4 海洋空間規劃

海上空間規劃（maritime spatial planning，MSP）一般用于在時間和空間上分配海洋區域的人類活動，適當的規劃策略可管理海上不斷增大的交通量。AIS數據處理和分析為MSP提供了足夠的信息，這些規劃包括海上交通密度、航道和航行流量、海上航線分層網絡、聲稱的捕魚區、活動之間的時空互動（潛在的沖突用途或協同作用）等[7]。例如，波羅的海項目中使用AIS繪制密度圖[74]，德國專屬經濟區根據AIS數據及航道和交通方向量化航行流量強度。研究證實，AIS逐漸成為歐洲MSP相關研究與項目的重要因素[75]。Fiorini等[76]提出了一個從原始AIS數據可視化船舶航線的綜合解決方案，在此基礎上可進一步分析出重要航線、擁擠區域及非法行為。通過AIS數據可確定主要航道，獲取海上交通的空間方向和綜合視圖，建立航運優先區，協助海上空間規劃[7]。

3.5 海洋環境保護

船舶在海洋航行過程中排放的液體和氣體污染物會對海洋環境造成污染，已有不少學者將AIS技術應用到海洋環境保護。

液體污染方面，船舶在航行過程中會產生艙底水、船舶壓載水等廢物，如果不經油水分離器處理直接排入海洋，會對海洋環境造成污染，且海事部門很難找到直接的證據確定肇事船只。為了更好地監管船舶是否在允許排放區域并達到排放標準后才排放艙底水，一些學者基于AIS設計了艙底水排放監控系統，采集油水分離器的使用信息，實時傳輸到基站，再發送到海事監管中心[7778]。對船舶石油泄露船只進行追責可間接減少海洋石油污染，從而保護海洋環境。Ambjorn[79]介紹了Seatrack Web 系統，可從已確定的漏油位置進行軌跡回溯，然后依據采集的AIS數據跟蹤石油位置附近的船只，輔助對疑似船只的責任認定。

氣體污染方面，漁業活動不斷排放的碳氧化物、氮氧化物等會對海洋大氣環境造成污染。在估算船舶污染物氣體排放量研究中，有的基于船舶燃油消耗統計數據計算，有的采用燃油消耗與船舶活動相結合的方法進行估算。船舶噸位、發動機功率、船舶類型、船舶尺寸等是估算船舶氣體排放的重要基礎數據，但存在難獲取等問題。基于AIS數據進行全球或區域船舶污染物排放測算得到了廣泛的應用[80-88]。尹佩玲等[87]基于寧波-舟山港船舶AIS的軌跡數據，結合勞氏船級社等機構的船舶特征資料，建立了2010年度的船只污染物排放量的空間分布和小時變化，研究了不同類型船舶的污染物排放量、排放分擔率以及逐時排放規律。Hensel等[88]提出了一種基于AIS和環境數據的全球排放估算方法，該算法未來可與機器數據相結合，通過對船舶在水的阻力進行建模，進而確定全球排放量。

4 問題與展望

目前，AIS數據已經被廣泛應用在船舶跟蹤、海洋交通安全、海洋污染、海洋空間規劃等領域[89-91]。在海洋漁業中已經被應用在IUU監管[92]、漁業資源管理[93]和評估海洋生態壓力[94]等方面，涉及到漁船捕撈類型分類、漁船作業狀態識別（作業/非作業）、捕撈努力量量化計算和捕撈強度空間分布特征等研究內容。已有研究探討了遠洋捕撈強度分布與海洋環境因子關系，但基于AIS大數據驅動的遠洋時空高精度捕撈強度預測信息還未見報道。

氣候或海洋環境變化通過對海洋物種的物理作用影響魚類種群分布，從而影響人類對漁業資源的管理。漁業管理行動旨在影響漁民空間行為，但漁民決定在哪里生產以及為什么生產仍然是實現可持續漁業管理的主要障礙。提前預測高精度捕撈強度信息，優先保護生態脆弱區域，有針對性地派遣觀察員或公海執法船隊重點監測捕撈熱點和生態脆弱區域，以制定中長期漁業管理政策和資源保護預案，開展基于AIS的漁業捕撈強度信息，對于漁業資源管理和漁船管理非常重要。

捕撈強度空間尺度效應可能與捕撈方式、研究區域選擇有關。研究分析的空間分辨率不同可能帶來差異巨大的研究結果，這為比較各研究的結果帶來了挑戰。采用不合適的空間尺度整合數據并開展進一步分析，可能會產生失真，甚至錯誤的結果[45]。未來需針對不同的捕撈漁船和漁場捕撈強度空間尺度效應加深研究。

目前國內外有限的環境影響分析文獻中[26，52-54，57]，研究所選取的海洋環境因子多數是人為設定，且容易獲得，未能很好地將海洋物種的生物學特征及影響其棲息的環境條件盡可能多的考慮進來，也未能考慮環境對物種影響的月間或年際差異性。與此同時，漁船作業變動并非完全受海洋環境影響。漁船作業同時有時間和空間屬性。漁民依據經驗尋找漁場，歷史信息和當前捕撈信息會影響漁船當前作業，進而會影響漁民下一時刻的空間選擇。因此漁船捕撈作業是個時間序列事件，且可以預測[95]。漁船作業分布在空間上是二維拓撲結構，漁船作業具有聚集性[19]，即較近的拓撲距離內漁船作業會相互影響，因此捕撈強度受附近網格內捕撈強度的影響。此外一些特殊的地理屬性也會影響漁船作業，如海山和近岸的上升流會吸引漁船聚集作業，購買配額的漁船會專注于EEZ內作業，因此離岸距離會影響漁船作業空間分布[52]。一些漁船滿載后會返港，考慮到經濟成本，距離港口距離也會影響漁船作業。對于捕撈底層漁業漁船，海底深度也會影響漁船作業。表達歷史和空間特征的信息也應該加入預測模型中。綜合評估和理清漁船捕撈作業的時間序列、拓撲空間和環境變量的影響作用，對于了解和預測漁船捕撈作業空間變動非常重要。

參考文獻

［1］ KROODSMA D A， MAYORGA J， HOCHBERG T， et al ..Tracking the global footprint of fisheries [J]. Science， 2018， 359（6378）：904-908.

［2］ WHITE T D， FERRETTI F， KROODSMA D A， et al ..Predicted hotspots of overlap between highly migratory fishesand industrial fishing fleets in the northeast Pacific [J/OL]. Sci.Adv.， 2019， 5（3）： eaau3761 [2023-03-02]. https：//doi. org/10.1126/sciadv.aau3761.

［3］ WATSON R， PAULY D. Systematic distortions in worldfisheries catch trends [J]. Nature， 2001， 414（6863）：534-536.

［4］ AGNEW D J， PEARCE J， PRAMOD G， et al.. Estimating theworldwide extent of illegal fishing [J/OL]. PLoS One， 2009， 4（2）：e4570 [2023-03-02]. https：//doi.org/10.1371/journal.pone.0004570.

［5］ MACKAY M， HARDESTY B D， WILCOX C. The intersectionbetween illegal fishing， crimes at sea， and social well-being [J/OL].Front. Mar. Sci.， 2020， 7：589000 [2023-03-02]. https：//doi.org/10.3389/FMARS.2020.589000.

［6］ JAMES M， MENDO T， JONES E L， et al .. AIS data to informsmall scale fisheries management and marine spatial planning [J].Mar. Policy， 2018， 91：113-121.

［7］ LE TIXERANT M， LE GUYADER D， GOURMELON F， et al ..How can automatic identification system （AIS） data be used formaritime spatial planning？ [J]. Ocean Coast Manage.， 2018，166（12）：18-30.

［8］ WATSON J R， FULLER E C， CASTRUCCIO F S， et al ..Fishermen follow fine-scale physical ocean features for finance [J].Front. Mar. Sci.， 2018， 46：1675-1683.

［9］ PINSKY M L， FOGARTY M. Lagged social-ecologicalresponses to climate and range shifts in fisheries [J]. Clim.Change， 2012， 115：883-891.

［10］ ANTICAMARA J A， WATSON R， GELCHU A， et al .. Globalfishing effort （1950—2010）： trends， gaps， and implications [J].Fish. Res.， 2011， 107（1-3）：131-136.

［11］ 鄒莉瑾，戴小杰，許柳雄，等.金槍魚延繩釣漁撈日志管理現狀與趨勢[J].漁業信息與戰略，2015，30（1）：35-39.

ZOU L J， DAI X J， XU L X， et al .. On the status of tunalongline fishery logbook [J]. Fishery Inf. Strategy， 2015， 30（1）：35-39.

［12］ CHEN R L， WU X Q， LIU B J， et al .. Mapping coastal fishinggrounds and assessing the effectiveness of fishery regulationmeasures with AIS data： a case study of the sea area around theBohai Strait， China [J/OL]. Ocean Coast Manage.， 2022， 223：106136 [2023-03-02]. https：//doi.org/10.1371/10.1016/j.ocecoaman.2022.106136.

［13］ GUYADER D L， RAY C， GOURMELON F， et al .. Defininghigh-resolution dredge fishing grounds with automaticidentification system （AIS） data [J/OL]. Aquat. Living Resour.，2017， 30：38 [2023-03-02]. https：//doi.org/10.1051/alr/2017038.

［14］ MCCAULEY D J， WOODS P， SULLIVAN B， et al .. Endinghide and seek at sea [J]. Science， 2016， 351（6278）：1148-1150.

［15］ 張黎翔，朱怡安，陸偉，等.基于AIS數據的船舶軌跡修復方法研究[J].西北工業大學學報，2021，39（1）：119-125.

ZHANG L X， ZHU Y A， LU W， et al .. A detection andrestoration approach for vessel trajectory anomalies based onAIS [J]. J. Northwest. Polytech. Univ.， 2021， 39（1）：119-125.

［16］ KIM Y， STEEN S， MURI H. A novel method for estimatingmissing values in ship principal data [J/OL]. Ocean Eng.，2022， 251： 110979 [2023-03-02]. https：//doi.org/10.1016/j.oceaneng.2022.110979.

［17］ VESPE M， GIBIN M， ALESSANDRINI A， et al .. Mapping EUfishing activities using ship tracking data [J]. J. MAPS， 2016，12（S1）：520-525.

［18］ GUIET J， GALBRAITH E， KROODSMA D， et al .. Seasonalvariability in global industrial fishing effort [J/OL]. PLoS One，2019， 14（5）： e0216819 [2023-03-02]. https：//doi. org/10.1371/journal.pone.0216819.

［19］ ZHANG H， YANG S L， FAN W， et al .. Spatial analysis of thefishing behaviour of tuna purse seiners in the western andcentral Pacific based on vessel trajectory data [J/OL]. J. Mar.Sci. Eng.， 2021， 9（3）：322 [2023-03-02]. https：//doi.org/10.3390/JMSE9030322.

［20］ YAN Z J， HE R， RUAN X G， et al .. Footprints of fishingvessels in Chinese waters based on automatic identificationsystem data [J/OL]. J. Sea Res.， 2022， 187：102255 [2023-03-02]. https：//doi.org/10.1016/j.seares.2022.102255.

［21］ NATALE F， GIBIN M， ALESSANDRINI A， et al .. Mappingfishing effort through AIS data [J/OL]. PLoS One， 2015， 10（6）：e0130746 [2023-03-02]. http：//doi.org/10.1371/journal.pone.0130746.

［22］ DEBRAH E A， WIAFE G， AGYEKUM K A， et al .. Anassessment of the potential for mapping fishing zones off thecoast of Ghana using ocean forecast data and vessel movement [J].West African J. Appl. Ecol.， 2018， 26（2）：26-43.

［23］ LI X E， XIAO Y， SU F Z， et al .. AIS and VBD data fusion formarine fishing intensity mapping and analysis in the northernpart of the south China sea [J/OL]. ISPRS Int. J. Geoinf.， 2021，10（5）：277 [2023-03-02]. https：//doi.org/10.3390/IJGI10050277.

［24］ 楊銘霞，陳新軍，馮永玖.西北太平洋柔魚資源豐度的空間尺度分析[J].大連海洋大學學報，2013，28（2）：206-210.

YANG M X， CHEN X J， FENG Y J. Spatial scale analysis ofabundance index of neon flying squid Ommastrephes bartramiiin the northwest Pacific Ocean [J]. J. Dalian Marit. Univ.，2013， 28（2）：206-210.

［25］ CIMINO M A， ANDERSON M， SCHRAMEK T， et al .. Towardsa fishing pressure prediction system for a western Pacific EEZ [J].Sci. Rep.， 2019， 9（1）：1-10.

［26］ YANG S L， YU L L， WANG F， et al .. The environmental nicheof the tuna purse seine fleet in the western and central PacificOcean based on different fisheries data [J]. Fishes， 2023， 8（2）：78-82.

［27］ SOUZA E N， BOERDER K， MATWIN S， et al .. Improvingfishing pattern detection from satellite AIS using data miningand machine learning [J/OL]. PLoS One， 2016， 11（7）：e0158248[2023-03-02]. https：//doi.org/10.1371/journal.pone.0158248.

［28］ HINTZEN N T， BASTARDIE F， BEARE D， et al .. VMStools：open-source software for the processing， analysis andvisualisation of fisheries logbook and VMS data [J]. Fish. Res.，2012， 115（3）：31-43.

［29］ 鄭巧玲，樊偉，張勝茂，等.基于神經網絡和VMS的漁船捕撈類型辨別[J].南方水產科學， 2016， 12（2）：81-87.

ZHENG Q L， FAN W， ZHANG S M， et al .. Identification offishing type from VMS data based on artificial neural network [J].South China Fisheries Sci.， 2016， 12（2）：81-87.

［30］ PARK J W， LEE K M， KIM K I. Automatic identificationsystem based fishing trajectory data preprocessing methodusing map reduce [J]. Int. J. Recent Technol. Eng.， 2019， 8（2S6）：352-356.

［31］ MARZUKI M I， GASPAR P， GARELLO R， et al .. Fishing gearidentification from vessel-monitoring-system-based fishingvessel trajectories [J]. IEEE J. Ocean. Eng.， 2017， 43（3）：689-699.

［32］ HUANG H G， HONG F， LIU J， et al .. FVID： fishing vesseltype identification based on VMS trajectories [J]. J. OceanUniv. China， 2019， 18（2）：403-412.

［33］ ZHOU X Y， LIU Z J， WANG F W， et al .. Using deep learningto forecast maritime vessel flows [J]. Sensors， 2020， 20（6）：1761-1770.

［34］ 楊勝龍，史慧敏，張勝茂，等.基于BiLSTM模型的遠洋漁船類型識別研究[J].海洋科學，2022，46（3）：25-35.

YANG S L， SHI H M， ZHANG S M， et al .. Pelagic fishingvessel classification using bidirectional long short-termmemory networks [J]. Marine Sci.， 2022， 46（3）：25-35.

［35］ BEZ N， WALKER E， GAERTNER D， et al .. Fishing activity oftuna purse seiners estimated from vessel monitoring system（VMS） data [J]. Can. J. Fish. Aquat. Sci.， 2011， 68（11）：1998-2010.

［36］ WANG Y B， WANG Y. Estimating catches with automaticidentification system （AIS） data： a case study of single ottertrawl in Zhoushan fishing ground， China [J]. Iran J. Fish Sci.，2016， 15（1）：75-90.

［37］ 原作輝，楊東海，樊偉，等.基于衛星 AIS 的中西太平洋金槍魚延繩釣漁場分布研究[J].海洋漁業，2018，40（6）：649-659.

YUAN Z H， YANG D H， FAN W， et al .. On fishing groundsdistribution of tuna longline based on satellite automaticidentification system in the Western and Central Pacific [J].Marine Fisheries， 2018， 40（6）：649-659.

［38］ BERTRAND S， D?AZ E， LENGAIGNE M. Patterns in thespatial distribution of Peruvian anchovy （Engraulis ringens）revealed by spatially explicit fishing data [J]. Prog. Oceanogr.，2008， 79（2-4）：379-389.

［39］ ENGUEHARD R A， HOEBER O， DEVILLERS R. Interactiveexploration of movement data： a case study of geovisual analyticsfor fishing vessel analysis [J]. Inf. Vis， 2013， 12（1）：65-84.

［40］ GLOAGUEN P， MAH?VAS S， RIVOT E， et al .. Anautoregressive model to describe fishing vessel movement andactivity [J]. Environmetrics， 2015， 26（1）：17-28.

［41］ 楊勝龍，張勝茂，原作輝，等.基于漁船捕撈行為特征的遠洋延繩釣漁場捕撈強度計算[J]. 中國水產科學，2020， 27（3）：307-314.

YANG S L， ZHANG S M， YUAN Z H， et al .. Calculating thefishing intensity of offshore longline fleets on fishing groundsbased on their fishing characteristics [J]. J. Fish. Sci. China，2020， 27（3）：307-314.

［42］ 楊勝龍，張勝茂，周為峰，等.采用 AIS 計算中西太平洋延繩釣漁船捕撈努力量[J].農業工程學報，2020，36（3）：198-203.

YANG S L， ZHANG S M， ZHOU W F， et al .. Calculating thefishing effort of longline fishing vessel in the western andcentral pacific ocean using AIS [J]. Trans. Chin. Soc. Agric.Eng.， 2020， 36（3）：198-203.

［43］ 劉勇， 程家驊. 漁業多魚種綜合開捕網目尺寸和捕撈努力量管理目標確定方法探討[J].漁業科學進展， 2015， 36（6）：1-7.

LIU Y， CHENG J H. A multi-species management modelcombining fishery catchable mesh size and fishing effort [J].Prog. Fishery Sci.， 2015， 36（6）：1-7.

［44］ AMOROSO R O， PARMA A M， PITCHER C R， et al ..Comment on“ tracking the global footprint of fisheries” [J/OL].Science， 2018， 361（6404）：eaat6713 [2023-03-02]. https：//doi.org/10.1126/science.aat6713.

［45］ ZHANG J， ATKINSON P， GOODCHILD M F. Scale in spatialinformation and analysis [M]. CRC Press， 2014： 1-353.

［46］ RUSSO T， PARISI A， CATAUDELLA S. Spatial indicators offishing pressure： preliminary analyses and possibledevelopments [J]. Ecol. Indicators， 2013， 26：141-153.

［47］ JENNINGS S， LEE J. Defining fishing grounds with vesselmonitoring system data [J]. ICES J. Mar. Sci.， 2012， 69（1）：51-63.

［48］ LEE J， SOUTH A B， JENNINGS S. Developing reliable，repeatable， and accessible methods to provide high-resolutionestimates of fishing-effort distributions from vessel monitoringsystem （VMS） data [J]. ICES J. Mar. Sci.， 2010， 67（6）：1260-1271.

［49］ 孫永文，張勝茂，唐峰華，等.基于衛星船位數據的北太平洋作業漁船分布及類型研究[J]. 中國農業科技導報，2022，24（8）：207-217.

SUN Y W， ZHANG S M， TANG F H， et al .. Research on thedistribution and types of fishing vessels in the north Pacificbased on satellite ship position data [J]. J. Agric. Sci. Technol.，2022， 24（8）：207-217.

［50］ 陳仁麗，吳曉青，劉柏靜，等.基于AIS的海上漁船捕撈活動聚集區提取方法研究[J].地球信息科學學報，2021，23（12）：2163-2173.

CHEN R L， WU X Q， LIU B J， et al .. Mapping method offishing grounds based on marine AIS data [J]. J. Geo-Inf. Sci.，2021， 23（12）：2163-2173.

［51］ CAMPBELL M S， STEHFEST K M， VOTIER S C， et al ..Mapping fisheries for marine spatial planning： gear-specificvessel monitoring system （VMS）， marine conservation andoffshore renewable energy [J]. Mar. Policy， 2014， 45：293-300.

［52］ CRESPO G O， DUNN D C， REYGONDEAU G， et al .. Theenvironmental niche of the global high seas pelagic longlinefleet [J/OL]. Sci. Ad.， 2018， 4（8）：eaat3681 [2023-03-02]. https：//doi.org/10.1126/sciadv.aat3681.

［53］ 楊勝龍，史慧敏，樊偉，等.西南大西洋魷魚釣漁船作業空間分布及其與環境的關系[J]. 中國水產科學， 2022， 29（3）：365-376.

YANG S L， SHI H M， FAN W， et al .. Spatial distribution ofsquid fishing vessel operations in the southwest Atlantic Oceanand its relationship with environmental factors [J]. J. Fish. Sci.China， 2022， 29（3）：365-376.

［54］ FEI Y J， YANG S L， FAN W， et al .. Relationship between thespatial and temporal distribution of squid-jigging vesselsoperations and marine environment in the North Pacific Ocean [J].J. Mar. Sci. Eng， 2022， 10（4）：550-561.

［55］ YANG S L， ZHANG H， FAN W， et al .. Behaviour impactanalysis of tuna purse seiners in the Western and CentralPacific based on the BRT and GAM models [J/OL]. Front. Mar.Sci.， 2022， 9： 881036 [2023-03-02]. https：//doi. org/10.3389/fmars.2022.881036.

[56] BERTRAND S， BERTRAND A， GUEVARA-CARRASCO R， etal .. Scale-invariant movements of fishermen： the same foragingstrategy as natural predators [J]. Ecol. Appl.， 2007， 17（2）：331-337.

［57］ HSU T Y， CHANG Y， LEE M A， et al .. Predicting skipjacktuna fishing grounds in the Western and Central Pacific Oceanbased on high-spatial-temporal-resolution satellite data [J/OL].Remote Sens.， 2021， 13（5）： 861 [2023-03-02]. https：//doi.org/10.3390/rs13050861.

［58］ RUSSO T， FRANCESCHINI S， DANDREA L， et al ..Predicting fishing footprint of trawlers from environmental andfleet data： an application of artificial neural networks [J/OL].Front. Mar. Sci.， 2019， 6： 670 [2023-03-02]. https：//doi.org/10.3389/fmars.2019.00670.

［59］ ZHAO Z N， HONG F， HUANG H G， et al .. Short-termprediction of fishing effort distributions by discovering fishingchronology among trawlers based on VMS dataset [J/OL].Expert Syst. Appl.， 2021， 184： 115512 [2023-03-02]. https：//doi.org/10.1016/j.eswa.2021.115512.

［60］ DUNN D C， JABLONICKY C， CRESPO G O， et al ..Empowering high seas governance with satellite vessel trackingdata [J]. Fish Fisheries， 2018， 19（4）：729-739.

［61］ MULLIE W C. Apparent reduction of illegal trawler fishingeffort in Ghanas Inshore Exclusive Zone 2012—2018 asrevealed by publicly available AIS data [J/OL]. Mar. Policy，2019， 108： 103623 [2023-03-02]. https：//doi.org/10.1016/j.marpol.2019.103623.

［62］ SHANTHI T S， DHEEPANBALAJI L， PRIYA R， et al .. Illegalfishing， anomalous vessel behavior detection through automaticidentification system [J]. Mater. Today Proc.， 2022， 62：4685-4690.

［63］ HALL J， LEE J， BENIN J， et al .. IEEE 1609 influencedautomatic identification system （AIS） [C]// Proceedings of 2015IEEE 81st Vehicular Technology Conference （VTC Spring）.IEEE， 2015：1-5.

［64］ OOZEKI Y， INAGAKE D， SAITO T， et al .. Reliable estimationof IUU fishing catch amounts in the Northwestern Pacificadjacent to the Japanese EEZ： potential for usage of satelliteremote sensing images [J]. Mar. Policy， 2018， 88：64-74.

［65］ SPALDING M D， MELIANE I， MILAM A， et al .. Protectingmarine spaces： global targets and changing approaches [J].Ocean Yearb， 2013， 27（1）：213-248.

［66］ ALLEN A S， YURK H， VAGLE S， et al .. The underwateracoustic environment at SGaan kinghlas-bowie seamountmarine protected area： characterizing vessel traffic andassociated noise using satellite AIS and acoustic datasets [J].Mar. Pollut. Bull.， 2018， 128（3）：82-88.

［67］ FOURNIER M， CASEY HILLIARD R， REZAEE S， et al ..Past， present， and future of the satellite-based automaticidentification system： areas of applications （2004—2016） [J].WMU J. Marit. Aff.， 2018， 17（6）：311-345.

［68］ EIDE M S， ENDRESEN ?， BREIVIK ?， et al .. Prevention ofoil spill from shipping by modelling of dynamic risk [J]. Mar.Pollut. Bull.， 2007， 54（10）：1619-1633.

［69］ EIDE M S， ENDRESEN ?， BRETT P O， et al .. Intelligent shiptraffic monitoring for oil spill prevention： risk based decisionsupport building on AIS [J]. Mar. Pollut. Bull.， 2007， 54（2）：145-148.

［70］ AKHTAR J， BJ?RNSKAU T， JEAN-HANSEN V. Oil spill riskanalysis of routeing heavy ship traffic in Norwegian waters [J].WMU J. Maritime Affairs， 2012， 11：233-247.

［71］ EC， 2008. Council Regulation （EC） No. 199/2008 concerningthe establishment of a community framework for the collection，management and use of data in the fisheries sector and supportfor scientific advice regarding the Common Fisheries Policy [J/OL]. Off. J. Eur. Union， 2008： L60 [2023-03-02].https：//eur-lex.europa.eu/eli/reg/2008/199/oj.

［72］ RUSSO T， ANDREA L， PARISI A， et al .. Assessing the fishingfootprint using data integrated from different tracking devices：issues and opportunities [J]. Ecol. Indicators， 2016， 69（10）：818-827.

［73］ LIU B J， WU X Q， LIU X， et al .. Assessment of ecologicalstress caused by maritime vessels based on a comprehensivemodel using AIS data： case study of the Bohai sea， China [J/OL].Ecol. Indicators， 2021， 126：107592 [2023-03-02]. https：//doi.org/10.1016/j.ecolind.2021.107592.

［74］ PIANTE C， ODY D. Blue growth in the Mediterranean Sea： thechallenge of good environmental status [M]. MedTrends Project.WWF-France， 2015： 1-192.

［75］ NICOLAS F， FRIAS M， BACKER H. Mapping maritimeactivities within the Baltic sea [EB/OL]. Baltic Scope， 2016[2023-03-02]. http：//www.balticscope.eu/content/uploads/2015/07/BalticScope_MSP_Data_WWW.pdf.

［76］ FIORINI M， CAPATA A， BLOISI D D. AIS data visualizationfor maritime spatial planning （MSP） [J]. Int. J. E NavigationMaritime Econ.， 2016， 5（12）：45-60.

［77］ 柳晨光，何偉，石磊，等.基于 AIS 的在航船舶油水分離器狀態信息遠程傳輸方案設計與實現[J].交通信息與安全，2015，33（2）：124-131.

LIU C G， HE W， SHI L， et al .. A method of remotetransmission on oily water separator status of underway shipbased on AIS [J]. J. Trans. Inf. Safety， 2015， 33（2）：124-131.

［78］ 陳一奇，尹奇志，初秀民.基于AIS的艙底水排放監控系統的設計[J].船海工程，2010，39（05）：105-107，110.

CHEN Y Q， YIN Q Z， CHU X M. Design of bilge waterdischarge monitoring system based on AIS [J]. Ship OceanEng.， 2010， 39（05）：105-107，110.

［79］ AMBJORN C. Seatrack web forecasts and backtracking of oilspills-an efficient tool to find illegal spills using AIS [C]//Proceedings of 2008 IEEE/OES US/EU-Baltic InternationalSymposium. IEEE， 2008：1-9.

［80］ ISENSEE J， BERTRAM V. Quantifying external costs ofemissions due to ship operation [J]. Proc. Institution Mech. Eng.，2004， 218（1）：41-51.

［81］ SCHROOTEN L， DE VLIEGER I， PANIS L I， et al .. Inventoryand forecasting of maritime emissions in the Belgian seaterritory， an activity-based emission model [J]. AtmosphericEnviron.， 2008， 42（4）： 667-676.

［82］ WINTHER M， CHRISTENSEN J H， PLEJDRUP M S， et al ..Emission inventories for ships in the arctic based on satellitesampled AIS data [J]. Atmospheric Environ.， 2014， 91（7）：1-14.

［83］ GOLDSWORTHY L， GOLDSWORTHY B. Modelling of shipengine exhaust emissions in ports and extensive coastal watersbased on terrestrial AIS data-an Australian case study [J].Environ. Model Software， 2015， 63（1）：45-60.

［84］ YAU P S， LEE S C， CORBETT J J， et al .. Estimation ofexhaust emission from ocean-going vessels in Hong Kong [J].Sci. Total Environ.， 2012， 431（5）：299-306.

［85］ NG S K W， LOH C， LIN C， et al .. Policy change driven by anAIS-assisted marine emission inventory in Hong Kong and thePearl River Delta [J]. Atmospheric Environ.， 2013， 76（9）：102-112.

［86］ 譚建偉，宋亞楠，葛蘊珊，等.大連海域遠洋船舶排放清單[J].環境科學研究， 2014， 27（12）：1426-1431.

TAN J W， SONG Y N， GE Y S， et al .. Emission inventory ofocean-going vessels in Dalian coastal area [J]. Res. Environ.Sci.， 2014， 27（12）：1426-1431.

［87］ 尹佩玲，黃爭超，鄭丹楠，等.寧波-舟山港船舶排放清單及時空分布特征[J].中國環境科學， 2017， 37（1）：27-37.

YIN P L， HUANG Z C， ZHENG D N， et al .. Marine vesselemission and its temporal and spatial distribution characteristics inNingbo-Zhoushan Port [J]. China Environ. Sci.， 2017， 37（1）：27-37.

［88］ HENSEL T， UG? C， JAHN C. Green shipping： using AIS datato assess global emissions [J]. Sustainability Manage. Forum，2020， 28（1-2）：39-47.

［89］ HUANG L， WEN Y， ZHANG Y， et al .. Dynamic calculation ofship exhaust emissions based on real-time AIS data [J/OL].Transport. Res.， 2020， 80： 102277 [2023-03-02]. https：//doi.org/10.1016/j.trd.2020.102277.

［90］ KONTOPOULOS I， VARLAMIS I， TSERPES K. A distributedframework for extracting maritime traffic patterns [J]. Int. J.Geogr. Inf. Sci.， 2021， 35（4）：767-792.

［91］ COOMBER F G， D'INC? M， ROSSO M， et al .. Description ofthe vessel traffic within the north Pelagos sanctuary： inputs formarine spatial planning and management implications withinan existing international marine protected area [J]. Mar. Policy，2016， 69（7）：102-113.

［92］ SELIG E R， NAKAYAMA S， WABNITZ C C C， et al ..Revealing global risks of labor abuse and illegal， unreported，and unregulated fishing [J/OL]. Nat. Commun.， 2022， 13（1）：1612 [2023-03-02]. https：//doi.org/10.1038/s41467-022-28916-2.

［93］ TIMOTHY D W， TIFFANY O， FRANCESCO F. et al ..Tracking the response of industrial fishing fleets to largemarine protected areas in the Pacific Ocean [J]. Soc. Conserv.Biol.， 2020， 34（6）：1571-1578.

［94］ 劉柏靜，賈靜，吳曉青，等.基于AIS和多尺度空間模型的船舶活動時空特征及潛在壓力[J]. 大連海事大學學報，2018，44（3）：115-121，128.

LIU B J， JIA J， WU X Q， et al .. Spatial-temporal features andpotential pressure of marine vessel activities based on AIS andmulti-scales spacial model [J]. J. Dalian Mar. Univ.， 2018， 44（3）：115-121，128.

［95］ CAVIESES N??EZ R A， MIGUEL ?NGEL OJEDA R D L P，FLORES IRIGOLLEN A， et al .. Deep learning models for theprediction of small-scale fisheries catches： finfish fishery in theregion of“ Bahía Magadalena-Almejas” [J]. Ices J. Mar. Sci.，2018， 75（6）：2088-2096.

（責任編輯：張冬玲）

基金項目：嶗山實驗室專項經費項目（LSKJ202201804）；中央級公益性科研院所基本科研業務費項目（2019T09）；國家重點研發計劃項目（2019YFD0901404，2019YFD0901405）。