秋刀鱼(Cololabis saira)是西北太平洋温带海域的主要捕捞对象之一,也是西北太平洋渔业重要的组成部分。本研究根据北太平洋渔业委员会(NPFC)统计的2003~2017年渔获量数据以及中国秋刀鱼组织提交的单位捕捞努力渔获量数据(Catch per uni...秋刀鱼(Cololabis saira)是西北太平洋温带海域的主要捕捞对象之一,也是西北太平洋渔业重要的组成部分。本研究根据北太平洋渔业委员会(NPFC)统计的2003~2017年渔获量数据以及中国秋刀鱼组织提交的单位捕捞努力渔获量数据(Catch per unit effort, CPUE),基于贝叶斯Schaefer剩余产量模型,分基准方案和敏感性分析方案对西北太平洋秋刀鱼资源状况进行了评估,并对其管理策略做了风险分析。结果显示,基准方案和敏感性分析方案下模型参数预测值以及生物学参考点估计值比较相近。在基准方案下,估算的最大可持续产量(Maximum sustainable yield,MSY)为75.26×10^4 t,最大可持续产量的资源量BMSY为240.14×10^4 t,此时的捕捞死亡率为0.32。在敏感性分析方案下,估算的最大的可持续产量MSY为70.03×10^4t,最大可持续产量的资源量BMSY为232.53×10^4t,此时的捕捞死亡率为0.31。该海域秋刀鱼资源状况良好,未经受过度捕捞。风险评估分析表明,为使秋刀鱼资源可持续利用,需将捕获率设定在0.3左右。展开更多
目前,国内外部分自动化程度较高的捕捞渔船逐渐开始采用人类观察员与电子观察员相结合的捕捞监控方式。为简化电子监控系统数据处理流程、提高电子监控系统自动化程度、增强相关渔业公司及政府部门的管理效率,该研究提出将卷积神经网络(...目前,国内外部分自动化程度较高的捕捞渔船逐渐开始采用人类观察员与电子观察员相结合的捕捞监控方式。为简化电子监控系统数据处理流程、提高电子监控系统自动化程度、增强相关渔业公司及政府部门的管理效率,该研究提出将卷积神经网络(Convolutional Neural Network, CNN)与长短期记忆模块(Long Short Term Memory, LSTM)应用在传统电子监控系统数据中,用于灯光渔业日本鲭捕捞渔船行为提取。根据日本鲭捕捞渔船工作特点,划分出放网、收网、进鱼、转载等9种捕捞作业行为。设计4组平行试验,分别对比3层卷积神经网络、带有LSTM模块的3层卷积神经网络、8层卷积神经网络、带有LSTM模块的8层卷积神经网络在日本鲭捕捞渔船行为提取中的表现。试验结果显示,在测试集中该4种神经网络训练得到的模型综合评价指标F1分数分别达到了0.794、0.799,0.966及0.972,在配备NVIDIA Tesla V100 32GB高性能GPU的超算环境下5 000组数据平均每次检测耗时分别为34.66、34.50、37.41、37.61 ms。在一定范围内,网络深度的增加会显著提升模型的效果,但检测耗时也会有明显增加;LSTM模块的加入对网络模型效果有一定程度的提升,且不会显著影响检测耗时。因此,CNN-LSTM模块在电子监控系统高实时性、高精度场景下均有较大的应用前景,能够提高电子监控系统自动化程度,提高相关部门的管理效率。展开更多
文摘秋刀鱼(Cololabis saira)是西北太平洋温带海域的主要捕捞对象之一,也是西北太平洋渔业重要的组成部分。本研究根据北太平洋渔业委员会(NPFC)统计的2003~2017年渔获量数据以及中国秋刀鱼组织提交的单位捕捞努力渔获量数据(Catch per unit effort, CPUE),基于贝叶斯Schaefer剩余产量模型,分基准方案和敏感性分析方案对西北太平洋秋刀鱼资源状况进行了评估,并对其管理策略做了风险分析。结果显示,基准方案和敏感性分析方案下模型参数预测值以及生物学参考点估计值比较相近。在基准方案下,估算的最大可持续产量(Maximum sustainable yield,MSY)为75.26×10^4 t,最大可持续产量的资源量BMSY为240.14×10^4 t,此时的捕捞死亡率为0.32。在敏感性分析方案下,估算的最大的可持续产量MSY为70.03×10^4t,最大可持续产量的资源量BMSY为232.53×10^4t,此时的捕捞死亡率为0.31。该海域秋刀鱼资源状况良好,未经受过度捕捞。风险评估分析表明,为使秋刀鱼资源可持续利用,需将捕获率设定在0.3左右。
文摘目前,国内外部分自动化程度较高的捕捞渔船逐渐开始采用人类观察员与电子观察员相结合的捕捞监控方式。为简化电子监控系统数据处理流程、提高电子监控系统自动化程度、增强相关渔业公司及政府部门的管理效率,该研究提出将卷积神经网络(Convolutional Neural Network, CNN)与长短期记忆模块(Long Short Term Memory, LSTM)应用在传统电子监控系统数据中,用于灯光渔业日本鲭捕捞渔船行为提取。根据日本鲭捕捞渔船工作特点,划分出放网、收网、进鱼、转载等9种捕捞作业行为。设计4组平行试验,分别对比3层卷积神经网络、带有LSTM模块的3层卷积神经网络、8层卷积神经网络、带有LSTM模块的8层卷积神经网络在日本鲭捕捞渔船行为提取中的表现。试验结果显示,在测试集中该4种神经网络训练得到的模型综合评价指标F1分数分别达到了0.794、0.799,0.966及0.972,在配备NVIDIA Tesla V100 32GB高性能GPU的超算环境下5 000组数据平均每次检测耗时分别为34.66、34.50、37.41、37.61 ms。在一定范围内,网络深度的增加会显著提升模型的效果,但检测耗时也会有明显增加;LSTM模块的加入对网络模型效果有一定程度的提升,且不会显著影响检测耗时。因此,CNN-LSTM模块在电子监控系统高实时性、高精度场景下均有较大的应用前景,能够提高电子监控系统自动化程度,提高相关部门的管理效率。
