基于ConvLSTM-CNN预测太平洋长鳍金枪鱼时空分布趋势

学术精汇

作者：

杜艳玲1 马玉玲1 汪金涛2 陈珂3 林泓羽2 陈刚*4

作者单位：

1. 上海海洋大学信息学院2. 上海海洋大学海洋科学学院3. 自然资源部东海预报减灾中心4. 国家海洋信息中心

摘要：

海洋渔场的变动由空间与环境因子共同驱动，渔场时空演变信息的精准预测是海洋捕捞的关键。本研究利用1995-2018年太平洋海域长鳍金枪鱼（Thunnus alalunga）的渔业生产统计数据，结合同期海洋环境数据包括海表面温度（Sea Surface Temperature，SST）、海表面盐度（Sea Surface Salinity，SSS）、初级生产力（Primary Productivity，PP）和溶解氧浓度（Dissolved Oxygen Concentration， DO），提出了一种融合卷积长短期记忆网络（Convolutional Long Short-Term Memory Networks，ConvLSTM）和卷积神经网络（Convolutional Neural Networks，CNN）的渔场时空分布预测模型。该模型引入特征提取模块，对时空因子进行编码，提取时空特征信息，同时采用CNN提取海洋环境变量的抽象特征，采用ConvLSTM提取渔业数据的高层时空关联信息，最后融合多种特征对渔场时空演变趋势进行预测。结果表明，模型的均方根误差为0.103 6，较随机森林、BP神经网络和长短期记忆网络（Long Short Term Memory，LSTM）等传统渔场预报模型的预测误差降低15%～40%，预测的高产渔区与实际作业的高渔获量区匹配度为89%。该研究构建的渔场时空预测模型能够准确地预测出太平洋长鳍金枪鱼的时空分布，为太平洋长鳍金枪鱼的延绳钓渔业提供科学参考依据。

关键词：

长鳍金枪鱼时空分布融合卷积长短期记忆网络卷积神经网络太平洋

刊期：

2024，2（43）

所属栏目：

海洋基础科学

基金资助：

国家重点研发计划(2021YFC3101602)

分类号：

P735; S931.4

DOI：

10.11840/j.issn.1001-6392.2024.02.003

页数：

页码：

174-187

来源期刊

海洋通报

Marine Science Bulletin