EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 4: 1110 - 1122

DOI: https://doi.org/10.12082/dqxxkx.2024.230526

地理空间分析综合应用

2020年全球鱿钓捕捞的时空特征分析

  • 刘广源 , 1 ,
  • 吴志峰 , 1, 2, * ,
  • 吴波 3 ,
  • 郑子豪 1 ,
  • 曹峥 1, 2
展开
  • 1.广州大学地理科学与遥感学院，广州 510006
  • 2.自然资源部大湾区地理环境监测重点实验室，深圳 518060
  • 3.惠州学院地理与旅游学院，惠州 516000
* 吴志峰（1969— ），男，湖南湘潭人，博士，教授，博士生导师，研究方向为GIS与时空大数据分析。E-mail:

刘广源（2000— ），男，广东河源人，硕士，主要从事船舶时空大数据分析研究。E-mail:

收稿日期: 2023-09-04

  修回日期: 2023-11-03

  网络出版日期: 2024-05-11

基金资助

国家自然科学基金-广东联合基金重点项目(U1901219)

广东省基础与应用基础研究基金自然科学基金面上项目(2023A1515011341)

收起

Spatial and Temporal Characterization of Global Squid Fishing in 2020

  • LIU Guangyuan , 1 ,
  • WU Zhifeng , 1, 2 ,
  • WU Bo 3 ,
  • ZHENG Zihao 1 ,
  • CAO Zheng 1, 2
Expand
  • 1. School of Geography and Remote Sensing, Guangzhou University, Guangzhou 510006, China
  • 2. MNR Key Laboratory for Geo-Environmental Monitoring of Great Bay Area, Shenzhen 518060, China
  • 3. School of Geography and Tourism, Huizhou University, Huizhou 516000, China
* WU Zhifeng, E-mail:

Received date: 2023-09-04

  Revised date: 2023-11-03

  Online published: 2024-05-11

Supported by

National Natural Science Foundation of China-Guangdong Joint Fund(U1901219)

Natural Science Foundation of Basic and Applied Basic Research Fund of Guangdong Province(2023A1515011341)

Fold

摘要

了解全球鱿钓捕捞的时空特征可为鱿鱼资源的评估与管理提供参考。本文选取2020年全球鱿钓船AIS轨迹数据与VIIRS夜间灯光影像，以FAO major Fishing Areas的19个海洋主要捕鱼区为捕捞分区依据，结合GIS空间分析方法开展了全球鱿钓捕捞的时空特征分析。结果表明：① 鱿钓捕捞主要分布在西南大西洋阿根廷专属经济区周边、西北太平洋日本东北部远海、东南太平洋秘鲁西部远海、西北印度洋阿拉伯海以及中西太平洋阿拉弗拉海，集中在中、低纬度离陆地100 km以内和400~700 km范围内，呈现以条带式为主的分布模式；② 全球鱿钓捕捞的时间规律表现出“两峰两谷”的变化态势，分别于1—4月、6—8月呈上升趋势，而在4—6月、8—12月呈下降趋势。中纬度的鱿钓捕捞于夏秋呈上升趋势，而在冬春呈下降趋势；低纬度的鱿钓捕捞在秋冬季节呈增加态势，而在春季呈减少态势； ③ 鱿钓捕捞的时空特征受洋流、鱿鱼繁殖特性及各国远洋鱿钓政策影响，其空间分布走向与主要洋流流向一致，捕捞强度在鱿鱼产卵高峰期、休渔期时减弱； ④ AIS轨迹密度与夜间灯光亮度在鱿钓捕捞信号上有良好的时空相关性，AIS轨迹密度与夜间灯光亮度的空间相关性越大，则时间变化规律也越相似。研究工作证明了夜间灯光遥感具备良好的鱿钓捕捞度量能力，能与船舶轨迹互补，实现高精度的鱿钓捕捞评估。

关键词： 鱿钓捕捞; 全球; 联合国粮食及农业组织划分的19个主要海洋捕鱼区; AIS轨迹; 夜间灯光; 时空特征; 鱿钓影响因素; 时空相关

本文引用格式

刘广源 , 吴志峰 , 吴波 , 郑子豪 , 曹峥 . 2020年全球鱿钓捕捞的时空特征分析[J]. 地球信息科学学报, 2024 , 26(4) : 1110 -1122 . DOI: 10.12082/dqxxkx.2024.230526

Abstract

Understanding the spatial and temporal characteristics of the global squid fishery can positively guide the assessment and management of squid resources. In this paper, the 19 major marine fishing areas from FAO major Fishing Areas are selected as the study area, and the spatial and temporal characterization of global squid fishing is analyzed based on the 2020 global squid fishing vessel AIS trajectory data and VIIRS nighttime light imagery with the GIS spatial analysis approaches. The results show that: (1) Squid fishing is mainly distributed around the Argentine Exclusive Economic Zone (EEZ) in the south-west Atlantic Ocean, the offshore of northeastern Japan in the north-west Pacific Ocean, the offshore of western Peru in the South-east Pacific Ocean, the Arabian Sea in the north-west Indian Ocean, and the Arafura Sea in the west and central Pacific Ocean, which are mainly concentrated in the mid- and low-latitudes within 100 km and 400~700 km offshore, and show a strip-oriented distribution pattern; (2) The temporal rhythm of global squid fishing shows a "two peaks and two valleys" trend, with an upward trend in January-April and June-August, and a downward trend in April-June and August-December. Specifically, squid fishing at mid-latitudes shows an increasing trend during the summer and autumn and a decreasing trend during the winter and spring, while squid fishing at low latitudes shows an increasing trend during the fall and winter and a decreasing trend during the spring; (3) The spatial and temporal characteristics of squid fishing are affected by ocean currents, squid reproduction characteristics, and the policies of various countries on pelagic squid fishing. The direction of its spatial distribution is consistent with the main ocean currents, and the fishing intensity apparently decreases during the squid spawning peak season and the fishing moratorium period; (4) The AIS track density and nighttime light intensity are well correlated spatially and temporally with squid fishing signals. The greater their spatial correlation, the more similar the temporal patterns of variation exhibited. This study further demonstrates the capability of nighttime light data to provide a good squid fishing metric, which can be complemented with vessel trajectories to achieve highly accurate squid fishing assessments.

Key words： squid fishing; global; The 19 major marine fishing areas divided by FAO; AIS trajectory; nighttime light; spatiotemporal characteristics; squid fishing impact factors; spatiotemporal correlations

1 引言

鱿鱼属头足纲枪形目，对远洋捕捞经济和海洋生态系统具有重要地位，通常使用流网、拖网、延绳钓或灯光诱捕等方式进行捕捞[1]。然而，非法、未报告、不受管制的捕捞活动（Illegal, Unreported and Unregulated Fishing，IUU）、过度捕捞和使用不合理的渔具捕捞等行为，导致了海洋生态系统的破坏、鱿鱼资源自给能力的下降，以及渔获经济利益的损失，同时也影响了粮食安全[2-3]。因此，监测鱿钓捕捞强度、了解鱿钓捕捞的时空特征，对保障海洋鱿钓渔业的可持续发展具有重要意义。
海洋渔业数据是分析渔业信息时空特征的基础。基于传统渔业日志的研究通过捕捞努力量、渔船渔具数、投网次数及作业天数等信息来实现渔船捕捞的时空特征分析[4-5]，但存在数据记录不规范、数据上报不及时、时空分布特征不明确等问题[6-7]。随着对地观测技术的发展，针对渔船活动的监测与分析已从传统的渔业捕捞日志过渡至利用多源数据，例如AIS、VMS、夜间灯光遥感和高分辨率雷达。其中，船舶自动监控系统(Automatic Identification System，AIS)能够自动且连续播报船舶的静态和动态信息，例如经纬度位置、航向、航速、船名、呼号、海上移动通信业务标识码(MMSI)等，可准确量化每艘船舶的空间行为[8⇓-10]，并已在渔船时空特征分析[11⇓-13]、渔船类型与行为识别[14⇓-16]、渔场预报[17-18]、船舶生态压力评估[19⇓-21]等方面取得了良好的研究成果。如贺彬等[22]基于GIS空间分析方法，选取2018年南海及周边的AIS数据，开展了精细至小时尺度的渔船活动强度时空特征分析；Fei等[23]利用2017—2020年北太平洋鱿钓船的AIS数据，结合广义加性模型进行了鱿钓船作业时空分布与海洋环境的关系探索。由于灯光诱捕渔船一般在夜间进行漂流作业，所以夜间灯光遥感能有效捕捉灯光诱捕的痕迹，并客观呈现船舶捕捞的空间位置[24⇓-26]和作业强度[27⇓-29]，同时还能进行IUU监测[30]。目前，全球的大型鱿钓船上一般配备有150个以上1 k~3 kw的卤素灯用于灯光诱捕[1]，灯光鱿钓的整体覆盖率较高。在上述背景与条件下，融合船舶轨迹与夜间灯光遥感数据，能充分将船舶轨迹数据高分辨率时空分布、高精度属性标识的长处和夜间灯光遥感客观监测的优势相结合。Li等[31]运用2018年的AIS数据，对通过VIIRS影像获取的VBD（VIIRS Boat Detections）数据产品进行数据融合，分析了南海北部渔船捕捞强度的时空特征；Syah等[32]发现，在监测爪哇海渔船分布方面，VIIRS传感器和VMS轨迹具有相似的空间分布模式；Li等[33]匹配了2016年同期南海海域VMS与VBD的空间位置，发现夜间灯光遥感观测结果与中国大型鱿钓船队捕捞的季节变化一致，并挖掘出了一个新的南海鱿钓热点；Ruiz 等[34]对联合国粮农组织41海洋捕捞区2012—2019年鱿钓船进行了时空关系探索，发现AIS轨迹和VIIRS/DNB在时空变化上高度一致，证明了AIS和夜间灯光是有效的鱿钓捕捞监测工具。
现有研究已在利用多源数据进行鱿钓捕捞时空特征分析方面取得了积极进展，但仍存在以下问题：① 研究区域多局限于单片海域，缺乏对不同海域鱿钓捕捞时空特征的比较分析； ② 针对船舶轨迹数据与夜间灯光影像的融合探索局限于时空位置的匹配，而未充分挖掘二者的时空相关性。针对上述不足，本文选取2020年AIS轨迹数据和夜间灯光影像，以FAO major Fishing Areas的19个海洋主要捕鱼区为捕捞分区依据，采用核密度估计方法，根据AIS轨迹的捕捞时长和夜间灯光影像的辐射亮度，分别表征鱿钓轨迹密度（Squid Track Density，STD）与鱿钓灯光亮度（Squid Light Brightness，SLB），以此得到鱿钓捕捞的时空特征；通过双变量空间自相关、空间误差模型、Spearman相关系数探讨AIS轨迹密度与夜间灯光亮度的时空相关性。本文旨在了解全球鱿钓捕捞的时空分布特征，挖掘夜间灯光遥感在鱿钓捕捞监测的潜力，以期为鱿钓捕捞监管与鱿鱼资源保护提供科学依据。

2 研究区概况、数据源与研究方法

2.1 联合国粮食及农业组织划分的19个主要海洋 捕鱼区

联合国粮食及农业组织(The Food and Agricu-lture Organization)，下称粮农组织，是引领国际消除饥饿的联合国专门机构。FAO major Fishing Areas为粮农组织根据自然区域的边界、政府间公约和条约中已经确定的相邻渔业统计机构的边界、现有的国家做法、国界、经纬度网格系统、水生动物分布以及一个区域内的资源分布和环境条件而划分的主要渔区，目前已划分出覆盖各大洲内陆水域的8个主要内陆捕鱼区，以及覆盖各大洋的19个主要的海洋捕鱼区。本文以FAO major Fishing Areas的19个主要海洋捕鱼区为研究区，旨在借助粮农组织的海域划分视角，探讨全球鱿钓捕捞的空间异质性，海域划分材料及海域矢量区划图来源于粮农组织官网（https://www.fao.org/），研究区具体范围如图1与表1所示。
图1 联合国粮食及农业组织划分的19个主要海洋捕鱼区

Fig. 1 The 19 major marine fishing areas divided by FAO

表1 联合国粮食及农业组织划分的19 个海洋主要捕鱼区具体范围

Tab. 1 Specific boundaries of the 19 major marine fishing areas divided by FAO

大洋 所含主要捕鱼海域编号
北冰洋 18（北冰洋）
大西洋 21（西北大西洋） 27（东北大西洋） 31（中西大西洋） 34（中东大西洋） 37（地中海与黑海）
41（西南大西洋） 47（东南大西洋） 48（南大西洋）
印度洋 51（西印度洋） 57（东印度洋） 58（南印度洋）
太平洋 61（西北太平洋） 67（东北太平洋） 71（中西太平洋） 77（中东太平洋） 81（西南太平洋）
87（东南太平洋） 88（南太平洋）

2.2 技术流程

本文针对全球鱿钓捕捞时空特征分析的研究框架及技术流程如图2所示。具体流程为：① 数据处理：对AIS原始数据进行数据清洗，得到鱿钓捕捞轨迹数据；对夜间灯光数据进行背景剔除、滤波降噪以及阈值提取处理，得到鱿钓灯光亮点； ② 鱿钓捕捞量化：对AIS鱿钓捕捞轨迹与鱿钓灯光亮点进行核密度分析，分别得到鱿钓轨迹密度(Squid Track Density, STD)与鱿钓灯光亮度(Squid Light Bright-ness, SLB)； ③ 空间融合：以SLB>0的SLB像元为基准，筛选其0.05°缓冲区范围内STD>0的STD像元，对二者进行空间融合，得到STD与SLB均大于0的像元，将其视为“灯光鱿钓像元”，以剔除未采取灯光诱捕作业的鱿钓船轨迹，以及未被夜间灯光遥感捕捉到的灯光鱿钓像元捕捞点。最终得到灯光鱿钓像元的捕捞时长共757 866.36 h，占总捕捞时长的58.5%； ④ 结果分析：分别对STD、SLB进行空间分布特征与时间变化特征分析；基于双变量空间自相关、空间误差模型、Spearman相关分析针对灯光鱿钓像元进行时空相关分析。
图2 研究框架及技术流程

Fig. 2 Research framework and technical process

2.3 数据源及其预处理

2.3.1 AIS数据

本文所采用的AIS数据来自全球渔业观察 （G-lobal Fishing Watch，GFW）官网（http://www.glo-balfishingwatch.org）。GFW所提供的AIS轨迹数据经过卷积神经网络、船舶登记数据库以及GFW和区域专家的人工审核，对渔船AIS的经纬度、船籍、捕捞时长、渔具类型等属性信息进行了识别与计算，每条AIS轨迹数据被纳入按MMSI编号划分的0.1°空间分辨率格网像元，或按船舶国籍和渔具类型划分的0.01°空间分辨率格网像元中，并以小时为单位进行捕捞努力量的测量[16]。本文基于2020年按船舶国籍和渔具类型划分的0.01°空间分辨率单元网格数据，筛选出渔具类型为“squid_jigger”的鱿钓捕捞船信息，并剔除了捕捞时长为0的数据，最终提取出1 798 025条鱿钓船AIS捕捞轨迹信息，总捕捞时长为1 295 498.05 h。

2.3.2 夜间灯光数据

Suomi国家极地轨道合作伙伴VIIRS DNB传感器，可提供适用于地球系统的夜间可见光和近红外光的全球日常测量和应用。相较于DMSP/OLS夜间灯光数据，VIIRS DNB产品能够更好地监测微弱光亮以及人为发射光。DNB波段的光谱范围为400~900 nm，空间分辨率为742 m，原始辐射单位为W/(cm2·sr)[35]，数据来源于美国国家地球物理数据中心地球观测组织（EOG）制作的不包含杂散光（去除杂光、闪电、月球光照和云盖）影响的数据产品（https://eogdata.mines.edu/products/vnl/）。本文选取了2020年各月平均影像及年平均影像共13幅。为了更好地突出渔船灯光像元并排除背景噪声和非渔船光源的影响，本文结合了Elvidge等[24]提出的渔船灯光像元处理方法实现渔船夜间灯光提取。具体来说，首先，生成陆地向海一侧4 km缓冲区，并用原始影像擦除陆地缓冲区，以排除近岸光源的溢出现象；然后根据成王玉等[36]提出的海上油气钻井平台剔除方法实现钻井平台的光源排除；其次，对影像像元分别进行放大109倍、正值化以及对数变换，以增强渔船灯光与背景噪声之间的对比度，并排除负值对后续处理的误差；接着采用3×3中值滤波和SMI（Spike Median Index）滤波来处理预处理后的影像以突出渔船灯光的本体细节，其中SMI滤波是预处理后的影像与中值滤波后影像的差值；最后，根据SMI滤波后的影像进行阈值确定，本文结合线性关系判别和经验阈值确定各夜间灯光影像的渔船灯光阈值，SMI滤波影像直方图满足正态分布，表现出线性关系，因此可采用经验阈值判别的方法，将图像单一分割为渔船灯光亮点与背景值，通过比较若干个渔船本体亮点值，结合AIS轨迹点验证渔船本体亮点的空间位置，选定符合渔船本体的最小亮点值，将其设置为该影像的渔船灯光阈值，高于该阈值则视为渔船灯光亮点值，反之则设置为背景值，本文以0.08 W/(cm2·sr)设为渔船灯光阈值。在得到渔船灯光影像后，把超过其平均值三倍标准差的灯光亮点视为高能粒子噪声进行剔除，并将最后的渔船灯光亮点值转换为点要素。

2.4 研究方法

2.4.1 核密度分析

核密度分析能有效度量鱿钓船捕捞强度的空间集聚及分布特征，核密度分析借助一个移动窗口，对点格局的密度进行估计，其原理[37]如下：以每个栅格样点 x i为中心，搜索半径范围 h内符合特定属性的点；通过核函数计算出每个点对该栅格的密度贡献值，距离越近，密度值越大；对该半径范围内所有点的密度贡献值累加；输出每个栅格的密度值。具体计算如式(1)所示。
f x = 1 n h ∑ i = 1 n K x - x i h
式中： f x为空间位置 x处的核密度计算函数； h为鱿钓捕捞作业时每小时可达的最大半径范围，在考虑鱿钓船捕捞状态的平均船速后[11]，设置为0.05°； n为分析范围内的点数； K分别为以AIS捕捞时长与夜间灯光辐射值的核函数； x - x i为 x到点 x i之间的距离。本文通过ArcGIS 10.8软件进行核密度分析，分别得到鱿钓轨迹密度(Squid Track Density, STD)与鱿钓灯光亮度(Squid Light Brightness, SLB)。

2.4.2 双变量空间自相关

空间自相关分析可揭示空间变量的分布是否与邻近的变量有关，分为全局空间自相关与局部空间自相关。Anselin提出的双变量空间自相关分析（Bivariate Moran's I）[38]，可以有效反映两类变量空间分布的关联与依赖特征。本文采用OpenGeoDa软件进行双变量全局空间自相关（Bivariate Global Moran's I）分析STD与SLB的空间关联特征，具体计算如式(2)所示。
I = ∑ i = 1 n ∑ j = 1 n W i j x i - x - y i - y - S 2 ∑ i = 1 n ∑ j = 1 n W i j
式中： I为双变量全局空间自相关指数，即总体上空间变量 x和 y空间分布的相关性； n为灯光鱿钓像元的总数； W i j为通过 K邻接关系法建立的空间权重矩阵； x i、 y i分别为自变量STD、因变量SLB在空间单元 i、 j的观测值； S 2为所有样本的方差。

2.4.3 空间误差模型

鱿钓捕捞的空间分布会伴随鱿鱼洄游与渔场预报变化而变化，并存在集聚性与异质性，因此，局部SLB不仅与该位置的STD相关，也受其周边海域的STD与SLB影响。本文借助OpenGeoDa软件，在最小二乘回归模型（OLS）基础上采用空间误差模型（Spatial Error Model，SEM）[39]来检验空间回归效应，空间误差模型能以某像元SLB为因变量的基础上，充分考虑周边像元的STD与SLB，具体计算如式(3)所示。
y = β x + λ W ε + μ
式中： y为SLB； x为STD； β为 x的回归系数； W为空间权重矩阵； W ε为空间误差项； ε为误差项； λ为空间误差项系数； μ为正态分布的随机误差向量。

2.4.4 Spearman秩相关分析

Spearman相关系数用于描述2组数据一同变化移动的趋势，适用于非线性分布数据或变量总体分布未知的相关分析[40]。经线性检测与正态检测后发现，全球及局部海域STD与SLB的月度变化均呈非线性及非正态分布。本文基于SPSS 27软件，通过Spearman秩相关分析来判断STD与SLB时间变化趋势的相关程度。具体计算如式(4)：
r s = ∑ i = 1 n r i - r - s i - s - ∑ i = 1 n r i - r - 2 ∑ i = 1 n s i - s - 2
式中： r i和 s i分别表示随机变量 x i和 y i的秩，本文的 x i指STD， y i表SLB，当变量里出现相等值的时候，该值对应的秩为这几个值对应秩的平均值。 r s的取值范围为[-1，1]，当 r s越接近于1时，表明2个变量间是正相关关系越强；越接近于-1时，2个变量间是负相关关系越强；越接近0时，2个变量趋于相互独立。

3 结果及分析

3.1 鱿钓捕捞的空间分布格局

经过上述的核密度分析后，得到以0.1°×0.1°网格为单元的非零值STD共40 285个、SLB共11 699个，并按强度等级进行分层渲染以及主要洋流方向标记，以制作鱿钓捕捞的空间分布格局图，具体结果如图3、图4所示，STD绝大多数分布在南北半球的中、低纬度，主要集中在西南大西洋阿根廷专属经济区周边（FAO41海区）、西北太平洋日本东北部远海（FAO61海区）、东南太平洋秘鲁西部远海（FAO87海区）、西北印度洋阿拉伯海（FAO51海区）以及中西太平洋阿拉弗拉海（FAO71海区），同时也零星分布于东北印度洋斯里兰卡南部远海（FAO57海区）与东北太平洋阿拉斯加西南部远海（FAO67海区），呈现以条带式为主的分布模式。SLB空间分布格局与STD空间分布格局相似，说明夜间灯光影像能有效捕捉到鱿钓捕捞活动，但相较于STD，SLB存在明显的面积缩减现象，缩减范围主要为STD热点外的低值部分。造成捕捞面积缩减的原因： ① 局部灯光鱿钓捕捞活动时长较少，或是捕捞灯光较微弱，VIIRS传感器在扫描过境时未捕捉到捕捞活动的灯光； ② 部分鱿钓船并非以灯光诱捕形式进行捕捞作业； ③ 受云层遮挡、月光影响，削弱了渔船灯光与传感器之间传播的可见光能量。与此相反的是，FAO51海区的SLB相较于STD面积有所扩大，同时中高强度的鱿钓捕捞也向周围蔓延，这可能是由于该海域大面积的集中灯光鱿钓形成的灯光溢出效应远高于其他海域，从而导致整体SLB较高。
图3 基于STD的2020年全球鱿钓捕捞空间分布格局

Fig. 3 Spatial distribution pattern of global squid fishing based on STD

图4 基于SLB的2020年全球鱿钓捕捞空间分布格局

Fig. 4 Spatial distribution pattern of global squid fishing based on SLB in 2020

为分析不同离岸距离的鱿钓捕捞分布情况，本文以海岸线为基准，向海一侧生成了20个以100 km为单位的环形缓冲区，以挖掘鱿钓捕捞在近海和远洋的作业模式，统计不同离岸距离的鱿钓捕捞占比如图5(a)所示，随着离岸距离的增加，鱿钓捕捞占比呈现“两峰两谷”的变化特征。STD在离岸0~100 km内较高，受各国专属经济区的海权影响，STD在离岸100~300 km内相对减弱，而到离岸400~700 km范围内急剧上升并达到峰值，向远海扩散后呈震荡式下跌态势，直至离岸1 900~2 000 km后STD占比接近于0。SLB在各离岸距离的鱿钓捕捞占比的变化趋势与STD相似，但受近岸非鱿钓船的灯光影响，SLB在距离岸0~300 km范围内明显高于STD，在离岸0~100 km范围内达到峰值。将STD与SLB进行以FAO major Fishing Areas的19个海洋主要捕鱼区为单位的分区统计，统计各海区的鱿钓捕捞占比，以比较不同海区的鱿钓捕捞强度及灯光鱿钓覆盖率，计算结果如图5(b)所示，STD与SLB主要集中在FAO41、51、61、71、87海区，STD占比大小为FAO87海区>FAO41海区>FAO71海区>FAO61海区>FAO51海区>其他海区总和，而SLB占比顺序为FAO41海区>FAO61海区>FAO51海区>FAO87海区>FAO71海区>其他海区总和。二者的排序并不一致，这与各海区的灯光鱿钓覆盖率相关，其中，FAO41、51、61海区的SLB强度大、占比高，相较于STD有明显的占比优势，说明这些海区灯光鱿钓覆盖率相对较高，而FAO71、87海区的SLB强度较小、占比较低，未能与较高STD占比匹配，表明这些海区灯光鱿钓覆盖率相对较低。
图5 不同离岸距离与不同海区的鱿钓捕捞强度统计

Fig. 5 Squid fishing intensity statistics in different offshore distances and different sea areas

结合图3、图4、图5可知，各海区存在不同的空间分布格局与分布模式。鱿钓捕捞的分布走向与所在海域的主要洋流流向高度相似，寒暖洋流交汇和上升流为鱿鱼携带了丰富的营养物质、营造了适宜的生存盐度与温度，而鱿钓船也遵循鱿鱼的适生与洄游规律，常前往寒暖流交汇处或上升流位置进行捕捞。位于西南大西洋的FAO41海区鱿钓捕捞主要分布在55°W—65°W，55°S—63°S、离岸距离75~850 km范围内，在离岸距离400~600 km范围内鱿钓捕捞强度最大，受巴西暖流与马尔维纳斯寒流交汇影响，整体呈条带状集聚分布，并伴随由捕捞热点向多个方向扩张的态势；位于西北印度洋阿拉伯海的FAO51海区鱿钓捕捞主要分布在13°N—21°N，59°E—68°E、离岸距离370~1 000 km范围内，在季风和涡旋的共同作用下，近海岸丰富的营养物质被运输到阿拉伯海中部海域，整体呈高强度的集中型块状分布；位于东北印度洋的FAO57海区鱿钓捕捞主要在0°—3°N，77°E—83°E、距海岸线400~520 km范围内，在季风的吹拂下，表现出低强度的条带式分布；位于北太平洋的FAO61、FAO67海区鱿钓捕捞广泛遍布于北太平洋暖流与千岛寒流交汇区，整体构成了横跨东西半球的鱿钓捕捞，分布在38°N—49°N，147°E—170°W、距海岸线400~ 1 500 km范围内，呈现出局部高强度、连续大面积低强度的条带式分布；位于中西太平洋阿拉弗拉海的FAO71海区鱿钓捕捞则表现为靠近陆地的分散型块状集聚分布，主要分布在6°S—10°S，133°E—140°E范围内；位于东南太平洋的FAO87海区鱿钓捕捞分布范围广，强度大，其鱿钓捕捞强度近乎 占据全球鱿钓捕捞的一半，秘鲁寒流的上升补偿 流为这片海域带来了大量的营养盐，在20°S—1°N，76°W—114°W、距海岸线350~1 800 km范围内呈大面积连片分布并伴随多个片状捕捞热区。FAO41、51、61、71、87海区在空间位置与鱿钓捕捞强度上均存在数量较多、强度较大的STD和 SLB，这些海区灯光鱿钓样本量大，适合作为探讨AIS轨迹密度与夜间灯光亮度时空关系的研究海区。因此，本文将FAO41、51、61、71、87这5个海区视为“灯光鱿钓海区”。

3.2 鱿钓捕捞的时间变化特征

为探索不同海域鱿钓捕捞的季节变化规律及影响因素，本文按照北半球春（3—5月）、夏（6—8月）、秋（9—11月）、冬（12月—次年2月）；南半球春（9—11月）、夏（12月—次年2月）、秋（次年3—5月）、冬（次年6—8月）四季，将全球及各灯光鱿钓海区2020年各月的STD与SLB进行统计，结果如图6所示，全球鱿钓捕捞的时间规律表现出“两峰两谷”的变化态势，分别于1—4月、6—8月呈上升趋势，而在4—6月、8—12月呈下降趋势。
图6 2020年全球及各灯光鱿钓海区的鱿钓捕捞时间变化

Fig. 6 The variation of squid fishing time in global and various light squid fishing areas in 2020

不同位置的鱿钓捕捞存在时间规律差异，从各灯光鱿钓海区的STD变化趋势可知，位于中纬度海域的鱿钓捕捞于夏秋呈上升趋势，而在冬春呈下降趋势。其中，FAO41海区的鱿钓捕捞位于南半球，在12月—次年3月急剧增加，在秋季鱿钓捕捞强度达到顶峰，占全年鱿钓捕捞的66.2%，而到4—7月又急剧下降趋近于0，并于8—11月出现休渔期，因此该海域春季鱿钓捕捞强度最小，在全年鱿钓捕捞占比不到1%，这与中国与阿根廷等国家在该海域的自主休渔措施、阿根廷滑柔鱼于5—8月产卵的繁殖特性相关；FAO61海区的鱿钓捕捞位于北半球，于5—9月逐渐增加，并在秋季达到鱿钓捕捞强度的顶峰，占全年鱿钓捕捞的59.7%，而到10月—次年4月震荡下跌，并在冬季与春季均呈现出低强度的鱿钓捕捞，分别占全年鱿钓捕捞的9.5%与6.9%，主要鱿钓种类为太平洋褶柔鱼，在其9—11月产卵期时，鱿钓捕捞活动也相应减弱。
低纬度的鱿钓捕捞在秋冬季节逐步增加，而在春季逐渐减少。其中，FAO51海区的鱿钓捕捞位于北半球，主要捕捞鸢乌贼，在9月—次年3月表现出逐渐增加趋势，在春季捕捞强度最大，占全年鱿钓捕捞的42.9%，到4—6月鸢乌贼产卵高峰期时急剧下降，并于6—8月出现休渔期，因此，该海域夏季的鱿钓捕捞强度最低，在全年鱿钓捕捞占比不到1%；FAO71海区的鱿钓捕捞位于南半球，在4—8月增加，并在春季达到捕捞强度顶峰，占全年鱿钓捕捞的50.5%，而到9月—次年1月减少，并于次年1—3月出现休渔期，在秋季形成鱿钓捕捞谷值，仅占全年鱿钓捕捞的4.2%；鱿钓捕捞同样位于南半球的FAO87海区，表现出“两峰两谷”的变化趋势，且整年未存在休渔期，分别在5—8月、9月—次年1月呈上升趋势，而在1—5月震荡下跌、8—9月急剧下跌。在夏季与冬季形成捕捞强度峰值，分别占全年鱿钓捕捞的29.7%与31.8%，在春季与秋季形成谷值，分别占比15.7%与22.7%。该海域的主要鱿钓种类为茎柔鱼，每年的2—4月和9—11月为其产卵高峰期，该海域的鱿钓捕捞时间变化也符合茎柔鱼的繁殖规律。比较SLB与STD的拟合趋势可得，SLB对STD的时间变化响应上整体效果较好。全球SLB的变化趋势与STD相似，但在8月份差值较大，4月、12月变化趋势不一致。各灯光鱿钓海区中， FAO87海区的曲线拟合效果最好，除了10月外，其余月份的变化幅度高度同步； FAO41、51区的SLB对STD在峰值与谷值上有明显的响应，在休渔期中二者都接近于0； FAO71海区曲线拟合效果一般，在春季时信号拟合的偏差较大； FAO61海区受非鱿钓船的灯光捕捞及专属经济区内鱿钓AIS轨迹数据缺失的影响，拟合效果欠佳。

3.3 STD与SLB的时空相关分析

经空间融合后的“灯光鱿钓像元”同时具备STD与SLB的属性，分别对灯光鱿钓像元的STD与SLB实行双变量全局Moran's I计算、空间误差分析及Spearman相关分析，从空间相关性、空间自回归以及时间相关性的角度探索STD与SLB的时空相关性，以量化夜间灯光数据在鱿钓捕捞的度量能力，计算结果如表2所示。
表2 STD与SLB时空相关分析统计

Tab. 2 Temporal and spatial correlation analysis statistics of STD and SLB

海区名称 Moran's I R2 Spearman
全球 0.308*** 0.58*** 0.776***
FAO 41 0.335*** 0.69*** 0.984***
FAO 51 0.254*** 0.31*** 0.860***
FAO 61 0.058*** 0.14*** 0.378
FAO 71 0.297*** 0.52*** 0.776***
FAO 87 0.264*** 0.65*** 0.909***

注：***表示P < 0.001。

从空间相关性方面看，全球与各灯光鱿钓海区的STD与SLB均表现出显著的空间正相关性，除FAO61海区因捕捞分布离散性较强，导致Moran's I值较低外，全球及其他灯光鱿钓海区的Moran's I均在0.26~0.34范围内，呈现中低水平的空间自相关，说明STD增加会导致周边海域SLB上升。① 由于局部海域灯光鱿钓集聚后，捕捞时长迅速增加，形成大面积的灯光饱和与溢出，该海域灯光亮度上升的同时带动了周边海域的亮度，最终导致周边SLB上升。② 部分海域呈现出相同的捕捞特征，捕捞热点海域表现出自身与周边海域均进行较高或较低强度的捕捞活动。
从空间自回归角度看，全球尺度STD与SLB的R2为0.58，展现出了二者良好的相关关系，说明该位置及周边海域灯光诱捕时长的增加能够有效提升该位置的灯光亮度。从灯光鱿钓海区尺度出发，位于南美洲东西两侧FAO41海区与FAO87海区表现出较高的R2值，分别为0.69与0.65，这些海域捕捞面积广，集聚态势明显，整体捕捞强度高，增强了夜间灯光遥感对灯光鱿钓的捕捉能力，能最大程度呈现STD与SLB空间拟合的实际效果；FAO51海区与FAO71海区呈现中等水平的R2，分别为0.31与0.52，其中，FAO51海区大面积的集中灯光鱿钓导致灯光溢出效应明显，整体形成了高SLB低STD，影响了二者的空间拟合计算；FAO71海区的鱿钓捕捞紧靠陆地，近岸的非灯光鱿钓干扰了STD与SLB的相关性分析；FAO61海区显示出较低的R2，仅为0.14，这是由于一方面，该海域鱿钓捕捞面积广，分散性强，削弱了捕捞的集聚态势，导致夜间灯光遥感无法精确捕捉灯光鱿钓活动；另一方面，邻近FAO61海区海域的中国、韩国、日本都是海洋渔业捕捞大国，这些国家的近岸海域存在大量非鱿钓船的灯光诱捕干扰了相关性计算。
从时间相关性结果看，除FAO61海区外，全球海域及其他典型灯光渔场海域的斯皮尔曼相关系数均>0.77，且通过显著性检验，表明STD与SLB的时间变化趋势较为相似。结合图6可知，STD与SLB的曲线拟合效果越好，则Spearman相关系数越大。FAO41海区与FAO87海区的曲线拟合效果最佳，Spearman相关系数分别为0.984和0.909；FAO51海区的曲线拟合效果次之，Spearman相关系数达0.860； FAO71海区的曲线在春季拟合效果欠佳，Spearman相关系数为0.776；而FAO61海区的曲线拟合效果最差，除1—5月外，STD与SLB的变化趋势均不一致。通过多元线性回归方程比较空间误差拟合值与Spearman相关系数发现，二者的R2为0.712，说明STD与SLB在空间上的相关性越好，时间变化也越相似。

4 结论

本文选取2020年全球鱿钓船AIS轨迹数据与VIIRS夜间灯光影像，以FAO major Fishing Areas的19个海洋主要捕鱼区为规划依据，结合GIS空间分析方法开展了全球鱿钓捕捞的时空特征分析，得出结论如下：
（1）鱿钓捕捞主要分布在西南大西洋阿根廷专属经济区周边（FAO41海区）、西北太平洋日本东北部远海（FAO61海区）、东南太平洋秘鲁西部远海（FAO87海区）、西北印度洋阿拉伯海（FAO51海区）以及中西太平洋阿拉弗拉海（FAO71海区），集中在中、低纬度离陆地100 km以内和400~700 km范围内，呈现以条带式为主的分布模式，同时，这5个海区灯光鱿钓面积较广、强度较大，被视为“灯光鱿钓海区”。
（2）全球鱿钓捕捞的时间规律表现出“两峰两谷”的变化态势，分别于1—4月、6—8月呈上升趋势，而在4-6月、8-12月呈下降趋势。不同位置的鱿钓捕捞存在时间规律差异，中纬度的鱿钓捕捞于夏秋呈上升趋势，而在冬春呈下降趋势；低纬度的鱿钓捕捞在秋冬季节逐步增加，而在春季逐渐减少。
（3）鱿钓捕捞的时空特征受洋流、鱿鱼繁殖特性及各国远洋鱿钓政策影响，捕捞空间分布走向与所在海域的主要洋流流向一致，捕捞强度在鱿鱼产卵高峰期、休渔期时减弱。
（4）在鱿钓热点明显的海区，STD与SLB空间分布格局与时间变化规律相似，说明夜间灯光能有效捕捉鱿钓捕捞的热点区域。灯光鱿钓像元的AIS轨迹密度与夜间灯光亮度的双变量Moran's I、空间误差拟合值、Spearman相关系数均为正且显著，其中空间误差拟合值与Spearman相关系数较大，说明AIS轨迹密度与夜间灯光亮度的时空相关性良好，同时发现，二者在空间上的响应效果越好，则时间变化规律也越相似。

5 讨论

本文基于AIS轨迹数据与VIIRS夜间灯光影像，分析了全球鱿钓捕捞的时空特征，在全球尺度下的鱿钓捕捞空间分布与Guiet[41]基本一致，同时，在FAO61海区呈现出鱿钓捕捞在夏秋上升、冬春下降的时序变化规律也与现有研究[23,42]保持一致。在前人的研究基础上，本文将研究区域扩展至全球，揭示了鱿钓捕捞在不同海区的空间异质性，发现了鱿钓捕捞在中、低纬度的不同时间变化规律。
本文验证了Ruiz等[34]在FAO41海区发现的AIS轨迹和VIIRS/DNB在时空变化上高度一致的结论，在此基础上，本文将AIS轨迹数据与夜间灯光数据融合得到“灯光鱿钓像元”，发现了鱿钓捕捞时长多的位置，鱿钓灯光亮度也高，灯光鱿钓像元能充分将船舶轨迹数据高分辨率时空分布、高精度属性标识的长处和夜间灯光遥感客观监测的优势相结合。研究工作证明了夜间灯光遥感具备良好的鱿钓捕捞度量能力，能与船舶轨迹互补，实现高精度的鱿钓捕捞评估。
本文仍存在一定的不足：首先在数据源方面，基于GFW的鱿钓船AIS轨迹数据不能完全覆盖全部鱿钓船，如在中国南海、菲律宾海等国家专属经济区（Exclusive Economic Zone, EEZ）AIS轨迹信号缺失较为严重；同时，受云层、月光、数据时空分辨率、传感器本身等影响，夜间灯光遥感捕捉灯光鱿钓热点的能力仍待提升；另外，由于全球鱿钓船渔业日志存在数据量大、种类多、组织机构复杂、获取难度大等限制，本文未结合实际渔业捕捞信息验证融合数据的精度。因此，进一步补全AIS轨迹信息、优化夜间灯光图像提取鱿钓捕捞灯光亮点的能力、结合渔业日志信息验证鱿钓时空特征精度，是未来实现鱿钓捕捞精细化监测的必要工作。其次，本文结合洋流、休渔期、鱿鱼繁殖特性等宏观层面分析了鱿钓捕捞时空特征的影响因素，日后将结合海洋环境的定量要素挖掘鱿钓捕捞时空特征的驱动力。最后，鉴于FAO41海区、FAO87海区AIS轨迹密度与夜间灯光亮度之间良好的时空关系，未来可就这两海区充分挖掘夜间灯光在鱿钓捕捞方面的优势，结合数理统计、机器学习等方法，实现灯光鱿钓渔场的预报。
本文图文责任编辑： 蒋树芳 黄光玉

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
董恩和, 杨林林. 全球鱿鱼渔业现状及前景展望[J]. 渔业信息与战略, 2021, 36(4):282-288.

[ Dong E H, Yang L L. Status and prospects of global squid fishery[J]. Fishery Information & Strategy, 2021, 36(4):282-288. ] DOI:10.13233/j.cnki.fishis.2021.04.007

[2]
黄硕琳, 邵化斌. 全球海洋渔业治理的发展趋势与特点[J]. 太平洋学报, 2018, 26(4):65-78.

[ Huang S L, Shao H B. Development trends and features of global marine fisheries governance[J]. Pacific Journal, 2018, 26(4):65-78. ] DOI:10.14015/j.cnki.1004-8049.2018.04.006

[3]
何妤如, 黄硕琳, 韦记朋. 欧美IUU捕捞管理体系对中国渔业政策制定的启示[J]. 上海海洋大学学报, 2021, 30(1):171-178.

[ He Y R, Huang S L, Wei J P. Enlightenme-nt of the EU and the US management measures for combating IUU fishing to the policy-making of China's fisheries[J]. Journal of Shanghai Ocean University, 2021, 30(1):171-178. ] DOI:10.12024/jsou.20190502683.

[4]
张聪, 周为峰, 唐峰华, 等. 基于机器学习的中西太平洋黄鳍金枪鱼渔场预报模型[J]. 农业工程学报, 2022, 38(15):330-338.

[ Zhang C, Zhou W F, Tang F H, et al. Fo-recasting models for yellowfin tuna fishing ground in the central and western Pacific based on machine lea-rning[J]. Transactions of the Chinese Society of Agri-cultural Engineering, 2022, 38(15):330-338. ] DOI:10.11975/j.issn.1002-6819.2022.15.036

[5]
王雅萌, 汪金涛, 陈新军, 等. 基于BP神经网络的西北太平洋柔鱼资源丰度时空变化研究[J]. 海洋学报, 2021, 43(6):81-89.

[ Wang Y M, Wang J T, Chen X J, et al. Spatio-temporal dynamic of abundance index of Neon flying squid in relation to environmental variables i-n the Northwest Pacific Ocean using BP neural netw-ork[J]. Haiyang Xuebao, 2021, 43(6)81-89. ]

[6]
孙慧岩, 周艳波, 马胜伟, 等. 基于北斗船位数据的南海外海灯光罩网渔船作业特征研究[J]. 南方水产科学, 2023, 19(2):21-30.

[ Sun H Y, Zhou Y B, Ma S W, et al. Fishing characteristics of light fishing vessels in open South China Sea based on Beidou position data[J]. South China Fisheries Science, 2023, 19(2):21-30. ]

[7]
杨胜龙, 张胜茂, 原作辉, 等. 基于渔船捕捞行为特征的远洋延绳钓渔场捕捞强度计算[J]. 中国水产科学, 2020, 27(3):307-314.

[ Yang S L, Zhang S M, Yuan Z H, et al. Calculating the fishing intensity of offshore longline fleets on fishing grounds based on their fishing char-acteristics[J]. Journal of Fishery Sciences of China, 2020, 27(3):307-314. ] DOI:10.3724/SP.J.1118.2020.19240

[8]
McCauley D J, Woods P, Sullivan B, et al. Ending hide and seek at sea[J]. Science, 2016, 351(6278):1148-1150. DOI:10.1126/science.aad5686

PMID

[9]
许振琦, 汪金涛, 雷林, 等. AIS数据在远洋渔业中的应用研究进展[J]. 海洋渔业, 2023, 45(2):237-247.

[ Xu Z Q, Wang J T, Lei L, et al. Research progress on applic-ation of AIS data in distant-water fishery[J]. Marine Fisheries, 2023, 45(2):237-247. ] DOI:10.13233/j.cnki.mar.fish.20220829.001

[10]
甄荣, 邵哲平, 潘家财. 基于AIS数据的船舶行为特征挖掘与预测:研究进展与展望[J]. 地球信息科学学报, 2021, 23(12):2111-2127.

DOI

[ Zhen R, Shao Z P, Pan J C. Ad-vance in character mining and prediction of ship beh-avior based on AIS data[J]. Journal of Geo-information Science, 2021, 23(12):2111-2127. ] DOI:10.12082/dqxxkx.2021.210495

[11]
Natale F, Gibin M, Alessandrini A, et al. Mapping f-ishing effort through AIS data[J]. PLoS One, 2015, 10(6):e0130746. DOI:10.1371/journal.pone.0130746

[12]
李晓恩, 周亮, 肖杨, 等. 基于渔船AIS数据的南海北部海洋渔业捕捞强度空间特征挖掘[J]. 地球信息科学学报, 2021, 23(5):850-859.

DOI

[ Li X E, Zhou L, Xiao Y, et al. Spatial characteristics mining of fishing intensity in t-he northern South China sea based on fishing vessels AIS data[J]. Journal of Geo-information Science, 2021, 23(5):850-859. ] DOI:10.12082/dqxxkx.2021.200328

[13]
Le Guyader D, Ray C, Gourmelon F, et al. Defining high-resolution dredge fishing grounds with Automatic Identification System (AIS) data[J]. Aquatic Living Resources, 2017, 30:39. DOI:10.1051/alr/2017038

[14]
de Souza E N, Boerder K, Matwin S, et al. Improving fishing pattern detection from satellite AIS using data mining and machine learning[J]. PLoS One, 2016, 11(7):e0158248. DOI:10.1371/journal.pone.0158248

[15]
Vermard Y, Rivot E, Mahévas S, et al. Identifying fishing trip behaviour and estimating fishing effort from VMS data using Bayesian Hidden Markov Models[J]. Ecological Modelling, 2010, 221(15):1757-1769. DOI:10.1016/j.ecolmodel.2010.04.005

[16]
Kroodsma D A, Mayorga J, Hochberg T, et al. Tracking the global footprint of fisheries[J]. Science, 2018, 359(6378):904-908. DOI:10.1126/science.aao5646

PMID

[17]
陈仁丽, 吴晓青, 刘柏静, 等. 基于AIS的海上渔船捕捞活动聚集区提取方法研究[J]. 地球信息科学学报, 2021, 23(12):2163-2173.

DOI

[ Chen R L, Wu X Q, Liu B J, et al. Mapping method of fishing grounds based on ma-rine AIS data[J]. Journal of Geo-information Science, 2021, 23(12):2163-2173. ] DOI:10.12082/dqxxkx.2021.210106

[18]
Hsu T Y, Chang Y, Lee M A, et al. Predicting skipjack tuna fishing grounds in the western and central Pacific Ocean based on high-spatial-temporal-resolution satellite data[J]. Remote Sensing, 2021, 13(5):861. DOI:10.3390/rs13050861

[19]
Liu B J, Wu X Q, Liu X, et al. Assessment of ecol-ogical stress caused by maritime vessels based on a comprehensive model using AIS data: Case study of the Bohai Sea, China[J]. Ecological Indicators, 2021,126:107592. DOI: 10.1016/j.ecolind.2021.107592

[20]
Coello J, Williams I, Hudson D A, et al. An AIS-based approach to calculate atmospheric emissions from the UK fishing fleet[J]. Atmospheric Environment, 2015, 114:1-7. DOI:10.1016/j.atmosenv.2015.05.011

[21]
Tassetti A N, Ferrà C, Fabi G. Rating the effectiveness of fishery-regulated areas with AIS data[J]. Ocean & Coastal Management, 2019, 175(6):90-97. DOI:10.1016/j.ocecoaman.2019.04.005

[22]
贺彬, 吴文周, 康路, 等. 南海区域渔船活动时空特征分析[J]. 地球信息科学学报, 2021, 23(11):2013-2024.

DOI

[ He B, Wu W Z, Kang L, et al. Analysis of the spatio-temporal characteristics of fishing vessels activities in the South China Sea[J]. Journal of Geo-information Science, 2021, 23(11):2013-2024. ] DOI:10.12082/dqxxkx.2021.200770

[23]
Fei Y J, Yang S L, Fan W, et al. Relationship between the spatial and temporal distribution of squid-jigging vessels operations and marine environment in the North Pacific Ocean[J]. Journal of Marine Science a-nd Engineering, 2022, 10(4):550. DOI:10.3390/jmse10040550

[24]
Elvidge C, Zhizhin M, Baugh K, et al. Automatic boat identification system for VIIRS low light imaging data[J]. Remote Sensing, 2015, 7(3):3020-3036.245-251. DOI:10.3390/rs70303020

[25]
薛成宬, 高彩霞, 胡坚, 等. 基于稀疏表示的低照度遥感影像夜间海上船舶灯光检测方法[J]. 电子与信息学报, 2023, 45(5):1747-1757.

[ Xue C C, Gao C X, Hu J, et al. Marine boat lights detection method based on sparse representation for low light remote sensing images during night[J]. Journal of Electronics & Information Technology, 2023, 45(5):1747-1757. ] DOI:10.11999/JEIT220369

[26]
郭刚刚, 樊伟, 薛嘉伦, 等. 基于NPP/VIIRS夜光遥感影像的作业灯光围网渔船识别[J]. 农业工程学报, 2017, 33(10):245-251.

[ Guo G G, Fan W, Xue J L, et al. Ide-ntification for operating pelagic light-fishing vessels based on NPP/VIIRS low light imaging data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(10):245-251. ] DOI:10.11975/j.issn.1002-6819.2017.10.032

[27]
吴佳文, 官文江. 基于SNPP/VIIRS夜光遥感数据的东、黄海渔船时空分布及其变化特点[J]. 中国水产科学, 2019, 26(2):221-231.

[ Wu J W, Guan W J. Study on the distribution and variation of fishing vessels in East China Sea and Yellow Sea based on the nighttime li-ght remote sensing data from SNPP/VIIRS[J]. Journal of Fishery Sciences of China, 2019, 26(2):221-231 ] DOI:10.3724/SP.J.11 18.2019.18272

[28]
陈冠宇, 刘阳, 田浩, 等. 以VIIRS-DNB数据为基础的黄海渔船夜间灯光动态[J]. 水产学报, 2020, 44(6):1036-1045.

[ Chen G Y, Liu Y, Tian H, et al. Dynamic analysis of night fishing vessels in the Yellow Sea based on VIIRS-DNB data[J]. Journal of Fisheries of China, 2020, 44(6):1036-1045. ] DOI:10.11964/jfc.20190411759

[29]
Geronimo R, Franklin E, Brainard R, et al. Mapping fishing activities and suitable fishing grounds using nighttime satellite images and maximum entropy modelling[J]. Remote Sensing, 2018, 10(10): 1604. DOI:10.3390/rs10101604

[30]
Elvidge C D, Ghosh T, Baugh K, et al. Rating the effectiveness of fishery closures with visible infrared imaging radiometer suite boat detection data[J]. Frontiers in Marine Science, 2018, 5:132. DOI:10.3389/fmars.2018.00132

[31]
Li X E, Xiao Y, Su F Z, et al. AIS and VBD data fusion for marine fishing intensity mapping and analysis in the northern part of the South China Sea[J]. ISPRS International Journal of Geo-Information, 2021(5). DOI:10.33 90/ijgi10050277

[32]
Syah A F, Inayah Z, Partadisastra M A, et al. Disse-mination of angling vessels in the eastern Indian Oc-ean: A remote sensing perspective[J]. IOP Conference Series: Earth and Environmental Science, 2020,584:012053. DOI:10.1088/1755-1315/584/1/012053

[33]
Li J J, Cai Y C, Zhang P, et al. Satellite observation of a newly developed light-fishing “hotspot” in the open South China Sea[J]. Remote Sensing of Enviro-nment, 2021, 256(6):112312. DOI:10.1016/j.rse.2021.112312

[34]
Ruiz J, Caballero I, Navarro G. Sensing the same fishing fleet with AIS and VIIRS: A seven-year assessment of squid jiggers in FAO major fishing area 41[J]. Remote Sensing, 2019, 12(1):32. DOI:10.3390/rs12010032

[35]
Zhao M, Zhou Y, Li X, et al. Applications of satelli-te remote sensing of nighttime light observations: Ad-vances, challenges, and perspectives[J]. Remote Sensi-ng, 2019, 11(17):1971. DOI:10.3390/rs11171971

[36]
成王玉. 南海油气钻井平台遥感提取研究[D]. 南京: 南京大学, 2015.

[ Cheng W Y. Research on extraction of oil and gas drilling platforms with remote sensing in the South China Sea[D]. Nanjing: Nanjing University, 2015. ]

[37]
王远飞, 何洪林. 空间数据分析方法[M]. 北京: 科学出版社, 2007.

[ Wang Y F, He H L. Spatial data analysis method[M]. Beijing: Science Press, 2007. ]

[38]
Anselin L. Local indicators of spatial association-LISA[J]. Geographical Analysis, 2010, 27(2):93-115. DOI:10.1111/j.1538-4632.1995.tb00338.x

[39]
陈安宁. 空间计量学入门与GeoDa软件应用[M]. 杭州: 浙江大学出版社, 2014.

[ Chen A N. Introduction to spatial metrology and application of GeoDa software[M]. Hangzhou: Zhejiang University Press, 2014. ]

[40]
宋飏, 刘艳晓, 张瑜, 等. 中国手足口病时空分异特征及影响因素[J]. 地理学报, 2022, 77(3):574-588.

DOI

[ Song Y, Liu Y X, Zhang Y, et al. Spatio-temporal differentiation characteristics and influencing factors of hand, foot, and mouth disease in China[J]. Acta Geographica Sinica, 2022, 77(3): 574-588. ] DOI:10.11821/dlxb202203006

[41]
Guiet J, Galbraith E, Kroodsma D, et al. Seasonal v-ariability in global industrial fishing effort[J]. PLoS One, 2019, 14(5):e0216819. DOI:10.1371/journal.pone.0216819

[42]
Yang S L, Fei Y J, Yu L L, et al. The environmental niche of the squid-jigging fleet in the North Pacific Ocean based on automatic identification system data[J]. Ecological Indicators, 2023,155:110934. DOI:10.1016/j.ecolind.2023.110934

Options
文章导航

/

〈 〉