EN中文

Journal of Geo-information Science >

2021 , Vol. 23 >Issue 5: 850 - 859

DOI: https://doi.org/10.12082/dqxxkx.2021.200328

Spatial Characteristics Mining of Fishing Intensity in the Northern South China Sea based on Fishing Vessels AIS Data

  • LI Xiaoen , 1, 3, 4 ,
  • ZHOU Liang 1, 3, 5 ,
  • XIAO Yang 2, 3, 6 ,
  • WU Wenzhou 3 ,
  • SU Fenzhen , 3, 6, 7, * ,
  • SHI Wei 3
Expand
  • 1. Faculty of Geomatics, Lanzhou Jiaotong University, Lanzhou 730070, China
  • 2. School of Geography and Ocean Science, Nanjing University, Nanjing 210023, China
  • 3. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 4. National-Local Joint Engineering Research Center of Technologies and Applications for National Geographic State Monitoring, Lanzhou 730070, China
  • 5. Gansu Provincial Engineering Laboratory for National Geographic State Monitoring, Lanzhou 730070, China
  • 6. Collaborative Innovation Center of South China Sea Studies, Nanjing University, Nanjing 210093, China
  • 7. Innovation Academy of South China Sea Ecology and Environmental Engineering, Chinese Academy of Sciences, Guangzhou 510301, China
*SU Fenzhen, E-mail:

Received date: 2020-06-24

  Request revised date: 2020-09-14

  Online published: 2021-07-25

Supported by

Science and Technology Basic Resources Investigation Program of China(2017FY201401)

National Natural Science Foundation of China(41890854)

Innovation Academy of South China Sea Ecology and Environmental Engineering, Chinese Academy of Sciences(ISEE2018YB06)

National Natural Science Foundation of China(41961027)

Lanzhou Jiaotong University Excellent Platform LZJTU EP(201806)

Copyright

Copyright reserved © 2021
Fold

Abstract

High-precision fishing intensity data in the fishery is the prerequisite and key to carrying out fishing quota management, as well as the significant guarantee for the sustainable development of marine fishery resources. Therefore, the paper selects 180 million records of high spatiotemporal multi-granularity data of 6364 fishing vessels with Chinese nationality in typical seasons including February, April, September, and November of 2018, aiming to mine the spatial characteristics of the fishing intensity in marine fishery. It leverages expert knowledge and experience and employs spatial statistics and data mining analysis methods to conduct a thorough mining and analysis of the spatial characteristics of the fishing intensity. We take Beibu Gulf fisheries on the coast of Guangxi, the coast of Guangdong, and the surrounding sea areas of the Hainan Island as the study areas. The results show that: (1) The high-intensity fishing in coastal waters of Guangdong and Guangxi (referred to as "Liang Guang") mainly presents the characteristics of "clumps" expanding outward and converging into "bands" or "larger clumps", while the surrounding area of Hainan island mainly presents the characteristics of "clumps"; (2) Influenced by fishery workers, the number of fishing vessels, marine fisheries, and marine environment, the fishing intensity in the coastal waters of "Liang Guang" is apparently higher than that of the surrounding waters of Hainan Island; (3) The high-intensity fishing area is mainly concentrated within 30~50 km near the shore, and the intensity of offshore fishing is higher than that of the far-sea area, which is attributed to the high proportion (up to 50.9%) of small and medium-sized fishing vessels in the study area; (4) Fishing activities are affected by the traditional Lunar New Year, the fishing moratorium, and other policy factors, thus the fishing intensity during the Spring Festival being the lowest in the selected data coverage time range. In addition, the fishing intensity after the fishing moratorium (September) is significantly higher than that before the fishing moratorium (April); (5) The large fishing ports near the coast of the study area have a certain radiation-driven effect on the high-intensity fishing in the coastal waters. This study can provide important data support for the analysis of the fishing intensity of offshore marine fisheries and contribute to the sustainable development of the marine fishery, by processing, analyzing, and deeply mining AIS data with high spatiotemporal multi-granularity.

Key words： fishing vessels AIS data; big data; Northern South China Sea fishery; data analysis and mining; Gaussian mixture model; fishing intensity; spatial characteristics analysis; sustainable marine fisheries

Cite this article

LI Xiaoen , ZHOU Liang , XIAO Yang , WU Wenzhou , SU Fenzhen , SHI Wei . Spatial Characteristics Mining of Fishing Intensity in the 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

1 引言

海洋渔业在粮食安全、社会经济发展中发挥着至关重要的作用。然而受捕捞技术、市场需求以及高强度捕捞的影响,海洋渔业面临着资源衰竭、效益下降等困境,海洋经济发展与渔业捕捞之间的矛盾日益凸显[1,2]。同时,由于渔业捕捞形式多样、资源种类繁多、产量统计不够精准,捕捞能力量化、强度评估一直是困扰渔业管理人员的难题[3,4]。在地中海海域、美国东海岸等地区,管理者聚焦于时空范围的捕捞强度限制和管控。渔业资源学中,常用捕捞强度来衡量渔业资源的捕捞态势。同时,传统渔业资源开发强度评估中,常用捕捞努力量（Fishing Effort）、渔船渔具数、投网次数及作业天数来进行定量表征,这其中存在着捕捞生产统计数据不规范、数据漏报误报、不确定性因素多、空间分布特征不明确、无法实时准确、宏观了解渔业捕捞强度等诸多现实问题[5],亟需新数据源及方法的支撑。Martín[6]、Campbell[7]等研究表明,精细管理下使用高时空分辨率渔船捕捞强度图来评估渔业活动具有重要价值。AIS（Automation Identification System）数据提供的精细尺度空间定位数据,可用于渔业活动决策和精准制图[8,9],是渔业管理人员的理想工具。船舶AIS设备的普及、推广,以及海上船舶通信与岸基监控网络的发展,促使船舶AIS数据覆盖范围、连续性和有效性达到了前所未有水平。海量AIS数据已成为研究船舶群体航行特征的重要数据源,对其进行挖掘已成为发现地学规律的重要 手段[10,11]。在此背景下,利用AIS数据挖掘、分析渔业捕捞强度空间分布特征规律,为有序开发、合理利用和科学管理海洋渔业资源提供科学支撑,对海洋渔业资源可持续性发展意义重大。
目前,已有研究中利用AIS、船舶监测系统VMS（Vessel Monitoring System）、渔船灯光等多源点位数据,针对渔业捕捞作业强度、开发态势及动态变化进行了可行性、试验性论证：如张胜茂等[12]以浙江宁波象山港拖网渔船为例,对1508艘北斗终端渔船船位、航向、速度等信息进行分析挖掘获得捕捞强度;Natale等[13]利用2014年1—8月瑞典拖网捕捞渔船AIS数据,生成高精度捕鱼活动地图,并结合详细日志数据对结果进行了验证,发现制图精度受水域内AIS数据覆盖范围的影响;杨胜龙等[14]结合2017年10—11月AIS数据和同期中国西太平洋延绳钓渔船捕捞日志数据,通过挖掘延绳钓渔船作业航速和航向特征,建立了渔场作业状态识别模型,提取渔场捕捞强度信息;此外,除应用渔船定位数据进行渔业捕捞强度分析外,郭刚刚等[15]在海上远洋作业灯光渔船识别算法中指出VIIS（Visible Infrared Imaging Radiometer Suite）中的渔船夜间灯光可用于评估远洋灯光渔业捕捞努力量、以及渔业信息化管理等研究;Hsu等[16]提出了一种应用VIIRS检测获取的VBD（VIIRS Boat Detections）数据产品与VMS进行了交叉匹配的方法,用于海上渔业捕捞中“黑”船（“Dark” Vessels）的识别;陈冠宇等[17]相继在南海、黄海海域提取了夜间作业渔船灯光点位信息,进行了渔业生产强度变化特征研究。
综上所述,已有研究案例在利用多源船位数据进行有关海洋渔业捕捞强度方面取得了积极进展,但其中也存在一些不足与局限,如研究范围只在小区域、局限于单一渔业捕捞方式（如延绳钓、拖网等）相关分析,而海洋渔业捕捞方式多样且范围广阔。此外,使用渔船夜间灯光进行海洋渔业研究存在着灯光数据易受到云层、海雾干扰,以及重访周期易导致渔船数据在时间尺度上不连续、空间分布上存在着重叠或遗漏等问题。因此,本文基于AIS数据,应用一种具有普适性的渔业捕捞强度分析方法：间接的以渔船海上捕捞作业时产生的轨迹点密度来衡量捕捞强度,以点密度栅格值高低来对捕捞强度进行量化。以我国南海北部的广西南岸北部湾渔场、广东沿岸和环海南岛周边海域为研究区域,对其渔业资源捕捞的空间特征规律进行分析和挖掘,以期为海洋渔业可持续性发展提供积极参照。

2 研究区概况与数据来源

2.1 研究区概况

海洋渔业是我国环南海地区海洋经济发展的支柱产业[18],南海区域自然条件优越,渔业生态环境多样、饵料丰富,渔业资源富集于北部湾渔场、南海北部大陆架等海域。其中,北部湾渔场在南海三省区海洋捕捞业中占有重要地位,是南海范围内渔业资源生产力最高、最主要的捕捞场所,其渔业资源状况对整个南海渔业可持续开发至关重要。另外,南海北部大陆架海域是鱼类饵料生物生长、繁殖的良好环境,渔业资源种类较多[3]。众所周知近海海域捕捞强度明显高于远海,但是近海海域捕捞强度时空变化及分布一直以来是有待于探索、研究的问题。此外,北部湾海域存在中越北部湾渔业协定区,为保证AIS数据挖掘信息的稳健性。本文选取中国境内北部湾渔场和南海大陆架北部渔场(广东沿岸、环海南岛)为主要研究区（图1）,位于 107°E—112°E、17°N—22°N范围内,总面积约为16.595 万km2,水深0~1500 m,平均水深200 m。
图1 研究区范围及位置

注：南海诸岛插图基于自然资源部标准中国地图审图号：GS（2019）1699号制作,底图无修改;其中北部湾中越边界参照中越协定文件中数据制作,基础矢量数据来自于全国地理信息资源目录服务系统,图5同。

Fig. 1 Scope and location of the study area

2.2 数据来源

AIS设备主要用于防止船舶碰撞、航行监控和自动报警等,其积累的数据还可用于船舶移动态势识别、轨迹异常检测、遏制IUU（Illegal Unreported Unregulated）渔业活动等船舶群体特征研究。另外,船舶AIS数据的覆盖率和有效性是区域信息知识分析挖掘的重要条件,大多数AIS数据是依靠岸基信号接收站获取。岸基AIS基站受制于甚高频率传播以及船载AIS设备与岸基基站之间距离的影响。例如,当距离较远时AIS数据传输存在不持续现象。中国出于保障海上渔船捕捞作业安全考虑,强制要求所有渔船配备AIS设备,保证了本实验数据的覆盖率。调查表明,2018年南海休渔期为5月1日至8月16日。本文只选取中国籍渔船AIS轨迹数据,数据来源于岸基基站和卫星AIS,数据覆盖时间范围为2018年2、4、9和11月。实验数据是从全球每日获取的AIS数据集中根据研究区及其船舶类别代码抽取而来,共获取研究区内渔船轨迹数据1.8亿条,所涉及船舶数量累计为6364艘。

3 研究方法

3.1 典型渔船作业分析

渔船是海洋中进行鱼类捕捞、加工、运输的船舶,分析其在海上移动轨迹、挖掘和获取其中蕴含的知识信息,可为海洋渔业资源的捕捞分析提供科学参考。基于经验认识可知,海上渔船捕鱼作业时聚焦于渔业富集区,期间需要不断转向往复,渔船捕捞作业转向时航速普遍比较低。同时在渔船整个出海过程中是以捕鱼活动为主,所以渔船AIS数据中以捕鱼时产生的轨迹点为主。对此,通过抽取水上移动通信业务标识码MMSI（Maritime Mobile Service Identify）为412549951的中国籍渔船为例说明渔船出海捕鱼时的群体行为特征（图2）。由图 2（a）可以看出,渔船在海上的作业轨迹是杂乱的,但是部分轨迹却呈聚集状,除去那些由港口前往捕鱼区域的路径外,捕鱼区域的集聚特征更加明显,这也进一步说明了应用渔船AIS数据研究渔船捕捞强度信息具有较高的可靠性;并且,当渔船处于捕鱼区域时经常需要转向,而在渔区与港口往返途中一般很少改变船舶航向。由图2（b）也可以看出,速度频数分布呈现有明显高低差异的“双峰”分布,渔船整个作业航行过程中以低速状态占据主要比例;图2（c）中基于时间戳的航速统计分析可以看出渔船在1—15日有2次间歇,对时间戳解析可知为7—8日和12日,在此期间渔船靠泊在码头并未出海捕鱼,因此无AIS数据记录。
图2 单艘渔船轨迹特征示意

Fig. 2 Track characteristics of a single vessel

3.2 渔船AIS数据分类

渔船海上轨迹数据可划分为：港口停留（船速为0,无AIS记录）、航行或转运（船速较快）、捕鱼（船速较慢）3个阶段。因此,分析渔业捕捞强度需要对渔船出海作业行为进行划分。在关于捕鱼和非捕鱼活动特征区别分析中,Natale等[23]通过分析海上拖网式捕鱼船的速度剖面发现,速度剖面特征呈现双峰型,第一种模式为低速,对应捕捞活动;第二种模式为高速,对应航行。同样地,本次研究中用于确定捕鱼活动所采用的是一种高度依赖于渔船海域航行速度的行为分段方法。采用渔船移动速度特征分析渔船海上捕鱼行为具有明显优势,通过检测渔船航行速度和频率可以很方便地区分渔船作业航迹的轨迹点状态：捕鱼或航行。考虑到船舶长度可能导致航行及捕鱼作业速度的差异问题,将所有渔船按照静态数据记录中的Length字段分组,并对其对应的速度进行频率统计。
对数据进行预处理、初步统计分析后,通过制作船舶移动轨迹对应航速频率统计图来研究船舶作业特征。图3可以看出,船舶移动轨迹具有明显的统计分布特征,大多数船舶速度频数统计图均呈现双峰分布,各峰值左右两侧呈对称分布,该分布可以解释为两条高斯曲线的混合。图3内容也同图2（b）中渔船速度频数统计“双峰”是一致的,尽管不同长度区间的散点分布有细微差异,但整体上都是“双峰”分布,这也进一步证实了基于船舶速度对于渔船捕捞强度分析和挖掘的鲁棒性。同时,也可以发现绝大部分船舶左侧峰值频数统计远高于右侧峰值统计。因此,文中采用探测高斯分布参数的方法来确定渔船捕捞行为的速度区间。结合常识及专家知识经验可以判定渔船作业过程中除从港口到捕捞区域的往返占据部分比例外,渔船任务以捕捞为主。可以判定当船舶速度处于图3（a）第一峰时为捕捞状态（低速状态）,当处于第二峰时是航行状态（高速）,研究中重点分析和挖掘船舶速度为第一种状态时的信息。
图3 渔船对地航速统计

注：航速统计时,删去了速度值小于0.1的记录及大于15的值（航速大于15的统计结果很少）。

Fig. 3 Statistical of the fishing vessels speed over the ground

3.3 渔船AIS捕捞识别

上述分析中,虽然对船舶状态进行了初步区分,但是为保证本研究的严谨性仍需应用模型对其进行精确分析。对船舶轨迹数据进行分类识别用于区分航行/捕捞不同状态,以挖掘出更多趋势性和价值性规律。本文对渔船作业航速的频率统计分布选用高斯混合模型GMM（Gaussian Mixture Model）进行捕捞速度区间特征参数的挖掘,该方法将双峰分布曲线分解为2个基于高斯概率密度构成的模型。因此,基于上述对船舶航行速度频率的统计重采样和分析所得的分布曲线,采用高斯混合模型曲线来逼近它。高斯混合模型就是用高斯概率密度函数（二维时称：正态分布曲线）精确量化事物,将一个事物分解为若干基于高斯概率密度函数的方程模型。高斯混合模型数学形式如式（1）[24,25]：
p x = ∑ k = 1 K w k g k ( x μ k , Σ k )
式中： g k 是均值为 μ k 、 协方差为 Σ k 的单高斯模型; w k 是 g k 的权重系数; w k > 0 , ∑ k = 1 K w k = 1 ; K 是单高斯模型个数。
GMM主要是由方差和期望2个参数确定的,因此通过应用高斯混合模型和已有速度频数统计分布,我们能够利用数据分析软件计算出混合高斯模型的分布参数。为详细说明该方法,图4提供了所有船舶的速度剖面统计。本文聚焦于第一个分布,通过期望最大化算法EM（Expectation-Maximization）提供稳健的高斯分布参数估计。EM算法是一类通过迭代进行极大似然估计的优化算法,每一次迭代都分2步,一个为期望步（E）,另一个为极大步（M）。E步是利用对隐藏变量的现有估计值,计算其最大似然估计值;M步最大化在E步上求得的最大似然值来计算参数的值。使用R语言中的Mixtools软件包可实现EM算法估计。EM算法最终结果是,对于每类船舶,都有一个包含两个高斯分量的参数：捕鱼速度和航行速度分布。经计算获得捕捞、航行状态下的均值为2.930、6.918,方差为0.892、1.296。此次分析,我们只考虑第一种模式的捕鱼速度分布及其相应参数。结合不同船长分组的船舶速度频数统计分布,根据高斯混合模型计算所得参数,可知当渔船捕鱼作业时,速度置信区间取方差的±1.5倍比较合适。
图4 渔船航速剖面EM算法拟合双模态分布

Fig. 4 EM algorithm for ship speed profile fitting dual mode distribution

4 渔船捕捞强度空间特征分析

4.1 渔船捕捞强度制图

通过上述分析,确定了渔船捕捞作业时的速度区间（2.930±（1.5×0.892） knot/h）。另外,由于不同长度船舶在其捕捞能力方面均有所不同,所以在制作捕捞强度图时,根据船舶静态属性表中Length字段记录对其进行分组（图3（a））,之后依据船长比例赋予不同权重,并在动态表中更新了相应字段值。为进一步分析研究区作业渔船生产强度,利用ArcGIS点密度分析工具对渔船作业捕捞强度进行了制图,所得结果为图5。其中,对获取的捕捞强度值进行归一化处理后按照强度等级进行分层渲染。另外,为分析捕捞强度与海岸距离之间的效应,以海岸线为界分别向外海建立了10、20、50、100、150 km）的缓冲边界。
图5 南海北部2018年典型季节渔船捕捞强度

注:图中的捕捞强度为无量纲值。南海诸岛插图基于自然资源部标准中国地图审图号：GS（2019）1699号制作,底图无修改;其中北部湾中越边界参照中越协定文件中数据制作。

Fig. 5 Fishing vessels intensity map in the northern South China sea in the typical season of 2018

4.2 捕捞强度特征分析

渔业捕捞强度间接体现了渔业生产中具有捕捞价值场所的相对集中性,是渔场分布的生产实践反映。如图5,就研究区渔业整体捕捞态势而言,广西沿岸北部湾海域、南海北部大陆架广东省沿岸海域捕捞强度较高,环海南岛周边次之。从空间尺度而言,“两广”沿岸与环海南岛周边的海洋渔业捕捞强度,在空间分布上具有明显的差异特征,“两广”沿岸渔业捕捞高强度分布以“团块状集聚”扩张成“条带”或“更大团块”为主要趋势特征。并且,2018年2月、4月时广西沿岸捕捞强度略低于广东沿岸,而在同年9月和11月二者所在海域捕捞强度整体态势呈现“不相上下”特征。但是,广东沿岸的高强度捕捞区域面积略大于广西南岸,其原因为：北部湾海底平坦,其底质多样性低于南海北部大陆架海域,广东沿岸近海海域海岸线长度是北部湾的3倍,广东境内入海河流也是北部湾海域的3倍且径流量大,因此孕育的生物种类较多。对比而言,环海南岛周边渔业捕捞高强度分布主要以“团块状”为主要特征,并在本文研究的数据源时间跨度上强度变化较小。另外,分析发现近海渔业作业强度大,远海作业强度相对较小,大小差异明显。经数据分析,造成该差异的重要原因为研究区作业渔船以中小型渔船为主,船长小于30 m比例达50.9%,受限于机动能力、补给能力、船载量影响,只能在近海海域作业。而且,“两广”沿岸的渔业捕捞强度明显高于环海南岛周边。经分析,其原因可能为：① 查询《中国渔业统计年鉴2018》[28]可知,“两广”地区的船舶艘数是海南省的3.3倍,并且广西自治区和广东省渔业从业人员数量分别是海南省的5倍和3.3倍;② 研究区内捕捞强度最大区域均位于我国两大渔场：南海渔场（广东、海南沿海）、北部湾渔场（北部湾海域）。
从时间尺度而言,2018年2月渔业捕捞强度较其他月份低,其主要原因是受农历传统春节假期 （2月15日—22日）影响及春季渔业资源量低,两广沿岸渔业捕捞强度变化差异与环海南岛周边海域相比较具有明显差别,并且变化特征比南海休渔期前后更加凸显。从区域和时间尺度相结合视角,可以得出：广西南岸近海渔业捕捞在2018年2、4和9月,高强度区域主要呈现“团块状”分布,而在11月主要呈现“条带状”扩张趋势。并且,高强度值的核心区域离岸距离保持在20~40 km以内。禁渔前后,广西沿岸渔业捕捞强度值及其分布差别明显,呈现出向远海扩张的趋势;广东省沿岸渔业捕捞中,高强度捕捞值呈现“团块状”向外扩张形成“条带状”的特征。其中,茂名市电白区近海约30 km海域在各月尺度上均呈现“团块状”,团块直径约为10 km。休渔期前后,广东省沿岸的捕捞强度差异明显。休渔期后,在湛江市硵洲岛东面出现新的“团块状”。此外,广东省沿岸渔业高强度捕捞区域呈现出“团块”扩张呈“条带状”分布,并向珠江口扩张的趋势。
在广东省沿岸4月和11月渔业捕捞强度分布中可以看出,近岸海域强度值最大区域位于广东茂名市与湛江市交界处,强度值最大区域呈现半径约10 km的“团块状”分布,另外一处捕捞强度值最大区域呈现长度约100 km、宽度约为10~20 km“条带状”分布,“条带”分布始于离广东茂名市与阳江市交界处离岸20 km、30 km处且呈自东北向西南走向。这是因为南海北部沿岸海域是南海渔业生产强度较大的另一海区,这里大部分水域表层受沿岸水系控制,除海南岛东部及广东东部因夏季上升流发达外,海洋锋也与此处渔业作业密切相关;环海南岛周边海域的渔业开发,主要呈现“多团块”分散特征,并且高强度区域在月际尺度的分布和强度变化不是很大。高强度捕捞的“团块状”分布主要分布于儋州市洋浦湾、三亚市三亚湾、陵水黎族自治县、琼海市和文昌市文昌港周边近海30 km范围之内,高强度捕捞区域与近岸距离保持在10~20 km。其中,三亚市海域在月际尺度上一直是环海南岛周边渔业捕捞强度最高的区域,接着是儋州市周边海域,其他地方海域次之。最后,结合研究区内渔港数据（中心、一级渔港）与月际渔业捕捞强度相叠加,可以看出,越靠近海岸沿线分布有渔港的地方其渔业捕捞高强度值越集聚,如广西北海市、广东茂名市,说明沿岸渔港的分布对渔业资源捕捞区域的分布具有一定的辐射带动作用。

5 讨论

传统方法是依据海上实地抽样调查渔业资源以及生产统计数据对海洋渔业资源的分布、可捕捞量等进行探索分析[26,27]。如今,海量AIS数据,为渔船海上作业特征分析和知识挖掘提供了新途径。本研究对渔船捕捞行为的识别与分析依赖于AIS船舶速度统计分布,通过数值统计、数据挖掘以及专家经验设置的阈值分析得到结果。相比前人研究中以统计数据中渔船的数量、功率大小来表示海洋渔业捕捞作业强度以及利用夜间灯光数据识别渔船信息等方法而言,本文所采用的方法更具科学性、有效性。
但是本研究也存在一定的局限性与不足： ① AIS是一个自动的被动响应系统,其数据受限于船载终端向天基或岸基接收器转发的信息的路径远近。岸基AIS数据主要来源于近岸区捕捞渔船,远洋区域存在着数据粒度较疏、数据不连续的问题,无法进行有效的捕捞分析。故本文数据只包括中国籍渔船在中国境内渔业捕捞信息;② 另外,研究区内北部湾海域部分区域是中越共同渔区（图1）,存在越南籍渔船在中国海域非法捕鱼而无法得到有效监测的问题[29];③ 而且当海上天气恶劣、卫星网络覆盖不全或船驶入远洋海域时,AIS数据积累存在很大困难,导致数据延时或丢失。相信未来船舶卫星通讯技术极大发展,能获取更多覆盖范围广泛、数据连续的船位数据进而有效支持远洋海域渔业捕捞强度的分析和挖掘;④ 此外,本文所使用的方法中也存在着对于渔业捕捞方式分类不足的缺陷。

6 结论与展望

渔业捕捞强度数据是渔业管理者系统、准确掌握渔业生产实际情况的重要依据,可为渔业资源的可持续发展提供支撑与参照。基于AIS船位数据获取捕捞强度信息,具有实时、范围广、快速便捷、高时空分辨率等诸多优点。AIS数据中较为精准的捕捞作业空间位置信息,为探讨渔船轨迹区域渔业资源开发情况提供了契机,可以分析渔船作业特征,获取海上渔业资源分布、捕捞强度等空间特征规律。本文主要通过对渔船捕捞作业时产生的轨迹数据进行统计分析,挖掘其中蕴藏的渔业捕捞信息。以研究区内的中国籍渔船为例,以“两广”地区沿岸及海南岛周边海域为研究重点,制作了较高精度的研究区海域渔业捕捞强度图。主要内容有： ① 结合研究区AIS数据,分别以单、多艘渔船为研究对象,就其作业方式进行了统计、挖掘和分析; ② 在上述基础上,按Length字段分组对渔船速度进行统计分析,辅以专家知识经验和渔船作业特征,进行了基于渔船航行速度的行为模式划分,使用GMM模型对渔船轨迹数据进行分段,并对其统计分布模型进行了参数获取;③ 结合渔船航速频数统计及GMM模型确定的渔船作业捕捞区间,对渔船捕捞强度进行了制图、分析。
通过上述处理、分析得出以下主要结论：① 研究区内渔业高强度捕捞区域主要呈现“团块状”和“条带状”。其中,“两广”沿岸近海渔业高强度捕捞主要以“团块状”发展成“条带状”趋势为主,环海南岛周边主要呈现“团块状”特征;② 南海休渔期前后,研究区内渔业捕捞态势差异明显,休渔期后强度明显高于休渔期前。另外,受中国传统节日春节影响,2018年2月是研究时间段中捕捞强度最低的月份;③ 总体而言,历时4个月的渔船AIS数据分析表明,“两广”沿岸近海的渔业捕捞强度一直高于环海南岛周边,其原因与近海区域海域渔业资源丰度较高、“两广”地区从事海洋渔业捕捞的人数和船舶数量具有密切的关系;④ 高强度捕捞区域主要集中于近岸30 km ~50 km范围内,且近海捕捞强度高于远海区域,归因于研究区内中小型作业渔船占比较高,达50.9%;⑤ 海岸附近的大型渔港对于近海海域高强度捕捞具有一定的辐射带动效应。利用AIS数据对渔船进行实时跟踪,可以获取精准的渔业资源捕捞强度时空分布信息,为海洋资源利用和保护提供关键支撑。
综上,未来工作中也将针对本文研究的不足着重于：将结合渔船捕捞类型的先验知识、深度学习等方法对渔船捕捞类型及行为进行精准的识别与研究,也将通过应用渔业管理部门所掌握的单艘渔船细分鱼类的捕捞量日志数据,进行更加精细的分析、挖掘和验证。同时,将在各方面海洋环境数据综合获取较好的情况下,进一步分析和探讨海洋渔业捕捞强度跟海洋环境因素（如海洋水深、海表温度、海洋净初级生产力、海洋叶绿素浓度、海水盐度等）的“耦合”关系。最后,未来的研究也将结合AIS和夜光遥感的优势,进行远洋海洋渔业捕捞更加精细的研究,进而为渔业资源管理者提供辅助性参考和借鉴。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
张魁, 廖宝超, 许友伟, 等. 基于渔业统计数据的南海区渔业资源可捕量评估[J]. 海洋学报, 2017,39(8):25-33.

[ Zhang Q, Liao B C, Xu Y W, et al. Fishery resource catchability assessment in the south China sea based on fishery statistics[J]. Acta Oceanologica Sinica, 2017,39(8):25-33. ]

[2]
张君珏, 苏奋振, 王雯玥. 南海资源环境地理研究综述[J]. 地理科学进展, 2018,37(11):1443-1453.

DOI

[ Zhang J J, Su F Z, Wang W Y. A review of geographical information research on resources and environment of the South China Sea region[J]. Progress in Geography, 2018,37(11):1443-1453. ]

[3]
邱永松, 曾晓光, 陈涛, 等. 南海渔业资源与渔业管理[M]. 北京: 海洋出版社, 2008.

[ Qiu Y S, Zeng X G, Chen T, et al. Fishery resources and fishery management in the south China sea[M]. Beijing: Ocean Press, 2008. ]

[4]
王云涛, 黄幻清, 柴扉, 等. 渔业海洋学研究进展与讨论[J]. 海洋学报, 2018,40(6):131-133.

[ Wang Y T, Huang J Q, Chai F, et al. Research progress and discussion on fishery oceanography[J]. Acta Oceanologica Sinica, 2018,40(6):131-133. ]

[5]
丁琪, 陈新军, 耿婷, 等. 基于渔获统计的太平洋岛国渔业资源开发利用现状评价[J]. 生态学报, 2016,36(8):2295-2303.

[ Ding Q, Chen X J, Gen T, et al. Evaluationon utilization state of marine fishery resources of Pacific Islands based on catch statistics[J]. Acta Ecologica Sinica, 2016,36(8):2295-2303. ]

[6]
Martín P, Muntadas A, De Juan S, et al. Performance of a northwestern Mediterra-nean bottom trawl fleet: How the integration of landings and VMS data can contribute to the implemen-tation of ecosystem-based fisheries management[J]. Marine Policy, 2014,43:112-121.

DOI

[7]
Campbell M S, Stehfest K M, Votier S C, et al. Mapping fisheries for marine spatial planning: Gear-specific Vessel Monitoring System (VMS), marine conservation and offshore renewable energy[J]. Marine Policy, 2014,45:293-300.

DOI

[8]
Metcalfe K, Bréheret Nathalie, Chauvet E, et al. Using satellite AIS to improve our understanding of shipping and fill gaps in ocean observation data to support marine spatial planning[J]. Journal of Applied Ecology, 2018,55:1834-1845.

DOI

[9]
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]
陈金海, 陆锋, 彭国均. 海洋运输船舶轨迹分析研究进展[J]. 中国航海, 2012,35(3):53-57.

[ Chen J H, Lu F, Peng G J. Research progress on trajectory analysis of marine transport ships[J]. China Maritime Navigation, 2012,35(3):53-57. ]

[11]
裴韬, 刘亚溪, 郭思慧, 等. 地理大数据挖掘的本质[J]. 地理学报, 2019,74(3):586-598.

DOI

[ Pei T, Liu Y X, Guo S H, et al. Principle of big geodata mining[J]. Acta Geographica Sinica, 2019,74(3):586-598. ]

[12]
张胜茂, 杨胜龙, 戴阳, 等. 北斗船位数据提取拖网捕捞努力量算法研究[J]. 水产学报, 2014,38(8):1190-1199.

[ Zhang S M, Yang S L, Dai Y, et al. Study on the algorithm of trawling effort for the extraction of beidou ship position data[J]. Chinese Journal of Fisheries, 2014,38(8):1190-1199. ]

[13]
Natale F, Gibin M, Alessandrini A, et al. Mapping fishing effort through AIS data[J]. PLOS One, 2015,10(6):e0130746.

DOI

[14]
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 characteristics[J]. Journal of Fishery Sciences of China, 2020,27(3):307-314. ]

[15]
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. Identification for operating pelagic light-fishing vessels based on NPP/VIIRS low light imaging data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017,33(10):245-251. ]

[16]
Hsu F C, Elvidge C D, Baugh K, et al. Cross-matching VIIRS boat detections with vessel monitoring system tracks in indonesia[J]. Remote Sensing, 2019,11:995.

DOI

[17]
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(5):1-9.

[ Chen G Y, Liu Y, Tian H, et al. Night light dynamics of fishing boats in the yellow sea based on VIIRS-DNB data[J]. Chinese journal of fisheries, 2020,44(5):1-9. ]

[18]
林凤梅, 白福臣. 南海海洋生态安全及渔业可持续发展研究[J]. 渔业现代化, 2014,41(6):58-62.

[ Lin F M, Bai F C. Research on marine ecological security and fishery sustainable development in the South China Sea[J]. Fishery Modernization, 2014,41(6):58-62. ]

[19]
http://bzdt.ch.mnr.gov.cn/browse.html?picId=%224o28b0625501ad13015501ad2bfc0263%22.

[20]
全国人民代表大会常务委员会关于批准《中华人民共和国和越南社会主义共和国关于两国在北部湾领海、专属经济区和大陆架的划界协定》的决定[C]. 中国海洋法学评论（2005年卷第1期总第1期）:厦门大学海洋政策与法律中心, 2014: 227-233.

[ The standing committee of the National People's Congress for approval of the People's Republic of China and the socialist republic of Vietnam on the two countries in Beibu Gulf of the territorial sea, exclusive economic zone and continental shelf delimitation agreement on the decision of the[C]. Chinese maritime law review, 2005 (1) total 1). XiaMen University Center for Marine policy and law, 2014: 227-233. ]

[21]
Pallotta G, Vespe M, Bryan K. Vessel pattern dnowledge discovery from AIS data: A framework for anomaly detection and Route Prediction[J]. Entropy, 2013. 15:2218-2245.

DOI

[22]
Kroodsma D, Mayorga J, Hochberg T, et al. Tracking the Global Footprint of Fisheries[J]. Science, 2018,359. 10.1126/science.aao5646.

[23]
Bez N, Walker E, Gaertner D, et al. Fishing activity of tuna purse seiners estimated from Vessel Monitoring System (VMS) data[J]. Canadian Journal of Fisheries and Aquatic Sciences, 2011,68(11):1998-2010.

DOI

[24]
陈彦光. 地理数学方法:基础与应用[M]. 北京: 科学出版社, 2011.

[ Chen Y G. Mathematical methods for geography: Foundations and applications[M]. Beijing: Science Press, 2011. ]

[25]
Bishop C M. Pattern recognition and machine learning[M]. Springer. 2006.

[26]
陈洋洋, 陈新军, 郭立新, 等. 基于捕捞努力量的中西太平洋鲣鱼围网渔业入渔预测分析[J]. 海洋学报, 2017,39(10):32-45.

[ Chen Y Y, Chen X J, Guo L X, et al. Prediction of bonito Seine Seine fishery in the central and western Pacific Ocean based on fishing effort[J]. Acta Oceanologica Sinica, 2017,39(10):32-45. ]

[27]
韦朋, 王雪辉, 马胜伟, 等. 我国南海区海洋捕捞现状分析[J]. 上海海洋大学学报, 2019,28(6):976-982.

[ Wei P, Wang X H, Ma S W, et al. Analysis of current status of marine fishing in South China Sea[J]. Journal of Shanghai Ocean University, 2019,28(6):976-982. ]

[28]
农业农村部渔业渔政管理局全国技术推广总站, 中国水产学会. 2018中国渔业统计年鉴[M]. 北京: 中国农业出版社, 2018.

[ National Technology Extension Station of Fishery Administration, Ministry of Agriculture and Rural Affairs of the People's Republic of China, The China Society of Fisheries(CSF). China Fishery Statistical Yearbook of 2018. Beijing, China Agricultural Press, September 2018. ]

[29]
南海战略态势感知. 越南渔船3月非法活动激增,在海南及整个南海越南渔船跟踪监视项目报告(3)[EB/OL]. http://www.scspi.org/zh/dtfx/1585922607.

[ South China Sea Strategic Situation Probing Initiative. On march illegal activity in Vietnamese fishing vessels, in Hainan and the entire south China sea Vietnamese fishing vessels track project report (3) [EB/OL]. http://www.scspi.org/zh/dtfx/1585922607. ]

Options
Outlines

/

〈 〉