EN中文

Journal of Geo-information Science >

2021 , Vol. 23 >Issue 11: 2013 - 2024

DOI: https://doi.org/10.12082/dqxxkx.2021.200770

Analysis of the Spatio-Temporal Characteristics of Fishing Vessels Activities in the South China Sea

  • HE Bin , 1, 2, 3, 5 ,
  • WU Wenzhou , 2, 3, * ,
  • KANG Lu 2, 3, 4 ,
  • SU Fenzhen 1, 2, 3, 4
Expand
  • 1. Faculty of Geomatics, Lanzhou Jiaotong University, Lanzhou 730070, China
  • 2. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 3. Collaborative Innovation Center of South China Sea Studies, Nanjing 210023, China
  • 4. University of China Academy of Sciences, Beijing 100049, China
  • 5. Gansu Provincial Engineering Laboratory for National Geographic State Monitoring, Lanzhou 730070, China

Received date: 2020-12-19

  Request revised date: 2021-03-27

  Online published: 2022-01-25

Supported by

National Natural Science Foundation of China, No(4200617)

Strategic Priority Research Program of Chinese Academy of Sciences, No.(XDA13010400)

National Natural Science Foundation of China, No(41890854)

Copyright

Copyright reserved © 2021. Office of Journal of Geo-information Science All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.
Fold

Abstract

In recent years, with the continuous exploitation and utilization of marine resources, marine spatial planning has become more and more important, among which fishery resources account for the main proportion. In order to provide auxiliary information for the monitoring and planning of fishery resources, this paper obtained the 2018 Automatic Identification System data of the South China Sea and surrounding countries, extracted the activity intensity of fishing vessels and carried out preprocessing, sampling processing, and GIS spatial analysis, and then mathematically analyzed the spatial and temporal characteristics. The results showed that, firstly, in 2018, fishing vessels in the South China Sea and surrounding countries were mainly distributed regionally, concentrated in areas within 100 km of the coast of China and Vietnam. Fishing activities were frequent in autumn and November. The average activity intensity of fishing vessels was higher during the day than at night, with the maximum activity intensity at 16:00 PM; Secondly, the intensity of fishing activities in main ports of Guangdong, Guangxi, and Hainan provinces is clustered as dots, with the intensity of fishing activities bigger than 100. The sea area near some ports is striped, and the intensity of activities of other fishing vessels in the South China Sea is larger than that of other islands in the Paracel Islands. The activity intensity of fishing vessels is smaller than 2; Thirdly, the regional distribution of Vietnamese fishing activities is obvious, showing a stable mass clustering distribution in Ho Chi Minh Port, with little change in activity intensity throughout the year. The activity intensity of nearshore fishing vessels remains at 50~100. Vietnamese fishing vessels are banned in the South China Sea. There are two areas with strong activity in the southwestern part of Hainan Province within the fishing line. In 2018, days with fishing activity accounted for 87.71% of the total sampling days, with on average 7~10 fishing boats every hour in the area. During the moratorium period, the average number of boats every hour is bigger than 5, which poses a great threat to China's south China sea fishery resources. In this paper, AIS data research and analysis of fishing vessel activities can provide data support for marine spatial planning and relevant government departments.

Key words： South China Sea; AIS; fishing vessels; point density; spatio-temporal analysis; Vietnam; fishing line; illegal invade fishing

Cite this article

HE Bin , WU Wenzhou , KANG Lu , SU Fenzhen . 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

1 引言

随着陆地空间和资源的日趋紧张,人类生存和发展越来越多地依赖于海洋,各国特别是发达国家都已将目光转向了海洋资源。高效开发利用海洋资源和海洋空间、发展海洋经济已成为海洋经济强国建设的重要内容。其中,海洋水产资源成为各国必争的战略资源。南海是中国三大边缘海之一,自然海域面积约350万km2,蕴藏着丰富的海洋渔业资源[1,2,3]。然而,由于南海周边国家的非法、无管制和不报告的渔业捕捞问题,引发海洋渔业资源濒临枯竭等问题,因此保护南海渔业资源已刻不容缓。越南在活动范围和渔船规模上均是南海渔业活动强度最高的国家之一,其屡屡无视禁渔令等相关法律法规,违法跨境捕鱼,且频频与周边国家发生摩擦,导致南海渔业活动管理困难。此外,由于南海活动的渔船数量众多、监管力量投入有限,加之海洋渔业呈现动态性、模糊性等特点,给南海区域的渔船监管及海洋渔业资源的合理开发利用都带来了诸多挑战。
2000年以后,随着对地观测技术愈发成熟,夜间灯光遥感数据逐渐在各个领域得到广泛应用,众多学者利用该数据在渔船监测与识别方面开展了大量研究,如国内学者[4,5]利用夜光遥感影像分析渔船空间变化、监测非法捕鱼等无管制活动,国外学者[6,7]对渔船季节性捕捞活动变化和特定渔船运动状态进行分析和研究。由于夜间灯光数据极易受到海上油气平台或其他夜间灯光的干扰,容易导致分析的结果存在误差,并且由于其空间分辨较低,难以识别小型船舶,在渔船位置识别精度方面也存在一定困难。为了解决夜间灯光遥感数据在渔船监测中出现的问题,一些学者开始使用合成孔径雷达数据进行渔船监测,如Greidanus等[8]利用SUMO算法与合成孔径雷达图像在短时间内对船舶进行检测,并实现空间位置的分析; Santamaria等[9]采用SUMO算法,使用哨兵1号卫星影像进行船舶检测,并分析了船舶活动轨迹。但合成孔径雷达图像在船舶分类精度方面存在一定误差,以此研究各类船舶的空间分布会产生不可避免的误差。
当前随着大数据分析技术的发展和应用,借助船舶自动识别系统（Automatic Identification System,AIS）大数据监测渔船活动逐渐成为可能。2002年国际海事组织（International Maritime Organisation,IMO）公布了《海上生命安全公约》[10],该公约要求所有国家航行中300 t以上的船舶、500 t以上的货船以及所有客船,都应该在2004年前按照标准配备AIS。AIS数据包含大量船舶位置信息,可根据AIS数据对船舶本身和船舶周围海洋动态信息进行分析,主要应用在船舶安全[11,12,13]、环境污染[14,15]和交通监测[16,17]等方面。在海洋渔业监测中,也有学者利用AIS数据开展了研究： Longépé等[18]结合船舶检测系统和AIS数据进行渔船非法捕捞监测,通过该方法可对非法捕鱼情况实时监测;刘奥博等[19]利用AIS数据对南极半岛地区人类活动进行分析,发现在该区域渔船全年保持较高活动水平;Win等[20]根据全球捕捞网提供的AIS数据,提取了近海禁区中的拖网渔船的分布情况;杨胜龙等[21]使用AIS和同期渔船捕捞日志数据,建立渔场识别模型,提取渔场捕捞信息。
针对南海区域渔船活动剧烈、渔船监管困难等问题,本文利用2018年AIS数据,采用数理统计和GIS空间分析等方法,在精细尺度上对南海周边各国的渔船活动强度进行统计分析,揭示南海区域的渔船活动强度时空分布规律,为我国对南海区域的渔船活动监管与渔业资源保护提供辅助决策支撑。

2 研究区概况、数据来源与研究方法

2.1 研究区概况与数据来源

南海位于中国大陆南部,中国所属领海总面积约为210万km2,通过狭窄的海域或水道,东与太平洋相连,西与印度洋相通,是一个东北-西南走向的半封闭海[2],本文选取105°E—123°E,5°N—22°N为研究范围,所用南海海域及周边国家地图数据来源于国家测绘地理信息局标准地图服务网（ http://bzdt.ch.mnr.gov.cn）,南海周边国家港口来源于ArcGIS Hub网站（ https://hub.arcgis.com/datasets/2e6f02e9b8dc465bbac350022ebf40b9）,研究区如图1所示。南海及其周边海域丰富的渔业资源、独特的地理位置和优越的自然条件使得该区域成为各国在南海及周边海域重要的渔业经济开发区。
图1 中国南海区域及周边海域

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2020)4617号的标准地图制作,底图无修改。

Fig. 1 South China Sea area and surrounding waters

本文所用船舶AIS数据来源于船讯网（ http://www.shipxy.com）,数据接收时间为2018年1月—12月,容量为4 TB,包括静态数据和动态数据两部分。其中静态数据包括海上移动服务标识（Maritime Mobile Service Identity, MMSI）、国际海事组织呼号、船名、船舶类型、船籍国家、船长、船宽、吃水、目的地等,动态数据包括航点时间、经度、纬度、对地航向、对地航速（Speed Over Ground, SOG）等,MMSI号是每一艘船舶的唯一标识,且海域中MMSI数量即为船舶数量。对于一些国家来说MMSI号总是开始于海上识别码（Maritime Identification Digits, MID）[22],每一个国家都有一个或多个MID编码,使船舶组织能够通过查询MID识别船舶所属国家,如表1所示为部分国家船舶对应的MID。
表1 部分国家与地区的MID编码

Tab. 1 MID of some countries and regions

国家和地区 编码
中国 412,413,414
澳门(中华人民共和国特别行政区) 453
香港(中华人民共和国特别行政区) 477
中国台湾 416
菲律宾 548
越南 574
马来西亚 533
文莱 508

2.2 研究方法

本文渔船活动强度时空分析流程图如图2所示。根据IMO对AIS数据的规定,首先对MMSI号小于或大于9位且出现连续数字的异常情况进行,同时去除某些长时间经纬度不变的点数据,减少数据冗余,最后剔除航迹点数小于5的噪声数据[23];对预处理完成后的数据做时间采样,从2018年1月1日起每3 d采样一次,共采样122 d,由于本文研究的渔船处于捕捞作业过程中,通常渔船在捕捞作业时速度不为0,因此在采样中选取船舶速度不为0的AIS点数据;采样后对南海周边国家和地区的渔船进行提取。
为了保证去掉噪声数据后AIS数据信息的最大完整度,及噪声数据所占网络数量最小,通过反复比较采用3 km×3 km网格进行空间格网化,并建立AIS点与空间网格单元之间的索引关系。为了避免同一渔船的轨迹点被多次计算,需去除每个格网内同一渔船的冗余轨迹点,即只需要在同一网格内对同一条渔船,记录一次轨迹点。最后计算每一个网格的点密度值作为该网格的渔船活动强度,点密度计算如式（1）所示。
Density = Sumcount area
式中： Sumcount表示每个网格中统计的AIS点总数; area表示每个网格的面积。通过计算AIS点密度得出渔船的活动强度图。为了更好的显示渔船活动强度,本文对密度设置阈值,剔除密度过小的网格。经计算,本文将网格密度阈值设定为0.12。

3 结果与分析

3.1 南海及其周边国家全年渔船活动强度分布

利用上述方法采样得到南海区域共有5 325 801个渔船点,经过3 km×3 km网格筛选去重后共有2 159 014个渔船点,以此计算南海区域渔船活动强度,计算结果如图3所示。南海区域渔船活动主要集中在中国和越南沿海海域,呈现沿海岸线向外扩散模式,其活动范围大部分位于距海岸线100 km以内,在中国广东省北津港、阳江港和广西省北海港渔船活动强度呈现出高强度聚集式点状分布,其周围海域呈条带状分布,距海岸线70 km以内渔船活动强度最高,在距海岸线70~100 km内,渔船活动强度相对减弱。在海南省周边70 km以内海域活动强度整体显示为环形条带分布,并逐渐向外扩散,海口港、洋浦港和三亚港周围呈高强度块状分布。远海渔船活动主要集中在西沙群岛周围,南海其他各群岛周边海域渔船活动强度相对较低。
图3 2018年南海渔船活动强度分布

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2020)4617号的标准地图制作,底图无修改。

Fig 3 Strength distribution of fishing vessels in the South China Sea in 2018

在越南沿海海域,渔船活动强度呈现明显的差异性：位于岘港以北海域,渔船活动呈现散点条带状分布;在岘港、广义港和归仁港周边海域,渔船活动强度呈现较强的小块状聚集分布;而在胡志明港和头顿港周边海域,渔船活动强度呈现极高的区域块状聚集分布,表明该海域渔业资源较为集中,适合长期捕鱼。
马来西亚、菲律宾和文莱部分港口周边海域渔船活动分布也呈现聚集性分布,但相对中国和越南,其渔船活动分布较为稀疏,其原因在于马来西亚、菲律宾和文莱渔船在南海及附近海域渔船活动相对较少。
图2 渔船活动强度分析流程

Fig 2 Roadmap of fishing vessel strength analysis

3.2 南海不同时间尺度下的渔船活动强度分布

3.2.1 渔船活动四季尺度分析
本文按照春（3—5月）、夏（6—8月）、秋（9—11月）、冬（12月—次年2月）四季,分析南海区域渔船活动强度的季节分布变化,如图4所示。
图4 2018年南海四季渔船活动强度分布

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2020)4617号的标准地图制作,底图无修改。

Fig 4 Strength distribution of fishing vessels activity in four seasons in the South China Sea in 2018

春季南海渔船活动强度占全年渔船总体活动强度的28.57%,多数港口呈现点状密集分布,北津港、阳江港距海岸线70 km以内呈较强条状分布,北海港、钦州港及洋浦港附近海域呈现块状聚集式分布,西沙群岛也出现小范围聚集分布,胡志明港与头顿港呈现明显扇状分布,并逐渐向外延伸,其他海域渔船活动强度较低。
夏季由于中国南海休渔期为5月1日—8月1日,导致南海渔船活动强度相较于春季明显下降,是全年渔船活动强度的10.57%。越南荣市港附近海域渔船活动强度基本为0,而在中国禁渔线内海南省附近海域,渔船活动强度较大。胡志明港和头顿港周边海域,渔船活动强度与春季大致相同,但向外扩散趋势减弱。
秋季在休渔期过后渔船活动强度回升明显,整体渔船活动强度占全年的31.84%,阳江港、北海港及海南省各港口点状聚集分布范围有所增加,且渔船活动强度范围向海岸线方向缩进。以海防港向东沿海岸线至岘港70 km以内,渔船活动强度骤减,岘港、广义港和归仁港渔船活动强度与春季夏季大致相同,胡志明港和头顿港附近海域重新恢复向外扩散趋势,其他港口及附近海域渔船活动强度变化不大。
冬季渔船活动强度范围进一步向海岸线缩进,占全年渔船总体活动强度的29.02%,部分港口渔船活动强度与秋季相比有所减弱,主要减弱海域为锦普港向南沿海岸线延伸至头顿港,除岘港、广义港和归仁港附近强度变化不大外,沿海其他海域渔船活动强度均有明显减弱趋势。
2018年春季、夏季相较秋季和冬季渔船活动分布较为广泛,在秋季多个港口和海岸线附近海域都呈现较大渔船活动强度,可能原因是春季近海渔业资源较少,而经过夏季休渔期的休养生息,渔业资源逐渐恢复,渔船活动强度也随之增加,文莱、马来西亚和菲律宾各港口及附近海域与图3中分布强度和范围相类似,在四季均呈现较低态势,强度范围较小,分布稀疏。
3.2.2 渔船活动月尺度分析
对2018年各月的AIS渔船点数据进行统计,分析南海海域AIS渔船点数量的月变化趋势,如图5所示。5—7月AIS渔船点呈下降趋势,原因是在此期间中国南海处于休渔期,中国AIS渔船点骤减,导致南海渔船点数量下滑,其中5—7月中国和越南在南海及附近海域占比分别为35.29%和22.85%,并结合图4(b)表明越南渔船在此期间可能存在越过禁渔线进行捕捞或商业活动的行为。休渔期过后8月—次年4月,呈现先增加、在降低、在增加规律,可能原因是经过休渔期后,渔民开始大量进行捕捞和商业活动,致使8—12月呈现明显增加趋势,而从12月开始逐渐降低,2月份将至最低,可能原因是中国春节导致渔船活动强度下降,3—4月又有所回升。
图5 2018年逐月南海AIS渔船点数量统计

Fig. 5 Monthly statistics of AIS fishing vessels in the South China Sea in 2018

3.2.3 渔船活动小时尺度分析
为了解渔船在24 h内活动情况,统计2018年全年和各月采样天内逐小时的平均渔船数量,结果如图6所示。从图6(a)中可看出白天的渔船数量高于夜晚,0:00—3:00渔船数量呈明显下降趋势;相比 0:00—3:00,3:00—6:00渔船增加数量占比约为15.79%,可能原因是渔民开始陆续出海捕鱼; 6:00—17:00基本处于稳定波动状态,下午16 h出现峰值,表明南海大部分海域在该时间段内适宜进行渔业捕捞随后出现回落;17:00—23:00呈阶梯式下降,降幅较大,可能原因是大部分渔民捕鱼活动结束。
图6(b)在中国南海休渔期内,渔船活动数量随月份增加呈下降趋势,且每月平均每小时渔船数量下降100,表明在中国南海休渔期内中国渔船活动数量对于南海及周边海域渔船活动影响较大,结合图6(c)非休渔期曲线与全年呈正相关,休渔期与非休渔期平均每小时渔船数量大约相差1000,休渔期内在18:00 PM时间段内渔船数量达到最大,相较非休渔期延后了2 h,表明南海及其附近周边海域渔船捕捞行为适宜在16:00—18:00内进行。从上述分析可得出,南海及周边海域渔船遵循“日出而作,日落而息”规律的渔船,捕捞作业活动也具有一定周期性。
图6 2018年全年与休渔期、非休渔期南海区域每天平均每小时渔船数量

Fig. 6 Average number of fishing vessels per hour per day in the South China Sea during the whole year, closed season and non-closed season in 2018

3.3 中国和越南渔船活动强度对比

3.3.1 中国和越南渔船活动分析
由上述分析可知南海主要AIS渔船点分布在中国和越南沿海地区,故本文分别对2个国家全年渔船活动强度和季节尺度AIS渔船点数量统计,结果如图7所示。图7(a)中北津港、阳江港、湛江港、洋浦港和北海港附近海域呈现渔船活动强度大于100的条带状分布,表明在这些港口渔业发展占比相对较大,渔业经济市场的扩张相较其他港口更迅速。我国渔船在南海除西沙群岛外其他各群岛的渔船活动强度基本为0,可能原因是渔民进行远海捕捞作业情况较少。结合图8可看出中国AIS渔船点四季活动规律与南海四季活动规律呈正相关,分别在秋季和夏季出现最大和最小分布。在越南胡志明港口附近集中出现的中国AIS渔船点,可能是部分载有中国AIS编码接收机的渔船,在胡志明港口进行较为频繁的商业活动。
2018年越南渔船活动强度分布如图7(b)所示,渔船活动在锦普港、胡志明港和头顿港海域呈块状聚集性分布,其中胡志明港和头顿港分布范围最大,其他海域整体呈现散状分布,可能原因是越南沿海附近除主要港口外,其他港口和海域渔业资源分布较为分散。在中国南海禁渔线内海南省附近海域,越南渔船呈现半包围式散状分布,距海南省西南部海岸线70 km里边界处,存在较大强度聚集式块状分布渔船活动区域,如图7(b)中蓝色窗体所示,渔船活动强度为3~10。在图8中越南AIS渔船点数量一年四季基本处于稳定状态,在秋季呈现四季最大AIS渔船点数量,结合图4可知该季节渔船主要分布在胡志明港口附近海域。
图7 2018年中国和越南渔船活动分析

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2020)4617号的标准地图制作,底图无修改。蓝色框区域为图9的分析区。

Fig. 7 Analysis of fishing vessel activities in China and Vietnam in 2018

图8 2018年中国和越南渔船活动分析

Fig. 8 Quantity of fishing vessel activities in China and Vietnam in 2018

3.3.2 区域性渔船活动分析
由于近年来越南渔船常年在中国海南省附近实施捕捞活动,是对中国渔业资源的非法侵占,从上述图7(b)蓝色窗体可以看出在该海域越南渔船活动强度较高,可能存在渔船非法捕捞行为,根据该范围本文计算了2018年中国和越南渔船活动强度和该海域每月越南渔船数量,如图9—图10所示。图9(a)中国渔船在距海岸线70 km以内三亚港附近海域呈现近似半圆形高强度分布,对比图9(b)越南渔船活动高强度集中在2个位置,① 距莺歌海湾附近海域,② 距三亚港70 km边界处,分别处于中国渔船活动强度范围边缘,表明在此区域活动的越南渔船可能并没有与中国海南省港口进行商业活动。
图9 海南省西南部海域中国和越南渔船活动分布

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2020)4617号的标准地图制作,底图无修改。

Fig. 9 Distribution of Chinese and Vietnamese fishing boat activities in the southwestern of Hainan Province

从图10中可以看出该区域越南AIS渔船点数量1月—9月相对较低,其中2月达到最低值,在中国南海休渔期期间越南AIS渔船点数量没有减少,数量维持在相对稳定的范围内。统计越南渔船2月共有7 d在该海域进行活动,在10月共有11 d,可能原因是该海域渔业资源在入秋后有明显上升趋势,结合图4秋季越南附近海域渔船活动强度小的现象,表明越南渔船已进入中国领海进行捕捞活动。
图10 海南省西南部海域中国和越南渔船数量分布

Fig. 10 Quantity of Chinese and Vietnamese fishing boat in the southwestern of Hainan Province

为了进一步分析该海域渔船的活动,计算中国和越南在该海域采样天中逐小时的平均渔船数量,如图11所示。其中图11(a)中国渔船数量与图6(a)南海渔船平均每小时活动数量趋势基本相似,表明中国渔船在该海域已形成固定渔船活动规律,且捕捞作业具有一定周期性。越南渔船在该海域全年平均每小时渔船活动数量没有太大起伏,基本稳定在7~10艘左右。
图11(b)、(c)中该海域休渔期与非休渔期内中国渔船数量下降趋势明显,平均每小时渔船数量相差约50,与图11(c)曲线呈正相关。越南渔船在该海域休渔期内渔船数量除1:00 AM时间段外,其他时间段内平均每小时渔船数量均大于5,与非休渔期内渔船数量相差不大,根据图9(b)分析得出越南渔船在渔船活动强度大于4的2处区域可能并没有与中国港口进行商业活动,每个月都有几天在该海域出现,总体出现天数占采样天数的87.71%,活动较为频繁且没有规律性。对中国渔业资源已构成非法侵占,亟需有关部门对该现象出台强有力的应对措施。
图11 2018年全年与休渔期、非休渔期海南省西南部海域中国和越南每天平均每小时渔船数量

Fig. 11 Average number of fishing vessels per hour per day in China and Vietnam in the southwestern of Hainan Province during the whole year, closed season and non-closed season in 2018

4 结论与讨论

4.1 结论

本文通过AIS数据对2018年南海渔船活动强度进行计算,结合GIS空间分析方法,分别对渔船位置、密度、国家做时空分析,研究发现：
（1）2018年南海及周边国家渔船基本以区域式活动为主,渔船活动强度在距海岸线100km以内海域呈块状或条带状分布,季节性渔船活动强度大小为秋季>冬季>春季>夏季,秋季11月渔船数量和AIS渔船点数量可能更适宜集中式近海捕捞活动,白天平均渔船数量大于夜晚,活动具有一定周期性;
（2）中国渔船在北津港、阳江港、三亚港、洋浦港和北海港全年呈现聚集式点状分布,其他港口呈现条带状分布,作业范围集中在沿海海域和西沙群岛附近,多数活动强度为15~100,少部分靠近港口海域活动强度大于100,表明渔业资源分布广泛,全年有较为固定的渔船活动区域。南海周边其他国家在临近南海附近海域渔船活动强度小于2,分布范围小,少量港口或海湾呈现聚集式分布;
（3）越南渔船全年在胡志明港呈现稳定的块状聚集式分布,除海防港、下龙港、广义港和归仁港渔船活动强度全年渔船活动强度稳定在10~50,其他港口和海域渔船活动强度都小于10,且活动范围分散,可能导致渔船捕捞成本增加或区域过度捕捞,渔业经济停滞不前。越南渔船在中国海南省西南部海域呈现两处高强度聚集式块状分布,且全年平均每小时内有7~10艘渔船在该海域活动,休渔期内平均每小时渔船数量也大于5,渔船活动频率占采样天数的87.71%,活动行为与商业活动规律不相符,已构成对中国南海海域渔业资源的非法侵占。

4.2 讨论

本文通过对AIS数据进行处理,得到渔船活动强度进行时空特征分析,大多数学者[22,23,24]在不同的区域都进行了研究,本文在此基础上进一步针对国别和小时尺度,对2018年南海及其周边海域渔船分布于情况进行分析。但从上述分析可看出,南海AIS渔船点主要分布在中国和越南附近海域,其他周边国家渔船点分布较少,原因可能是由于部分国家监管措施不够严格,AIS接收机被人为关闭或AIS静态数据编译错误,导致基站接收不到AIS信号使得海上监管不能够准确对海上情况做出判断,引发其他海上事故的发生。
下一步作者将通过对AIS数据对渔船轨迹做进一步的处理和分析,研究渔场的划分和具体渔船的港口时空分布,并增加更多的数据源以进行对比分析,为海洋空间规划提供辅助作用。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
雷霁霖. 中国海水养殖大产业架构的战略思考[J]. 中国水产科学, 2010, 17(3):600-609.

[ Lei J L. Strategy consideration for industry construction of Chinese marine culture[J]. Journal of Fishery Sciences of China, 2010, 17(3):600-609. ]

[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]
杨红生. 我国海洋牧场建设回顾与展望[J]. 水产学报, 2016, 40(7):1133-1140.

[ Yang H S. Review and Prospect of marine ranching construction in China[J]. Acta fisheries Sinica, 2016, 40(7):1133-1140. ]

[4]
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, Fan W, Xue J L, et al. Identification of working light purse seine based on NPP/VIIRS luminous remote sensing image[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(10):245-251. ]

[5]
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 light remote sensing data from SNPP/VIIRS[J]. Journal of Fishery Sciences of China, 2019, 26(2):221-231. ]

DOI

[6]
III W S, Seaman C J, Baugh K, et al. Utilization of the Suomi national polar-orbiting partnership (NPP) visible infrared imaging radiometer suite (VIIRS) day/night band for arctic ship tracking and fisheries management[J]. Remote Sensing, 2015, 7:971-989.

DOI

[7]
Tian H, Liu Y, Tian Y J, et al. Detection of Fishing Boats in the Northwest Pacific Using Satellite Nighttime Image[C]. International Conference on Communication, Network and Artificial Intelligence, 2018.

[8]
Greidanus H, Alvarez M, Santamaria C, et al. The SUMO Ship Detector Algorithm for Satellite Radar Images[J]. Remote Sensing. 2017, 9(3):246.

DOI

[9]
Santamaria C, Alvarez M, Greidanus H, et al. Mass processing of sentinel-1 images for maritime surveillance[J]. Remote Sensing, 2017, 9(7):678.

DOI

[10]
Solas IMO. International convention for the safety of life at sea[M]. London: International Maritime Organization, 2003.

[11]
陈金海, 陆锋, 李明晓. 海上主航迹带边界统计推断与海西航路警戒区布局优化分析[J]. 地球信息科学学报, 2015, 17(10):1196-1206.

DOI

[ Chen J H, Lu F, Li M X. Optimizing the precautionary areas of coastal ships' routing in western Taiwan strait with statistical inference method for delineating the boundary of maritime principal fairways[J]. Journal of Geo-information Science, 2015, 17(10):1196-1206. ]

[12]
何正伟, 杨帆, 刘力荣. 基于AIS数据的船舶安全航行水深参考图[J]. 交通运输工程学报, 2018, 18(4):171-181.

[ He Z W, Yang F, Liu L R. Ship safe navigation depth reference map based on AIS data[J]. Journal of Traffic and Transportation Engineering, 2018, 18(4):171-181. ]

[13]
Bye R J, Aalberg A L. Maritime navigation accidents and risk indicators: An exploratory statistical analysis using AIS data and accident reports[J]. Reliability Engineering & System Safety, 2018, 176:174-186.

DOI

[14]
Merico E, de Dinoi A, Contini D. Development of an integrated modelling-measurement system for near-real-time estimates of harbour activity impact to atmospheric pollution in coastal cities[J]. Transportation Research Part D: Transport and Environment, 2019, 73:108-119.

DOI

[15]
王坚, 黄厔, 刘艳英, 等. 厦门市船舶控制区大气污染物排放清单与污染特征[J]. 环境科学, 2020, 41(8):3572-3580.

[ Wang J, Huang W, Liu Y Y, et al. Air pollutant emission inventory and pollution characteristics in Xiamen Ship Control Area[J]. Environmental Science, 2020, 41(8):3572-3580. ]

[16]
梅强, 吴琳, 彭澎, 等. 南海区域商船典型空间分布及贸易流向研究[J]. 地球信息科学学报, 2018, 20(5):632-639.

DOI

[ Mei Q, Wu L, Peng P, et al. Typical spatial distribution of merchant vessels and trade flow in South China sea[J]. Journal of Geo-information Science, 2018, 20(5):632-639. ]

[17]
Kontopoulos I, Varlamis I, Tserpes K. A distributed framework for extracting maritime traffic patterns[J]. International Journal of Geographical Information Science, 2021, 35(4):767-792.

DOI

[18]
Longépé N, Hajduch G, Ardianto R, et al. Completing fishing monitoring with spaceborne Vessel Detection System (VDS) and Automatic Identification System (AIS) to assess illegal fishing in Indonesia[J]. Marine Pollution Bulletin, 2018, 131:33-39.

DOI

[19]
刘奥博, 程晓. 基于星载AIS数据的南极半岛地区人类活动分析[J]. 极地研究, 2019, 31(4):456-463.

[ Liu A B, Cheng X. Analysis of human activities in the Antarctic peninsula region based on satellite ais data[J]. Chinese Journal of Polar Research, 2019, 31(4):456-463. ]

[20]
Mullié W C. Apparent reduction of illegal trawler fishing effort in Ghana's Inshore Exclusive Zone 2012-2018 as revealed by publicly available AIS data[J]. Marine Policy, 2019, 108:103623.

DOI

[21]
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. ]

[22]
Ou Z Q, Zhu J J. AIS database powered by GIS technology for maritime safety and security[J]. Journal of Navigation, 2008, 61(4):655-665.

DOI

[23]
Coomber F G, D’Incà M, Rosso M, et al. Description of the vessel traffic within the north Pelagos Sanctuary: Inputs for Marine Spatial Planning and management implications within an existing international Marine Protected Area[J]. Marine Policy, 2016, 69:102-113.

DOI

[24]
陈仁丽, 王宜强, 刘柏静, 等. 基于GIS和AIS的渤海海上船舶活动时空特征分析[J]. 地理科学进展, 2020, 39(7):1172-1181.

DOI

[ Chen R L, Wang Y Q, Liu B J, et al. Spatio-temporal characteristics of ship activities in the Bohai Sea based on GIS and AIS[J]. Progress in Geography, 2020, 39(7):1172-1181. ]

Options
Outlines

/

〈 〉