-
题名基于深度学习和时空特征融合的海洋渔船密度预测方法
被引量：1
- 1
-
-
作者
丁依婷
胡志远
董帝渤
-
机构
福建社会科学院博士后创新实践基地
福建师范大学理论经济学博士后科研流动站
福建理工大学智慧海洋与工程研究院
-
出处
《应用海洋学学报》
CAS
CSCD
北大核心
2024年第2期350-359,共10页
-
基金
福建省海洋灾害基础调查与评估项目([3500]MZZJ[GK]2022003)
福建省财政科研资助项目(KY030293)。
-
文摘
为了从海量渔船轨迹数据中挖掘隐含的信息和知识,进而为渔业行政主管部门的决策提供科学依据,本研究以AIS渔船轨迹数据为研究对象,提出了一种基于深度学习和面向时空特征融合的海洋渔船密度预测方法:首先,利用渔船轨迹数据集对渔船行驶区域进行网格划分;其次,筛选出渔船高密度区域进行研究,避免数据稀疏性问题;再次,根据渔船轨迹数据的时空分析,构建三维时空融合矩阵;最后,通过卷积循环神经网络模型捕获渔船分布的时间和空间特征,并利用卷积神经网络的堆叠加强对空间特征的学习。实验通过东海海域渔船真实轨迹数据进行具体测试,结果表明渔船密度预测值与真实值非常接近,平均绝对误差为4×10^(-4),模型较好地拟合了渔船密度分布特征,有效地提高了渔船捕捞热点预测的准确性和鲁棒性。
-
关键词
渔业资源
渔船密度预测
深度学习
卷积神经网络
-
Keywords
fisheries resources
fishing vessel density prediction
deep learning
convolutional recurrent neural network
-
分类号
P75
[天文地球—海洋科学]
P751
[交通运输工程—港口、海岸及近海工程]
-
