摘要
柔鱼为西北太平洋海域重要的经济头足类之一，是中国远洋渔业重要的捕捞对象。提高柔鱼渔场预测的精度一直是渔场预测研究中最关心的问题之一。在海洋遥感与渔业的大数据时代，利用传统的渔场预测方法已经很难从复杂大量数据中挖掘有价值的信息，并且充分利用时空相关性降低模型复杂度、提升模型稳健性，从而高效率、高精度地完成任务。深度学习作为近年来人工智能领域新兴的一项强大技术，尤其在图像大数据处理的问题上取得了较好的成果，具有发展前景与探索价值。因此，本研究利用1998—2020年我国远洋鱿钓渔业的生产统计数据，结合海洋遥感环境和气候因子（如海表面温度、海表面高度数据和厄尔尼诺—拉尼娜指数等），利用深度学习中改进的U-Net模型，定义和划分了不同环境因子的中心渔场范围，设计了不同时空尺度与多环境因子组合的方案，分析了不同长度环境因子的时序相关性，实现了基于单一、多环境因子的渔场实时时刻与未来时刻的预测，并探索出最优时空尺度标准，为发展基于人工智能的渔场研究奠定了科学基础，为北太平洋渔业生产企业的科学可持续开发和科学管理提供技术支撑。主要研究结果如下： （1）实时时刻渔场预测的最优时空尺度标准的探索。以海表面温度（Sea surface temperature, SST）为输入因子，中心渔场分布为输出因子，利用 1998-2019年7-11月共22年的数据构建了20种不同尺度的方案。通过不同方案的对比，发现深度学习渔场预测模型最优时间尺度为15天，空间尺度为0.25°；较优时间尺度为10天和30天，空间尺度为0.1°。研究认为，基于深度学习的渔场预测模型对环境数据和渔业数据的数量和质量都有要求，不同时空尺度对于模型结果的影响原因可能为渔场数据和SST数据的空间分布特征、以及渔场数据对SST数据相应的敏感性，此结果对今后开展基于人工智能的渔场研究提供了标准，并从人工智能的角度上加深了对渔场预测的理解。 （2）单一因子的渔场未来时刻的预测。以海表面温度（SST）为输入因子，中心渔场分布为输出因子，利用1998-2019年7-11月共22年的数据构建了28种不同时间尺度和提前时刻的方案。通过不同方案的对比，发现时间尺度越大，模型性能越稳定，精度越高。基于深度学习的未来时刻渔场预测模型最优时间尺度为15天，最优提前时刻为4个，最佳提前捕捞日期为5月1日。环境场SST不同提前时刻之间的波动信息和渔场 SST 范围变化的耦合程度可能是影响模型性能差异的重要因素。所以需要结合环境数据的特征信息与实际作业生产的需要，来选择最佳提前时刻。 （3）多环境因子实时渔场的预测。将多环境因子海表面温度（SST）、海表面高度（Sea surface height, SSH）、海表面盐度（Sea surface salinity, SSS）和叶绿素浓度（Chlorophyll a , Chl. a）作为输入因子，综合环境的中心渔场分布作为输出因子，利用2002-2019年7-11月共18年的数据构建了5种不同时间尺度和7种多环境因子组合的多环境因子渔场预测方案。通过不同方案的对比，发现最优时间尺度为 30 天，最优多环境因子组合为 SST 和 Chl a。利用渔场应用效果指数（Application effect index of fishing ground, AEIFG）的分析，在保证高产量覆盖率的基础上，大大减少了渔场面积，提高了渔场的集中性。通过加入多环境因子，能够较好地改进了渔场应用效果，使渔场预测结果更加精准。结果显示，不同时间段内，各环境因子的重要性不同，选择合适的多环境因子组合有利于精确渔场的空间分布。 综上所述，本研究以西北太平洋柔鱼为例，构建了一种基于深度学习的渔场预测方法，探索了渔场预测的最优时空尺度标准，实现了单一因子与多因子的渔场预测和对未来时刻渔场发展趋势的预测。为开展基于人工智能的渔场研究奠定了基础。
NETL