基于海洋遙感與漁船軌跡數(shù)據(jù)的多任務(wù)魚情預(yù)測(cè)①

徐文進(jìn),孫允超,黃海廣

1(青島科技大學(xué) 信息科學(xué)技術(shù)學(xué)院,青島 266061)

2(溫州大學(xué) 計(jì)算機(jī)與人工智能學(xué)院,溫州 325035)

海洋漁業(yè)資源的開發(fā)和利用對(duì)人類生存和發(fā)展具有不可替代的作用,是現(xiàn)代社會(huì)主要經(jīng)濟(jì)活動(dòng)的一部分.隨著海洋捕撈技術(shù)的提高,海洋的戰(zhàn)略地位也日益凸顯,開發(fā)和利用海洋漁業(yè)資源已經(jīng)被世界各國(guó)所重視[1].但由于不完善的海洋資源保護(hù)與海洋環(huán)境管理措施,非法、過度捕撈等現(xiàn)象的產(chǎn)生,使得海洋生態(tài)環(huán)境遭到了不同程度的破壞,海洋漁業(yè)資源銳減[2].在海洋資源衰退的條件下,許多管理者已意識(shí)到海洋資源精確管理的重要性.實(shí)現(xiàn)漁業(yè)資源的精細(xì)化預(yù)測(cè)對(duì)于保障漁業(yè)資源的可持續(xù)發(fā)展具有重要的意義.事先了解漁情信息,當(dāng)局可以制定更好的漁業(yè)資源配置策略;同時(shí)捕撈者也可以規(guī)劃捕魚路線,減少捕魚的時(shí)間成本、經(jīng)濟(jì)損失與能源消耗,提高捕魚產(chǎn)量.

1 相關(guān)工作介紹

為實(shí)現(xiàn)漁情預(yù)測(cè),研究者從不同角度提出了許多不同的預(yù)測(cè)方法.傳統(tǒng)的預(yù)測(cè)方法集中在對(duì)海洋環(huán)境數(shù)據(jù)進(jìn)行分析.眾所周知,魚類對(duì)環(huán)境因素有一個(gè)合適的范圍,只有當(dāng)某個(gè)區(qū)域滿足一定的環(huán)境條件時(shí),該區(qū)域才會(huì)出現(xiàn)魚群.環(huán)境閾值法就是假設(shè)魚群出現(xiàn)在適當(dāng)?shù)沫h(huán)境條件下,而不會(huì)在環(huán)境條件不適宜的情況下出現(xiàn).文獻(xiàn)[3]使用環(huán)境閾值法分析預(yù)測(cè)漁場(chǎng)的空間分布.環(huán)境閾值法模型構(gòu)造簡(jiǎn)單,易于實(shí)現(xiàn),特別適用于海洋遙感反演得到的環(huán)境網(wǎng)格數(shù)據(jù),因此在漁情預(yù)測(cè)領(lǐng)域得到了相當(dāng)廣泛的應(yīng)用.在文獻(xiàn)[4]中,作者使用棲息地指數(shù)模型來(lái)分析魚類的棲息地,并進(jìn)行漁情預(yù)測(cè).這些研究都考慮到了環(huán)境特征,值得肯定.但也存在不足之處,比如這些數(shù)據(jù)在時(shí)間和空間上都不是細(xì)粒度的.

此外,隨著人工智能的興起,研究者也開始將機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等技術(shù)應(yīng)用于魚情預(yù)測(cè).Aoki 等人搭建包含3 層隱層的BP 人工神經(jīng)網(wǎng)絡(luò)模型,實(shí)現(xiàn)對(duì)日本遠(yuǎn)東擬沙丁魚漁獲量的預(yù)測(cè)[5];毛江美等人搭建BP 人工神經(jīng)網(wǎng)絡(luò)模型,并調(diào)整模型結(jié)構(gòu)及參數(shù),以月份、經(jīng)度、緯度、SST(海表溫度)、SSH(海表鹽度)等作為時(shí)空變量進(jìn)行了分析,從而實(shí)現(xiàn)對(duì)漁場(chǎng)單位捕撈量漁獲量(CPUE)值的預(yù)測(cè)[6].袁紅春等人基于人工神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)了對(duì)西北太平洋魷魚的潛在釣魚區(qū)的預(yù)測(cè)研究[7].神經(jīng)網(wǎng)絡(luò)方法并不要求漁業(yè)數(shù)據(jù)滿足任何假設(shè),也不需要分析魚類對(duì)于環(huán)境條件函數(shù)和各環(huán)境條件之間的相互關(guān)系,因此應(yīng)用起來(lái)較為方便.

同時(shí),船舶自動(dòng)識(shí)別系統(tǒng)(AIS)的廣泛應(yīng)用,為研究者進(jìn)行漁情分析挖掘提供了一個(gè)新視角.裝有AIS的漁船可以定期將其靜態(tài)信息,如國(guó)際編碼、漁船ID,以及動(dòng)態(tài)信息,如當(dāng)前位置、航速和航向等自動(dòng)傳送給其他船只以及沿海當(dāng)局[8].通過AIS 獲得的數(shù)據(jù)提供了描述船只軌跡的時(shí)空數(shù)據(jù),它可以用作船舶移動(dòng)行為、整體海上交通以及進(jìn)行漁情分析挖掘的一致信息源.Guiet 等人通過分析2015-2017年全球的AIS 漁船軌跡,研究得出全球捕撈努力量空間季節(jié)性變化的主導(dǎo)因素[9].Guyader 等人基于AIS 數(shù)據(jù),提出了一種半自動(dòng)和通用的方法,分析了布雷斯特灣(法國(guó))的捕撈努力的空間和時(shí)間季節(jié)性變化,為科學(xué)家和地方?jīng)Q策者提供了高分辨率信息[10].不同于基于環(huán)境因素的分析方法,利用漁船軌跡數(shù)據(jù)進(jìn)行分析,理論上可以對(duì)時(shí)間和空間進(jìn)行任意細(xì)粒度的劃分.在AIS 與深度學(xué)習(xí)結(jié)合進(jìn)行漁情預(yù)測(cè)方面,Hong 等人通過將海域進(jìn)行網(wǎng)格劃分,融合海洋環(huán)境數(shù)據(jù)與漁船軌跡數(shù)據(jù),利用深度殘差網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)未來(lái)捕撈努力量的預(yù)測(cè)[11].

上述基于海洋遙感數(shù)據(jù)、漁船軌跡數(shù)據(jù)采用深度學(xué)習(xí)進(jìn)行預(yù)測(cè)的方法大大提高了漁情預(yù)測(cè)的準(zhǔn)確性.但是,大多數(shù)嘗試都采用單任務(wù)預(yù)測(cè)模型(single task prediction model,STP model).這存在兩個(gè)重要的問題,(1)從微觀角度看,不同捕魚方式的漁船適應(yīng)的作業(yè)區(qū)域可能會(huì)不同,比如張網(wǎng)通常設(shè)置在具有一定水流速度的區(qū)域或魚類等捕撈對(duì)象的洄游通道上,依靠水流的沖擊,迫使捕撈對(duì)象進(jìn)入網(wǎng)中,從而達(dá)到捕撈目的;圍網(wǎng)適合捕撈進(jìn)行群體活動(dòng)的魚類.因此,我們可以將在任何時(shí)隙觀察到的漁情狀況實(shí)際分解為一系列隱藏的漁況分布基礎(chǔ)的組合,如圖1所示.通過劃分,可以進(jìn)一步提高預(yù)測(cè)的準(zhǔn)確度,而且更符合實(shí)際情況.(2)從宏觀角度看,不同漁具進(jìn)行捕魚時(shí),在空間和時(shí)間上都緊密相關(guān),相互影響,進(jìn)行單任務(wù)預(yù)測(cè)無(wú)法捕獲到不同漁具之間的相互作用.

圖1 漁情狀況分解分析

因此,與以往研究不同,本文提出一種新型的模型框架——多任務(wù)預(yù)測(cè)模型(multi task prediction model,MTP model),旨在挖掘隱藏在不同漁具捕魚之間的復(fù)雜的相互關(guān)系,并同時(shí)預(yù)測(cè)適合不同漁具進(jìn)行作業(yè)的區(qū)域以及該區(qū)域的漁情狀況.本文,我們關(guān)注4 種主要的漁具類型:圍網(wǎng)、刺網(wǎng)、拖網(wǎng)和張網(wǎng).

2 相關(guān)概念

(1)時(shí)間間隔、區(qū)域劃分:為了提取時(shí)空特征,需要將原始的時(shí)空數(shù)據(jù)進(jìn)行轉(zhuǎn)換.本文采取了文獻(xiàn)[11]中所使用的方法,并進(jìn)一步對(duì)經(jīng)緯度精度進(jìn)行細(xì)化.我們將所關(guān)注的海域(Latitude:28°N～34°N,Longitude:121°E～128°E)按照經(jīng)緯度精度為0.083°×0.083°進(jìn)行均勻劃分,形成72×84 個(gè)區(qū)域.該精度受海洋遙感數(shù)據(jù)空間精度的限制[12].時(shí)間間隔設(shè)置為一天,即24 小時(shí),利用歷史數(shù)據(jù)來(lái)預(yù)測(cè)接下來(lái)一天的漁情分布狀況.

(2)作業(yè)軌跡:漁船在進(jìn)行捕魚活動(dòng)時(shí)的一系列軌跡點(diǎn).作業(yè)點(diǎn)往往具有一定的特征,如低速、角度變化快等.本文首先需要從完整的漁船軌跡中識(shí)別出漁船進(jìn)行作業(yè)的軌跡點(diǎn),進(jìn)而求得漁船在每個(gè)區(qū)域的作業(yè)時(shí)間.

(3)漁業(yè)資源豐度:一個(gè)區(qū)域內(nèi)魚量的多少即該區(qū)域的資源豐度.在一個(gè)區(qū)域內(nèi),漁船數(shù)量的多少、漁船作業(yè)時(shí)間的長(zhǎng)短都能夠反應(yīng)該區(qū)域魚量的多少.因此,本文中我們用一段時(shí)間內(nèi)漁船在該區(qū)域內(nèi)的總作業(yè)時(shí)間來(lái)表示該區(qū)域的資源豐度,以小時(shí)為基本單位.資源豐度表示如下:

其中,(m,n)為區(qū)域編號(hào),t代表t時(shí)間段,為t時(shí)間段(m,n)區(qū)域的資源豐度,tin為漁船進(jìn)入該區(qū)域作業(yè)的時(shí)間,tout為漁船離開該區(qū)域的時(shí)間,tin,tout∈t,vid表示漁船id.

(4)目標(biāo):給定歷史漁船軌跡數(shù)據(jù),通過處理得到每一個(gè)區(qū)域的漁業(yè)資源豐度,并結(jié)合海洋遙感數(shù)據(jù)預(yù)測(cè)未來(lái)的每一個(gè)區(qū)域的漁業(yè)資源豐度.

3 模型方法

本節(jié)討論了用于漁船軌跡分析處理和模型搭建的建議方法.

(1)提取捕魚軌跡與轉(zhuǎn)換數(shù)據(jù)格式

利用漁船軌跡進(jìn)行魚情預(yù)測(cè)的一種典型的方法是:對(duì)所關(guān)注的海域進(jìn)行網(wǎng)格劃分,然后統(tǒng)計(jì)每一個(gè)網(wǎng)格內(nèi)漁船作業(yè)的總時(shí)間,用該時(shí)間來(lái)表示資源的豐富度.這樣,原始的時(shí)間序列就形成了類似于圖片的二維矩陣數(shù)據(jù),然后再利用CNN,RNN 等神經(jīng)網(wǎng)絡(luò)搭建模型進(jìn)行預(yù)測(cè).在本文中,我們將所關(guān)注的海域(Latitude:28°N～34°N ,Longitude:121°E～128°E)均勻劃分為(72×84)個(gè)柵格,每個(gè)柵格的經(jīng)緯度精度為0.083°×0.083°.該精度受海洋遙感數(shù)據(jù)精度的限制,由于所獲取的海洋溫、鹽、葉綠素濃度等海洋遙感數(shù)據(jù)的經(jīng)緯度精度為0.083°×0.083°[12],為了實(shí)現(xiàn)數(shù)據(jù)的匹配,在此本文將柵格的精度定為0.083°×0.083°.從漁船軌跡中識(shí)別出作業(yè)軌跡,研究者已經(jīng)做了很多研究.本文我們采用文獻(xiàn)[13]中的方法,這是漁船軌跡識(shí)別研究中最新的算法.隨后將獲得的作業(yè)軌跡在該區(qū)域進(jìn)行投影,利用式(1)求得一段時(shí)間內(nèi)每一區(qū)域的漁船總作業(yè)時(shí)間,通過這種方法將序列數(shù)據(jù)轉(zhuǎn)化為容易被神經(jīng)網(wǎng)絡(luò)接收的矩陣形式.獲取作業(yè)軌跡與轉(zhuǎn)換數(shù)據(jù)的過程如圖2所示.轉(zhuǎn)換后的數(shù)據(jù)可以直觀地描述魚群位置與資源豐度的時(shí)空分布狀況,同時(shí)能更好的利用神將網(wǎng)絡(luò)提取時(shí)空特征.用x來(lái)表示所選取的整個(gè)海域,以圍網(wǎng)漁船的軌跡數(shù)據(jù)為例,通過數(shù)據(jù)處理可以得到:

圖2 提取捕魚軌跡與轉(zhuǎn)換數(shù)據(jù)格式

(2)搭建多任務(wù)模型

①模型內(nèi)核的選擇

我們知道,一個(gè)區(qū)域的漁況會(huì)受到臨近區(qū)域漁況的影響.比如,當(dāng)魚群被捕撈時(shí),那么很有可能導(dǎo)致接下來(lái)鄰近區(qū)域魚量的減少.另一方面,不同種群之間存在著的捕食追趕現(xiàn)象,也會(huì)影響魚群的空間分布.這些現(xiàn)象都表明了魚群位置與資源豐度的時(shí)空依賴性.文獻(xiàn)[14]中,作者提出了卷積神經(jīng)網(wǎng)絡(luò)(CNN),該網(wǎng)絡(luò)在捕獲空間結(jié)構(gòu)信息方面已展現(xiàn)出強(qiáng)大的能力,但CNN缺乏捕獲數(shù)據(jù)的時(shí)間依賴性方面的能力.另一方面,RNN模型[15]對(duì)時(shí)間數(shù)據(jù)有利,并且已經(jīng)完成了許多嘗試[16,17].但RNN 對(duì)空間依賴不敏感,且會(huì)產(chǎn)生梯度消失和梯度爆炸等問題[18].文獻(xiàn)[19]顯示通過結(jié)合CNN 與RNN,取得了更好的結(jié)果.同時(shí)LSTM 模型的應(yīng)用克服了傳統(tǒng)RNN 梯度消失和梯度爆炸的問題.考慮到這些改進(jìn),我們選擇了ConvLSTM 作為核心層搭建我們的框架.ConvLSTM 模型可以同時(shí)捕獲到時(shí)間與空間依賴性,在處理時(shí)空序列數(shù)據(jù)預(yù)測(cè)方面具有獨(dú)特的優(yōu)勢(shì)[20].

通過這種卷積網(wǎng)絡(luò)和循環(huán)網(wǎng)絡(luò)結(jié)合的結(jié)構(gòu),可以更好地學(xué)習(xí)漁情預(yù)測(cè)的復(fù)雜時(shí)空特征.類似于LSTM神經(jīng)網(wǎng)絡(luò)的過程,ConvLSTM 中的3 個(gè)門通過以下等式計(jì)算:

其中,Xt為輸入,表示當(dāng)前t時(shí)間段之前的魚況的時(shí)空分布狀況.Xt=[xt,xt-1,···,xt-k],為四維張量,分別為特征向量的長(zhǎng)度(本文設(shè)置為5,k=5,即用前5 天的數(shù)據(jù)預(yù)測(cè)未來(lái)一天的漁情分布狀況),劃分區(qū)域的行和列,以及特征向量的通道數(shù)(本文為1).W*表示權(quán)重矩陣,b*表示偏置;σ表示Sigmoid 方法;ht,ct,it,ot,ft分別表示隱藏張量,單元輸出張量,輸入門控張量,輸出門控張量和遺忘門控張量;°表示矩陣的Hadamard 乘積(對(duì)應(yīng)位置元素相乘),*表示卷積操作.每一層ConvLSTM的輸出為ht和ct,將作為下一層的輸入.

②多任務(wù)模型

圖3 展示了多任務(wù)預(yù)測(cè)模型框架,與單任務(wù)預(yù)測(cè)(STP)模型不同,MTP 模型的學(xué)習(xí)過程可以劃分為3 個(gè)層次.在第1 層次中,對(duì)每個(gè)鏈接的漁情預(yù)測(cè)模型分別進(jìn)行訓(xùn)練,以提取淺層特征.然后,在Merge 層(即第2 層)將第1 層中學(xué)習(xí)到的特征進(jìn)行融合,以捕獲不同任務(wù)的時(shí)空特征之間的相互影響.然后將其饋送到第3 層中再對(duì)各主線任務(wù)分別進(jìn)行預(yù)測(cè)訓(xùn)練.在執(zhí)行多個(gè)任務(wù)的情況下,多任務(wù)學(xué)習(xí)方法可以保留各個(gè)任務(wù)自己的特點(diǎn),同時(shí)能捕獲裝備不同漁具的漁船之間的相互影響關(guān)系,這是單任務(wù)學(xué)習(xí)無(wú)法做到的.首先,各主線任務(wù)經(jīng)過一層卷積核大小為3×3 的ConvLSTM層完成淺層特征的提取.隨后為捕獲各任務(wù)之間的相互影響,在Merge 層將這些淺層特征進(jìn)行合并.由于各任務(wù)之間的影響程度不同,因此Merge 層的合并方式如下:

隨后,將融合后的數(shù)據(jù)分別送入經(jīng)過特殊設(shè)計(jì)的網(wǎng)絡(luò)層內(nèi).該網(wǎng)絡(luò)層結(jié)合了Inception-Net 和 Residual-Net.由于經(jīng)過格式轉(zhuǎn)換所取得的矩陣數(shù)據(jù)是非常稀疏的,為了能更好的提取空間特征,提高預(yù)測(cè)的準(zhǔn)確度,需要正確的選擇卷積核的大小.因此,受文獻(xiàn)[21]的啟發(fā),采取Inception-Net 的設(shè)計(jì),如圖3 “Model block”中的第二、三分支.該模塊包含并行不同尺寸的內(nèi)核,其中較大尺寸的內(nèi)核5×5 能夠提取較遠(yuǎn)距離的空間依賴性,較小尺寸的內(nèi)核3×3 提取較近距離的空間依賴性.此外,隨著模型深度的增加,其訓(xùn)練結(jié)果會(huì)出現(xiàn)變差的情況,殘差網(wǎng)絡(luò)可以很好的解決這一問題.因此,本文也引入了殘差網(wǎng)絡(luò)的設(shè)計(jì),如圖3“Model block”中的第一個(gè)分支,將輸入直接與經(jīng)過ConvLSTM 層的兩個(gè)分支的輸出進(jìn)行拼接,有效的解決了神經(jīng)網(wǎng)絡(luò)過擬合,梯度彌散,梯度消失等問題.

圖3 多任務(wù)模型框架圖

③嵌入遙感數(shù)據(jù)

魚群都具有特定的生存環(huán)境,海洋的溫、鹽等環(huán)境因素會(huì)極大地影響魚群的分布與漁業(yè)資源的豐度[4].為此,本文將海洋溫度、鹽度以及葉綠素濃度這3 種外部因素考慮在內(nèi).由于該遙感數(shù)據(jù)是在經(jīng)緯度坐標(biāo)點(diǎn)的數(shù)據(jù),但是我們感興趣的是一個(gè)區(qū)域的數(shù)據(jù),該區(qū)域?yàn)? 個(gè)經(jīng)緯度坐標(biāo)點(diǎn)所圍成的矩形區(qū)域.因此在將外部因素?cái)?shù)據(jù)送入卷積層進(jìn)行特征提取之前,我們?cè)O(shè)置了一層均值池化層(mean-pooling),其窗口大小為2×2,步長(zhǎng)為1.通過均值池化層,實(shí)現(xiàn)了利用4 個(gè)坐標(biāo)點(diǎn)數(shù)據(jù)的平均值來(lái)表示由這4 個(gè)點(diǎn)所圍成區(qū)域的溫、鹽以及葉綠素濃度.隨后經(jīng)過兩層卷積核大小為3×3的卷積層完成特征的提取.最后將遙感數(shù)據(jù)與軌跡數(shù)據(jù)進(jìn)行合并,并采用tanh 激活層完成最終預(yù)測(cè).

4 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證我們模型的有效性,在本節(jié)中,我們將通過對(duì)真實(shí)海洋遙感以及漁船軌跡數(shù)據(jù)集的詳細(xì)實(shí)驗(yàn)來(lái)評(píng)估我們的模型.我們首先描述用于實(shí)驗(yàn)的數(shù)據(jù)集,然后列出評(píng)估方法.最后,對(duì)比單、多任務(wù)的實(shí)驗(yàn)結(jié)果,并進(jìn)行進(jìn)一步的討論.

4.1 數(shù)據(jù)集

(1)海洋遙感數(shù)據(jù):對(duì)于海洋環(huán)境數(shù)據(jù)的獲取,我們從哥白尼計(jì)劃所收集的數(shù)據(jù)集中獲取海洋溫度、鹽度與葉綠素濃度等數(shù)據(jù).這些數(shù)據(jù)可以在該網(wǎng)站獲取:https://marine.copernicus.eu/.其時(shí)間精度為每日平均,地理位置精度為0.083°×0.083°.我們獲取了2017年-2018年(東經(jīng):121°E～128°E,北緯:28°N～34°N)范圍內(nèi)的數(shù)據(jù).

(2)AIS 數(shù)據(jù):對(duì)于漁船軌跡數(shù)據(jù),我們選取了北緯28°～34°,東經(jīng)121°～128°范圍內(nèi)的8 066 只漁船在2017-2018年的軌跡數(shù)據(jù).其中圍網(wǎng)222 艘,刺網(wǎng)2 410艘,拖網(wǎng)4 339 艘,張網(wǎng)1 095 艘.

4.2 評(píng)估方法

本文采用均方根誤差(RMSE)和平均絕對(duì)誤差(MAE)來(lái)測(cè)量和評(píng)估不同方法的性能.相關(guān)定義如下:

為評(píng)估本文提出的多任務(wù)預(yù)測(cè)方法的有效性,我們與一些基線進(jìn)行了比較.包括歷史平均模型(HA),向量自回歸模型(VAR),差分整合移動(dòng)平均自回歸模型(ARIMA),ST-ResNet[11]以及ConvLSTM 模型(單任務(wù)).為了公平,本文采用同樣的參數(shù)設(shè)置,包括batch的大小以及學(xué)習(xí)率.表1 呈現(xiàn)了我們的實(shí)驗(yàn)結(jié)果.從表中的結(jié)果可以看出,HA,VAR 與ARIMA 這些傳統(tǒng)的時(shí)間序列預(yù)測(cè)算法的結(jié)果誤差較大,這是因?yàn)檫@些方法只能提取時(shí)間依賴性,而無(wú)法獲取空間依賴性,因此損失較大.ST-ResNet 作為CNN 在時(shí)空序列中的經(jīng)典應(yīng)用,能夠很好的捕獲空間依賴性,同時(shí)采用殘差網(wǎng)絡(luò)結(jié)構(gòu),使得損失進(jìn)一步降低.但CNN 對(duì)時(shí)間依賴型的提取能力不足.通過將CNN 與LSTM 結(jié)合,ConvLSTM能夠同時(shí)捕獲時(shí)間依賴性和空間依賴性性,可以取得較好的預(yù)測(cè)結(jié)果.如表1所示,單任務(wù)ConvLSTM的結(jié)果要優(yōu)于其他單任務(wù)預(yù)測(cè)方法的結(jié)果損失.為驗(yàn)證本文提出的多任務(wù)預(yù)測(cè)方法的有效性,我們以ConvLSTM為基礎(chǔ)模型搭建了多任務(wù)模型.多任務(wù)模型的預(yù)測(cè)結(jié)果都有了明顯的提升.其中圍網(wǎng)、刺網(wǎng)、拖網(wǎng)和張網(wǎng)預(yù)測(cè)結(jié)果的RMSE分別提升了20.7%、16.9%、8.3%和23.4%,MAE分別提升了14.4%、16.8%、20.1%和21.4%.其中張網(wǎng)受其他漁船作業(yè)方式的影響最為明顯.RMSE和MAE表示了預(yù)測(cè)結(jié)果與真實(shí)值之間的差距,其值越小越好.根據(jù)實(shí)驗(yàn)結(jié)果,多任務(wù)ConvLSTM通過Merge 層將多個(gè)任務(wù)建立起聯(lián)系,進(jìn)而通過ConvLSTM 捕獲時(shí)空依賴,取得了更加精確的預(yù)測(cè)結(jié)果.圖4 為單任務(wù)ConvLSTM 與多任務(wù)ConvLSTM 預(yù)測(cè)結(jié)果的可視化.圖4(a)表示刺網(wǎng)、圍網(wǎng)、張網(wǎng)和拖網(wǎng)的真實(shí)時(shí)空分布,圖4(b)表示通過單任務(wù)ConvLSTM模型分別得出的預(yù)測(cè)結(jié)果,圖4(c)為本文的多任務(wù)ConvLSTM 模型預(yù)測(cè)得出的結(jié)果.從圖中用紅色框標(biāo)出的部分可以看出,多任務(wù)預(yù)測(cè)的結(jié)果明顯好于單任務(wù)預(yù)測(cè)的結(jié)果.

圖4 結(jié)果對(duì)比

表1 單任務(wù)與多任務(wù)損失對(duì)比結(jié)果

5 結(jié)論和展望

本文提出了一種新穎的漁情預(yù)測(cè)方法,即基于海洋遙感數(shù)據(jù)與AIS 漁船軌跡數(shù)據(jù),利用時(shí)空神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)多任務(wù)預(yù)測(cè).它由3 個(gè)模塊組成:(1)任務(wù)融合模塊,可以提取多項(xiàng)任務(wù)之間的相互作用;(2)主線任務(wù)單獨(dú)訓(xùn)練模塊,在多任務(wù)進(jìn)行融合之后,再對(duì)每一個(gè)主線任務(wù)進(jìn)行單獨(dú)訓(xùn)練預(yù)測(cè);(3)整合模塊,整合了海洋遙感環(huán)境因素?cái)?shù)據(jù),進(jìn)一步提高了預(yù)測(cè)的準(zhǔn)確性.受益于漁況分解表示多任務(wù)預(yù)測(cè)方法的性能優(yōu)于現(xiàn)有的預(yù)測(cè)方法.為了測(cè)試所提出的方法,已經(jīng)在浙江海域的海洋遙感數(shù)據(jù)集和漁船軌跡數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),結(jié)果證明在預(yù)測(cè)準(zhǔn)確性和魯棒性方面的有效性.這項(xiàng)研究從微觀和宏觀的角度預(yù)測(cè)研究提供了新的見識(shí).