機(jī)器學(xué)習(xí)在漁業(yè)研究中的應(yīng)用進(jìn)展與展望

周文英，史文崇

(河北科技師范學(xué)院數(shù)學(xué)與信息科技學(xué)院，河北 秦皇島 066004)

人類信息社會進(jìn)入大數(shù)據(jù)時代，數(shù)據(jù)呈井噴式增長，一些傳統(tǒng)工具日漸難以勝任大數(shù)據(jù)環(huán)境下的數(shù)據(jù)處理工作。而機(jī)器學(xué)習(xí)、云計算等手段在數(shù)據(jù)挖掘、數(shù)據(jù)模擬等大數(shù)據(jù)處理方面優(yōu)勢明顯。機(jī)器學(xué)習(xí)可使計算機(jī)利用這些數(shù)據(jù)模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，幫助人類發(fā)現(xiàn)和利用數(shù)據(jù)之間潛在的客觀規(guī)律，已逐漸應(yīng)用于許多領(lǐng)域，如氣象研究、生物研究、病理研究等。

在此大背景下，漁業(yè)研究也不例外。目前，漁業(yè)大數(shù)據(jù)特征也已凸顯并引起國內(nèi)外學(xué)者的關(guān)注[1-2]，許多科學(xué)家紛紛行動起來：芬蘭學(xué)者將大數(shù)據(jù)用于漁業(yè)可持續(xù)發(fā)展研究[3]；韓國學(xué)者開發(fā)了漁業(yè)研發(fā)大數(shù)據(jù)平臺并推出了元數(shù)據(jù)管理策略[4]；美國學(xué)者基于“大漁業(yè)”理念和大數(shù)據(jù)背景研究“小螃蟹”問題[5]……但漁業(yè)大數(shù)據(jù)研究目前仍存在分析與應(yīng)用不足[2]等問題，而機(jī)器學(xué)習(xí)是解決這一問題的必然選擇。中國是漁業(yè)大國，目前國家大力倡導(dǎo)數(shù)字漁業(yè)、綠色漁業(yè)、生態(tài)漁業(yè)、智慧漁業(yè)，在許多應(yīng)用系統(tǒng)[6]中，既需要探究發(fā)現(xiàn)已有數(shù)據(jù)要素之間潛在的聯(lián)系，也需要分析新的數(shù)字系統(tǒng)持續(xù)觀測、不斷生成的新數(shù)據(jù)之間及其與舊數(shù)據(jù)之間的關(guān)系，哪一種新型“漁業(yè)”也離不開大數(shù)據(jù)處理業(yè)務(wù)?；跀?shù)字系統(tǒng)和特有技術(shù)的支撐，漁業(yè)幾乎可生產(chǎn)人類所需的所有產(chǎn)品[7]。而從讓漁業(yè)充分造福人類的視角，應(yīng)該強(qiáng)化漁業(yè)與其他產(chǎn)業(yè)大數(shù)據(jù)的互動研究。因此，將機(jī)器學(xué)習(xí)應(yīng)用于漁業(yè)研究已迫在眉睫。

目前，面向大數(shù)據(jù)和機(jī)器學(xué)習(xí)的研究工具很多，大型的如TensorFlow、Python、Matlab等軟件，既適用于數(shù)據(jù)求解、統(tǒng)計分析，還可提供支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林等許多算法，實現(xiàn)預(yù)測、聚類、分類、模式識別、模型評估等功能，非常適合于開展?jié)O業(yè)研究。而研究國內(nèi)外漁業(yè)研究領(lǐng)域機(jī)器學(xué)習(xí)技術(shù)的應(yīng)用狀況，對明晰和引領(lǐng)漁業(yè)科技的走向、提升漁業(yè)研究的速度和質(zhì)量具有重要意義。

1 機(jī)器學(xué)習(xí)在漁業(yè)研究中的應(yīng)用情況

國內(nèi)外將機(jī)器學(xué)習(xí)應(yīng)用于漁業(yè)研究，已涉及漁業(yè)生產(chǎn)、漁業(yè)產(chǎn)品分類、預(yù)測等許多領(lǐng)域。

1.1 機(jī)器學(xué)習(xí)在漁業(yè)生產(chǎn)中的應(yīng)用

1.1.1 機(jī)器學(xué)習(xí)在水產(chǎn)養(yǎng)殖中的應(yīng)用

機(jī)器學(xué)習(xí)在水產(chǎn)養(yǎng)殖研究方面的應(yīng)用從微觀到宏觀都有。微觀的研究，如游泳型魚類投喂量預(yù)測研究[8]、魚苗長度測量[9]、魚苗計數(shù)器與計數(shù)方法[10]等。而且不限于漁業(yè)生產(chǎn)，有的已涉及日常休閑領(lǐng)域，如魚缸環(huán)境監(jiān)測[11]等。宏觀的研究，如有學(xué)者根據(jù)循環(huán)水精準(zhǔn)養(yǎng)殖的特點，提出一種基于多平臺的水產(chǎn)養(yǎng)殖精準(zhǔn)管理系統(tǒng)整體設(shè)計方案，系統(tǒng)包括信息采集、養(yǎng)殖生產(chǎn)、養(yǎng)殖管理、水質(zhì)預(yù)測、用戶溯源五大功能模塊[12]。2019年，國內(nèi)最大的深遠(yuǎn)海鮑魚養(yǎng)殖平臺“福鮑1號”建成，作為我國首制的智能環(huán)保型鮑魚養(yǎng)殖平臺[13]，它也應(yīng)用了機(jī)器學(xué)習(xí)技術(shù)。藍(lán)嵐等基于智能視覺物聯(lián)網(wǎng)研發(fā)的小龍蝦養(yǎng)殖監(jiān)測系統(tǒng)，具有視頻監(jiān)控、遠(yuǎn)程控制、統(tǒng)計分析、報表模塊[14]；Hannah F等利用機(jī)器學(xué)習(xí)技術(shù)對孟加拉國養(yǎng)殖水體進(jìn)行制圖[15]；Christos P還利用機(jī)器學(xué)習(xí)模型預(yù)測水產(chǎn)養(yǎng)殖產(chǎn)品的抗病能力[16]?？梢姍C(jī)器學(xué)習(xí)在水產(chǎn)養(yǎng)殖研究方面的應(yīng)用已較普遍。

1.1.2 機(jī)器學(xué)習(xí)在漁業(yè)捕撈中的應(yīng)用

漁業(yè)捕撈研究或涉及產(chǎn)量、效益等諸多方面，但世界各國普遍更注重捕撈行為的科學(xué)管控，避免漁業(yè)資源的快速衰竭，確保漁業(yè)可持續(xù)發(fā)展。歐洲曾基于機(jī)器學(xué)習(xí)等技術(shù)，開發(fā)名為“SMART FISH-H2020”的可持續(xù)漁業(yè)創(chuàng)新技術(shù)項目，優(yōu)化捕撈效率，減少捕撈對海洋生態(tài)系統(tǒng)的影響[17]；呂超等提出了基于機(jī)器學(xué)習(xí)算法的單船捕撈能力影響因素權(quán)重分析評價模型[18]；高守瑋等基于機(jī)器學(xué)習(xí)和Stacking算法，發(fā)明了一種漁船捕撈方式預(yù)測方法[19]；Mannocci L等在金槍魚圍網(wǎng)捕撈中，用回聲浮標(biāo)數(shù)據(jù)檢測副漁獲物風(fēng)險[20]；國外學(xué)者還基于物聯(lián)網(wǎng)和機(jī)器學(xué)習(xí)的支持向量機(jī)算法，研究了通過可穿戴傳感裝置進(jìn)行捕魚位置檢測的技術(shù)[21]；也有學(xué)者以太平洋延繩釣漁業(yè)為例，利用廣義線性模型和機(jī)器學(xué)習(xí)建立了漁業(yè)捕撈航次成本模型，用于捕撈監(jiān)管影響分析[22]；Sánchez C N等研究了具有精確機(jī)器學(xué)習(xí)模型的表觀遺傳目標(biāo)捕魚問題[23]；Souza E N D等使用數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)技術(shù)改進(jìn)衛(wèi)星對捕魚模式的偵探效果[24]?？梢姍C(jī)器學(xué)習(xí)在漁業(yè)捕撈研究方面也已被嘗試并有所收獲。

1.2 機(jī)器學(xué)習(xí)在漁業(yè)產(chǎn)品分類中的應(yīng)用

分類是機(jī)器學(xué)習(xí)較擅長的應(yīng)用之一。在漁業(yè)研究中，應(yīng)用也較廣泛。國外Lalabadi H M等基于人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)原理，利用眼睛和魚鰓的色彩特點檢驗魚的新鮮程度，并對其進(jìn)行分類[25]； Cui Y H等利用深度卷積神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)增強(qiáng)方法、批量歸一化技術(shù)等，對螃蟹性別進(jìn)行分類[26]。國內(nèi)許多文獻(xiàn)也都基于深度卷積神經(jīng)網(wǎng)絡(luò)，研究了魚的分類或識別問題[27-30]。Snapir B等還研究了北海海上船舶分類問題[31]?？梢?，機(jī)器學(xué)習(xí)在漁業(yè)產(chǎn)品或漁業(yè)用具分類方面的應(yīng)用已經(jīng)非常成熟。

1.3 機(jī)器學(xué)習(xí)在水質(zhì)與漁業(yè)生態(tài)監(jiān)測中的應(yīng)用

水質(zhì)、生態(tài)環(huán)境是影響水產(chǎn)品產(chǎn)量、品相和營養(yǎng)成分的重要因素，更關(guān)系到漁業(yè)的可持續(xù)發(fā)展?；跈C(jī)器學(xué)習(xí)的漁業(yè)研究密切關(guān)注到這一領(lǐng)域，但更多是微觀、靜態(tài)的水質(zhì)監(jiān)測研究。Dabrowski J J等提出在狀態(tài)空間模型的多步預(yù)測中引入均值回歸，實現(xiàn)對蝦池的水質(zhì)預(yù)測[32]； Bansal S等提出利用機(jī)器學(xué)習(xí)方法計算水質(zhì)指數(shù)并進(jìn)行水質(zhì)歸類[33]；許新華基于機(jī)器視覺和機(jī)器學(xué)習(xí)技術(shù)，研究了基于水色圖像的水質(zhì)評價[34]；曹守啟等利用改進(jìn)的長短時記憶神經(jīng)網(wǎng)絡(luò)(IPSO-KLSTM)模型和改進(jìn)的粒子群優(yōu)化算法，提高溶解氧的預(yù)測精度[35]；一些文獻(xiàn)也基于神經(jīng)網(wǎng)絡(luò)，做了類似的探索[36-37]。陳敏嫣等還將機(jī)器學(xué)習(xí)用于水質(zhì)污染影響魚類體內(nèi)臟器重金屬超標(biāo)的研究[38]。Anupama K等提出了一種監(jiān)測水產(chǎn)養(yǎng)殖水質(zhì)的機(jī)器學(xué)習(xí)方法[39]。

機(jī)器學(xué)習(xí)在漁業(yè)生態(tài)方面研究探索極少。國外在十多年前比較關(guān)注這一領(lǐng)域，2008年底，有研究者曾在《Ecology，Environment & Conservation Business》發(fā)表系列文章，探討漁業(yè)生態(tài)問題，但并未涉及機(jī)器學(xué)習(xí)。而近年來，關(guān)于漁業(yè)生態(tài)研究，除了前文述及的少量文獻(xiàn)[5]外，已很少涉及。利用機(jī)器學(xué)習(xí)手段研究漁業(yè)生態(tài)問題的就更少。國內(nèi)康緒明等利用機(jī)器學(xué)習(xí)手段做了海參產(chǎn)地溯源研究[40]；許婷婷等基于人工智能和機(jī)器學(xué)習(xí)技術(shù)，研究了海洋漁業(yè)生態(tài)自動化監(jiān)測[41]。

1.4 機(jī)器學(xué)習(xí)在目標(biāo)識別中的應(yīng)用

水底目標(biāo)識別往往涉及對深海生物信號、海洋哺乳動物叫聲的研究，這對海洋生態(tài)環(huán)境觀測與仿生研究具有重大意義。機(jī)器學(xué)習(xí)在此類研究中也有涉獵。張冠華利用機(jī)器學(xué)習(xí)手段，結(jié)合4種鯨目動物叫聲的實測數(shù)據(jù)，對叫聲信號進(jìn)行識別和分類[42]；于峰融合利用遷移學(xué)習(xí)和生成式對抗網(wǎng)絡(luò)技術(shù)，實現(xiàn)座頭鯨、藍(lán)鯨及其他海洋生物叫聲的分類，提高了分類準(zhǔn)確率[43]；劉開金利用機(jī)器學(xué)習(xí)多種模型，對海洋噪聲背景下5種典型鯨魚叫聲進(jìn)行聽覺感知特征提取，并對其進(jìn)行識別[44]。另外，穆春華等還利用計算機(jī)視覺技術(shù)和機(jī)器學(xué)習(xí)方法，研究了工業(yè)化循環(huán)水養(yǎng)殖的殘餌與糞便的識別問題[45]。

1.5 機(jī)器學(xué)習(xí)在漁業(yè)預(yù)測預(yù)報中的應(yīng)用

對漁場、漁情、產(chǎn)量的預(yù)測預(yù)報，直接關(guān)系到漁業(yè)活動的效率和收益，是業(yè)界較為關(guān)注的話題。此類研究最為活躍，其中機(jī)器學(xué)習(xí)的應(yīng)用也最受關(guān)注。 針對水產(chǎn)養(yǎng)殖和出口規(guī)模預(yù)測中存在的問題，Zhang Y Z提出了基于BP神經(jīng)網(wǎng)絡(luò)算法的產(chǎn)量預(yù)測模型[46]；張魯民提出利用改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型對養(yǎng)殖產(chǎn)量預(yù)測[47]；栗小東等分別利用梯度提升回歸樹和支持向量機(jī)2種機(jī)器學(xué)習(xí)方法，分析了東海北部海域的三疣梭子蟹的時空分布，結(jié)果顯示梯度提升回歸樹預(yù)測效果更好[48]；毛江美等利用BP神經(jīng)網(wǎng)絡(luò)模型對南太平洋長鰭金槍魚進(jìn)行精準(zhǔn)漁場預(yù)測[49]；崔雪森等利用支持向量機(jī)技術(shù)，根據(jù)實際的漁獲數(shù)據(jù)和海洋環(huán)境數(shù)據(jù)建立模型，用于漁情漁場的預(yù)測[50]；袁紅春等基于卷積神經(jīng)網(wǎng)絡(luò)，構(gòu)建了南太平洋漁情漁場預(yù)報模型[51]。

漁業(yè)病害也是影響漁業(yè)資源分布和產(chǎn)量的重要影響因素。朱仁敬提出一種基于模型融合的海水養(yǎng)殖產(chǎn)品的病蟲害識別方法，采用卷積神經(jīng)網(wǎng)絡(luò)對病蟲害進(jìn)行分析和預(yù)測[52]。

1.6 機(jī)器學(xué)習(xí)在水產(chǎn)品貯藏、品質(zhì)鑒定中的應(yīng)用

水產(chǎn)品貯藏關(guān)系到人民生活，十幾年前，邵磊就基于機(jī)器學(xué)習(xí)之支持向量機(jī)技術(shù)做過魚類胚胎保存抗凍劑毒性研究[53]。近年來，機(jī)器學(xué)習(xí)在水產(chǎn)品貯存方面的研究應(yīng)用日趨活躍，此類應(yīng)用已有一些成功案例。李鑫星等采用機(jī)器學(xué)習(xí)方法，設(shè)計了三文魚氣味指紋采集與新鮮度辨識的電子鼻系統(tǒng)，實現(xiàn)了不同冷藏溫度下三文魚新鮮度的檢測與識別[54]；上海大學(xué)的研究人員基于原位拉曼光譜技術(shù)和機(jī)器學(xué)習(xí)方法，實現(xiàn)冷藏水產(chǎn)品品質(zhì)的無損、快速、靈敏檢測[55]；鄂旭等基于機(jī)器學(xué)習(xí)技術(shù)，發(fā)明了一種魚類品質(zhì)判定方法，可判別魚類是否腐敗，具有精度高、對異常值不敏感的特點[56]；王慧慧等發(fā)明了利用機(jī)器學(xué)習(xí)和相關(guān)技術(shù)檢測鹽漬海參合格品摻假情況的方法[57]；朱鑫宇等根據(jù)鹽漬海參的視覺、力學(xué)等多感知特征，結(jié)合機(jī)器學(xué)習(xí)的單因素方差分析、主成分分析、支持向量機(jī)等技術(shù)，提出了鹽漬海參的評定方法[58]。此外，日本科學(xué)家還通過機(jī)器學(xué)習(xí)手段判斷魚片是否新鮮[59]；Tokunaga K等利用超聲信號和機(jī)器學(xué)習(xí)方法對魚肉進(jìn)行無損評價[60]；Rehan S等闡釋了利用傳感器和機(jī)器學(xué)習(xí)進(jìn)行魚類質(zhì)量評價的一些機(jī)理[61]。

1.7 機(jī)器學(xué)習(xí)在漁業(yè)其他方面的應(yīng)用

Weber C T等用機(jī)器學(xué)習(xí)算法從漁業(yè)研究類出版物中發(fā)現(xiàn)隱藏的主題和次主題，并從出自頂級刊物的2萬多篇文獻(xiàn)中發(fā)現(xiàn)了2個建模主題，即估算模型和漁業(yè)資源評估模型[62]；Sarr J M A等基于機(jī)器學(xué)習(xí)算法之卷積神經(jīng)網(wǎng)絡(luò)，研究了地面真值標(biāo)簽的聲學(xué)背向散射信號(從海底到海面)的回波圖標(biāo)注問題，這有利于漁業(yè)聲學(xué)標(biāo)記過程的標(biāo)準(zhǔn)化，可用于魚類種群評估和海洋生態(tài)系統(tǒng)監(jiān)測[63]；Syed S等提取了2000—2017年間7萬多篇漁業(yè)文獻(xiàn)數(shù)據(jù)集，并利用社會網(wǎng)絡(luò)分析和機(jī)器學(xué)習(xí)相結(jié)合的方法，繪制了作者、國家和機(jī)構(gòu)層面的漁業(yè)科學(xué)家全球科學(xué)合作網(wǎng)絡(luò)圖[64]；Michael D A等利用來自美國、新西蘭、加拿大和英國的106個漁業(yè)管理組織和船隊級屬性數(shù)據(jù)庫，建立了預(yù)測模型，用于預(yù)測未來哪些漁業(yè)組織或船隊可能會形成合作關(guān)系[65]?？梢?，機(jī)器學(xué)習(xí)在漁業(yè)研究中的應(yīng)用還涉及了漁業(yè)文獻(xiàn)研究傾向分析、漁業(yè)合作等多個領(lǐng)域。

2 機(jī)器學(xué)習(xí)用于漁業(yè)研究中存在的問題

機(jī)器學(xué)習(xí)作為一種新興、有力的工具，應(yīng)用于國內(nèi)外漁業(yè)研究方興未艾，目前已涉及養(yǎng)殖、捕撈、貯藏、評價等多個領(lǐng)域，涉及魚、蝦、蟹、貝、藻、海參等多類水產(chǎn)品。Matlab、Python等工具類軟件和神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、隨機(jī)森林等算法均得到應(yīng)用，為漁業(yè)的健康發(fā)展發(fā)揮了積極的作用。我國與外國在該領(lǐng)域的研究各有千秋，但從生產(chǎn)、管理兩大領(lǐng)域看，微觀生產(chǎn)領(lǐng)域應(yīng)用較多，宏觀調(diào)控領(lǐng)域應(yīng)用(例如生態(tài)研究)極少；從漁業(yè)分支看，養(yǎng)殖業(yè)應(yīng)用較多，捕撈業(yè)應(yīng)用相對較少，儲運(yùn)、加工服務(wù)領(lǐng)域應(yīng)用也欠拓展；用于靜態(tài)研究多，而用于動態(tài)跟蹤研究極少，用于與其他產(chǎn)業(yè)互動研究更為罕見?？傮w來說，機(jī)器學(xué)習(xí)技術(shù)在漁業(yè)應(yīng)用普及程度還很低。這和機(jī)器學(xué)習(xí)在其他產(chǎn)業(yè)的應(yīng)用狀況相似。

但從近年來發(fā)布的一些成果看，一些漁業(yè)問題研究者之所以沒有選擇機(jī)器學(xué)習(xí)工具，是因為對機(jī)器學(xué)習(xí)存在認(rèn)識誤區(qū)。例如曾有學(xué)者認(rèn)為機(jī)器學(xué)習(xí)不便克服數(shù)據(jù)間的多重共線性[66]。其實在機(jī)器學(xué)習(xí)中，主成分回歸、嶺回歸、逐步回歸等相關(guān)技術(shù)已非常成熟，這些都可以很好地解決多重共線性問題。

另一個不容忽視的問題是，機(jī)器學(xué)習(xí)高度依賴于基礎(chǔ)數(shù)據(jù)采集和積累，如果沒有足夠堅實的數(shù)據(jù)基礎(chǔ)，就無從入手機(jī)器學(xué)習(xí)的應(yīng)用。某些領(lǐng)域研究機(jī)器學(xué)習(xí)應(yīng)用較少，都與數(shù)據(jù)采集不便或數(shù)據(jù)積累不足有關(guān)——捕撈業(yè)由于魚群、水域、漁船的流動性和隨機(jī)性，難以架設(shè)長效的數(shù)據(jù)采集裝置，也不便于數(shù)據(jù)傳輸，而貝、龜、蛙類養(yǎng)殖業(yè)的一些私有小業(yè)主因受規(guī)模、成本限制，無心架設(shè)數(shù)據(jù)采集裝置。這些都限制了機(jī)器學(xué)習(xí)在漁業(yè)研究中的應(yīng)用。

3 機(jī)器學(xué)習(xí)融入漁業(yè)研究的出路

走出認(rèn)識誤區(qū)，突破數(shù)據(jù)不足局限，是機(jī)器學(xué)習(xí)被廣泛深入地應(yīng)用于漁業(yè)研究的根本出路。

3.1 走出對機(jī)器學(xué)習(xí)的認(rèn)識誤區(qū)

對“高大上”研究工具的畏懼和排斥、對慣用舊工具的熱衷和堅守等消極心態(tài)，嚴(yán)重妨礙了機(jī)器學(xué)習(xí)用于漁業(yè)研究。誠然，回歸、預(yù)測等類研究可選用其他分析工具(如SPSS等軟件)完成。但機(jī)器學(xué)習(xí)工具的優(yōu)勢在于，它們不僅可以輕松解決常規(guī)統(tǒng)計類軟件的統(tǒng)計指標(biāo)求解、回歸、預(yù)測等問題，還可通過調(diào)用系統(tǒng)函數(shù)，輕松應(yīng)用許多機(jī)器學(xué)習(xí)算法，使研究者從枯燥、繁雜的算法原理和編程事務(wù)中解脫出來，而且還可將中間過程和結(jié)果可視化、動態(tài)化展示。因此機(jī)器學(xué)習(xí)更有利于面向多維度、大數(shù)據(jù)的研究。Matlab等軟件還采用解釋化編程語言，使這類軟件非常易于被掌控，并且只要掌握了相應(yīng)函數(shù)的調(diào)用格式，便可輕松將機(jī)器學(xué)習(xí)技術(shù)用于漁業(yè)研究。

3.2 及時搜集與獲取基礎(chǔ)數(shù)據(jù)

收集和建立各種魚群數(shù)據(jù)集是漁業(yè)研究的重要任務(wù)和基礎(chǔ)。國家和各地漁業(yè)主管部門定期發(fā)布的《漁業(yè)統(tǒng)計年鑒》和《漁業(yè)生產(chǎn)統(tǒng)計公報》，奠定了漁業(yè)研究的宏觀數(shù)據(jù)基礎(chǔ)；中國遠(yuǎn)洋漁業(yè)數(shù)據(jù)中心、國家農(nóng)業(yè)科學(xué)數(shù)據(jù)中心漁業(yè)分中心成功運(yùn)作，已經(jīng)建立了養(yǎng)殖、捕撈、遠(yuǎn)洋管理、漁業(yè)資源與生物環(huán)境的鑒定、監(jiān)測等多種漁業(yè)信息數(shù)據(jù)庫并提供相應(yīng)數(shù)據(jù)服務(wù)，極大地緩解了基礎(chǔ)研究者搜集數(shù)據(jù)之痛。

但微觀、動態(tài)的數(shù)據(jù)常需研究團(tuán)隊自己架設(shè)采集裝置持續(xù)觀測。國際上有些組織已充分注意到這些問題，推出了一些技術(shù)手段和平臺，使機(jī)器學(xué)習(xí)用于漁業(yè)研究迎來了曙光。如，美國已推出的“智能捕撈技術(shù)”產(chǎn)品Catch Cam可安裝在拖網(wǎng)內(nèi)，有利于捕撈活動數(shù)據(jù)的采集；Google等公司也推出了結(jié)合機(jī)器學(xué)習(xí)、云計算技術(shù)與衛(wèi)星數(shù)據(jù)的在線平臺“Global Fishing Watch”，民眾可由此免費(fèi)分享全球商業(yè)捕撈的活動信息。一般而言，只有漁業(yè)企業(yè)加強(qiáng)機(jī)器視覺、物聯(lián)網(wǎng)的研發(fā)和應(yīng)用，以及研究部門加強(qiáng)與數(shù)據(jù)上游機(jī)構(gòu)的融合與聯(lián)系，才能及時獲得第一手?jǐn)?shù)據(jù)資源，為機(jī)器學(xué)習(xí)的應(yīng)用奠定雄厚的數(shù)據(jù)基礎(chǔ)。通過中國知網(wǎng)查詢可知，目前，國內(nèi)漁業(yè)物聯(lián)網(wǎng)專利已達(dá)數(shù)十種。其中，如“基于大數(shù)據(jù)和物聯(lián)網(wǎng)協(xié)同作用的漁業(yè)養(yǎng)殖在線智能監(jiān)測平臺及云服務(wù)器”“基于實時物聯(lián)網(wǎng)數(shù)據(jù)采集的漁業(yè)養(yǎng)殖及高精度定位跟蹤系統(tǒng)”“一種利用物聯(lián)網(wǎng)大數(shù)據(jù)進(jìn)行遠(yuǎn)洋捕撈作業(yè)的漁業(yè)系統(tǒng)”等，均具有大數(shù)據(jù)采集、傳輸功能，都有利于實時或過程性數(shù)據(jù)的獲取。盡快推廣這些專利走向應(yīng)用，進(jìn)一步研究構(gòu)建適于漁業(yè)領(lǐng)域的大數(shù)據(jù)管理體系[67]，突破數(shù)據(jù)標(biāo)準(zhǔn)化、共享程度低的短板[68-70]，并在漁業(yè)管理中采取相應(yīng)優(yōu)惠政策——如漁政部門對捕撈船只和養(yǎng)殖小業(yè)主施行一些倡導(dǎo)安裝數(shù)據(jù)采集裝置的鼓勵性優(yōu)惠政策，將更便于漁業(yè)實時數(shù)據(jù)的采集與獲取，有利于機(jī)器學(xué)習(xí)被廣泛深入地應(yīng)用于漁業(yè)研究中。

4 機(jī)器學(xué)習(xí)用于漁業(yè)研究的前景

隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展和不斷深入人心，隨著物聯(lián)網(wǎng)的不斷延伸和漁業(yè)數(shù)據(jù)平臺的相繼搭建和不斷融合，機(jī)器學(xué)習(xí)必將深入到漁業(yè)研究諸多領(lǐng)域，促進(jìn)漁業(yè)可持續(xù)健康發(fā)展。實踐表明，機(jī)器學(xué)習(xí)在漁業(yè)研究領(lǐng)域大有用武之地，但關(guān)于漁業(yè)產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化、漁業(yè)可持續(xù)發(fā)展的宏觀和動態(tài)研究，遠(yuǎn)比增產(chǎn)、增收等微觀研究重要得多，因而亟待加強(qiáng)。考慮到產(chǎn)量占比，目前將機(jī)器學(xué)習(xí)廣泛深入地用于加強(qiáng)舟山海域、南海海域捕撈活動動態(tài)監(jiān)控研究，加強(qiáng)長江水域、渤海水域漁業(yè)生態(tài)研究特別是動態(tài)模擬研究，對落實國家發(fā)改委《中國水生生物資源養(yǎng)護(hù)行動綱要》和落實農(nóng)業(yè)部等部門《關(guān)于推進(jìn)大水面生態(tài)漁業(yè)發(fā)展的指導(dǎo)意見》，有非常重要的現(xiàn)實意義；而對于漁業(yè)產(chǎn)品綜合加工利用等方面的研究，機(jī)器學(xué)習(xí)也大有可為，任重道遠(yuǎn)。