基于北斗船位數(shù)據(jù)的拖網(wǎng)漁船捕撈努力量算法研究

李 丹，魯 峰，2，徐 碩，2，劉慧媛，薛沐涵，方 輝，崔國輝

（1.中國水產(chǎn)科學研究院漁業(yè)工程研究所，北京 100141；2.嶗山實驗室，山東青島 266237；3.中國水產(chǎn)科學研究院東海水產(chǎn)研究所，上海 200090）

捕撈努力量是在一定時間段內(nèi)以某種漁業(yè)作業(yè)方式在漁場中投入的工作量，可作為漁業(yè)生產(chǎn)管理、漁業(yè)資源評估以及生態(tài)脆弱性評估的重要參考依據(jù)［1-4］，精確識別與評估我國海域內(nèi)捕撈努力量的時空特征可為捕撈限額策略規(guī)劃和漁業(yè)資源評估提供關(guān)鍵信息［5-6］。傳統(tǒng)的捕撈努力量統(tǒng)計主要依靠捕撈日志及漁獲數(shù)據(jù)，存在記錄不規(guī)范、漏報、誤報等人為因素和時間滯后等問題。采用圖像識別捕撈作業(yè)行為來評估捕撈努力量的方法能有效減少漏報、誤報等人為因素［7］，但也存在檢測覆蓋范圍小、數(shù)據(jù)獲取成本高等缺陷。船位監(jiān)控系統(tǒng)（vessel monitoring system，VMS）作為一種漁船監(jiān)控手段，可獲取漁船船位、航速、發(fā)報時間等動態(tài)信息，為漁業(yè)科學研究擴充新的數(shù)據(jù)來源［8］，同時為捕撈努力量估算方法提供新思路。

船位監(jiān)控系統(tǒng)數(shù)據(jù)包含漁船運行狀態(tài)信息，通過船位數(shù)據(jù)挖掘可以判別漁船捕撈作業(yè)狀態(tài)［9-16］，從而實現(xiàn)捕撈努力量估算［17］。漁船作業(yè)狀態(tài)的識別準確率決定了捕撈努力量估算的精度。最初捕撈作業(yè)行為識別算法多直接提取船速、航向、作業(yè)時間等信息，用閾值劃分漁船作業(yè)狀態(tài)，如張勝茂等［18］提取拖網(wǎng)漁船的捕撈航速及航相差閾值判定漁船捕撈狀態(tài)，ZHANG等［19］利用作業(yè)時間和速度閾值判定金槍魚圍網(wǎng)捕撈作業(yè)行為。然而閾值劃分方法存在判定特征局限的缺點，很難適用于所有漁船［8］，易使捕撈努力量估算值偏高［20］。機器學習算法能進一步挖掘船位信息與捕撈作業(yè)行為之間的非線性關(guān)系，是當前漁船狀態(tài)判別的研究重點［8］。SOUZA等［21］提出基于速度的隱馬爾可夫鏈模型，用于拖網(wǎng)漁船的捕撈作業(yè)行為識別，準確率達85%。該方法建立了速度與捕撈作業(yè)行為的非線性關(guān)系模型，提高了識別準確率，但特征輸入單一，準確率偏低。BEHIVOKE等［22］利用連續(xù)軌跡提取幾何特征，采用隨機森林模型實現(xiàn)捕撈作業(yè)行為判別，識別拖網(wǎng)漁船捕撈作業(yè)行為準確率達88%。該研究優(yōu)化了特征構(gòu)成，但未考慮空間位置信息，準確率提升不高。KROODSMA等［23］提取大量空間信息及行船動態(tài)信息構(gòu)成特征矩陣，利用深度卷積神經(jīng)網(wǎng)絡識別捕撈作業(yè)行為，該算法特征構(gòu)成全面，準確率達96%，但深度網(wǎng)絡存在網(wǎng)絡參數(shù)多、調(diào)參難、算力消耗大及訓練時間久等問題。綜上，現(xiàn)有基于船位數(shù)據(jù)的捕撈作業(yè)行為識別算法在特征和算法選取上存在一定的局限性，致使算法在準確率和實現(xiàn)難度上難以平衡。

本文基于北斗船位數(shù)據(jù)，在特征構(gòu)造方面，提取行船動態(tài)信息的同時，補充了空間信息。采用靈活、高效的極限梯度提升算法（eXtreme Gradient Boosting，XGBoost）構(gòu)建遼寧省拖網(wǎng)漁船捕撈作業(yè)行為識別模型，挖掘2021年全年在渤海及黃海北部海域的捕撈努力量時空分布特征，為我國近海海域拖網(wǎng)漁船捕撈努力量估算提供新方法，以期為漁業(yè)資源評估與限額捕撈政策制定提供新依據(jù)。

1 材料與方法

1.1 數(shù)據(jù)來源

實驗數(shù)據(jù)為遼寧省漁船的北斗漁船船位數(shù)據(jù)，共計漁船853艘，數(shù)據(jù)48 256 060條，采集時間為2019年9月—2022年1月，調(diào)查區(qū)域為37°～40°N、119°～124°E內(nèi)海域。北斗船位數(shù)據(jù)的時間精度為秒，時間分辨率為3 min，空間分辨率約為10 m。每條船的船位數(shù)據(jù)中包含漁船經(jīng)緯度、速度、收發(fā)時間及漁區(qū)等信息。

1.2 數(shù)據(jù)處理與標注

圖1 調(diào)查區(qū)域示意圖Fig.1 Map of investigation area

拖網(wǎng)漁船作業(yè)通常將一張或多張網(wǎng)拖到漁船尾部，作業(yè)時漁船通常會放慢速度，并力求保持速度穩(wěn)定，盡可能使拖網(wǎng)的張力均勻。拖網(wǎng)作業(yè)時間取決于魚群密度，通常持續(xù)3～5 h，本文中拖網(wǎng)作業(yè)包括布網(wǎng)到收網(wǎng)全過程［21］，將拖網(wǎng)漁船狀態(tài)劃分為捕撈狀態(tài)和非捕撈狀態(tài)，其中捕撈狀態(tài)包含漁網(wǎng)部署、拖網(wǎng)作業(yè)和收網(wǎng)過程，非捕撈狀態(tài)包括拋錨停泊和航行［7］。標注前，首先根據(jù)數(shù)據(jù)的整體范圍，剔除報位中經(jīng)度、緯度、速度和時間中存在缺項、漏項及超限的數(shù)據(jù)。計算每條船位到海岸線的距離，以進出港時間劃分數(shù)據(jù)段。由于衛(wèi)星接收回傳數(shù)據(jù)的過程中會受到信號波動的影響，偶爾有人為遮擋發(fā)射源等情況，若前后兩條報位時間間隔超過3 h，則將切分軌跡段，最后刪除點數(shù)小于5的軌跡段。

本研究具體標注方法參照SOUZA等［21］和KROODSMA等［23］針對拖網(wǎng)漁船作業(yè)特征的描述，結(jié)合漁業(yè)專家經(jīng)驗，對2019年9月至2022年1月的12條遼寧省拖網(wǎng)漁船船位數(shù)據(jù)進行標定。將每段數(shù)據(jù)的經(jīng)緯度和速度按時序輸入Arcgis，綜合分析路線、行船位置及船速，對起止時間進行標注，標定數(shù)據(jù)共計175 096條。標定過程中，將捕撈狀態(tài)標記為1，非捕撈狀態(tài)標記為0。對標定好的數(shù)據(jù)，參考文獻［22-23］提取每條記錄向前時間間隔、距離、到中國海岸線最短距離、理論速度、當前速度、時刻（h）、月份等漁船作業(yè)特征重要參數(shù)。由于數(shù)據(jù)量大，本研究隨機選取5條船60 362條數(shù)據(jù)用作模型訓練，剩余7條船114 734條數(shù)據(jù)用于外部驗證。

1.3 拖網(wǎng)漁船捕撈努力量計算體系架構(gòu)

本研究獲取北斗船位數(shù)據(jù)，提取特征向量，判斷其是否為捕撈作業(yè)狀態(tài)，然后計算捕撈努力量，體系架構(gòu)如圖2所示。

圖2 拖網(wǎng)漁船捕撈努力量計算體系結(jié)構(gòu)Fig.1 Framework for calculating traw ling fishing effort

本文提出的基于北斗船位數(shù)據(jù)的拖網(wǎng)漁船捕撈努力量計算方法主要由兩部分組成，第一部分利用船位數(shù)據(jù)生成捕撈作業(yè)行為判別向量，再使用XGBoost判別其是否發(fā)生捕撈作業(yè)行為；第二部分則依據(jù)分類器的判別結(jié)果，結(jié)合船位信息計算捕撈努力量。

1.4 基于XGBoost的拖網(wǎng)漁船捕撈作業(yè)行為識別算法原理

在得到船位數(shù)據(jù)特征向量后，使用XGBoost進行拖網(wǎng)漁船捕撈作業(yè)行為識別。XGBoost是一種梯度提升集成學習框架［24-26］，即通過增加第n個弱學習器，使其輸入為第n-1個預測結(jié)果的殘差，將多個弱學習器做疊加使得殘差越來越小，直至接近真實值，用這樣的方式來訓練模型。XGBoost中的弱學習器選用決策樹?；赬GBoost的漁船捕撈狀態(tài)識別模型的目標函數(shù)為：

式（1）中，Obj為目標函數(shù)；L為損失函數(shù)；n表示弱學習器個數(shù)（fj）為復雜度正則化項。另損失函數(shù)L為：

式（2）～式（3）中，i表示樣本編號；xi表示訓練船位數(shù)據(jù)；yl為對應真實捕撈狀態(tài)；f為預測結(jié)果；k表示弱學習器編號；K表示弱學習器數(shù)量；^yl表示訓練后輸出值。

第t次迭代中，第i個樣本的模型預測值為：

式（4）中，t為迭代次數(shù)；i表示樣本編號；xi表示訓練船位數(shù)據(jù)是第t次迭代之后樣本i的預測結(jié)果；ft（xi）是第t個弱學習器的預測結(jié)果；k表示弱學習器編號。將式（2）和式（4）代入式（1）得：

對式（5）損失函數(shù)進行二級泰勒展開得到：

式（7）中，Ω（ft）為第t個弱學習器的復雜度正則化項；j表示第j個葉子節(jié)點；N為弱學習器中葉子節(jié)點數(shù)量；ωj為葉子節(jié)點權(quán)重，γ和λ為正則化的超參數(shù)。目標函數(shù)中對全部船位數(shù)據(jù)的求和可以轉(zhuǎn)化為對葉子節(jié)點求和，由此去掉式（6）中常數(shù)項代入式（7）：

式（8）中，N為弱學習器中葉子節(jié)點數(shù)量；ωq（xi）表示當前弱學習器中，樣本q（xi）被預測后落入對應節(jié)點上，ωq（xi）=ft（xi）=ωj；GJ=∑i∈IJgi；HJ=∑i∈IJhi，其中，IJ表示全部葉子節(jié)點；gi為泰勒展開一階導數(shù)；hi為泰勒展開二階導數(shù)；γ和λ為正則化的超參數(shù)。為了獲取最優(yōu)解q（xi），可以計算葉子j的最優(yōu)權(quán)重ωj為：

式（9）～式（10）中，ωj為葉子j的最優(yōu)權(quán)重；t為迭代次數(shù)；j表示第j個葉子節(jié)點；i表示樣本編號；N為弱學習器中葉子節(jié)點數(shù)量；ωj表示葉子j的最優(yōu)權(quán)重；IJ表示全部葉子節(jié)點；gi為泰勒展開一階導數(shù)；hi為泰勒展開二階導數(shù)；γ和λ為正則化的超參數(shù)。式（10）可作為弱學習器的子葉分數(shù)，分數(shù)越高算法對漁船捕撈作業(yè)行為識別的效果越好。

1.5 模型構(gòu)建

基于XGBoost的拖網(wǎng)漁船捕撈作業(yè)行為識別模型采用Python語言實現(xiàn)。模型訓練首先隨機選取5條標定船，共60 362條船位數(shù)據(jù)，構(gòu)成實驗數(shù)據(jù)集。確保捕撈作業(yè)行為與非捕撈作業(yè)行為船位數(shù)據(jù)各占50%，使訓練樣本平衡。取實驗數(shù)據(jù)集中約1／5作為測試集，由此獲得模型訓練數(shù)據(jù)49 912條，及內(nèi)部測試數(shù)據(jù)10 450條。通過五折交叉選取最優(yōu)超參數(shù)，確定學習率為0.01，弱分類器數(shù)量200個，每個分類器隨機采樣比例0.8，采樣列數(shù)比0.8，γ和λ采用默認值1和0。完成模型訓練后，采用114 734條船位數(shù)據(jù)進行外部驗證，同時選取極限學習機［27］和隨機森林［28］與XGBoost進行比較，測試算法的泛化能力。

1.6 評價指標

為了評價基于XGBoost的拖網(wǎng)漁船捕撈作業(yè)行為識別模型的性能，本研究選取4個評價指標［29-30］，分別是特異性（Specificity，SP）、敏感性（Sensitivity，SN）、準確率（Accuracy，ACC）和馬修斯相關(guān)系數(shù)（Matthews correlation coefficient，MCC），指標定義如下：

式（11）～式（14）中，TP表示真正例數(shù)，即捕撈狀態(tài)被正確識別的樣本數(shù)；TN表示真負例數(shù)，即非捕撈狀態(tài)被正確識別的樣本數(shù)；FP表示假正例數(shù)，即非捕撈狀態(tài)被識別為捕撈狀態(tài)的樣本數(shù)；FN表示假負例數(shù)，即捕撈狀態(tài)被識別為非捕撈狀態(tài)的樣本數(shù)。

1.7 捕撈努力量

依據(jù)聯(lián)合國糧農(nóng)組織的計算方法，捕撈努力量可由發(fā)動機功率和捕撈作業(yè)天數(shù)（kW·d）表達［5，31］。本研究中捕撈努力量的計算方法參考了文獻［5］及［32］，時間精確到小時，捕撈努力量單位為（kW·h）。漁船i處于出?；顒訝顟B(tài)時，假定研究區(qū)域可分為S個網(wǎng)格，則研究區(qū)域內(nèi)捕撈努力量計算公式為：

式（15）中，m表示一個網(wǎng)格內(nèi)某個漁船軌跡位置；Ti，m和Ti，m-1是漁船i行船過程中的前后2點連續(xù)軌跡的時間；Wi為漁船功率；Pi，m表示Ti，m時刻漁船i在位置m處的作業(yè)狀態(tài)；N表示漁船i在網(wǎng)格內(nèi)作業(yè)位置總數(shù)；I表示第s個網(wǎng)格內(nèi)漁船總數(shù)；S表示網(wǎng)格總數(shù)；E表示研究區(qū)域內(nèi)總漁船捕撈努力量。

將遼寧省拖網(wǎng)漁船船位數(shù)據(jù)輸入訓練好的捕撈作業(yè)識別模型中，獲取捕撈作業(yè)行為判定結(jié)果。將渤海及黃海北部37°N以北區(qū)域按×劃分網(wǎng)格，依照公式（15）計算捕撈努力量，統(tǒng)計網(wǎng)格中所有遼寧省拖網(wǎng)漁船在2021年1月1日0時至2021年12月31日24時的捕撈努力量，在ArcGIS中繪制捕撈努力量熱力圖。

2 結(jié)果與分析

2.1 基于XGBoost的拖網(wǎng)漁船捕撈作業(yè)行為識別算法結(jié)果

訓練數(shù)據(jù)用5條船的船位數(shù)據(jù)共計60 362條，隨機分配訓練和內(nèi)部測試集，用于評估模型的擬合程度。由49 912條數(shù)據(jù)訓練XGBoost分類器，五折交叉訓練平均準確率為96.60%。在10 450的內(nèi)部測試集中，包含捕撈作業(yè)行為數(shù)據(jù)6140條，正確識別5 962個，測試集敏感性為97.10%；包含非捕撈作業(yè)行為4 310個，正確識別4 135個，測試集特異性為95.94%，整個內(nèi)部測試集準確率為96.62%。由內(nèi)部測試結(jié)果可知，模型能夠較好地擬合捕撈作業(yè)行為數(shù)據(jù)特征。

為了進一步評估模型對新樣本的適應能力，即泛化能力，本研究將標注的剩余7條船包含114 734條數(shù)據(jù)用作外部驗證集，該測試集包含36 580條捕撈作業(yè)行為數(shù)據(jù)和78 154條非捕撈作業(yè)行為數(shù)據(jù)。在相同的訓練集上，利用網(wǎng)格搜索訓練了極限學習機和隨機森林模型，計算其準確率、馬修斯相關(guān)系數(shù)、靈敏性及特異性。測試對比結(jié)果如表1所示。

表1 拖網(wǎng)漁船捕撈作業(yè)行為識別模型的外部測試結(jié)果Tab.1 External validation results of traw ler fishing behavior recognition algorithm s

通過外部驗證結(jié)果可以發(fā)現(xiàn)，相較于極限學習機和隨機森林算法，XGBoost的準確率高出1.12和0.09個百分點，敏感性高出12.23和9.38個百分點。與隨機森林和XGBoost相比，極限學習機在特異性方面表現(xiàn)更好，分別高出0.22和4.92個百分點。然而從捕撈作業(yè)行為和非捕撈作業(yè)行為整體識別結(jié)果來看，為了綜合考慮實際樣本與預測樣本之間的相關(guān)性，馬修斯相關(guān)系數(shù)是二分類問題的最佳度量指標。XGBoost的馬修斯相關(guān)系數(shù)比極限學習機和隨機森林高2.18和0.22個百分點，這表明在拖網(wǎng)漁船捕撈作業(yè)行為分類問題上，XGBoost的性能相對更好，泛化能力也更強。

為了分析XGBoost對外部測試集的捕撈和非捕撈作業(yè)行為的具體識別性能，統(tǒng)計了兩種行為的預測結(jié)果如表2所示。

表2 基于XGBoost的拖網(wǎng)漁船捕撈作業(yè)行為分類條數(shù)混淆矩陣Tab.2 Confusion table of traw ler fishing behavior recognition based on XGBoost

通過表2的統(tǒng)計數(shù)據(jù)和表1的特異性和敏感性都可以看出，模型對捕撈作業(yè)行為的識別效果明顯好于非捕撈作業(yè)行為。主要考慮與數(shù)據(jù)體量和多樣性相關(guān)，由于數(shù)據(jù)規(guī)模龐大，本文隨機選擇5條標注好的漁船。

總體分析內(nèi)部測試和外部驗證的結(jié)果可看出，基于XGBoost的拖網(wǎng)漁船捕撈作業(yè)行為識別模型的準確率、敏感性、特異性和馬修斯相關(guān)系數(shù)都優(yōu)于其他算法，且通過外部測試驗證了模型具有較好的泛化能力，因此模型得出的分類結(jié)果可以用于后續(xù)捕撈努力量評估。

2.2 遼寧省拖網(wǎng)漁船捕撈努力量計算結(jié)果

根據(jù)XGBoost模型識別結(jié)果，統(tǒng)計遼寧省拖網(wǎng)漁船2021年1月1日0時至2021年12月31日24時在渤海及黃海北部的捕撈努力量（單位：kW·h）分布，如圖3所示。

由計算結(jié)果可知，2021年遼寧省拖網(wǎng)漁船全年在渤海及黃海北部海域內(nèi)捕撈努力量數(shù)值總計約5 327.27×104kW·h，大部分位于遼東灣漁場、石島漁場及萊州灣漁場，尤其集中在海洋島漁場、煙威漁場海域。捕撈努力量密集區(qū)分別位于2處：①38°00′～39°22′N、120°07′～124°00′E，即海洋島漁場、遼東灣漁場南部和煙威漁場北部海域，區(qū)域內(nèi)累計捕撈努力量約為4 341.74×104kW·h，最高網(wǎng)格內(nèi)捕撈努力量累計約103.09×104kW·h，位于海洋島漁場內(nèi)；②37°00′～38°00′N、121°53′～124°00′E，即煙威漁場東部和石島漁場東北部海域，區(qū)域內(nèi)累計捕撈努力量約為903.28×104kW·h，最高網(wǎng)格內(nèi)捕撈努力量累計約60.55×104kW·h。

為了分析捕撈努力量的時空分布特征，本研究按月統(tǒng)計了遼寧拖網(wǎng)漁船在渤海及黃海北部區(qū)域內(nèi)的累計捕撈努力量，圖4為非禁漁期的8個月中每個月的捕撈努力量熱力分布圖。

圖4 遼寧省拖網(wǎng)漁船捕撈努力量熱度按月分布圖（黃渤海區(qū)）Fig.4 M onthly distribution of fishing fever of traw ler in Liaoning Province（the Bohai Sea and the Yellow Sea）

由圖4可知，遼寧省拖網(wǎng)漁船在2021年1月渤海及黃海北部區(qū)域內(nèi)的捕撈努力量主要集中在38°13′～39°13′N、120°30′～123°47′E，主要為海洋島漁場南部、遼東灣漁場東南部、萊州灣漁場東北部及煙威漁場北部海域。2月由于春節(jié)因素總體捕撈努力量減少，主要集中在38°14′～39°00′N、120°30′～123°30′E海域。

3月后捕撈努力量增加，主要集中在2個區(qū)域：①38°07′～39°06′N、120°30′～123°07′E，主要為海洋島漁場南部、煙威漁場北部和遼東灣漁場東南部近海岸和萊州灣漁場東北部海域；②37°00′～38°00′N、123°22′～124°00′E，主要為煙威漁場和石島漁場。4月相比3月在區(qū)域①附近海域捕撈努力量增加幅度大，主要集中在38°07′～39°22′N、121°00′～123°52′E近海岸區(qū)域，分布在遼東灣漁場、海洋島漁場和煙威漁場。

9月禁漁期結(jié)束后捕撈努力量集中分布在37°45′～39°30′N、120°07′～124°00′E，主要包含遼東灣漁場、煙威漁場和海洋島漁場。10、11月捕撈努力量大幅增加，主要分布在2個區(qū)域：①38°00′～39°30′N、120°07′～124°00′E近海岸區(qū)域捕撈努力量累計最高；②37°00′～38°00′N、123°37′～124°00′E，主要為煙威漁場和石島漁場。12月捕撈努力量累積量比10、11月分布相對集中，主要集中在海洋島漁場和煙威漁場。

3 討論

捕撈努力量估計精度取決于漁船捕撈作業(yè)狀態(tài)識別準確率。捕撈作業(yè)行為受海上船只運動模式和漁民捕撈習慣等多方面因素影響［32］，僅以單一特征對其描述會造成誤判，致使捕撈努力量誤差高，影響漁業(yè)管理政策制定。

XGBoost在分類問題上具有良好的性能和計算效率［24］。本文采用XGBoost構(gòu)建拖網(wǎng)漁船捕撈作業(yè)行為分類模型，內(nèi)部和外部驗證的準確率均超過96%，馬修斯相關(guān)系數(shù)達0.923 4。根據(jù)SOUZA等［21］描述的拖網(wǎng)作業(yè)速度閾值，本文以2.5～5.5 kn航速對測試數(shù)據(jù)進行閾值分類，實驗準確率為92.84%，遠低于XGBoost算法結(jié)果。結(jié)果證實，在捕撈作業(yè)行為識別任務中，非線性模型相對簡單的閾值分類能更準確地描述特征與捕撈作業(yè)行為的關(guān)系。為比較XGBoost與其他經(jīng)典機器學習算法的結(jié)果，本文復現(xiàn)了BEHIVOKE等［22］采用的RF算法，實驗結(jié)果表明，XGBoost的準確率和馬修斯相關(guān)系數(shù)略高于RF算法。事實上，XGBoost適用于結(jié)構(gòu)化數(shù)據(jù)，減少了模型偏差，且XGBoost在GBDT基礎上加入RF的列采樣思想，進一步避免了過擬合。實驗結(jié)果也證實，在處理捕撈作業(yè)行為識別任務方面，XGBoost的boosting串行算法比RF的bagging并行機制更加適用。除此之外，本文實現(xiàn)了一種基于前饋神經(jīng)網(wǎng)絡ELM的捕撈作業(yè)行為識別模型，實驗準確率為95.35%，低于XGBoost。實驗過程中觀察到ELM的實驗結(jié)果不穩(wěn)定，隱含層參數(shù)的隨機初始化結(jié)果對準確率存在很大影響，本文給出的ELM結(jié)果為網(wǎng)格搜索過程中最優(yōu)模型的測試結(jié)果，與ELM相比，XGBoost的捕撈特征學習性能更具穩(wěn)定性。本文構(gòu)建的拖網(wǎng)漁船作業(yè)行為識別模型具有良好的泛化能力，能夠為捕撈努力量計算提供有效的數(shù)據(jù)支撐。

我國海域內(nèi)拖網(wǎng)漁船作業(yè)具有較強的空間特性，本文構(gòu)建的漁船作業(yè)特征向量在現(xiàn)有研究的基礎上增加了船到海岸線實時距離，在輸入的特征參量上補充了漁船行駛的空間信息。為證實本文新增的特征對提高模型準確率有效，實驗分別用包含和非包含到岸距離的特征訓練XGBoost算法并測試。結(jié)果表明，新增到岸距離后模型準確率提高約0.3%。證實了本文增加的空間關(guān)系信息可以提高捕撈作業(yè)行為識別模型的準確率。

為了評估實驗誤差，本文選取4條標注漁船進行捕撈努力量計算。標定捕撈努力量共計3.74×104kW·h，經(jīng)本文算法計算，捕撈努力量共計4.36×104kW·h，平均絕對誤差（MAE）為0.100 9 kW·h，均方根誤差（RMSE）為0.985 1 kW·h。造成誤差的原因可能有兩個：1）不同拖網(wǎng)漁船作業(yè)航速不同，通過對拖網(wǎng)捕撈船行駛過程中速度的觀察分析，發(fā)現(xiàn)部分拖網(wǎng)船作業(yè)時速度偏高，部分拖網(wǎng)船速度較低。2）不同漁船作業(yè)漁場不同，多數(shù)漁船選擇較遠漁場捕撈作業(yè)，也有部分漁船選擇近岸漁場。

為進一步提高捕撈作業(yè)行為識別模型的準確率，減小捕撈努力量誤差，可以從特征優(yōu)化、超參設置和擴大數(shù)據(jù)規(guī)模3個角度考慮。在特征優(yōu)化方面，本文雖補充了到岸距離作為空間信息，但漁船作業(yè)具有更多空間特性，未來可以通過提取有效的船與船間的空間信息作為特征參數(shù)，提高模型準確率。在超參數(shù)設置優(yōu)化方面，本文采用交叉驗證和網(wǎng)格搜索的方法確定模型的超參數(shù)，相關(guān)文獻有采用灰狼優(yōu)化算法（GWO）［33］和果蠅優(yōu)化算法（FOA）［34］等啟發(fā)式算法優(yōu)化超參數(shù)選擇，未來可以選取合適的啟發(fā)式算法優(yōu)化XGBoost的超參數(shù)選擇，提高模型準確率。另外由于船位數(shù)據(jù)標注的工作量非常大，本文選取的拖網(wǎng)漁船數(shù)據(jù)量有限，為后續(xù)優(yōu)化模型，可以擴充數(shù)據(jù)量進一步提高模型性能。