基于深度学习和典型相关分析的渔情预测方法

袁红春，刘慧，张硕，陈冠奇

(1.上海海洋大学 信息学院，上海 201306; 2.农业农村部渔业信息重点实验室，上海 201306)

长鳍金枪鱼Thunnusalalonga作为南太平洋延绳钓的主要鱼种，在远洋渔业中具有较大开发潜力。近20年来，在南太平洋海域长鳍金枪鱼的渔获量和捕捞努力量呈逐年增长之势，目前，长鳍金枪鱼已成为南太平洋金枪鱼延绳钓渔业的主要捕捞对象之一[1]，精准预报南太平洋长鳍金枪鱼中心渔场能够合理分配有限的捕捞努力量，降低渔场探查时间和捕捞作业成本，促进中国远洋渔业作业的科学化和智能化。

在传统的渔场预报模型中，国内外学者通常采用统计学方法和GIS技术对渔场渔情进行分析和预估。近年来，一些学者构建了多种系统性预测模型进行渔场预报，如Raman等[2]采用ARIMA(auto regressive integrated moving average)模型，结合3个外部理化因子构建了SARIMAX预测模型。高峰[3]以东、黄海鲐鱼Scomberjaponicus为例，提出了基于提升回归树的渔场预报模型。崔雪森等[4]通过朴素贝叶斯方法对西北太平洋柔鱼Ommastrephesbartramii渔场进行回归预测。宋利明等[5]利用库克群岛海域不同水层环境中影响因子的差异性，通过支持向量机分析测算了长鳍金枪鱼栖息地环境综合指数。然而，由于高维海洋大数据具有海量性、多样性和快速流转性，以上方法在对其数据预处理和样本组织时往往流程较为复杂繁琐，不易操作，人为因素对结果影响较大。如当训练样本量大时，支持向量机算法效率低下甚至难以实施，提升回归树算法容易出现过拟合问题，而朴素贝叶斯方法需要特征条件独立，在使用该方法前要进行独立成分分析，过程繁琐。……