一种基于船位数据获取张网网位和捕捞努力量的方法与流程

本发明涉及渔船船位数据应用
技术领域：
，特别是涉及一种基于船位数据获取张网网位和捕捞努力量的方法。
背景技术：
：渔船监测系统(vms，vesselmonitoringsystem)能够提供渔船时间、位置和动态信息，目前我国渔船安装船舶自动识别设备(ais)近5万艘、北斗卫星船位监控近5万艘，cdma公众移动通讯设备11万艘，初步实现对海洋渔船船位的实时联络及跟踪监控。国际上研究现有渔船监测位置分析渔船捕捞状态，其方法可以概括为三种：(1)通过分析船速的变化判断捕捞状态；(2)通过分析轨迹变化判断捕捞状态；(3)通过分析船速、航向等特征数据组成向量判断捕捞状态。由于北斗卫星传送的经纬度船位数据的时间分辨率为3分钟记录一次，空间分辨率约为10米，时空精度高，实时性强。已有的方法不适用于高时间分辨率的北斗卫星的船位数据分析，目前没有专门针对北斗卫星的渔船作业网次位置的判断方法。需要找到针对特定网具的计算方法，用来判断基于高时间分辨率的北斗船位数据的渔船作业网位并计算捕捞努力量。技术实现要素：本发明所要解决的技术问题是提供一种基于船位数据获取张网网位和捕捞努力量的方法，能够适用于从北斗船位数据中提取张网渔船每航次作业网位坐标和捕捞努力量。本发明解决其技术问题所采用的技术方案是：提供一种基于船位数据获取张网网位和捕捞努力量的方法，包括以下步骤：(1)将已标记作业状态的完整的作业航次的船位点数据进行预处理，提取每个船位点的速度、偏角、时间顺序上相邻船位点的距离的特征作为训练集，输入到bp神经网络中进行训练；(2)将陌生渔船的完整航次的每个船位点数据采用与步骤(1)相同的方式进行预处理，输入到已训练好的bp神经网络中，通过bp神经网络判断每个船位点可能的作业状态；(3)从经过筛选后的行驶状态和收网具状态的船位点中，确定张网渔船放网的开始时间、结束时间和网位坐标，计算每幅张网网具的放网时长和捕捞努力量，统计航次中全部网次的捕捞努力量获得该航次的累计捕捞努力量。所述步骤(1)中已标记的作业状态包括行驶状态、布网状态、收渔获状态、收网具状态和抛锚状态。所述步骤(1)中的预处理具体为：统计并计算每个船位点的前后速度变化和速度变化率、行驶偏转角和向量偏转角变化、时间顺序上相邻船位点之间的距离和距离变化率。所述步骤(1)中的bp神经网络包括输入层、隐含层和输出层，其中，输入层的神经元至隐含层的神经元的计算方式为隐含层的神经元至输出层的神经元的计算方式为φ1和φ2为神经网络激活函数，均为tanh函数，xi为输入层的神经元，hj为隐含层的神经元，wij为输入层第i个神经元与隐含层第j个神经元之间的权值，gjk为隐含层第j个神经元与输出层第k个神经元之间的权值，l为输入层神经元的个数，m为隐含层神经元的个数，bj与均为偏差。所述步骤(2)和步骤(3)中包括以下步骤：设置时间顺序上相邻船位点之间的距离和向量偏转角的阈值，在bp神经网络已判断作业状态的船位点中提取行驶状态和收网具状态的船位点，并根据设置的阈值过滤神经网络判断错误的船位点；所述向量偏转角是在时间顺序上相邻的三个船位点ni-1、ni和ni+1形成的向量和之间的夹角。所述步骤(3)中以航次中最后一个连续行驶状态的船位点记录时间作为放网开始时间，以每网次第一个收网具状态的船位点坐标作为该网次的网位坐标，并以该船位点记录时间作为该网次的放网结束时间。所述步骤(3)中以各网次的放网结束时间减放网开始时间，获得各网次的放网时长，并于该网具网口迎流面积相乘获得各网次的捕捞努力量，累计各网次的捕捞努力量获得张网渔船该航次的捕捞努力量。有益效果由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明通过bp神经网络自主学习训练人工标记的部分航次不同作业状态的船位点特征，用于判断陌生航次的船位点的作业状态，通过阈值筛选的方式过滤神经网络判断状态错误的船位点，在通过筛选的船位点中确定每个航次的网位坐标并计算该航次的捕捞努力量。附图说明图1a是张网船155某日作业中各船位点速度和速度变化率的特征变化图；图1b是张网船155某日作业中各船位点航向偏转角的特征变化图；图1c是张网船155某日作业中各船位点向量偏转角的特征变化图；图1d是张网船155某日作业中各船位点距离等特征变化图；图2是船位数据预处理方法示意图；图3是bp神经网络拓扑结构示意图；图4是隐含层神经元个数与均方误差关系图。具体实施方式下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。本发明的实施方式涉及一种基于船位数据获取张网网位和捕捞努力量的方法，包括以下步骤：将已标记作业状态的完整的作业航次的船位点数据进行预处理，提取每个船位点的速度、偏角、时间顺序上相邻船位点的距离的特征作为训练集，输入到bp神经网络中进行训练；将陌生渔船的完整航次的每个船位点数据采用上述相同的方式进行预处理，输入到已训练好的bp神经网络中，通过bp神经网络判断每个船位点可能的作业状态；从经过筛选后的行驶状态和收网具状态的船位点中，确定张网渔船放网的开始时间、结束时间和网位坐标，计算每幅张网网具的放网时长和捕捞努力量，统计航次中全部网次的捕捞努力量获得该航次的累计捕捞努力量。下面以具体的实施案例进一步说明本发明。每航次作业时，张网渔船航行至目标渔场后随即开始布网工作，以渔船抵达目标海域结束长时间行驶状态的最后一个船位点记录时间作为放网开始时间；渔船收网具作业时，首先捞起固定于水底的网锚，该阶段以近乎垂直的方式打捞网锚，以渔船各网次收网具状态的第一个船位点坐标作为该网次的网位坐标，以该船位点的记录时间，作为该网次的放网截至时间。各网次的放网截止时间与放网开始时间相减，计算出各网次的放网时长，各网次放网时长与该网具的网口迎流面积相乘获得该网次捕捞努力量，统计该航次各网次的捕捞努力量，即为该航次累计捕捞努力量。浙江省某张网渔船(以下称“张网船155”)，2016年12月～2017年3月有5个连续航次。每个航次的作业过程可划分为行驶、布网、收渔获、收网具、抛锚等5个状态。从5个航次中，随机选出4个航次的船位数据，根据人工经验标记每个船位点的作业状态，将以选出的航次数据进行预处理，以放大每个船位点的特征，将预处理的航次数据作为训练集数据输入到bp神经网络中，对照以标记的状态训练神经网络模型。将剩余的一个航次数据进行与训练集数据相同处理方法的数据预处理，并输入到已训练好的神经网络中进行判断，通过阈值筛选作业开始的船位点和各网次的网位点坐标并记录时间，计算各网次的捕捞时长和捕捞努力量，并统计该航次的捕捞努力量。1.张网作业特点分析张网渔船每个航次的捕捞努力量与该航次作业的网次数，每副网具网口迎流面积和每副网具的放网时间直接相关。张网渔船作业方式较为特殊，每艘渔船通常搭载5～10副网具，其作业原理是利用浮、沉子作为网具网口的垂直扩展装置，在海水潮流的作用下伸展全网，同时利用海水潮流迫使捕捞对象进入网中。所以张网渔船每个航次作业均在海洋大潮汐期间进行(农历每月初一至初五或十六至二十)。因此张网渔船捕捞努力量也与海水潮流的流速有间接关系，但海水潮流方向和速度大小具有不确定性，指标难以量化，不纳入捕捞努力量考虑范围。张网渔船每个航次作业开始时，从渔港航行至目标渔场；到达渔场后，随即进行布网工作，先后释放网具的网锚、网身完成布网工作；通常每12小时对网身末端网囊进行一次起网，将渔获打捞至船舱后把网囊重新沉入水中，渔船抛锚等待渔获入网；多日捕捞工作结束后回收网具，先后收回网锚、网口和网身；回收网具工作完成后，随即返回渔港，整个航次作业结束，共有行驶、布网、收渔获、收网具、抛锚五种作业状态。张网网具的特点是网锚沉于水底静止不动，网口和网身随海水潮流飘荡，依靠海水潮流压力，迫使鱼类进入网中。因此，以每副张网的网锚坐标作为每副网具的网位坐标较为合理。张网渔船抵达渔场后随即开始布网工作，以渔船结束长时间行驶状态后的第一个船位点作为放网开始时间，并记录该点坐标。张网渔船收网具工作时，先打捞网锚，此时渔船基本以垂直姿态进行打捞，以收网具状态的第一个船位点坐标来表示网锚位置，且该时刻渔船已停止该网具的捕捞作业，可作为该网具的放网截至时间。考虑到渔船作业的随机性(同一航次可能先后在多地开展捕捞作业，导致收网作业次数大于渔船搭载网具数量)，但由于同一航次异地作业海域相距较远(通常20nmi以上)，在渔船航行到下一个目标渔场时，同样可以记录到一个新的捕捞作业开始时间和坐标。计算每副网的放网时长时，选择距离该网位坐标最近的作业开始船位点，将网位坐标记录的时间与作业开始时间相减，即可获得每副网的放网时长，每副网具的放网时长与该网具的网口迎流面积的乘积即为该网次的捕捞努力量，统计整个每个网次的捕捞努力量，计算得到该航次的累计捕捞努力量。2.张网渔船作业状态划分张网渔船根据作业环节的不同，可划分为5种状态，随机分析张网船155于2017年某日的船位数据为例：往返于渔场与渔港之间和捕捞作业时巡航于各网具之间的行驶状态(如图1a-1d中13:34～19:53时段)；抵达目标渔场后进行的布网状态(如图1a-1d中19:54～23:34时段)；打捞网囊的进行捕捞工作的收渔获状态(如图1a-1d中5:16～6:32时段)；每航次结束前的收网具状态(如图1a-1d中6:34～13:32时段)；等待渔获入网的抛锚状态(如图1a-1d中0:00～5:15时段)。其中，图1a为渔船各作业状态速度与速度变化率的变化曲线，图1b为各渔船状态航向偏转角变化曲线，图1c为渔船各状态的向量偏转角变化曲线，图1d为渔船各状态的在时间顺序上相邻船位点距离和距离变化率的变化曲线。航速变化范围为0～6m/s；航向随机性大，变化范围为0～360°，渔船长时间静置时航向为0°，航向偏转角是除首个船位点外，任意船位点航向与前一个船位点航向之差的绝对值，变化范围为0°～360°；向量偏转角为除首尾两个船位点外的任意船位点与前后两个船位点形成向量夹角，变化范围为-180°～180°；相邻距离为除首个船位点外，从任意船位点到其时间顺序上相邻的前一个船位点之间平均每分钟移动距离多为0～400米。不同作业状态的航速、航向偏转角、向量偏转角和相邻距离变化有不同特征，相同作业状态具有相似性。渔船航向偏转角以正东方向为0°，以顺时针方向旋转为正方向；向量偏转角以向逆时针偏转为正，向顺时针偏转为负。图1a-1d表明了渔船作业时不同状态的特征差异。当渔船处于行驶状态时，其航速多为2.5～6m/s，航速变化率多为-0.04～0.04；航向偏转角多为-10°～10°；向量偏转角多为0°～10°；平均每分钟移动距离多为200～360m，平均每分钟移动距离变化率多为0～2。当渔船处于布网状态时，其航速多为0～2m/s，航速随时间的变化率多为-0.96～0.14；航向偏转角为0°～342°；向量偏转角为-179°～177°；平均每分钟移动距离多为0.5～50m，平均每分钟移动距离变化率多为0～15，少数极端情况下平均每分钟移动距离变化率可高达45～65。当渔船处于收渔获状态时，其航速为多0～2.5m/s，航速随时间变化率多为-0.8～0.7；航向偏转角多为0°～346°；向量偏转角多为-177°～175°；平均每分钟移动距离多为5～50m，平均每分钟移动距离变化率多为0.3～5。当渔船处于收网具状态时，其航速多为0～3m/s，速度变化率多为-0.84～0.37，航向偏转角多为0°～300°；向量偏转角多为-90°～90°；平均每分钟移动距离多为5～120m，平均每分钟移动距离变化率多为0.01～6。当渔船处于抛锚状态时，其航速多为0m/s，航速变化率多为-0.38～0.5；航向偏转角多为0°；向量偏转角多为-180°～180°；平均每分钟移动距离多为0～10m，平均每分钟移动距离变化率多为0～3。由此可根据渔船多种特征来判断渔船作业状态。3.张网渔船船位数据预处理张网船在2016年12月～2017年3月连续的5个航次，共28770条vms数据，把这些数据作为分析和处理的数据集，人工给每个船位点添加状态标记，用于训练和测试神经网络。北斗vms数据主要包含渔船经纬度坐标、时间、航速、航向等信息，数据输入神经网络训练和测试前，需要进行预处理，以放大每个船位点的数据特征，图2为部分数据预处理方法示意图。图2中，ni-2、ni-1、ni、ni+1、ni+2点位是北斗vms数据中按时间顺序排列的连续的5个船位坐标点。以ni点为例，需要分别计算ni与ni-2、ni-1、ni+1、ni+2四点之间的欧拉距离(式1)和nini+1距离相对nini-1距离变化率(式2)；ni-1点到ni点、ni点到ni+1点的航向偏转角(式3)和与与与之间的向量夹角(式4)，若相邻向量呈逆时针方向偏转，则记为向量正偏转角，若相邻向量呈顺时针方向偏转，则记为向量负偏转角；ni点航速相对ni-1点航速变化率、ni点航速相对ni+1点航速变化率(式5)。并于ni-1点、ni点、ni+1点处的航速共同构成ni点的15个特征属性。(xn,yn)与(xm,ym)分别为相邻两船位点nn和nm的经纬度坐标，其中，x代表经度，y代表纬度，r为地球半径，以6371公里代入计算，距离单位为米。lnn+1为船位点nn与船位点nn+1之间的距离，lnn-1为船位点nn与船位点nn-1之间的距离。hn为船位点nn处的航向，为相邻船位点nn和nn-1航向差的绝对值。若相对顺时针偏转小于180°，则θ取正值；若相对逆时针偏转小于180°，则θ取负值。其中，vn+1与vn分别为船位点nn与nn+1处的航速。4.神经网络模型构建bp神经网络目前已被已广泛应用于模式识别和信号处理等领域。本实施例中采用bp神经网络学习已标记作业状态的各船位点特征，自主判断陌生航次的船位点作业状态，其拓扑结构如图3所示。如图3所示，xi代表输入层神经元，其数据为训练集或测试集的输入数据，hj代表隐含层神经元，yk代表输出层神经元，wij代表输入层第i个神经元于隐含层第j个神经元之间的权值，gjk代表隐含层第j个神经元于输出层第k个神经元之间的权值。输入层神经元到隐含层神经元的计算表达式为式(6)，隐含层神经元到输出层神经元的计算表达式为式(7)。其中，bj与均为偏差，φ1和φ2均为神经网络的激活函数，本实施例中，根据输入层和输出层的数据特点，φ1和φ2均选用tanh函数，其表达式为式(8)。本实施例中，将每条vms数据中经纬度坐标、航速、航向等数据进行预处理，使每个船位点有15个属性，将每个船位点的15个属性数据，按北斗vms记录船位点的时间顺序，依次输入到神经网络输入层中。输出层为5个神经元，在训练时分别对应由人工标记的5种作业状态，用布尔类型标记，即目标状态为1，其余为0，其分类结果为行驶状态[1,0,0,0,0]；布网状态[0,1,0,0,0]；收渔获状态[0,0,1,0,0]；收网具状态[0,0,0,1,0]；抛锚状态[0,0,0,0,1]。bp神经网络不断训练学习中，输出结果与期望之间的误差不断改变，经过若干次迭代训练，每次迭代都根据神经网络设置的学习率对各神经元之间的权值进行一定程度的调整，最后输出误差达到预设范围或迭代次数达到预设值即停止训练。5.神经网络模型训练本实施例使用matlabr2014a作为实验平台，将预处理后的15维数据内部进行归一化处理，使每个船位点的特征数据的数值均控制在[-1,1]，调用matlab中神经网络工具箱建立网络网络模型，使用共轭梯度下降法进行训练，设置学习率为0.02，最大均方误差0.001。隐含层神经元个数以经验公式其中，h为bp神经网路中隐含层神经元个数，m为输入层神经元个数，n为输出层神经元个数，a为1～10之间整数为调节常数。在本实施例中，输入层神经元数为15，输出层神经元数位5，隐含层神经元个数最佳取值范围为5～15个。任意选择张网船155船5个航次中若干个航次的vms数据，并对数据进行预处理，输入到已搭建的bp神经网络中训练10次，保存每次训练均方误差，对10次均方误差取平均，选择平均均方误差最小的隐含层神经元个数作为本研究最终的bp神经网络模型。图4表示了bp神经网络输出结果的均方误差与隐含层神经元个数之间的关系直方图。当选择13个隐含层神经元时，10次训练的平均均方误差最小，因此确定隐含层神经元数量为13。6.网位坐标和计算放网时长获取张网渔船每航次作业过程中，先快速行驶至目标渔场，通常行驶时间为10～36小时。以渔船抵达渔场后的第一个船位点的记录时间作为放网开始时间，以渔船收网具状态的第一个船位点坐标作为该网次的网位坐标，并以该船位点的记录时间作为该网次的放网截至时间。将放网截至时间与开始时间相减，可计算每副网的放网时长时。每个网次的放网时长与该网次网具的网口迎流面积的向乘，获得该网次在该航次中的捕捞努力量，统计每航次中的所有网次的捕捞努力量，可得到该航次的累计捕捞努力量。本实施例以张网船155于2016年12月～2017年3月的5个航次共28770条vms数据作为分析数据集，记2016年12月9日～2016年12月19日为第一航次；记2016年12月28日～2017年1月3日为第二航次；记2017年1月9日～2017年1月17日为第三航次；记2017年2月11日～2017年2月17日为第四航次；记2017年2月24日～2017年3月4日为第五航次。使用人工标记每个船位点的状态，通过若干航次的vms数据训练bp神经网络，使bp神经网络具有较高的船位状态判断能力，抽取其中的行驶状态和收网具状态，采用阈值降噪的方法排除由于神经网络错误标记而产生的干扰，从而确定张网渔船每个航次作业的网位坐标并计算每副网具的放网时长，通过已记录的渔船搭载网具网口迎流面积大小，计算出该渔船每个网次的捕捞努力量，进而统计每个航次的渔船累计捕捞努力量。本实施例采用的阈值降噪方法具体为：设置时间顺序上相邻船位点之间的距离和向量偏转角的阈值，在bp神经网络已判断作业状态的船位点中提取行驶状态和收网具状态的船位点，并根据设置的阈值过滤神经网络判断错误的船位点。其中，所述向量偏转角是在时间顺序上相邻的三个船位点ni-1、ni和ni+1形成的向量和之间的夹角。将本实施例中采用不同训练集训练并搭建bp神经网络进行实验，并将神经网络提取出的测试集中每个航次作业的网位坐标、放网时长和累计捕捞努力量展示如下。表1～表4分别为张网船155第二航次、第三航次、第四航次、第五航次作业中的网位坐标和每副网的放网时长的统计。张网船155每个航次携带10副网具，每副网具的网口迎流面积为200m2，结合各航次中每副网具的放网时长，计算该网次的捕捞努力量和该航次累计捕捞努力量(m2h)。在4个航次的船位数据测试中，第二航次丢失一个网次数据，第三航次丢失两个网次数据，这是因为神经网络在这两个航次中的判断有一定失误，阈值降噪时将判断失误的船位点一并过滤，导致计算出的结果比实际情况少个别网次数据；第四航次和第五航次中，网次数大于该船实际搭载的网具数，是因为这两个航次都曾先后异地作业，导致网次数量较大。本实施例中，主要用到bp神经网络自主判断的行驶和收网具两种状态，表5为结合bp神经网络在第二、第三、第四、第五航次的状态判断中，航行状态和收网具状态的精确度混淆矩阵表，其中矩阵横向表示bp神经网络判断各个船位点的分类和正确分类所占比例；矩阵纵向表示各个状态的船位点的真实数量和bp神经网络分类结果与精确度。bp神经网络总体分类准确度由矩阵对角线上分类正确的船位点总数与测试集总体样本数之间的比值确定。bp神经网络在这4个航次中的判断准确度分别为89.83％、92.06％、91.88％和89.39％。表6为统计第二、第三、第四、第五个航次的累计捕捞努力量。表1第二航次作业网位、放网时长和捕捞努力量表2第三航次作业网位、放网时长和捕捞努力量表3第四航次作业网位、放网时长和捕捞努力量表4第五航次作业网位、放网时长和捕捞努力量表5神经网络判断第二、第三、第四、第五航次各状态的混淆矩阵表6第二、第三、第四、第五航次的捕捞努力量统计航次网次数累计捕捞时长(时)累计捕捞努力量(m2h)第二航次91126.89225378第三航次8799.51159902第四航次10931.13186226第五航次201592.743185487.张网网位和捕捞努力量获取方法分析本实施例使用bp神经网络模型，对人工判断标记的船位点状态进行学习，训练神经网络模型，使网络可以依据陌生船位点的特征判断其状态，并提取神经网络判断的行驶状态和收网具状态的船位点，通过阈值处理和筛选每个航次作业的网为坐标，并计算每个网次的放网时长，进而统计渔船各航次的累计捕捞努力量。在本实施例分析的4个航次中，作业时间最长的航次是2017年月24日～2017年3月4日，该航次作业时长200.57小时，累计放网时长1592.74小时，捕捞努力量318548，日均放网时长176.97小时，因为该航次作业中曾进行异地捕捞，导致作业网次较多，使该航次成为本研究分析的4个航次中捕捞努力量最大。2016年12月28日～2017年1月3日航次中，累计放网时长799.51小时，累计捕捞努力量115734，日均放网时长88.83小时，是4个航次中捕捞努力量最小的一个航次，由于该航次出海时间正处于东海寒潮期，海上风浪较大，渔船寻找合适的布网位置用了较长时间，但由于该船的续航能力和生活维持能力有限，不得不压缩该航次的捕捞时间，导致累计放网时长较短，进而影响捕捞努力量。不难发现，本发明利用北斗vms数据对传统作业方式中的张网渔船作业行为进行判断，并利用判断的结果提取渔船每航次的网位坐标并计算每副网的放网时长，从而量化统计渔船每个航次的捕捞努力量。当前第1页12