基于夜光遥感的黄东海渔业监测及其时空动态研究

The fishery forecasting and distribution researches based on remote sensing technology have drawn much attention during implementing national marine strategy. This project makes use of the relationship between nighttime light remote sensing imagery and fishing light to monitor marine fishery activities. Following the guidance of “Fish ship detection – Change information detection – Process monitoring - Fishery forecasting”, we aim to propose new marine fishery monitoring methods via nighttime lights. In addition, this project will focus on practical applications in the Yellow and East Seas..On the technical level, we build optimal feature sets of fishing ships by using group sparse model, and marine fishing ships can be detected efficiently. At the same time, we study the change information of fishing ships based on deep PCA convolutional network, and then the spatial dynamics of fishing ship distribution can be accurately detected. Furthermore, we study the spatial-temporal multiple index model for fishery forecasting..On the application level, we study the spatial pattern and evolution process of the Yellow and East Seas. The project can provide references for optimizing the fishery patterns. In addition, the achievements of this project can provide support to the sustainable development of marine fishery.

海洋渔业监测及其时空动态规律是国家在实施海洋战略过程中亟待解决的重要科学问题。本项目基于夜光遥感技术和GIS空间分析方法，以“海洋渔船检测-变化信息提取-时空过程分析-海洋渔情预测”为主线，发展适用于新型夜光遥感影像的海洋渔业监测新方法，并在黄东海水域开展应用研究。在技术层面，研究基于组稀疏的海洋渔船特征子集构建方法，快速检测海洋渔船分布信息；研究基于深度PCA网络的海洋渔船变化信息提取方法，准确提取海洋渔船动态信息；发展基于时空多指标模型的渔场预测方法，及时预测海洋渔情信息。在应用层面，重建黄东海水域近20年渔业时空信息，认识和理解其空间格局、演变过程及发展趋势，为促进海洋渔业格局优化与可持续发展提供有力的决策支持。

海洋渔业监测及其时空动态规律是国家在实施海洋战略过程中亟待解决的重要科学问题。本项目基于夜光遥感技术和GIS空间分析方法，以“海洋渔船检测-变化信息提取-时空过程分析-海洋渔情预测”为主线，发展适用于新型夜光遥感影像的海洋渔业监测新方法，并在黄东海水域开展应用研究。本项目主要完成了如下四方面的研究工作：..（1）基于多特征组稀疏的渔船快速检测方法.本项目提出使用目标在频率域上的显著性快速得到渔船的潜在区域， 然后使用组稀疏方法选择对目标描述最为有效的特征， 最后使用偏最小二乘法构建对于目标描述最为有效的特征子集，准确高效的剔除虚警，检测出海洋中的渔船。..（2）基于深度PCA网络的渔船变化信息提取方法.本项目首先使用Gabor对图像进行预分类，然后把粗分类结果做为训练样本输入深度PCA网络，进而得到准确的海洋渔船分布变化信息。通过利用PCA对原始数据进行处理，可以通过多层卷积，实现变化区域的精细分类。..（3）基于卷积小波神经网络的渔船变化信息提取方法.本项目将离散小波变换引入卷积神经网络，在池化中把输入的特征图分解为8个成分（包含2个低频成分，和6个高频成分），在后续操作中，使用低频成分的平均值来取代池化层的输入。经过这样的操作，可以显著滤除图像中的噪声，显著提高变化分析的准确率。..（4）基于深度级联融合网络的渔船变化信息提取方法.为了有效缓解梯度爆炸问题，本项目使用多层次特征融合与残差学习来改善学习效率，同时，建立了一个有效的通道级注意力机制模块，强调重要的信息，抑制无效的信息，有效缓解特征冗余问题。通过上述手段，可以有效提高变化信息分析的准确率。