2025年4月6日 周日
首页 > 过刊浏览>2024年第33卷第6期 >1357-1368. DOI:10.12024/jsou.20231004323
PDF HTML阅读 XML下载 导出引用 引用提醒
基于机器学习的西南印度洋深海散射层声学资源密度预测
作者:
中图分类号:

S932.4

基金项目:

国家重点研发计划（2019YFD0901401）


Prediction on acoustic resource density of deep scattering layer of the southwestern Indian Ocean based on machine learning
Author:
  • WAN Shujie

    WAN Shujie

    College of Marine Living Resource Sciences and Management, Shanghai Ocean University, Shanghai 201306, China
    在期刊界中查找
    在百度中查找
    在本站中查找
  • CHEN Xinjun

    CHEN Xinjun

    College of Marine Living Resource Sciences and Management, Shanghai Ocean University, Shanghai 201306, China;Key Laboratory of Sustainable Exploitation of Oceanic Fisheries Resources, Ministry of Education, Shanghai 201306, China;National Engineering Research Center for Oceanic Fisheries, Shanghai 201306, China;Key Laboratory of Ocean Fisheries Exploitation, Ministry of Agriculture and Rural Affairs, Shanghai 201306, China
    在期刊界中查找
    在百度中查找
    在本站中查找
Fund Project:

National Key R&D Program of China

  • 摘要
    • | |
  • 访问统计
    • |
  • 参考文献 [46]
    • |
  • 相似文献 [20]
    • | | |
  • 文章评论
    摘要:

    预测大洋中深海散射层的资源丰度与分布，对指示海洋保护动物与重要渔场分布，开发散射层中的渔业资源等具有重要意义。本研究以海里面积散射系数（Nautical area scattering coefficient，NASC）作为散射层的资源密度指标，综合多个环境因子，利用K-means聚类和SSA-XGBoost模型，实现了对西南印度洋散射层资源密度的分类预测。结果表明，模型预测的准确率为80.51%，精确率为76%，召回率为78%，样本数据与预测数据的高密度区域空间分布相匹配，模型的应用效果较好。通过对2011年不同季节散射层密度的预测，发现散射层高密度区的重心由东南向西北方向移动，其中春季时期高密度区的重心的纬度最大，冬季时高密度区的重心的纬度最小，高密度区的重心点在东南-西北方向上的离散性大于东北-西南方向。本研究可为阐明散射层大尺度空间分布和资源变动规律提供新的方法。

    Abstract:

    Predicting the abundance and distribution of deep scattering layer is important to indicate the distribution of marine protected animals，important fishing grounds， and develop fishery resources into the scattering layer. This study used the Nautical Area Scattering Coefficient （NASC） as the resource density indicator of the scattering layer， and used K-means clustering and SSA-XGBoost model to predict the resource density of the scattering layer based on multiple environmental factors in the southwestern Indian Ocean. The results showed that the accuracy of the model prediction is 80.51%， the precision is 76%， and the recall is 78%. The sample data matches the high-density spatial distribution of the predicted data， and the application effect of the model is good. By predicting the density of the scattering layer in different seasons in 2011， it was found that the center of gravity in the high-density area of the scattering layer moved from southeast to northwest， with the latitude of the center of gravity being the largest in spring and the smallest in winter. The dispersion of the center of gravity in the southeast-northwest direction is greater than that in the northeast-southwest direction. This study can provide a new method for elucidating the distribution and resource variation patterns of scattering layers in larger spaces.

    参考文献
    [1] DUVALL G E， CHRISTENSEN R J. Stratification of sound scatterers in the ocean[J]. The Journal of the Acoustical Society of America， 1946， 18（s1）： 254.
    [2] GIORLIG， DRAZEN J C， NEUHEIMER A B， et al. Deep sea animal density and size estimated using a Dual-frequency IDentificationSONar （DIDSON） offshore the island of Hawaii[J]. Progress in Oceanography， 2018， 160： 155-166.
    [3] PRIOU P， NIKOLOPOULOS A， FLORES H， et al. Dense mesopelagic sound scattering layer and vertical segregation of pelagic organisms at the Arctic-Atlantic gateway during the midnight sun[J]. Progress in Oceanography， 2021， 196： 102611.
    [4] POLIS G A， ANDERSON W B， HOLT R D. Toward an integration of landscape and food web ecology： the dynamics of spatially subsidized food webs[J]. Annual Review of Ecology and Systematics， 1997， 28： 289-316.
    [5] KLEVJER T， MELLE W， KNUTSEN T， et al. Micronekton biomass distribution， improved estimates across four North Atlantic basins[J]. Deep Sea Research Part Ⅱ： Topical Studies in Oceanography， 2020， 180： 104691.
    [6] DAWIDOWICZ P， PIJANOWSKA J， CIECHOMSKI K. Vertical migration of Chaoborus larvae is induced by the presence of fish[J]. Limnology and Oceanography， 1990， 35（7）： 1631-1637.
    [7] ROE H S J. Observations on the diurnal vertical migrations of an oceanic animal community[J]. Marine Biology， 1974， 28（2）： 99-113.
    [8] KLOSER R J， RYAN T E， YOUNG J W， et al. Acoustic observations of micronekton fish on the scale of an ocean basin： potential and challenges[J]. ICES Journal of Marine Science， 2009， 66（6）： 998-1006.
    [9] 李玉昕， 杨颐华， 李志宽， 等. 南海深水散射层的实验研究[J]. 海洋学报， 1986， 8（1）： 107-110. LI Y X， YANG Y H， LI Z K， et al. Experimental study on the deep scattering layer in the South China Sea[J]. Acta Oceanologica Sinica， 1986， 8（1）： 107-110.
    [10] 裘辛方， 张仁和， 殷业. 黄海中部高频反向体积声散射的观察[J]. 声学技术， 1999， 18（2）： 50-53. QIU X F， ZHANG R H， YIN Y. Observations of high-frequency acoustic volume backscattering in the mid-Yellow Sea[J]. Technical Acoustics， 1999， 18（2）： 50-53.
    [11] 刘世刚， 汤勇， 陈国宝， 等. 南海深海声学散射层垂直分布和昼夜变化初步研究[J]. 海洋科学进展， 2015， 33（2）： 173-181. LIU S G， TANG Y， CHEN G B， et al. Vertical distribution and diurnal movement of the deep scattering layer inthe South China Sea[J]. Advances in Marine Science， 2015， 33（2）： 173-181.
    [12] 陈钊， 吕连港， 杨光兵， 等. 基于船载ADCP和LADCP观测的南海声散射层[J]. 海洋科学进展， 2016， 34（2）： 240-249. CHEN Z， LYU L G， YANG G B， et al. Research on sound scattering layer in the South China sea observed withship-board ADCP and LADCP[J]. Advances in Marine Science， 2016， 34（2）： 240-249.
    [13] 张超， 吕连港， 姜莹， 等. 基于多波束测深仪的西太平洋声散射层测量[J]. 海洋科学， 2018， 42（9）： 1-9. ZHAO C， LYU L G， JIANG Y， et al. Research on the sound-scattering layer in the Western Pacific observed witha multibeam sounding system[J]. Marine Sciences， 2018， 42（9）： 1-9.
    [14] 高爽， 杨光兵， 熊学军. 南海北部声散射季节变化[J]. 海岸工程， 2022， 41（2）： 144-152. GAO S， YANG G B， XIONG X J. Seasonal variation of sound scattering in the northern South China Sea[J]. Coastal Engineering， 2022， 41（2）： 144-152.
    [15] BERTRAND A， BARD F X， JOSSE E. Tuna food habits related to the micronekton distribution in French Polynesia[J]. Marine Biology， 2002， 140（5）： 1023-1037.
    [16] MOLINE M A， BENOIT-BIRD K， O’GORMAN D， et al. Integration of scientific echo sounders with an adaptable autonomous vehicle to extend our understanding of animals from the surface to the bathypelagic[J]. Journal of Atmospheric and Oceanic Technology， 2015， 32（11）： 2173-2186.
    [17] BÉHAGLE N， COTTÉ C， RYAN T E， et al. Acoustic micronektonic distribution is structured by macroscale oceanographic processes across 20-50°S latitudes in the South-Western Indian Ocean[J]. Deep Sea Research Part I： Oceanographic Research Papers， 2016， 110： 20-32.
    [18] CASCÃO I， DOMOKOS R， LAMMERS M O， et al. Seamount effects on the diel vertical migration and spatial structure of micronekton[J]. Progress in Oceanography， 2019， 175： 1-13.
    [19] BENOIT-BIRD K J， LAWSON G L. Ecological insights from pelagic habitats acquired using active acoustic techniques[J]. Annual Review of Marine Science， 2016， 8： 463-490.
    [20] 孙昭， 李云， 江毓武， 等. 基于Stacking机器学习模型的南海北部海温预报[J]. 海洋预报， 2023， 40（1）： 39-45. SUN Z， LI Y， JIANG Y W，et al. Sea temperature forecast in the northern South China Sea base on Stacking machine learning model[J]. Marine Forecasts， 2023， 40（1）： 39-45.
    [21] 孟鑫垚， 刘焱雄， 陈义兰， 等. 基于空间特征的机器学习模型浅海水深反演[J]. 海洋科学进展， 2023， 41（3）： 498-509. MENG X Y， LIU Y X， CHEN Y L， et al. Spatial feature-based machine learning model for shallow water depth retrieval[J]. Advances in Marine Science， 2023， 41（3）： 498-509.
    [22] 李璠， 何丛颖， 李毅， 等. 基于机器学习的浮标实时自动化赤潮预警研究[J]. 中国环境监测， 2023， 39（4）： 196-205. LI F， HE C Y， LI Y， et al. Research on real-time automatic red tide warning of bathing buoy based on machine learning[J]. Environmental Monitoring in China， 2023， 39（4）： 196-205.
    [23] 谭雨欣， 田义超， 黄卓梅， 等. 北部湾茅尾海无瓣海桑红树林地上生物量反演——基于XGBoost机器学习算法[J]. 生态学报， 2023， 43（11）： 4674-4688. TAN Y X， TIAN Y C， HUANG Z M， et al. Aboveground biomass of Sonneratia apetala mangroves in Mawei Sea of Beibu Gulf based on XGBoost machine learning algorithm[J]. Acta Ecologica Sinica， 2023， 43（11）： 4674-4688.
    [24] 谢文鸿， 徐广珺， 董昌明. 基于ConvLSTM机器学习的风暴潮漫滩预报研究[J]. 大气科学学报， 2022， 45（5）： 674-687. XIE W H， XU G J， DONG C M. Research on storm surge floodplain prediction based on ConvLSTM machine learning[J]. Transactions of Atmospheric Sciences， 2022， 45（5）： 674-687.
    [25] 魏广恩. 北太平洋柔鱼渔场的时空分析与资源丰度的预测[D]. 上海： 上海海洋大学， 2018. WEI G E. Spatial and temporal analysis of Ommastrphes bartramiifishing ground and its resource abundance prediction in the North Pacific Ocean[D]. Shanghai： Shanghai Ocean University， 2018.
    [26] 常亮， 陈芳霖， 陈新军， 等. 基于BP神经网络的西北太平洋柔鱼资源丰度预测[J]. 上海海洋大学学报， 2022， 31（2）： 524-533. CHANG L， CHEN F L， CHEN X J， et al. Prediction of the CPUE of neon flying squid in the northwest Pacific Ocean based on back propagation neural network[J]. Journal of Shanghai Ocean University， 2022， 31（2）： 524-533.
    [27] 周茜涵， 吴洽儿， 周艳波， 等. 基于优化灰色模型的南海鸢乌贼资源丰度预测[J]. 南方水产科学， 2021， 17（3）： 1-7. ZHOU X H， WU Q E， ZHOU Y B， et al. Prediction of abundance of Sthenoteuthis oualaniensis in South China Seabased on optimized grey system model[J]. South China Fisheries Science， 2021， 17（3）： 1-7.
    [28] HARIS K， KLOSER R J， RYAN T E， et al. Sounding out life in the deep using acoustic data from ships of opportunity[J]. Scientific Data， 2021， 8（1）： 23.
    [29] 屈泰春. 南极半岛北部和普里兹湾水域南极大磷虾的声学调查研究[D]. 大连： 大连海洋大学， 2014： 20-32. QU T C. Acoustic investigation of Antarctic krill in the northern Antarctic Peninsula and Pritz Bay[D]. Dalian： Dalian Ocean University， 2014： 20-32.
    [30] MACLENNAN D N， FERNANDES P G， DALEN J. A consistent approach to definitions and symbols in fisheries acoustics[J]. ICES Journal of Marine Science， 2002， 59（2）： 365-369.
    [31] PROUD R， COX M J， BRIERLEY A S. Biogeography of the global ocean's mesopelagic zone[J]. Current Biology， 2017， 27（1）： 113-119.
    [32] 吴凯， 王晓琳， 许怡， 等. 中国大陆降水时空格局演变新事实[J]. 南水北调与水利科技， 2017， 15（3）： 30-36. WU K， WANG X L， XU Y， et al. New facts about evolution of spatial and temporal pattern of precipitation over Chinese mainland[J]. South-to-North Water Transfers & Water Science and Technology， 2017， 15（3）： 30-36.
    [33] CHEN T Q， GUESTRIN C. XGBoost： a scalable tree boosting system[C]//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco：ACM， 2016.
    [34] XUE J K， SHEN B. A novel swarm intelligence optimization approach： sparrow search algorithm[J]. Systems Science & Control Engineering， 2020， 8（1）： 22-34.
    [35] MENG K， CHEN C， XIN B. MSSSA： a multi-strategy enhanced sparrow search algorithm for global optimization[J]. Frontiers of Information Technology & Electronic Engineering， 2022， 23（12）： 1828-1847.
    [36] 袁红春， 高子玥， 张天蛟. 基于改进的XGBoost模型预测南太平洋长鳍金枪鱼资源丰度[J]. 海洋湖沼通报， 2022， 44（2）： 112-120. YUAN H C， GAO Z Y， ZHANG T J. Prediction of albacore tuna abundance in south Pacific based on improved XGBoostmodel[J]. Transactions of Oceanology and Limnology， 2022， 44（2）： 112-120.
    [37] 解明阳， 柳彬， 陈新军. 基于深度学习的西北太平洋柔鱼渔场预测[J/OL]. 水产学报： 1-13[2023-09-26]. http：//kns.cnki.net/kcms/detail/31.1283.S.20221011.1357.012.html. XIE M Y， LIN B， CHEN X J. Prediction on fishing ground of Ommastrephes bartramii in Northwest Pacific based on deep learning[J/OL]. Journal of Fisheries of China， 1-13[2023-09-26].http：//kns.cnki.net/kcms/detail/31.1283.S.20221011.1357.012.html.
    [38] ARIZA A， LENGAIGNE M， MENKES C， et al. Global decline of pelagic fauna in a warmer ocean[J]. Nature Climate Change， 2022， 12（10）： 928-934.
    [39] DIOGOUL N， BREHMER P， PERROT Y， et al. Fine-scale vertical structure of sound-scattering layers over an east border upwelling system and its relationship to pelagic habitat characteristics[J]. Ocean Science， 2020， 16（1）： 65-81.
    [40] BOERSCH-SUPAN P H， ROGERS A D， BRIERLEY A S. The distribution of pelagic sound scattering layers across the southwest Indian Ocean[J]. Deep Sea Research Part II： Topical Studies in Oceanography， 2017， 136： 108-121.
    [41] 孙栋， 王春生. 深远海浮游动物生态学研究进展[J]. 生态学报， 2017， 37（10）： 3219-3231. SUN D， WANG C S. A review of open ocean zooplankton ecology[J]. Acta Ecologica Sinica， 2017， 37（10）： 3219-3231.
    [42] JENNINGS S， MÉLIN F， BLANCHARD J L， et al. Global-scale predictions of community and ecosystem properties from simple ecological theory[J]. Proceedings of the Royal Society B： Biological Sciences， 2008， 275（1641）： 1375-1383.
    [43] GODØ O R， SAMUELSEN A， MACAULAY G J， et al. Mesoscale eddies are oases for higher trophic marine life[J]. PLoS One， 2012， 7（1）： e30161.
    [44] FENNELL S， ROSE G. Oceanographic influences on Deep Scattering Layers across the North Atlantic[J]. Deep Sea Research Part I： Oceanographic Research Papers， 2015， 105： 132-141.
    [45] CONDIE S， CONDIE R. Retention of plankton within ocean eddies[J]. Global Ecology and Biogeography， 2016， 25（10）： 1264-1277.
    [46] HAUSS H， CHRISTIANSEN S， SCHÜTTEF， et al. Dead zone or oasis in the open ocean？ Zooplankton distribution and migration in low-oxygen modewater eddies[J]. Biogeosciences， 2016， 13（6）： 1977-1989.
    引证文献
    网友评论
    网友评论
    分享到微博
    发 布
引用本文

万树杰,陈新军.基于机器学习的西南印度洋深海散射层声学资源密度预测[J].上海海洋大学学报,2024,33(6):1357-1368.
WAN Shujie, CHEN Xinjun. Prediction on acoustic resource density of deep scattering layer of the southwestern Indian Ocean based on machine learning[J]. Journal of Shanghai Ocean University,2024,33(6):1357-1368.

复制
分享
文章指标
  • 点击次数:187
  • 下载次数: 404
  • HTML阅读次数: 10
  • 引用次数: 0
历史
  • 收稿日期:2023-10-07
  • 最后修改日期:2024-01-05
  • 录用日期:2024-03-11
  • 在线发布日期: 2024-12-05
文章二维码

您是本站第 9991998 访问者

通信地址：上海市浦东新区沪城环路999号

邮编：201306 传真：021-61900229

电话：021-61900229 E-mail：xuebao@shou.edu.cn

技术支持：北京勤云科技发展有限公司

上海海洋大学学报 ® 2025 网站版权所有 ICP:京ICP备09084417号-36