چکیده

برای توسعه پایدار منابع شیلات دریایی، به دست آوردن جامع، دقیق و عینی ویژگی‌های مکانی و قانون تکامل شدت ماهیگیری ضروری است. با این حال، مطالعات قبلی بیشتر بر روی استفاده از منابع داده منفرد، مانند AIS (سیستم اطلاعات خودکار) و VBD (تشخیص قایق VIIRS)، برای به دست آوردن اطلاعات شدت ماهیگیری متمرکز شده‌اند و به همین دلیل، با مشکلاتی مانند ناکافی بودن جامع و کافی مواجه شده‌اند. پوشش داده‌ها برای کشتی‌ها، توزیع فضایی غیریکنواخت دریافت سیگنال داده‌ها، و دقت ناکافی در به دست آوردن اطلاعات شدت ماهیگیری. توسعه داده های بزرگ و فناوری رصد زمین سنجش از دور منابع داده و پشتیبانی فنی فراوانی را برای دستیابی به داده های شدت ماهیگیری برای شیلات دریایی فراهم کرده است. بر اساس این وضعیت، این مقاله چارچوبی را پیشنهاد می‌کند که داده‌های کشتی‌های ماهیگیری را از دو منبع (AIS، با دانه‌بندی فضا-زمان بالا، و VBD، با چرخه بازدید مجدد کوتاه و حساسیت بالا)، به منظور به دست آوردن چنین اطلاعاتی بر اساس تطبیق نزدیک و ترکیب داده های نقطه برداری موقعیت کشتی. با کمک این چارچوب و استراتژی نمایش غیرمستقیم شدت ماهیگیری با تراکم نقطه داده پس از همجوشی، ویژگی‌های فضایی و قوانین شدت ماهیگیری در فصول معمولی (فوریه، آوریل، سپتامبر و نوامبر) در شمال دریای چین جنوبی در سال 2018 به طور سیستماتیک مورد تجزیه و تحلیل و بررسی قرار گرفتند. نتایج موارد زیر را نشان داد: (1) تطبیق و ترکیب داده‌های AIS و VBD می‌تواند چشم‌انداز بهتری برای تولید داده‌های شدت ماهیگیری دریایی قوی و دقیق ارائه دهد. این دو نوع داده دارای نرخ تطابق نزدیکی پایینی هستند (تقریباً 1.89٪ و 6.73٪ از ورودی های مربوطه خود) و موفقیت تطبیق برای کشتی های ماهیگیری در داده ها 49.42٪ بود. (2) داده های AIS منفرد را می توان برای تحقیقات تجزیه و تحلیل ماهیگیری دریایی در نزدیکی ساحل (50 تا 70 کیلومتر) استفاده کرد، در حالی که داده های VBD ماهیگیری هدف دریایی در فضا را منعکس می کند، که مکمل آشکاری با AIS را نشان می دهد. (3) داده های شبکه شدت ماهیگیری به دست آمده از داده های یکپارچه نشان می دهد که ماهیگیری با شدت بالا در منطقه مورد مطالعه در منطقه ساحلی شهر Maoming، گوانگدونگ (0-50 کیلومتر) متمرکز شده است. منطقه ساحلی Guangxi Beihai (10-70 کیلومتر)؛ اطراف جزیره هاینان در Zhangzhou (10-30 کیلومتر)؛ و منطقه نزدیک ساحل سانیا (0-50 کیلومتر). با این حال، با افزایش فاصله دریایی، مانند مرز ترانس ویتنام در خلیج بیبو، از بین نرفت. در نزدیکی منطقه شیلات مشترک چین و ویتنام (50 کیلومتر) و مناطق ماهیگیری با شدت بالا. (4) داده‌های شدت ماهیگیری به‌دست‌آمده (AIS، VBD، و AIS + VBD) به صورت کمی تجزیه و تحلیل شدند، که نشان می‌دهد CV (ضریب تغییرات) میانگین برای هر ماه (پس از ادغام دو نوع داده) 0.995 است، که نشان می‌دهد. که توزیع داده های ترکیبی بهتر از قبل از ادغام بود (قبل از ادغام: AIS = 0.879، VBD = 1.642). بنابراین، ادغام AIS و VBD می‌تواند نیاز به تجزیه و تحلیل شدت ماهیگیری مؤثرتر، جامع‌تر و دقیق‌تر را در منابع شیلات دریایی برآورده کند. نشان می دهد که CV (ضریب تغییرات) میانگین برای هر ماه (پس از ادغام دو نوع داده) 0.995 است، که نشان می دهد توزیع داده های ترکیبی بهتر از قبل از ادغام (قبل از ادغام: AIS = 0.879، VBD است. = 1.642). بنابراین، ادغام AIS و VBD می‌تواند نیاز به تجزیه و تحلیل شدت ماهیگیری مؤثرتر، جامع‌تر و دقیق‌تر را در منابع شیلات دریایی برآورده کند. نشان می دهد که CV (ضریب تغییرات) میانگین برای هر ماه (پس از ادغام دو نوع داده) 0.995 است، که نشان می دهد توزیع داده های ترکیبی بهتر از قبل از ادغام (قبل از ادغام: AIS = 0.879، VBD است. = 1.642). بنابراین، ادغام AIS و VBD می‌تواند نیاز به تجزیه و تحلیل شدت ماهیگیری مؤثرتر، جامع‌تر و دقیق‌تر را در منابع شیلات دریایی برآورده کند.

کلید واژه ها:

داده های جغرافیایی ؛ AIS _ VBD _ ادغام داده ها ; شدت ماهیگیری شیلات دریایی پایدار ; شمال دریای چین جنوبی

1. مقدمه

شیلات دریایی نقش حیاتی در امنیت غذایی و توسعه اقتصادی دریایی ایفا می کند [ 1 ، 2 ]. با این حال، با پیشرفت در فناوری ماهیگیری و افزایش تقاضای بازار برای شیلات، افزایش شدت ماهیگیری دریایی، بدتر شدن محیط زیست محیطی دریایی، و افزایش فراوانی حوادث ماهیگیری IUU (غیرقانونی، گزارش نشده، و غیرقانونی) چالش های قابل توجهی را برای پایداری ایجاد کرده است. توسعه شیلات دریایی و حفاظت از تنوع گونه های ماهی [ 3 ، 4 ]. فقدان اقدامات و اقدامات مدیریت ارزیابی یکپارچه ماهیگیری وجود دارد [ 5]. و بنابراین تعیین علمی داده های شدت ماهیگیری در شیلات دریایی پیش نیاز و کلید مدیریت سهمیه های ماهیگیری است [ 6 ]. به عنوان یک حامل مهم ماهیگیری و حمل و نقل در دریا، کمیت و توزیع فضایی شناورهای ماهیگیری منعکس کننده روند توسعه اولیه منابع شیلات است. در عصر داده های بزرگ، داده های مکان کشتی های ماهیگیری به یک پشتیبان ضروری برای ویژگی های فضایی پویا شیلات دریایی تبدیل شده است [ 7 ، 8 ]. تجزیه و تحلیل دقیق، عمیق و تجسم نقشه اطلاعات فضای ماهیگیری راه مهمی برای درک شدت ماهیگیری منابع ماهیگیری است [ 9 ، 10 ]]. انواع داده های متداول موقعیت یابی کشتی شامل AIS، VMS (سیستم نظارت بر کشتی) و غیره است. علاوه بر این، داده‌های ماهواره‌ای سنجش از دور نور شب NLT (نورهای شب)، تصاویر راداری، و غیره، می‌توانند کشتی‌های ماهیگیری را در دریا نظارت کنند [ 11 ]، که در آن سنجش از دور نور شب دارای حساسیت فوق‌العاده بالا، قابلیت‌های تشخیص ریز نور، و توانایی ضبط دقیق عملیات شبانه کشتی ماهیگیری [ 12 ]، که کمیت خوبی از کشتی های ماهیگیری تله سبک در طول عملیات شبانه ارائه می دهد.
داده های مسیر AIS و VMS به طور گسترده در ماهیگیری دریایی استفاده شده است. در نقشه شدت ماهیگیری ماهیگیری دریایی، بر اساس تجزیه و تحلیل آماری و شناسایی داده های VMS (به عنوان مثال، موقعیت، جهت، سرعت، و غیره)، اطلاعات شدت ماهیگیری را می توان به طور موثر به دست آورد. ناتالی و همکاران از مدل ترکیبی گاوسی در آب‌های سوئد برای بخش‌بندی، شناسایی و تولید ویژگی‌های توزیع آماری سرعت AIS ترال استفاده کرد [ 13 ]. اعتبارسنجی داده‌های سیاهه ماهیگیری نشان داده است که دقت نقشه‌برداری تحت تأثیر پوشش داده‌های AIS است. گیت و همکاران تغییرات زمانی و مکانی در شدت ماهیگیری صنعتی ثبت شده تحت پوشش جهانی AIS برای سال های 2015-2017 [ 14 ] را تحلیل کرد.]. تحقیقات در مورد عوامل جفت، رویدادهای حمل و نقل، و ادراک نقطه داغ ماهیگیری با کمک داده های AIS شامل موارد زیر است: Kroodsma et al. رابطه بین تغییرات محیطی و رویدادهای سیاسی را مورد تحقیق قرار داد [ 15 ]. میلر و همکاران 694 کشتی درگیر در حمل و نقل ماهیگیری ماهیگیری دریایی را ردیابی و تجزیه و تحلیل کرد و حمل و نقل جهانی شیلات دریایی را مورد مطالعه قرار داد [ 16 ]. و Boerder نقاط کانونی حمل و نقل دریایی صید جهانی را برای 2012-2017 تجزیه و تحلیل کردند [ 17 ].
علاوه بر کاربرد AIS و VMS برای تحقیقات ماهیگیری ماهیگیری دریایی، هدف کشتی‌های ماهیگیری دریایی در NLT بصری‌ترین بازتاب ماهیگیری شبانه انسان در دریا را فراهم می‌کند [ 18 ]. بسیاری از محققان از چنین داده‌هایی برای انجام کارهای زیادی در زمینه‌های استخراج ویژگی قانون ماهیگیری کشتی‌های ماهیگیری روشنایی دریایی، آگاهی موقعیتی از توسعه منابع ماهیگیری، ارزیابی مزایای ممنوعیت ماهیگیری در مناطق دریایی و نظارت بر ماهیگیری IUU استفاده کرده‌اند [ 19 ] ، 20 ، 21 ، 22]. در میان آنها، Elvidge و همکاران، بر اساس داده‌های Suomi NPP/VIIRS (که از این به بعد SNPP نامیده می‌شود)، برای اولین بار یک تشخیص اوج و تقسیم آستانه ثابت روش شناسایی کشتی روشن‌کننده دریا را پیشنهاد کردند [ 24 ]23 ]. این یک ایده و چارچوب کلاسیک برای کاربرد بعدی NLT در مطالعه کمی سازی و هوش ماهیگیری فراهم می کند. متعاقباً، تیان و همکاران. و چن و همکاران روش شناسایی کشتی ماهیگیری عملیات روشنایی NLT را بر اساس تقسیم بندی آستانه حداکثر (حداکثر آنتروپی) و تشخیص اوج محلی LSD [ 12 ،]. آنها با استفاده از روش های فوق، کشتی های ماهیگیری را در NLT برای تجزیه و تحلیل بیشتر استخراج کردند. Zhang بر اساس داده های SNPP DNB، نتایج استخراج نور از کشتی های ماهیگیری در شب در دریای چین جنوبی را به دست آورد. پس از تجزیه و تحلیل چگالی هسته ای، ماهیگیری هسته کشتی های ماهیگیری لامپ به دست آمد و تغییرات دینامیکی رخ داد [ 25 ]. جرونیمو و همکاران از مناطق ماهیگیری NLT و مناطق مدیریت ماهیگیری برای نقشه برداری و ردیابی دقیق فعالیت های ماهیگیری استفاده کرد [ 26 ]. منطقه اصلی ماهیگیری در فیلیپین با استفاده از روش خوشه بندی تراکم حفاری شد، جایی که دامنه شدت الگوهای فصلی مختلف مورد تجزیه و تحلیل قرار گرفت. الویدج و همکاران از کشتی‌های ماهیگیری با نور شب SNPP برای ارزیابی اثربخشی انواع مختلف مناطق ماهیگیری ممنوع در ویتنام (انتشارهای صنعتی سمی، فصلی و ممنوعیت ماهیگیری دائمی ساحلی) استفاده کرد [ 27 ]. لی و همکاران از داده های NLT برای مطالعه الگوی توزیع منابع ماهی در دریای چین جنوبی استفاده کرد [ 28 ].
علاوه بر تحقیقات فوق در مورد ماهیگیری دریایی با داده های AIS، VMS و SNPP، لیو و همکاران. از VMS برای تأیید اینکه داده‌های SNPP می‌تواند به طور مؤثر فعالیت کشتی‌های ماهیگیری در دریا را شناسایی کند، استفاده کرد. اشاره شد که ترکیب داده‌های کشتی VIIRS و VMS می‌تواند پایه خوبی برای مدیریت شیلات آینده فراهم کند [ 19 ]. لانگپ و همکاران از داده‌های VDS (سیستم تشخیص کشتی)، VMS و AIS بر اساس تصاویر راداری با وضوح بالا برای ارزیابی ماهیگیری غیرقانونی در اندونزی استفاده کرد و دریافت که نسبت کشتی‌های ماهیگیری IUU قبل و بعد از ممنوعیت ماهیگیری به طور قابل توجهی تغییر کرده است [ 29 ]]. هسو و همکاران از VMS، VBD (VIIRS Boat Detection) در اندونزی برای انجام یک مطالعه متقابل انواع ماهیگیری در میان کشتی‌های مختلف برای شناسایی و تجزیه و تحلیل ماهیگیری غیرقانونی “کشتی‌های تاریک” در دریا [ 30 ]. بر اساس داده‌های Sentinel 1، Sentinel 2 و AIS، Kurekin و همکاران. INSURE (سیستم یکپارچه برای نظارت IUU) را در غنا توسعه داد [ 31 ]. رویز و همکاران صید ماهی مرکب را طی هفت سال با استفاده از AIS و NPP/VIIRS در منطقه 41 فائو ارزیابی کرد که نشان دهنده درجه بالایی از سازگاری بین دو نوع داده در مقیاس مکانی-زمانی است [ 32 ]. پارک و همکاران چهار فناوری ماهواره ای (AIS، SAR، تصاویر نوری و باند DNB SNPP) را برای انجام یک مطالعه عمیق در مورد ماهیگیری غیرقانونی در مناطق حساس بین کره شمالی، ژاپن و روسیه ترکیب کرد.33 ]. اکستر و همکاران از داده های تشخیص قایق VIIRS (VBD) و GPS برای پیش بینی تلاش ماهیگیری، زیست توده و ارزش و همچنین توزیع مکانی و زمانی صید استفاده می کند [ 34 ].
در نتیجه، مزایای مکمل AIS/VMS، VBD و داده‌های چند منبعی در مطالعات موجود، تا حدی، پشتیبانی مهمی برای درک شدت مکانی و زمانی و تغییرات پویای ماهیگیری فراهم کرده است. با این حال، از دیدگاه دقیق‌تر و میکروسکوپی‌تر، برخی از کاستی‌ها نیز وجود دارد: (1) یک AIS/VMS منفرد دارای پدیده اندازه پوشش ناهموار است (هرچه دورتر دورتر باشد، فاصله نمونه‌گیری داده‌ها درشت‌تر است) [ 35 ]]؛ (2) همه کشتی‌ها مجهز به تجهیزات AIS نیستند و ممکن است نرخ پوشش VMS پایینی داشته باشند. (3) NLT فقط می تواند اثر سرریز اشباع اهداف و داده های نزدیک ساحل را برای کشتی های تله گذاری نور با شدت بالا منعکس کند. یعنی اثر استخراج هدف شناورها در مناطق نزدیک ساحل (5 کیلومتر) خوب نیست. علاوه بر این، تنها می‌تواند وضعیت عملیات کل کشتی تله‌گیری نور را در منطقه دریا منعکس کند و نمی‌تواند شناسایی و تجزیه و تحلیل دقیق را انجام دهد. علاوه بر این، نمی تواند به طور موثر مدیریت و مهار IUU را در مناطق دریایی خارج از منطقه ماهیگیری ممنوع و محدودیت زمانی انجام دهد. (4) چراغ‌های کشتی‌های دریایی عمدتاً از قایق‌های ماهیگیری، سکوهای نفت و گاز و غیره می‌آیند، در حالی که نسبت قایق‌های ماهیگیری و اینکه آیا چراغ‌های کشتی‌های دیگر که می‌توانند توسط NLT تصرف شوند ناشناخته است.13 ، 25 ]. اگرچه در مطالعات موجود مواردی وجود دارد که منابع متعددی از داده ها را با هم ترکیب کرده است، اما بیشتر آنها بر روی ماهیگیری غیرقانونی در دریا متمرکز شده اند و هنوز هیچ موردی وجود ندارد که مزایای این دو را ترکیب کند و اطلاعات شدت ماهیگیری ماهیگیری دریایی را از طریق تلفیق آنها بررسی کند. [ 29 ، 30 ، 31 ، 32 ، 34 ].
بر اساس این وضعیت تحقیق، این مقاله از چنین استراتژی ترکیبی از مزایای NLT و داده‌های AIS کشتی استفاده کامل می‌کند تا روشی را برای به دست آوردن شدت ماهیگیری ماهیگیری دریایی با ادغام داده‌های چند منبعی ارائه دهد. با در نظر گرفتن آب های شمالی دریای چین جنوبی به عنوان منطقه تحقیقاتی، فصل معمولی سال 2018 برای انجام آزمایش ها با استفاده از روش پیشنهادی انتخاب شد. انتظار می‌رود که راهی برای مدیریت اطلاعات منابع شیلات، ارزیابی شدت صید، حفاظت از حقوق و منافع قانونی کشتی‌های ماهیگیری و ارائه منابع اطلاعاتی و مراجع برای تدوین سیاست‌های علمی و مؤثر مدیریت و حفاظت شیلات فراهم کند. .

2. مناطق مطالعه و منابع داده

2.1. مقدمه ای بر حوزه تحقیق

شیلات دریایی صنعت ستون توسعه اقتصادی دریایی در اطراف دریای چین جنوبی است. شرایط طبیعی منطقه دریای چین جنوبی برتر است، محیط زیست بوم ماهیگیری متنوع است و طعمه فراوان است. منابع شیلاتی در فلات قاره شمالی دریای چین جنوبی، خلیج بیبو و سایر آب ها غنی شده است. در میان آنها، منطقه ماهیگیری خلیج بیبو موقعیت مهمی را برای سه استان (استان گوانگدونگ، گوانگشی و هاینان) و مناطقی در دریای چین جنوبی و همچنین صنعت ماهیگیری دریایی ویتنام دارد و مهمترین منطقه ماهیگیری است. با بالاترین بهره وری از منابع شیلات در دریای چین جنوبی [ 36]. با این حال، مقدار واقعی ماهیگیری شیلات خلیج بیبو بسیار فراتر از سطحی است که بوم شناسی طبیعی ماهیگیری می تواند تحمل کند، و منابع شیلات آن برای توسعه پایدار شیلات در کل دریای چین جنوبی بسیار مهم است [ 37 ]. علاوه بر این، منطقه فلات قاره شمالی دریای چین جنوبی، محیط مناسبی را برای رشد و تکثیر موجودات طعمه ماهی فراهم می کند، به طوری که منابع شیلات فراوانی نیز در این منطقه وجود دارد. بنابراین، شیلات خلیج بیبو و ماهیگیری در بخش شمالی فلات قاره دریای چین جنوبی (در امتداد سواحل گوانگدونگ و اطراف جزیره هاینان) به عنوان مناطق اصلی مطالعه انتخاب شدند ( شکل 1 را ببینید).واقع در محدوده 107.159 درجه شرقی ~ 111.975 درجه شرقی و 17.591 درجه شمالی ~ 21.881 درجه شمالی، با مساحت کل حدود 160000 کیلومتر مربع و عمق آب 0-1500 متر، با عمق متوسط ​​آب 200 متر. . بیشتر منطقه مورد مطالعه در داخل آب های چین قرار دارد، اما برخی از آب های نزدیک ویتنام را نیز شامل می شود.

2.2. مقدمه ای بر منابع داده

2.2.1. AIS

تجهیزات AIS یک بردار وضعیت تقریباً واقعی (مثلاً موقعیت، سرعت، مقصد)، اطلاعات ثابت (مانند شناسه کشتی، اندازه، نوع کشتی) و اطلاعات مربوط به سفر (مانند مقصد، زمان تخمینی ورود، پیش نویس) [ 38 ]، و مبادله اطلاعات را با کشتی های دیگر انجام می دهد، نه تنها با ایستگاه های پایه AIS ساحلی [ 39 ، 40 ]. AIS دارای ویژگی های معمولی داده های بزرگ، اطلاعات ویژگی های غنی، پوشش گسترده است و معمولاً در مطالعات مربوطه در مورد شدت ماهیگیری، IUU و درک دریایی از ماهیگیری دریایی استفاده می شود [ 29 ]]. به منظور اطمینان از ایمنی عملیات دریایی، نیاز به تجهیز کشتی های بیشتری به تجهیزات AIS وجود دارد. تحت شرایط موجود، اکثر دریافت های AIS عمدتاً به ایستگاه های پایه زمینی و چند AIS ماهواره ای متکی است. داده‌های AIS مورد استفاده در این مقاله در قالب CSV هستند و با توجه به محدوده منطقه مورد مطالعه و کد نوع کلاس کشتی، از مجموعه داده‌های روزانه جهانی AIS استخراج شده‌اند. در این مقاله، داده های AIS از طریق همکاری تجاری با شرکت YiHaiLan به دست آمد، در حالی که پیش پردازش داده ها عمدتاً با استفاده از MySQL، Python، ArcGIS و ابزارهای دیگر انجام شد. محتویات پردازش شامل حذف داده های ناهنجاری مسیر، حذف “نقاط پرواز” (نقاط مسیر کشتی که در خشکی رخ می دهند)،
2.2.2. VBD
داده های VBD توسط NOAA (اداره ملی جو اقیانوسی) توسط EOG ( https://eogdata.mines.edu/vbd/ (در 27 آوریل 2021 قابل دسترسی است) ارائه شده است. استفاده از داده های VBD برای تجزیه و تحلیل تغییرات پویا شیلات و تغییرات مکانی-زمانی زمین های شیلات بسیار موثر است. EOG از سال 2014 در جهت استفاده از داده های SNPP برای بازرسی کشتی های سبک دریایی، ابتدا در آسیای جنوب شرقی و اکنون در سطح جهانی، کار کرده است. الگوریتم تشخیص توسط Elvidge و همکاران ارائه شده است. [ 23 ]، که عمدتا از محصولات داده DNB (باند روز/شب، 0.5-0.9 میکرومتر) و VCM (VIIRS Cloud Mask) در داده‌های VIIRS استفاده می‌کرد. داده‌های روزانه VBD در قالب CSV بودند و حاوی اطلاعات ویژگی‌های داده تصویر غنی بودند. میز 1به طور خلاصه برخی از اطلاعات مرتبط مهم را فهرست می کند. علاوه بر این، داده های VBD از داده های نقطه آتش شبانه EOG برای جلوگیری از شناسایی سکوهای نفت/گاز به عنوان کشتی استفاده می کند. در حال حاضر، VBD عمدتاً برای تحقیقات روی کشتی‌های به دام انداختن نور دریایی استفاده می‌شود [ 27 ، 30 ]. داده ها آماده استفاده هستند و محتوای اطلاعات ویژگی مربوط به VBD کامل است. جمع‌آوری داده‌ها در زمان واقعی با هزینه در دسترس است، در حالی که یک کاربر معمولی می‌تواند داده‌های تاخیر ۴۵ روزه را به صورت رایگان دریافت کند.
دو نوع داده فوق رکوردهای داده مسیر هستند که توسط حرکت کشتی ها در دریا ایجاد می شوند. تفاوت این است که داده های AIS با رمزگشایی پیام های دریافتی توسط ایستگاه های پایه زمینی یا ماهواره های AIS به دست می آیند، در حالی که داده های VBD از تشخیص تصویر باند SNPP DNB به دست می آیند، به طوری که کسب VBD به زمان نمونه برداری و پوشش بستگی دارد. منطقه زمانی که ماهواره از منطقه مورد مطالعه عبور می کند.
2.2.3. داده های دیگر
ما همچنین از داده‌های برداری جهانی از مجموعه داده‌های کره زمین عمومی Nature Earth ( https://www.naturalearthdata.com/ (دسترسی در 27 آوریل 2021))، داده‌های برداری از سیستم خدمات فهرست منابع اطلاعات جغرافیایی (سرویس کاتالوگ ملی برای اطلاعات جغرافیایی) استفاده کردیم. ) ( https://www.webmap.cn/commres.do?Method=result100W (دسترسی در 27 آوریل 2021))، و تصاویر جزیره دریای چین جنوبی از وب سایت خدمات نقشه استاندارد ( https://bzdt.ch. mnr.gov.cn/ (دسترسی در 27 آوریل 2021)، تصویب طرح، GS (2019) 1708). علاوه بر این، داده های مرزی منطقه ماهیگیری مشترک خلیج بیبو از وب سایت ( https://www.un.org/Depts/los/LEGISLATIONANDTREATIES/STATEFILES/VNM.htm ) به دست آمده است.(دسترسی در 27 آوریل 2021))، با ارائه مختصات سایت.

3. مسیرهای فنی و روشهای تحقیق

3.1. مسیر فنی

فرض تطبیق و ادغام داده ها از منابع مختلف این است که آنها معیار مرجع مکانی و زمانی و محدوده بازه یکسانی دارند. هر دو AIS و VBD شامل مختصات طول و عرض جغرافیایی و اطلاعات زمانی هستند. با این حال، مرجع و قالب اطلاعات زمانی متناقض است. زمان موجود در داده های AIS و VBD به استاندارد زمان پکن تبدیل شد. جریان فنی پردازش داده ها به شرح زیر بود ( شکل 2): (1) به دست آوردن اطلاعات تصویر از طریق داده های VBD، مانند مختصات قاب تصویر (مرز) و زمان شروع و پایان اسکن تصویر. بر اساس رابطه بین محدوده پوشش تصاویر باند DNB و گنجاندن منطقه مورد مطالعه، تصاویری که به طور کامل منطقه مورد مطالعه را پوشش می‌دادند و داده‌های VBD به‌دست‌آمده با تشخیص غربال‌گری شدند. (2) زمان عبور ماهواره از مرکز منطقه مورد مطالعه، با توجه به مختصات فریم تصاویر انتخابی، زمان شروع و پایان تصویربرداری اسکن، و مختصات طول و عرض جغرافیایی مرکز به دست آمد. از منطقه مورد مطالعه، به طوری که دو نوع داده متعلق به یک محدودیت مکان-زمان هستند. (3) زمان مرکزی منطقه تحقیقاتی ترانزیت ماهواره ای به عنوان مرجع، به منظور غربالگری توالی داده های AIS استفاده شد. سپس، توالی داده های AIS با زمان مرکزی منطقه تحقیقاتی حمل و نقل ماهواره ای برای محاسبه درون یابی ترکیب شد. (4) تحت محدودیت های مکانی و زمانی یکسان، از روش تجزیه و تحلیل مجاورت برای تطبیق و ترکیب داده های AIS و VBD به دست آمده با محاسبه درون یابی استفاده شد، جایی که داده های همجوشی و روش تجزیه و تحلیل تراکم هسته برای به دست آوردن داده های شطرنجی ماهیگیری استفاده شد. میدان شدت (5) در نهایت، ما اطلاعات داده های تطبیق را تجزیه و تحلیل و استخراج کردیم، ویژگی های شدت ماهیگیری منطقه مورد مطالعه به دست آمده توسط داده های قبل و بعد از همجوشی را مقایسه کردیم و قوانین مشخصه را استخراج کردیم. روش تجزیه و تحلیل مجاورت برای تطبیق و ترکیب داده‌های AIS و VBD به‌دست‌آمده با محاسبه درون‌یابی، که در آن داده‌های همجوشی و روش تحلیل چگالی هسته برای به دست آوردن داده‌های شطرنجی میدان شدت ماهیگیری استفاده شد، استفاده شد. (5) در نهایت، ما اطلاعات داده های تطبیق را تجزیه و تحلیل و استخراج کردیم، ویژگی های شدت ماهیگیری منطقه مورد مطالعه به دست آمده توسط داده های قبل و بعد از همجوشی را مقایسه کردیم و قوانین مشخصه را استخراج کردیم. روش تجزیه و تحلیل مجاورت برای تطبیق و ترکیب داده‌های AIS و VBD به‌دست‌آمده با محاسبه درون‌یابی، که در آن داده‌های همجوشی و روش تحلیل چگالی هسته برای به دست آوردن داده‌های شطرنجی میدان شدت ماهیگیری استفاده شد، استفاده شد. (5) در نهایت، ما اطلاعات داده های تطبیق را تجزیه و تحلیل و استخراج کردیم، ویژگی های شدت ماهیگیری منطقه مورد مطالعه به دست آمده توسط داده های قبل و بعد از همجوشی را مقایسه کردیم و قوانین مشخصه را استخراج کردیم.

3.2. روش های پژوهش

3.2.1. کسب زمان ترانزیت ماهواره ای

ماهواره SNPP حدود 14 بار در روز به دور زمین می چرخد ​​و می تواند دو بار سطح زمین را رصد کند. از آنجایی که ماهواره SNPP تصویربرداری اسکن آرایه خطی را انجام می دهد و از شمال به جنوب در مدار قرار می گیرد، زمان تصویربرداری یک تصویر از حسگر باند DNB حدود 340 ثانیه، عرض حدود 3040 کیلومتر، و عرض جغرافیایی تصویر حدود 20 درجه است. گستره عرض جغرافیایی منطقه مورد مطالعه حدود 5 درجه است که حدود یک چهارم کل زمان تصویربرداری ماهواره ای (حدود 90 ثانیه) را به خود اختصاص می دهد. رکوردهای داده VBD مختصات قاب تصویر را ارائه می کنند ( جدول 1، به منظور کاهش سوگیری ناشی از پوشش ناقص یک تصویر واحد در منطقه مورد مطالعه در تجزیه و تحلیل نتایج پردازش. در طول پردازش داده‌ها، داده‌های VBD یک تصویر واحد که به طور کامل منطقه مورد مطالعه را پوشش می‌دهد، با توجه به مختصات قاب تصویر و رابطه گنجاندن بین تصویر و منطقه مورد مطالعه، غربال‌گری شد. در عین حال، برای اطمینان از اینکه تجزیه و تحلیل مقایسه ای داده ها بین ماه های مختلف تحت تأثیر تفاوت تعداد تصاویر انتخابی قرار نگرفته است، تعداد یکسانی از تصاویر در هر ماه نمایش داده شد. یعنی 25 تصویر برای به دست آوردن اطلاعات دقیق زمان انتقال ماهواره NPP، اطلاعات هماهنگ مربوط به نقطه مرکزی منطقه مورد مطالعه و نقاط شروع و پایان اسکن تصویر اتخاذ شد.شکل 3 ). مختصات طول و عرض جغرافیایی شماره 2 مرکز منطقه تحقیقاتی و شماره 8 به صورت مشخص شده است. (Lon2،Lآتی2)، (Lonستیتودy_آrهآ_جهnتیهr،Lآتیستیتودy_آrهآ_جهnتیهr)، (Lon8،Lآتی8)،به ترتیب. برای راحتی محاسبه درون یابی، به طور یکنواخت به سیستم مختصات دکارتی صفحه گاوسی تبدیل شد. مختصات تبدیل شده به سیستم مختصات دکارتی طرح ریزی گاوسی و زمان مربوطه به ترتیب به عنوان نشان داده می شوند. (ایکس2،Y2،تی2)، (ایکسo،Yo،تیo)، (ایکس8،Y8،تی8). همچنین لازم به ذکر است که ماهواره از شمال به جنوب اسکن می کند، به طوری که زمان تصویربرداری بیشتر به اطلاعات عرض جغرافیایی مربوط می شود. به منظور جلوگیری از دوری بیش از حد عرض جغرافیایی نقطه مرکزی منطقه تحقیقاتی از نقاط شروع و پایان اسکن، طول جغرافیایی نقطه مرکزی منطقه تحقیق با استفاده از رابطه (1) زیر محاسبه شد:

Lonستیتودy_آrهآ_جهnتیهr=12(Lon8+Lon2)
Δتی1=تیo-تی2
Δتی=تی8-تی2
اس2o=(ایکسo-ایکس2)2+(Yo-Y2)2
اس28=(ایکس8-ایکس2)2+(Y8-Y2)2
Δتی1=Δتی∗اس2oاس28

پس از پایین کشیدن، زمان اسکن تصویر تیo0 نقطه در مرکز منطقه تحقیق با درون یابی خطی به صورت زیر محاسبه می شود:

تیo=تی2+Δتی∗اس2oاس28
3.2.2. AIS Track Data Interpolation

روش های درونیابی مسیر کشتی شامل درون یابی خطی لاگرانژ، درون یابی خطی تکه ای، اسپلاین مکعبی و غیره است [ 41 ]. الگوریتم درونیابی خطی ساده است، اما دقت درونیابی آن بالا نیست. اگرچه زمان محاسبه و خطای درون یابی درونیابی خطی تکه ای کوچک است، نتایج درونیابی منجر به صاف نبودن مسیر می شود. درون یابی اسپلاین مکعبی دقت بالایی در شبیه سازی مسیر دارد، اما نظریه آن بر اساس تحلیل عددی، بدون در نظر گرفتن ویژگی های ذاتی AIS است. بنابراین، ما یک روش درونیابی خطی، پیشنهاد شده توسط ژو و همکاران را انتخاب کردیم. که به طور جامع سرفصل، سرعت، زمان و نوع مسیر (خط مستقیم و منحنی) را در نظر می گیرد. روش به شرح زیر انجام می شود [42 ]: اول، طول و عرض جغرافیایی ژئودتیک AIS (L،ب)به مختصات صفحه تبدیل می شوند (ایکس،y)توسط طرح ریزی گاوس-کروگر، و درجه به جای دقیقه بر حسب متر محاسبه می شود. سپس مختصات درونیابی به مختصات طول جغرافیایی و عرض جغرافیایی تبدیل می شوند. اگر مختصات گاوسی قبل و بعد از نقطه درونیابی باشد آ(ایکس1،y1)و ب(ایکس2،y2)سپس مختصات پیش‌بینی‌شده دو گروه از نقاط محاسبه درون‌یابی را می‌توان با در نظر گرفتن A و B به‌عنوان نقاط مرجع، به‌ترتیب به‌دست آورد:

{ایکسمن1=ایکس1+v1سمنn(θ1)(تیمن-تی1)yمن1=y1+v1جoس(θ1)(تیمن-تی1)
{ایکسمن2=ایکس2+v2سمنn(θ2)(تیمن-تی2)yمن2=y2+v2جoس(θ2)(تیمن-تی2)

جایی که θو vبه ترتیب نشان دهنده سمت و سرعت کشتی در نقطه پایه درونیابی. و تی1و تی2زمان های مربوطه را در نقطه پایه درونیابی نشان می دهد. سپس، مختصات پیش بینی شده ( ایکسمن1،yمن1) و ( ایکسمن2،yمن2) وزن و میانگین هستند. وزن با اختلاف زمانی بین نقطه تعامل و نقاط A و B تعیین می شود. هر چه فاصله نزدیکتر باشد، وزن نقطه بسته بزرگتر است:

{س1=1-(تیمن-تی1)/(تی2-تی1)س2=1-(تی2-تیمن)/(تی2-تی1)

جایی که س1و س2به ترتیب وزن هر دو انتهای A و B هستند، سپس مختصات نقاط درونیابی پس از میانگین وزنی هستند.

{ایکسمن=س1ایکسمن1+س2ایکسمن2yمن=س1yمن1+س2yمن2
در نهایت، مختصات صفحه مربوطه به مختصات طول و عرض جغرافیایی تبدیل می شوند تا نتایج درونیابی نهایی به دست آید. علاوه بر این، بازه‌های گزارش داده‌های پویا بسته به شرایط ناوبری و منطقه، از 2 ثانیه تا 3 دقیقه متغیر است. بنابراین، به منظور اطمینان از داده های ورودی کافی به طور دقیق، ما داده ها را 15 دقیقه قبل و بعد از زمان در منطقه تحقیقات حمل و نقل ماهواره ای برای محاسبه درون یابی انتخاب کردیم.
3.2.3. تطبیق و فیوژن داده های مختلف قایق ماهیگیری
داده های مسیر کشتی AIS درونیابی شده و داده های VBD که توسط تصاویر NLT شناسایی می شوند، در توزیع فضایی گسسته هستند. در مطالعه Hsu و همکاران. [ 30]، استفاده از داده های VMS و VBD حدود 10 درصد از تطابق مکانی را به خود اختصاص داده است. آستانه تطبیق اعمال شده در فرآیند تطبیق 700 متر در فضا و 5 ثانیه در زمان بود (به عنوان مثال، خطای محاسبه زمان درونیابی منطقه مطالعه ترانزیت مدل مدار ماهواره ای 2± ثانیه). بنابراین، روش اعمال شده در این مقاله، داده‌های AIS را به‌عنوان معیار منطبق در نظر گرفت و داده‌های VBD را در آستانه 700 متری فضا با داده‌های AIS تک به‌عنوان معیار جستجو کرد. زمانی که یک یا چند نقطه در همسایگی وجود داشت که قابل تطبیق بود، فواصل بین نقطه VBD و نقطه AIS در قسمت تطبیق به ترتیب محاسبه می‌شد. با توجه به اصل مجاورت، نزدیکترین نقطه به عنوان نقطه تطبیق انتخاب شد ( شکل 4 را ببینید ).
3.2.4. تجزیه و تحلیل چگالی هسته ای شناورهای ماهیگیری

تراکم هسته برای تجزیه و تحلیل شدت ماهیگیری کشتی های ماهیگیری چند منبع استفاده شد. روش تجزیه و تحلیل چگالی هسته از یک تابع هسته برای محاسبه مقدار هر واحد سطح، با توجه به عناصر نقطه یا خط شکسته استفاده می کند تا هر نقطه یا خط شکسته را در یک سطح مخروطی صاف قرار دهد. بردار نقاط مسیر قایق ماهیگیری ذوب شده پس از پیش پردازش، تطبیق فیوژن، و تکرار فیلتر نقطه به عنوان ورودی استفاده شد، و یک منطقه جستجوی دایره ای اعمال شد. مقدار چگالی هر پیکسل و همچنین خروجی برای هر نقطه بردار مسیر کشتی واقع در منطقه تحقیقاتی محاسبه شد [ 43 ]. معادله محاسبه روش چگالی هسته را می توان به صورت زیر بیان کرد:

f(س)=∑من=1n1ساعت2ک(س-جمنساعت)

جایی که f(س)تابع محاسبه چگالی هسته در موقعیت مکانی s است. ساعتآستانه تضعیف فاصله است. nیک عدد نقطه عنصری است که فاصله آن از موقعیت s کمتر یا مساوی است ساعت; و تابع کنشان دهنده تابع وزن فضایی است. معنای هندسی این معادله این است که مقدار چگالی در هر عنصر هسته حداکثر است جمن، و به طور مداوم با فاصله بیشتر از جمنتا فاصله از هسته جمنبه مقدار آستانه می رسد ساعت، پس از آن مقدار چگالی هسته به 0 کاهش می یابد [ 44 ، 45 ].

4. تجزیه و تحلیل نتایج تجربی

4.1. AIS و VBD تجزیه و تحلیل مسابقه
با در نظر گرفتن AIS به عنوان داده های معیار و VBD به عنوان داده هایی که باید مطابقت داده شوند، 219847 رکورد AIS (AIS درونیابی شده) و 61855 رکورد VBD در منطقه مورد مطالعه برای تجزیه و تحلیل تطبیق مجاورت انتخاب شدند. حدود 4164 مورد با هدف مطابقت داشتند که حدود 1.89٪ از داده های معیار AIS و 6.73٪ از داده های VBD را تشکیل می دهد. تجزیه و تحلیل بیشتر VBD منطبق با موفقیت با اطلاعات ویژگی AIS نشان داد که قایق های ماهیگیری 49.42٪ از VBD به دست آمده توسط تطبیق همسایگان را تشکیل می دهند، در حالی که کشتی های باری، تانکرها، یدک کش ها، کشتی های مسافربری و سایر کشتی ها 20.89٪، 6.54٪، 1.83٪ را تشکیل می دهند. به ترتیب 1.49 درصد و 19.9 درصد. با توجه به اطلاعات تطبیق، می توان نتیجه گرفت که بیشتر داده های تطبیقی ​​VBD به دست آمده از ردیابی دریایی از قایق های ماهیگیری بود که در شب به دام انداختن نور پرداختند. با این حال، نورهای تولید شده توسط کشتی های دیگر در دریا نیز می توانند توسط ماهواره های سنجش از راه دور شب تاب انتخاب شوند، زیرا آنها از دریا عبور می کنند. این همچنین به طور کامل نشان می دهد که استفاده از نور برای به دست آوردن اطلاعات ماهیگیری، به منظور تجزیه و تحلیل تغییرات دینامیکی شیلات و ویژگی های تغییرات مکانی و زمانی مناطق شیلات بسیار موثر است. علاوه بر این، مهم نیست که داده‌های معیار AIS ورودی یا داده‌های VBD ورودی به‌عنوان شاخص اندازه‌گیری مطابقت داشته باشند، می‌توان مشاهده کرد که نسبت تطبیق موفقیت‌آمیز دو نوع داده نسبتاً پایین بوده است. به عبارت دیگر، ادغام این دو نوع داده می تواند به طور موثرتری وضعیت ماهیگیری را استخراج و تجزیه و تحلیل کند. علاوه بر این، حدود 23.68 درصد از تعداد کشتی‌هایی که مطابقت داشتند، نادرست بودند. با توجه به تجزیه و تحلیل شناورهای بدون شیء غیرعادی، کشتی های ملیت چینی 77.49 درصد را تشکیل می دهند. در میان کشتی های سایر کشورها، سه کشتی برتر پاناما، جزایر مارشال و ویتنام بودند که به ترتیب 4.74، 2.71 و 2.61 درصد را به خود اختصاص دادند.

4.2. تجزیه و تحلیل ویژگی های شدت ماهیگیری

4.2.1. بر اساس تجزیه و تحلیل شدت ماهیگیری AIS

به منظور شناسایی بهتر مزایا و معایب داده‌های مختلف مورد استفاده در تجزیه و تحلیل ماهیگیری دریایی، و همچنین تفاوت‌های قبل و بعد از همجوشی، بر اساس دیدگاه‌های AIS، VBD و ادغام آنها، تحلیل مقایسه‌ای را انجام دادیم. داده های شدت ماهیگیری به دست آمده است. بر اساس زمان در منطقه مطالعه حمل و نقل ماهواره‌ای، داده‌های AIS به‌دست‌آمده از غربال‌گری، ادغام و نمونه‌برداری برای تشکیل نقشه شدت ماهیگیری از شیلات دریایی استفاده شد. داده های پردازش شده AIS می تواند از مشکل دانه بندی ناسازگار فاصله زمانی داده ها، ناشی از فاصله قایق های ماهیگیری از ساحل جلوگیری کند. از شکل 5 قابل مشاهده است، که AIS شدت ماهیگیری ماهیگیری نزدیک ساحل را بهتر منعکس می کند. نتایج نشان داد که: (1) شدت ماهیگیری در نزدیکی نواحی ساحلی استان های گوانگدونگ و گوانگشی همیشه بیشتر از اطراف جزیره هاینان بود. تغییر شدت ماهیگیری در مقیاس ماکروسکوپی کوچک بود، به ویژه در مناطق ساحلی نزدیک استان های گوانگدونگ و گوانگشی. با این حال، تغییرات جزئی در مقیاس جزئی، مانند آب‌های اطراف سانیا و دانژو در استان هاینان وجود داشت. (2) شدت ماهیگیری در نواحی ساحلی استان گوانگدونگ همیشه بیشتر از اطراف جزیره هاینان بود و شدت ماهیگیری در نواحی ساحلی استان گوانگدونگ همیشه در محدوده زمانی انتخاب شده بالاترین بود. (3) فاصله ساحلی منطقه توزیع ماهیگیری با شدت بالا، بر اساس داده های AIS، حدود 20 تا 50 کیلومتر بود. بنابراین، نقشه شدت ماهیگیری تولید شده توسط داده‌های AIS کشتی‌های ماهیگیری به‌دست‌آمده از نمونه‌گیری غربالگری و تفسیر، کاربرد خوبی در منطقه دریایی 50 تا 70 کیلومتری فراساحل دارد. با این حال، نتایج به کشورها و مناطقی محدود می شود که تجهیزات AIS برای کشتی های ماهیگیری اجباری است.
4.2.2. بر اساس تجزیه و تحلیل شدت ماهیگیری VBD
در مقایسه با داده های AIS، مزیت برجسته داده های VBD این است که در توزیع فضایی عینیت معقولی دارد. از آنجایی که منابع ماهیگیری در قسمت شمالی دریای چین جنوبی بسیار غنی است، ماهیگیری غیرقانونی توسط قایق های ماهیگیری از سایر کشورها و مناطق وجود دارد. برای جلوگیری از قرار گرفتن در معرض، قایق های ماهیگیری هنگام کار در این منطقه تجهیزات AIS را خاموش می کنند. بنابراین، این بخش هنوز روش مورد استفاده در تحقیقات ماهیگیری ماهیگیری دریایی قبلی را در مورد داده های نور برای به دست آوردن شدت ماهیگیری اتخاذ می کند، اما تفاوت این است که داده های هدف کشتی های غیر ماهیگیری که با موفقیت مطابقت دارند حذف می شود. از شکل 6 قابل مشاهده استکه داده‌های شدت ماهیگیری به‌دست‌آمده بر اساس داده‌های VBD در منطقه مورد مطالعه هم از نظر توزیع مکانی و هم از نظر پوشش زمانی متفاوت است. با مردم گذشته، درک “شدت ماهیگیری در نزدیکی ساحل زیاد است، شدت ماهیگیری در سواحل دور کم است” کاملاً متفاوت است. شدت ماهیگیری منعکس شده دارای ویژگی های زیر است: (1) بیشتر مناطق ماهیگیری با شدت بالا در 50 کیلومتری ساحل قرار دارند و بیشتر مناطق مورد مطالعه در 50 کیلومتری یا در نزدیکی منطقه ماهیگیری مشترک چین و ویتنام قرار دارند. با این حال، در مناطق ساحلی مانند دانژو، لینگشوئی و مائومینگ استان گوانگدونگ نیز یافت می شود. (2) توزیع فضایی شدت ماهیگیری از ماه به ماه متفاوت بود. به عنوان مثال، مناطقی با شدت ماهیگیری در ماه فوریه در محدوده 50 تا 100 کیلومتری از ساحل متمرکز شده اند. مانند Lingshui در Hainan و در 20 کیلومتری فراساحل در مرز Lingshui و Wanning. (3) ویژگی‌های مناطق ماهیگیری با شدت بالا عمدتاً «توده‌های» جدا شده هستند، و «توده‌های» با شدت بالا مجاور همگرا می‌شوند تا ویژگی «نوار» را تشکیل دهند که در منطقه خلیج بیبو چین و ویتنام برجسته‌تر است. از آن قابل مشاهده استشکل 6 که، به ویژه زمانی که داده های VBD از ساحل دور است (حدود 100 کیلومتر)، نشان می دهد که ماهیگیری ماهیگیری دریایی عینی تر است. بنابراین، ادغام AIS و VBD یک استراتژی جدید برای به دست آوردن ویژگی‌های شدت ماهیگیری در شیلات دریایی است.
4.2.3. تجزیه و تحلیل شدت ماهیگیری تحت ترکیب AIS و VBD
داده‌های AIS و VBD، که با موفقیت در مجاورت مطابقت داشتند، نشان‌دهنده همان قایق ماهیگیری یا هدف متحرک در دریا تحت محدودیت‌های فضا-زمانی یکسان بودند. بنابراین، تراکم نقطه برای به دست آوردن شدت ماهیگیری پس از ادغام دو نوع داده، با هدف شناسایی آن دسته از اهداف کشتی که با موفقیت تحت محدودیت‌های فضا-زمان مشابه بودند، استفاده شد. برای جلوگیری از تأثیر داده های مکرر بر نتایج تجزیه و تحلیل، یکی از دسته بندی های اهداف باید حذف می شد. در این مقاله، داده های تطبیق VBD برای حذف انتخاب شدند. نقشه شدت ماهیگیری به دست آمده پس از ادغام AIS و VBD در شکل 7 نشان داده شده است . همانطور که از نمودار شدت ماهیگیری مشاهده می شود ( شکل 7پس از ادغام داده ها، ماهیگیری با شدت بالا نه تنها به منطقه نزدیک ساحل محدود شد، بلکه در کل منطقه مورد مطالعه توزیع شد. از نظر ویژگی های توزیع کلی، نتایج به دست آمده در شکل 7 معتبرتر، دقیق تر و عینی تر بودند. در مقایسه با نتایج به دست آمده از شکل 5 و شکل 6 ، نتایج به دست آمده از ادغام دو نوع داده، هم از نظر مقیاس مکانی و هم از نظر مقیاس زمانی انتخابی متفاوت بود.
همانطور که از شکل 7 مشاهده می شودپس از ادغام داده‌ها از دو منبع مختلف که عامل یکسانی را بیان می‌کنند، شدت ماهیگیری ماهیگیری دریایی به‌دست‌آمده عمدتاً ویژگی‌های زیر را ارائه می‌کند: ① به طور کلی، پس از ادغام داده‌ها، نتایج نشان می‌دهد که شدت ماهیگیری شیلات دریایی به طور قابل‌توجهی بالاتر از شیلات دریاهای آزاد. با این حال، آن را با افزایش فاصله دریایی کاهش نمی یابد. ② در ماه فوریه، توزیع شدت ماهیگیری بیشتر “شبیه توده” بود، جایی که شدت ماهیگیری حلقه ای را در اطراف جزیره هاینان (40 کیلومتر در اطراف سانیا) > در امتداد ساحل گوانگشی (10 تا 60 کیلومتر در نزدیکی بیهای) و > تشکیل داد. منطقه ساحلی در نزدیکی گوانگدونگ (10-40 کیلومتر در نزدیکی Maoming). روند مشخصه اصلی مناطق ساحلی اطراف جزیره هاینان Sanya > Danzhou > Lingshui > Qionghai بود. علاوه بر این، ماهیگیری با شدت بالا در سواحل جنوبی گوانگدونگ عمدتاً با یک “نوار” با طول حدود 100 کیلومتر و عرض حدود 50 کیلومتر مشخص می شود. ③ شدت ماهیگیری در ماه آوریل با ماه های دیگر متفاوت بود. مناطق با شدت ماهیگیری بالا عمدتاً بین شهر دانژو در جزیره هاینان و شهر فانگ‌چنگانگ در استان گوانگشی توزیع شده‌اند و یک توزیع “نوار” الماسی شکل به عرض 50 تا 60 کیلومتر و طول 100 کیلومتر را تشکیل می‌دهند. ④ به طور نسبی، ویژگی های توزیع فضایی شدت ماهیگیری در ماه های سپتامبر و نوامبر تا حدودی مشابه بود. تفاوت ها عمدتاً در مرز خلیج بیبو و مجاورت منطقه ماهیگیری مشترک چین و ویتنام منعکس شد. دیده می شود، از مناطق با شدت ماهیگیری بالا عمدتاً بین شهر دانژو در جزیره هاینان و شهر فانگ‌چنگانگ در استان گوانگشی توزیع شده‌اند و یک توزیع “نوار” الماسی شکل به عرض 50 تا 60 کیلومتر و طول 100 کیلومتر را تشکیل می‌دهند. ④ به طور نسبی، ویژگی های توزیع فضایی شدت ماهیگیری در ماه های سپتامبر و نوامبر تا حدودی مشابه بود. تفاوت ها عمدتاً در مرز خلیج بیبو و مجاورت منطقه ماهیگیری مشترک چین و ویتنام منعکس شد. دیده می شود، از مناطق با شدت ماهیگیری بالا عمدتاً بین شهر دانژو در جزیره هاینان و شهر فانگ‌چنگانگ در استان گوانگشی توزیع شده‌اند و یک توزیع “نوار” الماسی شکل به عرض 50 تا 60 کیلومتر و طول 100 کیلومتر را تشکیل می‌دهند. ④ به طور نسبی، ویژگی های توزیع فضایی شدت ماهیگیری در ماه های سپتامبر و نوامبر تا حدودی مشابه بود. تفاوت ها عمدتاً در مرز خلیج بیبو و مجاورت منطقه ماهیگیری مشترک چین و ویتنام منعکس شد. دیده می شود، از تفاوت ها عمدتاً در مرز خلیج بیبو و مجاورت منطقه ماهیگیری مشترک چین و ویتنام منعکس شد. دیده می شود، از تفاوت ها عمدتاً در مرز خلیج بیبو و مجاورت منطقه ماهیگیری مشترک چین و ویتنام منعکس شد. دیده می شود، ازشکل 7 ج، د، که علاوه بر شدت بیشتر ماهیگیری در اطراف جزیره هاینان در مناطق ساحلی “گوانگدونگ-گوانگشی”، مقادیر با شدت بالا نیز توزیع پراکنده ای در منطقه توافق شیلات چین و ویتنام داشتند. علاوه بر این، توزیع مقادیر با شدت بالا در منطقه توافق شیلات به سمت ویتنامی نزدیک‌تر بود. علاوه بر این، می توان با مقایسه نتایج در شکل 5 ، شکل 6 ج، د و شکل 7 استنباط کرد.ج، د، که سهم ارزش ماهیگیری با شدت بالا از سایر کشورها و مناطق (یعنی به جز چین) بیشتر بود. دلایل این امر به شرح زیر است: (1) در اوایل سال 2011، بخش مدیریت ماهیگیری دریایی چین اقدامات مدیریتی مربوطه را به منظور اطمینان از ایمنی عملیات قایق ماهیگیری از طریق نصب اجباری تجهیزات AIS معرفی کرد. و (2) در غربالگری داده های AIS در شکل 5 ، تنها داده های AIS کشتی های ماهیگیری با ملیت چینی، با توجه به اطلاعات ایستا AIS مورد تجزیه و تحلیل قرار گرفت. ⑤ از شکل 7 قابل مشاهده است، که تفاوت های خاصی در ماهیگیری با شدت بالا در ماهیگیری دریایی دریایی در مناطق گوانگدونگ و گوانگشی وجود دارد. نتایج اصلی برای این به شرح زیر است: (1) شدت ماهیگیری در ساحل جنوبی گوانگدونگ بیشتر از منطقه ساحلی گوانگشی بود. و (2) ماهیگیری با شدت بالا در سواحل جنوبی گوانگشی عمدتاً یک ویژگی “نوار” را ارائه می دهد، جایی که نوار به طور کلی از ساحل نزدیک به بیرون گسترش می یابد، با فاصله گسترش معمولاً حدود 50 کیلومتر، و در جایی که طول خط ساحلی است. از این نوار حدود 70 تا 100 کیلومتر است. با این حال، در امتداد سواحل استان گوانگشی، عمدتاً “توده های” بیضی شکل وجود دارد، که در آن مرکز توده ها در محدوده 20 تا 50 کیلومتری از ساحل پراکنده شده اند، در حالی که شعاع توده حدود 20 کیلومتر است.

4.3. مقایسه و تجزیه و تحلیل شدت ماهیگیری از داده های چند منبعی

بخش 4.2ویژگی های مختلف ماهیگیری دریایی به دست آمده از داده های ذکر شده در مقاله را مقایسه و تجزیه و تحلیل کرد. این تجزیه و تحلیل نشان داد که ویژگی‌های شدت ماهیگیری به دست آمده از استراتژی ادغام داده‌های AIS و VBD می‌تواند قوانین مشخصه غنی را بهتر منعکس کند و بهتر می‌تواند از کمبود قوانین توزیع وضعیت ماهیگیری ماهیگیری دریایی و ویژگی‌های شدت آن حمایت کند. با این حال، کمبود این است که هیچ تحلیل کمی از شدت ماهیگیری در مقیاس ماهانه تحت انواع داده‌های مختلف وجود ندارد. داده های شطرنجی میدان شدت ماهیگیری به دست آمده در بالا مستقیم ترین بازتاب عملیات ماهیگیری ماهیگیری دریایی است. بنابراین، این بخش بیشتر ویژگی های آماری مجموع مقدار پیکسل، مقدار میانگین، مقدار حداکثر،شکل 8 ).
از آمار پیکسلی شدت ماهیگیری به‌دست‌آمده پس از غربال‌گری، نمونه‌برداری و تفسیر داده‌های AIS، می‌توان دریافت که در چهار ماه از فوریه تا نوامبر، مقادیر شدت ماهیگیری روند افزایشی را نشان می‌دهد، که در آن افزایش نسبت بین ماه های مجاور به طور متوسط ​​حدود 33.7 درصد بود. با توجه به نتایج آماری مقادیر پیکسل پیکسل‌های شطرنجی در نقشه شدت ماهیگیری به‌دست‌آمده از داده‌های VBD در منطقه مورد مطالعه، از فوریه تا آوریل، شدت بر اساس اولیه حدود 5.5 برابر افزایش یافته است. از منظر محدوده پوشش مقیاس زمانی داده انتخابی، ترتیب شدت ماهیگیری، از زیاد به پایین، آوریل > سپتامبر > نوامبر > فوریه بود، که به طور قابل توجهی با نتایج منعکس شده توسط داده های AIS متفاوت بود. از منظر ادغام داده های AIS و VBD، می توان نتیجه گرفت که در محدوده پوشش داده های انتخاب شده، شدت ماهیگیری در ماه فوریه کمترین میزان بوده است. پس از ادغام داده ها در ماه های دیگر، به وضوح می توان مشاهده کرد که شدت ماهیگیری در هر ماه تفاوت کمی با ماه های دیگر دارد. نسبت بین مقدار میانگین پیکسل و انحراف استاندارد CV (ضریب تغییرات) شدت ماهیگیری بر اساس AIS 0.879، CV نقشه شدت ماهیگیری بر اساس داده‌های VBD 1.642 و CV داده‌های شدت ماهیگیری بر اساس AIS و VBD بود. ترکیب داده ها 0.995 بود. به وضوح مشاهده می شود که شدت صید در هر ماه تفاوت چندانی با سایر ماه ها ندارد. نسبت بین مقدار میانگین پیکسل و انحراف استاندارد CV (ضریب تغییرات) شدت ماهیگیری بر اساس AIS 0.879، CV نقشه شدت ماهیگیری بر اساس داده‌های VBD 1.642 و CV داده‌های شدت ماهیگیری بر اساس AIS و VBD بود. ترکیب داده ها 0.995 بود. به وضوح مشاهده می شود که شدت صید در هر ماه تفاوت چندانی با سایر ماه ها ندارد. نسبت بین مقدار میانگین پیکسل و انحراف استاندارد CV (ضریب تغییرات) شدت ماهیگیری بر اساس AIS 0.879، CV نقشه شدت ماهیگیری بر اساس داده‌های VBD 1.642 و CV داده‌های شدت ماهیگیری بر اساس AIS و VBD بود. ترکیب داده ها 0.995 بود.

5. بحث

با توجه به مشکلات ذاتی AIS، VBD، و سایر منابع داده منفرد هنگام انعکاس شدت ماهیگیری دریایی، مانند نرخ پوشش کشتی های ماهیگیری موجود و بازتاب ناقص منطقه ای، ما چارچوبی برای کسب اطلاعات شدت ماهیگیری، بر اساس چندگانه پیشنهاد کردیم. استراتژی تلفیق داده منبع در این مقاله. از طریق تجزیه و تحلیل مقایسه ای نتایج تجربی در بخش 4.2 و بخش 4.3ما دریافتیم که در مقایسه با روش‌های ارزیابی سنتی شدت و وضعیت توسعه منابع شیلاتی، روش اکتساب اطلاعات شدت ماهیگیری بر اساس ادغام داده‌های موقعیت کشتی چند منبع AIS و VBD ارائه شده در این مقاله دقیق‌تر بود. باید روشن شود که نقشه‌های شدت ماهیگیری و مزایای فیوژن AIS و VBD نشان داده شده فقط برای تلاش ماهیگیری در شب و/یا کشتی‌های ماهیگیری تله سبک اعمال می‌شود. این به طور موثر مشکلات را تضعیف می کند که AIS همه کشتی های ماهیگیری در دریا را به طور موثر پوشش نمی دهد. که VBD نمی تواند اطلاعات ماهیگیری کشتی های ماهیگیری غیر سبک را منعکس کند. دریافت سیگنال در ایستگاه های پایگاه داده AIS می تواند تحت تأثیر چگالی ناوبری کشتی، آب و هوا و فناوری ارتباطات باشد. و اینکه دانه بندی فاصله نمونه گیری داده ها یکنواخت نیست. این یک راه امیدوارکننده برای استخراج کارآمد و دقیق در مقیاس کلان و کسب اطلاعات شدت ماهیگیری تحت محدودیت‌های زمانی و مکانی فراهم می‌کند، بنابراین پایه خوبی برای طیف وسیع‌تری از تحقیقات ماهیگیری دریایی در آینده ایجاد می‌کند. در همین حال، می توان آن را به طور موثر به مطالعه ماهیگیری غیرقانونی در طول تعلیق کمین در دریای چین جنوبی تعمیم داد. نتایج تجربی ما نشان داد که ادغام داده‌های AIS و VBD می‌تواند به خوبی برای نقشه‌برداری شدت ماهیگیری و استخراج ویژگی‌های دینامیکی زمانی و مکانی شیلات دریایی به کار رود. تجزیه و تحلیل تطبیق و همجوشی داده های AIS و VBD نشان داد که: (1) تطبیق مجاور بین AIS و VBD حدود 1.89٪ از داده های ورودی AIS را تشکیل می دهد، در حالی که قایق های ماهیگیری حدود 49.42٪ از داده های تطبیق را تشکیل می دهند. که نشان داد بیشتر اهداف در داده های VBD قایق های ماهیگیری بودند. نرخ تطابق پایین نشان داد که ادغام این دو پایه خوبی دارد.
در مطالعات موجود، Hsu و همکاران. [ 30 ] تجزیه و تحلیل تطبیق داده های VMS-VBD 32 ماهه را در اندونزی انجام داد و نسبت حجم داده 1:9 را نشان داد. در آزمایش ما، نسبت حجم داده بین AIS و VBD حدود 10:3 بود. بنابراین، بر اساس تعداد VBD ها در آزمایش این مقاله، داده های تطبیقی ​​حدود 6.73 درصد از کل داده های AIS را تشکیل می دهند که در کل نسبتاً کم بود. دلایل اصلی این امر را می توان به شرح زیر خلاصه کرد: ① نور برخی از قایق های ماهیگیری بسیار ضعیف است که توسط ماهواره نظارت نمی شود یا تحت تأثیر پوشش ابر قرار گرفته است [ 46 ]] که منجر به کاهش دقت شناسایی قایق های ماهیگیری شد. ② انواع ماهیگیری ماهیگیری دریایی به تله های سبک محدود نمی شود و کشتی های ماهیگیری حدود یک سوم داده های AIS را تشکیل می دهند. ③ در حال حاضر، میزان پوشش تجهیزات AIS در کشتی های ماهیگیری در منطقه مورد مطالعه بالا است. علاوه بر این، Feng-Chi Hsu و همکاران. تطبیق متقابل داده های VMS و VBD برای شناسایی کشتی های ماهیگیری غیرقانونی فاقد تجهیزات AIS و VMS در دریا اعمال می شود. در این مقاله، اطلاعات شدت صید در منطقه مورد مطالعه بر اساس تطبیق متقاطع به دست آمده و مورد تجزیه و تحلیل قرار گرفت. ④ تعداد کشتی های ماهیگیری حامل تجهیزات AIS برای به دام انداختن نور نسبتاً کم است. ⑤ همچنین محدودیت هایی برای سنسورها یا تجهیزات برای به دست آوردن AIS و VBD دارد. با در نظر گرفتن VBD به عنوان مثال، VBD فقط می تواند تعداد و توزیع شناورهای سبک گرفته شده توسط ماهواره NPP/VIIRS را منعکس کند. تعداد و توزیع شناورهای سبک عمدتاً تحت تأثیر پوشش ابر در لحظه ثبت تصویر، روشنایی نور کشتی، و اینکه آیا لکه های نوری در 5 کیلومتری ساحل قرار دارند یا خیر (نقاط نوری در 5 کیلومتری ساحل از این موارد حذف می شود. ماسک). ⑥ روش تطبیق تحلیل مجاورت مبتنی بر دور مورد استفاده در این مقاله دارای محدودیت‌هایی است و تحقیقات آینده نیز به راجر و همکارانش ارجاع خواهند داد. تطبیق همجوشی داده‌های AIS و تصاویر رادار از GNN اصلاح‌شده (نزدیک‌ترین همسایه جهانی) [ و اینکه آیا لکه های نور در 5 کیلومتری ساحل هستند (نقاط نوری در 5 کیلومتری ساحل توسط ماسک حذف می شوند). ⑥ روش تطبیق تحلیل مجاورت مبتنی بر دور مورد استفاده در این مقاله دارای محدودیت‌هایی است و تحقیقات آینده نیز به راجر و همکارانش ارجاع خواهند داد. تطبیق همجوشی داده‌های AIS و تصاویر رادار از GNN اصلاح‌شده (نزدیک‌ترین همسایه جهانی) [ و اینکه آیا لکه های نور در 5 کیلومتری ساحل هستند (نقاط نوری در 5 کیلومتری ساحل توسط ماسک حذف می شوند). ⑥ روش تطبیق تحلیل مجاورت مبتنی بر دور مورد استفاده در این مقاله دارای محدودیت‌هایی است و تحقیقات آینده نیز به راجر و همکارانش ارجاع خواهند داد. تطبیق همجوشی داده‌های AIS و تصاویر رادار از GNN اصلاح‌شده (نزدیک‌ترین همسایه جهانی) [47 ]. علاوه بر این، روسو و همکاران. VMS و AIS را در ایتالیا تجزیه و تحلیل و مطالعه کرد و دریافت که نسبت پوشش VMS در قایق های ماهیگیری گسترده تر از AIS است [ 48 ، 49 ]. در نتیجه، ادغام مؤثر این دو برای تحقیقات شیلات مناسب‌تر بود. با این حال، بیشتر تحقیقات در این مقاله در چین انجام شده است. اگر اطلاعاتی درباره پیشینه مدیریت ماهیگیری دریایی چین دارید، باید بدانید که بیشتر (یا حتی همه) قایق های ماهیگیری به تجهیزات AIS مجهز هستند. در عین حال، برخلاف جرونیمو و همکاران. که از تصاویر ماهواره ای برای ماهیگیری نقشه شبانه شیلات و مدل حداکثر آنتروپی استفاده کردند [ 26]، در این مقاله، با استفاده از استراتژی تلفیق داده‌های چند منبعی، به بازتاب شرایط واقعی ماهیگیری نزدیک‌تر شدیم. در تحقیقات آتی، این نیز با انواع منابع شیلات، در یک مدل تجزیه و تحلیل اطلاعات برای مناطق ماهیگیری، به منظور ارائه مرجعی برای ذخایر شیلات دریایی ترکیب خواهد شد. علاوه بر این، متفاوت از تحقیقات کرودسما و همکاران. [ 15 ]، ما به طور موثر از کاستی های استفاده از داده های AIS منفرد در ماهیگیری دریایی جلوگیری کردیم. با این حال، نتایج ما فقط به اکتشاف مناطق معمولی در بخش شمالی دریای چین جنوبی محدود شد و ما تجزیه و تحلیل مشوق‌های خارجی (محیط دریایی، سیاست دولت، توقف ماهیگیری) را برای ویژگی‌های فضایی تغییرات شدت ماهیگیری بررسی نکردیم. .
اگرچه این مقاله در مقایسه با مطالعات قبلی مبتکرانه است، اما دارای محدودیت هایی نیز بود: ① داده های سنجش از دور شبانه نسبت به ابرها و نور ماه، به ویژه ابرها حساس هستند. در فرآیند استخراج قایق های ماهیگیری، اغلب از ماسک برای برداشتن آنها استفاده می شود [ 46]. تا حدودی، این منجر به عدم وجود داده های VBD می شود که می تواند منجر به انحراف در نتایج تجزیه و تحلیل شود. ② در استخراج قایق های ماهیگیری NLT، روش های سنتی (مثلاً تقسیم بندی آستانه) بیشتر بر روی ماسک و حذف عوامل هشدار کاذب (مانند سکوهای نفت و گاز، جزایر و صخره ها، منابع نور دریایی و غیره) تکیه می کنند. به منظور اطمینان از صحت شناسایی با این حال، فرآیند تقسیم‌بندی آماری آستانه تا حد زیادی تحت تأثیر تجربه و درک است. علاوه بر این، مشکلات مربوط به داده های مرجع تجربی ناکافی وجود دارد. در این مقاله، برخی از اطلاعات داده‌های نور منطبق در تطبیق داده‌ها به‌دست آمد، اما به دلیل محدود بودن تعداد تطابق موفق در محدوده زمانی انتخاب‌شده، تجزیه و تحلیل آماری بیشتر از داده‌های نور تطبیق انجام نشد.48 ]، رابطه تبدیل کمی برازش بین روشنایی نور کشتی و اندازه محموله کشتی (به عنوان مثال، طول کشتی، عرض کشتی، فاصله عقب کشتی و غیره) نمی تواند به طور موثر ایجاد شود. تا حدودی، این باعث عدم دقت خاصی برای ساخت ترکیب داده‌های کارآمدتر و دقیق‌تر شد.

6. نتیجه گیری و چشم انداز

داده‌های شدت ماهیگیری، مبنای مهمی برای سیستم‌های مدیریت شیلات، برای دستیابی به درک دقیق از وضعیت واقعی تولید شیلات، و برای تدوین علمی و منطقی سیاست‌ها و اقدامات توسعه شیلات توسط بخش‌های مدیریت شیلات فراهم می‌کند. در این مقاله، مزایای داده های AIS و VBD به طور کامل با هم ترکیب شدند، که برای آن یک روش تطبیق و ادغام داده ها اتخاذ شد. تحت یک محدودیت زمانی، فشرده سازی و نمونه برداری از داده های AIS بزرگ در مقیاس زمانی محقق شد که کارایی پردازش داده ها را در مراحل بعدی بهبود بخشید. علاوه بر این، از مزایای VBD به طور کامل برای گسترش AIS استفاده شد، که فقط می تواند کمبود برخی قایق های ماهیگیری و ماهیگیری در ساحل را منعکس کند. داده‌های میدان شدت ماهیگیری با استفاده از تراکم نقاط مسیر قایق ماهیگیری تولید شده توسط ماهیگیری دریایی تولید شد و ویژگی‌های شدت ماهیگیری در فصل معمولی در سال 2018 در بخش شمالی دریای چین جنوبی تجزیه و تحلیل و حفاری شد. از طریق تجزیه و تحلیل و مقایسه نقشه شدت ماهیگیری به‌دست‌آمده از ادغام داده‌های AIS و VBD کشتی‌های ماهیگیری، مشخص شد: (1) در مقایسه با نقشه‌برداری شدت ماهیگیری تولید شده توسط داده‌های منفرد، نقشه‌برداری شدت ماهیگیری به‌دست‌آمده از ادغام دو نوع داده برخی از ویژگی های منظم ارزشمند را به دست آوردند. ویژگی های اصلی به شرح زیر بود: پس از ادغام داده ها، شدت ماهیگیری نزدیک به ساحل به وضوح قابل توجه تر از آن فراساحل بود، اما با افزایش فاصله دریایی کاهش پیدا نکرد. به عنوان مثال، در آوریل 2018، روند گسترش از منطقه ساحلی شهر دانژو در جزیره هاینان تا فانگچنگانگ استان گوانگشی را نشان داد. از داده های ترکیبی چهار ماهه می توان دریافت که بیشترین شدت ماهیگیری در هر ماه نزدیک ساحل بوده است. شدت ماهیگیری درجه دوم در محدوده 30 کیلومتری اطراف جزیره هاینان و منطقه ماهیگیری مشترک، به ویژه در منطقه ماهیگیری مشترک آشکارتر بود. (2) شدت ماهیگیری بر اساس AIS و VBD در منطقه مورد مطالعه به طور قابل توجهی متفاوت بود، که در آن نسبت میانگین پیکسل به انحراف استاندارد شدت ماهیگیری برای دو نوع داده به ترتیب 0.879 و 1.642 بود. پس از ادغام دو نوع داده، انحراف معیار میانگین داده‌های شدت ماهیگیری در منطقه مورد مطالعه 0.995 بود.
اگرچه مطالعه حاضر در مقایسه با مطالعات موجود، نوآوری‌های خاصی را ارائه می‌کند، اما محدودیت‌هایی نیز وجود داشت که در بالا مورد بحث قرار گرفت. بنابراین، تحقیقات آینده باید بر روی موارد زیر متمرکز شود: (1) عوامل خارجی مؤثر بر شدت ماهیگیری در شیلات دریایی (یعنی عوامل محیطی دریایی و اقدامات سیاستی، و همچنین بحث و تحلیل بیشتر در مورد روابط بین شرایط خارجی). (2) از آنجایی که منطقه مورد مطالعه کوچک بود و عرض جغرافیایی زیاد نبود، روش درون یابی خطی برای به دست آوردن اطلاعات زمانی مربوط به زمانی که داده های ماهواره ای از ناحیه مرکزی منطقه تحقیقاتی عبور می کردند، اتخاذ شد. زمانی که عرض جغرافیایی منطقه مورد مطالعه زیاد باشد، برای بدست آوردن دقیق و کارآمد زمان عبور ماهواره ها در عرض های جغرافیایی مختلف، باید از یک مدل داده مدار دقیق ماهواره ای استفاده شود. (3) در تحقیقات آینده، داده‌های ویژگی استاتیک AIS باید برای انعکاس فرضیه موقعیت استفاده شود، سپس با داده‌های VBD تطبیق داده شود تا به طور موثر نقشه‌برداری شدت تشعشع منعکس شده از شدت ماهیگیری دریایی ایجاد شود، جایی که داده‌های AIS می‌تواند مدل تبدیل بین مانور کشتی را منعکس کند. و اندازه به این ترتیب، ادغام می تواند به معنای واقعی تحقق یابد، تا به هدف داده های شدت ماهیگیری فیوژن برای به دست آوردن دقت بالاتر دست یابد، و همچنین از دستور کار 2030 برای توسعه پایدار حمایت می کند. سپس با داده‌های VBD تطبیق داده شد تا به طور موثر نقشه‌برداری شدت تشعشع منعکس شده از شدت ماهیگیری دریایی ایجاد شود، جایی که داده‌های AIS می‌توانند مدل تبدیل بین مانور کشتی و اندازه را منعکس کنند. به این ترتیب، ادغام می تواند به معنای واقعی تحقق یابد، تا به هدف داده های شدت ماهیگیری فیوژن برای به دست آوردن دقت بالاتر دست یابد، و همچنین از دستور کار 2030 برای توسعه پایدار حمایت می کند. سپس با داده‌های VBD تطبیق داده شد تا به طور موثر نقشه‌برداری شدت تشعشع منعکس شده از شدت ماهیگیری دریایی ایجاد شود، جایی که داده‌های AIS می‌توانند مدل تبدیل بین مانور کشتی و اندازه را منعکس کنند. به این ترتیب، ادغام می تواند به معنای واقعی تحقق یابد، تا به هدف داده های شدت ماهیگیری فیوژن برای به دست آوردن دقت بالاتر دست یابد، و همچنین از دستور کار 2030 برای توسعه پایدار حمایت می کند.50 ].

منابع

  1. Qiu، YS ارزیابی پایداری منابع شیلات برای دریای چین جنوبی بر اساس AHP. جی. نات. منبع. 2010 ، 25 ، 249-257. [ Google Scholar ]
  2. چویسی، بی. Kiattisin، S. شناسایی رفتار شناورهای ماهیگیری برای مبارزه با ماهیگیری IUU: فعال کردن قابلیت ردیابی در دریا. سیم. پارس اشتراک. 2020 ، 115 ، 2971-2993. [ Google Scholar ] [ CrossRef ]
  3. کابرال، RB; مایورگا، جی. کلمنس، ام. لینهام، جی. کوشندراجانا، س. مووانه، U. نوگروهو، دی. آنا، ز. غفار، ع. ذوالبینارنی، ن. و همکاران دستاوردهای سریع و پایدار از حل ماهیگیری غیرقانونی. نات. Ecol. تکامل. 2018 ، 2 ، 650-658. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  4. تیکلر، دی. Meeuwig، JJ; Palomares، M.-L.; پالی، دی. زلر، دی. دور از خانه: الگوهای فاصله ناوگان ماهیگیری جهانی. علمی Adv. 2018 , 4 , ear3279. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  5. ملنیچوک، ام سی؛ کوروتا، اچ. میس، PM; پونز، ام. مینتو، سی. Osio، GC؛ جنسن، OP; د مور، CL; پارما، AM; ریچارد لیتل، ال. و همکاران شناسایی اقدامات مدیریتی که شیلات پایدار را ترویج می کند. نات. حفظ کنید. 2021 . [ Google Scholar ] [ CrossRef ]
  6. کاستلو، سی. اواندو، دی. وضعیت، مؤسسات، و چشم انداز صید جهانی. آنو. کشیش محیط زیست. منبع. 2019 ، 44 ، 24. [ Google Scholar ] [ CrossRef ]
  7. رولندز، جی. براون، ج. سول، بی. بولودا، PT; راجرز، نظارت ماهواره ای AD بر فعالیت کشتی های ماهیگیری در منطقه اقتصادی انحصاری جزیره صعود و منطقه حفاظت شده دریایی. سیاست مارس 2019 ، 101 ، 39–50. [ Google Scholar ] [ CrossRef ]
  8. پی، تی. لیو، ی. گوا، اس. شو، اچ. دو، ی. ما، تی. چنگو، Z. اصل استخراج داده های جغرافیایی بزرگ. Acta Geogr. گناه 2019 ، 74 ، 586-598. [ Google Scholar ]
  9. مک کلاسکی، اس ام. لویسون، RL کمی سازی تلاش ماهیگیری: ترکیبی از روش های فعلی و کاربردهای آنها. ماهی ماهی. 2008 ، 9 ، 188-200. [ Google Scholar ] [ CrossRef ]
  10. راد، مگابایت؛ شعبه، TA آیا صید گزارش نشده منجر به صید بی رویه می شود؟ ماهی ماهی. 2017 ، 18 ، 313-323. [ Google Scholar ] [ CrossRef ]
  11. استاسولا، م. Greidanus، H. بهره برداری از تصاویر Sentinel-1 برای تخمین اندازه کشتی. سنسور از راه دور Lett. 2016 ، 7 ، 1219-1228. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. چن، جی. لیو، ی. تیان، اچ. بله، ز. یو، اچ. لی، جی. تیان، Y. تجزیه و تحلیل پویا از کشتی های ماهیگیری شب در دریای زرد بر اساس داده های VIIRS-DNB. جی. فیش. چین 2020 ، 44 ، 1036-1045. [ Google Scholar ]
  13. ناتال، اف. گیبین، م. الساندرینی، آ. وسپه، م. Paulrud، A. نقشه برداری تلاش ماهیگیری از طریق داده های AIS. PLoS ONE 2015 ، 10 ، e0130746. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  14. گیت، جی. گالبریت، ای. کرودسما، دی. کرم، ب. تنوع فصلی در تلاش ماهیگیری صنعتی جهانی. PLoS ONE 2019 , 14 , e0216819. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  15. Kroodsma، DA; مایورگا، جی. هوچبرگ، تی. میلر، NA; بوئردر، ک. فرتی، اف. ویلسون، ا. برگمن، بی. سفید، TD; بلوک، BA; و همکاران ردیابی ردپای جهانی شیلات Science 2018 ، 359 ، 904-908. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  16. میلر، NA; روآن، ا. هوچبرگ، تی. آموس، جی. Kroodsma، DA شناسایی الگوهای جهانی رفتار حمل و نقل. جلو. مارس Sci. 2018 ، 5 ، 240. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  17. بوئردر، ک. میلر، NA; کرم، ب. نقاط داغ جهانی حمل و نقل صید ماهی در دریا. علمی Adv. 2018 , 4 , eaat7159. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. لوین، ن. Kyba، CCM؛ ژانگ، Q. سانچز دی میگل، آ. رومان، MO; لی، ایکس. پورتنوف، کارشناسی; مولتان، آل. جیچو، ا. میلر، SD; و همکاران سنجش از دور چراغ‌های شب: بررسی و چشم‌اندازی برای آینده سنسور از راه دور محیط. 2020 , 237 , 111443. [ Google Scholar ] [ CrossRef ]
  19. لیو، ی. Saitoh، S.-I.; Hirawake، T. تشخیص کشتی‌های ماهیگیری ماهی مرکب و Saury اقیانوس آرام در سراسر ژاپن با استفاده از تصویر باند روز/شب VIIRS. Proc. آسیا پک Adv. شبکه 2015 ، 39 ، 28. [ Google Scholar ] [ CrossRef ]
  20. لی، دی. لی، ایکس. مروری بر داده کاوی سنجش از دور نور شبانه. Acta Geod. کارتوگر. گناه 2015 ، 44 ، 591-601. [ Google Scholar ]
  21. کوزولینو، ای. لاستا، کالیفرنیا استفاده از تصاویر ماهواره‌ای VIIRS DNB برای شناسایی کشتی‌های جیگر درگیر در ماهیگیری Illex argentinus. Remote Sens. Appl. Soc. محیط زیست 2016 ، 4 ، 167-178. [ Google Scholar ] [ CrossRef ]
  22. ژائو، ام. ژو، ی. لی، ایکس. کائو، دبلیو. او، سی. یو، بی. لی، ایکس. الویج، سی دی; چنگ، دبلیو. ژو، سی. کاربردهای سنجش از دور ماهواره ای مشاهدات نور شبانه: پیشرفت ها، چالش ها و چشم اندازها. Remote Sens. 2019 ، 11 ، 1971. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  23. الویج، سی دی; ژیژین، م. باگ، ک. Hsu، F.-C. سیستم شناسایی خودکار قایق برای داده های تصویربرداری کم نور VIIRS. Remote Sens. 2015 ، 7 ، 3020–3036. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. تیان، اچ. یانگ، ال. یونگجون، تی. شیگانگ، ال. لوکسین، ی. گوانیو، سی. جیانچائو، ال. یوان، ال. Longshan، L. تشخیص قایق های ماهیگیری اقیانوس آرام Saury (Cololabis) در شمال غربی اقیانوس آرام با استفاده از داده های تصویربرداری شبانه ماهواره ای. جی. فیش. چین 2019 ، 43 ، 2359–2371. [ Google Scholar ]
  25. Zhang، SY مطالعه دینامیک ماهیگیری در دریای چین جنوبی بر اساس داده های نور شبانه. پایان نامه کارشناسی ارشد، دانشگاه نانجینگ، نانجینگ، چین، 2017. [ Google Scholar ]
  26. جرونیمو، آرسی فرانکلین، EC; Brainard، RE; الویج، سی دی; سانتوس، MD؛ ونگاس، آر. مورا، سی. نقشه‌برداری از فعالیت‌های ماهیگیری و زمین‌های مناسب ماهیگیری با استفاده از تصاویر ماهواره‌ای شبانه و مدل‌سازی حداکثر آنتروپی. Remote Sens. 2018 ، 10 ، 1604. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  27. الویج، سی دی; قوش، ت. باگ، ک. ژیژین، م. Hsu، F.-C.; کاتادا، NS; پنالوسا، دبلیو. Hung، BQ رتبه‌بندی اثربخشی بسته‌های ماهیگیری با داده‌های تشخیص قایق رادیومتر تصویربرداری مادون قرمز مرئی. جلو. مارس Sci. 2018 ، 5 ، 132. [ Google Scholar ] [ CrossRef ]
  28. لی، جی. کای، ی. ژانگ، پی. ژانگ، Q. جینگ، ز. وو، کیو. کیو، ی. ما، س. Chen, Z. رصد ماهواره‌ای یک «نقطه داغ» ماهیگیری سبک تازه توسعه‌یافته در دریای باز چین جنوبی. سنسور از راه دور محیط. 2021 ، 256 ، 112312. [ Google Scholar ] [ CrossRef ]
  29. لانگپ، ن. حاجدوچ، جی. آردیانتو، آر. جوکس، آر. نونفت، بی. مرزوکی، MI; فابلت، آر. هرماوان، من. ژرمن، او. سابکی، کارشناسی; و همکاران تکمیل نظارت بر ماهیگیری با سیستم تشخیص کشتی فضایی (VDS) و سیستم شناسایی خودکار (AIS) برای ارزیابی ماهیگیری غیرقانونی در اندونزی. مارس آلودگی. گاو نر 2018 ، 131 Pt B ، 33–39. [ Google Scholar ] [ CrossRef ]
  30. Hsu، F.-C.; الویج، سی دی; باگ، ک. ژیژین، م. قوش، ت. کرودسما، دی. سوزانتو، ا. بادی، دبلیو. ریانتو، م. نورزه ها، ر. و همکاران تشخیص قایق متقابل VIIRS با ردیابی سیستم مانیتورینگ کشتی در اندونزی. Remote Sens. 2019 , 11 , 995. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. کورکین، AA; Loveday، BR; کلمنتز، او. فصلنامه، GD; میلر، پی. ویاف، جی. Adu Agyekum, K. نظارت عملیاتی ماهیگیری غیرقانونی در غنا از طریق بهره برداری از رصد ماهواره ای زمین و داده های AIS. Remote Sens. 2019 , 11 , 293. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. رویز، جی. کابالرو، آی. ناوارو، جی. سنجش همان ناوگان ماهیگیری با AIS و VIIRS: ارزیابی هفت ساله ماهیگیران ماهی مرکب در منطقه اصلی ماهیگیری فائو 41. Remote Sens. 2020 , 12 , 32. [ Google Scholar ] [ CrossRef ][ Green Version ]
  33. پارک، جی. لی، جی. ستو، ک. هوچبرگ، تی. وانگ، کارشناسی; میلر، NA; تاکاساکی، ک. کوبوتا، اچ. اوزکی، ی. دوشی، س. و همکاران روشن کردن ناوگان ماهیگیری تاریک در کره شمالی. علمی Adv. 2020 ، 6 ، eabb1197. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  34. اکستر، OM؛ هتوت، تی. کری، CR; کی، MM; میزراحی، MI; ترنر، RA; ویت، ام جی. Bicknell، AWJ نور درخشان در ماهیگیری ساحلی با داده های ضعیف. جلو. مارس Sci. 2021 ، 7 ، 625766. [ Google Scholar ] [ CrossRef ]
  35. گریگ، NC; هاینز، EM; کوپ، اس. لیو، ایکس. استفاده از AIS ماهواره ای برای تجزیه و تحلیل سرعت کشتی در سواحل ایالت واشنگتن، ایالات متحده، به عنوان تجزیه و تحلیل خطر برای برخورد کشتی های سزارین. جلو. مارس Sci. 2020 ، 7 ، 109. [ Google Scholar ] [ CrossRef ]
  36. کیو، YS; Zeng، XG; چن، TY; وانگ، ز. یوان، WW منابع ماهیگیری و مدیریت ماهیگیری در دریای چین جنوبی ؛ Ocean Press: پکن، چین، 2008; صص 1-45. [ Google Scholar ]
  37. ژانگ، جی. سو، اف. Wang, W. مروری بر تحقیقات اطلاعات جغرافیایی در مورد منابع و محیط زیست منطقه دریای چین جنوبی. Prog. Geogr. 2018 ، 37 ، 1443-4153. [ Google Scholar ]
  38. وانگ، اچ. دو، ی. سان، ی. لیانگ، اف. یی، جی. وانگ، N. مسیرهای پیچیده خوشه‌بندی بر اساس شباهت توپولوژیکی و مجاورت فضایی: مطالعه موردی گرداب‌های اقیانوسی در مقیاس متوسط ​​در دریای چین جنوبی. ISPRS Int. J. Geo Inf. 2019 ، 8 ، 574. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  39. سوانبرگ، م. سانتن، وی. هورتبورن، آ. هولم، اچ. Finnsgård، C. AIS در تحقیقات دریایی. سیاست مارس 2019 ، 106 ، 103520. [ Google Scholar ] [ CrossRef ]
  40. مو، ن. رن، اچ. ژنگ، ی. چن، جی. نیو، جی. یانگ، تی. ژانگ، ال. لیو، اف. نابرابری ترافیک و روابط در جاده ابریشم دریایی: تحلیل جریان شبکه. ISPRS Int. J. Geo Inf. 2021 ، 10 ، 40. [ Google Scholar ] [ CrossRef ]
  41. هینتزن، NT; پیت، GJ; برونل، تی. برآورد بهبود یافته مسیرهای ترال با استفاده از درونیابی هرمیت مکعبی داده های ثبت موقعیت. ماهی. Res. 2010 ، 101 ، 8. [ Google Scholar ] [ CrossRef ]
  42. ژو، پی. چن، جی. لین، کیو. می، س. Huang, P. تحقیق در مورد روش درونیابی مسیر بر اساس AIS. J. Jimei Univ. 2015 ، 23 ، 443-447. [ Google Scholar ]
  43. استر، ام. کریگل، اچ.-پی. ساندر، جی. Xu, X. یک الگوریتم مبتنی بر چگالی برای کشف خوشه ها در پایگاه داده های فضایی بزرگ با نویز. به زبان Kdd انجمن برای پیشرفت هوش مصنوعی: منلو پارک، کالیفرنیا، ایالات متحده آمریکا، 1996; صص 226-231. [ Google Scholar ]
  44. ترل، GR; اسکات، DW تخمین چگالی هسته متغیر. ان آمار 1992 ، 20 ، 1236-1265. [ Google Scholar ] [ CrossRef ]
  45. زی، ز. Yan, J. تخمین تراکم هسته حوادث ترافیکی در فضای شبکه. محاسبه کنید. محیط زیست سیستم شهری 2008 ، 32 ، 396-406. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  46. کوپ، تی جی؛ توماس، دبلیو. هایدینگر، AK; بوتمبکوف، دی. فری، RA; هاچیسون، KD; Iisager، BD; بروسکه، ک. Reed, B. VIIRS Cloud Mask: پیشرفت در سال اول S-NPP به سمت یک طرح تشخیص ابر مشترک. جی. ژئوفیس. Res. اتمس. 2014 ، 119 ، 2441-2456. [ Google Scholar ] [ CrossRef ]
  47. راجر، ام. Guida، R. SAR با کمک طبقه بندی و ترکیب داده های AIS برای نظارت دریایی مبتنی بر فضا. Remote Sens. 2021 , 13 , 104. [ Google Scholar ] [ CrossRef ]
  48. هراتی مختاری، ع. وال، ا. بروکس، پی. Wang, J. سیستم شناسایی خودکار (AIS): قابلیت اطمینان داده ها و پیامدهای خطای انسانی. جی. ناویگ. 2007 ، 60 ، 17. [ Google Scholar ] [ CrossRef ]
  49. روسو، تی. D’Andrea، L. پاریسی، ع. مارتینلی، م. بلاردینلی، آ. بوکولی، اف. سیگنینی، آی. توردونی، م. کاتودلا، اس. ارزیابی ردپای ماهیگیری با استفاده از داده های یکپارچه شده از دستگاه های ردیابی مختلف: مسائل و فرصت ها. Ecol. اندیک. 2016 ، 69 ، 818-827. [ Google Scholar ] [ CrossRef ]
  50. لی، ز. گونگ، ایکس. چن، جی. جان، م. لی، اس. خو، ز. وو، اچ. الزامات عملکردی سیستم‌ها برای تجسم شاخص‌های هدف توسعه پایدار (SDG). J. Geovis Spat Anal. 2020 ، 4 ، 5. [ Google Scholar ]
Ijgi 10 00277 g001 550
شکل 1. نقشه منطقه مورد مطالعه.
Ijgi 10 00277 g002 550
شکل 2. نمودار جریان پردازش و تجزیه و تحلیل داده ها.
Ijgi 10 00277 g003 550
شکل 3. مرکز تحقیقات حمل و نقل ماهواره ای Suomi NPP در همه زمان ها محاسبه می شود.
Ijgi 10 00277 g004 550
شکل 4. تطبیق تجزیه و تحلیل مجاورت بر اساس فاصله نقطه.
Ijgi 10 00277 g005 550
شکل 5. شدت ماهیگیری فصلی معمولی مبتنی بر AIS در شمال دریای چین جنوبی در سال 2018. (توجه: برای سهولت بیان، تجسم و تجزیه و تحلیل، داده‌های شطرنجی به‌دست‌آمده از تجزیه و تحلیل تراکم نقطه‌ای به‌طور یکنواخت نرمال‌سازی شده و به صورت مساوی ارائه شدند. شکل 6 و شکل 7 به همین ترتیب پردازش شدند).
Ijgi 10 00277 g006 550
شکل 6. شدت ماهیگیری فصلی معمولی در شمال دریای جنوبی چین بر اساس VBD.
Ijgi 10 00277 g007 550
شکل 7. شدت ماهیگیری فصلی معمولی در شمال دریای چین جنوبی در سال 2018، همجوشی برای VBD و AIS.
Ijgi 10 00277 g008 550
شکل 8. تحلیل مقایسه ای آماری نقشه های شدت ماهیگیری با داده های چند منبعی در طول فصل معمولی در شمال دریای چین جنوبی در سال 2018.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید