《智慧渔业》课程论文推送8

导语：

近海海水网箱养殖是海洋渔业重要组成部分，传统依靠实地出海勘测、遥感人工目视判读的信息采集方式，存在巡查周期长、人力成本高、大范围海域普查难度大、小型零散网箱统计遗漏多等难题，难以适配现代渔业精细化管控需求。依托卫星遥感与人工智能技术开展养殖信息自动提取，是落实渔业大数据建设、发展智慧渔业的关键技术手段。

研究以多源高分辨率卫星遥感影像为基础数据，综合不同季节、风浪、光照、海水反光等复杂海域环境影像，标注海量网箱样本，构建适配近海复杂场景的网箱遥感数据集。常规 FCN、原始 UNet 等分割模型受海面波浪、海上漂浮杂物、水体光影干扰严重，对零散小规格网箱识别精度偏低，网箱轮廓分割残缺，难以满足实际渔业统计标准。文章在经典 UNet 网络基础上优化结构，融入轻量化注意力机制与分层特征融合模块，构建 SLA-UNet 改进模型，强化网络对网箱细微特征的捕捉能力，削弱海面无用噪声干扰，提升复杂海况下目标识别稳定性。

选取我国典型沿海网箱养殖海域作为试验区，采用准确率、交并比、召回率等量化指标，将 SLA-UNet 与多种主流语义分割算法进行对照试验。试验数据显示，改进后的模型各项评价指标全面优于对比算法，既能精准识别连片大规模养殖区，也可有效检出近海零星分布的小型网箱，精准提取网箱空间位置、分布范围与养殖水域面积。利用训练成熟的模型可批量自动化解译大范围遥感影像，短时间完成片区养殖资源摸底，大幅缩减野外调研工作量。

研究成果生成的网箱空间数据可接入渔业大数据管理平台，用于养殖产能测算、养殖用海确权审核、非法超范围养殖排查，为渔业主管部门开展海域规划、水环境管控、产业调控提供客观数据支撑。该研究融合遥感大数据与深度学习智能技术，实现海水养殖信息智能化获取，切实落地智慧渔业数字化监管理念，为我国沿海近海网箱常态化动态监测提供高效可行的技术方案，对推动海洋渔业数字化转型升级具备重要参考价值。

图1 流程图

依托中国水产科学研究院东海水产研究所科研成果，以印度洋黄鳍金枪鱼远洋捕捞产业为落地场景，构建三维海洋环境大数据+机器学习智能渔场预报体系，是渔业大数据在远洋捕捞领域智能化落地的典型实践案例。项目整合多年远洋渔获数据与多维度海洋立体环境数据，破解传统远洋捕捞盲目寻渔、燃油损耗高、碳排放与海洋污染突出、捕捞效率偏低等行业痛点，推动金枪鱼渔业高效清洁化、可持续化生产。

项目采集2000–2023年印度洋IOTC官方黄鳍金枪鱼延绳钓渔获大数据，数据包含作业船队、经纬度、捕捞年月、捕捞挂钩数、渔获吨位等捕捞作业信息；同步接入哥白尼海洋服务平台三维海洋环境数据，覆盖表层海水温度、盐度、海面高度、洋流流速，以及0~300m分层垂向水温、水温垂直梯度等立体化环境指标，形成时空匹配的渔业多源数据库，通过皮尔逊相关性筛选剔除冗余变量，完成大数据预处理，为模型搭建筑牢数据基础。

研究选取RF、Extra Trees、AdaBoost、XGBoost、LightGBM、CatBoost六种主流树模型，设置60:40、70:30、80:20三种训练集与测试集划分比例，借助网格搜索完成超参寻优，经多维度指标（准确率、精确率、F1、AUC）验证，80:20数据划分下Extra Trees模型性能最优，准确率75.54%、F1分数75.83%。区别于传统黑箱机器学习，引入SHAP全局+局部解释、LIME样本本地化解释双重可解释算法，量化纬度、经度、年份、分层水温等关键环境因子对金枪鱼分布的驱动作用，厘清变量交互规律，解决智能模型决策不可视、渔民不信任算法结果的落地难题。

图2 项目设计框架

依靠大数据智能渔场预报精准锁定高丰度金枪鱼作业海域，减少渔船大范围盲目搜寻渔群，减少因无效航行带来的船只废弃物及潜在污染风险，实现清洁捕捞。依托历年渔获大数据复盘2000–2023年黄鳍金枪鱼“峰值-下滑-回升”资源变动规律，结合环境驱动因子变化特征，为IOTC渔业资源养护条例落地、远洋捕捞配额管控提供数据支撑，缓解过度捕捞带来的种质资源衰退问题；通过SHAP依赖图、力值图、LIME特征贡献图直观展示单海域、单船次渔场形成的关键条件，一线船长可依据环境阈值精准规划作业海域，规避低效捕捞水域。

此项目将远洋渔业资源大数据、立体海洋环境大数据与可解释机器学习技术深度融合，打通科研算法到远洋捕捞实际生产的转化链路，既能提升远洋金枪鱼捕捞经济效益，又能从源头减少捕捞活动带来的海洋环境污染，为全球大洋性金枪鱼渔业智能化、低碳化可持续发展提供可复制的大数据应用范本。

我国水产养殖产量全球领先，但传统养殖数据集中存储易篡改、海量音视频与传感数据全量上链存储成本高、产销监管信息割裂、人工抽检成本高，制约水产品溯源与行业规范化管理。依托区块链、IPFS 分布式存储、大数据压缩、智能合约搭建养殖溯源系统，以江苏中洋河豚养殖基地为试点，落地渔业大数据全流程管控。

系统分为应用、网关、合约、网络、数据五层架构，采用链上链下分级存储处理养殖多源大数据：

(1) 非结构化数据（监控视频、质检图片）：原始文件存入 IPFS，仅加密后的 IPFS 哈希地址上链；采用 AES+RSA 混合加密保障文件与地址安全。

(2) 结构化水质传感大数据（水温、溶氧、氨氮等）：传感器按小时批量归集数据，采用 Delta+DEFLATE 双层无损压缩后上链存储，压缩率 91.6%，大幅缩减链上空间。

(3) 智能合约大数据自动核验：合约内置河豚养殖水质阈值，数据上链自动比对，链上自动比对后，通过应用层实时推送告警，合规数据自动归档上链。

(4) Fabric 联盟链分主体管理：分为养殖厂、消费者、监管机构三个链上组织，实现数据分权共享。

(1)存储优化：三组不同布设密度传感器实测，压缩后存储体积仅为原数据 8.4% 左右，数据解压缩毫秒级完成，满足实时调取。

(2)运行性能：系统最优稳定吞吐量 300TPS，平均交易延迟 0.5s，交易成功率 99.9%，满足商业化使用。

(3)产业实效

①　监管：依托链上真实大数据线上核查，减少野外巡查工作量，精准排查违规养殖；

②　养殖：水质异常提前预警，降低病害损耗，溯源品牌实现产品溢价；

③　消费：扫码全链条溯源，数据不可篡改，提升消费信任。

（1）应用价值

方案可复用至鱼虾、近海网箱等水产养殖，结合前文卫星遥感网箱大数据，形成宏观海域资源普查 + 微观单塘生产溯源一体化渔业大数据平台，数据接入渔业管理平台，支撑产能核算、水域管控、产业规划，还可延伸水产保险、供应链金融。

（2）优化方向

现有未做采集传感器上链认证，后续新增硬件设备区块链身份认证，完善全链路数据可信体系。