基于3-2D融和模型的毛虾捕捞渔船行为识别

张佳泽, 张胜茂, 王书献, 杨昱皞, 戴阳, 熊瑛

张佳泽, 张胜茂, 王书献, 杨昱皞, 戴阳, 熊瑛. 基于3-2D融和模型的毛虾捕捞渔船行为识别[J]. 南方水产科学, 2022, 18(4): 126-135. DOI: 10.12131/20210263
引用本文: 张佳泽, 张胜茂, 王书献, 杨昱皞, 戴阳, 熊瑛. 基于3-2D融和模型的毛虾捕捞渔船行为识别[J]. 南方水产科学, 2022, 18(4): 126-135. DOI: 10.12131/20210263
ZHANG Jiaze, ZHANG Shengmao, WANG Shuxian, YANG Yuhao, DAI Yang, XIONG Ying. Recognition of Acetes chinensis fishing vessel based on 3-2D integration model behavior[J]. South China Fisheries Science, 2022, 18(4): 126-135. DOI: 10.12131/20210263
Citation: ZHANG Jiaze, ZHANG Shengmao, WANG Shuxian, YANG Yuhao, DAI Yang, XIONG Ying. Recognition of Acetes chinensis fishing vessel based on 3-2D integration model behavior[J]. South China Fisheries Science, 2022, 18(4): 126-135. DOI: 10.12131/20210263

基于3-2D融和模型的毛虾捕捞渔船行为识别

基金项目: 国家自然科学基金重点项目 (61936014);浙江省海洋渔业资源可持续利用技术研究重点实验室开放课题 (2020KF001);江苏省农业综合执法专项 (2020-SJ-018);中国水产科学研究院基本科研业务费资助 (2020TD82)
详细信息
    作者简介:

    张佳泽 (1998—),男,硕士研究生,研究方向为计算机视觉、软件工程。E-mail: jiazezhang126@126.com

    通讯作者:

    张胜茂 (1976—),男,研究员,博士,从事渔业数据挖掘、图像处理研究。E-mail: ryshengmao@126.com

    熊 瑛 (1979—),女,研究员,博士,从事渔业资源研究。E-mail: yxiongshfu@126.com

  • 中图分类号: S 975

Recognition of Acetes chinensis fishing vessel based on 3-2D integration model behavior

  • 摘要: 针对中国毛虾 (Acetes chinensis) 产量逐年锐减问题,中国开始对近海海域实施毛虾限额捕捞措施,采用视频监控技术辅助捕捞管理。提出一种基于3-2D融和模型的毛虾捕捞渔船行为识别方法,为限额捕捞管理提供新的解决方案。通过在毛虾渔船上4个固定位置安装高清摄像设备,并记录捕捞作业全过程,共获取600余个视频监控数据作为初始数据;从初始数据中筛选有效的视频数据,同时对视频数据进行5种行为的划分和标记。为了提高网络训练的效率,对视频数据进行压缩和帧数分割等预处理;最后,通过搭建3-2D融合的卷积神经网络来训练模型,实现渔船行为特征的提取和分类。结果表明,捕捞渔船行为识别方法的分类精度为95.35%,召回率为94.50%,平均精确度为96.60%,模型整体得分达93.32%,平均检测时间为35.46 ms·帧−1,可用于毛虾渔船捕捞视频的实时分析。
    Abstract: Since the yield of Acetes chinensis has decreased sharply year by year, China has begun to implement quota fishing measures for A. chinensis in offshore waters by using video surveillance technology to assist the fishing management. This paper proposes a method for identifying the behavior of A. chinensis fishing vessels based on the 3-2D fusion model, so as to provide a new solution for quota fishing management. By installing high-definition camera equipment at four fixed positions on the A. chinensis fishing vessel and recording the entire process of fishing operations, we had obtained more than 600 video surveillance data had been as initial data. Secondly, we filtered effective video data from the initial data, and divided and labeled them with five behaviors. In order to improve the efficiency of network training, we preprocessed the video data such as compression and frame number segmentation. Finally, the model was trained by building a 3-2D fusion convolutional neural network to realize the extraction and classification of fishing vessel behavior characteristics. The results show that the classification accuracy of the fishing vessel behavior recognition method was 95.35%; the recall rate was 94.50%; the average accuracy was 96.60%; the overall score of the model could reach 93.32%; and the average detection time was 35.46 ms·frame−1. The method can be used for real-time analysis of the fishing video of A. chinensis fishing boats.
  • 微卫星(microsatellite)DNA是由1~6个核苷酸为单位多次串联重复的简单序列,又称简短串联重复序列(short tandem repeat,STR)、简单序列重复(simple sequence repeat,SSR) 或简单序列长度多态性(simple sequence length polymorphism,SSLP),是20世纪80年代末发展起来的一种分子标记。微卫星具有高度的多态性[1]和共显性,在真核生物基因组中随机分布,每代变异超过2%[2]。其分析可以分辨一个碱基对的差异[3],且等位基因的条带易于识别和解释,比其它分子标记带来更多的信息量[4]。因此在种群遗传结构分析、种群遗传多样性检测、遗传图谱的构建及生产性状位点的连锁分析与QTL定位分析中得到了广泛的应用[5-7]

    由于不同种类之间的微卫星引物序列通用性较差。因此必须首先从实验生物基因组中获得微卫星DNA序列,设计引物,筛选多态性微卫星标记。然而筛选微卫星座位的工作繁重,其使用受到一定的限制。随着分子生物学技术的发展,相继产生了一些新的微卫星DNA分离方法。本文对几种微卫星位点分离技术进行介绍并对其进行分析比较,为选择适合的方法提供参考。

    获得微卫星最简捷的途径就是通过互连网从公共数据库(如EMBL、GenBank、EST数据库等)查找微卫星DNA,如河豚(Fugu rubripes)[8]、中国明对虾(Fenneropenaeus orientalis)[9]和栉孔扇贝(Chlamys farreri)[10]等。徐鹏等[9]利用生物信息学方法从10 446个中国明对虾ESTs序列中筛选微卫星DNA,共发现微卫星序列229个,占整个ESTs数据的2.19%,其中含双碱基重复序列146个和3碱基重复序列58个,分别占在ESTs微卫星序列总数的63.76%和25.33%,大部分为完美型(perfect)的重复序列。根据筛选的微卫星序列设计19对引物并进行多态性检测,在有扩增产物的16对引物中,首次筛选得到8个中国明对虾微卫星标记。其次,利用近缘种的已知微卫星引物进行交叉扩增(cross amplification)筛选也可获得一定的有效微卫星引物。鲁双庆等[11]研究了鲤(Cyprinus carpio)微卫星引物对远缘种黄鳝(Monopteras albus)的适用性。结果显示,31对鲤微卫星引物中有11对引物能对黄鳝DNA模板扩增出特异性带谱。每对引物扩增的等位基因数3~13个,平均每个位点5.6个,显示了较高的多态性。林凯东等[12]首次将鲤的微卫星引物用于草鱼(Ctenopharyngodon idellus)基因组分析。

    此方法的基本原理是构建目标生物基因组小片段DNA文库,通过杂交筛选出含有微卫星序列的阳性克隆。首先用限制性内切酶充分消化DNA,琼脂糖凝胶电泳,选取400~900 bp片段克隆,构建基因组文库。然后将重组克隆转移到杂交膜上,采用32P标记的重复序列探针如(AT)n进行杂交,放射自显影,获得阳性克隆、测序,设计PCR引物并进行扩增筛选(图 1)。

    图  1  微卫星分离的小片段克隆法(左)和PIMA方法(右)简图(仿ZANE等,2002)
    Fig. 1  Schematic presentation of small DNA fragment cloning (left) and PIMA approach (right) for isolation of microsatellite DNA(from: ZANE, et al.2002)

    孙效文等[13]利用上述方法从鲤鱼文库中筛选2 000个菌落,获得阳性克隆45个,有22个含有微卫星,其中完美型的占63.6%,非完美型的占22.7%,混合型的占13.7%。陈微等[14]用此方法从牙鲆(Paralichthys olivaceus)文库中筛选阳性克隆45个,共得到20个微卫星序列,其中完美型13个,非完美型5个,混合型2个。PANIEGO等[15]也用此方法分离向日葵(Helianthus annnus)微卫星标记。测序503个微卫星克隆,设计了271对微卫星引物。

    利用微卫星重复序列作探针筛选基因组文库是一种耗时费力的方法[16]。获得阳性克隆的比例通常较少(0.04%~12%之间)。对于那些基因组中微卫星DNA含量不是很丰富的种类(比如鸟类和植物),或需要大量的微卫星标记用于研究种群遗传结构[17-18]或构建遗传图谱[19]时,用此方法分离微卫星难以满足需要。

    为了避免基因组文库的构建和筛选的繁琐性,一些国外学者先后报道用随机扩增多态DNA(RAPD)方法去扩增未知的微卫星序列[20-21]。其中用PCR分离微卫星(PCR isolation of microsatellite approach,PIMA)[22]就是用RAPD引物从目标生物基因组中获得随机扩增片段,这些扩增产物克隆到T-载体上,然后用含有重复序列引物和载体引物筛选阳性克隆、测序(图 1,PIMA支路)。RAPD片段比随机基因组克隆含有较多的微卫星重复序列[23-25]。与传统的方法相比,PIMA省略了DNA酶切、片段大小选择以及接头连接这些步骤,虽然实验操作简单但研究报道较少。

    基因组DNA酶切后,选一定大小的片段插入到质粒(pBluescript)或噬菌体(M13mp18)载体上,然后转化、洗脱获得含有单链环状DNA(ssDNA)并构建文库。以ssDNA为模板,与含有重复序列的寡聚核苷酸或带有生物素标记的重复序列进行伸长反应,获得富含微卫星位点双链DNA的次级文库。最后Southern杂交或PCR筛选阳性克隆并测序(图 2)。

    图  2  引物伸长富集法
    PAETKAU(左)和OSTRANDER等(右)的微卫星分离步骤简图(仿ZANE等,2002)
    Fig. 2  Primer extension enrichment protocols
    Procedures of microsatellites isolation from PAETKAU(left)and OSTRANDER, et al.(right) (from: ZANE, et al.2002)

    OSTRANDER等[26]和PAETKAU[27]运用引物伸长法分别对犬齿类和鲍鱼基因组文库进行实验,并分别获得40%~50%和最高达100%阳性克隆。OSTRANDER等构建了含60 000克隆的单链DNA文库,对于基因组频率低于1%的特定重复序列有600座位(含所需的重复序列)在富集文库中表现出来。并且该方法对分离富含2个寡核苷酸重复序列如(AC)n比较有效,对分离3个和4个寡核苷酸重复序列是否有效还不肯定。此方法实验步骤繁琐使其适用性受到一定限制。

    选择性杂交法第一步与传统方法一样,也是基因组DNA经过酶切后与接头或载体连接,用连有接头的DNA片段与标记的重复序列探针选择性杂交,捕获含有微卫星序列的DNA片段。最后PCR扩增、克隆。对重组克隆可直接测序、PCR筛选或Southern blot筛选(图 3)。

    图  3  选择杂交法简图(仿ZANE等,2002)
    Fig. 3  Schematic representation of selective hybridization protocols(from ZANE, et al.2002)

    此方法实验步骤简单,报道较多[28-32]。其中酶切片段与接头或载体连接是非常重要的一步,因为连接插入片段的量不足和多联体的形成都会限制下一步的实验。酶切片段大小的选择可以在酶切后[30]或在连接后[31]进行,在连接后选择片段大小有利于去除非特异性连接。重复序列探针与DNA的杂交既可在尼龙膜上[28, 32]也可在包被有链霉亲和素的磁珠上[30-31]进行。LI等[33-34]采用选择杂交法已成功分离出8个皱纹盘鲍(Haliotis discus hannai)微卫星标记。

    磁珠富集法分离微卫星分子标记是一种简单高效的方法[31, 35], 已经应用于一些植物和动物微卫星分子标记的分离[26, 36-37]。实验生物基因组DNA经酶切,连上接头,PCR扩增,与生物素标记的重复序列探针杂交,磁珠富集,构建PCR富集文库(图 4)。然后再进行筛选即可得到微卫星分子标记。可用不同的酶和接头进行酶切、连接。如果按AFLP的方法进行酶切、连接、扩增,再富集,即为FIASCO法(fast isolation by AFLP of sequences containing repeats)[38]。包括单酶切扩增产物富集[38]和双酶切预扩增产物富集[36]

    图  4  采用磁珠富集法从AFLP片段中分离微卫星标记简图(仿GAO等,2003)
    Fig. 4  Schematic representation of SSR isolation by magnetic beads from AFLP fragments(from GAO, et al.2003)

    孙效文等[13]用此方法筛选鲤鱼微卫星标记。获得微卫星314个,完美型占79.0 %,非完美型占14.3 %,混合型占6.7 %,重复次数超过10的有293个,占93.3 %。孙效文等[38]用磁珠富集法分离草鱼微卫星DNA标记。筛选获得阳性克隆132个,86.36 %含有微卫星序列。高国庆等[36]用FIASCO法从AFLP片段中分离花生(Arachis hypogaeal)微卫星DNA标记,结果回收纯化14个片段,测序后发现都含有简单重复序列。从预扩增的AFLP片段中富集SSR可获得较多的含简单重复序列的片段,而选择性扩增的AFLP片段不经富集直接测序的方法效率较低[39]。此方法在其他种类(比如一些鸟类、鱼类、甲壳类和红珊瑚)的富集率在50%~90%[38]。这些研究表明,用生物素-磁珠富集法克隆微卫星效率高,成本低,所获微卫星质量高。

    直接克隆法耗时费力且筛选的效率也比较低。引物伸长法虽有所报道,其实验操作繁琐使其适用性受到限制。磁珠富集法是一种高效而简单快速的分离方法,已经应用于一些植物和动物微卫星分子标记的分离。整个过程可在一星期完成。如果利用篮白斑筛选克隆,从理论上讲,每一个白色菌斑都应当含有微卫星序列。但是操作过程中一些因素会影响筛选微卫星效率。最主要的影响因素是磁珠的平衡及洗液和洗涤温度的严格控制。从国内发表的文献上看,目前从基因组分离微卫星的主要方法是小片段克隆法和磁珠富集法以及稍作改进的一些方法。还有一些从基因组中克隆微卫星的方法,但最有效的还是基于PCR扩增的磁珠富集法。

    从整体上看,微卫星分子标记在陆生动植物的分离和应用比较早,水产动物起步较晚,大多还处于分离筛选的初级阶段。在国内,只有鲤[41],对虾[9, 42],栉孔扇贝[10]等少数种类已分离出微卫星分子标记。网上基因库可利用的资源也还非常有限,远不能满足研究和应用的需要。而我国是一个渔业大国,水产动物种类多,遗传差异大,在遗传多样性分析、连锁图谱构建、数量性状基因(quantitative trait loci, QTL)定位分析、分子标记辅助育种等方面需要大量的微卫星标记。因此,选择有效的分离方法可以加速水产动物尤其主要养殖种类的微卫星分子标记的筛选及其应用进程。随着水产养殖生物的基因组测序和大规模cDNA测序,生物信息学方法分离微卫星DNA及其在近缘种的扩增筛选将越来越受到重视。

  • 图  1   毛虾限额捕捞张网示意图

    Figure  1.   Schematic diagram of net fishing quota for A. chinensis

    图  2   捕捞渔船安装摄像头示意图

    Figure  2.   Schematic diagram of camera installation on fishing vessel

    图  3   捕捞渔船5种行为图

    Figure  3.   Five behavior diagrams of fishing vessels

    图  4   捕捞渔船初始拍摄数据统计图

    Figure  4.   Statistics chart of initial shooting data of fishing vessel

    图  5   每100帧为一批次读取数据量

    Figure  5.   Read data every 100 frames as a batch

    图  6   3-2D融合模型的卷积神经网络结构图

    Figure  6.   Convolutional neural network structure diagram of 3-2D fusion model

    图  7   训练模型结果图

    Figure  7.   Result graph of training model

    图  8   精度与召回率的关系图

    Figure  8.   Relationship between precision rate and recall rate

    图  9   捕捞渔船结果测试图片

    Figure  9.   Test picture of fishing vessel result test picture

    表  1   选用视频数据

    Table  1   Selection of video data

    渔船标签
    Fishing vessel label
    渔船行为
    Fishing vessel behavior
    渔船视频数量
    Number of fishing vessel videos/个
    0 停靠 Dock 90
    1 航行 Sail 110
    2 下网 Cast net 110
    3 收网 Put away net 110
    4 等待 Wait 80
    下载: 导出CSV

    表  2   制作数据标签

    Table  2   Production of data labels

    视频路径
    Video path
    视频帧数
    Video frames
    捕捞渔船标签
    Fishing vessel label
    行为状态
    Behavioral state
    syy/d01/D01_20210617171455.mp4 0~13 230 0 停靠 Dock
    syy/d01/D01_20210620043651.mp4 0~11 940 1 航行 Sail
    syy/d01/D01_20210620043651.mp4 11 940~50 093 2 下网 Cast net
    syy/d01/D01_20210630181131.mp4 0~69 301 3 收网 Put away net
    syy/d01/D01_20210620061938.mp4 0~4 330 4 等待 Wait
    下载: 导出CSV

    表  3   模型评价主要指标及结果

    Table  3   Main indicators and results of model evaluation

    指标 
    Index 
    训练结果
    Training result
    测试结果
    Test result
    精度 Precision/% 99.60 95.35
    召回率 Recall rate/% 99.63 94.50
    平衡F分数 F1-Score/% 99.06 93.32
    平均精确度 AP/% 98.70 96.60
    时间 t/(ms·帧−1) 35.46
    下载: 导出CSV
  • [1] 李国东, 仲霞铭, 熊瑛, 等. 基于北斗船位数据的渔业信息解译与应用研究——以中国毛虾限额捕捞管理为例[J]. 海洋与湖沼, 2021, 52(3): 746-753. doi: 10.11693/hyhz20201000288
    [2] 农业农村部渔业渔政管理局, 全国水产技术推广总站, 中国水产学会. 2019年中国渔业统计年鉴[J]. 北京: 中国农业出版社, 2020: 2.
    [3]

    MULYANI S, VESTIYATI P M, ALAMSYAH H K, et al. Effect of differences in salt concentration on the quality of rebon shrimp paste (Acetes sp.) in Tegal district[J]. IOP Conf Ser:Earth Environ Sci, 2021, 755(1): 012051. doi: 10.1088/1755-1315/755/1/012051

    [4]

    UNG T D, TRAN T Y N, NGUYEN N L, et al. Biochemical characteristics of small shrimp (Acetes japonicus) of varied sizes collected in Ben Tre Province, Vietnam[J]. IOP Conf Ser: Mater Sci Eng, 2021, 1092(1): 012080. doi: 10.1088/1757-899X/1092/1/012080

    [5] 刘洋, 张胜茂, 王斐, 等. 海洋捕捞鱼类BigH神经网络分类模型设计与实现[J]. 工业控制计算机, 2021, 34(6): 18-20. doi: 10.3969/j.issn.1001-182X.2021.06.007
    [6] 梁建胜, 温贺平. 基于深度学习的视频关键帧提取与视频检索[J]. 控制工程, 2019, 26(5): 965-970.
    [7] 蒋梦迪, 程江华, 陈明辉, 等. 视频和图像文本提取方法综述[J]. 计算机科学, 2017, 44(S2): 8-18.
    [8] 李秀智, 张冉, 贾松敏. 面向助老行为识别的三维卷积神经网络设计[J]. 北京工业大学学报, 2021, 47(6): 589-597.
    [9] 耿家利. 渔船轨迹大数据存储优化与行为识别技术研究[D]. 杭州: 杭州电子科技大学, 2018: 5-8
    [10]

    ZHANG H, YANG S L, FAN W, et al. Spatial analysis of the fishing behaviour of tuna purse seiners in the western and central Pacific based on vessel trajectory date[J]. J Mar Sci Eng, 2021, 9(3): 322. doi: 10.3390/jmse9030322

    [11] 宁耀. 基于深度学习的渔船行为识别方法研究[D]. 兰州: 兰州大学, 2020: 42-53.
    [12]

    TRAN D, BOURDEV L, FERGUS R, et al. Learning spatiotemporal features with 3D convolutional networks[C]. 2015 Proceedings of the IEEE International Conference on Computer Vision (ICCV), Santiago, Chile. New York: IEEE, 2015: 4489-4497.

    [13]

    CARREIRA J, ZISSERMAN A. Quo vadis, action recognition? A new model and the kinetics dataset[C]. 2017 Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu HI, USA. New York: IEEE, 2017: 6299-6308.

    [14] 王书献, 张胜茂, 朱文斌, 等. 基于深度学习YOLOV5网络模型的金枪鱼延绳钓电子监控系统目标检测应用[J]. 大连海洋大学学报, 2021, 36(5): 1-17.
    [15] 王书献, 孙永文, 张胜茂, 等. 基于卫星AIS远洋船位的热力图自动制图[J]. 渔业信息与战略, 2021, 36(1): 45-53.
    [16] 裴凯洋, 张胜茂, 樊伟, 等. 浙江省帆张网捕捞强度分布的提取方法[J]. 水产学报, 2020, 44(11): 1913-1925.
    [17] 张胜茂, 樊伟, 张衡, 等. 远洋捕捞渔船电子监控视频文字信息提取[J]. 渔业信息与战略, 2020, 35(2): 141-146.
    [18] 汤先峰, 张胜茂, 樊伟, 等. 基于深度学习的刺网与拖网作业类型识别研究[J]. 海洋渔业, 2020, 42(2): 233-244. doi: 10.3969/j.issn.1004-2490.2020.02.011
    [19] 王书献, 张胜茂, 戴阳, 等. 利用声呐数据提取磷虾捕捞深度方法研究[J]. 南方水产科学, 2021, 17(4): 91-97. doi: 10.12131/20210020
    [20] 农业农村部印发《通告》规定2021年伏休期间特殊经济品种专项捕捞许可[J]. 中国水产, 2021(6): 6-8.
    [21]

    IOFFE S, SZEGEDY C. Batch normalization: accelerating deep network training by reducing internal covariate shift[C]. 2015 International conference on machine learning (ICML), Lille, France. San Diego, CA: JMLR-Journal Machine Learning Research, 2015: 448-456.

    [22]

    HE K, ZHANG X, REN S, et al. Delving deep into rectifiers: surpassing human-level performance on imagenet classification[C]. 2015 Proceedings of the IEEE International Conference on Computer Vision (ICCV), Santiago, Chile. New York: IEEE, 2015: 1026-1034.

    [23] 崔雪森, 田晓清, 康伟, 等. 基于卷积神经网络的微藻种类识别[J]. 上海海洋大学学报, 2021, 30(4): 710-717.
    [24] 罗晨辉, 孙洪飞. 改进型的batch normalization: BNalpha[J]. 计算机应用研究, 2021, 38(6): 1870-1873.
    [25]

    WEI Q J, WANG W B. Research on image retrieval using deep convolutional neural network combining L1 regularization and PRelu activation function[J]. IOP Conf Ser: Earth Environ Sci, 2017, 69(1): 012156.

    [26] 张胜茂, 刘洋, 樊伟, 等. 基于TensorFlow的水族馆鱼类目标检测APP开发[J]. 渔业现代化, 2020, 47(2): 60-67. doi: 10.3969/j.issn.1007-9580.2020.02.008
    [27] 张超. P−R曲线与模型评估问题研究[J]. 现代信息科技, 2020, 4(4): 23-24. doi: 10.3969/j.issn.2096-4706.2020.04.007
    [28] 陈冠宇. 基于深度学习的小目标检测方法研究[D]. 武汉: 中国地质大学, 2020: 27-29.
    [29] 马金涛. 基于深度学习的复杂环境目标检测方法研究[D]. 哈尔滨: 哈尔滨理工大学, 2021: 27-28.
    [30] 李琪. 基于深度学习的小目标检测方法研究[D]. 成都: 中国科学院大学 (中国科学院光电技术研究所), 2021: 13-14.
    [31] 赵亮, 胡杰, 刘汉, 等. 基于语义分割的深度学习激光点云3D目标检测算法[J]. 中国激光: 2021, 48(17): 171-183.
    [32] 李新德, 刘苗苗, 徐叶帆, 等. 一种基于2D和3D SIFT特征级融合的一般物体识别算法[J]. 电子学报, 2015, 43(11): 2277-2283. doi: 10.3969/j.issn.0372-2112.2015.11.021
    [33] 卢元兵, 李华朋, 张树清. 基于混合3D-2D CNN的多时相遥感农作物分类[J]. 农业工程学报, 2021, 37(13): 142-151. doi: 10.11975/j.issn.1002-6819.2021.13.017
    [34] 黄海广, 胡乃军, 仇志金, 等. 基于多源定位数据的实时船舶监控系统设计[J]. 中国海洋大学学报(自然科学版), 2015, 45(9): 122-129.
    [35]

    KROODSMA D A, MAYORGA J, HOCHBERG T, et al. Tracking the global footprint of fisheries[J]. Science, 2018, 359(6378): 904. doi: 10.1126/science.aao5646

    [36]

    GUAN Y N, ZHANG J, ZHANG X, et al. Identification of fishing vessel types and analysis of seasonal activities in the northern South China Sea based on AIS Data: a case study of 2018[J]. Remote Sens, 2021, 13(10): 1952. doi: 10.3390/rs13101952

    [37] 裴凯洋, 张胜茂, 樊伟, 等. 基于VMS的张网渔船捕捞努力量与网位坐标提取方法[J]. 上海海洋大学学报, 2021, 30(1): 179-188.
    [38] 朱浩朋, 伍玉梅, 唐峰华, 等. 采用卷积神经网络构建西北太平洋柔鱼渔场预报模型[J]. 农业工程学报, 2020, 36(24): 153-160,57. doi: 10.11975/j.issn.1002-6819.2020.24.018
    [39] 范秀梅, 杨胜龙, 张胜茂, 等. 基于栖息地指数的阿拉伯海鲐鱼渔情预报模型构建[J]. 南方水产科学, 2020, 16(4): 8-17. doi: 10.12131/20190255
    [40] 郑巧玲, 樊伟, 张胜茂, 等. 基于神经网络和VMS的渔船捕捞类型辨别[J]. 南方水产科学, 2016, 12(2): 81-87. doi: 10.3969/j.issn.2095-0780.2016.02.012
  • 期刊类型引用(4)

    1. 毛嘉烜,汪振华,章守宇,林军,邹沁东,陈怡卉. 大陈岛海域潮下带岩礁生境鱼类群聚特征. 上海海洋大学学报. 2025(03): 604-617 . 百度学术
    2. 廖东荣,黎傲雪,陈宁,吕少梁,王学锋. 湛江港皮氏叫姑鱼种群生物学特征和资源开发状态. 南方水产科学. 2024(03): 27-35 . 本站查看
    3. Wen Yang,Wenjia Hu,Bin Chen,Hongjian Tan,Shangke Su,Like Ding,Peng Dong,Weiwei Yu,Jianguo Du. Impact of climate change on potential habitat distribution of Sciaenidae in the coastal waters of China. Acta Oceanologica Sinica. 2023(04): 59-71 . 必应学术
    4. 杨雯,胡文佳,陈彬,谭红建,董鹏,俞炜炜,杜建国. 基于MaxEnt模型的中国近海主要石首鱼科鱼类潜在适生区. 生态学杂志. 2022(09): 1825-1834 . 百度学术

    其他类型引用(6)

推荐阅读
低盐水体so4 2−/cl− 胁迫下凡纳滨对虾生长、肝胰腺与鳃组织结构及酶活力比较
贺铮 et al., 南方水产科学, 2025
南海冷泉毗邻海域尾明角灯鱼和长鳍虹灯鱼的营养生态位研究
石娟 et al., 南方水产科学, 2024
广西渔船在北部湾的捕捞产量评估
龚斌昊 et al., 南方水产科学, 2024
基于水体及胃含物dna宏条形码技术的斑鳠幼鱼食性分析
蒙庆米 et al., 南方水产科学, 2024
西北太平洋公海加利福尼亚标灯鱼年龄和生长
ZHANG Yining et al., JOURNAL OF SHANGHAI OCEAN UNIVERSITY, 2025
杭州湾北部凤鲚雌、雄繁殖群体的渔业生物学特征
王淼 et al., 水产科学, 2024
Phylogenetic classification of living and fossil ray-finned fishes (actinopterygii)
Near, Thomas J., BULLETIN OF THE PEABODY MUSEUM OF NATURAL HISTORY, 2024
Life in the fast lane: revisiting the fast growth-high survival paradigm during the early life stages of fishes
Robert, Dominique et al., FISH AND FISHERIES, 2023
Research on the identification and classification of marine debris based on improved yolov8
JOURNAL OF MARINE SCIENCE AND ENGINEERING, 2024
Morphological and phylogenetical analyses of pathogenic hypomyces perniciosus isolates from agaricus bisporus causing wet bubble disease in china
PHYTOTAXA, 2021
Powered by
图(9)  /  表(3)
计量
  • 文章访问数:  934
  • HTML全文浏览量:  344
  • PDF下载量:  50
  • 被引次数: 10
出版历程
  • 收稿日期:  2021-09-11
  • 修回日期:  2021-11-01
  • 录用日期:  2021-11-16
  • 网络出版日期:  2021-12-06
  • 刊出日期:  2022-08-04

目录

/

返回文章
返回