基于三次B样条曲线与动态窗口算法的桁杆轨迹规划

戴阳, 姚宇青, 郑汉丰, 韦波, 杨昱皞, 王永进, 张禹

戴阳, 姚宇青, 郑汉丰, 韦波, 杨昱皞, 王永进, 张禹. 基于三次B样条曲线与动态窗口算法的桁杆轨迹规划[J]. 南方水产科学, 2023, 19(2): 116-123. DOI: 10.12131/20220048
引用本文: 戴阳, 姚宇青, 郑汉丰, 韦波, 杨昱皞, 王永进, 张禹. 基于三次B样条曲线与动态窗口算法的桁杆轨迹规划[J]. 南方水产科学, 2023, 19(2): 116-123. DOI: 10.12131/20220048
DAI Yang, YAO Yuqing, ZHENG Hanfeng, WEI Bo, YANG Yuhao, WANG Yongjin, ZHANG Yu. Truss rod trajectory planning based on cubic B-spline curve and Dynamic Window Algorithm[J]. South China Fisheries Science, 2023, 19(2): 116-123. DOI: 10.12131/20220048
Citation: DAI Yang, YAO Yuqing, ZHENG Hanfeng, WEI Bo, YANG Yuhao, WANG Yongjin, ZHANG Yu. Truss rod trajectory planning based on cubic B-spline curve and Dynamic Window Algorithm[J]. South China Fisheries Science, 2023, 19(2): 116-123. DOI: 10.12131/20220048

基于三次B样条曲线与动态窗口算法的桁杆轨迹规划

基金项目: 国家重点研发计划项目 (2020YFD0901204);上海市科学技术委员会科研计划项目 (18391900800)
详细信息
    通讯作者:

    戴 阳 (1969—),男,副研究员,博士,研究方向为渔业信息与遥感技术。E-mail: 13162787852@163.com

  • 中图分类号: S 973.9

Truss rod trajectory planning based on cubic B-spline curve and Dynamic Window Algorithm

  • 摘要: 针对当前中国南极磷虾 (Euphausia superba) 捕捞自动化水平较低、人工观察探渔仪图像确定捕捞深度易产生误差等问题,提出一种基于南极磷虾声呐设备元数据的动力桁杆轨迹规划方法。首先解析水声学仪器EK80科学回声探测仪传回的数据,得到磷虾在不同深度下的目标强度,用统计学方法确定磷虾在该深度下的资源量,以此得到每个水平距离 (X) 对应的磷虾最密集的深度 (Y),再利用三次B样条曲线和动态窗口算法分别进行全局和局部路径规划,规划路线通过这些磷虾最密集的深度。结果显示,规划路径全长1 054 m,总用时614 s,动态窗口算法跟踪的最大偏离距离仅为3.3 m,小于预计的最大偏移距离 (5 m)。所提出的方法具有以下优点:1) 有效避免人工判断资源量深度产生误差而对捕捞量造成影响,提高捕捞效率;2) 实现自动规划捕捞效益最佳的桁杆前进路线。
    Abstract: In order to solve the problems such as the current low level of automation in the fishing of Antarctic krills (Euphausia superba) in China, and the error in determining the fishing depth by manually observing the fish detector image, we proposed a dynamic truss trajectory planning method based on the metadata of Antarctic krill sonar equipment. First, we analyzed the data sent back by the underwater acoustic instrument EK80 scientific echo sounder, obtained the target intensity of krills at different depths, and used statistical methods to determine the krills resources at this depth, so as to get the densest depth (Y) of krills corresponding to each horizontal distance (X). Then we used cubic B-spline curve and Dynamic Window Algorithm to carry out the global path planning and local path planning. The planned route passed through the densest depth of these krills. The results show that the total length of the planned path was 1 054 m, and the total time was 614 s. The maximum deviation distance tracked by the Dynamic Window Algorithm was only 3.3 m, which was less than the expected maximum deviation distance of 5 m. The proposed method can: 1) Avoid the impact of artificial judgment of resource depth on the fishing volume effectively, and improve the fishing efficiency. 2) Realize the automatic planning of the truss forward route with the best fishing efficiency.
  • 南海渔业资源丰富,海洋捕捞业推动了近海渔区的经济发展。近年来,由于过度捕捞导致近海渔业资源衰退。相较于近海,南海外海海域丰富的渔业资源具有更大的开发潜力[1]。灯光罩网是20世纪90年代初迅速发展起来的一种新型渔具渔法,主要捕捞趋光的中上层鱼类和头足类,代表种类为鸢乌贼 (Sthenoteuthis oualaniensis)、扁舵鲣 (Auxis thazard)、圆舵鲣 (A. tapeinosoma)、细鳞圆鲹 (Decapterus macarellus) 等。继2004年春季,灯光罩网成功探捕西、中沙海域鸢乌贼后,前往南海外海生产的渔船逐年增加。由于其操作简单、渔获量高、生产效益好、作业稳定,近年季节性前往南海外海作业的灯光罩网渔船超200艘,已成为南海外海的主要捕捞作业方式之一[2]

    渔业数据是进行渔业科学研究的基础,其精度直接影响研究结果的准确性。传统渔捞日志是原始渔业数据的主要来源,主要记录渔船捕捞情况,渔船的实时位置、航速、航向和航行轨迹等信息则无从得知,且随着渔捞日志数据的层层上报,错报、误报的情况也时有发生,数据的完整性和准确性均有待提高[3]。渔船监控系统 (Vessel monitoring system, VMS) 是集全球卫星定位、电子海图、计算机网络通讯和数据库等技术于一体,可实时获取和存储船舶船位信息的综合应用系统[4]。VMS数据包括渔船位置、航速、航向和日期,为渔船管理监测、渔业资源评估和渔业管理提供了更加准确、完整的基础数据。国外,VMS数据已广泛应用于渔船轨迹状态识别[5-6]、捕捞强度[7]、捕捞努力量[8]和渔获时空分布[9]等方面的研究,例如利用VMS数据预测渔船捕捞作业位置[10]、估算印度洋延绳钓渔船捕捞努力量和时空分布[9]

    我国VMS数据主要来源于北斗卫星系统。随着我国北斗卫星系统的建立和完善,大量学者对北斗VMS数据的分析应用展开研究。Li等[11]利用北斗船位数据研究了海州湾毛虾 (Acetes chinensis) 的资源分布变化;于杰等[12]基于北斗卫星船位监控系统数据分析双拖渔船的作业状态,研究了航次和网次提取方法;张荣瀚等[13]利用北斗VMS数据对流刺网渔业捕捞的时空分布进行了分析;裴凯洋等[14]利用北斗船位监控数据判断张网渔船的布网位置,提取放网时长和计算捕捞努力量。

    目前国内对灯光罩网的研究大多依赖传统渔捞日志[15]或渔业统计数据[16]。如谢恩阁等[15]根据传统渔捞日志数据,对灯光罩网渔船的单位捕捞努力量渔获量 (Catch per unit effort, CPUE)进行标准化研究;邹建伟等[2]评估了鸢乌贼资源丰度变化情况,利用灯光罩网渔船在南海外海的生产数据分析了灯光罩网主要渔场的分布变动情况。而利用北斗船位数据对灯光罩网渔船生产的研究却鲜见报道。本文根据灯光罩网渔船的北斗船位数据,探讨了南海外海灯光罩网渔船的作业状态,以期为加强南海外海灯光罩网渔船的生产监测和渔船捕捞活动的有效管理提供决策参考。

    北斗数据来源于中国水产科学研究院南海水产研究所南海渔业中心的“南海渔船动态监控平台”,数据字段包括渔船名称、北斗终端编码、渔船名称、经纬度、航向、速度和定位时间等,时间分辨率为3 min,空间分辨率为10 m。

    捕捞日志数据来源于广西北海市水产技术推广站,选取桂北渔62666、桂北渔61999和桂北渔36288,3艘灯光罩网渔船2017年2—5月的捕捞日志数据,数据包括渔船名称、主机功率、航次、作业时间、作业位置和渔获量等信息。

    本研究以南海外海3艘灯光罩网渔船为例,根据灯光罩网作业特点,基于作业水深、时间范围和平均速率等多个参数,判定船位点的作业状态。南海海域100 m水深数据来源于夏威夷大学网站 (https://apdrc.soest.hawaii.edu/) 海洋水深地形Etopo1,空间分辨率为1'×1'。使用Rstudio R-4.0.4、Excel 2016、IBM SPSS Statistics 20.0、ArcGIS 10.7等软件进行数据处理和绘图。

    航次包括出航、作业和回航3部分。根据实际作业经验,在南海外海作业的灯光罩网渔船,作业渔场基本在100 m等深线以深海域。本研究利用灯光罩网渔船北斗船位数据的定位时间和经纬度,绘制渔船航行轨迹。根据轨迹与100 m等深线的相交结果,确定渔船的航次信息。

    首先,筛选出位于100 m等深线以深的船位点。又因灯光罩网渔船在夜晚天黑时作业,根据2—5月南海外海大致的天亮、天黑时间,将渔船作业时间范围划定当天晚上19:00至次日早上5:00,进一步筛选出作业时间介于19:00—次日5:00的船位点进行研究分析。另外,根据实际生产情况和生产经验,灯光罩网渔船每晚作业期间休息时间约0.5 h,故将捕捞日志记录作业时长统一减去0.5 h。灯光罩网渔船在夜晚作业期间,渔船可分为航行、作业、转场和停港休息4种状态,其中作业阶段可再细分为开灯集鱼、熄灯放网及起网收渔获3种状态 (表1)。

    表  1  灯光罩网渔船状态划分
    Table  1.  State division of light-net fishing vessels
    阶段划分
    Stage division
    渔船状态
    State of vessel
    持续时间
    Duration
    备注
    Remark
    航行
    Navigation
    快速航行视渔场距离而定
    作业
    Fishing
    开灯诱鱼放锚阻滞2.0~3.0 h夜间,使用水锚阻滞,使渔船对水移动停止,渔船随海流漂移。
    熄灯放网5 min
    起网收渔获25 min
    转场
    Cruising
    快速航行驶往下一个作业点,与航行状态相同,但不收回撑开的臂杆。
    停航休息
    Stopping
    放锚阻滞白天,放水锚,随海流漂移。
    下载: 导出CSV 
    | 显示表格

    北斗船位数据记录了渔船每个船位点的经纬度和定位时间,根据相邻两点之间的经、纬度可求出相邻船位点的空间距离,根据相邻两点之间的定位时间可求出相邻船位点的时间间隔。假设两个船位点AB,其经纬度分别为AlonAlatBlonBlat。那么AB两点之间的空间距离D可以用半正矢公式 (Haversine formula) 求得[13],公式为:

    $$ {\minibfont{ D = 2R\cdot\arcsin \left[\sqrt {{{\sin }^2}\left(\frac{{{B_{{\rm{lat}}}} - {A_{{\rm{lat}}}}}}{2}\right) + \cos ({A_{{\rm{lat}}}})\cos ({B_{{\rm{lat}}}}){{\sin }^2}\left(\frac{{{B_{{\rm{lon}}}} - {A_{{\rm{lon}}}}}}{2}\right)} \right]}} $$ (1)

    式中:R为地球平均半径6 378 145 m。

    根据AB两点间的空间距离和时间间隔求得渔船的平均速率 (v),公式为:

    $$ {\minibfont v }= \frac{ \minibfont D}{{{ \minibfont {T_{{B}}}} - { \minibfont {T_{{A}}}}}} $$ (2)

    式中:TATB分别是AB两点的定位时间。

    利用SPPS 20.0软件,统计船位点在各平均速率出现的频数,找出渔船作业的平均速率阈值。

    采用多层过滤法,利用作业水深、作业时间和平均速率阈值对渔船船位点进行筛选判别,公式如下:

    $$ {\minibfont{S=F\left(v\right)=\left\{\begin{array}{l}0\begin{array}{l} \begin{array}{l}d > 100\;{{\rm{m}}}\text{,\;}\\ 19:00 < t < 5:00\text{,\;}\\ 0.03\;{\rm{m}} \cdot {\rm{s}}^{-1}\leqslant v\leqslant 1.08\;{\rm{m}} \cdot {\rm{s}}^{-1}\end{array}\end{array}\\ 1\begin{array}{l} \begin{array}{l}d < 100\;{\rm{m}}\text{,\;}\\ t < 19:00\text{,\;}t > 5:00\text{,\;}\\ v < 0.03\;{\rm{m}} \cdot {\rm{s}}^{-1}\text{,\;}v > 1.08\;{\rm{m}} \cdot {\rm{s}}^{-1}\end{array}\end{array}\end{array}\right. }}$$ (3)

    式中:S为船位点的状态;0为作业状态;1为非作业状态;d为100 m等深线;t为时间范围;v为灯光罩网渔船的平均速率。

    采用过滤窗的方法修正船位点状态,以提高判定的准确度[17],在时间序列船位点中,任意时间的点P状态与其附近n个点状态比较确定。

    $$ \begin{split} \left\{\begin{array}{l} {\minibfont S}_{\rm{f}}=\minibfont F({\minibfont S}_{1}{\rm{,}}\;{\minibfont S}_{2}{\rm{,}}\;{\minibfont S}_{3}, \cdots , {\minibfont S}_{{m}-1})\\ {\minibfont S}_{\rm{b}}=\minibfont F({\minibfont S}_{{m}+{1}}{\rm{,}}\;{\minibfont S}_{{m}+{2}}{\rm{,\;S}}_{{m}+{3}}, \cdots , {{S}}_{{n}}\rm{)}\\ {{\minibfont S}}_{{x}}\in {{(\minibfont S}}_{{1}}\cdots {\minibfont S}_{{m}-{1}}{\rm{,}}\;{\minibfont S}_{m}{\rm{,}}\;{\minibfont S}_{{m}+{1}}, \cdots , {{\minibfont S}}_{{n}}\rm{)}\end{array}\right. \end{split}$$ (4)

    式中:Sxn个点状态(S1···Sm······Sn);点P状态为SmP点前的船位点状态Sf由[S1, Sm−1]中状态最多的值确定;P点后的船位点状态Sb由[Sm+1, Sn]中状态最多的值确定;如果各状态值数量相同,则用离P点最近的值确定[17]

    $$ \begin{array}{l}{S}_{{m}}=F({S}_{\rm{f}}{\rm{,}}\;{S}_{m}{\rm{,}}\;{S}_{\rm{b}})\\ \begin{array}{cc}& =\left\{\begin{array}{l}{S}_{m}\begin{array}{cc}& \begin{array}{cc}& \end{array}\begin{array}{cc}& \end{array}\end{array}{S}_{\rm{f}}\ne {S}_{m}{\rm{,}}\;{S}_{m}\ne {S}_{\rm{b}}{\rm{,}}\;{S}_{\rm{f}}\ne {S}_{\rm{b}}\\ {S}_{m}\begin{array}{cc}\begin{array}{cc}& \end{array}& \end{array}\begin{array}{cc}& \end{array}{S}_{\rm{f}}={S}_{m}\,或\,{S}_{m}={S}_{\rm{b}}\\ {S}_{\rm{f}}\,或\,{S}_{\rm{b}}\qquad\;\;\qquad{S}_{\rm{f}}={S}_{\rm{b}}\end{array}\begin{array}{cc}& \end{array}\right.\end{array}\end{array} $$ (5)

    判断Sm状态共有两种情况:如果SfSb状态相同,Sm为两者的状态;如果SfSb状态不同,Sm保持原状态值。

    灯光罩网渔船一晚可作业多个网次,在未变更渔场的情况下,可忽略每个网次间的时间差,一晚的作业时长可由相邻作业船位点定位时间间隔累加获得;因此,渔船一晚累计作业时长计算公式为:

    $$ {\minibfont {E = \sum\limits_{i - 1}^{{n}} {({P_{i + 1}} - {P_i})}}} $$ (6)

    式中:E是北斗提取1艘渔船1晚的累计作业时长 (h);Pi+1~Pi为某渔船两个相邻作业船位点的时间间隔;n表示某渔船1晚作业船位点的数目;i为1晚的第i个作业船位点。

    为对比北斗提取作业时长与实际记录作业时长的差异,计算北斗提取作业时长与实际记录作业时长的平均绝对误差 (MAE) 和平均相对误差 (MRE),公式为:

    $${\minibfont {{t_{\rm{MAE}}} = \frac{{ \displaystyle \sum\limits_{k = 1}^l {\left| {{E_{\text{k}}} - {R_k}} \right|} }}{l} }}$$ (7)
    $${\minibfont{ t_{\rm{MRE}} = \frac{{ \displaystyle \sum\limits_{k = 1}^l {{{\left| {{E_k} - {R_k}} \right|}}/{{{R_k}}} \times 100{\text{%}} } }}{l}}} $$ (8)

    式中:tMAE 表示平均绝对误差;tMRE 表示平均相对误差;l为作业天数;EkRk分别为第k天北斗提取作业时长和实际记录作业时长。

    利用CPUE 表示捕捞强度,计算公式如式 (7) 所示,并采用ArcGIS 10.7软件中克里金插值法绘制灯光罩网渔船捕捞强度分布图。

    $$ {\minibfont {Y_{\rm{CPUE}} = \frac{{ \displaystyle \sum\limits_{j = 1}^{{m}} {{C_j}} }}{{ \displaystyle \sum\limits_{j = 1}^m {{T_j}} }}}}$$ (9)

    式中:YCPUE是某渔区网格的单位捕捞努力量 (kg∙h−1);Cj为0.5°×0.5°单位渔区内第j天的渔获总量 (kg);m为总时间 (d);Tj为第j天的累计作业时间 (h)。

    根据北斗船位数据记录的定位时间和经纬度,将船位点按时间顺序连接,便可以得到渔船轨迹。灯光罩网渔船桂北渔62666、61999和36288在2017年2—5月期间的渔船航行轨迹如图1所示,从3艘灯光罩网渔船轨迹与100 m等深线的相交分析结果看,2017年2—5月,桂北渔61999和36288渔船与100 m等深线均相交4次,桂北渔62666渔船与100 m等深线相交3次。一个航次指渔船从离开渔港到返回渔港的过程,每个航次先后2次通过100 m等深线,因此桂北渔61999和36288渔船在2017年2—5月均有2个航次,桂北渔62666渔船轨迹与100 m等深线相交次数为单数,表明渔船5月之前出海开展第2个航次,且第2个航次尚未完成。

    图  1  南海外海灯光罩网渔船轨迹
    Figure  1.  Track points of light-net fishing boats in open South China Sea

    3艘灯光罩网渔船航次信息如表2所示,在2017年2—5月,桂北渔61999完成2个航次,出海天数分别为60和46 d;第一个航次为2月4日11:12—4月5日10:59,第二个航次为4月14日19:20—5月30日22:01;桂北渔36288完成2个航次,出海天数均为47 d,第一个航次为2月15日11:42—4月3日9:48,第二个航次为4月14日13:47—5月30日23:03;桂北渔62666完成一个航次,为2月6日8:11—3月27日19:20,出海天数为49 d。与捕捞日志记录数据相比,提取航次数准确率为100%,提取航次天数准确率为93.98%。

    表  2  灯光罩网渔船航次信息
    Table  2.  Voyage information of light-net fishing vessels
    船名
    Vessel name
    航次
    Voyage
    时间
    Time
    出海时间
    Fishing time/d
    记录时间
    Recored time/d
    差值
    Difference/d
    准确率
    Accuracy rate/%
    桂北渔 62666
    Guibeiyu 62666
    第1航次2月6日8:11—3月27日19:204944589.80
    第2航次4月10日19:03—5月30日24:005150198.04
    桂北渔 61999
    Guibeiyu 61999
    第1航次2月4日11:12—4月5日10:596055591.67
    第2航次4月14日19:20—5月30日22:014645197.83
    桂北渔 36288
    Guibeiyu 36288
    第1航次2月15日11:42—4月3日9:484741587.23
    第2航次4月14日13:47—5月30日23:034746197.87
    合计 Total2982811793.98
    下载: 导出CSV 
    | 显示表格

    3艘灯光罩网渔船在2017年2—5月共有99369条船位数据,剔除重复数据后,根据灯光罩网渔船作业特点,选取100 m等深线以深的船位点数据61 820条,进而选取时间节点位于19:00−5:00之间的船位数据共计18 450条,用于平均速率频数统计分析。

    根据平均速率频数曲线 (图2) 可知,船位点的平均速率频数分布主要有3个峰。第1个峰谷区间为0~0.03 m·s−1,渔船处于停航停港状态;第2个峰谷区间为0.03~1.0 m·s−1,渔船处于作业状态;第3个峰谷为大于1.08 m·s−1,渔船处于航行状态。因此基于平均速率计算与频数分布分析,灯光罩网渔船处于作业状态的平均速率最小值为0.03 m·s−1,最大值为1.08 m·s−1。位于该阈值范围内的船位点共9 382个,占总数的50.85%。

    图  2  平均速率频数统计
    Figure  2.  Distribution of average speed and frequency

    采用过滤窗修正的方法,n取3,m取1,修正后3艘灯光罩网渔船在2017年2—5月处于作业状态的船位数据共计9 405条,作业船位分布图如图3所示。

    图  3  南海外海灯光罩网渔船作业位置
    Figure  3.  Location of light-net fishing vessels operation in open South China Sea

    对南海外海3艘灯光罩网渔船2017年2—5月捕捞信息和北斗船位数据提取的捕捞作业日期进行对比分析 (表3)。捕捞日志和北斗提取均有记录的时间共251 d,均无记录的时间共29 d,这些天说明北斗船位提取的捕捞信息是正确的,占总天数的92.72%;捕捞日志有记录北斗提取无记录的天数共9 d,表明北斗船位提取的捕捞信息是错误的,占总天数的2.98%;捕捞日志无记录北斗提取有记录的共13 d,占总天数的4.30%,因为没有捕捞日志记录,无法验证。

    表  3  捕捞日志和北斗船位提取日期比较
    Table  3.  Comparison of extraction date of fishing logbook and Beidou position
    船名
    Vesssel name
    天数
    Day/d
    捕捞日志有记录
    北斗提取有记录
    Have fishing logbook and Beidou data/d
    捕捞日志无记录
    北斗提取无记录
    No fishing logbook and no Beidou data/d
    捕捞日志有记录
    北斗提取无记录
    Have fishing logbook but without Beidou data/d
    捕捞日志无记录
    北斗提取有记录
    No fishing logbook but have Beidou data/d
    桂北渔 36288 Guibeiyu 36288 94 75 11 3 5
    桂北渔 61999 Guibeiyu 61999 107 90 13 1 3
    桂北渔 62666 Guibeiyu 62666 101 86 5 5 5
    合计 Total 302 251 29 9 13
    下载: 导出CSV 
    | 显示表格

    对比分析相同作业日期的记录作业时长和提取作业时长,验证提取作业时长的精确性。根据捕捞日志记录信息,对灯光罩网渔船作业时长进行分析,渔船每天作业8.5~9.5 h。根据北斗船位数据利用程序提取的信息显示,渔船每天作业时长在3~10 h,其中在9~10 h的天数占比最高,占总体的66.53%左右;其次是6~8 h,占总体的23.55% (图4)。记录作业时长和提取作业时长的均值分别为9.19 和8.69 h,平均绝对误差为1.12 h (表4)。

    图  4  记录作业时长和提取作业时长分布
    Figure  4.  Distribution of recorded and extracted operation time
    表  4  记录作业时长和提取作业时长的对比
    Table  4.  Comparison of recorded and extracted             operation time        h
    均值
    Mean value
    中值
    Mid-value
    众数
    Mode value
    极小值
    Minimal value
    极大值
    Maximum value
    记录作业时长
    Recorded operation time
    9.19 9.50 9.50 8.50 9.50
    提取作业时长
    Extracted operation time
    8.69 9.50 9.80 3.00 10.00
    绝对误差
    Absolute error
    1.12 0.60 0.10 0.00 6.50
    下载: 导出CSV 
    | 显示表格

    作业时长是捕捞努力量的重要参数,与渔获量之间存在相关性,故分别将记录作业时长和提取作业时长与渔获量进行相关性分析。结果显示,记录作业时长与渔获量的相关性极不显著 (P=0.111,图5-a);提取作业时长与渔获量呈显著相关性 (P<0.01,图5-b)。

    图  5  记录作业时长、提取作业时长与渔获量的关系
    Figure  5.  Relationship between recorded and extracted operation time and fish catches

    3艘灯光罩网渔船在2017年2—5月的捕捞强度分布情况如图6所示,捕捞强度的空间分布不均匀,整体上作业渔场集中在110°30'E—117°00'E、9°00'N—18°50'N。捕捞高强度区分别位于111°20'E—112°30'E、13°50'N—18°30'N,即西沙群岛附近和113°55'E—115°20'E、9°45'N—11°35'N,即南沙群岛双黄沙洲、太平岛附近。

    图  6  渔船捕捞强度分布
    Figure  6.  Distribution map of fishing intensity of vessels

    渔船监控系统是当前世界渔业发达国家普遍采用的渔船管理系统,具备渔船定位、通信和安全管理等功能[12]。VMS可以实时获取渔船的船位、航速、航向等渔船动态信息[18],揭示渔船捕捞状态[19],从而弥补了渔捞日志数据在这些信息方面的不足。我国VMS数据主要来源于北斗卫星系统,相比其他国家广泛使用的AIS、Inmarsat-C等系统,北斗卫星系统具有回报频率高的特点[20]。因此,本文选择北斗船位数据对灯光罩网渔船的状态进行分析。

    目前国内外已有不少学者采用不同方法,利用VMS数据分析判断渔船状态,例如,Gerritsen和Lordan[18]采用航速判别法,将VMS数据与捕捞日志数据集成,指出航速判别法不需要专业软件或密集计算也能应用,有利于推广。Joo等[21]用VMS数据使用人工神经网络方法改进数据库和规则,提高了对秘鲁鳀 (Engraulis ringens) 捕捞行为估测的准确性。de Souza等[22]使用欧盟的卫星AIS (Satellite-based Automatic Information Systems, S-AIS) 数据,通过数据挖掘和机器学习手段,对拖网、延绳钓和围网的捕捞活动进行识别。郑巧玲等[23]利用VMS数据,采用BP神经网络模型对流刺网、拖网、流动张网等不同作业方式进行类型辨别。杨胜龙等[24]使用支持向量机法构建延绳钓渔船捕捞作业分类模型,判断延绳钓渔船作业状态。本文根据灯光罩网的作业特点,分析北斗船位数据的渔船航速、经纬度等特征,采用多层过滤法,对灯光罩网渔船作业状态进行判定。

    灯光罩网渔船理论上可全年作业,而南海外海夏秋季海况较差 (海面风速达到7级以上出现频率较高) ,渔船基本不能正常生产。因此,在南海外海作业时间段主要集中在冬、春两季,其中每年2—5月的CPUE最高[25];因此本研究数据范围选择了2—5月。当前对渔船航次提取主要运用两种方法,即设定沿岸缓冲线距离[26-28]和等深线[12]。不同捕捞方式渔船进行航次提取所需设定的沿岸缓冲线距离不同。张胜茂等[27]提取拖网航次时对中国海岸线向外设置3 n mile缓冲线,使其包含附近的岛屿及港口,同时确保该缓冲线处于机动渔船底拖网禁渔区线之内。李国东等[29]在渔获物定点上岸渔港及附近海岸线向外设置1 nmile缓冲线距离,以提取毛虾网船航次信息,结果与渔船捕捞日志的航行记录完全吻合。等深线的设定主要根据渔船作业渔区范围,如南海拖网渔船作业海域基本位于20 m等深线以深海域,于杰等[12]采用20 m等深线对南海双拖网渔船进行航次提取。本研究选取的灯光罩网渔船作业海域基本位于100 m等深线以深海域,因此采用100 m等深线提取航次,通过渔船轨迹穿越100 m等深线的次数判断渔船航次数。

    灯光罩网渔船属掩罩类作业,在夜晚作业。本研究依据渔船作业习惯及人工经验对灯光罩网渔船各阶段及状态进行划分。渔船每晚作业期间可划分为航行、作业、转场和停港休息4种状态,包括快速航行、抛锚阻滞、停航休息3种作业状态。然而不同网具类型的船位点状态识别时参考的要素不同,如在拖网和流刺网渔船作业过程中,渔船的速度有着不同的状态特征[20,30]。张胜茂等[31]在识别拖网渔船船位点状态时主要参考了航速及航向信息。张荣瀚等[20]使用多层过滤法,根据航速、空间距离、时间间隔和航向角度变化等多个参数识别流刺网渔船船位点状态。与拖网和流刺网不同,灯光罩网渔船在作业期间航速低且变化不明显,此外在抛锚阻滞状态下航向会随海流发生较大变化,因此航向数据也不能作为灯光罩网渔船状态识别的参考要素[29]。如果利用简单的速度规则,根据瞬时航速判断渔船状态,误差较大。本文利用相邻船位点的时间间隔和距离间隔计算渔船平均速率,通过平均速率频数统计分析判断平均速率阈值,并利用过滤窗修正法确定渔船作业状态,可在一定程度上减少误差。

    根据航次提取结果可知,单艘渔船每航次平均为50 d,与捕捞日志相比,误差最大为5 d,最小为1 d,平均误差为2.8 d,准确率为94.30%。与李国东等[29]设定沿岸缓冲线距离提取毛虾网船航次信息结果相比,准确率偏低。分析原因可能是因为等深线值设定偏小,出海时间包括了部分前往渔场或返回渔港的过程,该部分时间在渔捞日志中不计入出海天数,一般为2~4 d。

    灯光罩网渔船的作业原理是利用灯光诱集鱼群,灯光诱集效果的好坏直接影响到鸢乌贼渔获量的高低,而月光相对灯光诱集效果有显著影响[32],月光天期间,月光较强,渔获率较月黑天低。尤其每月农历十四、十五、十六这3天,夜晚云雾少、月光强时,渔船一般不作业,但如果夜晚云雾大、月光弱,船长也会根据经验选择作业。其次,在对渔船实际作业情况的调查过程中发现,渔船试捕作业时,若网次渔获量过低,产生的经济效益不足以支撑继续捕捞消耗时,渔船会选择原地停航休息,这种情况也会导致捕捞日志无记录北斗提取有记录的情况发生。此外,捕捞日志的填报可能出现人为因素导致的错报漏报,北斗船位数据也会出现上传不及时或数据丢失,这些都会导致捕捞日志记录和北斗船位数据提取的信息出现偏差;但总体来说,捕捞日志记录信息与北斗提取信息较为吻合,作业日期平均准确率为92.72% (表3),表明本研究提取作业日期的方法可行性较高。

    提取作业时长与记录作业时长平均绝对误差为1.12 h (表4),与谢恩阁等[15]研究结果相比,平均绝对时长降低了0.37 h,可能是由数据筛选的时间范围缩小导致。该误差的原因主要有3个方面:1)灯光罩网渔船起网收渔获后进行下一网次放网,网次之间会有10~20 min的时间差,若网次间作业位置未发生较大变动,提取作业时长程序在该过程中仍将渔船判定为作业状态,无法精确剔除该时间差;2)灯光罩网渔船在夜晚天黑时作业,本研究选取的船位数据为2—5月,每晚作业时间范围统一平均划定在19:00—次日5:00,事实上不同季节的天黑、天亮时间不同,提取的作业时长会产生部分偏差;3)在实际作业过程中,渔民会分拣装箱渔获物后再填写捕捞日志,导致记录的作业时间延后,时长偏大。为进一步验证提取作业时长的精确性,将提取作业时长和记录作业时长分别与渔获量进行相关性分析。其中,提取作业时长与渔获量之间呈显著性相关 (P<0.01,图5-b),与张胜茂等[27]研究结果相符。记录作业时长与渔获量之间相关性极不显著 (P>0.05,图5-a),与谢恩阁等[33]研究结果相符。分析捕捞日志记录作业时长发现,记录作业时长均为整数且固定,可能因为记录作业时长多为估计值,也可能因为渔民是在结束当晚作业后才补填捕捞日志,与实际作业情况有出入,导致记录作业时长与渔获量之间相关性不明显。总体而言,与捕捞日志记录数据相比,利用北斗船位数据提取的作业时长更符合客观事实。

    与传统捕捞日志数据相比,渔船轨迹数据时空精度更高。评估渔业活动对海洋环境影响的一个重要指标是捕捞强度,采用VMS数据计算单位时间、单位面积水域内投入作业的捕捞努力量,可以得到高时空分辨率的捕捞强度分布状况。国内外研究者常用于绘制渔场高精度捕捞强度分布图,评估渔船的捕捞分布[34]。陈森等[35]研究发现南海灯光罩网渔船作业渔区分为近海陆架区和外海深水区,其中外海深水区主要集中在南沙群岛北部海区的双黄沙洲、太平岛以及九章群礁等岛礁附近海域进行作业生产,且在外海深水区作业为2—6月,本研究结果与其基本一致。邹建伟等[2]对南海外海渔场分布及变动的研究发现2、3、5月渔区主要分布于10°N—12°N太平岛周围海域,4月渔区增加了14°N—18°30'N,整体渔区范围与本研究结果一致。根据航次提取结果分析,可能是因为渔船在4月中旬结束第一个航次,经西沙返港休息,且在返航过程中继续作业。

    本文提出的分析定位时间和经纬度,计算平均速率阈值,结合等深线和时间范围,识别离散北斗船位数据,判断灯光罩网渔船作业状态的方法是可行的;适用于区分和计算渔船处于不同状态下的时间,并分析渔船行为和捕捞努力量。但本研究仍存在一定的不足,由于未考虑海面风速和海流对船速的影响,平均速率阈值划分粗度大。另外选取渔船数量较少,数据可能存在偶然性。今后可挖掘北斗船位数据更多特征,建立数学模型,提高作业船位点判定和提取的准确性。也可运用其他技术手段或数据进一步验证以提高准确率,如夜光遥感技术、视频监控和电子捕捞日志等手段,以期为我国渔业资源评估和渔业管理提供更加准确可靠的基础数据。

  • 图  1   桁杆结构图

    Figure  1.   Structure of truss rod

    图  2   磷虾目标深度

    Figure  2.   Target depth of krills

    图  3   深度值筛选与插值算法

    Figure  3.   Depth value filtering and interpolation algorithm

    图  4   磷虾目标深度与规划路径对比

    Figure  4.   Comparison between target depth and planned path of krills

    图  5   修改动态窗口为可跟踪连续节点

    Figure  5.   Change of dynamic window to trackable continuous nodes

    图  6   算法整体执行流程

    Figure  6.   Overall algorithm execution flow

    图  7   桁杆实验

    Figure  7.   Truss test

    图  8   动态窗口算法对规划路径的跟踪情况

    Figure  8.   Dynamic window algorithm tracking planned path

    图  9   偏离最优航线距离

    Figure  9.   Distance from optimal route

    表  1   仿真参数的设置

    Table  1   Simulation parameter settings

    参数
    Parameter
    数值
    Value
    参数
    Parameter
    数值
    Value
    最大速度 Maximum speed 1.5 m·s−1 最大角速度 Maximum angular velocity 0.7 rad·s−1
    最小速度 Minimum speed 0 m·s−1 最小角速度 Minimum angular velocity 0 rad·s−1
    速度加速度 Velocity acceleration 0.3 m·s−2 速度分辨率 Velocity resolution 0.1 m·s−1
    角速度加速度 Angular velocity acceleration 0.2 rad·s−2 角速度分辨率 Angular velocity resolution 0.1 rad·s−1
    间隔时间 Interval time 0.1 s 向前模拟轨迹的时间 Time of forward simulation track 3 s
    评价函数权重α Evaluation function weight α 0.4 评价函数权重γ Evaluation function weight γ 0.1
    评价函数权重β Evaluation function weight β 0.4 评价函数权重δ Evaluation function weight δ 0.1
    下载: 导出CSV
  • [1] 王荣, 孙松. 南极磷虾渔业现状与展望[J]. 海洋科学, 1995(4): 28-32.
    [2] 王万勇, 刘怡锦, 谢宁. 南极磷虾捕捞加工船及装备发展现状和趋势[J]. 船舶工程, 2020, 42(7): 33-39.
    [3] 徐国栋, 陈雪忠, 黄洪亮, 等. 南极磷虾捕捞技术探讨[J]. 湖南农业科学, 2011(19): 122-124. doi: 10.3969/j.issn.1006-060X.2011.19.038
    [4] 苏志鹏, 许柳雄, 朱国平, 等. 拖速和曳纲长度对南极磷虾中层拖网网位的影响[J]. 中国水产科学, 2017, 24(4): 884-892.
    [5] 刘健, 黄洪亮, 李灵智, 等. 南极磷虾连续捕捞技术发展状况[J]. 渔业现代化, 2013, 40(4): 51-54. doi: 10.3969/j.issn.1007-9580.2013.04.010
    [6] 谌志新, 王志勇, 欧阳杰. 我国南极磷虾捕捞与加工装备科技发展研究[J]. 中国工程科学, 2019, 21(6): 48-52.
    [7] 王新良, 赵宪勇, 左涛, 等. 黄海太平洋磷虾回波映像识别与资源密度评估[J]. 水产学报, 2016, 40(7): 1080-1088.
    [8] 张吉昌, 赵宪勇, 王新良, 等. 商用探鱼仪南极磷虾声学图像的数值化处理[J]. 渔业科学进展, 2012, 33(4): 64-71. doi: 10.3969/j.issn.1000-7075.2012.04.009
    [9] 王鲁民, 王永进, 齐广瑞, 等. 南极磷虾桁杆拖网升潜自供能调节装备: 212488059U[P]. 2021-02-09.
    [10] 吕文杰, 马戎, 李岁劳, 等. 基于纯追踪模型的路径跟踪改进算法[J]. 测控技术, 2011, 30(7): 93-96,100. doi: 10.3969/j.issn.1000-8829.2011.07.024
    [11] 李革, 王宇, 郭刘粉, 等. 插秧机导航路径跟踪改进纯追踪算法[J]. 农业机械学报, 2018, 49(5): 21-26. doi: 10.6041/j.issn.1000-1298.2018.05.002
    [12] 张智刚, 罗淆文, 赵祚喜, 等. 基于Kalman滤波和纯追踪模型的农业机械导航控制[J]. 农业机械学报, 2009, 40(S1): 6-12.
    [13] 敖邦乾, 杨莎, 叶振环. 改进蚁群算法水面无人艇平滑路径规划[J]. 控制理论与应用, 2021, 38(7): 1006-1014. doi: 10.7641/CTA.2021.00735
    [14] 王洪斌, 尹鹏衡, 郑维, 等. 基于改进的A*算法与动态窗口法的移动机器人路径规划[J]. 机器人, 2020, 42(3): 346-353.
    [15] 槐创锋, 郭龙, 贾雪艳, 等. 改进A*算法与动态窗口法的机器人动态路径规划[J]. 计算机工程与应用, 2021, 57(8): 5. doi: 10.3778/j.issn.1002-8331.2008-0063
    [16] 田晃. 基于改进A*算法与改进DWA算法的无人驾驶汽车路径规划研究[D]. 海口: 海南大学, 2021: 5-12.
    [17] 曾德全, 余卓平, 张培志, 等. 三次B样条曲线的无人车避障轨迹规划[J]. 同济大学学报(自然科学版), 2019, 47(S1): 159-163.
    [18] 张瑜, 宋荆洲, 张琪祁. 基于改进动态窗口法的户外清扫机器人局部路径规划[J]. 机器人, 2020, 42(5): 617-625.
    [19]

    PALERMINO A, FELICE A D, CANDUCI G, et al. First target strength measurement of Trachurus mediterraneus and Scomber colias in the Mediterranean Sea[J]. Fish Res, 2021, 240: 105973. doi: 10.1016/j.fishres.2021.105973

    [20]

    BASSETT C, LAVERY A C, STANTON T K. Broadband measurements of the acoustic target strength of mesopelagic fishes[J]. J Acoust Soc Am, 2019, 146(4): 2772.

    [21]

    GORDON W J, RIESENFELD R F. B-spline curves and surfaces[J]. Comput Aided Geom Des, 1974, 23(91): 95-126.

    [22]

    FOX D, BURGARD W, THRUN S. The dynamic window approach to collision avoidance[J]. IEEE Robot Autom Mag, 2002, 4(1): 23-33.

    [23] 王畅. 基于水下滑翔机的路径规划研究和可视化平台设计[D]. 天津: 天津大学, 2020: 20-25.
    [24] 杨周, 刘海滨. 基于改进蚁群与动态窗口法的AGV动态路径规划[J]. 计算机工程与应用, 2022, 58(6): 287-295. doi: 10.3778/j.issn.1002-8331.2108-0501
    [25] 李莹春. 环境因子对南极半岛北部南极磷虾渔场时空分布影响研究[D]. 上海: 上海海洋大学, 2012: 5-7.
    [26]

    ICHI T. Distribution of Antarctic krill concentrations exploited by Japanese krill trawlers and minke whales (Eleventh Symposium on Polar Biology)[C]. Proceedings of the NIPR Symposium on Polar Biology, 1990: 36-56.

    [27] 吕恩利, 林伟加, 刘妍华, 等. 基于B样条曲线的智能叉车托盘拾取路径规划研究[J]. 农业机械学报, 2019, 50(5): 394-402. doi: 10.6041/j.issn.1000-1298.2019.05.045
    [28] 朱振强. 飞行器航路规划与评价研究[D]. 西安: 西安电子科技大学, 2014: 30-37.
    [29] 李红, 王文军, 李克强. 基于B样条理论的平行泊车路径规划[J]. 中国公路学报, 2016, 29(9): 143-151. doi: 10.3969/j.issn.1001-7372.2016.09.019
    [30] 冯峰. 基于三次B样条曲线的一些算法研究[D]. 武汉: 武汉大学, 2021: 23-27.
    [31] 肖轶军, 丁明跃, 彭嘉雄. 基于迭代最近点的B样条曲线拟合方法研究[J]. 中国图象图形学报, 2000(7): 49-52. doi: 10.11834/jig.20000709
    [32] 胡中华, 许昕, 陈中. 无人机三维航迹非均匀三次B样条平滑算法[J]. 控制工程, 2020, 27(7): 1259-1266.
  • 期刊类型引用(2)

    1. 庄晓琪,刘巧瑜,林泽钳,姚彦延,钱敏,李湘銮,白卫东,董浩. 低盐腌制对脆肉鲩冻融后品质的影响. 食品工业科技. 2025(08): 76-84 . 百度学术
    2. 郝淑贤,韦丽娜,魏涯,黄卉,相欢,赵永强,岑剑伟,王迪,李来好. 发热包传热效果及其对冻干鱼肉复水品质的影响. 广东海洋大学学报. 2024(04): 139-146 . 百度学术

    其他类型引用(0)

图(9)  /  表(1)
计量
  • 文章访问数:  594
  • HTML全文浏览量:  150
  • PDF下载量:  33
  • 被引次数: 2
出版历程
  • 收稿日期:  2022-02-27
  • 修回日期:  2022-06-29
  • 录用日期:  2022-09-07
  • 网络出版日期:  2022-09-12
  • 刊出日期:  2023-04-04

目录

/

返回文章
返回