近日，我所漁業遙感技術及數字漁業創新團隊周為峰研究員等科研人員在漁船行為智能識別領域取得系列突破。相關成果分別以論文《A Data Cleaning Method for the Identification of Outliers in Fishing Vessel Trajectories Based on a Geocoding Algorithm》發表于《Journal of Marine Science and Engineering》（DOI為10.3390/jmse13050917）；論文《Fishing operation type recognition based on multi-branch convolutional neural network using trajectory data》發表于《PeerJ Computer Science》（DOI為10.7717/peerj-cs.3020）。
上述2項科研成果通過創新性融合地理編碼與深度學習技術，構建了覆蓋漁船軌跡“清洗—識別”全鏈條的智能分析體系，為漁業資源可持續管理提供技術支撐。一方面，針對軌跡數據所存在的異頻采樣性和數據質量差的特點，提出了一種創新的Geohash地理編碼算法結合動態可達性分析的軌跡異常識別方法，通過將軌跡點進行地理格網編碼轉換，并充分利用軌跡數據中的航速與時間間隔，動態生成“可達區域網格”，無需大量先驗數據即可精準識別異常軌跡點。實現異常軌跡點的精準識別，有效解決了傳統方法依賴人工閾值、自適應差的痛點。另一方面，針對現實存在的“證業不符”的漁業管理痛點，引入自然語言處理（NLP）嵌入技術，研發多分支一維卷積神經網絡（MB-1dCNN），將經緯度坐標轉化為Geohash字符串，提取軌跡的“空間上下文語義”，使神經網絡能理解漁船行為的時序特征，實現基于漁船作業軌跡的不同作業模式的智能識別。研究表明，多分支結構優于單分支結構，一維卷積神經網絡優于全連接神經網絡。
這2項技術可形成協同效應。通過數據清洗方法解決軌跡噪聲問題，為后續分析提供高質量數據基礎，作業類型識別模型也將有助于非法作業監管，相關成果將推動我國漁船監控技術從“人工經驗”向“智能算法”的跨越。上述研究得到了國家重點研發計劃（2023YFD2401303）、中央公益性科研院所基本科研業務費（水科院東海所2022ZD0402）等項目的資助。
紅色為檢測出異常點（以2018年1月2日ZhePuYu 68823 的軌跡為例）
（漁業遙感技術及數字漁業創新團隊 周為峰）
