近日，我所渔业遥感技术及数字渔业创新团队周为峰研究员等科研人员在渔船行为智能识别领域取得系列突破。相关成果分别以论文《A Data Cleaning Method for the Identification of Outliers in Fishing Vessel Trajectories Based on a Geocoding Algorithm》发表于《Journal of Marine Science and Engineering》（DOI为10.3390/jmse13050917）；论文《Fishing operation type recognition based on multi-branch convolutional neural network using trajectory data》发表于《PeerJ Computer Science》（DOI为10.7717/peerj-cs.3020）。

上述2项科研成果通过创新性融合地理编码与深度学习技术，构建了覆盖渔船轨迹“清洗—识别”全链条的智能分析体系，为渔业资源可持续管理提供技术支撑。一方面，针对轨迹数据所存在的异频采样性和数据质量差的特点，提出了一种创新的Geohash地理编码算法结合动态可达性分析的轨迹异常识别方法，通过将轨迹点进行地理格网编码转换，并充分利用轨迹数据中的航速与时间间隔，动态生成“可达区域网格”，无需大量先验数据即可精准识别异常轨迹点。实现异常轨迹点的精准识别，有效解决了传统方法依赖人工阈值、自适应差的痛点。另一方面，针对现实存在的“证业不符”的渔业管理痛点，引入自然语言处理（NLP）嵌入技术，研发多分支一维卷积神经网络（MB-1dCNN），将经纬度坐标转化为Geohash字符串，提取轨迹的“空间上下文语义”，使神经网络能理解渔船行为的时序特征，实现基于渔船作业轨迹的不同作业模式的智能识别。研究表明，多分支结构优于单分支结构，一维卷积神经网络优于全连接神经网络。

这2项技术可形成协同效应。通过数据清洗方法解决轨迹噪声问题，为后续分析提供高质量数据基础，作业类型识别模型也将有助于非法作业监管，相关成果将推动我国渔船监控技术从“人工经验”向“智能算法”的跨越。上述研究得到了国家重点研发计划（2023YFD2401303）、中央公益性科研院所基本科研业务费（水科院东海所2022ZD0402）等项目的资助。

红色为检测出异常点（以2018年1月2日ZhePuYu 68823 的轨迹为例）

（渔业遥感技术及数字渔业创新团队 周为峰）