2024, Vol. 54
渔业蓝色转型是全球、区域和国家粮食体系的战略和政策中广泛关注的议题之一。联合国粮食及农业组织(Food and Agriculture Organization of the United Nations, FAO)出版的《2024年世界渔业和水产养殖状况：蓝色转型在行动》[1]报告指出，2022年渔业和水产养殖总产量达到创纪录的2.232亿t，水生动物产量达到1.854亿t，从业者人数约为6 180万，海洋渔业在人类社会健康可持续发展和生态安全等方面具有重要的地位与作用。近年来，全球气候变化和海洋环境的变化导致了海洋渔业资源的变动、衰退以及海洋生物多样性的减少，这严重影响到了人类食物来源的稳定和社会经济的可持续发展。目前，我国近海海水养殖业受空间和环境制约的问题越来越突出，远海养殖存在规模布局及选址欠优、智能化和信息化支撑薄弱、灾害风险防御能力低等问题。在海洋渔业方面，存在过度捕捞、渔船燃油成本增大、渔业资源枯竭、各国渔船商业活动竞争加大等问题，还存在渔场探测技术和形成机制探究、渔业资源环境监测与评估、渔情预报等方面不完善的问题。上述问题使得我国海洋渔业的健康和可持续发展面临着严峻挑战[2]。
随着光学、红外、微波、激光雷达等传感器技术的进步，遥感卫星的分辨率和波段数量不断提高，这使得卫星遥感在海洋渔业中应用范围更加广泛，例如美国航空航天局(National Aeronautics and Space Administration, NASA)地球观测系统计划Terra-Aqua系列卫星搭载的中分辨率成像光谱仪(Moderate-Resolution Imaging Spectroradiometer, MODIS)覆盖了可见光到热红外的36个光谱波段，提供250、500和1 000 m的地面分辨率，这使其能够捕捉到不同尺度的地表特征[3]，从而广泛应用于地球科学、环境监测和灾害管理等领域，2012年美国国家海洋大气局发射了Suomi国家极地轨道合作伙伴(Suomi National Polar-Orbiting Partnership, S-NPP)卫星，其搭载的可见光红外扫描辐射计(Visible Infrared Imaging Radiometer Suite, VIIRS)拥有22个光谱波段，空间分辨率可达到400 m，其主要功能是云量计算、气溶胶监测、海洋水色观测、地表温度测量、火灾监测和反照率测量等[4]。在过去二十年中，遥感卫星的观测能力大幅提升，遥感图像可以达到几十米甚至更高的分辨率。我国高分一号可提供2 m分辨率全色和8、16 m分辨率多光谱图像产品，高分二号是我国首颗空间分辨率优于1 m的民用光学遥感卫星，标志着我国遥感卫星进入了亚米级“高分时代”[5]；最新发射的美国地球资源卫星系列Landsat 9卫星，能够提供15 m分辨率的全色影像和30 m分辨率的多光谱影像[6]；欧洲航天局哥白尼计划(Global Monitoring for Environment and Security, GMES)的哨兵1号(Sentinel-1)卫星具有全天时、全天候雷达成像系统，可以实现全球陆地、海岸带、航线的高分辨率监测，也可以实现全球海洋的大区域覆盖，为同一地区的长时间序列监测提供技术支撑[7]。
卫星遥感传感器的不断升级和海洋环境遥感数据的开放推动了渔业遥感(Fishery remote sensing, FRS)这一交叉学科的发展。基于文献计量学分析，本文汇总了1990年至今web of science核心数据库中渔业遥感相关的发文量和被引频次(见图 1)。图 1显示，从2003年开始渔业遥感领域发文量逐年增加，尤其是2020年之后保持着每年400篇以上的发文数量，相应的被引频次也突破到10 000次。随着数据的丰富和发文量的增加，渔业遥感研究也逐渐多样化，渔业遥感的研究热点逐渐从传统的海洋环境监测发展至模型算法开发、生态评估、栖息地分布、渔业资源管理和保护等领域[8-10]。
|
图 1 1990—2023年渔业遥感发文量和被引频次变化图 Fig. 1 Changes in number of publications and citation frequency of fishery remote sensing from 1990 to 2023 |
近年来，极端气候事件和人类活动对海洋渔业资源产生了巨大影响。本文从沿岸养殖、近岸渔业、远洋渔业和极地渔业四个方面阐述卫星遥感在海洋渔业的应用方法与案例(见图 2)。
|
图 2 近岸、远洋和极地渔业遥感研究应用示意图 Fig. 2 Diagrammatic sketch of fishery remote sensing research in coastal, pelagic, and polar regions |
本节主要介绍卫星遥感在池塘养殖监测、增养殖型近岸养殖适宜区选址、风暴潮预警等方面的研究案例。
2.1.1 池塘养殖时空监测沿海养殖池塘是一类特殊的地表水体，水体颜色明显不同于自然水体[11]。基于这些特征，常用于养殖池塘提取的遥感影像分为两类，分别是中高分辨率的多光谱遥感影像和合成孔径雷达(Synthetic Aperture Radar, SAR)影像，针对中高分辨率的遥感影像例如Landsat系列影像，面向对象的分类技术广泛应用于池塘提取中，用于识别自然湖泊改造为养殖池塘[12]。深度学习、神经网络等新兴监督分类技术在池塘分类提取过程中表现更加优异(见图 3)，随着遥感云计算平台的兴起，研究者可以对沿海池塘长时间序列的时空动态进行研究[13-15]。
|
图 3 广东省柘林湾水产养殖池塘区提取过程示例[11] Fig. 3 Example of the aquaculture pond region extraction process in Zhelin Bay, Guangdong Province[11] |
区别于多光谱影像，SAR影像可以穿透云层记录目标地物信息，应用于沿海池塘养殖监测。研究者通过SAR影像Sentinel-1，对越南沿海池塘养殖状况进行了调查，发现湄公河三角洲和红河三角洲是养殖池塘分布最集中的地方[16]。光学遥感图像和SAR图像优势互补，它们为近岸养殖池塘的监测提供了高精度的数据支撑。
2.1.2 养殖适宜区选址、养殖容量基于渔业遥感技术的近岸海洋牧场规划从20世纪末逐步发展起来[17]，结合卫星遥感，地理信息系统(Geographic Information System, GIS)已经广泛应用于近海水产养殖选址。林勇等[18]通过遥感和GIS技术，对北黄海大小长山岛的虾夷扇贝(Patinopecten yessoensis)养殖适宜性进行了综合评价，分析出大长山岛西南和西北部海域养殖适宜性明显高于其他地区。Liu等[19-20]通过遥感和GIS技术，构建了大连近海和山东近海的虾夷扇贝最适养殖选址模型，探究了东亚季风和厄尔尼诺等极端气候事件对扇贝养殖的影响，开发了北海道南部海带养殖和褐藻养殖最适区域选择模型[21-23]。Liu等[24]进一步结合数值同化数据，开发了虾夷扇贝三维立体生长预测模型，克服了卫星数据只能观测海表面的制约，把养殖适宜规划扩展到海区的全部深度。Li等[25]利用最大熵(Maximum Entropy, MaxEnt)模型、遥感和再分析数据，建立了长牡蛎(Crassostrea gigas)海水养殖的适宜性评价模型，分析了水质、水文、气候和气象以及社会经济因素对山东长牡蛎养殖适宜性的影响(见图 4)。
|
图 4 山东半岛长牡蛎养殖适宜性空间分布研究 Fig. 4 Study on the spatial distribution of Pacific oyster marine aquaculture suitability in Shandong Peninsula |
动态能量收支(Dynamic Energy Budget，DEB)是研究环境对生物生长和繁殖影响的有效工具，近年来在水产养殖空间规划中受到广泛关注[26]。结合卫星遥感技术和DEB模型，可以更精准、更高效地分析养殖适宜性的时空分布[27]。Giacoletti等[28]基于遥感和DEB模型，对地中海19个专属经济区的欧洲鲈(Dicentrarchus labrax)养殖适宜性进行了分析，发现南部海域更适合欧洲鲈养殖。尹子旭等[29]结合长牡蛎的DEB模型和卫星遥感数据，构建了山东半岛的长牡蛎秋冬季育肥养殖适宜区域评价模型，研究了山东近岸长牡蛎育肥养殖适宜性的时空变动和年际差异，进一步采用壳长、肉重、条件指数和最短养殖时间等指标，建立了适合市场需求的水产养殖选址模型(Suitable Market-Aquaculture site-selection model, SMASM)，评估长牡蛎养殖的适宜性[30]。
2.1.3 风暴潮风暴潮灾害是造成渔业损失的主要因素之一[31]，其破坏海上养殖浮阀、损坏近岸船只、破坏堤坝及渔业设施，甚至造成人员伤亡。2023年，我国沿海共发生风暴潮14次，其中7次造成灾害，直接经济损失248 050.27万元[32]。基于卫星遥感和GIS，结合数值预报、堤防、高程和社会属性等信息制作风暴潮灾害危险图，可直观展示风暴潮是否会产生漫滩漫堤现象，评估其对沿岸经济产业带来的危害。Muis等[33]基于卫星测高数据、水动力模型得到了全球风暴潮和极端海平面的再分析数据，使用GIS计算数字高程模型(Digital Elevation Model, DEM)数据与极端海平面上升的差值，计算了洪水淹没区域的深度，重现莱州湾沿海在极端海平面上升情况下的洪水淹没情况(见图 5)。
|
图 5 莱州湾沿海洪水淹没情况 Fig. 5 Flooding situation along the coast of Laizhou Bay |
近岸小规模渔业占全球海洋捕捞产量的30%以上，在全球粮食供应和经济发展中扮演着重要的角色。但是过度捕捞造成了近岸渔业资源的衰退，因此，应用高时空分辨率卫星遥感数据在近岸渔场环境数据监测、鱼类产卵场、索饵场评估与保护，以及近岸捕捞、增殖放流等方面可起到重要作用。
2.2.1 初级生产力估算海洋初级生产力是海洋水色遥感的重要目标之一。基于水色遥感的初级生产力估算对于理解和评估渔业资源具有重要意义[34]，Huang等[35]改进了Himawari-8、MODIS Aqua和VIIRS SNPP三颗遥感卫星对西北太平洋渔场的叶绿素a的算法。Deng等[36]结合2002到2022年的卫星观测数据调查了南海不同粒径分级的浮游植物初级生产力的月度、季节和年际的变异性，发现不同粒径分级的浮游植物分布及波动模式存在显著变化，单独的总初级生产力并不能全面反映海洋生态系统的健康状况。
卫星遥感在监测藻华及其对渔业影响方面发挥着重要作用。有害藻华爆发会导致甲壳类动物、鱼类、海洋哺乳动物的大量死亡，破坏海洋生态系统，对近岸渔业和养殖业造成不利影响[37-38]。因此，准确监测藻华的发生和变化对于近岸渔业管理至关重要。卫星遥感可以实时和精准监测海洋水色中叶绿素a的异常(见图 6)，进而识别有害藻华的位置，提供藻华范围和强度信息，帮助预测藻华的发展趋势及潜在影响区域[39-40]，例如可基于浒苔的光谱特性，采用遥感图像自动分类处理，提取浒苔的面积和密集度等信息[41]，从而采取相应的管理措施来减轻藻华灾害对渔业的影响[42]。
|
( https://www.star.nesdis.noaa.gov/socd/mecb/color/ ) 图 6 全球每日近实时Chl a异常产品 Fig. 6 Near-real-time (NRT) global daily chlorophyll-a (Chl a) anomaly products |
在渔业资源研究中，鱼类产卵场的环境条件直接影响着鱼类种群繁衍和补充，对这些区域的精准识别和定义，能够有效地指导渔业部门制定和实施更为科学的保护措施，降低人类活动对鱼类早期生长环境的破坏，为渔业资源的恢复和保护提供支撑。研究人员基于海洋水色遥感分析，实现了对产卵场范围和产卵事件持续时间的精确识别。Yamano等[43]通过将卵浮带的光谱特征与高时空分辨率的卫星图像(Planet Dove和Sentinel-2B)相结合，证明使用光学卫星传感器可以成功地检测到珊瑚产卵浮带，且能够与波浪泡沫和漂浮马尾藻(Sargassum)有效区分。Qi等[44]使用NOAA OCView和EO Browser在线工具，结合来自OLCI(Ocean and Land Colour Instrument)、MSI(Multi-Spectral Instrument)和DOVE(Dove Satellite)的多传感器数据，发现在太平洋鲱(Clupea pallasii)产卵期间，富含鱼精的水体在卫星图像中呈现出明亮的反射信号，且具有独特的光谱特征，能够将其与悬浮沉积物等其他光学活性成分区分开。除了利用遥感技术监测海洋生物产卵引起的水色变化，声学监测也可以辅助确定产卵场的范围。使用装有被动声学监测设备的滑翔机，研究人员可探测出石斑鱼(Epinephelus striatus)在繁殖过程中发出的声音，确定石斑鱼产卵区域的分布[45-46]。这种创新技术克服了声音传播范围的限制，且能够利用机器学习等技术对石斑鱼物种进行分类，在鱼类产卵场和育幼场识别中有着广泛的应用前景[47]。
2.2.3 增殖放流增殖放流是渔业资源重要的养护措施之一。卫星遥感信息有助于评估水质，确定增殖放流的最佳地点和时机，对渔业资源管理具有重要意义。通过提供高时空分辨率的水质数据来监测水质季节变化、污染源分布及富营养化程度，支持放流决策[48]。卫星遥感数据也可以通过监测放流区域的植被、水质和生物量的动态变化来评估增殖放流效果[49]。水温是影响鱼类生存和分布的主要环境因子，因此研究人员通过监测卫星遥感水温变化，选择最佳放流时间来提高大西洋鲑(Salmo salar)存活率和回归率，此外长期的水温数据可以用于分析环境变化对大西洋鲑生存和繁殖的影响，支持资源管理[50]。在珊瑚礁保护中，海水温度和透明度的遥感数据可以用于珊瑚礁健康状况评估，指导珊瑚幼体放流和移植[51]。随着技术进步，集成卫星遥感数据和海洋预测系统可以提供更全面的环境信息，模拟放流效果，评估不同放流策略的优劣，为增殖放流活动提供决策和管理支撑，促进渔业资源的可持续发展[52]。
2.2.4 近岸多网具类型捕捞卫星遥感在对近岸捕捞(定置网、敷网类、灯光围网等)活动监测和管理中有重要的应用。利用SAR影像识别定置网，可评价卫星遥感在沿海网具监测中的应用情况[53]。利用高分卫星遥感对定置网渔业进行监测与诊断，并结合渔业上岸数据可构建和验证鱼类迁移预测模型[54]。对于敷网类渔具，尽管无法被卫星遥感直接监测，但可以通过敷设周围海面粗糙度的差异来确认渔具是否存在。Saitoh等[54]通过对比Sentinel-1卫星数据采集的C波段SAR影像(VV极化GRD(Ground Range Detected)产品)和日本海上保安厅提供的渔业图层，发现二者的渔具位置划分一致。通过水色遥感观测叶绿素a浓度、悬浮物颗粒浓度可以确定适宜敷设网具的海域[54]，也可结合机载遥感观测和建模对海洋中的废旧网具进行精准监测[55-56]。应用夜光遥感图像可以获得灯光渔船在海上的活动信息，例如黄微[57]基于夜光遥感图像分析了南海主要灯光渔业渔场的渔船时空分布特征。伴随着遥感数据时空精度的不断提升，近岸渔业多类网具的捕捞活动监测将为打击非法捕捞、过度捕捞和渔场管理提供技术支撑，促进近岸渔业可持续开发。
2.3 在远洋渔业中的应用远洋渔业主要以金枪鱼(Thunnus sp.)、柔鱼(Todarodes sp.)、鳕鱼(Gadus sp.)、秋刀鱼(Cololabis saira)等集群性强、经济价值较高的鱼类为主要捕捞对象，渔场遍布全球。卫星遥感技术虽然目前无法实现对水下鱼类直接监测和追踪，但可以在渔场分布和渔船管理等方面提供信息服务。
2.3.1 渔场分布预测渔场分布预测在渔业生产和管理中具有重要的作用，渔场分布与鱼类生活史、海洋环境存在密切的关系。卫星遥感可以提供用于渔场分布预测的海洋环境因素，包括海表面温度、叶绿素a浓度、浑浊度、海表面盐度以及海表面高度等，高精度和长时间序列的遥感数据可以提高预测模型的准确率以及应对气候变化的反演能力。
传统的渔场预测研究利用最多的模型为广义加性模型(Generalized Additive Model, GAM)，例如刘彦琳[58]基于GAM探究环境因子对日本鲭(Scomber japonicus)CPUE的影响；何勇[59]分析了海洋环境变化对阿根廷滑柔鱼(Illex argentinus)栖息地重心和渔场的影响；刘必林等[60]预测了秘鲁茎柔鱼(Dosidicus gigas)索饵场栖息地分布。近年来，最大熵模型、支持向量机、随机森林、神经网络、集成学习方法等机器学习模型为渔业资源的评估与预报提供了更多优质模型选择[61]。秦元哲等[62]构建了基于自动机器学习的蓝点马鲛(Scomberomorus niphonius)丰度指数预测模型，分析了蓝点马鲛高值产区的分布规律和变动机制(见图 7)；Liu等[63]通过机器学习模型探究了日本鳀(Engraulis japonicus)的丰度和环境条件之间的关系；曾硕星等[64]通过极限学习机构建了太平洋长鳍金枪鱼(Thunnus alalunga)的渔场预测模型；Achmad[65]利用最大熵模型对北太平洋秋刀鱼(Cololabis saira)的渔场进行了预测；魏广恩等[66]采用神经网络模型构建了西北太平洋柔鱼(Ommastrephes bartramii)丰度预报模型。集成模型的发展提高了渔场分布预测的准确性[67]，Liu等[68]通过集成建模的方法，建立猎物-捕食者物种分布模型(Prey-predator species distributabion model, PPSDM)，提高了蓝点马鲛的分布预测精度。
|
图 7 自动机器学习模型在黄、渤、东海蓝点马鲛渔场预测的应用[62] Fig. 7 Application of automatic machine learning models in predicting Japanese spanish mackerel fishing ground in the Yellow, Bohai, and East China Seas[62] |
卫星遥感为远洋捕捞提供了实时的海洋环境数据及预报，这可以提高渔业捕捞效率和经济效益[69]。因此，将海洋与气象卫星遥感数据、数值模拟以及Argo浮标观测数据等有效融合，并应用于渔场模型，建立人工智能海洋环境预报系统，能够提供高空分辨率的渔场环境信息[70]。
2.3.2 远洋渔船监测与管理伴随着远洋渔船数量的增加和远洋渔业资源开发力度的加大，非法、不报告和不管制(Illegal, Unreported, and Unregulated, IUU)捕捞对远洋渔业的可持续发展构成了重大挑战[71]。目前广泛应用于远洋渔船遥感监测的数据有船舶自动识别系统(Automatic Information System, AIS)、船舶监控系统(Vessel Monitor System, VMS)、北斗卫星系统、合成孔径雷达以及夜间灯光(Nighttime Light, NLT)遥感数据[72]。
2002年VMS正式应用于长度超过15 m的欧洲渔船以及在欧洲水域作业的船只，专门用于跟踪和管理海上船舶尤其是渔船[73]。崔秀芳等[74]开发了一种基于北斗卫星的渔船监测系统，实现了对我国海域船舶位置的动态实时监控；钱静等[75]基于北斗卫星船位数据，探究了南海外海大型灯光罩网渔业的空间分布和动态变化；Natale等[76]使用AIS数据开发了基于船只速度剖面分析的捕捞活动识别方法，并生成了高分辨率的捕捞努力图；De Souza等[77]利用AIS开发监测绘制拖网、延绳钓和围网作业渔船活动的方法。SAR图像具有分辨率高、不受天气条件影响的特征，常被用于海上舰船和舰船尾迹的监测和分类，与VMS、AIS数据结合可用于近实时监测渔船活动、识别违规渔船等[78]，例如Snapir等[79]利用SAR创建了一种基于随机森林法的渔船识别方法；Kroodsma等[80]证明了可以通过SAR与AIS数据的融合来监测全球延绳钓渔业活动。
夜间灯光遥感是通过卫星传感器观测和分析地球表面夜间发出的光来获取信息的技术。该技术在渔船检测方面有着重要应用，来自美国国防气象卫星计划的线性扫描系统(Operational Linescan System, OLS)的数据是第一代夜间灯光遥感数据，该系统开启了远洋渔业的遥感监测[81]。Park等[82]使用Planet卫星数据来识别朝鲜经济区内的双拖网渔船和灯光渔船。Waluda等[83]利用OLS数据与ARGOS系统的船位数据，量化了东太平洋捕捞茎柔鱼(Dosidicus gigas)的渔船数量。Kiyofuji等[84]根据OLS数据，将日本海划分为7个区域，归纳了太平洋褶柔鱼(Todarodes pacificus)鱿钓船的空间分布。2011年，美国国家极轨合作伙伴卫星发射，其搭载的VIIRS可收集白天/夜晚波段(Day/Night Band, DNB)，成为目前应用最广泛的灯光遥感数据(见图 8)。随后Elvidge等[85]利用DNB数据开发了灯光渔船探测(VIIRS Boat Detection, VBD)模型，VBD可以提供每日灯光船位分布数据，为灯光渔业动态监测和管理提供了大量数据。Liu等[86]结合VMS和DNB数据有效检测了在日本周围捕捞不同鱼种的渔船。Tian等[87]结合AIS数据和DNB数据开发了适用于区分西北太平洋作业的多物种渔船的方法。Hsu等[88]通过匹配VMS与VBD，帮助识别了印度尼西亚水域的IUU渔业行为。2018年6月，中国成功发射首颗专业夜间灯光遥感卫星珞珈一号(Luojia 1-01)，其可通过报位申请拍摄扩展珞珈数据在海洋领域的监测，我国远洋渔船监测的能力将得到进一步提升。
|
图 8 2020年东北亚区域DNB平均灯光辐亮度 Fig. 8 Average radiance of the Northeast Asia region DNB image in 2020 |
在现代远洋渔业管理中，卫星遥感技术和物联网广泛应用在渔船电子监控中。电子监控采用综合性的摄像机系统，融合了全球卫星定位、网络通信、数据分析等技术[89]。通过收集渔获量、副渔获物、废弃物和打捞位置等数据电子监控能够记录直观、完整的渔业捕捞行为[90]，与传统的观察员相比，具有明显的监管优势，其可以改善远洋渔船船载观察员覆盖率低的问题[91]。目前防篡改技术也逐渐应用到电子监控系统中，用于保障视频信息的溯源性[92]。
Van Helmond等[92]分析汇总了全球船舶电子监控项目信息，结果显示电子监测项目目前主要在北美洲、大洋洲、欧洲和西太平洋地区实施。这些数据有助于渔业监管部门更好地落实渔业法规和执行捕捞限额[93]，监督渔民是否在海洋保护区(Marine Protected Areas, MPAs)存在非法捕捞行为[94]。将船载电子监控系统和机器学习算法结合，可以实现远洋捕捞努力量监测、渔获物计数、捕捞活动的别以及评估副渔获物丢弃情况等目标。孙月莹等[95]结合中国毛虾限额捕捞渔船电子监控，提出基于Yolov7改进的目标监测算法和目标计数算法，为解决限额捕捞目标识别和信息统计量化提供了参考。袁红春等[96]改进了Yolov8商业渔船电子监控数据中鱼类的检测与识别算法。随着船载电子监控能力的提高和成本的下降，船载电子监控系统将成为渔业监管的主要工具。
2.4 在极地渔业中的应用20世纪60年代，TIROS-1(Television Infrared Observation Satellite 1)卫星首次在加拿大东南部的圣劳伦斯海湾拍摄到了海冰解冻的遥感影像，这是极地遥感观测的开端[97]。通过遥感技术，实现对极地海域的实时监测，获取渔业资源分布、迁移、繁殖等关键信息，为渔业资源的合理开发和利用提供科学依据。
卫星遥感可实时获取海洋环境的要素变化及其与南极渔业资源分布的关系[98]，例如分析叶绿素a浓度与南极磷虾(Euphausia superba)栖息地分布的关系[99]，分析海表面温度与南极磷虾栖息地分布的关系[100]，分析海冰与南极磷虾栖息地分布的关系以及初级生产力与南极磷虾栖息地分布的关系[101]等。文献[102]根据卫星遥感和现场调查，分析了南大洋鱼类生活史与环境因素的响应关系，绘制了南极磷虾、小鳞犬牙南极鱼(Dissostichus eleginoides)、莫氏犬牙南极鱼(Dissostichus mawsoni)、裘氏鳄头冰鱼(Champsocephalus gunnari)等重要渔业资源的栖息地分布(见图 9)。文献[103]结合星载AIS数据提取了南极渔船航行轨迹，并分析了渔船捕捞活动的时空变化特征。卫星遥感技术可以监测高级捕食者的分布动态，进而间接对南极磷虾等渔业资源的时空变动进行判断。例如，通过卫星遥感监测企鹅种类、数量、种群面积以及潜水行为等监测指标的空间和季节性变化，可以评估南极磷虾等渔业资源的丰度和分布变动[104-105]。
|
图 9 南大洋九种中层鱼的栖息地分布图 Fig. 9 Habitat distribution map of nine mesopelagic fish species in the Southern Ocean |
在北极区域，通过卫星遥感SST和海冰数据，能够为研究北大西洋多年代际涛动(Atlantic Multidecadal Oscillation, AMO)、北极涛动(Arctic Oscillation, AO)和北大西洋涛动(North Atlantic Oscillation, NAO)等典型气候事件对大西洋鳕(Gadus morhua)、大西洋鲱(Clupea harengus)、格陵兰大比目鱼(Greenland halibut)及大西洋鲑(Salmo salar)等渔业资源变动的影响提供长期数据支撑[106]。北极地区温度升高和海冰面积减少是全球气候变化的重要指标之一，其导致了极地生态环境破坏、原住生物栖息地丧失、外侵物种例如北大西洋鳕鱼(Gadus morhua)和鲸大量迁入等，卫星遥感可为研究上述问题提供数据和技术支持。
3 研究展望本文从近岸、近海、远洋和极地四个方面总结了卫星遥感技术在海洋渔业中的应用案例，虽然卫星遥感技术具有显著的优势，但同时也面临一些挑战。例如：存在卫星观测周期较长、空间分辨率较低、高分数据获取成本较高等问题，还存在只能观测海洋表面无法获取海洋深层数据的问题。由于海洋遥感参数的反演受到多种复杂因素的影响，包括：大气条件、传感器性能、数据处理方法、对海洋环境动力变化机制的理解等，因此，参数精度问题也是遥感技术在渔业领域应用中需要关注的一个重要方面。另外，卫星数据的融合与匹配也是在实践中需要克服的难点之一。卫星遥感数据通常包括多种来源和类型的数据，例如光学、雷达、红外等，研究者在进行数据融合时需要解决不同数据之间的格式、分辨率和时空匹配渔业数据等问题，以确保融合后的数据能够真实反映海洋环境和渔业资源。
展望未来，遥感技术在海洋渔业中的应用将在以下三个方面继续突破：(1)开发微小卫星。随着新一代卫星遥感技术的不断发展和完善，卫星可提供更高分辨率、更短重访周期、更广覆盖范围的遥感图像，具备“通-遥”一体渔业遥感的卫星将不断问世。开发高精度传感器，实现从中尺度到亚中尺度、表层到温跃层的突破，开发专用于海洋渔业相关的卫星数据产品，这些革新将为海洋渔业提供更精准、及时的信息支持。(2)发展智慧渔业。通过结合物联网、大数据、人工智能、信息与通信技术(Information and communications technology, ICT)等现代信息技术，深入开发和利用渔业信息资源，全面提高渔业综合生产力和经营管理效率，推进渔业全产业链结构性改革，加速渔业新质生产力升级。(3)国际合作。渔业遥感技术的不断深入和发展，为构建全球渔业信息网、实时掌握全球渔船动态、打击非法渔业、建设信息化智慧渔港提供强有力支撑，为促进国际渔业治理和合作，履行国际公约等奠定数据基础。国际合作和数据共享将促进全球透明海洋的建立，共同应对全球气候变化带来的影响，助力全球渔业资源的可持续利用和海洋生态系统的保护。
| [1] |
联合国粮食及农业组织. 2024年世界渔业和水产养殖状况: 蓝色转型在行动[M]. 罗马: 联合国粮食及农业组织, 2022. Food and Agriculture Organization of the United Nations. In Brief to the State of World Fisheries and Aquaculture 2024: Blue Transformation in Action[M]. Rome: Food and Agriculture Organization of the United Nations, 2022. (  0) |
| [2] |
官文江, 高峰, 陈新军. 卫星遥感在海洋渔业资源开发、管理与保护中的应用[J]. 上海海洋大学学报, 2017, 26(3): 440-449. Guan W J, Gao F, Chen X J. Review of the applications of satellite remote sensing in the exploitation, management and protection of marine fisheries resources[J]. Journal of Shanghai Ocean University, 2017, 26(3): 440-449. ( 0) |
| [3] |
Division W R, Survey U S G. Moderate Resolution Imaging Spectroradiometer (MODIS) Overview: 2008-3061[R]. Reston, Virginia: United States Geological Survey, 2008.
( 0) |
| [4] |
Kapetsky J M, McGregor L, Nanne E H. A Geographical Information System and Satellite Remote Sensing to Plan for Aquaculture Development: A FAO-UNEP/GRID Cooperative Study in Costa Rica[C]. Rome: Food and Agriculture Organization of the United Nations, 1987.
( 0) |
| [5] |
航天东方红卫星有限公司. 高分一号卫星在轨稳定运行七周年, 应用效果显著[J]. 卫星应用, 2020(5): 30-31. Aerospace Dongfanghong Satellite Co., LTD. Gaofen-1 satellite has been operating stably in orbit for seven years, with significant application effects[J]. Satellite Application, 2020(5): 30-31. DOI:10.3969/j.issn.1674-9030.2020.05.010 ( 0) |
| [6] |
NASA. Landsat 9 Bands | Landsat Science[EB/OL]. (2021-11-30)[2024-7-2] https://landsat.gsfc.nasa.gov/satellites/landsat-9/landsat-9-bands/.
( 0) |
| [7] |
ESA. Sentinel-1[EB/OL]. (2024-7-2)[2024-7-2]. https://www.esa.int/Applications/Observing_the_Earth/Copernicus/Sentinel-1.
( 0) |
| [8] |
官文江, 陈新军, 潘德炉. 遥感在海洋渔业中的应用与研究进展[J]. 大连水产学院学报, 2007(1): 62-66. Guan W J, Chen X J, Pan D L. A review: Application and research of remote sensing in marine fisheries[J]. Journal of Dalian Fisheries College, 2007(1): 62-66. DOI:10.3969/j.issn.1000-9957.2007.01.014 ( 0) |
| [9] |
牛明香, 赵宪勇. 卫星遥感和GIS技术在海洋渔业资源研究中的应用[J]. 南方水产, 2008(3): 70-74. Niu M X, Zhao X Y. Application of satellite remote sensing and GIS technology to the research of marine fishery resources[J]. South China Fisheries, 2008(3): 70-74. DOI:10.3969/j.issn.2095-0780.2008.03.012 ( 0) |
| [10] |
刘阳. 遥感技术在海水养殖适宜性研究中的应用与进展[J]. 福建师大福清分校学报, 2021, 39(2): 101-111. Liu Y. Application and progress of remote sensing technology in the suitability research of mariculture[J]. Journal of Fuqing Branch of Fujian Normal University, 2021, 39(2): 101-111. DOI:10.3969/j.issn.1008-3421.2021.02.001 ( 0) |
| [11] |
Duan Y Q, Li X, Zhang L P, et al. Mapping national-scale aquaculture ponds based on the Google Earth Engine in the Chinese coastal zone[J]. Aquaculture, 2020, 520: 734666. DOI:10.1016/j.aquaculture.2019.734666 ( 0) |
| [12] |
Hou Y, Zhao G, Chen X, et al. Improving satellite retrieval of coastal aquaculture pond by adding water quality parameters[J]. Remote Sensing, 2022, 14(14): 3306. DOI:10.3390/rs14143306 ( 0) |
| [13] |
Zeng Z, Wang D, Tan W, et al. Extracting aquaculture ponds from natural water surfaces around inland lakes on medium resolution multispectral images[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 80: 13-25. DOI:10.1016/j.jag.2019.03.019 ( 0) |
| [14] |
Duan Y, Tian B, Li X, et al. Tracking changes in aquaculture ponds on the China coast using 30 years of Landsat images[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 102: 102383. DOI:10.1016/j.jag.2021.102383 ( 0) |
| [15] |
Wang Z, Zhang J, Yang X, et al. Global mapping of the landside clustering of aquaculture ponds from dense time-series 10 m Sentinel-2 images on Google Earth Engine[J]. International Journal of Applied Earth Observation and Geoinformation, 2022, 115: 103100. DOI:10.1016/j.jag.2022.103100 ( 0) |
| [16] |
Sun Z, Luo J, Yang J, et al. Nation-scale mapping of coastal aquaculture ponds with Sentinel-1 SAR data using Google Earth Engine[J]. Remote Sensing, 2020, 12(18): 3086. DOI:10.3390/rs12183086 ( 0) |
| [17] |
Aguilar-Manjarrez J, Ross L G. Geographical information system (GIS) environmental models for aquaculture development in Sinaloa State, Mexico[J]. Aquaculture International, 1995, 3(2): 103-115. DOI:10.1007/BF00117877 ( 0) |
| [18] |
林勇, 刘述锡, 关道明, 等. 基于GIS的虾夷扇贝养殖适宜性综合评价——以北黄海大小长山岛为例[J]. 生态学报, 2014, 34(20): 5984-5992. Lin Y, Liu S X, Guan D M, et al. GIS-based Japanese scallop (Patinopecten yessoensis) aquaculture suitability assessment: A case study with the islands of Dachangshan and Xiaochangshan, North Yellow Sea, China[J]. Acta Ecologica Sinica, 2014, 34(20): 5984-5992. ( 0) |
| [19] |
Liu Y, Saitoh S I, Radiarta I N, et al. Spatiotemporal variations in suitable areas for Japanese scallop aquaculture in the Dalian coastal area from 2003 to 2012[J]. Aquaculture, 2014, 422-423: 172-183. DOI:10.1016/j.aquaculture.2013.11.033 ( 0) |
| [20] |
Liu Y, Tian Y, Saitoh S I, et al. Impact of climate extremes on suitability dynamics for Japanese scallop aquaculture in Shandong, China and Funka Bay, Japan[J]. Sustainability, 2020, 12(3): 833. DOI:10.3390/su12030833 ( 0) |
| [21] |
Radiarta I N, Saitoh S I, Yasui H. Aquaculture site selection for Japanese kelp (Laminaria japonica) in southern Hokkaido, Japan, using satellite remote sensing and GIS-based models[J]. ICES Journal of Marine Science, 2011, 68(4): 773-780. DOI:10.1093/icesjms/fsq163 ( 0) |
| [22] |
Liu Y, Saitoh S I, Radiarta I N, et al. Improvement of an aquaculture site-selection model for Japanese kelp (Saccharina japonica) in southern Hokkaido, Japan: An application for the impacts of climate events[J]. ICES Journal of Marine Science, 2013, 70(7): 1460-1470. DOI:10.1093/icesjms/fst108 ( 0) |
| [23] |
Liu Y, Saitoh S I, Nakada S, et al. impact of oceanographic environmental shifts and atmospheric events on the sustainable development of coastal aquaculture: A case study of kelp and scallops in southern Hokkaido, Japan[J]. Sustainability, 2015, 7(2): 1263-1279. DOI:10.3390/su7021263 ( 0) |
| [24] |
Liu Y, Saitoh S I, Ihara Y, et al. Development of a three-dimensional growth prediction model for the Japanese scallop in Funka Bay, Japan, using OGCM and MODIS[J]. ICES Journal of Marine Science, 2015, 72(9): 2684-2699. DOI:10.1093/icesjms/fsv153 ( 0) |
| [25] |
Li C, Liu Y, Yin Z, et al. Evaluation of the Pacific oyster marine aquaculture suitability in Shandong, China based on GIS and remote sensing[J]. Frontiers in Marine Science, 2024, 11: 1402528. DOI:10.3389/fmars.2024.1402528 ( 0) |
| [26] |
Filgueira R, Guyondet T, Comeau L A, et al. A fully-spatial ecosystem-DEB model of oyster (Crassostrea virginica) carrying capacity in the Richibucto Estuary, Eastern Canada[J]. Journal of Marine Systems, 2014, 136: 42-54. DOI:10.1016/j.jmarsys.2014.03.015 ( 0) |
| [27] |
Gernez P, Palmer S C J, Thomas Y, et al. Editorial: Remote sensing for aquaculture[J]. Frontiers in Marine Science, 2021, 7: 638156. DOI:10.3389/fmars.2020.638156 ( 0) |
| [28] |
Giacoletti A, Lucido G D, Mangano M C, et al. Functional trait-based layers—an aquaculture siting tool for the Mediterranean Sea[J]. Aquaculture, 2021, 532: 736081. DOI:10.1016/j.aquaculture.2020.736081 ( 0) |
| [29] |
尹子旭, 王鹏浩, 刘阳, 等. 基于遥感和DEB模型的山东半岛长牡蛎秋冬季育肥养殖适宜区域评价研究[J]. 水产学报, 1-13. Yin Z X, Wang P H, Liu Y, et al. Remote sensing and dynamic energy budget-driven crassostrea gigas autumn-winter fattening aquaculture suitability assessment in Shandong Peninsular[J]. Journal of Fisheries of China, 1-13. ( 0) |
| [30] |
Yin Z, Liu Y, Li C, et al. Marine aquaculture spatial planning on market orientation for Pacific oyster in Shandong, China[J]. Aquaculture, 2024, 591: 741144. DOI:10.1016/j.aquaculture.2024.741144 ( 0) |
| [31] |
赵昕, 高璐. 我国风暴潮灾害造成的渔业损失评价[J]. 中国渔业经济, 2015, 33(4): 89-94. Zhao X, Gao L. Research on fishery loss caused by storm surge disaster[J]. Chinese Fisheries Economics, 2015, 33(4): 89-94. DOI:10.3969/j.issn.1009-590X.2015.04.015 ( 0) |
| [32] |
国家海洋局. 2023年中国海洋灾害公报[M]. 北京: 海洋出版社, 2024. State Oceanic Administration. 2023 China Marine Disaster Bulletin[M]. Beijing: China Ocean Press, 2024. ( 0) |
| [33] |
Muis S, Verlaan M, Winsemius H C, et al. A global reanalysis of storm surges and extreme sea levels[J]. Nature Communications, 2016, 7(1): 11969. DOI:10.1038/ncomms11969 ( 0) |
| [34] |
吴培中. 海洋初级生产力的卫星探测[J]. 国土资源遥感, 2000(3): 7-15. Wu P Z. Satellite measuring for ocean primary productivity[J]. Remote Sensing of Land and Resources, 2000(3): 7-15. DOI:10.3969/j.issn.1001-070X.2000.03.002 ( 0) |
| [35] |
Huang C, Liu Y, Luo Y, et al. Improvement and assessment of ocean color algorithms in the northwest Pacific fishing ground using Himawari-8, MODIS-Aqua, and VIIRS-SNPP[J]. Remote Sensing, 2022, 14(15): 3610. DOI:10.3390/rs14153610 ( 0) |
| [36] |
Deng L, Zhao J, Sun S, et al. Two-decade satellite observations reveal variability in size-fractionated phytoplankton primary production in the South China Sea[J]. Deep Sea Research Part Ⅰ: Oceanographic Research Papers, 2024, 206: 104258. DOI:10.1016/j.dsr.2024.104258 ( 0) |
| [37] |
邱雷. 蓝藻水华危害初探[J]. 今日科苑, 2009(10): 1. Qiu L. Preliminary exploration of the harm of blue-green algae blooms[J]. Modern Science, 2009(10): 1. ( 0) |
| [38] |
Stumpf R P, Culver M E, Tester P A, et al. Monitoring Karenia brevis blooms in the Gulf of Mexico using satellite ocean color imagery and other data[J]. Harmful Algae, 2003, 2(2): 147-160. DOI:10.1016/S1568-9883(02)00083-5 ( 0) |
| [39] |
Tomlinson M C, Stumpf R P, Ransibrahmanakul V, et al. Evaluation of the use of SeaWiFS imagery for detecting Karenia brevis harmful algal blooms in the eastern Gulf of Mexico[J]. Remote Sensing of Environment, 2004, 91(3): 293-303. ( 0) |
| [40] |
Wang M, Jiang L, Mikelsons K, et al. Satellite-derived global chlorophyll-a anomaly products[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 97: 102288. DOI:10.1016/j.jag.2020.102288 ( 0) |
| [41] |
Hu C, Muller-Karger F E, Taylor C, et al. Red tide detection and tracing using MODIS fluorescence data: A regional example in SW Florida coastal waters[J]. Remote Sensing of Environment, 2005, 97(3): 311-321. DOI:10.1016/j.rse.2005.05.013 ( 0) |
| [42] |
曾韬, 刘建强. "北京一号"小卫星在青岛近海浒苔灾害监测中的应用[J]. 遥感信息, 2009(3): 34-37. Zeng T, Liu J Q. The application of Beijing-1 micro satellite data to algae disaster monitoring in the sea of Qingdao[J]. Remote Sensing Information, 2009(3): 34-37. ( 0) |
| [43] |
Yamano H, Sakuma A, Harii S. Coral-spawn slicks: Reflectance spectra and detection using optical satellite data[J]. Remote Sensing of Environment, 2020, 251: 112058. DOI:10.1016/j.rse.2020.112058 ( 0) |
| [44] |
Qi L, Zhang S, Manos A J, et al. Satellite remote sensing of herring (Clupea pallasii) spawning events: A case study in the Strait of Georgia[J]. Geophysical Research Letters, 2021, 48(7): e2020GL092126. DOI:10.1029/2020GL092126 ( 0) |
| [45] |
Wall C C, Mann D A, Lembke C, et al. Mapping the soundscape off the southeastern USA by using passive acoustic glider technology[J]. Marine and Coastal Fisheries, 2017, 9(1): 23-37. DOI:10.1080/19425120.2016.1255685 ( 0) |
| [46] |
Woodward C, Schärer-Umpierre M, Nemeth R S, et al. Spatial distribution of spawning groupers on a Caribbean reef from an autonomous surface platform[J]. Fisheries Research, 2023, 266: 106794. DOI:10.1016/j.fishres.2023.106794 ( 0) |
| [47] |
Barroso V R, Xavier F C, Ferreira C E L. Applications of machine learning to identify and characterize the sounds produced by fish[J]. ICES Journal of Marine Science, 2023, 80(7): 1854-1867. DOI:10.1093/icesjms/fsad126 ( 0) |
| [48] |
李丹, 吴保生, 陈博伟, 等. 基于卫星遥感的水体信息提取研究进展与展望[J]. 清华大学学报(自然科学版), 2020, 60(2): 147-161. Li D, Wu B S, Chen B W, et al. Review of water body information extraction based on satellite remote sensing[J]. Journal of Tsinghua University(Science and Technology), 2020, 60(2): 147-161. ( 0) |
| [49] |
王思梦, 秦伯强. 湖泊水质参数遥感监测研究进展[J]. 环境科学, 2023, 44(3): 1228-1243. Wang M S, Qin B Q. Research progress on remote sensing monitoring of lake water quality parameters[J]. Environmental Science, 2023, 44(3): 1228-1243. ( 0) |
| [50] |
Sakamoto K, Tsujino H, Nakano H, et al. Development of a 2-km resolution ocean model covering the coastal seas around Japan for operational application[J]. Ocean Dynamics, 2019, 69(10): 1181-1202. DOI:10.1007/s10236-019-01291-1 ( 0) |
| [51] |
Mumby P J, Skirving W, Strong A E, et al. Remote sensing of coral reefs and their physical environment[J]. Marine Pollution Bulletin, 2004, 48(3): 219-228. ( 0) |
| [52] |
内阁府宇宙开发战略推进事务局. 将卫星数据用于商业活动的实践实例集[EB/OL]. (2024-8-26)[2024-8-29]. https://www8.cao.go.jp/space/goodpractice/jireisyu.html. Cabinet Office. Space Development Strategy Promotion Affairs Bureau. Practical Example Collection on Using Satellite Data for Commercial Activities[EB/OL]. (2024-8-26)[2024-8-29]. https://www8.cao.go.jp/space/goodpractice/jireisyu.html. ( 0) |
| [53] |
Szuster B W, Steckler C, Kullavanijaya B. Detecting and managing coastal fisheries and aquaculture gear using satellite radar imagery[J]. Coastal Management, 2008, 36(3): 318-329. DOI:10.1080/08920750801968330 ( 0) |
| [54] |
Sei-Ichi S, Fumihiro T, Hiromichi I. Present status and future prospective of remote sensing application for fisheries[J]. Journal of The Remote Sensing Society of Japan, 2021, 41(2): 189-199. ( 0) |
| [55] |
Veenstra T S, Churnside J H. Airborne sensors for detecting large marine debris at sea[J]. Marine Pollution Bulletin, 2012, 65(1): 63-68. ( 0) |
| [56] |
Morishige C, McElwee K. At-sea detection of derelict fishing gear in the North Pacific: An overview[J]. Marine Pollution Bulletin, 2012, 65(1): 1-6. ( 0) |
| [57] |
黄微. 基于遥感技术的南海灯光渔场研究[D]. 大连: 大连海洋大学, 2019. Huang W. Study on Light Fishing Grounds in the South China Sea Based on Remote Sensing Technology[D]. Dalian: Dalian Ocean University, 2019. ( 0) |
| [58] |
刘彦琳. 基于GAM和MaxEnt的西北太平洋公海日本鲭渔场形成机制及潜在栖息地分布研究[D]. 上海: 上海海洋大学, 2023. Liu Y L. Research on the Formation Mechanism and Potential Habitat Distribution of Japanese Mackerel Fishing Grounds in the High Seas of the Northwest Pacific Based on GAM and MaxEnt[D]. Shanghai: Shanghai Ocean University, 2023. ( 0) |
| [59] |
何勇. 阿根廷滑柔鱼资源分布与环境因子的关系及渔场预测[D]. 上海: 上海海洋大学, 2024. He Y. The Relationship between Resource Distribution and Environmental Factors and Fishery Prediction of Illex argentinus[D]. Shanghai: Shanghai Ocean University, 2024. ( 0) |
| [60] |
刘必林, 陈新军, 田思泉. 秘鲁外海茎柔鱼索饵场栖息地研究[J]. 水产科学, 2023, 42(3): 480-487. Liu B L, Chen X J, Tian S Q. Feeding habitat of jumbo flying squid Dosidicus gigas off the coast of Peru[J]. Fisheries Science, 2023, 42(3): 480-487. ( 0) |
| [61] |
Mugo R, Saitoh S I. Ensemble modelling of skipjack tuna (Katsuwonus pelamis) habitats in the western north pacific using satellite remotely sensed data; a comparative analysis using machine-learning models[J]. Remote Sensing, 2020, 12(16): 2591. ( 0) |
| [62] |
秦元哲, 周振佳, 刘阳, 等. 基于自动机器学习的黄、渤、东海蓝点马鲛渔场丰度指数研究[J]. 中国水产科学, 2022, 29(9): 1375-1387. Qin Y Z, Zhou Z J, Liu Y, et al. Fishery abundance index of Scomberomorus niphonius in the Yellow Sea, Bohai Sea, and East China Sea based on automatic machine learning[J]. Journal of Fishery Sciences of China, 2022, 29(9): 1375-1387. ( 0) |
| [63] |
Liu S, Liu Y, Alabia I D, et al. Impact of climate change on wintering ground of japanese anchovy (Engraulis japonicus) using marine geospatial statistics[J]. Frontiers in Marine Science, 2020, 7: 604. ( 0) |
| [64] |
曾硕星, 袁红春. 基于极限学习机的南太平洋长鳍金枪鱼渔场预测[J]. 渔业现代化, 2022, 49(3): 99-106. Zeng S X, Yuan H C. Prediction of south pacific Thunnus alalunga fishery based on the extreme learning machine[J]. Fishery Modernization, 2022, 49(3): 99-106. ( 0) |
| [65] |
Syah A F, Saitoh S I, Alabia I D, et al. Predicting potential fishing zones for Pacific saury (Cololabis saira) with maximum entropy models and remotely sensed data[J]. Fishery Bulletin, 2016, 114: 330-342. ( 0) |
| [66] |
魏广恩, 陈新军. 基于产卵场和索饵场适宜性的西北太平洋柔鱼丰度预测[J]. 海洋学报, 2020, 42(12): 14-25. Wei G E, Chen X J. Forecasting Northwest Pacific Ocean neon flying squid abundance based on suitability of spawning and feeding grounds[J]. Haiyang Xuebao, 2020, 42(12): 14-25. ( 0) |
| [67] |
Malde K, Handegard N O, Eikvil L, et al. Machine intelligence and the data-driven future of marine science[J]. ICES Journal of Marine Science, 2020, 77(4): 1274-1285. ( 0) |
| [68] |
Liu S, Tian Y, Liu Y, et al. Development of a prey-predator species distribution model for a large piscivorous fish: A case study for Japanese Spanish mackerel Scomberomorus niphonius and Japanese anchovy Engraulis japonicus[J]. Deep Sea Research Part Ⅱ: Topical Studies in Oceanography, 2023, 207: 105227. ( 0) |
| [69] |
雷林, 高峰, 官文江, 等. 基于近实时海洋遥感数据的渔场预报系统设计与实现[J]. 上海海洋大学学报, 2019, 28(3): 464-470. Lei L, Gao F, Guan W J, et al. Design and implementation of fishing ground forecasting system based on near real-time remote sensing data[J]. Journal of Shanghai Ocean University, 2019, 28(3): 464-470. ( 0) |
| [70] |
Ardianto R, Setiawan A, Hidayat J J, et al. Development of an automated processing system for potential fishing zone forecast[J]. IOP Conference Series: Earth and Environmental Science, 2017, 54: 012081. ( 0) |
| [71] |
Flothmann S, Von Kistowski K, Dolan E, et al. Closing loopholes: Getting illegal fishing under control[J]. Science, 2010, 328(5983): 1235-1236. ( 0) |
| [72] |
Seto K L, Miller N A, Kroodsma D, et al. Fishing through the cracks: The unregulated nature of global squid fisheries[J]. Science Advances, 9(10): eadd8125. ( 0) |
| [73] |
European Environment Agency. Council Regulation (EC) No. 2371/2002 of 20 December 2002—European Environment Agency[EB/OL]. (2016-4-20)[2024-8-29]. https://www.eea.europa.eu/policy-documents/council-regulation-ec-no.-2371.
( 0) |
| [74] |
崔秀芳, 蔡陈玉, 李志刚. 基于北斗卫星的渔船监控系统设计[J]. 全球定位系统, 2018, 43(3): 118-123. Cui X F, Cai C Y, Li Z G. The design of the fishing vessel monitoring system based on Beidou satellite[J]. GNSS World of China, 2018, 43(3): 118-123. ( 0) |
| [75] |
钱静, 李佳俊, 陈作志, 等. 基于北斗船位数据的南海大型灯光罩网渔业研究[J]. 南方水产科学, 2022, 18(6): 1-9. Qian J, Li J J, Chen Z Zi, et al. An investigation of large-size light falling-net fishing vessels operating in South China Sea based on Beidou VMS data[J]. South China Fisheries Science, 2022, 18(6): 1-9. ( 0) |
| [76] |
Natale F, Gibin M, Alessandrini A, et al. Mapping Fishing Effort through AIS Data[J]. PLoS One, 2015, 10(6): e0130746. ( 0) |
| [77] |
De Souza E N, Boerder K, Matwin S, et al. Improving fishing pattern detection from satellite AIS using data mining and machine learning[J]. PLoS One, 2016, 11(7): e0158248. ( 0) |
| [78] |
田巳睿, 王超, 张红. 星载SAR舰船检测技术及其在海洋渔业监测中的应用[J]. 遥感技术与应用, 2007(4): 503-512. Tian S R, Wang C, Zhang H. Ship detection with spaceborne SAR and its application in oceanic fishery monitoring[J]. Remote Sensing Technology and Application, 2007(4): 503-512. ( 0) |
| [79] |
Snapir B, Waine T, Biermann L. Maritime vessel classification to monitor fisheries with SAR: Demonstration in the North Sea[J]. Remote Sensing, 2019, 11(3): 353. ( 0) |
| [80] |
Kroodsma D A, Hochberg T, Davis P, et al. Revealing the global longline fleet with satellite radar[J]. Scientific Reports, 2022, 12: 21004. ( 0) |
| [81] |
Croft T A. Nighttime images of the earth from space[J]. Scientific American, 1978, 239: 86-98. ( 0) |
| [82] |
Park J, Lee J, Seto K, et al. Illuminating dark fishing fleets in North Korea[J]. Science Advances, 2020, 6(30): eabb1197. ( 0) |
| [83] |
Waluda C M, Yamashiro C, Elvidge C D, et al. Quantifying light-fishing for Dosidicus gigas in the eastern Pacific using satellite remote sensing[J]. Remote Sensing of Environment, 2004, 91(2): 129-133. ( 0) |
| [84] |
Kiyofuji H, Saitoh S. Use of nighttime visible images to detect Japanese common squid Todarodes pacificus fishing areas and potential migration routes in the Sea of Japan[J]. Marine Ecology Progress Series, 2004, 276: 173-186. ( 0) |
| [85] |
Elvidge C, Zhizhin M, Baugh K, et al. Automatic boat identification system for VIIRS low light imaging data[J]. Remote Sensing, 2015, 7(3): 3020-3036. ( 0) |
| [86] |
Liu Y, Saitoh S I, Hirawake T. Detection of squid and Pacific saury fishing vessels around Japan using VIIRS day/night band image[J]. Proceeding of the Asia-Pacific Advanced Network, 2015, 39(3): 28-39. ( 0) |
| [87] |
Tian H, Liu Y, Tian Y, et al. A comprehensive monitoring and assessment system for multiple fisheries resources in the Northwest Pacific based on satellite remote sensing technology[J]. Frontiers in Marine Science, 2022, 9: 808282. ( 0) |
| [88] |
Hsu F C, Elvidge C D, Baugh K, et al. Cross-matching VIIRS boat detections with vessel monitoring system tracks in Indonesia[J]. Remote Sensing, 2019, 11(9): 995. ( 0) |
| [89] |
Van Helmond A T M, Chen C, Poos J J. How effective is electronic monitoring in mixed bottom-trawl fisheries?[J]. ICES Journal of Marine Science, 2014, 72(4): 1192-1200. ( 0) |
| [90] |
Gilman E, Legorburu G, Fedoruk A, et al. Increasing the functionalities and accuracy of fisheries electronic monitoring systems[J]. Aquatic Conservation: Marine and Freshwater Ecosystems, 2019, 29(6): 901-926. ( 0) |
| [91] |
Ruiz J, Batty A, Chavance P, et al. Electronic monitoring trials on in the tropical tuna purse-seine fishery[J]. ICES Journal of Marine Science, 2014, 72(4): 1201-1213. ( 0) |
| [92] |
Van Helmond A T M, Mortensen L O, Plet-Hansen K S, et al. Electronic monitoring in fisheries: Lessons from global experiences and future opportunities[J]. Fish and Fisheries, 2020, 21(1): 162-189. ( 0) |
| [93] |
Kurekin A, Loveday B, Clements O, et al. Operational monitoring of illegal fishing in Ghana through exploitation of satellite earth observation and AIS data[J]. Remote Sensing, 2019, 11(3): 293. ( 0) |
| [94] |
Stobberup K, Anganuzzi A, Tavaga N, et al. Electronic Monitoring in Tuna Fisheries: Strengthening Monitoring and Compliance in the Context of Two Developing States[M]. Rome: Food and Agriculture Organization of the United Nations, 2021.
( 0) |
| [95] |
孙月莹, 陈俊霖, 张胜茂, 等. 基于改进YOLOv7的毛虾捕捞渔船作业目标检测与计数方法[J]. 农业工程学报, 2023, 39(10): 151-162. Sun Y Y, Chen J L, Zhang S M, et al. Target detection and counting method for Acetes chinensis fishing vessels operation based on improved YOLOv7[J]. Transactions of the Chinese Society of Agricultural Engineering, 2023, 39(10): 151-162. ( 0) |
| [96] |
袁红春, 陶磊. 基于改进的Yolov8商业渔船电子监控数据中鱼类的检测与识别[J]. 大连海洋大学学报, 2023, 38(3): 533-542. Yuan H C, Tao L. Detection and identification of fish in electronic monitoring data of commercial fishing vessels based on improved Yolov8[J]. Journal of Dalian Ocean University, 2023, 38(3): 533-542. ( 0) |
| [97] |
Wark D Q, Popham R W. Tiros Ⅰ observations of ice in the Gulf of ST. Lawrence[J]. Monthly Weather Review, 1960, 88(5): 182-186. ( 0) |
| [98] |
Meguro H, Toba Y, Murakami H, et al. Simultaneous remote sensing of chlorophyll, sea ice and sea surface temperature in the Antarctic waters with special reference to the primary production from ice algae[J]. Advances in Space Research, 2004, 33(7): 1168-1172. ( 0) |
| [99] |
Hewitt R P, Watkins J, Naganobu M, et al. Biomass of Antarctic krill in the Scotia Sea in January/February 2000 and its use in revising an estimate of precautionary yield[J]. Deep Sea Research Part Ⅱ: Topical Studies in Oceanography, 2004, 51(12): 1215-1236. ( 0) |
| [100] |
Comiso J C, Steffen K. Studies of Antarctic sea ice concentrations from satellite data and their applications[J]. Journal of Geophysical Research: Oceans, 2001, 106(C12): 31361-31385. ( 0) |
| [101] |
樊伟, 伍玉梅, 陈雪忠, 等. 南极磷虾的时空分布及遥感环境监测研究进展[J]. 海洋渔业, 2010, 32(1): 95-101. Fan W, Wu Y M, Chen X Z, et al. Progress in spatio-temporal distribution of Antarctic krill and environment survey of remote sensing[J]. Marine Fisheries, 2010, 32(1): 95-101. ( 0) |
| [102] |
Liu S, Liu Y, Teschke K, et al. Incorporating mesopelagic fish into the evaluation of conservation areas for marine living resources under climate change scenarios[J]. Marine Life Science & Technology, 2024, 6: 68-83. ( 0) |
| [103] |
陈一凡, 刘建强, 艾松涛, 等. 基于国产卫星AIS数据的新冠疫情前后南极考察活动变化研究[J]. 海洋通报, 2022, 41(3): 259-267. Chen Y F, Liu J Q, Ai S T, et al. Changes in Antarctic expeditions before and after COVID-19 based on Chinese satellite AIS data[J]. Marine Science Bulletin, 2022, 41(3): 259-267. ( 0) |
| [104] |
Lynch H J, White R, Black A, D, et al. Detection, differentiation, and abundance estimation of penguin species by high-resolution satellite imagery[J]. Polar Biology, 2012, 35(6): 963-968. ( 0) |
| [105] |
LaRue M, Iles D, Labrousse S, et al. Advances in remote sensing of emperor penguins: First multi-year time series documenting trends in the global population[J]. Proceedings of the Royal Society B: Biological Sciences, 2024, 291(2018): 20232067. ( 0) |
| [106] |
焦敏, 陈新军, 高郭平. 北极海域渔业资源开发现状及对策[J]. 极地研究, 2015, 27(2): 219-227. Jiao M, Chen X J, Gao G P. Current exploitation and the developing countermeasures of fishery resources in the arctic waters[J]. Chinese Journal of Polar Research, 2015, 27(2): 219-227. ( 0) |