一种大数据智慧渔业管理系统

技术领域

本发明属于渔业管理领域，具体是涉及一种大数据智慧渔业管理系统。

背景技术

渔业是海洋资源的重要利用方式之一，但传统的渔业管理模式存在很多问题，大多依靠大量使用人力进行监控和控制，具有很大的局限性，不仅浪费人力，增加成本，并且无法准确预测鱼类迁徙和捕捞量、缺乏有效监测渔船位置和作业情况等。

新兴的智慧渔业是运用大数据现代信息技术，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。

发明内容

本发明提供一种大数据智慧渔业管理系统，通过数据采集和分析，实现对渔业资源和渔船作业的智能管理与监控。

为了实现上述目的，本发明所采取的技术方案如下：一种大数据智慧渔业管理系统，包含数据采集系统、数据处理与存储系统与报警系统，通过所述数据采集系统实时采集海洋环境数据，将采集到的数据及时传输到所数据处理与存储系统中，然后进行大数据分析，发现数据中的潜在规律和趋势，并建立预测模型，通过对历史数据的分析和学习，预测未来的渔业资源变化和渔船作业情况，若数据超过预设，报警系统会发送警报通知相关人员。

进一步地，所述数据采集系统包括物联网设备、渔船位置跟踪系统以及摄像头和图像识别技术。

进一步地，所述物联网设备包含有水温传感器、水质传感器、气象传感器，用于实时采集海洋环境数据。

进一步地，所述渔船位置跟踪系统为GPS定位设备，用于实时跟踪渔船的位置和行驶轨迹，并将其传输到系统后端。

进一步地，所述摄像头拍摄图像或视频对渔船的作业过程进行实时监控，图像识别技术通过图像识别和分析，检测渔网展开情况、捕鱼活动，提供视觉化的监控数据。

进一步地，所述报警系统设立渔船作业规则和参数，数据采集系统可以根据预设的规则进行监测，一旦发现异常情况，就会发出警报。

进一步地，大数据分析包含有数据清洗、特征提取、模型训练三个过程。

进一步地，所述数据处理系统使用鱼类迁徙模型，并用BP神经网络作为渔船作业分析模型。

进一步地，所述鱼类迁徙模型借助栖息地模型来实现。

进一步地，所述BP神经网络估测模型的拟合和预测效果通过决定系数(R

与现有技术相比，本发明具有如下的有益效果：

1.本发明通过实时监控渔船位置和作业情况，优化渔船调度，避免重复作业和过度捕捞，并实现对渔船活动的实时监控和管理，减少人工干预和提高管理效能。

2.本发明通过大数据分析和预测模型，准确预测鱼类迁徙和捕捞量，帮助渔民选择合适的捕捞时机和地点，提高捕捞效率，制定科学的渔业资源管理政策，减少过度捕捞和资源浪费，保护渔业可持续发展。

附图说明

图1为本发明智慧渔业管理系统结构图；

图2为本发明海域分割单元图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

如图1所示，一种大数据智慧渔业管理系统，包含数据采集系统、数据处理与存储系统与报警系统，通过所述数据采集系统实时采集海洋环境数据，将采集到的数据及时传输到所数据处理与存储系统中，然后进行大数据分析，发现数据中的潜在规律和趋势，并建立预测模型，通过对历史数据的分析和学习，预测未来的渔业资源变化和渔船作业情况，若数据超过预设，报警系统会发送警报通知相关人员。

数据采集系统：构建物联网设备和传感器网络，在渔业相关区域内布置物联网设备和传感器，包括水温器、水质传感器、气象传感器以及GPS设备，这些设备通过无线方式连接到系统后端，实现对海洋环境数据和渔船位置等信息的实时采集。

数据处理与存储系统：提供数据处理和分析的软件模块，包括数据清洗、特征提取、模型训练等过程，通过对采集到的海洋环境数据、渔船位置等进行预处理和分析，提取有价值的信息和特征，具体通过以下几个步骤实现；

(1)建立大数据平台：搭建大数据平台，用于存储和管理海洋环境数据、渔船位置等信息，该平台可以采用云端存储或本地数据库，确保数据的完整性和安全性。

(2)开发用户界面：设计用户界面，实现对渔业资源和渔船作业的实时监控和管理，通过地图显示界面，将渔船位置和作业情况可视化，为用户提供直观的监控和管理工具。

(3)实施渔船作业监控系统：在渔船上安装摄像头和GPS设备，通过图像识别和GPS定位技术，实现对渔船作业过程的实时监控。摄像头拍摄渔网展开、捕鱼活动等情况，图像数据上传至系统后端进行分析。

(4)数据分析与预测：利用大数据分析技术，对采集到的数据进行清洗、转换和聚合，提取有价值的特征，通过数据挖掘、机器学习和统计分析的方法，发现数据中的潜在规律和趋势。

基于采集到的数据和大数据分析的结果，建立鱼类迁徙预测模型和渔船作业分析模型，通过对历史数据的分析和学习，预测未来的渔业资源变化和渔船作业情况。

鱼类迁徙模型：本发明借助栖息地模型来研究海表温度以及海表面温度梯度对鱼类生存的影响，然后根据影响因素，设置影响因素阈值，结合神经网络提出渔船作业分析模型。

将各区海域内两类鱼的捕获量看作该区海域内的此类鱼的数量。如图2所示，将某一海域分为许多小海区，设立海表温度探测点计算SST

NET

由于各海区海表温度已知，建立水平梯度GSST

采用算式平均法将相关影响因素代入公式计算HSI:

其中/>

当对生物栖息地进行判断时，一般认为当HSI大于0.6，就可以认为此地适宜该物种生存。本发明将海区水温10.545℃.2.1491℃代入，得到该海区不同鱼类的HSI，然后使用BP神经网络确定渔船作业分析模型。

BP(BP neural network regression model)神经网络模型是目前应用较广的神经网络模型之一。其包括：输入层(I)，隐含层(H)和输出层(O)其原理为：BP神经网络在传播过程中，误差向前，而信号从输入层到隐含层逐层处理，最后到达输出层，而且下一层的神经元只能被当前的神经元影响；如果输出层的值和期望输出不一样，则生成一个误差值，将这个误差值反向传播，BP神经网络会根据该误差值调整网络的阈值和权值，如此循环，BP神经网络就能逐渐接近期望输出。估测模型的拟合和预测效果通过决定系数(R

式中，L

报警系统：设立渔船作业规则和参数，系统可以根据预设的规则进行监测，一旦发现异常情况，如捕获量超过限定值或进入禁渔区等，系统会发送警报通知相关人员。

本发明的数据采集系统包括物联网设备、定位系统和图像识别技术等，用以实时采集渔业相关数据。数据分析与预测采用大数据分析和建立预测模型的方法。监控方式则通过GPS定位系统、视频监控和报警系统进行实现，实现渔业资源和渔船作业的智能管理与监控；用户可以通过用户界面直观地了解渔船位置和作业情况，提高渔业资源利用效率和管理效能。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。