Черниенко Эмилия Петровна, старший специалист
690091, г. Владивосток, пер. Шевченко, 4
Chernienko Emilia P., senior specialist, Pacific branch
4, Shevchenko Alley, Vladivostok, 690091
Черниенко Игорь Сергеевич, кандидат биологических наук, ведущий научный сотрудник
690091, г. Владивосток, пер. Шевченко, 4
Chernienko Igor S., Ph.D., leading researcher, Pacific branch
4, Shevchenko Alley, Vladivostok, 690091
Для прогнозирования формирования благоприятной промысловой обстановки в Южно-Курильской зоне применяли методы машинного обучения. В качестве входных данных использовали значения температуры поверхности океана, производные гидрологические характеристики. Индикатором участков с благоприятной промысловой обстановкой выступали показания судовых суточных донесений по материалам промысловой статистики из Отраслевой системы мониторинга Центра системы мониторинга рыболовства и связи. Под промысловой обстановкой понимали наличие либо отсутствие промысла в определенной точке. Прогнозирование благоприятной промысловой обстановки, таким образом, было сведено к задаче бинарной классификации. Наличие промысла обозначали как «1», отсутствие — «0». Использовали библиотеку для языка сценариев R LightGBM, реализующий алгоритм градиентного бустинга на основе решающих деревьев. Показана эффективность примененного подхода для формирования оперативного прогноза с заблаговременностью до трех суток. За весь период промысла на спрогнозированных участках было добыто около 75 % общего вылова скумбрии, за период интенсивного промысла — около 84 %.
Methods of machine learning were applied for forecasting of chub mackerel fishing grounds in the South Kuril fishery district. The problem of perspective fishing area definition was reduced for a binary classification task, i.e. the sets of environmental conditions corresponded with presence or absence of fishing operations were determined for each point within the district. The fishery statistics for 2016–2020 and the data on SST with delay of 4–7 days from the date of catch, spatial SST gradients calculated using Belkin algorithm, and day-to-day SST variations were processed using LightGBM machine learning algorithm. The model was trained on the data for 2016–2019 and verified on the data for 2020. The AUC (as an aggregate measure of performance across all possible classification thresholds) varied from 0.65 to 0.92. In the fishery season of 2020, AUC was 0.69, on average, growing to 0.75 in the period of the highest catches. Approximately 75 % of the annual catch of chub mackerel was caught at the predicted sites in 2020; this portion reached 84 % in the period of the highest catches.
The authors declare that there are no conflicts of interest present.