Применение методов машинного обучения для восстановления размерно-полового состава уловов краба-стригуна опилио
https://doi.org/10.26428/1606-9919-2024-204-1018-1034
EDN: TREJKR
Аннотация
Выявлены статистические связи между условиями окружающей среды и пространственным распределением размерно-половых групп краба-стригуна опилио в Западно-Беринговоморской зоне. На основе найденных закономерностей выполнено восстановление значений абсолютных траловых уловов размерно-половых групп, отсутствующих в базах данных. Для формирования входных переменных и оценки статистических связей использовались методы машинного обучения, которые могут быть применены к другим единицам запаса донных гидробионтов.
Ключевые слова
Берингово море,
краб-стригун опилио Chionoecetes opilio,
состав уловов,
условия обитания гидробионтов,
машинное обучение
При поддержке: Выражаем искреннюю благодарность сотрудникам ТИНРО, ВНИРО и его филиалов, на протяжении десятилетий добросовестно собиравших материалы в процессе научно-исследовательских работ и наблюдений на промысле. Мы глубоко признательны начальнику отдела промысловой статистики и баз данных Н.Н. Герасимову за его титанический труд, связанный с ведением баз данных ТИНРО.
Об авторах
И. С. Черниенко
Тихоокеанский филиал ВНИРО (ТИНРО)
Россия
Россия
Черниенко Игорь Сергеевич, кандидат биологических наук, ведущий научный сотрудник
690091, г. Владивосток, пер. Шевченко, 4
А. Г. Слизкин
Тихоокеанский филиал ВНИРО (ТИНРО)
Россия
Россия
Слизкин Алексей Гаврилович, кандидат биологических наук, ведущий научный сотрудник
690091, г. Владивосток, пер. Шевченко, 4
В. В. Кулик
Тихоокеанский филиал ВНИРО (ТИНРО)
Россия
Россия
Кулик Владимир Владимирович, кандидат биологических наук, заведующий лабораторией
690091, г. Владивосток, пер. Шевченко, 4
Список литературы
1. Бизиков В.А., Гончаров С.М., Поляков А.В. Географическая информационная система «Картмастер» // Рыб. хоз-во. — 2007. — № 1. — С. 96–99.
2. Ильин О.И., Иванов П.Ю. К оценке состояния запасов краба-стригуна бэрди Камчатско-Курильской подзоны // Исслед. водн. биол. ресурсов Камчатки и сев.-зап. части Тихого океана. — 2018. — Вып. 50. — С. 27–33. DOI: 10.15853/2072-8212.2018.50.27-33.
3. Ильин О.И., Иванов П.Ю. Об одном модельном подходе к оценке состояния запасов камчатского краба Paralithodes camtschaticus западнокамчатского шельфа // Изв. ТИНРО. — 2015. — Т. 182. — С. 38–47. DOI: 10.26428/1606-9919-2015-182-38-47.
4. Кулик В.В., Горюнов М.И. Применение метода машинного обучения для оценки биомассы трески в Северо-Курильской зоне // Изв. ТИНРО. — 2022. — Т. 202, вып. 4. — С. 1002–1014. DOI: 10.26428/1606-9919-2022-202-1002-1014. EDN: IAVNBZ.
5. Макрофауна бентали западной части Берингова моря: таблицы встречаемости, численности и биомассы. 1977–2010 / В.П. Шунтов, И.В. Волвенко, В.В. Кулик, Л.Н. Бочаров; под ред. В.П. Шунтова и Л.Н. Бочарова. — Владивосток : ТИНРО-центр, 2014. — 803 с.
6. Надточий В.А., Будникова Л.Л., Безруков Р.Г. Некоторые результаты бонитировки бентоса в российских водах дальневосточных морей: состав и количественное распределение (Охотское море) // Изв. ТИНРО. — 2007. — Т. 149. — С. 310–337.
7. Надточий В.А., Колпаков Н.В. Макрозообентос Олюторского залива (Берингово море) четверть века спустя: состав, распределение, сообщества // Изв. ТИНРО. — 2022. — Т. 202, вып. 1. — С. 161–171. DOI: 10.26428/1606-9919-2022-202-161-171.
8. Надточий В.А., Колпаков Н.В., Корнейчук И.А. Распределение таксонов макрозообентоса — потенциальных индикаторов уязвимых морских экосистем в западной части Берингова моря. 2. Чукотский и корякский районы // Изв. ТИНРО. — 2017a. — Т. 190. — С. 177–195. DOI: 10.26428/1606-9919-2017-190-177-195.
9. Надточий В.А., Колпаков Н.В., Корнейчук И.А. Распределение таксонов макрозообентоса — потенциальных индикаторов уязвимых морских экосистем в западной части Берингова моря. 1. Анадырский район // Изв. ТИНРО. — 2017б. — Т. 189. — С. 156–170. DOI: 10.26428/1606-9919-2017-189-156-170.
10. Поляков А.В. Программа построения карт распределения запаса и планирования съемки. — М. : ВНИРО, 1995. — 46 с.
11. Руководство по изучению десятиногих ракообразных Decapoda дальневосточных морей / сост. В.Е. Родин, А.Г. Слизкин, В.И. Мясоедов и др. — Владивосток : ТИНРО, 1979. — 59 с.
12. Слизкин А.Г., Сафронов С.Г. Промысловые крабы прикамчатских вод : моногр. – Петропавловск-Камчатский : Северная Пацифика, 2000. — 180 с.
13. Федотов П.А., Черниенко И.С. Динамика численности синего краба (Paralithodes platypus Brandt, 1849) в северо-западной части Берингова моря // Изв. ТИНРО. — 2022. — Т. 202, вып. 2. — С. 332–342. DOI: 10.26428/1606-9919-2022-202-332-342. EDN: DAYGOT.
14. Черниенко Э.П., Черниенко И.С. Информационное сопровождение промысла японской скумбрии Scomber japonicus в тихоокеанских водах Российской Федерации // Изв. ТИНРО. — 2021. — Т. 201, вып. 2. — С. 390–399. DOI: 10.26428/1606-9919-2021-201-390-399.
15. Assis J., Tyberghein L., Bosch S. et al. Bio-ORACLE v2.0: Extending marine data layers for bioclimatic modelling // Global Ecol Biogeogr. — 2018. — Vol. 27, Iss. 3. — P. 277–284. DOI: 10.1111/geb.12693.
16. Breiman L. Random forests // Mach. Learn. — 2001. — Vol. 45, Iss. 1. — P. 5–32. DOI: 10.1023/A:1010933404324.
17. Bridle J.S. Probabilistic Interpretation of Feedforward Classification Network Outputs, with Relationships to Statistical Pattern Recognition // Neurocomputing. — 1990. — Vol. 68. — P. 227–236.
18. Fukushima K. Visual Feature Extraction by a Multilayered Network of Analog Threshold Elements // IEEE Trans. Syst. Sci. Cyber. — 1969. — Vol. 5, № 4. — P. 322–333. DOI: 10.1109/TSSC.1969.300225.
19. Harrington P. Machine Learning in Action. — N.Y. : Manning, 2012. — 384 p.
20. Kulik V.V., Prants S.V., Uleysky M.Yu., Budyansky M.V. Lagrangian characteristics in the western North Pacific help to explain variability in Pacific saury fishery // Fish. Res. — 2022. — Vol. 252. — 106361. DOI: 10.1016/j.fishres.2022.106361.
21. Lee S., Wolberg G., Shin S.Y. Scattered data interpolation with multilevel B-splines // IEEE Trans. Visual. Comput. Graphics. — 1997. — Vol. 3, № 3. — P. 228–244. DOI: 10.1109/2945.620490.
22. Müller A.C., Guido S. Introduction to machine learning with Python: a guide for data scientists.
23. st edition. — Sebastopol, CA : O’Reilly Media, Inc, 2016. — 376 p.
24. Murtagh F. Multilayer perceptrons for classification and regression // Neurocomputing. — 1991. — Vol. 2, № 5–6. — P. 183–197. DOI: 10.1016/0925-2312(91)90023-5.
25. Rodriguez-Casal A. Set estimation under convexity type assumptions // Annales de l’Institut Henri Poincare (B) Probability and Statistics. — 2007. — Vol. 43, № 6. — P. 763–774. DOI: 10.1016/j.anihpb.2006.11.001.
26. Tyberghein L., Verbruggen H., Pauly K. et al. Bio-ORACLE: a global environmental dataset for marine species distribution modelling // Global Ecology and Biogeography. — 2012. — Vol. 21, № 2. — P. 272–281. DOI: 10.1111/J.1466-8238.2011.00656.X.
Рецензия
Для цитирования:
Черниенко И.С., Слизкин А.Г., Кулик В.В. Применение методов машинного обучения для восстановления размерно-полового состава уловов краба-стригуна опилио. Известия ТИНРО. 2024;204(4):1018-1034. https://doi.org/10.26428/1606-9919-2024-204-1018-1034. EDN: TREJKR
For citation:
Chernienko I.S., Slizkin A.G., Kulik V.V. Application of machine learning methods to restore size-sex composition in catches of snow crab. Izvestiya TINRO. 2024;204(4):1018-1034. (In Russ.) https://doi.org/10.26428/1606-9919-2024-204-1018-1034. EDN: TREJKR
Просмотров:
96
Послать статью по эл. почте 