Информационное сопровождение промысла японской скумбрии Scomber japonicus в тихоокеанских водах российской федерации

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 %.

1. Беляев В.А. Экосистема зоны течения Куросио и ее динамика : моногр. — Хабаровск : Хабаровское книжное издательство, 2003. — 382 с.

2. Бочаров Л.Н. Информационная технология краткосрочного промыслового прогнозирования : дис. ... д-ра техн. наук в форме научного доклада. — Владивосток : ИАПУ ДВО РАН, 1993. — 68 с.

3. Бочаров Л.Н. Системный анализ в краткосрочном рыбопромысловом прогнозировании : моногр. — Л. : Наука, 1990. — 208 с.

4. Бринк Х., Ричардс Д., Феверолф М. Машинное обучение : моногр. — СПб. : Питер, 2017. — 336 с.

5. Кулик В.В., Байталюк А.А., Катугин О.Н., Устинова Е.И. Моделирование распределения уловов сайры в связи с факторами окружающей среды // Изв. ТИНРО. — 2019. — Т. 199. — С. 193–213. DOI: 10.26428/1606-9919-2019-199-193-213.

6. Пырков В.Н., Солодилов А.В., Дегай А.Ю. Создание и внедрение новых спутниковых технологий в системе мониторинга рыболовства // Современные проблемы дистанционного зондирования Земли из космоса. — 2015. — Т. 12, № 5. — С. 251–262.

7. Филатов В.Н. Миграции и формирование скоплений массовых пелагических гидробионтов (на примере тихоокеанской сайры) : моногр. — Ростов н/Д : ЮНЦ РАН, 2015. — 168 с.

8. Шунтов В.П. Биология дальневосточных морей России : моногр. — Владивосток : ТИНРО-центр, 2001. — Т. 1. — 580 с.

9. Belkin I.M., O’Reilly J.E. An algorithm for oceanic front detection in chlorophyll and SST satellite imagery // J. Mar. Syst. — 2009. — Vol. 78, № 3. — P. 319–326. DOI: 10.1016/j.jmarsys.2008.11.018.

10. Ke G., Meng Q., Finley T. et al. LightGBM: a highly efficient gradient boosting decision tree // Proceedings of the 31st International Conference on Neural Information Processing Systems (NIPS 17). — Red Hook, NY, USA : Curran Associates Inc., 2017. — P. 3149–3157.

11. Scales K.L., Hazen E.L., Maxwell S.M. et al. Fit to predict? Eco-informatics for predicting the catchability of a pelagic fish in near real time // Ecol. Appl. — 2017. — Vol. 27, Iss. 8. — P. 2313–2329. DOI: 10.1002/eap.1610.

12. Usui N., Ishizaki S., Fujii Y. et al. Meteorological Research Institute multivariate ocean variational estimation (MOVE) system: Some early results // Adv. Sp. Res. — 2006. — Vol. 37, № 4. — P. 806–822. DOI: 10.1016/j.asr.2005.09.022.

13. Usui N., Wakamatsu T., Tanaka Yu. et al. Four-dimensional variational ocean reanalysis: a 30-year high-resolution dataset in the western North Pacific (FORA-WNP30) // J. Oceanogr. — 2017. — Vol. 73, Iss. 2. — P. 205–233. DOI: 10.1007/s10872-016-0398-5.