船舶自动识别系统（AIS）数据在海洋渔业中研究应用现状

于琳琳　樊伟　张衡　戴阳　万里骏　王斐　石永闯　杨胜龙

摘要：在全球海洋主要经济渔业资源衰退的背景下，如何保护和可持续开发利用海洋渔业资源受到全球各国、地区和组织高度重视，一直是研究热点。受传统海洋渔业数据的制约，一直难以全面了解远洋渔船的捕捞足迹，因此，无法对其实行有效监控和管理。船舶自动识别系统（automatic identification system， AIS）提供的全球远洋渔船轨迹数据可以用于量化分析从单艘到全球渔船行为，挖掘的历史捕捞强度空间信息可为海洋捕捞活动的监测管理和生态压力评估提供良好的可替代数据来源，成为近年海洋信息和海洋渔业研究的新热点。为促进AIS数据在我国海洋渔业中的研究应用，对AIS近年的研究内容和应用现状进行总结，指出AIS数据目前研究的不足和未来潜在的研究方法，以期为AIS在海洋渔业中的研究和应用提供参考。

关键词：AIS；海洋渔业；渔船作业状态；捕捞强度；渔场信息

doi：10.13304/j.nykjdb.2023.0330

中图分类号：S951 文献标志码：A 文章编号：10080864（2024）05021211

渔船生产覆盖了全球55%的海域，但人们对渔船的全球生产活动直观了解知之甚少[1]。了解全球性或大区域的捕捞活动主要依靠联合国粮农组织（Food and Agriculture Organization of theUnited Nations，FAO）或渔业区域组织（RegionalFisheries Management Organizations，RFMOs）统计的自我报告渔业数据[2]，但汇集后的捕捞数据存在数据错误、精度粗糙和时间滞后等不足[3]。日志数据、观察数据和电子船舶监控系统（vesselmonitoring system of fishing vessel，VMS）提供了高质量的渔业信息，但这些异构数据只覆盖部分渔船，而且不能公开获取[1]。由于对渔船生产缺乏全面有效的监控和生态管理政策难以落实，致使支持公海资源可持续利用所需的监管框架和监测机制滞后[1]，公海渔业管理的有效性一直存在争议，许多公海种群枯竭或过度捕捞[2]，非法、未报告和无管制（illegal， unreported and unregulatedfishing，IUU）捕捞活动会带来巨大的经济损失[45]。

船舶自动识别系统（automatic identificationsystem，AIS）是一种基于无线电技术实现的自动识别系统，用于船舶之间和与岸基站之间交换信息。其提供的实时、高精度和公开获取的轨迹大数据可以直接观察全球渔船超7万艘。挖掘渔场时空高精度的捕捞努力量信息，为海洋捕捞活动的监测管理和生态压力评估提供了良好的可替代数据来源，已经成为海洋渔业和海洋信息研究的热点。已在渔船捕捞行为识别[6-8] 、捕捞活动聚集区范围提取[9]、捕捞强度度量[10]、捕捞活动生态压力评估[1112]等方面取得了一系列研究成果，为海洋生态保护和海洋空间规划管理提供了重要信息支持[13]。

鉴于AIS 数据越来越多被应用在海洋各领域，全面认识AIS国内外研究现状和不足，分析其发展动态，对于开展AIS未来研究有重要指导意义。虽然已有一些AIS 研究综述介绍了AIS 在IUU监管、渔船状态识别和海洋环境保护等研究现状，但对AIS研究内容和应用领域介绍的深度和广度都不够。因此本文对AIS近年的研究内容和应用领域进行详细总结介绍，以期为AIS在海洋渔业中的研究和应用提供参考。

1 AIS 功能

AIS 由国际海事组织（International MaritimeOrganization，IMO）引入，旨在提高海上安全和避免船舶碰撞[14]。与通常基于船舶和地面中心之间的点对点卫星通信的VMS不同，AIS消息是由船只全向广播，可被周围其他船只、地面接收器和卫星接收到。

1.1 AIS 传输信息

AIS系统提供了船只交换状态矢量（位置、速度、航向、转向速率等）、静态信息（船只标识符、尺寸、船型等）和航行相关信息（目的地、预计到达时间、吃水等）[14]。研究中常用到的数据字段主要包括MMSI、时间、经纬度、航速、航向等。

1.2 AIS 传输设备

大多数AIS 设备可分为3 种类别：A 类、B类和B+类。A类设备的广播功率更强（12.5 W，B类和B+类分别为2.0和5.0 W），而且在移动时能频繁地广播船舶的位置（每2～10 s广播1次，B类为30 s，B+类为每5～30 s）。AIS只在2个频率上广播，如果2个信息同时在相同频率上广播，那么信息将会彼此干扰。为了解决这个问题，A类和B+类AIS设备使用自组织时域多址接入（selforganizedtime division multiple access，SOTDMA）的方案，与附近船只的设备协调，以使它们不同时广播。

1.3 AIS 数据接收频率和范围

与VMS相比，AIS具有非常重要的优势，即信息的时间分辨率高。根据船舶的特定操作，AIS消息传输速率范围从2 s（高速或转向率）到3 min（停泊船舶）。AIS消息的更高传输速率解决了需要在连续消息之间插值位置的需求，但是由于数据量更大，它也有更高的计算要求。

另一方面，由于AIS最初是为了避免碰撞而设计的，因此其空间覆盖范围仅限于视线范围内或在特定情况下限制于VHF（very high frequency，VHF）传播。这意味着AIS 消息通常在0～100n mile的距离内接收，具体取决于发射机和接收机的高度。AIS 消息也可以从低地球轨道（lowearth orbit，LEO）卫星接收；但在这种情况下，刷新率会降低到卫星重新访问的时间。此外，在高交通密度区域，存在消息冲突的问题，导致卫星接收机在这些区域几乎“失明”。

1.4 数据预处理

由于定位和卫星数据传输的原因，AIS 数据包括一些异常值，存在多种异常情况。同一MMSI号的数据对应于多个渔船轨迹信息，这种条件下该MMSI号对应的渔船轨迹信息需删除。一些MMSI号的轨迹点存在空间重复，对待重复轨迹点应删除；存在时间重复的轨迹点，一般保留这些点的均值信息。轨迹点存在速度异常值时，可采用单船单航迹的方法和基于航迹聚类的方法检测并剔除速度异常点[15]。

由于卫星覆盖和设备故障等原因，部分渔船的 AIS 数据信息接收存在丢失情况。船舶轨迹点存在较长时间缺失，可将轨迹数据进行分段处理[15]。对于数据缺失严重，轨迹点时间间隔较大并给分析带来影响的，也可参考VMS处理方法，对轨迹点进行数据插值[16]。对于卫星覆盖较好的海域，AIS数据传输接收率高，但数据量太大。针对该问题，一些学者会每艘船间隔5 min提取1个轨迹点[17]。

1.5 AIS 研究区域

每天有超过5 000万条的轨迹信息被Orbcomm和Spire卫星接收。这些信息为不同空间尺度分析渔船行为提供了可能性。

从研究区域角度，AIS 渔船轨迹数据应用研究有全球尺度、区域中尺度和局部小尺度。Kroodsma等[1]计算了全球主要捕捞类型渔船的捕捞努力量信息。Vespe等[17]计算和绘制了欧洲捕捞努力量时空高精度图。Guiet等[18]基于上述计算的捕捞努力量数据，分析了全球金枪鱼延绳钓商业捕捞渔船空间季节分布特征。Zhang等[19]分析了中西太平洋围网金枪鱼渔船捕捞强度空间特征。Yan等[20]绘制了整个中国海岸的渔船轨迹信息。更广泛的是如近海、海湾和专属经济区等区域小尺度研究[21-23]。

在不同空间尺度下，海洋生物和渔船行为对外界因子的响应也存在差异[24]。在全球大尺度下，国家（地区）文化和政策对渔业活动影响明显，而短期的经济和环境变化影响不显著[1]。在小尺度下，帕劳经济专属区金枪鱼捕捞努力量的空间分布受叶绿素、混合层、海面高度和离马拉卡尔港的距离等变量影响明显，但海表温度影响不显著[25]。在区域中尺度下，水温是影响渔船作业空间分布的重要因素[26] 。

2 研究内容

2.1 渔船捕捞类型分类

现有的渔业研究多是按明确的渔具类型搜集AIS数据来研究描述渔船捕捞活动[13，17，27]，通过日期和船只标识符将位置与日志数据匹配[28]。在安装AIS设备的渔船中，仍有很多船舶无法获取类型信息[1]，因此需构建船舶作业类型判别模型以识别船舶类型。

速度和航向是识别船舶行为的重要特征，常被用于船舶分类。对航速、航向时间序列数据进行编码后，郑巧玲等[29]运用 BP（back propagation）神经网络建立了中国近海小型渔船的三分类模型；Park等[30]利用图像识别建立了韩国半岛海域渔船的六分类模型。除航速、航向外，渔船的空间地理信息也是识别渔船捕捞行为的重要特征，Marzuki等[31]使用随机森林和支持向量机算法，有效实现了渔船的四分类识别，但该方法对噪声比较敏感，且易出现过拟合。Huang等[32]分段提取了23个特征参数，如时间、空间位置、速度等，并利用 XGBoost法，构建了中国近海渔船的九分类模型。Kroodsma等[1]基于AIS数据挖掘12种渔船空间行为特征参数，构建了对全球6类渔船和6类非渔船的卷积神经网络（convolutional neuralnetwork，CNN）分类模型。船舶的位置、速度和航向等信息是连续的，船舶航迹具有明显的时间平滑性，下一时刻的位置状态由历史时刻的位置滑行而来[33]。杨胜龙等[34]考虑了时间维度信息，构建了三层双向长短期记忆网络（bi-directional longshort-term memory，BiLSTM）深度学习模型，实现了对5类远洋捕捞渔船和4类非渔船的分类。

2.2 渔船作业状态识别

渔船作业状态分为作业和非作业。采用AIS渔船轨迹信息挖掘渔场捕捞努力量，前提是正确地区分渔船作业状态。渔船航行速度通常被用来确定渔船作业状态[22，35]。基于速度的识别方法依靠专家知识，包括预定速度阈值或速度区间对船只位置进行过滤[22，3637]。原作辉等[37]以速度为阈值条件提取中国金枪鱼延绳钓作业状态点。拖网渔船作业具有明显的速度变化特征，该方法多应用于拖网渔船作业状态的识别，且识别准确率较高[22]。

仅采用速度阈值识别渔船状态，往往会造成捕捞状态的船位点数量被高估[38]。采用机器学习和深度学习方法可以更深层次地挖掘渔船作业的特征参数，将其作为输入变量，基于多变量的多元分析[39]、数据挖掘和机器学习方法[1，13，27，38，40]被应用于提高渔船作业状态的识别准确率。由于大多数渔船的作业和非作业速度呈现双峰状态，因此多采用高斯混合模型（Gaussian mixed model， GMM）提取渔船作业轨迹点，识别渔船作业状态。Guyader等[13]采用GMM方法提取了法国布雷斯特海湾的底拖网渔船捕捞作业点，识别精度为91%。Yan 等[20]采用GMM 方法提取了中国近海所有配备AIS的渔船的轨迹点，提出了一种基于AIS数据识别和分析渔业足迹和活动的框架。

杨胜龙等[4142]采用数据挖掘和支持向量机方法开展了远洋延绳钓渔船作业状态识别，支持向量机的识别准确率远高于速度阈值法。Souza等[27]针对拖网渔船，使用船速作为观测变量，构建了一个隐马尔可夫模型（hidden Markov model， HMM），对于金枪鱼延绳钓渔船，设计了一种受动物运动研究启发的算法；对于围网渔船，采用基于船速和作业时间的多层阈值法。验证表明，拖网和金枪鱼延绳钓渔船的平均检测准确率为83％，围网渔船为97％[27]。由于采用速度和作业时间的方法计算简单、准确率高及依据渔船捕捞作业行为特征，可将该多层次数据挖掘方法应用于提取金枪鱼围网和鱿鱼钓渔船的作业状态。

上述渔船作业状态识别算法，都是针对某一种具体的捕捞类型渔船来构建模型。Kroodsma等[1]构建了一种卷积神经网络模型，可以对远洋多种渔船捕捞作业状态点进行识别。该深度学习模型框架类似于Inception-Reset 结构，模型输入变量包括速度等12个变量，模型输出长度为512的一维变量，因此模型运行1次可以识别512个捕捞作业点。该方法对主要渔船的识别准确率超过90%[1]。

2.3 捕捞强度信息图绘制

采用渔船轨迹数据估计捕捞努力量空间信息，分析渔船作业空间变化，捕捞努力量的量化是前提。渔业捕捞努力量是单位时间内以相同作业方式投入的工作量[43]。Vespe等[17]将捕捞强度定义为单位面积渔船作业状态轨迹点的总和，并绘制了欧洲1 km×1 km尺度网格内捕捞作业努力量空间分布图，以渔船高密集出现的区域表示渔船捕捞强度大的地方。该方法没有考虑渔船投入的时间。Guyader等[13]以捕捞季单位面积投入捕捞的总时间（h）定义为底层拖网的捕捞强度，绘制了各月捕捞强度空间图。在单位面积投入的总捕捞时间相同的条件下，不同功率的渔船对海洋的捕捞强度是不同的。联合国粮农组织采用每年总的发动机功率乘以捕捞作业天数（kW·d）表达全球的捕捞努力量[10]。Natale 等[21]和Kroodsma 等[1]将渔船功率和作业时间引入到捕捞努力量的量化模型中，消除渔船自身差异。基于渔船功率和作业时间计算捕捞努力量，能快速、自动、客观动态地展示捕捞努力量时空分布特点及其变化。但是渔船功率信息难以获得，模型预测的功率会带来二次偏差，因此一般仍采用时间量化捕捞努力量。

2.4 渔船作业空间分布特征

对渔船作业空间分布特征进行分析可帮助了解渔船在特定海域的捕捞活动模式、作业习惯和渔业资源的利用情况以及对渔业可持续发展的影响。此外，还可以帮助制定渔业管理和保护政策，为渔业资源的科学管理和合理利用提供依据。基于AIS 数据挖掘的时空高精度捕捞强度空间信息，为了解渔船作业空间变动提供了可能。

Zhang等[19]采用空间地统计方法，在0.5°×0.5°空间分辨率下，开展了中西太平洋金枪鱼围网渔船捕捞强度空间特征以及热点区域分布研究，计算了Morans I指数等空间指标值，定性和定量分析了捕捞强度的空间分布特征，结果表明，中西太平洋围网金枪鱼渔船寻找渔场捕捞努力量分布存在明显的空间聚集性，而捕捞作业努力量则无空间聚集性；中西太平洋金枪鱼围网渔获量、作业网次和单位捕捞努力量渔获量（catch per unit effort，CPUE）与寻找渔场捕捞努力量呈明显正相关关系。

目前AIS数据分析空间分辨率从0.01°×0.01°至1°×1°，以0.5°×0.5°居多。Zhang等[19]采用空间统计方法，在0.5°×0.5°空间分辨率条件下统计了中西太平洋围网金枪鱼渔船作业的空间特征指标，但没有深入评估这些指标值的尺度效应。Amoroso等[44]指出，在不同空间分析尺度下计算的拖网渔船捕捞强度覆盖面积可以相差5倍，这为客观认识海洋捕捞压力带来困扰。采用不合适的空间尺度整合数据并开展进一步分析，可能会产生失真甚至错误的结果[45]。明确捕捞强度的空间尺度效应对客观认识渔船捕捞空间的分布特征和捕捞压力非常重要，但目前这方面研究较少。

2.5 渔场信息提取

渔场这一术语被广泛使用，但并没有明确和共同接受的定义来识别这些实体[4647]。在一些研究中，将渔场定义为包含渔船位置的最大范围[28，48]。Jennings等[47]将密集渔业活动的区域定义为渔场，而Russo等[46]则建议将渔场定义为具有最高捕捞量或更高商业价值潜力的区域。孙永文等[49]使用AIS船位数据，将渔区格网中的船只密度作为要素进行热点分析，对北太鱿钓、围网及舷提网渔场的时空分布进行研究，并使用渔捞日志数据，通过计算和提取渔场与实际渔场的重叠率，验证了使用渔区密度提取热点的可行性。核密度估计（kernel density estimation，KDE）的距离衰减效应可以较好地体现出捕捞活动点位密度的距离衰减效应和空间位置的差异性，被用于提取渔场空间信息[13，25]。KDE没有定义核密度值超过多少才可以被称为真正意义上的热点，容易产生捕捞活动聚集区范围阈值的主观确定，从而引起问题。热点分析（hot spot analysis， HSA）作为一种局部空间统计方法，对捕捞活动热点区域的划分给出了明确阈值，但其分析结果的网格连接处密度变化明显，易导致地理现象空间上的不连续性。陈仁丽等[50]基于AIS数据，融合KDE和HSA，将带有核密度值的地理单元引入HSA，以识别渔船捕捞活动在空间上具有统计显著性的热点与冷点，提取渤海海域渔场作业区，并对时空特征进行了分析。Chen等[12]以中国环渤海海峡沿岸海域为例，基于AIS数据，使用KDE与HSA相结合的方法，快速绘制渔场分布图，并分析了夏季休渔等渔业管制措施的有效性。

2.6 环境对渔船作业影响

捕捞努力量空间分布受外在因素影响[33，39]，可通过外在环境因子建模重构和预测[51]。Crespo等[52]利用AIS数据创建捕捞努力分布，使用增强回归树（boosted regression tree，BRT）建立环境生态位模型，该方法将捕捞强度信息与14个环境变量联系起来，探索公海金枪鱼延绳钓船队全球分布的空间生态和驱动因素，证实了公海金枪鱼延绳钓渔船捕捞努力量分布受环境结构的影响，并且可以利用预测模型结合作业周围环境的信息进行解释和预测。利用AIS 数据挖掘渔船捕捞努力量信息，使用BRT、广义加性模型（generalized additivemodel，GAM）和最大熵模型（maximum entropymodel，MaxEnt）等构建捕捞努力的空间分布与卫星遥感海洋生态环境因素之间的非线性关系，并探讨了中西太平洋金枪鱼围网渔船捕捞作业与海洋环境关系[26，53-55]。

船长依据海洋环境变化和经验寻找渔场[56]，渔船的空间分布在一定程度上可以揭示渔业资源的空间分布[38]，渔船捕捞活动的空间信息可以替代捕捞目标种群的空间分布。此外在一定时间内捕捞努力量与渔获量呈正比[48]，捕捞努力量空间信息可用于替代分析和了解资源空间分布[13]。

2.7 捕捞强度预测

监控当前捕捞活动并预测未来捕捞强度，可在有限的监管条件下极大地提高保护渔船空间行为的渔业资源管理政策的有效性。Hsu等[57]基于AIS数据，采用栖息地适宜性指数（habitat suitabilityindex，HSI）构建渔场预测模型，结果表明，80%的捕捞努力量发生在适宜栖息区域50 km以内，基于AIS数据和海洋环境数据可以构建预报模型预测中心渔场。AIS跟踪设备通常只能监测长度大于15 m的渔船，而低于规定长度的渔船不一定配备。Russo等[58]设计了一个级联多层感知器网络（cascaded multi-layer perceptron network，CMPN），预测未配备跟踪设备的渔船的年度渔业足迹，使渔业足迹的空间分析扩展到相关但尚未被探索的船队部分成为可能。Zhao等[59]通过挖掘近海拖网渔船作业引导关系，基于VMS数据构建了短期捕捞强度卷积神经网络预测模型。但基于AIS大数据驱动的时空高精度捕捞强度预测信息未见报道。影响渔船作业的影响因子较为复杂，如海洋环境、各种管理政策制约、渔民凭借历史生产经验和现代技术手段作业。如何量化上述所有可能的影响因子以更科学地预测捕捞强度仍然有待进一步探索。

3 应用领域

3.1 IUU 监管

为了保护海洋生态环境和渔业资源的可持续发展，各国和地区采取了一系列措施以加强渔业管理，打击非法渔业行为。AIS数据记录的船舶空间信息可用于监测船只的异常行为，负责IUU监管[6061]。Dunn等[60]提供了全球渔业观察使用案例中基于AIS 数据的现有监测和执法活动的例子，说明AIS可用于为国家管辖范围以外的生物多样性新条约的谈判和最终实施提供信息。Mullie等[61]对2012至2018年期间，加纳专属经济区（exclusive economic zone，EEZ）内拖网渔船采样捕捞量（捕捞小时数）的AIS 衍生信息进行了分析，利用AIS数据可以证实拖网渔船入侵EEZ，推动政府执法和制裁。Shanthi 等[62]构建了一种IUU预警系统，该系统采用AIS数据的船舶位置信息追踪船只的移动，通过监测船只进入禁区或濒危物种区域等行为，检测参与非法、无证渔业的船只。异常船只信息将被发送到海洋保护工作站，该站将持续监测来自卫星的数据，如果发现有非法行为，海洋保护委员会将决定是否对该特定船只采取行动，如果船只被确认违规，海岸保护船将被派往逮捕相关涉案人员以保护水生生物[62]。

AIS的设计主要考虑到安全而不是控制，因此在IUU辅助监管中，AIS还存在缺陷。例如，故意中断来自星载AIS的信号传输，AIS信号的可靠性低，不正确的数据设置和AIS本身的安全漏洞等[63]。尽管有这些缺点，因为大量的AIS数据的近实时地积累，AIS仍然是监控目标船只活动的有力工具[64]。

3.2 海洋保护区保护

海洋保护区（marine protected areas，MPAs）能有效应对全球海洋环境面临的栖息地减少、不可持续的捕捞业、海水污染等威胁[65]。在这些海洋保护中，AIS可发挥关键作用。Allen等[66]研究了加拿大SGaan Kinghlas Bowie 海洋保护区（SK-BMPA）的船舶交通和伴随噪声的卫星自动识别系统（satellite automatic identification system，S-AIS）和声学数据，结果显示，远近距离的航运事件对该地区环境噪声水平有驱动作用，而商业捕捞、商业旅游等活动尤其影响鲸目动物这类依赖声音生存的生物，可能会破坏它们的栖息地，需要严格控制可能会对海床或海底生境造成破坏的张网、围网、拖网捕捞等人类活动[66]。

全球贸易量大多通过海运完成，监控船舶并提供信息有助于避免碰撞导致的石油污染等事故，对拥堵地区和MPAs的交通管理很重要，通过AIS可以监测和分析非法或可疑活动，也可限制或转移交通[67]。2007年，Eide等[6869]使用AIS数据提出了2 种概率模型来估计油轮的相关风险。Akhtar等[70]使用AIS数据作为选择航行路线的输入，以确定挪威沿海重型船舶（总吨位大于5 000 t）的安全航行路线，使用AIS通知航行路线的交通模拟结果和2025 年预计事故显示，与2008 年相比，泄漏量每年减少590 t。

3.3 海洋生态压力评估

AIS数据为揭示海洋渔业活动的分布、评估海洋生态压力以及制定和改进渔业管理措施提供了良好的数据来源。欧盟数据收集框架（datacollection framework， DCF） 建立了5～7 个捕捞压力指标，描述了捕捞活动的空间范围，并监测其对生态系统的影响，最终基于AIS数据评估了其对海洋生态系统的压力[7172]。陈仁丽等[50]采用AIS数据绘制沿海海域的渔场，并分析了渔业管理措施的有效性，结果显示，渤海海峡周围海域的渔业活动在月度和季度上有明显的变化和空间异质性。夏季渔业休渔、增殖放流、海洋功能分区以及临近底拖网的沿海区域等渔业管理措施对渔业活动产生了一定的限制作用。该研究证实中国在恢复沿海渔业资源和规范渔业活动方面做出了重大努力。Liu 等[73] 利用AIS 数据和地理信息系统（geographic information system，GIS）空间分析提出了一种描述船舶引起的海洋生态压力的“源-途径-载体-影响响应”模型，并构建了综合评价指标体系，结果表明，从2014到2018年，船舶数量显著增加，其中噪声污染、光污染和水动力相互作用最为突出，货船和油轮是主要的压力源，船舶活动严重影响了渤海的农业和渔业功能以及海洋保护区。

3.4 海洋空间规划

海上空间规划（maritime spatial planning，MSP）一般用于在时间和空间上分配海洋区域的人类活动，适当的规划策略可管理海上不断增大的交通量。AIS数据处理和分析为MSP提供了足够的信息，这些规划包括海上交通密度、航道和航行流量、海上航线分层网络、声称的捕鱼区、活动之间的时空互动（潜在的冲突用途或协同作用）等[7]。例如，波罗的海项目中使用AIS绘制密度图[74]，德国专属经济区根据AIS数据及航道和交通方向量化航行流量强度。研究证实，AIS逐渐成为欧洲MSP相关研究与项目的重要因素[75]。Fiorini等[76]提出了一个从原始AIS数据可视化船舶航线的综合解决方案，在此基础上可进一步分析出重要航线、拥挤区域及非法行为。通过AIS数据可确定主要航道，获取海上交通的空间方向和综合视图，建立航运优先区，协助海上空间规划[7]。

3.5 海洋环境保护

船舶在海洋航行过程中排放的液体和气体污染物会对海洋环境造成污染，已有不少学者将AIS技术应用到海洋环境保护。

液体污染方面，船舶在航行过程中会产生舱底水、船舶压载水等废物，如果不经油水分离器处理直接排入海洋，会对海洋环境造成污染，且海事部门很难找到直接的证据确定肇事船只。为了更好地监管船舶是否在允许排放区域并达到排放标准后才排放舱底水，一些学者基于AIS设计了舱底水排放监控系统，采集油水分离器的使用信息，实时传输到基站，再发送到海事监管中心[7778]。对船舶石油泄露船只进行追责可间接减少海洋石油污染，从而保护海洋环境。Ambjorn[79]介绍了Seatrack Web 系统，可从已确定的漏油位置进行轨迹回溯，然后依据采集的AIS数据跟踪石油位置附近的船只，辅助对疑似船只的责任认定。

气体污染方面，渔业活动不断排放的碳氧化物、氮氧化物等会对海洋大气环境造成污染。在估算船舶污染物气体排放量研究中，有的基于船舶燃油消耗统计数据计算，有的采用燃油消耗与船舶活动相结合的方法进行估算。船舶吨位、发动机功率、船舶类型、船舶尺寸等是估算船舶气体排放的重要基础数据，但存在难获取等问题。基于AIS数据进行全球或区域船舶污染物排放测算得到了广泛的应用[80-88]。尹佩玲等[87]基于宁波-舟山港船舶AIS的轨迹数据，结合劳氏船级社等机构的船舶特征资料，建立了2010年度的船只污染物排放量的空间分布和小时变化，研究了不同类型船舶的污染物排放量、排放分担率以及逐时排放规律。Hensel等[88]提出了一种基于AIS和环境数据的全球排放估算方法，该算法未来可与机器数据相结合，通过对船舶在水的阻力进行建模，进而确定全球排放量。

4 问题与展望

目前，AIS数据已经被广泛应用在船舶跟踪、海洋交通安全、海洋污染、海洋空间规划等领域[89-91]。在海洋渔业中已经被应用在IUU监管[92]、渔业资源管理[93]和评估海洋生态压力[94]等方面，涉及到渔船捕捞类型分类、渔船作业状态识别（作业/非作业）、捕捞努力量量化计算和捕捞强度空间分布特征等研究内容。已有研究探讨了远洋捕捞强度分布与海洋环境因子关系，但基于AIS大数据驱动的远洋时空高精度捕捞强度预测信息还未见报道。

气候或海洋环境变化通过对海洋物种的物理作用影响鱼类种群分布，从而影响人类对渔业资源的管理。渔业管理行动旨在影响渔民空间行为，但渔民决定在哪里生产以及为什么生产仍然是实现可持续渔业管理的主要障碍。提前预测高精度捕捞强度信息，优先保护生态脆弱区域，有针对性地派遣观察员或公海执法船队重点监测捕捞热点和生态脆弱区域，以制定中长期渔业管理政策和资源保护预案，开展基于AIS的渔业捕捞强度信息，对于渔业资源管理和渔船管理非常重要。

捕捞强度空间尺度效应可能与捕捞方式、研究区域选择有关。研究分析的空间分辨率不同可能带来差异巨大的研究结果，这为比较各研究的结果带来了挑战。采用不合适的空间尺度整合数据并开展进一步分析，可能会产生失真，甚至错误的结果[45]。未来需针对不同的捕捞渔船和渔场捕捞强度空间尺度效应加深研究。

目前国内外有限的环境影响分析文献中[26，52-54，57]，研究所选取的海洋环境因子多数是人为设定，且容易获得，未能很好地将海洋物种的生物学特征及影响其栖息的环境条件尽可能多的考虑进来，也未能考虑环境对物种影响的月间或年际差异性。与此同时，渔船作业变动并非完全受海洋环境影响。渔船作业同时有时间和空间属性。渔民依据经验寻找渔场，历史信息和当前捕捞信息会影响渔船当前作业，进而会影响渔民下一时刻的空间选择。因此渔船捕捞作业是个时间序列事件，且可以预测[95]。渔船作业分布在空间上是二维拓扑结构，渔船作业具有聚集性[19]，即较近的拓扑距离内渔船作业会相互影响，因此捕捞强度受附近网格内捕捞强度的影响。此外一些特殊的地理属性也会影响渔船作业，如海山和近岸的上升流会吸引渔船聚集作业，购买配额的渔船会专注于EEZ内作业，因此离岸距离会影响渔船作业空间分布[52]。一些渔船满载后会返港，考虑到经济成本，距离港口距离也会影响渔船作业。对于捕捞底层渔业渔船，海底深度也会影响渔船作业。表达历史和空间特征的信息也应该加入预测模型中。综合评估和理清渔船捕捞作业的时间序列、拓扑空间和环境变量的影响作用，对于了解和预测渔船捕捞作业空间变动非常重要。

参考文献

［1］ KROODSMA D A， MAYORGA J， HOCHBERG T， et al ..Tracking the global footprint of fisheries [J]. Science， 2018， 359（6378）：904-908.

［2］ WHITE T D， FERRETTI F， KROODSMA D A， et al ..Predicted hotspots of overlap between highly migratory fishesand industrial fishing fleets in the northeast Pacific [J/OL]. Sci.Adv.， 2019， 5（3）： eaau3761 [2023-03-02]. https：//doi. org/10.1126/sciadv.aau3761.

［3］ WATSON R， PAULY D. Systematic distortions in worldfisheries catch trends [J]. Nature， 2001， 414（6863）：534-536.

［4］ AGNEW D J， PEARCE J， PRAMOD G， et al.. Estimating theworldwide extent of illegal fishing [J/OL]. PLoS One， 2009， 4（2）：e4570 [2023-03-02]. https：//doi.org/10.1371/journal.pone.0004570.

［5］ MACKAY M， HARDESTY B D， WILCOX C. The intersectionbetween illegal fishing， crimes at sea， and social well-being [J/OL].Front. Mar. Sci.， 2020， 7：589000 [2023-03-02]. https：//doi.org/10.3389/FMARS.2020.589000.

［6］ JAMES M， MENDO T， JONES E L， et al .. AIS data to informsmall scale fisheries management and marine spatial planning [J].Mar. Policy， 2018， 91：113-121.

［7］ LE TIXERANT M， LE GUYADER D， GOURMELON F， et al ..How can automatic identification system （AIS） data be used formaritime spatial planning？ [J]. Ocean Coast Manage.， 2018，166（12）：18-30.

［8］ WATSON J R， FULLER E C， CASTRUCCIO F S， et al ..Fishermen follow fine-scale physical ocean features for finance [J].Front. Mar. Sci.， 2018， 46：1675-1683.

［9］ PINSKY M L， FOGARTY M. Lagged social-ecologicalresponses to climate and range shifts in fisheries [J]. Clim.Change， 2012， 115：883-891.

［10］ ANTICAMARA J A， WATSON R， GELCHU A， et al .. Globalfishing effort （1950—2010）： trends， gaps， and implications [J].Fish. Res.， 2011， 107（1-3）：131-136.

［11］ 邹莉瑾，戴小杰，许柳雄，等.金枪鱼延绳钓渔捞日志管理现状与趋势[J].渔业信息与战略，2015，30（1）：35-39.

ZOU L J， DAI X J， XU L X， et al .. On the status of tunalongline fishery logbook [J]. Fishery Inf. Strategy， 2015， 30（1）：35-39.

［12］ CHEN R L， WU X Q， LIU B J， et al .. Mapping coastal fishinggrounds and assessing the effectiveness of fishery regulationmeasures with AIS data： a case study of the sea area around theBohai Strait， China [J/OL]. Ocean Coast Manage.， 2022， 223：106136 [2023-03-02]. https：//doi.org/10.1371/10.1016/j.ocecoaman.2022.106136.

［13］ GUYADER D L， RAY C， GOURMELON F， et al .. Defininghigh-resolution dredge fishing grounds with automaticidentification system （AIS） data [J/OL]. Aquat. Living Resour.，2017， 30：38 [2023-03-02]. https：//doi.org/10.1051/alr/2017038.

［14］ MCCAULEY D J， WOODS P， SULLIVAN B， et al .. Endinghide and seek at sea [J]. Science， 2016， 351（6278）：1148-1150.

［15］ 张黎翔，朱怡安，陆伟，等.基于AIS数据的船舶轨迹修复方法研究[J].西北工业大学学报，2021，39（1）：119-125.

ZHANG L X， ZHU Y A， LU W， et al .. A detection andrestoration approach for vessel trajectory anomalies based onAIS [J]. J. Northwest. Polytech. Univ.， 2021， 39（1）：119-125.

［16］ KIM Y， STEEN S， MURI H. A novel method for estimatingmissing values in ship principal data [J/OL]. Ocean Eng.，2022， 251： 110979 [2023-03-02]. https：//doi.org/10.1016/j.oceaneng.2022.110979.

［17］ VESPE M， GIBIN M， ALESSANDRINI A， et al .. Mapping EUfishing activities using ship tracking data [J]. J. MAPS， 2016，12（S1）：520-525.

［18］ GUIET J， GALBRAITH E， KROODSMA D， et al .. Seasonalvariability in global industrial fishing effort [J/OL]. PLoS One，2019， 14（5）： e0216819 [2023-03-02]. https：//doi. org/10.1371/journal.pone.0216819.

［19］ ZHANG H， YANG S L， FAN W， et al .. Spatial analysis of thefishing behaviour of tuna purse seiners in the western andcentral Pacific based on vessel trajectory data [J/OL]. J. Mar.Sci. Eng.， 2021， 9（3）：322 [2023-03-02]. https：//doi.org/10.3390/JMSE9030322.

［20］ YAN Z J， HE R， RUAN X G， et al .. Footprints of fishingvessels in Chinese waters based on automatic identificationsystem data [J/OL]. J. Sea Res.， 2022， 187：102255 [2023-03-02]. https：//doi.org/10.1016/j.seares.2022.102255.

［21］ NATALE F， GIBIN M， ALESSANDRINI A， et al .. Mappingfishing effort through AIS data [J/OL]. PLoS One， 2015， 10（6）：e0130746 [2023-03-02]. http：//doi.org/10.1371/journal.pone.0130746.

［22］ DEBRAH E A， WIAFE G， AGYEKUM K A， et al .. Anassessment of the potential for mapping fishing zones off thecoast of Ghana using ocean forecast data and vessel movement [J].West African J. Appl. Ecol.， 2018， 26（2）：26-43.

［23］ LI X E， XIAO Y， SU F Z， et al .. AIS and VBD data fusion formarine fishing intensity mapping and analysis in the northernpart of the south China sea [J/OL]. ISPRS Int. J. Geoinf.， 2021，10（5）：277 [2023-03-02]. https：//doi.org/10.3390/IJGI10050277.

［24］ 杨铭霞，陈新军，冯永玖.西北太平洋柔鱼资源丰度的空间尺度分析[J].大连海洋大学学报，2013，28（2）：206-210.

YANG M X， CHEN X J， FENG Y J. Spatial scale analysis ofabundance index of neon flying squid Ommastrephes bartramiiin the northwest Pacific Ocean [J]. J. Dalian Marit. Univ.，2013， 28（2）：206-210.

［25］ CIMINO M A， ANDERSON M， SCHRAMEK T， et al .. Towardsa fishing pressure prediction system for a western Pacific EEZ [J].Sci. Rep.， 2019， 9（1）：1-10.

［26］ YANG S L， YU L L， WANG F， et al .. The environmental nicheof the tuna purse seine fleet in the western and central PacificOcean based on different fisheries data [J]. Fishes， 2023， 8（2）：78-82.

［27］ SOUZA E N， BOERDER K， MATWIN S， et al .. Improvingfishing pattern detection from satellite AIS using data miningand machine learning [J/OL]. PLoS One， 2016， 11（7）：e0158248[2023-03-02]. https：//doi.org/10.1371/journal.pone.0158248.

［28］ HINTZEN N T， BASTARDIE F， BEARE D， et al .. VMStools：open-source software for the processing， analysis andvisualisation of fisheries logbook and VMS data [J]. Fish. Res.，2012， 115（3）：31-43.

［29］ 郑巧玲，樊伟，张胜茂，等.基于神经网络和VMS的渔船捕捞类型辨别[J].南方水产科学， 2016， 12（2）：81-87.

ZHENG Q L， FAN W， ZHANG S M， et al .. Identification offishing type from VMS data based on artificial neural network [J].South China Fisheries Sci.， 2016， 12（2）：81-87.

［30］ PARK J W， LEE K M， KIM K I. Automatic identificationsystem based fishing trajectory data preprocessing methodusing map reduce [J]. Int. J. Recent Technol. Eng.， 2019， 8（2S6）：352-356.

［31］ MARZUKI M I， GASPAR P， GARELLO R， et al .. Fishing gearidentification from vessel-monitoring-system-based fishingvessel trajectories [J]. IEEE J. Ocean. Eng.， 2017， 43（3）：689-699.

［32］ HUANG H G， HONG F， LIU J， et al .. FVID： fishing vesseltype identification based on VMS trajectories [J]. J. OceanUniv. China， 2019， 18（2）：403-412.

［33］ ZHOU X Y， LIU Z J， WANG F W， et al .. Using deep learningto forecast maritime vessel flows [J]. Sensors， 2020， 20（6）：1761-1770.

［34］ 杨胜龙，史慧敏，张胜茂，等.基于BiLSTM模型的远洋渔船类型识别研究[J].海洋科学，2022，46（3）：25-35.

YANG S L， SHI H M， ZHANG S M， et al .. Pelagic fishingvessel classification using bidirectional long short-termmemory networks [J]. Marine Sci.， 2022， 46（3）：25-35.

［35］ BEZ N， WALKER E， GAERTNER D， et al .. Fishing activity oftuna purse seiners estimated from vessel monitoring system（VMS） data [J]. Can. J. Fish. Aquat. Sci.， 2011， 68（11）：1998-2010.

［36］ WANG Y B， WANG Y. Estimating catches with automaticidentification system （AIS） data： a case study of single ottertrawl in Zhoushan fishing ground， China [J]. Iran J. Fish Sci.，2016， 15（1）：75-90.

［37］ 原作辉，杨东海，樊伟，等.基于卫星 AIS 的中西太平洋金枪鱼延绳钓渔场分布研究[J].海洋渔业，2018，40（6）：649-659.

YUAN Z H， YANG D H， FAN W， et al .. On fishing groundsdistribution of tuna longline based on satellite automaticidentification system in the Western and Central Pacific [J].Marine Fisheries， 2018， 40（6）：649-659.

［38］ BERTRAND S， D?AZ E， LENGAIGNE M. Patterns in thespatial distribution of Peruvian anchovy （Engraulis ringens）revealed by spatially explicit fishing data [J]. Prog. Oceanogr.，2008， 79（2-4）：379-389.

［39］ ENGUEHARD R A， HOEBER O， DEVILLERS R. Interactiveexploration of movement data： a case study of geovisual analyticsfor fishing vessel analysis [J]. Inf. Vis， 2013， 12（1）：65-84.

［40］ GLOAGUEN P， MAH?VAS S， RIVOT E， et al .. Anautoregressive model to describe fishing vessel movement andactivity [J]. Environmetrics， 2015， 26（1）：17-28.

［41］ 杨胜龙，张胜茂，原作辉，等.基于渔船捕捞行为特征的远洋延绳钓渔场捕捞强度计算[J]. 中国水产科学，2020， 27（3）：307-314.

YANG S L， ZHANG S M， YUAN Z H， et al .. Calculating thefishing intensity of offshore longline fleets on fishing groundsbased on their fishing characteristics [J]. J. Fish. Sci. China，2020， 27（3）：307-314.

［42］ 杨胜龙，张胜茂，周为峰，等.采用 AIS 计算中西太平洋延绳钓渔船捕捞努力量[J].农业工程学报，2020，36（3）：198-203.

YANG S L， ZHANG S M， ZHOU W F， et al .. Calculating thefishing effort of longline fishing vessel in the western andcentral pacific ocean using AIS [J]. Trans. Chin. Soc. Agric.Eng.， 2020， 36（3）：198-203.

［43］ 刘勇， 程家骅. 渔业多鱼种综合开捕网目尺寸和捕捞努力量管理目标确定方法探讨[J].渔业科学进展， 2015， 36（6）：1-7.

LIU Y， CHENG J H. A multi-species management modelcombining fishery catchable mesh size and fishing effort [J].Prog. Fishery Sci.， 2015， 36（6）：1-7.

［44］ AMOROSO R O， PARMA A M， PITCHER C R， et al ..Comment on“ tracking the global footprint of fisheries” [J/OL].Science， 2018， 361（6404）：eaat6713 [2023-03-02]. https：//doi.org/10.1126/science.aat6713.

［45］ ZHANG J， ATKINSON P， GOODCHILD M F. Scale in spatialinformation and analysis [M]. CRC Press， 2014： 1-353.

［46］ RUSSO T， PARISI A， CATAUDELLA S. Spatial indicators offishing pressure： preliminary analyses and possibledevelopments [J]. Ecol. Indicators， 2013， 26：141-153.

［47］ JENNINGS S， LEE J. Defining fishing grounds with vesselmonitoring system data [J]. ICES J. Mar. Sci.， 2012， 69（1）：51-63.

［48］ LEE J， SOUTH A B， JENNINGS S. Developing reliable，repeatable， and accessible methods to provide high-resolutionestimates of fishing-effort distributions from vessel monitoringsystem （VMS） data [J]. ICES J. Mar. Sci.， 2010， 67（6）：1260-1271.

［49］ 孙永文，张胜茂，唐峰华，等.基于卫星船位数据的北太平洋作业渔船分布及类型研究[J]. 中国农业科技导报，2022，24（8）：207-217.

SUN Y W， ZHANG S M， TANG F H， et al .. Research on thedistribution and types of fishing vessels in the north Pacificbased on satellite ship position data [J]. J. Agric. Sci. Technol.，2022， 24（8）：207-217.

［50］ 陈仁丽，吴晓青，刘柏静，等.基于AIS的海上渔船捕捞活动聚集区提取方法研究[J].地球信息科学学报，2021，23（12）：2163-2173.

CHEN R L， WU X Q， LIU B J， et al .. Mapping method offishing grounds based on marine AIS data [J]. J. Geo-Inf. Sci.，2021， 23（12）：2163-2173.

［51］ CAMPBELL M S， STEHFEST K M， VOTIER S C， et al ..Mapping fisheries for marine spatial planning： gear-specificvessel monitoring system （VMS）， marine conservation andoffshore renewable energy [J]. Mar. Policy， 2014， 45：293-300.

［52］ CRESPO G O， DUNN D C， REYGONDEAU G， et al .. Theenvironmental niche of the global high seas pelagic longlinefleet [J/OL]. Sci. Ad.， 2018， 4（8）：eaat3681 [2023-03-02]. https：//doi.org/10.1126/sciadv.aat3681.

［53］ 杨胜龙，史慧敏，樊伟，等.西南大西洋鱿鱼钓渔船作业空间分布及其与环境的关系[J]. 中国水产科学， 2022， 29（3）：365-376.

YANG S L， SHI H M， FAN W， et al .. Spatial distribution ofsquid fishing vessel operations in the southwest Atlantic Oceanand its relationship with environmental factors [J]. J. Fish. Sci.China， 2022， 29（3）：365-376.

［54］ FEI Y J， YANG S L， FAN W， et al .. Relationship between thespatial and temporal distribution of squid-jigging vesselsoperations and marine environment in the North Pacific Ocean [J].J. Mar. Sci. Eng， 2022， 10（4）：550-561.

［55］ YANG S L， ZHANG H， FAN W， et al .. Behaviour impactanalysis of tuna purse seiners in the Western and CentralPacific based on the BRT and GAM models [J/OL]. Front. Mar.Sci.， 2022， 9： 881036 [2023-03-02]. https：//doi. org/10.3389/fmars.2022.881036.

[56] BERTRAND S， BERTRAND A， GUEVARA-CARRASCO R， etal .. Scale-invariant movements of fishermen： the same foragingstrategy as natural predators [J]. Ecol. Appl.， 2007， 17（2）：331-337.

［57］ HSU T Y， CHANG Y， LEE M A， et al .. Predicting skipjacktuna fishing grounds in the Western and Central Pacific Oceanbased on high-spatial-temporal-resolution satellite data [J/OL].Remote Sens.， 2021， 13（5）： 861 [2023-03-02]. https：//doi.org/10.3390/rs13050861.

［58］ RUSSO T， FRANCESCHINI S， DANDREA L， et al ..Predicting fishing footprint of trawlers from environmental andfleet data： an application of artificial neural networks [J/OL].Front. Mar. Sci.， 2019， 6： 670 [2023-03-02]. https：//doi.org/10.3389/fmars.2019.00670.

［59］ ZHAO Z N， HONG F， HUANG H G， et al .. Short-termprediction of fishing effort distributions by discovering fishingchronology among trawlers based on VMS dataset [J/OL].Expert Syst. Appl.， 2021， 184： 115512 [2023-03-02]. https：//doi.org/10.1016/j.eswa.2021.115512.

［60］ DUNN D C， JABLONICKY C， CRESPO G O， et al ..Empowering high seas governance with satellite vessel trackingdata [J]. Fish Fisheries， 2018， 19（4）：729-739.

［61］ MULLIE W C. Apparent reduction of illegal trawler fishingeffort in Ghanas Inshore Exclusive Zone 2012—2018 asrevealed by publicly available AIS data [J/OL]. Mar. Policy，2019， 108： 103623 [2023-03-02]. https：//doi.org/10.1016/j.marpol.2019.103623.

［62］ SHANTHI T S， DHEEPANBALAJI L， PRIYA R， et al .. Illegalfishing， anomalous vessel behavior detection through automaticidentification system [J]. Mater. Today Proc.， 2022， 62：4685-4690.

［63］ HALL J， LEE J， BENIN J， et al .. IEEE 1609 influencedautomatic identification system （AIS） [C]// Proceedings of 2015IEEE 81st Vehicular Technology Conference （VTC Spring）.IEEE， 2015：1-5.

［64］ OOZEKI Y， INAGAKE D， SAITO T， et al .. Reliable estimationof IUU fishing catch amounts in the Northwestern Pacificadjacent to the Japanese EEZ： potential for usage of satelliteremote sensing images [J]. Mar. Policy， 2018， 88：64-74.

［65］ SPALDING M D， MELIANE I， MILAM A， et al .. Protectingmarine spaces： global targets and changing approaches [J].Ocean Yearb， 2013， 27（1）：213-248.

［66］ ALLEN A S， YURK H， VAGLE S， et al .. The underwateracoustic environment at SGaan kinghlas-bowie seamountmarine protected area： characterizing vessel traffic andassociated noise using satellite AIS and acoustic datasets [J].Mar. Pollut. Bull.， 2018， 128（3）：82-88.

［67］ FOURNIER M， CASEY HILLIARD R， REZAEE S， et al ..Past， present， and future of the satellite-based automaticidentification system： areas of applications （2004—2016） [J].WMU J. Marit. Aff.， 2018， 17（6）：311-345.

［68］ EIDE M S， ENDRESEN ?， BREIVIK ?， et al .. Prevention ofoil spill from shipping by modelling of dynamic risk [J]. Mar.Pollut. Bull.， 2007， 54（10）：1619-1633.

［69］ EIDE M S， ENDRESEN ?， BRETT P O， et al .. Intelligent shiptraffic monitoring for oil spill prevention： risk based decisionsupport building on AIS [J]. Mar. Pollut. Bull.， 2007， 54（2）：145-148.

［70］ AKHTAR J， BJ?RNSKAU T， JEAN-HANSEN V. Oil spill riskanalysis of routeing heavy ship traffic in Norwegian waters [J].WMU J. Maritime Affairs， 2012， 11：233-247.

［71］ EC， 2008. Council Regulation （EC） No. 199/2008 concerningthe establishment of a community framework for the collection，management and use of data in the fisheries sector and supportfor scientific advice regarding the Common Fisheries Policy [J/OL]. Off. J. Eur. Union， 2008： L60 [2023-03-02].https：//eur-lex.europa.eu/eli/reg/2008/199/oj.

［72］ RUSSO T， ANDREA L， PARISI A， et al .. Assessing the fishingfootprint using data integrated from different tracking devices：issues and opportunities [J]. Ecol. Indicators， 2016， 69（10）：818-827.

［73］ LIU B J， WU X Q， LIU X， et al .. Assessment of ecologicalstress caused by maritime vessels based on a comprehensivemodel using AIS data： case study of the Bohai sea， China [J/OL].Ecol. Indicators， 2021， 126：107592 [2023-03-02]. https：//doi.org/10.1016/j.ecolind.2021.107592.

［74］ PIANTE C， ODY D. Blue growth in the Mediterranean Sea： thechallenge of good environmental status [M]. MedTrends Project.WWF-France， 2015： 1-192.

［75］ NICOLAS F， FRIAS M， BACKER H. Mapping maritimeactivities within the Baltic sea [EB/OL]. Baltic Scope， 2016[2023-03-02]. http：//www.balticscope.eu/content/uploads/2015/07/BalticScope_MSP_Data_WWW.pdf.

［76］ FIORINI M， CAPATA A， BLOISI D D. AIS data visualizationfor maritime spatial planning （MSP） [J]. Int. J. E NavigationMaritime Econ.， 2016， 5（12）：45-60.

［77］ 柳晨光，何伟，石磊，等.基于 AIS 的在航船舶油水分离器状态信息远程传输方案设计与实现[J].交通信息与安全，2015，33（2）：124-131.

LIU C G， HE W， SHI L， et al .. A method of remotetransmission on oily water separator status of underway shipbased on AIS [J]. J. Trans. Inf. Safety， 2015， 33（2）：124-131.

［78］ 陈一奇，尹奇志，初秀民.基于AIS的舱底水排放监控系统的设计[J].船海工程，2010，39（05）：105-107，110.

CHEN Y Q， YIN Q Z， CHU X M. Design of bilge waterdischarge monitoring system based on AIS [J]. Ship OceanEng.， 2010， 39（05）：105-107，110.

［79］ AMBJORN C. Seatrack web forecasts and backtracking of oilspills-an efficient tool to find illegal spills using AIS [C]//Proceedings of 2008 IEEE/OES US/EU-Baltic InternationalSymposium. IEEE， 2008：1-9.

［80］ ISENSEE J， BERTRAM V. Quantifying external costs ofemissions due to ship operation [J]. Proc. Institution Mech. Eng.，2004， 218（1）：41-51.

［81］ SCHROOTEN L， DE VLIEGER I， PANIS L I， et al .. Inventoryand forecasting of maritime emissions in the Belgian seaterritory， an activity-based emission model [J]. AtmosphericEnviron.， 2008， 42（4）： 667-676.

［82］ WINTHER M， CHRISTENSEN J H， PLEJDRUP M S， et al ..Emission inventories for ships in the arctic based on satellitesampled AIS data [J]. Atmospheric Environ.， 2014， 91（7）：1-14.

［83］ GOLDSWORTHY L， GOLDSWORTHY B. Modelling of shipengine exhaust emissions in ports and extensive coastal watersbased on terrestrial AIS data-an Australian case study [J].Environ. Model Software， 2015， 63（1）：45-60.

［84］ YAU P S， LEE S C， CORBETT J J， et al .. Estimation ofexhaust emission from ocean-going vessels in Hong Kong [J].Sci. Total Environ.， 2012， 431（5）：299-306.

［85］ NG S K W， LOH C， LIN C， et al .. Policy change driven by anAIS-assisted marine emission inventory in Hong Kong and thePearl River Delta [J]. Atmospheric Environ.， 2013， 76（9）：102-112.

［86］ 谭建伟，宋亚楠，葛蕴珊，等.大连海域远洋船舶排放清单[J].环境科学研究， 2014， 27（12）：1426-1431.

TAN J W， SONG Y N， GE Y S， et al .. Emission inventory ofocean-going vessels in Dalian coastal area [J]. Res. Environ.Sci.， 2014， 27（12）：1426-1431.

［87］ 尹佩玲，黄争超，郑丹楠，等.宁波-舟山港船舶排放清单及时空分布特征[J].中国环境科学， 2017， 37（1）：27-37.

YIN P L， HUANG Z C， ZHENG D N， et al .. Marine vesselemission and its temporal and spatial distribution characteristics inNingbo-Zhoushan Port [J]. China Environ. Sci.， 2017， 37（1）：27-37.

［88］ HENSEL T， UG? C， JAHN C. Green shipping： using AIS datato assess global emissions [J]. Sustainability Manage. Forum，2020， 28（1-2）：39-47.

［89］ HUANG L， WEN Y， ZHANG Y， et al .. Dynamic calculation ofship exhaust emissions based on real-time AIS data [J/OL].Transport. Res.， 2020， 80： 102277 [2023-03-02]. https：//doi.org/10.1016/j.trd.2020.102277.

［90］ KONTOPOULOS I， VARLAMIS I， TSERPES K. A distributedframework for extracting maritime traffic patterns [J]. Int. J.Geogr. Inf. Sci.， 2021， 35（4）：767-792.

［91］ COOMBER F G， D'INC? M， ROSSO M， et al .. Description ofthe vessel traffic within the north Pelagos sanctuary： inputs formarine spatial planning and management implications withinan existing international marine protected area [J]. Mar. Policy，2016， 69（7）：102-113.

［92］ SELIG E R， NAKAYAMA S， WABNITZ C C C， et al ..Revealing global risks of labor abuse and illegal， unreported，and unregulated fishing [J/OL]. Nat. Commun.， 2022， 13（1）：1612 [2023-03-02]. https：//doi.org/10.1038/s41467-022-28916-2.

［93］ TIMOTHY D W， TIFFANY O， FRANCESCO F. et al ..Tracking the response of industrial fishing fleets to largemarine protected areas in the Pacific Ocean [J]. Soc. Conserv.Biol.， 2020， 34（6）：1571-1578.

［94］ 刘柏静，贾静，吴晓青，等.基于AIS和多尺度空间模型的船舶活动时空特征及潜在压力[J]. 大连海事大学学报，2018，44（3）：115-121，128.

LIU B J， JIA J， WU X Q， et al .. Spatial-temporal features andpotential pressure of marine vessel activities based on AIS andmulti-scales spacial model [J]. J. Dalian Mar. Univ.， 2018， 44（3）：115-121，128.

［95］ CAVIESES N??EZ R A， MIGUEL ?NGEL OJEDA R D L P，FLORES IRIGOLLEN A， et al .. Deep learning models for theprediction of small-scale fisheries catches： finfish fishery in theregion of“ Bahía Magadalena-Almejas” [J]. Ices J. Mar. Sci.，2018， 75（6）：2088-2096.

（责任编辑：张冬玲）

基金项目：崂山实验室专项经费项目（LSKJ202201804）；中央级公益性科研院所基本科研业务费项目（2019T09）；国家重点研发计划项目（2019YFD0901404，2019YFD0901405）。