利用声呐数据提取磷虾捕捞深度方法研究

王书献，张胜茂，戴 阳，王永进，隋江华，朱文斌

（1. 中国水产科学研究院东海水产研究所/农业农村部远洋与极地渔业创新重点实验室，上海 200090；2. 大连海洋大学航海与船舶工程学院，辽宁 大连 116023； 3. 浙江省海洋渔业资源可持续利用技术研究重点实验室/浙江省海洋水产研究所，浙江 舟山 316021）

自20世纪70年代起，国际上逐渐开始推广以声学方法评估渔业资源。水声学作为声学在海洋中的应用，目前已经广泛应用于渔业资源探测、渔业资源评估等领域[1-2]。Simrad EK80 (以下简称“EK80”) 设备是一款现代化高端的分束式科学回声测深仪[3]，在渔业捕捞和资源调查中应用甚为广泛。

在传统的捕捞深度确定方法中，通常利用相关软件解析EK80等声呐设备的输出文件，并通过肉眼观察数据分布情况，再根据人工经验估算放网深度。由于EK80等声呐设备元数据结构较为复杂，人眼很难观察出准确的结果；并且海下生物分布状况多变[4-7]，人工判断会耗费大量时间。因此，传统的捕捞深度确定方法不但具有极大的主观性，费时费力，且得出的结论精度不足且说服力较差。为得到相对精确的捕捞深度，国内外学者对水下生物的垂直分布状态做了相应研究。由于绝大多数中上层浮游生物都具有明显的昼夜垂直移动特性，一些学者针对某个海域的某种具体生物，利用水声学数据研究其昼夜垂直移动特性[8-9]。但这些研究在实际生产中的时空局限性十分明显，只适用于特定时间、特定海域的特定生物。在实际生产中，需求海域及需求生物往往是多变的，因此上述研究成果不能作为确定捕捞深度的直接依据。

为满足多变的生产需求，本研究提出一种利用声呐数据提取捕捞深度的方法。从EK80原始水声学数据构建目标强度模型计算出每个样本数据的目标强度。生产经验与相关研究表明，在无噪声环境下，不同生物的目标强度范围往往是确定的 [如磷虾 (Euphausia superba) 的目标强度范围为−69.5～−40.8 dB][10]，且彼此之间差距较大[11-13]。本研究设计出一款计算机软件，将海底目标资源类型及其强度范围作为配置文件，选择目标水下生物后，根据配置文件中的目标强度范围，过滤噪声数据，统计该目标资源在各个深度下的资源量，并依据各个深度下的目标资源量推算最佳捕捞深度。

1 数据与方法

1.1 数据来源

本研究中所有输入数据均源自水声学仪器EK80科学回声探测仪，其工作频率分别为38、70和130 kHz；所分析数据的声呐频率为38 kHz，调查时间为2016年6月5日14:56:44—15:10:14；调查区域为 52°43.61'W—52°39.96'W、52°12.58'S—52°13.12'S。项目中使用 Echoview 软件 (V 8.0.92)分析元数据信息 (声学影像分析、回波强度计算、反向体积散射值计算等)，使用 MATLAB R 2016 B(64位) 软件组件，利用Python 3.8集成开发，使用的开发IDE为PyCharm 2020.1。

1.2 目标强度设计

在水声学渔业资源评估领域，通常使用反向体积散射强度[14-15](Sv, dB)和目标强度 (Ts, dB) 2个重要参数评估资源量。目标强度是反映生物反射信号强弱的物理量。其定义为公式 (1)，其中σ为生物的散射截面 (m2)。

目标强度的影响因素有很多 (包括有无鱼鳔、倾斜角度等)，其测量方法也不唯一。通常根据探测仪数据计算出目标资源回波积分值，将该积分值输入适当的目标强度模型，计算出目标强度。除上述模型法外，目前国内外一些研究还采用现场测定法 (生产现场环境)、水池测定法 (实验室环境) 等其他目标强度计算方法[16-18]。目标强度计算模型法已有较长的研究历史。目标强度-体长关系模型[ 公式(2)] 是经典的目标强度估算模型，其中a、b均为回归系数，a为斜率，b为截距，L为体长。

经过长时间的研究历程，目标强度计算模型有了进一步发展，除经典的目标强度-体长关系模型外，国内外学者相继提出了球体模型、椭球体模型、变形圆柱体模型、基尔霍夫模型和畸变波玻恩近似模型等多种目标强度计算模型[19]。早在1991年，Greene等[20]针对磷虾提出了经典的目标强度线性模型。后Demer和Martin[21]对该目标强度算法做了进一步完善。上述计算模型各有优劣，为扩大使用范围，本研究最终采用了当前使用较为广泛的降低噪声目标强度计算模型 [ 公式(3)]，Echoview等水声学处理工具软件使用的也是该模型[22-23]。

式中R表示校正范围 (m)；Pr表示接收功率(W)；Pt表示传输功率 (W)；α表示吸收系数(dB·m−1)；G0表示传感器峰值增益 (1)；λ表示波长(m)；r表示未校正范围 (m)，c表示声速 (m·s−1)，t表示传输脉冲长度 (s)。波长λ由速度v与频率f的比值得到 [ 公式 (5)]。

1.3 捕捞深度算法设计

统计各深度下的目标渔业资源量后，还需确定算法评估最佳捕捞深度。判断某深度是否适合作为最佳捕捞深度主要考虑2个因素：1) 该深度下的目标资源量；2) 该深度的某个深度邻域内目标资源总量。理想状态下，算法得到的捕捞深度应是目标渔业资源量最大的，故因素1)是设计算法时必须考虑的核心因素。但从测试数据看，部分数据存在极端情况：目标资源量最大值点处 (最大值点不唯一) 的邻近深度目标资源量表现较差，不适合作为最终确定的捕捞深度，故引进因素2)作为补充。基于以上分析，设计出2种最佳捕捞深度算法。

1.3.1 基础算法 遍历解析后的数据，找出目标资源量最值点，并恢复目标资源量与深度的映射关系。若目标资源量最值点唯一，则基础算法结束，该目标资源量最值点处映射的深度值即为最终确定的最佳捕捞深度 (此算法中直接目标资源量优先级最高，深度邻域目标资源量优先级次之)；若目标资源量最值点不唯一，则计算相邻两个最值点所映射深度的深度差。确定一个深度差字典，key为深度值，value为当前深度与下一个最值点所映射深度的差值。求出深度差字典中的最小value，若最小值点唯一，则该最小值点对应的深度值 (key) 为最佳捕捞深度，基础算法结束；若最小值点仍不唯一，则逐个计算相邻2个深度差最小且目标资源量最大的深度差值，构成新的深度差字典。以新字典作为输入，循环调用，直至只剩下1个深度值。则该深度值为最佳捕捞深度，基础算法结束。此基础算法处理过程见图1。

图1 捕捞深度基础算法流程图Figure 1 Flowchart of basic algorithms for fishing depth

1.3.2 扩展算法 基础算法理论上能够计算出最佳捕捞深度，但是在多组数据的反复试验中发现，该算法受目标资源量峰值影响较大，并不能反映现实状态下的“最佳”。假设存在这样一种数据状态：如图2 (以分贝范围内的回声记录数作为目标资源量)，在区域①中，深度15 m处取得目标资源量峰值，但15 m深度邻域内的其他点 (10～20 m处) 目标资源量较小；而区域②中虽然不存在最值点，但是该区域内的点对应的目标资源量均接近峰值。在实际生产中，区域②的捕捞意义显然高于区域①。

图2 一种假设状态Figure 2 A hypothetical state

测试数据中即存在类似该种假设状态，由于实际数据较密集，不易观察，因而提出上述假设。实际生产环境复杂多变，且不排除声呐等硬件设备造成个别点的数据失真 (例如造成孤立最值点)，因此基础算法结论不能代表最佳捕捞深度。为规避上述问题，本研究进而提出了基于扩展最大资源量区间的扩展算法，该算法屏蔽了孤立最值对最终确定深度的影响，综合考虑了一个深度邻域内的资源量情况，更符合实际渔业生产作业规律。扩展算法提出“扩展最大资源量区间”的概念，即扩大了最大资源量的选择范围，只要某一深度映射的目标资源量在扩展最大资源量区间中 (而非要求取得峰值)，则可将该点深度加入候选最佳捕捞深度。经大量数据测试，确定了扩展最大资源量的区间范围。式(6)中，Np表示输入EK80数据的ping数，Vm表示统计数据中目标资源量的实际峰值。

除了扩大选择区间外，扩展算法在最终数据分析处理的思路上也有不同，主要包括：若循环执行(与基础算法中循环相同) 的深度差字典长度大于3，则递归计算新的深度差字典；若该字典长度小于3，则逐个计算深度预测因子Nx(Nx表示第x个候选深度值的预测因子，Ny同)。式(7)中，ΣCt表示该深度下目标资源量总和，Δd表示深度差。指数模型放大了各数据点的差异，为最终决策带来便利。最后，根据计算得到的深度预测因子计算出深度预测系数Px[ 式(8)]。

扩展算法最终得到的深度可能有1～3个，并能够得到每个深度值的推荐系数Px，以提供用户根据该系数并结合统计图进行综合研判。

2 结果

2.1 不同深度资源量统计

按照前文叙述方法，对EK80设备的若干组实测数据进行了实验。数据通过处理后，利用统计学方法统计每个深度下符合当前设定目标资源目标强度的记录总值，以该值反映该深度下的目标资源量。测试数据 (累计时长 13 min 30 s) 中含有 405次ping，每次ping包含的样本数为8 065，共3 266 325条样本数据。其中符合目标资源目标强度 (磷虾，−69.5～−40.8 dB) 的样本数据条数为1 307 601。

散点图 (图 3-a，深度精度为 0.1 m) 显示，各个深度下均检测到部分目标回声，但由于散点过多，图3-a的可读性较差。为增强统计图可读性，在该图基础上以颜色深度表示一段邻域内的累计数量，将散点图改绘成六边形图 (图3-b)，以更加直观地反映目标资源在各个深度下的分布情况。

图3 磷虾数据统计情况Figure 3 Statistics of krill data

2.2 最佳捕捞深度计算

本研究采用统计图展示资源垂直分布情况，并使用数学方法构造模型计算出最佳捕捞深度。选择配置资源(如磷虾)后，点击“开始计算捕捞深度”按钮，将依次执行绘图算法、捕捞深度基础算法、捕捞深度扩展算法，并将绘制好的六边形图显示在界面的绘图区，基础算法、扩展算法生成的最佳捕捞深度建议值显示在结果区。最佳深度扩展算法的最终建议捕捞深度值可能有1～3个，所以用户界面的右下方“扩展算法结论”框中可能会出现1～3个深度值，并给出对应的公式 (8) 预测因子Px的值。

多段声呐文件可以解析出多个捕捞深度值，将这些捕捞深度值与声呐时间相结合，可以得到不同时间下的最佳捕捞深度，从而更有效地提高捕捞效率。系统最终效果见图4。

图4 磷虾捕捞智能调控界面效果图Figure 4 Effect diagram of intelligent control interface of krill fishing

3 讨论

本研究采用水声学方法提出一种不受时间、海域限制的渔业资源评估方案。利用一段时间内EK80声呐设备在某海域内探测到的数据，研究某种渔业资源在该海域该时间段内的垂直分布情况，快速计算拖网深度，以提高捕捞效率，降低人工成本。

渔业资源评估既是水产科学中的传统研究课题之一[25-26]，也是渔业捕捞活动中的重要环节。相较于渔业采样等其他资源评估方法，本研究采用的水声学具有速度快、覆盖范围广、探测深度深等突出特点。但与传统基于渔业采样方法实现的渔业资源评估或捕捞深度确定方法相比，本研究也存在一些弊端，主要体现在研究结果的广度上。例如，渔业采样方法除提取出捕捞深度与资源量的关系外，还能基于更多生物学、生态学特征，对生物分布、生长规律做进一步研究[27-28]。因此，本研究更适于快速确定捕捞深度等场景，节约人力和时间成本，大幅提高捕捞效率。

相较于其他有关利用水声学探测评估水生物性态的研究，本研究提出了一种扩展算法评估最佳捕捞深度。该算法打破了传统算法对资源量最值的依赖，充分考虑了深度邻域内的总资源量，以最终确定最佳捕捞深度值。另外，本研究利用Python语言编写了一整套程序，可以根据实际情况输入待研究海域的数据，快速得出资源分布情况并对最佳捕捞深度提出建议，从而打破一些传统研究中得出结论的局限性 (一般研究结论仅适用于某个时间内的某个海域)。但由于重视程序在健壮性上的支持，其结论的针对性和具体程度要低于一些学者的研究[24]。

在实现确定捕捞深度的过程中，本研究存在两点不足：1)生物对应的水声学目标强度范围难以确定；2)实际捕捞中，拖网深度应随着位置变化随时变动。本研究结论中“最佳深度值”仅为1～3个，暂未打破传统的捕捞方案，难以在复杂多变的捕捞环境下为捕捞成果带来突破。本研究根据相关文献及部分船员经验将磷虾的目标强度范围确定为−69.5～−40.8 dB。但是，海洋中物种众多，捕捞作业中目标鱼种多样，当前学术界暂无完整、权威的生物强度范围数据，健全的生物强度计算体系也暂未形成。因此，本研究离应用于生产尚有一定距离。现阶段，本研究的应用依赖于船员丰富的捕捞经验。船员根据捕捞经验确定捕捞深度的目标强度范围，从而计算出目标海域的最佳捕捞深度。

本研究的另一个局限性在于并未突破传统的捕捞深度计算方案。在实际生产中，渔船的航行周期较长，水域资源状况多变，仅仅以1～3个确定的深度值作为“最佳捕捞深度”显然并不足以让当前的捕捞成果产生质变。在理想状态下，可根据声呐设备数据，提取出每一小段时间内 (如声呐设备的一次Ping) 的最佳捕捞深度，由所有时间段内的最佳捕捞深度，构造出“最佳捕捞曲线”，实际生产拖网深度根据该曲线动态调整。显然这种方案在理论上可以获得更佳的捕捞效果，但在实际生产中是否可行仍有待进一步研究和探索实践。