Система автоматизированного мониторинга объектов и условий рыбопромыслового лова

Размещено на http://www.allbest.ru/

УДК 004.942

СИСТЕМА АВТОМАТИЗИРОВАННОГО МОНИТОРИНГА ОБЪЕКТОВ И УСЛОВИЙ РЫБОПРОМЫСЛОВОГО ЛОВА

Ф.В. Коломейко

Изложены принципы построения автоматизированной системы мониторинга, алгоритмы и методы обработки первичной биологической и промысловой информации для автоматизированного выявления закономерностей изменения параметров гидробионтов и условий промысла с целью повышения эффективности промысла и снижения материальных затрат добывающих организаций.

автоматизация, система мониторинга, промысел, гидробионты

автоматизированный мониторинг гидробионт промысел

AUTOMATED SYSTEM OF FISHING CATCH OBJECTS MONITORING

F.V.Kolomeyko

In this article the automated system construction principles, algorithms and methods for primary biological and fishing catch data processing are considered. The data processing mentioned above is used for automated regularities exposure of hydrobionts parameters changing and fishing catch conditions in order to increase catch efficiency and decrease costs for fish catching organizations.

Обоснования районов и времени промыслового лова, рационального использования сырья производятся с использованием результатов мониторинга промысла. Данные мониторинга промысла позволяют выявить зависимости химического состава, биохимических и технологических свойств гидробионтов от видовой принадлежности, размерно-массовых характеристик, глубины обитания, возраста и других факторов.

В настоящее время не в полной мере систематизированы сведения по сезонной изменчивости биохимических, размерно-массовых свойств многих промысловых рыб. Известные рекомендации по вылову и направлению рыб в обработку даны применительно к конкретным видам или немногочисленным группам рыб.

Обзор работ по указанной проблеме свидетельствует об актуальности разработки автоматизированной системы по исследованию факторов, определяющих рациональную организацию промысла гидробионтов на основе мониторинга среды и объектов лова.

Систему следует рассматривать как инструмент поддержки принятия решений о рациональном использовании сырьевых ресурсов и повышении эффективности лова. Предлагаемая автоматизированная система обеспечивает оперативное преобразование потока первичной биологической и промысловой информации, поступающей с судов, выявление закономерностей, описывающих взаимосвязи и взаимовлияние параметров объектов промысла и условий промысла, агрегирование, обобщение, визуализацию многомерных взаимосвязанных процессов, обнаружение аномальных наблюдений и несоответствий.

Техническая реализация предлагаемой системы осуществляется в виде программного продукта, построенного по технологии клиент-сервер, работающего в электронно-вычислительной локальной сети, связывающей промысловые, научные суда и организации. Технология клиент-сервер - это распределение прикладной программы по двум логически различным компонентам, каждый из которых решает свои задачи. Клиент посылает на сервер запросы для выполнения определенной работы. Задачей сервера является обработка подобных запросов и возврат результатов клиенту. При корректной реализации архитектуры клиент-сервер можно получить систему управления информацией с оптимальным соотношением цена/производительность, допускающую простое расширение, наращивание и адаптацию к меняющимся требованиям функционирования.

В целом данная система (рис. 1) обеспечивает решение задачи извлечения из совокупности ретроспективных и текущих данных, полученных в процессе мониторинга промысла, дополнительных знаний, отражающих тенденции его развития и взаимосвязи между параметрами среды и параметрами объектов лова вне зависимости от их видовой принадлежности.

Рис.1. Функциональная схема автоматизированной системы мониторинга объектов рыбопромыслового лова (АСМОРЛ)

Объекты рыбного промысла имеют большую пищевую ценность как в целом, так и по частям (кожа, плавники, чешуя, филе и т.д.). Для ряда рыбопромысловых объектов, например минтая, большую ценность имеет икра.

Известно, что выход икры минтая зависит от многих факторов - район и сезон лова, стадии зрелости гонад, размерно-массовые характеристики рыбы. Был разработан алгоритм обработки экспериментальных данных (рис. 2).

Рис.2 Последовательность обработки данных в АСМОРЛ при анализе влияющих факторов на объекты лова

Этот подход был использован для исследования связи выхода икры минтая с основными факторами, выявленными в результате анализа.

Исходные данные, собранные научными наблюдателями на промысловых судах в январе-апреле 2007 г. под руководством ВНИРО в Охотском море (Камчатско-Курильском, Западно-Камчатском, Северо-Охотоморском подрайонах), объёмом 5000 строк, были сгруппированы по исследуемым факторам (сезон, район, размер). Выход икры характеризуется величиной гонадосоматического индекса (сум_ГСИ). Основные статистические показатели по исследуемым факторам, полученные в процессе дескриптивного анализа, представлены в табл. 1, при этом в качестве основного показателя использовался суммарный ГСИ по выделенным группам факторов (район, время, размер) (сум_ГСИ).

Таблица 1 - Основные статистические показатели по группам для суммарного ГСИ

Обозначения в таблице: Декада - номер декады от начала года, район: 1 - К.К.; 2 - СОХ; 3 - З.К; Means - среднее значение; Confidence - доверительный интервал для среднего; Сум_ГСИ N - количество значений Сум_ГСИ в данной группе; Сум_ГСИ Std.Dev.- cтандартное отклонение; Сум_ГСИ Std.Err. - cтандартная ошибка

Задачи оценки влияния исследуемых факторов (сезон, район, размер) на выход икры решаются в АСМОРЛ методом дисперсионного анализа [1]. Вначале проводится вычисление общего объёма вариации с последующим разложением по источникам и оценкой достоверности влияния факторов на величину ГСИ. Результаты расчёта влияния на сум_ГСИ одновременно всех трёх факторов, полученные методом дисперсионного анализа приведены в табл.2, где SS - сумма квадратов (отклонений); MS - средний квадрат эффекта (межгрупповой разброс); F - критерий Фишера; p - статистическая значимость (p-уровень); Intercept - пересечение всех факторов.

Таблица 2. Результаты дисперсионного анализа одновременного влияния трёх исследуемых факторов

Из табл.2 следует, что все факторы (дата, район, размер) существенно влияют на значение ГСИ.

Цель корреляционного анализа - количественное определение взаимного влияния между признаками. Цель регрессионного анализа - определение формы связи (уравнения регрессии) и коэффициентов уравнения. Так как рассматривается влияние на ГСИ сразу нескольких факторов, то используются методики расчёта множественной корреляции и регрессии.

Значения коэффициентов корреляции меньше 0,5 говорит о слабой степени тесноты связи с соответствующим фактором. По результатам множественного регрессионного анализа получено уравнение регрессии в виде:

сум_ГСИ=-19,10+0,67*дата-0,19*район+0,45*размер. (1)

Значимость найденного уравнения множественной регрессии оценивается с помощью коэффициента детерминации (R2) или коэффициента множественной корреляции R. R2 для уравнения регрессии (1) при одновременном учёте всех влияющих значений равен 0,58.

Зависимость ГСИ (Сум_ГСИ) от времени и района представлена в трёхмерном пространстве на рис. 1. Полученный результат также качественно свидетельствует о существенной зависимости ГСИ от района и времени вылова.

Рис 3. Зависимость Сум_ГСИ от даты и района

При поиске зависимости Сум_ГСИ от района и размера в системе происходит перебор нескольких уравнений, например, экспоненциального и квадратичного полиномов. Результаты расчёта показывают, что достоверность уравнения регрессии в виде квадратичного полинома выше: коэффициент детерминации R=0,84, объяснённая доля дисперсии: 70%. Уравнение регрессии имеет вид:

Сум_ГСИ=-16,22-2,58*размер+0,74*район+0,43*район2+ 0,0004*размер*район-0,0041*размер2. (2)

Объясненная доля дисперсии в регрессионной модели интерпретируется как доля дисперсии зависимой переменной y, объясненная изменениями независимой переменной x.

Результаты обработки исходных данных свидетельствуют о существенном влиянии всех трёх (время или дата промысла, район, размер) факторов на значение ГСИ, однако район лова оказывает меньшее влияние на величину ГСИ.

Доминирующее влияние на ГСИ имеют дата и размер, район влияет в меньшей степени. Уравнение регрессии, описывающее зависимость ГСИ от размера и даты, имеет следующий вид:

Сум_ГСИ= -489,71+exp(6,15+0,00084*размер +0,0018*дата), (3)

где коэффициент детерминации R2=0,79, объяснённая доля дисперсии 63%.

При одновременном учёте влияния всех трёх факторов на ГСИ, следует использовать линейное уравнение множественной регрессии (1).

Используя результаты анализа, можно выявить и спрогнозировать район и время вылова минтая для повышения эффективности его промыла и снижения материальных затрат добывающих организаций. Комплексная обработка данных мониторинга объектов и условий рыбопромыслового лова автоматизированной системой позволяет выявлять закономерности изменения районов обитания, нереста, размерно-массовых характеристик и для других видов гидробионтов.

Таким образом, автоматизированная система мониторинга объектов рыбопромыслового лова может использоваться для эффективного целеуказания при направлении судов на промысел и прогнозирования результативности лова.

Список литературы

1. Гатаулин А.М. Система прикладных статистико-математических методов обработки экспериментальных данных / А.М. Гатаулин. - М.: МСХА,1992. - ч.2. - 192 с.

Размещено на Allbest.ru