A Study on Deep Learning for Catch Forecast of Salmon

• Material Type: 博士論文
• Title: A Study on Deep Learning for Catch Forecast of Salmon
• Author/Editor: ZHANG, Yue
• Author Heading: ZHANG, Yue
• Publication Date: 2023-03-23
• Publication Date (W3CDTF): 2023-03-23
• Alternative Title: サケ漁獲量予測のための深層学習に関する研究
• Degree grantor/type: 室蘭工業大学
• Date Granted: 2023-03-23
• Date Granted (W3CDTF): 2023-03-23
• Dissertation Number: 甲第511号
• Degree Type: 博士（工学）
• Text Language Code: eng
• Alias of Author: チャン, ユエ
• NDC: 007
• Target Audience: 一般
• Note (General): application/pdf; 新しい計算科学の発展に貢献する情報学的研究において、広く工学や科学分野の課題に対して数理データサイエンスを基盤とした分野融合的な研究が活発となっている。本論文では、水産業の分野に数理データサイエンス的手法による産業支援につながるICTに関する研究についてまとめている。代表的な魚種であるサケ漁を対象として、データ学習に各種AIの利活用を通じて、スマート水産業の実現に貢献することを目的としている。漁獲量予測は、効果的な漁業管理・資源配分システムの確立に関係するため、これからの水産業の発展には必要不可欠となる。港湾向けに収集された短期の詳細な漁獲量予測は、具体的な漁獲努力の指針となる。長期的な漁獲データを利用すれば、地域全体の水産資源配分に異なる漁獲時間スケールに対応したデータ処理手法を通じて、より実用的な漁業向けデータ支援を実現につなげる。漁獲量予測に機械学習を適用するには深層学習方式が有効となり、予測情報を漁に活用できることがわかる。深層学習とは入力データと対応する出力ラベルを用いて、データの特徴を学習させる機械学習手法である。本論文では、時間・空間的に密度が異なるマルチスケールの漁獲や気象のデータを協調的に処理することで漁獲量の予測および分析を行う。まず、短期と長期の漁獲量を予測するモデルをそれぞれ構築しこれらに基づき漁獲量を予測する。具体的に、短期の漁獲量の予測手法では、畳み込みニューラルネットワークに基づいた漁獲量データの特徴抽出を行い、 LSTMに基づき漁獲量を予測する。一方で、長期の漁獲量予測に対しては、時空間データのスパース条件下において短期の水温と長期の漁獲量データを活用するために、時系列分析手法のARIMAとニューラルネットワークを組み合わせた予測モデルにより長期の漁獲量予測を行う。その後、長期と短期の予測結果から漁獲量、気象データ、および海区などの地形情報間の関連性を分析する。以上のように、本論文では、短期および長期的な漁獲量を予測するためにデータ特性に合わせた深層学習に基づいた手法を導入することで、マルチスケールの漁獲データ予測と分析を実現し、北海道をはじめとする地域ごとの水産業に対して貢献がある。本論文の提案は、異なるデータサイズ、量、および、その他の複雑性に適応して、漁獲量を効果的に予測・分析できることが示され、実産業分野に貢献する数理データサイエンスの研究として位置づけられる。; In the field of informatics research contributing to the development of new computational science, multi-field fusion research has been active in solving the various problems of engineering and science fields. In this doctoral thesis, ICT research supporting the industry by mathematical data science methods was compiled. The objective of the research is to contribute to the smart fishery industry, especially the salmon fisheries as a representative seafood of Japan.The fish-catch prediction has been required for establishing the fishery management and sea-resource allocation system for the next fishery generation industry. A detailed prediction using port-based information as short-term data is helpful to realize an improved catch. By using long-term catch data, practical fishery data support is established with the data processing corresponding to the regional-based fish-catch allocation. Deep learning is a kind of machine learning method using input and label data. The method effectively predicts the fish catch, and the forecast information is helpful for fishing.In this doctoral thesis, catches are predicted and analyzed by coordinating the processing of multi-scale catch and weather data with different spatial and temporal densities. First, models are constructed to predict short-term and long-term catches, respectively, and catches are predicted based on these models. Specifically, in the short-term catch forecasting method, features are extracted from the catch data based on a convolutional neural network, and the catch is forecasted based on LSTM. On the other hand, for long-term catch forecasting, in order to utilize short-term water temperature and long-term catch data under the sparse-temporal data, long-term catch forecasting is performed by a forecasting model combining the time-series analysis method ARIMA and neural network. The long-term and short-term forecast results are then used to analyze the relationship between the catch, meteorological data, and topographical information such as sea zones. As described above, this doctoral thesis introduces a deep learning-based method tailored to data characteristics to predict short-term and long-term catches, thereby realizing multi-scale catch data prediction and analysis and contributing to the fisheries industry in Hokkaido and other regions.The proposal in this doctoral thesis is positioned as mathematical data science research that contributes to real industrial fields by showing that it can effectively predict and analyze fish catches by adapting to different data sizes, volumes, and other complexities.
• DOI: 10.15118/00010890; https://doi.org/10.15118/00010890
• Persistent ID (NDL): info:ndljp/pid/12911626; https://dl.ndl.go.jp/pid/12911626
• Collection: 障害者向け資料
• Collection (Materials For Handicapped People:1): テキストデータ
• Collection (particular): 国立国会図書館デジタルコレクション > デジタル化資料 > 博士論文; https://dl.ndl.go.jp/collections/A00014
• Acquisition Basis: 博士論文（自動収集）
• Date Accepted (W3CDTF): 2023-07-08T03:42:32+09:00
• Format (IMT): application/pdf
• Access Restrictions: 国立国会図書館内限定公開
• Service for the Digitized Contents Transmission Service: 図書館・個人送信対象外
• Availability of remote photoduplication service: 可
• Periodical Title (URI): http://dx.doi.org/10.15118/00010890; http://hdl.handle.net/10258/00010890; https://muroran-it.repo.nii.ac.jp/records/10951
• Data Provider (Database): 国立国会図書館 : 国立国会図書館デジタルコレクション; https://dl.ndl.go.jp