基于风险驱动的海上巡逻路线优化框架，用于打击非法、未报告和不受管制的捕鱼活动（IUU），结合多源AIS和SAR数据融合技术 胡松涛， 张倩月， 王一鸣， 王晓康

《Journal of Marine Science and Engineering》：A Risk-Driven Maritime Patrol Route Optimization Framework for IUU Fishing Surveillance Using Multi-Source AIS and SAR Data Fusion Songtao Hu, Qianyue Zhang, Yiming Wang and Xiaokang Wang

　　

摘要

非法、未报告且不受监管的渔业活动（IUU）威胁着西太平洋的海洋生态系统。传统的巡逻策略未能充分利用现有的多源监控数据。本研究提出了一个海上巡逻路线规划框架，该框架将AIS捕鱼数据、Sentinel-1 SAR检测到的暗色船只信息以及GFW船舶遭遇记录整合到一个监控优先级指数（SPI）中，应用于研究区域（0–20°N, 140–160°E）。该框架采用了自适应优先级增强蚁群优化（APB-ACO）算法，该算法结合了两阶段 deadline 意识的路线构建和最佳N次自适应策略选择，能够在72小时的时间内覆盖高优先级区域，同时最小化总巡逻距离。在30个随机测试案例以及一系列基准算法（PB-ACO、GA、PSO、DQN、NSGA-II）的对比中，APB-ACO 表现出更短的平均巡逻路线长度（公里），比PB-ACO短倍；同时具有更低的方差（），标准差更低，并且在默认设置下可实现100%的高优先级区域覆盖。当高优先级任务比例在2%到20%之间变化时，APB-ACO的覆盖差距会随着优先级比例的增加而扩大。这个问题也被形式化为一个混合整数线性规划（Priority-Constrained VRPTW）问题，表明APB-ACO是一种适用于NP难问题的有效元启发式算法。该框架的主要局限性在于，在测试的的三艘船场景中，500公里的船与船之间通信约束在72小时的任务周期内被违反超过1100次，这些违规情况需要在事后进行修复；将这一约束集成到优化器中是未来的一个发展方向。研究结果为基于监控的巡逻规划提供了方法论基础，而不仅仅是一个经过验证的非法渔业拦截工具。