新港區漁會的問題，透過圖書和論文來找解法和答案更準確安心。 我們查出實價登入價格、格局平面圖和買賣資訊

以多變量分析方法進行臺灣東部海域漁業之作業漁法辨識

為了解決新港區漁會的問題，作者許雯淇 這樣論述：

臺灣東部海域漁獲物種豐富，作業漁法與漁獲組成等特性複雜且多樣，在進行漁業資源動態分析時若不區分漁獲統計資料的作業漁法，將會導致分析結果產生偏誤。因此，本研究彙整2001至2020年宜蘭縣蘇澳區漁會以及2000至2020年臺東縣新港區漁會每日市場漁獲拍賣資料之各航次魚種組成，以探討使用市場拍賣資料分析並建構作業漁法辨識模型之可行性。本研究以集群分析法 (cluster analysis) 進行漁業種類之分群與作業漁法之判斷，再以區別分析 (discriminant analysis) 配合漁獲魚種組成比例建構作業漁法之區別函數，用以追溯辨識各航次的作業漁法。此外，本研究亦彙整2013-2019

年沿近海查報員之航次別作業資料進行比較分析。集群分析結果顯示，蘇澳與新港魚巿場拍賣資料的分群數皆大於查報員所登記之作業漁法數，主要原因為各作業漁法目標魚種複雜性之緣故。根據集群分析之作業漁法辨識結果以及查報員資料以區別分析進行作業漁法的比較分析，結果顯示新港地區之判別一致率為 52-68 %，蘇澳地區之判別一致率為 53-66 %，其中蘇澳地區因包含較多小規模漁業導致判別的不易，所以判別一致率略低於新港地區，若某一漁法之漁獲組成與其他漁法之漁獲組成差異性越高，其判別之漁法一致率亦會較高。此外，考量到漁民會因應季節與環境的變異而有不同之作業策略，因此本研究亦於集群分析中分別加入標準化之航次總漁獲

量與季節等變量。然而，結果顯示納入這些額外資訊並無助於提升模型一致率，判別一致率仍與納入之前的水準差異不大。本研究整合不同來源之資料採用多變量分析 (multivariate analysis) 並進一步透過機器學習 (machine learning) 建構各漁船各航次作業漁法之自動化分析流程，以期能夠提供更為有效且客觀的辨識系統，作為後續各項漁業及資源動態分析之重要基礎依據。