西南大西洋阿根廷滑柔鱼渔业中国大陆鱿钓船CPUE标准化

阿根廷滑柔鱼是我国重要的头足类渔业之一,对其单位捕捞努力量渔获量( CPUE)进行标准化是对其资源评估的重要内容。本研究根据2000～2010年我国在西南大西洋的产量统计数据和卫星遥感获得的海洋环境数据（表温,表温水平梯度,海面高度,叶绿素浓度）,利用广义线性模型（GLM,general linear model）和广义加性模型（GAM,generalized additive model）对其CPUE进行标准化。GLM模型结果表明,年、纬度、表温以及交互项年与纬度对CPUE影响最大。GAM模型研究结果表明,年、月、经度、纬度、表温、海面高度以及交互项年与纬度、年与经度对CPUE影响较大。根据AIC数值,包含上述8个显著变量的GAM模型为最佳模型,对CPUE的解释率为49.20%。高CPUE出现在夏季表温为12～16°C、海面高为-20~20cm、46.5°～48.5°S海域。研究表明,GAM模型较GLM模型更适合用于西南大西洋阿根廷滑柔鱼CPUE标准化。     

西北太平洋秋刀鱼CPUE标准化研究

秋刀鱼(Cololabis saira)是西北太平洋海域重要的渔业种类之一，其资源评估工作已成为热点问题，单位捕捞努力量渔获量(CPUE)标准化可以为开展有效的资源评估研究提供科学依据。为此，本研究利用2003~2017年中国大陆西北太平洋秋刀鱼渔业生产统计资料，结合卫星遥感获得的海洋环境数据，如海表面温度、海表温度梯度、海表面高度等，基于广义线性模型(General linear model, GLM)和广义可加模型(Generalized additive model, GAM)对中国大陆西北太平洋秋刀鱼渔业进行CPUE标准化。结果显示，根据BIC准则，在GLM模型结果中，年份、月份、经度、纬度、海表面温度、海表面高度、海表温度梯度及年份与月份对CPUE具有显著影响，并组成了GLM模型的最佳模型，对CPUE偏差的解释率为52.47%；在GAM模型结果中，除上述8个影响变量外，交互项月份与经度和月份与纬度也对CPUE影响较大，GAM的最佳模型对CPUE偏差的解释率为61.9%。通过5-fold交叉验证分析发现，GAM模型标准化结果较优于GLM模型，更适合于西北太平洋秋刀鱼渔业CPUE标准化。     

我国东、黄海鲐鱼灯光围网渔业CPUE标准化研究

日本鲐是我国近海重要的中上层鱼类资源之一,评估其资源量需要对单位捕捞努力量渔获量（CPUE）进行标准化。影响CPUE标准化的因素很多，包括季节、区域和海洋环境等。本文利用广义线型模型（GLM）和广义加性模型（GAM），结合时空、捕捞船、表温等因子，对1998-2006年东、黄海大型灯光围网渔业鲐鱼CPUE进行标准化，并评价各因子对CPUE的影响。首先应用GLM模型评价时间、空间、环境以及捕捞渔船参数对CPUE的影响，并确定显著性变量。其次，将显著性变量逐一加入GAM模型，根据Akaike信息法则（AIC），选择最优的GAM模型。最后，利用最优的GAM模型对CPUE标准化，并定量分析时间、空间、环境以及捕捞渔船参数对鲐鱼CPUE的影响。GLM模型结果表明：8个变量对CPUE有重要影响，依次为年、船队、船队与年的交互效应、月、船队与月份的交换效应、经度、纬度和海表温。根据AIC，包含上述8个显著性变量的GAM模型为最优模型，对CPUE偏差的解释为27.78%。GAM模型结果表明：高CPUE分别出现在夏季海表温为28～31 ℃的东海中部和冬季海表温为12～16 ℃的黄海；1998-2006年，标准化后的CPUE呈逐年下降趋势，与持续增长的捕捞努力量有关。     

西南大西洋阿根廷滑柔鱼渔场时空变化及其与表温的关系

阿根廷滑柔鱼(Illex argentinus)是西南大西洋重要的经济性头足类,也是中国大陆鱿钓渔业重要的捕捞对象,掌握其渔场时空分布特性及其与海洋环境之间的关系是合理开发、有效管理资源的基础。本文根据2000²010年中国大陆鱿钓渔业在西南大西洋39°2010年中国大陆鱿钓渔业在西南大西洋39°⁵1°S、57°51°S、57°⁶7°W海域的生产统计数据,对西南大西洋阿根廷滑柔鱼中心渔场时空分布及与海洋表层温度(sea surface temperature,SST)的关系进行了研究。结果表明,167°W海域的生产统计数据,对西南大西洋阿根廷滑柔鱼中心渔场时空分布及与海洋表层温度(sea surface temperature,SST)的关系进行了研究。结果表明,1⁵月间,阿根廷滑柔鱼产量及作业次数在纬度方向由南向北逐渐递增,经度方向上由西向东逐渐递增。不同年份间,阿根廷滑柔鱼渔场重心纬度方向上存在显著性差异,而经度方向分布则不存在显著性差异。相关性分析表明,15月间,阿根廷滑柔鱼产量及作业次数在纬度方向由南向北逐渐递增,经度方向上由西向东逐渐递增。不同年份间,阿根廷滑柔鱼渔场重心纬度方向上存在显著性差异,而经度方向分布则不存在显著性差异。相关性分析表明,1⁵月阿根廷滑柔鱼渔场重心纬度、经度的变化与SST之间存在显著相关性,并且渔场重心均随着SST的升高呈现向南和向西移动的趋势。     

基于BP神经网络的阿根廷滑柔鱼资源CPUE标准化研究

西南大西洋阿根廷滑柔鱼(Illex angentinus)是世界上重要的经济柔鱼类,也是我国远洋鱿钓的主要捕捞对象之一.单位努力量渔获量(CPUE)是渔业中广泛使用的表达种群丰度的指标,但CPUE易受到其他因素的影响,需对其进行标准化.本研究利用2012-2017年1-4月中国大陆西南大西洋阿根廷滑柔鱼鱿钓生产统计数据...     

基于GAM的阿根廷滑柔鱼CPUE与环境因子关系分析

根据2013年渔季在阿根廷外海公海海域的渔业生产数据,结合时间、空间、表温、水深和流速等环境数据,建立广义可加模型(GAM),对2013年夏秋季阿根廷滑柔鱼(Illex argentinus)单位捕捞努力量渔获量(CPUE)与时空因素、环境因子的关系进行研究。结果表明,优化后的GAM模型对CPUE总偏差解释率为56.10%,其中作业日期、表温、水深和流速对CPUE影响较大。根据AIC准则,包含上述4个显著变量的广义可加模型为最佳模型,其pseduo系数PCf值为0.487,AIC值为660.688,表明其具有较好的拟合度。各环境因子(海水表温、水深和流速)中,水深与研究区域CPUE的关系最为密切,阿根廷滑柔鱼渔场(阿根廷外海公海)适宜水深为分别为100~120 m和250~500 m,适宜表温为8~14℃,最适表温为12~14℃。GAM模型分析结果表明,影响CPUE的因子按重要性依次为作业日期水深表温流速。     

黄渤海蓝点马鲛双船拖网渔业CPUE时空变化及其标准化

根据 2012—2018 年山东省海洋捕捞渔业信息船的生产统计数据, 分析了黄渤海蓝点马鲛(Scomberomorus niphonius)双船拖网渔业名义单位捕捞努力量渔获量(CPUE)和渔场重心的时空变化, 结合表层水温等海洋环境因子, 应用广义可加模型(GAM)分析了蓝点马鲛双船拖网渔业名义 CPUE 与时空及环境因子的关系, 并对 CPUE 进行标准化。结果表明, 蓝点马鲛名义 CPUE 和渔场重心存在明显的年际和月变化; 名义 CPUE 在 2012—2018 年间呈波动下降趋势, 每年在 9—11 月出现最大值。渔场重心的月变化呈现从东南到西北再转向东南的趋势, 这与蓝点马鲛的洄游规律相一致。渔场重心呈现一定的年变化, 其经度变化与水温变化趋势相反, 纬度变化与水温变化趋势相同。GAM 模型分析表明, 年份、表层水温、经度和纬度对名义 CPUE 有极显著影响, 其中年份对名义 CPUE 影响最显著, 名义 CPUE 随着表层水温升高呈上升趋势。标准化 CPUE 与名义 CPUE 具有相似变化趋势, 但标准化 CPUE 波动幅度较小, 且其值均小于名义 CPUE。     

基于最大熵模型分析西南大西洋阿根廷滑柔鱼栖息地分布

根据2008—2010年中国鱿钓船在西南大西洋海域得到的生产数据及海洋环境数据(海表面温度,sea surface temperature,SST;海面高度sea surface height,SSH;叶绿素-a浓度,chlorophyll-a,chl.a),利用最大熵模型(Max Ent)分析捕捞主渔汛期间(1—4月)阿根廷滑柔鱼的潜在栖息地分布,同时与实际作业位置相比较,结合海洋环境因子分析不同年份分布差异的原因。模型运算结果显示:阿根廷滑柔鱼潜在分布区域的变化与实际作业位置变动基本一致;南北方向上,2008年和2009年的潜在分布区域较为广泛,而2010年的潜在分布区域较为狭窄,且主要分布在45°S以南的区域。Jackknife检验表明,SST是影响阿根廷滑柔鱼分布的首要环境因子,SST等温线分布可用来表征海流的强弱进而影响阿根廷滑柔鱼的分布,其中12°C等温线可以作为寻找渔场的一个指标。SSH等高线分布及其涡的变化也会影响到阿根廷滑柔鱼分布。chl.a只能间接地反映阿根廷滑柔鱼渔场的分布,不能很好地作为表征其分布的环境因子。研究表明,分析阿根廷滑柔鱼栖息地分布及其差异原因应主要观察SST和SSH的变化。     

1999—2011年东、黄海鲐资源丰度年间变化分析

根据1999—2011年我国鲐大型灯光围网渔业数据,使用广义线性模型(generalized linear model,GLM)和广义加性模型(generalized additive model,GAM)估算了影响CPUE的时间(年、月)、空间(经度、纬度)、捕捞性能和环境效应[海表面温度(sea surface temperature,SST)、海表面高度、海表面叶绿素浓度],并以年效应作为资源丰度指数,分析了东、黄海鲐资源丰度的年间变化,东、黄海鲐资源丰度指数的年间变化与产卵场海表面温度以及捕捞强度间的关系。GAM结果表明,时间、空间、捕捞和环境变量对CPUE偏差的解释率为11.69%,其中变量年的解释率最大,占总解释率的38%。结果显示,1999—2011年东、黄海鲐鱼资源丰度指数(abundance index,AI)总体上呈下降趋势,2008年以来更是持续下降,丰度指数由2008年的1.22降至2011年的0.82。东、黄海鲐资源丰度指数年间与产卵场呈正相关,关系式为AI=-3.51+0.23SST(P0.05),这表明较高的产卵场SST对鲐资源量增加有利。过高的渔获量以及我国群众围网渔业渔船数量的快速增长是导致近年来鲐鱼资源下降的重要原因。     

基于空间相关性的西北太平洋柔鱼CPUE标准化研究

CPUE标准化方法通常都假设名义CPUE之间是相互独立且没有相关性,然而鱼类集群分布通常存在着空间相关性,为此本研究以西北太平洋柔鱼的CPUE标准化为例,采用1999-2012年6-11月中国鱿钓生产数据以及对应的海表面温度和叶绿素浓度的环境数据,将空间相关性加入广义线性模型(general linear model,GLM)中.在空间GLM模型中运用4个距离模型(指数模型、球面模型、线性模型和高斯模型),进行标准GLM模型和4种空间GLM模型的CPUE标准化结果比较.结果发现,4种空间GLM模型均比标准GLM模型的最小信息准则(akaike information criterion,AIC)更小,标准化结果更准确.同时,在4个距离模型中,指数模型的AIC值最小,其CPUE标准化结果最佳.研究表明,在CPUE标准化中,鉴于鱼类集群与分布特性,应该充分考虑空间相关性这一因素.     

鱼类栖息地模拟的比较研究—以东海鲐鱼为例

利用东海海域1997年10月、1998年3月、1999年7月和2000年1月鲐鱼渔获率及表层温度、盐度和初级生产力等环境因子数据,构建东海鲐鱼资源空间分布与环境因子间的一般线性模型(GLM)和广义加性模型(GAM),并将GLM和GAM模拟值的均值分别与实测值进行独立样本t检验及其误差分析.分析结果表明,GLM与GAM模型的独立样本t检验P值均大于0.05,因此两者都可模拟东海鲐鱼栖息地的空间分布.其中,GLM模型对鲐鱼渔获率空间分布趋势的模拟更为准确;而GAM模拟值对鲐鱼栖息地环境因子的变化比较敏感,能够解释更多空间数据的变化,因而GAM在分析鱼类栖息地与环境因子间关联程度或资源评估方面具有优势.     

山东近海口虾蛄空间分布特征及其与环境因子的关系

近年来口虾蛄（Oratosquilla oratoria）为代表的甲壳类生物在海洋生态系统中的数量和经济地位有着显著的增长，但其空间分布规律及与环境因子的关系尚不明确。为了解山东近海海域口虾蛄的栖息分布规律及其主要环境因子的影响，本研究根据2016-2017年在山东近海进行的4个航次渔业资源和环境调查，采用广义线性模型、广义可加模型以及多层前馈神经网络模型等方法，比较分析了口虾蛄的空间分布特征及环境因子的关系。结果表明，口虾蛄的资源密度在季节间存在明显差异，夏季密度最高，春、秋季次之，冬季最低；近岸资源密度高于远岸，且由南到北呈逐渐增加的趋势。模型分析表明，纬度、海水底层温度和底层盐度对口虾蛄的资源密度分布有显著影响。3种模型中，广义可加模型的拟合效果最好，多层前馈神经网络模型预测准确性最好。本研究通过不同模型结果的比较，揭示了影响山东近海口虾蛄的空间分布特征与关键环境因子的关系，旨在为口虾蛄的合理开发和利用提供理论支撑。     

GLM和GAM模型研究东黄海鲐资源渔场与环境因子的关系

鲐是我国近海重要中上层鱼类,研究其资源变动、渔场分布与时空、海洋环境因子之间的关系有利于该资源的合理开发和利用.根据1998-2004年我国东黄海大型鲐围网渔业的生产统计和时间、空间、表温、表层盐度、表温梯度、表温的月差异等环境数据,利用广义可加模型(GAM)和广义线性模型(GLM)对鲐资源丰度和环境因子的关系进行研究.结果表明,在南部海域,作业渔场集中在122.5°E～124°E、26.5°N～28°N,适宜表温26.5～30℃,适宜表层盐度33.3～34.3,并明显集中在锋区周边海域;在北部海域,作业渔场集中在122.5°E～125.5°E、33°N～37.5°N,适宜表温15～20℃,适宜表层盐度31.3～32.3,集中在冷水区边缘海域.相对资源密度指数大于0.5的海域为122°30'E～124°30'E、26°30'N～28°N,122°30'E～125°30'E、33°N～34°30'N和124°E～125°E、34°30'N～37°N.研究认为,南北不同海域鲐分布的适宜表温和表层盐度差异明显.影响鲐资源丰度的环境因子重要性依次为时间、空间和海洋环境.     

Distribution,body length,and abundance of blue shark and shortfin mako offshore of northeastern Japan,as determined from observed pelagic longline data, 2000–2014

Longline surveys have been conducted in the Northwest Pacific Ocean from 2000 to 2014 using chartered commercial longline vessels. Each year, two cruises were conducted offshore of northeastern Japan from mid‐April to mid‐June. For each longline set during the surveys, onboard scientists collected detailed biological information about the species caught, such as the size and sex, and recorded the catch numbers for all species. Blue shark (Prionace glauca) and shortfin mako (Isurus oxyrinchus) have eurythermal distributions, but the application of a generalized additive model (GAM) showed that the sea surface temperatures (SSTs) at catch sites positive for shortfin mako were warmer than those for blue shark. On the basis of the GAM, the probabilities of occurrence of both sharks differed by size category: small sharks had a narrower SST range than that of large sharks. Most catches of both sharks were juveniles, and the nominal catch rate of blue shark was more than 10 times that of shortfin mako. The standardized catch per unit effort (CPUE) for both species was calculated using a generalized linear model (GLM) with negative binomial errors, or a delta‐lognormal GLM. The standardized CPUE for blue shark in the second quarter of the year peaked in the mid‐2000s and then decreased, but it has been increasing since 2012. The CPUE for shortfin mako in the second quarter generally increased, with fluctuations.     

海州湾海域鱼类分类多样性的时空变化及其与环境因子的关系

根据2011年3—12月在海州湾海域进行的5个航次的渔业资源综合调查,并结合相关的历史资料,研究海州湾海域鱼类分类多样性及其时空变化,并通过构建 GAM 模型分析平均分类差异指数(Δ+)和分类差异变异指数(Λ+)与环境因子之间的关系.结果表明,海州湾共有鱼类96种,隶属于2纲13目44科71属,其中Δ+的理论平均值为79.5,而Λ+的理论平均值为200.6.两个分类多样性指数均呈现明显的季节和空间变化,这可能与海州湾海域鱼类的季节性洄游和环境因子的差异有关.通过 GAM 模型分析发现,水深和底层溶氧对Δ+具有显著影响,而水深、底层溶氧、底层水温和月份则是影响Λ+的关键环境因子.通过比较中国近海不同纬度海域之间的鱼类分类多样性指数,发现Δ+和Λ+均呈现出“北高南低”的变化趋势,说明纬度变化对鱼类分类多样性的空间分布格局具有重要影响.     

基于模糊神经网络的池塘溶解氧预测模型

在分析了池塘溶解氧影响因素的基础上，利用模糊神经网络良好的非线性逼近能力建立了池塘溶解氧的模糊神经网络预测模型。神经网络模型如采用常规的BP或其它梯度算法，常导致训练时间较长且易陷入局部极小点，本实验采用快速的粒子群优化算法对模糊神经网络进行训练，收敛速度明显加快。实验结果表明采用该方法预报溶解氧的预测精度较常规BP递推算法的预测精度明显提高，所采用的模型能对溶解氧进行可靠的预测，该方法为研制开发智能水质检测仪以及工厂化养殖工作奠定了基础，对实际生产具有一定的指导意义。     

Albacore (Thunnus alalunga) fishing ground in relation to oceanographic conditions in the western North Pacific Ocean using remotely sensed satellite data

Satellite‐based oceanographic data of sea surface temperature (SST), sea surface chlorophyll‐a concentration (SSC), and sea surface height anomaly (SSHA) together with catch data were used to investigate the relationship between albacore fishing ground and oceanographic conditions and also to predict potential habitats for albacore in the western North Pacific Ocean. Empirical cumulative distribution function and high catch data analyses were used to calculate preferred ranges of the three oceanographic conditions. Results indicate that highest catch per unit efforts (CPUEs) corresponded with areas of SST 18.5–21.5°C, SSC 0.2–0.4 mg m^?3, and SSHA ?5.0 to 32.2 cm during the winter in the period 1998–2000. We used these ranges to generate a simple prediction map for detecting potential fishing grounds. Statistically, to predict spatial patterns of potential albacore habitats, we applied a combined generalized additive model (GAM) / generalized linear model (GLM). To build our model, we first constructed a GAM as an exploratory tool to identify the functional relationships between the environmental variables and CPUE; we then made parameters out of these relationships using the GLM to generate a robust prediction tool. The areas of highest CPUEs predicted by the models were consistent with the potential habitats on the simple prediction map and observation data, suggesting that the dynamics of ocean eddies (November 1998 and 2000) and fronts (November 1999) may account for the spatial patterns of highest albacore catch rates predicted in the study area. The results also suggest that multispectrum satellite data can provide useful information to characterize and predict potential tuna habitats.