中国大陆阿根廷滑柔鱼鱿钓渔业CPUE标准化

阿根廷滑柔鱼是我国重要的头足类渔业之一,单位捕捞努力量渔获量(CPUE)标准化是对其资源进行评估的重要内容.研究根据2000-2010年中国大陆在西南大西洋的鱿钓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(general linear model,GLM)和广义加性模型(generalized additive model,GAM)对中国大陆西南大西洋阿根廷滑柔鱼渔业CPUE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模型研究结果则表明年、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准则,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℃、海面高度为-20 ～20 cm和46.5° ～48.5°S范围内.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渔业CPUE标准化.     

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。     

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。     

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。     

基于遥感的黄海中南部越冬鳀资源密度分布与环境因子的关系研究

基于遥感和GIS(Geographic information system)技术,利用2000~2015年的底拖网调查数据和海表温度、叶绿素a浓度以及海水温度梯度等遥感数据,在定性分析黄海中南部越冬鳀(Engraulis japonicus)资源密度分布与环境因子关系的基础上,利用时空和环境因子构建GAM (Generalized additive model)模型进行定量分析。结果显示,时空因子(年、下网时间、经度和纬度)和环境因子对越冬鳀资源密度的总偏差解释率为44.76%,其中,时空因子对其的影响均显著,以空间因子影响最大,对总偏差的解释率为35.4%;环境因子中,水深、海表温度和温度梯度对其影响显著,而叶绿素a浓度影响不显著;越冬鳀分布的最适海表温度、叶绿素a浓度和海表温度梯度范围分别为7~11℃、1.2~2.3 mg/m3和0.7~2.5℃。研究结果对环境变动下的渔业管理具有重要意义。     

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.     

基于不同模型研究环境因子对中西太平洋鲣资源丰度的影响

根据1998—2013年中西太平洋鲣(Katsuwonus pelamis)生产数据,选取时空因子(年、月、经纬度)和环境因子[海表面温度(SST)、海表面高度(SSH)、尼诺指数(ONI)和叶绿素a浓度]Chl-a)],通过两种不同的模型(广义加性模型GAM和提升回归树模型BRT)研究各因子对鲣资源丰度(以CPUE表示)的影响。研究结果认为,GAM模型中,经度对CPUE的影响最大,累计解释偏差超过50%,其次为纬度、年和月;在环境因子中,SSH最为重要,其次为ONI,而SST和Chl-a的影响相对较低。BRT模型分析结果与GAM分析结果类似,时空因子相对占据了重要的地位,其中经度的影响最大,其次为年、纬度和月;而在环境因子中,ONI的重要性相对更高,其次为SSH,SST和Chl-a同样影响较低。研究认为,两种模型均能较好地反映出因子对CPUE的影响。由于厄尔尼诺/拉尼娜现象引起的海洋环境变化会使鲣资源分布产生差异,因此在后续的渔情预报研究中,应该更多地考虑将ONI因子纳入渔情预报模型中,以提高预测精度。     

南太平洋长鳍金枪鱼延绳钓渔获率与环境因子的关系研究

为掌握不同水层的环境因子对长鳍金枪鱼(Thunnus alalunga)延绳钓渔获率的影响,根据2015-2017年中国大陆在该海域的长鳍金枪鱼延绳钓渔捞日志资料,结合同期海洋环境数据,采用广义可加模型(Generalized additive model,GAM)对渔获率与各因子的关系进行研究。通过相关分析获取各环境因子相关系数,对相关性较大的环境因子分组建模。结果表明:1)海表面温度与120 m水深温度、海表面温度与海表面高度、120 m水深温度与海表面高度、300 m水深温度与300 m水深盐度为高度相关因子,海表面盐度、叶绿素a浓度、海表风场南北分量与其他环境因子之间的相关性均较小;2)模型的总解释偏差介于30%~40%,各环境因子重要性依次为120 m水深温度、海表温度、300 m水深温度、120 m水深盐度、海表面高度、300 m水深盐度、海表盐度、混合层深度、海面风场南北分量、海面风场东西分量、叶绿素a浓度;3)120 m水深温度与单位捕捞努力渔获量(CPUE)在15~30℃呈负相关。海表温度整体趋势与120 m水深温度类似,其中在25~28℃呈正相关。300 m水深温度与CPUE在10~18℃呈现明显的正效应关系。     

2011～2012年东南太平洋智利竹鱼CPUE的时空变化及其与捕捞因子关系

根据2011和2012年东南太平洋智利竹鱼(Trachurus murphyi)的渔业生产统计数据,利用广义可加模型(GAM)分析了智利竹鱼资源的时空变动及其与捕捞因子的关系。结果表明:GAM模型对单位捕捞努力量渔获量(CPUE)总偏差解释率为24.173%,其中贡献最大的是拖网时间,贡献率为13.758%。东南太平洋智利竹鱼作业渔场主要集中在35.5°~46°S、80°~91°W和25°~28.2°S、74°~76.5°W范围内;最佳捕捞时间为4月、8~11月;最佳拖网时间为8~10 h;最佳的网位为0~40 m;最佳的网口高度为72~95 m。逐步建模法结果显示,影响智利竹鱼CPUE的因子按重要性程度从高到低依次为拖网时间、网位、网口高度、月份、纬度、经度、曳纲长度、网口水平扩张。     

基于GLM和GAM的日本鲭太平洋群体补充量与产卵场影响因子关系分析

依据日本渔业机构提供的1980—2016年日本鲭太平洋群体资源丰度(补充量和亲体量)数据,对补充量的自然对数进行正态性检验,通过正态性检验的时间为1980—1999年,再结合产卵场海洋环境数据,利用广义线性模型(GLM)和广义加性模型(GAM)对1980—1999年日本鲭太平洋群体产卵场的海表面高度(sea surface height,SSH)、海表面盐度(sea surface salinity,SSS)、海表面温度(sea surface temperature,SST)、亲体量[ln(spawning stock biomass),ln(SSB)]与补充量之间的关系进行研究。GLM模型结果显示,考虑因子的综合效应,影响程度依次为ln(SSB)×年、ln(SSB)、SSS×年、SSS对补充量的影响最显著;考虑单因子对补充量的影响,影响程度依次为产卵场SST、SSH、年份、ln(SSB)和SSS。GAM模型研究表明,基于赤池信息准则,包含年份、产卵场SST和SSH的GAM模型为最优模型,模型中各因子的影响程度由大到小依次为年份、产卵场SST、产卵场SSH;考虑单因子对补充量的影响,...     

Standardizing catch and effort data of the Taiwanese distant-water longline fishery in the western and central Pacific Ocean for bigeye tuna, Thunnus obesus

Catch per unit effort (CPUE) is often used as an index of relative abundance in fisheries stock assessments. However, the trends in nominal CPUE can be influenced by many factors in addition to stock abundance, including the choice of fishing location and target species, and environmental conditions. Consequently, catch and effort data are usually ‘standardized’ to remove the impact of such factors. Standardized CPUE for bigeye tuna, Thunnus obesus, caught by the Taiwanese distant-water longline fishery in the western and central Pacific Ocean (WCPO) for 1964–2004 were derived using three alternative approaches (GLM, GAM and the delta approach), and sensitivity was explored to whether catch-rates of yellowfin tuna and albacore tuna are included in the analyses. Year, latitude, and the catch-rate of yellowfin explained the most of the deviance (32–49%, depending on model configuration) and were identified consistently among methods, while trends in standardized catch-rate differed spatially. However, the trends in standardized catch-rates by area were found to be relatively insensitive to the approach used for standardization, including whether the catch-rates of yellowfin and albacore were included in the analyses.     

基于贝叶斯Schaefer模型的西北太平洋秋刀鱼资源评估和管理

秋刀鱼(Cololabis saira)是西北太平洋温带海域的主要捕捞对象之一,也是西北太平洋渔业重要的组成部分。本研究根据北太平洋渔业委员会(NPFC)统计的2003～2017年渔获量数据以及中国秋刀鱼组织提交的单位捕捞努力渔获量数据(Catch per unit effort, CPUE),基于贝叶斯Schaefer剩余产量模型,分基准方案和敏感性分析方案对西北太平洋秋刀鱼资源状况进行了评估,并对其管理策略做了风险分析。结果显示,基准方案和敏感性分析方案下模型参数预测值以及生物学参考点估计值比较相近。在基准方案下,估算的最大可持续产量(Maximumsustainableyield,MSY)为75.26×10~4t,最大可持续产量的资源量BMSY为240.14×10~4t,此时的捕捞死亡率为0.32。在敏感性分析方案下,估算的最大的可持续产量MSY为70.03×104t,最大可持续产量的资源量BMSY为232.53×104t,此时的捕捞死亡率为0.31。该海域秋刀鱼资源状况良好,未经受过度捕捞。风险评估分析表明,为使秋刀鱼资源可持续利用,需将捕获率设定在0.3左右。     

基于GAM和权重分析的西北太平洋秋刀鱼渔情预报研究

为了提高秋刀鱼(Cololabis saira)渔情预报模型的时空分辨率,提升生产经济效益,本研究基于2013-2016年7-11月中国在西北太平洋公海的秋刀鱼生产数据及海洋环境数据,利用广义可加模型(generalized additive models,GAM)分别拟合单位捕捞努力量渔获量(catch per un...     

西北太平洋秋刀鱼舷提网捕捞技术

自2003年我国大陆成功开发了西北太平洋秋刀鱼渔场之后，秋刀鱼已逐步进入中国大陆市场。对于秋刀鱼捕捞技术，在历经刺网、围网等渔具后，现基本以舷提网捕捞作业为主。根据2004年6—10月大连“国际903”号生产调查船在西北太平洋海域进行探捕调查的生产情况，对秋刀鱼舷提网的捕捞技术，从渔捞设备至捕捞具体操作技术进行介绍。     

GLMs, GAMs and GLMMs: an overview of theory for applications in fisheries research

This paper provides an overview of the modelling process using generalized linear models (GLMs), generalized additive models (GAMs) and generalized linear mixed models (GLMMs), especially as they are applied within fisheries research. We describe the essential aspect of model interpretation and construction so as to achieve its correct application. We start with the simplest models and show the progression from GLMs to either GAMs or GLMMs. Although this is not a comprehensive review, we emphasise topics relevant to fisheries science such as transformation options, link functions, adding model flexibility through splines, and using random and fixed effects. We finish by discussing the various aspects of these models and their variants, and provide a view on their relative benefits to fisheries research.     

Impacts of changing spatial scales on CPUE–factor relationships of Ommastrephes bartramii in the northwest Pacific

The selection of spatial scales is of particular importance in modeling relationships between fishery abundance and its influencing factors, because these relationships are significantly affected by spatial scale. Here, we explore the spatial scale effects of catch per unit effort (CPUE)–factor relationships for Ommastrephes bartramii in the northwest Pacific. The original commercial fishery data and oceanographic factors were tessellated to 12 spatial scales from 5′ to 60′ with an interval of 5′. Under the original scale and 12 tessellated scales, we constructed the generalized additive models (GAMs) to model the relationships between the O. bartramii CPUE and the influencing factors, including Year, Month, Latitude (Lat), Longitude (Lon), sea surface salinity (SSS), sea surface temperature (SST), sea surface chlorophyll‐a (Chl‐a) concentration, and sea surface height (SSH). Our multi‐scale analysis showed that the relationships are sensitive to spatial scales. Among the factors, Year, Month, and SSS share quadratic polynomial scaling relations; Lat, SST, and Chl‐a illustrate power law scaling relations; Lon has a linear scaling relation; and SSH presents an exponential scaling relation. Considering the scale sensitivity of the factor sort‐order and the accumulation of explained residual deviance in GAM, we suggest 30′–45′ as the optimal range of spatial scales for analyzing the CPUE–factor relationships for O. bartramii. Our research improves understanding of the impacts of changing scales in fisheries and provides a potential method for the selection of a suitable spatial scale for fisheries analysis and resource surveying.     

Incorporating spatial autocorrelation into the general linear model with an application to the yellowfin tuna (Thunnus albacares) longline CPUE data

Catch-per-unit-effort (CPUE) data have often been used to obtain a relative index of the abundance of a fish stock by standardizing nominal CPUE using various statistical methods. The theory underlying most of these methods assumes the independence of the observed CPUEs. This assumption is invalid for a fish population because of their spatial autocorrelation. To overcome this problem, we incorporated spatial autocorrelation into the standard general linear model (GLM). We also incorporated into it a habitat-based model (HBM), to reflect, more effectively, the vertical distributions of tuna. As a case study, we fitted both the standard-GLM and spatial-GLM (with or without HBM) to the yellowfin tuna CPUE data of the Japanese longline fisheries in the Indian Ocean. Four distance models (Gaussian, exponential, linear and spherical) were examined for spatial autocorrelation. We found that the spatial-GLMs always produced the best goodness-of-fit to the data and gave more realistic estimates of the variances of the parameters, and that HBM-based GLMs always produced better goodness-of-fit to the data than those without. Of the four distance models, the Gaussian model performed the best. The point estimates of the relative indices of the abundance of yellowfin tuna differed slightly between standard and spatial GLMs, while their 95% confidence intervals from the spatial-GLMs were larger than those from the standard-GLM. Therefore, spatial-GLMs yield more robust estimates of the relative indices of the abundance of yellowfin tuna, especially when the nominal CPUEs are strongly spatially autocorrelated.