基于產卵場環境因子的阿根廷滑柔魚資源補充量預報模型研究

汪金濤，高峰，2，3，雷林，2，3，官文江，2，3，陳新軍，2，3*

（1.上海海洋大學海洋科學學院，上海 201306；2.大洋漁業資源可持續開發省部共建教育部重點實驗室，上海 201306；3.上海海洋大學國家遠洋漁業工程技術研究中心，上海 201306）

基于產卵場環境因子的阿根廷滑柔魚資源補充量預報模型研究

汪金濤1，高峰1，2，3，雷林1，2，3，官文江1，2，3，陳新軍1，2，3*

（1.上海海洋大學海洋科學學院，上海 201306；2.大洋漁業資源可持續開發省部共建教育部重點實驗室，上海 201306；3.上海海洋大學國家遠洋漁業工程技術研究中心，上海 201306）

西南大西洋阿根廷滑柔魚Illex argentinus是短生命周期種類，其資源量極易受到海洋環境變化的影響。根據2003—2011年我國魷釣船隊在西南大西洋的生產統計數據，以及產卵場海洋表面溫度（SST）、海表溫度距平值（SSTA），計算分析了阿根廷滑柔魚在產卵期產卵場各月最適表層水溫范圍占總面積的比例（用PS表示）以及表征海流強度的SST、SSTA等多種環境變量因子與單位捕撈量漁獲量（CPUE）的相關性，建立多種基于主要環境因子的資源補充量預報模型，同時分析比較預報模型的優劣。相關性分析表明：6月份有3片連續區域的SST與CPUE之間存在強相關性，分別為38°～39°S、54°～55°W，40.5°～41.5°S、51°～52°W，39.9°～40.4°S、42.6°～43.1°W。利用6月份此3片連續區域SST與次年CPUE建立的三元線性模型，模型符合統計檢驗，偏差解釋率為82.4%。在此基礎上加入7月份PS影響因子建立3種方案下的誤差反向傳播（EBP）神經網絡模型。結果認為，包含了福克蘭寒流與巴西暖流表溫信息的方案3模型優于其他兩種模型，其準確率可以達到90%以上。

西南大西洋；阿根廷滑柔魚；補充量預報；神經網絡

1 引言

阿根廷滑柔魚Illex argentinus廣泛分布于西南大西洋22°～54°S的大陸架和陸坡，其中以35°～52°S的大陸架尤為豐富，具有分布廣、產量高、波動大的特點［1—2］，是目前世界范圍內最為重要的已開發頭足類資源之一，也是中國大陸及臺灣地區魷釣漁業重要的捕撈種類之一［1］。資源量預報屬于漁情預報中長期預報的一種，對資源補充量進行精確的預報是漁業進行科學管理、合理開發的關鍵［3］。目前，有關阿根廷滑柔魚的研究多集中在滑柔魚漁場變化與海洋環境之間的關系［4—7］，而有關資源補充量預報則較少研究。例如，Waluda等［8］假設在產卵海域（49°～61°W、32°～39°S）產卵月（6—7月），阿根廷滑柔魚最適表溫溫度（16～18℃）海域面積占全部產卵海域面積比例越大，次年的阿根廷滑柔魚資源豐度越豐富；陸化杰［9］假設阿根廷滑柔魚產卵海域為40°～42°S、56°～58°W，認為6月份產卵場高于10℃、SSTA大于0℃，次年的滑柔魚資源補充量會相對較高，而當6月份SST低于10℃、SSTA小于0℃，次年的資源補充量應可能會較低。當年的6月份SST和SSTA與次年的CPUE基本成正相關。以上的研究都是使用名義CPUE作為資源豐度指標，由于在福克蘭海域作業漁船的功率大小、船長水平、集魚燈功率等不同，名義CPUE可能反映不了其真實的資源豐度水平。為此，本文在前人研究的基礎上用GLBM（Generalized Linear Bayesian Models）模型標準化后的CPUE作為資源豐度指標，通過產卵場表溫及其距平均值與CPUE的相關性分析找出影響資源豐度關鍵海域，利用關鍵海域的表溫及其距平均值、適宜表溫所占海域面積等因子作為影響資源豐度的環境指標，試圖建立不同環境影響因子與資源豐度之間的預報模型，為西南大西洋海域滑柔魚的科學管理與生產提供參考依據。

2 材料與方法

2.1 材料來源

阿根廷滑柔魚冬季產卵群體是主要的商業捕撈對象［10］，2003—2011年我國魷釣船隊在西南大西洋的生產數據來自上海海洋大學魷釣技術組，并假設捕獲的群體全部是冬季產卵群。海表溫度數據來自http：／／oceanwatch.pifsc.noaa.gov／las／servlets／dataset，時間分辨率月，空間分辨率為經緯度0.1°×0.1°；海表溫度異常數據來自http：／／iridl.ldeo.columbia. edu，時間分辨率月，空間分辨率為經緯度0.5°×0.5°。海表溫度數據和海表溫度異常數據的經緯度范圍均是40°W～65°W、30°S～45°S。

2.2 研究方法

2.2.1 CPUE計算

計算每年單船平均日產量CPUE（t／d），并用GLBM模型進行了標準化處理［9］，標準化后的CPUE作為西南大西洋阿根廷滑柔魚資源豐度指數。

2.2.2 影響因子選取

前人研究表明，40°W～65°W、30°S～45°S海域通常被認為是西南大西洋阿根廷滑柔魚的產卵場［11—12］。在產卵月份（6—8月），計算分析每點SST、SSTA組成的時間序列值與來年CPUE組成的時間序列值的相關性，選取相關性高海域的SST、SSTA作為阿根廷滑柔魚補充量的影響因子。

計算產卵場最適表層水溫范圍占產卵場總面積的比例是衡量產卵場棲息地環境優劣的重要方法之一［8］。根據Waluda等［8］研究，將SST為16～18℃定義為產卵場最適表溫，計算最適表層水溫范圍占產卵場總面積的比例（PS），用PS表達產卵場棲息環境的適宜程度。因此選定PS為滑柔魚補充量的影響因子，計算分析PS組成的時間序列值與來年CPUE組成的時間序列值的相關性。

2.2.3 預報模型建立

（1）線性預報模型

根據2.2.2的相關性分析，建立影響滑柔魚資源補充量的顯著相關因子與CPUE之間的多元線性模型。

（2）EBP神經網絡預報模型

誤差反向傳播神經網絡（Error Backpropagation Network，EBP）屬于多層前向神經網絡，采用誤差反向傳播的監督算法，能夠學習和存儲大量的模式映射關系，已被廣泛應用于各個領域［13—14］。

EBP神經網絡的建立在matlab軟件中完成，首先對樣本進行歸一化處理，使樣本處在0～1間。使用神經網絡工具箱的擬合工具，將2003—2010年的歸一化樣本作為訓練樣本，2011年的歸一化樣本作為驗證樣本。網絡設計的參數為：輸入層神經元個數根據2.2.2選定的顯著相關因子和PS的組合而決定，輸出層神經元1個為CPUE，隱含層神經元個數根據經驗公式得到［15—16］。學習速率為0.1，動量參數為0.5。網絡訓練的終止參數為：最大訓練批次100次，最大誤差給定0.001。模型經多次訓練，取最優結果，同時防止過擬合狀態的出現［17］。

EBP模型以均方誤差（MSE）作為判斷最優模型的標準。擬合殘差是將預報值與實際值進行比較所得，其函數定義式為：

式中yk為CPUE的實際值，k為CPUE的預報值。

3 結果

3.1 年CPUE變化趨勢

用GLBM模型標準化后的CPUE顯示（見圖1），2003—2011年CPUE年間波動較大，CPUE較低年份出現在2006年和2007年，最低年份為2006年的5.46 t／d，CPUE最高年份出現在2009年為9.29 t／d，其余年份CPUE均在平均值上下波動。

圖1 2003—2011年阿根廷滑柔魚CPUE變化趨勢Fig.1 CPUE ofIllex argentinusfrom 2003 to 2011

3.2 相關性分析及關鍵區域選擇

在產卵月份（6—8月）產卵場區域內（30°～45°S、40°～65°W），6—8月份各月每一個0.1°×0.1°的SST與次年CPUE作相關性分析，發現6月份SST有3片連續區域與次年CPUE呈顯著相關（表1、圖2），分別為區域一（Area 1）的分布范圍是38°～39°S、54°～55°W，區域二（Area 2）的分布范圍是40.5°～41.5°S、51°～52°W，區域三（Area 3）的范圍是39.9°～40.4°S、42.6°～43.1°W。6—8月份各月每一個0.5°×0.5°的SSTA沒有與次年CPUE呈顯著相關的連續區域。PS時間序列與CPUE時間序列相關性分析表明（見表2），6—8月份最適表層水溫范圍占產卵場總面積的比例與次年CPUE之間不存在顯著相關性。Area 3

表1 6月份關鍵區域SST與次年CPUE相關性分析參數Tab.1 Correlation analysis parameters between SST in key areas and CPUE in Jun

圖2 與CPUE顯著相關的關鍵區域及其海表溫度（℃）分布Fig.2 Tke key areas significantly associated with CPUE and its SST（℃）

表2 產卵場最適表溫分為PS與次年CPUE相關性分析參數Tab.2 Correlation analysis between favorableSSTin the spawning ground（PS）and CPUE of the next year

3.3 預報模型實現及結果比較

3.3.1 線性預報模型

根據2.2的結果，利用選定的6月份3片連續區域表溫與次年CPUE（t／d）組成的樣本建立多元線性模型，其方程為：

其相關系數R為0.943（p=0.007＜0.05）。

3.3.2 EBP預報模型

利用選定的6月份3片連續區域表溫和7月份PS不同組合作為EBP預報模型的輸入因子，構造多種EBP預報模型，分別是：

方案1：選取區域一表溫、區域三表溫、PS共3個因子作為輸入層，構造3∶4∶1的EBP網絡結構。

方案2：選取區域二表溫、區域三表溫、PS共3個因子作為輸入層，構造3∶4∶1的EBP網格結構。

方案3：選取區域一表溫、區域二表溫、區域三表溫、Ps共4個因子作為輸入層，構造4∶5∶1的EBP網絡結構。

利用matlab進行計算，獲得了3種方案下的均方誤差（圖3）。由圖3可知，方案3的均方誤差最小，其準確率為96.4%。

圖3 不同神經網絡模型的模擬結果Fig.3 The simulation results of different neural network models

4 討論與分析

阿根廷滑柔魚由于其獨特的生物學特性，其資源補充量的多少與其產卵場棲息環境密切相關。通常認為，巴西暖流與福克蘭寒流匯合海域，營養鹽豐富，是阿根廷滑柔魚重要的餌料場，也是促使阿根廷滑柔魚穿越整個大陸架及大陸坡海域洄游至該海域的重要動力［18］。已有的研究表明［4—5，19—20］，利用產卵場海表溫度和海表溫度異常數據來預報福克蘭海域內的冬生群的資源補充量是可行的。在本文所選擇的關鍵區域中，用2002—2010年這些海漁的表溫疊加后發現（見圖2），區域一的表溫可以表征福克蘭寒流對阿根廷滑柔魚資源補充量影響的強弱，區域二的表溫可以表征巴西暖流對阿根廷滑柔魚資源補充量影響的強弱，這兩處表溫高低與兩股海流的相對強弱密切相關，影響阿根廷滑柔魚產卵環境，進而影響到次年阿根廷滑柔魚的資源補充量。

本文經過相關性分析，表明只有6月份SST存在3片連續區域與次年CPUE存在顯著相關性，而SSTA和PS與次年CPUE不存在顯著相關性。這與陸化杰［9］、Waluda等［8］的研究結果不盡相同。分析其原因可能有兩點：（1）生產統計數據來源不同，中國大陸的魷釣船都在阿根廷經濟專屬區線外生產，有可能導致CPUE的變化趨勢有所差異；（2）CPUE計算方式不同，本文使用的是經GLBM模型標準化后的CPUE，這更能反映阿根廷滑柔魚資源的真實狀況。

本文建立多元線性模型所用數據樣本都是經過相關性分析得到的與CPUE呈顯著相關的數據，模型符合統計檢驗，解釋率為82.4%，優于文獻［5］的用一個假設的關鍵區域（40°～42°S、56°～58°W）數據所建立線性模型。對于3種方案下EBP神經網絡模型，方案3模型包含了福克蘭寒流與巴西暖流兩股海流的表溫信息，明顯優于方案1和方案2包含的一股海流表溫信息的模型。

阿根廷滑柔魚的資源補充量預報是一件極其復雜的系統工作，在其早期生活階段不僅僅受到海域環境因素的影響［8］，還受到來自外部和內部的捕食者的影響［9］，利用其早期生活階段海域環境因素進行資源量評估只是其中一種重要方法。但今后需要結合物理海洋學、生態系統動力學等，綜合其個體的生長、死亡等因素以及海流、初級生產力等因子，建立更為全面、科學的阿根廷滑柔魚資源補充量預測模型，為阿根廷滑柔魚資源合理利用和科學管理提供依據。

參考文獻：

［1］ 王堯耕，陳新軍.世界大洋性經濟柔魚類資源及其漁業［M］.北京：海洋出版社，2005.

［2］ Chen X J，Liu B L，Chen Y.A review of the development of Chinese distant-water squid jigging fisherie［J］.Fisheries Research，2008，89（3）：211 -221.

［3］ 陳新軍.漁業資源與漁場學［M］.北京：海洋出版社，2004.

［4］ 陳新軍，劉必林，王躍中.2000年西南大西洋阿根廷滑柔魚產量分布及其與表溫關系的初步研究［J］.湛江海洋大學學報，2005，25（1）：29-34.

［5］ 劉必林，陳新軍.2001年西南大西洋阿根廷滑柔魚產量分布及其與表溫關系的初步研究［J］.海洋漁業，2004，26（4）：326-330.

［6］ 陸化杰，陳新軍.2006年西南大西洋魷釣漁場與表溫和海面高度距平值的關系［J］.大連水產學報，2008，23（3）：230-234.

［7］ 張煒，張健.西南大西洋阿根廷滑柔魚漁場與主要海洋環境因子關系探討［J］.上海水產大學學報，2008，17（4）：471-475.

［8］ Waluda C，Rodhouse P，PodestáG，et al.Surface oceanography of the inferred hatching grounds ofIllex argentinus（Cephalopoda：Ommastrephidae）and influences on recruitment variability［J］.Marine Biology，2001，139（4）：671-679.

［9］ 陸化杰.西南大西洋阿根廷滑柔魚漁業生物學及資源評估［D］.上海：上海海洋大學，2012.

［10］ Brunetti N E，Ivanovic M L.Distribution and abundance of early life stages of squid（Illex argentinus）in the southwest Atlantic［J］.Journal of Marine Science，1992，49：175-183.

［11］ Csirke J.The Patagonian fishery resources and the offshore fisheries in the South-West Atlantic［C］.FAO Fisheries Technical Paper，1987.

［12］ Basson M，Beddinton J R，Crombile J A，et al.Assessment and management of annual squid stocks：theIllex argentinusin the Southwest Atlantic as an example［J］.Fisheries Research，1996，28：3-29.

［13］ Benediktsson J A，Swain P H，Ersoy O K.Neural network approaches versus statistical methods in classification of multisource remote sensing data［J］.IEEE Transactions on Geoscience and Remote Sensing，1990，28（4）：540-552.

［14］ Hush D R，Horne B G.Progress in supervised neural networks［J］.IEEE Signal Processing Magazine，1993，10（1）：8-39.

［15］ 劉剛.一種綜合改進的BP神經網絡及其實現［J］.武漢理工大學學報，2002，24（10）：57-60.

［16］ 呂硯山，趙正琦.BP神經網絡的優化及應用研究［J］.北京化工大學學報，2001，28（1）：67-69.

［17］ 金龍，況雪源，黃海洪，等.人工神經網絡預報模型的過擬合研究［J］.氣象學報，2004，62（1）：62-70.

［18］ O'Dor R K.Big squid in big currents［J］.South African Journal of Marine Science，1992，12（1）：225-235.

［19］ Boyle P R.Cephalopod biology in the fisheries context［J］.Fisheries Research，1990，8（4）：303-321.

［20］ 曹杰.西北太平洋柔魚資源評估與管理［D］.上海：上海海洋大學，2010.

Study on forecasting model of recruitment for Illex argentinus
by using the environmental factors in the spawning ground

Wang Jintao1，Gao Feng1，2，3，Lei Lin1，2，3，Guan Wenjiang1，2，3，Chen Xinjun1，2，3

（1.College of Marine Sciences of Shanghai Ocean University，Shanghai 201306，China；2.The Key Laboratory of Sustainable Exploitation of Oceanic Fisheries Resources，Ministry of Education，Shanghai 201306，China；3.National Distant-water Fisheries Engineering Research Center，Shanghai Ocean University，Shanghai 201306，China）

Illex argentinus isshort-life cycle squid and is sensitive responding to environment changes with great abundance fluctuations.In this study，according to the fishing production data from Chinese mainland squid jigging fleets from 2003 to 2011 in the southwest Atlantic，combined with sea surface temperature（SST）and sea surface temperature anomaly（SSTA）in the spawning ground，the relationships between the area occupied by favorable SST（defined as those with temperatures in the range from 16℃to 18℃，expressed byPS），current strength（Characterized by SST，SSTA）and catch per unit effort（CPUE）were calculated and analyzed by different methods，and then the forecasting model of resources recruitment based on the above environmental factors were established.The results indicated that there are significant correlations between CPUE and SST at three key areas onJune.The key areas are as follows：38°-39°S and 54°-55°W，40.5°-41.5°S and 51°-52°W，39.9°-40.4°S and 42.6°-43.1°W，respectively.A multivariate linear model between the SST in three key areas and CPUE of the next year is established（p＜0.05）.The other models by using Error Backpropagation Network（EBP）were also developed，which included SST in three key areas and Ps on July.It is found that the model with SST in the key areas indicationg Falkland current and Brazil current is better than the other models，the forecasting accuracy rate was more than 90%.

southwest Atlantic；Illex argentinus；forecasting resources recruitment；neural network

S931.41

A

0253-4193（2014）12-0119-06

汪金濤，高峰，雷林，等.基于產卵場環境因子的阿根廷滑柔魚資源補充量預報模型研究［J］.海洋學報，2014，36（12）：119—124，

10.3969／j.issn.0253-4193.2014.12.012

Wang Jintao，Gao Feng，Lei Lin，et al.Study on forecasting model of recruitment forIllex argentinusby using the environmental factors in the spawning ground［J］.Acta Oceanologica Sinica（in Chinese），2014，36（12）：119—124，doi：10.3969／j.issn.0253-4193.2014.12.012

2013-12-09；

2013-12-27。

國家863計劃（2012AA092303）；國家發改委產業化專項（2159999）；上海市科技創新行動計劃（12231203900）；國家科技支撐計劃（2013BAD13B01）。

汪金濤（1987-），男，安徽省安慶市人，博士生，從事漁業資源學研究。E-mail：wangjintao0510＠163.com

*通信作者：陳新軍（1967—），男，教授。E-mail：xjchen＠shou.edu.cn