基于神經網絡的南太平洋長鰭金槍魚漁場預報

毛江美，陳新軍，余景

(1. 上海海洋大學 海洋科學學院，上海 201306； 2. 上海海洋大學 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.國家遠洋漁業工程技術研究中心，上海 201306；4. 中國水產科學研究院 南海水產研究所，廣東 廣州 510300)

?

基于神經網絡的南太平洋長鰭金槍魚漁場預報

毛江美1，4，陳新軍1，2，3*，余景4

(1. 上海海洋大學 海洋科學學院，上海 201306； 2. 上海海洋大學 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.國家遠洋漁業工程技術研究中心，上海 201306；4. 中國水產科學研究院 南海水產研究所，廣東 廣州 510300)

南太平洋長鰭金槍魚是我國遠洋漁業的重點捕撈對象，對南太平洋長鰭金槍魚進行準確的漁場預報，可以提高捕撈效率，提高漁業的生產能力。本研究根據1993-2010年南太平洋長鰭金槍魚的延繩釣生產數據以及海洋衛星遙感數據(海水表面溫度，SST；海面高度，SSH)和ENSO(El Nio-Southern Oscillation)指標，采用DPS(data processing system)數據處理系統中的BP人工神經網絡模型，以漁獲產量(單位時間的漁獲尾數)和單位捕撈努力量漁獲量(CPUE， Catch per unit of effort)分別作為中心漁場的表征因子，并作為BP模型的輸出因子，以月、經度、緯度、SST、SSH和ENSO指標等作為輸入因子，分別構建4-3-1，5-4-1，5-3-1，6-5-1，6-4-1，6-3-1等BP模型結構，比較漁場預報模型優劣。研究結果表明，以CPUE作為輸出因子的BP人工神經網絡結構總體上較優，其中以6-4-1模型結構為最優，相對誤差只有0.006 41。研究認為，以CPUE為輸出因子的6-4-1結構的人工神經網絡模型，能夠準確預報南太平洋長鰭金槍魚的漁場位置。

長鰭金槍魚；神經網絡；CPUE；中心漁場；南太平洋

1　引言

長鰭金槍魚(Thunnusalalunga)屬于溫帶大洋性魚種，具有高度的集群性和洄游性[1]。魚類的洄游，繁殖、生長等與海洋環境要素密切相關。南太平洋長鰭金槍魚是中國遠洋漁業的主要捕撈魚種之一，捕撈作業主要集中在斐濟和瓦努阿圖附近的海域[1]，開展南太平洋長鰭金槍魚中心漁場的預報，可提高捕撈效率，減少燃料成本，以此提高漁業的生產能力。Murray[2]指出，南太平洋長鰭金槍魚主要分布在水深200～300 m的冷暖水溫交匯處。陳鋒等[3]認為南太平洋長鰭金槍魚與主要分布在水溫9～20℃范圍內。樊偉等[4]將南太平洋長鰭金槍魚的漁獲產量和海表溫度等進行相關研究，指出南太平洋長鰭金槍魚主要分布在10°S附近和25°～30°S之間。人工神經網絡由于其強大的自組織學習能力而被廣泛應用，在海洋漁業領域也有較好的應用。本研究根據1993—2010年南太平洋長鰭金槍魚的延繩釣生產數據以及海洋環境數據，利用人工神經網絡模型來建立不同的中心漁場預報模型，為南太平洋長鰭金槍魚科學生產提供依據。

2　數據與方法

2.1數據及其預處理

2.1.1數據來源

南太平洋金槍魚延繩釣生產數據來自南太平洋論壇，時間分辨率為月份，空間分辨率經緯度為5°×5°，延繩釣生產數據包括月份、放鉤數、漁獲產量(尾數)，時間均為1993-2010年1-12月。海表面溫度(SST)來自http://poet.jpl.nasa.gov/；海表面高度(SSH)來自http://iridl.ldeo.columbia.edu/docfind/databrief/cat-ocean.html網站，數據空間分辨率為0.5°×0.5°。ENSO指數(厄爾尼諾-南方濤動)采用Nio3.4區海表溫度距平值(SSTA)來表示，時間單位為月，數據來源于http://www.cpc.ncep.noaa.gov．

2.1.2數據預處理

(1)漁獲產量初值化計算

以生產數據中的漁獲尾數作為漁獲產量，由于不同的月份、經緯度之間，漁獲產量差異較大，因此在建模過程中，對漁獲尾數進行初值化處理。初值化的方法是：找出每個月份的漁獲尾數的最大值，并用每個月份的值除以其對應月份的最大值，這樣得到的初值化結果為0～1之間，由此認為1是南太平洋長鰭金槍魚的最優漁場，0是最不適的漁場。

(2)CPUE初值化計算

CPUE為單位努力量漁獲量(即漁獲尾數每千鉤數)，是衡量資源豐度的重要指標，代表南太平洋長鰭金槍魚的資源豐度指標[5]。假設認為，CPUE為0是南太平洋長鰭金槍魚的最不適漁場，1為最適漁場。CPUE計算及初值化方法：利用漁獲尾數除以相對應的放鉤數(千鉤數)，得到相應的CPUE值。找出每月份CPUE的最大值，每月CPUE值除以CPUE最大值，得到初值化后的CPUE，統一轉化為0～1之間。

(3)樣本組成

按照時間、空間和海洋環境數據組成進行匹配組成樣本集。輸入變量為時間，空間數據，海洋環境數據(包括海表溫度SST，海面高度SSH，ENSO3.4區海表指標)，輸出變量分別為經過初值化后的漁獲尾數和CPUE，以此作為中心漁場的指標。

2.2模型方法

2.2.1神經網絡模型

人工神經網絡法是一種由大量簡單處理單元(神經元)以某種方式互相連接而成的，對連續的或斷續的輸入做出狀態響應的動態信息處理系統，具有很好的自學習能力和很強的泛化和容錯能力[6]。研究采用神經網絡中的誤差反向傳播網絡(error backpropagation network， EBP)[7]，簡稱BP模型，主要由輸入層，隱含層和輸出層組成。BP算法主要包括學習過程的正向傳播和反向傳播兩個過程組成。正向傳播過程是樣本從輸入層進入，經過隱含層的處理，傳向輸出層。如果輸出層的實際值與期望值之間誤差過大，那么則轉向誤差的反傳向階段。反向傳播過程則是從輸出層到隱含層的過程，在傳播的過程中，將誤差分攤給各層的節點，獲得各層節點的誤差信號，將此誤差信號作為修正的依據。正向傳播與誤差的反向傳播都是周而復始進行的，權重在不斷的調整，直至模型可接受的誤差范圍內才結束[8]。

2.2.2建模方法

采用DPS數據處理系統來進行BP神經網絡的漁場預報模型的計算。輸入層為月份、緯度、經度以及SST、SSH、ENSO等海洋環境數據，隱含層為1層，隱含層的節點數根據輸入層選取因子數的不同而不同，輸出層分別為初值化后的漁獲尾數和初值化后的CPUE，將這兩類計算方法進行比較，選取最適合漁場預報的模型。以模型處理結果中的擬合殘差作為判斷最優模型的標準，擬合殘差越小，模型的效果也就最合適，漁場預報也就越準確。

(1) 將初值化后的漁獲尾數作為輸出層

方案1：選取月份、緯度、經度、SST為輸入層，構建4-3-1的BP神經網絡模型。

方案2：選取月份、緯度、經度、SST、SSH為輸入層，構建5-4-1和5-3-1的BP神經網絡模型。

方案3：選取月份、緯度、經度、SST、SSH、ENSO3.4區海表溫度異常值為輸入層，構建6-5-1、6-4-1和6-3-1的BP神經網絡模型。

(2) 將初值化后的CPUE作為輸出層

方案4：選取月份、緯度、經度、SST為輸入層，構建4-3-1的BP神經網絡模型。

方案5：選取月份、緯度、經度、SST、SSH為輸入層，構建5-4-1和5-3-1的BP神經網絡模型。

方案6：選取月份、緯度、經度、SST、SSH、ENSO3.4區海表溫度異常值為輸入層，構建6-5-1、6-4-1和6-3-1的BP神經網絡模型。

3　結果

3.1模型結果

方案1、方案2和方案3為以漁獲尾數初值化結果為輸出層的模型擬合情況。方案4、方案5和方案6為以CPUE初值化結果為輸出層的模型擬合情況。

3.1.1方案1模型結果

從圖1可知，BP神經網絡4-3-1結構中，擬合殘差總體上呈下降趨勢。擬合次數約為18次時，出現第一次急速減少；在擬合次數大約達到445次時，擬合殘差達到最小值，約為0.031 91。

圖1　基于漁獲尾數為輸出指標的4-3-1 BP網絡結構模型Fig.1　4-3-1 BP neural network based on output factors of fishing yield

圖2　基于漁獲尾數為輸出因子的5-4-1、5-3-1 BP神經網絡模型Fig.2　5-4-1 and 5-3-1 BP neural network based on output factors of fishing yield

圖3　基于漁獲尾數為輸出因子的6-5-1、6-4-1、6-3-1 BP神經網絡模型Fig.3　6-5-1， 6-4-1 and 6-3-1 BP neural network based on output factors of fishing yield

圖4　基于CPUE為輸出因子的4-3-1 BP神經網絡模型Fig.4　4-3-1 BP neural network based on output factors of CPUE

圖5　基于CPUE為輸出因子的5-4-1、5-3-1 BP神經網絡模型Fig.5　5-4-1 and 5-3-1 BP neural network based on output factors of CPUE

圖6　基于CPUE為輸出因子的6-5-1、6-4-1、6-3-1 BP神經網絡模型Fig.6　6-5-1， 6-4-1 and 6-3-1 BP neural network based on output factors of CPUE

3.1.2方案2模型結果

BP神經網絡結構為5-4-1時(圖2a)，在擬合次數約為17次時，擬合殘差第一次急速下降。當擬合次數大約為260次時，擬合殘差達到最小值，約為0.036 63。BP神經網絡結構5-3-1模型(圖2b)，擬合次數約為330次時，擬合殘差達到最小值，約為0.007 89。總體而言，擬合殘差隨著模擬次數的增加呈下降趨勢。

3.1.3方案3模型結果

BP神經網絡6-5-1結構時(圖3a)，其擬合殘差處于下降趨勢，在擬合次數約為610次時，擬合殘差為0.033 86，達到最小值。6-4-1結構(圖3b)的BP模型顯示出在擬合次數約為15次時，擬合殘差第一次下降，然后有一小段的回升，接著擬合殘差繼續下降，擬合次數約為740次時，擬合殘差達到最小值，約為0.032 72。6-3-1結構(圖3c)的BP模型模擬結果與6-4-1的模擬結果較為相似，都呈現先下降后回升接著有下降的趨勢，在擬合次數約為560時，其值達到擬合殘差最小值，為0.032 62。

3.1.4方案4模型結果

由圖4可知，在該模型框架下其擬合殘差值總體呈現下降的趨勢，在擬合次數約為460次時，擬合殘差值為0.008 60，到達擬合差的最小值，模型的最優效果。

3.1.5方案5模型結果

BP神經網絡結構5-4-1時(圖5a)，在擬合次數1～15左右，擬合殘差值急速下降，之后下降速度相對平緩，當擬合次數約為790次時，擬合殘差達到最小值，約為0.007 04。模型結構5-3-1(圖5b)的模擬結果表明，其殘差與5-4-1的模型結果趨勢相似，在擬合次數為400左右，達到擬合殘差最小值，為0.007 89。

3.1.6方案6模型結果

BP神經網絡為6-5-1結構模型(圖6a)，當其擬合次數約為15次時，擬合殘差快速下降；在擬合次數15～40之間，其殘差幾乎不變，之后擬合殘差緩慢下降，并在擬合次數約為560次時，達到最小值，為0.006 48。6-4-1結構模型(圖6b)和6-3-1(圖6c)模型結構與6-5-1模型結構相似，分別在擬合次數約為500次和420次時，擬合殘差達最小值，分別為0.006 41和0.006 91。

3.2不同輸出因子模型的比較及其最適模型的解釋

根據兩組不同輸出層變量的6種模型方案，以CPUE為輸出層的擬合效果最好，其擬合殘差范圍為0.006 41～0.008 60，平均值為0.007 22；而以漁獲尾數為輸出層的BP模型，其擬合殘差范圍為0.007 89～0.036 63，平均值為0.029 27。

最優BP模型的結構為6-4-1的模型，其模型的結構及其權重見表1。由表1可知，可分為第1隱含層各節點的權重矩陣和輸出層各節點的權重矩陣。權重矩陣大小、正負各不相同，非線性關系復雜，隱含層各節點的權重矩陣和輸出層各節點的權重矩陣并沒有明顯的定性關系。第1隱含層各節點的權重矩陣為6行4列。6行分別表示BP神經網絡結構中輸入因子變量：月份、緯度、經度、海表面溫度、海表面高度、ENSO指標。4列則表示神經網絡結構中隱含層的節點數為4。在BP神經網絡模型中，取權重的絕對值，無關正負，權重值越大，對模型的貢獻率就越大。如輸入層變量緯度權重絕對值為10.317 3、10.304 9等，權重越大，對模型擬合結果的貢獻也越大。

表16-4-1網絡結構模型第一隱含層各個節點權重矩陣和輸出層各節點權重矩陣

Tab.1　Matrix of each mode of the first hidden layer and output layer of 6-4-1 model

圖7　6-4-1結構的BP神經網絡結構圖Fig.7　6-1-4 BP neural network model1-6表示輸入層輸入變量，7-10表示各隱含層，11表示輸出層，1-6 is input factor， 7-10 is hidden layer， 11 is output factor

4　討論與分析

選取了漁獲尾數和CPUE分別作為輸出層，進行南太平洋長鰭金槍魚漁場預報。漁獲量和CPUE均可作為漁業資源豐度的指標。許多學者對此進行了相關研究。如閆敏等[1]研究了南太平洋長鰭金槍魚漁獲量和CPUE的時空分布關系，范江濤[9]在南太平洋長鰭金槍魚漁情預報研究中也引入了漁獲量與CPUE兩個漁業資源豐度指標。但是對于漁獲量和CPUE模型相比，哪個預報漁場更為準確，則較少提及。而根據DPS模型擬合結果，總體而言，CPUE漁場預報模型擬合的效果優于漁獲量模型擬合的效果。這可能是由于漁獲量為輸出層的模型擬合僅僅是把的漁獲量即漁獲尾數作為單一的指標，而CPUE代表的是單位捕撈努力量漁獲量，在漁獲量的基礎上，引入了捕撈所做的功，也就是捕撈所獲的的千鉤數。漁獲量(尾數)與千鉤數之比，即為CPUE。CPUE的影響因子更為豐富，代表性。因此，將CPUE作為DPS模型的輸出層，模型擬合效果比漁獲量的效果好，漁場預報的位置也就更為準確。

魚類的產卵、生長、成熟等生物學特征與海洋環境密切相關[10]。南太平洋長鰭金槍魚屬于大尺度洄游類魚種[11]。海洋環境要素對其影響更為重要，關乎長鰭金槍魚的親體補充量等。因此，有必要研究長鰭金槍魚與海洋環境要素的關系，從而為漁情預報提供基礎。DPS模型擬合所有結果中，現以CPUE作為輸出層的6-4-1的BP神經網絡模型擬合效果最好。擬合殘差達到最小值0.006 409。再結合表1的權重值，發現緯度、海表溫度和海平面高度權重總體而言比較大，說明輸入變量緯度、SST、SSH對模型有較大的貢獻率。由模型擬合的結果顯示，緯度與南太平長鰭金槍魚漁場的分布密切相關。這與大多數學者的研究相一致。閆敏等[1]在4°～16°S海域CPUE值相對較高，作業次數的百分比隨緯度的增加而明顯降低。16°～22°S的CPUE值變化不大，但作業次數的百分比隨緯度的增大而降低。劉洪生等[12]太平洋長鰭金槍魚的漁場研究顯示，長鰭金槍魚的漁場主要分布在10°～45°S的海域內。

魚類活動在很大程度上受到溫度的影響[10]。溫度直接或間接地影響魚場的分布，洄游的路線等[13]。國內外學者關于溫度對魚類行為方面進行眾多研究[14—16]，從權重值中也可以發現，溫度對權重值的影響較大而且各個節點的權重差距不大。都表明溫度是影響魚類行為和漁場分布的關鍵性環境因子之一。異常年份，受厄爾尼諾或拉尼娜現象的影響，海水溫度異常升高或降低，魚類的產卵、洄游路線、漁場分布等魚類行為也會隨環境的改變而變化。如，Lu等[17]研究表明，ENSO事件對長鰭金槍魚產量的影響具有滯后性。郭愛和陳新軍[18]認為厄爾尼諾與漁場資源豐度關系密切，ENSO年份內CPUE比正常年份偏高，CPUE的變化相對ENSO指數有1～2個月的滯后期。另外，長鰭金槍魚白天主要分布在90～150 m水層，因此長鰭金槍魚漁場空間分布還受大尺度海洋事件、厄爾尼諾-拉尼娜層水溫結構等因素的影響。海平面高度和渦旋流關系密切[19—21]上升流(冷渦)的形成能帶來豐富的營養餌料，食物來源豐富，金槍魚成活的概率大大提高[22]，也會對中心漁場的形成產生影響[23]。

溫度在魚類行為學中是重要的海洋環境因子之一。一方面，這并不代表將溫度作為單一的環境因子指標就可以準確的預報漁場；另一方面，應綜合考慮各種生產數據，如經緯度、月份等，以及海洋環境數據溫度、海面高度、ENSO指標。但是，也并不是生產統計以及海洋環境數據越多越好，本研究認為，BP神經網絡模型中，得到6-4-1的模型擬合效果最優。即結合生產數據和海洋環境數據，月份、緯度、經度、海表溫度、海面高度、ENSO指數，隱含層為1層的4為節點數的BP神經網絡模型，對南太平洋長鰭金槍魚的漁場預報最為準確。

[1]閆敏， 張衡， 樊偉， 等. 南太平洋長鰭金槍魚漁場CPUE時空分布及其與關鍵海洋環境因子的關系[J]. 生態學雜志， 2015， 34(11): 3191-3197.

Yan Min， Zhang Heng， Fan Wei， et al. Spatial-temporal CPUE profiles of the albacore tuna (Thunnusalalunga) and their relations to marine environmental factors in the South Pacific Ocean[J]. Chinese Journal of Ecology， 2015， 34(11): 3191-3197.

[2]Murray T. A review of the biology and fisheries for albacore，Thunnusalalunga， in the South Pacific Ocean[R]. FAO Fisheries Technical Paper. Rome: FAO， 1994.

[3]陳鋒， 郭愛， 周永東， 等. 南太平洋所羅門群島海域長鰭金槍魚的生物學特征[J]. 浙江海洋學院學報(自然科學版)， 2012， 31(2): 123-128.

Chen Feng， Guo Ai， Zhou Yongdong， et al. Preliminary study of fishery biology of Albacore，Thunnusalalunga， in Solomon Islands of the South Pacific Ocean[J]. Journal of Zhejiang Ocean University (Nature Science)， 2012， 31(2): 123-128.

[4]樊偉， 張晶， 周為峰. 南太平洋長鰭金槍魚延繩釣漁場與海水表層溫度的關系分析[J]. 大連水產學院學報， 2007， 22(5): 366-371.

Fan Wei， Zhang Jing， Zhou Weifeng. The relationship between longline albacoreThunnusalalungaand sea surface temperature in the South Pacific Ocean[J]. Journal of Dalian Fisheries University， 2007， 22(5): 366-371.

[5]徐潔， 陳新軍， 楊銘霞. 基于神經網絡的北太平洋柔魚漁場預報[J]. 上海海洋大學學報， 2013， 22(3): 432-438.

Xu Jie， Chen Xinjun， Yang Mingxia. Forecasting on fishing ground of red flying squid (ommastrephesbartramii) in the North Pacific Ocean based on artificial neural net[J]. Journal of Shanghai Ocean University， 2013， 22(3): 432-438.

[6]Hagan M T， Demuth H B， Beale M H. Neural Network Design[M]. Boston: PWS Publishing， 1996.

[7]蔣宗禮. 人工神經網絡導論[M]. 北京: 高等教育出版社， 2001: 1-250.

Jiang Zongli. Introduction to Aritificial Neural Networks[M]. Beijing: China Higher Education Press， 2001: 1-250.

[8]汪金濤， 高峰， 雷林， 等. 基于主成分和BP神經網絡的智利竹筴魚漁場預報模型研究[J]. 海洋學報， 2014， 36(8): 65-71.

Wang Jintao， Gao Feng， Lei Lin， et al. Application of BP neural network based on principal component analysis in fishing grounds of Chilean jack mackerel (Trachurusmurphyi) in the southeast Pacific Ocean[J]. Haiyang Xuebao， 2014， 36(8): 65-71.

[9]范江濤. 南太平洋長鰭金槍魚延繩釣漁業漁情預報研究[D]. 上海: 上海海洋大學， 2011.

Fan Jiangtao. Forecasting of fishing ground for Ablacore (Thunnusalalunga) in the South Pacific Ocean[D]. Shanghai: Shanghai Ocean University， 2011.

[10]陳新軍. 漁業資源與漁場學[M]. 北京: 海洋出版社， 2004.

Chen Xinjun. Fishery Resource Biology and Fishing[M]. Beijing: China Ocean Press， 2004.

[11]閆敏， 張衡， 伍玉梅， 等. 2011年南太平洋長鰭金槍魚漁場時空分布及其與主要海洋環境變化特征[J]. 漁業信息與戰略， 2015， 30(2): 119-127.

Yan Min， Zhang Heng， Wu Yumei， et al. Spatial-temporal distribution of CPUE and relations with marine environment for albacore (Thunnusalalunga) in the South Pacific in 2011[J]. Fishery Information & Strategy， 2015， 30(2): 119-127.

[12]劉洪生， 蔣漢凌， 戴小杰. 中西太平洋長鰭金槍魚漁場與海溫的關系[J]. 上海海洋大學學報， 2014， 23(4): 602-607.

Liu Hongsheng， Jiang Hanling， Dai Xiaojie. Relationship between albacore (Thunnusalalunga) fishing grounds in the western and central Pacific and sea surface temperature[J]. Journal of Shanghai Ocean University， 2014， 23(4): 602-607.

[13]Sundermeyer M A， Rothschild B J， Robinson A R. Assessment of environmental correlates with the distribution of fish stocks using a spatially explicit model[J]. Ecological Modelling， 2006， 197(1/2): 116-132.

[14]龍華. 溫度對魚類生存的影響[J]. 中山大學學報(自然科學版)， 2005， 44(S1): 254-257.

Long Hua. The effect of temperature on fish survival[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni， 2005， 44(S1): 254-257.

[15]Wang N， Xu X L， Kestemont P. Effect of temperature and feeding frequency on growth performances， feed efficiency and body composition of pikeperch juveniles (Sanderlucioperca)[J]. Aquaculture， 2009， 289(1/2): 70-73.

[16]蘇艷莉. 環境溫度對魚類的影響及預防研究[J]. 農技服務， 2015， 32(7): 191-192， 181.

Su Yanli. Influence and prevention study of ambient temperature on fish[J]. Agricultural Technology Service， 2015， 32(7): 191-192， 181.

[17]Lu H J， Lee K T， Liao C H. On the relationship between El Nio/Southern oscillation and South Pacific albacore[J]. Fisheries Research， 1998， 39(1): 1-7.

[18]郭愛， 陳新軍. ENSO與中西太平洋金槍魚圍網資源豐度及其漁場變動的關系[J]. 海洋漁業， 2005， 27(4): 338-342.

Guo Ai， Chen Xinjun. The relationship between ENSO and tuna purse-seine resource abundance and fishing grounds distribution in the western and central Pacific Ocean[J]. Marine Fisheries， 2005， 27(4): 338-342.

[19]呂俊梅， 琚建華， 張慶云， 等. 太平洋年代際振蕩冷、暖背景下ENSO循環的特征[J]. 氣候與環境研究， 2005， 10(2): 238-249.

Lü Junmei， Ju Jianhua， Zhang Qingyun， et al. The characteristics of ENSO cycle in different phases of Pacific decadal oscillation[J]. Climatic and Environmental Research， 2005， 10(2): 238-249.

[20]李崇銀， 朱錦紅， 孫照渤. 年代際氣候變化研究[J]. 氣候與環境研究， 2002， 7(2): 209-219.

Li Chongyin， Zhu Jinhong， Sun Zhaobo. The study interdecadel climate variation[J]. Climatic and Environmental Research， 2002， 7(2): 209-219.

[21]Zagaglia C R， Lorenzzetti J A， Stech J L， et al. Remote sensing data and longline catches of yellowfin tuna (Thunnusalbacares) in the equatorial Atlantic[J]. Remote Sensing of Environment， 2004， 93(1/2): 267-281.

[22 ]宋婷婷， 樊偉， 伍玉梅. 衛星遙感海面高度數據在漁場分析中的應用綜述[J]. 海洋通報， 2013， 32(4): 474-480.

Song Tingting， Fan Wei， Wu Yumei. Review on the fishery analysis with satellite remote sensing sea surface height data[J]. Marine Science Bulletin， 2013， 32(4): 474-480.

[23]徐冰， 陳新軍， 田思泉， 等. 厄爾尼諾和拉尼娜事件對秘魯外海莖柔魚漁場分布的影響[J]. 水產學報， 2012， 36(5): 696-707.

Xu Bing， Chen Xinjun， Tian Siquan， et al. Effects of EI Nio/La Nio on distribution of fishing ground ofDosidicusgigasoff Peru waters[J]. Journal of Fisheries of China， 2012， 36(5): 696-707.

Forecasting fishing ground of Thunnus alalunga based on BP neural network in the South Pacific Ocean

Mao Jiangmei1，4，Chen Xinjun1，2，3，Yu Jing4

(1. College of Marine Sciences， Shanghai Ocean University， Shanghai 201306， China; 2. The Key Laboratory of Sustainable Exploitation of Oceanic Fisheries Resources， Ministry of Education， Shanghai Ocean University， Shanghai 201306， China; 3. National Engineering Research Center for Oceanic Fisheries， Shanghai Ocean University， Shanghai 201306， China; 4. South China Sea Fisheries Research Institute， Chinese Academy of Fishery Science， Guangzhou 510300， China)

Albacore tuna (Thunnusalalunga) is an important target species for Chinese pelagic fishery in the South Pacific Ocean， and the accurate predicting of fishing ground can enhance catch efficiency and improve fishing operation. In this paper， we apply the BP artificial neural network model in the DPS (data processing system) to forecast fishing ground， according to the fishing yield statistics from longline， the sea surface temperature (SST)， sea surface height (SST)， and ENSO (El Nio-Southern Oscillation) index obtained by satellite remote sensing from 1993 to 2010. We consider the fishing yield (unit is the number of tuna) and CPUE (catch per unit of effort) as the character factors of fishing ground， the same as the output factors in BP artificial neural network respectively， and we take month， latitude， longitude， SST， SSH and ENSO index as the input factors， building the 4-3-1， 5-4-1， 5-3-1， 6-5-1， 6-4-1， 6-3-1 model and choosing the better results. It is found that the model used by CPUE is better than that model used by fishing yield， particularly the 6-4-1 model， and the relatively error is only 0.006 14， which can forecast the fishing ground ofThunnusalalungain the South Pacific Ocean accurately．

albacore tuna; artificial neural network; CPUE; fishing ground; South Pacific Ocean

10.3969/j.issn.0253-4193.2016.10.004

2016-05-08；

2015-07-29。

海洋局公益性行業專項(20155014)；國家科技支撐計劃(2013BAD13B01)。

毛江美(1992—)，女，江蘇省泰州市人，研究方向為漁業資源。E-mail：229875911@qq.com

陳新軍，教授。E-mail：xjchen@shou.edu.cn

S931.4

A

0253-4193(2016)10-0034-10

毛江美，陳新軍，余景. 基于神經網絡的南太平洋長鰭金槍魚漁場預報[J].海洋學報，2016，38(10)：34—43，

Mao Jiangmei，Chen Xinjun，Yu Jing. Forecasting fishing ground ofThunnusalalungabaszed on BP neural network in the South Pacific Ocean[J]. Haiyang Xuebao，2016，38(10)：34—43， doi：10.3969/j.issn.0253-4193.2016.10.004