基于綜合環境因子的協同克里金法分析莖柔魚資源豐度空間分布

方學燕, 陳新軍,2,3,4，馮永玖,2,3,4，陳芃

(1.上海海海洋大學 海洋科學學院，上海 201306；2.國家遠洋漁業工程技術研究中心，上海 201306；3.上海海洋大學 大洋漁業可持續開發教育部重點實驗室，上海 201306；4.遠洋漁業協同創新中心，上海 201306)

基于綜合環境因子的協同克里金法分析莖柔魚資源豐度空間分布

方學燕1, 陳新軍1,2,3,4，馮永玖1,2,3,4，陳芃1

(1.上海海海洋大學 海洋科學學院，上海 201306；2.國家遠洋漁業工程技術研究中心，上海 201306；3.上海海洋大學 大洋漁業可持續開發教育部重點實驗室，上海 201306；4.遠洋漁業協同創新中心，上海 201306)

莖柔魚是我國重要的遠洋捕撈對象之一，研究其資源豐度空間分布問題，有助于更好地理解莖柔魚的生態習性，并提高我國魷釣漁船的生產效率。本文利用上海海洋大學魷釣技術組提供的2003-2012年6-9月秘魯外海莖柔魚捕撈數據，結合海表面溫度(SST)，海表面高度(SSH)，海表面鹽度(SSS)和葉綠素濃度(Chla)進行協同克里金插值預測其資源豐度的空間分布。為了解決協同克里金插值中4個環境因子的權重問題，本文將4個環境因子進行歸一化處理，利用主成分分析方法將其整合為單一綜合環境因子，以此作為協變量。將綜合環境因子與單位捕撈努力量漁獲量(CPUE)進行相關性檢驗后進行協同克里金插值，根據平均誤差(ME)，均方根誤差(RMSE)和標準化均方根(RMSSE)對插值結果評價，探討此種方法的可行性。研究結果認為：(1)主成分分析方法獲得的6-9月份的綜合環境因子均與CPUE具有顯著相關性；(2)6-7月份ME分別為0.002 6和0.002 5，預測準確性很高，平均預測結果稍高于實際觀測值；而8-9月份的ME分別為-0.007 8和-0.000 2，預測準確性較高，平均預測結果稍低于實際觀測值。6月份的RMSE估值精度最高，8月份的估值精度最低。6-7月份的RMSSE值小于1，說明都高估了預測的不確定性，8-9月份的RMSSE值大于1，說明都低估了預測的不確定性，則在6-9月份中的預測精度和準確性上會有一定程度的偏差。從ME、RMSE和RMSSE三者綜合來看，6-9月的預測值具有一定的可靠性。

莖柔魚；空間分布；綜合環境因子；協同克里金；秘魯外海

1 引言

莖柔魚(Dosidicusgigas)是產量較高的大洋性經濟種類之一，其分布較為廣泛，北達加利福尼亞(35°N)，南至智利沿岸(55°S)[1—2]，秘魯寒流流經的秘魯中北部和加利福尼亞灣海域是其產量最高地，也是重要的作業漁場。從1990年開始，日本、韓國等國家和地區的漁船開始進入秘魯外海捕獲莖柔魚，作業方式包括圍網、釣捕等[3]。中國于2001年開始在該海域進行探捕，并取得1.78萬噸的產量，自此，中國正式開辟了東太平海域莖柔魚漁場，產量連年增加。根據聯合國糧農組織統計，2013年，世界莖柔魚總年產量為77.3萬噸，僅中國產量就達26.1萬噸[4]。國內外諸多學者對秘魯外海莖柔魚分布進行了研究探討，主要采用的統計學方法有棲息地適應性指數模型(HSI)[5—6]，信息增益技術[7]，神經網絡模型(EBP)[8]等，認為其主要分布在高葉綠素濃度(Chla)[9]，海表面溫度(SST)為17～23℃，海表面鹽度(SSS)為35.0‰～35.5‰和冷暖水團交匯處[6]。然而上述統計學研究的前提是建立在樣本獨立與完全隨機兩個基本假設之上的，對于漁業資源空間分布這樣一個具有時間和空間概念的預報因子，這兩個基本假設前提通常都得不到滿足。而地統計學則避免了經典統計學中忽視空間位置和方向的缺陷，是一個非常有效的分析和解釋空間數據的方法[10]。

地統計學以區域化變量理論為基礎，由變異函數和克里格插值兩部分組成，主要是對特定空間內的變量進行變異性建模，并基于此模型進行變量估值。其最早于1985年被引入漁業研究領域，最初用于分析漁業數據和進行生物量估計[11]，之后在估計魚類資源豐度[12—13]、漁業調查和評估[14—15]、空間異質性及群體分布結構研究[16]等方面的應用較為廣泛。Petitgas和Levenez[17]對克里金理論及其在漁業中的應用進行了概括綜述，Rivoirard等[18]介紹了其在漁業上應用的典型案例，并為資源評估提供指導。

利用克里格插值方法可以對漁獲量數據進行插值，在此基礎上進行資源總量或空間位置的估計。例如Simard等[19]利用普通克里金法估計加拿大北方長額蝦(Pandalusborealis)的資源量并繪制其空間分布，Monestieza等[20]使用地統計學方法對地中海西北部長須鯨(Balaenopteraphysalus)的空間分布進行了預測。馮永玖等[21]以2007和2010年西北太平洋柔魚(Ommastrephesbartramii)漁業的原始生產統計數據為基礎，對西北太平洋柔魚資源空間分布及其變動進行了研究，認為2007年西北太平洋柔魚漁區的形成受溫度和海流的影響，2010年整個西北太平洋柔魚漁場受親潮勢力影響。

協同克里金是地統計學中較為重要的插值方法之一，其可以用空間中的一個或多個輔助變量對所感興趣的主要變量進行插值估算，從而獲取研究范圍內未知點的主變量屬性值。這些輔助變量與主要變量都有相關關系，并且假設變量之間的相關關系有助于提高預測精度。當研究區域的輔助信息較容易獲取且平穩變化時，可將這類信息作為輔助變量引入協同克里金中[22]。基于單個環境因子的協同克里金插值進行空間結構的研究多見于空氣濕度[23]、土壤[24—26]和降水量[27-28]等，而在海洋漁業資源分布的研究方面則相對較少。

為此，本文繼用前人研究使用的環境因子——表溫(SST)、海面高度(SSH)、表層鹽度(SSS)和葉綠素濃度(Chla)為協變量進行協同克里金插值預測秘魯外海莖柔魚資源分布。基于單一協變量的考慮，擬用主成分分析方法將4個環境因子進行整合為單一的綜合環境因子，探討綜合環境因子作為協變量在秘魯外海莖柔魚資源空間分布中協同克里金插值的可行性。

2 材料與方法

2.1 數據來源及處理

本文選用上海海洋大學魷釣技術組提供的我國遠洋魷釣漁船2003-2012年6-9月在秘魯外海的漁業捕撈數據，包括作業時間、作業天數、作業位置及捕撈產量，時間分辨率為天。計算0.5°×0.5°網格中對應的秘魯外海莖柔魚漁獲量和作業天數，并以單位捕撈努力量漁獲量(Catch Per Unite Effort，CPUE=總漁獲量/總作業天數)作為資源豐度指標[29]。

環境數據包括海表面溫度(SST)、海表面高度(SSH)、葉綠素濃度(Chla)(數據下載網址http://oceanwatch.pifsc.noaa.gov)和海表面鹽度(SSS)(數據下載網址：http://iridl.ldeo.columbia.edu)，時間分辨率為月，空間分辨率分別0.1°×0.2°，0.25°×0.25°，0.05°×0.15°，0.33°×1°。研究時間為2003-2012年6-9月。為與漁業數據相匹配，將環境數據分別處理成時間分辨率為月，空間分辨率為0.5°×0.5°的格式。

2.2 秘魯外海莖柔魚CPUE正態性檢驗及轉換

由于進行地統計分析的數據須符合正態分布，為此對6-9月CPUE進行Kolomogorov-Semirnov(K-S)檢驗[30]，對不滿足正態性要求的數據進行對數轉換。對數轉換的前提是數據為非負值，漁業數據中經常會有0值的出現，為克服數據上的這一缺陷，本文根據相關研究將所有的CPUE各加1[3]，1的加入并不會影響到資源的整體分布趨勢及空間關系。

2.3 數據歸一化處理

SST、SSH、SSS和Chla的測量值存在量綱差異，將各因子的數據進行歸一化處理，可以避免大值環境因子對小值環境因子的掩蓋，減少相關信息的丟失。數值歸一化處理的相關公式如下：

X*=(Xi-Xmin)/(Xmax-Xmin)，

(1)

式中，X*為處理后的值，數值范圍為0～1；Xi為變量的第i個實際觀測值，Xmax為所有觀測值中的最大值，Xmin為所有觀測值中的最小值。

2.4 主成分分析

主成分分析(Principal Component Analysis, PCA)通過降維技術把多變量化成少數幾個互不相關的主成分，這些主成分能夠反映原始變量的絕大部分信息[31]。PCA法在綜合評價中可以消除各指標不同量綱的影響，也可以消除由各指標之間相關性所帶來的信息重疊，特別是它克服了綜合評價中認為確定各指標權重系數的問題，在綜合評價中顯示出它的優越性[32]。根據PCA原理，將SST、SSH、SSS和Chla評價為一個綜合環境指標，主成分構成公式如下:

Zi=q1i×SSS+q2i×SST+q3i×

SSH+q4i×Chl a，

(2)

式中，Zi為第i主成分變量，qji(j=14)分別為第i主成分對應于原始變量SSS、SST、SSH和Chla的系數，它度量了相應變量對Zi的重要性[4]。

綜合環境指標的構成公式如下[31]：

Y=∑λi×Zi，

(3)

式中，Y為綜合環境指標，Zi為第i主成分，λi為第i主成分的貢獻率。

利用SPSS17.0統計包中的相關分析對SST、SSS、SSH、Chla及Y與CPUE進行相關性檢驗，確定環境因子與主變量CPUE之間的相關關系。

2.5 協同克里金估值

本文用SSS、SST、SSH和Chla的綜合環境指標對6-9月秘魯外海莖柔魚漁場資源分布進行插值估計。在二階平穩假設的條件下，協同克里金的估值公式為[33]：

(4)

2.6 估值驗證及精度評價

求取：(1)平均誤差(ME)，其代表評價結果的無偏性，其值越接近于0越好；(2)均方根誤差(RMSE)，其是估值方法精確性的一種度量，值越小越好；(3)標準化均方根(RMSSE)，其值應該接近于1，小于1則高估預測的不確定性，大于1則高估預測的不確定性。具體計算公式如下[33]：

(5)

(6)

(7)

3 結果

3.1 秘魯外海莖柔魚CPUE統計描述

由圖1可知，6月份莖柔魚主要分布在SSS為35.1～35.3,SST為19～22℃，SSH為21～30 cm，Chla為0.04～0.35 mg/m3的海域；7月份莖柔魚主要分布在SSS為35.0～35.3,SST為18～21℃，SSH為21～32 cm，Chla為0.04～0.35 mg/m3的海域；8月份主要分布在SSS為35.2～35.3,SST為18～19℃，SSH為11～35 cm，Chla為0.25～0.45 mg/m3海域；9月份主要分布在SSS為35.1～35.2,SST為17～19℃，SSH為21～32 cm，Chla為0.06～0.35 mg/m3海域。

6-9月秘魯外海莖柔魚CPUE的K-S檢驗及正態轉換結果見表1。6月份秘魯外海莖柔魚CPUE K-S檢驗的P值小于0.05，明顯屬于偏態分布，經過log轉換后P值大于0.15，呈現較好的正態分布。7-9月的秘魯外海莖柔魚CPUE經過K-S檢驗基本上能夠滿足正態分布的要求，經過log轉換后，其值正態性明顯增強。為此，本文將6-9月的秘魯外海莖柔魚CPUE均采用log轉換后的數值進行地統計分析。

表1 6-9月CPUE及log正態轉換K-S檢驗

續表1

3.2 PCA處理結果

在R3.0.2軟件中，用PCA方法分別提取6-9月份SST、SSH、SSS和Chla4個環境變量的主成分，經過標準化后的相關系數矩陣的特征值、特征向量系數見表2，各主成分的貢獻率和累積貢獻率見圖1。本文應用主成分的主要目的為綜合評價4個環境變量的權重，故4個主成分全部保留。各主成分構成如下式：

Y6=0.527×SSS+0.163×SST-

0.683×SSH-0.479×Chl a，

Y7=-0.485×SSS-0.706×SST-

0.215×SSH-0.47×Chl a，

Y8=0.452×SSS-0.637×SST-

0.214SSH+0.587×Chl a，

Y9=0.531×SSS-0.265×SST+

0.665×SSH-0.454×Chl a.

圖1 秘魯外海莖柔魚產量比重與環境范圍圖Fig.1 Catch rate of Dosidicus gigas in different environment range

變量1234特征值1.3211.0900.9250.457特征向量SSS0.6050.1700.3670.686SST0.4400.737-0.151-0.491SSH-0.4960.558-0.4140.521Chla-0.4410.3410.819-0.134

圖2 各主成分貢獻率及累計貢獻率Fig.2 The contribution rate and cumulative contribution rate of principal components

3.3 相關性檢驗

由表3可知，6月份莖柔魚CPUE與SSS具有極顯著的負相關關系，與SSH、Chla和綜合環境因子Y具有極顯著的正相關關系；7月份其CPUE與SSS、SST和Y的具有極顯著的負相關性，與SSH具有極顯著的正相關性；8月份CPUE與SSS和SST具有極顯著正相關性，而與Y的相關性不顯著；9月份CPUE與SST和Y都具有極顯著正相關性，與其他環境因子的相關性不顯著無顯著。從單因子的相關性檢驗來看，在不同生活史階段，不同環境因子的影響作用不同。

表3 相關性檢驗

注：*表示統計顯著，**表示統計極顯著。

3.4 協同克里金估值結果

利用Arcgis10.2軟件的Geostatistical Analysis模塊對6-9月秘魯外海莖柔魚CPUE進行協同克里金插值，繪制成面狀圖(圖3)。2003-2012年秘魯外海莖柔魚平均產量(ln(CPUE))為1.725 t/d，本文取ln(CPUE)值大于1.8 t/d的區域作為中心漁場。6-8月份出現集中大范圍高值區，6月份主要出現在76°～82°W，10°～17°S，7月份主要集中在10°～14°S，80°～84.5°W，8月份主要出現在9°～13°S，80°～85°W，而9月份秘魯外海莖柔魚中心漁場分布并不集中。6、7、9月份中比8月份多大于2.1 t/d的等級(紅色區域)。從CPUE實際分布與預測圖的疊加方面來看，高低值區域與實際CPUE分布較為吻合。

3.5 驗證結果

由表4結果顯示，6、7月份協同克里金插值效果較好，ME分別為0.002 6和0.002 5，說明預測準確性很高，平均預測結果稍高于實際觀測值；而8-9月份的ME分別為-0.007 8和-0.000 2，說明預測準確性較高，平均預測結果稍低于實際觀測值。RMSE的計算結果說明6月份的估值精度最高，8月份的估值精度最低。而從RMSSE來看，較接近1的是6、9月份，7、8月份的RMSSE與1的差值都大于0.1，說明6、9月份的預測標準差有效性高，7、8月份的稍差一點。6月份的RMSSE值小于1，說明都高估了預測的不確定性，7-9月份的RMSSE值大于1，說明都低估了預測的不確定性，則在6-9月份中的預測精度和準確性上會有一定程度的偏差。從ME、RMSE和RMSSE三者綜合來看，6-9月的預測值具有一定的可靠性。

圖3 6-9月秘魯外海莖柔魚漁場預測圖Fig.3 The prediction fishing grounds of Dosidicus gigas from June to September

月份MERMSERMSSE6月0.00260.41280.97477月0.00250.44961.16238月-0.00780.51691.10379月-0.00020.41521.0811

4 討論與分析

4.1 秘魯外海莖柔魚及漁場分布特點

莖柔魚這種全年產卵生殖的短生命周期物種，采用月為單位進行漁場研究，能夠利用其階段性生態習性進行漁場動態研究。根據相關研究[34—35]得知，生活在秘魯上升流區域的莖柔魚有大中小3個群體，大群體主要分布在赤道附近，中型群體除了高緯度地區外，秘魯海域都有分布，大型群體主要分布在10°～15°S，本研究所涉及的時空區域基本屬于大型群體的分布范圍。根據相關研究發現，秘魯外海莖柔魚全年產卵，但存在兩個產卵高峰期，10月份到次年1月份和7月到8月份[9]。本文選用的研究區域及時間段恰為莖柔魚產卵高峰期的過程，從預測結果圖3來看，6-8月份的聚集性較好，出現大于研究年份平均值的高產區。而9月份高產量區在整個研究區域內分布面積較小且較為零散，在研究區內難以形成中心漁場，主要分布在研究區域的西部邊緣地帶。預測圖顯示，6-8月份秘魯外海莖柔魚中心漁場有從近岸向離岸方向移動的趨勢，在南北方向上稍有北移，但不甚明顯。6-9月份的離岸移動，由Arguelles等[36]的研究可知，這應屬于產卵洄游造成的。莖柔魚的產卵期持續時間比較長，通常持續約100～120 d，且在產卵間隔期仍能積極進行捕食，以用于新陳代謝，生殖活動及個體增長[37]。成年個體的捕食對象主要是中上層魚類和頭足類，9月份預測的中心漁場分布在研究區邊緣，有可能是會出現在研究區域以西，根據Lorrain等[38]、Arguelle和Tafur[39]研究認為，可能是與莖柔魚離岸捕食頭足類和磷蝦有關。

4.2 秘魯外海莖柔魚與環境的關系

Robinson等[22]的研究認為，葉綠素濃度高(但并不是最高)的地方莖柔魚產量高。在產卵前期，莖柔魚大量索餌捕食，以為生殖活動儲蓄能量，故而，6月份中CPUE與Chla具有極顯著的正相關性。鹽度會影響水生生物的滲透壓[40]，在相關性檢驗中，除了9月份CPUE與SSS的相關性不顯著外，6-8月份均呈現極顯著的相關性。SST會影響水生生物的新陳代謝[40]，除了6月份，7-9月份CPUE均與SST具有極顯著的相關性。Nesis[41]認為，食物的可獲得性比其他環境因子對莖柔魚的分布影響更大，這也說明了為什么6月份中SST的相關性不顯著,而與Chla具有顯著相關性。SSH表征渦旋，冷暖渦旋具有不同的理化性質，冷渦旋內營養鹽含量、浮游植物和動物的生物量比周圍海域明顯較高，溫度較低，海面上升；暖渦旋則具有相反特征[42],冷暖渦旋的存在對幼魚的生長及存活率產生一定影響。

本研究中，秘魯外海莖柔魚資源主要分布在SST為17～23°C、SSH為5.3～36.3 cm、SSS為35.0～35.5、Chla為0.06～0.5 mg/m3的海域。6月份與7月份，8月份與9月份分布范圍的環境條件很相似(圖1)，但是CPUE與各環境因子的相關性檢驗并非都是顯著的。6月份CPUE與SSS、SSH和Chla具有顯著相關性，7月份CPUE與SSS、SSH和SST有顯著相關性，8月份CPUE與SSS和SST具有顯著相關性，而9月份CPUE僅與SST具有顯著相關性。這表明各環境因子對不同生長階段的莖柔魚影響有所不同。

6月份可能是秘魯外海莖柔魚產卵前期，存在一定的攝食行為，其分布在一定程度上受Chla的影響，秘魯外海莖柔魚資源豐度高值區主要分布在Chla為0.1～0.2 mg/m3的區域，Chla高值區也有一定比例的莖柔魚分布。7、8月份可能進入產卵高峰期，9月份為產卵間期或是末期，進入產卵期后SST對莖柔魚資源空間分布具有一定的影響，從相關性檢驗結果可以證明這一點(表3)，然而影響較大的主要是SSS和SSH；9月份熱點零散，區域較小，產卵過后成體死亡[43]，產卵期的個體分散積極進行覓食以補充繁殖所需能量[34，37]，群體分布不集中。6-8月莖柔魚資源豐度分布均呈現出高值聚集區，并且均與SSS相關性顯著，6-7月份相關性系數較大的環境因子為SSH，9月份沒有高值聚集區分布不集中，其CPUE與SSS的相關性不顯著，而僅與SST具有相關性。因此，本研究認為產卵期莖柔魚資源聚集性分布特點主要由SSS和SSH決定，主要集中分布在SSS為35.0～35.3、SSH為21～31 cm的海域。但為何在產卵階段秘魯外海莖柔魚傾向于聚集于SSS為35.0～35.3，21～31 cm的海域？這需要今后仍從莖柔魚的生物生理及行為學上深入探討。

4.3 協同克里金插值分析

協同克里金的一個優點就是引入相關的輔助變量，將漁業資源豐度與環境輔助變量同時研究時，一旦某些空間位點上缺乏漁業數據的觀測值時，就可以用相應的環境因子所提供的信息進行資源密度的空間變異性及統計特征分析。根據Sumfleth和Duitmann[44]人相關研究可知，輔助變量可以提高插值預測精度。本研究利用COK法進行插值預測秘魯外海莖柔魚資源豐度分布情況，從CPUE與預測疊加圖來看，預測能夠較真實的反映實際CPUE的分布情況。當然，對于無值區域，是希望通過此種估值方法，獲取其中的信息，形成對漁業資源分布的宏觀認識。從插值驗證的評價結果來看，對于未知區域的預測具有一定的可靠性。故而，預測分布圖可以有效的展示資源分布情況。

本研究采用主成分分析法將易于獲得的4個環境因子綜合為一個變量，將復雜的生長環境囊括其中，期望在莖柔魚資源分布上給予一個解釋復雜環境的指標。6、7月份中莖柔魚CPUE分別與SSS、SSH、Chla和SSS、SST、SSH具有極顯著相關性，綜合后的環境變量的相關性也極顯著；而8月份中，CPUE僅與SSS和SST有極顯著相關性，9月份CPUE僅與SST有極顯著相關性，綜合后的環境變量則與CPUE相關性顯著。應用主成分分析綜合環境指標進行協同克里金插值，能夠很好的解決在協同克里金插值時多因子輔助變量權重的“黑匣子效應”。

6-9月份CPUE與綜合環境變量Y的相關系數為0.32、-0.35、0.12、0.18，插值精度分別為0.412 8、0.449 6、0.516 9、0.415 2。除了9月份外，基本符合相關系數越大，插值精度越高的假設。本研究可以證明相關性越強的輔助變量，將越有助于協同克里金插值結果精確性的提高。但為什么8、9月份的綜合環境變量的相關性系數會明顯變小呢？8、9月份與CPUE具有顯著相關性的環境因子分別是SSS和SST、SST，在主成分分析處理中，各主成分的系數是基于2003-2012年6—9月各環境因子分析得到的，從主成分分析獲取的特征向量系數可知，在8月份，SSS系數較大，說明SSS在對綜合變量貢獻率較大的第一主成分(貢獻率為43.6%)中重要性大，而SST的系數最小；在第二主成分(貢獻率為29.72%)中SSS的系數最小，SST的系數最大；第三主成分(累積貢獻率為94.77%)中SSS和SST的系數是最小，這樣作為具有顯著相關性的兩個環境因子在利用主成分分析綜合成綜合環境因子時，其中的相關信息有被掩蓋的嫌疑。9月份CPUE僅與SST有極顯著相關性，但從主成分分析的特征向量來看，在貢獻率最大的第一主成分中，SST的權重僅為0.440，而其他相關性不顯著的SSS、SSH和Chla的權重都較之大，雖然在第二主成分中SST的權重最大，但是第二主成分的貢獻率的僅為29.72%，且貢獻率為21.41%的第三主成分中SST權重也較小，這樣在綜合變量中SST的相關性被掩蓋。

但是，從預測精確性計算結果及預測圖與實際CPUE疊加圖的目測結果來看，利用主成分分析方法建立綜合環境影響因子，可以實現對莖柔魚資源豐度空間分布的預測。

[1] 陳新軍, 劉必林, 王堯耕. 世界頭足類[M]. 北京: 海洋出版社, 2009.

Chen Xinjun, Liu Bilin, Wang Yaogeng. Cephalopods of the World[M]. Beijing: China Ocean Press, 2009.

[2] 胡振明, 陳新軍, 周應祺. 東南太平洋莖柔魚漁業生物學研究進展[J]. 廣東海洋大學學報, 2009, 29(3): 98-102.

Hu Zhenming, Chen Xinjun, Zhou Yingqi. Advances in fishery biology ofDosidicusgigasin the southeast Pacific Ocean[J]. Journal of Guangdong Ocean University, 2009, 29(3): 98-102.

[3] Tian Siquan, Chen Xinjun, Chen Yong, et al. Evaluating habitat suitability indices derived from CPUE and fishing effort data forOmmatrephesbratramiiin the northwestern Pacific Ocean[J]. Fisheries Research, 2009, 95(2/3): 181-188.

[4] FAO. Fishery statistical collections: global aquaculture production[EB/OL]. http://www.fao.org/fishery/statistics/global-aquaculture-production/en，2015.

[5] 金岳, 陳新軍. 利用棲息地指數模型預測秘魯外海莖柔魚熱點區[J]. 漁業科學進展, 2014, 35(3): 19-26.

Jin Yue, Chen Xinjun. Forecasting hotspots ofDosidicusgigasin the offshore waters of Peru using habitat suitability model[J]. Progress in Fishery Sciences, 2014, 35(3): 19-26.

[6] 胡振明, 陳新軍, 周應祺, 等. 利用棲息地適宜指數分析秘魯外海莖柔魚漁場分布[J]. 海洋學報, 2010, 32(5): 67-75.

Hu Zhenming, Chen Xinjun, Zhou Yingqi, et al. Forecasting fishing ground ofDosidicusgigasbased on habitat suitability index off Peru[J]. Haiyang Xuebao, 2010, 32(5): 67-75.

[7] 易倩, 陳新軍, 余為, 等. 基于信息增益技術比較分析智利和秘魯外海莖柔魚漁場環境[J]. 上海海洋大學學報, 2014, 23(2): 272-278.

Yi Qian, Chen Xinjun, Yu Wei, et al. A comparison of habitats ofDosidicusgigasin the fishing ground off Chile and Peru based on information gain technique[J]. Journal of Shanghai Ocean University, 2014, 23(2): 272-278.

[8] 汪金濤, 高峰, 雷林, 等. 基于神經網絡的東南太平洋莖柔魚漁場預報模型的建立及解釋[J]. 海洋漁業, 2014, 36(2): 131-137.

Wang Jintao, Gao Feng, Lei Lin, et al. Modeling of fishing grounds forDosidicusgigasbased on BP neural network in southeast Pacific[J]. Marine Fisheries, 2014, 36(2): 131-137.

[9] Tafur R, Villegas P, Rabí M, et al. Dynamics of maturation, seasonality of reproduction and spawning grounds of the jumbo squidDosidicusgigas(Cephalopoda: Ommastrephidae) in Peruvian waters[J]. Fisheries Research, 2001, 54(1): 33-50.

[10] 孫海泉, 肖革新, 郭瑩, 等. 流行病生態學研究的統計分析方法[J]. 中國衛生統計, 2014, 31(2): 352-356.

Sun Haiquan, Xiao Gexin, Guo Ying, et al. Statistical analysis of epidemiological ecology[J]. Chinese Journal of Health Statistics, 2014, 31(2): 352-356.

[11] Conan G Y. Assessment of shellfish stocks by geostatistical techniques[J]. ICES, Shellfish Committee, 1985, K: 30.

[12] Maynou F X, Sardà F, Conan G Y. Assessment of the spatial structure and biomass evaluation ofNephropsnorvegicus(L.) populations in the northwestern Mediterranean by geostatistics[J]. ICES Journal of Marine Science, 1998, 55(1): 102-120.

[13] Pelletier D, Parma A M. Spatial distribution of Pacific halibut (Hippoglossusstenolepis): an application of geostatistics to longline survey data[J]. Canadian Journal of Fisheries and Aquatic Sciences, 1994, 51(7): 1506-1518.

[14] Addis P, Secci M, Angioni A, et al. Spatial distribution patterns and population structure of the sea urchinParacentrotuslividus(Echinodermata: Echinoidea), in the coastal fishery of western Sardinia: a geostatistical analysis[J]. Scientia Marina, 2012, 76(4): 733-740.

[15] Petitgas P. Geostatistics in fisheries survey design and stock assessment: models, variances and applications[J]. Fish and Fisheries, 2001, 2(3): 231-249.

[16] Barange M, Hampton I. Spatial structure of co-occurring anchovy and sardine populations from acoustic data: implications for survey design[J]. Fisheries Oceanography, 1997, 6(2): 94-108.

[17] Petitgas P, Levenez J J. Spatial organization of pelagic fish: echogram structure, spatio-temporal condition, and biomass in Senegalese waters[J]. ICES Journal of Marine Science, 1996, 53(2): 147-153.

[18] Rivoirard J, Simmonds J, Foote K G, et al. Geostatistics for Estimating Fish Abundance[M]. Oxford: Blackwell Science, 2008.

[19] Simard Y, Legendre P, Lavoie G, et al. Mapping, estimating biomass, and optimizing sampling programs for spatially autocorrelated data: case study of the northern shrimp (Pandalusborealis)[J]. Canadian Journal of Fisheries and Aquatic Sciences, 1992, 49(1): 32-45.

[20] Monestieza P, Dubrocab L, Bonnin E, et al. Geostatistical modelling of spatial distribution ofBalaenopteraphysalusin the Northwestern Mediterranean Sea from sparse count data and heterogeneous observation efforts[J]. Ecological Modelling, 2006, 193(3/4): 615-628.

[21] 馮永玖, 陳新軍, 楊銘霞, 等. 基于ESDA的西北太平洋柔魚資源空間熱點區域及其變動研究[J]. 生態學報, 2014, 34(7): 1841-1850.

Feng Yongjiu, Chen Xinjun, Yang Mingxia, et al. An exploratory spatial data analysis-based investigation of the hot spots and variability ofOmmastrephesbartramiifishery resources in the northwestern Pacific Ocean[J]. Acta Ecologica Sinica, 2014, 34(7): 1841-1850.

[22] Robinson C J, Gómez-Gutiérrez J, de León D A S. Jumbo squid (Dosidicusgigas) landings in the Gulf of California related to remotely sensed SST and concentrations of chlorophylla(1998-2012)[J]. Fisheries Research, 2013, 137: 97-103.

[23] 胡丹桂, 舒紅. 基于協同克里金空氣濕度空間插值研究[J]. 湖北農業科學, 2014, 53(9): 2045-2049.

Hu Dangui, Shu Hong. Air humidity based on CoKriging interpolation[J]. Hubei Agricultural Sciences, 2014, 53(9): 2045-2049.

[24] 馬孝義, 李新平, 趙延鳳. 土壤含水量的Kriging和Cokriging估值研究[J]. 水土保持通報, 2001, 21(3): 59-62.

Ma Xiaoyi, Li Xinping, Zhao Yanfeng. Estimating of soil water content using Kriging and Cokriging methods[J]. Bulletin of Soil and Water Conservation, 2001, 21(3): 59-62.

[25] 王平, 李浩, 陳帥, 等. 基于坡度的黑土區切溝密度協同克里格插值方法研究[J]. 水土保持研究, 2014, 21(6): 312-317.

Wang Ping, Li Hao, Chen Shuai, et al. Interpolation of permanent gully density based on slope steepness in black soil area[J]. Research of Soil and Water Conservation, 2014, 21(6): 312-317.

[26] 楊奇勇, 張發旺. 西南巖溶盆地土壤干容重協同克里格分析[J]. 農業機械學報, 2015, 46(2): 126-131.

Yang Qiyong, Zhang Fawang. Cokriging analysis on soil bulk density in karst basin of southwest China[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(2): 126-131.

[27] 孔令娜, 向南平. 基于ArcGIS的降水量空間插值方法研究[J]. 測繪與空間地理信息, 2012, 35(3): 123-126.

Kong Lingna, Xiang Nanping. Research on rainfall spatial interpolation methods based on Arcgis[J]. Geomatics & Spatial Information Technology, 2012, 35(3): 123-126.

[28] 吳昌廣, 林德生, 周志翔, 等. 三峽庫區降水量的空間插值方法及時空分布[J]. 長江流域資源與環境, 2010, 19(7): 752-758.

Wu Changguang, Lin Desheng, Zhou Zhixiang, et al. Spatial interpolation methods and temporal spatial distribution of precipitation in the Three Gorges reservoir area[J]. Resources and Environment in the Yangtze Basin, 2010, 19(7): 752-758.

[29] 方學燕, 陳新軍, 丁琪. 基于棲息地指數的智利外海莖柔魚漁場預報模型優化[J]. 廣東海洋大學學報, 2014, 34(4): 67-73.

Fang Xueyan, Chen Xinjun, Ding Qi. Optimization fishing ground prediction models ofDosidicusgigasin the high sea off Chile based on habitat suitability index[J]. Journal of Guangdong Ocean University, 2014, 34(4): 67-73.

[30] 楊銘霞, 陳新軍, 馮永玖, 等. 中小尺度下西北太平洋柔魚資源豐度的空間變異[J]. 生態學報, 2013, 33(20): 6427-6435.

Yang Mingxia, Chen Xinjun, Feng Yongjiu, et al. Spatial variability of small and medium scales’ resource abundance of Ommastrephes bartramii in Northwest Pacific[J]. Acta Ecologica Sinica, 2013, 33(20): 6427-6435.

[31] 薛毅, 陳立萍. 統計建模與R軟件[M]. 北京: 清華大學出版社, 2007.

Xue Yi, Chen Liping. Modeling and R Software[M]. Beijing: Tsinghua University Press, 2007.

[32] 于化龍. 主成分分析應用研究綜述[J]. 經營管理者, 2013(3): 9-10.

Yu Hualong. Review on the application of principal component analysis[J]. Manager’ Journal, 2013(3): 9-10.

[33] 劉愛利, 王培法, 丁園圓. 地統計學概論[M]. 北京: 科學出版社, 2012.

Liu Aili, Wang Peifa, Ding Yuanyuan. Introduction to Geostatistics[M]. Beijing: Science Press, 2012.

[34] Csirke J, Alegre A, Argüelles J, et al. Main biological and fishery aspects of the jumbo squid (Dosidicusgigas) in the Peruvian Humboldt Current System[C]//3rd Meeting of the Scientific Committee of the South Pacific Regional Fisheries Management Organization. Port Vila, Vanuatu: SPRFMO, 2015.

[35] Nigmatullin C M, Nesis K N, Arkhipkin A I. A review of the biology of the jumbo squidDosidicusgigas(Cephalopoda: Ommastrephidae)[J]. Fisheries Research, 2001, 54(1): 9-19.

[36] Argüelles J, Lorrain A, Cherel Y, et al. Tracking habitat and resource use for the jumbo squidDosidicusgigas: a stable isotope analysis in the Northern Humboldt Current System[J]. Marine Biology, 2012, 159(9): 2105-2116.

[37] Nigmatullin C M, Markaida U. Oocyte development, fecundity and spawning strategy of large sized jumbo squidDosidicusgigas(Oegopsida: Ommastrephinae)[J]. Journal of the Marine Biological Association of the United Kingdom, 2009, 89(4): 789-801.

[38] Lorrain A, Argüelles J, Alegre A, et al. Sequential isotopic signature along gladius highlights contrasted individual foraging strategies of jumbo squid (Dosidicusgigas)[J]. PLoS One, 2011, 6(7): e22194.

[39] Argüelles J, Tafur R. New insights on the biology of the jumbo squidDosidicusgigasin the Northern Humboldt Current System: size at maturity, somatic and reproductive investment[J]. Fisheries Research, 2010, 106(2): 185-192.

[40] 孫儒泳, 李慶芬, 牛翠娟, 等. 基礎生態學[M]. 北京: 高等教育出版社, 2002: 15-42.

Sun Ruyong, Li Qingfen, Niu Cuijuan, et al. Basic Ecology[M]. Beijing: Higher Education Press, 2002: 15-42.

[41] Nesis K N. Biology of the giant squid of Peru and Chile,Dosidicusgigas[J]. Oceanology, 1970, 10(1): 108-118.

[42] Mason E, Pasual A, McWillams J C. A new sea surface height-based code for oceanic Mesoscale eddy tracking[J]. Journal of Atmospheric and Oceanic Technology, 2014, 31(5): 1181-1188.

[43] Taipe A, Yamashiro C, Mariategui L, et al. Distribution and concentrations of jumbo flying squid (Dosidicusgigas) off the Peruvian coast between 1991 and 1999[J]. Fisheries Research, 2001, 54(1): 21-32.

[44] Sumfleth K, Duttmann R. Prediction of soil property distribution in paddy soil landscapes using terrain data and satellite information as indicators[J]. Ecological Indicators, 2008, 8(5): 485-501.

Study of spatial distribution for Dosidicus gigas abundance off Peru based on a comprehensive environmental factor

Fang Xueyan1, Chen Xinjun1,2,3,4, Feng Yongjiu1,2,3,4， Chen Peng1

(1.CollegeofMarineSciences,ShanghaiOceanUniversity，Shanghai201306,China;2.NationalEngineeringResearchCenterforOceanicFisheries,ShanghaiOceanUniversity,Shanghai201306,China;3.TheKeyLaboratoryofSustainableExploitationofOceanicFisheriesResources,MinistryofEducation,ShanghaiOceanUniversity,Shanghai201306,China;4.CollaborativeInnovationCenterforDistant-waterFisheries,Shanghai201306,China)

Dosidicusgigasis one of the most important oceanic fishing objects. It is useful for learning the ecological habitat and increasing the fishing efficiency to study the spatial distribution ofD.gigas. We used the fishing data as main variable and sea surface temperature (SST), sea surface height (SSH), sea surface salinity (SSS) and concentration of Chlorophylla(Chla) as co-variables by cokriging to analyze the spatial distribution ofD.gigasabundance. The fishing data was selected from June to September during 2003 to 2012 provided by the Chinese squid-jigging technology group. To solve the weight of four different environmental factors in cokriging, they were transferred to the value between 0 and 1, then combined by principle component analysis as a single comprehensive co-variable. The relative test was taken between catch per unite fishing effort (CPUE) and the co-variable. Mean error (ME), root mean square error (RMSE) and root mean standardized squared error (RMSSE) were used to assess the predicting results to examine this method. The study results showed that (1) the comprehensive environmental factors from June to September had significant correlation with CPUE， (2) The ME were 0.002 6 and 0.002 5 respectively in June and July, which indicated that the average predicted results were higher than the objected data. However ME were -0.007 8 and -0.000 2 in August and September respectively, indicting the predicting accuracy were better and the average predicted results were lower than the objected data. The precision in June was the best, and it was lower in August. The RMSSE values in June and July were less than 1, suggesting over-valuating their uncertainty. This also indicated there were bias on the predicting precision and accuracy. In a word, from the view of ME, RMSE and RMSSE, the predicted data had a certain reliability.

Dosidicusgigas; spatial distribution; comprehensive environmental factor; cokriging； off Peru

10.3969/j.issn.0253-4193.2017.02.006

2016-06-26；

2016-09-30。

海洋局公益性行業專項(20155014)；上海市科技創新行動計劃(5DZ1202200)；海洋二號衛星地面應用系統項目(HY2A-HT-YWY-006)。

方學燕(1990—)，女，山東省青島市人，研究方向為漁業資源與漁場學。E-mail：fangxueyan@163.com

*通信作者：陳新軍, 男，教授，博士生導師，主要研究領域為漁業資源學。E-mail：xjchen@shou.edu.cn

S931

A

0253-4193(2017)02-0062-10

方學燕, 陳新軍，馮永玖，等. 基于綜合環境因子的協同克里金法分析莖柔魚資源豐度空間分布[J].海洋學報，2017，39(2)：62—71,

Fang Xueyan, Chen Xinjun，Feng Yongjiu, et al. Study of spatial distribution forDosidicusgigasabundance off Peru based on a comprehensive environmental factor[J]. Haiyang Xuebao，2017，39(2)：62—71, doi:10.3969/j.issn.0253-4193.2017.02.006