基于神經(jīng)網(wǎng)絡(luò)的印度洋長鰭金槍魚(Thunnus alalunga)時空分布與海洋環(huán)境關(guān)系研究*

程懿麒 張俊波, 2, 3, 4, 5 汪金濤, 2, 3, 4, 5① 雷 林, 2, 3, 4, 5

基于神經(jīng)網(wǎng)絡(luò)的印度洋長鰭金槍魚()時空分布與海洋環(huán)境關(guān)系研究*

程懿麒1張俊波1, 2, 3, 4, 5汪金濤1, 2, 3, 4, 5①雷 林1, 2, 3, 4, 5

(1. 上海海洋大學(xué)海洋科學(xué)學(xué)院 上海 201306; 2. 農(nóng)業(yè)農(nóng)村部大洋漁業(yè)開發(fā)重點實驗室 上海 201306; 3. 國家遠洋漁業(yè)工程技術(shù)研究中心 上海 201306; 4. 大洋漁業(yè)資源可持續(xù)開發(fā)教育部重點實驗室 上海 201306; 5. 農(nóng)業(yè)農(nóng)村部大洋漁業(yè)資源環(huán)境科學(xué)觀測實驗站 上海 201306)

長鰭金槍魚()是主要的經(jīng)濟性金槍魚魚種之一, 其空間分布與環(huán)境因子存在著密切聯(lián)系。利用2012—2019年印度洋長鰭金槍魚生產(chǎn)數(shù)據(jù)和海洋環(huán)境數(shù)據(jù), 包括海表面溫度(sea surface temperature, SST)、葉綠素濃度(chlorophyll, chl)和海表面鹽度(sea surface salinity, SSS)構(gòu)建印度洋長鰭金槍魚時空分布神經(jīng)網(wǎng)絡(luò)模型。以空間(經(jīng)度, 緯度)、環(huán)境因子(SST, chl, SSS)為解釋變量, 局部漁獲量為因變量, 變化隱含層節(jié)點數(shù), 構(gòu)建了18個BP空間分布模型, 并采用10×10交叉驗證模型穩(wěn)定性, 以均方誤差(mean square error, MSE)、平均相對方差(average relative variance, ARV)以及擬合優(yōu)度(2)作為不同模型精度與穩(wěn)定性的評判標(biāo)準(zhǔn), 最終選取5-18-1 (隱含層節(jié)點18)模型為最佳模型, 其平均MSE值為0.022 32, 平均ARV值為0.511。利用最優(yōu)模型預(yù)測結(jié)果與同期實際捕撈產(chǎn)量進行疊加對比發(fā)現(xiàn)兩者具有一致性。環(huán)境因子敏感性分析表明海表溫度顯著影響印度洋長鰭金槍魚漁場分布, 其貢獻率達到0.2。印度洋長鰭金槍魚高精度BP神經(jīng)網(wǎng)絡(luò)時空分布模型為其資源的可持續(xù)開發(fā)與動態(tài)管理提供了一種新思路。

長鰭金槍魚; 印度洋; 漁場預(yù)報; BP神經(jīng)網(wǎng)絡(luò); 時空分布

長鰭金槍魚()是主要的經(jīng)濟性金槍魚魚種之一, 在太平洋、大西洋和印度洋均有分布(Chen, 2005; 官文江等, 2018)。印度洋海域是世界上重要的金槍魚生產(chǎn)海區(qū), 主要的捕撈國家和地區(qū)包括日本、韓國以及我國臺灣省, 我國大陸在該海區(qū)的捕撈產(chǎn)量也在逐步上升(朱江峰等, 2014; 馬璐璐等, 2018)。20世紀80年代中期, 我國臺灣省主要在南印度洋海域采用流刺網(wǎng)對其進行捕撈, 印度洋長鰭金槍魚產(chǎn)量達到歷史上一個主要的高峰時期。1992年公海流刺網(wǎng)漁業(yè)被禁止, 長鰭金槍魚漁獲量在1993年下降到20 000 t, 隨后因延繩釣漁業(yè)的發(fā)展, 漁獲量逐步上升, 于2001年達到漁獲量44 000 t (Lee, 2014)。自20世紀50年代以來, 印度洋長鰭金槍魚產(chǎn)量一直呈上升趨勢。近幾年, 隨著熱帶金槍魚資源的衰退, 我國延繩釣漁業(yè)將長鰭金槍魚作為資源對象進行開發(fā), 長鰭金槍魚漁獲量在不斷提升。因此, 跟蹤、掌握印度洋長鰭金槍魚資源分布狀況有利于我國金槍魚漁業(yè)發(fā)展(朱江峰等, 2014)。

長鰭金槍魚時空分布與海洋環(huán)境因子密切相關(guān)(Chen, 2005)。近年來, 海洋遙感和計算機技術(shù)等的廣泛應(yīng)用, 魚類分布和漁場預(yù)測研究也進入了新的發(fā)展階段。如官文江等(2018)對影響印度洋長鰭金槍魚資源評估的因素進行了分析; 閆敏等(2015)使用GAM模型研究南太平洋長鰭金槍魚漁場與時空及環(huán)境因子存在的關(guān)系; 范江濤等(2011)等結(jié)合次表層水溫等要素, 并按照季度構(gòu)建南太平洋長鰭金槍魚綜合適應(yīng)性指數(shù)。研究長鰭金槍魚漁時空分布的相關(guān)模型也較多, 如棲息地指數(shù)(habitat suitability index, HSI)模型(范江濤等, 2011; 馬孟磊等, 2017)、貝葉斯概率(Bayesian analysis, BA)模型(崔雪森等, 2015; 周為峰等, 2018)、廣義加性模型(Generalized Additive Model, GAM)(牛明香等, 2012; 閆敏等, 2015)、支持向量機(support vector machine, SVM)(崔雪森等, 2016)、范例推理(Case-based reasoning, CBR)(張月霞等, 2009; 牛明香等, 2012)等方法。印度洋長鰭金槍魚資源的時空分布研究通常分為基于單一環(huán)境因子(Lehodey, 1997; 郭愛等, 2005; 方舟等, 2013)和基于多環(huán)境因子(葉泰豪等, 2012; 唐浩等, 2013), 但由于漁業(yè)信息本身的模糊性、復(fù)雜性和不精確性(蘇奮振等, 2003), 自變量與因變量之間的關(guān)系難以描述, 在實際模型構(gòu)建中, 尋找和確定數(shù)學(xué)關(guān)系很容易陷入過擬合而降低模型的泛化能力(Lucas, 2004; Pan, 2007), 具有一定的局限性。

人工神經(jīng)網(wǎng)絡(luò)方法并不要求漁業(yè)數(shù)據(jù)滿足任何假設(shè), 也不需要分析魚類對于環(huán)境條件的響應(yīng)函數(shù)和各環(huán)境條件之間的相互關(guān)系, 它具有很好的自主學(xué)習(xí)能力和很強的泛化和容錯能力(Demuth, 2014), 自20世紀90年代以來, 人工神經(jīng)網(wǎng)絡(luò)在國內(nèi)外漸漸被大量應(yīng)用于海洋及水產(chǎn)領(lǐng)域(Hawing, 1996; Chen, 1999; Hanson, 2006; 吳風(fēng)霞等, 2009), 尤其是魚類空間分布預(yù)測方面(Brosse, 1999; 汪金濤等, 2014; Wang, 2018)。毛江美等(2016)選用BP人工神經(jīng)網(wǎng)絡(luò)算法構(gòu)建了南太平洋長鰭金槍魚預(yù)報模型; 陳洋洋等(2017)基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了個中西太平洋鰹魚漁場模型, 均取得了較好的效果。

本文選取2012—2019年長鰭金槍魚漁獲數(shù)據(jù), 結(jié)合海洋環(huán)境數(shù)據(jù), 包括海表溫度(sea surface temperature, SST)、葉綠素濃度(chlorophyllconcentration, chl)和海表面鹽度(sea surface salinity, SSS)建立BP神經(jīng)網(wǎng)絡(luò)模型, 探索其時空分布與環(huán)境因子之間關(guān)系, 為印度洋長鰭金槍魚延繩釣漁業(yè)生產(chǎn)及其管理保護提供參考。

1 材料與方法

1.1 材料來源

印度洋長鰭金槍魚生產(chǎn)數(shù)據(jù)來源于印度洋金槍魚委員會(Indian Ocean Tuna Commission, IOTC) (https://www.iotc.org/), 時間范圍為2012—2019年, 空間范圍為20°E—135°E, 15°N—45°S, 漁業(yè)生產(chǎn)數(shù)據(jù)包括作業(yè)時間(年, 月)、位置(經(jīng)度, 緯度)、放鉤數(shù)和漁獲重量等(圖1)。時間分辨率為月, 空間分辨率為5° × 5°。

圖1 印度洋長鰭金槍魚2012—2019年累計產(chǎn)量分布圖

SST、chl和SSS被認為是影響長鰭金槍魚漁場分布的重要環(huán)境因子(Laurs, 1984; 奈須敬二, 1995; Zainuddin, 2008), 因此從美國國家海洋和大氣管理局數(shù)據(jù)庫(http://oceanwatch.pifsc.noaa.gov/ las/servlets/dataset)下載SST、chl和SSS, 時間分辨率為月, 空間分辨率為1° × 1°, 按空間平均法融合漁業(yè)與環(huán)境數(shù)據(jù)(Wang, 2018)。選用月分辨率下單個網(wǎng)格內(nèi)的捕撈量數(shù)據(jù)表示長鰭金槍魚局部資源豐度指標(biāo)(local abundance, LA)。

將各影響因子和目標(biāo)變量分別采取最大-最小標(biāo)準(zhǔn)化方法(也稱特征縮放法)進行歸一化(Wang, 2018), 消除由于數(shù)據(jù)因量級不同造成的, 同時剔除異常值和缺失值, 最后得到5 834條數(shù)據(jù)。

1.2 神經(jīng)網(wǎng)絡(luò)空間分布模型

神經(jīng)網(wǎng)絡(luò)模型的輸入層包括經(jīng)度(Lon)、緯度(Lat)、環(huán)境因子(SST, chl, SSS), 輸出層為LA, 隱含層為1層, 結(jié)點數(shù)從3至20進行逐步增加, 構(gòu)建不同方案的印度洋長鰭金槍魚時空分布模型(圖2)。選取均方誤差(mean square error, MSE)和平均相對方差(average relative variance, ARV)評價神經(jīng)網(wǎng)絡(luò)模型精度。

圖2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

一般來說, 交叉驗證的目的有三個: (1) 從有限的學(xué)習(xí)數(shù)據(jù)中獲取盡可能多的有效信息; (2) 從多個方向開始學(xué)習(xí)樣本, 有效的避免陷入局部最小值; (3) 在一定程度上避免過擬合問題(韓萌等, 2008)。因此, 使用交叉驗證評價神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)定性。在每次循環(huán)時, 將樣本按70% (4 083條)和30% (1 751條)的比例隨機分為訓(xùn)練樣本和測試樣本, 模型訓(xùn)練結(jié)束后, 利用測試樣本計算模型精度指標(biāo)。此循環(huán)進行100次得到MSE、ARV、2的分布, 再計算每個模型的最小擬合殘差值, 通過對比每個模型的不同評價指標(biāo)選取最優(yōu)模型。

1.3 模型解釋

神經(jīng)網(wǎng)路模型輸入變量的解釋方法主要有“權(quán)重法”和“敏感性分析法”。權(quán)重法是將單個變量的權(quán)重平方和除以所有變量的權(quán)重平方和, 得到輸入變量的貢獻率(?zesmi, 1999)。敏感性分析法是在最優(yōu)模型基礎(chǔ)上, 將要分析的變量按一定步長從其最小值到最大值逐漸變化, 其余變量可設(shè)定為其均值、中位數(shù)、最大值或最小值, 構(gòu)建模擬樣本, 來預(yù)測解釋變量與因變量之間的關(guān)系(Gevrey, 2003; Olden, 2004; Wang, 2018)。本研究采用這兩種方法解釋SST、SSS和chl等環(huán)境因子與長鰭金槍魚分布之間的關(guān)系。

1.4 空間分布模式圖繪制

利用最優(yōu)模型模型預(yù)報2012—2019年各月空間分布LA, 以0.1為步長劃分10個等級, 并疊加同期實際生產(chǎn)作業(yè)數(shù)據(jù), 繪制長鰭金槍魚空間分布模式圖。

2 研究結(jié)果

2.1 神經(jīng)網(wǎng)絡(luò)空間分布模型精度

構(gòu)建了隱含層節(jié)點數(shù)不同(3個到20個逐個遞增)的18個神經(jīng)網(wǎng)絡(luò)模型, 分別基于4 083和1 751個數(shù)據(jù)集訓(xùn)練和驗證了18個神經(jīng)網(wǎng)絡(luò)模型。根據(jù)MSE和ARV的交叉驗證結(jié)果, 模型15 (隱含層節(jié)點17)、模型16 (隱含層節(jié)點18)和模型17 (隱含層節(jié)點19)的三個模型的MSE值和ARV值相對較小, 且出現(xiàn)最低平均值。因此最佳結(jié)構(gòu)方案的神經(jīng)網(wǎng)絡(luò)模型分別設(shè)置為5 : 17 : 1、5 : 18 : 1和5 : 19 : 1。其中5 : 18 : 1表示神經(jīng)網(wǎng)絡(luò)的輸入層、隱藏層和輸出層中的神經(jīng)元數(shù)量分別為5、18和1 (圖3a, 3b)。結(jié)合交叉驗證運行的2值分別根據(jù)隱含層節(jié)點數(shù)量的增加顯著提升, 模型15 (隱含層節(jié)點17)、模型16 (隱含層節(jié)點18)和模型17 (隱含層節(jié)點19)的平均2分別為0.159、0.166和0.157。

計算了每個模型的最小擬合殘差值, 在對交叉驗證的結(jié)果進行求平均, 得到不同模型的最小擬合殘差結(jié)果(表1), 模型13 (隱含層節(jié)點15)、模型16 (隱含層節(jié)點18)和模型15 (隱含層節(jié)點17)的最小擬合殘差分別為0.028 5、0.023 3、0.242 0。

圖3 神經(jīng)網(wǎng)絡(luò)模型不同評價方法評價結(jié)果

注: a. MSE評價方法結(jié)果; b. ARV評價方法結(jié)果; c.2評價結(jié)果

表1 神經(jīng)網(wǎng)絡(luò)模型最小擬合殘差結(jié)果

Tab.1 The minimum residual results of neural network model

結(jié)合MSE值、ARV值、2值和最小擬合殘差結(jié)果, 從三個模型的選擇性能最佳的神經(jīng)網(wǎng)絡(luò)模型, 選取模型16 (隱含層節(jié)點18)的5-18-1模型作為本文的最終模型, 并使用模型16對2012—2019年的漁業(yè)資源豐度進行預(yù)測。

2.2 長鰭金槍魚時空分布影響因子

神經(jīng)網(wǎng)絡(luò)模型在各層之間的權(quán)重連接情況中, 線的粗細表示各因子所占權(quán)重的大小(圖4a)。模型16的輸入層最高貢獻率排名依次為:緯度(Lat)、經(jīng)度(Lon)、海表面溫度(SST)、葉綠素濃度(chl)、海表面鹽度(SSS) (圖4b)。

圖4 模型16(5-18-11)的神經(jīng)網(wǎng)絡(luò)模型解釋圖

2.3 長鰭金槍魚時空分布與海洋環(huán)境的關(guān)系敏感性分析

分別對環(huán)境因子(SST、SSS和chl)設(shè)定步長, 其余輸入因子取中位數(shù)作為固定值, 通過模型16進行環(huán)境因子的敏感性分析(圖5)。模型判斷SST適宜范圍(LA值大于0.6)在17—31 °C, 從17 °C開始, 預(yù)測的LA值顯著增加, 當(dāng)至20—21 °C時獲得最高預(yù)測LA值。隨著SST再增加, 預(yù)測LA值有所減少, 但在27 °C開始, LA值又開始增加, 并于29 °C獲得最高預(yù)測LA值; SSS適宜范圍在34.5—35.5, 從33.5開始增加; chl適宜范圍在0.080—0.223 mg/m3。

圖5 長鰭金槍魚時空分布與環(huán)境因子敏感性分析

2.4 長鰭金槍魚時空分布模式

利用最優(yōu)模型預(yù)測了2012—2019年長鰭金槍魚的空間分布, 并與實際漁獲量進行疊加, 以對比預(yù)報結(jié)果和實際產(chǎn)量分布的吻合程度。總體來看, 最優(yōu)模型漁場的長鰭金槍魚局部資源豐度(LA)分布可主要分為四個區(qū)域:低LA區(qū)域(預(yù)測LA值在0.1—0.4之間), 中LA區(qū)域(預(yù)測LA值在0.4—0.6之間), 高LA區(qū)域(預(yù)測LA值在0.6—0.8之間), LA峰值區(qū)域(預(yù)測LA值在0.8—1.0之間)。

預(yù)測LA整體分布區(qū)域為5°N—40°S, 30°E—110°E海區(qū), 與實際漁獲量分布區(qū)域(圖1)較為吻合, 不同年份不同月份的中高低LA分布有所不同。各年高LA區(qū)域與整體漁獲量分布較為吻合, 分布范圍略大于實際高產(chǎn)量范圍。通過計算每個區(qū)域的LA值(預(yù)測值)與中心點原始產(chǎn)量數(shù)據(jù)(實際值)的MSE和ARV, 量化整體的模型預(yù)測結(jié)果(表2)。

表2 2012—2019年長鰭金槍魚時空分布預(yù)測結(jié)果

Tab.2 Prediction results of the temporal and spatial distribution of T. alalunga from 2012 to 2019

其中, 2012年峰值LA區(qū)域在9月至12月較為集中(附錄圖1)。10月的匹配度最佳, 分布區(qū)域為0°—30°S, 60°E—100°E海區(qū), 在其他月份的峰值LA區(qū)域較為分散, MSE值為0.022 43, ARV值為0.582。

2013年峰值LA區(qū)域在6月和8月較為集中, 分布區(qū)域為0°—30°S, 50°E—70°E海區(qū), 3月、9月、11月的匹配度也相對較高, 在1月分布區(qū)域較少(附錄圖2), MSE值為0.021 61, ARV值為0.506。

2014年整體峰值區(qū)域較為分散, 在3月和12月相對集中, 分布區(qū)域為0°—30°S, 50°E—70°E海區(qū), 但對應(yīng)實際的產(chǎn)量較低, 2014年存在實際產(chǎn)量明顯低于其他年份的情況, LA峰值區(qū)域同樣在1月份分布較少(圖6a), MSE值為0.022 82, ARV值為0.768。

2015年的峰值區(qū)域在3、4、10、12月較為集中, 12月范圍最廣, 分布區(qū)域為0°—40°S, 60°—100°E海區(qū)。1、5、11月的分布較少, 其中5月的LA值與實際產(chǎn)量值的匹配度較差(附錄圖3), MSE值為0.022 41, ARV值為0.727。

2016年的峰值區(qū)域在10月至12月較為集中, 10月范圍最廣, 分布區(qū)域為0°—30°S, 40°E—70°E海區(qū), 其余月份分布較為分散, 在2月、5月的分布較少(附錄圖4), MSE值為0.022 81, ARV值為0.575。

2017年峰值區(qū)域整體較為分散, 高峰值月份(8、10、12月)均呈現(xiàn)帶狀分布, 7月和4月的高峰值區(qū)域與實際產(chǎn)量匹配度較差, 1月至3月和11月的分布較少(附錄圖5), MSE值為0.022 61, ARV值為0.272。

2018年整體預(yù)測區(qū)域較廣, 且每月峰值區(qū)域分布面積高于其他年份, 2018年的峰值區(qū)域在5月、8月、11月、12月較為集中, 其中12月的匹配度相對較高, 主要集中在0°—30°S, 55°—70°E海區(qū)(圖6b), MSE值為0.020 96, ARV值為0.255。

2019年峰值區(qū)域在3月和12月匹配度和集中度較高, 分布區(qū)域為0°—15°S, 40°—60°E海區(qū), 4月至9月的峰值區(qū)域分布較為分散, 在11月的分布較少(附錄圖6), MSE值為0.022 88, ARV值為0.411。

3 討論

3.1 神經(jīng)網(wǎng)絡(luò)模型漁場預(yù)測結(jié)果

本研究在以最優(yōu)神經(jīng)網(wǎng)絡(luò)模型進行預(yù)測的基礎(chǔ)上, 以2012—2019年的真實漁獲數(shù)據(jù)對印度洋長鰭金槍魚分布進行驗證。整體上實際捕撈產(chǎn)量分布與預(yù)測分布較為一致, 預(yù)測高的LA區(qū)域很好對應(yīng)實際高產(chǎn)量區(qū)域, 定量結(jié)果表明, 預(yù)測結(jié)果平均MSE值在0.022 32, 平均ARV值在0.511, 模型預(yù)測結(jié)果良好(表2, 圖6)。2018年整體預(yù)測結(jié)果好于其他年份, 其ARV值顯著低于其他年份, 2014年預(yù)測結(jié)果較差, ARV值高于其他年份(表2, 圖6)。此精度達到進一步分析探索的要求(Wang, 2018)。

3.2 長鰭金槍魚時空分布與環(huán)境因子關(guān)系

印度洋長鰭金槍魚局部資源豐度與SST、SSS和chl均存在顯著關(guān)系, 其中貢獻值最高為SST(圖4b)。先前有部分研究得到太平洋海域中的長鰭金槍魚資源豐度變化與溫度隨季節(jié)變化不明顯(范江濤等, 2011; 閆敏等, 2015; 王震等, 2017), 這些研究的地理區(qū)域靠近熱帶, 且范圍較小, 從而SST的季節(jié)變化較小。而本研究中敏感性分析發(fā)現(xiàn)LA值隨SST增加變化明顯(圖5)。因為印度洋海域區(qū)域較大, 緯度縱跨溫帶和熱帶區(qū)域, 溫度隨季節(jié)變化明顯, 從而造成了不同季節(jié)的月份存在較為明顯的預(yù)測差異。樊偉等(2007)指出, 長鰭金槍魚漁獲量隨SST變化, 在20 °C和29 °C的海域附近呈雙峰型, 與本文21 °C與29 °C左右峰值區(qū)域基本相同。高LA區(qū)域橫跨17.5—32 °C區(qū)域, 峰值LA區(qū)域所在SST范圍為19.5—23 °C區(qū)域以及28—30.5 °C區(qū)域(圖5)。

海表溫度直接或間接地影響漁場的分布、洄游的路線等(龍華, 2005; Sundermeyer, 2006; Wang, 2009; 蘇艷莉, 2015)。在進行長鰭金槍魚的時空分布與環(huán)境因子的研究中, 一般都選用海表溫度作為環(huán)境因子之一(郭愛等, 2009; 楊勝龍等, 2010; Lan, 2012; 儲宇航等, 2016)。葉泰豪等(2012)的研究發(fā)現(xiàn), 海表溫度對長鰭金槍魚分布有顯著影響, 海表溫度同樣是表層海水中未成熟的長鰭金槍魚個體單位捕撈努力量(CPUE)的一個重要預(yù)測因子, 而長鰭金槍魚幼體魚的生長也與溫帶水域有關(guān), 其表層有大量捕食對象。長鰭金槍魚成年魚主要分布在亞熱帶和熱帶水域, 其水域溫度適宜產(chǎn)卵(張嘉容, 2020)。本文最優(yōu)預(yù)報模型結(jié)構(gòu)的解釋, 以及海表面溫度(SST)在模型中影響程度的結(jié)論與其他學(xué)者的研究結(jié)果基本上是一致的。但模型也存在局部集中高估問題, 可能是由于解釋變量不足, 因此在今后的研究中, 須添加其他海洋環(huán)境因素, 如不同深度水溫(郭剛剛等, 2016), 溶解氧等增強模型的容錯率和泛用性。

海表鹽度貢獻率低, 對長鰭金槍魚分布影響較小, 其最適宜范圍在34.5—35.5, 與蔣漢凌(2014)、范永超等(2017)和張亞男等(2020)研究結(jié)果一致。另外, 不同深度鹽度可以通過溶解氣體、海流等其他環(huán)境因素對長鰭金槍魚漁場分布造成間接影響(張嘉容, 2020), 日后可進一步考慮。

葉綠素濃度通常影響長鰭金槍魚的食物鏈, 從而間接影響長鰭金槍魚漁場的分布(Sagarminaga, 2014), 本文葉綠素濃度的貢獻率僅次于海表溫度, 最適宜范圍為0.08—0.223 mg/m3, 略小于張亞男等(2020)HSI模型中的結(jié)果(0.03—0.22 mg/m3), 其中除11月份(0.03—0.06 mg/m3)外, 與本文結(jié)果相同。對應(yīng)以往研究總結(jié)的葉綠素濃度為影響長鰭金槍魚分布的重要原因(閆敏等, 2015)。

3.3 長鰭金槍魚時空分布規(guī)律

總體來看, 不同年份MSE變化趨勢與ARV相同(表2, 圖7)。每年下半年(9—12月)的高值LA區(qū)域較為集中, 易形成良好漁場, 其余月份相對分散(圖6)。一旦發(fā)生海流、水團、溫躍層等未知因素的季節(jié)性變化, 極易造成漁場年間顯著變化, 預(yù)測難度增加, 與部分學(xué)者研究得到的結(jié)果相同(馬璐璐等, 2018; 張亞男等, 2020), 本研究的3月、5月、11月為季節(jié)過渡月, 由于環(huán)境數(shù)據(jù)變化較大, 模型不穩(wěn)定, 從而造成了部分年份高, 部分年份低的情況。張亞男等(2020)構(gòu)建的印度洋長鰭金槍魚棲息地指數(shù)模型中提出, 11月的最適溫度分布在25—27 °C, 而SST敏感性分析結(jié)果(圖5)中, 該段區(qū)域的LA值相對低于其他高LA區(qū)域的溫度范圍, 對應(yīng)了圖6中部分年份11月份預(yù)測結(jié)果較差的現(xiàn)象。各年模型預(yù)測的漁場區(qū)域較為集中, 交叉各年重疊區(qū)域得到模型預(yù)測的漁業(yè)資源豐度最高的區(qū)域集中在0°—30°, 50°E—70°E的印度洋海域。

圖7 2012—2019年長鰭金槍魚時空分布預(yù)測結(jié)果

本研究在季節(jié)的過渡月份的預(yù)測結(jié)果存在誤差, 原因可能源自: (1) 漁業(yè)依賴數(shù)據(jù)(fishery-dependent data)自身分布不均勻特性; (2) 缺少其他生態(tài)環(huán)境因子。未來可從數(shù)據(jù)抽樣技術(shù), 獲取更豐富的環(huán)境因子等入手進一步提高模型精度。

4 結(jié)論

充分理解印度洋長鰭金槍魚漁業(yè)資源豐度時空分布, 將有助于減少捕撈船隊對于魚群的搜索時間和與搜索成本, 以及預(yù)測資源如何應(yīng)對捕撈策略和管理的可能變化至關(guān)重要(Lehodey, 1997)。本文研究與先前研究不同之處在于BP神經(jīng)網(wǎng)絡(luò)模型中的應(yīng)用, 以探索印度洋長鰭金槍魚的空間分布與棲息地海洋特征之間的關(guān)系。環(huán)境變量和資源豐度存在非線性關(guān)系, 構(gòu)建的分布模型復(fù)雜。本研究描述了神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建、訓(xùn)練、驗證、解釋和預(yù)測的全過程, 提供了BP神經(jīng)網(wǎng)絡(luò)模型在漁業(yè)資源分布中的應(yīng)用范例。模型預(yù)測效果與其他機器學(xué)習(xí)方法的橫向比較有待進一步研究。

馬孟磊, 陳新軍, 陳作志等, 2017. 南太平洋長鰭金槍魚棲息地指數(shù)模型的比較研究. 廣東海洋大學(xué)學(xué)報, 37(3): 59—66

馬璐璐, 朱江峰, 耿 喆等, 2018. 運用生物量動態(tài)模型評估印度洋長鰭金槍魚資源. 上海海洋大學(xué)學(xué)報, 27(2): 259—264

王 震, 陳新軍, 雷 林, 2017. 東太平洋長鰭金槍魚棲息地指數(shù)模型的比較. 廣東海洋大學(xué)學(xué)報, 37(1): 58—64

牛明香, 李顯森, 徐玉成, 2012. 基于廣義可加模型和案例推理的東南太平洋智利竹筴魚中心漁場預(yù)報. 海洋環(huán)境科學(xué), 31(1): 30—33

毛江美, 陳新軍, 余 景, 2016. 基于神經(jīng)網(wǎng)絡(luò)的南太平洋長鰭金槍魚漁場預(yù)報. 海洋學(xué)報, 38(10): 34—43

方 舟, 陳新軍, 李建華等, 2013. 阿根廷專屬經(jīng)濟區(qū)內(nèi)魷釣漁場分布及其與表溫關(guān)系. 上海海洋大學(xué)學(xué)報, 22(1): 134—140

龍 華, 2005. 溫度對魚類生存的影響. 中山大學(xué)學(xué)報(自然科學(xué)版), 44(S1): 254—257

葉泰豪, 馮 波, 顏云榕等, 2012. 中西太平洋鰹漁場與溫鹽垂直結(jié)構(gòu)關(guān)系的研究. 海洋湖沼通報, (1): 49—55

朱江峰, 戴小杰, 官文江, 2014. 印度洋長鰭金槍魚資源評估. 漁業(yè)科學(xué)進展, 35(1): 1—8

閆 敏, 張 衡, 伍玉梅等, 2015. 基于GAM模型研究時空及環(huán)境因子對南太平洋長鰭金槍魚漁場的影響. 大連海洋大學(xué)學(xué)報, 30(6): 681—685

蘇奮振, 周成虎, 杜云艷等, 2003. 海洋漁業(yè)資源地理信息系統(tǒng)應(yīng)用的時空問題. 應(yīng)用生態(tài)學(xué)報, 14(9): 1569—1572

蘇艷莉, 2015. 環(huán)境溫度對魚類的影響及預(yù)防研究. 農(nóng)技服務(wù), 32(7): 191—192, 181

楊勝龍, 周甦芳, 周為峰等, 2010. 基于Argo數(shù)據(jù)的中西太平洋鰹漁獲量與水溫、表層鹽度關(guān)系的初步研究. 大連水產(chǎn)學(xué)院學(xué)報, 25(1): 34—40

吳風(fēng)霞, 李純厚, 戴 明, 2009. 人工神經(jīng)網(wǎng)絡(luò)在海洋科學(xué)中的應(yīng)用. 南方水產(chǎn), 5(1): 75—80

汪金濤, 高 峰, 雷 林等, 2014. 基于神經(jīng)網(wǎng)絡(luò)的東南太平洋莖柔魚漁場預(yù)報模型的建立及解釋. 海洋漁業(yè), 36(2): 131—137

張月霞, 丘仲鋒, 伍玉梅等, 2009. 基于案例推理的東海區(qū)鮐魚中心漁場預(yù)報. 海洋科學(xué), 33(6): 8—11

張亞男, 官文江, 李陽東, 2020. 印度洋長鰭金槍魚棲息地指數(shù)模型的構(gòu)建與驗證. 上海海洋大學(xué)學(xué)報, 29(2): 268—279

張嘉容, 2020.南太平洋長鰭金槍魚棲息地預(yù)測模型建構(gòu)研究. 上海: 上海海洋大學(xué)碩士學(xué)位論文

陳洋洋, 陳新軍, 郭立新等, 2017. 基于BP神經(jīng)網(wǎng)絡(luò)的中西太平洋鰹魚漁場預(yù)報模型構(gòu)建與比較. 廣東海洋大學(xué)學(xué)報, 37(6): 65—73

范永超, 戴小杰, 朱江峰等, 2017. 南太平洋長鰭金槍魚延繩釣漁業(yè)CPUE標(biāo)準(zhǔn)化. 海洋湖沼通報, (1): 122—132

范江濤, 陳新軍, 錢衛(wèi)國等, 2011. 南太平洋長鰭金槍魚漁場預(yù)報模型研究. 廣東海洋大學(xué)學(xué)報, 31(6): 61—67

奈須敬二, 1995. 金槍魚類的漁場環(huán)境. 齊魯漁業(yè), (3): 45

周為峰, 黎安舟, 紀世建等, 2018. 基于貝葉斯分類器的南海黃鰭金槍魚漁場預(yù)報模型. 海洋湖沼通報, (1): 116—122

官文江, 朱江峰, 高 峰, 2018. 印度洋長鰭金槍魚資源評估的影響因素分析. 中國水產(chǎn)科學(xué), 25(5): 1102—1114

郭 愛, 陳新軍, 2005. ENSO與中西太平洋金槍魚圍網(wǎng)資源豐度及其漁場變動的關(guān)系. 海洋漁業(yè), 27(4): 338—342

郭 愛, 陳新軍, 2009. 利用水溫垂直結(jié)構(gòu)研究中西太平洋鰹魚棲息地指數(shù). 海洋漁業(yè), 31(1): 1—9

郭剛剛, 張勝茂, 樊 偉等, 2016. 南太平洋長鰭金槍魚垂直活動水層空間分析. 南方水產(chǎn)科學(xué), 12(5): 123—130

唐 浩, 許柳雄, 陳新軍等, 2013. 基于GAM模型研究時空及環(huán)境因子對中西太平洋鰹魚漁場的影響. 海洋環(huán)境科學(xué), 32(4): 518—522

崔雪森, 唐峰華, 張 衡等, 2015. 基于樸素貝葉斯的西北太平洋柔魚漁場預(yù)報模型的建立. 中國海洋大學(xué)學(xué)報, 45(2): 37—43

崔雪森, 唐峰華, 周為峰等, 2016. 基于支持向量機的西北太平洋柔魚漁場預(yù)報模型構(gòu)建. 南方水產(chǎn)科學(xué), 12(5): 1—7

蔣漢凌, 2014. 南太平洋長鰭金槍魚漁場與環(huán)境因素關(guān)系的研究. 上海: 上海海洋大學(xué)碩士學(xué)位論文

韓 萌, 丁 劍, 2008. 基于交叉驗證的BP算法的改進與實現(xiàn). 計算機工程與設(shè)計, 29(14): 3738—3739, 3742

儲宇航, 戴小杰, 田思泉等, 2016. 南太平洋延繩釣長鰭金槍魚生物學(xué)組成及其與棲息環(huán)境關(guān)系. 海洋漁業(yè), 38(2): 130—139

樊 偉, 張 晶, 周為峰, 2007. 南太平洋長鰭金槍魚延繩釣漁場與海水表層溫度的關(guān)系分析. 大連水產(chǎn)學(xué)院學(xué)報, 22(5): 366—371

Brosse S, Guegan J F, Tourenq J N, 1999. The use of artificial neural networks to assess fish abundance and spatial occupancy in the littoral zone of a mesotrophic lake. Ecological Modelling, 120(2/3): 299—311

Chen I C, Lee P F, Tzeng W N, 2005. Distribution of albacore () in the Indian Ocean and its relation to environmental factors. Fisheries Oceanography, 14(1): 71—80

Chen D C, Ware D M, 1999. A neural network model for forecasting fish stock recruitment. Canadian Journal of Fisheries and Aquatic Sciences, 56(12): 2385—2396

Gevrey M, Dimopoulos I, Lek S, 2003. Review and comparison of methods to study the contribution of variables in artificial neural network models. Ecological Modelling, 160(3): 249—264

Demuth H B, Beale M H, De Jess O, 2014. Neural network design. Stillwater: Oklahoma State University

Hanson P J, Vaughan D S, Narayan S, 2006. Forecasting annual harvests of Atlantic and Gulf menhaden. North American Journal of Fisheries Management, 26(3): 753—764

Hawing K, Aoki I, Komatsu T, 1996. Forecasting for the catch of Jack mackerels in the Komekami set net by a neural network. Bulletin of the Japanese Society of Fisheries Oceanography, 60(2): 136—142

Lan K W, Kawamura H, Lee M A, 2012. Relationship between albacore () fishing grounds in the Indian Ocean and the thermal environment revealed by cloud-free microwave sea surface temperature. Fisheries Research, 113(1): 1—7

Laurs R M, Fiedler P C, Montgomery D R, 1984. Albacore tuna catch distributions relative to environmental features observed from satellites. Deep Sea Research Part A. Oceanographic Research Papers, 31(9): 1085—1099

Lee L K, Hsu C C, Chang F C, 2014. Albacore () CPUE trend from Indian Core Albacore Areas based on Taiwanese longline catch and effort statistics dating from 1980 to 2013. IOTC-2014-WPTmT05—19l

Lehodey P, Bertignac M, Hampton J, 1997. El Ni?o Southern Oscillation and tuna in the western Pacific. Nature, 389(6652): 715—718

Lucas P, 2004. Bayesian analysis, pattern analysis, and data mining in health care. Current Opinion in Critical Care, 10(5): 399—403

Olden J D, Joy M K, Death R G, 2004. An accurate comparison of methods for quantifying variable importance in artificial neural networks using simulated data. Ecological Modelling, 178(3/4): 389—397

?zesmi S L, ?zesmi U, 1999. An artificial neural network approach to spatial habitat modelling with interspecific interaction. Ecological Modelling, 116(1): 15—31

Pan R, Yang Q, Pan S J, 2007. Mining competent case bases for case-based reasoning. Artificial Intelligence, 171(16/17): 1039—1068

Sagarminaga Y, Arrizabalaga H, 2014. Relationship of Northeast Atlantic albacore juveniles with surface thermal and chlorophyll-fronts. Deep Sea Research Part II: Topical Studies in Oceanography, 107: 54—63

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

Wang J T, Chen X J, Staples K W, 2018. The skipjack tuna fishery in the west-central Pacific Ocean: applying neural networks to detect habitat preferences. Fisheries Science, 84(2): 309—321

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

Zainuddin M, Saitoh K, SAITOH S I, 2008. Albacore () fishing ground in relation to oceanographic conditions in the western North Pacific Ocean using remotely sensed satellite data. Fisheries Oceanography, 17(2): 61—73

電子附件材料:

附錄圖1—附錄圖6見http://dx.doi.org/10.11693/hyhz20210100003

STUDY ON THE RELATIONSHIP BETWEEN TEMPORAL-SPATIAL DISTRIBUTION OF INDIAN OCEAN ALBACORE () AND MARINE ENVIRONMENT BASED ON NEURAL NETWORK

CHENG Yi-Qi1, ZHANG Jun-Bo1, 2, 3, 4, 5, WANG Jin-Tao1, 2, 3, 4, 5, LEI Lin1, 2, 3, 4, 5

(1. College of Marine Sciences of Shanghai Ocean University Shanghai 201306, China; 2. Key Laboratory of Oceanic Fisheries Exploration, Ministry of Agriculture and Rural Affairs, Shanghai 201306, China; 3. National Engineering Research Center for Oceanic Fisheries, Shanghai Ocean University, Shanghai 201306, China; 4. Key Laboratory of Sustainable Exploitation of Oceanic Fisheries Resources, Ministry of Education, Shanghai Ocean University, Shanghai 201306, China; 5. Scientific Observing and Experimental Station of Oceanic Fishery Resources, Ministry of Agriculture and Rural Affairs, Shanghai 201306, China)

Albacore () is one of the main economic tuna species, and its spatial distribution is closely related to environmental factors. In this research, BP artificial neural network method was applied, with which a neural network model was established based on the production data and environmental data offrom 2012 to 2019. The output factor was the normalized fishing production data, and the input factors were spatial factors (including longitude and latitude), marine environmental factors, including sea surface temperature (SST), chlorophyll-concentration, (chl), and sea surface salinity (SSS), from which 18 BP neural network models were run using 10×10 cross-validation model stability, mean square error (MSE), average relative variance (ARV), and goodness of fit (2) as the judgement of accuracy and stability of different models. Finally, Model 5-18-1 (hidden layer node 18) was chosen as the best model; its average MSE value is 0.022 32, and average ARV value is 0.511. The optimal model prediction results and the actual catch data during the same period were superimposed and compared, showing consistent results. Meanwhile, sensitivity analysis of environmental factors showed that SST significantly affected the distribution offisheries in the Indian Ocean, with a contribution rate of 0.2. The high-precision BP neural network temporal-spatial distribution model ofprovides a new idea for the sustainable development and dynamic management of the resources.

Albacore tuna; Indian Ocean; fishing ground forecast; BP neural network; temporal- spatial distribution

S931; S932; Q958

10.11693/hyhz20210100003

* 國家自然科學(xué)基金項目, NSFC41876141號; 國家重點研發(fā)計劃, 2019YFD0901404號; 上海市科技創(chuàng)新行動計劃, 19DZ1207502號; 自然資源衛(wèi)星遙感技術(shù)體系建設(shè)與應(yīng)用示范項目, 202101004號。程懿麒, 碩士研究生, E-mail: alvinmiori@ gmail.com

汪金濤, 碩士生導(dǎo)師, 副教授, E-mail: jtwang@shou.edu.cn

2021-01-05,

2021-03-15