基于Voronoi图与空间自相关的西北太平洋柔鱼资源空间聚集特征分析

冯永玖，杨铭霞，陈新军*

（1.上海海洋大学海洋科学学院，上海 201306；2.大洋渔业资源可持续开发省部共建教育部重点实验室，上海 201306；3.国家远洋渔业工程技术研究中心，上海 201306；4.远洋渔业协同创新中心，上海 201306）

基于Voronoi图与空间自相关的西北太平洋柔鱼资源空间聚集特征分析

冯永玖1，2，3，4，杨铭霞1，陈新军1，2，3，4*

（1.上海海洋大学海洋科学学院，上海 201306；2.大洋渔业资源可持续开发省部共建教育部重点实验室，上海 201306；3.国家远洋渔业工程技术研究中心，上海 201306；4.远洋渔业协同创新中心，上海 201306）

以西北太平洋柔鱼Ommastrephesbartramii为例，基于2007—2010年中国鱿钓船的生产统计原始点位数据，利用Voronoi图和空间自相关方法，评估柔鱼资源的全局空间模式、局部空间聚集特征，并以空间可视化方式呈现。在渔业资源及空间分析中，高产值聚集的海域称为空间热点，而低产值聚集的海域称为空间冷点。研究表明，全局自相关统计量Moran's I和General G均指示了西北太平洋柔鱼资源的聚集分布状态。局部空间自相关显示，2007和2009年均具有2个热点和1个冷点区域，2008年具有1个热点和1个冷点区域，2010年具有1个热点和2个冷点区域，这些热冷点呈南北向或东西向分布态势。热冷点格局的叠加图显示，研究区内存在1个强热点、1个弱热点和1个强冷点，其中弱热点覆盖的区域在4年间表现为热点和冷点的交互变动。对7—11月平均海表温度和叶绿素a浓度的分析显示，热点和冷点均为中心渔场，热冷点形成的温度条件无显著差异；热冷点形成的叶绿素a浓度范围为0.2～1.1 mg／m3，其中冷点区域的浓度相对较高。

空间热点；Voronoi图；空间自相关；柔鱼；西北太平洋

1 引言

随着空间信息技术的发展，利用地理信息系统（GIS）管理渔业资源数据、分析渔业资源的空间分布特征，不仅成为生产领域和学界的共识，更成为了研究的热点。但当GIS已经发展到新时代的地理信息科学（GISciences），如果仍然依赖“信息系统”的思想去管理数据并企图发现渔业资源的空间规律，就会变得极端困难。在利用GISciences挖掘渔业资源空间规律时，不仅要重视静态格局，也要重视其变动过程，更要分析引起这种变动的海洋环境动力学因素。

有关渔业资源的GIS空间分布研究，虽然文献数量相比渔业资源生物学等领域并不多，但不乏经典的著作和最新的报道。在21世纪初，国外学者已经开始利用GISciences的空间自相关方法，进行渔业资源调查和渔业资源评估［1—3］，其中Rivoirard等利用地统计方法对渔业资源空间分布进行的研究［3］，开启了渔业空间统计的新领域。在国内，有学者采用空间动态聚类的方法对东海区渔业资源进行了分析，认为渔业密度数据和对应的温度环境数据存在一定的空间分布关联模式，并且随季节变化非常明显［4］。此外，GISciences中的空间趋势面拟合方法在渔业资源中也得到应用，相关学者利用该方法分析了1987—1998年东海区中上层鱼类资源的区域分异特征，显示该区渔业资源具有自西南向东北或者自西向东减少的趋势［5］。另有国内学者利用地统计学方法对柔鱼资源的空间分布特征进行了分析，探讨了中小尺度下柔鱼资源的空间变异特性［6］。

在利用GISciences研究渔业资源中，应着重解决全局空间分布模式、空间关联关系、空间聚类、渔业生态学空间过程和空间异质性等重要的科学问题，但目前为止这些问题并未得到彻底的阐释和解决。本文以西北太平洋柔鱼资源为例，重点研究渔业资源空间模式中的高低产值的聚集性及其变动。目前利用空间自相关研究渔业空间分布的重要报道为数不多，如有关黄海鳀鱼种群的时空动态［7］，而通过空间聚集特征去认知渔业资源的研究则更少［8—9］。

柔鱼Ommastrephesbartramii为西北太平洋海域重要的捕捞对象，具有一年生的生物学特性，其资源变动及空间分布更易受到海洋环境的影响，年间变动差异显著［10］。因此，西北太平洋柔鱼作为空间聚集特征（热冷点格局）分析方法探讨的案例，是比较切合科学要求和实践需要的。为此，本文在冯永玖等的研究基础上［8］，利用Voronoi图和空间自相关方法提取西北太平洋渔业资源的空间热冷点分布，并以空间可视化方式呈现。Voronoi图是一种用于界定点实体空间影响范围的图形化方法，在GISciences中Voronoi图也被称为Thiessen多边形，它能在点状实体的基础之上获取面状范围［11］。借助Voronoi图，本研究获取的空间自相关及聚集特征以面状区域呈现。此外，结合海表温度（SST）和叶绿素a（Chla）浓度，分析了西北太平洋柔鱼资源空间聚集特征及其变动的海洋环境因素。

2 材料与方法

2.1 研究区域与数据

我国在西北太平洋鱿钓生产统计显示，2007—2010年我国鱿钓船主要在传统渔场150°～160°E海域进行作业，其渔获量占西北太平洋总产值的比重均在85%以上［10］。为此，本文以38°～45°N和150°～160°E为研究区域（见图1），从空间视角探究柔鱼资源的热冷点分布及变动。数据由中国远洋渔业协会鱿钓技术组提供，包括2007—2010年盛渔期的7—11月。

为了更好地分析柔鱼资源的空间热冷点格局，本文采用原始数据，即图1中的点状实体。每个数据点包括捕捞生产的船名、时间、空间位置、捕捞次数和渔获量等信息。利用公式C／E将数据点的值换算为单位捕捞努力量渔获量（catch per unit fishing effort，CPUE），用以代表每个年度的柔鱼资源，其中C表示一艘渔船一天的产量（t），E表示其对应的作业次数［12］。该数据集中，2007、2008、2009和2010年分别包含了2 212、8 228、6 964和7 918个数据点，对其进行经典统计学计算如表1。经典统计显示，2007—2010年柔鱼CPUE的最小值较为相近，但是最大值差异较大，其中2007和2008年均为18 t／（船·次），2010年为15 t／（船·次），而2009年为7.2 t／（船·次），属4年中最低值。2007年平均产值为5.03 t／（船·次），表明2007年柔鱼产值为4年中最高；2009年平均产值为4年中最低值，表明2009年西北太平洋柔鱼产值较低。2007—2010年的偏度Sk均大于0，表明频数分布均为正偏；2007年的峰度Ku小于3，呈现平峰分布，表明高产值海域较多；2008-2010年的峰度Ku大于3，呈现尖峰分布，表明低产值海域较多。此外，分位数和中值也显示了同样的结论。

表1 西北太平洋柔鱼资源经典统计学描述Tab.1 Classical statistics a for the fishery resource of O.bartramii in the Northwest Pacific Ocean

图1 研究区域、数据及Voronoi图划分Fig.1 Study area，dataset and their Voronoi maps

此外，选取月平均海表温度（monthly mean SST）和月平均叶绿素a浓度（monthly mean Chlaconcentrations），分析海洋环境对柔鱼资源空间聚集特征的影响。海洋环境源数据为遥感影像，由国际海洋水色协调组（IOCCG，http：／／oceancolor.gsfc.nasa.gov）提供；有年平均和月平均SST和Chla等数据可供选择，最高空间分辨率为4 km。

2.2 Voronoi图

Voronoi图由一组连接两个邻点直线的垂直平分线构成的多边形组成［11］。在Voronoi图中，n个在平面上不同的点，按照最邻近原则划分平面，每个点与它的最近邻区域相关联［13］。通过Voronoi图构造，可以将点状实体覆盖的区域转化为面域，从而进行基于面域的渔业资源空间分析。

柔鱼原始数据是以点实体的方式存在的，然而渔业资源的分布在空间上却是连续的。从GIS方法学角度来看，这种连续的分布是以面实体的方式存在的，因此利用Voronoi图将点数据转换为面数据。利用ArcGIS中的Voronoi构图功能［13］建立渔获量数据区（图1中的不规则多边形），有助于准确获取柔鱼资源聚集特征的空间面状范围。

2.3 全局空间自相关

为研究渔业资源在全局空间上蕴含的聚集、离散或随机模式，采用探测性数据分析方法中的全局空间自相关统计量Moran's I进行度量。局部Moran's I的高值表示具有相似产值的面积单元的空间聚集，而低值则表示不相似产值的面积单元的空间聚集［13-15］。局部Moran's I的计算公式如下［13—15］：

式中，n是参与分析的要素数量（即样本数量），xi是要素i的属性值，xj是要素j的属性值，x是全部要素的平均值，wij是空间权重矩阵，表示要素i和j的邻近关系，它可以根据邻接标准或者距离标准来度量。wij=1表示第i和j个要素相邻，wij=0表示第i和j个要素不相邻。

Moran's I的值大于0表示正相关，小于0表示负相关。Moran's I绝对值越大，表示空间分布的自相关性越高，即空间分布的聚集性越强；Moran's I绝对值越小代表空间分布的自相关性越低，说明空间分布呈现分散格局；当Moran's I值等于0时，表示空间分布呈现随机分布［14-15］。在实际计算中，Moran's I同时返回另外两个值：Z得分和P值。其中，Z得分是I标准差的倍数，当Z较大时表示渔业资源呈聚集分布状态。P值表示样本空间模式随机分布的概率，当P值小于0.01表示渔业资源不太可能是随机分布，当P值大于0.1则表示渔业资源为随机分布的概率较大［13］。

此外，全局空间自相关统计量Getis-Ord General G与Moran's I类似，同样能够探测渔业资源的全局空间模式，其计算公式如下［13，16］：

式中，n、xi、xj、wij的意义均与式（1）相同。与Moran's I统计量类似，在实际计算中General G将转化为Z得分和P值两个值。Z得分为正高值表示渔业资源高产值区的聚集性较强，Z得分为负高值表示渔业资源低产值区的聚集性较强，Z得分接近0值表示研究区域内渔业资源不具有显著的聚集特征。无论Z得分是正值还是负值，当Z得分绝对值越大，表明渔业资源的聚集性越强［12，15］。

2.4 局部空间自相关

全局空间自相关统计量Moran's I和General G侧重反映渔业资源的空间格局［8，13］。因此，若要详细探局部空间上的分布状态，需要通过局部空间自相关统计量进行识别，即该统计量能有效挖掘渔业资源空间热点和冷点的具体位置，并能以空间可视化方式展现出来［13］。在渔业资源研究中，空间热点表示柔鱼资源高产值聚集的海域，而空间冷点表示低产值聚集的海域［8—9］。

Getis-Ord是空间热点分析中常用的方法，该统计量产生两个值：即每个要素的Z得分和显著性P值。Getis-Ord统计量的计算公式如下［13］：式中，n、xj、wij、x的意义与式（1）相同。统计结果返回Z得分和P值，其意义如下［13］：当Z得分大于2.58倍标准差，P值小于0.01，表示空间热点区域；当Z得分介于1.96与2.58倍标准差之间或-2.58与-1.96倍标准差之间，P值将大于0.05，这时渔业资源可能出现一定的热点和冷点分布，但不能否定随机分布的可能；当Z得分介于1.65与1.96倍标准差之间或-1.96与-1.65倍标准差之间，P值将大于0.10，这时渔业资源有极大可能是一种随机分布；当Z得分介于-1.65与1.65倍标准差之间，这时渔业资源在空间上是一种随机分布模式；当Z得分小于-2.58倍标准差，P值小于0.01，表示空间冷点区域。

3 结果

3.1 全局空间自相关与整体格局

根据前述方法测算了柔鱼样本数据的全局空间自相关统计量，包括Moran's I指数和General G指数、及其相关的Z得分和P值（见表2）。

表2中Moran's I指数和General G指数均为正值、且所有P值均小于0.001，表明西北太平洋柔鱼资源从2007—2010年均呈现高产值聚集状态。从Moran's I值来看，聚集性从强到弱依次为2010、2008、2007和2009，Z得分指示的趋势与Moran's I值一致；而从General G值来看，聚集性从强到弱依次为2009、2007、2010和2008，Z得分指示2008到2010年为高产值聚集，而由于2007年Z得分为负值，则表示低产值聚集。可以看到，两种全局自相关统计结果稍有差异，但都同样指示了西北太平洋柔鱼资源的聚集分布状态。

3.2 局部空间自相关与空间热冷点

利用前述方法对柔鱼样本数据进行了计算，通过GIS渲染产生可视化热冷点图（见图2，黑色椭圆表示热点，白色椭圆表示冷点）。基于面状CPUE数据进行局部空间自相关计算，从而探测西北太平洋柔鱼资源的热冷点区域，并以渲染的方式进行空间可视化。同时，基于面状热冷点区域，进一步以椭圆方式标识柔鱼资源的热冷点区域，以更加直观的方式呈现热冷点的面积和方向性。

表2 西北太平洋柔鱼资源全局空间自相关统计量Tab.2 Spatial autocorrelation for the fishery resource of O.bartramii in the Northwest Pacific Ocean

图2 2007—2010年西北太平洋柔鱼资源空间热冷点分布特征Fig.2 The patterns of hot／cold spots for fishery resource ofO.bartramiiin the Northwest Pacific Ocean from 2007 to 2010

图2表明，2007年研究区内柔鱼资源有2个热点和1个冷点区域，其中一个面积较小的热点区域中心位置位于44.5°N，156.5°E，呈南北向分布态势，另一个热点区域中心位置位于40°N，157°E，其面积大于前一个热点，呈东西向分布态势；唯一的冷点区域中心位置位于43°N，154°E，呈南北向分布态势。根据热冷点的渔业资源学意义，冷点的平均CPUE较小且分布密集，作为热点则CPUE较大且分布密集，而第一个热点的CPUE比第二个热点要大。2008年具有1个热点和1个冷点区域，其中热点中心位置在44°N，157°E，其面积大于2007年的热点，呈东西向分布态势；冷点中心位置位于42°N，153°E，呈东西向分布态势。2009年同样2个热点和1个冷点，但其格局与2007和2008年差异非常大，其中一个热点区域中心位置位于42°N，157.5°E，呈南北向分布态势，另一个热点中心位置位于40.5°N，155°E，呈东西向分布态势，两个热点的面积大小接近，但前一个热点柔鱼资源小于后一个；唯一的冷点区域中心位置位于43.5°N，155.5°E，呈南北向分布态势。2010年具有1个热点和2个冷点，唯一的热点中心位置位于43.5°N，57°E，不具有显著的分布方向性；此外，一个冷点区域中心位置位于42°N，151°E，呈南北向分布态势，另一个冷点中心位于40.5°N，154.5°E，呈东西向分布态势，两个冷点覆盖的区域面积接近，其中后一个冷点的柔鱼资源小于前一个，即后一个区域作为冷点的特征更加显著。

3.3 空间热冷点的变动

为了探测2007—2010年研究区内柔鱼资源的热冷点格局变动，将各年份椭圆状热冷点进行叠加显示（图3a），其中黑色椭圆表示热点，蓝色椭圆表示冷点；并综合4年热冷点计算结果，对研究区柔鱼资源的整体格局进行了总体评估（图3b）。

图3a表明，156°E以东主要以热点为主，而156°E以西主要以冷点为主，这说明150°～156°E范围内平均产值和资源低于156°～160°E。图3b表明，总体评估下研究区内存在1个强热点，中心轴接近157°E，呈南北向分布态势；存在1个弱热点，以40°N为中心轴，呈东西向分布态势；存在1个强冷点，中心轴为45°方向，东西向和南北向分布范围大致相同。在这3个热冷点区域中，强热点覆盖的区域在2007—2010年间每年均表现为热点，弱热点覆盖的区域在4年间表现为热点和冷点的互相转化，而强冷点覆盖的区域在4年间均表现为冷点。

图3 2007—2010年西北太平洋柔鱼资源热冷点的变动Fig.3 The variation of hot／cold spots for fishery resource of O.bartramii in the Northwest Pacific Ocean from 2007 to 2010

从柔鱼资源的空间热冷点分布格局可见，2007—2010年热点和冷点分布不均，2008年热冷点中心位置接近2007年，但是2007年位于40°N的热点在2008并未聚集为热点；2009和2010年与前两年差异较大，特别是2010年出现了2个冷点和1个热点的情况。从热点分布的面积来看，与平均单船产值数据有所联系。报告显示，2007年和2008年为高产年份，全年产值均超过400 t／船，2007年高于2008年，热冷点格局显示2007年的热点区域大于2008年；2009年和2010年为低产年份，均不超过220 t／船，热冷点格局恰好又验证了这一点，其热点区域明显小于2007年和2008年。

4 分析与讨论

4.1 基于Voronoi图的渔业资源空间表达

渔业资源在空间的分布是连续的，而渔业资源的捕捞作业记录数据却是点数据；因为作业船只在海上的作业点是有限的，因此产生的必然是点数据［10］。而在渔业资源研究中，了解整个海域的资源分布状态更加有意义，因此需要产生面状的评估结果。从GIS方法学的角度来看，这涉及从点实体向其影响范围（面实体）转换的过程［11］。

渔业资源的空间表达，一般地是以规则的网格来进行划分并计算相应的CPUE值［12］。这种规则的网格有其生态学的科学基础和实践意义，每个方形网格的长度即是渔业资源研究中的分辨率，如最为常用的是50′×50′［10］。规则网格中，每个渔业资源数据点的影响范围也是规则的，例如在50′×50′分辨率中每个点的影响范围即是该数据点邻域25′范围内。然而在生态学和地理学中，由于作业数据点的不规则性，要求每个点的影响范围具有规则性几乎是不可能的。因此，在渔业资源中需要一种能够较为准确地表达数据点空间不规则特性的方法，从而确定其不规则的影响范围［8］。

本文基于鱿钓船的西北太平洋柔鱼资源原始点位数据，通过Voronoi图界定每个点的空间影响范围。与其对偶形式TIN三角网不同，Voronoi图产生的并不是影响范围的凸包［8］，而是覆盖了整个研究区。通过影响范围的生成，在研究区内每个空间位置均有CPUE数据。在利用局部空间自相关进行空间热冷点评估中，其结果也同样会覆盖整个研究区，继而将得到对整个区域渔业资源的全面认知。

4.2 空间热冷点与海表温的关系

研究认为，柔鱼群体本身有洄游和昼夜垂直游动等生活习性，驱使其形成这种生活习性的主要原因可能是其栖息环境的变化［10］。由于现有商业捕捞数据的限制，难从垂直方向去探究柔鱼资源的空间变动模式，但是结合多时段的水平空间自相关性与海洋大环境变化，可以揭示柔鱼资源的分布格局及时间变动。本文选取了影响柔鱼资源空间变动的两个重要因素：7—11月平均海表温度和7—11月平均叶绿素a浓度，分析海洋环境对柔鱼资源及其空间热冷点的影响，在ArcGIS中处理后的SST等值线图4所示。

图4 2007—2010年西北太平洋柔鱼资源热冷点区域与7—11月平均海表温度的关系Fig.4 The relationship between monthly mean（July to November）SST and hot／cold spots for fishery resource of O.bartramii in the Northwest Pacific Ocean from 2007 to 2010

一般认为，黑潮和亲潮是对柔鱼资源影响最为显著的海洋环境因素［10，17］。据文献记载，2007—2010年均为非大弯曲年份，2007年亲潮势力最弱、黑潮势力占主导地位，黑潮自31°N向北蜿蜒，形成的小分支影响了大部分作业渔区［8］。图4显示，2007年低温（低于15℃）区域范围为4年中最大，与已有文献稍有不一致；这可能是因为从IOCCG获取的温度遥感图像中存在无数据区域，当进行7—11月平均温度计算时会导致一定的误差。

文献表明，2007年传统作业渔场大面积取得了丰收［8］，这与鱿钓渔业技术组提供的产值数据一致；其中北部热点在12～15℃形成，南部热点在22～25℃形成，而冷点在14～19℃形成。与2007年比较，2008年在44°N，157°E附近取得了更大的产值，该热点在15～19℃形成；但是在40°N，157°E附近产值则远小于2007年，该冷点在18～22℃形成。Voronoi图和热冷点格局显示，上述2个年份的热点区域面积较大，基本符合高产的推断。图4表明，2009年热点区域面积与2007年相当，但是其强度小于2007年，且2007年42°N以北热点位于44°N左右，而2009年则在42°N附近，热点区域显著南移并在19～24℃形成，而冷点在13～21℃形成。2010年热点区域偏于42°N以北海域，在20～25℃形成；42°N以南海域形成冷点，同样在20～26℃形成。上述结果表明，热冷点形成的温度条件无显著差异，热点的温度范围较小，冷点的温度范围较大。

4.3 空间热冷点与叶绿素a的关系

叶绿素a浓度同样是影响柔鱼资源分布及变动的主要海洋环境因素之一，且高纬度叶绿素a浓度一般要高于低纬度［10］。研究表明，西北太平洋存在一个生物量锋，即过渡区的叶绿素锋（TZCF），它是低叶绿素的亚热带区域和高叶绿素浓度的亚北极区域的分界线，通常把TZCF定义为表层叶绿素a浓度为0.2 mg／m3的区域。一般而言，柔鱼都在TZCF以北海域觅食生长［10］。图5是各年空间热冷点图与7-11月平均叶绿素a浓度的叠加显示。

图5 2007—2010年西北太平洋柔鱼资源热冷点区域与7—11月平均叶绿素a浓度的关系Fig.5 The relationship between monthly mean（July to November）Chl a concentrations and hot／cold spots for fishery resource of O.bartramii in the Northwest Pacific Ocean from 2007 to 2010

单月平均叶绿素a遥感数据表，总体上7—8月TZCF呈现向北移动趋势，而9—11月则逐步向南移动，对于具体的年份也有可能7—9月向北移动而10—11月向南移动，这与陈新军等［10］的研究结果基本一致。2007年北部热点形成于0.5 mg／m3左右，但热点面积较小，南部热点形成于0.3～0.6 mg／m3；而冷点形成于0.5～1.1 mg／m3。2008年热点形成于0.3 mg／m3左右，冷点形成于0.3～0.9 mg／m3。2009年热点形成于0.3～0.9 mg／m3，冷点形成于0.5～0.7 mg／m3。2010年热点形成于0.6～1.0 mg／m3，北部冷点形成的叶绿素a浓度大于1.0 mg／m3，南部冷点形成在0.2～0.3 mg／m3。本研究表明，除了1个冷点区域在大于1.0 mg／m3的区域形成，所有热冷点区域的叶绿素a浓度均在0.2～1.1 mg／m3之间，这与陈新军等［10］的研究基本一致。一般而言，冷点区域所在的叶绿素a浓度相对较高。

4.4 空间热冷点的综合讨论

从海表温度和叶绿素a浓度来看，热点和冷点均为中心渔场。从空间自相关和空间热点的理论来看，热点和冷点具有较强的聚集特性，作业渔船在热冷点区域的作业频次都较高；而非热冷点则不具有聚集特性。这同样表明热冷点均是中心渔场，热冷点分别是高产值和低产值的聚集区，这是热冷点的本质区别。渔船在热点区域的作业频次较高，且产值也较高；在冷点区域的作业频次也较高，但是产值较低；非热冷点区域存在两种可能，一种是作业频次较低，而单船单日的产值可能高也可能低，一种是作业频次较高但空间自相关性较低。

在方法上，冯永玖等［8］的研究通过不规则三角网（TIN）构建捕捞作业的有效范围，并在点状空间自相关的基础之上进行空间插值，生成面状空间自相关的可视化图形，该图形是不规则的。本研究在通过Voronoi图构建每个空间点数据的影响范围，进而以每个面状多边形为实体，通过局部空间自相关统计量直接计算并产生面状热冷点区域，同时提取了规则椭圆状的热冷点区域。在指示西北太平洋柔鱼资源的空间热冷点方面，本研究与冯永玖等［8］的结果类似，但本研究对于热冷点的方向性评估更准确。此外，与点状空间自相关的可视化结果比较，本研究与冯永玖等［8］的结果均存在对热冷点区域评估过大的风险，但其优点是能充分了解捕捞作业邻近海域的热冷点归属，这是点状空间自相关无法评估的。

通过空间自相关获取的热冷点是一种相对热冷点，因为空间自相关指数是一种统计量，它是基于单个数据集而产生的，描述的是单个数据集内部实体之间的依赖关系；不同数据集的空间自相关统计量可以进行相对比较［13—16］。一般认为，在渔业资源中数据集A的热点面积大于数据集B的热点面积时，A涵盖的产值比B高［8—9］。但这种情况并非在各种情况下都成立，这是因为空间自相关描述的是依赖关系，在渔业资源研究中我们通过空间依赖关系推定产值的空间分布，因此它是相对的。本研究中，2010年的热点区域较2008年略大，但其产值却低于2008年；当然2010年的冷点区域较2008年更大也是重要的影响因素。

实际上，通过空间插值方法（如普通克里金和指示克里金）可以获取渔业资源的空间热冷点区域，并且与空间自相关不同的是，当用同样的产值间隔界定热冷点区域时，这种热冷点便是绝对的，不同的年份和月份之间可以进行基于产值的比较。这也将是我们后续需要深入开展的研究工作。

5 结论

利用GISciences的理论、方法和技术，能够有效挖掘和揭示渔业资源的空间模式，并探测其时空变动规律与海洋环境动力学过程。GISciences在探讨诸如渔业资源空间变异特性、空间聚类特性、空间自相关和空间热冷点结构等方面，能够行之有效并能以可视化方式呈现。

本文利用Voronoi图、全局和局部空间自相关方法，研究渔业资源的全局空间模式、局部空间热冷点格局和及其变动。以西北太平洋柔鱼为例，利用鱿钓渔业的原始点位数据，以年为时间分辨率，研究其2007—2010年的空间热冷点及其变动规律，并以空间可视化方式进行显示。通过Voronoi图和空间自相关方法，有效探测了西北太平洋柔鱼资源中潜在的空间分布模式，识别出该区域存在的强、弱热点区域和强冷点区域。结合月平均海表温度和叶绿素a浓度，分析了空间热冷点变动的海洋环境因素。论文对几种空间热冷点分析方法在渔业资源中的应用，也进行了详细归纳与探讨。

［1］ Nishida T，Chen D G.Incorporating spatial autocorrelation into the general linear model with an application to the yellowfin tuna（Thunnus albacares）longline CPUE data［J］.Fisheries Research，2004，70（2／3）：265-274.

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

［3］ Rivoirard J，Simmonds J，Foote K G，et al.Geostatistics for Estimating Fish Abundance［M］.New York：Wiley Blackwell，2000.

［4］ 杜云艳，周成虎，邵全琴，等.东海区海洋渔业资源环境的空间聚类分析［J］.高技术通讯，2002（1）：91-95.

［5］ 苏奋振，张甲，杜云艳，等.东海区中上层鱼类资源的时空分异［J］.自然资源学报，2004，19（5）：591-596.

［6］ 杨铭霞，陈新军，冯永玖，等.中小尺度下西北太平洋柔鱼资源丰度的空间变异［J］.生态学报，2013，33（20）：6427-6435.

［7］ 牛明香.基于海洋遥感和GIS的黄海鳀鱼种群时空动态及对海洋环境因子的响应［D］.济南：山东农业大学，2012.

［8］ 冯永玖，陈新军，杨铭霞，等.基于ESDA的西北太平洋柔鱼资源空间热点区域及其变动研究［J］.生态学报，2014，34（7）：1841-1850.

［9］ 杨晓明，戴小杰，田思泉，等.中西太平洋鲣鱼围网渔业资源的空间热点和空间异质性分析［J］.生态学报，2014，34（13）：3771-3778.

［10］ 陈新军，田思泉，陈勇，等.西北太平洋柔鱼渔业生物学［M］.北京：科学出版社，2011.

［11］ Longley P A，Goodchild M，Maguire D J，et al.Geographic Information Systems and Science［M］.3rd ed.New York：Wiley，2009.

［12］ Tian S Q，Chen Y，Chen X J，et al.Impacts of spatial scales of fisheries and environmental data on catch per unit effort standardization［J］.Marine and Freshwater Research，2009，60（12）：1273-1284.

［13］ Mitchell A.The ESRI Guide to GIS Analysis（Volume 2）［M］.Redlands，CA：ESRI Press，2005.

［14］ Goodchild M F.Spatial Autocorrelation（Catmog 47）［M］.Nowich，UK：Geo Books，1986.

［15］ Griffith D.Spatial Autocorrelation：A Primer.Resource Publications in Geography［M］.Washington，D.C：Association of American Geographers，1987.

［16］ Getis A，Ord J K.The analysis of spatial association by use of distance statistics［J］.Geographical Analysis，1992，24（3）：189-206.

［17］ Wang W Y，Zhou C H，Shao Q Q，et al.Remote sensing of sea surface temperature and chlorophyll-a：Implications for squid fisheries in the north-west pacific ocean［J］.International Journal of Remote Sensing，2010，31（17／18）：4515-4530.

Aanlyzing spatial aggregation of Ommastrephes bartramii in the Northwest Pacific Ocean based on Voronoi diagram and spatial autocorrelation

Feng Yongjiu1，2，3，4，Yang Mingxia1，Chen Xinjun1，2，3，4

（1.College of Marine Sciences，Shanghai Ocean University，Shanghai 201306，China；2.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；4.Collaborative Innovation Center for Distant-water Fisheries，Shanghai 201306，China）

An integrated method of Voronoi diagram and spatial autocorrelation was used to explore global spatial pattern，local spatial hot spot and its variation of fishery resources abundance ofOmmastrephes bartramiiin the Northwest Pacific Ocean.TheO.bartramiiwithin the boundaries from 38°N to 45°N and 150°E to 160°E from 2007 to 2010 in the Northwest Pacific Ocean was selected as the research subjects，based on the original fishing data of each fishing boat of China.Using an ArcGIS environment，the spatial aggregation patterns ofO.bartramiiwere revealed by using the global spatial autocorrelation statistics of both Moran's I and General G，as well as mapped both spatially and visually.In the fields of fisheries resources and spatial analysis，sea areas with clustered high productivity are hot spots，whereas sea areas with clustered low productivity are cold spots.The local spatial autocorrelation statistics show that，there were 2 hot spots and 1 cold spot in both 2007 and 2009，and there were 1 hot spot and 1 cold spot in 2008，while there were 1 hot spot and 2 cold spot in 2010.These hot or cold spots were distributed along either a north-south or an east-west axis.An overlay map of the four years of hot／cold spots demonstrates that there was 1 strong hot spot，1 weak hot spot and 1 strong cold spot across the study area.The strong hot／cold spots were always the same spots for each year，while the weak hot spot was changed its state between a hot spot and a cold spot.An analysis of the variation of spatial hot spots based on monthly mean（July to November）sea surface temperature（SST）and monthly mean（July to November）chlorophyll-aconcentration（Chla）demonstrated that，both hot spots and cold spots are central fishing grounds.There is not obvious difference of SST between the hot and cold spots，while the hot and cold spots were observed in the areas with 0.2 to 1.1 mg／m3Chlaconcentration but the Chlaconcentration of a cold spot is larger than that of a hot spot.

spatial hot spot；Voronoi diagram；spatial autocorrelation；Ommastrephes bartramii；Northwestern Pacific Ocean

S917.4

A

0253-4193（2014）12-0074-11

冯永玖，杨铭霞，陈新军.基于Voronoi图与空间自相关的西北太平洋柔鱼资源空间聚集特征分析［J］.海洋学报，2014，36（12）：74—84，

10.3969／j.issn.0253-4193.2014.12.007

Feng Yongjiu，Yang Mingxia，Chen Xinjun.Aanlyzing spatial aggregation of Ommastrephes bartramii in the Northwest Pacific Ocean based on Voronoi diagram and spatial autocorrelation［J］.Acta Oceanologica Sinica（in Chinese），2014，36（12）：74—84，doi：10.3969／j. issn.0253-4193.2014.12.007

2014-01-02；

2014-03-27。

国家自然科学基金（41276156，41406146）；上海市自然科学基金面上项目（13ZR1419300）；教育部高等学校博士学科点专项科研基金新教师类项目（20123104120002）；上海市一流学科水产学（A类）。

冯永玖（1981—），男，云南省镇雄县人，博士，副教授，研究方向为遥感与GIS应用、渔业地理信息科学。E-mail：yjfeng＠shou.edu.cn

*通信作者：陈新军，教授，博士生导师，主要研究领域为渔业资源学。E-mail：xjchen＠shou.edu.cn