基于产卵场环境因子的阿根廷滑柔鱼资源补充量预报模型研究

汪金涛，高峰，2，3，雷林，2，3，官文江，2，3，陈新军，2，3*

（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.上海海洋大学国家远洋渔业工程技术研究中心，上海 201306）

基于产卵场环境因子的阿根廷滑柔鱼资源补充量预报模型研究

汪金涛1，高峰1，2，3，雷林1，2，3，官文江1，2，3，陈新军1，2，3*

（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.上海海洋大学国家远洋渔业工程技术研究中心，上海 201306）

西南大西洋阿根廷滑柔鱼Illex argentinus是短生命周期种类，其资源量极易受到海洋环境变化的影响。根据2003—2011年我国鱿钓船队在西南大西洋的生产统计数据，以及产卵场海洋表面温度（SST）、海表温度距平值（SSTA），计算分析了阿根廷滑柔鱼在产卵期产卵场各月最适表层水温范围占总面积的比例（用PS表示）以及表征海流强度的SST、SSTA等多种环境变量因子与单位捕捞量渔获量（CPUE）的相关性，建立多种基于主要环境因子的资源补充量预报模型，同时分析比较预报模型的优劣。相关性分析表明：6月份有3片连续区域的SST与CPUE之间存在强相关性，分别为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片连续区域SST与次年CPUE建立的三元线性模型，模型符合统计检验，偏差解释率为82.4%。在此基础上加入7月份PS影响因子建立3种方案下的误差反向传播（EBP）神经网络模型。结果认为，包含了福克兰寒流与巴西暖流表温信息的方案3模型优于其他两种模型，其准确率可以达到90%以上。

西南大西洋；阿根廷滑柔鱼；补充量预报；神经网络

1 引言

阿根廷滑柔鱼Illex argentinus广泛分布于西南大西洋22°～54°S的大陆架和陆坡，其中以35°～52°S的大陆架尤为丰富，具有分布广、产量高、波动大的特点［1—2］，是目前世界范围内最为重要的已开发头足类资源之一，也是中国大陆及台湾地区鱿钓渔业重要的捕捞种类之一［1］。资源量预报属于渔情预报中长期预报的一种，对资源补充量进行精确的预报是渔业进行科学管理、合理开发的关键［3］。目前，有关阿根廷滑柔鱼的研究多集中在滑柔鱼渔场变化与海洋环境之间的关系［4—7］，而有关资源补充量预报则较少研究。例如，Waluda等［8］假设在产卵海域（49°～61°W、32°～39°S）产卵月（6—7月），阿根廷滑柔鱼最适表温温度（16～18℃）海域面积占全部产卵海域面积比例越大，次年的阿根廷滑柔鱼资源丰度越丰富；陆化杰［9］假设阿根廷滑柔鱼产卵海域为40°～42°S、56°～58°W，认为6月份产卵场高于10℃、SSTA大于0℃，次年的滑柔鱼资源补充量会相对较高，而当6月份SST低于10℃、SSTA小于0℃，次年的资源补充量应可能会较低。当年的6月份SST和SSTA与次年的CPUE基本成正相关。以上的研究都是使用名义CPUE作为资源丰度指标，由于在福克兰海域作业渔船的功率大小、船长水平、集鱼灯功率等不同，名义CPUE可能反映不了其真实的资源丰度水平。为此，本文在前人研究的基础上用GLBM（Generalized Linear Bayesian Models）模型标准化后的CPUE作为资源丰度指标，通过产卵场表温及其距平均值与CPUE的相关性分析找出影响资源丰度关键海域，利用关键海域的表温及其距平均值、适宜表温所占海域面积等因子作为影响资源丰度的环境指标，试图建立不同环境影响因子与资源丰度之间的预报模型，为西南大西洋海域滑柔鱼的科学管理与生产提供参考依据。

2 材料与方法

2.1 材料来源

阿根廷滑柔鱼冬季产卵群体是主要的商业捕捞对象［10］，2003—2011年我国鱿钓船队在西南大西洋的生产数据来自上海海洋大学鱿钓技术组，并假设捕获的群体全部是冬季产卵群。海表温度数据来自http：／／oceanwatch.pifsc.noaa.gov／las／servlets／dataset，时间分辨率月，空间分辨率为经纬度0.1°×0.1°；海表温度异常数据来自http：／／iridl.ldeo.columbia. edu，时间分辨率月，空间分辨率为经纬度0.5°×0.5°。海表温度数据和海表温度异常数据的经纬度范围均是40°W～65°W、30°S～45°S。

2.2 研究方法

2.2.1 CPUE计算

计算每年单船平均日产量CPUE（t／d），并用GLBM模型进行了标准化处理［9］，标准化后的CPUE作为西南大西洋阿根廷滑柔鱼资源丰度指数。

2.2.2 影响因子选取

前人研究表明，40°W～65°W、30°S～45°S海域通常被认为是西南大西洋阿根廷滑柔鱼的产卵场［11—12］。在产卵月份（6—8月），计算分析每点SST、SSTA组成的时间序列值与来年CPUE组成的时间序列值的相关性，选取相关性高海域的SST、SSTA作为阿根廷滑柔鱼补充量的影响因子。

计算产卵场最适表层水温范围占产卵场总面积的比例是衡量产卵场栖息地环境优劣的重要方法之一［8］。根据Waluda等［8］研究，将SST为16～18℃定义为产卵场最适表温，计算最适表层水温范围占产卵场总面积的比例（PS），用PS表达产卵场栖息环境的适宜程度。因此选定PS为滑柔鱼补充量的影响因子，计算分析PS组成的时间序列值与来年CPUE组成的时间序列值的相关性。

2.2.3 预报模型建立

（1）线性预报模型

根据2.2.2的相关性分析，建立影响滑柔鱼资源补充量的显著相关因子与CPUE之间的多元线性模型。

（2）EBP神经网络预报模型

误差反向传播神经网络（Error Backpropagation Network，EBP）属于多层前向神经网络，采用误差反向传播的监督算法，能够学习和存储大量的模式映射关系，已被广泛应用于各个领域［13—14］。

EBP神经网络的建立在matlab软件中完成，首先对样本进行归一化处理，使样本处在0～1间。使用神经网络工具箱的拟合工具，将2003—2010年的归一化样本作为训练样本，2011年的归一化样本作为验证样本。网络设计的参数为：输入层神经元个数根据2.2.2选定的显著相关因子和PS的组合而决定，输出层神经元1个为CPUE，隐含层神经元个数根据经验公式得到［15—16］。学习速率为0.1，动量参数为0.5。网络训练的终止参数为：最大训练批次100次，最大误差给定0.001。模型经多次训练，取最优结果，同时防止过拟合状态的出现［17］。

EBP模型以均方误差（MSE）作为判断最优模型的标准。拟合残差是将预报值与实际值进行比较所得，其函数定义式为：

式中yk为CPUE的实际值，k为CPUE的预报值。

3 结果

3.1 年CPUE变化趋势

用GLBM模型标准化后的CPUE显示（见图1），2003—2011年CPUE年间波动较大，CPUE较低年份出现在2006年和2007年，最低年份为2006年的5.46 t／d，CPUE最高年份出现在2009年为9.29 t／d，其余年份CPUE均在平均值上下波动。

图1 2003—2011年阿根廷滑柔鱼CPUE变化趋势Fig.1 CPUE ofIllex argentinusfrom 2003 to 2011

3.2 相关性分析及关键区域选择

在产卵月份（6—8月）产卵场区域内（30°～45°S、40°～65°W），6—8月份各月每一个0.1°×0.1°的SST与次年CPUE作相关性分析，发现6月份SST有3片连续区域与次年CPUE呈显著相关（表1、图2），分别为区域一（Area 1）的分布范围是38°～39°S、54°～55°W，区域二（Area 2）的分布范围是40.5°～41.5°S、51°～52°W，区域三（Area 3）的范围是39.9°～40.4°S、42.6°～43.1°W。6—8月份各月每一个0.5°×0.5°的SSTA没有与次年CPUE呈显著相关的连续区域。PS时间序列与CPUE时间序列相关性分析表明（见表2），6—8月份最适表层水温范围占产卵场总面积的比例与次年CPUE之间不存在显著相关性。Area 3

表1 6月份关键区域SST与次年CPUE相关性分析参数Tab.1 Correlation analysis parameters between SST in key areas and CPUE in Jun

图2 与CPUE显著相关的关键区域及其海表温度（℃）分布Fig.2 Tke key areas significantly associated with CPUE and its SST（℃）

表2 产卵场最适表温分为PS与次年CPUE相关性分析参数Tab.2 Correlation analysis between favorableSSTin the spawning ground（PS）and CPUE of the next year

3.3 预报模型实现及结果比较

3.3.1 线性预报模型

根据2.2的结果，利用选定的6月份3片连续区域表温与次年CPUE（t／d）组成的样本建立多元线性模型，其方程为：

其相关系数R为0.943（p=0.007＜0.05）。

3.3.2 EBP预报模型

利用选定的6月份3片连续区域表温和7月份PS不同组合作为EBP预报模型的输入因子，构造多种EBP预报模型，分别是：

方案1：选取区域一表温、区域三表温、PS共3个因子作为输入层，构造3∶4∶1的EBP网络结构。

方案2：选取区域二表温、区域三表温、PS共3个因子作为输入层，构造3∶4∶1的EBP网格结构。

方案3：选取区域一表温、区域二表温、区域三表温、Ps共4个因子作为输入层，构造4∶5∶1的EBP网络结构。

利用matlab进行计算，获得了3种方案下的均方误差（图3）。由图3可知，方案3的均方误差最小，其准确率为96.4%。

图3 不同神经网络模型的模拟结果Fig.3 The simulation results of different neural network models

4 讨论与分析

阿根廷滑柔鱼由于其独特的生物学特性，其资源补充量的多少与其产卵场栖息环境密切相关。通常认为，巴西暖流与福克兰寒流汇合海域，营养盐丰富，是阿根廷滑柔鱼重要的饵料场，也是促使阿根廷滑柔鱼穿越整个大陆架及大陆坡海域洄游至该海域的重要动力［18］。已有的研究表明［4—5，19—20］，利用产卵场海表温度和海表温度异常数据来预报福克兰海域内的冬生群的资源补充量是可行的。在本文所选择的关键区域中，用2002—2010年这些海渔的表温叠加后发现（见图2），区域一的表温可以表征福克兰寒流对阿根廷滑柔鱼资源补充量影响的强弱，区域二的表温可以表征巴西暖流对阿根廷滑柔鱼资源补充量影响的强弱，这两处表温高低与两股海流的相对强弱密切相关，影响阿根廷滑柔鱼产卵环境，进而影响到次年阿根廷滑柔鱼的资源补充量。

本文经过相关性分析，表明只有6月份SST存在3片连续区域与次年CPUE存在显著相关性，而SSTA和PS与次年CPUE不存在显著相关性。这与陆化杰［9］、Waluda等［8］的研究结果不尽相同。分析其原因可能有两点：（1）生产统计数据来源不同，中国大陆的鱿钓船都在阿根廷经济专属区线外生产，有可能导致CPUE的变化趋势有所差异；（2）CPUE计算方式不同，本文使用的是经GLBM模型标准化后的CPUE，这更能反映阿根廷滑柔鱼资源的真实状况。

本文建立多元线性模型所用数据样本都是经过相关性分析得到的与CPUE呈显著相关的数据，模型符合统计检验，解释率为82.4%，优于文献［5］的用一个假设的关键区域（40°～42°S、56°～58°W）数据所建立线性模型。对于3种方案下EBP神经网络模型，方案3模型包含了福克兰寒流与巴西暖流两股海流的表温信息，明显优于方案1和方案2包含的一股海流表温信息的模型。

阿根廷滑柔鱼的资源补充量预报是一件极其复杂的系统工作，在其早期生活阶段不仅仅受到海域环境因素的影响［8］，还受到来自外部和内部的捕食者的影响［9］，利用其早期生活阶段海域环境因素进行资源量评估只是其中一种重要方法。但今后需要结合物理海洋学、生态系统动力学等，综合其个体的生长、死亡等因素以及海流、初级生产力等因子，建立更为全面、科学的阿根廷滑柔鱼资源补充量预测模型，为阿根廷滑柔鱼资源合理利用和科学管理提供依据。

参考文献：

［1］ 王尧耕，陈新军.世界大洋性经济柔鱼类资源及其渔业［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］ 陈新军.渔业资源与渔场学［M］.北京：海洋出版社，2004.

［4］ 陈新军，刘必林，王跃中.2000年西南大西洋阿根廷滑柔鱼产量分布及其与表温关系的初步研究［J］.湛江海洋大学学报，2005，25（1）：29-34.

［5］ 刘必林，陈新军.2001年西南大西洋阿根廷滑柔鱼产量分布及其与表温关系的初步研究［J］.海洋渔业，2004，26（4）：326-330.

［6］ 陆化杰，陈新军.2006年西南大西洋鱿钓渔场与表温和海面高度距平值的关系［J］.大连水产学报，2008，23（3）：230-234.

［7］ 张炜，张健.西南大西洋阿根廷滑柔鱼渔场与主要海洋环境因子关系探讨［J］.上海水产大学学报，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］ 陆化杰.西南大西洋阿根廷滑柔鱼渔业生物学及资源评估［D］.上海：上海海洋大学，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］ 刘刚.一种综合改进的BP神经网络及其实现［J］.武汉理工大学学报，2002，24（10）：57-60.

［16］ 吕砚山，赵正琦.BP神经网络的优化及应用研究［J］.北京化工大学学报，2001，28（1）：67-69.

［17］ 金龙，况雪源，黄海洪，等.人工神经网络预报模型的过拟合研究［J］.气象学报，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.西北太平洋柔鱼资源评估与管理［D］.上海：上海海洋大学，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

汪金涛，高峰，雷林，等.基于产卵场环境因子的阿根廷滑柔鱼资源补充量预报模型研究［J］.海洋学报，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。

国家863计划（2012AA092303）；国家发改委产业化专项（2159999）；上海市科技创新行动计划（12231203900）；国家科技支撑计划（2013BAD13B01）。

汪金涛（1987-），男，安徽省安庆市人，博士生，从事渔业资源学研究。E-mail：wangjintao0510＠163.com

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