西北太平洋秋刀鱼资源丰度预报模型构建比较

谢　斌，汪金涛，陈新军，田思泉

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

西北太平洋秋刀鱼资源丰度预报模型构建比较

谢斌1,4，汪金涛1,4，陈新军1,2,3,4，田思泉1,4

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

根据1989—2012年西北太平洋秋刀鱼（Cololabis saira）的单位捕捞努力量渔获量(CPUE)以及对应的海洋环境因子数据，包括1-12月各月的Trans-Nino指数（TNI）、1月黑潮区域海表面温度（SST黑潮）、6月亲潮海表面温度（SST亲潮），采用BP神经网络预报模型，对西北太平洋秋刀鱼资源丰度进行预测分析。通过10种神经网络模型比较，以及实际CPUE的验证，以拟合残差最小的预报模型作为最优预报模型。研究表明：各月TNI指数、1月黑潮区域海表面温度、6月亲潮海表面温度对西北太平洋秋刀鱼资源丰度影响显著，结构为14-10-1 的BP 神经网络模型相对误差仅为0.000 681，可作为西北太平洋秋刀鱼资源丰度的预报模型。

秋刀鱼；资源丰度；黑潮；亲潮；预报模型；神经网络

秋刀鱼（Cololabis saira）属中上层冷水性洄游鱼类，栖息在亚洲和美洲沿岸的太平洋亚热带和温带19º—58ºN水域中，主要分布于太平洋北部温带水域[1-10]。分布在西北太平洋海域的秋刀鱼，其洄游一般在春季从北部产卵场开始，夏季到达亲潮区的索饵场，在往产卵场的洄游过程被捕捞[1]。理解和掌握秋刀鱼资源波动规律不仅能提高渔获产量，还能更好地确保其资源的可持续利用。已有研究认为，秋刀鱼资源渔场变化与海洋环境关系极为密切[1,3-4,9]，厄尔尼诺-南方涛动事件及黑潮区域冬季的海表面温度与西北太平洋秋刀鱼资源有显著关联，建立可靠的资源丰度预报模型有利于资源的可持续开发，是渔情预报的重要内容。BP神经网络模型的自适应性、自学习性、自组织性等使其在各个领域都能得到很好的应用。徐洁等[13]利用BP神经网络模型对北太平洋柔鱼Ommastrephes batrtramii渔场进行了预报，汪金涛等[14]利用神经网络对东南太平洋茎柔鱼Dosidicus gigas渔场预报模型进行了构建，Aoki 和komatsu[15]利用BP神经网络预测沙丁鱼产量。为此，本研究采用BP神经网络方法，选取黑潮区域和亲潮区表温以及厄尔尼诺有关参数，对西北太平洋秋刀鱼资源量预报模型进行分析比较，以期为西北太平洋秋刀鱼资源预报提供支持。

1　材料与方法

1.1数据来源与预处理

1989—2012年秋刀鱼资源丰度指数（CPUE）来自日本平成25年西北太平洋渔业资源评估报告。根据Tian等[11-12]的研究，选取黑潮区域、亲潮区域的各月表温（SST, sea surface temperature）数据和表征El Nino指数（Trans-nino，TNI）作为影响秋刀鱼资源丰度的主要环境因子。SST数据来自OceanWatch LA（http://oceanwatch.pifsc.noaa.gov），空间分布率为0.2°×0.1°，时间分辨率为月。TNI数据来自Goddard Space Flight Center of NASA（http://gcmd.nasa.gov），时间分辨率为月。SST黑潮区和亲潮区经纬度范围分别是：28°—35°N、128°—145°E和40°-45°N、140°-160°E[11]，SST按所在区域计算月平均值，TNI和SST数据通过excel2013和SPSS17.0进行分析处理，并按年时间序列排列。

1.2研究方法

人工神经网络法是一种由大量简单处理单元(神经元)以某种方式互相连接而成的，对连续的或断续的输入做出状态响应的动态信息处理系统[16-19]。它由输入层、隐含层和输出层组成。本研究采用神经网络中的EBP（error back propagation）算法[20]，简称BP模型。

本研究应用DPS数据处理系统（data processing system）进行BP神经网络渔情预报模型的计算，输入层为各海洋环境因子的组合，隐含层为1层，并且根据输入层选取的因子不同而选择适当的隐含层节点数。隐含层节点数按经验选取，一般设为输入层节点数的75%[16,20]，输入层为1个节点，即初值化后的CPUE值。为了选择合适的神经网络模型，本研究中确定了多种模拟方案，分别是：

方案1：选取1-12月各月的TNI值、SST黑潮和SST亲潮共14个因子作为输入层，构造14-10-1和14-11-1的BP神经网络结构。

方案2：选取1-12月各月的TNI值和SST黑潮共13个因子作为输入层，构造13-10-1和13-9-1的BP神经网络结构。

方案3：选取1-12月各月的TNI值共12个因子作为输入层，构造12-9-1的BP神经网络结构。

方案4：选取1-11月各月的TNI值共11个因子作为输入层，构造11-9-1和11-8-1的BP神经网络结构。

方案5：选取1-10月各月的TNI值共10个因子作为输入层，构造10-8-1和10-7-1的BP神经网络结构。

方案6：选取1-6月各月的TNI值、SST黑潮和SST亲潮共8个因子作为输入层，构造8-6-1的BP神经网络结构。

在6个方案10种BP神经网络结构中，以最小拟合残差作为判断最优模型的标准。拟合残差是将输出层所输出的CPUE预报值与实测值进行比较所得的值，其函数定义式为[21]:

其中E表示拟合残差，yk为∧N个样本的实际CPUE值（k = 1, 2, 3, …，N），yk为输出层输出的CPUE预测值。

2　结果

2.1影响因子选择

利用SPSS17.0来检验影响因子与年CPUE的相关性（表1），从而来确定选择的影响因子是否具有可信度。由表1可见，1月的SST黑潮、6月的SST亲潮、1-12月的TNI值在P<0.05水平上均显著相关，且3-6月各月的TNI值显示出极相关（P<0.01）。因此，本研究中选择的14个影响因子对秋刀鱼资源丰度均有显著影响，可作为模型的输入层因子。

表1　影响因子的相关性和显著性检验Table 1　Correlation and significance test of the impact factor

2.2模拟结果

从图1_a可知，结构为14-11-1的BP神经网络在拟合次数为769次时，其拟合残差达到最小，为0.001 239。

结构为14-10-1的BP神经网络模拟结构如图1_b所示，当拟合次数达到540次时，其拟合残差达到最小，为0.000 681。

从图1_c可知，结构为13-10-1的BP神经网络在拟合次数为1 000次时，其拟合残差达到最小，为0.010 735。

结构为13-9-1的BP神经网络模拟结构如图1_d所示，当拟合次数达到907次时，其拟合残差达到最小，为0.001 421。

从图1_e可知，结构为12-9-1的BP神经网络在拟合次数为1 000次时，其拟合残差达到最小，为0.020 485。

从图1_f可知，结构为11-9-1的BP神经网络在拟合次数为998次时，其拟合残差达到最小，为0.030 681。

结构为11-8-1的BP神经网络模拟结构如图1_g所示，当拟合次数达到998次时，其拟合残差达到最小，为0.030 257。

从图1_h可知，结构为10-8-1的BP神经网络在拟合次数为998次时，其拟合残差达到最小，为0.030 093；结构为10-7-1的BP神经网络在拟合次数为998次时，其拟合残差达到最小，为0.030 093。

从图1_j可知，结构为8-6-1的BP神经网络在拟合次数为1 000次时，其拟合残差达到最小，为0.020 295。

根据6种方案10 种模型的拟合结果，认为网络结构为14-10-1 的 BP 神经网络模型为最适的渔情预报模型，其拟合残差为0.000 681。该BP结构下，其第1 隐含层各个节点的权重矩阵和输出层各个节点的权重矩阵如表2所示。

图1　10种预测模型的模拟结果Fig.1　The results for ten forecasting models

表2　14-10-1 网络结构模型第1 隐含层各个节点和输出层各个节点的权重矩阵Table 2　Matrix of each node of the first hidden layer and output layer of 14-10-1 model

3　讨论

本研究采用了8-14个不同环境因子组合作为神经网络的输入层，其拟合残差范围为0.000 681～0.030 681，残差最大模型结构为11-9-1。前5种方案（方案1至方案5）随着因子数目的减少，其拟合残差减少（表3），但最后1种方案中（方案6）调整了输入因子，增加了黑潮和亲潮的SST数据，拟合残差又有所增加，说明不同因子组合对输出层CPUE有一定的影响。由表3可知，预报精度范围为77.78%～95.18%，输入因子为14个时精度最高，输入因子12个时预报精度最低。预报精度和拟合残差有显著相关（P<0.05）。

表3　不同输入因子所得的不同拟合残差及预报精度Tab.3　Different Simulation Residual of different input factors and predictive accuracy

TIAN等[12]通过生命周期模型结合SST、南方涛动事件数据等海洋气候因子，较好地得到了秋刀鱼年际间数量变化情况，研究结果表明大尺度气候和海洋环境的改变能强烈影响秋刀鱼的资源量和产量。Tseng等[22]认为SST前锋是影响秋刀鱼分布和提高渔场预报准确度的基础。TIAN等[11]指出，秋刀鱼的幼体生长和存活率很大程度上受海洋条件的影响。这些相关因子与西北太平洋秋刀鱼资源丰度变化有显著相关性，与本研究利用神经网络模型进行资源丰度预报结果相一致。本研究最优模型的拟合CPUE与实际CPUE值几乎一致（图3），二者之间呈现显著的相关性（P<0.01），说明所建立的资源丰度预报模型是可行的。

图2　原CPUE值与拟合CPUE值对比图Fig.3　Comparison of primary CPUE and Simulate CPUE

TNI即Trans-nino指数是表征厄尔尼诺-南方涛动指数的一个指标，是与厄尔尼诺相关的环境因子。当发生厄尔尼诺时，TNI也随之发生改变，从而影响着西北太平洋秋刀鱼的资源丰度。目前尚未有研究指出TNI是如何对西北太平洋秋刀鱼资源丰度产生影响的。本研究结果表明，TNI对其资源量有一定的影响，为将来研究TNI对秋刀鱼或其它大洋性洄游鱼类的资源量或渔场分布影响提供一些参考。

对西北太平洋秋刀鱼的资源丰度预报除了BP神经网络模型之外，还可以尝试利用灰色系统或栖息地适应性指数模型进行分析研究[23-24]。由于国内对秋刀鱼捕捞起步较晚，对其资源丰度的影响机制及预报模型方法的相关研究还较少，应及时跟进国外秋刀鱼相关研究，逐步完善国内对秋刀鱼资源丰度预报模型，为秋刀鱼实际生产提供理论基础。

[1]沈建华，韩士鑫，樊伟，等. 西北太平洋秋刀鱼资源及其渔场[J]. 海洋渔业，2004，26（1）：61-65.

[2]汤振明，黄洪亮，石建高. 中国开发利用西北太平洋秋刀鱼资源的探讨[J]. 海洋科学，2004，28(10)：56-59.

[3]朱清澄，花传祥，许巍，等. 西北太平洋公海7～9月秋刀鱼渔场分布及其与水温的关系[J]. 海洋渔业，2006，28(3)：228-233.

[4]邹晓荣，朱清澄. 西北太平洋秋刀鱼渔场分布及与海水表层温度的关系分析[J]. 湛江海洋大学学报，2006(6)：26-30.

[5]黄洪亮，张勋，徐宝生，等. 北太平洋公海秋刀鱼渔场初步分析[J]. 海洋渔业，2005, 27（3）：206-212.

[6]朱清澄，夏辉，花传祥，等. 西北太平洋公海秋刀鱼夏季索饵场浮游动物的分布[J]. 水产学报，2008，26（6）：890-898.

[7]孙满昌，叶旭昌，张健，等. 西北太平洋秋刀鱼渔业探析[J]. 海洋渔业，2003（3）：112-115.

[8]叶旭昌，刘瑜，朱清澄，等. 北太平洋公海秋刀鱼生物学特性初步研究[J]. 上海水产大学学报，2007（3）：264-268.

[9]晏磊，朱清澄，张阳，等.2010年北太平洋公海秋刀鱼渔场分布及其与表温的关系[J]. 上海海洋大学学报，2012（4）：609-615.

[10]张阳，朱清澄，晏磊，等. 西北太平洋公海春季秋刀鱼生物学特性的初步研究[J]. 海洋湖沼通报，2013（1）：53-60.

[11]TIAN Y J，AKAMINE T，SUDA M. Variations in the abundance of Pacific saury（Cololabis saira）from the north western Pacific in relation to oceanic-climate changes[J]. Fish Res，2003，60：439-454.

[12]TIAN Y J，AKAMINE T, SUDA M. Modeling the influence of oceanic-climatic changes on the dynamics of Pacific saury in the northwestern Pacific using a life cycle model[J]. Fisheries Oceanography，2004，13（Suppl. 1）：125-137.

[13]徐洁，陈新军，杨铭霞.基于神经网络的北太平洋柔鱼渔场预报[J]. 上海海洋大学学报，2013，22（3）：432-438.

[14]汪金涛，高峰，雷林，等.基于神经网络的东南太平洋茎柔鱼渔场预报模型的建立及解释[J].海洋渔业，2014，36（2）：131-137.

[15]AOKI I，KOMATSU T．Analysis and prediction of the fluctuation of sardine abundance using a neural network［J］．Oenological Alta，1997，20（1）：81-88

[16]忠植．知识发现[M]．北京：清华大学出版社，2002：1-295．

[17]郑惠娜，章超桦，秦小明，等．人工神经网络在食品生物工程中的应用[J]．食品工程，2012（1）：16-19．

[18]谢东，陈东城，焦元启，等．神经网络在精准农业中的应用研究进展[J]．广东农业科学，2011，38（8）：145-148．

[19]乔加新，周森鑫，马季．基于 BP 神经网络的农业气象产量预报系统[J]．微计算机信息（嵌入式与 SOC），2009，35（12）：44-46．

[20]蒋宗礼．人工神经网络导论[M]．北京:高等教育出版社，2001: 20-40．

[21]唐启义，冯明光．DPS 数据处理系统—实验设计、统计分析及模型优化[M]．北京:科学出版社，2006:933．

[22]TSENG C T，SUN C L，BelkinIM. Sea surface temperature fronts affect distribution of Pacific saury（Cololabis saira）in the Northwestern Pacific Ocean[J]. Deep-Sea Research II，2014，107：15-21.

[23]陈新军，许柳雄，田思泉. 北太平洋柔鱼资源与渔场的时空分析[J]. 水产学报，2003，27(4)：334-342.

[24]陈新军，龚彩霞，田思泉，等. 基于栖息地指数的西北太平洋柔鱼渔获量估算[J]. 中国海洋大学学报（自然科学版），2013,43(4)：29-33.

（责任编辑：陈庄）

Forecasting Model of Abundance Index for Cololabis saira in the Northwest Pacific Ocean

XIE Bing1,4，WANG Jin-tao1,4，CHEN Xin-jun1,2,3,4，TIAN Si-quan1,2,3,4
(1. College of Marine Sciences of Shanghai Ocean University，Shanghai 201306，China；2. National Distant-water Fisheries Engineering Research Center，Shanghai Ocean University，Shanghai 201306，China；3. The Key Laboratory of Sustainable Exploitation of Oceanic Fisheries Resources，Ministry of Education，Shanghai Ocean University，Shanghai 201306，China)；4.Collaborative Innovation Center for Distant-water Fisheries，Shanghai 201306，China）

Pacific saury（Cololabis saira）is an important oceanic fish, and its abundance index is significantly influenced by marine environment. According to the catch data (Catch per fishing unit, CPUE) of Pacific saury during 1989 to 2012 in the northwestern Pacific Ocean, and the corresponding marine environmental data, including monthly of Trans-Nino index (TNI) from January to December, the sea surface temperature (SSTkuroshio) in the Kuroshio area during January and sea surface temperature in the Oyashio area (SSTOyashio) during June, the forecasting model on abundance index for Pacific saury has been built and compared by using BP neural network . Based on comparing of 14 kinds of neural network models, and the actual validation of CPUE, the forecasting model of fitting residual error to a minimum is considered as the optimal prediction model. The studies indicated that monthly TNI index, SSTkuroshio, and SSTOyashiohas significant effects on abundance index, The BP neural network model with 14-10-1 structure has the lowest relative error of 0.000 681, which can be used as the forecasting model of abundance index for Pacific saury in the northwestern Pacific ocean.

Pacific saury; abundance index; Kuroshio current; Oyashio; Forecasting model; Neural network

S932.4

A

1673-9159（2015）06-0058-06

10.3969/j.issn.1673-9159.2015.06.011

2015-07-27

国家863计划(2012AA092303)；海洋局公益性行业专项（20155014）

谢斌（1991—），男，浙江余姚人，研究生，主要从事渔业资源方向研究。E-mail：m140350594@st.shou.edu.cn

陈新军, 男，教授。Tel: 021–61900306，E-mail：xjchen@shou.edu.cn