共查询到17条相似文献，搜索用时 171 毫秒
1.
东南太平洋茎柔鱼(Dosidicus gigas)是短生命周期大洋性经济鱼类,其资源量受环境因素变化的影响较大。根据我国鱿钓船队2013~2017年在东南太平洋的生产统计数据,结合海洋环境数据包括海表面温度(SST)、海表面盐度(SSS)、叶绿素a浓度(chl a),运用BP神经网络(back propagation network)模型来标准化单位捕捞努力量渔获量(catch per unit effort, CPUE,也称名义CPUE)。以均方误差(mean square errors, MSE)和平均相对变动值(average relative variances, ARV)为最优模型判断依据,比较隐含层节点3-10的神经网络模型,发现6-9-1结构为最优模型。用Garson算法解释模型结果,发现各输入层因子对东南太平洋茎柔鱼资源丰度影响重要度排序为chl a、SST、经度(Lon)、SSS、纬度(Lat)、月份(Month)。并作名义CPUE和标准化CPUE资源丰度对比分布图,结果显示CPUE与标准化CPUE总体分布状况基本一致,但局部区域存在明显差异, 80°~85°W及10°~20°S海域适宜鱿钓生产,表明BP神经网络模型可以适用于东南太平洋茎柔鱼的CPUE标准化,从而为鱿钓渔业生产提供一定参考依据。 相似文献
2.
海洋盐度在水循环、海洋环流、海洋生态系统、全球天气和气候变化等方面起着至关重要的作用。然而, 受观测的限制, 以往对海洋盐度的研究相对匮乏, 对其进行预报的工作更为少见。本文采用线性马尔可夫模型对印度洋海表面盐度(sea surface salinity, SSS)开展初步的预报工作。根据混合层盐度收支方程, 选择海表面高度(sea surface height, SSH)、海表面温度 (sea surface temperature, SST)、SSS等物理量的异常值作为模型的组成部分, 对印度洋SSS开展预报工作。结果表明, 马尔可夫模型可提前9个月对印度洋SSS进行较好的预报。此外, 南太平洋海表面温度异常(sea surface temperature anomaly, SSTA), 海表面高度异常(sea surface height anomaly, SSHA)和印度洋偶极子(Indian Ocean dipole, IOD)系数等遥相关因素的加入可将线性马尔可夫预报对印度洋SSS的预报效果(相关系数)平均提高10%。利用改进的模型对印度洋SSS进行提前1~11个月的“实时”预测, 得出预报的SSS时空变化特征与观测场相吻合。综上所述, 改进的线性马尔可夫模型对印度洋SSS具有一定的预测能力, 未来可进一步完善。 相似文献
3.
渔场资源与位置的变动由空间与环境因子共同驱动,远洋渔场时空演变信息的精准预测是远洋捕捞的关键支撑。该研究考虑渔业生产统计数据,并兼顾同期海洋环境数据包括海表面温度（Sea surface temperature, SST）、海表面盐度（Sea surface salinity, SSS）、初级生产力（primary productivity, PP）和溶解氧浓度（dissolved oxygen concentration, O2）,提出了一种融合卷积长短期记忆网络（ConvLSTM）和卷积神经网络（CNN）的渔场时空分布预测模型。首先对时空因子进行编码,提取高层时空特征;其次采用CNN提取海洋环境变量的抽象特征,并基于ConvLSTM提取渔业数据的时空特征,最后融合高层时空关联信息对渔场时空演变趋势进行预测。以1995－2018年太平洋海域的延绳钓生产数据对模型进行验证,模型的根均方误差为0.1036,实验对比发现较传统渔场预报模型的预测误差降低15%~40%,预测的高产渔区与实际作业的高渔获量区匹配度高。该研究构建的渔场时空预测模型能够准确地预测出太平洋长鳍金枪鱼的时空分布,为太平洋长鳍金枪鱼的延绳钓渔业提供科学参考依据。 相似文献
4.
5.
海表面二氧化碳分压(pCO2)的未来变化趋势,对统计评估全球碳收支以及理解全球气候变化背景下的海洋酸化现象至关重要。目前传统的海面pCO2预测方法大部分基于有限的实测数据,然而实测数据存在着时间和地理方面的制约,且计算成本较高。近年来,随着时空观测数据的爆炸性增长,基于深度学习的数据驱动模型在海表面pCO2预测方面中表现出良好的潜力。然而,由于多种环境因素与海表面pCO2之间的关系错综复杂,到目前为止尚无十分简单有效的相关模型来对海表面pCO2进行预测。为应对这一挑战,利用时空卷积长短时记忆神经网络(ST-ConvLSTM)模型,通过海面温度(sea surface temperature, SST)、海面盐度(sea surface salinity, SSS)、叶绿素a浓度(chl a)和海面pCO2数据,预测南海的海面pCO2,并将2019年1～12月的数据作为测试集对模型的表现进行了验证。结果显示, ST-ConvLSTM模型... 相似文献
6.
《海洋学报》2021,43(8)
为提高大眼金枪鱼(Thunnus obesus)延绳钓渔情预报模型的预测能力,本研究提出了一种基于深度卷积嵌入式聚类(DCEC)的海洋环境时空特征提取方法,结合广义可加模型(GAM)对西南印度洋大眼金枪鱼延绳钓渔场进行预报。采用2018年1-12月0.041 6°×0.041 6°的MODIS-Aqua和MODISTerra海表面温度三级反演图像数据(以日为单位)构建DCEC模型,基于Davies-Bouldi指数(DBI)确定最佳聚类数,在此基础上提取各月海表温度(SST)的类别特征值F M;采用美国国家海洋和大气管理局网站2018年1-12月1°×1°的Chl a浓度月平均值作为辅助环境特征因子;采用印度洋金枪鱼委员会2018年1-12月1°×1°的大眼金枪鱼延绳钓渔业数据(以月为单位),计算单位捕捞努力量渔获量(CPUE);将SST月类别特征值F M、Chl a浓度月平均值与CPUE数据进行时空匹配,构建改进GAM;采用SST月平均值、Chl a浓度月平均值与CPUE数据构建基础GAM;采用联合假设检验(F检验)验证模型解释变量对响应变量的影响;采用赤池信息准则(AIC)、均方误差(MSE)、绘制实测值和预测值的散点图并计算相关系数r,分析改进GAM相比于基础GAM的提升效果。实验结果表明:(1)基于DCEC模型提取的F M能够较好地反映西南印度洋海表温度的时空动态特征与规律,并与西南印度洋的气候条件、季风状况和水文特征等相互耦合;(2) F M相比SST平均值的因子解释率更高,对大眼金枪鱼CPUE影响更为显著,高渔获率集中在暖冷流交汇区域;(3)改进GAM相比基础GAM的AIC值降低了9.17%,MSE降低了26.7%,散点图显示改进GAM预测的CPUE对数值与实测CPUE对数值的相关性较显著,r为0.60。本研究证明了DCEC模型在海洋环境特征提取方面的有效性,可为后序大眼金枪鱼延绳钓渔情预报模型的改进研究提供参考。 相似文献
7.
本文利用2003-2011年西南大西洋阿根廷滑柔鱼渔业数据和海洋环境数据，包括海表温度（sea surface temperature， SST），海面高度（sea surface height， SSH）和叶绿素浓度（chlorophyll a， Chl a），开发基于广义加性模型（GAM）和神经网络模型（NNM）的复合模型研究滑柔鱼资源时空分布。GAM用于选择关键影响因子，并分析与单位捕捞努力量渔获量（catch per unit effort， CPUE）的关系，NNM用于建立关键影响因子与CPUE之间的预报模型。结果表明：GAM选择的影响因子的偏差解释率为53.8%，空间变量（经度和纬度），环境变量（SST、SSH、Chl a）均匀CPUE之间存在显著相关性。CPUE与SST和SSH之间为非线性关系，与Chl a之间为线性关系。NNM模型的MSE和ARV较低，其精度高且稳定。此复合模型也能够解释解释西南大西洋阿根廷滑柔鱼时空变化趋势和迁徙模式。 相似文献
8.
掌握海洋环境因子对长鳍金枪鱼(Thunnus alalunga)资源密度分布的影响有利于该资源的可持续利用。根据2013年9-12月在库克群岛海域利用延绳钓调查所获得的共计56个站点的长鳍金枪鱼渔获率数据,以及测得的温度、叶绿素a浓度、水平海流及垂直海流等环境因子数据,采用支持向量机方法分析了各水层(40.0~239.9 m,每40 m为一层)及整个水体中各个环境因子与长鳍金枪鱼渔获率的关系并建立了长鳍金枪鱼栖息环境综合指数(IHI)模型,并利用验证站点对模型进行了验证。结果表明:(1)预测渔获率与其对应的名义渔获率无显著性差异;(2)IHI模型的预测能力较好,能有效预测长鳍金枪鱼的分布;(3)不同水层影响长鳍金枪鱼分布的主要因素不同,在40.0~79.9 m、80.0~119.9 m、120.0~159.9 m、160.0~199.9 m和200.0~239.9m水层其分布分别主要受叶绿素a浓度、水温、垂直海流、叶绿素a浓度和温度的影响。整个水体影响长鳍金枪鱼分布的主要因素为温度;(4)长鳍金枪鱼分布密度较高的水层为120.0~199.9 m;(5)长鳍金枪鱼IHI指数分布较高的3个区域分别为9°00′S-12°20′S,159°00′W-164°00′W、13°30′S-14°30′S,159°00′W-161°00′W和10°30′S-12°30′S,167°00′W-168°00′W,建议在上述海域作业时,应使钓具沉降到120~199.9 m水层,以减少其它物种的兼捕率并提高长鳍金枪鱼的渔获率。 相似文献
9.
基于表层及温跃层环境变量的南太平洋长鳍金枪鱼栖息地适应性指数模型比较 总被引：2，自引：0，他引：2
为了量化比较海表层环境及温跃层环境对南太平洋长鳍金枪鱼渔场分布的影响程度;本研究采用2010-2012年南太平洋长鳍金枪鱼延绳钓渔船实际生产统计数据;结合卫星遥感所获取的海表面温度（sea surface temperature;SST）和海表面高度（sea surface height;SSH）数据以及Argo浮标所获取的温跃层上、下界水温和深度数据;运用外包络法分别构建了基于海表层环境变量、温跃层上界环境变量以及温跃层下界环境变量的3种栖息地适应性指数（habitat suitability index;HSI）模型。模型验证结果显示;基于海表层环境变量的HSI模型;HSI>0.6时所占产量比重为70.04%;投钩数量比重为70.86%;HSI>0.8时所占产量比重为24.92%;投钩数量比重为25.79%;基于温跃层上界环境变量的HSI模型;HSI>0.6时所占产量比重为82.17%;投钩数量比重为80.95%;HSI>0.8时所占产量比重为33.24%;投钩数量比重为32.69%;基于温跃层下界环境变量的HSI模型;HSI>0.6时所占产量比重为81.01%;投钩数量比重为81.54%;HSI>0.8时所占产量比重为43.51%;投钩数量比重为43.73%。研究发现;基于温跃层上界和下界环境变量的两个HSI模型预报精度明显高于基于表层环境变量的HSI模型;且基于温跃层下界环境变量的HSI模型预报精度高于基于温跃层上界环境变量的HSI模型。研究结果表明;相较于海表层环境;温跃层环境;尤其是温跃层下界环境特征对南太平洋长鳍金枪鱼资源分布的影响更为显著。 相似文献
10.
海洋环境是影响印度洋黄鳍金枪鱼(Thunnus albacares)资源量的重要原因之一。本文根据1960-2002年印度洋黄鳍金枪鱼亲体-补充量数据,基于以0~40m海水垂直平均温度(Verticalaverage sea temperature,VAST)为代表的环境因子对Ricker式亲体补充量模型进行了优化。分析表明,印度洋4月0~5°N、80°E~85°E,5月、6月0~5°N、45°E~50°E,7月、8月5°N-10°N、90°E-95°E,12月5°N-10°N、70°E-75°E等海域的VAST对印度洋黄鳍金枪鱼的补充量影响最为显著,加入这些VAST环境因子的Ricker模型,其AIC(Akaike information criterion)值明显降低,拟合效果得到明显提高,这表明水温等环境因子对黄鳍金枪鱼的种群补偿过程产生了干扰。 相似文献
11.
基于神经网络的南太平洋长鳍金枪鱼渔场预报 总被引：2，自引：1，他引：1
南太平洋长鳍金枪鱼是我国远洋渔业的重点捕捞对象;对南太平洋长鳍金枪鱼进行准确的渔场预报;可以提高捕捞效率;提高渔业的生产能力。本研究根据1993-2010年南太平洋长鳍金枪鱼的延绳钓生产数据以及海洋卫星遥感数据（海水表面温度;SST;海面高度;SSH）和ENSO（El Niño-Southern Oscillation）指标;采用DPS（data processing system）数据处理系统中的BP人工神经网络模型;以渔获产量（单位时间的渔获尾数）和单位捕捞努力量渔获量（CPUE;Catch per unit of effort）分别作为中心渔场的表征因子;并作为BP模型的输出因子;以月、经度、纬度、SST、SSH和ENSO指标等作为输入因子;分别构建4-3-1;5-4-1;5-3-1;6-5-1;6-4-1;6-3-1等BP模型结构;比较渔场预报模型优劣。研究结果表明;以CPUE作为输出因子的BP人工神经网络结构总体上较优;其中以6-4-1模型结构为最优;相对误差只有0.006 41。研究认为;以CPUE为输出因子的6-4-1结构的人工神经网络模型;能够准确预报南太平洋长鳍金枪鱼的渔场位置。 相似文献
12.
Projecting distributions of Argentine shortfin squid(Illex argentinus) in the Southwest Atlantic using a complex integrated model 总被引：1，自引：0，他引：1
We developed an approach that integrates generalized additive model(GAM) and neural network model(NNM)for projecting the distribution of Argentine shortfin squid(Illex argentinus). The data for this paper was based on commercial fishery data and relevant remote sensing environmental data including sea surface temperature(SST), sea surface height(SSH) and chlorophyll a(Chl a) from January to June during 2003 to 2011. The GAM was used to identify the significant oceanographic variables and establish their relationships with the fishery catch per unit effort(CPUE). The NNM with the GAM identified significant variables as input vectors was used for predicting spatial distribution of CPUE. The GAM was found to explain 53.8% variances for CPUE. The spatial variables(longitude and latitude) and environmental variables(SST, SSH and Chl a) were significant. The CPUE had nonlinear relationship with SST and SSH but a linear relationship with Chl a. The NNM was found to be effective and robust in the projection with low mean square errors(MSE) and average relative variances(ARV).The integrated approach can predict the spatial distribution and explain the migration pattern of Illex argentinus in the Southwest Atlantic Ocean. 相似文献
13.
不同气候模态下西北太平洋秋刀鱼资源丰度预测模型建立 总被引：2，自引：0，他引：2
秋刀鱼（Cololabis saira）资源对海洋环境因素极为敏感，不同气候模态可能对秋刀鱼资源丰度产生不同的影响。根据1990-2014年西北太平洋日本的秋刀鱼渔业中单位捕捞努力量渔获量（CPUE，以此作为资源丰度），以及相应产卵场、索饵场的海表温（SST）遥感数据，探讨太平洋年际震荡（PDO）指数冷、暖年下，秋刀鱼资源丰度CPUE变化与产卵场、索饵场SST的关系，并分别建立资源丰度的预测模型。研究表明，PDO冷年索饵场4月SST与年CPUE显著相关（P<0.05），PDO暖年索饵场11月的SST与年标准化CPUE显著相关（P<0.05）。PDO冷、暖年的秋刀鱼资源丰度的预测模型中，CPUE均与索饵场11月的SST、索饵场4月SST呈现正相关的关系，统计学上为显著相关（P<0.05）。PDO冷年（2012年）和PDO暖年（2014年）的CPUE预测值与实际值相对误差分别为14.03%、-16.26%，具有较好的拟合效果。研究认为，不同气候模态下，可用于秋刀鱼资源丰度预测的环境因子不同，上述建立资源丰度模型可用于业务化运行。 相似文献
14.
15.
基于环境因子的东南太平洋茎柔鱼资源补充量预报模型研究 总被引：4，自引：0，他引：4
东南太平洋茎柔鱼(Dosidicus gigas)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—2012年我国鱿钓船在东南太平洋的生产统计数据,以及茎柔鱼栖息地的海表温度(SST)、海面高度(SSH)、叶绿素a浓度(chl a)数据,利用相关性分析法分析茎柔鱼资源丰度和补充量(以单位捕捞努力量渔获量为指标,t/d)与栖息海域20°S—20°N、110°W—70°W的SST、SSH、chl a浓度的相关性,获取相关系数大的关键海区位置,同时加入茎柔鱼产卵场、索饵场最适表层水温范围占总面积的比例(分别用PS、PF表示)两个参数,建立三种基于主要环境因子的误差反向传播(EBP)神经网络资源补充量预报模型,进行了比较。结果表明:茎柔鱼资源丰度与SST、SSH、chl a浓度的相关系数最大值海域为7月份的Point1(13°N,102°W)海区、9月份的Point3(11°N,102°W)海区和3月份的Point5(8°S,107°W)海区;资源补充量与SST、SSH、chl a浓度的相关系数最大值海域为6月份的Point2(8°N,103.5°W)海区、2月份的Point4(12°N,97.5°W)海区和10月份的Point6(10°S,93.5°W)海区。EBP神经网络预报模型结果认为:基于产卵环境关键影响因子的方案2(以Point2的SST、Point4的SSH、Point6的chl a浓度、PS作为模型输入因子)和基于全部环境关键影响因子的方案3(以Point1与Point2的SST、Point3与Point4的SSH、Point5与Point6的chl a浓度、PS、PF作为模型输入因子)的两种神经网络预报模型均方误差较小,其准确率可达90%左右。 相似文献
16.
日本鲭(Scomber japonicus)是西北太平洋重要的鱼类资源之一，科学预测日本鲭的资源丰度有利于其资源的合理开发和利用。本研究依据日本渔业机构提供的1987–2012年日本鲭太平洋群体的资源量数据，结合产卵场和渔场的海洋环境数据以及气候因子，使用广义加性模型对影响日本鲭太平洋群体的海洋环境和气候因子进行分析，筛选出有显著影响的因子并建立该群体的资源量预测模型。结果表明，与该群体资源量有显著关系的影响因子有:北极涛动指数、太平洋年代际振荡指数、渔场海表面高度、渔场海表面盐度和渔场海表面温度。基于赤池信息准则筛选出的4个资源量预测模型分析表明，包含北极涛动指数、渔场海表面高度和渔场海表面温度的模型有较好的预测效果，该模型的验证结果也通过了t检验(P<0.05)，可用于日本鲭太平洋群体资源量的预测。 相似文献