共查询到16条相似文献，搜索用时 765 毫秒
1.
基于产卵场海表温度的阿根廷滑柔鱼资源丰度预测模型研究 总被引：1，自引：0，他引：1
阿根廷滑柔鱼(Illex argentinus)为短生命周期种,其资源丰度易受海洋环境变化的影响,尤其是在产卵场的早期生活史阶段。根据2003?2016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)卫星遥感数据,用相关性分析方法筛选出阿根廷滑柔鱼产卵旺季期间(6月份)表征产卵场SST变化的特征海域;基于阿根廷滑柔鱼产卵场最适SST范围占总面积之比(Ps)与资源丰度单位捕捞努力渔获量(CPUE,t/船)呈正相关性的假设,回溯阿根廷滑柔鱼最适的产卵场及水温环境条件,并据此建立多种基于表征产卵场SST环境因子的资源丰度多元线性预测模型。相关性分析结果表明:6月份有两片连续海域(Area 1、Area 2)的SST与CPUE之间存在显著相关性,分别为42.5°～44°S、57.5°～59°W(Area 1)和39°～39.5°S、45°～46°W(Area 2);回溯的阿根廷滑柔鱼产卵场范围为37.5°～44°S、41.5°～51.5°W,产卵场最适SST范围为16～17.5℃。利用2个特征海域(Area 1、Area 2)SST以及回溯的产卵场Ps建立4种的多元线性资源丰度指数(ICPUE)预测模型,结果表明,包含表征寒暖流的特征海域和回溯产卵场Ps的方案4模型优于其他3种模型,其资源丰度指数预测模型为ICPUE=1.390 4×Ps+0.261 9×SSTArea 1+0.096 2×SSTArea 2?3.248 0。 相似文献
2.
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 总被引：3，自引：2，他引：1
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。 相似文献
3.
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
4.
利用1973-2016年日本西海水产研究所提供的日本鲐(Scomber Japanicus)对马群系的资源量与渔获量数据,结合产卵场1(SG1, 26°~31°N,122°~127°E)、产卵场2(SG2, 30°~35°N,128°~131°E)、索饵场(FG, 35°~38°N,127°~138°E)的海表面温度、太平洋年代际振荡指数(PDO)和Nino3.4区海表温距平值(SSTA),建立基于灰色系统的日本鲐对马群系资源丰度预测模型。灰色关联和相关系数分析结果显示:选择产卵场2的4月、9月海表面温度和索饵场4月海表面温度作为日本鲐资源丰度关键影响因子。建立的模型有:分别包含产卵场2的4月、9月和索饵场4月的海表面温度3个因子的GM(1,2),GM(1,3),GM(1,4)的7种模型。这7种模型的相对残差Q检验值分别为:0.131 0,0.140 2,0.145 9,0.149 3,0.176 7,0.140 3和0.173 5。结果表明,基于产卵场2的4月海表面温度所建立的GM(1,2)模型是对日本鲐对马群系资源丰度最优预测模型。 相似文献
5.
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
6.
《中国海洋大学学报(自然科学版)》2021,(Z1)
太平洋秋刀鱼(Cololabis saira)资源量波动易受海洋环境,尤其是海表温度(SST)变化的影响。本文假设产卵场最适SST范围(P_s)影响环境容纳量(K),索饵场最适SST范围(P_f)影响内禀自然生长率(r),利用2003—2014年西北太平洋渔业数据,建立了基于海表温度的剩余产量模型(EDSP),评估西北太平洋秋刀鱼资源量。研究显示,根据偏差信息准则(DIC)值,基于产卵场海表温度的剩余产量模型(P_s-EDSP)为最优模型。在P_s-EDSP中,最大可持续产量(MSY)为208.56×10~4 t,B_(MSY)水平的生物量为71.46×10~4 t。西北太平洋秋刀鱼的捕捞死亡率为0.15,低于目标水平和MSY水平的捕捞死亡率(F_(tar),F_(MSY)),当前资源生物量高于B_(MSY)。研究结果表明,目前西北太平洋秋刀鱼未遭遇过度捕捞,在其资源评估和管理中应适当考虑产卵场海表温度环境因素。 相似文献
7.
《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
8.
东南太平洋秘鲁海域光合有效辐射对茎柔鱼资源丰度和空间分布的影响研究 总被引：4，自引：2，他引：2
光合有效辐射（PAR）是海洋初级生产力的重要驱动因素之一,因此对海洋鱼类的资源丰度和空间分布产生潜在影响。本文根据2006-2015年1-12月中国鱿钓科学技术组提供的秘鲁外海茎柔鱼捕捞数据和光合有效辐射卫星遥感数据,以单位捕捞努力量渔获量（CPUE）表征资源丰度,以CPUE的纬度重心表征渔场空间分布,评估了东南太平洋秘鲁海域光合有效辐射对茎柔鱼资源变动的影响。结果发现,茎柔鱼渔场的产量、捕捞努力量、CPUE和PAR呈现明显的月间变化,其中CPUE和PAR月间变化规律表现为1-6月降低,7-12月增加的趋势。相关分析法表明,CPUE与PAR呈正相关关系,7月和8月相关性显著,而其余月份相关性不显著。依据频率分布法估算了各月适宜和最适PAR范围,各月最适PAR范围占渔场总面积比例与CPUE呈显著正相关关系,推测茎柔鱼资源丰度可能由各月适宜PAR面积大小决定;同时,最适PAR纬度与CPUE纬度重心呈显著正相关,说明茎柔鱼渔场的空间分布受最适PAR纬度的显著影响。此外,拉尼娜年份茎柔鱼适宜PAR面积要显著高于厄尔尼诺年份。研究表明,茎柔鱼资源丰度和空间分布受光合有效辐射的显著影响,其调控作用在不同气候条件下呈现不同的变化规律。 相似文献
9.
水温是影响太平洋褶柔鱼冬生群生长、繁殖、补充的重要因素之一。根据2004–2015年太平洋褶柔鱼冬生群渔业数据和其栖息地环境数据,包括1月产卵场(28°～35°N,125°～130°E)和9月索饵场(31°～38°N,128°～132°E)海表面温度(Sea Surface Temperature,SST),建立了基于SST因子的太平洋褶柔鱼冬生群体的剩余产量模型,分析SST对太平洋褶柔鱼冬生群资源量的影响,对该模型的各项指标进行验证,发现该模型的预测精度较高。结果表明:太平洋褶柔鱼冬生群当年的资源量及渔获量主要受索饵场SST影响,而产卵场SST对其当年渔获量影响不显著。由此建议在今后对产卵场SST因子是否对次年的渔获量及资源量产生影响进行研究,同时渔业管理部门也应根据每年海洋环境状况确定其最大可持续产量,并实时调整管理方案。 相似文献
10.
东海马鲛鱼(Scomberomorus Niphonius)的种群动态易受海洋环境条件的影响,在其资源评估和管理中需要考虑海洋环境条件的作用。假设马鲛鱼产卵场最适海表温度10～19℃(Suitable SST,Tsui)范围会影响种群环境容纳量(K),因此分别使用产卵季3月最适表温范围比值(Tsui-Mar)、4月最适表温范围比值(Tsui-Apr)和3、4月份最适表温范围比值的平均值(Tsui-Ave)作为剩余产量模型的环境因子,构建三种基于环境因子的剩余产量模型(environmentally dependent surplus production,EDSP),分别为Tsui-MarEDSP、Tsui-Apr-EDSP和Tsui-Ave-EDSP,利用贝叶斯估计模型参数,结果显示Tsui-Mar、Tsui-Apr、Tsui-Ave三个基于环境因子的EDSP模型偏差信息标准(deviance information criterion,DIC)值小于传统的剩余产量模型的DIC值,其中Tsui-Ave-EDSP模型DIC值最小,精度最高,估计的最大可持续产量(maximum sustainable yield,MSY)的范围为8.125×106～8.371×106 t,资源量(biomass)范围是1.429×106～1.455×106 t,从1994年到2015年,马鲛鱼的捕捞死亡率远低于目标死亡率(Ftar)和MSY水平捕捞死亡率(FMSY),种群资源量高于MSY水平资源量(BMSY)。东海马鲛鱼没有被过度捕捞或未发生过度捕捞,基于EDSP模型中的管理参考点更为保守,建议日后东海马鲛鱼的种群评估和管理应考虑产卵场环境条件。 相似文献
11.
基于随机森林的印度洋长鳍金枪鱼渔场预报 总被引：8，自引：1，他引：7
为了提高远洋渔场预报水平和满足渔业生产的需要,提出了一种基于随机森林建立印度洋长鳍金枪鱼(Thunnus alalunga)渔场预报模型的方法。选取2002-2009年各个月份印度洋5°×5°格点渔业环境和时空数据(包括海表温度、叶绿素a浓度、表温距平、叶绿素a浓度距平、海表温度梯度强度和海面高度异常等数据)作为预测变量,利用长鳍金枪鱼的CPUE(Catch per unit effort,单位:尾/千钩数)的三分位点将渔区划分为高CPUE、中等CPUE和低CPUE三种类型,作为响应变量,对数据进行训练。结果表明,当随机森林中决策树达到100以上时,袋外数据OOB(out-of-bag)的分类误差率趋于平稳。将训练得到的随机森林用于2010年印度洋长鳍金枪鱼分月渔场的预测,其概率等值面图与实际生产的渔场分布进行叠加比较,显示高CPUE渔场概率分布与实际渔场的位置及范围变化情况符合。通过ROC(Relative Operating Characteristic)分析,高CPUE、中等CPUE和低CPUE的AUC(Area Under ROC Curve)分别达到0.847、0.743和0.803,表明预测精度较高。最后对中等CPUE渔区预测精度相对较低的原因进行了分析。 相似文献
12.
基于灰色系统的西北太平洋柔鱼冬春生群资源丰度预测模型 总被引：5，自引：2，他引：3
柔鱼（Ommastrephes bartramii）是西北太平洋重要的经济头足类之一,科学预测柔鱼资源丰度有利于其合理的开发和利用。研究结合1998-2008年北太平洋柔鱼生产统计数据和产卵场环境及其气候因子,使用灰色关联分析和灰色预测建模的方法,对产卵期内（1-4月）影响柔鱼冬春生群体资源丰度（CPUE）的产卵场环境以及气候指标进行分析,并建立柔鱼冬春生群体资源丰度的预报模型。结果表明,产卵期内影响柔鱼冬春生群体资源丰度的因子依次是:3月份产卵场平均海表面温度SST（average sea surface temperature）、1月份太平洋年代际震荡指数PDO（Pacific Decadal Oscillatio index）,4月份Niño3.4指标和4月份平均叶绿素浓度Chl a（average chlorophyll a concentration）。灰色预报模型分析表明,基于3月份SST、1月份PDO和4月份Chl a的GM（1,4）模型有着较好的预测效果,其预测准确率在80%以上,可用于西北太平洋柔鱼冬春群体资源丰度的预测。 相似文献
13.
基于灰色系统西南大西洋阿根廷滑柔鱼资源丰度预测模型的构建 总被引：3，自引：0，他引：3
阿根廷滑柔鱼（Illex argentinus）是西南大西洋鱿钓渔业的主要作业鱼种,对资源丰度进行准确的预测可指导企业合理安排渔业生产。因此,本研究根据2000-2016年我国西南大西洋阿根廷滑柔鱼的生产数据,以单位捕捞努力量的渔获量（Catch per unit effort, CPUE）为阿根廷滑柔鱼资源丰度的指标,利用灰色绝对关联分析和灰色预测建模的方法（GM（0, N））,计算2001-2015年CPUE的时间序列值与产卵期（6-8月）产卵场海表面温度（Sea surface temperature, SST）时间序列值的灰色绝对关联度,选取产卵场海域中灰色绝对关联度大于0.90的海区SST建立资源丰度预测模型,并用2016年实际CPUE进行验证。灰色绝对关联分析表明,6-8月,30°~40°S,45°~60°W海域内存在若干海区的SST与次年对数CPUE时间序列呈现较强的关联度,可作为预报因子。GM（0, N）模型结果表明,以6-8月产卵场SST作为环境因子建立的模型4能较好地拟合出阿根廷滑柔鱼资源丰度变动趋势,与2016年真实值相比,相对误差为7%,该模型可较好地作为阿根廷滑柔鱼资源丰度的预测模型。相反,包含6月和7月SST的模型1效果优于不包含6月SST的模型2或不包含7月SST的模型3,拟合得到的2016年的数据与真实值相比,相对误差分别为128%和289%,这说明6月和7月是西南大西洋阿根廷滑柔鱼的主要产卵月份。 相似文献
14.
15.
海洋环境因子对澳洲鲐亲体补充量关系的影响——基于贝叶斯模型平均法的研究 总被引：1，自引：1，他引：0
澳洲鲐（Scomber australasicus）是西北太平洋重要的中上层经济鱼类,生命周期相对较短,资源量受补充量影响明显,了解澳洲鲐太平洋群系补充量状况对掌握其资源量及确保其可持续利用具有重要的意义。本文利用产卵场1（30°~32°N,130°~132°E）海表面温度（sea surface temperature,SST1）、产卵场2（34°~35°N,138°~141°E）海表面温度（SST2）、索饵场（35°~45°N,140°~160°E）海表面温度（SST3）、潮位差（tidal range,TR）、太平洋年代际涛动（Pacific decadal oscillation,PDO）和亲体量（spawning stock biomass,SSB）6个影响因子任意组合与补充量构建多个模型,运用贝叶斯模型平均法（Bayesian model averaging,BMA）分析各个环境因子对资源补充量的解释能力,并预测其补充量的变化。结果表明,SSB对补充量具有最长期且稳定的解释能力,其次是SST3,PDO、TR、SST2、SST1也对补充量模型具有一定的解释能力。SST3是环境因子中影响最大的因子,可能是由于补充群体在索饵场内生活时间较长,索饵场温度对仔鱼或鱼卵的生长存活有较大的影响。研究认为,基于BMA的组合预报综合考虑了各个模型的优势,优于单一模型,可用于澳洲鲐资源补充量的预测。 相似文献
16.
In order to improve the forecasting ability of the fishery forecast model for the longline bigeye tuna (Thunnus obesus), we proposed a marine environment feature extraction method based on deep convolutional embedded clustering (DCEC), combined with generalized additive model (GAM) for forecasting the longline bigeye tuna fishing grounds in the Southwest Indian Ocean. We used the MODIS-Aqua and MODIS-Terra sea surface temperature (SST) three-level inversion image data (in days) from January to December in 2018 at 0.041 6°×0.041 6° to construct a DCEC model, determined the optimal number of clusters based on the Davies-Bouldi index (DBI), and extracted the category feature value (FM) of each month’s sea surface temperature (SST); we used monthly 1°×1° bigeye tuna longline fishery data from January to December in 2018 generated from the Indian Ocean Tuna Commission (IOTC), and calculated the catch per unit effort (CPUE); we matched the monthly category feature value FM and the monthly average value of Chl a concentration with the CPUE data to construct an improved GAM; we matched the monthly average SST, the monthly average Chl a concentration and CPUE data to build a basic GAM; we used the joint hypothesis test (F test) to verify the influence of model explanatory variables; we used akaike information criterion (AIC), mean square error (MSE), and draw the frequency distribution diagrams and box diagrams of measured and predicted values, etc., to analysis the improvement effect of the improved GAM compared to the basic GAM. The results showed that: (1) the category feature value (FM) extracted based on the DCEC model could better reflect the temporal and spatial dynamic characteristics of SST in the Southwest Indian Ocean, and was related with the climatic conditions, monsoon conditions, and hydrological characteristics in the Southwest Indian Ocean; (2) the factor interpretation of FM was higher than that of the monthly average SST in GAM, which means FM had more significant impact on the CPUE of bigeye tuna. The high catch rate was concentrated in the areas where the FM category was 2, 10, 24 with intersections between the warm and cold currents; (3) the AIC of the improved GAM was reduced by 9.17% than that of the basic GAM and MSE of the improved GAM was reduced by 26.7% than that of the basic GAM; the frequency distribution of the CPUE logarithmic value predicted by the improved GAM was closer to the normal distribution, and the high frequency distribution interval was closer to that of the measured value; the scatter plot showed that the CPUE predicted by the improved GAM had a significant correlation with the measured CPUE, with r equaled to 0.60. This study proves the effectiveness of the DCEC model in extracting marine environmental features, and can provide a reference for the further study on the bigeye tuna fishery forecast. 相似文献