共查询到16条相似文献，搜索用时 109 毫秒
1.
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
2.
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
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.
中西太平洋金枪鱼围网渔业鲣鱼资源的时空分布 总被引：7，自引：0，他引：7
利用灰色关联度方法及渔业地理信息系统软件Marine Explorer4.0对1990~2001年中西太平洋金枪鱼围网渔业鲣鱼资源的时空变化进行了研究,结果表明,12年间中西太平洋鲣鱼产量的空间分布可归为3类:1990、1991、1995和1996年的为第一类,鲣鱼产量的主要分布区位于西部海域;1998、1999和2001年的为第二类,鲣鱼产量的主要分布区比第一类偏东20个经度;1992、1993、1994、1997和2000年的为第三类,鲣鱼产量的主要分布区的范围比前两类广。单位捕捞努力量的鲣鱼渔获量高分布区与产量空间分布区基本相似。灰色关联度的分析表明,12年中,1998、2000、1994、1995和1999年5年的鲣鱼资源丰度较高,1990、1991、1997和2001年4年的鲣鱼资源丰度较低,1996、1992和1993年3年的鲣鱼资源丰度处于中等水平。 相似文献
5.
西北太平洋柔鱼(Ommastrephes bartramii)是我国鱿钓船队重要捕捞对象,其资源分布的时空变化对资源的可持续开发和利用有重要影响。本文以2000?2015年7?10月西北太平洋柔鱼渔业数据的单位捕捞努力量渔获量作为应变量,以年份、月份、经度、纬度、海表面温度、海表盐度、海面高度、叶绿素a浓度作为自变量,构建BP神经网络模型,推测该段时间西北太平洋柔鱼丰度时空变化规律,并探究环境因子对柔鱼资源丰度的影响。通过比较,确定输入层为年份、月份、经度、纬度、海表面温度和海表盐度,隐含层神经元数量为8的模型均方误差最小,模型最优。结果表明,单位捕捞努力量渔获量年间波动明显,每年的7月、10月柔鱼资源丰度较低,且空间分布分散在整个作业渔场,8月、9月资源丰度较高,并集中在41.5°～43.5°N, 155°～160°E局部区域。研究认为,海表面温度和海表盐度对柔鱼资源丰度时空变动有较大影响,在今后柔鱼资源评估与管理中予以考虑。 相似文献
6.
西北太平洋柔鱼丰度的灰色灾变预测 总被引：1，自引：0，他引：1
柔鱼(Ommastrephes bartramii)为短生命周期的头足类，其资源丰度极易受海洋环境变化影响，年间波动较大。根据1995?2017年西北太平洋柔鱼渔业生产统计数据，以单位捕捞努力量渔获量(CPUE)作为资源丰度指数，运用灰色灾变预测方法对上、下限灾变年份建立GM(1, 1)模型，预测未来灾变年份。结果显示，以GLM模型标准化CPUE建立的下限灾变预测模型的平均相对误差为15.32%，上限灾变预测模型的平均相对误差为8.19%，模型精度检验等级均为Ⅰ级。研究认为，下一个资源丰年(CPUE大于2.39 t/(船·a))将出现在2021年，资源歉年(CPUE小于2.13 t/(船·a))将出现在2027年；太平洋年代际涛动与El Ni?o-La Ni?a事件是驱使柔鱼丰度大幅度波动的重要因素。该预测结果可为西北太平洋鱿钓生产企业和管理部门提供参考。 相似文献
7.
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
8.
中西太平洋是全球主要的鲣鱼（Katsuwonus pelamis）围网作业渔场,渔场极易受到海洋环境的影响,但渔场分布在众多岛国的管辖海域,如何科学指导企业准确入渔是重要的研究课题。本文根据1995-2012年中西太平洋鲣鱼围网捕捞生产统计数据,选取产量最高的22个海区（5°×5°）,结合Niño3.4区海表温度距平值（SSTA）和作业海域表温（SST）,研究中西太平洋鲣鱼围网渔场的空间分布规律,同时,以各海区捕捞努力量（作业次数）所占的百分比为入渔指标,建立基于环境因子的入渔决策模型。研究认为,中西太平洋鲣鱼捕捞努力量在纬度方向上主要分布于5°S~5°N,其累计捕捞努力量占所有作业海区的87.4%,其中以130°~140°E经度范围为最高,其捕捞努力量占22个海区的45.08%。入渔指标与Niño3.4区的SSTA、作业海域SST均符合正态模型（P<0.01）,Niño3.4区的SSTA最适值为0.25℃,作业海域SST最适值在29.5℃左右。对预测和实际排名前十的海域进行统计发现,预测值与实际值基本一致。研究认为,所建立的入渔预测模型可有效指导企业的渔业生产,为提高企业生产效率提供支撑。 相似文献
9.
印度洋鲣鱼围网资源渔场时空变化及其与ENSO的关系 总被引：1，自引：0，他引：1
鲣鱼是印度洋重要的金枪鱼种类之一,其资源丰度与海洋环境关系密切。本研究根据1980-2010年印度洋鲣鱼围网生产统计数据以及海洋环境与厄尔尼诺-南方涛动（ENSO）指数等,对印度洋鲣鱼围网资源渔场时空分布,以及厄尔尼诺年和拉尼娜年等不同尺度气候条件下鲣鱼资源渔场时空变动及其与海洋环境因子的关系进行分析。研究结果表明,1980-2010年印度洋鲣鱼围网渔获量基本保持不断增加的趋势,但CUPE值变化幅度较大,最低仅为0.68 t/d（1997年）,最高达到1.58 t/d（2002年）。同时鲣鱼资源丰度（CPUE）与Ni?o3.4区指数存在显著的负相关关系,即厄尔尼诺年,鲣鱼CPUE 随之下降,拉尼娜年,CPUE 随之上升。ENSO现象对鲣鱼渔场时空分布也有显著影响,厄尔尼诺发生时,鲣鱼围网作业渔场重心会向东、向北移动,而拉尼娜年则向西、向南移动。 相似文献
10.
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
11.
Cheng Zhou Yuanyuan Hu Jie Cao Liuxiong Xu Xuefang Wang Rong Wan Yu Xiao Jiangfeng Zhu Hao Tang 《海洋学报(英文版)》2022,41(3):1-2
In the western and central Pacific Ocean, upper strata waters exhibit highly dynamic oceanographic features under ENSO variability. This has been proved to be responsible for the dynamic change of both abundance and zonal distribution of skipjack tuna(Katsuwonus pelamis). Although causality has been suggested by researchers using physical–biological interaction models, cumulative evidence needs to be obtained and the tenability of assertion needs to be tested from an ecological habitat perspecti... 相似文献
12.
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
13.
黄鳍金枪鱼索饵水层影响延绳钓捕捞效率,而黄鳍金枪鱼索饵水层分布受水温垂直结构的影响,因此本文采用GAM模型分析次表层环境变量对延绳钓黄鳍金枪鱼渔获率的影响,评估黄鳍金枪鱼垂直水层分布对中西太平洋黄鳍金枪鱼延绳钓单位捕捞努力量渔获量(Catch Per Unite Effort, CPUE)的作用。模型结果表明,环境因子对热带中西太平洋延绳钓黄鳍金枪鱼渔获率空间分布影响明显。黄鳍金枪鱼延绳钓CPUE在2012年之后快速增多,高渔获率月份出现在北半球夏季,空间上在10°S,140°E附近区域。温跃层上界温度和深度、温跃层下界深度、18℃等温线深度、△8℃等温线深度及其和温跃层下界深度的深度差对延绳钓渔获率影响较大,是影响热带中西太平洋黄鳍金枪鱼延绳钓渔获率的关键环境因子。随着温跃层上界温度和深度值变大,延绳钓CPUE逐渐递增,对延绳钓CPUE影响密切的温度和深度分别为27～28℃和70～90 m。温跃层下界深度对延绳钓CPUE影响在250～280 m时最大;之后随着下界深度的变大,CPUE快速下降。18℃等温线深度对延绳钓CPUE影响呈现先震荡后递增的趋势,影响密切的区域在230 m深度上下。△8℃等温线深度与温跃层下界深度的差值对热带中西太平洋黄鳍金枪鱼延绳钓CPUE影响呈现先快速递减后缓慢增加的趋势,在深度差为70 m上下时影响最密切。研究结果揭示,在黄鳍金枪鱼活动水层受限或栖息水层和延绳钓作业深度相吻合时,延绳钓渔获率最高。依据黄鳍金枪鱼垂直活动水层调整延绳钓投钩,可以提高渔获率。因此,采用延绳钓CPUE进行渔场和资源评估时要考虑金枪鱼适宜垂直活动空间。 相似文献
14.
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
15.
16.
基于GAM模型分析印度洋大眼金枪鱼和黄鳍金枪鱼渔场分布与不同环境因子关系 总被引：2，自引：0，他引：2
印度洋金枪鱼延绳钓渔业作为我国重要的远洋渔业之一，探究其渔场时空变动及与环境因子之间的关系十分必要。本文根据2016年1—6月收集的印度洋金枪鱼渔业生产数据，并结合卫星遥感获取的环境因子数据，运用ArcGIS和GAM模型分析了印度洋大眼金枪鱼和黄鳍金枪鱼渔场时空变动及与环境因子之间的关系。研究结果表明:大眼金枪鱼和黄鳍金枪鱼1—6月CPUE均呈现先减小后增加的趋势，4月均达最高值，分别为2.45尾/千钩和3.56尾/千钩，各月CPUE均存在显著性差异（P<0.001）；大眼金枪鱼和黄鳍金枪鱼渔场时空变动基本趋于一致，均为先向东北移动，后向西北移动，最后再向东北移动的趋势；GAM模型分析显示，大眼金枪鱼CPUE与模型因子的解释率为32.1%，纬度和250 m水深温度影响最显著，黄鳍金枪鱼CPUE与模型因子的解释率为37.2%，200 m水深温度影响最显著；协同分析表明，1—6月，印度洋金枪鱼延绳钓中心渔场分布于1°S~9.5°N，47°~64°E，且海表温度在29.3~30.8℃的海域。 相似文献