共查询到17条相似文献，搜索用时 125 毫秒
1.
长鳍金枪鱼（Thunnus alalunga）是金枪鱼延绳钓的主要捕捞对象之一，而库克群岛海域则是重要的长鳍金枪鱼渔场。探究长鳍金枪鱼资源量的时空分布与海洋环境的关系，有利于提高长鳍金枪鱼渔场预报的精确性。根据2017年1月1日至2021年5月31日中国远洋渔业企业的船舶监测系统（Vessel Monitor Systems,VMS）数据，将长鳍金枪鱼渔获尾数和延绳钓放钓钩数匹配到1°×1°的网格中，得出名义单位捕捞努力量渔获量(Catch Per Unit Effort,CPUE)。对CPUE作正态性检验，以天为时间分辨率，选取月份、经纬度、叶绿素a浓度、海表面高度，以及0～300 m水层的温度、盐度、溶解氧浓度等26个时空与环境因子作为变量，对CPUE与时空环境因子作相关性分析，对环境变量进行多重共线性诊断，按照季度分析长鳍金枪鱼渔场的分布变化，利用GAM评价各因子对长鳍金枪鱼CPUE的影响。结果显示：（1）第二季度12°S以南渔场的CPUE明显高于以北的区域，第三季度渔场分散且CPUE值不高，第四季度CPUE为年中最高。（2） GAM结果显示，对长鳍金枪鱼CPUE影响最显著的为海... 相似文献
2.
基于贝叶斯分类器的南海黄鳍金枪鱼渔场预报模型 总被引：1，自引：0，他引：1
本文利用来自中西太平洋渔业委员会(WCPFC)黄鳍金枪鱼延绳钓2000-2011年的历史渔获数据和美国国家海洋和大气管理局(NOAA)气候预报中心提供的海表温度最优插值数据和法国空间局(CNES)卫星海洋数据中心提供的多卫星融合高度计月合成海面高度资料,基于贝叶斯分类器,根据模型中环境因子的选取以及渔区分类策略的不同预拟了8种构建方案对2011年南海外海黄鳍金枪鱼的渔场进行分类预报,并将预报结果与实际渔场进行对比检验,比较分析不同方案对最终分类结果和精度的影响。检验结果表明,方案1-8总体精度分别为71.4%、75%、70.8%、74.4%、66.7%、68.5%、57.7%和63.7%。方案1-6在65%以上,均能够满足实际渔场预报业务化需求。采用SST和SSH双环境因子的方案均比采用单SST环境因子的方案总体精度稍高,一定程度上提高了预报精度,其中采用去除SST和SSH相关性的第一主分量作为预报因子的方案2达到了75%最高精度。采用CPUE平均值正负标准差作为节点比以33.3%与66.7%作为节点来区分高、中、低CPUE渔区的预报结果要更加准确。因此在模型筛选的基础上,选用模型方案2完成南海金枪鱼渔场渔情预报服务系统的系统实现。 相似文献
3.
基于多因子栖息地指数模型的南太平洋长鳍金枪鱼渔场预报 总被引：2，自引：0，他引：2
《海洋湖沼通报》2015,(2)
长鳍金枪鱼作为高度洄游的大洋性鱼类,因其经济价值高、资源量丰富而成为世界海洋渔业的主要捕捞对象之一。根据2006-2010年南太平洋长鳍金枪鱼的生产数据,结合叶绿素-a浓度、海洋表面温度和海洋表面盐度资料,运用一元非线性回归方法,按月份建立基于各环境因子的长鳍金枪鱼栖息地适应性指数,采用算数平均法获得基于多海洋环境因子的综合栖息地适应性指数模型,并以此来预报中心渔场。利用2011年生产数据及海洋环境资料对栖息地指数模型进行验证。研究表明:中心渔场主要分布在HSI大于0.6的海域,预报准确率接近70%。因此,基于叶绿素-a浓度、表层温度和表层盐度的综合栖息地模型能较好的预测南太平洋长鳍金枪鱼中心渔场。 相似文献
4.
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
5.
长江口涨潮与落潮流速和悬沙输运不对称性研究 总被引：1，自引：0，他引：1
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
6.
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
7.
长鳍金枪鱼(Thunnusalalunga)是主要的经济性金枪鱼鱼种之一,其空间分布与环境因子存在着密切联系。利用2012—2019年印度洋长鳍金枪鱼生产数据和海洋环境数据,包括海表面温度(sea surface temperature, SST)、叶绿素浓度(chlorophyll a, chl a)和海表面盐度(sea surface salinity, SSS)构建印度洋长鳍金枪鱼时空分布神经网络模型。以空间(经度,纬度)、环境因子(SST, chl a, SSS)为解释变量,局部渔获量为因变量,变化隐含层节点数,构建了18个BP空间分布模型,并采用10×10交叉验证模型稳定性,以均方误差(meansquareerror,MSE)、平均相对方差(averagerelativevariance,ARV)以及拟合优度(R~2)作为不同模型精度与稳定性的评判标准,最终选取5-18-1(隐含层节点18)模型为最佳模型,其平均MSE值为0.02232,平均ARV值为0.511。利用最优模型预测结果与同期实际捕捞产量进行叠加对比发现两者具有一致性。环境因子敏感性分析表明海表温度显著影响印度洋长鳍金枪鱼渔场分布,其贡献率达到0.2。印度洋长鳍金枪鱼高精度BP神经网络时空分布模型为其资源的可持续开发与动态管理提供了一种新思路。 相似文献
8.
西白令海狭鳕渔场与环境因子关系研究 总被引：1，自引：0，他引：1
根据2013～2018年白令海海域拖网作业的狭鳕(Theragra chalcogramma)渔获数据以及环境数据,利用GAM模型对CPUE进行了标准化,建立了三个基于不同环境因子的剩余产量模型:(1)基于SST因子的剩余产量模型;(2)基于SST和Chl-a因子的剩余产量模型;(3)基于SST、Chl-a和SSHA因子的剩余产量模型,分析了环境因子对西白令海狭鳕资源的影响。研究表明:基于SST和Chl-a因子的剩余产量模型拟合程度最好,表达式为Cm=0.934 3fm-0.000 3f_m~2+0.155Tmfm+0.325 4camfm,狭鳕资源量的变动受捕捞努力量、渔场SST以及Chl-a控制。分析认为:SST是导致西白令海狭鳕CPUE产生月间波动的最重要的环境因子,Chl-a对狭鳕CPUE也有一定的影响,而SSHA的影响则相对较小。建议将SST以及Chl-a作为狭鳕渔场分析与渔情预报研究的重要环境因子。 相似文献
9.
《海洋学报》2021,(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
10.
基于海表温度和海面高度的东太平洋大眼金枪鱼渔场预测 总被引：3，自引：0，他引：3
开展东太平洋大眼金枪鱼(Thunnus obesus)渔场预报技术研究,建立基于多环境因子渔场预报模型,将对该资源的高效开发和利用具有重要的意义。作者根据2009~2011年东太平洋海域(20°N~35°S、85°W~155°W)延绳钓生产统计数据,结合海洋遥感获得的表温(SST)和海面高度(SSH)的数据,运用一元非线性回归方法,以渔获量为适应性指数,按季度分别建立了基于SST和SSH的大眼金枪鱼栖息地适应性指数,采用算术平均法获得基于SST和SSH环境因子的栖息地指数综合模型,并用2012年各月实际作业渔场进行验证。研究结果显示,大眼金枪鱼渔场多分布在SST为24~29℃、SSH为0.4~0.8 m的海域。指数模型较好地拟合了因子适应性曲线(P0.05)。基于栖息地指数的2012年大眼金枪鱼中心渔场预报准确性平均达63%,可为金枪鱼延绳钓渔船寻找中心渔场提供指导。 相似文献
11.
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.
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
14.
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
15.
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
16.
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
17.
鲣Katsuwonus pelamis广泛分布于各大洋热带和亚热带海域,其中以中西太平洋资源量最为丰富。综合评价环境因子对鲣鱼资源量的影响,构建科学的资源预报模型可为我国可持续合理开发该鱼种提供参考。本研究利用1998—2013年中西太平洋渔获量数据,以单位捕捞努力量渔获量(CPUE)为资源相对丰度指标,利用灰色关联方法分析鲣鱼资源相对丰度与环境因子之间的关联度,选取合适的环境因子,并基于不同环境因子构建不同的灰色预测模型对鲣鱼资源相对丰度进行预测,比较选择最优模型。结果表明, 中西太平洋鲣鱼的产量逐年递增,而CPUE在年间有着较大的波动。灰色关联分析认为,海表面温度与CPUE的平均关联度最大,其次为Nino3.4区海表温度距平值,其他的环境因子与CPUE的关联度较小。基于多环境因子的预测模型中,包含所有因子(海表面温度、海表面高度、叶绿素质量浓度a和Nino3.4区海表温度距平值)的模型M1有着最佳的拟合效果,实际值与预测值的相对误差为6.475 2,相关系数为0.687 4;而基于单一环境因子的预测模型中,去除11月SST数据的模型S2有着最佳的拟合效果,实际值与预测值的相对误差为7.419 2,相关系数为0.791 0。相比多环境因子的预测模型,单一环境因子预测模型有着较高的稳定性,实际值与预测值直接相关性也较高,可以作为中西太平洋鲣鱼资源相对丰度预报的最优模型。 相似文献