排序方式： 共有21条查询结果，搜索用时 31 毫秒
1.
西南大西洋阿根廷滑柔鱼资源时空分布研究 总被引：2，自引：0，他引：2
通过了解西南大西洋阿根廷滑柔鱼(Illexargentinus)资源丰度年间变化规律,从而对阿根廷滑柔鱼的资源可持续开发与管理打下基础。作者根据2012～2017年西南大西洋阿根廷滑柔鱼生产统计数据,利用灰色关联评价等数理方法对西南大西洋资源渔场的时空分布特征进行了分析。结果表明,2012～2017年间西南大西洋阿根廷滑柔鱼渔场重心主要在经度上分布于58°W～63°W海域,纬度主要集中在41°～44°S、47°～48°S两个区域,高平均网次产量(10 t/网)的海域主要在57°W～67°W、41°S～42°S和57°W～67°W、44°S～50°S海域。灰色关联度表明:6年间,以2015年滑柔鱼资源状况最好,其次是2014年,2012年最差,2013年、2016年和2017年处于中间水平。利用灰色关联分析的阿根廷滑柔鱼资源丰度变化趋势可用于其资源的可持续开发与管理。 相似文献
2.
本文选取2003?2014年黄海南部帆式张网小黄鱼渔获量的监测数据，运用时间序列分析模型ARIMA (1，2，0)进行拟合及预测，并用2015?2016年小黄鱼年单位捕捞努力量渔获量值进行验证。结果显示，2003?2014年的小黄鱼年单位捕捞努力量渔获量模拟值与真实值接近，相关系数为0.881 (p<0.05)，相关性显著；2015年和2016年预测值分别为47.66 kg/网和49.16 kg/网，与实际值(51.10 kg/网和40.05 kg/网)相对误差分别为6.73%和22.75%，总体相对误差为14.74%。表明ARIMA (1，2，0)模型对黄海南部小黄鱼渔获量时间序列的变化趋势进行拟合和预测是可行的，在短期预测方面更具优势。不同时间序列数据ARIMA模型的p、d、q值不尽一致，在数据分析时不能简单地套用固定模型，应根据相关理论指导和分析，确定适宜的p、d、q值。 相似文献
3.
海表水温变动对东、黄海鲐鱼栖息地分布的影响 总被引：6，自引：2，他引：4
海表水温(SST)通常是表征鱼类栖息地分布的主要指标。本文根据1999—2007年我国大型灯光围网的鲐鱼生产统计数据,结合海洋遥感获得的SST,分析了渔汛期间鲐鱼栖息地的适宜SST范围,探讨了SST变动情况下鲐鱼栖息地的变化趋势。研究结果表明,东、黄海鲐鱼7—12月的适宜SST范围为15~30℃。根据政府气候变化专门委员会(IPCC)第四份评估报告,本文拟定4种SST上升的情况,即(1)每月平均SST+0.5℃;(2)每月平均SST+1℃;(3)每月平均SST+2℃;(4)每月平均SST+4℃。结果显示,东、黄海鲐鱼的潜在栖息有明显向北移动的趋势,并且栖息地面积逐渐减小。研究认为,全球气候变化引起的SST上升,可能会对近海鲐鱼栖息地造成严重的影响。 相似文献
4.
基于不同权重的栖息地指数模型预报阿根廷滑柔鱼中心渔场 总被引：12，自引：3，他引：9
本文根据2003-2009年1-5月和2011年1-5月西南大西洋海域阿根廷滑柔鱼(Illex argentinus)的生产数据,结合遥感获得的海表面温度(SST)和海表面高度(SSH)数据,利用不同权重的栖息地指数模型来预报阿根廷滑柔鱼的中心渔场。采用外包络法,利用作业次数与SST、SSH建立适应性指数(SI)模型,依据作业次数比重和产量比重来比较不同权重的算术加权模型(AWM),从而筛选出最佳模型,并对最佳模型进行验证。结果显示,确定AWM(a=0.3,SST权重为0.3,SSH的权重为0.7)为最佳模型,当栖息地适应性指数(HSI)大于0.6时,作业次数的比重为93.23%,产量比重为89.28%,当HSI小于0.4时,作业次数的比重为2.12%,产量比重为3.35%。利用2011年1-5月的生产数据和环境数据对AWM(a=0.3)进行验证,结果显示,在HSI大于0.6的海域,各月作业次数比重均在91%以上,产量比重均在95%以上。研究表明,在阿根廷滑柔鱼渔场形成中SSH比SST更为重要,基于SST和SSH的AWM(a=0.3)能够较好地预测西南大西洋阿根廷滑柔鱼的中心渔场。 相似文献
5.
西南大西洋阿根廷滑柔鱼，Illex argentinus，巴塔哥尼亚南部群体是重要的经济种类。海洋环境因子在柔鱼资源分布中起着重要的作用。本研究利用基于环境因子的动态产量模型评估2000-2010年的滑柔鱼的资源量。假设海洋环境因子（滑柔鱼产卵场最适宜海表温度占比）影响动态产量模型的参数K，DIC值表明在正态分布和均匀分布下均是基于环境因子的评估模型优于基本的动态产量模型。阿根廷滑柔鱼的最大可持续产量（MSY）在351600吨到685 100吨之间，资源生物量在1322400吨到1 803 000吨之间，其捕捞死亡系数均小于F0.1和FMSY，资源处在良好状态，没有遭受过度捕捞。本研究为应用环境因子在柔鱼类的资源评估与管理提中供了科学的参考方法。 相似文献
6.
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
7.
本文利用1998-2016年西北太平洋柔鱼渔业数据及其渔场（35°~45°N，140°~165°E）的海洋遥感环境数据，包括海表温度、海面高度异常和叶绿素浓度，采用基于渔场环境的方法标准化西北太平洋柔鱼单位捕捞努力量渔获量（catch per unit effort，CPUE）。结果表明:柔鱼高频次作业的海表温度范围为10.2~22.2℃（96.05%），海面高度异常范围为-15.9~28.2 cm（97.91%），叶绿素浓度范围为0.0~1.0 mg/m3（96.69%）。名义CPUE和基于环境因子的标准化CPUE年际变化趋势基本一致。但由于柔鱼作业方式高度集中，有效捕捞努力量远低于名义捕捞努力量，以及考虑环境因子影响效应，名义CPUE均低于标准化CPUE。在深入理解鱿钓渔业和其生物学特性的基础上，基于渔场环境因子准化后的CPUE更具代表性，建议在以后的柔鱼资源评估与管理中使用基于渔场环境因子的标准化CPUE。 相似文献
8.
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
9.
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
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