中太平洋的黄鳍金枪鱼 (Thunnus albacares) 是我国金枪鱼延绳钓渔业的主要捕捞对象之一^[1]，属于高度洄游的大洋性鱼类^[2]，渔场主要分布在20°N—20°S的太平洋热带海域^[3-4]。根据2022年联合国粮食及农业组织（Food and Agriculture Organization of the United Nations, FAO）发布的《世界渔业和水产养殖状况报告》^[5]，自2018年起，全球黄鳍金枪鱼的年捕捞量已超过1.5×10⁶ t。探究中太平洋黄鳍金枪鱼的单位捕捞努力量渔获量 (Catch perunit of effort, CPUE) 的时空分布与环境因子间的关系对于提高捕捞效率、降低捕捞成本、促进黄鳍金枪鱼资源的可持续开发具有重要意义。

当前对黄鳍金枪鱼与环境因子的研究模型包括统计学模型以及机器学习和人工智能2种常见类别。统计学模型：如宋利明等^[6]利用多元线性回归方法分析了库克群岛海域的黄鳍金枪鱼与环境因子之间的关系，发现作业水层、温度和叶绿素a浓度等均对其分布有重要影响。王啸等^[7]利用广义线性模型 (Generalize Linear Model, GLM) 对中西太平洋黄鳍金枪鱼延绳钓渔获组成进行分析，发现月相 (正弦) 对黄鳍金枪鱼CPUE具有边际显著影响。费姣姣等^[8]使用广义相加模型 (Generalized Additive Model, GAM) 分析了黄鳍金枪鱼CPUE与海山之间的关系，发现黄鳍金枪鱼渔获量主要来源于海山区域，海山特征对黄鳍金枪鱼的CPUE产生了极显著影响。上述统计学模型具有结构稳定、操作简单的优点^[9]，但实际的渔业生产数据可能并不满足线性模型对于数据的假设，因此可能导致效果较差^[10]。机器学习和人工智能方法：如丁鹏等^[11]建立了多种黄鳍金枪鱼渔获量与气候因子之间关系的模型并进行了相互比较，发现卷积双向长短期记忆神经网络 (CNN-BiLSTM) 模型效果最佳，可以有效进行产量预测。郑志辉^[12]构建了3种中西太平洋海域的黄鳍金枪鱼渔情预报模型，认为人工神经网络在多环境因子情况下的建模具有更好的表现，但也提出了人工神经网络只能得到预测结果，而无法得到关系方程或环境因子的影响机制和权重。基于此，本研究将神级广义相加模型 (nodeGAM) 引入到渔业研究中，并将其与传统的GAM模型进行了比较。nodeGAM模型在GAM模型的基础上，融入深度学习的结构，旨在通过深度学习增强GAM模型的解释能力，降低其误差范围，同时改善了以往神经网络模型作为黑盒模型，无法解释环境变量影响机制的问题。

本研究利用太平洋中东部 (FAO77区) 和中西部 (FAO71区) 2018—2022年的黄鳍金枪鱼延绳钓生产数据，结合不同水层的温度、表层叶绿素a浓度 (CHL-a) 和海表盐度 (Sea surface salinity, SSS)，通过构建GAM和nodeGAM模型，分析中太平洋黄鳍金枪鱼延绳钓CPUE与环境因子间的关系，并对2种模型的结果进行比较，以期为高效寻找黄鳍金枪鱼延绳钓渔场提供科学帮助。

1.   材料与方法

1.1   数据来源及预处理

研究区域为120°W—105°E、20°N—25°S，时间为2018—2022年。渔业生产数据来自中国远洋渔业工程技术研究中心，数据内容包括作业时间、作业经纬度、投钩数量、渔获尾数等，将数据的空间分辨率设置为0.25°×0.25°。CPUE计算公式为^[13]：

式中：$ {\mathrm{C}\mathrm{P}\mathrm{U}\mathrm{E}}_{(i,\;j)} $ 为以经度 $ i $、纬度 $ j $ 为中心的0.25° 网格范围内的每月渔获率；$ {N\left(\mathrm{f}\mathrm{i}\mathrm{s}\mathrm{h}\right)}_{(i,\;j)} $ 为以经纬度 $ (i,\;j) $ 为中心的0.25° 网格范围内每月的渔获尾数之和；$ {N\left(\mathrm{H}\mathrm{o}\mathrm{o}\mathrm{k}\mathrm{s}\right)}_{(i,\;j)} $ 为以经纬度 $ (i,\;j) $ 为中心的0.25° 网格范围内每月的投钩数量之和。

根据太平洋中部海洋环境特性、黄鳍金枪鱼的生物学特性等，本研究选用的环境数据包括表层海水温度 (T₀)、100 m海水温度 (T₁₀₀)、200 m海水温度 (T₂₀₀)、300 m海水温度 (T₃₀₀)、 CHL-a和SSS。数据来自哥白尼海洋环境监测中心 (https://www.copernicus.eu/en)，时间分辨率为月，SSS和各水层温度数据的初始空间分辨率为0.083°×0.083°，CHL-a初始空间分辨率为0.25°×0.25°，使用ArcMap 10.5软件中的重采样工具将环境数据的空间分辨率统一调整为0.25°×0.25°，并与渔业生产数据按照年、月和经纬度进行一一匹配。

1.2   研究方法

以T₀、T₁₀₀、T₂₀₀、T₃₀₀、CHL-a和SSS等环境因子作为解释变量，为避免CPUE中存在0值，响应变量设置为ln(CPUE+1)^[14]，分别构建GAM和nodeGAM模型。

1.2.1   GAM模型

GAM模型在R编程环境中使用mgcv包构建，本研究中GAM模型的表达式为：

式中：s为对环境因子进行自然样条平滑拟合函数处理；T₀、T₁₀₀、T₂₀₀、T₃₀₀、SSS、CHL-a为参与建模的环境因子；$\epsilon $ 为截距。

GAM模型可以通过偏差解释率和均方误差 (Mean-square error, MSE) 检验模型的拟合效果和预测水平，较高的偏差解释率和较低的MSE被视为模型拟合效果良好的标志。模型结果中包含t检验的评估结果，可以判断各环境因子对CPUE是否具有显著影响，一般认为p<0.05时影响显著^[15]。利用赤池准则信息^[16](Akaike Information Criterion, AIC) 评估逐步加入环境因子后模型的拟合程度，若随着新因子的加入，AIC不断降低，则说明模型的拟合效果有所提升。

1.2.2   nodeGAM模型

nodeGAM模型建立在GAM模型基础上，继承了GAM模型的可加性和可解释性，并在模型结构中引入了深度学习的结构，使之成为一种可解释的神经网络GAM模型^[17]。nodeGAM模型主要计算公式为：

式中：$ x $ 为输入模型的环境因子；$ {F}^{{\mathrm{c}}}\left(x\right) $ 为单个特征因子权重得分；$ {\mathrm{e}}{{\mathrm{ntmax}}}_{\alpha }\left(\dfrac{{F}^{{\mathrm{c}}}}{T}\right) $ 的作用是根据每个特征变量的F^c计算相应的概率分布；T为退火参数，$ T\stackrel{{S}_{{\mathrm{steps}}}}{\longrightarrow }0 $ 表示在学习过程中T由1逐渐减小至0，使得$ {\mathrm{e}}{{\mathrm{ntmax}}}_{\alpha }\left(\dfrac{{F}^{{\mathrm{c}}}}{T}\right) $ 变为独热编码形式，目的是使模型中的每棵树仅选择1个特征变量，从而实现模型的可加性和可解释性。

式中：$ \widehat{l} $ 和 $ l $ 表示不同的层；$ \widehat{i} $ 和 $ i $ 表示这2层中不同的两棵树；$ {G}_{i} $表示第i棵树的概率分布，即$ {{\mathrm{e}}{{\mathrm{ntmax}}}_{\alpha }\left(\dfrac{{F}^{{\mathrm{c}}}}{T}\right)}_{i} $；$ {g}_{l\widehat{i}i} $ 表示门控权重；$ {h}_{\widehat{l}\widehat{i}}\left(x\right) $ 表示 $ \widehat{l} $ 层中第 $ \widehat{i} $ 棵树的输出结果；$ {F}_{li} $ 表示 $ l $ 层中的第$ i $棵树的特征函数，$ {F}_{li} $ 决定了这棵树如何选择和处理输入特征，通过此种交互通过门控的形式，可以让每层专注于1个特征，从而增强模型的可解释性。

式中：$ \widehat{y}\left(x\right) $ 表示模型对输入变量x的预测输出；$ {w}_{li} $ 表示 $ l $ 层中的第 $ i $ 棵树的权重。模型最终输出分为2步，首先计算每一层内的所有树的加权输出之和，然后对所有层求和。通过此种结构，使得nodeGAM模型可以学习到特征的层级组合，同时 $ {w}_{li} $ 也让模型可以学习到不同层和不同树的重要性。

通过结合可微分的遗忘决策树结构和GAM结构，使得nodeGAM模型可以快速学习非线性的跳跃变化，更好地匹配真实数据模式。nodeGAM模型同时具有深度学习能力和因子影响机制的可加性和可解释性，已在多个领域取得成果^[18-19]。

本研究中，nodeGAM模型在Python编程环境中使用nodeGAM和sklearn库构建。模型训练过程中，用训练损失评估模型的拟合效果，若随着训练迭代的增加，训练损失逐渐减小，说明模型在数据上的拟合效果逐步提升。模型在设定的参数范围内使用全局搜索来寻找最佳参数组合，以提升模型的拟合能力。设置模型重复运行5次，取5次结果的平均值作为最终拟合结果，并在每次运行时使用5折交叉验证输出评估结果，即单次输出的偏差解释率和MSE为5次评估的平均值，可以有效降低模型由于偶然性带来的误差影响^[20]。模型中环境因子的权重通过数值的相对大小来表达，数值越大权重越大。

2.   结果

2.1   CPUE时空分布特征

由图1可得，不同年份和月份的CPUE存在显著性差异。年份上，每年的月均CPUE差距较大，2022年的月均CPUE最高（2.94 尾·千钩⁻¹），而2018年的最低（1.5 尾·千钩⁻¹）。月份上，计算了2018—2022年每个相同月份的CPUE平均值， 5—7月为CPUE的高峰期，月均值为2.87 尾·千钩⁻¹；9—11月为低谷期，月均值为1.45 尾·千钩⁻¹，二者相差近2倍。各年的月间CPUE变化规律较为一致，7—10月呈现逐月递减趋势，至11月趋于稳定或回升。

图  1  CPUE时间序列分布图

Figure  1.  Distribution of CPUE time series

下载: 全尺寸图片 幻灯片

图2为2018—2022年CPUE在空间上的分布情况。2018年，CPUE主要分布在160°E—160°W、10°S—15°N；2019年，CPUE分布向东南方向扩大，扩展至160°E—120°W、20°S—15°N；2020年，CPUE向西北方向移动，分布区缩小至2个区域，分别位于175°E—180°、5°S—5°N 和160°W—150°W、5°S—5°N；2021年前期，CPUE分布在170°E—180°、25°S—0°，后期则转移至140°W—120°W、5°S—5°N；2022年，CPUE集中在165°E—175°W、0°—5°N。经度上，CPUE主要集中在0°—10°S；纬度上，CPUE主要集中在165°E—180°。

图  2  2018—2022年中太平洋黄鳍金枪鱼CPUE空间分布

Figure  2.  Spatial distribution of CPUE for yellowfin tuna in central Pacific Ocean from 2018 to 2022

下载: 全尺寸图片 幻灯片

2.2   模型主要指标

2.2.1   GAM模型结果

GAM模型中各影响因子的统计结果如表1所示。根据AIC及累计偏差解释率可得，拟合效果最佳的GAM模型对CPUE的累计偏差解释率为29.4%，对于模型解释率贡献最大的因子为T₁₀₀，解释率为17.42%；其次为T₀和SSS，解释率分别为4.88%和2.5%，其余因子的解释率均不足2%。由F和p可见，所有的环境因子与CPUE均存在显著相关性。经计算，最佳模型的MSE为0.149。

表  1  GAM模型统计结果

Table  1.  Statistical results of GAM

模型因子 Model factor	赤池准则信息 AIC	累计偏差解释率 Accumulation of deviance explained	F值 F-value	p值 p-value	均方误差 MSE
表层温度T0	5 388	4.88%	14.487	<0.05	0.149
100 m水层温度T100	4 526	22.3%	36.288	<0.05
200 m水层温度T200	4 473	23.5%	7.891	<0.05
300 m水层温度T300	4 398	25.1%	12.426	<0.05
叶绿素a浓度CHL-a	4 310	26.9%	9.072	<0.05
表层盐度SSS	4 155	29.4%	26.286	<0.05

下载: 导出CSV 

| 显示表格

2.2.2   nodeGAM模型指标结果

nodeGAM模型的累计偏差解释率为49.4%，MSE为0.103。nodeGAM模型的统计结果如图3所示，训练损失函数在2 000步之前快速下降，2 000~4 700步缓慢下降，4 700步之后保持基本平稳，损失函数值维持在接近0的水平。MSE的快速下降期为0~2 500步，在 2 500~4 700步略有降低，之后拟合效果达到最优并保持稳定。在环境因子的影响权重方面，T₀和T₁₀₀是影响权重最高的2个因子，分别为24%和22%，随后依次为SSS (20%)、T₃₀₀ (16%)、CHL-a (10%)、T₂₀₀ (8%)。

图  3  nodeGAM模型统计结果

Figure  3.  Statistical results of nodeGAM

下载: 全尺寸图片 幻灯片

2.3   环境因子影响机制

由图4可知，T₀与黄鳍金枪鱼CPUE呈正相关关系，适宜的范围为T₀≥27 ℃。nodeGAM模型在T₀<26 ℃时对CPUE的影响略高于GAM模型，在T₀≥26 ℃时，2个模型的拟合曲线基本一致 (图4-a)。T₁₀₀对CPUE的影响表现为随水温升高呈先降后升的趋势，CPUE在23 ℃时达到最低值，随后GAM模型的曲线回升，适宜的T₁₀₀范围为15~20 ℃和28~30 ℃，而nodeGAM的拟合曲线较GAM更为平缓 (图4-b)，适宜范围的区间也较小。T₂₀₀在nodeGAM模型中表现为，CPUE随T₂₀₀的增加而降低，在20 ℃达到最低值，此后趋于平稳，适宜的T₂₀₀范围为11.5~17 ℃；GAM模型的CPUE效应呈先升再降的趋势，在17.5 ℃左右达到峰值，适宜范围为12~17 ℃ (图4-c)。nodeGAM模型中T₃₀₀对CPUE的影响曲线整体表现为负相关，在15 ℃时达到最低值，适宜的T₃₀₀范围为9~12 ℃；GAM模型的拟合曲线接近线性负相关，CPUE随着T₃₀₀的增加而逐渐降低，适宜的T₃₀₀范围为9~12 ℃ (图4-d)。2个模型在CHL-a对CPUE的影响上均表现为：当CHL-a质量浓度<0.1 mg·m⁻³时，CPUE随着CHL-a浓度的增加而增加，当CHL-a质量浓度介于0.1~0.25 mg·m⁻³时，CPUE随着CHL-a浓度的增加而降低，当CHL-a质量浓度0.25 mg·m⁻³时CPUE又随之增加。当CHL-a质量浓度<0.15 mg·m⁻³时GAM与nodeGAM模型的趋势相似，当CHL-a质量浓度0.15 mg·m⁻³时nodeGAM模型的影响效应显著高于GAM模型 (图4-e)。GAM和nodeGAM模型的SSS浓度适宜范围均介于36‰~37‰，但在SSS介于34.5‰~35.5‰ 时，GAM模型表现为下凹效应，而nodeGAM模型表现为上凸效应 (图4-f)。

图  4  GAM和nodeGAM中各环境因子对CPUE的影响效应

Figure  4.  Effects of various environmental factors on CPUE of GAM and nodeGAM

下载: 全尺寸图片 幻灯片

2.4   标准化CPUE的比较

由图5可见，经过GAM和nodeGAM模型标准化后的CPUE明显低于名义CPUE。年均名义CPUE在不同年份波动幅度较大，整体呈右侧波峰更高的“M”型趋势。相比之下，GAM和nodeGAM模型标准化的CPUE波动幅度较为平稳，但nodeGAM模型的走势与年均名义CPUE更为相似。月均CPUE方面，名义CPUE呈明显的季节性波动，1—3月水平较高，随后在4月急剧降低，又迅速增加，于5月达到波峰。下半年CPUE持续降低，在9—10月达到波谷，随后小幅回升。此外，还可以看出nodeGAM模型标准化的CPUE走势与月均名义CPUE基本一致。

图  5  2018—2022年太平洋中部延绳钓黄鳍金枪鱼年均 (a)、月均 (b) 名义CPUE和GAM、nodeGAM模型标准化后的CPUE对比

Figure  5.  Comparison between annual (a), monthly (b) nominal CPUE, and CPUE of GAM, standardized nodeGAM for

T. albacares caught by longline in central Pacific Ocean from 2018 to 2022

下载: 全尺寸图片 幻灯片

3.   讨论

3.1   GAM模型与nodeGAM模型的比较

从模型的结果来看，nodeGAM模型表现更佳，总体偏差解释率相较GAM模型提升了68.02%，MSE降低了30.87%。nodeGAM模型中环境因子对CPUE的影响按照贡献率从大到小依次为T₀、T₁₀₀、SSS、T₃₀₀、CHL-a、T₂₀₀，GAM模型中环境因子对CPUE的影响按照贡献率从大到小依次为T₁₀₀、T₀、SSS、CHL-a、T₃₀₀、T₂₀₀。出现此种差异的可能原因是，GAM模型在拟合数据的过程中，每个解释变量都是相对独立的，通过对每个变量进行相加组合得到结果，不会考虑各变量间的相互依赖性^[21]；而nodeGAM模型可以对训练数据进行自动学习来捕捉特征和聚焦数据中成对的交互变量产生的影响^[17]。

从模型绘制的响应曲线来看，nodeGAM模型的曲线更为平滑，对数据的变化也更为敏感；GAM模型绘制的曲线波动程度更大，或表现为线性相关。在图4-b中，GAM模型的T₁₀₀效应曲线呈下凹状，适宜范围中包含了28~30 ℃，而nodeGAM模型仅将15~20 ℃识别为适宜区间。T₃₀₀在GAM模型中表现为接近负相关的线性关系，而nodeGAM模型则呈倒S形(图4-d)，更为贴近实际情况。SSS的效应图在GAM和nodeGAM模型中波峰盐度存在差异(图4-f)，根据Romena^[22]的研究结果，成年黄鳍金枪鱼主要分布在高盐海区，最适盐度范围为35.0‰~35.3‰，nodeGAM模型的曲线更符合此结果。出现上述情况可能是因为GAM模型更容易受到异常值影响，而nodeGAM模型具有深度学习能力，更能抵抗这种影响。因此可认为，nodeGAM模型在精度和模型解释能力方面均优于GAM模型，更适于分析中太平洋黄鳍金枪鱼与环境因子之间的关系。在渔业生产实践中，可以优先在T₁₀₀为15~20 ℃、SSS为35.0‰~35.3‰等被2个模型均识别为黄鳍金枪鱼适宜生存环境的区域进行捕捞。对于GAM模型识别出的其他区间，可以作为次要捕捞区域。

3.2   CPUE时空分布特征

黄鳍金枪鱼的盛渔期在不同时期和海域有所差异^[23]。本研究表明，黄鳍金枪鱼的CPUE呈现明显的季节变化，CPUE高峰期为5—7月，低谷期为9—11月，与代丹娜等^[24]和杨胜龙^[25]的研究结果基本一致。中太平洋夏季海水温度普遍高于秋季，更有利于黄鳍金枪鱼聚集，因此太平洋中部黄鳍金枪鱼延绳钓中心渔场在5—7月呈现集中分布趋势；而9—11月则为中心渔场离散的时间段，渔场向周围海域扩散，至次年5月份再次集中。加之厄尔尼诺或拉尼娜现象会改变水温和水层养分等条件，进而对黄鳍金枪鱼的CPUE分布产生影响^[10,26]，从而导致各年间的CPUE水平差异较大。年间CPUE变化表现为拉尼娜年的CPUE大于厄尔尼诺年，与Deary等^[27]的研究结果一致。Prince等^[28-29]认为产生这种现象是因为拉尼娜年黄鳍金枪鱼的适宜垂直栖息空间被压缩，迫使鱼群聚集在表层海域 (25~100 m)，使得渔获率变高。从空间分布来看，本研究的黄鳍金枪鱼CPUE主要分布在赤道以南，且以5°S附近最盛，与王少琴等^[30]、刘勇和陈新军^[31]的研究结果相近。从CPUE表示黄鳍金枪鱼的资源分布状态^[14]来看，黄鳍金枪鱼的资源丰度在赤道附近海域较高，可能与赤道附近的海流有关^[23]。赤道逆流和南北赤道流共同组成了复杂的热带环流系统，一些海域海水从四周辐合，迫使表层海水下降，形成下降流；另一些海域海水向周围辐散，下层海水上升补充，形成上升流，将下层营养盐类带到表层，有利于浮游生物生长^[32]，成为黄鳍金枪鱼良好的索饵场，使其在该海域大量聚集。

3.3   环境因子对中太平洋黄鳍金枪鱼CPUE的影响

海水在垂直方向上的温度变化对黄鳍金枪鱼的分布具有显著影响^[33]，此外，CHL-a和SSS也具有明显的时空变化特征，因此金枪鱼延绳钓作业渔船的CPUE也会表现出时空分布规律。本研究中，nodeGAM和GAM模型的前三位显著影响影响因子均为T₀、T₁₀₀和SSS，说明中太平洋黄鳍金枪鱼延绳钓的CPUE主要受到这3个因子影响，而T₂₀₀、CHL-a、T₃₀₀的影响作用次之。

温度是影响黄鳍金枪鱼活动和分布的重要环境因子之一^[30]，由于黄鳍金枪鱼具有垂直移动的习性^[34]，其对水温的变化十分敏感^[35]，在海水表层和其他不同水层温度的共同影响下形成中太平洋海域适宜的黄鳍金枪鱼渔场。研究结果表明，表层水温和100 m水温在2个模型中均属于重要影响因子，而200和300 m的水温对其影响则较小。可能原因如下：1）金枪鱼延绳钓作业的吊绳长一般在0~100 m，CPUE主要集中在这一水层范围内，因此受到此范围的水温影响较大，而更深层的水温影响则较小，杨胜龙等^[15]研究结论也证明了这一点。2）表层水温和100 m水层温度在渔船作业时更易于获取，反映了作业人员对环境因子主动选择的结果。中太平洋黄鳍金枪鱼的最适海表温度为27~30 ℃，最适的100 m水温为15~20 ℃，与张春玲等^[36]、刘勇和陈新军^[31]的研究结果相似。CHL-a是海洋初级生产力指标^[37]，可以作为判断索饵渔场优良与否的重要指标之一。本研究结果表明，黄鳍金枪鱼CPUE较高海域的CHL-a质量浓度介于0.06~0.15 mg·m⁻³，与Song和Wu^[38]的研究结果 (0.040~0.099 mg·m⁻³) 相比，浓度范围的上限更高，可能是由于中太平洋海域与印度洋海域的初级生产力水平不同。而王少琴等^[30]对中西太平洋黄鳍金枪鱼与环境因子关系的研究中CHL-a适宜范围为0.152~0.168 mg·m⁻³，与本研究中CHL-a浓度范围的最大值相近。Swartzman等^[39]指出，最适盐度只是形成鱼类密集区的必要条件，而非决定条件。这意味着，盐度并非唯一影响渔场形成的因素，其他环境因子也起着重要作用。Chen等^[40]的研究进一步证实了盐度会对黄鳍金枪鱼产卵产生影响。结合本文研究结果，SSS在2个模型中均为第3显著的影响因子，说明SSS在渔场形成过程中更多起到了补充作用，与温度等其他环境因子共同起到了影响作用。

4.   总结与展望

本研究以温度等环境因子作为解释变量对黄鳍金枪鱼的CPUE进行了分析，从时间和空间2个维度研究了CPUE的变动趋势和可能存在的规律，解释了不同水层的温度、海表叶绿素浓度和海表盐度对其的影响作用，旨在为我国黄鳍金枪鱼渔业可持续发展提供科学参考。但本研究仅考虑了各水层的温度和几种表层的环境数据，用于分析中太平洋黄鳍金枪鱼CPUE与环境因子间的关系。有研究表明海水表层溶解氧和黄鳍金枪鱼的分布存在定量关系^[41]，在今后的研究中，可探究不同水层之间的温差、溶解氧等对黄鳍金枪鱼分布的影响。此外，在后续研究中，还可通过调整模型超参数等方面继续完善nodeGAM模型的学习和分析能力。