基于优化灰色模型的南海鸢乌贼资源丰度预测

周茜涵, 吴洽儿, 周艳波, 谢恩阁, 马胜伟

周茜涵, 吴洽儿, 周艳波, 谢恩阁, 马胜伟. 基于优化灰色模型的南海鸢乌贼资源丰度预测[J]. 南方水产科学, 2021, 17(3): 1-7. DOI: 10.12131/20200218
引用本文: 周茜涵, 吴洽儿, 周艳波, 谢恩阁, 马胜伟. 基于优化灰色模型的南海鸢乌贼资源丰度预测[J]. 南方水产科学, 2021, 17(3): 1-7. DOI: 10.12131/20200218
ZHOU Xihan, WU Qia'er, ZHOU Yanbo, XIE Enge, MA Shengwei. Prediction of abundance of Sthenoteuthis oualaniensis in South China Sea based on optimized grey system model[J]. South China Fisheries Science, 2021, 17(3): 1-7. DOI: 10.12131/20200218
Citation: ZHOU Xihan, WU Qia'er, ZHOU Yanbo, XIE Enge, MA Shengwei. Prediction of abundance of Sthenoteuthis oualaniensis in South China Sea based on optimized grey system model[J]. South China Fisheries Science, 2021, 17(3): 1-7. DOI: 10.12131/20200218

基于优化灰色模型的南海鸢乌贼资源丰度预测

基金项目: 国家自然科学基金项目 (31902374);广东省促进经济发展专项资金 (粤农2019A3);农业农村部财政专项 (NFZX2021)
详细信息
    作者简介:

    周茜涵(1996—),女,硕士研究生,研究方向为渔业资源。E-mail: 2930378523@qq.com

    通讯作者:

    马胜伟(1978—),男,硕士,副研究员,从事渔业发展战略研究。E-mail: 42123269@qq.com

  • 中图分类号: S 931

Prediction of abundance of Sthenoteuthis oualaniensis in South China Sea based on optimized grey system model

  • 摘要: 鸢乌贼 (Sthenoteuthis oualaniensis) 是南海重要的经济头足类之一,巨大的开发潜力与经济价值使其在我国南海海洋渔业中的地位日益凸显。为深入了解南海鸢乌贼单位捕捞努力量渔获量 (Catch per unit effort, CPUE) 变化情况并作出科学预测,文章选择构建灰色预测模型GM (1,N),结合海洋环境因子,对2013—2019年春夏季南海鸢乌贼生产数据进行拟合预测,使用Simpson公式和Fourier级数改造原模型背景值并对拟合值残差做修正。结果显示,在鸢乌贼CPUE预测上,普通GM (1,N) 模型的平均相对误差为7.78%,优化灰色GM (1,N) 模型为2.54%;在2019年鸢乌贼CPUE预测上,优化灰色GM (1,N) 模型将相对误差从普通GM (1,N) 模型的4.79%降至1.87%。结果表明,优化的灰色模型较普通多因素GM (1,N) 模型的预测精度更高,为准确预测鸢乌贼资源相对丰度提供了一种新思路。
    Abstract: Squid (Sthenoteuthis oualaniensis), one of the important economic Cephalopods in the South China Sea, has great development potential and economic value, playing an increasingly significant role in the marine fisheries of the South China Sea. In order to understand the variation of catch per unit effort (CPUE) and make scientific predictions, we constructed a gray prediction model GM (1,N) and combined it with marine environmental factors, then fitted and predicted the production data of the South China Sea squid from spring to summer of 2013−2019. Besides, we modified the background value of the original model by Simpson formula and Fourier series, and corrected the residual error of the simulated value. The results show that the average relative errors of the traditional GM (1,N) model and the optimized grey GM (1,N) model were 7.78% and 2.54%, respectively. For the prediction of squid CPUE in 2019, the optimized grey GM (1,N) model reduced the relative error from 4.79% of the traditional GM (1,N) model to 1.87%. It is showed that the optimized grey system model has a higher prediction accuracy than the traditional GM (1,N) model, which provides a new idea on how to predict the relative abundance of squid resources accurately.
  • 我国盐碱水面积大,广泛分布于东北、西北、华北等内陆地区,水质类型多样,以碳酸盐型居多[1]。过高的碳酸盐碱度对鱼类有强烈的毒害作用,如环境中氢氧根离子 (OH)、碳酸氢根离子 (HCO3)、碳酸根离子 (CO3 2−) 等直接作用于鱼类的鳃上皮细胞,造成器质性损伤[2];鱼类鳃内二氧化碳分压 (pCO2) 随碳酸盐碱度的升高维持在较低水平,导致低碳酸血症和呼吸性碱中毒[3-4];鱼体内的氨气 (NH3) 不能与氢离子 (H+) 结合排出体外,发生氨中毒等[5]。鱼类可以通过改变鳃组织的形态、调整含氮产物的代谢和排泄等方式适应高碱度环境[6-8],基因的差异表达也是鱼类应答碱胁迫的途径之一[9-11]。不同鱼类对碳酸盐碱度的耐受性不同,目前国内外已有对包括青海湖裸鲤 (Gymnocypris przewalskii) 在内的20多种鱼类碱耐受性的报道[7-8,12-23],但多数是在极端高碱环境下经过进化具有生存优势的鱼类,如马加迪湖罗非鱼[7](Oreochromis alcalicus grahami)、金字塔湖克拉克大麻哈鱼[8] (Oncorhynchus clarki henshawi)、凡湖塔氏卡拉白鱼[12] (Chalcalburnus tarichi) 等,且研究过程中往往胁迫方式比较单一、统计处理也比较简单。

    尼罗罗非鱼 (O. niloticus) 生长速度快,是世界上最广泛养殖的鱼类之一,2019年我国养殖产量为1.64×104 t[24]。尼罗罗非鱼也是一种广盐性鱼类,具有在盐碱水域中养殖推广的潜力。有关尼罗罗非鱼对氯化钠 (NaCl) 盐度耐受性的研究较多[25-28],但对碳酸盐碱度耐受性的报道较少。雷衍之等[29]发现当水体总碱度为48.2 me·L−1时,相较于鲢 (Hypophthalmichthys molitrix)、鳙 (H. nobilis)、草鱼 (Ctenopharyngodon idella) 等淡水鱼,尼罗罗非鱼存活时间更长,但该碱度计量单位目前使用较少;赵岩等[30]发现,尼罗罗非鱼在4和6 g·L−1的碳酸盐碱水体中胁迫48 h无死亡个体,10 g·L−1碱环境下的开始死亡时间明显早于8 g·L−1,但并未计算准确的半致死浓度 (LC50)。此外,在对尼罗罗非鱼进行耐盐碱新品种的选育过程中,为了优化选育和驯化方案,也需要对其盐碱耐受性进行全面深入的评估。

    本研究以体质量差异3倍以上的大、小2种规格的尼罗罗非鱼幼鱼为对象,用碳酸氢钠 (NaHCO3) 配置不同浓度的碱性水体,通过高浓度碱胁迫致死、急性碱胁迫和慢性碱驯化3种不同的胁迫方法,系统研究了尼罗罗非鱼对碳酸盐碱度的耐受性能,为其盐碱选育和盐碱水养殖提供参考资料。

    实验自2020年10月1日起于上海海洋大学罗非鱼种质资源试验站进行。实验用鱼为新吉富罗非鱼品系后代。挑选同年繁殖且大、小2种规格 [ 大:(21.56±0.27) g,小:(5.92±0.03) g] 的鱼进行实验。正式实验前暂养24 h,暂养期间不投喂,选取体质健康、活力较强、大小均匀的个体。实验用水提前配置,根据水族箱 (46 cm×38 cm×31.5 cm) 体积计算所需NaHCO3 (分析纯) 的质量,将相应NaHCO3加至完全曝气的自来水中,均匀搅拌,连续充氧,待其稳定后使用。

    将大、小规格实验鱼由淡水分别直接移入碳酸盐碱度为30和22 g·L−1水体中。发现死鱼立即捞出,记录每尾鱼的死亡时间。每组每种鱼设3个重复,每个重复30尾。

    根据预实验,大规格实验组设置8、9、10 g·L−1 3个碱度梯度,小规格实验组设置6、7、8 g·L−1 3个碱度梯度。将暂养后的实验鱼直接放入不同碱度组的水箱内,每组40尾,设3个平行,充分曝气的自来水组为对照,进行96 h急性碱胁迫实验。实验开始后,每4 h观察记录死亡情况。

    水体起始碱度为0 g·L−1,分别以+2、+4、+6 g·(L·d)−1的速度增加碳酸盐碱浓度来进行实验。每组40尾鱼,3个重复。实验开始后,每12 h观察记录死亡情况。实验期间用气泵不间断充氧,水温19~24 ℃,不喂食不换水,用虹吸管吸出粪便以保持水体清洁。以实验鱼静卧水箱底部、呼吸停止、用玻璃棒触碰无反应为死亡标准。

    利用MATLAB 8.4、Systat Sigma Plot 10.0和DPS软件对所得实验数据进行统计分析。

    计算平均存活时间 (Mean surviving time, MST, min),以“平均值±标准差 ($ \overline { X}\pm { \rm {SD}} $)”表示。

    绘制随时间-碱度变化的累计死亡率观察值图;将累计死亡率转换成概率单位后,用线性回归模型拟合碱度与累计死亡率的回归方程,求出96 h LC50;用互补重对数模型 (Complementary log-log model, CLL) 拟合不同碱度处理下大、小规格鱼各时间区间的累计死亡率曲面,模型拟合在DPS数据处理系统下进行[31]

    其中实验鱼在时间tj (j=12, 24,···, J) 被作用因子 (NaHCO3) 的剂量di (i=6, 7,···, I) 致死的概率可表达为:

    $$ {p_{ij}} = 1 - {\rm{exp }}\{ - {\rm{exp }}[{\tau _j} + \beta {\rm{lg}}\left( {{d_i}} \right)]\} $$ (1)

    式中:β为描述剂量效应的待估参数;τj为至时间tj的时间效应参数;pij为剂量di在0到j个时间单位内产生的累计死亡概率 (Cumulative mortality);剂量di使受试个体在时间区间 [tj−1,tj] 内可能遭受的死亡率称为条件死亡概率 (Conditional mortality),可表示为:

    $$ {q_{ij}} = 1 - {\rm{exp }}\{ - {\rm{exp }}[{\gamma _j} + \beta {\rm{lg}}\left( {{d_i}} \right)]\} $$ (2)

    式 (2) 中β的含义与式 (1) 相同。γj为描述时间区间 [tj−1, tj] 内时间效应的待估参数,与τj在时间上的含义有所区别。γjβ通过二项分布最大似然函数逼近获得。对模型的拟合值与实测值之间的差异,分别采用Pearson卡方检验及Hosmer-Lemoshow统计量来检验模型的拟合度高低。

    绘制随时间-碱度变化的累计死亡率观察值图;用Logistic模型拟合累计死亡率和胁迫时间的关系曲线,分别求出致死碱度范围和LC50

    将实验鱼分别移入碳酸盐碱水体中,3 h内均全部死亡,但大规格鱼在高胁迫浓度下,MST为 (136.92±3.72) min,仍长于小规格鱼 [(114.08±4.36) min]。

    实验期间,对照组呼吸与游动保持正常,水质较清澈,全程未出现死亡个体,而碱胁迫组实验鱼陆续死亡。大规格鱼在碳酸盐碱度为8 g·L−1时,无强烈应激表现,前24 h未出现死亡,随时间延长累计死亡率上升较平缓,96 h内不足20%;碳酸盐碱度为9 g·L−1时,前72 h累计死亡率为22.5%,72 h后迅速上升,胁迫96 h达到52.5%;碳酸盐碱度为10 g·L−1时,第12小时即出现死亡,前60 h累计死亡率小幅增长,60~72 h骤增,72 h死亡数达一半以上,96 h后仅剩少量存活 (图1-a);小规格鱼在碳酸盐碱度6 g·L−1时,胁迫48 h未出现死亡,96 h累计死亡率不足50%;碳酸盐碱度为7 g·L−1时,前24 h累计死亡率为0,24~72 h呈匀速变化 (6%, 14%, 22%, 30%),72 h后迅速增至64%;碳酸盐碱度为8 g·L−1时,胁迫前期即开始死亡,出现急游冲撞、窜出水面、眼睛突出、眼白出血、呼吸运动加快等现象,胁迫60 h死亡已超半数,96 h后累计死亡率超过85% (图1-b),且死亡个体大多具有眼部凸起发黑、身体僵硬、腹腔积水等特征;同时水质浑浊较快,含有大量泡沫。

    图  1  尼罗罗非鱼随时间-碱度变化的累计死亡率观察值
    Figure  1.  Observed value of cumulative mortality of Nile tilapia with time-alkalinity change

    基于线性回归模型拟合碱度与累计死亡率的回归方程,大、小规格急性胁迫96 h的LC50分别为8.95和6.25 g·L−1 (表1)。

    表  1  基于线性回归模型尼罗罗非鱼累计死亡率的相关性分析
    Table  1.  Correlation analysis of cumulative mortality of Nile tilapia by linear regression model
    组别
    Group
    胁迫时间
    Stress time/h
    回归方程
    Regression equation
    相关系数
    Correlation coefficient
    P半致死浓度
    LC50/(g·L−1)
    大规格鱼 Large size fish96y=0.329x−2.4450.9990.0168.95
    小规格鱼 Small size fish96y=0.200x−0.7500.9980.0286.25
    下载: 导出CSV 
    | 显示表格

    进行各碱度各时间段累计死亡率的CLL模型拟合 (图2)。在实验设置的时间与碱度范围内,模拟的死亡概率是一个曲面,曲面的高度和变化均与观察值曲面相近。CLL模型下,大、小规格实验鱼急性胁迫96 h的LC50分别为9.01和6.35 g·L−1 (表2)。条件死亡率效应参数 (γ) 和累计死亡率效应参数 (τ) 估计值均随胁迫时间的延长而增大;模型经Pearson卡方检验及Hosmer & Lemeshow统计量检验均显著相关;模型系数βγjt检验相关极显著 (P<0.01,表2)。

    图  2  互补重对数模型拟合尼罗罗非鱼随时间-碱度变化的累计死亡率
    Figure  2.  Cumulative mortality of Nile tilapia estimated by CLL model with time-alkalinity change
    表  2  尼罗罗非鱼互补重对数模型的参数估计及其显著性检验
    Table  2.  Estimated and tested parameters of complementary log-log model of Nile tilapia
    组别
    Group
    半致死浓度
    LC50/(g·L−1)
    条件死亡率模型
    Conditional mortality model
    累计死亡率模型
    Cumulative mortality model
    参数
    Parameter
    系数
    Coefficient
    标准误
    Standard error
    t 检验
    t test
    P 参数
    Parameter
    系数
    Coefficient
    大规格鱼 Large size fish 9.01 β 21.401 1 0.150 7 142.015 9 0.000 1 β 21.401 1
    γ48 −23.677 6 1.892 5 12.511 3 0.000 1 τ48 −22.710 7
    γ96 −21.714 4 3.050 7 7.117 8 0.000 1 τ96 −20.800 2
    Pearson卡方检验值 Pearson's chi square test 11.529 08<χ2 0.05=25.00,df=15,P=0.775 71>0.05
    Hosmer & Lemeshow 拟合度卡方统计量 Hosmer & Lemeshow statistic value 4.900 0<χ2 0.05=15.51,df=8,P=0.768 21>0.05
    小规格鱼 Small size fish 6.35 β 11.405 9 2.138 8 5.332 8 0.000 1 β 11.405 9
    γ48 −12.630 2 1.894 3 6.667 5 0.000 1 τ48 −11.353 7
    γ96 −10.923 7 1.814 3 6.021 0 0.000 1 τ96 −9.524 9
    Pearson卡方检验值 Pearson's chi square test 23.255 01<χ2 0.05= 25.00,df=15,P=0.107 09>0.05
    Hosmer & Lemeshow 拟合度卡方统计量 Statistic value 13.002 9<χ2 0.05= 15.51,df=8,P=0.111 75>0.05
    注:P>0.05表示模型拟合效果好。 Note: P>0.05 indicates that the model shows the best performance.
    下载: 导出CSV 
    | 显示表格

    大规格鱼在3种碱变化速度下,累计死亡率波峰不显著 (图3-a);小规格鱼在3种碱变化速度下,其累计死亡率出现3个明显的峰值,按时间先后分别为+6、+4和+2 g·(L·d)−1组 (图3-b)。实验中以2 g·(L·d)−1的幅度增加碱度,大、小规格实验鱼胁迫96 h均未出现死亡,碳酸盐碱度达12 g·L−1时累计死亡率均为100%;+4 g·(L·d)−1组在碱度达12 g·L−1时,大规格鱼累计死亡半数以上,小规格鱼全部死亡;+6 g·(L·d)−1组在碱度达12 g·L−1时,大规格鱼累计死亡24%,小规格鱼累计死亡率从0升至100%。

    图  3  尼罗罗非鱼慢性碱驯化下的累计死亡率观察值
    Figure  3.  Observed value of cumulative mortality of Nile tilapia with gradual alkalinity

    利用Logistic模型将尼罗罗非鱼的累计死亡率和胁迫时间按照不同碳酸盐碱度变化速度进行统计拟合 (图4),得出慢性碱驯化过程中实验鱼的致死碱度范围及半致死碱度 (表3)。

    图  4  Logistic模型拟合慢性碱驯化下尼罗罗非鱼的累计死亡率
    Figure  4.  Cumulative mortality of Nile tilapia estimated by Logistic model with gradual alkalinity
    表  3  慢性碱驯化下尼罗罗非鱼累计死亡率相关分析
    Table  3.  Correlation Analysis of cumulative mortality of Nile tilapia with gradual alkalinity
    组别
    Group
    碱度变化速度
    Rate of alkaline
    change/[g·(L·d)−1]
    成活时间
    Survival time/h
    死亡碱度下限
    Lower limit of
    dead alkalinity/(g·L−1)
    生存碱度上限
    Upper limit of
    survival alkalinity/(g·L−1)
    半致死浓度
    LC50/(g·L−1)
    相关系数
    Correlation
    coefficient
    大规格鱼 Large size fish +2 144 8.20 12.00 10.55 0.999
    +4 92 7.21 15.92 11.59 0.997
    +6 68 6.64 17.07 13.03 0.997
    小规格鱼 Small size fish +2 140 8.01 11.50 9.91 0.999
    +4 68 6.91 11.98 8.87 0.997
    +6 52 5.90 15.23 8.54 0.999
    下载: 导出CSV 
    | 显示表格

    LC50是衡量盐碱水体对鱼毒害影响的指标[9]。常见鱼类的96 h LC50 [13-21]表4。本实验急性碱胁迫96 h大规格尼罗罗非鱼的LC50为106.55×10−3 mol·L−1,小规格的为74.40×10−3 mol·L−1 (不同文献中碱度单位有差异,此处统一按1 g·L−1=84×10−6 mol·L−1计算)。可见尼罗罗非鱼的耐碱能力虽弱于青海湖裸鲤、卡拉白鱼等耐高碱鱼类,但仍强于大多淡水养殖鱼类。另外,当慢性驯化实验中碱度为12 g·L−1时,+2 g·(L·d)−1组累计死亡率均达100%;+4 g·(L·d)−1组大规格鱼累计死亡半数以上,小规格鱼全部死亡;+6 g·(L·d)−1组小规格鱼累计死亡率从0升至100%。推测碳酸盐碱度12 g·L−1可能是尼罗罗非鱼碱耐受能力的拐点。

    表  4  常见鱼类急性胁迫96 h的半致死浓度
    Table  4.  96 h LC50 values of alkalinity of common fish species
    种类      
    Species      
    规格
    Size
    半致死浓度
    LC50/(mol·L−1)
    文献
    Reference
    青海湖裸鲤 Gymnocypris przewalskii (12.52±0.32) g 150.18×10−3 [13]
    达里湖高原鳅 Triplophysa dalaica (8.72±1.20) g 120.0×10−3 [13]
    威海卡拉白鱼 Chalcalburnus chalcoides aralensis 2.60~4.62 g 112.23×10−3 [14]
    大鳞副泥鳅 Paramisgurnus dabryanus (47.32±0.88) g 88.83×10−3 [13]
    黄鳝 Monopterus albus (11.82±1.51) g 75.94×10−3 [15]
    黑龙江泥鳅 Misgurnus mohoity (Dybowski) (16.3±0.53) g 72.62×10−3 [13]
    异育银鲫 Carassiusauratus gibelio (28.20±3.91) g 70.368×10−3 [16]
    达里湖鲫 Carassius auratus Linnacus (4.16±0.47) cm 63.42×10−3 [17]
    彭泽鲫 Carassius auratus var. pengzesis 3.26~3.68 g 59.87×10−3 [18]
    花鲈 Lateolabrax maculatus (3.19±0.21) cm 46.18×10−3 [19]
    叶尔羌高原鳅 Triplophysa yarkandensis 4.64~11.39 g 35.143×10−3 [20]
    欧鲇 Silurus glurnis Linnaeus (0.32±0.11)~(0.73±0.12) g 5.099×10−3 [21]
    下载: 导出CSV 
    | 显示表格

    大规格鱼的高浓度致死MST、急性碱胁迫96 h LC50 [(136.92±3.72) min, 8.95 g·L−1] 均高于小规格 [(114.08±4.36) min, 6.25 g·L−1];慢性碱驯化下,大规格鱼LC50均高于10 g·L−1,小规格鱼的低于10 g·L−1;大规格的生存碱度上限比小规格高1~4 g·L−1,死亡碱度下限与小规格差异不显著。上述结果说明体质量会影响鱼类对环境的耐受性。在幼鱼阶段,体质量增加3倍以上的罗非鱼对碳酸盐碱胁迫的耐受性显著增强。值得注意的是,慢性碱驯化实验中大规格鱼LC50随碱变化速度的增大而上升,小规格鱼则随碱变化速度的增大而下降,究其原因有2个:1) 慢性碱驯化实验中,小规格鱼累计死亡率出现3个明显的峰值,而大规格鱼死亡变化平缓,在碳酸盐碱度达12 g·L−1时,小规格鱼较大规格死亡情况更集中;2) 实际操作中碱度以脉冲式增加,碱度的拟合值较实测值准确度可能较低,拟合曲线并未穿过全部数据点。

    本研究在慢性碱驯化实验中发现,同规格鱼在不同碱变化速度下的存活时间不同。+2 g·(L·d)−1组实验鱼的存活时间较长 (大:144 h,小:140 h),+6 g·(L·d)−1组实验鱼较短 (大:68 h,小:52 h)。+4 g·(L·d)−1组实验鱼存活时间 (大:92 h,小:68 h) 和+6 g·(L·d)−1组差异不显著。尽管在较高的碱变化速度下,生存碱度上限、死亡碱度下限发生变化,但实际该数值变化并不会提高耐受性。因此认为在碱驯化过程中,碱度日增加2 g·L−1对尼罗罗非鱼的存活更加友好,养殖中可通过2 g·(L·d)−1的碱增加使其耐受更高浓度的碳酸盐碱水体。另外,可以推测碱度日增加1 g·L−1时罗非鱼存活时间更长,但驯化时间和成本也会相应增加。

    碱度对鱼类的毒性具有剂量效应和时间效应[17]。CLL模型最先应用在不同昆虫的化学及生物杀虫剂毒力测定的数据分析上,优点在于可以揭示时间与剂量间的互作效应,使实验数据更充分更完整[31]。本研究引入CLL模型用于急性碱胁迫下尼罗罗非鱼的“时间-碱度-死亡率”分析。结果发现,和线性回归相比,CLL模型可直接反映不同时间区间的死亡变化情况,拟合程度更高,且胁迫过程中的时间效应在数值上表现为逐渐增强 (大:−23.677 6<−21.714 4,−22.710 7<−20.800 2;小:−12.630 2<−10.923 7,−11.353 7<−9.524 9),不仅解释了胁迫后期实验鱼死亡数量骤增现象,同时也说明在有效的胁迫时间、碱度范围内,CLL模型适于此类数据的分析。但对于慢性碱驯化而言,时间因子和碱度因子并非2个独立变量,存在线性关系,两者共同作用导致累计死亡率的特定变化,不满足CLL模型基于双独立变量的要求。此外,笔者也试图利用双变量Logistic模型[32]解释慢性碱驯化下碱度、时间对尼罗罗非鱼的致死影响,但由于双变量Logistic模型多应用于温度等连续变化的作用因子,实验点较多,和本实验浓度变化明显不同,因此并不适合。

  • 图  1   2013—2019年南海鸢乌贼单位捕捞努力量渔获量变化

    Figure  1.   CPUE of S. oualaniensis in South China Sea from 2013 to 2019

    图  2   海表面叶绿素质量浓度、海表面温度和海表面风速对单位捕捞努力量渔获量的影响

    Figure  2.   Effects of sea surface Chl-a concentration, sea surface temperature, sea surface wind speed on CPUE

    图  3   3种模型的拟合结果与单位捕捞努力量渔获量真实值的比较

    Figure  3.   Comparison between fitting results of three models and real CPUE value

    表  1   环境因子序列与单位捕捞努力量渔获量的灰色关联度分析结果

    Table  1   Grey relational analysis of environmental factor sequence and CPUE

    月份
    Month
    海表面高度
    SSH
    海表面温度
    SST
    海表面盐度
    SSS
    海表面叶绿素a
    Sea surface Chl-a
    海表面风速
    SSW
    2月 Feb. 0.730 9 0.890 0* 0.698 6 0.948 6 0.828 2
    3月 Mar. 0.756 3 0.872 0 0.724 0 0.964 5* 0.856 5*
    4月 Apr. 0.728 6 0.817 9 0.732 9 0.952 9 0.825 5
    5月 May 0.782 2* 0.827 1 0.750 1* 0.938 3 0.831 0
    6月 Jun. 0.726 2 0.832 9 0.730 3 0.963 2 0.827 9
    均值 Mean 0.744 8 0.848 0 0.727 2 0.953 5 0.833 8
    注:*. 该因子对应相关度最高的月份 Note: *. The factor corresponds to the month with the highest correlation.
    下载: 导出CSV

    表  2   多因素预测模型得到的单位捕捞努力量渔获量拟合值与真实值的相对误差

    Table  2   Relative error between CPUE predictive value and real value obtained by multi-factor prediction model

    模型 ModelM1M2M3M4M5M6
    平均相对误差 Mean relative error/% 4.79 7.79 8.81 27.16 7.78 10.46
    注:M1. 包含所有因子的GM (1,6) 模型;M2. 不包含SSH的GM (1,5) 模型;M3. 不包含SST的GM (1,5) 模型;M4. 不包含SSS的GM (1,5) 模型;M5. 不包含Chl-a的GM (1,5) 模型;M6. 不包含SSW的GM (1,5) 模型 Note: M1. GM (1,6) model with all factors; M2. GM (1,5) model without SSH; M3. GM (1,5) model without SST; M4. GM (1,5) model without SSS; M5. GM (1,5) model without Chl-a; M6. GM (1,5) model without SSW
    下载: 导出CSV

    表  3   3种模型的拟合结果与单位捕捞努力量渔获量真实值的相对误差

    Table  3   Relative error between predictive values of three models and real CPUE value

    年份
    Year
    真实值
    Real value
    GM (1,6) 预测值
    Predictive value
    基于Simpson优化的
    预测值
    Prediction value based
    on Simpson formula
    基于Fourier级数
    修正值
    Prediction value based
    on Fourier series
    2013 1.856 5 1.856 5 1.856 5 1.844 5
    2014 2.376 8 1.975 7 2.082 0 2.355 1
    2015 2.656 8 2.717 6 2.457 1 2.712 9
    2016 1.932 9 1.973 6 1.991 6 1.852 9
    2017 1.915 2 2.199 0 2.108 0 1.991 6
    2018 2.150 1 1.922 7 1.868 6 2.076 6
    平均相对误差 Mean relative error/% 7.78 7.69 2.54
    2019 2.386 8 2.272 5 2.304 2 2.431 4
    相对误差 Relative error/% 4.79 3.46 1.87
    下载: 导出CSV
  • [1] 张鹏, 杨吝, 张旭丰, 等. 南海金枪鱼和鸢乌贼资源开发现状及前景[J]. 南方水产, 2010, 6(1): 68-74.
    [2]

    EKO S, YE H J, DAI Y, et al. Detailed spatiotemporal impacts of El Niño on phytoplankton biomass in the South China Sea[J]. J Geophys Res Oceans, 2017, 12(2): 123-126.

    [3] 招春旭, 邱星宇, 何雄波, 等. 南海春季月相、水深、作业时间与鸢乌贼CPUE的关系[J]. 水产学报, 2019, 43(11): 2372-2382.
    [4] 耿喆, 朱江峰, 夏萌, 等. 数据缺乏条件下的渔业资源评估方法研究进展[J]. 海洋湖沼通报, 2018(5): 130-137.
    [5] 邓聚龙. 灰色系统基本方法[M]. 武汉: 华中理工大学出版社, 1987: 20-60.
    [6] 陈新军. 灰色系统理论在渔业科学中的应用[M]. 北京: 中国农业出版社, 2003: 1-32.
    [7] 袁德宝, 张振超, 张军, 等. 最优化分数阶算子EGM (1,1) 模型在变形监测预报中的应用[J]. 大地测量与地球动力学, 2020, 40(4): 331-334, 345.
    [8] 索瑞霞, 王翔宇, 沈剑. 基于动态无偏灰色马尔科夫模型的煤炭需求量预测[J]. 数学的实践与认识, 2019, 49(13): 179-186.
    [9] 徐华锋, 刘思峰, 方志耕. GM (1,1) 模型灰色作用量的优化[J]. 数学的实践与认识, 2010, 40(2): 26-32.
    [10] 高媛媛, 魏勇. 灰色模型背景值优化的一种新方法[J]. 统计与决策, 2020, 36(7): 21-26.
    [11]

    CUI J, LIU S F, ZENG B, et al. A novel grey forecasting model and its optimization[J]. Appl Math Model, 2013, 37(6): 4399-4406. doi: 10.1016/j.apm.2012.09.052

    [12] 孙辰军, 王翠茹, 张江维. 残差灰色预测模型的改进与应用[J]. 统计与决策, 2005(5): 19-20. doi: 10.3969/j.issn.1002-6487.2005.05.010
    [13] 高雪, 陈新军, 余为. 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[J]. 海洋学报, 2017, 39(6): 55-61.
    [14] 谢恩阁, 周艳波, 冯菲, 等. 中国南海外海鸢乌贼灯光罩网渔业CPUE标准化研究[J]. 大连海洋大学学报, 2020, 35(3): 439-446.
    [15] 张立, 李渊, 林龙山, 等. 南海中南部主要经济种类渔业资源声学评估[J]. 海洋渔业, 2016, 38(6): 577-587. doi: 10.3969/j.issn.1004-2490.2016.06.003
    [16] 余景, 胡启伟, 李纯厚, 等. 西沙—中沙海域春季鸢乌贼资源与海洋环境的关系[J]. 海洋学报, 2017, 39(6): 62-73.
    [17] 冯波, 颜云榕, 张宇美, 等. 南海鸢乌贼 (Sthenoteuthis oualaniensis) 资源评估的新方法[J]. 渔业科学进展, 2014, 35(4): 1-6. doi: 10.11758/yykxjz.20140401
    [18] 范江涛, 张俊, 冯雪, 等. 南沙海域鸢乌贼渔场与海洋环境因子的关系[J]. 上海海洋大学学报, 2019, 28(3): 419-426.
    [19] 王言丰, 陈新军, 陈芃, 等. 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[J]. 海洋学报, 2019, 41(4): 64-73.
    [20] 余胜威. MATLAB优化算法案例分析与应用[M]. 北京: 清华大学出版社, 2004: 46-55.
    [21] 成枢, 周龙飞, 高秀明. 基于灰色关联GM (1,N)-Markov修正模型的应用[J]. 勘察科学技术, 2019(3): 43-48. doi: 10.3969/j.issn.1001-3946.2019.03.011
    [22] 方舟, 陈洋洋, 陈新军, 等. 基于不同环境因子的中西太平洋鲣鱼资源丰度灰色预测模型构建[J]. 海洋学研究, 2018, 36(4): 60-67. doi: 10.3969/j.issn.1001-909X.2018.04.008
    [23] 李庆扬, 王能超, 易大义. 数值分析[M]. 北京: 清华大学出版社, 2008: 32-39.
    [24] 姜汝翰. 基于灰色模型的青岛港集装箱吞吐量预测研究[D]. 大连: 大连海事大学, 2019: 25-29.
    [25]

    DENG Z, KE Y, GONG H, et al. Land subsidence prediction in Beijing based on PS-InSAR technique and improved Grey-Markov model[J]. GISci Remote Sens, 2017, 54(6): 797-818. doi: 10.1080/15481603.2017.1331511

    [26] 郭雪峰, 黄健元, 王欢. 改进的灰色模型在流动人口预测中的应用[J]. 统计与决策, 2018, 34(8): 76-79.
    [27] 蒲晓妮, 赵睿, 王江荣. 基于Fourier级数残差修正的灰色Verhulst模型及应用[J]. 自动化与仪器仪表, 2019(8): 98-101.
    [28] 徐红云, 崔雪森, 周为峰, 等. 基于海洋遥感的南海外海鸢乌贼最适栖息环境分析[J]. 生态学杂志, 2016, 35(11): 3080-3085.
    [29] 晏磊, 张鹏, 杨炳忠, 等. 南海鸢乌贼产量与表温及水温垂直结构的关系[J]. 中国水产科学, 2016, 23(2): 469-477.
    [30] 范江涛, 张俊, 冯雪, 等. 基于地统计学的南沙海域鸢乌贼渔场分析[J]. 生态学杂志, 2017, 36(2): 442-446.
    [31] 常永波. 几种人工神经网络模型在智利竹䇲鱼渔场渔情预报中的比较研究[D]. 上海: 上海海洋大学, 2016: 7-15.
    [32]

    SOYKAN C U, EGUCHI T, KOHIN S, et al. Prediction of fishing effort distributions using boosted regression trees[J]. Ecol Appl, 2014, 24(1): 71-83. doi: 10.1890/12-0826.1

    [33]

    HIROSHI S. Application of support vector regression to CPUE analysis for southern bluefin tuna Thunnus maccoyii, and its comparison with conventional methods[J]. Fish Sci, 2014, 80(5): 879-886. doi: 10.1007/s12562-014-0770-6

  • 期刊类型引用(6)

    1. 蒋利进,衣萌萌,可小丽,曹建萌,刘志刚,王章,谭泽加,卢迈新,王淼. 碱度对尼罗罗非鱼肝脏免疫、肠道菌群结构和代谢物的影响. 淡水渔业. 2025(01): 49-59 . 百度学术
    2. 江德泓,陈思宇,徐佳慧,张海洋,汪杨怀煜,李学军,石西. 淇河鲫幼鱼对碳酸盐碱度的耐受性研究. 河南水产. 2024(04): 23-26 . 百度学术
    3. 肖黄璇,刘天奇,鲁翠云,孙志鹏,那荣滨,常玉梅,郑先虎. 急性碳酸氢钠碱度胁迫对草鱼存活及相关酶活性的影响. 广东海洋大学学报. 2024(06): 1-9 . 百度学术
    4. 艾克达·热合曼,李雯,黄晶,梁利群,张立民,常玉梅. NaHCO_3碱度和NaCl盐度对两种规格高体雅罗鱼幼鱼的急性毒理研究. 水产学杂志. 2023(05): 32-41 . 百度学术
    5. 赵贺,赵年桦,李丽,聂竹兰,魏杰,沈建忠. 南疆地区四种土著裂腹鱼类幼鱼对氯化钠和碳酸氢钠的急性耐受能力. 淡水渔业. 2022(02): 34-41 . 百度学术
    6. 逯冠政,么宗利,来琦芳,高鹏程,周凯,朱浩拥,刘一萌,孙真. 高盐碱环境下大口黑鲈幼鱼生长性能、血液生理指标与质构特征研究. 渔业科学进展. 2022(04): 1-11 . 百度学术

    其他类型引用(5)

图(3)  /  表(3)
计量
  • 文章访问数:  723
  • HTML全文浏览量:  269
  • PDF下载量:  46
  • 被引次数: 11
出版历程
  • 收稿日期:  2020-10-18
  • 修回日期:  2021-01-09
  • 录用日期:  2021-01-24
  • 网络出版日期:  2021-01-26
  • 刊出日期:  2021-06-04

目录

/

返回文章
返回