基于渔船轨迹的阿根廷滑柔鱼捕捞强度空间分析

史慧敏, 樊伟, 张涵, 杨胜龙

史慧敏, 樊伟, 张涵, 杨胜龙. 基于渔船轨迹的阿根廷滑柔鱼捕捞强度空间分析[J]. 南方水产科学, 2021, 17(6): 1-11. DOI: 10.12131/20210010
引用本文: 史慧敏, 樊伟, 张涵, 杨胜龙. 基于渔船轨迹的阿根廷滑柔鱼捕捞强度空间分析[J]. 南方水产科学, 2021, 17(6): 1-11. DOI: 10.12131/20210010
SHI Huimin, FAN Wei, ZHANG Han, YANG Shenglong. Spatial analysis of fishing intensity for Illex argentinus based on fishing vessel tracks[J]. South China Fisheries Science, 2021, 17(6): 1-11. DOI: 10.12131/20210010
Citation: SHI Huimin, FAN Wei, ZHANG Han, YANG Shenglong. Spatial analysis of fishing intensity for Illex argentinus based on fishing vessel tracks[J]. South China Fisheries Science, 2021, 17(6): 1-11. DOI: 10.12131/20210010

基于渔船轨迹的阿根廷滑柔鱼捕捞强度空间分析

基金项目: 国家重点研发计划项目 (2019YFD0901405, 2019YFD0901404);中国水产科学研究院东海水产研究所中央级公益性科研院所基本科研业务费专项资金资助 (2019T09);上海市科技创新行动计划 (19DZ1207504);福建省海洋渔业资源与生态环境重点实验室开放基金 (fjmfre2019003)
详细信息
    作者简介:

    史慧敏 (1996—),女,硕士研究生,研究方向为数据挖掘。E-mail: huimin_0216@163.com

    通讯作者:

    杨胜龙 (1982—),男,博士,副研究员,从事海洋生态学研究。E-mail: ysl6782195@126.com

  • 中图分类号: S 972.9

Spatial analysis of fishing intensity for Illex argentinus based on fishing vessel tracks

  • 摘要: 为了解阿根廷滑柔鱼 (Illex argentinus) 渔船捕捞行为与空间分布,为其资源管理提供参考,文章采用2018年1—5月的船舶自动识别系统 (Automatic Identification System, AIS) 数据,通过统计方法分析渔船捕捞行为特征,基于数据挖掘方法识别鱿钓渔船作业轨迹点,统计和绘制鱿鱼渔场捕捞强度分布图,分析了阿根廷滑柔鱼渔场各月捕捞强度空间分布特征。结果表明:1) 阿根廷滑柔鱼鱿钓渔船速度呈明显的双峰分布;2) 1—4月是阿根廷滑柔鱼渔汛期,作业渔船投入的捕捞努力量最多,中国大陆渔船2—4月捕捞强度高,其他国家和地区渔船高强度主要集中在4—5月;3) 各月捕捞努力量存在空间自相关并呈现显著聚集分布模式;4) 热点分析表明,2018年1—5月研究区域的捕捞努力量高值和低值均存在聚集分布,鱿钓渔船捕捞热点区域呈南移趋势。
    Abstract: In order to understand the spatial behavior of Illex argentinus fishing vessels, we had analyzed the Automatic Identification System (AIS) data from January to May, 2018. Based on data mining method, we identified the trajectories of squid fishing vessels, and drew the fishing intensity distribution map of squid fishing ground. Then we analyzed the spatial distribution characteristics of monthly fishing intensity of I. argentinus fishing ground. The results show that: 1) The velocity distribution of the squid jigging fishing vessels showed obviously bimodal distribution. 2) The period from January to April was the major squid jigging fishing season and the fishing effort was the highest. The fishing intensity of vessels from mainland China was high from February to April, and the vessels from other countries and regions mainly fished in April and May. 3) The monthly fishing effort was spatially autocorrelated and showed patterns of significant aggregation. 4) The analysis of cold and hot spots reveals that the fishing effort in the survey area showed an aggregated distribution in both high and low values, and the fishing hotspots were moving southward from January to May.
  • 近年来,在南太平洋海域进行商业捕捞作业的船队主要为中国大陆和中国台湾船队[1]。有研究表明环境变化对于长鳍金枪鱼 (Thunnus alalunga) 的分布和洄游有显著影响[2-3],由于长鳍金枪鱼的高度洄游性使商业捕捞作业船队对其渔场的寻找成为一项高成本生产活动。因此,了解长鳍金枪鱼的资源分布与环境因子的关系对提高该渔业的生产效率具有重要意义。南太平洋长鳍金枪鱼作为延绳钓渔船的主要捕捞对象,一般栖息在200~300 m水层[4]。而目前国内外学者多选择表层环境因子作为研究对象[5-7],较少采用不同水层的环境数据。广义可加模型 (Generalized additive model, GAM) 作为定量分析渔获率与环境要素之间关系的方法,目前已得到广泛应用。而这些研究在变量选择中多加入了时空因子[8-10],忽略了时空因子与环境因子之间和不同环境因子之间的多重共线性[11]。此外,由于缺少该鱼种完整的渔捞日志数据,研究多采用5°方格数据[7,10],但这种较低空间分辨率的环境数据往往会弱化数值分析的效果。

    本文根据中国大陆地区所有渔船2015—2017年在南太平洋的渔捞日志,整理出了空间分辨率为1°×1°的月渔获数据,用GAM模型逐步回归分析各环境因子与长鳍金枪鱼资源的关系,以探讨环境因子的变化对长鳍金枪鱼资源分布的影响,以期为南太平洋长鳍金枪鱼的合理开发利用和资源养护管理提供参考。

    来自中国大陆地区2015—2017年所有渔船渔捞日志,选取在南太平洋海域 (140°E—130°W,0°N—50°S,图1) 且捕捞对象为长鳍金枪鱼的渔捞日志数据 (具体数据总量见表1),包括日期、作业位置、投钩数、各鱼种渔获量尾数和千克数等。

    图  1  2015—2017年南太平洋长鳍金枪鱼单位捕捞努力渔获量的平均分布
    Fig. 1  Average distribution of CPUE of T. alalunga in South Pacific during 2015–2017
    表  1  南太平洋长鳍金枪鱼延绳钓渔业作业天数情况
    Table  1  Fishing days of longline fishery of T. alalunga in South Pacific
    年份
    Year
    总渔船数
    Total vessels
    累计作业天数
    Total fishing days
    2015 107 18 070
    2016 115 20 591
    2017 136 26 291
    下载: 导出CSV 
    | 显示表格

    包括海表温度 (Sea surface temperature,SST) 及不同深度水温、海表盐度 (Sea surface salinity,SSS) 及不同水层盐度、叶绿素a浓度 (Chlorophyll a concentration,Chla)、海表风场 (Sea surface wind,SSW)、海表面高度 (Sea surface height,SSH)、混合层深度 (Mixed layer depth,MLD) 的月数据。其中海表温度及不同水深温度、海表盐度及不同水层盐度、混合层深度来自中国Argo实时资料中心提供的《全球海洋Argo网格数据集 (BOA_Argo) 》,空间分辨率为1°。叶绿素a浓度来自美国国家海洋和大气管理局 (National Oceanic and Atmospheric Administration, NOAA) 的Ocean Watch网站,空间分辨率为0.05°。海表风场来自美国宇航局物理海洋学数据分发存档中心 (PO.DAAC) 提供的CCMP风速,空间分辨率为0.25°,海表面高度来自德国汉堡大学的综合气候数据中心提供的ORA-S4资料,空间分辨率为1°。

    1) 单位捕捞努力量渔获量 (Catch per unit effort,CPUE) 可以作为代表长鳍金枪鱼渔业资源状态的指标。其计算公式为:

    $$ {\rm{CPUE}} = \dfrac{{{U_{{\rm{catch}}}}}}{{{f_{{\rm{hooks}}}}}} $$ (1)

    式中Ucatch表示1°×1°单位渔区内的累计渔获量 (kg),fhooks是1°×1°单位渔区内的累计投钩数 (千钩),时间尺度为月。

    2) 用Matlab读取海表温度、叶绿素a浓度、海表风场数据,并与单位渔区进行数据匹配。受云层遮挡等因素影响,环境数据尤其是叶绿素a浓度数据存在缺失情况。本文采用计算周围变量均值的方法对缺失数据进行处理。

    利用Pearson相关系数计算环境因子之间的相关系数[12],其公式为:

    $$ r = \frac{{\displaystyle\sum\nolimits_{i = 1}^n {\left( {{x_i} - \bar x} \right)\left( {{y_i} - \bar y} \right)} }}{{\sqrt {\displaystyle\sum\nolimits_{i = 1}^n {{{\left( {{x_i} - \bar x} \right)}^2}{{\displaystyle\sum\nolimits_{i = 1}^n {\left( {{y_i} - \bar y} \right)} }^2}} } }} $$ (2)

    式中r表示相关系数,xi表示环境因子x的第i个观测值,$\bar x $表示环境因子的均值,yi表示环境因子y的第i个观测值,${\bar y}_i $表示环境因子y的均值。

    GAM模型能够较好地处理响应变量和一组解释变量之间高度非线性和非单调关系的能力,被广泛用于渔获率与环境关系研究[13-14]。其一般表达式为:

    $$ g\left( {\rm{\mu}} \right) = {\beta _0} + \sum\nolimits_{i = 1}^k {{f_i}} \left( {{x_i}} \right) + \varepsilon \left[ {{\rm{\mu}} = E\left( {Y/X} \right)} \right] $$ (3)

    式中g(μ) 表示联系函数,β0表示常数截距项,fi(xi) 表示用来描述g(μ) 与第i个解释变量关系的平滑函数。

    GAM模型和逐步回归计算在R-3.5.0中实现。

    本研究在不同水深环境数据中选择了60、120、180、240、300 m深度水温和盐度与其他表层环境因子进行了相关性分析。计算表明各层之间温度和盐度相关性较大 (由于篇幅所限,结果未列出),最后选取了相关性较小的三层 (表层、120 m300 m) 参与最后的要素分组中。通常认为如果相关系数大于0.75为强相关[15],介于0.5~0.75为中等程度相关,小于0.5为弱相关。SST和t120t300s300,SST与SSH,t120与SSH为高度相关因子;SST与s120,SST与MLD,SST与Uwndt120s120t120Uwnd均中度相关;SSS、Chla、Vwnd与其他环境因子之间的相关性均较小 (表2)。

    表  2  各环境变量相关系数矩阵
    Table  2  Correlation coefficients matrix of environmental factors
    变量
    Variable
    t120t300SSSs120s300MLDUwndVwndChlaSSH
    SST 0.916 0.005 −0.359 0.545 −0.091 −0.560 −0.541 −0.146 −0.316 0.753
    t120 −0.002 −0.239 0.582 −0.098 −0.307 −0.542 −0.137 −0.221 0.757
    t300 0.176 0.165 0.925 −0.152 −0.277 0.428 −0.068 0.440
    SSS 0.408 0.097 0.396 −0.056 −0.175 0.128 −0.432
    s120 −0.008 −0.124 −0.504 −0.242 −0.150 0.258
    s300 −0.117 −0.127 0.451 0.114 0.407
    MLD 0.255 0.004 0.326 −0.451
    Uwnd −0.308 0.178 −0.493
    Vwnd 0.137 0.212
    Chla −0.238
    注:SST. 海表温度;t120. 120 m水深温度;t300. 300 m水深温度;SSS. 海表盐度;s120.120 m水深盐度;s300. 300 m水深盐度;MLD. 混合层深度;Chla. 海表面叶绿素a浓度;Uwnd. 海表风场东西分量,即纬向风,以东为正;Vwnd. 海表风场南北分量,即经向风,以北为正;SSH. 海表面高度;下同 Note: SST. Sea surface temperature; t120. Sea temperature at depth of 120 m; t300. Sea temperature at depth of 300 m; SSS. Sea surface salinity; s120. Sea salinity at depth of 120 m; s300. Sea salinity at depth of 300 m; MLD. Mixed layer depth; Chla. Sea surface chlorophyll a concentration; Uwnd. Eastward Sea surface wind; Vwnd. Northward Sea surface wind; SSH. Sea surface height. The same case in the following table
    下载: 导出CSV 
    | 显示表格

    本研究使用GAM模型分析长鳍金枪鱼CPUE与各环境因子之间的关系,其中CPUE作为响应变量,SST、t120t300、SSS、s120s300、Chla、UwndVwnd、SSH、MLD作为解释变量,根据相关性分析结果,将环境因子分为4组分别建立GAM模型,表达式为:

    $$ \begin{array}{c} {\rm{log}}\left( {{\rm{CPUE}} + 1} \right)\sim s\left( {{\rm{SST}}} \right) + s\left( {{t_{300}}} \right) + s({\rm{SSS}}) + {\rm{ }}s\left( {{V_{{\rm{wnd}}}}} \right) + \\s\left( {{\rm{Chla}}} \right) + \varepsilon \\ {\rm{log}}\left( {{\rm{CPUE}} + 1} \right)\sim s({t_{120}}) + s\left( {{\rm{SSS}}} \right) + s\left( {{s_{300}}} \right) + s\left( {{\rm{MLD}}} \right) + \\s\left( {{V_{{\rm{wnd}}}}} \right) + s\left( {{\rm{Chla}}} \right) + \varepsilon \\ {\rm{log}}\left( {{\rm{CPUE}} + 1} \right)\sim s({t_{300}}) + s\left( {{\rm{SSS}}} \right) + s\left( {{s_{120}}} \right) + s({\rm{MLD}}) +\\ s\left( {{V_{{\rm{wnd}}}}} \right) + s\left( {{\rm{SSH}}} \right) + s\left( {{\rm{Chla}}} \right) + \varepsilon \\ {\rm{log}}\left( {{\rm{CPUE}} + 1} \right)\sim s\left( {{t_{300}}} \right) + s\left( {{\rm{SSS}}} \right) + s\left( {{\rm{MLD}}} \right) + s\left( {{U_{{\rm{wnd}}}}} \right) + \\s\left( {{V_{{\rm{wnd}}}}} \right) + s\left( {{\rm{SSH}}} \right) + s\left( {{\rm{Chla}}} \right) + \varepsilon \end{array} $$

    式中为了防止零值出现,采用CPUE加上1再进行对数化处理,s为自然立方样条平滑 (Natural cube spline smoother),ε为误差项。

    结果显示,各模型的总偏差解释率介于30%~40% (表3)。各环境因子的平均可解释偏差大小依次为t120 (19.7%)、SST (18.5%)、t300 (12.5%)、t120 (12.3%)、SSH (7.0%)、s300 (4.9%)、SSS (3.3%)、MLD (2.4%)、Vwnd (2.4%)、Uwnd (1.8%)、Chla (0.8%)。

    表  3  GAM模型拟合结果的偏差分析
    Table  3  Analysis of deviance for generalized additive models (GAM)
    分组
    Group
    累加影响因子
    Cumulative of influencing factors
    P决定系数
    R2
    累计解释偏差
    Cumulative of deviance explained
    可解释偏差
    Deviance explained
    AIC值
    AIC value
    第一组 Group 1 +SST <2×10−16*** 0.185 18.5% 18.5% 24 376.49
    +t300 <2×10−16*** 0.297 29.9% 11.4% 23 222.20
    +SSS <2×10−16*** 0.306 30.8% 0.9% 23 136.20
    +Vwnd <2×10−16*** 0.326 32.9% 2.1% 22 908.96
    +Chla <2×10−16*** 0.341 34.3% 1.4% 22 746.25
    第二组 Group 2 +t120 <2×10−16*** 0.196 19.7% 19.7% 24 265.62
    +SSS <2×10−16*** 0.215 21.6% 1.9% 24 087.74
    +s300 <2×10−16*** 0.263 26.5% 4.9% 23 599.79
    +MLD <2×10−16*** 0.282 28.5% 2.0% 23 410.19
    +Vwnd <2×10−16*** 0.295 29.8% 1.3% 23 276.47
    +Chla <2×10−16*** 0.307 31% 1.2% 23 147.81
    第三组 Group 3 +t300 <2×10−16*** 0.13 13.1% 13.1% 24 881.85
    +SSS <2×10−16*** 0.18 18.2% 5.1% 24 428.97
    +s120 <2×10−16*** 0.303 30.5% 12.3% 23 165.18
    +MLD <2×10−16*** 0.319 32.1% 1.6% 23 000.88
    +Vwnd <2×10−16*** 0.337 34% 1.9% 22 795.21
    +SSH <2×10−16*** 0.393 39.6% 5.6% 22 110.88
    +Chla 0.002 75** 0.394 39.8% 0.2% 22 100.98
    第四组 Group 4 +t300 <2×10−16*** 0.13 13.1% 13.1% 24 881.85
    +SSS 4.89×10-8*** 0.18 18.2% 5.1% 24 428.97
    +MLD <2×10−16*** 0.214 21.7% 3.5% 24 105.96
    +Uwnd 0.030 1* 0.231 23.4% 1.7% 23 942.02
    +Vwnd <2×10−16*** 0.267 27.1% 3.7% 23 574.18
    +SSH <2×10−16*** 0.352 35.5% 8.4% 22 626.40
    +Chla 2.51×10−15*** 0.356 36% 0.5% 22 571.78
    下载: 导出CSV 
    | 显示表格

    GAM模型分析发现,SST、t120t300s120是对CPUE影响较大的环境变量 (表3)。SST与CPUE介于15~30 ℃整体呈现负相关,其中介于25~28 ℃显示正相关 (图2-a)。t120与SST的趋势一致,呈负效应关系,其中介于18~23 ℃保持平稳状态 (图2-b)。t300在10 ℃之前置信区间较大且数据量较小故不予讨论,在10 ℃之后呈现出明显的正相关 (图2-c)。s120与CPUE以35.5为中心总体呈开口向上的抛物线,在36.4之后呈负相关 (图2-e)。

    图  2  不同环境因子对南太平洋延绳钓渔业长鳍金枪鱼单位捕捞努力渔获量的影响
    Fig. 2  Effects of different environmental factors on CPUE of longline fishery of T. alalunga in South Pacific

    对CPUE影响比较小的几个环境因子分别为SSS、s300、MLD、UwndVwnd、SSH、Chla。各模型得出的SSS对CPUE的影响略有差异,总体与CPUE保持平稳状态 (图2-d)。s300与CPUE以34.8为中心呈开口向上的抛物线 (图2-f),在35.0之后基本保持平稳。MLD与CPUE总体保持稳定 (图2-g),呈现轻微的正效应关系。Uwnd与CPUE基本保持平稳 (图2-h)。Vwnd与CPUE总体上呈现正效应关系 (图2-i),其中在−1~3 m·s−1保持平稳。Chla与CPUE整体上呈现轻微的负相关 (图2-j)。SSH与CPUE总体上呈负效应关系 (图2-k),在0.5 m之后这种负效应明显放缓。

    在参与2个及以上模型的环境因子中,MLD、Vwnd、Chla在较小的置信区间内总体趋势相似,与CPUE基本保持平稳状态,t300、SSH对CPUE的影响较大,但依然表现出了较高的拟合度。SSS在对CPUE的影响略有差异,介于35.2~35.0拟合较好。

    目前通过GAM模型分析环境因子与渔场的关系时通常会加入时空因子。然而时空因子的加入可能会影响环境因子与渔场关系的判断,如海表温度分布与纬度存在相关性,海表温度从低纬度向高纬度递减,纬度因素的加入会影响海表温度与渔场真实关系的推断。因此时空因子的加入对渔场与环境因子的关系分析可能会造成误判。

    除了时空因子与环境因子的相互影响外,环境因子之间也存在不可避免的自相关和多重共线性问题[16]。长鳍金枪鱼的渔场分布与各环境因子显著相关,是各个环境因子综合作用的结果,而环境因子间的高度相关性又会掩盖单个环境因子与渔场分布的真实关系。本研究发现,海表温度除了与混合层深度、海表风场、海表面高度等海表面环境因素有较大的相关性外,与各水层的温度、盐度也具有较大的相关性,因此在构建模型探讨海表温度与长鳍金枪鱼渔场的关系前,需要进行环境因子的相关性分析,通过排除相关系数较大的环境因子,降低这种多重共线性的负面影响[17]

    在建模过程中为避免同一模型内环境因子之间的多重共线性,同时又要确保放入尽量多的环境因子,本研究将环境因子分为4组分别建立GAM模型。由于每组模型选择的环境因子不同,得出的总解释偏差也有所差异。而在参与多个模型的环境因子中,t300、MLD、Vwnd、Chla、SSH的总体趋势相似 (图2),验证了这种分组建模方式分析环境因子与渔场分布具有较高的可信度。海表面的盐度略有差异,可能是由于其与120 m水深盐度、混合层深度、海表面高度均呈中等程度相关,不同的环境因子的选择影响了海表盐度与CPUE的关系。

    作为影响海洋鱼类活动最重要的环境因子之一,温度的变化对鱼类的分布、洄游和集群等会造成直接或者间接的影响[18],在进行长鳍金枪鱼时空分布与主要环境因子的关系研究时,一般都会选用SST作为环境因子[19-20]。海表温度对南太平洋长鳍金枪鱼的分布有显著影响,由GAM模型结果可以发现,长鳍金枪鱼的主要作业渔区出现在SST介于20~30 ℃的海域 (图2-a),这与樊伟等[21]的南太平洋长鳍金枪鱼产量高密度区呈双峰型,出现在20 ℃和29 ℃海域的研究结果一致。同时发现,SST与CPUE总体上呈现负相关,在25 ℃之前随温度的升高CPUE逐渐降低,在25 ℃之后略有回升。说明相对低温海域的作业频率较低但CPUE较高,可以探寻相对低温海域的长鳍金枪鱼渔区并进行开发。

    延绳钓渔船通常以长鳍金枪鱼成鱼为目标鱼种,主要在0~400 m深度设钩。水温垂直结构在长鳍金枪鱼渔场的形成过程中有直接影响[22]。研究结果显示,120~300 m水层,温度显著影响长鳍金枪鱼的产量,这可能是因为该水层是水温急剧下降的温跃层,温度和密度变化大,溶解氧含量高,饵料资源丰富。Hoyle等[23]发现,东南太平洋长鳍金枪鱼主要栖息于170~220 m水层,中西太平洋为150~300 m,与本文研究结果相似。Williams等[24]在汤加附近海域发现,长鳍金枪鱼高渔获率水深一般为200~300 m,与本文研究结果有一定差异,这可能是缘于研究海域不同。

    海表面盐度对于长鳍金枪鱼渔获量的影响较小,这与范永超等[25]、蒋汉凌[26]的研究结果一致。本研究还发现,s120对长鳍金枪鱼渔获量有显著影响。这说明海表面盐度影响较小可能是因为其主要通过影响溶解气体、海流等其他海表面环境因素从而对长鳍金枪鱼CPUE间接造成影响,而各水深盐度是影响长鳍金枪鱼CPUE的一个重要因素,在以后的研究中不可忽略。120~300 m温度和盐度显著影响长鳍金枪鱼CPUE的分布,这也验证了本研究长鳍金枪鱼主要栖息于120~300 m水层的结果。

    海面高度主要与水团、水系、海流、潮汐、中尺度涡等海洋动力信息有关。随着海面高度的增加,表层水团进行辐散或汇合[27],底层水上升进行补充,海水底层营养盐上升对表层营养盐进行补充,使海水表层初级生产力增加,浮游生物密度增加,长鳍金枪鱼资源量增加。本研究中,SSH与长鳍金枪鱼CPUE呈现负效应,可能是由于处于上升流的中心区域,营养盐浓度高,初级生产力高,浮游生物密度高,导致水体中氧气的大量消耗。

    混合层深度会对栖息于混合层的长鳍金枪鱼造成垂直分布的限制[28]。本研究中混合层深度与CPUE呈现出轻微的正效应。以往的研究中,可能由于存在与混合层深度有较大相关性的环境因素,导致混合层深度与CPUE的关系并不明显,这与本文结果略有不同,未来可作进一步探究。

    从食物链的角度看,叶绿素a浓度通常表征以浮游植物为食的浮游动物量,间接影响渔场分布[29]。以往的研究中,叶绿素a浓度通常是影响南太平洋长鳍金枪鱼CPUE的重要原因,而本研究中仅呈现出轻微的负相关,这可能是由于在叶绿素a浓度升高、浮游植物生物量增大、长鳍金枪鱼聚集增加的过程中存在时间延迟现象[30]

    国内外学者在长鳍金枪鱼CPUE与环境因子关系的研究中多使用海表面温度、海表面高度、叶绿素a浓度等,除此之外,海面风场也是影响鱼类活动的一个重要因子。

    本研究表明,Uwnd与CPUE总体保持稳定,Vwnd与CPUE呈现正效应,其中在−2~4 m·s−1保持平稳状态。海面风场对长鳍金枪鱼CPUE的影响显著,总体呈正相关关系,可能是由于较大的风速导致海水的湍流混合加大、水柱混合加深以及海水浑浊度增加[31-32],使海域营养盐增加、生产力提高,因此形成了良好的渔场,也有可能是这种混合造成海域适宜的水温对长鳍金枪鱼资源有促进作用。

    由于本文仅有3年 (2015—2017年)的渔捞日志数据,对环境关系的研究存在一些制约,未来将选择更长时间尺度的渔业数据并结合溶解气体、水系和海流、潮汐和潮流、气象因素等其他影响鱼类行为的环境因子作进一步研究。

  • 图  1   单艘鱿钓渔船作业轨迹特征

    Figure  1.   Track characteristics of a single fishing vessel

    图  2   速度和航向分布统计图

    Figure  2.   Frequency distribution of speed and course

    图  3   中国大陆渔船2种捕捞努力量分布图

    黑色线条代表EEZ边界,下同。

    Figure  3.   Distributions of two types of fishing effort by fishing vessels in mainland China

    The black lines represent the boundary of the Exclusive Economic Zone (EEZ); the same below.

    图  4   其他国家和地区渔船2种捕捞努力量图

    Figure  4.   Distribution of two types of fishing effort by fishing vessels from other countries and regions

    图  5   全部渔船2种捕捞努力量图

    Figure  5.   Distribution of two types of fishing effort by all fishing vessels

    图  6   各月2种捕捞努力量分布

    Figure  6.   Monthly distribution of two types of fishing effort

    图  7   所有渔船 (a)、中国大陆 (b) 和其他国家与地区渔船 (c) 不同速度范围1—5月累计作业时间

    Figure  7.   Cumulative hours of operations with varied speed ranges for all vessels (a), vessels from China (b), and those from other countries and regions (c) from January to May

    图  8   1—5月冷热点分布图

    红色点聚集为热点区域,用红色椭圆和红色小写字母标记;蓝色点聚集为冷点区域,用蓝色椭圆和数字标记,黄色点代表无意义点。

    Figure  8.   Distribution of cold and hot spots from January to May

    The red spots represent the hot spot area, marked with red ellipses and red lowercase letters; the blue spots represent the cold spot area, marked with blue ellipses and numbers; the yellow points represent insignificant areas.

    表  1   各月渔船捕捞努力量常规统计及全局空间自相关参数

    Table  1   Ordinary statistics and global spatial autocorrelation for monthly fishing effort

    月份
    Month
    均值
    Mean/h
    标准差
    SD
    偏态
    Skewness
    峰态
    Kurtosis
    变异系数
    CV
    全局Moran's I 指数
    Global Moran's I
    S2/mZP
    1月 Jan.22.70105.467.5568.344.650.21211121.0674.980
    2月 Feb.36.67265.6512.73194.657.240.08970570.8168.270
    3月 Mar.40.35151.546.8564.053.760.08922965.8375.770
    4月 Apr.17.5168.3213.17256.453.900.0494667.8342.110
    5月 May8.1846.6738.331893.955.700.0702178.3173.320
    下载: 导出CSV
  • [1]

    CHANG K Y, CHEN C S, CHIU T Y, et al. Argentine shortfin squid (Illex argentinus) stock assessment in the Southwest Atlantic using geostatistical techniques[J]. Terr Atmos Ocean Sci, 2016, 27(2): 281-292. doi: 10.3319/TAO.2015.11.05.01(Oc)

    [2] 陈芃, 陈新军. 基于最大熵模型分析西南大西洋阿根廷滑柔鱼栖息地分布[J]. 水产学报, 2016, 40(6): 893-902.
    [3] 侯庆联, 陈新军, 汪金涛. 西南大西洋阿根廷滑柔鱼资源时空分布研究[J]海洋科学, 2019, 43(5): 103-109.
    [4]

    CHEN C S, HAUNG W B, CHIU T S. Different spatiotemporal distribution of Argentine short-finned squid (Illex argentinus) in the Southwest Atlantic during high-abundance year and its relationship to sea water temperature changes[J]. Zool Stud, 2007, 46(3): 362-374.

    [5]

    HAIMOVICI M, SANTOS R A D, BAINY M C R S, et al. Abundance, distribution and population dynamics of the short fin squid Illex argentinus in Southeastern and Southern Brazil[J]. Fish Res, 2014, 152: 1-12. doi: 10.1016/j.fishres.2013.09.007

    [6]

    CHEN C S, CHIU T S, HAUNG W B. The spatial and temporal distribution patterns of the Argentine short finned squid, Illex argentinus, abundances in the Southwest Atlantic and the effects of environmental influences[J]. Zool Stud, 2007, 46(1): 111-122.

    [7] 陆化杰, 陈新军, 方舟. 西南大西洋阿根廷滑柔鱼渔场时空变化及其与表温的关系[J]. 海洋渔业, 2013, 35(4): 382-388. doi: 10.3969/j.issn.1004-2490.2013.04.002
    [8] 方舟, 陈新军, 李建华, 等. 阿根廷专属经济区内鱿钓渔场分布及其与表温关系[J]. 上海海洋大学学报, 2013, 22(1): 134-140.
    [9] 李娜, 陈新军, 王冉. 基于空间自相关的阿根廷滑柔鱼CPUE标准化研究[J]. 海洋学报(中文版), 2018, 40(2): 61-68.
    [10] 王易帆, 陈新军, 郭立新. 基于产卵场海表温度的阿根廷滑柔鱼资源丰度预测模型研究[J]. 海洋学报(中文版), 2020, 42(6): 29-35.
    [11] 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(中文版), 2019, 41(4): 64-73.
    [12] 汪金涛, 高峰, 雷林, 等. 阿根廷滑柔鱼渔场预报模型最适时空尺度和环境因子分析[J]. 中国水产科学, 2015, 22(5): 1007-1014.
    [13] 胡贯宇, 陈新军, 汪金涛. 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[J]. 海洋学报, 2015, 37(8): 88-95.
    [14] 丁琪, 陈新军, 汪金涛. 阿根廷滑柔鱼(Illex argentinus)适宜栖息地模型比较及其在渔场预报中的应用[J]. 渔业科学进展, 2015, 36(3): 8-13. doi: 10.11758/yykxjz.20150302
    [15]

    BERTRAND S, DIAZ E, LENGAIGEN M. Patterns in the spatial distribution of Peruvian anchovy (Engraulis ringens) revealed by spatially explicit fishing data[J]. Prog Oceanogr, 2008, 79(2/3/4): 379-389.

    [16]

    NATALE F, GIBIN M, ALESSANDRINI A, et al. Mapping fishing effort through AIS data[J]. PLoS One, 2015, 10(6): e0130746.

    [17]

    Le GUYADER D, RAY C, GOURMELON F, et al. Defining high-resolution dredge fishing grounds with automatic identification system (AIS) data[J]. Aquat Living Resour, 2017, 30: 39.

    [18]

    WANG Y B, WANG Y. Estimating catches with Automatic Identification System (AIS) data: a case study of single otter trawl in Zhoushan fishing ground, China[J]. Iran J Fish Sci, 2016, 15(1): 75-90.

    [19]

    CIMINO M A, ANDERSON M, SCHRAMEK T, et al. Towards a fishing pressure prediction system for a western Pacific EEZ[J]. Sci Rep, 2019, 9(461): 1-10.

    [20]

    TACONET M, KROODSMA D, FERNANDES J A. Global Atlas of AIS-based fishing activity: challenges and opportunities[M]. Rome: FAO. 2019: 119-213.

    [21] 伍玉梅, 郑丽丽, 崔雪森, 等. 西南大西洋阿根廷滑柔鱼的资源丰度及其与主要生态因子的关系[J]. 生态学杂志, 2011, 30(06): 1137-1141.
    [22] 张炜, 张健. 西南大西洋阿根廷滑柔鱼渔场与主要海洋环境因子关系探讨[J]. 上海水产大学学报, 2008, 17(4): 471-475.
    [23]

    SOUZA E N D, BOERDER K, MATWIN S, et al. Improving fishing pattern detection from satellite AIS using data mining and machine learning[J]. PLoS One, 2016, 11(7): e0158248.

    [24]

    MILLS C M, TOWNSEND S E, JENNINGS S, et al. Estimating high resolution trawl fishing effort from satellite-based vessel monitoring system data[J]. ICES J Mar Sci, 2007, 64(2): 248-255. doi: 10.1093/icesjms/fsl026

    [25] 杨胜龙, 张胜茂, 原作辉, 等. 基于渔船捕捞行为特征的远洋延绳钓渔场捕捞强度计算[J]. 中国水产科学, 2020, 27(3): 307-314.
    [26] 张胜茂, 杨胜龙, 戴阳, 等. 北斗船位数据提取拖网捕捞努力量算法研究[J]. 水产学报, 2014, 38(8): 1190-1199.
    [27] 张胜茂, 张衡, 唐峰华, 等. 基于船位监控系统的拖网捕捞努力量提取方法研究[J]. 海洋科学, 2016, 40(3): 146-153. doi: 10.11759/hykx20140217002
    [28] 伍玉梅, 杨胜龙, 沈建华, 等. 西南大西洋阿根廷滑柔鱼作业渔场特征[J]. 应用生态学报, 2009, 20(6): 1445-1451.
    [29] 原作辉, 杨东海, 樊伟, 等. 基于卫星 AIS 的中西太平洋金枪鱼延绳钓渔场分布研究[J]. 海洋渔业, 2018, 40(6): 649-659. doi: 10.3969/j.issn.1004-2490.2018.06.002
  • 期刊类型引用(5)

    1. 廖韬梁,王芷禧,栗志民. 北部湾沿海不同地理群体施氏獭蛤形态差异分析. 安徽农业科学. 2025(01): 107-112 . 百度学术
    2. 吴韬,潘英,刘一鸣,连昌朋,徐炳杰,王超奇,杨凌. 广西北部湾海域施氏獭蛤精巢发育、精子发生及超微结构观察. 热带海洋学报. 2024(02): 69-80 . 百度学术
    3. 刘一鸣,徐炳杰,王超奇,杨凌,裴琨,韦朝民,曾尚伟,潘英. 广西北部湾织锦巴非蛤中培和养成期生长特性的比较. 南方农业学报. 2024(06): 1828-1842 . 百度学术
    4. 吴韬,潘英,连昌朋,刘一鸣,徐炳杰,王超奇,杨凌. 广西北部湾施氏獭蛤卵巢发育、卵子和卵黄发生的研究. 热带海洋学报. 2023(06): 137-149 . 百度学术
    5. 杨凌,刘一鸣,徐炳杰,王超奇,吴韬,邢清淦,裴琨,韦朝民,曾尚伟,潘英. 钝缀锦蛤在北海、防城港、钦州海区的中培与养成实验. 南方水产科学. 2023(06): 38-50 . 本站查看

    其他类型引用(3)

推荐阅读
Effects of flour types on quality for fried tilapia meat coated with batter
YUN Wanli et al., SOUTH CHINA FISHERIES SCIENCE, 2025
Effect of blanching treatment on oyster meat quality during refrigeration and frozen storage
CUI Junwei et al., SOUTH CHINA FISHERIES SCIENCE, 2025
Study on disturbance of oyster culture on environmental factors and bacterioplankton in dapeng cove
TONG Fei et al., SOUTH CHINA FISHERIES SCIENCE, 2024
Improvement of gel strength of fermented tilapia surimi bylactiplantibacillus plantarumthrough inhibition of protein hydrolysis
CUI Qiaoyan et al., SOUTH CHINA FISHERIES SCIENCE, 2024
Effect of airflow crushing and drying on the moisture content of carbon nanotubes
YAN Cuiping,LI Yang,LI Shilong,YAN Shaowen,ZHANG Mingxing,LI Hong, CHINA POWDER SCIENCE AND TECHNOLOGY, 2024
A review: research progress on prevention and control methods of cyanobacterial blooms
XU Zhenghong et al., CHINESE JOURNAL OF FISHERIES, 2024
Drought-tolerant bacteria and arbuscular mycorrhizal fungi mitigate the detrimental effects of drought stress induced by withholding irrigation at critical growth stages of soybean (glycine max, l.)
Nader, Aya Ahmed et al., MICROORGANISMS, 2024
Accumulation of microplastics in soil after long-term application of biosolids and atmospheric deposition
Adhikari, Kaushik et al., SCIENCE OF THE TOTAL ENVIRONMENT, 2024
Self-aeration development and fully cross-sectional air diffusion in high-speed open channel flows
JOURNAL OF HYDRAULIC RESEARCH, 2022
Investigation on aging behavior and failure mechanism of blast-resistant polyurea coating in service environments
MATERIALS TODAY COMMUNICATIONS, 2025
Powered by
图(8)  /  表(1)
计量
  • 文章访问数:  860
  • HTML全文浏览量:  261
  • PDF下载量:  58
  • 被引次数: 8
出版历程
  • 收稿日期:  2021-01-07
  • 修回日期:  2021-05-27
  • 录用日期:  2021-06-14
  • 网络出版日期:  2021-07-08
  • 刊出日期:  2021-12-05

目录

/

返回文章
返回