Effect of Oceanic Niño index on interannual CPUE of yellowfin tuna (Thunnus albacares) in Western and Central Pacific Ocean based on ARIMA model
-
摘要: 黄鳍金枪鱼 (Thunnus albacares) 为高度洄游的大洋性鱼类,有较高的生态和经济价值,中西太平洋 (Western and Central Pacific Ocean, WCPO) 是全球金枪鱼捕捞产量最高的海区。为了解和预测中西太平洋黄鳍金枪鱼不同渔业对气候变化的反应,根据1990—2020年世界各国在中西太平洋的围网和延绳钓作业以及海洋尼诺指数 (Oceanic Niño index, ONI) 数据,分析了常规自回归积分滑动平均模型 (Autoregressive Integrated Moving Average Model, ARIMA) 和加入ONI标准差为协变量的动态ARIMA模型在渔业资源量研究中的适用性,以及ONI对中西太平洋黄鳍金枪鱼年际单位捕捞努力量渔获量 (Catch per unit effort, CPUE) 的影响。结果表明:1) 常规ARIMA模型能够充分考虑中西太平洋黄鳍金枪鱼年CPUE的变化特征,可用于黄鳍金枪鱼年CPUE的长期拟合;2) 相比常规ARIMA模型,动态ARIMA模型的拟合度更好,拟合值和真实值的相关性更高,同时平均绝对误差、均方根误差更小;3) ONI对中西太平洋赤道南北海域黄鳍金枪鱼的年CPUE影响不同,相对而言,在赤道以北,ONI的影响因素更关键,模型的拟合度更高;4) ONI对中西太平洋不同渔业的黄鳍金枪鱼的年CPUE影响有差别,对中西太平洋黄鳍金枪鱼延绳钓渔业存在滞后1~2年的影响,而在强厄尔尼诺和强拉尼娜现象时,对围网渔业的影响速度较快,不存在滞后。Abstract: As a highly migratory pelagic fish, yellowfin tuna (Thunnus albacares) has high ecological and economic value. The Western and Central Pacific Ocean (WCPO) is the sea area with the highest tuna production of all oceans. In order to understand and predict the response of yellowfin tuna to climate change at different life stages in WCPO, we used the catch data of yellowfin tuna in purse seining and pelagic longlining and Oceanic Niño index (ONI) data from 1990 to 2020 in the WCPO to validate the applicability of general ARIMA (Autoregressive integrated moving average) model and dynamic ARIMA model, so as to explore the influence of the ONI on the interannual CPUE (Catch per unit effort) of yellowfin tuna. The results show that: 1) General ARIMA models could be used for long-term fitting of annual CPUE of yellowfin tuna in the WCPO, taking full account of the variability characteristics of annual CPUE of yellowfin tuna. 2) Compared with the general ARIMA model, the dynamic ARIMA model provided a better fit and a higher correlation between the fitted and true values, as well as smaller mean absolute and root mean square errors. 3) The influence of the ONI on the annual CPUE of yellowfin tuna differed between the northern and southern equatorial regions of the WCPO, with the ONI being a more critical factor and a better model fit relatively north of the equator. 4) The ONI had different impacts on the annual CPUE of yellowfin tuna in different fisheries in the WCPO, with a 1–2 years' lag in the ONI for the yellowfin tuna longline fishery in the WCPO, and a faster impact on the purse seine fishery during strong El Niño and strong La Niña events, without a lag.
-
Keywords:
- Thunnus albacares /
- Dynamic ARIMA /
- CPUE /
- Oceanic Niño index /
- Western and Central Pacific Ocean
-
粒径谱 (Size spectrum) 是以能量生态学为基础,把各类复杂的水域生态系统、食物循环、种群变动和影响机制等简化为谱图的一种方法[1]。它不依赖于传统的生物学分类知识[2],具有数据需求少、易操作和结果直观等特点,避免了生物特性鉴定不准确或调查资源有限引起的误差,在总体上、宏观地研究不同生态系统和群落动态及其变化机制和控制因素[1],可以用来比较不同历史时期和环境条件下生态系统的特点和差异[3],从某一粒级估计其他粒级的生物量或产量[1-2],评估捕捞[4]或环境对生态系统的压力[5-6],为研究水生生态学提供了新思路。1988年王荣等[7]首次把粒径谱的概念引入国内,如今我国粒径谱研究的发展及应用越来越广泛,涉及海湾[8]、湿地[9]和河口[10]等生境,在浮游生物[8,10]、底栖生物[9]中已有一定的应用和研究成果,而粒径谱应用于鱼类群落研究[11]近年才开始起步。
浙江省南部近海位于暖温带海区的温州和台州近海,有多条江河入海,受到浙江沿岸水、台湾暖流和黑潮次表层水等水团影响,悬浮物和营养物充足,饵料生物丰富[12],为多种鱼类提供了必要的栖息、索饵和繁衍场所。近年来,由于过度捕捞、环境污染等问题,近海水域的渔业资源严重衰退,渔业群落结构发生较大变动[13]。目前,国内已有学者对浙江省南部近海鱼类群落进行了物种生态优势度[14]、多样性[15]、生态位[16]等方面的研究,但受到气候变化和捕捞压力的持续影响,该海域鱼类群落结构发生着动态变化,需要进一步掌握其群落特征。本文根据2019年浙江南部近海4个季节的渔业资源调查数据,从时间和空间上进行鱼类群落粒径谱分析,探究该海域鱼类群落粒径谱特征,为鱼类资源保护与生态可持续发展提供参考。
1. 材料与方法
1.1 采样与测定
研究区域为浙江南部近岸海域 (120.93°E—122.95°E, 27.21°N—28.97°N),采样时间为2019年2月26日—3月2日 (冬季)、5月23—27日 (春季)、8月1—7日 (夏季) 和11月1—4日 (秋季),共4个航次的渔业资源和环境调查 (图1)。
调查船“浙洞渔10109”,主机马力540 HP,总吨位305 t,取样网具为网口宽40 m、网高7.5 m、网囊网目2 cm的底拖网。其中冬、夏季各27个站位,春季26个站位,秋季24个站位 (图1)。调查时每站位拖曳1次,平均拖速3 kn,每次作业时间1 h。同时,使用温盐深测量仪 (Conductivity temperature depth, CTD) 于每个站位测定盐度、温度、深度和pH等环境数据 (表1)。现场采样中样品的采集、保存和测定等均按照《海洋监测规范 (GB 17378)》和《海洋调查规范 (GB/T 12763)》执行。
表 1 浙江南部近海环境指标统计值Table 1. Statistical values of environmental indicators in offshore waters of southern Zhejiang Province季节
Season环境因子
Environmental factor最小值
Minimum value最大值
Maximum value平均值±标准差
$\overline { X}\pm { \rm {SD}} $春季 Spring 水深 Water depth/m 20.00 66.50 47.66±14.32 水温 Temperature/℃ 21.20 24.50 22.46±0.79 盐度 Salinity 26.30 33.10 28.77±1.74 pH 8.23 8.71 8.44±0.14 夏季 Summer 水深 Water depth/m 19.90 65.20 48.50±14.18 水温 Temperature/℃ 28.00 30.20 28.94±0.45 盐度 Salinity 31.70 34.00 33.36±0.71 pH 8.09 8.32 8.17±0.06 秋季 Autumn 水深 Water depth/m 16.70 63.70 51.21±12.25 水温 Temperature/℃ 21.60 23.90 22.96±0.58 盐度 Salinity 28.40 33.20 31.64±1.40 pH 8.15 8.27 8.22±0.04 冬季 Winter 水深 Water depth/m 21.50 66.00 48.26±13.63 水温 Temperature/℃ 10.40 15.80 13.21±1.80 盐度 Salinity 28.80 34.30 32.24±1.60 pH 8.18 8.34 8.26±0.04 1.2 研究方法
1.2.1 Sheldon鱼类粒径谱
鱼类个体生物量 (g) 经过log2转换后划分粒级,以最小生物量为起点,每一个粒级的上限值是下限值的2倍[17],即粒径间距以公比2成等比形式增长,作为横轴;单位面积 (km2)上对应粒级的生物量经过log2转换后作为纵轴,以此构建鱼类Sheldon粒径谱。谱上的散点用曲线连接后形成的峰型可以反映鱼类群落的结构特征[18-19]。
1.2.2 标准化鱼类粒径谱
鱼类标准化粒径谱的横轴是粒径级上限值经过log2转换后划分粒级作为横轴;每个单位面积上的鱼类总生物量与该粒级上鱼类个体生物量的变化幅度的比值,经log2对数化后作为纵轴,并对谱线进行相关性和回归分析,实质上代表了鱼类群落的粒级丰度[18-20]。
$$ \mathrm{\beta }\left({w}_{i}\right)={\rm{log}}_{2}\left[\frac{{B}\left({{w}}_{i}\right)}{\Delta {{w}}_{i}}\right] $$ (1) 式中:
$ \beta \left({w}_{i}\right) $ 为第$ i $ 粒级所对应的纵坐标;$ B\left({w}_{i}\right) $ 为单位面积上第$ i $ 粒级的总生物量;$ \Delta {w}_{i} $ 为第$ i $ 粒级上个体生物量的变化幅度。在理想的稳定状态下,标准化粒径谱为线性,且斜率为−1[2]。当鱼类群落受外界干扰打破平衡时,标准化粒径谱为抛物线型[11,21],曲线随捕捞强度增大而更加陡峭[18],且曲率或斜率大小受到当年生幼鱼和鱼类粒径大小[22]、人类捕捞活动强度[4]、栖息地环境[18]等因素影响。
1.2.3 多维尺度法
为了揭示不同站点鱼类群落的相似度结构,筛选出同时在3个或以上站点出现且丰度占1个站位1%以上的物种用于分析[23],以平衡稀有种、偶见种对整个鱼类群落的影响,再用该数据计算Bray-Curtis相似矩阵,在该矩阵的基础上,用多维尺度法 (Multidimensional Scaling, MDS) 对浙江省南部近岸海域的鱼类群落空间特征进行分析。使用胁强系数 (Stress) 检验MDS结果,一般情况下Stress<0.2时,可用MDS的二维散点图来表示,其图形有一定意义[24]。为判断分组的统计学意义,用相似性分析 (Analysis of similarities, ANOSIM) 检验组间的差异显著性,Global R>0为有效分组,表示组间差异大于组内差异。
1.3 数据处理与分析
鱼类生物学原始数据进行拖网时间 (1 h) 和拖网速度 (3 kn) 标准化,在R 4.0.2中完成鱼类粒径谱建立、显著性检验以及环境因子与标准化粒径谱曲率的相关性分析,鱼类群落分组用Primer 6.15进行MDS分析,采用Primer 6.15的ANOSIM和SPSS 19.0的单因素方差分析 (One-way ANOVA) 检验粒径谱特征差异和各分组间差异的显著性。
2. 结果
2.1 全年鱼类粒径谱
全年Sheldon鱼类粒径谱形状呈不规则的锯齿状 (图2-a),大体为单峰模式,粒级介于−2~11 (表2)。在−2~6粒级单位面积的生物量呈上升趋势,6~7粒级生物量增加趋势放缓,在7~9粒级呈下降趋势,9~11粒级缓慢增加。生物量最高值出现在6~7粒级,主要由带鱼 (Trichiurus lepturus)、刺鲳 (Psenopsis anomala)、镰鲳 (Pampus echinogaster) 等组成 (表2)。其中带鱼的生物量和数量占整个粒级上生物量和数量百分比的36.04%和36.57%,平均个体生物量为69 g;刺鲳的生物量和数量占比分别为12.02%和11.33%,平均个体生物量为75 g;镰鲳的生物量和数量占比分别为10.49%和9.70%,平均个体生物量为76 g。
表 2 浙江南部近海鱼类群落组成及营养级状况Table 2. Composition of fish community and trophic level in offshore waters of southern Zhejiang Province粒径
Size range粒径级上限值
Upper limit of
size class/g总生物量
Total biomass/
(g·km−2)主要鱼类物种
Main fish species营养级
Trophic level
$\overline X \pm {\rm{SD}}$−3~−2 −2 1 麦氏犀鳕 Bregmaceros mcclellandi 3.30±0.42* −2~−1 −1 2 麦氏犀鳕 B. mcclellandi 3.30±0.42* 粗吻海龙 Trachyrhamphus serratus — −1~0 0 9 麦氏犀鳕 B. mcclellandi 3.30±0.42* 六丝钝尾虾虎鱼 Amblychaeturichthys hexanema 3.65±0.05[25] 舒氏冠海龙 Corythoichthys schultzi 3.80±0.50* 0~1 1 40 麦氏犀鳕 B. mcclellandi 3.30±0.42* 六丝钝尾虾虎鱼 A. hexanema 3.65±0.05[25] 细条天竺鲷 Jaydia lineata 3.70±0.50* 赤鼻棱鳀 Thryssa kammalensis 3.91±0.31[25] 鳄齿鱼 Champsodon capensis 4.20±0.73* 1~2 2 163 六丝钝尾虾虎鱼 A. hexanema 3.65±0.05[25] 细条天竺鲷 J. lineata 3.70±0.50* 麦氏犀鳕 B. mcclellandi 3.30±0.42* 拉氏狼牙虾虎鱼 Odontamblyopus lacepedii — 2~3 3 613 拉氏狼牙虾虎鱼 O. lacepedii — 龙头鱼 Harpadon nehereus 3.62±0.20[25] 发光鲷 Acropoma japonicum − 细条天竺鲷 J. lineata 3.70±0.50* 大头白姑鱼 Pennahia macrocephalus 4.10 ±0.64* 蓝圆鲹 Decapterus maruadsi 3.63±0.06[25] 带鱼 T. lepturus 3.76±0.13[25] 赤鼻棱鳀 Thryssa kammalensis 3.91±0.31[25] 3~4 4 2 778 赤鼻棱鳀 T. kammalensis 3.91±0.31[25] 大头白姑鱼 P. macrocephalus 4.10 ±0.64* 白姑鱼 Pennahia argentata 4.10 ±0.70* 发光鲷 A. japonicum — 龙头鱼 H. nehereus 3.62±0.20[25] 4~5 5 8 507 黄鲫 Setipinna tenuifilis 3.74±0.15[25] 黑姑鱼 Atrobucca nibe 4.00±0.69* 大头白姑鱼 P. macrocephalus 4.10 ±0.64* 龙头鱼 H. nehereus 3.62±0.20[25] 5~6 6 17 971 小黄鱼 Larimichthys polyactis 3.70±0.40* 龙头鱼 H. nehereus 3.62±0.20[25] 带鱼 T. lepturus 3.76±0.13[25] 刺鲳 P. anomala 4.00±0.28* 6~7 7 19 326 带鱼 T. lepturus 3.76±0.13[25] 刺鲳 P. anomala 4.00±0.28* 镰鲳 P. echinogaster 3.50±0.20* 7~8 8 10 651 带鱼 T. lepturus 3.76±0.13[25] 镰鲳 P. echinogaster 3.50±0.20* 刺鲳 P. anomala 4.00±0.28* 8~9 9 4 018 镰鲳 P. echinogaster 3.50±0.20* 蓝圆鲹 D. maruadsi 3.63±0.06[25] 绿鳍鱼 Chelidonichthys kumu 3.70±0.57* 黄鳍东方鲀 Takifugu xanthopterus — 9~10 10 5 234 黄鮟 Lophius litulon 4.17±0.09[25] 中国花鲈 Lateolabrax maculatus — 10~11 11 5 867 黄鮟 L. litulon 4.17±0.09[25] 注:*. 数据来源于FishBase (www.fishbase.org);—. 无数据。
Note: *. Data from FishBase (www.fishbase.org); —. No data.全年标准化鱼类粒径谱 (图2-b) 的拟合曲线呈“穹顶”抛物线状,回归系数R2为0.88 (P<0.01),曲线穹顶位于3~7粒级,曲率为−0.15,表明浙江南部近海鱼类群落总体处于受干扰状态。
2.2 鱼类粒径谱的季节差异
2.2.1 Sheldon鱼类粒径谱
浙江南部近海4个季节Sheldon型鱼类生物量粒径谱形状基本呈单峰模式,季节差异不显著 (P=0.93,图3)。4个季节鱼类粒级介于−2~11,其中冬季粒级介于−1~11,春季为0~10,夏季为−2~10,秋季为0~9;鱼类总生物量以夏季 (8月) 最大,春季 (5月) 最小。冬季,Sheldon峰值位于10~11粒级,主要由黄鮟 (Lophius litulon)组成,其渔获重量百分比和数量百分比分别占该粒级的68.95%和66.67%,生物量最高值位于5~6粒级,主要由小黄鱼 (Larimichthys polyactis)、黄鲫 (Setipinna tenuifilis)构成,小黄鱼的渔获重量百分比和数量百分比分别为34.51%和28.34%,黄鲫的相应占比分别为18.93%和22.81%。春季,鱼类生物量最高值位于5~6粒级,主要由带鱼、龙头鱼 (Harpadon nehereus)构成,其中带鱼的渔获质量百分比和数量百分比分别为38.18%和35.55%,龙头鱼的相应占比分别为18.57%和20.09%;夏季,鱼类生物量最高值位于6~7粒级,主要由带鱼和日本鲭 (Scomber japonicus) 组成,其中带鱼的渔获质量百分比和数量百分比分别为50.60%和49.73%,日本鲭的相应占比分别为15.55%和14.32%;秋季,鱼类生物量最高值位于6~7粒级,主要由刺鲳、镰鲳等组成,其中刺鲳的渔获质量百分比和数量百分比分别为28.27%和24.23%,镰鲳的相应占比分别为18.97%和18.37%。
2.2.2 标准化鱼类粒径谱
浙江省南部近岸海域4个季节标准化鱼类粒径谱的拟合曲线均呈“穹顶”抛物线型 (图4),所有回归结果均极显著 (P<0.01)。回归系数R2以冬季最大 (R2=0.90),夏季最小 (R2=0.75,表3);曲率介于−0.18~−0.09,以冬季最大 (−0.09),夏秋次之,春季最小 (−0.18,表3),且冬季曲线相对平缓,春季曲线较为陡峭,这表明春季浙江南部近海鱼类生物量受外界干扰程度最大,而冬季相对稳定。
表 3 标准化鱼类粒径谱各季拟合曲线的参数Table 3. Parameters of seasonal fitted curve of normalized fish size spectra季节
Season拟合方程
Fitted
equation曲率
Curvature回归系数R2
Regression
coefficient冬季 Winter y=−0.09x2+0.83x+4.54 −0.09 0.90 春季 Spring y=−0.18x2+1.70x+2.63 −0.18 0.87 夏季 Summer y=−0.13x2+1.07x+5.08 −0.13 0.75 秋季 Autumn y=−0.16x2+1.51x+3.59 −0.16 0.88 2.3 鱼类群落空间差异
对浙江省南部近海四季各站位鱼类丰度进行多维尺度分析,得出四季MDS图 (图5)。Stress值分别为0.13、0.17、0.18和0.13,均在0.2以下,表明MDS结果可以反映各站位间的关系。冬季27个站位以69%的群落相似性将鱼类群落分为组Ⅰ、组Ⅱ、组Ⅲ、组Ⅳ,春季以57%的相似性分为4组,夏季以48%的相似性分为3组,秋季以64%的相似性分为3组。其中冬季组Ⅰ(站位21)、春季组Ⅰ(站位42) 和夏季组Ⅰ(站位04) 在各自季节自成一组,聚类相似性接近0。ANOSIM结果显示,冬季Global R=0.83 (P<0.01),春季Global R=0.74 (P<0.01),夏季Global R=0.69 (P<0.01),秋季Global R=0.85 (P<0.01),说明各分组间差异性极显著。
2.4 鱼类粒径谱的空间差异
根据MDS结果,构建四季14个群落组的Sheldon粒径谱 (图6),每个群落组均呈不规则的锯齿状。除夏季外,远岸站位比近岸站位的粒级区间大、生物量高。
冬季,组Ⅰ (站位21) 粒级介于4~10,主要由带鱼等鱼种组成;组Ⅱ(站位33、34) 粒级介于1~7,主要以六丝钝尾虾虎鱼 (Amblychaeturichthys hexanema)等为主;组Ⅲ (01、06、11等近岸站位) 粒级介于−1~10,以丰度高的拉氏狼牙虾虎鱼 (Odontamblyopus lacepedii)、黄鲫等小粒级鱼类为主;组Ⅳ (03、04、13等远岸站位) 粒级介于0~11,出现黄鮟等生物量较高鱼类。
春季,组Ⅰ(站位42) 粒级介于4~9,以龙头鱼等种类为主;组Ⅱ (32、33、23、24等远岸站位) 粒级介于0~10,总生物量最大,主要由带鱼等组成;组Ⅲ (39、35等近岸站位) 粒级介于2~9,峰值出现在5~7粒级上,以小黄鱼等为主;组Ⅳ (01、21等近岸站位) 粒级介于2~9,以黄鲫等鱼类为主。
夏季,组Ⅰ(站位04) 粒级介于4~8,在5~6粒级上捕获大量白姑鱼 (Pennahia argentata),生物量较高形成峰值,而在6~7粒级上捕获1尾短尾大眼鲷 (Priacanthus macracanthus),生物量低于5~6和7~8粒级上的生物量,致使波谷出现;组Ⅱ(33、14、42等远岸站位) 粒级介于−2~9,最小粒级主要由麦氏犀鳕 (Bregmaceros mcclellandi)、六丝钝尾虾虎鱼等低生物量鱼类组成;组Ⅲ (01、31、35等近岸站位) 粒级介于−1~10,捕获1尾海鳗 (Muraenesox cinereus) 使9~10粒级上生物量较高。
秋季,组Ⅰ(站位31、35) 粒级介于3~8,以龙头鱼居多;组Ⅲ (24、32、42等远岸站位) 粒级介于0~9,较群落组Ⅱ (01、06、16等近岸站位) 粒级 (1~9) 更完整,峰值出现在粒级7~8上,主要由刺鲳、带鱼、镰鲳等组成。
14个鱼类群落组的标准化粒径谱 (图7) 均存在显著差异 (P<0.01),除冬季群落组Ⅰ近似线性外,其他各组拟合曲线均呈穹顶型。冬季,拟合曲线的曲率为−0.17~−0.01,R2介于0.68~0.89 (表4),其中组Ⅰ拟合曲线的曲率最大且近似直线,其次为组Ⅳ和组Ⅲ,组Ⅱ最小,生物量由组Ⅳ向组Ⅰ依次减少。春季,拟合曲线的曲率为−0.29~−0.19,R2介于0.31~0.80 (表4),其中组Ⅱ拟合曲线的曲率最大,其次为组Ⅲ和组Ⅰ,组Ⅳ最小;组Ⅱ生物量最大,其次是组Ⅲ、Ⅳ、Ⅰ。夏季,拟合曲线的曲率为−0.38~−0.10,R2介于0.57~0.82 (表4),其中组Ⅲ拟合曲线的曲率最大,其次为组Ⅱ,组Ⅰ最小;组Ⅲ生物量最大,组Ⅰ生物量最小。秋季,拟合曲线的曲率为−0.24~−0.15,R2介于0.26~0.88 (表4),其中组Ⅰ拟合曲线的曲率最大,其次为组Ⅲ,组Ⅱ最小;组Ⅲ生物量最大,组Ⅰ生物量最小。四季各群落组标准化粒径谱的曲率大小表明,除夏季外,近岸鱼类群落整体上比远岸鱼类群落受到更大的干扰。
表 4 各季节分组标准化鱼类粒径谱拟合曲线参数Table 4. Parameters of seasonal fitted curve of normalized fish size spectra in different groups季节
Season分组
Group拟合方程
Fitted equation曲率
Curvature回归系数R2
Regression coefficient生物量
Biomass/(g·km−2)冬季 Winter 组Ⅰ y=−0.01x2+0.64x+0.92 −0.01 0.89 8 004 组Ⅱ y=−0.17x2+1.33x+3.44 −0.17 0.68 4 291 组Ⅲ y=−0.10x2+0.93x+4.27 −0.10 0.85 17 109 组Ⅳ y=−0.08x2+0.70x+4.99 −0.08 0.75 28 858 春季 Spring 组Ⅰ y=−0.28x2+3.83x−8.03 −0.28 0.31 5 232 组Ⅱ y=−0.19x2+1.80x+3.10 −0.19 0.74 24 650 组Ⅲ y=−0.28x2+2.78x+0.19 −0.28 0.80 19 059 组Ⅳ y=−0.29x2+2.89x−0.57 −0.29 0.78 9 667 夏季 Summer 组Ⅰ y=−0.38x2+3.21x+0.49 −0.38 0.82 8 076 组Ⅱ y=−0.13x2+1.12x+4.72 −0.13 0.65 29 358 组Ⅲ y=−0.10x2+0.92x+5.27 −0.10 0.57 34 790 秋季 Autumn 组Ⅰ y=−0.15x2+1.60x+1.05 −0.15 0.26 4 069 组Ⅱ y=−0.24x2+2.32x+1.78 −0.24 0.88 16 406 组Ⅲ y=−0.16x2+1.31x+4.03 −0.16 0.59 20 425 3. 讨论
3.1 鱼类群落特征
Sheldon鱼类粒径谱的峰型主要反映海域生态系统对外界干扰的适应性响应[26]。Warwick[27]与Jung和Houde[19]的研究表明,粒径谱图应为“双峰模式”,小粒级物种和大粒级物种分别形成波峰,并于交汇处形成波谷。本研究显示,浙江南部近海2019年整体粒级介于−2~11,但仅在6~7粒级出现最高生物量 (19 326 g·km−2),由带鱼、刺鲳、镰鲳等数量多的低生物量鱼类组成,在8~9粒级处捕获的镰鲳、蓝圆鲹等生物量 (4 018 g·km−2) 最低,低于7~8 (10 651 g·km−2) 和9~10 (5 234 g·km−2) 粒级,致使于8~9粒级处形成波谷,而不存在第二个峰值,表明该海域鱼类粒径处于不平衡状态,鱼类组成主要以小型鱼类为主,大型经济鱼类较少,这可能与过度捕捞有关。
标准化粒径谱拟合曲线的曲率、回归系数可指示群落的健康和稳定状况[28-29]。本研究中,浙江南部近海鱼类标准化粒径谱拟合曲线呈“穹顶”抛物线型,曲率为−0.15,高于稳态理论值−1,曲线较陡,说明小型鱼类居于有利地位,不易被大型鱼类捕食,向大型鱼类能量传递效率偏低,表明鱼类群落中的营养循环效率低。标准化粒径谱拟合曲线R2 (0.88) 接近1,说明各个粒级之间的能量传递效率近似。
本研究发现,东海传统“四大海产”中,鱼类除小黄鱼、带鱼能保持一定的采样率外,大黄鱼 (L. crocea) 等采样率极低。浙江省南部近岸海域鱼类群落主要以六丝钝尾虾虎鱼、麦氏犀鳕、拉氏狼牙虾虎鱼、鳄齿鱼 (Champsodon capensis) 等饵料性鱼类为主,而刀鲚 (Coilia nasus)、大黄鱼、中国花鲈等高营养级的经济鱼类少,几乎无法形成利于捕捞的渔汛期,这可能是因为不合理的捕捞活动造成亲体资源量剧减,加之近年海岸带开发、环境污染等原因,也可能与调查采样的海域范围有关。
3.2 鱼类粒径谱季节变动及其影响因素
鱼类粒径谱反映鱼类群落的粒径结构[18,30]及鱼类大小与丰度的关系[31]。本研究中,浙江南部近海冬季鱼类的粒级介于−1~11,春季为0~10,夏季为−2~10,秋季为0~9,各季节粒级大小存在季节变动。本次调查中冬季平均水温为13.21 ℃,最大粒级 (10~11) 捕获冷温性鱼类黄鮟、远东海鲂 (Zeus faber) 和中国花鲈,最小粒级 (−2~−1) 捕获虻鲉 (Erisphex pottii)、舒氏冠海龙 (Corythoichthys schultzi)、粗吻海龙 (Trachyrhamphus serratus)、六丝钝尾虾虎鱼等生物量低的鱼类和幼鱼;春季水温上升,平均值22.46 ℃,黄鮟等大粒级的冷温性鱼种游向水温较低处使粒级区间小于冬季,最小粒级 (−1~0) 捕获眼镜鱼 (Mene maculata)、翼红娘鱼 (Lepidotrigla alata)、蓝圆鲹的幼鱼,而高粒级只捕获1尾乌鲹 (Parastromateus niger);夏季正值禁渔期,平均水温为28.94 ℃,营养盐丰富,带鱼等暖温性鱼类洄游至近海进行育幼,以幼鱼数量居多,最小粒级 (−3~−2) 以带鱼为主;秋季平均水温为22.96 ℃,在伏季休渔期结束后,人类捕捞强度逐渐增大导致高粒级经济鱼类剧减,鱼类粒级区间缩小,最小粒级 (−1~0) 捕获发光鲷、六丝钝尾虾虎鱼、丝棘虎鲉 (Minous pusillus)、麦氏犀鳕、棕腹刺鲀 (Gastrophysus spadiceus),最大粒级有带鱼、鮸 (Miichthys miiuy)、鲶 (Silurus asotus)、棕腹刺鲀。
同时,粒径谱图形的曲率受到各季节最小粒级上鱼类生物量[9]、当年生幼鱼数量、洄游性与定栖性鱼类生物量[26]、捕捞强度[32]等影响。本研究发现,冬季浙江南部近海鱼类群落相对稳定,最小粒级上捕获数量较多的小个体鱼类,使得该粒级总生物量较高。冷温性鱼种黄鮟等个体较大的成鱼在冷水系沿岸流影响下出现,这或许是冬季存在高粒级 (10~11) 的原因,从而使得冬季鱼类群落的粒径结构较其余季节好,标准化粒径谱的曲率相对平缓。春、夏季,最小粒级上鱼类的数量和生物量均较少,秋季虽在最小粒级上捕获较多麦氏犀鳕,但随着捕捞强度的增大,高粒级鱼类缺乏,使标准化鱼类粒径谱的曲率相对陡峭。此外,小粒径的丝棘虎鲉、粗吻海龙、六丝钝尾虾虎鱼等定栖性鱼类的存在,发光鲷、麦氏犀鳕、蓝圆鲹、眼镜鱼等洄游性鱼类的季节性出现,以及带鱼等当年生鱼类的出现,都会使得谱图曲率产生季节变化。冬季到春季曲率降低与位于春季最小粒级 (0~1) 上的1尾眼镜鱼、蓝圆鲹、翼红娘鱼有关,春季生物量为3 g·km−2,低于冬季生物量 (7 g·km−2),且粒级区间小于冬季;春季到夏季曲率升高与夏季最小粒级 (−2~0) 捕获到较多麦氏犀鳕、带鱼幼鱼、六丝钝尾虾虎鱼有关,且0~1粒级上夏季生物量 (9 g·km−2) 高于春季 (4 g·km−2);夏季到秋季曲率下降是由于秋季最小粒级 (0~1) 上的麦氏犀鳕、发光鲷等造成,生物量 (6 g·km−2) 低于夏季生物量 (9 g·km−2),且粒级区间较秋季小;秋季到冬季曲率上升与冬季最小粒级 (−1~0) 捕获粗吻海龙、六丝钝尾虾虎鱼、丝棘虎鲉等,少数大粒级 (10~11) 黄鮟有关,且0~1粒级生物量 (7 g·km−2) 高于秋季生物量 (6 g·km−2)。
因此,浙江南部近海鱼类粒径谱季节变化明显,主要受环境变化、最小粒径级的鱼类生物量变化、洄游性与定栖性鱼类、当年生幼鱼影响。禁渔期的季节性、人类捕捞活动的季节性强度不同也会对鱼类群落结构和生物量产生影响,进而使得鱼类粒径谱结构发生季节变化。徐姗楠等[11,26]对大亚湾和胶州湾的研究也得到类似结论。
3.3 鱼类粒径谱空间特征
鱼类群落的空间分布特征受鱼类生活习性、丰度分布、栖息地环境等影响[33-34]。对比浙江南部近海四季14个群落组的相似性发现,冬、春季在69%和57%的相似性水平上分别聚为4组,夏、秋季在48%和64%的相似性水平上分别聚为3组,即春、夏季群落相似性均低于冬、秋季,这可能与鱼类生活习性、栖息地环境等有关。秋、冬季鱼类分散索饵或越冬洄游,分布较均匀,各组结构较相似;春、夏季部分鱼类在沿岸产卵、索饵,因环境需求不同,呈分群、斑块状分布,导致各组差异较明显[33],带鱼、龙头鱼、黄鲫等物种并非只出现在某一个站位或群聚中,这可能由于该部分鱼类适温、适盐性强,不存在空间上的相互隔离,即由鱼类丰度分布的空间差异导致[34],本研究进一步证实了这点。
同时,鱼类群落的空间分布也与鱼类生态特征、过度捕捞、环境因素等有关[35]。综合分析14个组发现,各组间均有极显著性差异 (P<0.01),除单个站位组的冬季组Ⅰ (站位21)、春季组Ⅰ (站位42)、夏季组Ⅰ (站位04) 外,近岸站位 (如站位06、16、26等) 和远岸站位 (如站位23、32、13等) 基本不会划分成同一组 (图5),即近岸站位和远岸站位群落结构具有较大差异,这可能与鱼类生态特性有关,与梁海[34]研究结果一致。各组Sheldon粒径谱中,冬季最高值在组Ⅳ,春季为组Ⅱ,夏季为组Ⅲ,秋季为组Ⅲ,这4组粒级区间大、生物量高且均包含大部分远岸站位。从种类组成上看,远岸站点包含了带鱼、中国花鲈、海鳗等生物量稍高的鱼类种类,近岸站点主要由黄鲫、镰鲳、龙头鱼、黑姑鱼等丰度大的小型鱼类组成。标准化粒径谱中,冬季群落组Ⅳ、春季群落组Ⅱ和秋季群落组Ⅲ的曲率分别大于冬季组Ⅲ、春季组Ⅳ和秋季组Ⅱ,整体上,近岸比远岸受到更大干扰,鱼类群落结构发生变化。而夏季正值禁渔期,致使组Ⅱ曲率小于组Ⅲ,证实禁捕政策取得一定成效,近岸站位渔业资源得到一定恢复。研究表明,人类捕捞影响鱼类粒级结构[18],过度捕捞导致大粒级鱼类缺乏[36],标准化粒径谱的曲率随捕捞强度的增加而减小[18,37]。同时,本研究发现标准化粒径谱曲率与环境因子有显著相关性 (图8),其中曲率大小与海表温度 (R=−0.27) 呈极显著负相关,与盐度 (R=0.59) 呈非常显著正相关,与pH (R=−0.46) 呈非常显著负相关,与水深深度 (R=0.11) 无明显相关性,即曲率与海域盐度、pH和温度的相关性显著。有研究认为,蓝圆鲹等鱼类受温度影响大,带鱼、龙头鱼等鱼类的越冬洄游与外侧较深海域的盐度有关[38],环境因子通过影响鱼类生长全过程导致各粒径级对应物种组成变化,从而影响整个鱼类粒径谱形状[18]。此外,宋伦等[8,39]研究表明,海域富营养化对粒径谱的粒径结构和曲率也具有影响。
图 8 标准化粒径谱曲率与环境因子的相关性分析*. P<0.05,显著相关;**. P<0.01,极显著相关;***. P<0.001,非常显著相关。Figure 8. Correlation analysis between curvature of normalized size spectra and environmental indicators*. P<0.05, significant correlation; **. P<0.01, extremely significant correlation; ***. P<0.001, very significant correlation.3.4 展望
根据鱼类粒径谱的结构形态,对偏离理论稳定状态的系统制定修复计划,如生物操纵策略中的增殖放流,根据实际情况在群落/生态系统中补充低于拟合值的生物。小范围海域可通过定向捕捞、投放幼鱼或成鱼等措施;在大范围海域,可先将幼鱼投放在邻近较为稳定的环境中,以确保鱼类资源的亲体补充量,增强群落稳定性和抗干扰能力。本研究从粒径谱角度出发,探索了鱼类群落的粒径谱结构和组成,并从季节和空间两方面分析了鱼类群落的空间差异和变动,为浙江南部近岸海域渔业资源管理和生态可持续发展提供了重要的参考依据。
致谢:对上海海洋大学渔业资源和生态系统量化评估与管理研究室、浙江省海洋水产养殖研究所的老师和同学在样品采集和生物学分析中的付出,戴黎斌、王士聪、薛铭华等提供的帮助,谨致谢忱!
-
图 1 一阶差分后的自相关函数 (ACF) 和偏相关函数 (PACF) 图
注:a—b. 延绳钓赤道以北;c—d. 延绳钓赤道以南;e—f. 围网赤道以北;g—h. 围网赤道以南;图2—图4同此。
Figure 1. ACF and PACF diagrams after first difference
Note: a–b. North of the equator for longline; c–d. South of the equator for longline; e–f. North of the equator for purse seine; g–h. South of the equator for purse seine. The same case in Fig. 2–Fig. 4.
图 5 1990—2020 年中西太平洋不同渔业黄鳍金枪鱼年 CPUE 模型拟合值与实际值关系
a. 延绳钓赤道以北;b. 延绳钓赤道以南;c. 围网赤道以北;d. 围网赤道以南。
Figure 5. Relationship between fitted and actual values of annual CPUE model for yellowfin tuna from different fisheries in Western and Central Pacific during 1990−2020
a. North of the equator for longline; b. South of the equator for longline; c. North of the equator for purse seine; d. South of the equator for purse seine.
表 1 不同区域渔业的水平时间序列和一阶拆分序列的单位根检验表
Table 1 Unit root test of horizontal sequence and difference sequence for various regional fisheries
时间序列
Time series数据处理
Data processing单位根检验
Unit root test显著性水平 Significance level 1% 5% 10% 延绳钓赤道以北
North of equator for longline水平序列 −1.296 −2.62 −1.95 −1.61 一阶差分序列 −4.922 −4.15 −3.50 3.18 延绳钓赤道以南
South of equator for longline水平序列 −0.586 −2.62 −1.95 −1.61 一阶差分序列 −5.571 −4.15 −3.50 3.18 围网赤道以北
North of equator for purse seine水平序列 −0.746 −2.62 −1.95 −1.61 一阶差分序列 −4.818 −4.15 −3.50 3.18 围网赤道以南
South of equator for purse seine水平序列 −0.808 −2.62 −1.95 −1.61 一阶差分序列 −4.818 −4.15 −3.50 3.18 注:粗体字表示该序列为平稳时间序列。 Note: The boldface numbers indicate that the series is a stationary time series. 表 2 ARIMA 时间序列全部可能模型以及参数评价
Table 2 All possible models and evaluation of parameters of ARIMA time series
时间序列
Time series一般 ARIMA 模型
General ARIMA model模型赤池信息量准则
AIC小样本校正的 AIC
AICc贝叶斯信息准则
BIC延绳钓赤道以北
North of equator for longline(0,1,0) 81.60 81.74 83.00 (0,1,1) 83.06 83.51 85.87 (1,1,0) 83.29 83.73 86.09 (1,1,1) 83.69 84.62 87.9 延绳钓赤道以南
South of equator for longline(0,1,1) 98.58 99.03 101.39 (0,1,4) 97.14 99.64 104.15 (1,1,1) 100.57 101.49 104.77 (1,1,4) 98.51 102.16 106.92 围网赤道以北
North of equator for purse seine(0,1,0) 116.51 116.65 117.91 (0,1,1) 110.06 110.51 112.86 (1,1,0) 109.95 110.39 112.75 (1,1,1) 111.62 112.54 115.82 围网赤道以南
South of equator for purse seine(2,1,0) 103.42 104.35 107.63 (0,1,2) 102.8 103.72 107.00 (2,1,2) 103.93 106.43 110.94 (0,1,0) 110.24 110.39 111.64 注:粗体字表示该模型为最优模型。 Note: The boldface numbers indicate the optimal model. -
[1] WU Y L, LAN K W, TIAN Y. Determining the effect of multiscale climate indices on the global yellowfin tuna (Thunnus albacares) population using a time series analysis[J]. Deep Sea Res II, 2020, 175: 104808-104819. doi: 10.1016/j.dsr2.2020.104808
[2] MCCLATCHIE S. Sardine biomass is poorly correlated with the Pacific decadal oscillation off California[J]. Geophysical Res Lett, 2012, 39(13): 1-6.
[3] BRUCE F P, MONICA P R. Climate change impacts on fisheries and aquaculture: a global analysis[M]. New York: John Wiley & Sons, 2017: 523-568.
[4] 王雅萌, 陈芃, 陈新军. 气候变化下西北太平洋大海洋生态系海表面温度特征分析[J]. 上海海洋大学学报, 2021, 30(5): 875-883. doi: 10.12024/jsou.20200603074 [5] 郭爱, 陈新军, 范江涛. 中西太平洋鲣鱼时空分布及其与ENSO关系探讨[J]. 水产科学, 2010, 29(10): 591-595. doi: 10.3969/j.issn.1003-1111.2010.10.006 [6] 周为峰, 陈亮亮, 崔雪森, 等. 异常气候下温跃层及时空因子中西太平洋黄鳍金枪鱼渔场分布的影响[J]. 中国农业科技导报, 2021, 23(10): 192-201. [7] SYAMSUDDIN M L, SAITOH SI, HIRAWAKE T, et al. Effects of El Niño-Southern Oscillation events on catches of bigeye tuna (Thunnus obesus) in the Eastern Indian Ocean off Java[J]. Fish Bull, 2013, 111(2): 175-188. doi: 10.7755/FB.111.2.5
[8] ERAUSKIN-EXTRAMIANA M, ARRIZABALAGA H, HOBDAY A J, et al. Large-scale distribution of tuna species in a warming Ocean[J]. Global Change Biol, 2019, 25(6): 2043-2060. doi: 10.1111/gcb.14630
[9] Food and Agriculture Organization of the United Nations. FAO STAT statistics database[R]. Roma: FAO, 2018: 284-290.
[10] Western and Central Pacific Fisheries Commission. Tuna fishery yearbook[R]. The Federated States of Micronesia: WCPFC, 2019: 139-144.
[11] OLSON R J, YOUNG J W, MENARD F, et al. Bioenergetics, trophicecology, and niche separation of tunas[J]. Adv Mar Biol, 2016, 74: 199-344.
[12] 杨胜龙, 靳少非, 吴祖立, 等. 太平洋金枪鱼渔场关键次表层环境变量的季节变化[J]. 海洋科学, 2015, 39(5): 36-46. [13] 朱国平, 许柳雄. 东太平洋金枪鱼延绳钓大眼金枪鱼渔场与表层温度之间的关系[J]. 海洋环境科学, 2007(4): 333-336. doi: 10.3969/j.issn.1007-6336.2007.04.009 [14] 曹晓怡, 周为峰, 樊伟, 等. 大眼金枪鱼渔场与环境关系的研究进展[J]. 海洋渔业, 2008, 30(2): 176-182. doi: 10.3969/j.issn.1004-2490.2008.02.012 [15] 杨胜龙, 张胜茂, 蒋兴伟, 等. 热带大西洋大眼金枪鱼和黄鳍金枪鱼渔场温跃层的时空变化特征[J]. 应用海洋学学报, 2013, 32(3): 349-357. doi: 10.3969/J.ISSN.2095-4972.2013.03.007 [16] 李鹏, 许柳雄, 周成, 等. 中西太平洋金枪鱼围网自由鱼群渔场重心变动及其与南方涛动指数的关系[J]. 南方水产科学, 2020, 16(2): 20-27. [17] 宋利明, 李玉伟, 高攀峰. 帕劳群岛附近海域延绳钓渔场大眼金枪鱼 (Thunnus obesus)的环境偏好[J]. 海洋与湖沼, 2009, 40(6): 768-776. doi: 10.3321/j.issn:0029-814X.2009.06.015 [18] 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
[19] 周永东, 徐汉祥, 潘国良, 等. 东海区鲳鱼、小黄鱼资源量及其持续渔获量的估算[J]. 浙江海洋学院学报(自然科学版), 2013, 32(1): 1-5. [20] 宋大德, 汪金涛, 陈新军, 等. 时间序列分析模型在黄海南部小黄鱼资源量预测中的应用[J]. 海洋学报, 2020, 42(12): 26-33. [21] MONLLOR-HURTADO A, PENNINO M G, SANCHEZ-LIZASO J L. Shift in tuna catches due to ocean warming[J]. PLoS One, 2017, 12(6): 178-196.
[22] ROBERT H S, DAVID S S. 时间序列分析及其应用[M]. 李红成, 译. 北京: 机械工业出版社, 2020: 202-230. [23] 李颖若, 韩婷婷, 汪君霞, 等. ARIMA 时间序列分析模型在臭氧浓度中长期预报中的应用[J]. 环境科学, 2021, 42(7): 3119-3126. [24] 乔宇, 闫振飞, 冯承莲, 等. 几种典型模型在物种敏感度分布中的应用和差异分析[J]. 环境工程, 2021, 39(10): 85-95. doi: 10.13205/j.hjgc.202110012 [25] FOSTER R G, ROENNEBERG T. Human responses to the geophysical daily, annual and lunar cycles[J]. Curr Biol, 2008, 18(17): R784-R794. doi: 10.1016/j.cub.2008.07.003
[26] 袁红春, 高子玥, 张天蛟. 基于改进的XGboost模型预测南太平洋长鳍金枪鱼资源丰度[J]. 海洋湖沼通报, 2022, 44(2): 112-120. [27] 杨旭, 黄进, 秦泽宇, 等. 基于多尺度特征融合的人群计数算法[J]. 计算机系统应用, 2022, 33(1): 226-235. [28] 章贤成, 汪金涛, 陈新军. 基于BP神经网络的阿根廷滑柔鱼资源CPUE标准化研究[J]. 渔业科学进展, 2022, 43(2): 11-20. [29] 杨彩莉, 杨晓明, 朱江峰. 不同类型厄尔尼诺事件中环境因子对中西太平洋金枪鱼围网鲣分布响应[J]. 南方水产科学, 2021, 17(3): 8-18. doi: 10.12131/20210014 [30] 王少琴, 许柳雄, 朱国平, 等. 中西太平洋金枪鱼围网的黄鳍金枪鱼CPUE时空分布及其与环境因子的关系[J]. 大连海洋大学学报, 2014, 29(3): 15-18. [31] WHITNEY J E, AL-CHOKHACHY R, BUNNELL D B, et al. Physiological basis of climate change impacts on North American inland fishes[J]. Fisheries, 2016, 41(7): 332-345. doi: 10.1080/03632415.2016.1186656
[32] LEHODEY P, ALHEIT J, BARANGE M, et al. Climate variability, fish, and fisheries[J]. J Climate, 2006, 19(20): 5009-5030. doi: 10.1175/JCLI3898.1
[33] BRANDER K M. Global fish production and climate change[J]. Proc Nat Acad Sci USA, 2007, 104(50): 19709-19714. doi: 10.1073/pnas.0702059104
[34] LEHODEY P, SENINA I, CALMETTES B, et al. Modelling the impact of climate change on Pacific skipjack tuna population and fisheries[J]. Climatic Change, 2012, 119(1): 95-109.
[35] 石肖飞, 王啸, 王佚兮, 等. 热带中西太平洋海域黄鳍金枪鱼的摄食生物学特性[J]. 南方水产科学, 2022, 18(1): 43-51. doi: 10.12131/20210140 [36] TREMBLAY-BOYER L, MCKECHNIE S, PILLING G, et al. Stock assessment of yellowfin tuna in the Western and Central Pacific Ocean, WCPFC-SC13-2017/SA-WP-06[R]. Rarotonga, Cook Islands: WCPFC, 2017: 20-32.
[37] 代丹娜, 刘洪生, 戴小杰, 等. ENSO现象与东太平洋黄鳍金枪鱼围网CPUE时空分布的关系[J]. 上海海洋大学学报, 2011, 20(4): 571-578. [38] SUMAILA U R, CHEUNG W W, LAM V W, et al. Climate change impacts on the biophysics and economics of world fisheries[J]. Nat Climate Change, 2011, 1(9): 449-456. doi: 10.1038/nclimate1301
[39] SUN C, WANG W R, YEH S. Reproductive ecology of yellowfin tuna in the Central and Western Pacific Ocean, WCPFC-SC1 BI WP-1[R]. Noumea New Caledonia: WCPFC, 2005: 15-26.
[40] MUHLING B A, LAMKIN J T, ALEMANY F, et al. Reproduction and larval biology in tunas, and the importance of restricted area spawning grounds[J]. Fish Pacific, 2017, 27(4): 697-732.
[41] 蔡格菁, 傅海彬, 蒋仁斌, 等. 基于ARIMA模型的渔业经济预测及其优化[J]. 计算机与现代化, 2019(4): 88-91. [42] 李勇, 冯家成, 李娜, 等. 太湖水体 Chl-a 预测模型 ARIMA 在引排水方案优化中的应用[J]. 环境工程, 2022, 40(10): 72-79. [43] FREE C M, THORSON J T, PINSKY M L, et al. Impacts of histori-cal warming on marine fisheries production[J]. Science, 2019, 363(6430): 979-983. doi: 10.1126/science.aau1758
[44] PLAGANYI E. Climate change impacts on fisheries[J]. Science, 2019, 363(6430): 930-931. doi: 10.1126/science.aaw5824
[45] HAZEN E L, JORGENSEN S, RYKACZEWSKI R R, et al. Predicted habitat shifts of Pacific top predators in a changing climate[J]. Nat Climate Change, 2013, 3(3): 234-238. doi: 10.1038/nclimate1686
-
期刊类型引用(2)
1. 朱海晨,汤建华,吴磊,施金金,王储庆,王燕平,闫欣,葛慧. 黄海南部海域鱼类群落结构及生物量粒径谱特征. 中国水产科学. 2023(09): 1102-1111 . 百度学术
2. 王寅,赵静,高春霞,王士聪,叶深. 浙江南部近海春季鱼类群落结构特征及其年际变化. 海洋与湖沼. 2022(06): 1455-1466 . 百度学术
其他类型引用(2)