基于ARIMA的海洋尼诺指数对中西太平洋黄鳍金枪鱼年际CPUE的影响

王啸, 刘文俊, 张健

王啸, 刘文俊, 张健. 基于ARIMA的海洋尼诺指数对中西太平洋黄鳍金枪鱼年际CPUE的影响[J]. 南方水产科学, 2023, 19(4): 10-20. DOI: 10.12131/20230007
引用本文: 王啸, 刘文俊, 张健. 基于ARIMA的海洋尼诺指数对中西太平洋黄鳍金枪鱼年际CPUE的影响[J]. 南方水产科学, 2023, 19(4): 10-20. DOI: 10.12131/20230007
WANG Xiao, LIU Wenjun, ZHANG Jian. Effect of Oceanic Niño index on interannual CPUE of yellowfin tuna (Thunnus albacares) in Western and Central Pacific Ocean based on ARIMA model[J]. South China Fisheries Science, 2023, 19(4): 10-20. DOI: 10.12131/20230007
Citation: WANG Xiao, LIU Wenjun, ZHANG Jian. Effect of Oceanic Niño index on interannual CPUE of yellowfin tuna (Thunnus albacares) in Western and Central Pacific Ocean based on ARIMA model[J]. South China Fisheries Science, 2023, 19(4): 10-20. DOI: 10.12131/20230007

基于ARIMA的海洋尼诺指数对中西太平洋黄鳍金枪鱼年际CPUE的影响

基金项目: 农业农村部全球重要鱼种资源动态监测评估项目;国家重点研发计划项目 (2020YFD0900803)
详细信息
    作者简介:

    王 啸 (1995—),男,硕士,研究方向为远洋渔业资源。E-mail: 457506879@qq.com

    通讯作者:

    张 健 (1979—),男,副教授,博士,研究方向为生态型渔具渔法。E-mail: j-zhang@shou.edu.cn

  • 中图分类号: S 931.3

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.
  • 大范围的气候异常变化对海洋生产力、海洋生物分布以及食物网结构均具有直接和间接影响[1]。厄尔尼诺-南方涛动 (El Niño-Southern Oscillation, ENSO) 是一种大规模的气候变化模式和全球范围内年际、年代际气候变化的显著信号,强烈影响着全球大部分地区的气候变化,尤其在海洋顶级捕食者 (如金枪鱼) 和浮游动物的时空分布与丰度方面发挥着至关重要的作用[2-3]。海表温度距平 (Sea surface temperature anomaly, SSTA)的异常变化是厄尔尼诺-拉尼娜事件的主要指示因子之一[4],由于Nino 3.4区位于赤道太平洋中部,该区的环境信号最为突出,故通常以Nino 3.4区的海洋尼诺指数 (Oceanic Niño index, ONI) 标示对全球气候变化的影响程度。

    金枪鱼具有较高的生态和经济价值,了解和预测其对气候变化的响应,有助于制定有效的渔业管理措施,对维护金枪鱼种群的可持续性具有重要意义。此前,国内外学者研究了ENSO对金枪鱼种群时空分布的影响,郭爱等[5]通过时间序列分析方法,发现ENSO现象对中西太平洋金枪鱼渔场的空间分布和资源丰度均有较显著的影响;周为峰等[6]认为在厄尔尼诺年,中西太平洋黄鳍金枪鱼 (Thunnus albacares) 渔场重心位置向东和南方向移动,而在拉尼娜年,稍微向西和北方向移动;Syamsuddin等[7]发现厄尔尼诺时期大眼金枪鱼 (T. obesus) 延绳钓的上钩率远大于拉尼娜时期。据预测,大规模气候波动将导致全球金枪鱼渔获量的重新分布,高纬度地区将增加30%~70%,低纬度地区将减少40%[8]。然而,对气候指数与黄鳍金枪鱼丰度和栖息地偏好之间的联系机制尚不清楚。黄鳍金枪鱼作为高度洄游的大洋性鱼类,是金枪鱼类产量中仅次于鲣 (Katsuwonus pelamis) 的目标种类,其作业方式主要为围网和延绳钓;2019年黄鳍金枪鱼全球捕捞产量约为150万吨,其中太平洋海域产量约为92万吨,而中西太平洋 (Western and Central Pacific Ocean, WCPO) 是全球金枪鱼捕捞产量最高的海区[9],其渔获量达到69万吨,约占太平洋海域产量的75%[10]。中西太平洋黄鳍金枪鱼渔获量主要集中在20°S至20°N[11],其种群的分布及洄游移动不仅受海表温度[12-13]、盐度[14]、溶解氧[15]、海流[16]、饵料生物[17]等环境因子的影响,也与大规模气候波动密切相关[18]

    迄今为止,在黄鳍金枪鱼资源评估方面基于模型的评估方法多使用广义加性模型 (Generalized Additive Model, GAM) [3]、剩余产量模型[19]等。而时间序列分析模型相对于静态处理统计方法在分析和处理方面具有无可比拟的优势,与其他模型相比,时间序列分析模型表现出更高的精度,并且随着数值方法和计算机的发展,已经形成了一套完整的分析体系,在渔情预报渔获量评估方面已有较好的应用[8,20]。有研究表明,气候变化导致的海洋变暖会使黄鳍金枪鱼从热带水域向极地方向转移[21];其次,围网与延绳钓渔获个体的规格不同,延绳钓主要捕获大个体金枪鱼,而围网主要捕获小个体集群金枪鱼,且金枪鱼个体大小对气候变化的响应差异较大。因此,本研究将该区域的金枪鱼分为赤道南、北两个群体,并对围网和延绳钓渔业分别使用常规自回归积分滑动平均 (Autoregressive Integrated Moving Average, ARIMA) 时间序列和动态ARIMA时间序列模型,以中西太平洋Nino 3.4区ONI标准差作为协变量,研究了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) 的变化趋势,并探究了ONI 的影响,旨在为中西太平洋黄鳍金枪鱼资源的合理开发与科学管理提供依据。

    WCPO黄鳍金枪鱼渔业数据来源于中西太平洋渔业委员会 (WCPFC) (https://www.wcpfc.int) 收集的1990—2020年中西太平洋金枪鱼围网和延绳钓渔业统计资料 (105°E—135°W, 20°N—20°S),以赤道为中心分为南北两地,时间分辨率为月,以经纬度5°×5°为统计单位,数据包括年、月、作业经纬度、鱼种产量、钓钩数和围网网次等信息,以延绳钓和围网两种渔业、赤道南北两个地区将中西太平洋分为4个时间序列分别进行建模分析。1990—2020 年的ONI数据来自美国国家海洋和气象管理局网站 (https://ggweather.com/enso/oni.htm) ,选取 ENSO 3.4 区的 ONI 数据进行研究。

    本研究延绳钓年平均CPUE (尾·千钩–1) 使用该区域的算术平均值,其计算公式为:

    $$ Y_{{\mathrm{C}\mathrm{P}\mathrm{U}\mathrm{E}}, {yij}}=\frac{\sum {C}_{yij}\times 1\;000}{\sum {E}_{yij}} $$ (1)

    式中:$Y_{{\mathrm{C}\mathrm{P}\mathrm{U}\mathrm{E}}, {yij}} $为第yi经度j纬度的延绳钓年平均CPUE;$ \sum {C}_{yij} $ 为第yi经度j纬度的总渔获尾数;$ \sum {E}_{yij} $为对应的下钩数。

    围网年平均CPUE (t·网–1) 同样使用该区域的算术平均值,其计算公式为:

    $$W_{ {\mathrm{C}\mathrm{P}\mathrm{U}\mathrm{E}},{yij}}=\frac{\sum {M}_{yij}}{\sum {T}_{yij}} $$ (2)

    式中:$W_{ {\mathrm{C}\mathrm{P}\mathrm{U}\mathrm{E}},{yij}} $为第yi经度j纬度的围网年平均CPUE; $ \sum {M}_{yij} $ 为第yi经度j纬度的总渔获产量;$ \sum {T}_{yij} $为对应的网次数。

    利用统计学中数据集离散度的测量指标,标准差 (Standard deviation, SD) 计算 ENSO 3.4 区 1990— 2020 年 ONI 的偏离程度:

    $$ {S}_{{\rm{ONI}}}=\sqrt{{\frac{1}{N}\sum _{i=1}^{N}{\left({X}_{i}-\mu \right)}^{2}}} $$ (3)

    式中:${S}_{{\rm{ONI}}}$表示ONI的标准差;$ {X}_{i} $ 为 ONI 指数;N 为时间 (月);$ \mu $ 为平均值;i 表示第 n 个月。

    1)平稳性检验。由于ARIMA模型不能捕获非稳定时间序列的变化规律,故首先需要对时间序列进行平稳性检验。时间序列的平稳性检验一般有2种方法,一种是根据时序图和自相关图显示的特征做出判断的图检验方法,一种是构造检验统计量进行假设检验的方法。由于图检验操作简便但带有较强的主观色彩,为了客观起见,本研究使用统计检验中的DF检验 (Dickey-Fuller test) 来判断水平时间序列和一阶差分时间序列是否平稳,通过得到的t统计量与1%、5%和10%显著性水平的t统计量的临界值进行比较,当t统计量大于对应的临界值时,表明在该显著性水平下拒绝假设,存在单位根,时间序列不稳定[22]

    2)常规ARIMA模型。ARIMA模型记为 ARIMA (p, d, q),其中 p 为 AR 模型阶数,q 为 MA 模型阶数,d 为差分阶数。模型的一般表达式为[22]

    $$ {y}_{t}=a+{\beta }_{1}{y}_{t-1}+\dots +{\beta }_{p}{y}_{t-p}+{\gamma }_{1}{\epsilon }_{t-1}+\dots +{\gamma }_{p}{\epsilon }_{t-p}+{\epsilon }_{t} $$ (4)

    式中 :$ {y}_{t} $为差分序列,表示t年度的CPUE,其中原始时间序列为水平序列,水平序列中的每个数据与其前一项的差值,得到差分后的时间序列数据的方法,称为差分法;做一次差分操作称为一阶差分,d次差分称为d阶差分;$ {\epsilon }_{t} $为噪声序列;β为 AR 模型拟合参数;γ为 MA 模型拟合参数。 根据自相关图 (ACF 图) 和偏自相关图 (PACF 图) 截尾和拖尾性质来确定模型参数 pqd模型识别,利用赤池信息准则 (AIC 准则) 和贝叶斯信息准则 (BIC 准则) 选择最优预测模型;使用白噪声检验 (Ljung-Box test) 对模型的残差序列进行正态性检验,验证模型的适用性,同时使用一般线性回归验证两种渔业不同区域的黄鳍金枪鱼年CPUE的整体趋势。

    3)动态ARIMA模型[23]。在常规ARIMA模型基础上,为了考虑外部变量 (如气候等) 的变动对预测变量的影响,将 1990—2020年ONI标准差作为协变量纳入ARIMA模型以扩展ARIMA,实现动态ARIMA模型,并使用拟合优度指标验证常规ARIMA模型和动态ARIMA时间序列分析方法的拟合优劣性,探索ONI对中西太平洋黄鳍金枪鱼丰度的影响。

    ARIMA时间序列模型的数据拟合和检验使用 R 语言 (版本4.1.2) 的 forecast 包完成。

    使用平均绝对误差 (Mean absolute error, MAE)、均方根误差 (Root mean square error, RMSE)以及真实值与拟合值的相关系数R等3个指标评价两种时间序列模型对黄鳍金枪鱼年际CPUE的拟合优劣性 [24-25];MAE是实际值和拟合值的平均误差,MAE越小,模型的准确度越高 [26];RMSE是度量拟合值与真实值的偏离程度,用以反映模型的稳健性,RMSE越小,模型越稳定[27];而模型拟合R值越接近1,模拟精度越高[28]。MAE和RMSE的计算如下:

    $$ E_{{\rm{MAE}}}=\frac{1}{N}\sum _{i=1}^{N}|{X}_{i}-{X}_{i}^{{\text{'}}} | $$ (5)
    $$ E_{\rm{RMSE}}=\sqrt{{\frac{1}{N}\sum _{i=1}^{N}{|{X}_{i}-{X}_{i}^{{\text{'}}}|}^{2}}} $$ (6)

    式中:$E_{{\rm{MAE}}} $ 表示平均绝对误差;$E_{\rm{RMSE}}$ 表示均方根误差;N表示CPUE的总数量;$ {X}_{i} $表示拟合值;${X}_{i}^{{\text{'}}}$表示实际值。

    对水平序列和一阶差分序列进行单位根检验,结果如表1所示。可以明显看出,两种渔业4种时间序列的水平序列单位根检验t统计量均明显大于其10%显著性水平值,因此水平序列存在单位根,表明时间序列不平稳,而经过一阶差分的序列t统计量均明显小于其1%显著性水平值,并且不存在过度差分,初步判断模型为ARIMA (p, 1, q) 模型。

    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.
    下载: 导出CSV 
    | 显示表格

    一阶差分序列的ACF 和PACF 图 见图1,由于使用该图判断的p值和q值并不唯一,因此将图1综合了4种时间序列的全部可能模型,通过比较模型赤池信息量准则 (Akaike information criterion, AIC)、AICc (小样本校正的AIC) 和贝叶斯信息准则 (Bayesian information criterion, BIC) 来选择最优模型,结果如表2所示。延绳钓赤道以北黄鳍金枪鱼年CPUE时间序列模型为ARIMA (0, 1, 0)、延绳钓赤道以南黄鳍金枪鱼年CPUE时间序列模型为ARIMA (0, 1, 1)、围网赤道以北黄鳍金枪鱼年CPUE时间序列模型为ARIMA (1, 1, 0)、围网赤道以南黄鳍金枪鱼年CPUE时间序列模型为ARIMA (0, 1, 2)。

    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。
    Fig. 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.
    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.
    下载: 导出CSV 
    | 显示表格

    在进行时间序列模型拟合时,需对构建的模型进行 ARIMA 残差的白噪声检验。本研究使用模型残差的ACF和PACF图验证ARIMA 残差是否是白噪声序列,如图2结果所示,残差序列表现为自相关特征,在任何Lag时差的序列之间自相关系数值和偏自相关系数值均在2 倍标准差范围内,近似为 0。对残差序列进行正态性检验显示Ljung-Box Q 统计量检验的 P 值均大于0.05 (4种时间序列P值依次为0.774、0.147、0.531和0.398,P>0.05表示正态分布),结果进一步证明该模型拟合的残差时间序列为白噪声序列。综上,统计检验表明,可以利用上述常规 ARIMA 模型拟合中西太平洋黄鳍金枪鱼两种渔业赤道南北年CPUE的趋势。

    图  2  常规ARIMA模型残差序列自相关函数 (ACF) 和偏相关函数 (PACF) 图
    Fig. 2  ACF and PACF diagrams of general ARIMA model residual sequence

    在上述对于中西太平洋黄鳍金枪鱼年CPUE的拟合中,仅利用长期黄鳍金枪鱼年CPUE均值的历史观测资料进行常规性ARIMA模型建模,就能得到和真实值较近的准确拟合。然而,已有研究发现,中西太平洋金枪鱼的渔获量与ONI之间存在很好的相关性[5,16,29-30]。因此,考虑将年际ONI作为协变量加入 ARIMA 模型中,从而提高时间序列分析模型的拟合准确性。首先将ONI标准差作为年际ONI加入模型中,利用R语言中 auto.arima函数根据 AICc 选择合适的拟合模型进行建模。在进行拟合前,需对构建的模型进行 ARIMA残差的白噪声检验。图3显示, 4种时间序列模型中,延绳钓赤道以南的黄鳍金枪鱼残差序列在Lag>0 时自相关系数值大部分在 2 倍标准差范围内,仅第4阶超出了标准差,这可能是偶然因素引起的,而其他时间序列ACF图显示全部自相关系数均在2倍标准差范围内,近似为 0。其次残差序列正态Q-Q曲线分布图显示4种时间序列模型残差点均在一条直线上,符合正态分布的规律,结果进一步证明该模型拟合的残差时间序列为白噪声序列。

    图  3  动态 ARIMA模型拟合残差检验 (ACF 和 Q-Q 图)
    Fig. 3  Residual test of dynamic ARIMA model (ACF and Q-Q diagrams)

    利用1990—2020年的中西太平洋黄鳍金枪鱼年CPUE数据,分别进行一般 ARIMA模型和动态 ARIMA模型拟合,结果显示两种时间序列分析均具有较好的拟合效果,模型的拟合值和真实值变化趋势拟合较好,且两者之间的偏差较小。使用相关性分析研究4种时间序列趋势,结果如图4所示。4种时间序列中均是动态ARIMA模型的拟合值与真实值更加接近,MAE和RMSE值更小,相关系数R更高,且P值小于0.01。相比较而言,常规ARIMA模型在加入ONI作为协变量后,具有更好的拟合效果,且由于此区域受ENSO现象的影响较大,因此,中西太平洋黄鳍金枪鱼资源量评估更适合使用动态ARIMA模型。

    图  4  常规 ARIMA 模型和动态 ARIMA 模型的拟合优度比较
    Fig. 4  Comparison of goodness of fit between general ARIMA model and dynamic ARIMA model

    热带中西太平洋延绳钓和围网渔业赤道南北年CPUE的时间序列如图5所示。结果表明,中西太平洋两种渔业的黄鳍金枪鱼年CPUE均存在明显的年际变化,ONI对中西太平洋不同渔业的黄鳍金枪鱼的年CPUE均有不同程度的影响,延绳钓渔业长期存在滞后1~2年的影响,而在强厄尔尼诺 (1997、2015年) 和强拉尼娜 (1998、2007年) 现象发生时,ONI对围网渔业的影响速度较快,不存在滞后,同时两种渔业在更多的年份中均表现为赤道以南的年CPUE更高。线性回归结果显示,两种渔业不同区域的黄鳍金枪鱼年CPUE均呈整体下降趋势 (4种时间序列P值依次为P<0.001、P=0.004、P<0.001和P<0.001),其中延绳钓渔业赤道以南的黄鳍金枪鱼年CPUE在1991、1995、1999、2001、2003、2006、2008和2011年呈现快速下降趋势,而延绳钓渔业赤道以北的波动相对较小。但这两种渔业黄鳍金枪鱼年CPUE相对围网渔业的波动更大,且时间序列模型预测的结果与真实值更接近。

    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。
    Fig. 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.

    在厄尔尼诺与拉尼娜现象发生时,太平洋海域的气压、海表温度、温跃层、海流、海水盐度、碳循环与初级生产力等渔场环境因子均会发生明显变化,进而对大洋鱼类产卵、胚胎发育、成活率、索饵代谢、洄游移动和栖息分布等产生较大影响[31-35],其中ENSO现象是影响其渔获量和分布变化的重要原因之一。本研究结果与WCPFC黄鳍金枪鱼评估结果的趋势一致——在2000—2015年前后持续下降[36],也与王少琴等[30]对中西太平洋金枪鱼围网的黄鳍金枪鱼的研究结果相同。主要原因有:1) 为了应对气候变化,这段时间中西太平洋黄鳍金枪鱼资源丰度重心出现了不断沿纬度方向分布迁移的现象,其时空分布受气候变化的影响具有一定特性[37];2) 2000年之后黄鳍金枪鱼整体资源量持续下降,近年来随着各组织管理政策的实施,其资源量有所恢复,年CPUE也有所增加[10]。此外,ONI对中西太平洋不同渔业黄鳍金枪鱼的年CPUE有不同程度的影响,这是由于围网为主动型渔具,鱼群对海水温度的适应和反应比较敏感,强厄尔尼诺和强拉尼娜气候对水温影响较大,容易被鱼群感知,进而导致围网渔获量的变化[3,5,38];其次,在赤道以北,ONI的影响因素更为关键,模型的拟合程度更高,原因在于黄鳍金枪鱼具有明显的南北向季节洄游特征,导致其南北资源存在差异;赤道北部地区包括了夏威夷群岛和马绍尔群岛等著名的产卵场,所以黄鳍金枪鱼种群资源丰富,而其幼鱼极易受到周围环境的影响[39-40],故ONI对赤道北部黄鳍金枪鱼幼鱼的年CPUE影响更大。因此,今后相关研究可以从捕捞目标群体差别来探讨围网和延绳钓对ONI的响应。

    动态 ARIMA模型在黄鳍金枪鱼的长期拟合中优势突出,本研究进一步验证了ENSO事件是影响中西太平洋黄鳍金枪鱼年CPUE的关键因素,对中西太平洋黄鳍金枪鱼不同渔业以及赤道南北不同地区的年CPUE时间序列的拟合得到不同结果也证实了这一点。 动态ARIMA模型的优势在其他学科中均有体现,李颖若等[23]在臭氧浓度中长期预报应用研究中认为,动态ARIMA模型是臭氧日最大 8 h浓度中长期预报的稳定性和普适性方法。蔡格菁等[41]利用居民消费价格指数 (CPI)作为ARIMA模型的协变量并对模型优化,发现优化后的模型预测误差更小,表明优化后的模型预测更精确。李勇等[42]通过加入多种协变量来预测太湖水中叶绿素a (Chl-a)的含量,为降低太湖藻华大面积暴发风险的引排水方案提供优化策略。此外,全球气候变化加剧了海洋理化环境和生态系统的系列变化,改变了海洋重要种群的丰度和分布,对全球海洋渔业产生了深远影响[43-44],对热带海域尤其是太平洋海域的渔业影响最为明显[8,45]。然而应用动态ARIMA模型预测高度洄游的大洋性鱼类的渔获量并不多见,因此今后相关研究可以使用动态ARIMA模型,以多种大范围气候指数作为协变量,探究海洋生物资源量的变化以及渔获产量与大规模气候的关系。

    1) 常规ARIMA模型可以充分考虑中西太平洋不同渔业、不同地区黄鳍金枪鱼年CPUE的变化特征,可用于黄鳍金枪鱼年CPUE的长期拟合。

    2) 动态 ARIMA模型在黄鳍金枪鱼的长期拟合中优势突出。本研究进一步验证了厄尔尼诺-拉尼娜现象是影响中西太平洋黄鳍金枪鱼年CPUE的关键因素,且不同渔业的影响程度以及赤道南北地区的滞后时间不同。在加入ONI标准差为协变量后,黄鳍金枪鱼的拟合效果得到明显提升,动态ARIMA模型的MAE和RMSE值更小,预测值和观测值的相关系数R更高,尤其是模型模拟偏差得到了有效控制。

    3) ONI 对中西太平洋赤道南北地区黄鳍金枪鱼年CPUE的影响也有差异,相对来说,在赤道以北ONI的影响更关键,模型的拟合程度更高。

    4) ONI对中西太平洋不同渔业的黄鳍金枪鱼的年CPUE具有不同程度的影响,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 (1991、1997、2015年)和强拉尼娜 (1998、1999、2007、2010年) 现象发生时,ONI对围网渔业的影响速度较快,不存在滞后。

  • 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  2   常规ARIMA模型残差序列自相关函数 (ACF) 和偏相关函数 (PACF) 图

    Figure  2.   ACF and PACF diagrams of general ARIMA model residual sequence

    图  3   动态 ARIMA模型拟合残差检验 (ACF 和 Q-Q 图)

    Figure  3.   Residual test of dynamic ARIMA model (ACF and Q-Q diagrams)

    图  4   常规 ARIMA 模型和动态 ARIMA 模型的拟合优度比较

    Figure  4.   Comparison of goodness of fit between general ARIMA model and dynamic ARIMA model

    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.
    下载: 导出CSV

    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.
    下载: 导出CSV
  • [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. 丁鹏,邹晓荣,丁淑仪,白思琦. 基于CNN-BiLSTM模型的黄鳍金枪鱼渔获量与气候因子关系研究. 南方水产科学. 2024(02): 19-26 . 本站查看
    2. 柴和平,沈雪,季英杰,马和平. 基于货量预测与优化调度的电商物流网络问题研究. 科技创新与生产力. 2024(10): 22-27 . 百度学术

    其他类型引用(0)

图(5)  /  表(2)
计量
  • 文章访问数:  498
  • HTML全文浏览量:  139
  • PDF下载量:  59
  • 被引次数: 2
出版历程
  • 收稿日期:  2023-01-14
  • 修回日期:  2023-02-18
  • 录用日期:  2023-03-01
  • 网络出版日期:  2023-03-07
  • 刊出日期:  2023-08-04

目录

/

返回文章
返回