Analysis of effects of environmental factors on Sthenoteuthis oualaniensis based on structural equation model
-
摘要:
为探究鸢乌贼 (Sthenoteuthis oualaniensis) 资源变化与海洋环境因子的关系，基于2019—2020年南海围网捕捞鸢乌贼的电子渔捞日志数据，首先分析了鸢乌贼资源的月间变动特征，之后利用结构方程模型解析海洋环境因子对其资源时空分布的影响。结果表明：围网月间的平均单位捕捞努力量渔获量 (Catch per unit effort, CPUE) 变化趋势基本一致，年平均CPUE则为2020年大于2019年。南海鸢乌贼渔汛期为3—4月，高产区域集中在112°E—117°E、8°N—12°N，渔汛期CPUE呈现向东和向北偏移的趋势。海洋环境对鸢乌贼资源分布的综合影响系数为0.38，而海表盐度和光合有效辐射在海洋环境上的载荷量分别为0.87和0.82，两者是影响鸢乌贼资源分布的重要环境因子。所用结构方程模型为量化海洋环境因子与鸢乌贼资源分布之间的复杂关系提供了新的研究思路，可为鸢乌贼资源可持续利用和管理提供参考依据。
Abstract:To understand the relationship between variations in Sthenoteuthis oualaniensis resources and marine environmental factors, we conducted an analysis of monthly variations in S. oualaniensis resources based on the electronic fishing log data from purse seine operations in the South China Sea from 2019 to 2020. Then we examined the impact of marine environmental factors on the spatiotemporal distribution of S. oualaniensis resources by using a structural equation model. The results indicate that the catch per unit effort (CPUE) of purse seine average presented a consistent monthly trend but with significant interannual fluctuations, having higher average CPUE values in 2020 as compared with 2019. The fishing season for S. oualaniensis in the South China Sea is observed in March and April, primarily concentrated within the region between 112°E−117°E and 8°N−12°N, with a tendency for CPUE to shift eastward and northward during the fishing season. On the other hand, the comprehensive impact coefficient of marine environmental factors on the distribution of S. oualaniensis resources was calculated as 0.38, with sea surface salinity and photosynthetically active radiation exhibiting significant loadings of 0.87 and 0.82, respectively, indicating their importance in influencing the distribution of S. oualaniensis resources. The application of a structural equation model offers a quantitative research approach to examine the complex relationship between marine environmental factors and the distribution of S. oualaniensis. The research provides valuable scientific insights for the sustainable utilization and management of S. oualaniensis resource.
-
河流栖息地是对水生生物有直接或间接影响的多种尺度下物理化学条件的组合[1]，随着人类涉水活动的增加，鱼类等水生生物的栖息地正遭受严重破坏。河流生物栖息地评估在河流生态修复中具有重要作用，通过栖息地评估可为河流生态修复提供基础信息和依据[2]。针对不同水动力条件下鱼类生境的变化，国内外学者进行了大量研究[3-5]。小尺度产卵场的地形特征是研究产卵场水动力特征的基础。河流的水动力特征与水下地形、地貌存在密切关系。特殊的河床形态决定了特殊的水力学特征，如坡度与底部流速存在正相关关系[6]，这些因素决定了鱼类的产卵条件[7]。河流地形地貌在河流水量和水质不变的基础上，与生物群落的多样性存在正相关性，可影响其功能和结构[8]。河流地形地貌方面的研究集中在河道和河段尺度上，多为定性描述[9]。定量的、微尺度的高程、高程变异系数、地形复杂度、坡度、坡向等地形因子，多应用于海洋河口或中华鲟 (Acipenser sinensis) 等珍稀濒危鱼类的产卵场研究，而在“四大家鱼”产卵场方面的研究运用较少[7,10-12]，珠江流域尚未见报道。
西江水系约有70多处经济鱼类产卵场，尤其以郁、黔、浔三江最为集中。东塔产卵场是珠江流域最大的产卵场，也是斑鳠 (Mystus guttatus)、卷口鱼 (Ptychidio jordani) 等珠江众多珍稀特有鱼类的重要栖息地，具有重要的生态功能 [13-14]。近年来受水利水电开发、航道整治、挖沙等涉水活动影响，鱼类栖息地遭到严重破坏，表现为生境丧失、破碎化和同质化，导致鱼类多样性降低、个体小型化，鱼类群落组成发生巨大变化[15-16]。主要渔业对象由80年代的鲥 (Tenualosa reevesii)、花鰶 (Clupanodon thrissa)、青鱼 (Mylopharyngodon piceus)、草鱼 (Ctenopharyngodon idella)、赤眼鳟 (Squaliobarbus curriculus) 等变为目前的广东鲂 (Megalobrama terminalis)、赤眼鳟、鲮 (Cirrhinus molitorella)、䱗 (Hemicculter Leucisculus)，“四大家鱼”仔鱼资源在总鱼苗量中所占比例从46.6%下降至4.51%[17-18]。
大藤峡水利枢纽位于东塔产卵场上游约8 km，于2020年建成。该电站的运行，势必会改变下游江段的水下地形结构，导致鱼类栖息地的生境发生变化，从而影响其生存和繁衍[19-20]。要准确认识工程对鱼类栖息地的影响，必须对自然条件下栖息地状况，鱼类与栖息地地形、地貌间的关系有清楚而充分的认识。因此，有必要对该江段水下地形特征进行研究，评估水坝建设及运行对下游鱼类栖息地的影响。
目前，珠江流域关于鱼类微观栖息地地形、地貌的研究尚未见报道，相关研究仅限于定性描述[21]，栖息地功能现状缺少科学评估。本研究首次采用声学方法对东塔产卵场栖息地现状进行评估，并构建了栖息地适宜性指数 (Habitat suitability index, HSI) 模型，以期为江河鱼类栖息地功能评价、生态修复提供技术支撑。
1. 材料与方法
1.1 研究区域
东塔产卵场位于浔江上游，自黔、郁两江汇合口起至东塔村止，长约7 km，为珠江最大“四大家鱼”产卵场。该研究区域上起大藤峡水利枢纽下游，下至石咀镇 (图1)，具体地理位置为 110.057°E—110.16°E、23.432°N—23.467°N。研究区域长约14 km，水深介于1.5~32.0 m。采用ArcGIS 10.1软件绘制地图，数据来源于全国地理信息资源目录服务系统 (https://www.webmap.cn/，1∶25 万全国基础地理数据库，2019公众版) 。
1.2 数据采集
分别于2016年4月、2017年6月、2018年4月和2019年4月对该江段进行了声学走航探测。使用仪器为分裂波束渔探仪EY60 (Simrad，挪威)，换能器中心频率120 kHz，发射功率200 W，−3 dB波束宽7.0°，脉冲宽度256 μs。在每次调查前，参照校准流程，使用碳化钨校准球 (Φ23 mm) 对系统收发增益进行校准[22]。调查船只使用当地渔船，长约8 m，换能器垂直向下固定于船舷，吃水约0.5 m。船速约4.4~5.5 kn，走航方向为顺流而下，设计航线为“之”字形，在实际航程中根据调查江段情况进行实时调整。
2019年4月使用声学多普勒流速剖面仪 (ADCP，WHR600，美国) 对产卵场进行流场、地形同步监测。在测量前，记录待测量区域内上下游断面中心点的坐标，以及弯道处断面中心点坐标，通过配置引导物，画出测量区域的计划线。在实际测量时，根据导航测量软件，记录、校正测船航迹，使测船沿着计划线依次测量。该次测量断面间距为150 m，共94个断面，通过ADCP实测，监测期间浔江流量约5 000 m3·s−1。
1.3 数据分析
1.3.1 地形因子提取
测量的原始数据在ADCP辅助测量软件WinRiver以ASCII码文件导出，读取每个测量断面、流速矢量、水深、经纬度等数据，使用ArcGIS 10.1 软件构建河床不规则三角网和数字高程模型，提取产卵场高程、坡度、坡向、地形起伏度、高程变异系数、地表粗糙度共6个地形因子[11]。
地形因子之间可能存在共线性关系，分析数据时，采用 Pearson相关系数判定两者之间的相关性，当两者存在共线性关系时，仅选取其中一个变量为解释变量。
1.3.2 热点分析
热点分析用于识别具有统计显著性的高值 (热点) 和低值 (冷点) 的空间聚类，是根据在一定分析规模内的所有要素，计算每个要素Getis-Ord Gi*统计值，得到每个要素的z得分和P值。统计学上的显著性正值z得分表示热点，z得分越高，表示热点聚集越紧密；负值表示冷点，z得分越低，冷点聚集就越紧密。通过z得分和P值，可以得到产卵场鱼类资源密度高值或低值在空间上发生聚类的位置[23]。
与传统的鱼类空间分布相关研究不同，本研究侧重从地理空间视角去解释鱼类的空间聚类。首先使用声学数据后处理软件Echoview 5.4 (Myriax Pty Ltd. 澳大利亚) 对原始数据进行处理，获得不同调查时间的鱼类密度信息。其次利用ArcGIS 10.1软件中的不等边三角形TIN方法建立密度数据范围，通过建立TIN能够剔除无数据的水域；然后利用空间统计分析模块中的空间自相关和热点分析对鱼类密度数据进行分析和结果可视化输出。
1.3.3 栖息地模型建立
2016、2018和2019年采样时间均为4月，2017年为6月。为降低在热点分析和模型建立中季节变化造成的影响，本文利用2016、2018和2019年数据构建模型，以2017年数据验证模型。
本文假设2年及以上鱼类热点分布重叠区域 (网格) 为鱼类适宜分布区域，提取热点区域中的地形因子。根据频率分布法，统计各因子分布范围，然后对结果进行归一化处理，估算适宜度指数值 (Suitability index, SI)，出现频次最高的值赋予SI=1，SI∈[0, 1]。
由于几何平均值考虑了各因子之间的补偿影响，对生境适宜性的估计更为保守，因此HSI模型采用几何平均法建立，计算公式为[4]:
$$ S_{\mathrm{HSI},i}=\left(\mathrm{SI}_{1 i} \times \mathrm{SI}_{2 i} \times \ldots \times \mathrm{SI}_{n i}\right)^{{}^{1} \diagup {}_{n}\;} $$ (1) 式中：
$S_{\mathrm{HSI},i}$ 为第i个网格的栖息地适宜性指数值；i为研究区域网格序号；${\mathrm{S}\mathrm{I}}_{{n}{i}}$ 为第n个地形因子第i个网格的SI值。1.4 HIS模型验证
利用2017年6月的声学调查数据及水深数据，分析该江段鱼类资源密度分布情况，验证是否HIS值越高的网格鱼类密度越高。
2. 结果
2.1 鱼类密度及空间热冷点分布格局
2016—2019年鱼类平均密度见表1，鱼类密度呈逐年下降趋势，使用非参数检验进行分析，Kurskal-Wallis结果显示，不同调查时间鱼类密度存在显著性差异 (P<0.05)。 从偏度值可以看出数据左偏，表明低密度单元格较多。
表 1 东塔产卵场不同调查时间鱼类密度分布信息Table 1. Fish density distribution in Dongta spawning ground in different periods调查时间
Survey year鱼类密度
Fish density/(尾·m−3)范围
Range偏度
Skewness峰度
Kurtosis变异系数
Coefficient of variance2016年 0.057 4±0.128 7 (0.000 3, 1.018 4) 6.146 41.269 2.24 2017年 0.043 4±0.056 5 (0.007 2, 0.405 3) 3.744 17.185 1.30 2018年 0.031 6±0.037 7 (0.000 4, 0.196 7) 2.004 4.265 1.19 2019年 0.009 4±0.007 1 (0.000 4, 0.035 6) 1.492 2.536 0.75 将鱼类密度导入GIS中进行空间自相关和热点分析，得到鱼类在东塔产卵场的热点分布图 (图2)。空间上，研究区域鱼类资源的空间分布具有一定的聚集特征，即不同年份均出现“热点区域”(红色区域)，标志为z＞+1.65 (P＜0.1)，如东塔产卵场部分区域3年结果均为“热点区域”；而大藤峡下游及石咀段出现“冷点区域”(蓝色区域)；其他江段绝大部分z值介于−1.65~+1.65，这些区域内渔业资源密度高值和低值之间的空间自相关性弱，为随机性分布。总体来看，东塔产卵场部分区域局部自相关性强，整体自相关性表现并不强烈，鱼类资源密度呈现“热”“冷”不均的局部性分布特征。
![]()
图 2 不同年份东塔产卵场鱼类资源空间热点分布图Figure 2. Hotspots of fsh resources in Dongta spawning ground in different years2.2 适宜度曲线构建
根据上述方法，从鱼类“热点分布”区域中选取2年及以上重合区域网格，共80个，提取各网格地形因子，利用频度分布，拟合建立地形因子的单因子适宜度曲线。
本文共获取了6个解释变量，包括高程、坡度、坡向、地形起伏度、高程变异系数、地表粗糙度。高程变异系数、地形起伏度和坡度的相关系数大于0.85，因高程变异系数和地形起伏度是基于高程 (水深) 计算得出的，因此只保留坡度进行分析；地表粗糙度数据主要集中在1左右，无法拟合。因此选择水深、坡度、坡向3个地形因子作为预测变量参与分析。由图3可见，热点区域水深介于1.5~25.0 m，鱼类适宜水深为5.0~8.0 m；坡度介于0°~27°，鱼类适宜范围介于1°~1.5°，依据坡度等级，鱼类适宜区域为微斜坡；鱼类适宜的坡向介于90°~180°，即东南方向。
2.3 HSI值计算
根据公式 (1) 计算得出鱼类密度的HSI值。5 000 m3·s−1流量下HSI值分布介于0.02~0.95，平均值为0.31±0.22。其中，HSI值大于0.5的区域占总数的26.67%。由图4可知，研究江段HSI最大值出现在产卵场沙洲两侧，河流两侧也有零星分布；另外，主航道基本上为HSI低值区域。
![]()
图 4 东塔产卵场鱼类栖息地适宜性指数分布图Figure 4. Habitat suitability index distribution of Dongta spawning ground2.4 栖息地模型验证
使用2017年6月声学数据对HSI模型进行验证。通过Pearson相关性分析可知，鱼类密度与HSI值呈正相关关系 (R=0.794, P=0.011)。拟合结果显示，HSI与鱼类密度的关系为：
$ y=0.02x+ 0.04 $ (R2=0.63, RMSE=0.005)，符合本文假设。3. 讨论
3.1 地形因子的选择性特征
东塔产卵场位于郁江、黔江和浔江三江交汇口，鱼类种类丰富，物种多样性高。文献资料显示，该江段鱼类优势种为䱗、鲤 (Cyprinus carpio)、鲮、赤眼鳟、广东鲂、卷口鱼等[15-16]。河流物种多样性和河床特征存在着一定程度的响应关系，同时生物群落的结构和功能受之影响。然而，目前尚不清楚地形因子如何影响鱼类[24]。本研究提取了水深、坡度、坡向、地形粗糙度、高程变异系数、曲率等地形因子进行分析，通过判定各因子之间的相关性及各因子取值的分布情况，筛选出了水深、坡度、坡向作为构建适宜性模型的因子。
水深是鱼类生活空间的反映，鱼的体型大小、生活习性等决定了鱼类对水深的需求[25]。Miranda和Killgore [26]研究表明，鱼类分布与水深呈非随机关系，约75%的物种分布在12 m以浅。Sheldon[27]认为鱼类分布与水深有着紧密联系，随季节和种类的不同而变化。本研究区域最大水深为31.0 m，鱼类适宜水深介于5.0~8.0 m。从图1可以看出，深水区主要为航道，航道在扩能升级过程中改变了河床结构，破坏了鱼类栖息地；另外，鱼类会对航道中的行船噪声产生回避行为[28-29]，因此深水区基本为HSI低值区。
水下地形结构影响着鱼类的分布和多样性[24]。相关研究表明，疏浚通过改变水下地形，显著影响鱼类群落及空间分布。鱼类丰度和多样性从与自然河口陡峭的坡度相关，转变为与疏浚河口平缓的坡度相关[12]。西江航道经过二次扩能升级，河流水下地形地貌已发生了变化[30]，因此鱼类偏好栖息于坡度较缓的区域[31]。
坡向是坡度所面对的方向，用于识别表面上某一位置处的最陡下坡方向。相关研究表明，中华鲟产卵场平均坡向分别为219.92°和207.63°，长江四大家鱼产卵场平均坡向介于150.16°~200.6°[10-11]，本研究中栖息地坡向适宜范围介于90°~180°。上述产卵场坡向分布范围不同，但根据河流地形走势来看，坡向均为水流方向；因此推测鱼类偏好栖息于河流中向着水流方向的微斜坡。
3.2 栖息地适宜度
HSI模型是通过适宜度方程评价各个生态因子对某一特定物种的适宜度值和综合值，以此来评价环境对这个特定物种生存和繁殖的适合程度。以往研究使用的生物因子来源于专家经验或者室内实验[3]。近年来，相关研究越来越重视探讨在自然状态下鱼类分布与生境因子之间的关系，以此来确定鱼类适宜栖息地范围[31]。本研究根据鱼类对生境的利用情况来绘制适宜度曲线，鱼类时空分布及水下地形数据均为实测，地形因子的频率分布是基于3年声学调查结果，利用局部空间自相关方法对鱼类空间分布进行分析，定位到鱼类分布的高密度区域，能较为准确地反映野外实际情况。因此栖息地适宜性指数具有较高的可靠度。另外，模型验证结果显示，HSI值较高的区域，鱼类密度较大，表明该模型适用于东塔江段鱼类栖息地适宜性评价。
在数据分析中，经常会遇到少量的鱼类高密度值，这些值是研究者关注的热点；但从经典统计学角度讲，这些值却是造成评估不确定性的原因[32]。鱼类以个体、种群、群落的形式分布在特定空间上，具有高度的空间自相关性。经典统计学受基本假设的限制，在研究个体、种群和群落空间自相关方面具有较多缺陷[23]。热点分析可划分鱼类资源高低属性值的空间聚集，能够直观清晰地表现渔业资源分布情况，结果具有统计学意义。在渔业生态学中，热点分析已应用于栖息地变动趋势、物种丰富度等方面[33-35]。本研究尝试应用该法来识别鱼类适宜栖息地，取得了较好的效果。由于能够较为直接清晰地表现渔业资源分布情况，热点分析的应用前景将会被不断拓展。
3.3 研究不足及未来展望
本研究以河流地形特征作为变量研究鱼类栖息地适宜情况。坡度、坡向为常量，不会随流量的变化而改变。水深作为表征高程的因子，会随径流量的变化而增减。随着流量增大，水深加深，河流两岸漫滩及中心沙洲会被淹没，适宜鱼类栖息的区域也会发生改变。但是本研究区域边界是基于5 000 m3·s−1流量建立的，河流边界无法随流量的增加而变化。因此本文所建模型无法模拟高流量下的河流栖息地状况。
未来在开展此类工作时，野外采样应选择在水位较高时，尽可能将河流两岸漫滩及中心沙洲淹没。漫滩作为河流生态系统的重要组成部分，为鱼类提供了多样化的栖息生境，具有高生产力和微生境异质性，对维持区域鱼类生物多样性具有重要作用[36-37]。本研究探明了大藤峡水利枢纽蓄水前东塔产卵场水下地形特征及鱼类时空分布，今后仍需持续监测，以评估该电站运行对坝下江段鱼类栖息地的影响。
-
![]()
图 1 南海2019—2020年围网捕捞站点分布图
Figure 1. Sampling stations for seine fishing in the South China Sea during 2019−2020
![]()
图 2 南海海洋环境与鸢乌贼资源响应关系概念模型
Figure 2. Conceptual model of the relationship between marine environment and S. oualaniensis resources in South China Sea
![]()
图 3 2019—2020年围网平均单位捕捞努力量渔获量 (a) 和总平均产量、总平均单位捕捞努力量渔获量分布 (b)
Figure 3. Distribution of average CPUE (a), total average catch and total average CPUE (b) for seine during 2019−2020
![]()
图 4 2019—2020年春季鸢乌贼渔汛期单位捕捞努力量渔获量空间分布
Figure 4. Spatial distribution of spring CPUE for S. oualaniensis during 2019−2020
-
[1] 马克明, 傅伯杰, 黎晓亚, 等. 区域生态安全格局: 概念与理论基础[J]. 生态学报, 2004(4): 761-768. [2] 范江涛, 冯雪, 邱永松, 等. 南海鸢乌贼生物学研究进展[J]. 广东农业科学, 2013, 40(23): 122-128. [3] 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. [4] 陈新军, 叶旭昌. 印度洋西北部海域鸢乌贼渔场与海洋环境因子关系的初步分析[J]. 上海水产大学学报, 2005(1): 55-60. [5] 张俊, 邱永松, 陈作志, 等. 南海外海大洋性渔业资源调查评估进展[J]. 南方水产科学, 2018, 14(6): 118-127. [6] 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. [7] 范江涛, 张俊, 冯雪, 等. 基于栖息地模型的南沙海域鸢乌贼渔情预报研究[J]. 南方水产科学, 2015, 11(5): 20-26. [8] 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. [9] 袁帅, 付和平, 武晓东, 等. 基于结构方程模型分析荒漠啮齿动物优势种对不同放牧干扰的响应[J]. 生态学报, 2017, 37(14): 4795-4806. [10] MOUCHET M A, VILLÉGER S, MASON N W H, et al. Functional diversity measures: an overview of their redundancy and their ability to discriminate community assembly rules[J]. Funct Ecol, 2010, 24(4): 867-876. doi: 10.1111/j.1365-2435.2010.01695.x
[11] 温纯, 金光泽. 功能多样性对典型阔叶红松林生产力的影响[J]. 植物生态学报, 2019, 43(2): 94-106. [12] 刘冉. 基于结构方程模型的浮游植物与环境因子关系的研究[D]. 北京: 华北电力大学, 2018: 4-9. [13] DUNCAN T E, DUNCAN S C. An introduction to latent growth curve modeling[J]. Behav Ther, 2004, 35(2): 333-363. doi: 10.1016/S0005-7894(04)80042-X
[14] 石亚飞, 石善恒, 黄晓敏. 基于R的结构方程模型在生态学中的应用[J]. 生态学杂志, 2022, 41(5): 1015-1023. [15] YANG Z, WANG X F, ZENG J W, et al. Effects of environmental factors on the spatio-temporal patterns of bigeyes (Priacanthus spp.) in the northern South China Sea[J]. Indian J Fish, 2021, 68(3): 27-37.
[16] 肖戈, 徐博, 张衡, 等. 阿拉伯海外海鸢乌贼渔场时空分布与海洋环境要素的研究[J]. 南方水产科学, 2022, 18(4): 10-19. [17] 陆化杰, 王洪浩, 何静茹, 等. 季风变化对西北印度洋鸢乌贼渔业生物学及渔场学影响的研究进展[J]. 中国水产科学, 2022, 29(11): 1669-1678. [18] 招春旭. 南海鸢乌贼渔场时空分布及其预报模型构建[D]. 湛江: 广东海洋大学, 2017: 30-32. [19] 周艳波, 谢恩阁, 吴洽儿, 等. 南海外海鸢乌贼渔场范围与海洋环境的关系[J]. 海洋学报, 2021, 43(2): 38-48. [20] CHEN X J, LIU B L, TIAN S Q, et al. Fishery biology of purpleback squid, Sthenoteuthis oualaniensis, in the northwest Indian Ocean[J]. Fish Res, 2007, 83(1): 98-104. doi: 10.1016/j.fishres.2006.09.005
[21] CHEN X J, ZHAO X H, CHEN Y. Influence of El Niño/La Niña on the western winter-spring cohort of neon flying squid (Ommastrephes bartramii) in the northwestern Pacific Ocean[J]. Ices J Mar Sci, 2007, 64(6): 1152-1160. doi: 10.1093/icesjms/fsm103
[22] MOHAMED K S, SAJIKUMAR K K, RAGESH N, et al. Relating abundance of purpleback flying squid Sthenoteuthis oualaniensis (Cephalopoda: Ommastrephidae) to environmental parameters using GIS and GAM in south-eastern Arabian Sea[J]. J Nat Hist, 2018, 52(29/30): 1869-1882.
[23] LIU K K, CHAO S Y, SHAW P T, et al. Monsoon-forced chlorophyll distribution and primary production in the South China Sea: observations and a numerical study[J]. Deep-Sea Res I, 2002, 49(8): 1387-1412. doi: 10.1016/S0967-0637(02)00035-3
[24] 温健, 陆鑫一, 陈新军, 等. 基于海表温度和光合有效辐射的西北太平洋柔鱼冬春生群体栖息地热点预测[J]. 上海海洋大学学报, 2019, 28(3): 456-463. [25] YU W, CHEN X J, YI Q, et al. Variability of suitable habitat of western winter-spring cohort for neon flying squid in the Northwest Pacific under anomalous environments[J]. PLoS One, 2015, 10(4): e0122997. doi: 10.1371/journal.pone.0122997
[26] SANCHEZ P, DEMESTRE M, RECASENS L, et al. Combining GIS and GAMs to identify potential habitats of squid Loligo vulgaris in the Northwestern Mediterranean[J]. Hydrobiologia, 2008, 612(1): 91-98. doi: 10.1007/s10750-008-9487-9
[27] 温利红, 张衡, 方舟, 等. 印度洋北部鸢乌贼CPUE标准化初步研究[J]. 海洋湖沼通报, 2022, 44(4): 89-97. [28] SHEN H, DONG S K, LI S, et al. Grazing enhances plant photosynthetic capacity by altering soil nitrogen in alpine grasslands on the Qinghai-Tibetan plateau[J]. Agr Ecosyst Environ, 2019, 280: 161-168. doi: 10.1016/j.agee.2019.04.029
[29] 张宇美, 颜云榕, 卢伙胜, 等. 西沙群岛海域鸢乌贼摄食与繁殖生物学初步研究[J]. 广东海洋大学学报, 2013, 33(3): 56-64. [30] 徐红云. 南海外海鸢乌贼栖息地分布与关键环境因子分析[D]. 上海: 上海海洋大学, 2017: 32-33. [31] 余为, 陈新军. 印度洋西北海域鸢乌贼9-10月栖息地适宜指数研究[J]. 广东海洋大学学报, 2012, 32(6): 74-80. [32] 范秀梅, 崔雪森, 唐峰华, 等. 基于PCA-GAM的阿拉伯海公海鸢乌贼资源量空间分布预测模型研究[J]. 水产学报, 2022, 46(12): 2340-2348. [33] 范江涛, 余为, 马胜伟, 等. 春季南海鸢乌贼栖息地时空分布及其年际差异分析[J]. 南方水产科学, 2022, 18(1): 1-9. [34] 颜云榕, 邱星宇, 张丽姿, 等. 南沙海域鸢乌贼繁殖生物学特性[J]. 广东海洋大学学报, 2021, 41(3): 20-27. [35] VIJAI D, SAKAI M, KAMEI Y, et al. Spawning pattern of the neon flying squid Ommastrephes bartramii (Cephalopoda: Oegopsida) around the Hawaiian Islands[J]. Sci Mar, 2014, 78(4): 511-519. doi: 10.3989/scimar.04112.27B
[36] NIGMATULLIN C M, MARKAIDA U. Oocyte development, fecundity and spawning strategy of large sized jumbo squid Dosidicus gigas (Oegopsida: Ommastrephinae)[J]. J Mar Biol Assoc UK, 2009, 89(4): 789-801. doi: 10.1017/S0025315408002853
[37] 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. [38] 骆雷. PLS-SEM多变量统计分析在赛事观众研究领域中的应用[J]. 上海体育学院学报, 2020, 44(11): 86-94. [39] 张沥今, 陆嘉琦, 魏夏琰, 等. 贝叶斯结构方程模型及其研究现状[J]. 心理科学进展, 2019, 27(11): 1812-1825. [40] 张梅. 南海外海鸢乌贼渔场时空分布与渔情预报模型研究[D]. 西安: 西安电子科技大学, 2021: 25-31. [41] JONSSON M, WARDLE D A. Structural equation modelling reveals plant-community drivers of carbon storage in boreal forest ecosystems[J]. Biol Lett, 2010, 6(1): 116-119. doi: 10.1098/rsbl.2009.0613
下载:
计量
- 文章访问数: 0
- HTML全文浏览量: 0
- PDF下载量: 0
粤公网安备 44010502001741号
