Study on fishery resource assessment of Pacific saury by length-based cohort analysis
-
摘要:
秋刀鱼 (Cololabis saira) 分布于西北太平洋亚热带到温带海域，是中国远洋渔业主要的捕捞对象之一。为探究其资源状况，根据2014—2018年西北太平洋秋刀鱼的渔获体长组成和生物学数据，对体长世代分析 (Length-based cohort analysis, LCA) 模型和基于生物量的体长世代分析 (Biomass-based length-cohort analysis, B-LCA) 模型进行性能检验和敏感性分析，并利用蒙特卡洛 (Monte Carlo) 方法估算模型参数、秋刀鱼资源量、捕捞死亡系数以及最大持续产量。结果表明：1) 在5、10和15 mm体长间隔下，LCA和B-LCA模型均表现出优秀的拟合能力，且在5 mm体长间隔下，2种模型的拟合能力均更强；2) LCA模型对于以尾数为单位的渔业数据表现更佳，B-LCA模型对于以质量为单位的渔业数据表现更佳；3) LCA和B-LCA模型对生长因子(b)、渐近体长(L∞)的变化均较敏感，且对b的敏感程度更高；4) LCA模型估算的2014—2018年秋刀鱼平均资源质量约为65.93×104~171.51×104 t，捕捞死亡系数为0.529 2，最大持续产量为37.73×104 t，而B-LCA模型估算的平均资源质量约为47.88×104~126.25×104 t，捕捞死亡系数为0.540 5，最大持续产量为33.02×104 t。2种模型估算的最大持续产量均低于北太平洋渔业委员会 (North Pacific Ocean Commission, NPFC)各成员国年均产量 (40.98×104 t)，表明2014—2018年秋刀鱼资源处于过度捕捞状态。
Abstract:Being one of the primary fishing targets in Chinese pelagic fishing, Pacific saury (Cololabis saira) is distributed in the subtropical to temperate waters of the northwest Pacific Ocean. In order to explore its resource status, according to the catch at size and biological data of Northwest Pacific saury from 2014 to 2018, we conducted a performance test and a sensitivity analysis on length-based cohort analysis (LCA) model and biomass-based length-cohort analysis (B-LCA) model. Besides, we applied Monte Carlo method to estimate the model parameters, resource quantity, fishing mortality coefficients and maximum sustainable yield of Pacific saury. The results show that: 1) The LCA model and B-LCA model exhibited excellent fitting abilities at 5, 10 and 15 mm length intervals, with stronger fitting abilities at 5 mm interval. 2) LCA model performed better for fishery data in units of number, while B-LCA model performed better for fishery data in units of mass. 3) Both LCA and B-LCA models were sensitive to changes in growth factor ($ b $) and asymptote length ($ {L}_{\infty } $), with higher sensitivity to b. 4) The average resource mass of Pacific saury from 2014 to 2018 estimated by LCA model was about 65.93×104−171.51×104 t; the fishing mortality coefficient was 0.529 2; the maximum sustainable yield was 37.73×104 t. The average resource mass estimated by B-LCA model was about 47.88×104−126.25×104 t; the fishing mortality coefficient was 0.540 5; the maximum sustainable yield was $ 33.02\times {10}^{4} $ t. The maximum sustained production estimated by both models was lower than the average annual production of NPFC (North Pacific Ocean Commission) member countries ($ 40.98\times {10}^{4} $ t), indicating that the Pacific saury resources had been overfished from 2014 to 2018.
-
Keywords:
- Cololabis saira /
- Catch at size /
- LCA model /
- B-LCA model /
- Resource quantity /
- Maximum sustainable yield
-
水产养殖是世界上增长最快的食品生产领域之一，对全球粮食安全和优质蛋白质供给贡献重大，海水网箱养殖是其中的重要组成部分[1]。作为海水网箱养殖系统的核心构件之一，材质合适的网衣对于海水养殖生产至关重要。常规的聚乙烯和尼龙材料的养殖网衣很容易受到污损生物的影响[2]。污损生物在海水网箱养殖网衣上的附着已经成为一个日益影响海水养殖产业的全球性问题[3]。其会降低养殖网箱的容积，缩紧网眼，增加锚链的拖曳强度[3]，养殖网箱的质量也会严重增加，并进一步导致网箱浮力的降低和网衣形变的增加[2-3]。另外，污损生物的附着还会对网衣造成直接的物理损伤，加速其老化；网目尺寸的降低会减少水流、营养物质的交换和养殖生物自身排泄物的扩散稀释[4]。同时，溶解氧含量也会受其干扰，特别是在污损生物附着量较大的夏季，污损生物附着叠加较高的水温，加上污损生物自身的呼吸活动，会进一步加剧溶解氧含量的下降，严重时可能会出现缺氧现象，不仅影响养殖生产，还可能会影响周边海洋环境，造成局部富营养化等负面影响[5]。此外，污损生物群落的形成可能会为寄生虫和病原微生物提供栖息场所，从而对养殖生物的健康产生潜在危害[6]。换网、人工或机器清理、防污涂层、化学产品的投入等物理、化学方法是海水网箱养殖业中常用的清除污损生物的途径，但上述方式可能会对周边海洋环境造成不利影响，有效性不强[7]，也会额外增加养殖成本，降低养殖收入[8]。因此，需要寻找更有效的替代策略。
使用新型材料是替代并弥补传统网衣材料缺点的一种可行性策略[9]。目前海水养殖领域已经涌现出超高分子量聚乙烯、龟甲网和金属网等材料，替代传统的聚乙烯和尼龙材质的网衣，减少污损生物附着带来的危害[10]。其中，铜合金和超高分子量聚乙烯材料因其独特的性能而受到关注。铜合金是由铜和其他金属元素组成的合金材料，具有很好的抗腐蚀性、抗污损生物附着和抗凝水性能，以及较高的强度和耐磨性，已应用于海水养殖生产中，相比较传统网衣材料，其优越性也有相关报道[11]。超高分子量聚乙烯一般指相对分子质量在150×104以上的无支链线性聚乙烯，分子链上基本不含极性基团，结晶度一般在65%~85%，密度为0.920~0.964 g·cm−3。相对其他常用的工程塑料，超高分子量聚乙烯的密度降低，而其断裂伸长率和抗冲击强度均大幅提升，使其在水产养殖领域得到了不少应用[12]。新材料的应用在防止污损生物附着和养殖生物逃逸，保持养殖生物健康，减少传统网衣材料对环境的潜在负面影响等方面均表现出了良好的应用前景。但目前关于不同材质新材料之间防止污损生物附着效果的比较研究仍较缺乏，国内极少见相关文献，需要进一步开展相关筛选研究。
本研究通过超高分子量聚乙烯材质网衣和铜合金材质网衣的现场海上挂网实验，比较分析2种材质网衣附着的污损生物的种类组成、数量、季节变化及演替规律等，为海水网箱养殖网衣新材料的应用筛选、网衣的维护和清洗策略提供科学依据。
1. 材料与方法
1.1 实验材料
超高分子量聚乙烯纤维材料购自荷兰帝斯曼迪尼玛纤维公司 (DSM Dyneema) 并喷涂了防污涂层，铜合金材料购自日本三菱伸铜株式会社，由专业网衣厂商编织成网，具体规格为30 cm×30 cm。其中，铜合金网衣网目尺寸 (方形网目边长) 为5 cm，网线直径4 mm；超高分子量聚乙烯网衣网目拉直内径尺寸为5.2 cm，网线直径3 mm (图1)。另外配套的材料还包括钢筋、聚乙烯缆绳、尼龙扎带、铁锚、浮球等。
![]()
图 1 铜合金网衣 (左) 和超高分子量聚乙烯网衣 (右)Figure 1. Copper alloy mesh (Left) and ultra-high molecular weight polyethylene mesh (Right)1.2 实验方法
1.2.1 挂网制作
超高分子量聚乙烯和铜合金网衣首先使用与其大小匹配的钢筋框固定并连接在一起，用尼龙扎带将网衣固定在钢筋框上，每组网衣均为铜合金和超高分子量聚乙烯网衣各1片，在外侧4个角使用聚乙烯缆绳将网衣材料串联。
1.2.2 实验海域
经现场踏勘调研，现场挂网实验在福建莆田南日岛福建龙源风力发电有限公司风电场海域开展，具体位置为风电场的测风塔 (119.54°E, 25.24°N) (图2-a)。实验海域水深约15 m，最低潮时水深约12 m，测风塔的桩基作为实验的挂点 (图2-b)。
1.2.3 实验设计
由图2可知，实验场所养殖设施密布，受周边船只通航的影响，实验方案需要减少缆绳在水平方向上的伸展。实验示意图如图3所示，首先将约100 m长的缆绳两头分别固定在测风塔两侧的桩基上，向外拉伸，形成“U”形，在“U”形的中间位置，垂直方向上沉积物中布设1根铁锚用缆绳连接，使“U”形稳定，然后水平方向上在“U”形的一侧布设挂网材料，与海面垂直，离海面约0.5 m，挂网材料垂直方向上使用长度约16 m的缆绳与浮筒连接固定，保持挂网材料能够随潮水涨落。同时，在浮筒上使用黄色油漆标记不同挂网组，便于后续识别取样。取样或者更换新的网衣组时，使用船舶起锚机将缆绳拉出海面取样或者更换新的网衣组，同时将网衣组拆解，分成单个网衣材料，然后平铺包装在聚乙烯密封袋中，分类编号带回实验室待分析。
在污损生物生长旺盛的春季 (2022年3—5月) 和夏季 (2022年6—8月) 开展逐月现场实验。
1.2.4 污损生物的鉴定分析
对每一个网衣对应的的污损生物用精密电子天平测定 (精度为0.01 g) 湿质量，采用体式显微镜进行种类鉴定。
1.2.5 密实度计算
网衣密实度指污损生物和网线面积之和与网衣面积的比值，可以反映污损生物的覆盖情况，基于计算机识别技术的计算方法为：输入网衣图像，调整图像大小，选取网衣总面积，计算网衣区域面积 (D1)，利用大津算法 (Otsu's method) 将图像中的物体与背景进行自动分割，计算附着物及网线面积 (D2)。示意图见图4。公式为：
$$ \text { 密实度 }=\left(D_2 / D_1\right) \times 100 {\text{%}} $$ (1) 1.2.6 污损生物的群落优势种
采用相对重要性指数 (IRI) 进行污损生物的群落优势种分析[13]，公式为：
$$ { {\rm{IRI}} }=(W+N) \times F \times 10^4$$ (2) 式中：W为某一种类的湿质量占总湿质量的百分比；N为某一种类的丰度占总丰度的百分比；F为该种类的出现频率。IRI≥1 000作为重要优势种的判别标准。
2. 结果
2.1 春、夏季2种网衣的密实度变化
春、夏季高分子量聚乙烯网衣和铜合金网衣的密实度变化趋势 (图5) 表明，2种网衣的密实度变化趋势基本一致，整体上表现为春季至夏季逐渐增加。其中，高分子量聚乙烯网衣的密实度均高于铜合金网衣。
![]()
图 5 不同季节高分子量聚乙烯网衣和铜合金网衣的密实度Figure 5. Water permeability of ultra-high molecular weight polyethylene mesh and copper alloy mesh in different seasons由高分子量聚乙烯网衣和铜合金网衣污损生物的附着情况 (图6) 可以直观地看出，春季3月2种网衣污损生物开始有少量附着，4月污损生物有比较明显的增加，5月污损生物的种类发生转变；夏季6月污损生物的种类又发生转变，且6—7月污损生物的附着量增加，8月污损生物的种类又发生转变。
![]()
图 6 春、夏季 2 种网衣污损生物的附着情况注：图中sp代表春季，su代表夏季；3—8代表月份；c代表铜合金网衣，h代表高分子量聚乙烯网衣。Figure 6. Adhesion of fouled organisms of ultra high molecular polyethylene mesh and copper alloy mesh in different seasonsNote: In the figure, sp represents spring, and su represents autumn; 3−8 represent months, c represents copper alloy mesh, and h represents ultra high molecular polyethylene mesh.2.2 春、夏季2种网衣污损生物的湿质量和附着密度
春季，高分子量聚乙烯网衣和铜合金网衣污损生物的平均湿质量分别为 (144.83±15.69) 和 (118.32±20.13) g·网−1；夏季，平均湿质量分别为 (1 054.59±34.81) 和 (876.25±23.16) g·网−1。春季，高分子量聚乙烯网衣和铜合金网衣污损生物的平均密度分别为 (2 699±49) 和 (2 678±42) 个·网−1；夏季，平均密度分别为 (4 630±53) 和 (3 870±64) 个·网−1。整体上，春、夏季高分子量聚乙烯网衣的平均湿质量和平均密度均高于铜合金网衣。
2.3 春、夏季2种网衣污损生物的种类构成
春季高分子量聚乙烯网衣共鉴定出5大类12种污损生物，其中甲壳动物种类数最多 (5种)，占总种类数的41.67%；藻类4种，占总种类数的33.33%；软体动物、环节动物、刺胞动物各1种，均占总种类数的8.33%。春季铜合金网衣也共鉴定出5大类12种污损生物，其中甲壳动物种类数最多 (5种)，占总种类数的41.67%；藻类3种，占总种类数的25.00%；环节动物2种，占总种类数的16.67%；软体动物、刺胞动物各1种，均占总种类数的8.33%。
夏季高分子量聚乙烯网衣共鉴定出7大类35种污损生物，其中以软体动物和甲壳动物种类数最多，各11种，均占总种类数的31.43%；藻类6种，占总种类数的17.14%；环节动物3种，占总种类数的8.57%；苔藓动物2种，占总种类数的5.71%；刺胞动物、棘皮动物各1种，均占总种类数的2.86%。夏季铜合金网衣共鉴定出6大类19种污损生物，其中以软体动物和甲壳动物种类数最多，各6种，均占总种类数的31.58%；藻类3种，占总种类数的15.79%；环节动物2种，占总种类数的10.53%；刺胞动物和苔藓动物各1种，均占总种类数的5.26%。
春季高分子量聚乙烯网衣和铜合金网衣污损生物种类数相同，而夏季高分子量聚乙烯网衣污损生物种类数明显多于铜合金网衣。
2.4 春、夏季2种网衣污损生物的优势种类
春、夏季2种网衣污损生物的优势种类如表1所示。春季，高分子量聚乙烯网衣出现的优势种有4种，分别为长颈麦杆虫 (Caprella equilibra)、中胚花筒螅 (Tubularia mesembryanthemum)、理石叶钩虾 (Jassa marmorata) 和厚壳贻贝 (Mytilus coruscus)；铜合金网衣出现的优势种有3种，分别为长颈麦杆虫、理石叶钩虾和厚壳贻贝。其中，长颈麦杆虫、理石叶钩虾和厚壳贻贝是2种网衣的共同优势种，第一优势种均为长颈麦杆虫，高分子量聚乙烯网衣和铜合金网衣长颈麦杆虫的IRI分别为4 740和3 676。
表 1 春、夏季2种网衣污损生物的优势种类统计Table 1. Statistics of dominant species of fouled organisms for two kinds of net in spring and summer网衣类型
Type of mesh春季 Spring 夏季 Summer 种名
Species
name数量
Quantity/
(个·网–1)湿质量
Wet mass/
(g·网–1)相对
重要性
指数
IRI种名
Species
name数量
Quantity/
(个·网–1)湿质量
Wet mass/
(g·网–1)相对
重要性
指数
IRI高分子量聚乙烯网衣
Ultra-high molecular
weight polyethylene mesh长颈麦杆虫
Caprella equilibra19 647 25.02 4 740 理石叶钩虾
Jassa marmorata13 326 13.65 3 285 中胚花筒螅
Tubularia mesembryanthemum131 202.42 3 970 长颈麦杆虫
Caprella equilibra10 325 10.17 2 544 理石叶钩虾
Jassa marmorata15 582 7.18 3 451 翡翠股贻贝
Perna viridis4 024 766.58 1 718 厚壳贻贝
Mytilus coruscus2 389 89.44 1 073 中胚花筒螅
Tubularia mesembryanthemum139 349.86 1 549 — — — — 背棘麦杆虫
Caprella caura5 407 13.35 1 367 — — — — 网纹藤壶
Amphibalanus
reticulatu393 639.55 1 146 铜合金网衣
Copper alloy mesh长颈麦杆虫
Caprella equilibra11 300 14.28 3 676 翡翠股贻贝
Perna viridis3 435 675.28 4 138 理石叶钩虾
Jassa marmorata8 929 4.06 2 641 长颈麦杆虫
Caprella equilibra5 392 5.91 2 813 厚壳贻贝
Mytilus coruscus2 520 129.50 1 356 理石叶钩虾
Jassa marmorata4 845 5.60 2 529 — — — — 中胚花筒螅
Tubularia mesembryanthemum103 208.87 1 641 注：—. 未鉴定出。 Note: —. Not identified. 夏季，高分子量聚乙烯网衣出现的优势种有6种，分别为理石叶钩虾、长颈麦杆虫、翡翠股贻贝 (Perna viridis)、中胚花筒螅、背棘麦杆虫 (Caprella caura) 和网纹藤壶 (Amphibalanus reticulatu)；铜合金网衣出现的优势种有4种，分别为翡翠股贻贝、长颈麦杆虫、理石叶钩虾和中胚花筒螅。其中，翡翠股贻贝、长颈麦杆虫、理石叶钩虾和中胚花筒螅是2种网衣的共同优势种。高分子量聚乙烯网衣第一优势种是理石叶钩虾，IRI为3 285，而铜合金网衣第一优势种是翡翠股贻贝，IRI为4 138。
3. 讨论
3.1 2种材质网衣污损生物的生态特性
海水养殖网箱的网衣为各类污损生物的附着提供了附着基，同时，海水养殖网箱水体中丰富的营养盐为污损生物的生长提供了养料，在环境合适时，污损生物在网衣上大量繁殖生长，其附着种类和附着量与养殖海域、养殖种类、养殖设施、养殖季节等因素密切相关[14]。目前已知的中国沿海主要污损生物可以分为藻类、腔肠动物、苔藓动物、多毛类动物、软体动物、甲壳动物、被囊动物及海绵动物等8大类群，其群落组成有明显的地域性，并呈季节性变化[15]。本研究实验点位于福建南日岛海域，出现的污损生物共有7个类群，基本覆盖了上述各类群。由于受当地海区的水温、盐度、光照、溶解氧、pH、水流和营养物质等环境因素的影响，本研究出现的主要群落以近岸暖水种和沿岸温带广温种为主，春、夏季2种网衣污损生物的主要优势种类与严涛等[16]报道的东海区主要污损生物优势种相吻合。本研究表明甲壳动物和软体动物是春、夏季的主要优势类群，原因是软体动物中腹足类生物较多，其生态习性使其容易附着在网衣上，如藤壶幼虫可以释放一种黏合剂，在适宜的附着表面进行永久附着[17]，而贻贝则使用胶原蛋白形成的足丝与底质牢固结合，进行选择性附着[18]。随着网衣密实度的增加，附着面积也随之增大，给甲壳动物等污损生物的生存提供了良好的场所，导致甲壳动物种类数随之增加。已有研究[19]表明，东海海域污损生物出现的低谷期为水温较低的冬、春季，其附着种数少，附着密度低，6—9月则是东海海域污损生物附着量高的季节。本研究结果与该研究一致，2种网衣污损生物的种类和数量均表现出夏季高于春季，特别是夏季总湿质量约为春季的6~9倍，总密度也比春季高约1 000个·网−1。这种季节性差异，是因为随着水温的升高，污损生物进入生长和繁殖旺盛期，个体增多，导致夏季2种网衣的密实度远高于春季[20]。春季的3—4月和夏季的6—7月2种网衣对湿质量贡献最大的附着生物均为中胚花筒螅，而5和7月对湿质量贡献最大的附着生物分别为厚壳贻贝和翡翠股贻贝，说明相同季节的不同月份之间污损生物的主要优势种也存在差异。由表1可以看出，春、夏季的优势种也存在差异，这与不同污损生物的最适生长温度有关[21]。
3.2 2种材质网衣对污损生物附着的影响
目前世界范围内海水养殖网箱的网衣一般采用传统合成纤维网衣材料加工制作，在养殖生产中由于污损生物附着严重，严重影响了网箱养殖的正常生产。本研究结果表明，不同材质的网衣对污损生物的附着有较大影响，春、夏季高分子量聚乙烯网衣污损生物的湿质量和密度均高于铜合金网衣。2种不同材质的网衣悬挂于相同海域，季节、水温、盐度、水文等环境条件相同，出现的污损生物种类、群落和生物量的差异与网衣材质有关。细菌在不同材料的表面形成的微生物膜是污损生物附着的基础，铜合金作为一种金属网衣，具有抑制微生物菌类和水生生物的作用，其主要原理是铜/海水界面的化学作用可以释放出具有杀菌作用的铜离子和其他合金元素，使铜合金表面无法形成微生物膜，从而使污损生物无法附着[22]。这种抑制效果受铜/海水界面的化学作用及污损生物的附着强度控制，同时也受铜合金网衣周边物理、化学和生物因素的影响。尽管高分子量聚乙烯网衣拉伸力等综合性能也较优秀，且本实验用高分子量聚乙烯网衣也喷涂了防污涂层，但其防污损生物附着能力仍弱于铜合金网衣，可能是由于随着时间的延长，高分子量聚乙烯网衣的防污涂层由于环境条件的影响出现磨损、剥落；同时，由于高分子量聚乙烯网衣更粗糙，更易于污损生物的附着。
值得指出的是，尽管铜合金网衣比超高分子量聚乙烯网衣的防污效果好，具有很好的抗腐蚀性、抗凝水性能，较高的强度、耐磨性、可回收利用性及较好的环保性能[11]，且已在日本、美国、北欧、澳大利亚等国家或地区的海水养殖领域开展了实际应用[9,23-24]。但是，铜合金网衣的成本及网箱规格和装配技术要求均较高，需要进一步研究和改进。建议根据养殖实际需求，将多种材质的网衣联合使用，既可降低成本，又能满足渔业发展的需要。
4. 结论
超高分子量聚乙烯和铜合金网衣的污损生物附着呈现出一定的季节性差异，2种网衣污损生物的密实度、种类数、优势种种类数、湿质量和密度均表现为春季低于夏季。铜合金网衣的防污损生物附着效果优于高分子量聚乙烯网衣。
-
![]()
图 3 基于尾数模拟数据LCA和B-LCA模型的估算值与模拟值对比图
Figure 3. Comparison between estimated and simulated values of LCA and B-LCA models based on number-based simulated data
![]()
图 4 基于质量模拟数据LCA和B-LCA模型的估算值与模拟值对比图
Figure 4. Comparison between estimated and simulated values of LCA and B-LCA models based on mass-based simulated data
![]()
图 5 基于LCA和B-LCA模型估算的平均资源质量与捕捞死亡系数在体长组间的变化趋势
Figure 5. Trends of average resource mass and fishing mortality coefficient between body length class estimated based on LCA and B-LCA models
表 1 秋刀鱼生物学参数
Table 1 Biological parameters of Pacific saury
参数
Parameter符号
Symbol数值
Value条件因子 Condition factor a 2.468 4×10−6 生长因子 Growth factor b 3.110 7 自然死亡系数 Coefficient of natural mortality M 0.328 9 捕捞死亡系数 Coefficient of fishing mortality F 1.271 1 总死亡系数 Total mortality coefficient Z 1.600 0 渐进体长 Asymptote length L∞ 360.230 0 生长参数 Growth parameter K 0.360 0 
下载: 导出CSV
表 2 模型性能指标
Table 2 Model performance indicators
间隔
Interval/mm模拟数据
Simulated data模型
Model性能指标
Model efficiency5 基于资源尾数
Number-basedLCA 1.000 0 B-LCA 0.995 9 基于资源质量
Mass-basedLCA 0.995 5 B-LCA 1.000 0 10 基于资源尾数
Number-basedLCA 1.000 0 B-LCA 0.986 4 基于资源质量
Mass-basedLCA 0.983 3 B-LCA 1.000 0 15 基于资源尾数
Number-basedLCA 0.999 9 B-LCA 0.972 6 基于资源质量
Mass-basedLCA 0.962 7 B-LCA 1.000 0
下载: 导出CSV
表 3 敏感性分析结果
Table 3 Sensitivity analysis results
模拟数据
Simulated data参数
Parameter基准方案
Base case变化
Change敏感性方案
Sensitivity case敏感性指数
Sensitivity index$ {W}_{\mathrm{b}\mathrm{a}\mathrm{s}\mathrm{e}}^{\mathrm{L}\mathrm{C}\mathrm{A}} $ $ {W}_{\mathrm{b}\mathrm{a}\mathrm{s}\mathrm{e}}^{\mathrm{B}{\text{-}}\mathrm{L}\mathrm{C}\mathrm{A}} $ $ {W}_{\mathrm{s}\mathrm{e}\mathrm{n}\mathrm{s}\mathrm{i}\mathrm{t}\mathrm{i}\mathrm{v}\mathrm{i}\mathrm{t}\mathrm{y}}^{\mathrm{L}\mathrm{C}\mathrm{A}} $ ${W}_{\mathrm{s}\mathrm{e}\mathrm{n}\mathrm{s}\mathrm{i}\mathrm{t}\mathrm{i}\mathrm{v}\mathrm{i}\mathrm{t}\mathrm{y} }^{\mathrm{B}{\text{-}}\mathrm{L}\mathrm{C}\mathrm{A} }$ LCA B-LCA 基于资源尾数 a 1.604 7 1.487 2 +10% 1.765 2 1.635 9 1.000 0 0.194 6 Number-based 1.604 7 1.487 2 −10% 1.444 2 1.338 5 1.000 0 1.658 9 基于资源质量 0.088 4 0.081 9 +10% 0.088 4 0.081 9 0.000 0 −0.732 2 Mass-based 0.088 4 0.081 9 −10% 0.088 4 0.081 9 0.000 0 0.732 2 基于资源尾数 b 1.604 7 1.487 2 +10% 8.448 0 7.775 2 42.645 3 38.452 7 Number-based 1.604 7 1.487 2 −10% 0.305 6 0.285 2 8.095 7 8.222 6 基于资源质量 0.088 4 0.081 9 +10% 0.095 7 0.088 1 0.831 5 −0.031 2 Mass-based 0.088 4 0.081 9 −10% 0.081 8 0.076 4 0.744 3 1.361 1 基于资源尾数 $ K $ 1.604 7 1.487 2 +10% 1.786 5 1.657 7 1.133 1 0.330 0 Number-based 1.604 7 1.487 2 −10% 1.786 5 1.657 7 1.116 8 1.777 6 基于资源质量 0.088 4 0.081 9 +10% 0.098 4 0.091 3 1.135 2 0.331 8 Mass-based 0.088 4 0.081 9 −10% 0.098 4 0.091 3 −1.135 2 −0.331 8 基于资源尾数 $ {L}_{{\infty } } $ 1.604 7 1.487 2 +10% 2.080 8 1.935 1 2.966 7 2.058 7 Number-based 1.604 7 1.487 2 −10% NA NA NA NA 基于资源质量 0.088 4 0.081 9 +10% 0.114 7 0.106 7 2.978 2 2.069 3 Mass-based 0.088 4 0.081 9 −10% NA NA NA NA 基于资源尾数 $ M $ 1.604 7 1.487 2 +10% 1.605 3 1.487 7 0.003 5 −0.728 9 Number-based 1.604 7 1.487 2 −10% 1.604 2 1.486 7 0.003 4 0.735 4 基于资源质量 0.088 4 0.081 9 +10% 0.088 4 0.081 9 0.003 3 −0.729 2 Mass-based 0.088 4 0.081 9 −10% 0.088 4 0.081 9 0.003 1 0.735 1 基于资源尾数 $ F $ 1.604 7 1.487 2 +10% 1.764 7 1.635 5 0.997 0 0.191 8 Number-based 1.604 7 1.487 2 −10% 1.444 7 1.338 9 0.997 0 1.656 1 基于资源质量 0.088 4 0.081 9 +10% 0.081 1 0.075 1 −0.827 6 −1.507 9 Mass-based 0.088 4 0.081 9 −10% 0.097 1 0.090 1 −0.981 8 −0.192 1 注：NA表示缺失值。 Note: NA indicates missing values.
下载: 导出CSV
表 4 模型参数的后验分布
Table 4 Posterior distribution of model parameters
参数
Parameter模型
Model95%置信区间
95% confidence interval均值
Mean标准差
SD潜在尺度缩减因子
Psrf下限 Lower 上限 Uppe $ M $ LCA 0.264 13 0.392 13 0.328 93 0.032 697 1.000 1 B-LCA 0.265 26 0.394 98 0.328 75 0.033 046 1.000 0 $ F $ LCA 1.018 6 1.520 7 1.270 8 0.128 04 1.000 1 B-LCA 1.018 1 1.516 5 1.270 5 0.127 10 1.000 2 $ K $ LCA 0.292 02 0.432 27 0.360 04 0.035 822 1.000 0 B-LCA 0.288 91 0.430 53 0.360 27 0.036 064 1.000 2 $ {L}_{\infty } $ LCA 290.67 429.86 360.24 35.853 1.000 1 B-LCA 288.41 429.55 360.52 36.011 1.000 1 $ b $ LCA 2.504 2 3.729 1 3.110 8 0.311 77 1.000 1 B-LCA 2.505 1 3.722 3 3.111 2 0.310 42 1.000 0 $ a $ LCA 1.99×10−6 2.96×10−6 2.47×10−6 2.47×10−7 1.000 2 B-LCA 1.98×10−6 2.94×10−6 2.47×10−6 2.48×10−7 0.999 99
下载: 导出CSV
表 5 秋刀鱼平均资源质量、捕捞死亡系数及最大持续产量
Table 5 Average resource mass, fishing mortality coefficient and maximum sustainable yield of Pacific saury
年份
Year总产量
Wtc/104 tLCA B-LCA F W/104 t W/104 t F W/104 t WMSY/104 t 2014 63.02 0.422 6 171.51 59.72 0.427 5 126.25 52.26 2015 35.89 0.459 8 86.51 32.17 0.466 4 61.81 28.11 2016 36.17 0.458 7 86.35 32.29 0.462 5 61.68 28.22 2017 26.26 0.667 5 65.93 23.97 0.687 8 47.88 21.00 2018 43.59 0.637 6 113.86 40.52 0.658 1 83.29 35.49 均值 Mean 40.99 0.529 2 104.83 37.73 0.540 5 76.18 33.02
下载: 导出CSV
-
[1] IWAHASHI M, ISODA Y, ITO S I, et al. Estimation of seasonal spawning ground locations and ambient sea surface temperatures for eggs and larvae of Pacific saury (Cololabis saira) in the western North Pacific[J]. Fish Oceanogr, 2006, 15(2): 125-138. doi: 10.1111/j.1365-2419.2005.00384.x
[2] 王茜, 崔雪森. 国际渔业动态[J]. 渔业信息与战略, 2020, 35(4): 327-332. [3] 史登福, 张魁, 陈作志. 基于生活史特征的数据有限条件下渔业资源评估方法比较[J]. 中国水产科学, 2020, 27(1): 12-24. [4] COSTELLO C, OVANDO D, HILBORN R, et al. Status and solutions for the world's unassessed fisheries[J]. Science, 2012, 338(6106): 517-520. doi: 10.1126/science.1223389
[5] HORDYK A, ONO K, VALENCIA S, et al. A novel length-based empirical estimation method of spawning potential ratio (SPR), and tests of its performance, for small-scale, data-poor fisheries[J]. ICES J Mar Sci, 2015, 72(1): 217-231. doi: 10.1093/icesjms/fsu004
[6] RUDD M B, THORSON J T. Accounting for variable recruitment and fishing mortality in length-based stock assessments for data-limited fisheries[J]. Can J Fish Aquat Sci, 2018, 75(7): 1019-1035. doi: 10.1139/cjfas-2017-0143
[7] WANG J T, YU W, CHEN X J, et al. Stock assessment for the western winter-spring cohort of neon flying squid (Ommastrephes bartramii) using environmentally dependent surplus production models[J]. Sci Mar, 2016, 80(1): 69-78.
[8] TRUESDELL S B, BENCE J R, SYSLO J M, et al. Estimating multinomial effective sample size in catch-at-age and catch-at-size models[J]. Fish Res, 2017, 192: 66-83. doi: 10.1016/j.fishres.2016.11.003
[9] JONES R. Assessing the long-term effects of changes in fishing effort and mesh size from length composition data[J]. ICES J Mar Sci, 1974, 33: 1-13.
[10] 詹秉义. 渔业资源评估[M]. 北京: 中国农业出版, 1995: 312-314. [11] 周永东, 徐汉祥. 应用体长股分析法估算东海海鳗资源量[J]. 浙江海洋学院学报(自然科学版), 2007, 26(4): 399-403. [12] 周永东, 张洪亮, 徐汉祥, 等. 应用体长股分析法估算东海区日本鲭资源量[J]. 浙江海洋学院学报(自然科学版), 2011, 30(2): 91-94. [13] 吴斌, 方春林, 贺刚, 等. 运用体长股法初步估算湖口江段短颌鲚资源量[J]. 湖北农业科学, 2014, 53(16): 3866-3869. [14] ZHANG C I, SULLIVAN P J. Biomass-based cohort analysis that incorporates growth[J]. Trans Am Fish Soc, 1988, 117(2): 180-189. doi: 10.1577/1548-8659(1988)117<0180:BBCATI>2.3.CO;2
[15] ZHANG C I, MEGREY B A. A simple biomass-based length-cohort analysis for estimating biomass and fishing mortality[J]. Trans Am Fish Soc, 2010, 139(3): 911-924. doi: 10.1577/T09-041.1
[16] 朱清澄, 花传祥. 西北太平洋秋刀鱼渔业[M]. 北京: 海洋出版社, 2017: 1-2. [17] TAMURA T, FUJISE Y. Geographical and seasonal changes of the prey species of minke whale in the Northwestern Pacific[J]. ICES J Mar Sci, 2002, 59(3): 516-528. doi: 10.1006/jmsc.2002.1199
[18] SHIMIZU Y, TAKAHASHI K, ITO S I, et al. Transport of subarctic large copepods from the Oyashio area to the mixed water region by the coastal Oyashio intrusion[J]. Fish Oceanogr, 2009, 18(5): 312-327. doi: 10.1111/j.1365-2419.2009.00513.x
[19] SMITH A D, BROWN C J, BULMAN C M, et al. Impacts of fishing low-trophic level species on marine ecosystems[J]. Science, 2011, 333(6046): 1147-1150. doi: 10.1126/science.1209395
[20] PIKITCH E K, ROUNTOS K J, ESSINGTON T E, et al. The global contribution of forage fish to marine fisheries and ecosystems[J]. Fish Fish, 2014, 15(1): 43-64. doi: 10.1111/faf.12004
[21] North Pacific Fisheries Commission. 7th Meeting Report[R]. Tokyo: NPFC, 2022.
[22] NAKAYA M, MORIOKA T, FUKUNAGA K, et al. Growth and maturation of Pacific saury Cololabis saira under laboratory conditions[J]. Fish Sci, 2010, 76: 45-53. doi: 10.1007/s12562-009-0179-9
[23] BAITALIUK A, ORLOV A, ERMAKOV Y K. Characteristic features of ecology of the Pacific saury Cololabis saira (Scomberesocidae, Beloniformes) in open waters and in the northeast Pacific Ocean[J]. J Ichthyol, 2013, 53(11): 899-913. doi: 10.1134/S0032945213110027
[24] 朱清澄, 杨明树, 高玉珍, 等. 西北太平洋秋刀鱼耳石生长与性成熟度、个体大小的关系[J]. 上海海洋大学学报, 2017, 26(2): 263-270. [25] KIMURA N, OKADA Y, MAHAPATRA K. Relationship between saury fishing ground and sea surface oceanographic features determined from satellite data along the northeastern coast of Japan[J]. J Mar Sci Technol, 2004, 2(2): 1-12.
[26] 张孝民, 石永闯, 李凡, 等. 基于MAXENT模型预测西北太平洋秋刀鱼潜在渔场[J]. 上海海洋大学学报, 2020, 29(2): 280-286. [27] 张培超, 张孝民, 陈丙见, 等. 北太平洋秋刀鱼渔场与水温垂直结构的关系[J]. 河北渔业, 2022(6): 35-39, 44. [28] 谢斌, 汪金涛, 陈新军, 等. 西北太平洋秋刀鱼资源丰度预报模型构建比较[J]. 广东海洋大学学报, 2015, 35(6): 58-63. [29] 朱文涛, 陈新军, 汪金涛, 等. 基于灰色系统的西北太平洋秋刀鱼资源丰度预测[J]. 广东海洋大学学报, 2018, 38(6): 13-17. [30] 孟令文, 朱清澄, 花传祥, 等. 栖息地指数模型在北太公海秋刀鱼渔情预报中的应用[J]. 海洋湖沼通报, 2018(6): 142-149. doi: 10.13984/j.cnki.cn37-1141.2018.06.019 [31] 许巍, 朱清澄, 张先存, 等. 西北太平洋秋刀鱼舷提网捕捞技术[J]. 齐鲁渔业, 2005, 22(10): 43-45. [32] 石永闯, 朱清澄, 张衍栋, 等. 基于模型试验的秋刀鱼舷提网纲索张力性能研究[J]. 中国水产科学, 2016, 23(3): 704-712. [33] PAULY D. On the interrelationships between natural mortality, growth parameters, and mean environmental temperature in 175 fish stocks[J]. ICES J Mar Sci, 1980, 39(2): 175-192. doi: 10.1093/icesjms/39.2.175
[34] ALLEN M S, WALTERS C J, MYERS R. Temporal trends in largemouth bass mortality, with fishery implications[J]. N Am J Fish Manag, 2008, 28(2): 418-427. doi: 10.1577/M06-264.1
[35] HUGHES S E. Stock composition, growth, mortality, and availability of Pacific saury, Cololabis saira, of the northeastern Pacific Ocean[J]. Fish Bull, 1974, 72(1): 121-131.
[36] GUPTA H V, KLING H, YILMAZ K K, et al. Decomposition of the mean squared error and NSE performance criteria: implications for improving hydrological modelling[J]. J Hydrol, 2009, 377(1/2): 80-91.
[37] MORIASI D N, GITAU M W, PAI N, et al. Hydrologic and water quality models: performance measures and evaluation criteria[J]. Transactions of ASABE, 2015, 58(6): 1763-1785. doi: 10.13031/trans.58.10715
[38] SUN X, NEWHAM L T, CROKE B F, et al. Three complementary methods for sensitivity analysis of a water quality model[J]. Environ Model Softw, 2012, 37: 19-29. doi: 10.1016/j.envsoft.2012.04.010
[39] PLUMMER M, BEST N, COWLES K, et al. CODA: convergence diagnosis and output analysis for MCMC[J]. R News, 2006, 6(1): 7-11.
[40] 官文江, 吴佳文, 曹友华. 利用后向预报方法分析印度洋黄鳍金枪鱼资源评估模型[J]. 中国海洋大学学报 (自然科学版), 2020, 50(2): 52-59. [41] KIM T K. T Test as a parametric statistic[J]. Korean J Anesthesiol, 2015, 68(6): 540-546. doi: 10.4097/kjae.2015.68.6.540
[42] RIVARD D. Effects of systematic, analytical, and sampling errors on catch estimates: a sensitivity analysis[J]. Can Spec Publ J Fish Aquat Sci, 1983, 66: 114-129.
[43] LAI H L, GALLUCCI V F. Effects of parameter variability on length-cohort analysis[J]. ICES J Mar Sci, 1988, 45(1): 82-92. doi: 10.1093/icesjms/45.1.82
[44] 李忠炉, 金显仕, 单秀娟, 等. 小黄鱼体长-体质量关系和肥满度的年际变化[J]. 中国水产科学, 2011, 18(3): 602-610. [45] 吴斌, 方春林, 贺刚, 等. FiSAT II 软件支持下的体长股分析法探讨[J]. 南方水产科学, 2013, 9(4): 94-98. [46] HOLLOWED A B, IANELLI J N, LIVINGSTON P A. Including predation mortality in stock assessments: a case study for Gulf of Alaska walleye pollock[J]. ICES J Mar Sci, 2000, 57(2): 279-293. doi: 10.1006/jmsc.1999.0637
-
期刊类型引用(7)
1. 孙伟恒，孙志宾，王新安，马爱军，李迎娣，苟冬惠，于宏，李昊喆，Vorathep Muthuwan，曲江波，洪宜展. 眼斑双锯鱼(Amphiprion ocellaris)发育中体色花纹时序发生的色素细胞变化和控制基因表达的分析 Ⅰ.胚胎时期. 海洋与湖沼. 2024(02): 489-498 . 
百度学术
2. 孙志宾，孙伟恒，王新安，马爱军，黄智慧，李迎娣，苟冬惠，于宏，闫鹏飞，田蜜，Vorathep Muthuwan，曲江波，洪宜展. 眼斑双锯鱼(Amphiprion ocellaris)发育中体色花纹时序发生的色素细胞变化和控制基因表达的分析Ⅱ.仔稚幼鱼时期. 海洋与湖沼. 2024(03): 756-764 . 百度学术
3. 郭珺，陈小玉，史秀兰，罗明坤，林凯，董在杰. 不同体色锦鲤自交及红白♀×福瑞鲤2号♂杂交子代的生长与形态分析. 水产养殖. 2024(08): 1-6 . 百度学术
4. 李潇轩，郑端端，罗明坤，杨志强，郭珺，王兰梅，董在杰. 不同体色锦鲤和“福瑞鲤2号”mtDNA D-loop序列遗传变异分析. 上海海洋大学学报. 2023(02): 266-274 . 百度学术
5. 刘明哲，姚金明，赵静，夏长革，牛小天，王桂芹. 虾青素对大鳞副泥鳅生长、饲料利用、体色及相关基因表达的影响. 吉林农业大学学报. 2022(02): 228-235 . 百度学术
6. 傅建军，朱文彬，罗文韬，王兰梅，罗明坤，董在杰. 不同体色鲤的生长、酪氨酸酶活性、黑色素含量及基因表达比较. 中国水产科学. 2021(08): 939-947 . 百度学术
7. 孟超，徐皓，黄超，李明明，宫晓婷，田光辉，孙钰，李宇飞，李慧，苏延友. 鱼类体色相关功能基因的研究进展. 湖南文理学院学报(自然科学版). 2020(03): 30-35 . 百度学术
其他类型引用(6)
计量
- 文章访问数: 0
- HTML全文浏览量: 0
- PDF下载量: 0
- 被引次数: 13
粤公网安备 44010502001741号
