Length-based assessment of Nemipterus bathybius in northern South China Sea
-
摘要:
深水金线鱼 (Nemipterus bathybius) 是南海北部重要的底层经济鱼类,但近年来其资源呈现过度开发的态势。利用2014—2019年在南海北部底拖网调查中采集的3 059尾深水金线鱼生物学数据,使用基于长度的贝叶斯生物量评估 (Length-based Bayesian biomass estimation method, LBB) 和基于长度的繁殖潜力比(Length-based spawning potential ratio, LBSPR) 2种数据缺乏条件下的资源评估模型,对其资源状况进行了评估,为其种群科学管理和可持续利用提供技术支撑。结果表明,2014—2019年南海北部深水金线鱼的渐近体长 (Linf)、相对自然死亡率 (M/K) 和50%性成熟体长 (L50) 分别为23.7 cm、2.33和11.76 cm。LBB模型评估结果显示,其种群资源量水平 (B/BMSY)、50%渔获长度与最适可捕长度的比值 (Lc/Lc_opt) 分别为0.89、0.85,表明深水金线鱼处于轻度过度开发状态和生长型过度捕捞状态。LBSPR模型评估结果显示繁殖潜力比 (SPR) 为0.19,说明深水金线鱼正处于过度捕捞状态。通过先验参数的不确定性分析,发现LBB和LBSPR对参数Linf的设置极为敏感,对参数M/K的设置比较敏感,因此在使用LBB和LBSPR模型进行评估时应谨慎设置以上2种参数。
Abstract:Yellowbelly threadfin bream (Nemipterus bathybius), an economically important demersal fish species in the northern South China Sea, has been overexploited in recent years. To provide technical support for the scientific management and sustainable utilization of N. bathybius stocks, based on the biological data of 3 059 individuals of N. bathybius collected during bottom trawl surveys in the northern South China Sea from 2014 to 2019, we assessed the stock status by using two assessment models [Length-based Bayesian biomass (LBB) and length-based spawning potential ratio (LBSPR)] under data-poor conditions. Results show that the asymptotic fork length (Linf), relative natural mortality (M/K), and 50% sexually mature body length (L50) of N. bathybius in the northern South China Sea from 2014 to 2019 were 23.7 cm, 2.33 and 11.76 cm, respectively. The LBB assessment results show that the relative biomass level (B/BMSY) and ratio of length of 50% of the individuals captured by the gear to optimal length-at-first-capture (Lc/Lc_opt) were 0.89 and 0.85, respectively, indicating that N. bathybius was experiencing moderate overfishing and growth overfishing. The LBSPR results show a spawning potential ratio (SPR) of 0.19, indicating that N. bathybius was experiencing overfishing. Uncertainty analysis of the priori parameters reveals that LBB and LBSPR results were extremely sensitive to the setting of Linf and sensitive to the setting of M/K. Therefore, the above two parameters should be set with caution when using LBB and LBSPR.
-
Keywords:
- Nemipterus bathybius /
- Stock assessment /
- Data-poor /
- Uncertainty /
- Biomass /
- Spawning potential ratio
-
物种共现(species co-occurrence)是对许多生态过程获得更好理解的基本模式,生态学家常通过分析两个或多个物种在一组空间位置中共同出现的频率,评估物种共现的正、负相关性和随机性。对物种共现模式的研究是许多生态研究的基本任务[1]。
传统生态位构建理论认为,物种在群落中的共现是以生态位分化为前提的,生态位相同的物种可能因竞争共同的资源而发生竞争排除,不能稳定共现[2],同科属的种类往往表现出较接近的生态位,受空间和食物资源的影响,在时间上出现明显的错位分布[3]。而中性理论认为,物种共现与生态位分化无关,物种在扩散限制的边界内随机聚合形成群落[4-5]。虽然生态位理论和中性理论在物种共现方面存在争议,但近年来更多的生态学家倾向于生态位理论和中性理论并非对立,将生态位理论和中性理论整合可以更好地理解群落构建的机理[6-7]。近年来的研究主要集中于环境筛选和生物相互作用在群落构建中的相对重要性。群落物种特征是群落构建的直接作用对象,所以生态学家通过构建群落零模型(null model)、数据随机化(data randomization)等方法来分析实际群落中物种的分布特征与随机过程导致的特征相似和离散性的异同[8-10]。但是这种用于产生随机化矩阵的方法受随机过程本身的影响往往会产生“一类”或“二类”错误,而概率模型不依赖于数据随机化过程,“一类”或“二类”错误的发生率相对较低[11-12]。
网络分析方法(networks theory)可以获得生物过程与生物群落构建之间的关系,利用网络的属性特点可以反映群落中物种之间的相互关系,并能够通过对物种联结节点赋予不同的权重反映物种之间相互作用的强度[13-14]。该理论已经广泛应用在不同层次的群落构建机制研究中,包括对基因和蛋白质相互作用、代谢路径、共现关系以及食物网的分析[13]。另外,共现网络(co-occurrence networks)也被应用在对不同生物群落的构建模式分析中,在网络中可以通过分析种间联结数量和权重识别群落结构中的核心物种[15-17]。
长江口是我国最大的河口,大量淡水和陆源物质注入为海洋鱼类和其他海洋生物提供了良好的生存环境。受河口冲淡水以及潮汐等多种环境因素的影响,长江口生态系统具有较大的时空变化,栖息环境的差异导致了鱼类群落组成的差异[18]。本研究以长江口鱼类群落为研究对象,使用概率模型和网络分析方法,1) 探讨鱼类群落的种间共现模式;2)分析在栖息环境具明显季节差异的河口水域,鱼类种间共现模式和群落聚集程度的变化;3) 识别群落中的核心物种。进而了解长江口鱼类群落构建和生物多样性维持的机制。
1. 材料与方法
1.1 采样方法
于2012—2014年每年的2月(冬季)、5月(春季)、8月(夏季)和11月(秋季),对长江口中华鲟自然保护区及附近海域渔业资源进行了定点采样调查,共15个站点(图1)。
调查船为沪崇渔1511号,渔具为双囊底拖网,网口宽6 m,网高2 m,网纲长6 m,囊网网目20 mm。根据GPS定位,当调查船到达站位后,放下拖网,以约2 km·h−1的航速拖曳30 min,随即收网并整理2个囊袋中的渔获物。当渔获物数量较少时,记录全部渔获物的种类、数量、质量、体长等统计量数据,渔获物数量较多时随机抽取一定比例的渔获物进行统计,最后换算成全部渔获物的数量,种类鉴定参考《长江口鱼类》[19]。
1.2 分析方法
随机共现表示2个物种之间的相对分布模式是随机的或独立的,并不表示每个物种的分布都是随机的;正关联的2个物种的分布在空间位置上重叠的可能性更高,负关联的2个物种相反。因此一对物种可能存在的潜在共现关系有3种,即随机、正关联和负关联。这种关联模式的存在可以间接的证明存在某些不确定的生态过程或影响因子导致了特定的种间共现模式[1]。本研究根据每个物种在不同月份和不同站点的渔获数据建立物种出现(1)—不出现(0)的关联矩阵,利用成对概率分析(pair-wise probabilistic analyses)方法验证物种共现的假设[12]。分析在R语言co-occur程序包中进行[20]。该方法可以获得每个种对共现关系的显著性(α>0.05),并能够识别显著聚集和显著分离的物种。
观察到的种对共现数据用于构建不同季节的种间共现网络,以观察到的鱼类共现关系为边(edges),以物种作为顶点(nodes)。种间共现网络的构建在R语言igraph程序包中进行[21]。分析物种权度(weighted degree)和中间中心性(betweenness centrality),以物种权度决定顶点大小。在共现网络中,将群落中与某一物种具有显著正关联的所有物种的种数作为该物种的权度;物种对群落内信息交换的控制能力作为物种的中间中心性,它是将通过节点的二进制最短路径除以2个节点之间的二进制路径的数量来计算的,中间中心性越大,物种对群落内信息交换的控制能力越强,对维持群落结构的稳定就越关键[22]。权重和中间中心性的估算都在R语言tnet程序包中进行[23]。利用局部聚类系数 (local clustering coefficients) 分析物种权重密度,聚类系数是当前与中心节点联结的节点之间的链接数量与可能的链接总数的比例。聚类系数较高的网络具有较强的内聚性[24]。同时使用igraph程序包中的intersection.by.name代码分析每个季节的共现关系都是正相关的种对[21]。
采用相对重要性指数(relative importance index,IRI)作为鱼类优势度的指标:
$${\rm{IRI}} = \left( {N + W} \right) \times F$$ 式中N为某种鱼类占捕获鱼类个体总数的百分比(%),W为某种鱼类占捕获鱼类总质量的百分比(%),F为某种鱼类在调查中的出现频率(%)。IRI值大于1 000时为优势种,50~1 000为常见种,其余为偶见种,优势种和常见种为长江口的主要经济鱼类[18]。
所有分析均在R 3.4.3中进行。
2. 结果
调查共发现鱼类38种,属11目18科(表1)。以鲈形目最多(16种),其中虾虎鱼科最多(9种),其次是鲱形目和鲽形目各有4种。优势种和常见种共11种。
表 1 长江口鱼类组成 (2012—2014年)Table 1. Fish species composition in Yangtze River estuary (2012−2014)目
Order科
Family种
Species频次
frequency相对重要性指数
IRI鲱形目 Clupeiformes 鳀科 赤鼻棱鳀 Thrissa kammalensis 3 0.62 黄鲫 Setipinna taty 2 0.07 刀鲚 Coilia nasus 56 128.20 凤鲚 Coilia mystus 34 73.15 鲑形目 Salmoniformes 银鱼科 大银鱼 Protosalanx hyalocranius 4 0.18 灯笼鱼目 Myctophiformes 狗母鱼科 龙头鱼 Harpodon nehereus 24 77.77 鳗鲡目 Anguilliformes 海鳗科 海鳗 Muraensox cinereus 3 0.41 鲤形目 Cypriniformes 鲤科 贝氏䱗 Hemiculter bleekeri 3 0.27 长蛇 Saurogobio dumerili 3 0.21 鲇形目 Siluriformes 鲿科 光泽黄颡鱼 Pelteobagrus nitidus 31 58.81 长吻 Leiocassis longirostris 4 0.48 鲻形目 Mugiliformes 鲻科 鲻 Mugil cephalus 2 0.13 鮻 Liza haematocheila 5 0.32 鲈形目 Perciformes 马鲅科 多鳞四指马鲅 Eleutheronema rhadinum 5 0.35 鮨科 中国花鲈 Lateolabrax maculatus 6 1.23 石首鱼科 黄姑鱼 Nibea albifora 16 30.26 白姑鱼 Argyrosomus argentatus 30 47.78 鮸 Miichthys miiuy 8 3.12 棘头梅童鱼 Collichthys lucidus 48 1 340.92 虾虎鱼科 髭缟虾虎鱼 Triaenopogon barbatus 11 7.10 纹缟虾虎鱼 Tridentiger trigonocephalus 1 0.04 波氏吻虾虎鱼 Ctenogobius cliffordpopei 1 0.01 狼牙鳗虾虎鱼 Taenioides anguillaris 54 185.98 拉氏狼牙虾虎鱼 Odontamblyopus lacepedii 5 1.81 睛尾蝌蚪虾虎鱼 Lophiogobius ocellicauda 53 262.44 矛尾虾虎鱼 Chaeturichthys stigmatias 31 198.59 斑尾刺虾虎鱼 Synechogobius ommaturus 11 6.72 孔虾虎鱼 Trypauchen vagina 38 120.72 鲳科 银鲳 Pampus argenteus 8 1.50 䲗科 香斜棘䲗 Repomucenus olidus 2 0.04 鲉形目 Scorpaeniformes 鲂鮄科 小眼绿鳍鱼 Chelidonichthys spinosus 1 0.88 鲬科 鲬 Platycephalus indicus 1 0.01 鲽形目 Pleuronectiformes 舌鳎科 日本须鳎 Paraplagusia japonica 1 0.03 短吻红舌鳎 Cynoglossus joyneri 23 109.89 窄体舌鳎 Cynoglossus gracilis 75 705.37 鳎科 带纹条鳎 Zebrias zebra 1 0.21 鲀形目 Tetraodontiformes 鲀科 暗纹东方鲀 Takifugu obscurus 1 0.02 黄鳍东方鲀 Takifugu xanthopterus 1 0.37 调查期间,38个物种703个种对中,有76个种对呈显著正关联,12个种对为显著负关联,大部分种对(615对,87.5%)为随机关联,且随机关联种对中587对(95.4%)与偶见种有关。与棘头梅童鱼(Collichthys lucidus)有显著正关联的鱼类有13种,与龙头鱼(Harpodon nehereus)、矛尾虾虎鱼(Chaeturichthys stigmatias)和孔虾虎鱼(Trypauchen vagina)正关联的鱼类各有9种;负关联种对中涉及鱼种最多的是光泽黄颡鱼(Pelteobagrus nitidus),共有9对。主要经济鱼类(11种)中正关联种对19对(34.5%),负关联种对8对(14.5%)。同科种对有52对,其中正关联种对11个,负关联种对2个,分别是矛尾虾虎鱼和斑尾刺虾虎鱼 (Synechogobius ommaturus),短吻红舌鳎(Cynoglossus joyneri)和窄体舌鳎 (C. gracilis),其余种对为随机关联(表2,图2)。
表 2 长江口鱼类共现模式呈正相关、负相关和随机性的种对数量Table 2. Number of pairs of fish species with positive, negative and random co-occurrence patterns in Yangtze River estuary月份
month物种数
number of species共现模式
pattern of co-occurrence正相关
positive负相关
negative随机
random2月 Feb. 18 3 3 147 5月 May 24 11 4 261 8月 Aug. 27 51 4 296 11月 Nov. 27 26 6 319 总体 total 38 76 12 615 鱼类共现模式存在季节差异。随机关联的种对占绝对优势。8月正关联种对最多,其次是11月,2月最少;负关联种对不论是各个季节还是总体,均占比很小 (表2,图3)。共现网络中物种权度和边线数量以8月最为复杂,2月最简单(图4)。
物种权度的季节变化较大。平均物种权度最高的是8月,其次是11月,最低的是2月(图4,图5)。2月物种权度最高的为髭缟虾虎鱼(Triaenopogon barbatus) (2);5月除了棘头梅童鱼(4)和矛尾虾虎鱼(4)之外,其他种类都小于4;8月物种权度大于5的种类有8种,其中龙头鱼11,棘头梅童鱼10,短吻红舌鳎、鮸鱼(Miichthys miiuy)和髭缟虾虎鱼均为9,矛尾虾虎鱼8,多鳞四指马鲅(Eleutheronema rhadinum) 和孔虾虎鱼为7;11月物种权度除了棘头梅童鱼(5)和龙头鱼(3)之外,其余种类均≤3。
与物种权度相似,物种的中间中心性也存在季节差异。2月最高的为髭缟虾虎鱼(1.00);5月最高的为棘头梅童鱼(4.50);8月最高的为龙头鱼(23.26),其余种类超过5的有棘头梅童鱼(18.87)、髭缟虾虎鱼(18.66)、睛尾蝌蚪虾虎鱼(Lophiogobius ocellicauda,18.46)、短吻红舌鳎(17.01)、矛尾虾虎鱼(16.48)、鮸鱼(13.17)和孔虾虎鱼(7.73);11月最高也为棘头梅童鱼(13.17),其余超过5的有龙头鱼(6.33)、白姑鱼(Argyrosomus argentatus,6.00)和凤鲚(Coilia mystus,6.00)。
调查期间长江口发现的鱼类虽然有38种,但不存在每个季节都显著正关联的物种。在3个季节(5月、8月和11月)均正关联的有3个种对,分别为矛尾虾虎鱼与短吻红舌鳎、矛尾虾虎鱼与棘头梅童鱼以及棘头梅童鱼与白姑鱼。
3. 讨论
传统的河口鱼类群落结构研究多采用多元统计分析(包括聚类分析、多维标度排序、主成分分析、对应分析、冗余分析和典范对应分析等)描述变量间的相关关系,以及环境变量对各个物种的影响,这类研究一般不包括物种间的相互作用[25]。本研究利用成对概率模型和网络分析方法分析鱼类种间共现关系,对了解生物时空分布规律和评估种间作用关系具有重要意义。
3.1 长江口鱼类共现模式
部分研究认为鱼类共现主要是物种在生物和环境因素作用下的非随机关联[26-27],环境因素的作用要大于生物间相互作用[28-29]。本研究证实长江口鱼类群落模式主要是物种的随机共现[16-17]。94.5%的随机共现种对涉及偶见种,表明这种随机共现模式受偶见种影响较大。主要经济鱼类中49%的种间非随机共现模式,说明长江口主要经济鱼类在某些不确定因素的影响下形成了较为稳定的种间共现模式。
一般在环境因子变化较大的环境中,相似性较高的物种表现出相似的生态位,往往是生境过滤共现机制占据主要地位[30]。也有研究认为同科或同属鱼类在时间上出现明显的错位分布,因为生态位接近,时间错位分布可以减少对空间和食物资源的竞争,因而竞争排斥对群落的影响超过环境过滤[3]。但长江口鱼类同科种对仍然以随机共现模式为主。长江口水温、盐度等环境因素的空间梯度较大,对鱼类的环境过滤作用较高,且资源(如小型浮游动物等饵料生物)分布密度较大[18]。以上分析一定程度上说明在调查期间种间对空间和食物资源的竞争对长江口鱼类共现模式的影响较小,环境因子季节变化驱动的随机因素可能是导致长江口鱼类随机共现模式的主要原因,种间共现的正关联性则能够说明物种间对环境需求的相似性[9]。
对环境因子需求的相异性、躲避捕食者或种间对空间或饵料竞争等因素都有可能导致种间共现负关联[11]。光泽黄颡鱼是长江口常见的淡水鱼类,物种出现矩阵显示,光泽黄颡鱼在调查期间的各月均有出现,但光泽黄颡鱼与和其呈负关联的种类(如棘头梅童鱼、龙头鱼和矛尾虾虎鱼等)相比有明显的栖息地选择性差异[18]。鉴于负关联种对间的这种差异以及不明显的捕食关系[31],本研究认为环境过滤可能是导致种间负关联的主要因素。
3.2 共现模式的季节差异
种间共现模式的季节差异反映了鱼类群落构建季节变动的动力机制[1]。长江口鱼类空间共现模式的季节变化,反映了其鱼类群落组成明显的季节差异。季节性水文变化、自然资源变动可能导致种间共现模式的变化[11]。如夏秋季节长江栖息环境更适合鱼类索饵育肥,其物种丰度、生物多样性要高于其他季节[32-33],相应的8月和11月的鱼类共现网络复杂程度和群落聚集程度都较高,2月和5月则相对较低。高权度和高中间中心性物种的季节更替进一步证明长江口鱼类群落较大的季节波动,这种更替一定程度上影响了种间共现的随机性[3]。溯河洄游鱼类和海洋洄游鱼类分别在不同时空尺度上的优势导致了长江口鱼类群落出现明显的时空差异[18],本研究发现这种更替主要与海洋洄游和河口定居型鱼类有关(如2月的髭缟虾虎鱼,5月的棘头梅童鱼和矛尾虾虎鱼,8月的龙头鱼、棘头梅童鱼和髭缟虾虎鱼以及11月的棘头梅童鱼、龙头鱼和白姑鱼等),说明海洋洄游鱼类和河口定居型鱼类在长江口鱼类共现网络中占主导地位,在生物多样性维持中发挥重要作用。
3.3 长江口鱼类核心物种
在维护群落结构稳定性中,核心物种起着决定作用。控制模拟实验法、物种相互作用相对重要性法、群落重要性指数法、网络分析法和Ecopath with Ecosim模型法是常见的核心种识别方法[15]。本研究以种间共现关系为基础构建鱼类种间关系网,确定了棘头梅童鱼、矛尾虾虎鱼为长江口鱼类核心物种,其中棘头梅童鱼具有较高的IRI和中间中心性,说明其对群落内信息交换的控制能力较强,对维持长江口鱼类群落结构的稳定起关键作用。
3.4 生物多样性保护策略
由于长江口鱼类群落受环境过滤影响较大,并且长江口又是棘头梅童鱼、刀鲚、凤鲚等重要经济鱼类的产卵场和育肥场,季节性洄游鱼类变化对长江口鱼类生物多样性有较大影响。因此为保护长江口鱼类生物多样性,除了采取合理措施保护长江口生态环境(如减少污染物排放,建立海洋牧场以修复河口底栖生态环境、保护底栖生物等)外,还应采取措施降低邻近海域的捕捞强度、实施经济种类的增殖放流、保持长江口与邻近海域的连通性及种群密度。
-
图 4 南海北部深水金线鱼基于LBB方法的分析结果
注:左图为模型对体长数据的拟合曲线,右图为LBB方法的预测;Lc是50%个体被渔具捕获的体长;Lopt为未开发种群获得最大生物量的捕捞体长。
Figure 4. Estimated values for N. bathybius in northern South China Sea by length-based Bayesian biomass assessment model
Note: The left figure shows the fits of the model to length data, and the right figure shows the predictions of the LBB analysis; Lc. Length of 50% of the individuals captured by the gear; Lopt. Fishing body length for obtaining maximum biomass in undeveloped populations.
图 5 南海北部深水金线鱼基于LBSPR方法的分析结果
注:a. 长度-频率分布(柱状图),预测的种群大小组成(折线图);b. LBSPR模型拟合的性成熟和选择性曲线,其中L50=11.76 cm和L95=12.94 cm时;c. 选择性参数($S_{L_{50}}$和 $S_{L_{95}} $)、捕捞死亡率与自然死亡率的比值(F/M)和繁殖潜力比的估计值;d. 在目标SPR=0.4时,观测到的长度-频率数据与预期的大小组成。
Figure 5. Length-based spawning potential ratio for N. bathybius in northern South China Sea
Note: a. Length-frequency distribution (Pillars), and predicted fished size composition (Line chart); b. Maturity and selectivity curves from the fitted LBSPR model when L50 was 11.76 cm and L95 was 12.94 cm; c. Distribution of mean selectivity parameters ($S_{L_{50}} $ and $S_{L_{95}} $), fishing mortality to natural mortality (F/M), and spawning potential ratio; d. Observed length-frequency data against an expected size composition at a target SPR of 0.4.
表 1 南海北部深水金线鱼的样品信息
Table 1 Sample information of N. bathybius in northern South China Sea
年份
Year月份
Month样本数
Sampling
number体长 Body length/mm 范围
Range均值±标准差
Mean±Standard
deviation2014 7 293 93~193 121.2±16.3 10 225 77~184 119.9±21.6 2015 1 120 73~172 121.8±18.7 4 330 75~189 111.4±19.2 2016 7 304 84~200 121.8±19.4 10 78 74~178 122.1±23.8 2017 1 71 72~176 109.3±18.7 4 197 72~158 115.0±15.3 2018 3 220 75~176 113.8±19.0 8 87 78~182 126.0±24.2 2019 3 524 73~176 106.6±16.8 9 610 65~192 117.3±19.0 表 2 LBB和LBSPR方法所需数据目录
Table 2 Data for LBB and LBSPR methods
参数
Parameter估算值
Estimated value基于长度的繁殖潜力比模型
Length-based spawning potential ratio
(LBSPR) assessment model基于长度的贝叶斯估计模型
Length-based Bayesian biomass
(LBB) assessment model长度-频率数据
Length–frequency data/ √ √ 渐近体长 (Linf)
Asymptotic length/cm23.7 cm √ 〇 生长系数 (K)
Growth coefficient0.326 〇 自然死亡率 (M)
Natural mortality0.762 〇 相对自然死亡率M/K 2.33 √ 〇 50%性成熟体长 (L50)
Body length at 50% sexual maturity/cm11.76 √ 〇 95%性成熟体长 (L95)
Body length at 95% sexual maturity/cm12.94 √ 渐近体长的变异系数
Coefficient of variation of Linf0.1 √ 长度-体质量关系参数 (a)
Length-body mass relationship parameter6.854 0×10−5 〇 长度-体质量关系参数 (b)
Length-body mass relationship parameter2.797 4 〇 注:“√” 代表必需数据;“〇”代表可选数据。 Note: "√" represents required data; "〇" represents optional data. 表 3 LBB和LBSPR在不同先验参数下的评估结果
Table 3 Estimated results of LBB and LBSPR parameters with different priors
组号
Group No.先验参数
Prior parameterLBSPR结果
Results of LBSPRLBB结果
Results of LBBLinf/mm L50/mm M/K F/M SPR B/BMSY F/M Lc/Lc_opt 1 237 117.6 2.33 1.71 0.19 0.89 1.00 0.85 2 232 1.73 0.20 0.99 0.90 0.87 3 234 1.76 0.20 0.94 0.97 0.86 4 236 1.71 0.19 0.90 1.00 0.85 5 238 1.84 0.18 0.87 1.10 0.84 6 240 1.73 0.19 0.84 1.10 0.83 7 242 1.94 0.17 0.81 1.10 0.82 8 237 112.6 2.33 1.71 0.21 0.89 1.00 0.85 9 114.6 1.71 0.21 0.89 1.00 0.85 10 116.6 1.71 0.20 0.89 1.00 0.85 11 118.6 1.71 0.19 0.89 1.00 0.85 12 120.6 1.71 0.18 0.89 1.00 0.85 13 122.6 1.71 0.17 0.89 1.00 0.85 14 237 117.6 2.28 1.77 0.19 0.84 1.10 0.83 15 2.30 1.75 0.19 0.87 1.00 0.84 16 2.32 1.73 0.19 0.87 1.00 0.84 17 2.34 1.70 0.20 0.89 1.00 0.84 18 2.36 1.68 0.20 0.92 1.00 0.86 19 2.38 1.66 0.20 0.92 0.99 0.86 表 4 不同时期深水金线鱼种群参数
Table 4 Population parameters of N. bathybius in different periods
参数
Parameter年份 Year 1992 1997 2009 2017 渐近体长 Asymptotic length (Linf)/mm 242 220 235 237 生长系数Growth coefficient (K) 0.39 0.45 0.48 0.326 50%性成熟体长Body length at 50% sexual maturity (L50)/mm 128.6 116.5 110.5 117.6 -
[1] 陈再超, 刘继兴. 南海经济鱼类[M]. 广州: 广东科学与技术出版社, 1982: 184-188. [2] 宁平. 中国金线鱼科鱼类分类、系统发育及动物地理学研究 [D]. 青岛: 中国科学院海洋研究所, 2012: 25-28. [3] 王雪辉, 邱永松, 杜飞雁. 南海北部深水金线鱼生物学及最适开捕体长[J]. 应用生态学报, 2005(12): 2428-2434. doi: 10.3321/j.issn:1001-9332.2005.12.041 [4] 陈作志, 孔啸兰, 徐姗楠, 等. 北部湾深水金线鱼种群参数的动态变化[J]. 水产学报, 2012, 36(4): 584-591. [5] 崔奕波. 鱼类生物能量学的理论与方法[J]. 水生生物学报, 1989, 13(4): 15. doi: 10.3321/j.issn:1000-3207.1989.04.003 [6] 李忠炉, 卢伙胜, 甘喜萍, 等. 北部湾口海域深水金线鱼生长和死亡研究[J]. 水产科学, 2009, 28(10): 556-562. doi: 10.3969/j.issn.1003-1111.2009.10.002 [7] 陈作志, 林昭进, 邱永松. 基于AHP的南海海域渔业资源可持续利用评价[J]. 自然资源学报, 2010, 25(2): 249-257. doi: 10.11849/zrzyxb.2010.02.009 [8] 张魁, 廖宝超, 许友伟, 等. 基于渔业统计数据的南海区渔业资源可捕量评估[J]. 海洋学报, 2017, 39(8): 25-33. [9] ZHANG K, CAI Y C, LIAO B C, et al. Population dynamics of threadfin porgy Evynnis cardinalis, an endangered species on the IUCN red list in the Beibu Gulf, South China Sea[J]. J Fish Biol, 2020, 97(2): 479-489. doi: 10.1111/jfb.14398
[10] ZHANG K, GUO J Z, XU Y W, et al. Long-term variations in fish community structure under multiple stressors in a semi-closed marine ecosystem in the South China Sea[J]. Sci Total Environ, 2020, 745: 140892. doi: 10.1016/j.scitotenv.2020.140892
[11] ZHANG K, LI J J, HOU G, et al. Length-based assessment of fish stocks in a data-poor, jointly exploited (China and Vietnam) fishing ground, northern South China Sea[J]. Front Mar Sci, 2021, 8: 718052. doi: 10.3389/fmars.2021.718052
[12] 耿喆, 朱江峰, 夏萌, 等. 数据缺乏条件下的渔业资源评估方法研究进展[J]. 海洋湖沼通报, 2018, 164(5): 130-137. [13] 刘维达, 林昭进, 江艳娥, 等. 南海北部陆架区底层渔业资源的空间分布特征[J]. 热带海洋学报, 2011, 30(5): 95-103. doi: 10.3969/j.issn.1009-5470.2011.05.013 [14] MILDENBERGER T K, TAYLOR M H, WOLFF M. TropFishR: an R package for fisheries analysis with length-frequency data[J]. Methods Ecol Evol, 2017, 8(11): 1520-1527. doi: 10.1111/2041-210X.12791
[15] PAULY D. Some simple methods for the assessment of tropical fish stocks. FAO Fisheries Technical Paper No. 234[M]. Rome: FAO, 1983: 50-57.
[16] PAULY D, MUNRO J L. Once more on the comparison of growth in fish and invertebrates[J]. Fishbyte, 1984, 2(1): 1-21.
[17] 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
[18] THEN A Y, HOENIG J M, HALL N G, et al. Evaluating the predictive performance of empirical estimators of natural mortality rate using information on over 200 fish species[J]. ICES J Mar Sci, 2015, 72(1): 82-92. doi: 10.1093/icesjms/fsu136
[19] YU Y, ZHANG H R, JIN J B, et al. Trends of sea surface temperature and sea surface temperature fronts in the South China Sea during 2003–2017[J]. Acta Oceanol Sin, 2019, 38(4): 106-115. doi: 10.1007/s13131-019-1416-4
[20] VILA Y, SILVA L, TORRES M A, et al. Fishery, distribution pattern and biological aspects of the common European squid Loligo vulgaris in the Gulf of Cadiz[J]. Fish Res, 2010, 106(2): 222-228. doi: 10.1016/j.fishres.2010.06.007
[21] PRINCE J, VICTOR S, KLOULCHAD V, et al. Length based SPR assessment of eleven Indo-Pacific coral reef fish populations in Palau[J]. Fish Res, 2015, 171: 42-58. doi: 10.1016/j.fishres.2015.06.008
[22] PONS M, COPE J M, KELL L T. Comparing performance of catch-based and length-based stock assessment methods in data-limited fisheries[J]. Can J Fish Aquat Sci, 2020, 77(6): 1026-1037. doi: 10.1139/cjfas-2019-0276
[23] ZHANG K, ZHANG J, ZHANG P, et al. This is what we know: assessing the stock status of the data-poor skipjack tuna (Katsuwonus pelamis) fishery in the South China Sea[J]. Front Mar Sci, 2023, 10: 1095411. doi: 10.3389/fmars.2023.1095411
[24] PALOMARES M L D, FROESE R, DERRICK B, et al. A preliminary global assessment of the status of exploited marine fish and invertebrate populations[R]. Vancouver: The University of British Columbia, 2018: 14-32.
[25] FROESE R, WINKER H, CORO G, et al. A new approach for estimating stock status from length frequency data[J]. ICES J Mar Sci, 2019, 76(1): 350-351. doi: 10.1093/icesjms/fsy139
[26] 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, 2014, 72(1): 217-231.
[27] WALTERS C J , MARTELL S J D. Fisheries ecology and management[M]. Princeton: Princeton University Press, 2004: 155-157.
[28] ALAM M S, LIU Q, SCHNEIDER P, et al. Length-based stock assessment for the data-poor Bombay duck fishery from the Northern Bay of Bengal Coast, Bangladesh[J]. J Mar Sci Eng, 2022, 10(2): 213. doi: 10.3390/jmse10020213
[29] RICHARD K, OUSMANE S, FENG W, et al. Length-based assessment methods for the conservation of a pelagic shark, Carcharhinus falciformis from the Tropical Pacific Ocean[J]. Fish Basel, 2022, 7(4): 184.
[30] HORDYK A, ONO K, SAINSBURY K, et al. Some explorations of the life history ratios to describe length composition, spawning-per-recruit, and the spawning potential ratio[J]. ICES J Mar Sci, 2014, 72(1): 204-216.
[31] DOWLING N A, DICHMONT C M, HADDON M, et al. Empirical harvest strategies for data-poor fisheries: a review of the literature[J]. Fish Res, 2015, 171: 141-153. doi: 10.1016/j.fishres.2014.11.005
[32] 夏恒睿, 王琨, 董秀强, 等. 基于体长-繁殖潜力比方法的海州湾小黄鱼资源状态评估[J]. 中国海洋大学学报(自然科学版), 2022, 52(12): 25-32. [33] GULLAND J A. Fish stock assessment: a manual of basic method[M]. New York: Wiley, 1983: 87-125.
[34] XU Y W, ZHANG P, PANHWAR S K, et al. The initial assessment of an important pelagic fish, Mackerel scad, in the South China Sea using data-poor length-based methods[J]. Mar Coast Fish, 2023, 15(5): 10258. doi: 10.1002/mcf2.10258
[35] LIAO B C, XU Y W, SUN M S, et al. Performance comparison of three data-poor methods with various types of data on assessing southern Atlantic albacore fishery[J]. Front Mar Sci, 2022, 9: 825461. doi: 10.3389/fmars.2022.825461
[36] CONOVER D O, MUNCH S B. Sustaining fisheries yields over evolutionary time scales[J]. Science, 2002, 297(5578): 94-106. doi: 10.1126/science.1074085
[37] 耿平, 张魁, 陈作志, 等. 北部湾蓝圆鲹生物学特征及开发状态的年际变化[J]. 南方水产科学, 2018, 14(6): 1-9. doi: 10.12131/20180106 [38] 史登福, 张魁, 蔡研聪, 等. 南海北部带鱼群体结构及生长、死亡和性成熟参数估计[J]. 南方水产科学, 2020, 16(5): 51-59. doi: 10.12131/20200055 [39] HOMMIK K, FITZGERALD C J, KELLY F, et al. Dome-shaped selectivity in LB-SPR: length-based assessment of data-limited inland fish stocks sampled with gillnets[J]. Fish Res, 2020, 229: 105574. doi: 10.1016/j.fishres.2020.105574
[40] 王雪辉, 杜飞雁, 邱永松. 南海北部主要经济鱼类体长与体重关系[J]. 台湾海峡, 2006(2): 262-266. [41] 王雪辉, 邱永松, 杜飞雁, 等. 基于长度贝叶斯生物量法估算北部湾二长棘鲷种群参数[J]. 水产学报, 2020, 44(10): 1654-1662. [42] ZHANG K, ZHANG J, SHI D F, et al. Assessment of coral reef fish stocks from the Nansha Islands, South China Sea, using length-based Bayesian biomass estimation[J]. Front Mar Sci, 2021, 7: 610707. doi: 10.3389/fmars.2020.610707
-
期刊类型引用(3)
1. 石子玉,韩东燕,高春霞,陈锦辉,吴建辉,王学昉. 调查数据不确定性对崇明岛临近水域鱼类生物完整性指数结果的影响. 上海海洋大学学报. 2023(02): 357-368 . 百度学术
2. 高淑芳,张金鹏,施永海,袁新程,刘其根. 基于LC-MS技术的海、淡水养殖刀鲚卵巢的代谢组学比较分析. 南方水产科学. 2022(03): 68-75 . 本站查看
3. Shouhai LIU,Haijing ZHANG,Yanlong HE,Xiangsheng CHENG,Haofei ZHANG,Yutao QIN,Xi JI,Riguang HE,Yaohui CHEN. Interdecadal variability in ecosystem health of Changjiang(Yangtze) River estuary using estuarine biotic integrity index. Journal of Oceanology and Limnology. 2021(04): 1417-1429 . 必应学术
其他类型引用(5)