Spatio-temporal distribution of Thunnus albacares CPUE and its relationship with environmental factors in central Pacific Ocean
-
摘要:
中太平洋黄鳍金枪鱼(Thunnus albacares) 是中国金枪鱼延绳钓渔业的主要捕捞对象之一。为提高捕捞效率，促进资源可持续利用，利用2018—2022年中太平洋黄鳍金枪鱼延绳钓生产数据，结合不同水层的温度、叶绿素a浓度和海表盐度等环境因子，通过构建广义加性模型 (GAM) 和神级广义相加模型 (nodeGAM)，分析了太平洋中部黄鳍金枪鱼单位捕捞努力量渔获量 (Catch perunit of effort, CPUE) 时空分布及其与环境因子的关系。结果表明：中太平洋黄鳍金枪鱼的盛渔期在5—7月，CPUE主要分布在赤道以南，在5°S附近最盛。与GAM模型 (偏差解释率为29.4%，均方误差为0.149) 相比，nodeGAM模型的拟合优度显著提高，偏差解释率达49.4% (提升68.02%)，均方误差降至0.103 (降低30.87%)。2种模型均表明，表层温度≥27 °C、100 m水层温度15~20 °C、表层盐度34.2‰~35.2‰、叶绿素a质量浓度0.1~0.25 mg·m−3为黄鳍金枪鱼适宜的环境因子范围。与GAM模型相比，nodeGAM模型的拟合效果和解释能力更优，从模型输出的效应曲线来看，nodeGAM模型能更好地反映CPUE与环境因子间的非线性关系。
Abstract:Yellowfin tuna (Thunnus albacares) is one of the primary target species in China's tuna longline fishing industry. In order to improve fishing efficiency and promote sustainable use of resources, based on the longline production data of T. albacares in central Pacific Ocean from 2018 to 2022, combining with the environmental factors, such as temperature at different water layers, concentration of chlorophyll a, and salinity of sea surface (SSS), we analyzed the spatio-temporal distribution of the catch perunit of effort (CPUE) of T. albacares in that sea area and its relationship with environmental factors by constructing two models (GAM and nodeGAM). The results show that the peak season of T. albacares in the central Pacific Ocean was from May to July, and the CPUE was mainly distributed in the southern equatorial Pacific, with the highest tuna catches near 5°S. Compared with GAM [Bias explained rate 29.4%, Mean-square error (MSE) 0.149], the nodeGAM showed significantly better goodness-of-fit with a bias explained rate of 49.4% (68.02% enhancement), and the MSE reduced to 0.103 (Decrease of 30.87%). Both models indicate that T0 ≥27 °C, T100 of 15−20 °C, SSS of 34.2‰−35.2‰, and CHL-a concentration of 0.1−0.25 mg·m−3 were the suitable environmental ranges for T. albacares. Compared with GAM, nodeGAM has a better fitting effect and explanatory ability. According to the effect curves of the model output, nodeGAM can better reflect the nonlinear relationship between CPUE and environmental factors.
-
Keywords:
- Thunnus albacares /
- CPUE /
- Environmental factors /
- GAM /
- nodeGAM /
- Central Pacific Ocean
-
鱼类资源具有自我更新能力，捕捞并不是影响其资源变动的唯一原因。当气候和海洋环境发生剧烈变化时，鱼类资源丰度和空间分布也会随之变化[1]。全球变暖是当今主要环境问题之一，会引发高频率的极端天气、海水酸化和升温等海洋灾害现象[2]，进而影响许多中上层鱼类的分布和丰度[3-4]。联合国政府间气候变化委员会 (Intergovernmental Panel on Climate Change, IPCC) 的主要任务之一便是对适应和减缓气候变化的可能对策进行评估，且评估结果已被大量运用于科研工作[5]。因此，明确海洋鱼类资源时空分布对未来气候变化的响应机制，对该种类的可持续利用具有重要意义。
鲐鱼 (Scomber japonicus) 是大洋中上层鱼类，游泳能力强，每年进行长距离、大范围的产卵、索饵和季节性洄游，广泛分布于大西洋、印度洋和太平洋温带、亚热带海域[6-7]。鲐鱼经济价值极高，是我国及周边国家和地区的重要渔业对象，其资源衰退会对我国渔业经济造成负面影响[8]。20世纪80年代起，我国开始大规模捕捞鲐鱼，起初捕捞总量约为20万吨，随着捕捞技术进步和大规模商业捕捞的发展，2018年鲐鱼捕捞量已增加至43万吨[9-10]。东海是鲐鱼最重要的栖息地之一，也是我国最主要的作业渔场[11]。已有研究表明，鲐鱼栖息地受海面温度、海面高度、海水盐度和叶绿素浓度等环境因子影响[12]，其中海水温度是最为重要的环境因子。当前对未来气候变化情境下鲐鱼的栖息地变动规律研究较少。因此，本文利用IPCC第六次评估报告中不同气候变化情境下的不同水层温度数据构建栖息地指数 (Habitat suitability index, HSI) 模型，对未来东海鲐鱼栖息地进行中长期预测分析，并探讨全球气候变化如何影响东海鲐鱼栖息地的时空分布，基于研究结果提出科学有效的渔业管理建议，为减缓气候变化对鲐鱼渔场的不利影响及其资源的可持续利用提供科学支撑。
1. 材料与方法
1.1 环境数据
IPCC第六次国际耦合模式比较计划 (Coupled Model Intercomparison Project Phase 6, CMIP6) 中情景模式比较计划 (ScenarioMIP) 是不同共享社会经济路径 (Shared socioeconomic pathways, SSP) 与辐射强迫 (Representative concentration pathway, RCP) 的矩形组合，为气候变化领域内的科学研究提供了大量的模拟数据[5]。其中，SSP126、SSP370和SSP585分别对应情景模式比较计划中的低排放情境、中等排放情境和高排放情境。已往研究表明，夏秋季鲐鱼主要栖息于0~50 m水层[13]，水温是影响鲐鱼栖息地变动的主要环境因子[1]。Yu等[14]基于2.5、25和50 m水层海水温度数据构建了栖息地适宜指数模型。因此，本文选取CMIP6气候模式中SSP126、SSP370和SSP585情境下的2.5 m (Temp_2.5 m)、25 m (Temp_25 m) 和50 m (Temp_50 m) 水温数据来分析未来不同气候情境下东海鲐鱼栖息地的时空变化。海岸线数据来自于美国NOAA气候预报中心 (https://www.ngdc.noaa.gov/mgg/shorelines/data/gshhg/latest/)。环境数据来源于世界气候研究计划 (Word climate research program, WCRP) 数据库 (https://esgf-node.llnl.gov/search/cmip6/)，水温数据单位为 ℃，时间覆盖2015—2100年的7—9月，共计258个月，数据范围为118°E—130°E、24°N—32°N，空间分辨率为50 km×50 km。环境数据时空分辨率与渔业数据保持一致并进行匹配处理。
1.2 环境因子的变动分析
以2015—2100年中每年7—9月的平均值表征每年鲐鱼渔场夏季水温。短期、中期和长期气候变化对应的时间段分别为2015—2020、2055—2060和2095—2100年。用Excel 2021软件对不同气候情境下2015—2100年水温的年际变化和短期、中期及长期的变化情况进行分析，同时计算不同气候情境下2100与2015年的水温差值，并利用Matlab R2021a软件绘制空间分布图。
1.3 鲐鱼栖息地的时空变化
基于Yu等[14]建立的最优权重HSI模型计算2015—2100年东海鲐鱼的HSI，HSI模型构建与验证方法如下[14]：利用2006—2014年的渔业与水温数据计算适宜性指数 (Suitability index, SI)，以SI为基础建立单一环境因子SI模型。在此基础上，赋予不同水层以不同权重，综合2.5、25、50 m水深的SI模型建立HSI模型。对各权重方案结果进行比较，选取HSI最优模型，并用2015年数据进行验证，确保模型的预测精度。用Excel 2021软件对比分析不同气候情境下鲐鱼渔场内的平均HSI、适宜 (HSI>0.6) 与不适宜栖息地 (HSI<0.2) 面积比例，使用Matlab R2021a软件插值并绘制3种气候情境下短、中和长期HSI的空间分布图以厘清鲐鱼栖息地的时空变动规律；对比短、中和长期内东海鲐鱼正常和不适宜栖息地的面积比例变化情况。
计算未来气候情境下短、中和长期内东海鲐鱼的适宜栖息地重心，以探究其适宜栖息地的移动规律。基于单因子的SI模型[14]，计算不同气候情境下2015—2020、2055—2060和2095—2100年各环境因子SI (≥0.6) 重心，以探究鲐鱼适宜栖息地的空间变化原因。其中，适宜栖息地及各环境因子SI重心计算公式如下：
$$ {\mathrm{L}\mathrm{O}\mathrm{N}\mathrm{G}}_{\mathrm{H}\mathrm{S}\mathrm{I}}=\frac{\sum ({\mathrm{L}\mathrm{o}\mathrm{n}}_{{ij}}\times {\mathrm{H}\mathrm{S}\mathrm{I}}_{{ij}})}{\sum {\mathrm{H}\mathrm{S}\mathrm{I}}_{{ij}}} $$ (1) $$ {\mathrm{L}\mathrm{A}\mathrm{T}\mathrm{G}}_{\mathrm{H}\mathrm{S}\mathrm{I}}=\frac{\sum ({\mathrm{L}\mathrm{a}\mathrm{t}}_{{ij}}\times {\mathrm{H}\mathrm{S}\mathrm{I}}_{{ij}})}{\sum {\mathrm{H}\mathrm{S}\mathrm{I}}_{{ij}}} $$ (2) $$ {\mathrm{L}\mathrm{O}\mathrm{N}\mathrm{G}}_{\mathrm{S}\mathrm{I}}=\frac{\sum ({\mathrm{L}\mathrm{o}\mathrm{n}}_{{ij}}\times {\mathrm{S}\mathrm{I}}_{{ij}})}{\sum {\mathrm{S}\mathrm{I}}_{{ij}}} $$ (3) $$ {\mathrm{L}\mathrm{A}\mathrm{T}\mathrm{G}}_{\mathrm{S}\mathrm{I}}=\frac{\sum ({\mathrm{L}\mathrm{a}\mathrm{t}}_{{ij}}\times {\mathrm{S}\mathrm{I}}_{{ij}})}{\sum {\mathrm{S}\mathrm{I}}_{{ij}}} $$ (4) 式中：LONGHSI、LATGHSI、LONGSI、LATGSI分别代表适宜栖息地经度与纬度重心和各环境因子SI经度与纬度重心；i、j分别代表经度和纬度。
2. 结果
2.1 未来气候情境下渔场内不同水层水温的时空变化
2015—2100年中国东海鲐鱼渔场内各水层水温在不同气候情境下呈不同的变化趋势 (图1)。在SSP126情境下，Temp_2.5 m、Temp_25 m和Temp_50 m整体呈稳定波动趋势。在SSP370和SSP585情境下，三者整体呈明显上升趋势。
![]()
图 1 不同气候情境下2015—2100年鲐鱼渔场内不同水层水温的年际变化Figure 1. Interannual variation of water temperature at different depths in fishing ground of S. japonicus during 2015−2100 under different climatic conditions不同气候情境下Temp_2.5 m、Temp_25 m和Temp_50 m在2015—2020、2055—2060和2095—2100年的变化趋势相似 (图2)。3个环境因子于SSP126情境下先上升后下降，整体呈较小幅度的上升，温差不超过0.5 ℃。后两个情境下3层水温均呈明显上升趋势。
![]()
图 2 不同气候情境下2015—2020、2055—2060和2095—2100年内鲐鱼渔场内不同水层水温的平均值Figure 2. Average water temperature at different depths in fishing ground of S. japonicus during 2015−2020, 2055−2060 and 2095−2100 under different climatic conditions对比3种气候情境下2015与2100年各水层水温的空间差值变化。在SSP126情境下，Temp_2.5 m、Temp_25 m和Temp_50 m负值分布的区域面积较大，空间上由西向东逐渐递减；正值均分布在西北区域。三者于另两个情境下空间变化差异较小，正值主要分布在渔场范围内 (图3)。
![]()
图 3 不同气候情境下2100和2015年鲐鱼渔场内不同水层水温差值的空间分布Figure 3. Spatial distribution of water temperature difference at different depths in fishing ground of S. japonicus in 2100 and 2015 under different climate conditions2.2 鲐鱼栖息地适宜性变化
2015—2100年东海鲐鱼渔场HSI和适宜栖息地面积比例在SSP126情境下呈下降趋势，但降幅较小；在SSP370和SSP585情境下整体呈明显下降趋势。而2015—2100年东海鲐鱼不适宜栖息地面积比例在SSP126、SSP370和SSP585情境下整体呈上升趋势 (图4)。
![]()
图 4 不同气候情境下2015—2100年东海鲐鱼平均栖息地指数、适宜栖息地及不适宜栖息地面积比例Figure 4. Interannual variation of average habitat suitability index, percentages of suitable and unsuitable habitat area of S. japonicus in East China Sea under different climatic conditions during 2015−2100不同气候变化情境下的3个时期内，东海鲐鱼的适宜栖息地主要分布于122°E—126°E、28°N—30°N，不适宜栖息地主要分布在渔场中部水域。随时间推移，适宜栖息地面积和适宜性于SSP126情境下波动较小；于后两个情境下适宜栖息地面积缩小且适宜性下降，不适宜栖息地面积明显增加 (图5)。
![]()
图 5 不同气候情境下东海鲐鱼栖息地指数在2015—2020、2055—2060和2095—2100年的空间分布Figure 5. Spatial distribution of habitat suitability index of S. japonicus in East China Sea during 2015−2020, 2055−2060 and 2095−2100 under different climatic conditions东海鲐鱼正常栖息地面积与不适宜面积量化结果表明，不同气候情境下，东海鲐鱼正常栖息地面积小于不适宜面积。与2015—2020年相比，2055—2060和2095—2100年内各气候情境下的东海鲐鱼正常栖息地面积均缩小，不适宜栖息地面积均增加，且2095—2100年的变化趋势皆大于2055—2060年 (表1)。
表 1 不同气候情境的不同时间段内东海鲐鱼正常与不适宜栖息地面积变化Table 1. Changes of normal and unsuitable habitat area of S. japonicus in East China Sea in different time periods under different climatic conditions模态SSP 年份Year 渔场正常栖息地面积HS/% 面积增减ID_HS/% 渔场不适宜栖息地面积UNSH/% 面积增减ID_UNSH/% SSP126 2015—2020 24.38 — 32.80 — 2055—2060 21.70 −10.99 35.48 +8.17 2095—2100 21.33 −12.51 35.84 +9.27 SSP370 2015—2020 24.07 — 33.11 — 2055—2060 19.48 −19.07 37.70 +13.86 2095—2100 11.39 −52.68 45.79 +38.29 SSP585 2015—2020 24.18 — 32.99 — 2055—2060 18.16 −24.89 39.02 +18.28 2095—2100 7.45 −69.19 49.73 +50.74 注：HS代表渔场正常栖息地面积；ID_SH代表2055—2060和2095—2100年渔场正常栖息地面积相对于2015—2020年正常栖息地面积的增减；UNSH代表渔场不适宜栖息地面积；ID_UNSH代表2055—2060和2095—2100年渔场不适宜栖息地面积相对于2015—2020年不适宜栖息地面积的增减。 Note: HS represents the area of normal habitat of fishing ground; ID_SH represents the increase or decrease of the normal habitat area of the fishing ground during 2055–2060 and 2095–2100 compared with the normal habitat area during 2015–2020; UNSH represents the area of unsuitable habitat of fishing ground; ID_UNSH represents the increase or decrease of the area of unsuitable habitat of fishing ground during 2055–2060 and 2095–2100 compared with that during 2015–2020. 2.3 鲐鱼适宜栖息地重心空间变化
2015—2020、2055—2060和2095—2100年内鲐鱼适宜栖息地重心于SSP126、SSP370和SSP585情境下均呈不同程度的北移，适宜栖息地重心均在渔场北部区域。纬度方向上，SSP126和SSP370情境下，适宜栖息地重心均向北偏移；而在SSP585情境下，先向南再向北偏移。经度方向上，适宜栖息地重心于SSP126情境下先向东再向西偏移，整体呈向东移动趋势；而在SSP370和SSP585情境下，适宜栖息地重心向西移动 (图6)。
![]()
图 6 不同气候情境下2015—2020、2055—2060和2095—2100年时间段内东海鲐鱼适宜栖息地经纬度重心及其空间分布图Figure 6. Longitude and latitude center of gravity and its spatial distribution of suitable habitat of S. japonicus in East China Sea during 2015−2020, 2055−2060 and 2095−2100 under different climatic conditions不同气候情境下各SI重心主要集中在123°E—127°E、27°N—31°N。纬度方向上，各SI重心于SSP370和SSP585情境下均向北移动；SI-Temp_2.5 m重心于SSP126情境下先向北再向南移动，但整体仍呈向北移动；后两者于SSP126情境下先向南再向北迁移。经度方向上，SI-Temp_2.5 m重心于SSP126情境下先向西再向东移动，另两个气候情境下均向西迁移；3种气候情境下，SI-Temp_25 m重心均先向东再向西迁移，但变化幅度较小；SSP126情境下，SI-Temp_50 m重心向东偏移，后两个气候情境下则与之相反 (图7)。
![]()
图 7 不同气候情境下2015—2020、2055—2060和2095—2100年内各环境因子适宜性指数 (SI≥0.6) 重心Figure 7. Suitability index (SI≥0.6) center for each environmental factor during 2015−2020, 2055−2060 and 2095−2100 under different climatic conditions3. 讨论
3.1 未来水温变化对东海鲐鱼栖息地的影响
全球气候变暖造成海水酸化、海平面上升和极端气候事件，直接或间接地改变了海洋鱼类的生存环境，也给海洋生态系统造成了巨大冲击[15]。随着环境的改变，鱼类为了寻找更为适宜的生存环境，进行大规模迁移活动，其资源丰度和空间分布势必会发生显著变化。有研究指出，未来全球气候变化会使高纬度海域渔业捕捞潜力增加，而低纬度海域大幅减少[16]。本研究发现，未来气候变化中，SSP126情境下2015—2100年东海鲐鱼渔场内的Temp_2.5 m、Temp_25 m和Temp_50 m整体呈稳定波动趋势。在SSP370和SSP585情境下，鲐鱼渔场各水层温度均呈明显上升趋势 (图1)。2015—2100年东海鲐鱼渔场HSI和适宜栖息地面积比例在SSP126、SSP370和SSP585情境下整体呈下降趋势，下降幅度在后两个情境更大 (图4)。此外各环境因子适宜性指数重心变化结果表明，不同水层适宜的SI-Temp重心均分布在东海东北部海域，与不同气候变化情境下东海鲐鱼适宜栖息地重心变化结果一致，随着海水温度的不断升高，适宜栖息地重心逐渐北移 (图5—图7)。苏杭等[17]利用鲐鱼生产数据分析了SST上升不同情境下的渔场变动，发现未来东海鲐鱼潜在栖息地逐渐北移且面积缩小，与本文研究结果较为一致。
水温是影响鲐鱼生长、洄游和产卵的重要环境因子[18]；既可以直接影响鲐鱼生长速率、繁殖和洄游等生活史过程，也可以通过影响浮游生物、小型鱼类等饵料生物和天敌的空间分布和密度变化进而使鲐鱼资源量发生时空变动[19]。鲐鱼具有垂直洄游的特性[20]，其栖息地不仅受到海流、叶绿素浓度和海表面盐度等环境因子的影响，垂直水温也是影响其栖息地分布的重要因素[21]。大多数预测鲐鱼栖息地的模型使用的环境变量均为海表温度[17]、海表盐度[22]、净初级生产力[23]和海表高度[24]等。然而，均未考虑到垂直水温分布的差异。因此，本文采取2.5、25 和50 m水层温度作为鲐鱼渔场时空分布变化和未来气候变动的重要链接，来分析鲐鱼渔场变化对气候的响应规律。在2015—2020、2055—2060和2095—2100年内，相同气候情境下不同水层适宜的SI-Temp变化趋势不尽相同 (图7)，结合2100与2015年Temp_2.5 m、Temp_25 m、Temp_50 m水层温度差值空间分布分析发现，2.5 m水温是影响夏秋季东海鲐鱼栖息地潜在分布与变化较为关键的因子。Yu等[14]利用基于权重的AMM模型分析了不同水层温度的贡献值，同样发现2.5 m水层温度是鲐鱼栖息地形成的关键环境因子。
3.2 未来海流变化对东海鲐鱼栖息地空间分布的影响机理
海流与气候变化关系密切，气候变化会引起海洋温度和风场强度及运动轨迹的变化，从而驱动海流发生变动[25]。何越[26]利用IPCC第五次评估报告中RCP4.5和RCP8.5情境下环境数据研究发现，未来气候变化情况下太平洋北赤道流和南赤道流均有不同程度减弱，北太平洋黑潮也有相同的变化趋势。海流的改变会破坏原来海域内的水文动态平衡从而改变海洋生物的栖息地适宜性[27-28]。未来气候变化短、中、长时期内，东海鲐鱼适宜栖息地在SSP126、SSP370和SSP585情境下主要分布在122°E—126°E、28°N—30°N海域内，随时间的推移适宜栖息地面积减小且向北部移动 (图5、图6)。东海沿岸鲐鱼渔场主要受台湾暖流、沿岸水、东海混合水团的影响，台湾东北部鲐鱼围网渔场受黑潮和中国大陆沿岸水影响[29]。李宜锴等[10]通过作业次数在SST上的分布情况得出7—9月鲐鱼适宜生长的 SST 范围为25~28 ℃。而本研究中3种情境下Temp_2.5 m的温度均大于28 ℃，可能是温度过高导致鲐鱼适宜栖息地面积减小。黑潮流经海域是鲐鱼产卵洄游索饵的重要场所[30]，此区域的环境变化会使鲐鱼幼鱼丰度、空间分布和肥满度等变化较大[31-33]。黑潮是北太平洋副热带环流的强风力驱动西边界流之一，由于全球变暖，副热带环流增强并向高纬度地区移动[34]。未来气候条件下黑潮移动可能会导致鲐鱼栖息地向北移动。
3.3 气候变化下鲐鱼资源对应的管理策略
本研究结果认为未来气候变化3种情境下，鲐鱼适宜栖息地面积缩减，渔业资源可能面临衰退。鲐鱼是r-对策者 (有利于增加内禀增长率的选择)，具有生命周期短、出生率高和适应性强等特点。鲐鱼资源在过度捕捞或遭受气候变化等负面影响时，可以采取科学的管理措施减缓负面影响使资源得到一定程度的恢复。因此，为实现东海鲐鱼渔业可持续发展，本文提出下列基于适应和减缓未来气候变化影响的渔业科学管理措施[35]：1) 对东海鲐鱼最大渔获量进行限制。全球变化引起东海鲐鱼适宜栖息地面积减少，对资源生物量产生负面影响。各国应采用不同类型的管理方法 (监测、预防原则和适应性管理) 来控制渔获限制，利用历年渔获数据结合气候因子评估东海鲐鱼渔场的最大可持续产量，制定各国最大渔获量。2)构建预警模式和预防性管理措施。全球气候变化对海洋鱼类产生长时间、不稳定的影响。因此，需要研发新型渔业模式对海上气候变化进行监测和预警。还可以在岸上储存设施足够的船舶和安全设施，有助于防止极端事件(如气旋、风暴、飓风等)造成的损失。3) 加强鲐鱼资源评估和预测能力，构建新型渔场预测模型。未来气候条件下东海鲐鱼资源量的时空分布是不稳定的，需要将多种环境数据结合起来进行分析以增强预测鱼汛的准确性，减少捕捞所需要的成本。本研究中，未来气候变化会导致鲐鱼适宜栖息地向北偏移，因此，可能需要制定新的禁渔区以增强东海鲐鱼种群的恢复。
目前国内对于未来气候情境下东海鲐鱼时空分布关系的研究较少，本文从新的角度探讨鲐鱼资源与垂向水温的关系，分析2015—2100年7—9月未来气候变化情境下水温与鲐鱼渔场时空分布的关系。但本研究仅对水温单一因子进行研究，而在实际的海洋生态系统中，鲐鱼资源受多种环境因子影响。此外，目前建立栖息地模型所用到的遥感数据精度有限，在准确性和代表性上有一定欠缺。因此，在今后的研究中，要结合其他环境因子如海表高度、盐度、叶绿素浓度等，进行综合考量和分析，还要考虑到不同时间尺度气候变化的影响，并探索是否还有未曾发现的潜在环境影响因子。还可尝试分析各环境因子对鲐鱼的影响程度，从而更精确地建立栖息地预测模型，优化模型参数，有助于掌握东海鲐鱼的资源现状，为鲐鱼渔业的开发和管理提供依据。
-
![]()
图 2 2018—2022年中太平洋黄鳍金枪鱼CPUE空间分布
Figure 2. Spatial distribution of CPUE for yellowfin tuna in central Pacific Ocean from 2018 to 2022
![]()
图 4 GAM和nodeGAM中各环境因子对CPUE的影响效应
Figure 4. Effects of various environmental factors on CPUE of GAM and nodeGAM
![]()
图 5 2018—2022年太平洋中部延绳钓黄鳍金枪鱼年均 (a)、月均 (b) 名义CPUE和GAM、nodeGAM模型标准化后的CPUE对比
Figure 5. Comparison between annual (a), monthly (b) nominal CPUE, and CPUE of GAM, standardized nodeGAM for
T. albacares caught by longline in central Pacific Ocean from 2018 to 2022
表 1 GAM模型统计结果
Table 1 Statistical results of GAM
模型因子
Model factor赤池准则信息
AIC累计偏差解释率
Accumulation of deviance explainedF值
F-valuep值
p-value均方误差
MSE表层温度T0 5 388 4.88% 14.487 <0.05 0.149 100 m水层温度T100 4 526 22.3% 36.288 <0.05 200 m水层温度T200 4 473 23.5% 7.891 <0.05 300 m水层温度T300 4 398 25.1% 12.426 <0.05 叶绿素a浓度CHL-a 4 310 26.9% 9.072 <0.05 表层盐度SSS 4 155 29.4% 26.286 <0.05 
下载: 导出CSV
-
[1] 杨胜龙, 张忭忭, 靳少非, 等. 中西太平洋延绳钓黄鳍金枪鱼渔场时空分布与温跃层关系[J]. 海洋学报, 2015, 37(6): 78-87. [2] SKIRTUN M, PILLING G M, REID C, et al. Trade-offs for the southern longline fishery in achieving a candidate South Pacific albacore target reference point[J]. Mar Policy, 2019, 100: 66-75. doi: 10.1016/j.marpol.2018.11.014
[3] 王佚兮. 热带中西太平洋大眼金枪鱼、黄鳍金枪鱼的繁殖生物学研究[D]. 上海: 上海海洋大学, 2023: 4. [4] 孟晓梦, 叶振江, 王英俊. 世界黄鳍金枪鱼渔业现状和生物学研究进展[J]. 南方水产, 2007, 3(4): 74-80. [5] 联合国粮农组织. 2022年世界渔业和水产养殖状况: 努力实现蓝色转型[M]. Rome: FAO, 2022: 44. [6] 宋利明, 沈智宾, 周建坤, 等. 库克群岛海域海洋环境因子对黄鳍金枪鱼渔获率的影响[J]. 上海海洋大学学报, 2016, 25(3): 454-464. doi: 10.12024/jsou.20150901553 [7] 王啸, 王佚兮, 刘文俊, 等. 热带中西太平洋金枪鱼延绳钓渔获物组成及其多样性[J]. 中国水产科学, 2022, 29(5): 732-743. doi: 10.12264/JFSC2021-0307 [8] 费姣姣, 李成, 张健, 等. 中西太平洋海山特征对延绳钓渔业和围网渔业黄鳍金枪鱼CPUE的影响[J]. 南方水产科学, 2024, 20(2): 1-10. doi: 10.12131/20230200 [9] 陈新军, 高峰, 官文江, 等. 渔情预报技术及模型研究进展[J]. 水产学报, 2013, 37(8): 1270-1280. [10] FRANKLIN J. Mapping species distributions: spatial inference and prediction[M]. New York: Cambridge University Press, 2010: 105-112.
[11] 丁鹏, 邹晓荣, 丁淑仪, 等. 基于CNN-BiLSTM模型的黄鳍金枪鱼渔获量与气候因子关系研究[J]. 南方水产科学, 2024, 20(2): 19-26. doi: 10.12131/20230190 [12] 郑志辉. 基于贝叶斯方法、分位数回归和人工神经网络模型的黄鳍金枪鱼渔情预报模型比较[D]. 上海: 上海海洋大学, 2018: 37-39. [13] 张嘉容, 杨晓明, 戴小杰, 等. 南太平洋长鳍金枪鱼延绳钓渔获率与环境因子的关系研究[J]. 南方水产科学, 2020, 16(1): 69-77. doi: 10.12131/20190178 [14] 官文江, 田思泉, 王学昉, 等. CPUE标准化方法与模型选择的回顾与展望[J]. 中国水产科学, 2014, 21(4): 852-862. [15] 杨胜龙, 史慧敏, 范秀梅, 等. 热带中西太平洋黄鳍金枪鱼栖息水层空间分析[J]. 中国农业科技导报, 2022, 24(1): 183-191. [16] AKAIKE H, PARZEN E, TANABE K, et al. Factor analysis and AIC[M]. New York: Springer, 1987: 371-386.
[17] CHANG C H, CARUANA R, GOLDENBERG A. Node-gam: neural generalized additive model for interpretable deep learning [EB/OL]. (2022-05-16).https://arxiv.org/abs/2106.01613.
[18] RADENOVIC F, DUBEY A, MAHAJAN D. Neural basis models for interpretability[J]. Adv Neural Inf Process Syst, 2022, 35: 8414-8426.
[19] ZHANG W, BARR B, PAISLEY J. Gaussian Process Neural Additive Models [OL]. (2024-02-19).https://arxiv.org/abs/2402.12518.
[20] 汪学清, 刘爽, 李秋燕, 等. 基于K折交叉验证的SVM隧道围岩分级判别[J]. 矿冶工程, 2021, 41(6): 126-128, 133. doi: 10.3969/j.issn.0253-6099.2021.06.031 [21] 唐浩, 许柳雄, 陈新军, 等. 基于GAM模型研究时空及环境因子对中西太平洋鲣鱼渔场的影响[J]. 海洋环境科学, 2013, 32(4): 518-522. [22] ROMENA N A. Factors affecting distribution of adult yellowfin tuna (Thunnus albacares) and its reproductive ecology in the Indian Ocean based on Japanese tuna longline fisheries and survey information[D]. Brussel: Vrije Universiteit Brussel, 2000: 23-28.
[23] 苗振清, 黄锡昌. 黄鳍金枪鱼资源利用状况分析[J]. 浙江海洋学院学报(自然科学版), 2003, 22(1): 7-11. [24] 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. [25] 杨胜龙. 次表层环境对热带中西太平洋黄鳍金枪鱼垂直水层分布和延绳钓渔获率影响研究[D]. 上海: 上海海洋大学, 2021: 48-49. [26] 周为峰, 陈亮亮, 崔雪森, 等. 异常气候下温跃层及时空因子对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. [27] DEARY A L, MORET F S, ENGELS M, et al. Influence of central Pacific oceanographic conditions on the potential vertical habitat of four tropical tuna species[J]. Pac Sci, 2015, 69(4): 461-475. doi: 10.2984/69.4.3
[28] PRINCE E D, GOODYEAR C P. Hypoxia-based habitat compression of tropical pelagic fishes[J]. Fish Oceanogr, 2006, 15(6): 451-464. doi: 10.1111/j.1365-2419.2005.00393.x
[29] PRINCE E D, LUO J, PHILLIP G C, et al. Ocean scale hypoxia-based habitat compression of Atlantic istiophorid billfishes[J]. Fish Oceanogr, 2010, 19(6): 448-462. doi: 10.1111/j.1365-2419.2010.00556.x
[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, 2016, 29(3): 303-308. [31] 刘勇, 陈新军. 中西太平洋金枪鱼围网黄鳍金枪鱼产量的时空分布及与表温的关系[J]. 海洋渔业, 2007, 29(4): 296-301. doi: 10.3969/j.issn.1004-2490.2007.04.002 [32] 于飞. 太平洋北赤道逆流的季节、年际变化特征和机制[D]. 青岛: 中国海洋大学, 2016: 11-32. [33] BRIAND K, MOLONY B, LEHODEY P. A study on the variability of albacore (Thunnus alalunga) longline catch rates in the southwest Pacific Ocean[J]. Fish Oceanogr, 2011, 20(6): 517-529. doi: 10.1111/j.1365-2419.2011.00599.x
[34] 宋利明, 陈新军, 许柳雄. 大西洋中部黄鳍金枪鱼 (Thunnus albacares) 的垂直分布与有关环境因子的关系[J]. 海洋与湖沼, 2004, 35(1): 64-68 doi: 10.3321/j.issn:0029-814X.2004.01.010 [35] BRILL R W, DEWAR H, GRAHAM J B. Basic concepts relevant to heat transfer in fishes, and their use in measuring the physiological thermoregulatory abilities of tunas[J]. Environ Biol Fish, 1994, 40: 109-124. doi: 10.1007/BF00002538
[36] 张春玲, 蒋逸, 王冰洋, 等. 中西太平洋黄鳍金枪鱼随附鱼群区域温度垂直结构的构建与初步分析[J]. 上海海洋大学学报, 2022, 31(1): 233-241. doi: 10.12024/jsou.20210403401 [37] 张聪, 周为峰, 樊伟. 基于ADASYN和stacking集成的南太平洋黄鳍金枪鱼渔场预报模型研究[J]. 海洋渔业, 2023, 45(5): 544. doi: 10.3969/j.issn.1004-2490.2023.05.004 [38] SONG L M, WU Y P. Standardizing CPUE of yellowfin tuna (Thunnus albacares) longline fishery in the tropical waters of the northwestern Indian Ocean using a deterministic habitat-based model[J]. J Oceanogr, 2011, 67: 541-550. doi: 10.1007/s10872-011-0055-y
[39] SWARTZMAN G, STUETZLE W, KULMAN K, et al. Relating the distribution of pollock schools in the Bering Sea to environmental factors[J]. ICES J Mar Sci: J Cons, 1994, 51(4): 481-492. doi: 10.1006/jmsc.1994.1049
[40] CHEN I C, LEE PEIFEN, TZENG W N. Distribution of albacore (Thunnus alalunga) in the Indian Ocean and its relation to environmental factors[J]. Fish Oceanogr, 2005, 14(1): 71-80. doi: 10.1111/j.1365-2419.2004.00322.x
[41] 张艳萍, 乐家华, 闫周府. 南海金枪鱼类养殖区域分布研究[J]. 南方水产科学, 2023, 19(5): 48-57. doi: 10.12131/20230058 -
期刊类型引用(6)
1. 袁华荣，章守宇，林军，冯雪，汪振华，佟飞，王凯，陈钰祥，陈丕茂. 海洋牧场人工鱼礁生境营造的生态学理论框架探索. 水产学报. 2025(01): 3-26 . 
百度学术
2. 赵继升，曹锦超，崔煜杰，赵芬芳. 人工鱼礁群与风机基础联合水动力特征的数值模拟. 渔业现代化. 2025(01): 25-35 . 百度学术
3. 郭聪聪，杨訸晴，胡慧琴，张勤旭，张明亮，李金金. 人工鱼礁投放对小窑湾海域水动力及水体交换影响的数值模拟. 海洋渔业. 2024(02): 174-185 . 百度学术
4. 岳英洁，贺志鹏，冷星，于冬. 莱州湾芙蓉岛西侧人工鱼礁建设对周边海域潮流场和水交换的影响研究. 海洋渔业. 2022(01): 9-17 . 百度学术
5. 王清夷，王煜嘉，张明亮. 大连大长山岛海域人工鱼礁投放对水动力影响的三维数值模拟. 渔业研究. 2022(05): 415-425 . 百度学术
6. 张敏，陈钰祥，罗军，曾学智. 珠江河口枯季咸潮上溯特征与机制分析. 海洋预报. 2021(05): 8-16 . 百度学术
其他类型引用(4)
计量
- 文章访问数: 144
- HTML全文浏览量: 46
- PDF下载量: 50
- 被引次数: 10
粤公网安备 44010502001741号
