中太平洋黄鳍金枪鱼CPUE时空分布及其与环境因子的关系

李东旭, 邹晓荣, 周淑婷

李东旭, 邹晓荣, 周淑婷. 中太平洋黄鳍金枪鱼CPUE时空分布及其与环境因子的关系[J]. 南方水产科学, 2024, 20(4): 68-76. DOI: 10.12131/20240047
引用本文: 李东旭, 邹晓荣, 周淑婷. 中太平洋黄鳍金枪鱼CPUE时空分布及其与环境因子的关系[J]. 南方水产科学, 2024, 20(4): 68-76. DOI: 10.12131/20240047
LI Dongxu, ZOU Xiaorong, ZHOU Shuting. Spatio-temporal distribution of Thunnus albacares CPUE and its relationship with environmental factors in central Pacific Ocean[J]. South China Fisheries Science, 2024, 20(4): 68-76. DOI: 10.12131/20240047
Citation: LI Dongxu, ZOU Xiaorong, ZHOU Shuting. Spatio-temporal distribution of Thunnus albacares CPUE and its relationship with environmental factors in central Pacific Ocean[J]. South China Fisheries Science, 2024, 20(4): 68-76. DOI: 10.12131/20240047

中太平洋黄鳍金枪鱼CPUE时空分布及其与环境因子的关系

基金项目: 浙江省“领雁”重大攻关计划项目 (2022C02025)
详细信息
    作者简介:

    李东旭 (1997—),男,硕士研究生,研究方向为远洋渔业系统集成。E-mail: 2551547673@qq.com

    通讯作者:

    邹晓荣 (1971—),男,副教授,硕士,研究方向为远洋渔业系统集成。E-mail: xrzou@shou.edu.cn

  • 中图分类号: S 977

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.

  • 坛紫菜(Porphyra haitanensis)是一种分布在我国东南沿海的暖温性红藻,根据采收期的不同分为头水、二水、三水、四水等,其中末水坛紫菜(一般是六水)占紫菜总产量的10%以上[1]。我国每年末水坛紫菜产量约1×104 t,但由于末水坛紫菜色泽差、胶质含量多、韧性强、口感粗糙、利润低,养殖户常放弃对其采收,使之在海里腐烂,造成资源浪费和环境污染[2]。因此,有必要对末水坛紫菜进行精深加工和综合利用。

    与三水坛紫菜相比,末水坛紫菜的蛋白质和多糖含量较高,分别达35%和25%以上,是一种高蛋白、高膳食纤维、低脂肪、低热能的天然营养保健食品[3]。紫菜蛋白因其高含量和独特的生物学功能成为紫菜开发利用的研究热点[4]。紫菜通过酶解可使原来蛋白质的功能特性发生变化,这些特性的改变很大程度上取决于水解度(degree of hydrolysis,DH)的大小[5]。研究表明,随着水解度的增加,水解物的抗氧化能力逐渐增强[6]。因此,对酶解工艺进行优化十分重要。现已有对末水坛紫菜多糖的研究[7],但尚未见关于其蛋白质的研究报道。本研究以末水坛紫菜为原料,通过筛选蛋白酶,优化酶解工艺条件,研究酶解液的抗氧化活性,以期为末水坛紫菜的开发利用提供理论基础。

    末水坛紫菜由汕头大学南澳试验站赠送。1,1-二苯基-三硝基苯肼(DPPH)购自美国Sigma公司;中性蛋白酶、胰蛋白酶、复合蛋白酶、木瓜蛋白酶、风味蛋白酶和菠萝蛋白酶购自广州华屿欣实验器材有限公司;其他试剂均为国产分析纯。

    BS224S分析天平(美国Sartorius公司);Titrando 809型自动电位滴定仪(瑞士万通公司);SPX-3k30高速冷冻离心机(德国Sigma公司);HH-4快速恒温数显水浴箱(常州澳华仪器有限公司);PB-10精密pH测试仪(德国Sartorius公司);XT-500A型粉碎机(永康红太阳机电有限公司);SHZ-82A水浴恒温振荡器(精达仪器制造有限公司);KjeltecTM2300型蛋白自动分析仪(丹麦Foss公司);Synergy H1型酶标仪(美国伯腾仪器有限公司)。

    干坛紫菜烘箱干制至水分含量4%,粉碎过筛,于干燥器保存。

    取一定量的紫菜粉和蛋白酶于锥形瓶中,按一定比例加入0.1 mol·L−1的柠檬酸-柠檬酸钠缓冲液酶解,完成后灭酶15 min,冷却后于4 ℃、10 000 r·min−1离心10 min,取上清液,即为酶解液。

    按照1.3.2所述流程操作,调整样品的加酶量均为17 280 U·g−1,底物质量浓度为25 g·L−1,以各种蛋白酶的最适酶解条件为依据,按照表1条件进行实验,测定水解度和还原力,选取合适的蛋白酶。

    表  1  不同蛋白酶的酶解条件
    Table  1.  Hydrolysis condition of different proteases
    蛋白酶种类
    kinds of protease
    酶活性/U·mg−1
    enzyme activity
    pH 温度/℃
    temperature
    中性蛋白酶 neutral protease 100 7 50
    胰蛋白酶 trypsin 250 8 50
    复合蛋白酶 compound protease 120 7 50
    木瓜蛋白酶 papain 6 000 7 50
    风味蛋白酶 flavored proteinase 40 7 50
    菠萝蛋白酶 bromelain 100 7 50
    下载: 导出CSV 
    | 显示表格

    根据预实验,选取对水解度和还原力有显著影响的5个因素进行单因素实验。

    应用Box-Behnken中心组合设计原理,取酶解温度(A)、pH (B)、加酶量(C)进行响应面实验。

    半微量凯氏定氮法[9]测定原料总氮含量;甲醛电位滴定法[10]测定氨基酸态氮含量;DH按式(1)计算。

    $$ DH=\displaystyle\frac {\text{酶解液中氨基酸态氮含量}}{\text{原料总氮含量}}\times 100\% $$ (1)

    2 mL 0.2 mol·L−1的磷酸缓冲液(pH 6.6)加入2 mL样液和2 mL 1%的铁氰化钾溶液,混匀,50 ℃水浴20 min,急速冷却后加入2 mL 10%的三氯乙酸溶液,混匀后10 000 r·min−1离心10 min,取2 mL上清液,加2 mL离子水和0.4 mL 0.1%的氯化铁溶液,混匀,50 ℃水浴保温10 min,700 nm处测吸光度。以去离子水代替样品作为空白对照调零。

    2 mL的0.15 mmol·L−1DPPH溶液加入2 mL样液,混匀,37 ℃避光水浴30 min,517 nm处测吸光度Ai;空白组和对照组分别为2 mL样液和DPPH溶液,各加2 mL 95%乙醇混合测得吸光度,分别记为AjA0

    $$ {\text{清除率}}=\frac{{A_0 - (A_i - A_j)}}{{A_0}} \times 100\% $$ (2)

    1 mL样液加入0.3 mL 5 mmol·L−1邻二氮菲溶液,加0.2 mL 0.15 mol·L–1的磷酸盐缓冲液(pH 7.40)和0.3 mL 0.75 mmol·L−1的硫酸亚铁溶液,混匀,加入0.2 mL 体积分数为0.1%的过氧化氢(H2O2)溶液摇匀,37 ℃水浴1 h,536 nm处测其吸光度Ai;用去离子水代替样品测得吸光度Aj;用去离子水代替样品和过氧化氢溶液测得吸光度A0

    $${\text{清除率}}=\frac{{A_i - A_0}}{{A_0 - A_j}} \times 100\%$$ (3)

    取2.8 mL 0.1 mol∙L−1三羟甲基氨基甲烷缓冲溶液(pH 8.2)加0.1 mL样液,混匀,25 ℃水浴l0 min,加入0.1 mL 3 mmol·L−1的邻苯三酚溶液,混匀,加入50 μL 10%抗坏血酸,混匀后于325 nm处测得吸光度AS。用去离子水代替样品测得吸光度A0

    $${\text{清除率}}=\frac{{A_0 - A_S}}{{A_0}} \times 100\%$$ (4)

    采用Excel 2007整理实验数据,使用Design Expert 8.0.6、SPSS 20. 0软件作统计分析。每个实验重复3次,实验结果取平均值。

    随着酶解时间延长,水解度逐渐增大,5 h后基本趋于稳定。第5小时时,中性蛋白酶水解度最大(15.73%),其次为菠萝蛋白酶(13.16%)和风味蛋白酶(10.79%),三者差异显著(P<0.05,图1-a),这与梁晓芳等[15]对扇贝酶解条件的优化及其抗氧化性的研究结果相似。

    图  1  不同酶酶解时间对水解度 (a) 和还原力 (b) 的影响
    Figure  1.  Effect of enzymolysis time of different enzymes on degree of hydrolysis (a) and reducing power (b)

    随着酶解时间的延长,酶解产物的还原力先增大后减小。在酶解第3小时时达到最高,此时风味蛋白酶酶解产物的还原力最高(1.42),其次为中性蛋白酶(1.39),显著高于其他蛋白酶酶解产物的还原力(P<0.05,图1-b)。Klompong等[16]的结果也表明风味蛋白酶水解物具有较高的抗氧化活性。

    不同蛋白酶具有不同的酶切位点和酶解产物,因此酶解效果差异明显[17]。中性蛋白酶水解度最高,可能是由于其酶切位点较多,水解更彻底[18]。风味蛋白酶的还原力最好,可能是因其水解生成的肽段较小,得到大量具有抗氧化活性的小分子肽,提供电子的能力强[19-21]。水解3 h后,水解度仍缓慢增加,但还原力开始下降,可能是由于随着时间的延长,酶解液中具有抗氧化功能的肽类被降解[22]。综合考虑,选取中性蛋白酶为实验用酶。

    选取底物浓度25 g·L−1,加酶量17 280 U·g−1,pH分别为4.0、5.0、6.0、7.0、8.0,40 ℃条件下恒温震荡酶解5 h。

    水解度和还原力随着pH的升高而增大,pH超过7.0时水解度趋于平衡(2-a),这可能是因为中性蛋白酶对中性以及偏碱性环境有较强的适应性,该环境下酶分子与底物的结合率更高,底物蛋白的解离程度也更高。pH超过7.0时还原力略微下降,可能是释放的活性物质与紫菜蛋白竞争作为酶的反应底物[23]。因此,最适pH为7.0。

    图  2  pH (a)、酶解温度 (b)、底物质量浓度 (c)、酶解时间 (d) 和加酶量 (e) 对水解度和还原力的影响
    Figure  2.  Effects of pH (a), hydrolysis temperature (b), substrate mass concentration (c), hydrolysis time (d) and enzyme dosage (e) on degree of hydrolysis and reducing power

    选取底物质量浓度25 g·L−1,加酶量17 280 U·g−1,pH 7.0,酶解温度分别为35 ℃、40 ℃、45 ℃、50 ℃和55 ℃,恒温震荡酶解5 h。

    随着酶解温度的增加,水解度和还原力先增大后减小,45 ℃时水解度和还原力达最大值,分别为16.34%和1.30 (图2-b),这可能是因为在一定温度范围内,温度升高可提高酶的活性和底物转化速率,而当温度超过酶的最适温度范围后,酶结构会发生变化,延缓了酶解进程,酶解物活性成分减少[24]。因此,酶解温度选择45 ℃。

    选取加酶量17 280 U·g−1,底物质量浓度分别为5 g·L−1、15 g·L−1、25 g·L−1、35 g·L−1和45 g·L−1,pH 7.0,45 ℃条件下恒温震荡酶解5 h。

    水解度和还原力随着底物浓度的增加而增大,底物质量浓度超过35 g·L−1时水解度趋于平衡,还原力趋于降低(图2-c)。这可能是因为在一定底物浓度范围内,底物浓度的增加有利于蛋白酶与底物的结合,酶解物活性成分随之增加;当底物浓度过高时,反应体系过于黏稠,影响了蛋白酶的分散性和活性物质的释放[25]。因此,选择底物浓度为35 g·L−1

    选取底物质量浓度35 g·L−1,加酶量17 280 U·g−1,pH 7.0,酶解温度45 ℃,分别恒温震荡酶解1 h、3 h、5 h、7 h和9 h。

    水解度随时间的延长而增大,原因可能是反应初始阶段酶活力强,底物浓度大,酶解速度快;但酶解时间超过5 h便趋于平衡,可能是因为底物浓度减小,水解度增幅减缓[26]。还原力随时间的延长而增大,3 h后水解度还在增大而还原力则开始减小 (图2-d),可能是因为3 h后酶解液中具有抗氧化功能的肽类被降解,失去了生物活性[20]。考虑到3 h与5 h水解度差异显著(P<0.05)而还原力差异不显著(P>0.05),酶解时间选取5 h。

    选取底物质量浓度35 g·L−1,pH 7.0,加酶量分别为17 280 U·g−1、21 120 U·g−1、24 960 U·g−1、28 800 U·g−1和32 640 U·g−1,45 ℃条件下恒温震荡酶解5 h。

    水解度和还原力随加酶量的增加而增大,加酶量超过28 800 U·g−1时还原力趋于平衡,水解度趋于下降(图2-e)。原因可能是随着加酶量的增加,底物与酶的接触几率增大,水解程度和酶解产物随之增加,当加酶量超过一定量后底物质量浓度相对变低,酶分子过饱和,减缓了酶解进程[27]。综合考虑,选取加酶量为28 800 U·g−1

    本实验选取水解(Y)度为响应值,综合Box-Behnken中心设计原理,选取酶解温度(A)、pH (B)、加酶量(C) 3个响应变量,因素水平见表2,实验设计与结果见表3

    表  2  响应面实验因素水平表
    Table  2.  Factors and levels of response surface experiment
    水平 level 因素 factor
    温度 (A) /℃
    temperature
    pH (B) 加酶量 (C) /U·g−1
    enzyme dosage
    −1 40 6 24 960
    0 45 7 28 800
    1 50 8 32 640
    下载: 导出CSV 
    | 显示表格
    表  3  响应面实验设计及结果
    Table  3.  Experimental results of Box-Behnken design
    序号 No. 温度 (A)
    temperature
    pH (B) 加酶量 (C)
    enzyme dosage
    Y/%
    1 1 −1 0 23.43
    2 −1 0 −1 22.03
    3 0 −1 −1 22.57
    4 0 0 0 29.94
    5 0 0 0 30.33
    6 0 −1 1 25.51
    7 1 1 0 28.45
    8 0 1 −1 24.50
    9 0 1 1 29.99
    10 1 0 1 27.97
    11 0 0 0 29.53
    12 1 0 −1 23.80
    13 −1 0 1 27.31
    14 0 0 0 28.57
    15 0 0 0 29.41
    16 −1 −1 0 23.70
    17 −1 1 0 26.58
    下载: 导出CSV 
    | 显示表格

    利用统计软件Design Expert对数据进行多元回归拟合,得到回归方程:Y=29.56+0.51A+1.79B+2.23C+0.53AB−0.28AC+0.64BC−2.19A2−1.83B2−2.09C2,方差分析结果见表4。模型回归极显著(P<0.001),失拟项不显著(P>0.05),表明回归方程拟合度高,可以用来分析和预测酶解液的水解度。回归方程的决定系数(R2)为0.982 9,说明该模型水解度的实测值和预测值拟合良好,水解度与酶解温度、pH和加酶量之间线性关系显著。模型中一次项BC项的P<0.001,说明pH、加酶量对水解度有极显著影响,AP<0.05,说明酶解温度对水解度有较显著影响。由表4可见,F(A)=6.35,F(B)=79.63,F(C)=124.14。F值越大,对响应值的影响越显著,各因素对水解度的影响顺序为C (加酶量)>B (pH)>A (酶解温度)。

    表  4  回归与方差分析结果
    Table  4.  Analysis of variance for fitted regression model
    方差来源
    source of variation
    平方和
    SS
    自由度
    df
    均方
    MS
    F P
    prob>F
    显著性
    significance
    模型 model 129.33 9 14.37 44.69 <0.000 1 ***
    A 2.04 1 2.04 6.35 0.039 8 *
    B 25.60 1 25.60 79.63 <0.000 1 ***
    C 39.91 1 39.91 124.14 <0.000 1 ***
    AB 1.14 1 1.14 3.55 0.101 4
    AC 0.31 1 0.31 0.96 0.360 7
    BC 1.63 1 1.63 5.07 0.059 0
    A2 20.18 1 20.18 62.76 <0.000 1 ***
    B2 14.04 1 14.04 43.66 0.000 3 ***
    C2 18.34 1 18.34 57.05 0.000 1 ***
    残差 residual 2.25 7 0.32
    失拟项 lack of fit 0.50 3 0.17 0.38 0.772 3
    纯误差 pure error 1.75 4 0.44
    总和 sum 131.58 16
    R2 0.982 9
    注:***. P<0.001;*. P<0.05
    下载: 导出CSV 
    | 显示表格

    通过上述二次多项回归方程作响应面和等高线图,分别固定加酶量(C)、酶解温度(A)和pH (B)在原点,依次得到另外2个响应变量的响应面和等高线图(图3~图5)

    图  3  Y=(AB)的响应面与等高线
    固定因素C=0
    Figure  3.  Response surface and contour plots under Y=(A, B)
    fixed factor C=0
    图  4  Y=(BC)的响应面与等高线
    固定因素A=0
    Figure  4.  Response surface and contour plots under Y=(B, C)
    fixed factor A=0
    图  5  Y=(AC)的响应面与等高线
    固定因素B=0
    Figure  5.  Response surface and contour plots under Y=(A, C)
    fixed factor B=0

    等高线形状为椭圆,响应面陡峭(图4),表明加酶量和pH的交互作用对水解度的影响较大[28]。等高线形状接近圆形,响应面平缓(图3图5),表明酶解温度和pH的交互作用、以及加酶量和酶解温度的交互作用对水解度的影响较小。该结论验证了回归与方差分析结果。

    采用Design Expert软件拟合实验结果,得出3个影响因素的最佳酶解条件为酶解温度45 ℃、pH 7.6、加酶量31 178.82 U·g−1,理论水解度为30.85%。取最佳酶解温度45 ℃、pH 7.6、加酶量31 200 U·g−1,在此优化条件下做3组平行实验,测得优化后的紫菜酶解液的水解度为31.37%,相对误差为1.7%,表明响应面法优化结果与实际值基本一致,对末水坛紫菜蛋白酶解工艺参数具有一定的实际预测价值。

    坛紫菜经过酶解,酶解液的抗氧化活性均有大幅度提高。与酶解前相比还原力提升了3倍多,DPPH·清除率提升了44.62%,·OH清除率提升了22.37%,${\rm{O}}_{\rm{2}}^{\rm{ - }}$·清除率提升了14.37% (表5)。这是由于酶解过程中产生了一些抗氧化性更好的小分子肽[29-30]。酶解前原料就具有一定的抗氧化能力,这是由于紫菜本身含有一定量的黄酮、多酚、多糖等具有较高抗氧化活性的物质[31-33]

    表  5  坛紫菜酶解前后抗氧化能力的比较
    Table  5.  Comparison of antioxidant activity of P. haitanensis before and after hydrolysis
    抗氧化指标
    antioxidant index
    酶解前
    before hydrolysis
    酶解后
    after hydrolysis
    还原力 reducing power 0.7±0.01 2.2±0.006
    DPPH·清除率/%
    scavenging activity
    11.64±0.02 56.26±0.01
    ·OH清除率/%
    scavenging activity
    63.47±0.05 85.84±0.02
    ${\rm{O}}_{\rm{2}}^{\rm{ - }}$·清除率/%
    scavenging activity
    58.36±0.07 72.73±0.03
    下载: 导出CSV 
    | 显示表格

    本文比较了6种酶对坛紫菜蛋白水解度和还原力的影响,结果表明中性蛋白酶为最适用酶。与热水浸提、酸碱提取、仪器辅助等手段相比,生物酶解具有条件温和、保护生物活性、副产物少等优点,紫菜通过生物酶解改变蛋白分子的大小构象及分子间/内作用力,从而改变其功能性[6]。不同蛋白酶具有不同的酶学性质,酶解产物抗氧化能力有显著差异,但均可有效破坏紫菜蛋白立体结构,暴露内部功能性基团[34]。在多种蛋白酶中,中性蛋白酶是一种内切酶,推测中性酶可将蛋白质水解成分子量合适的抗氧化多肽,促进肽键断裂使自由氨基、羧基和氨基酸残基浓度增加,从而获得高抗氧化活性[35]。通过单因素和响应面实验确定各因素对末水坛紫菜水解度的影响顺序为加酶量>pH>酶解温度,最佳酶解条件为:加酶量31 200 U·g−1,酶解温度45 ℃,酶解pH 7.6。优化后的紫菜酶解液的水解度为31.37%,其相对误差为1.7%;最优条件下坛紫菜酶解液的还原力达2.2,对DPPH、·OH和${\rm{O}}_{\rm{2}}^{\rm{ - }}$·清除率分别为56.26%、85.84%和72.73%,具有良好的抗氧化活性。下一步可以对末水坛紫菜蛋白肽的分子量与抗氧化性关系进行探究。

  • 图  1   CPUE时间序列分布图

    Figure  1.   Distribution of CPUE time series

    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  3   nodeGAM模型统计结果

    Figure  3.   Statistical results of nodeGAM

    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 explained
    F
    F-value
    p
    p-value
    均方误差
    MSE
    表层温度T05 3884.88%14.487<0.050.149
    100 m水层温度T1004 52622.3%36.288<0.05
    200 m水层温度T2004 47323.5%7.891<0.05
    300 m水层温度T3004 39825.1%12.426<0.05
    叶绿素a浓度CHL-a4 31026.9%9.072<0.05
    表层盐度SSS4 15529.4%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(3)

    1. 刘伟,臧娜,林东明. 阿根廷滑柔鱼雄性个体的能量积累特点及与环境因子关系. 水生生物学报. 2024(02): 342-350 . 百度学术
    2. 林东明,宋维,冯艺璇. 阿根廷滑柔鱼能量积累的食物组成及其生态角色的研究进展. 渔业科学进展. 2024(02): 162-172 . 百度学术
    3. 梅勇杰,林东明. 东南太平洋赤道海域茎柔鱼(Dosidicus gigas)雌雄性比变化及与海域环境的关系. 海洋与湖沼. 2024(06): 1488-1498 . 百度学术

    其他类型引用(1)

图(5)  /  表(1)
计量
  • 文章访问数:  152
  • HTML全文浏览量:  47
  • PDF下载量:  52
  • 被引次数: 4
出版历程
  • 收稿日期:  2024-03-07
  • 修回日期:  2024-04-25
  • 录用日期:  2024-05-10
  • 网络出版日期:  2024-05-16
  • 刊出日期:  2024-08-04

目录

/

返回文章
返回