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.

  • 中太平洋的黄鳍金枪鱼 (Thunnus albacares) 是我国金枪鱼延绳钓渔业的主要捕捞对象之一[1],属于高度洄游的大洋性鱼类[2],渔场主要分布在20°N—20°S的太平洋热带海域[3-4]。根据2022年联合国粮食及农业组织(Food and Agriculture Organization of the United Nations, FAO)发布的《世界渔业和水产养殖状况报告》[5],自2018年起,全球黄鳍金枪鱼的年捕捞量已超过1.5×106 t。探究中太平洋黄鳍金枪鱼的单位捕捞努力量渔获量 (Catch perunit of effort, CPUE) 的时空分布与环境因子间的关系对于提高捕捞效率、降低捕捞成本、促进黄鳍金枪鱼资源的可持续开发具有重要意义。

    当前对黄鳍金枪鱼与环境因子的研究模型包括统计学模型以及机器学习和人工智能2种常见类别。统计学模型:如宋利明等[6]利用多元线性回归方法分析了库克群岛海域的黄鳍金枪鱼与环境因子之间的关系,发现作业水层、温度和叶绿素a浓度等均对其分布有重要影响。王啸等[7]利用广义线性模型 (Generalize Linear Model, GLM) 对中西太平洋黄鳍金枪鱼延绳钓渔获组成进行分析,发现月相 (正弦) 对黄鳍金枪鱼CPUE具有边际显著影响。费姣姣等[8]使用广义相加模型 (Generalized Additive Model, GAM) 分析了黄鳍金枪鱼CPUE与海山之间的关系,发现黄鳍金枪鱼渔获量主要来源于海山区域,海山特征对黄鳍金枪鱼的CPUE产生了极显著影响。上述统计学模型具有结构稳定、操作简单的优点[9],但实际的渔业生产数据可能并不满足线性模型对于数据的假设,因此可能导致效果较差[10]。机器学习和人工智能方法:如丁鹏等[11]建立了多种黄鳍金枪鱼渔获量与气候因子之间关系的模型并进行了相互比较,发现卷积双向长短期记忆神经网络 (CNN-BiLSTM) 模型效果最佳,可以有效进行产量预测。郑志辉[12]构建了3种中西太平洋海域的黄鳍金枪鱼渔情预报模型,认为人工神经网络在多环境因子情况下的建模具有更好的表现,但也提出了人工神经网络只能得到预测结果,而无法得到关系方程或环境因子的影响机制和权重。基于此,本研究将神级广义相加模型 (nodeGAM) 引入到渔业研究中,并将其与传统的GAM模型进行了比较。nodeGAM模型在GAM模型的基础上,融入深度学习的结构,旨在通过深度学习增强GAM模型的解释能力,降低其误差范围,同时改善了以往神经网络模型作为黑盒模型,无法解释环境变量影响机制的问题。

    本研究利用太平洋中东部 (FAO77区) 和中西部 (FAO71区) 2018—2022年的黄鳍金枪鱼延绳钓生产数据,结合不同水层的温度、表层叶绿素a浓度 (CHL-a) 和海表盐度 (Sea surface salinity, SSS),通过构建GAM和nodeGAM模型,分析中太平洋黄鳍金枪鱼延绳钓CPUE与环境因子间的关系,并对2种模型的结果进行比较,以期为高效寻找黄鳍金枪鱼延绳钓渔场提供科学帮助。

    研究区域为120°W—105°E、20°N—25°S,时间为2018—2022年。渔业生产数据来自中国远洋渔业工程技术研究中心,数据内容包括作业时间、作业经纬度、投钩数量、渔获尾数等,将数据的空间分辨率设置为0.25°×0.25°。CPUE计算公式为[13]

    $$ \begin{array}{c}{\mathrm{C}\mathrm{P}\mathrm{U}\mathrm{E}}_{(i,\;j)}=\dfrac{{N\left(\mathrm{f}\mathrm{i}\mathrm{s}\mathrm{h}\right)}_{(i,\;j)}\times 1\mathrm{ }000}{{N\left(\mathrm{H}\mathrm{o}\mathrm{o}\mathrm{k}\mathrm{s}\right)}_{(i,\;j)}}\end{array} $$ (1)

    式中:$ {\mathrm{C}\mathrm{P}\mathrm{U}\mathrm{E}}_{(i,\;j)} $ 为以经度 $ i $、纬度 $ j $ 为中心的0.25° 网格范围内的每月渔获率;$ {N\left(\mathrm{f}\mathrm{i}\mathrm{s}\mathrm{h}\right)}_{(i,\;j)} $ 为以经纬度 $ (i,\;j) $ 为中心的0.25° 网格范围内每月的渔获尾数之和;$ {N\left(\mathrm{H}\mathrm{o}\mathrm{o}\mathrm{k}\mathrm{s}\right)}_{(i,\;j)} $ 为以经纬度 $ (i,\;j) $ 为中心的0.25° 网格范围内每月的投钩数量之和。

    根据太平洋中部海洋环境特性、黄鳍金枪鱼的生物学特性等,本研究选用的环境数据包括表层海水温度 (T0)、100 m海水温度 (T100)、200 m海水温度 (T200)、300 m海水温度 (T300)、 CHL-a和SSS。数据来自哥白尼海洋环境监测中心 (https://www.copernicus.eu/en),时间分辨率为月,SSS和各水层温度数据的初始空间分辨率为0.083°×0.083°,CHL-a初始空间分辨率为0.25°×0.25°,使用ArcMap 10.5软件中的重采样工具将环境数据的空间分辨率统一调整为0.25°×0.25°,并与渔业生产数据按照年、月和经纬度进行一一匹配。

    T0T100T200T300、CHL-a和SSS等环境因子作为解释变量,为避免CPUE中存在0值,响应变量设置为ln(CPUE+1)[14],分别构建GAM和nodeGAM模型。

    GAM模型在R编程环境中使用mgcv包构建,本研究中GAM模型的表达式为:

    $$ \begin{array}{c}{\mathrm{ln}}(\mathrm{C}\mathrm{P}\mathrm{U}\mathrm{E}+1)\sim s\left({T}_{0}\right)+s\left({T}_{100}\right)+s\left({T}_{200}\right)+s\left({T}_{300}\right)+\\ s\left(\mathrm{S}\mathrm{S}\mathrm{S}\right)+s\left(\mathrm{C}\mathrm{H}\mathrm{L}\text{-}a\right)+\epsilon\\[-12pt] \end{array} $$ (2)

    式中:s为对环境因子进行自然样条平滑拟合函数处理;T0T100T200T300、SSS、CHL-a为参与建模的环境因子;$\epsilon $ 为截距。

    GAM模型可以通过偏差解释率和均方误差 (Mean-square error, MSE) 检验模型的拟合效果和预测水平,较高的偏差解释率和较低的MSE被视为模型拟合效果良好的标志。模型结果中包含t检验的评估结果,可以判断各环境因子对CPUE是否具有显著影响,一般认为p<0.05时影响显著[15]。利用赤池准则信息[16](Akaike Information Criterion, AIC) 评估逐步加入环境因子后模型的拟合程度,若随着新因子的加入,AIC不断降低,则说明模型的拟合效果有所提升。

    nodeGAM模型建立在GAM模型基础上,继承了GAM模型的可加性和可解释性,并在模型结构中引入了深度学习的结构,使之成为一种可解释的神经网络GAM模型[17]。nodeGAM模型主要计算公式为:

    $$ \begin{array}{c}{F}^{{\mathrm{c}}}\left(x\right)=x·{\mathrm{e}}{{\mathrm{ntmax}}}_{\alpha }\left(\dfrac{{F}^{{\mathrm{c}}}}{T}\right),T\stackrel{{S}_{{\mathrm{steps}}}}{\longrightarrow }0\end{array} $$ (3)

    式中:$ x $ 为输入模型的环境因子;$ {F}^{{\mathrm{c}}}\left(x\right) $ 为单个特征因子权重得分;$ {\mathrm{e}}{{\mathrm{ntmax}}}_{\alpha }\left(\dfrac{{F}^{{\mathrm{c}}}}{T}\right) $ 的作用是根据每个特征变量的Fc计算相应的概率分布;T为退火参数,$ T\stackrel{{S}_{{\mathrm{steps}}}}{\longrightarrow }0 $ 表示在学习过程中T由1逐渐减小至0,使得$ {\mathrm{e}}{{\mathrm{ntmax}}}_{\alpha }\left(\dfrac{{F}^{{\mathrm{c}}}}{T}\right) $ 变为独热编码形式,目的是使模型中的每棵树仅选择1个特征变量,从而实现模型的可加性和可解释性。

    $$ \begin{array}{c}{g}_{l\widehat{i}i}={G}_{\widehat{i}}·{G}_{i} \end{array} $$ (4)
    $$ \begin{array}{c}{F}_{li}=x·{G}_{i}+\dfrac{1}{{\sum }_{\widehat{l}=1}^{l-1}{\sum }_{\widehat{i=1}}^{I}{g}_{l\widehat{i}i}}\sum\limits _{\widehat{l}=1}^{l-1}\sum\limits _{\widehat{i}=1}^{I}{h}_{\widehat{l}\widehat{i}}\left(x\right){g}_{l\widehat{i}i} \end{array} $$ (5)

    式中:$ \widehat{l} $ 和 $ l $ 表示不同的层;$ \widehat{i} $ 和 $ i $ 表示这2层中不同的两棵树;$ {G}_{i} $表示第i棵树的概率分布,即$ {{\mathrm{e}}{{\mathrm{ntmax}}}_{\alpha }\left(\dfrac{{F}^{{\mathrm{c}}}}{T}\right)}_{i} $;$ {g}_{l\widehat{i}i} $ 表示门控权重;$ {h}_{\widehat{l}\widehat{i}}\left(x\right) $ 表示 $ \widehat{l} $ 层中第 $ \widehat{i} $ 棵树的输出结果;$ {F}_{li} $ 表示 $ l $ 层中的第$ i $棵树的特征函数,$ {F}_{li} $ 决定了这棵树如何选择和处理输入特征,通过此种交互通过门控的形式,可以让每层专注于1个特征,从而增强模型的可解释性。

    $$ \begin{array}{c}\widehat{y}\left(x\right)=\sum\limits _{l=1}^{L}\sum\limits _{i=1}^{I}{h}_{li}\left({x}_{l}\right){w}_{li} \end{array} $$ (6)

    式中:$ \widehat{y}\left(x\right) $ 表示模型对输入变量x的预测输出;$ {w}_{li} $ 表示 $ l $ 层中的第 $ i $ 棵树的权重。模型最终输出分为2步,首先计算每一层内的所有树的加权输出之和,然后对所有层求和。通过此种结构,使得nodeGAM模型可以学习到特征的层级组合,同时 $ {w}_{li} $ 也让模型可以学习到不同层和不同树的重要性。

    通过结合可微分的遗忘决策树结构和GAM结构,使得nodeGAM模型可以快速学习非线性的跳跃变化,更好地匹配真实数据模式。nodeGAM模型同时具有深度学习能力和因子影响机制的可加性和可解释性,已在多个领域取得成果[18-19]

    本研究中,nodeGAM模型在Python编程环境中使用nodeGAM和sklearn库构建。模型训练过程中,用训练损失评估模型的拟合效果,若随着训练迭代的增加,训练损失逐渐减小,说明模型在数据上的拟合效果逐步提升。模型在设定的参数范围内使用全局搜索来寻找最佳参数组合,以提升模型的拟合能力。设置模型重复运行5次,取5次结果的平均值作为最终拟合结果,并在每次运行时使用5折交叉验证输出评估结果,即单次输出的偏差解释率和MSE为5次评估的平均值,可以有效降低模型由于偶然性带来的误差影响[20]。模型中环境因子的权重通过数值的相对大小来表达,数值越大权重越大。

    图1可得,不同年份和月份的CPUE存在显著性差异。年份上,每年的月均CPUE差距较大,2022年的月均CPUE最高(2.94 尾·千钩−1),而2018年的最低(1.5 尾·千钩−1)。月份上,计算了2018—2022年每个相同月份的CPUE平均值, 5—7月为CPUE的高峰期,月均值为2.87 尾·千钩−1;9—11月为低谷期,月均值为1.45 尾·千钩−1,二者相差近2倍。各年的月间CPUE变化规律较为一致,7—10月呈现逐月递减趋势,至11月趋于稳定或回升。

    图  1  CPUE时间序列分布图
    Figure  1.  Distribution of CPUE time series

    图2为2018—2022年CPUE在空间上的分布情况。2018年,CPUE主要分布在160°E—160°W、10°S—15°N;2019年,CPUE分布向东南方向扩大,扩展至160°E—120°W、20°S—15°N;2020年,CPUE向西北方向移动,分布区缩小至2个区域,分别位于175°E—180°、5°S—5°N 和160°W—150°W、5°S—5°N;2021年前期,CPUE分布在170°E—180°、25°S—0°,后期则转移至140°W—120°W、5°S—5°N;2022年,CPUE集中在165°E—175°W、0°—5°N。经度上,CPUE主要集中在0°—10°S;纬度上,CPUE主要集中在165°E—180°。

    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

    GAM模型中各影响因子的统计结果如表1所示。根据AIC及累计偏差解释率可得,拟合效果最佳的GAM模型对CPUE的累计偏差解释率为29.4%,对于模型解释率贡献最大的因子为T100,解释率为17.42%;其次为T0和SSS,解释率分别为4.88%和2.5%,其余因子的解释率均不足2%。由Fp可见,所有的环境因子与CPUE均存在显著相关性。经计算,最佳模型的MSE为0.149。

    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 
    | 显示表格

    nodeGAM模型的累计偏差解释率为49.4%,MSE为0.103。nodeGAM模型的统计结果如图3所示,训练损失函数在2 000步之前快速下降,2 000~4 700步缓慢下降,4 700步之后保持基本平稳,损失函数值维持在接近0的水平。MSE的快速下降期为0~2 500步,在 2 500~4 700步略有降低,之后拟合效果达到最优并保持稳定。在环境因子的影响权重方面,T0T100是影响权重最高的2个因子,分别为24%和22%,随后依次为SSS (20%)、T300 (16%)、CHL-a (10%)、T200 (8%)。

    图  3  nodeGAM模型统计结果
    Figure  3.  Statistical results of nodeGAM

    图4可知,T0与黄鳍金枪鱼CPUE呈正相关关系,适宜的范围为T0≥27 ℃。nodeGAM模型在T0<26 ℃时对CPUE的影响略高于GAM模型,在T0≥26 ℃时,2个模型的拟合曲线基本一致 (图4-a)。T100对CPUE的影响表现为随水温升高呈先降后升的趋势,CPUE在23 ℃时达到最低值,随后GAM模型的曲线回升,适宜的T100范围为15~20 ℃和28~30 ℃,而nodeGAM的拟合曲线较GAM更为平缓 (图4-b),适宜范围的区间也较小。T200在nodeGAM模型中表现为,CPUE随T200的增加而降低,在20 ℃达到最低值,此后趋于平稳,适宜的T200范围为11.5~17 ℃;GAM模型的CPUE效应呈先升再降的趋势,在17.5 ℃左右达到峰值,适宜范围为12~17 ℃ (图4-c)。nodeGAM模型中T300对CPUE的影响曲线整体表现为负相关,在15 ℃时达到最低值,适宜的T300范围为9~12 ℃;GAM模型的拟合曲线接近线性负相关,CPUE随着T300的增加而逐渐降低,适宜的T300范围为9~12 ℃ (图4-d)。2个模型在CHL-a对CPUE的影响上均表现为:当CHL-a质量浓度<0.1 mg·m−3时,CPUE随着CHL-a浓度的增加而增加,当CHL-a质量浓度介于0.1~0.25 mg·m−3时,CPUE随着CHL-a浓度的增加而降低,当CHL-a质量浓度0.25 mg·m−3时CPUE又随之增加。当CHL-a质量浓度<0.15 mg·m−3时GAM与nodeGAM模型的趋势相似,当CHL-a质量浓度0.15 mg·m−3时nodeGAM模型的影响效应显著高于GAM模型 (图4-e)。GAM和nodeGAM模型的SSS浓度适宜范围均介于36‰~37‰,但在SSS介于34.5‰~35.5‰ 时,GAM模型表现为下凹效应,而nodeGAM模型表现为上凸效应 (图4-f)。

    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可见,经过GAM和nodeGAM模型标准化后的CPUE明显低于名义CPUE。年均名义CPUE在不同年份波动幅度较大,整体呈右侧波峰更高的“M”型趋势。相比之下,GAM和nodeGAM模型标准化的CPUE波动幅度较为平稳,但nodeGAM模型的走势与年均名义CPUE更为相似。月均CPUE方面,名义CPUE呈明显的季节性波动,1—3月水平较高,随后在4月急剧降低,又迅速增加,于5月达到波峰。下半年CPUE持续降低,在9—10月达到波谷,随后小幅回升。此外,还可以看出nodeGAM模型标准化的CPUE走势与月均名义CPUE基本一致。

    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

    从模型的结果来看,nodeGAM模型表现更佳,总体偏差解释率相较GAM模型提升了68.02%,MSE降低了30.87%。nodeGAM模型中环境因子对CPUE的影响按照贡献率从大到小依次为T0T100、SSS、T300、CHL-aT200,GAM模型中环境因子对CPUE的影响按照贡献率从大到小依次为T100T0、SSS、CHL-aT300T200。出现此种差异的可能原因是,GAM模型在拟合数据的过程中,每个解释变量都是相对独立的,通过对每个变量进行相加组合得到结果,不会考虑各变量间的相互依赖性[21];而nodeGAM模型可以对训练数据进行自动学习来捕捉特征和聚焦数据中成对的交互变量产生的影响[17]

    从模型绘制的响应曲线来看,nodeGAM模型的曲线更为平滑,对数据的变化也更为敏感;GAM模型绘制的曲线波动程度更大,或表现为线性相关。在图4-b中,GAM模型的T100效应曲线呈下凹状,适宜范围中包含了28~30 ℃,而nodeGAM模型仅将15~20 ℃识别为适宜区间。T300在GAM模型中表现为接近负相关的线性关系,而nodeGAM模型则呈倒S形(图4-d),更为贴近实际情况。SSS的效应图在GAM和nodeGAM模型中波峰盐度存在差异(图4-f),根据Romena[22]的研究结果,成年黄鳍金枪鱼主要分布在高盐海区,最适盐度范围为35.0‰~35.3‰,nodeGAM模型的曲线更符合此结果。出现上述情况可能是因为GAM模型更容易受到异常值影响,而nodeGAM模型具有深度学习能力,更能抵抗这种影响。因此可认为,nodeGAM模型在精度和模型解释能力方面均优于GAM模型,更适于分析中太平洋黄鳍金枪鱼与环境因子之间的关系。在渔业生产实践中,可以优先在T100为15~20 ℃、SSS为35.0‰~35.3‰等被2个模型均识别为黄鳍金枪鱼适宜生存环境的区域进行捕捞。对于GAM模型识别出的其他区间,可以作为次要捕捞区域。

    黄鳍金枪鱼的盛渔期在不同时期和海域有所差异[23]。本研究表明,黄鳍金枪鱼的CPUE呈现明显的季节变化,CPUE高峰期为5—7月,低谷期为9—11月,与代丹娜等[24]和杨胜龙[25]的研究结果基本一致。中太平洋夏季海水温度普遍高于秋季,更有利于黄鳍金枪鱼聚集,因此太平洋中部黄鳍金枪鱼延绳钓中心渔场在5—7月呈现集中分布趋势;而9—11月则为中心渔场离散的时间段,渔场向周围海域扩散,至次年5月份再次集中。加之厄尔尼诺或拉尼娜现象会改变水温和水层养分等条件,进而对黄鳍金枪鱼的CPUE分布产生影响[10,26],从而导致各年间的CPUE水平差异较大。年间CPUE变化表现为拉尼娜年的CPUE大于厄尔尼诺年,与Deary等[27]的研究结果一致。Prince等[28-29]认为产生这种现象是因为拉尼娜年黄鳍金枪鱼的适宜垂直栖息空间被压缩,迫使鱼群聚集在表层海域 (25~100 m),使得渔获率变高。从空间分布来看,本研究的黄鳍金枪鱼CPUE主要分布在赤道以南,且以5°S附近最盛,与王少琴等[30]、刘勇和陈新军[31]的研究结果相近。从CPUE表示黄鳍金枪鱼的资源分布状态[14]来看,黄鳍金枪鱼的资源丰度在赤道附近海域较高,可能与赤道附近的海流有关[23]。赤道逆流和南北赤道流共同组成了复杂的热带环流系统,一些海域海水从四周辐合,迫使表层海水下降,形成下降流;另一些海域海水向周围辐散,下层海水上升补充,形成上升流,将下层营养盐类带到表层,有利于浮游生物生长[32],成为黄鳍金枪鱼良好的索饵场,使其在该海域大量聚集。

    海水在垂直方向上的温度变化对黄鳍金枪鱼的分布具有显著影响[33],此外,CHL-a和SSS也具有明显的时空变化特征,因此金枪鱼延绳钓作业渔船的CPUE也会表现出时空分布规律。本研究中,nodeGAM和GAM模型的前三位显著影响影响因子均为T0T100和SSS,说明中太平洋黄鳍金枪鱼延绳钓的CPUE主要受到这3个因子影响,而T200、CHL-aT300的影响作用次之。

    温度是影响黄鳍金枪鱼活动和分布的重要环境因子之一[30],由于黄鳍金枪鱼具有垂直移动的习性[34],其对水温的变化十分敏感[35],在海水表层和其他不同水层温度的共同影响下形成中太平洋海域适宜的黄鳍金枪鱼渔场。研究结果表明,表层水温和100 m水温在2个模型中均属于重要影响因子,而200和300 m的水温对其影响则较小。可能原因如下:1)金枪鱼延绳钓作业的吊绳长一般在0~100 m,CPUE主要集中在这一水层范围内,因此受到此范围的水温影响较大,而更深层的水温影响则较小,杨胜龙等[15]研究结论也证明了这一点。2)表层水温和100 m水层温度在渔船作业时更易于获取,反映了作业人员对环境因子主动选择的结果。中太平洋黄鳍金枪鱼的最适海表温度为27~30 ℃,最适的100 m水温为15~20 ℃,与张春玲等[36]、刘勇和陈新军[31]的研究结果相似。CHL-a是海洋初级生产力指标[37],可以作为判断索饵渔场优良与否的重要指标之一。本研究结果表明,黄鳍金枪鱼CPUE较高海域的CHL-a质量浓度介于0.06~0.15 mg·m−3,与Song和Wu[38]的研究结果 (0.040~0.099 mg·m−3) 相比,浓度范围的上限更高,可能是由于中太平洋海域与印度洋海域的初级生产力水平不同。而王少琴等[30]对中西太平洋黄鳍金枪鱼与环境因子关系的研究中CHL-a适宜范围为0.152~0.168 mg·m−3,与本研究中CHL-a浓度范围的最大值相近。Swartzman等[39]指出,最适盐度只是形成鱼类密集区的必要条件,而非决定条件。这意味着,盐度并非唯一影响渔场形成的因素,其他环境因子也起着重要作用。Chen等[40]的研究进一步证实了盐度会对黄鳍金枪鱼产卵产生影响。结合本文研究结果,SSS在2个模型中均为第3显著的影响因子,说明SSS在渔场形成过程中更多起到了补充作用,与温度等其他环境因子共同起到了影响作用。

    本研究以温度等环境因子作为解释变量对黄鳍金枪鱼的CPUE进行了分析,从时间和空间2个维度研究了CPUE的变动趋势和可能存在的规律,解释了不同水层的温度、海表叶绿素浓度和海表盐度对其的影响作用,旨在为我国黄鳍金枪鱼渔业可持续发展提供科学参考。但本研究仅考虑了各水层的温度和几种表层的环境数据,用于分析中太平洋黄鳍金枪鱼CPUE与环境因子间的关系。有研究表明海水表层溶解氧和黄鳍金枪鱼的分布存在定量关系[41],在今后的研究中,可探究不同水层之间的温差、溶解氧等对黄鳍金枪鱼分布的影响。此外,在后续研究中,还可通过调整模型超参数等方面继续完善nodeGAM模型的学习和分析能力。

  • 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(1)

    1. 周淑婷,邹晓荣,李东旭. 基于NODE-GAM模型的太平洋中部大眼金枪鱼CPUE时空分布及其与环境因子的关系. 广东海洋大学学报. 2025(01): 55-61 . 百度学术

    其他类型引用(0)

图(5)  /  表(1)
计量
  • 文章访问数:  148
  • HTML全文浏览量:  46
  • PDF下载量:  50
  • 被引次数: 1
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