南海外海鸢乌贼(Sthenoteuthis oualaniensis)资源丰富^[1]，已成为当前南海渔业发展最主要的捕捞对象。光诱罩网作为捕捞鸢乌贼资源的主要作业方式，其网具性能也越来越受到关注。为了提高罩网网具的渔获性能，进而提升作业效率和产量，有必要开展网具性能及其影响因子的相关研究。目前已有学者对网具的沉降性能进行了深入的研究，如网具沉降性能与放网时间、放网速度等操作因素^[2-5]，与风速、流速等环境因素的关系^[2-4]，以及不同配重下的沉降性能等^[6-7]，但这些研究多集中于网具沉降性能本身，即使是研究较为成熟的围网也不例外^[8-11]，而对于沉降性能与渔获率之间的关系研究很少见到^[12]。网具沉降性能对渔获率有重大影响，如何量化它们之间的相关关系，已成为当前网具性能研究的焦点。

最大沉降深度 (D)和平均沉降速度 (S)作为2个反映网具沉降性能最重要的指标，哪个指标对渔获率的影响更大，在实际作业过程中该如何人为调控？本研究根据2013—2016年南海光诱罩网船68个网次的作业数据，采用广义加性模型(generalized additive model，GAM)和Logistic回归模型量化分析网具沉降性能与鸢乌贼渔获率的关系，以期为调整渔具作业方式、提高灯光罩网渔获率提供参考依据。

1.   材料与方法

1.1   调查时间和海域

数据源于2013—2016年海上生产性调查，事先不设具体站点，调查范围为110°E~118°E、9°N~18°N，调查位置分布见图1。船只每晚作业1~11网次，其中第一网光诱时间差异不大，其他网次诱鱼时长不等，故只选择第一网所捕获的鸢乌贼进行相关分析。调查时间和调查船信息见表1。

图  1  南海光诱罩网调查位置分布

Figure  1.  Survey sites of light falling-net vessels in South China Sea

下载: 全尺寸图片 幻灯片

表  1  调查时间和调查船信息

Table  1.  Information of survey date and fishing vessel

年 year	日期 date	阴历 lunar calendar	测定的有效网次 effective fishing set	生产船 fishing vessel
2013	03.11—04.14	正月三十—三月初五	8	桂北渔 80208
2014	04.24—05.29	三月二十五—五月初一	20	粤电白 42212
2015	03.10—03.21	正月二十—二月初二	11	粤电白 42212
2016	03.27—04.28	二月十九—三月二十二	29	桂北渔 80208

下载: 导出CSV 

| 显示表格

1.2   测试仪器和方法

测试仪器为加拿大RBR公司生产的TDR-2050型微型温度深度计(简称TDR，下同)。仪器测定深度范围为10~740 m，测试精度为满量程的0.05%，分辨率为满量程的0.001%。

测试过程中，在左舷网口纲不同位置扎绑3个TDR (图2)，用于测定网具不同位置的沉降深度，考虑到船体后部支架正下测量点的网口纲最大沉降深度最大，因此在分析沉降深度和沉降速度与时间的关系时选取1^#TDR的数据进行分析。网口纲不同时刻的沉降速度通过TDR预设间隔2 s测定一次深度获得。

图  2  TDR测定位置示意图

Figure  2.  Measured position of TDR

下载: 全尺寸图片 幻灯片

1.3   数据分析

1.3.1   数据标准化修正

采用效能比法^[13]对鸢乌贼渔获率数据进行标准化修正，本研究以“桂北渔80208”船的船舶参数和渔具参数作为参考标准，修正“粤电白42212”船的鸢乌贼渔获率数据。修正时考虑的参数有：1)网口完全撑开时的网口面积；2)渔船总功率；3)集鱼灯总功率，修正公式为：

式中C_j为利用效能比法计算后得到的“粤电白42212”船标准化鸢乌贼渔获率；A₁、P₁、p₁分别为“粤电白42212”船的网口面积、渔船总功率和集鱼灯总功率；A₂、P₂、p₂分别为“桂北渔80208”船的网口面积、渔船总功率和集鱼灯总功率；C_i为“粤电白42212”船各调查点第一网鸢乌贼的渔获率。

1.3.2   GAM模型

利用GAM模型^[14]来分析南海罩网沉降性能对鸢乌贼渔获率的影响，其表达式为：

式中Y为渔获率，单位为t·(d·网次)^–1；x_i为各自变量，包括最大沉降深度和平均沉降速度；f_i为各自变量的任意单变量函数；α表示适合模型中的截距；ε为误差，与x_i无关，$E(\varepsilon ) = 0$，变量$\varepsilon = {\sigma ^2}$，符合正态分布。

1.3.3   渔获率与沉降性能的关系

为了更加明确渔获率与沉降性能的关系，可以根据GAM模型的运算结果，确定最大沉降深度和平均沉降速度2个指标中影响显著的因子，并将其分组，计算每个组距内渔获率的平均值，从而建立渔获率与沉降性能的关系模型。

1.3.4   Logistic回归模型

为了量化罩网沉降性能对鸢乌贼渔获率的影响，分析最大沉降深度和平均沉降速度与渔获率的关系，定义某网次的渔获率大于平均渔获率的40%时为投网成功(以符号“1”表示)，否则为投网失败(以符号“0”表示)。故投网结果就只有成功和失败两种结果，属于典型的二项分布。Logistic回归模型是二项分布族中应用最为普遍的非线性回归模型，因此使用该模型来分析沉降性能对投网结果的影响^[14]，模型表达式为：

式中 $\log it$为二项分布族连接函数；F为投网成功率；${\beta _0}$为常数项或截距，${\beta _1}$和 ${\beta _2}$为模型回归系数。

利用赤池信息准则(AIC准则)检验模型拟合的程度^[15-16]，AIC值越小表明模型的拟合效果越好。利用F检验评估因子的显著性，P值用于确定平滑函数是否显著地减少了模型误差，估计自由度(estimated df，EDF)用于判断因子与响应变量是否属于线性关系，模型的构建和检验通过R 2.15.2软件实现。

2.   结果

2.1   沉降性能

本研究统计的68次投网中，最大沉降深度的范围为53.53~103.10 m，平均沉降速度的范围为0.188~0.421 m·s^–1。比较不同年份间沉降性能变化情况，结果显示2015年和2016年最大沉降深度明显大于2013年和2014年，平均沉降速度在2013—2016年间呈现逐年递增的趋势(图3)。对不同年份的最大沉降深度进行单因素方差分析，发现不同年份下网口最大沉降深度存在显著性差异(P=8.47E–05<0.05)；对不同年份的平均沉降速度进行单因素方差分析，发现不同年份下平均沉降速度也存在显著性差异(P=2.32E–09<0.05)。图3可以对最大沉降深度和平均沉降速度数据的异常值进行检测，发现最大沉降深度有3个异常值，在GAM模型和Logistic回归运算中可以将其舍去。

图  3  最大沉降深度和平均沉降速度的箱型图

Figure  3.  Fox-plots of maximum sinking depth and average sinking speed in different years

下载: 全尺寸图片 幻灯片

2.2   GAM模型的运算结果

通过GAM模型的逐步回归分析表明，在反映罩网沉降性能的2个指标中，最大沉降深度对渔获率影响高度显著(P=1.53E–03<0.01)，其相关关系为非线性关系(EDF≠1)，模型的解释能力为36.60%；而平均沉降速度对渔获率影响不显著(P=0.92>0.05)，模型的解释能力也只有0.02%，故可以将其舍去(表2)。由最大沉降深度与渔获率的GAM分析图(图4)中可见，渔获率总体上是随着最大沉降深度的增加而增大。这也验证了网具的最大沉降深度与捕捞结果关系密切，其增加有助于提高渔获率。

表  2  GAM模型统计结果

Table  2.  Statistical results of GAM

模型因子 model factor	估计自由度 EDF	参考自由度 ref. df	F	P	模型解释能力/% deviance explained
D	7.30	8.29	3.56	1.53 E–03	36.60
S	1.00	1.00	0.01	0.92	0.02

下载: 导出CSV 

| 显示表格

图  4  最大沉降深度与渔获率的GAM分析图

Figure  4.  Relationship between maximum depth and catch rate on generalized additive model

下载: 全尺寸图片 幻灯片

为了确定渔获率随最大沉降深度的变化，可以将最大沉降深度分组，以10 m为组距，计算每个组距内渔获率的平均值，从而建立渔获率与最大沉降深度的关系模型(图5)。其关系式为：

图  5  渔获率随最大沉降深度的变化

Figure  5.  Variation of catch rate with maximum sinking depth

下载: 全尺寸图片 幻灯片

由图可知，渔获率随着最大沉降深度的增加而稳步增加。

2.3   Logistic回归结果

通过Logistic回归模型分析表明，平均沉降速度这一指标并未通过显著性检验(P=0.58>0.1，表3)，这与GAM模型的分析结果一致。为得到最优的回归模型，采用逐步回归法进行计算，以AIC准则检验模型拟合的程度。在模型F~D+S的运算中发现，去掉变量D后，模型的AIC值增加，而去掉变量S后模型的AIC值才会减小；且在模型F~D的运算中去掉变量D后，模型的AIC值同样增加(表4)。因此，可以得到其与罩网沉降性能关系的最优模型，其模型参数已通过检验(P<0.1，表5)，表达式为：

表  3  Logistic回归模型原始的参数估计

Table  3.  Estimate of parameters for original model of Logistic regression

系数 coefficient	估计值 estimate	标准差 Std.error	z	P
β0	– 2.48	2.65	– 0.94	0.35
β1	0.05	0.03	1.76	0.08
β2	3.41	6.20	– 0.55	0.58

下载: 导出CSV 

| 显示表格

表  4  逐步回归的计算

Table  4.  Calculation of stepwise regression

模型 model	去除变量 removal of variables	自由度 df	方差 deviance	信息统计量 AIC
F~D+S	不去除	–	85.09	91.09
	–D	1	88.48	92.48
	–S	1	85.40	89.40
F~D	不去除	–	85.40	89.40
	–D	1	88.52	90.52

下载: 导出CSV 

| 显示表格

表  5  Logistic回归模型最优的参数估计

Table  5.  Estimate of parameters for optimal model of Logistic regression

系数 coefficient	估计值 estimate	标准差 Std. error	z	P
β0	–3.27	2.23	–1.47	0.14
β1	0.05	0.03	1.70	0.09

下载: 导出CSV 

| 显示表格

模型的逐步回归计算结果再次表明，投网成功率与最大沉降深度密切相关，而与沉降速度关系并不密切。运用该模型对不同最大沉降深度所对应的投网成功率进行预测可以发现，随着最大沉降深度的增加，投网成功率显著提高 (图6)。68次的投网结果表明，88.24%网次的最大沉降深度在60~80 m水深之间，其预测的投网成功率也从60 m时的45.31%提高到80 m的69.85%。

图  6  预测成功率随最大沉降深度的变化

Figure  6.  Change of predicted rate of fishing success with maximum sinking depth

下载: 全尺寸图片 幻灯片

3.   讨论

广义线性模型 (generalized linear model, GLM，本研究的Logistic回归模型属于GLM的一种)和GAM模型是当前渔业资源研究中应用最为广泛的方法。GLM模型强调参数的估计和推广，可以得到主要影响因子及其贡献度，并可考虑多因子的交互效应；而GAM模型则是一种非参数性的探索，是在GLM模型基础上发展起来的一种非线性关系，且模型中每个变量都是相对独立的^[4,17-18]。国内外很多学者都曾采用2种模型分析渔业资源与环境因素间的关系^[l6-19]，但是这些因素是不可控的，只是有助于了解渔场、寻找渔场。网具沉降性能作为可以人为调控的影响因素，研究其对渔获率的影响更为重要，且网具沉降性能受到放网时间、放网速度等操作因素以及环境因子的影响，其本身就是多种影响因素的集合体。因此本研究采用GLM和GAM模型2种方法对网具沉降性能与鸢乌贼渔获率的相关关系进行了研究，2种模型分析的结果都是一致的，确切反映了鸢乌贼渔获率与最大沉降深度的关系密切，而与平均沉降速度并无关系。因此，为提高罩网鸢乌贼的渔获率，应尽可能提高网具最大沉降深度。

GAM模型运算中模型的解释能力只有36.60%，这是因为沉降性能只是影响渔获率的影响因子之一，其他影响因子还有很多，如月光、温跃层深度、初级生产力、流速、投网位置和方向、绞纲时间等。海上实际观测和研究都显示^[20-21]，月光会影响集鱼灯效果进而影响鸢乌贼渔获率。不同渔场的海洋环境特征对渔获率的影响差异也很大，研究显示^[22]某些海域温跃层的特性能够影响捕捞活动的成败，而王学昉等^[23]发现中西太平洋渔场较深的温跃层顶界深度无法影响到当地鲣鱼的渔获率。海洋初级生产力则决定海洋渔业资源的潜在产量，净初级生产力的季节变动是北太平洋柔鱼秋生群体资源年间变动的重要诱因^[24]。在今后的研究中，应专注多种数据的收集，以便综合评价各种因素对捕捞结果的影响。

研究显示，围网网具中部的平均沉降深度可达160 m，沉降时间约为420 s^[5]；而罩网的平均沉降深度约为70 m，沉降时间约为250 s^[2]。罩网作业是一种快速、高效的作业方式，每天作业网次在7~12次间，风力、流速等环境因素对其平均沉降速度影响有限^[2]，渔民在实际作业过程中就已经考虑到保证一定的沉降速度。因此，模型分析结果显示平均沉降速度对渔获率的影响不显著。通过对不同下纲重量下网具沉降性能的研究，认为下纲重量的增加会增加网具最大沉降深度，但平均沉降速度增加到一定程度后会趋于一个定值^[6-7,25]。因此，一定的沉降速度条件下，网具的最大沉降深度就成为了捕捞成功与否的重中之重。这个结果也在海上实际观测和模型预测中得到了验证。而王学昉等^[12]研究发现围网自由鱼群的投网成功率与沉降速度关系密切，而与最大沉降深度关系不显著，这是由于金枪鱼游速相对鸢乌贼明显过快。光诱罩网在实际作业过程中，因作业海域及作业时间的差异，主捕鱼种可以分为4类：头足类 [包括鸢乌贼、中国枪乌贼 (Loligo chinensis)等]、鲹科鱼类 [包括细鳞圆鲹(Decapterus macarellus)、长体圆鲹(D.macrosoma)、蓝圆鲹(D.maruadsi)、竹䇲鱼(Trachurus japonicas)等]、小型金枪鱼类 [包括鲣(Katsuwonus pelamis)、扁舵鲣(Auxis thazard)、圆舵鲣(A.rochei)、鲔(Euthynnus affinis)等]和带鱼类 [包括带鱼(Trichiurus japonicas)、短带鱼(T.brevis)]。因此，在今后的研究中，应针对不同的主捕物种与沉降性能的关系进行研究，并制定不同的捕捞策略。

模型的预测结果显示，为达到80%以上的投网成功率，建议最大沉降深度增加至90 m以上。而无论从海上的实际观测结果还是数值模拟^[26]的分析结果，都显示罩网放网后网囊部分没有明显沉降，这说明罩网在实际作业中沉降深度还有很大的提升空间。2015年和2016年的最大沉降深度和平均沉降速度明显高于2013年和2014年，说明我国渔民已经认识到沉降性能对渔获率的影响，并通过调整配重以及放网时间来改进。在今后的研究中，应对不同配重及放网时间的沉降性能进行研究，寻找到船网匹配、安全高效、成本低廉的最佳方案。