Research on fishing grounds forecasting models of albacore tuna based on ensemble learning in South Pacific
-
摘要:
文章利用2008—2015年南太平洋长鳍金枪鱼 (Thunnus alalunga) 延绳钓渔业数据，结合11个环境指标 (海表温度、叶绿素a (Chl-a)浓度、海表温度距平、叶绿素距平、海表温度梯度、叶绿素梯度、海平面异常以及渔区格网对应的前后各1个月海表温度和叶绿素值) 和3个时空指标 (月、经度和纬度)，并基于6种集成学习模型，以月为时间分辨率、0.5°×0.5°为空间分辨率，开展了南太平洋长鳍金枪鱼渔场模型构建和预报研究。模型通过10折交叉验证和网格搜索思想确定最佳参数，采用的随机森林、Bagging决策树、C5.0决策树、梯度提升决策树、AdaBoost、Stacking集成模型分别取得了75.52%、73.87%、72.99%、71.14%、71.33%、75.84%的分类准确率。经对比，Stacking集成模型准确率最高。利用2015年环境数据进行预报精度检验，预报总体准确率为63.86%~82.14%，平均70.99%；高单位捕捞努力量渔获量 (Catch per unit effort, CPUE) 渔区预报准确率为62.71%~97.85%，平均78.76%。结果表明Stacking集成模型对南太平洋长鳍金枪鱼渔场的预报具有较好的效果及可行性。
Abstract:According to the data of longline fishing of Thunnus alalunga in the South Pacific Ocean from 2008 to 2015, we investigated 11 environmental indicators (sea surface temperature, chlorophyll a concentration, sea surface temperature anomaly, chlorophyll anomaly, sea surface temperature gradient, chlorophyll gradient, sea level anomaly, and sea surface temperature and chlorophyll values one month before and after the corresponding fishing area grid) and three spatio-temporal indicators (month, longitude and latitude). Besides, based on six integrated learning models, taking month as time resolution and 0.5°×0.5° as space resolution, we carried out the model construction and prediction of T. alalunga fishery in the South Pacific. The optimal parameters of the model are determined by 10 fold cross validation and grid search. The accurary rates of RF (Random forest), Treebag, C5.0 decision tree, GBDT (Gradient boosting decision tree), AdaBoost (Adaptive boosting) and Stacking integration model were 75.52%, 73.87%, 72.99%, 71.14%, 71.33% and 75.84 %, respectively. The Stacking integration model had the highest accuracy. We used 2015 environmental data to test the forecast accuracy, and find that the overall forecast accuracy was 63.86%−82.14%, with an average of 70.99%; the forecast accuracy of catch per unit effort (CPUE) fishing area was 62.71%−97.85%, with an average of 78.76%. The results show that the Stacking integration model has a good effect and feasibility on the prediction of T. alalunga fishery in the South Pacific.
-
Keywords:
- Thunnus alalunga /
- Fishing ground forecast /
- Ensemble learning /
- South Pacific
-
黄鳍金枪鱼 (Thunnus albacares) 隶属于鲭科、金枪鱼属，是一种喜集群的大洋性洄游鱼类，因背鳍、臀鳍及小鳍同为橘黄色，又名黄鳍鲔[1]。广泛分布于太平洋、大西洋、印度洋的热带和亚热带海域[2]。众所周知，金枪鱼具有生长速度快、粗蛋白和不饱和脂肪酸含量高的特点，深受消费者喜爱[3]。金枪鱼的丰度还可以支持珊瑚礁、沿海渔业和海水养殖等产业的可持续开发和利用[4]。其种群是组成远洋生态系统的关键部分，也是世界上最大和最有价值的渔业之一[5]。
对水生动物来说，pH是一个重要的环境因子，其极细微的变化也会产生深远影响[6]；从而引起生态系统内一系列的化学变化，影响大多数水产生物的生长、繁殖、代谢与生存[7]。当水体pH下降到一定程度，超过机体的最大调控范围，就会出现细胞内酸中毒和环境高碳酸血症[8]。二氧化碳 (CO2)排放过量引起的海洋酸化改变了海洋环境，扰乱了海洋动物机体的新陈代谢、酸碱平衡和生物体内多种酶的活性[9]。有研究表明，水体酸化会使金头鲷 (Sparus aurata) 的抗氧化能力受到抑制[10]；过酸的养殖水体会显著影响脊尾白虾 (Exopalaemon carinicauda) 的非特异性免疫力[11]；酸化导致了青鳉 (Oryzias melastigm) 幼鱼脂质代谢紊乱[12]；严重的酸化条件与舌齿鲈 (Dicentrarchus labrax) 显著升高的最大代谢率有关[13]；海洋酸化会导致金枪鱼的生物量减少[14]。
大气中过多的CO2被海水吸收后形成碳酸，增加了海水酸度，然而少有酸化胁迫对黄鳍金枪鱼幼鱼生理特性影响的报道。随着捕捞量的增加，金枪鱼的资源量急剧下降，无法满足市场需求。本研究通过测定相关酶活性，评估海水酸化胁迫对黄鳍金枪鱼幼鱼抗氧化防御系统和免疫功能的影响，为海洋生态环境和金枪鱼野生种群的保护提供参考。
1. 材料与方法
1.1 实验材料
黄鳍金枪鱼幼鱼平均体长为 (18.21±1.09) cm、平均体质量为 (354.98±149.77) g，由中国水产科学研究院南海水产研究所热带水产研究开发中心提供。实验用水为砂滤后的自然海水，水温 (22.5±1.0) ℃，溶解氧质量浓度 (7.5±0.5) mg·L−1，盐度 (33.00±0.80)‰，氨氮质量浓度 <0.05 mg·L−1，亚硝酸盐质量浓度 <0.05 mg·L−1。
1.2 实验设计
正式实验开始前，先将金枪鱼幼鱼在驯养池中暂养7 d，期间投喂冰鲜杂鱼。随机挑选72尾行为活泼、体表健康的幼鱼，在直径和水深均为1.5 m的圆形钢化桶中进行48 h的酸化胁迫实验，暂养期间与正式实验期间水质保持一致。实验共设置4组，以自然海水pH 8.1为对照组，pH 7.6、7.1、6.6为实验组，每组设3个重复，每个重复6尾鱼。实验期间金枪鱼幼鱼处于停食状态。并通过1.0 mmol·L−1的氢氧化钠 (NaOH) 溶液或1.0 mmol·L−1的盐酸 (HCl) 溶液调节海水pH。使用pH分析仪 (PH848) 测定海水酸度，每2 h矫正1次，使pH变化幅度保持在 ±0.1。实验至第48小时，统计死亡的幼鱼数量 (以鱼体侧躺、沉入水底不再游动为准)，计算成活率。
1.3 样品采集与处理
实验结束后每组随机选取6尾黄鳍金枪鱼幼鱼，经丁香酚麻醉后进行解剖，解剖全程在冰盒上进行。分别采集肝、鳃、红肌、皮肤组织于2 mL无菌冻存管中，置于液氮中冷冻，之后保存在−80 ℃冰箱中用于后续免疫和代谢酶的测定。准确称取组织0.1~0.2 g，加入9倍体积的0.9% (w) 盐水，冰水浴条件下机械匀浆后，3 000 r·min−1离心10 min，取上清液测定相关酶活性和总蛋白含量。选取丙二醛 (MDA) 为抗氧化物质的标志物；超氧化物歧化酶 (SOD)、过氧化氢酶 (CAT)、谷胱甘肽过氧化物酶 (GSH-Px) 和过氧化物酶 (POD) 作为抗氧化防御系统的标志物；酸性磷酸酶 (ACP)、碱性磷酸酶 (AKP)、溶菌酶 (LZM) 作为免疫系统的标志物。上述所有检测均使用南京建成生物工程研究所试剂盒，所有指标的测定严格按照说明书进行操作。采用酶标仪 (SYNERGY-HT) 或分光光度计 (UV-1800BPC) 测定各项指标。
1.4 数据处理
采用Excel 2010软件整理数据，以“平均值±标准差 ($\overline { x}\pm s $) ”表示 (n=3)。实验结果通过SPSS 25.0软件进行单因素方差分析 (One-way ANOVA)，并用邓肯检验法分析组间差异性，显著性水平α为0.05。使用Origin 2022软件作图。
2. 结果
实验至第48小时，仅pH 6.6处理组的幼鱼出现死亡，成活率为83%。各组之间无显著性差异 (P>0.05，图1)。
![]()
图 1 酸化胁迫对黄鳍金枪鱼幼鱼成活率的影响注：相同字母表示组间无显著性差异 (P>0.05)。Figure 1. Effect of acidification stress on survival rate of juvenile yellowfin tunaNote: Same letters represent no significant differences among groups (P>0.05).2.1 酸化胁迫对黄鳍金枪鱼幼鱼抗氧化能力的影响
与对照组相比，各实验组皮肤的MDA含量均有所下降，红肌和鳃的MDA含量均有所上升。除对照组外，相同pH下肝脏中的MDA含量均显著高于其他组织 (P<0.05)，且随着pH的降低呈上升趋势，在pH 6.6时含量最高 (图2)。
![]()
图 2 酸化胁迫对黄鳍金枪鱼幼鱼丙二醛含量的影响注：相同pH下不同字母表示不同组织间差异显著 (P<0.05)。Figure 2. Effect of acidification stress on MDA of juvenile yellowfin tunaNote: Different letters represent significant differences among different tissues with same pH (P<0.05).随着pH的降低，皮肤中的SOD活性呈先下降再上升的趋势，肝中的SOD活性呈下降趋势，二者均在pH 8.1时达到最高。红肌中的SOD活性在pH 7.6时最高。鳃中的SOD活性在pH 7.1时达到最高，且随着pH的降低呈先上升后下降的趋势；除对照组外，相同pH下鳃中的SOD活性均显著高于其他组织 (P<0.05，图3-a)。
![]()
图 3 酸化胁迫对黄鳍金枪鱼幼鱼超氧化物歧化酶、过氧化氢酶、谷胱甘肽过氧化物酶和过氧化物酶活性的影响注：相同pH下不同字母表示不同组织间差异显著 (P<0.05)。Figure 3. Effects of acidification stress on SOD, CAT, GSH-Px and POD activities of juvenile yellowfin tunaNote: Different letters represent significant differences among different tissues with the same pH (P<0.05).随着pH的降低，皮肤中的CAT活性呈下降趋势，在pH 8.1时活性最高。鳃和红肌中的CAT活性呈先上升再下降的趋势，在pH 7.1时达到最高；除对照组外，相同pH下鳃中的CAT活性均显著高于其他组织 (P<0.05)。肝中的CAT活性变化平稳，在pH 6.6时达到最高。相同pH下，肝和鳃中的CAT活性均显著高于皮肤和红肌 (P<0.05，图3-b)。
随着pH的降低，皮肤、红肌和鳃中的GSH-Px活性变化相似，均呈先上升后下降的趋势，且均在pH 7.1时达到最高，此时皮肤中的GSH-Px活性显著高于其他组织 (P<0.05)。肝中的GSH-Px活性呈上升趋势，在pH 6.6时达到最高 (图3-c)。
随着pH的降低，皮肤中的POD活性呈下降趋势，在pH 8.1时活性最高。红肌中各实验组的POD活性均高于对照组，在pH 6.6时达到最高。鳃中的POD活性呈先上升后下降的趋势，在pH 7.1时达到最高；相同pH下鳃中的POD活性均显著高于其他组织 (P<0.05)。肝中的POD活性呈先下降再上升的趋势，在pH 8.1时活性最高。除对照组外，相同pH下红肌和鳃中的POD活性均显著高于皮肤和肝 (P<0.05，图3-d)。
2.2 酸化胁迫对黄鳍金枪鱼幼鱼免疫酶活性的影响
随着pH的降低，肝和皮肤各实验组的ACP活性与对照组相比均有所下降；相同pH下肝中的ACP活性均显著高于其他组织 (P<0.05)。红肌中的ACP活性呈先上升后下降再上升的趋势，在pH 7.6时达到最高；鳃中的ACP活性呈先上升后下降的趋势，在pH 7.1时达到最高。相同pH下鳃中的ACP活性均显著低于其他组织 (P<0.05，图4-a)。
![]()
图 4 酸化胁迫对黄鳍金枪鱼幼鱼酸性磷酸酶、碱性磷酸酶和溶菌酶活性的影响注：相同pH下不同字母表示不同组织间差异显著 (P<0.05)。Figure 4. Effects of acidification stress on ACP, AKP and LZM activities of juvenile yellowfin tunaNote: Different letters represent significant differences among different tissues with the same pH (P<0.05).随着pH的降低，鳃、红肌和皮肤中的AKP活性呈先下降后上升的趋势，均在pH 8.1时最高。肝中的AKP活性呈上升趋势，在pH 7.1时达到最高。相同pH下红肌中的AKP活性均显著低于其他组织 (P<0.05，图4-b)。
随着pH的降低，皮肤中的LZM活性呈先上升后下降的趋势，在pH 7.1时达到最高。鳃和红肌中的LZM活性呈上升趋势，均在pH 6.6时达到最高；相同pH下鳃中的LZM活性均显著高于其他组织 (P<0.05)。肝中的LZM活性在pH 7.1时达到最高 (图4-c)。
3. 讨论
3.1 环境胁迫对水产动物不同组织抗氧化能力的影响
MDA是脂质过氧化的重要产物[15]，反映机体受氧化损伤的程度[16]，其含量随着机体氧化应激水平升高而增加，含量越高表明鱼体所受的压力越大[17]。肝脏有排泄、解毒等多种功能，可清除外来有害物质和机体产生的有害废物[18]；且含有大量与免疫相关的细胞，具有重要的免疫调节功能，在机体的免疫应答中发挥重要作用[19]。本研究中肝脏的MDA含量随海水酸度升高呈上升趋势，且累积含量显著高于其他组织。可能是由于金枪鱼处于应激状态，体内产生大量的活性氧自由基，脂质过氧化水平升高，机体出现了氧化损伤，与克氏原螯虾 (Procambarus clarkii)[20]的结果相似。
SOD和CAT活性的变化可在一定程度上反映出机体受环境胁迫时免疫机能的变化[21]。GSH-Px在清除过氧化氢 (H2O2)、把脂质过氧化物还原成无毒产物方面起着至关重要的作用[22]，其与CAT在清除自由基方面既是互补也是竞争关系[23]。SOD、CAT和GSH-Px协同作用，是抗氧化系统的重要组成部分[24]。POD和生物应激相关，可水解H2O2，对细胞起保护作用[25]。
鳃是鱼类主要的呼吸和免疫器官，表面积大且与水体直接接触，易受有害物质伤害[26]；其黏膜中含有丰富的免疫分子，在抵御外界侵袭中发挥重要作用[27]。本研究中，各处理组鳃中的SOD、CAT和POD活性显著高于其他组织，且在pH 7.1时达到最高。说明酸性胁迫下金枪鱼组织中的活性氧自由基含量升高，诱导SOD、CAT和POD的活性升高，鱼体通过激活抗氧化酶系统促进蛋白质合成，改善代谢产物，保护细胞不受损伤，从而使鱼体能够适应低pH环境，达到新的动态平衡。但水体酸度过高时，鱼体会产生过量的氧自由基 (·O2−)，机体无法产生足够的SOD和CAT来清除 ·O2−，且动物机体在受到环境胁迫时，SOD和CAT可能会发生抑制的应激变化[28]，因此本研究鳃中的CAT活性在pH 6.6时有所回落。与沙塘鳢 (Odontobutis potamophila)[29]、瓦氏黄颡鱼 (Pelteobagrus vachelli)[30]和方斑东风螺 (Babylonia areolata)[31]的研究结果相似。
鱼类皮肤的腺层内含有丰富的腺细胞，分泌的黏液中含有丰富的免疫因子，如溶菌酶、补体类物质等[32]，构成了机体的第一道防线[33]。本研究中，皮肤的GSH-Px活性在pH 7.1时达到最高，显著高于其他组织，而CAT活性低于其他组织，可能是由于H2O2没有被CAT及时分解，诱导机体生成更多的GSH-Px来清除多余的H2O2。GSH-Px的活性升高，谷胱甘肽 (GSH) 等抗氧化物质就会消耗过大，可能导致机体受到损伤[34]。本研究中皮肤的GSH-Px活性在pH 7.1时大幅上升，推测此时鱼体无法适应过酸的海水，机体出现了损伤。与尖吻鲈 (Lates calcarifer) 幼鱼[35]和点篮子鱼 (Siganus guttatus) 幼鱼[36]的表现类似。
3.2 环境胁迫对水产动物不同组织免疫酶的影响
磷酸酶又称正磷酸单酯水解酶，可以催化各种含磷化合物的水解，根据他们的特性 (即起催化作用的最适pH)，可分为ACP和AKP两类[37]，前者主要起催化效果，后者主要起调理和调节的作用[38]。当水体中溶解氧含量低于正常水平时，鱼体发生应激反应，并通过提高AKP和ACP的活性来增强非特异性免疫力[39]。
本研究中，肝脏的ACP活性显著高于其他组织，且随着pH的降低呈下降趋势；但AKP活性呈上升趋势，可能因为二者在肝脏中的作用不同。分析出现上述结果的原因，可能是海水酸度过高，机体为了维持酸碱和离子平衡而采取的一种调节措施，是生物体主动防御的表现。类似的报道还有脊尾白虾[11]和栉孔扇贝 (Chlamys farreri)[21]。鳃中的ACP和AKP变化不一致，可能是此时的环境pH影响了鳃细胞参与免疫的水解酶活性。类似的结果还见于翘嘴鳜 (Siniperca chuatsi) 幼鱼[40]和缢蛏 (Sinonovacula constricta) 成贝[41]。
LZM是衡量鱼类非特异性免疫的指标之一[42]，在面对外界环境胁迫时，其活性会升高[43]，活性越强，机体的非特异性免疫力就越强[44]。鳃中的LZM活性显著高于其他组织，且随海水酸度的升高呈上升趋势。可能是由于海水酸度的增加使金枪鱼处于应激状态，鱼体通过增加LZM的活性以抵抗外源环境的压力，属于自身的应急保护反应。
4. 结论
本研究通过设置4组酸化梯度 (pH 8.1、7.6、7.1、6.6) 对黄鳍金枪鱼幼鱼进行48 h的环境胁迫，结果显示，酸化胁迫对黄鳍金枪鱼幼鱼的免疫功能和抗氧化防御系统影响显著。抗氧化物质在pH 6.6时达到最高；抗氧化酶的活性多数在pH 7.1时达到最高；非特异性免疫酶变化不一，不同酶的活性因组织不同而呈类似或不同的变化趋势。提示黄鳍金枪鱼幼鱼在pH大于7.1的酸化环境中有一定的调节能力，pH小于7.1时免疫系统发生紊乱。整体而言，肝脏和鳃中的酶活性高于红肌和皮肤，这表明在面对海水酸度升高时，肝脏和鳃中的抗氧化酶和免疫酶能更好地表达，二者抗氧化酶和免疫酶的变化可以代表黄鳍金枪鱼幼鱼机体免疫功能和抗氧化防御系统的变化。
-
![]()
图 2 2008—2014年南太平洋长鳍金枪鱼月平均单位捕捞努力量渔获量分布
Figure 2. Monthly average CPUE distribution of T. alalunga in South Pacific from 2008 to 2014
![]()
图 3 2008—2014年南太平洋长鳍金枪鱼高、低单位捕捞努力量渔获量渔区与海表温度、叶绿素a、海平面异常数据的关系
Figure 3. Relationship between high and low CPUE fishing areas and SST, Chl-a and SLA intervals for T. alalunga in South Pacific from 2008 to 2014
![]()
图 4 2015年1—12月实际高单位捕捞努力量渔获量渔区与预报高单位捕捞努力量渔获量渔区对比图
Figure 4. Comparison of practical high CPUE fishing grounds and forecasted high CPUE fishing grounds from January to December in 2015
![]()
图 5 2015年1—12月渔场预报综合准确率
Figure 5. Comprehensive accuracy of fishing grounds forecasted from January to December in 2015
表 1 单位捕捞努力量渔获量与各环境及时空指标的相关分析
Table 1 Correlation analysis of CPUE with environmental and spatio-temporal index
变量
VariableP
相关系数R
Correlation coefficient R月份 m 0.00 0.10 经度 Lon 0.00 −0.14 纬度 Lat 0.00 −0.30 海表温度 SST 0.00 −0.32 叶绿素a浓度 Chl- a 0.00 0.14 前一个月海表温度 SST_bf 0.00 −0.33 后一个月海表温度 SST_af 0.00 −0.35 海表温度距平 ΔSST 0.00 −0.23 海表温度梯度 SSTG 0.00 0.10 前一个月叶绿素a浓度 Chla_bf 0.00 0.16 后一个月叶绿素a浓度 Chla_af 0.00 0.14 叶绿素a浓度距平 ΔChla 0.00 0.14 叶绿素a浓度梯度 ChlaG 0.04 0.01 海平面异常数据 SLA 0.02 −0.01 
下载: 导出CSV
表 2 各个模型训练结果对比
Table 2 Comparison of training results of various models
模型
ModelTreebag RF C5.0 GBDT AdaBoost Stacking 准确率
Accuracy/%73.87 75.52 72.99 71.14 71.33 75.84
下载: 导出CSV
表 3 GLM模型自变量显著性检验
Table 3 Significance test of variables in Generalized linear model
偏差来源
Source of deviation回归系数估计
Estimated regression coefficient标准误差
Standard differencez Pr (>|z|) 截距 Intercept 2.647 49 0.105 46 25.103 <2×10−16 P<0.001 随机数森林 RF −4.074 13 0.155 10 −26.268 <2×10−16 P<0.001 Bagging决策树 Treebag 0.091 37 0.108 10 0.845 0.398 C5.0决策树 C5.0 −0.544 04 0.105 74 −5.145 2.67×10−7 P<0.001 K最近邻 KNN −0.622 02 0.084 46 −7.365 1.77×10−13 P<0.001 AdaBoost −0.248 96 0.298 41 −0.834 0.404
下载: 导出CSV
表 4 2015年1—12月高单位捕捞努力量渔获量渔区预报准确率
Table 4 Forecast accuracy of high CPUE fishing grounds from January to December in 2015
% 月份 Month 1 2 3 4 5 6 7 8 9 10 11 12 准确率 Accuracy 62.71 63.16 66.67 65.71 97.85 94.38 70.45 80.56 68.75 90.63 95.83 88.46
下载: 导出CSV
-
[1] 范永超, 陈新军, 汪金涛. 基于多因子栖息地指数模型的南太平洋长鳍金枪鱼渔场预报[J]. 海洋湖沼通报, 2015(2): 36-44. [2] 樊伟, 张晶, 周为峰. 南太平洋长鳍金枪鱼延绳钓渔场与海水表层温度的关系分析[J]. 大连水产学院学报, 2007(5): 366-371. [3] 郭刚刚, 张胜茂, 樊伟, 等. 基于表层及温跃层环境变量的南太平洋长鳍金枪鱼栖息地适应性指数模型比较[J]. 海洋学报, 2016, 38(10): 44-51. [4] 杨嘉樑, 黄洪亮, 宋利明, 等. 基于分位数回归的库克群岛海域长鳍金枪鱼栖息环境综合指数[J]. 中国水产科学, 2014, 21(4): 832-851. [5] 林显鹏, 郭爱, 张洪亮, 等. 所罗门群岛海域长鳍金枪鱼的垂直分布与环境因子的关系[J]. 浙江海洋学院学报(自然科学版), 2011, 30(4): 303-306. [6] 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
[7] DOMOKOS R K, SEKI M P, POLOVINA J J, et al. Oceanographic investigation of the American Samoa albacore (Thunnus alalunga) habitat and longline fishing grounds[J]. Fish Oceanogr, 2007, 16(6): 555-572. doi: 10.1111/j.1365-2419.2007.00451.x
[8] LEHODEY P, SENINA I, NICOL S, et al. Modelling the impact of climate change on South Pacific albacore tuna[J]. Deep Sea Res II, 2015, 113: 246-259. doi: 10.1016/j.dsr2.2014.10.028
[9] 郭刚刚, 张胜茂, 樊伟, 等. 南太平洋长鳍金枪鱼垂直活动水层空间分析[J]. 南方水产科学, 2016, 12(5): 123-130. doi: 10.3969/j.issn.2095-0780.2016.05.016 [10] 闫敏, 张衡, 樊伟, 等. 南太平洋长鳍金枪鱼渔场CPUE时空分布及其与关键海洋环境因子的关系[J]. 生态学杂志, 2015(11): 3191-3197. [11] 储宇航, 戴小杰, 田思泉, 等. 南太平洋延绳钓长鳍金枪鱼生物学组成及其与栖息环境关系[J]. 海洋渔业, 2016, 38(2): 130-139. doi: 10.3969/j.issn.1004-2490.2016.02.003 [12] 范江涛. 南太平洋长鳍金枪鱼延绳钓渔业渔情预报研究[D]. 上海: 上海海洋大学, 2011: 21-22. [13] 毛江美, 陈新军, 余景. 基于神经网络的南太平洋长鳍金枪鱼渔场预报[J]. 海洋学报, 2016, 38(10): 34-43. [14] 范江涛, 陈新军, 钱卫国, 等. 南太平洋长鳍金枪鱼渔场预报模型研究[J]. 广东海洋大学学报, 2011, 31(6): 61-67. doi: 10.3969/j.issn.1673-9159.2011.06.010 [15] 马孟磊, 陈新军, 陈作志, 等. 南太平洋长鳍金枪鱼栖息地指数模型的比较研究[J]. 广东海洋大学学报, 2017, 37(3): 59-66. doi: 10.3969/j.issn.1673-9159.2017.03.009 [16] 崔雪森, 唐峰华, 张衡, 等. 基于朴素贝叶斯的西北太平洋柔鱼渔场预报模型的建立[J]. 中国海洋大学学报(自然科学版), 2015, 45(2): 37-43. [17] 周为峰, 黎安舟, 纪世建, 等. 基于贝叶斯分类器的南海黄鳍金枪鱼渔场预报模型[J]. 海洋湖沼通报, 2018(1): 116-122. [18] 牛明香, 李显森, 徐玉成. 基于广义可加模型和案例推理的东南太平洋智利竹筴鱼中心渔场预报[J]. 海洋环境科学, 2012, 31(1): 30-33. doi: 10.3969/j.issn.1007-6336.2012.01.007 [19] 闫敏, 张衡, 伍玉梅, 等. 基于GAM模型研究时空及环境因子对南太平洋长鳍金枪鱼渔场的影响[J]. 大连海洋大学学报, 2015, 30(6): 681-685. [20] 崔雪森, 唐峰华, 周为峰, 等. 基于支持向量机的西北太平洋柔鱼渔场预报模型构建[J]. 南方水产科学, 2016, 12(5): 1-7. doi: 10.3969/j.issn.2095-0780.2016.05.001 [21] 张月霞, 丘仲锋, 伍玉梅, 等. 基于案例推理的东海区鲐鱼中心渔场预报[J]. 海洋科学, 2009, 33(6): 8-11. [22] LUCAS P. Bayesian analysis, pattern analysis, and data mining in health care[J]. Curr Opin Crit Care, 2004, 10(5): 399-403. doi: 10.1097/01.ccx.0000141546.74590.d6
[23] RONG P, YANG Q, PAN S J. Mining competent case bases for case-based reasoning[J]. Artif Intell, 2007, 171(16/17): 1039-1068. doi: 10.1016/j.artint.2007.04.018
[24] 苏奋振, 周成虎, 杜云艳, 等. 海洋渔业资源地理信息系统应用的时空问题[J]. 应用生态学报, 2003(9): 1569-1572. doi: 10.3321/j.issn:1001-9332.2003.09.036 [25] 徐继伟, 杨云. 集成学习方法: 研究综述[J]. 云南大学学报(自然科学版), 2018, 40(6): 1082-1092. doi: 10.7540/j.ynu.20180455 [26] 陈雪忠, 樊伟, 崔雪森, 等. 基于随机森林的印度洋长鳍金枪鱼渔场预报[J]. 海洋学报(中文版), 2013, 35(1): 158-164. [27] 高峰. 基于提升回归树的东、黄海鲐鱼渔场预报模型研究[D]. 上海: 上海海洋大学, 2016: 80-91. [28] FENG Y, CHEN X, GAO F, et al. Impacts of changing scale on Getis-Ord Gi hotspots of CPUE: a case study of the neon flying squid (Ommastrephes bartramii) in the northwest Pacific Ocean[J]. Acta Oceanol Sin, 2018, 37(5): 67-76. doi: 10.1007/s13131-018-1212-6
[29] 胡启伟. 西沙—中沙海域鸢乌贼资源时空分布环境效应遥感研究[D]. 上海: 上海海洋大学, 2018: 31. [30] PI Q L, HU J. Analysis of sea surface temperature fronts in the Taiwan Strait and its adjacent area using an advanced edge detection method[J]. Sci China Earth Sci, 2010, 53(7): 1008-1016. doi: 10.1007/s11430-010-3060-x
[31] 袁浩杰. Adaboost算法的并行化及其在目标分类中的应用[D]. 广州: 华南理工大学, 2015: 8. [32] FRIEDMAN J H. Stochastic gradient boosting[J]. Compt Stat Data An, 2003, 38(4): 367-378.
[33] 李强. 创建决策树算法的比较研究——ID3, C4.5, C5.0算法的比较[J]. 甘肃科学学报, 2006(4): 88-91. doi: 10.3969/j.issn.1004-0366.2006.04.026 [34] 江承旭. 斐济专属经济区长鳍金枪鱼渔场分析[D]. 上海: 上海海洋大学, 2017: 12-13. [35] 刘洪生, 蒋汉凌, 戴小杰. 中西太平洋长鳍金枪鱼渔场与海温的关系[J]. 上海海洋大学学报, 2014, 23(4): 602-607. [36] ZAINUDDIN M, SAITOH K, SAITOH S I. Albacore (Thunnus alalunga) fishing ground in relation to oceanographic conditions in the western North Pacific Ocean using remotely sensed satellite data[J]. Fish Oceanogr, 2010, 17(2): 61-73.
[37] 朱国平, 李凤莹, 陈锦淘, 等. 印度洋中南部长鳍金枪鱼繁殖栖息的适应性[J]. 海洋环境科学, 2012, 31(5): 697-700. [38] 宋婷婷, 樊伟, 伍玉梅. 卫星遥感海面高度数据在渔场分析中的应用综述[J]. 海洋通报, 2013, 32(4): 474-480. doi: 10.11840/j.issn.1001-6392.2013.04.017 [39] 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. [40] CUTLER D R, EDWARDS Jr T C, BEARD K H, et al. Random forests for classification in ecology[J]. Ecology, 2007, 88(11): 2783-2792. doi: 10.1890/07-0539.1
计量
- 文章访问数:
- HTML全文浏览量:
- PDF下载量:
粤公网安备 44010502001741号
