Study on fishery resource assessment of Pacific saury by length-based cohort analysis
-
摘要:
秋刀鱼 (Cololabis saira) 分布于西北太平洋亚热带到温带海域，是中国远洋渔业主要的捕捞对象之一。为探究其资源状况，根据2014—2018年西北太平洋秋刀鱼的渔获体长组成和生物学数据，对体长世代分析 (Length-based cohort analysis, LCA) 模型和基于生物量的体长世代分析 (Biomass-based length-cohort analysis, B-LCA) 模型进行性能检验和敏感性分析，并利用蒙特卡洛 (Monte Carlo) 方法估算模型参数、秋刀鱼资源量、捕捞死亡系数以及最大持续产量。结果表明：1) 在5、10和15 mm体长间隔下，LCA和B-LCA模型均表现出优秀的拟合能力，且在5 mm体长间隔下，2种模型的拟合能力均更强；2) LCA模型对于以尾数为单位的渔业数据表现更佳，B-LCA模型对于以质量为单位的渔业数据表现更佳；3) LCA和B-LCA模型对生长因子(b)、渐近体长(L∞)的变化均较敏感，且对b的敏感程度更高；4) LCA模型估算的2014—2018年秋刀鱼平均资源质量约为65.93×104~171.51×104 t，捕捞死亡系数为0.529 2，最大持续产量为37.73×104 t，而B-LCA模型估算的平均资源质量约为47.88×104~126.25×104 t，捕捞死亡系数为0.540 5，最大持续产量为33.02×104 t。2种模型估算的最大持续产量均低于北太平洋渔业委员会 (North Pacific Ocean Commission, NPFC)各成员国年均产量 (40.98×104 t)，表明2014—2018年秋刀鱼资源处于过度捕捞状态。
Abstract:Being one of the primary fishing targets in Chinese pelagic fishing, Pacific saury (Cololabis saira) is distributed in the subtropical to temperate waters of the northwest Pacific Ocean. In order to explore its resource status, according to the catch at size and biological data of Northwest Pacific saury from 2014 to 2018, we conducted a performance test and a sensitivity analysis on length-based cohort analysis (LCA) model and biomass-based length-cohort analysis (B-LCA) model. Besides, we applied Monte Carlo method to estimate the model parameters, resource quantity, fishing mortality coefficients and maximum sustainable yield of Pacific saury. The results show that: 1) The LCA model and B-LCA model exhibited excellent fitting abilities at 5, 10 and 15 mm length intervals, with stronger fitting abilities at 5 mm interval. 2) LCA model performed better for fishery data in units of number, while B-LCA model performed better for fishery data in units of mass. 3) Both LCA and B-LCA models were sensitive to changes in growth factor ($ b $) and asymptote length ($ {L}_{\infty } $), with higher sensitivity to b. 4) The average resource mass of Pacific saury from 2014 to 2018 estimated by LCA model was about 65.93×104−171.51×104 t; the fishing mortality coefficient was 0.529 2; the maximum sustainable yield was 37.73×104 t. The average resource mass estimated by B-LCA model was about 47.88×104−126.25×104 t; the fishing mortality coefficient was 0.540 5; the maximum sustainable yield was $ 33.02\times {10}^{4} $ t. The maximum sustained production estimated by both models was lower than the average annual production of NPFC (North Pacific Ocean Commission) member countries ($ 40.98\times {10}^{4} $ t), indicating that the Pacific saury resources had been overfished from 2014 to 2018.
-
Keywords:
- Cololabis saira /
- Catch at size /
- LCA model /
- B-LCA model /
- Resource quantity /
- Maximum sustainable yield
-
金属卤化物集鱼灯 (简称“金卤灯”) 是光诱渔业最常用的光源类型[1-6]。光诱渔船海面光场分布计算是集鱼灯应用研究的重要课题之一[3,7]。光场分布计算方法包括几何光学法[2,8-9]和蒙特卡罗 (Monte Carlo, MC) 模拟方法[10-12]。几何光学方法中，Bae等[3]将点光源模型 (Point model, PM) 与指数衰减模型结合计算了渔船海面照度，假定灯具空间光场分布各向同性。Choi等[13]提出了线性光源模型 (Line model, LM) 计算灯光船周围海面照度，因其假定灯组为连续发光体，计算值大于实际情况。肖启华和张丽蕊[14]提出了面光源模型，适用于灯具表面积大、计算点与灯具之间小的光场数值的计算。Lai等[15]应用球面模型对LED集鱼灯进行二次透镜设计，并计算船舷两侧的海面光场分布。钱卫国和王飞[9]、叶超[16]、侍炯等[17]提出了配光曲线模型 (Light distribution curve model, LDC) 并做了大量的海上实证研究。由于几何方法主要采用光在水汽界面的折射定律和在空气中直线传播规律，无法求解海面波动状态下的照度分布，学者开始引入蒙特卡罗方法求解光学传输问题[12,18-22]。张涤[12]应用蒙特卡罗方法研究了可见光水下信道问题，指出了不同波长光子信道衰减情况。官文江等[20]结合风浪斜率概率模型[23-24]，进一步应用蒙特卡罗提出了集鱼灯光场分布的计算框架。然而计算框架中的光子数取值问题和光子辐射模型还有待进一步完善，这两个环节决定了集鱼灯光场计算的准确度，进而影响到光场有效诱集范围、渔船之间合理作业间距等方面的估算。因此本文通过数值模拟方法讨论不同光子数取值对模拟结果稳定性的影响，同时根据灯具光度分布提出了新的灯具辐射模型并验证，结合新的辐射模型给出算例，为光诱渔船光场分布计算提供借鉴和参考。
1. 材料与方法
1.1 坐标系
为描述灯具和海面计算点的相对位置，建立
$ xyz $ 三维坐标系 (图1)。其中船尾至船首的纵剖面为$ xoz $ ，船尾中点在海面的投影点为原点$ o $ ，船舯线为$ x $ 轴 (船首为$x $ 正向)，船尾垂直于$ xoz $ 方向为$y$ 轴 (右舷为$ y $ 轴正向)，$ z$ 轴垂直于$ xoy $ 平面 (向上为正)。灯具垂直悬挂于点$ L(x, y, h)$ ，$ h$ 为灯具距离海面的高度，$P$ 点位于$ {xoy} $ 平面内 (图1-a)。定义光束LP在$xoy$ 平面的投影与$x$ 轴顺时针方向的夹角为投影旋转角$φ$ 。定义光束LP与$z$ 轴正方向的夹角为天底角$ {θ} $ 。海面为波动状态，海面与水平面夹角为β (图1-b)。![]()
图 1 灯具与计算点的相对位置及灯具安装示意Figure 1. Relative position between lamp and calculation point and installation diagram of lamp1.2 材料
选取目前光诱渔业中广泛应用的金属卤化物集鱼灯 (2 kW DCJ 2000TT型) 作为研究对象，选取目前光诱渔业中广泛应用的金属卤化物集鱼灯(2 kW DCJ 2000TT 型) 作为研究对象，集鱼灯额定功率2000 W，电压范围210~250 V，额定光通量220000 lm，灯头型号E39/79-A，灯具中心高度295 mm，全长465 mm，最大直径90 mm。
灯具光度分布数据在国家远洋渔业工程技术研究中心进行了测试，灯具配光在垂直方向和水平方向的配光曲线分布见图2。测试设备：远方光电GO-2 000光度分布测试仪，测试模式选系统内置的C−γ。
可以看出光强在水平和垂直剖面内的光强分布曲线存在一定差异，取C90/270和γ90平面内光强分布曲线，借助Matlab (R2015b) 软件用Fourier级数拟合灯具光强分布曲线，公式分别对应如下：
$$\begin{aligned} I(\theta)=& 19\;670-3\;366 \cos (1.851 \theta)+2\;197 \sin (1.851 \theta)-\\ & 1\;201 \cos (3.702 \theta)+2\;245 \sin (3.702 \theta)+\\ & 38.56 \cos (5.553 \theta)+1\;176 \sin (5.553 \theta)\left(R^{2} = 0.96\right) \end{aligned}$$ (1) $$\begin{aligned} g(\varphi)=& 15\;320-9\;206 \cos (1.962 \varphi)-396.3 \sin (1.962 \varphi)-\\ & 3\;534 \cos (3.924 \varphi)-238.8 \sin (3.924 \varphi)-\\ & 1\;305 \cos (5.886 \varphi)-167 \sin (5.886 \varphi)\left(R^{2} = 0.98\right) \end{aligned}$$ (2) 式中：
$ {θ} $ 为灯具垂直剖面γ90配光曲线，决定了灯具不同天底角光束的辐射强度；$ {φ} $ 为灯具水平剖面C90/270配光曲线，决定了灯具不同投影旋转角光束的辐射强度。1.3 模型建立
蒙特卡罗方法是研究光辐射传输特性的经典方法[24-26]，通过将光束能量离散成大量光子，利用随机抽样方法追踪光子路径来解决光束传输问题，计算流程参考官文江等[20]的方法。模型计算假定条件：1) 模拟中所有光子无波长差异；2) 光子在水气界面只考虑反射与入射，无其他形式衰减；3) 不考虑光子在空气中的吸收与散射作用。
1.3.1 光子辐射优化模型
官文江等[20]报道的光子辐射模型中投影旋转角 (
$ {φ} $ ) 使用均匀随机数生成，难以全面反映灯具辐射特征 (图1-a)。对此本文进一步优化，辐射模型考虑光子辐射天底角 ($ {θ} $ ) 和投影旋转角 ($ {φ} $ ) 两个方向的特征，计算公式：$$\left\{\begin{array}{l}F({{{θ}}})=\dfrac{\int_{0}^{{{{θ}}}_{{{i}}}} \mathrm{I}({{{θ}}}) \mathrm{d} {{{θ}}}}{\int_{0}^{2 \pi} \mathrm{I}({{{θ}}}) \mathrm{d} {{{θ}}}} \\ M(\varphi)=\dfrac{\int_{0}^{\varphi_{{{i}}}} \mathrm{~g}({\varphi) \mathrm{d} \varphi}}{\int_{0}^{2 \pi} \mathrm{g}(\varphi) \mathrm{d} \varphi}\end{array}\right.$$ (3) 其中：
$ F $ ($ {θ} $ )、$ {M}{(}{φ}{)} $ 分别为光子天底角$ {θ} $ 和投影旋转角$ {φ} $ 的归一化概率分布函数，考虑到集鱼灯投向天空的光源属于浪费资源，故$ {θ} $ 取值介于[0.5π, π]。$ {θ} $ 和$ {φ} $ 利用反函数法[25]产生。1.3.2 海浪斜率计算
光子从灯具出射后，沿直线投射至水面。而海面受风的影响形成了毛细海浪，因此交互界面有一定的斜率。根据Cox和Munk[27]观测，不同风速下的波浪面倾斜角经验概率密度公式：
$$\rho(\beta)=\frac{2}{\sigma^{2}} {\rm{e}}^{\frac{-\tan ^{2} \beta}{\sigma^{2}}} \tan \beta \sec ^{2} \beta$$ (4) 其中：σ2=0.003+0.005 12V，V为距海面10 m处的风速(m·s−1)；
$ {β} $ 为波浪面与水平面的夹角，同样利用反函数法产生伪随机数[25]确定波浪斜率。确定海浪斜率后即可确定法线方向，光束在海面的入射角
$ {{θ}}_{{i}} $ 调整为：$$ {{θ}}_{{i}}={θ}-{β} $$ (5) 式中：
$ {θ} $ 为光子从灯具出射的天底角；$ {β} $ 同上。1.3.3 海面反射系数
光束经过大气−海水界面发生折射和反射，总反射率Rt计算公式：
$$R_{\mathrm{t}}=R_{\mathrm{f}}+R_{\mathrm{u}}$$ (6) 式中：
$ {{R}}_{\rm{f}} $ 为镜面折射率；$ {{R}}_{\rm{u}} $ 水下反射率。丁明亮[10]指出$ {{R}}_{\rm{u}} $ 泡沫反射率远小于折射率$ {{R}}_{\rm{f}} $ ，因此忽略不计。光子调整角度后在水面反射与入射遵循Fresnel反射定律[28]：$$R_{{f}}=\left[\frac{{n}_{1} \cos {{θ}}_{{i}}-{n}_{2} \sqrt{1-\left(\dfrac{{n}_{1}}{{n}_{2}} \sin {{θ}}_{{i}}\right)^{2}}}{{n}_{1} \cos {{θ}}_{{i}}+{n}_{2} \sqrt{1-\left(\dfrac{{n}_{1}}{{n}_{2}} \sin {{θ}}_{{i}}\right)^{2}}}\right]^{2}$$ (7) 式中：
$ {{θ}}_{{i}} $ 为入射角；$ {{n}}_{{1}} $ 为空气折射率，取1；$ {{n}}_{{2}} $ 为海水折射率，取1.33。若$ {{θ}}_{{i}}{=0} $ ，则$ {{R}}_{{{\rm{f}}}} $ 按下式计算：$$R_{{{\rm{f}}}}=\left(\frac{{n}_{1}-{n}_{2}}{{n}_{1}+{n}_{2}}\right)^{2}$$ (8) 模拟过程中，依据轮盘赌法[26]进行判别：取随机数
$ {R} $ (为0~1内均匀分布随机数)，当$ {R}{ > }{{R}}_{{{\rm{t}}}} $ ，则光子落入水中，否则反射不予统计。对接收面进行栅格化处理后，通过统计每个栅格内的光子数能量与栅格面积之比得到照度值。1.4 模型验证
为验证模型准确性，在光学实验室内完成验证测试。将灯具安装在自动旋转台上，灯高1.6 m，功率2 kW，照度计型号Hobo Mx2202，分辨率为0.01 lx。灯具安装在旋转平台上，照度计放置于地面，与灯具中心水平距离1~5 m，间隔1 m放置一个照度计，见图3-a中的t1—t5位置。测试过程中，转台绕C轴转动，从而测得灯具不同投影旋转角
$ {φ} $ 所对应的地面照度值，实际测试灯具与照度计布置见图3-b。2. 结果
2.1 光子数取值对模拟结果的影响
通过设定不同的光子数值105~1010讨论模拟结果的稳定性，重复模拟1 000次，取模拟结果的差异系数 (Coefficient of variation, CV) 作为稳定性计量指标，差异系数越低稳定性越高。结果显示：1) 对同一计算点，光子数从105增至1010，模拟结果差异系数减少；以与灯具水平距离5 m的计算点为例，当光子数增至108，差异系数为0.07%，光子数取值增大，差异系数减少至0.05%； 2) 相同光子数取值条件下，距灯具水平距离越近的计算点，计算结果稳定性越高；随着光子数取值增大，稳定性差异缩小 (图4)。
![]()
图 4 光子数取值对模拟结果波动性的影响Figure 4. Effect of photon number on volatility of modeling results2.2 光子辐射模型优化
金属卤化物灯由于内部支架等遮挡影响，其空间光场分布在水平切面内并非饶轴对称 (图2-a)。针对新的光子辐射模型不同出射方向 (
$ {φ} $ =90º、60º、30º、0º) 的照度值进行计算并实测，结果显示新模型计算结果与实测相对误差分别为5.12%、4.72%、3.28%、5.03%，平均值为4.53%，未优化模型相对误差均值为5.23% (图5)。不同方向上的计算结果差异系数小于0.08%，模拟稳定性较好 (图6)。![]()
图 5 优化模型不同出射方向计算与实测比较Figure 5. Comparison of different light field calculation models![]()
图 6 优化模型不同出射方向计算的差异系数(光子数取值为108)Figure 6. Coefficient of variation of optimized model simulation results (Photons number of 108)作为对比，基于点光源模型的模拟结果与实际的误差分别为3.57%、4.57%、6.81%、17.1%，平均值8.41%，显然误差增大；基于配光曲线模型计算结果与实际的误差分别为7.07%、8.1%、10.42%、21.04%，平均值11.65%，误差最大。由上可知，本文提出的优化光子输出模型，能够较好地反映灯具光场的空间分布情况。
2.3 优化模型应用实例
结合本文提出的光子辐射优化模型，提供了光诱渔船在实际作业海域的光场分布算例，光诱渔船集鱼灯配置等参数见表1。风速取2 m·s−1，数据来自Noaa Erddap。实测值参照Choi等[13]的研究。
表 1 模型参数表Table 1. Model parameters项目 Item 数值 Value 项目 Item 数值 Value 船舶吨位 Tonnage 19.9 金卤灯功率 Metal halide lamp power/kW 2.0 船长 Length/m 22.0 金卤灯光通量 Luminous flux/lm 200 000 船宽 Width/m 4.8 灯组长度 Lamp length/m 17.0 灯与灯间距 Distance between lamps/m 1.1 灯距水面高度 Height of lamp above water/m 3.0 船尾第一个灯与船尾距离 Fist lamp near stern/m 2.8 渔船集鱼灯总功率 Total power/kW 75 根据上述参数计算了船舷一侧垂直于船舯线不同距离的照度值，并与Choi等[13]的实测值进行对比，结果显示优化后的蒙特卡罗计算结果与实测值平均误差约为5.23%，计算值接近实测值 (图7)。作为对比，应用线光源法和点光源法计算结果与历史研究实测值的平均相对误差分别为52.62%和54.00%，并且随着距离增大，相对误差增加。
![]()
图 7 优化模型应用计算结果与实测值对比(差异系数0~0.23%)Figure 7. Calculated and measured values of horizontal illuminance at specific points beneath water (Difference coefficient 0−0.23%)3. 讨论
蒙特卡罗模拟通过大量随机抽样观察规律，样本量决定模拟结果的准确性。研究发现，光子数取值越大，模拟结果的差异系数越小且趋于极值。究其原因，当光子数取值足够大时，计算机所生成的伪随机数分布情况越接近概率分布函数，当然这还取决于伪随机数的生成方法[25,29]。本文通过预试验发现当光子数取值108时，模拟结果的差异系数为0.07%，此后差异系数趋于稳定值。本试验也发现光子数取值对模拟时长有较大影响。因此光束取值须兼顾模拟结果的稳定性、计算机性能等因素。本试验还发现，距离灯具越近的计算点，模拟的稳定性越高，这种现象在光子数取值较小时尤为明显，当光子数取值增大，远近距离计算点之间结果稳定性的差异减少。这是由于近光源处接受面所对应的灯具立体角较大，相同光子密度条件下，往往造成近光源处接受面能接受到更多光子，光子数越多，进一步造成计算结果越容易趋于稳定值。
针对光子辐射模型方面，本文利用灯具光度分布数据，从水平和垂直两个方向构建光子辐射概率模型并进行验证，发现优化模型的计算结果更接近事实。较官文江等[20]的研究，优化辐射模型充分考虑了灯具不同投影旋转角的光束辐射差异性，可以更加准确地计算灯与灯间光照叠加区域的亮度，进而计算合适的灯间安装距离以达到光源利用最大化。本文提出的光子辐射模型存在局限性，即假定不同的水平和垂直剖面内配光曲线分布趋势一致。因此，本文提出的建模方法无法应用于结构复杂的光源，建议选用二维随机变量分布函数描述[30]。
在算例中，本研究对比分析了几何算法与蒙特卡罗算法结果，发现线光源模型与点光源模型计算结果大于蒙特卡罗算法结果。原因是当海面具有一定斜率，光束在水汽交互界面的透射率发生改变。本文引用Cox和Munk[27]观测模型计算海面倾斜角，可拓展计算不同风速条件下的海面照度情况。
4. 结论
本文利用数值模拟方法研究了蒙特卡罗模拟过程中光子数取值对计算结果稳定性的影响，讨论了造成这一影响的原因。同时，根据光度分布数据提出了光子辐射优化模型并进行验证，发现新的光子辐射模型与实际情况较为接近，能够较为全面地表征灯具不同方向光子的辐射特征。在此基础上，结合实际渔船的灯光配置参数和风速，计算了光诱渔船实际作业环境下的光场分布，结果显示在海面波动条件下，蒙特卡罗计算结果比几何方法计算结果更接近实测值。
-
![]()
图 3 基于尾数模拟数据LCA和B-LCA模型的估算值与模拟值对比图
Figure 3. Comparison between estimated and simulated values of LCA and B-LCA models based on number-based simulated data
![]()
图 4 基于质量模拟数据LCA和B-LCA模型的估算值与模拟值对比图
Figure 4. Comparison between estimated and simulated values of LCA and B-LCA models based on mass-based simulated data
![]()
图 5 基于LCA和B-LCA模型估算的平均资源质量与捕捞死亡系数在体长组间的变化趋势
Figure 5. Trends of average resource mass and fishing mortality coefficient between body length class estimated based on LCA and B-LCA models
表 1 秋刀鱼生物学参数
Table 1 Biological parameters of Pacific saury
参数
Parameter符号
Symbol数值
Value条件因子 Condition factor a 2.468 4×10−6 生长因子 Growth factor b 3.110 7 自然死亡系数 Coefficient of natural mortality M 0.328 9 捕捞死亡系数 Coefficient of fishing mortality F 1.271 1 总死亡系数 Total mortality coefficient Z 1.600 0 渐进体长 Asymptote length L∞ 360.230 0 生长参数 Growth parameter K 0.360 0 
下载: 导出CSV
表 2 模型性能指标
Table 2 Model performance indicators
间隔
Interval/mm模拟数据
Simulated data模型
Model性能指标
Model efficiency5 基于资源尾数
Number-basedLCA 1.000 0 B-LCA 0.995 9 基于资源质量
Mass-basedLCA 0.995 5 B-LCA 1.000 0 10 基于资源尾数
Number-basedLCA 1.000 0 B-LCA 0.986 4 基于资源质量
Mass-basedLCA 0.983 3 B-LCA 1.000 0 15 基于资源尾数
Number-basedLCA 0.999 9 B-LCA 0.972 6 基于资源质量
Mass-basedLCA 0.962 7 B-LCA 1.000 0
下载: 导出CSV
表 3 敏感性分析结果
Table 3 Sensitivity analysis results
模拟数据
Simulated data参数
Parameter基准方案
Base case变化
Change敏感性方案
Sensitivity case敏感性指数
Sensitivity index$ {W}_{\mathrm{b}\mathrm{a}\mathrm{s}\mathrm{e}}^{\mathrm{L}\mathrm{C}\mathrm{A}} $ $ {W}_{\mathrm{b}\mathrm{a}\mathrm{s}\mathrm{e}}^{\mathrm{B}{\text{-}}\mathrm{L}\mathrm{C}\mathrm{A}} $ $ {W}_{\mathrm{s}\mathrm{e}\mathrm{n}\mathrm{s}\mathrm{i}\mathrm{t}\mathrm{i}\mathrm{v}\mathrm{i}\mathrm{t}\mathrm{y}}^{\mathrm{L}\mathrm{C}\mathrm{A}} $ ${W}_{\mathrm{s}\mathrm{e}\mathrm{n}\mathrm{s}\mathrm{i}\mathrm{t}\mathrm{i}\mathrm{v}\mathrm{i}\mathrm{t}\mathrm{y} }^{\mathrm{B}{\text{-}}\mathrm{L}\mathrm{C}\mathrm{A} }$ LCA B-LCA 基于资源尾数 a 1.604 7 1.487 2 +10% 1.765 2 1.635 9 1.000 0 0.194 6 Number-based 1.604 7 1.487 2 −10% 1.444 2 1.338 5 1.000 0 1.658 9 基于资源质量 0.088 4 0.081 9 +10% 0.088 4 0.081 9 0.000 0 −0.732 2 Mass-based 0.088 4 0.081 9 −10% 0.088 4 0.081 9 0.000 0 0.732 2 基于资源尾数 b 1.604 7 1.487 2 +10% 8.448 0 7.775 2 42.645 3 38.452 7 Number-based 1.604 7 1.487 2 −10% 0.305 6 0.285 2 8.095 7 8.222 6 基于资源质量 0.088 4 0.081 9 +10% 0.095 7 0.088 1 0.831 5 −0.031 2 Mass-based 0.088 4 0.081 9 −10% 0.081 8 0.076 4 0.744 3 1.361 1 基于资源尾数 $ K $ 1.604 7 1.487 2 +10% 1.786 5 1.657 7 1.133 1 0.330 0 Number-based 1.604 7 1.487 2 −10% 1.786 5 1.657 7 1.116 8 1.777 6 基于资源质量 0.088 4 0.081 9 +10% 0.098 4 0.091 3 1.135 2 0.331 8 Mass-based 0.088 4 0.081 9 −10% 0.098 4 0.091 3 −1.135 2 −0.331 8 基于资源尾数 $ {L}_{{\infty } } $ 1.604 7 1.487 2 +10% 2.080 8 1.935 1 2.966 7 2.058 7 Number-based 1.604 7 1.487 2 −10% NA NA NA NA 基于资源质量 0.088 4 0.081 9 +10% 0.114 7 0.106 7 2.978 2 2.069 3 Mass-based 0.088 4 0.081 9 −10% NA NA NA NA 基于资源尾数 $ M $ 1.604 7 1.487 2 +10% 1.605 3 1.487 7 0.003 5 −0.728 9 Number-based 1.604 7 1.487 2 −10% 1.604 2 1.486 7 0.003 4 0.735 4 基于资源质量 0.088 4 0.081 9 +10% 0.088 4 0.081 9 0.003 3 −0.729 2 Mass-based 0.088 4 0.081 9 −10% 0.088 4 0.081 9 0.003 1 0.735 1 基于资源尾数 $ F $ 1.604 7 1.487 2 +10% 1.764 7 1.635 5 0.997 0 0.191 8 Number-based 1.604 7 1.487 2 −10% 1.444 7 1.338 9 0.997 0 1.656 1 基于资源质量 0.088 4 0.081 9 +10% 0.081 1 0.075 1 −0.827 6 −1.507 9 Mass-based 0.088 4 0.081 9 −10% 0.097 1 0.090 1 −0.981 8 −0.192 1 注：NA表示缺失值。 Note: NA indicates missing values.
下载: 导出CSV
表 4 模型参数的后验分布
Table 4 Posterior distribution of model parameters
参数
Parameter模型
Model95%置信区间
95% confidence interval均值
Mean标准差
SD潜在尺度缩减因子
Psrf下限 Lower 上限 Uppe $ M $ LCA 0.264 13 0.392 13 0.328 93 0.032 697 1.000 1 B-LCA 0.265 26 0.394 98 0.328 75 0.033 046 1.000 0 $ F $ LCA 1.018 6 1.520 7 1.270 8 0.128 04 1.000 1 B-LCA 1.018 1 1.516 5 1.270 5 0.127 10 1.000 2 $ K $ LCA 0.292 02 0.432 27 0.360 04 0.035 822 1.000 0 B-LCA 0.288 91 0.430 53 0.360 27 0.036 064 1.000 2 $ {L}_{\infty } $ LCA 290.67 429.86 360.24 35.853 1.000 1 B-LCA 288.41 429.55 360.52 36.011 1.000 1 $ b $ LCA 2.504 2 3.729 1 3.110 8 0.311 77 1.000 1 B-LCA 2.505 1 3.722 3 3.111 2 0.310 42 1.000 0 $ a $ LCA 1.99×10−6 2.96×10−6 2.47×10−6 2.47×10−7 1.000 2 B-LCA 1.98×10−6 2.94×10−6 2.47×10−6 2.48×10−7 0.999 99
下载: 导出CSV
表 5 秋刀鱼平均资源质量、捕捞死亡系数及最大持续产量
Table 5 Average resource mass, fishing mortality coefficient and maximum sustainable yield of Pacific saury
年份
Year总产量
Wtc/104 tLCA B-LCA F W/104 t W/104 t F W/104 t WMSY/104 t 2014 63.02 0.422 6 171.51 59.72 0.427 5 126.25 52.26 2015 35.89 0.459 8 86.51 32.17 0.466 4 61.81 28.11 2016 36.17 0.458 7 86.35 32.29 0.462 5 61.68 28.22 2017 26.26 0.667 5 65.93 23.97 0.687 8 47.88 21.00 2018 43.59 0.637 6 113.86 40.52 0.658 1 83.29 35.49 均值 Mean 40.99 0.529 2 104.83 37.73 0.540 5 76.18 33.02
下载: 导出CSV
-
[1] IWAHASHI M, ISODA Y, ITO S I, et al. Estimation of seasonal spawning ground locations and ambient sea surface temperatures for eggs and larvae of Pacific saury (Cololabis saira) in the western North Pacific[J]. Fish Oceanogr, 2006, 15(2): 125-138. doi: 10.1111/j.1365-2419.2005.00384.x
[2] 王茜, 崔雪森. 国际渔业动态[J]. 渔业信息与战略, 2020, 35(4): 327-332. [3] 史登福, 张魁, 陈作志. 基于生活史特征的数据有限条件下渔业资源评估方法比较[J]. 中国水产科学, 2020, 27(1): 12-24. [4] COSTELLO C, OVANDO D, HILBORN R, et al. Status and solutions for the world's unassessed fisheries[J]. Science, 2012, 338(6106): 517-520. doi: 10.1126/science.1223389
[5] HORDYK A, ONO K, VALENCIA S, et al. A novel length-based empirical estimation method of spawning potential ratio (SPR), and tests of its performance, for small-scale, data-poor fisheries[J]. ICES J Mar Sci, 2015, 72(1): 217-231. doi: 10.1093/icesjms/fsu004
[6] RUDD M B, THORSON J T. Accounting for variable recruitment and fishing mortality in length-based stock assessments for data-limited fisheries[J]. Can J Fish Aquat Sci, 2018, 75(7): 1019-1035. doi: 10.1139/cjfas-2017-0143
[7] WANG J T, YU W, CHEN X J, et al. Stock assessment for the western winter-spring cohort of neon flying squid (Ommastrephes bartramii) using environmentally dependent surplus production models[J]. Sci Mar, 2016, 80(1): 69-78.
[8] TRUESDELL S B, BENCE J R, SYSLO J M, et al. Estimating multinomial effective sample size in catch-at-age and catch-at-size models[J]. Fish Res, 2017, 192: 66-83. doi: 10.1016/j.fishres.2016.11.003
[9] JONES R. Assessing the long-term effects of changes in fishing effort and mesh size from length composition data[J]. ICES J Mar Sci, 1974, 33: 1-13.
[10] 詹秉义. 渔业资源评估[M]. 北京: 中国农业出版, 1995: 312-314. [11] 周永东, 徐汉祥. 应用体长股分析法估算东海海鳗资源量[J]. 浙江海洋学院学报(自然科学版), 2007, 26(4): 399-403. [12] 周永东, 张洪亮, 徐汉祥, 等. 应用体长股分析法估算东海区日本鲭资源量[J]. 浙江海洋学院学报(自然科学版), 2011, 30(2): 91-94. [13] 吴斌, 方春林, 贺刚, 等. 运用体长股法初步估算湖口江段短颌鲚资源量[J]. 湖北农业科学, 2014, 53(16): 3866-3869. [14] ZHANG C I, SULLIVAN P J. Biomass-based cohort analysis that incorporates growth[J]. Trans Am Fish Soc, 1988, 117(2): 180-189. doi: 10.1577/1548-8659(1988)117<0180:BBCATI>2.3.CO;2
[15] ZHANG C I, MEGREY B A. A simple biomass-based length-cohort analysis for estimating biomass and fishing mortality[J]. Trans Am Fish Soc, 2010, 139(3): 911-924. doi: 10.1577/T09-041.1
[16] 朱清澄, 花传祥. 西北太平洋秋刀鱼渔业[M]. 北京: 海洋出版社, 2017: 1-2. [17] TAMURA T, FUJISE Y. Geographical and seasonal changes of the prey species of minke whale in the Northwestern Pacific[J]. ICES J Mar Sci, 2002, 59(3): 516-528. doi: 10.1006/jmsc.2002.1199
[18] SHIMIZU Y, TAKAHASHI K, ITO S I, et al. Transport of subarctic large copepods from the Oyashio area to the mixed water region by the coastal Oyashio intrusion[J]. Fish Oceanogr, 2009, 18(5): 312-327. doi: 10.1111/j.1365-2419.2009.00513.x
[19] SMITH A D, BROWN C J, BULMAN C M, et al. Impacts of fishing low-trophic level species on marine ecosystems[J]. Science, 2011, 333(6046): 1147-1150. doi: 10.1126/science.1209395
[20] PIKITCH E K, ROUNTOS K J, ESSINGTON T E, et al. The global contribution of forage fish to marine fisheries and ecosystems[J]. Fish Fish, 2014, 15(1): 43-64. doi: 10.1111/faf.12004
[21] North Pacific Fisheries Commission. 7th Meeting Report[R]. Tokyo: NPFC, 2022.
[22] NAKAYA M, MORIOKA T, FUKUNAGA K, et al. Growth and maturation of Pacific saury Cololabis saira under laboratory conditions[J]. Fish Sci, 2010, 76: 45-53. doi: 10.1007/s12562-009-0179-9
[23] BAITALIUK A, ORLOV A, ERMAKOV Y K. Characteristic features of ecology of the Pacific saury Cololabis saira (Scomberesocidae, Beloniformes) in open waters and in the northeast Pacific Ocean[J]. J Ichthyol, 2013, 53(11): 899-913. doi: 10.1134/S0032945213110027
[24] 朱清澄, 杨明树, 高玉珍, 等. 西北太平洋秋刀鱼耳石生长与性成熟度、个体大小的关系[J]. 上海海洋大学学报, 2017, 26(2): 263-270. [25] KIMURA N, OKADA Y, MAHAPATRA K. Relationship between saury fishing ground and sea surface oceanographic features determined from satellite data along the northeastern coast of Japan[J]. J Mar Sci Technol, 2004, 2(2): 1-12.
[26] 张孝民, 石永闯, 李凡, 等. 基于MAXENT模型预测西北太平洋秋刀鱼潜在渔场[J]. 上海海洋大学学报, 2020, 29(2): 280-286. [27] 张培超, 张孝民, 陈丙见, 等. 北太平洋秋刀鱼渔场与水温垂直结构的关系[J]. 河北渔业, 2022(6): 35-39, 44. [28] 谢斌, 汪金涛, 陈新军, 等. 西北太平洋秋刀鱼资源丰度预报模型构建比较[J]. 广东海洋大学学报, 2015, 35(6): 58-63. [29] 朱文涛, 陈新军, 汪金涛, 等. 基于灰色系统的西北太平洋秋刀鱼资源丰度预测[J]. 广东海洋大学学报, 2018, 38(6): 13-17. [30] 孟令文, 朱清澄, 花传祥, 等. 栖息地指数模型在北太公海秋刀鱼渔情预报中的应用[J]. 海洋湖沼通报, 2018(6): 142-149. doi: 10.13984/j.cnki.cn37-1141.2018.06.019 [31] 许巍, 朱清澄, 张先存, 等. 西北太平洋秋刀鱼舷提网捕捞技术[J]. 齐鲁渔业, 2005, 22(10): 43-45. [32] 石永闯, 朱清澄, 张衍栋, 等. 基于模型试验的秋刀鱼舷提网纲索张力性能研究[J]. 中国水产科学, 2016, 23(3): 704-712. [33] PAULY D. On the interrelationships between natural mortality, growth parameters, and mean environmental temperature in 175 fish stocks[J]. ICES J Mar Sci, 1980, 39(2): 175-192. doi: 10.1093/icesjms/39.2.175
[34] ALLEN M S, WALTERS C J, MYERS R. Temporal trends in largemouth bass mortality, with fishery implications[J]. N Am J Fish Manag, 2008, 28(2): 418-427. doi: 10.1577/M06-264.1
[35] HUGHES S E. Stock composition, growth, mortality, and availability of Pacific saury, Cololabis saira, of the northeastern Pacific Ocean[J]. Fish Bull, 1974, 72(1): 121-131.
[36] GUPTA H V, KLING H, YILMAZ K K, et al. Decomposition of the mean squared error and NSE performance criteria: implications for improving hydrological modelling[J]. J Hydrol, 2009, 377(1/2): 80-91.
[37] MORIASI D N, GITAU M W, PAI N, et al. Hydrologic and water quality models: performance measures and evaluation criteria[J]. Transactions of ASABE, 2015, 58(6): 1763-1785. doi: 10.13031/trans.58.10715
[38] SUN X, NEWHAM L T, CROKE B F, et al. Three complementary methods for sensitivity analysis of a water quality model[J]. Environ Model Softw, 2012, 37: 19-29. doi: 10.1016/j.envsoft.2012.04.010
[39] PLUMMER M, BEST N, COWLES K, et al. CODA: convergence diagnosis and output analysis for MCMC[J]. R News, 2006, 6(1): 7-11.
[40] 官文江, 吴佳文, 曹友华. 利用后向预报方法分析印度洋黄鳍金枪鱼资源评估模型[J]. 中国海洋大学学报 (自然科学版), 2020, 50(2): 52-59. [41] KIM T K. T Test as a parametric statistic[J]. Korean J Anesthesiol, 2015, 68(6): 540-546. doi: 10.4097/kjae.2015.68.6.540
[42] RIVARD D. Effects of systematic, analytical, and sampling errors on catch estimates: a sensitivity analysis[J]. Can Spec Publ J Fish Aquat Sci, 1983, 66: 114-129.
[43] LAI H L, GALLUCCI V F. Effects of parameter variability on length-cohort analysis[J]. ICES J Mar Sci, 1988, 45(1): 82-92. doi: 10.1093/icesjms/45.1.82
[44] 李忠炉, 金显仕, 单秀娟, 等. 小黄鱼体长-体质量关系和肥满度的年际变化[J]. 中国水产科学, 2011, 18(3): 602-610. [45] 吴斌, 方春林, 贺刚, 等. FiSAT II 软件支持下的体长股分析法探讨[J]. 南方水产科学, 2013, 9(4): 94-98. [46] HOLLOWED A B, IANELLI J N, LIVINGSTON P A. Including predation mortality in stock assessments: a case study for Gulf of Alaska walleye pollock[J]. ICES J Mar Sci, 2000, 57(2): 279-293. doi: 10.1006/jmsc.1999.0637
-
期刊类型引用(2)
1. 张英，孔祥洪，黄小双，陈新军，刘必林. 基于文献计量学的集鱼灯在海洋渔业中的发展趋势及热点分析. 海洋渔业. 2025(01): 103-117 . 
百度学术
2. 王伟杰，万荣，孔祥洪. 水下集鱼灯在近海水体中的光场分布数值模拟. 水产学报. 2023(12): 192-203 . 百度学术
其他类型引用(1)
计量
- 文章访问数: 174
- HTML全文浏览量: 98
- PDF下载量: 53
- 被引次数: 3
粤公网安备 44010502001741号
