基于海表温度和海面高度的东太平洋大眼金枪鱼渔场预测

沈智宾 , 陈新军 , 汪金涛

(1.上海海洋大学 海洋科学学院, 上海 201306; 2.大洋渔业资源可持续开发省部共建教育部重点实验室,上海201306; 3.国家远洋渔业工程技术研究中心, 上海 201306; 4.远洋渔业协同创新中心, 上海 201306)

大眼金枪鱼(Thunnus obesus)为高度洄游的外洋狭盐性鱼种, 通常在热带或温带水域捕获。在东太平洋, 大眼金枪鱼大多分布在南北纬40°以内、表层生产力不高的海域[1], 主要集中在智利、秘鲁、厄瓜多尔等外海海域[2]。大眼金枪鱼于20世纪50年代首先由日本金枪渔船开发, 中国大陆于1988年开始利用该资源[3]。国内外学者如杨胜龙等[4]、Holland等[5-6]、Boggs[7]、刘一淳[8]、Russell等[9]、Hampton 等[10]、苏利荣[11]、樊伟等[12]、宋利明等[13]对各个海域的大眼金枪鱼渔场与水温因子之间的关系进行了研究, 获得了大眼金枪鱼栖息分布的最适海表温度。栖息地指数(Habitat Suitability Index, HSI)的概念于1980 年代初提出, 并首先被用来描述野生动物的栖息地质量, 以后被应用于物种保护区的管理和研究以及鱼类渔场分析[14-16]。目前对东太平洋大眼金枪鱼的栖息地指数及其空间分布研究甚少, 同时也未见用于大眼金枪鱼渔场的预报。为此, 本研究利用中国东太平洋金枪鱼延绳钓生产数据, 结合卫星遥感资料, 利用栖息地指数模型对大眼金枪鱼中心渔场进行分析与预报, 为中国金枪鱼延绳钓的生产提供科学依据。

1 材料与方法

1.1 数据来源

生产统计资料来自 2009～2012年上海金优远洋渔业有限公司在东太平洋公海金枪鱼延绳钓生产数据。其中 2009～2011年的生产统计数据用于大眼金枪鱼栖息地研究, 2012年的生产统计数据用于栖息地指数模型验证。共 6 艘生产船, 每艘船吨位均为157 t, 主机功率均为 407 kW, 冷海水保鲜。作业海域为东太平洋海域(20°N～35°S、85°～155°W)。数据包括作业时间、作业位置、大眼金枪鱼渔获量(kg)、钩数, 海表温度(SST)数据来自http: //poet.jpl.nasa.gov/, 表温数据空间分辨率为 1°×1°。海面高度(SSH, 单位 m)的数据来自哥伦比亚大学卫星遥感网站(http://iridl.ldeo.columbia.edu/docfind/databrief/cat-ocea-n.html)。

1.2 分析方法

首先以经纬度 1°×1°为空间统计单位, 按月对其作业位置、产量和放钩数进行初步统计, 并计算平均每千钩产量(CPUE, kg/千钩)。不考虑船长水平和海洋环境条件, 因属于同一作业船型, 因此作者初步认定 CPUE 可作为表征渔场分布的指标之一[17]。通常在作业渔船下钩之前, 船长会根据探渔仪映像、海洋环境状况、周围渔船作业情况进行综合判断, 使得作业渔船往往会集中在某一区域, 作业渔船之间会产生相互干扰, 从而影响到 CPUE 的值[18]。因此,利用频度分析法按 SST 1℃为组距、SSH 0.1 m为组距来分析各月产量、CPUE 和SST的关系, 获得各月作业渔场最适的SST、SSH范围。

1.3 栖息地模型的建立

利用产量分别与SST、SSH来建立相应的适应性指数(SI)模型。作者假定最高产量 (PROmax)为大眼金枪鱼资源分布最多的海域, 认定其栖息地指数为1; 作业产量为 0 时, 大眼金枪鱼资源分布较少的海域, 认定其HSI为0[19]。单因素栖息地指数SI计算公式如下:

式中,SIi,为i月得到的适应性指数;PROi,max为i月的最大产量。

利用指数模型分别建立SST、SSH与SI之间的关系模型。利用算术平均法(arithmetic mean model,AMM)[20-21]计算栖息地综合指数 HSI, HSI 在 0(不适宜)到 1(最适宜)之间变化。计算公式如下:

式中,SISST、SISSH分别为SI与SST、SSH的适应性指数。

作者采用了算术平均法作为模型的基本算法主要有以下两个原因: 遥感数据容易缺失, 如采用其他方法如最小值法和几何平均值法, 容易将遥感数据缺失的部分误判为栖息地指数为 0 的位置, 从而造成预报失误; 算术平均值法在金枪鱼栖息地指数模型的建立中应用广泛[22-24]。

1.4 渔情预报验证

作者将 2012 年生产统计数据和栖息地指数均分为 5 个级别。将产量统计数据(PRO)采用自然边界法[25]进行划分, 0≤PRO＜500 t, 记为等级 1; 500 t≤PRO＜1 000 t, 记为等级 2; 1 000 t≤PRO＜5 000 t, 记为等级 3; 5 000 t≤PRO＜10 000 t, 记为等级 4;PRO≥10 000 t, 记为等级 5。 同样, 栖息地指数也划分为 5个等级, 即: 0.0≤HSI＜0.1, 记为等级 1; 0.1≤HSI ＜0.3, 记为等级 2; 0.3≤HSI＜0.5, 记为等级 3; 0.5≤HSI ＜0.7, 记为等级 4; 0.7≤HSI≤1.0, 记为等级 5。

对于同一个作业渔区, 如果其产量数据级别与栖息地指数级别相同或相差之绝对值≤2, 则认为模型能够准确预测该渔区渔场形成的情况, 即渔场的适宜度; 如果级别相差之绝对值＞2, 则认为模型不能正确预测[26]。

2 结果

2.1 产量及 CPUE 的逐月分布

月产量及CPUE自1～12月大致呈现先降低后增加的趋势。高产(月产量超过 300 t)分布在 11～12月以及1月, 产量最高为12月, 达486.73 t(图1a), 占全年总产量的14.83%, 其 CPUE 为179.89 kg/千钩(图1b)。产量最低的为3月, 为162.81t(图1a), 占全年总产量的4.96%, 其CPUE为103.51 kg/千钩(图1b)。

图1 大眼金枪鱼延绳钓产量和 CPUE 月变化Fig.1 Monthly catch and CPUE of Bigeye tuna

2.2 产量及 CPUE 与SST 的关系

由图2可知, 各月高产、高CPUE海域的最适表温是不相同的。其中, 1月产量较高时SST为26℃、28℃, CPUE较高时SST为24～29℃; 2月产量较高时SST为26℃, CPUE较高时SST为26～29℃; 3月产量较高时SST为27℃, CPUE较高时SST为27～29℃; 4月产量较高时SST为27～28℃, CPUE较高时SST为27～29℃; 5月产量较高时SST为28℃, CPUE较高时SST为23～24℃、29℃; 6月产量较高时SST为27℃,CPUE较高时SST为29℃; 7月产量较高时SST为27℃, CPUE较高时SST为24～27℃; 8月产量较高时SST为26℃, CPUE较高时SST为24～26℃; 9月产量和CPUE较高时SST均为27℃; 10月产量和CPUE较高时SST均为28℃; 11月产量较高时SST为26℃,CPUE较高时SST为28℃; 12月产量较高时SST为28℃, CPUE较高时SST为29℃。

图2 大眼金枪鱼延绳钓月产量和 CPUE 与 SST 关系Fig.2 Monthly catch and CPUE of Bigeye tuna with the changes of SST

2.3 产量和 CPUE 与SSH的关系

由图3可知, 各月高产、高 CPUE海域的最适SSH也是不相同的。第一季度中, 1月产量最高时的SSH为0.5 m, CPUE最高时的SSH为0.6 m, 2月产量最高时的SSH为0.6 m, CPUE最高时的SSH为0.7 m, 3月产量与CPUE最高时的SSH均为0.5 m; 第二季度中, 4、5月产量和CPUE最高的SSH均为0.5 m; 6月产量和CPUE最高的 SSH 均为 0.6 m; 第三季度中, 7月产量最高时的SSH为0.6 m, CPUE最高时的SSH为0.7 m, 8月产量和CPUE最高时的SSH均为0.7 m, 9月产量最高时的SSH分别为0.7m, CPUE最高时的SSH为0.8 m; 第四季度中, 10～12月产量与CPUE最高时的SSH均为0.6 m, CPUE最高时的SSH均为0.8 m。

图3 大眼金枪鱼月产量和 CPUE 与 SSH 的关系Fig.3 Relationship between monthly catch and CPUE of bigeye tuna and SSH

2.4 HSI 模型的建立

分季度绘制各因子的 SI 曲线拟合图(图4)。由图4 和表1 中可知, 采用指数模型拟合的 SI曲线均为显著(P＜0.05)。

表1 各季度大眼金枪鱼栖息地指数模型Tab.1 The habitat suitability index model of bigeye tuna for each quarter

2.5 HSI模型分析

由表2可知, 当 HSI 为 0.6 以上时: 1 月份作业渔区数为 68个, 占总数的 65.38%; 2 月份作业渔区数 为 56个, 占总数的 67.47%, 3 月份作业渔区数为54个, 占总数的 62.07%; 4 月份作业渔区数为 60个, 占总数 68.18%; 5 月作业渔区数为77个,占总数的71.96%; 6 月作业渔区数为68个, 占总数的 62.96%; 7 月作业渔区数为 75个, 占总数的62.50%; 8 月作业渔区数为74个, 占总数的63.79%;9 月作业渔区数的75个, 占总数的69.44%; 10 月作业渔区数为77个, 占总数的61.11%; 11 月作业渔区数的 51个, 占总数63.75%; 12 月作业渔区数为51个, 占总数的67.11%。当 HSI 为 0.6 以上时, 全年作业渔区数为786 个, 占总数的 65.34%。因此, 该模型能够较好地反映东太平洋大眼金枪鱼中心渔场的分布情况。

表2 2009～2011年大眼金枪鱼各月份 HSI 值与作业渔区数Tab.2 The monthly fishing areas under different HSI values of bigeye tuna during 2009 to 2011

2.6 中心渔场验证

利用2012年的生产统计数据和环境数进行中心渔场预报验证, 由表3可知, 第一、二、三和四季度中心渔场预报准确率分别为62%、61%、65%、64%,平均准确率达到63%, 而平均不准确率为37%。

表3 2012年大眼金枪鱼中心渔场预报结果统计Tab.3 The results of forecasting fishing ground of bigeye tuna in 2012

3 讨论与结论

温度是影响海洋鱼类活动的最重要的环境因子之一, 直接或间接地影响到鱼类资源量的分布、洄游和空间集群等[28], 作者着重对东太平洋海域金枪鱼延绳钓主捕对象大眼金枪鱼作业渔场的月变化及其与 SST关系进行了分析, 得出了大眼金枪鱼中心渔场分布的适宜SST范围。发现在SST为24～29℃的海域, 其产量约占总渔获量的 93%以上, 这一因子可作为全年各月中心渔场分布的指标之一。

SSH虽然没有像温度那样显著地影响着鱼类活动, 但是 SSH也是影响鱼类洄游、集群和分布的关键性因素之一。作者也分析了大眼金枪鱼作业渔场分布与SSH关系, 发现SSH为0.4～0.8 m的海域多为中心渔场, 其产量约占总渔获量的 91%以上, 因此, SSH也可作为全年各月中心渔场分布的指标之一。

本研究根据已建立的栖息地指数模型, 利用SST和SSH两个海洋环境因子对东太平洋大眼金枪鱼渔场进行了预测, 2012年中心渔场预报精度达到63%。在所有月份中, 实际作业渔场的范围基本上落在渔情预报的理论范围内。因此, 本研究所建立的渔情预报模型用来预测东太平洋大眼金枪鱼渔场是可行的。

尽管上述建立的东太平洋大眼金枪鱼栖息地指数模型有较高的精确度, 但是大眼金枪鱼渔场还与深层水温结构、叶绿素浓度、温跃层、饵料生物分布、锋面和涡以及 ENSO 等有关, 这些因素对大眼金枪鱼渔场分布均有一定的影响。因此, 在以后的研究中需综合考虑上述因子, 考虑不同精度的时间、空间分辨率, 不断完善渔情预报模型。

[1] 樊伟, 崔雪森, 周甦芳.太平洋大眼金枪鱼延绳钓渔获分布及渔场环境浅析[J].海洋渔业, 2004, 261-265.

[2] 施秀帖, 袁蔚文, 陈冠贤, 等.中西太平洋热带海域渔业资源及开发前景分析[J].远洋渔业, 1989, 2: 1-42.

[3] 杨俊杰, 王继业, 胡建廷, 等.中国远洋渔业政策与山东发展对策刍议[J].海洋科学, 2002, 26(10): 28-31.

[4] 杨胜龙, 马军杰, 伍玉梅, 等.印度洋大眼金枪鱼和黄鳍金枪鱼渔场水温垂直结构的季节变化[J].海洋科学, 2012, 36(7): 97-103.

[5] Holland K N, Brill K N R W, Chang R K C.Horizontal and vertical movements of yellowfin and bigeye tuna associated with fish aggregated devices [J].Fish Bull,1990, 88: 493-507.

[6] Holland K N, John R S.Physiological thermoregulation in bigeye tuna,Thunnus obesus[J].Environmental Biology of Fishers, 1994, 40: 319-327.

[7] Boggs C H.Depth, capture time, and hooked longevity of long-line-caught pelagic fish: Timing bites of fish with chips[J].Fish Bull, 1992, 90: 642-658.

[8] 刘一淳.东太平洋大眼金枪鱼资源评估及管理对策[D].上海: 上海海洋大学, 2006.

[9] Russell E B, Jeffrey J P, Michael P S, et al.The role of oceanography in Aggregation and Vulnerability of bigeye tuna in the Hawaii longline fishery from satellite,moored and shipboard time series[R].Honolulu: JIMAR,2001.

[10] Hampton J, Bigelow K, Labelle M.A summary of current information on the biology, fishery and stock assessment of bigeye tuna (Thunnus obesus) in the Pacific Ocean, with recommendations for data requirements and future research[J].Oceanic Fisheries Programme Technical Report, 1998, 36: 46-63.

[11] 苏利荣.海洋渔场学[M].中国台北: 许氏基金会出版社, 1992.

[12] 樊伟, 沈新强, 林明森.大西洋大眼金枪鱼渔场、资源及环境特征的研究[J].海洋学报, 2003, 25(2):167-176.

[13] 宋利明, 许柳雄, 陈新军.大西洋中部大眼金枪鱼垂直分布与温度、盐度的关系[J].中国水产科学, 2004,11(6): 561-566.

[14] 陈新军, 陆化杰, 刘必林, 等.利用栖息地指数预测西南大西洋阿根廷滑柔鱼渔场[J].上海海洋大学学报, 2012, 21(3): 431-438.

[15] 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.

[16] 胡振明, 陈新军, 周应祺, 等.利用栖息地适宜指数分析秘鲁外海茎柔鱼渔场分布[J].海洋学报, 2010,32(5): 67-75.

[17] 陈新军.渔业资源与渔场学[M].北京: 海洋出版社,2004.

[18] 陈新军.渔业资源经济学[M].北京: 中国农业出版社, 2004.

[19] Mohri M, Nishida T.Seasonal changes in bigeye tuna fishing areas in relation to the oceanographic parameters in the Indian Ocean[J].Journal of National Fisheries University, 1999, 47(2): 43-54.

[20] Brown S K, Buja K R, Jury S H, et al.Habitat suitability index models for eight fish and invertebrate species in Casco and Sheepscot Bays, Maine[J].North American Journal of Fisheries Management, 2000,20(2): 408-435.

[21] Hess G R, Bay J M.A regional assessment of windbreak habitat suitability[J].Environmental Monitoring and assessment, 2000, 61(2): 239-256.

[22] Wang C H, Wang S B.Assessment of South Pacific albacore stock (Thunnus alalunga) by improved Schaefer model[J].Journal of Ocean University of China, 2006, 5: 106-114.

[23] Zainuddin M, Saitoh K, Saitoh S.Albacore (Thunnus alalunga) fishing ground in relation to oceanographic conditions in the western North Pacific Ocean using remotely sensed satellite data[J].Fisheries Oceanography,2008, 17(2): 61-73.

[24] 冯波, 陈新军, 许柳雄.应用栖息地指数对印度洋大眼金枪鱼分布模式的研究[J].水产学报, 2007, 31(6):805-812.

[25] Smith R M.Comparing traditional methods for selecting class intervals on choropleth maps[J].The Professional Geographer, 1986, 38(1): 62-67.

[26] Vi J, Alvarado B J, Pla C.Inter-oceanic genetic differentiation among albacore (Thunnus alalunga)populations[J].Marine Biology, 2004, 145(2): 225-232.