太平洋褶柔鱼秋生群资源补充量预报模型研究

胡飞飞，陈新军,2,3,4

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

太平洋褶柔鱼秋生群资源补充量预报模型研究

胡飞飞1，陈新军1,2,3,4

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

根据日本对太平洋褶柔鱼秋生群体的资源评估报告，以及产卵场海表温度（tSST）、叶绿素a质量浓度（ρChl-a），计算分析太平洋褶柔鱼在产卵期产卵场各月最适表温范围占总面积的比例（PS）、表征产卵场环境的tSST、ρChl-a等多种环境因子与单位捕捞努力量的渔获量(CPUE)的相关性，建立多种基于主要环境因子的资源补充量预报模型。结果表明：太平洋褶柔鱼资源补充量与各月的tSST的相关系数最大值海域分别为10月份的Point1（33.5°N，129.5°E）、11月份的Point2（31°N，127°E）和12月份的Point3（33.5°N，125°E）；与各月的ρChl-a浓度的相关系数最大值海域出现在11月份的Point4（34°N，129.5°E）和12月份的Point5（35°N，130°E）。基于Point1的tSST、Point4的ρChl-a、PS等3个因子作为输入层构建的3-2-1的BP网络结构，2011－2012年的平均预报精度达到最高，为91.5%，该模型可用于太平洋褶柔鱼资源补充量的预测。

太平洋褶柔鱼；秋生群体；资源补充量预报；神经网络；多元线性模型

太平洋褶柔鱼 Todarodes pacificus，又名日本鱿、东洋鱿等，是大洋性经济柔鱼的一种，主要分布在西北太平洋的21°－50°N海域，即日本海、日本太平洋沿岸以及我国黄海、东海[1,2]。太平洋褶柔鱼主要有夏生群、秋生群和冬生群等3个季节性产卵群体。目前主要捕捞群体为秋生群和冬生群[3]。秋生群目前的主要捕捞区域在日本海，以日本和韩国的渔获产量较高[4]，主要产卵区域为中国东海和对马海峡，产卵期在10－12月，每年春夏季沿日本海北上索饵，秋季南下产卵[5]。

太平洋褶柔鱼资源渔场与海洋环境关系密切，Sakurai等[6]认为从20世纪80年代末开始，对马海峡和附近的秋生群和冬生群产卵区域出现了重叠；Choi等[7]发现太平洋褶柔鱼产卵洄游和索饵洄游的时间和路径均发生了改变；桜井泰憲等[8]认为太平洋褶柔鱼年渔获量的变化与风速和大气温度有显著关系；李建生等[9]研究得出，分布在东海太平洋褶柔鱼属于暖水性外海高温高盐种，与表温等关系密切；杨林林等[10]认为东海太平洋褶柔鱼生殖群体的时空分布具有广范围和多季度的特点。本研究通过产卵场海表温度、叶绿素a质量浓度与单位捕捞努力量渔获量CPUE（Catch per unit effort）的相关性分析，找出影响资源丰度的关键海域，利用关键海域的海表温度、叶绿素a浓度及适宜表温所占海域面积等因子作为影响资源丰度的环境指标，建立不同环境影响因子与资源补充量之间的预报模型，为太平洋褶柔鱼资源的合理利用提供参考依据。

1　材料与方法

1.1材料来源

本研究主要是探讨太平洋褶柔鱼秋生群体的资源补充量与环境因子之间的关系，CPUE数据来自2013年日本对太平洋褶柔鱼秋生群体的资源评估报告（http://abchan.job.affrc.go.jp/digests26/ index.html），时间为1998－2012年。

海表温度（tSST）、叶绿素a质量浓度（ρChl-a）数据均来自http://oceanwatch. pifsc.noaa.gov，时间分辨率为月，时间跨度为1997－2012年；tSST空间分辨率为0.05°×0.05°，ρChl-a空间分辨率为 0.1°×0.1°；经纬度范围为 25°N－40°N，125°E－140°E。

环境数据空间分辨率统一为0.5°×0.5°，不同空间尺度的环境数据的转换通过Arcgis软件完成，如，每一个空间尺度为0.5°×0.5°的tSST数据是计算25个原始数据的平均值得到。

1.2研究方法

1.2.1研究海域范围21°N－41°N，121°E－142°E海域通常被认为是太平洋褶柔鱼秋生群体的产卵场[11]。结合作业数据，本研究选定海域范围为25°N－40°N，125°E－140°E。

1.2.2CPUE计算计算每年单船平均日产量CPUE（t/d），作为太平洋褶柔鱼资源丰度指标。由于太平洋褶柔鱼具有短生命周期，产卵后即死，没有剩余群体的生物学特性，因此CPUE可作为反映其资源补充量的指标[12-13]。

1.2.3影响因子选取太平洋褶柔鱼资源补充量与其产卵场的栖息环境密切相关[12]。在产卵月份（10－12月），对海域内每点的tSST、ρChl-a质量浓度组成的时间序列值与次年CPUE组成的时间序列值的相关性进行分析计算，选取相关性高海域的tSST、ρChl-a质量浓度作为太平洋褶柔鱼资源补充量的影响因子。

产卵场最适表层水温范围占产卵场总面积的比率是衡量产卵场栖息环境优劣的重要参量[14]。据文献[1]，将15－20℃定义为产卵场最适海表温度范围，计算最适海表温度范围占产卵场总面积的比例（PS），用PS表达产卵场栖息环境的适宜程度。据此选定PS为影响太平洋褶柔鱼资源补充量的因子，计算分析PS组成的时间序列值与次年CPUE组成的时间序列值的相关性。

1.2.4预报模型的建立及预报准确率的计算

1.2.4.1线性预报模型 根据1.2.3的相关性分析，选取相关性高的海域的tSST、ρChl-a浓度的时间序列值，与次年CPUE的时间序列值建立多元线性模型。

1.2.4.2BP神经网络预报模型 人工神经网络（artificial neural networks, ANN）模型是由模拟生物神经系统而产生的。本研究采用神经网络中的EBP（error backpropagation）算法，简称BP模型。它属于多层前向神经网络，采用误差反向传播的监督算法，能够学习和储存大量的模式映射关系，目前已被广发地应用于各个领域[15-17]。其网络结构如图1所示，有输入层、中间层（隐含层）和输出层，每层由不同个数的神经元或节点组成。

图1　多层前向BP网络Fig.1　Multilayer forward BP net

BP神经网络的建立是在DPS数据处理系统（data processing system）软件中完成。将1997－2009年的数据作为训练样本，2010年的数据作为验证样本，2011、2012年的数据作为预测样本。网络设计的参数为：输入层为1.2.3中的显著相关因子与 PS的组合，隐含层为1层，并且根据输入层选取的因子的不同而选取适当的隐含层节点数。根据经验，隐含层节点数一般设为输入层节点数的75%[18-19]。输出层神经元为1个，即实际的CPUE值。学习速率为0.1，动态参数为0.6，参数为0.9，允许误差为0.000 1，最大迭代次数为1 000，数据转换方法为标准化变换。模型训练次数为10次，取最优结果。

BP模型以最小拟合残差作为判断最优模型的标准。拟合残差是将输出层所输出的CPUE预报值与实测值进行比较所得的值，其函数定义式[20]为：

其中E表示拟合残差值，yk为CPUE的实测值，ˆyk为CPUE的预测值，N表示CPUE的个数，k表示CPUE序数。

（3）预报准确率的计算

将2010－2012年相关性高的海域的环境因子及PS输入到模型中，得到CPUE预测值，然后结合CPUE实测值，计算预报准确率，计算公式为：

其中P表示预测准确率，yk为CPUE的实测值，ˆyk为CPUE的预测值，N表示CPUE的个数，k表示CPUE序数。

2　结果

2.1年CPUE变化

由图2可知，1998－2009年太平洋褶柔鱼秋生群体CPUE年间波动较大，CPUE较低年份出现在1998、2004和2007年；最低年份为2007年，CPUE值为2.271 t/d；最高年份为2001年，CPUE值为3.407 t/d。

图2　1998－2009年太平洋褶柔鱼秋生群体CPUE变化Fig.2　Variation in CPUE of autumn-spawning group of Todarodes pacificus during 1998 to 2009

2.2相关性分析及关键因子的选择

对在产卵月份（10－12月）产卵场区域内（25°－40°N，125°－140°E）的10－12月每一个0.5°×0.5°的tSST的时间序列与次年CPUE的时间序列作相关性分析发现：10月份，tSST与次年CPUE相关性最大值出现在33.5°N、129.5°E（Point1）（表1，图3，图4a）处；11月份，tSST与次年CPUE相关性最大值出现在31°N、127°E（Point2）（表1，图3，图4b）处；12月份，tSST与次年CPUE相关性最大值出现在33.5°N、125°E（Point3）（表1，图3，图4c）处。

产卵场区域内（25°－40°N，125°－140°E）的11、12月每一个0.5°×0.5°的ρChl-a浓度的时间序列与次年CPUE的时间序列作相关性分析发现：11月份，ρChl-a浓度与次年CPUE相关性最大值出现在34°N、129.5°E（Point4）（表1，图3，图4d）处；12月份，ρChl-a浓度与次年CPUE相关性最大值出现在35°N、130°E（Point5）（表1，图3，图4e）处。

表1　关键海区环境因子与资源补充量的相关性分析参数Table 1　Correlation of parameters between environmental factors at the key points and the CPUE

图3　与资源补充量显著相关的关键海区Fig.3　The key points significantly associated with CPUE and its environmental factors

图4　特征环境因子与褶柔鱼资源补充量的线性关系式Fig.4　The linear regression of CPUE and environmental factors at the key points

PS值的时间序列与次年CPUE的时间序列作相关性分析发现：10－12月份最适海表温度范围占产卵场总面积的比例与次年CPUE之间不存在显著相关性（表2）。

表2　产卵场最适表温比例PS与次年CPUE相关性分析参数Table 2　Correlation analysis between favorable tSSTin the spawning ground (PS) and CPUE of the next year

2.3预报模型实现及结果比较

2.3.1线性预报模型根据1.2的结果，选定point1、point2、point3的tSST的时间序列，point4、point5的ρChl-a的时间序列与次年CPUE的时间序列建立多元线性模型，其方程为：

其相关系数R为0.91（P=0.02<0.05）。其中Y为次年的CPUE所组成的时间序列，X为影响次年CPUE的时间序列的因素。

2.3.2BP预报模型利用选定的关键海区环境因子与PS的不同组合作为BP预报模型的输入因子，构建多种BP预报模型，分别为：

方案1：选取Point1的tSST、Point4的ρChl-a浓度、PS共3个因子作为输入层，构建3-2-1的BP网络结构。

方案2：选取Point2的tSST、point3的tSST、point5的ρChl-a浓度、PS共4个因子作为输入层，构建4-3-1的BP网络结构。

方案3：选取Point1、 Point2 与point3的tSST、Point4与point5的ρChl-a、PS共6个因子作为输入层，构建6-4-1的BP网络结构。

将3种方案构建的模型重复拟合1 000次得到最优结果。

2.3.3最优模型的选择利用3种BP网络模型及多元线性模型预测2010－2012年太平洋褶柔鱼资源补充量的结果如表3所示，认为网络结构为3-2-1的BP神经网络模型为最适的渔情预报模型。

表3　模型的预测精度比较Table 3　Comparison of models prediction precision

3　讨论

太平洋褶柔鱼由于具独特的生物学特性，产卵场海洋环境对其资源补充量影响尤为显著，其中以暖流与寒流的强弱影响为主。前人研究表明，太平洋褶柔鱼的丰产年发生在黑潮势力强大，向北扩张强，水温较暖时期；歉收年发生在黑潮势力弱小，向北扩张弱，水温较冷时期[1]。本研究选取了35°N，129°－133°E断面的海表面温度来表征海流势力的强弱。2003年的海流势力较2002年，明显减弱，向北扩张弱，水温偏低，从而影响了次年的CPUE的减小（图5-a）；2006、2007年的断面分析图比较可知，海流势力增强，向北扩张强，水温升高，次年的CPUE也随之增大（图5-b）。

图5　2002年和2006年35°N的断面温度（℃）Fig.5　Figures of 35 degrees north latitude section temperature in 2002 and 2006

本研究建立多元线性模型所用的数据样本是经过相关性分析得到的与CPUE呈显著相关的数据，模型符合统计检验，预报准确率在90%左右。对比3种方案下的BP神经网络模型发现，2010年与2012年三种模型的预报结果几乎相同。但2011年的预报结果显示，随着模型输入因子个数的增加，模型的预报精度逐渐减小。

太平洋褶柔鱼资源补充量的预报极其复杂，是一件需要多学科结合的系统工作。太平洋褶柔鱼在其生活阶段的早期，在受到栖息海域的外部环境影响的同时，还受到了捕食者的影响，利用其产卵生活阶段的海域环境因素进行资源量预测只是其中一种重要的方法。在今后的研究中，通过结合物理海洋学、种群动力学等学科的研究，更为深入地了解整个生长阶段的生活特性，包括生长、发育、产卵、死亡等，将其与太平洋褶柔鱼的群体资源结合起来，建立更为全面、科学、可靠的太平洋褶柔鱼资源补充量预报模型，为太平洋褶柔鱼资源的合理利用和科学管理提供依据。

[1]王尧耕，陈新军. 世界大洋性经济柔鱼类资源及其渔业[M]. 北京：海洋出版社. 2005，160-188.

[2]董正之. 世界大洋经济头足类生物学[M]. 济南: 山东科学技术出版社，1991. 100-118

[3]陈新军，陆化杰，刘必林，等. 大洋性柔鱼类资源开发现状及可持续利用的科学问题[J]. 上海海洋大学学报，2012，21（5）：831-840.

[4]CHOI K H. Fishing conditions of common squid，Todarodes pacificus (Steenstrup) in relation to oceanic conditions in Korean waters[D]. Pukyong: Pukyong National University，2005.

[5]土井長の·川上武彦. 日本近海産スルメイカの生物生産と漁業の管理[J]. 東海区水産研究所研究報告，1979（99）：65-83.

[6]SAKURAI Y，KIYOFUJI H，SAITOH S，et al. Changes in inferred spawning areas of Todarodes pacificus (Cephalopoda: Ommastrephidae) due to changing environmental conditions[J]. ICES Journal of Marine Science，2000，57：24–30.

[7]CHOI K，LEE C L，HWANG K，et al. Distribution and migration of Japanese common squid，Todarodes pacificus，in the southwestern part of the East（Japan）Sea[J]. Fisheries Research，2008，91：281-290.

[8]桜井泰憲，山本潤，木所英昭，等. 気候のレジームシフトに連動したスルメいいかの資源変動[J]. 海洋出版. 2003，35（2）：100-106.

[9]李建生，严利平. 东海太平洋褶柔鱼的数量分布及其与环境的关系[J]. 海洋渔业，2004，26（3）：194-198.

[10]杨林林，姜亚洲，程家骅. 东海太平洋褶柔鱼生殖群体的空间分布及其与环境因子的关系[J]. 生态学报，2010，30（7）：1825-1833.

[11]ROSA A L，YAMAMOTO J，SAKURAI Y.Effects of environmental variability on the spawning areas，catch，and recruitment of the Japanese common squid，Todarodes pacificus（Cephalopoda：Ommastrephidae），from the 1970s to the 2000s[J]. ICES Journal of Marine Science，2011，68（6）：1114-1121.

[12]CHOI K H，HWANG S D，KIN J I. Fishing conditions of common squid，Todarodes pacificus steenstrup in relation to oceanic conditions in Korean waters[J]. J. Korean Fish. Soc，1997，30：513-522.

[13]GONG Y，JEONG H D，SUH Y S，et al. Fluctuations in relation to the climate shifts in the far east regions[J]. J. Ecol Field Biol，2007，30（1）：23-38.

[14]NIGMATULLIN C M，NESIS K N，ARKHIPKIN A. A review of the biology of the jumbo squid Dosidicus gigas （Cephalopoda：Ommastrephidae）[J]. Fisheries Research，2001，54（1）：9-19.

[15]蔡煌东，姚林声. 径流长期预报的人工神经网络方法[J]. 水科学进展，1995，1（6）：61-65.

[16]冯德益，蒋淳，汪德馨，等. 神经网络方法在地震预报研究中的初步应用[J]. 地震，1994，（4）：24-29.

[17]HUSH D R，HOME B G. Progress in supervised neural networks[J]. Signal Processing Magazine，1993，10（1）：8-39.

[18]忠植. 知识发现[M]. 北京：清华大学出版社，2002：1-295.

[19]蒋宗礼. 人工神经网络导论[M]. 北京：高等教育出版社，2001：20-40.

[20]唐启义，冯明光. DPS数据处理系统－实验设计、统计分析及模型优化[M]. 北京：科学出版社，2006：933.

（责任编辑：陈庄）

Study on Forecasting Model of Recruitment for the Autumn-spawning Group of Todarodes pacificus

HU Fei-Fei1CHEN Xin-jun1,2,3,4
(1. College of Marine Sciences of Shanghai Ocean University, Shanghai 201306, China; 2. National Engineering Research Center for Oceanic Fisheries, Shanghai Ocean University, Shanghai 201306, China; 3. The Key Laboratory of Sustainable Exploitation of Oceanic Fisheries Resources, Ministry of Education, Shanghai Ocean University, Shanghai 201306, China; 4.Collaborative Innovation Center for Distant-water Fisheries，Shanghai 201306，China)

The Japanese common squid, Todarodes pacificus (Cephalopoda: Ommastrephidae), is short-lived species, and its recruitment extremely easily affected by settlement to environmental change. According to the Japan of Todarodes pacificus autumn-spawning group resource evaluation report in 2013, as well as sea surface temperature (tSST), chlorophyll-a concentration (ρChl-a) in the spawning grounds, calculate the Japanese common squid in spawning ground spawning month optimal range temperature accounts for the proportion of the total (Ps) and characterization of spawning ground environment of tSST, chlorophyll a concentration and other environmental factors and unit catches in the amount of fishing effort (CPUE), set up a variety of resources recharge forecast model based on the main environmental factors. The result shows that Todarodes pacificus recruitment of the correlation coefficient and the amount of the monthly tSSTrespectively , Point 1 (33.5°N，129.5°E) in October , Point 2 (31°N，127°E) in November, Point 3(33.5°N，125°E) in December, and correlation coefficient of the ρChl-aconcentration in Point 4 (34°N，129.5°E) in November, Point 5 (35°N，130°E) in December. The BP model with the structure 3-2-1 by using tSSTat Point 1, ρChl-aat Point 4 and Ps is the best, and the average forecasting accuracy rate attain 91.5%. This model can be used in the forecasting the recruitment of Todarodes pacificus.

Todarodes pacificus; autumn-spawning group; forecasting model of resources recruitment; neural network; multivariable linear model

S932.4

A

1673-9159（2015）06-0064-06

10.3969/j.issn.1673-9159.2015.06.012

2015-07-27

国家863计划(2012AA092303)；海洋局公益性行业专项（20155014）

胡飞飞（1991－），男，硕士研究生，研究方向为远洋渔业。E-mail：609409503@qq.com

陈新军, 教授。Tel: 021–61900306，E-mail：xjchen@shou.edu.cn