基于神经网络的南太平洋长鳍金枪鱼渔场预报

毛江美，陈新军，余景

(1. 上海海洋大学 海洋科学学院，上海 201306； 2. 上海海洋大学 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. 中国水产科学研究院 南海水产研究所，广东 广州 510300)



基于神经网络的南太平洋长鳍金枪鱼渔场预报

毛江美1，4，陈新军1，2，3*，余景4

(1. 上海海洋大学 海洋科学学院，上海 201306； 2. 上海海洋大学 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. 中国水产科学研究院 南海水产研究所，广东 广州 510300)

南太平洋长鳍金枪鱼是我国远洋渔业的重点捕捞对象，对南太平洋长鳍金枪鱼进行准确的渔场预报，可以提高捕捞效率，提高渔业的生产能力。本研究根据1993-2010年南太平洋长鳍金枪鱼的延绳钓生产数据以及海洋卫星遥感数据(海水表面温度，SST；海面高度，SSH)和ENSO(El Nio-Southern Oscillation)指标，采用DPS(data processing system)数据处理系统中的BP人工神经网络模型，以渔获产量(单位时间的渔获尾数)和单位捕捞努力量渔获量(CPUE， Catch per unit of effort)分别作为中心渔场的表征因子，并作为BP模型的输出因子，以月、经度、纬度、SST、SSH和ENSO指标等作为输入因子，分别构建4-3-1，5-4-1，5-3-1，6-5-1，6-4-1，6-3-1等BP模型结构，比较渔场预报模型优劣。研究结果表明，以CPUE作为输出因子的BP人工神经网络结构总体上较优，其中以6-4-1模型结构为最优，相对误差只有0.006 41。研究认为，以CPUE为输出因子的6-4-1结构的人工神经网络模型，能够准确预报南太平洋长鳍金枪鱼的渔场位置。

长鳍金枪鱼；神经网络；CPUE；中心渔场；南太平洋

1　引言

长鳍金枪鱼(Thunnusalalunga)属于温带大洋性鱼种，具有高度的集群性和洄游性[1]。鱼类的洄游，繁殖、生长等与海洋环境要素密切相关。南太平洋长鳍金枪鱼是中国远洋渔业的主要捕捞鱼种之一，捕捞作业主要集中在斐济和瓦努阿图附近的海域[1]，开展南太平洋长鳍金枪鱼中心渔场的预报，可提高捕捞效率，减少燃料成本，以此提高渔业的生产能力。Murray[2]指出，南太平洋长鳍金枪鱼主要分布在水深200～300 m的冷暖水温交汇处。陈锋等[3]认为南太平洋长鳍金枪鱼与主要分布在水温9～20℃范围内。樊伟等[4]将南太平洋长鳍金枪鱼的渔获产量和海表温度等进行相关研究，指出南太平洋长鳍金枪鱼主要分布在10°S附近和25°～30°S之间。人工神经网络由于其强大的自组织学习能力而被广泛应用，在海洋渔业领域也有较好的应用。本研究根据1993—2010年南太平洋长鳍金枪鱼的延绳钓生产数据以及海洋环境数据，利用人工神经网络模型来建立不同的中心渔场预报模型，为南太平洋长鳍金枪鱼科学生产提供依据。

2　数据与方法

2.1数据及其预处理

2.1.1数据来源

南太平洋金枪鱼延绳钓生产数据来自南太平洋论坛，时间分辨率为月份，空间分辨率经纬度为5°×5°，延绳钓生产数据包括月份、放钩数、渔获产量(尾数)，时间均为1993-2010年1-12月。海表面温度(SST)来自http://poet.jpl.nasa.gov/；海表面高度(SSH)来自http://iridl.ldeo.columbia.edu/docfind/databrief/cat-ocean.html网站，数据空间分辨率为0.5°×0.5°。ENSO指数(厄尔尼诺-南方涛动)采用Nio3.4区海表温度距平值(SSTA)来表示，时间单位为月，数据来源于http://www.cpc.ncep.noaa.gov．

2.1.2数据预处理

(1)渔获产量初值化计算

以生产数据中的渔获尾数作为渔获产量，由于不同的月份、经纬度之间，渔获产量差异较大，因此在建模过程中，对渔获尾数进行初值化处理。初值化的方法是：找出每个月份的渔获尾数的最大值，并用每个月份的值除以其对应月份的最大值，这样得到的初值化结果为0～1之间，由此认为1是南太平洋长鳍金枪鱼的最优渔场，0是最不适的渔场。

(2)CPUE初值化计算

CPUE为单位努力量渔获量(即渔获尾数每千钩数)，是衡量资源丰度的重要指标，代表南太平洋长鳍金枪鱼的资源丰度指标[5]。假设认为，CPUE为0是南太平洋长鳍金枪鱼的最不适渔场，1为最适渔场。CPUE计算及初值化方法：利用渔获尾数除以相对应的放钩数(千钩数)，得到相应的CPUE值。找出每月份CPUE的最大值，每月CPUE值除以CPUE最大值，得到初值化后的CPUE，统一转化为0～1之间。

(3)样本组成

按照时间、空间和海洋环境数据组成进行匹配组成样本集。输入变量为时间，空间数据，海洋环境数据(包括海表温度SST，海面高度SSH，ENSO3.4区海表指标)，输出变量分别为经过初值化后的渔获尾数和CPUE，以此作为中心渔场的指标。

2.2模型方法

2.2.1神经网络模型

人工神经网络法是一种由大量简单处理单元(神经元)以某种方式互相连接而成的，对连续的或断续的输入做出状态响应的动态信息处理系统，具有很好的自学习能力和很强的泛化和容错能力[6]。研究采用神经网络中的误差反向传播网络(error backpropagation network， EBP)[7]，简称BP模型，主要由输入层，隐含层和输出层组成。BP算法主要包括学习过程的正向传播和反向传播两个过程组成。正向传播过程是样本从输入层进入，经过隐含层的处理，传向输出层。如果输出层的实际值与期望值之间误差过大，那么则转向误差的反传向阶段。反向传播过程则是从输出层到隐含层的过程，在传播的过程中，将误差分摊给各层的节点，获得各层节点的误差信号，将此误差信号作为修正的依据。正向传播与误差的反向传播都是周而复始进行的，权重在不断的调整，直至模型可接受的误差范围内才结束[8]。

2.2.2建模方法

采用DPS数据处理系统来进行BP神经网络的渔场预报模型的计算。输入层为月份、纬度、经度以及SST、SSH、ENSO等海洋环境数据，隐含层为1层，隐含层的节点数根据输入层选取因子数的不同而不同，输出层分别为初值化后的渔获尾数和初值化后的CPUE，将这两类计算方法进行比较，选取最适合渔场预报的模型。以模型处理结果中的拟合残差作为判断最优模型的标准，拟合残差越小，模型的效果也就最合适，渔场预报也就越准确。

(1) 将初值化后的渔获尾数作为输出层

方案1：选取月份、纬度、经度、SST为输入层，构建4-3-1的BP神经网络模型。

方案2：选取月份、纬度、经度、SST、SSH为输入层，构建5-4-1和5-3-1的BP神经网络模型。

方案3：选取月份、纬度、经度、SST、SSH、ENSO3.4区海表温度异常值为输入层，构建6-5-1、6-4-1和6-3-1的BP神经网络模型。

(2) 将初值化后的CPUE作为输出层

方案4：选取月份、纬度、经度、SST为输入层，构建4-3-1的BP神经网络模型。

方案5：选取月份、纬度、经度、SST、SSH为输入层，构建5-4-1和5-3-1的BP神经网络模型。

方案6：选取月份、纬度、经度、SST、SSH、ENSO3.4区海表温度异常值为输入层，构建6-5-1、6-4-1和6-3-1的BP神经网络模型。

3　结果

3.1模型结果

方案1、方案2和方案3为以渔获尾数初值化结果为输出层的模型拟合情况。方案4、方案5和方案6为以CPUE初值化结果为输出层的模型拟合情况。

3.1.1方案1模型结果

从图1可知，BP神经网络4-3-1结构中，拟合残差总体上呈下降趋势。拟合次数约为18次时，出现第一次急速减少；在拟合次数大约达到445次时，拟合残差达到最小值，约为0.031 91。

图1　基于渔获尾数为输出指标的4-3-1 BP网络结构模型Fig.1　4-3-1 BP neural network based on output factors of fishing yield

图2　基于渔获尾数为输出因子的5-4-1、5-3-1 BP神经网络模型Fig.2　5-4-1 and 5-3-1 BP neural network based on output factors of fishing yield

图3　基于渔获尾数为输出因子的6-5-1、6-4-1、6-3-1 BP神经网络模型Fig.3　6-5-1， 6-4-1 and 6-3-1 BP neural network based on output factors of fishing yield

图4　基于CPUE为输出因子的4-3-1 BP神经网络模型Fig.4　4-3-1 BP neural network based on output factors of CPUE

图5　基于CPUE为输出因子的5-4-1、5-3-1 BP神经网络模型Fig.5　5-4-1 and 5-3-1 BP neural network based on output factors of CPUE

图6　基于CPUE为输出因子的6-5-1、6-4-1、6-3-1 BP神经网络模型Fig.6　6-5-1， 6-4-1 and 6-3-1 BP neural network based on output factors of CPUE

3.1.2方案2模型结果

BP神经网络结构为5-4-1时(图2a)，在拟合次数约为17次时，拟合残差第一次急速下降。当拟合次数大约为260次时，拟合残差达到最小值，约为0.036 63。BP神经网络结构5-3-1模型(图2b)，拟合次数约为330次时，拟合残差达到最小值，约为0.007 89。总体而言，拟合残差随着模拟次数的增加呈下降趋势。

3.1.3方案3模型结果

BP神经网络6-5-1结构时(图3a)，其拟合残差处于下降趋势，在拟合次数约为610次时，拟合残差为0.033 86，达到最小值。6-4-1结构(图3b)的BP模型显示出在拟合次数约为15次时，拟合残差第一次下降，然后有一小段的回升，接着拟合残差继续下降，拟合次数约为740次时，拟合残差达到最小值，约为0.032 72。6-3-1结构(图3c)的BP模型模拟结果与6-4-1的模拟结果较为相似，都呈现先下降后回升接着有下降的趋势，在拟合次数约为560时，其值达到拟合残差最小值，为0.032 62。

3.1.4方案4模型结果

由图4可知，在该模型框架下其拟合残差值总体呈现下降的趋势，在拟合次数约为460次时，拟合残差值为0.008 60，到达拟合差的最小值，模型的最优效果。

3.1.5方案5模型结果

BP神经网络结构5-4-1时(图5a)，在拟合次数1～15左右，拟合残差值急速下降，之后下降速度相对平缓，当拟合次数约为790次时，拟合残差达到最小值，约为0.007 04。模型结构5-3-1(图5b)的模拟结果表明，其残差与5-4-1的模型结果趋势相似，在拟合次数为400左右，达到拟合残差最小值，为0.007 89。

3.1.6方案6模型结果

BP神经网络为6-5-1结构模型(图6a)，当其拟合次数约为15次时，拟合残差快速下降；在拟合次数15～40之间，其残差几乎不变，之后拟合残差缓慢下降，并在拟合次数约为560次时，达到最小值，为0.006 48。6-4-1结构模型(图6b)和6-3-1(图6c)模型结构与6-5-1模型结构相似，分别在拟合次数约为500次和420次时，拟合残差达最小值，分别为0.006 41和0.006 91。

3.2不同输出因子模型的比较及其最适模型的解释

根据两组不同输出层变量的6种模型方案，以CPUE为输出层的拟合效果最好，其拟合残差范围为0.006 41～0.008 60，平均值为0.007 22；而以渔获尾数为输出层的BP模型，其拟合残差范围为0.007 89～0.036 63，平均值为0.029 27。

最优BP模型的结构为6-4-1的模型，其模型的结构及其权重见表1。由表1可知，可分为第1隐含层各节点的权重矩阵和输出层各节点的权重矩阵。权重矩阵大小、正负各不相同，非线性关系复杂，隐含层各节点的权重矩阵和输出层各节点的权重矩阵并没有明显的定性关系。第1隐含层各节点的权重矩阵为6行4列。6行分别表示BP神经网络结构中输入因子变量：月份、纬度、经度、海表面温度、海表面高度、ENSO指标。4列则表示神经网络结构中隐含层的节点数为4。在BP神经网络模型中，取权重的绝对值，无关正负，权重值越大，对模型的贡献率就越大。如输入层变量纬度权重绝对值为10.317 3、10.304 9等，权重越大，对模型拟合结果的贡献也越大。

表16-4-1网络结构模型第一隐含层各个节点权重矩阵和输出层各节点权重矩阵

Tab.1　Matrix of each mode of the first hidden layer and output layer of 6-4-1 model

图7　6-4-1结构的BP神经网络结构图Fig.7　6-1-4 BP neural network model1-6表示输入层输入变量，7-10表示各隐含层，11表示输出层，1-6 is input factor， 7-10 is hidden layer， 11 is output factor

4　讨论与分析

选取了渔获尾数和CPUE分别作为输出层，进行南太平洋长鳍金枪鱼渔场预报。渔获量和CPUE均可作为渔业资源丰度的指标。许多学者对此进行了相关研究。如闫敏等[1]研究了南太平洋长鳍金枪鱼渔获量和CPUE的时空分布关系，范江涛[9]在南太平洋长鳍金枪鱼渔情预报研究中也引入了渔获量与CPUE两个渔业资源丰度指标。但是对于渔获量和CPUE模型相比，哪个预报渔场更为准确，则较少提及。而根据DPS模型拟合结果，总体而言，CPUE渔场预报模型拟合的效果优于渔获量模型拟合的效果。这可能是由于渔获量为输出层的模型拟合仅仅是把的渔获量即渔获尾数作为单一的指标，而CPUE代表的是单位捕捞努力量渔获量，在渔获量的基础上，引入了捕捞所做的功，也就是捕捞所获的的千钩数。渔获量(尾数)与千钩数之比，即为CPUE。CPUE的影响因子更为丰富，代表性。因此，将CPUE作为DPS模型的输出层，模型拟合效果比渔获量的效果好，渔场预报的位置也就更为准确。

鱼类的产卵、生长、成熟等生物学特征与海洋环境密切相关[10]。南太平洋长鳍金枪鱼属于大尺度洄游类鱼种[11]。海洋环境要素对其影响更为重要，关乎长鳍金枪鱼的亲体补充量等。因此，有必要研究长鳍金枪鱼与海洋环境要素的关系，从而为渔情预报提供基础。DPS模型拟合所有结果中，现以CPUE作为输出层的6-4-1的BP神经网络模型拟合效果最好。拟合残差达到最小值0.006 409。再结合表1的权重值，发现纬度、海表温度和海平面高度权重总体而言比较大，说明输入变量纬度、SST、SSH对模型有较大的贡献率。由模型拟合的结果显示，纬度与南太平长鳍金枪鱼渔场的分布密切相关。这与大多数学者的研究相一致。闫敏等[1]在4°～16°S海域CPUE值相对较高，作业次数的百分比随纬度的增加而明显降低。16°～22°S的CPUE值变化不大，但作业次数的百分比随纬度的增大而降低。刘洪生等[12]太平洋长鳍金枪鱼的渔场研究显示，长鳍金枪鱼的渔场主要分布在10°～45°S的海域内。

鱼类活动在很大程度上受到温度的影响[10]。温度直接或间接地影响鱼场的分布，洄游的路线等[13]。国内外学者关于温度对鱼类行为方面进行众多研究[14—16]，从权重值中也可以发现，温度对权重值的影响较大而且各个节点的权重差距不大。都表明温度是影响鱼类行为和渔场分布的关键性环境因子之一。异常年份，受厄尔尼诺或拉尼娜现象的影响，海水温度异常升高或降低，鱼类的产卵、洄游路线、渔场分布等鱼类行为也会随环境的改变而变化。如，Lu等[17]研究表明，ENSO事件对长鳍金枪鱼产量的影响具有滞后性。郭爱和陈新军[18]认为厄尔尼诺与渔场资源丰度关系密切，ENSO年份内CPUE比正常年份偏高，CPUE的变化相对ENSO指数有1～2个月的滞后期。另外，长鳍金枪鱼白天主要分布在90～150 m水层，因此长鳍金枪鱼渔场空间分布还受大尺度海洋事件、厄尔尼诺-拉尼娜层水温结构等因素的影响。海平面高度和涡旋流关系密切[19—21]上升流(冷涡)的形成能带来丰富的营养饵料，食物来源丰富，金枪鱼成活的概率大大提高[22]，也会对中心渔场的形成产生影响[23]。

温度在鱼类行为学中是重要的海洋环境因子之一。一方面，这并不代表将温度作为单一的环境因子指标就可以准确的预报渔场；另一方面，应综合考虑各种生产数据，如经纬度、月份等，以及海洋环境数据温度、海面高度、ENSO指标。但是，也并不是生产统计以及海洋环境数据越多越好，本研究认为，BP神经网络模型中，得到6-4-1的模型拟合效果最优。即结合生产数据和海洋环境数据，月份、纬度、经度、海表温度、海面高度、ENSO指数，隐含层为1层的4为节点数的BP神经网络模型，对南太平洋长鳍金枪鱼的渔场预报最为准确。

[1]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， 34(11): 3191-3197.

Yan Min， Zhang Heng， Fan Wei， et al. Spatial-temporal CPUE profiles of the albacore tuna (Thunnusalalunga) and their relations to marine environmental factors in the South Pacific Ocean[J]. Chinese Journal of Ecology， 2015， 34(11): 3191-3197.

[2]Murray T. A review of the biology and fisheries for albacore，Thunnusalalunga， in the South Pacific Ocean[R]. FAO Fisheries Technical Paper. Rome: FAO， 1994.

[3]陈锋， 郭爱， 周永东， 等. 南太平洋所罗门群岛海域长鳍金枪鱼的生物学特征[J]. 浙江海洋学院学报(自然科学版)， 2012， 31(2): 123-128.

Chen Feng， Guo Ai， Zhou Yongdong， et al. Preliminary study of fishery biology of Albacore，Thunnusalalunga， in Solomon Islands of the South Pacific Ocean[J]. Journal of Zhejiang Ocean University (Nature Science)， 2012， 31(2): 123-128.

[4]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， 22(5): 366-371.

Fan Wei， Zhang Jing， Zhou Weifeng. The relationship between longline albacoreThunnusalalungaand sea surface temperature in the South Pacific Ocean[J]. Journal of Dalian Fisheries University， 2007， 22(5): 366-371.

[5]徐洁， 陈新军， 杨铭霞. 基于神经网络的北太平洋柔鱼渔场预报[J]. 上海海洋大学学报， 2013， 22(3): 432-438.

Xu Jie， Chen Xinjun， Yang Mingxia. Forecasting on fishing ground of red flying squid (ommastrephesbartramii) in the North Pacific Ocean based on artificial neural net[J]. Journal of Shanghai Ocean University， 2013， 22(3): 432-438.

[6]Hagan M T， Demuth H B， Beale M H. Neural Network Design[M]. Boston: PWS Publishing， 1996.

[7]蒋宗礼. 人工神经网络导论[M]. 北京: 高等教育出版社， 2001: 1-250.

Jiang Zongli. Introduction to Aritificial Neural Networks[M]. Beijing: China Higher Education Press， 2001: 1-250.

[8]汪金涛， 高峰， 雷林， 等. 基于主成分和BP神经网络的智利竹筴鱼渔场预报模型研究[J]. 海洋学报， 2014， 36(8): 65-71.

Wang Jintao， Gao Feng， Lei Lin， et al. Application of BP neural network based on principal component analysis in fishing grounds of Chilean jack mackerel (Trachurusmurphyi) in the southeast Pacific Ocean[J]. Haiyang Xuebao， 2014， 36(8): 65-71.

[9]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.

Fan Jiangtao. Forecasting of fishing ground for Ablacore (Thunnusalalunga) in the South Pacific Ocean[D]. Shanghai: Shanghai Ocean University， 2011.

[10]陈新军. 渔业资源与渔场学[M]. 北京: 海洋出版社， 2004.

Chen Xinjun. Fishery Resource Biology and Fishing[M]. Beijing: China Ocean Press， 2004.

[11]闫敏， 张衡， 伍玉梅， 等. 2011年南太平洋长鳍金枪鱼渔场时空分布及其与主要海洋环境变化特征[J]. 渔业信息与战略， 2015， 30(2): 119-127.

Yan Min， Zhang Heng， Wu Yumei， et al. Spatial-temporal distribution of CPUE and relations with marine environment for albacore (Thunnusalalunga) in the South Pacific in 2011[J]. Fishery Information & Strategy， 2015， 30(2): 119-127.

[12]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.

Liu Hongsheng， Jiang Hanling， Dai Xiaojie. Relationship between albacore (Thunnusalalunga) fishing grounds in the western and central Pacific and sea surface temperature[J]. Journal of Shanghai Ocean University， 2014， 23(4): 602-607.

[13]Sundermeyer M A， Rothschild B J， Robinson A R. Assessment of environmental correlates with the distribution of fish stocks using a spatially explicit model[J]. Ecological Modelling， 2006， 197(1/2): 116-132.

[14]龙华. 温度对鱼类生存的影响[J]. 中山大学学报(自然科学版)， 2005， 44(S1): 254-257.

Long Hua. The effect of temperature on fish survival[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni， 2005， 44(S1): 254-257.

[15]Wang N， Xu X L， Kestemont P. Effect of temperature and feeding frequency on growth performances， feed efficiency and body composition of pikeperch juveniles (Sanderlucioperca)[J]. Aquaculture， 2009， 289(1/2): 70-73.

[16]苏艳莉. 环境温度对鱼类的影响及预防研究[J]. 农技服务， 2015， 32(7): 191-192， 181.

Su Yanli. Influence and prevention study of ambient temperature on fish[J]. Agricultural Technology Service， 2015， 32(7): 191-192， 181.

[17]Lu H J， Lee K T， Liao C H. On the relationship between El Nio/Southern oscillation and South Pacific albacore[J]. Fisheries Research， 1998， 39(1): 1-7.

[18]郭爱， 陈新军. ENSO与中西太平洋金枪鱼围网资源丰度及其渔场变动的关系[J]. 海洋渔业， 2005， 27(4): 338-342.

Guo Ai， Chen Xinjun. The relationship between ENSO and tuna purse-seine resource abundance and fishing grounds distribution in the western and central Pacific Ocean[J]. Marine Fisheries， 2005， 27(4): 338-342.

[19]吕俊梅， 琚建华， 张庆云， 等. 太平洋年代际振荡冷、暖背景下ENSO循环的特征[J]. 气候与环境研究， 2005， 10(2): 238-249.

Lü Junmei， Ju Jianhua， Zhang Qingyun， et al. The characteristics of ENSO cycle in different phases of Pacific decadal oscillation[J]. Climatic and Environmental Research， 2005， 10(2): 238-249.

[20]李崇银， 朱锦红， 孙照渤. 年代际气候变化研究[J]. 气候与环境研究， 2002， 7(2): 209-219.

Li Chongyin， Zhu Jinhong， Sun Zhaobo. The study interdecadel climate variation[J]. Climatic and Environmental Research， 2002， 7(2): 209-219.

[21]Zagaglia C R， Lorenzzetti J A， Stech J L， et al. Remote sensing data and longline catches of yellowfin tuna (Thunnusalbacares) in the equatorial Atlantic[J]. Remote Sensing of Environment， 2004， 93(1/2): 267-281.

[22 ]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.

Song Tingting， Fan Wei， Wu Yumei. Review on the fishery analysis with satellite remote sensing sea surface height data[J]. Marine Science Bulletin， 2013， 32(4): 474-480.

[23]徐冰， 陈新军， 田思泉， 等. 厄尔尼诺和拉尼娜事件对秘鲁外海茎柔鱼渔场分布的影响[J]. 水产学报， 2012， 36(5): 696-707.

Xu Bing， Chen Xinjun， Tian Siquan， et al. Effects of EI Nio/La Nio on distribution of fishing ground ofDosidicusgigasoff Peru waters[J]. Journal of Fisheries of China， 2012， 36(5): 696-707.

Forecasting fishing ground of Thunnus alalunga based on BP neural network in the South Pacific Ocean

Mao Jiangmei1，4，Chen Xinjun1，2，3，Yu Jing4

(1. College of Marine Sciences， Shanghai Ocean University， Shanghai 201306， China; 2. The Key Laboratory of Sustainable Exploitation of Oceanic Fisheries Resources， Ministry of Education， Shanghai Ocean University， Shanghai 201306， China; 3. National Engineering Research Center for Oceanic Fisheries， Shanghai Ocean University， Shanghai 201306， China; 4. South China Sea Fisheries Research Institute， Chinese Academy of Fishery Science， Guangzhou 510300， China)

Albacore tuna (Thunnusalalunga) is an important target species for Chinese pelagic fishery in the South Pacific Ocean， and the accurate predicting of fishing ground can enhance catch efficiency and improve fishing operation. In this paper， we apply the BP artificial neural network model in the DPS (data processing system) to forecast fishing ground， according to the fishing yield statistics from longline， the sea surface temperature (SST)， sea surface height (SST)， and ENSO (El Nio-Southern Oscillation) index obtained by satellite remote sensing from 1993 to 2010. We consider the fishing yield (unit is the number of tuna) and CPUE (catch per unit of effort) as the character factors of fishing ground， the same as the output factors in BP artificial neural network respectively， and we take month， latitude， longitude， SST， SSH and ENSO index as the input factors， building the 4-3-1， 5-4-1， 5-3-1， 6-5-1， 6-4-1， 6-3-1 model and choosing the better results. It is found that the model used by CPUE is better than that model used by fishing yield， particularly the 6-4-1 model， and the relatively error is only 0.006 14， which can forecast the fishing ground ofThunnusalalungain the South Pacific Ocean accurately．

albacore tuna; artificial neural network; CPUE; fishing ground; South Pacific Ocean

10.3969/j.issn.0253-4193.2016.10.004

2016-05-08；

2015-07-29。

海洋局公益性行业专项(20155014)；国家科技支撑计划(2013BAD13B01)。

毛江美(1992—)，女，江苏省泰州市人，研究方向为渔业资源。E-mail：229875911@qq.com

陈新军，教授。E-mail：xjchen@shou.edu.cn

S931.4

A

0253-4193(2016)10-0034-10

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，

Mao Jiangmei，Chen Xinjun，Yu Jing. Forecasting fishing ground ofThunnusalalungabaszed on BP neural network in the South Pacific Ocean[J]. Haiyang Xuebao，2016，38(10)：34—43， doi：10.3969/j.issn.0253-4193.2016.10.004