基于综合环境因子的协同克里金法分析茎柔鱼资源丰度空间分布

方学燕, 陈新军,2,3,4，冯永玖,2,3,4，陈芃

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

基于综合环境因子的协同克里金法分析茎柔鱼资源丰度空间分布

方学燕1, 陈新军1,2,3,4，冯永玖1,2,3,4，陈芃1

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

茎柔鱼是我国重要的远洋捕捞对象之一，研究其资源丰度空间分布问题，有助于更好地理解茎柔鱼的生态习性，并提高我国鱿钓渔船的生产效率。本文利用上海海洋大学鱿钓技术组提供的2003-2012年6-9月秘鲁外海茎柔鱼捕捞数据，结合海表面温度(SST)，海表面高度(SSH)，海表面盐度(SSS)和叶绿素浓度(Chla)进行协同克里金插值预测其资源丰度的空间分布。为了解决协同克里金插值中4个环境因子的权重问题，本文将4个环境因子进行归一化处理，利用主成分分析方法将其整合为单一综合环境因子，以此作为协变量。将综合环境因子与单位捕捞努力量渔获量(CPUE)进行相关性检验后进行协同克里金插值，根据平均误差(ME)，均方根误差(RMSE)和标准化均方根(RMSSE)对插值结果评价，探讨此种方法的可行性。研究结果认为：(1)主成分分析方法获得的6-9月份的综合环境因子均与CPUE具有显著相关性；(2)6-7月份ME分别为0.002 6和0.002 5，预测准确性很高，平均预测结果稍高于实际观测值；而8-9月份的ME分别为-0.007 8和-0.000 2，预测准确性较高，平均预测结果稍低于实际观测值。6月份的RMSE估值精度最高，8月份的估值精度最低。6-7月份的RMSSE值小于1，说明都高估了预测的不确定性，8-9月份的RMSSE值大于1，说明都低估了预测的不确定性，则在6-9月份中的预测精度和准确性上会有一定程度的偏差。从ME、RMSE和RMSSE三者综合来看，6-9月的预测值具有一定的可靠性。

茎柔鱼；空间分布；综合环境因子；协同克里金；秘鲁外海

1 引言

茎柔鱼(Dosidicusgigas)是产量较高的大洋性经济种类之一，其分布较为广泛，北达加利福尼亚(35°N)，南至智利沿岸(55°S)[1—2]，秘鲁寒流流经的秘鲁中北部和加利福尼亚湾海域是其产量最高地，也是重要的作业渔场。从1990年开始，日本、韩国等国家和地区的渔船开始进入秘鲁外海捕获茎柔鱼，作业方式包括围网、钓捕等[3]。中国于2001年开始在该海域进行探捕，并取得1.78万吨的产量，自此，中国正式开辟了东太平海域茎柔鱼渔场，产量连年增加。根据联合国粮农组织统计，2013年，世界茎柔鱼总年产量为77.3万吨，仅中国产量就达26.1万吨[4]。国内外诸多学者对秘鲁外海茎柔鱼分布进行了研究探讨，主要采用的统计学方法有栖息地适应性指数模型(HSI)[5—6]，信息增益技术[7]，神经网络模型(EBP)[8]等，认为其主要分布在高叶绿素浓度(Chla)[9]，海表面温度(SST)为17～23℃，海表面盐度(SSS)为35.0‰～35.5‰和冷暖水团交汇处[6]。然而上述统计学研究的前提是建立在样本独立与完全随机两个基本假设之上的，对于渔业资源空间分布这样一个具有时间和空间概念的预报因子，这两个基本假设前提通常都得不到满足。而地统计学则避免了经典统计学中忽视空间位置和方向的缺陷，是一个非常有效的分析和解释空间数据的方法[10]。

地统计学以区域化变量理论为基础，由变异函数和克里格插值两部分组成，主要是对特定空间内的变量进行变异性建模，并基于此模型进行变量估值。其最早于1985年被引入渔业研究领域，最初用于分析渔业数据和进行生物量估计[11]，之后在估计鱼类资源丰度[12—13]、渔业调查和评估[14—15]、空间异质性及群体分布结构研究[16]等方面的应用较为广泛。Petitgas和Levenez[17]对克里金理论及其在渔业中的应用进行了概括综述，Rivoirard等[18]介绍了其在渔业上应用的典型案例，并为资源评估提供指导。

利用克里格插值方法可以对渔获量数据进行插值，在此基础上进行资源总量或空间位置的估计。例如Simard等[19]利用普通克里金法估计加拿大北方长额虾(Pandalusborealis)的资源量并绘制其空间分布，Monestieza等[20]使用地统计学方法对地中海西北部长须鲸(Balaenopteraphysalus)的空间分布进行了预测。冯永玖等[21]以2007和2010年西北太平洋柔鱼(Ommastrephesbartramii)渔业的原始生产统计数据为基础，对西北太平洋柔鱼资源空间分布及其变动进行了研究，认为2007年西北太平洋柔鱼渔区的形成受温度和海流的影响，2010年整个西北太平洋柔鱼渔场受亲潮势力影响。

协同克里金是地统计学中较为重要的插值方法之一，其可以用空间中的一个或多个辅助变量对所感兴趣的主要变量进行插值估算，从而获取研究范围内未知点的主变量属性值。这些辅助变量与主要变量都有相关关系，并且假设变量之间的相关关系有助于提高预测精度。当研究区域的辅助信息较容易获取且平稳变化时，可将这类信息作为辅助变量引入协同克里金中[22]。基于单个环境因子的协同克里金插值进行空间结构的研究多见于空气湿度[23]、土壤[24—26]和降水量[27-28]等，而在海洋渔业资源分布的研究方面则相对较少。

为此，本文继用前人研究使用的环境因子——表温(SST)、海面高度(SSH)、表层盐度(SSS)和叶绿素浓度(Chla)为协变量进行协同克里金插值预测秘鲁外海茎柔鱼资源分布。基于单一协变量的考虑，拟用主成分分析方法将4个环境因子进行整合为单一的综合环境因子，探讨综合环境因子作为协变量在秘鲁外海茎柔鱼资源空间分布中协同克里金插值的可行性。

2 材料与方法

2.1 数据来源及处理

本文选用上海海洋大学鱿钓技术组提供的我国远洋鱿钓渔船2003-2012年6-9月在秘鲁外海的渔业捕捞数据，包括作业时间、作业天数、作业位置及捕捞产量，时间分辨率为天。计算0.5°×0.5°网格中对应的秘鲁外海茎柔鱼渔获量和作业天数，并以单位捕捞努力量渔获量(Catch Per Unite Effort，CPUE=总渔获量/总作业天数)作为资源丰度指标[29]。

环境数据包括海表面温度(SST)、海表面高度(SSH)、叶绿素浓度(Chla)(数据下载网址http://oceanwatch.pifsc.noaa.gov)和海表面盐度(SSS)(数据下载网址：http://iridl.ldeo.columbia.edu)，时间分辨率为月，空间分辨率分别0.1°×0.2°，0.25°×0.25°，0.05°×0.15°，0.33°×1°。研究时间为2003-2012年6-9月。为与渔业数据相匹配，将环境数据分别处理成时间分辨率为月，空间分辨率为0.5°×0.5°的格式。

2.2 秘鲁外海茎柔鱼CPUE正态性检验及转换

由于进行地统计分析的数据须符合正态分布，为此对6-9月CPUE进行Kolomogorov-Semirnov(K-S)检验[30]，对不满足正态性要求的数据进行对数转换。对数转换的前提是数据为非负值，渔业数据中经常会有0值的出现，为克服数据上的这一缺陷，本文根据相关研究将所有的CPUE各加1[3]，1的加入并不会影响到资源的整体分布趋势及空间关系。

2.3 数据归一化处理

SST、SSH、SSS和Chla的测量值存在量纲差异，将各因子的数据进行归一化处理，可以避免大值环境因子对小值环境因子的掩盖，减少相关信息的丢失。数值归一化处理的相关公式如下：

X*=(Xi-Xmin)/(Xmax-Xmin)，

(1)

式中，X*为处理后的值，数值范围为0～1；Xi为变量的第i个实际观测值，Xmax为所有观测值中的最大值，Xmin为所有观测值中的最小值。

2.4 主成分分析

主成分分析(Principal Component Analysis, PCA)通过降维技术把多变量化成少数几个互不相关的主成分，这些主成分能够反映原始变量的绝大部分信息[31]。PCA法在综合评价中可以消除各指标不同量纲的影响，也可以消除由各指标之间相关性所带来的信息重叠，特别是它克服了综合评价中认为确定各指标权重系数的问题，在综合评价中显示出它的优越性[32]。根据PCA原理，将SST、SSH、SSS和Chla评价为一个综合环境指标，主成分构成公式如下:

Zi=q1i×SSS+q2i×SST+q3i×

SSH+q4i×Chl a，

(2)

式中，Zi为第i主成分变量，qji(j=14)分别为第i主成分对应于原始变量SSS、SST、SSH和Chla的系数，它度量了相应变量对Zi的重要性[4]。

综合环境指标的构成公式如下[31]：

Y=∑λi×Zi，

(3)

式中，Y为综合环境指标，Zi为第i主成分，λi为第i主成分的贡献率。

利用SPSS17.0统计包中的相关分析对SST、SSS、SSH、Chla及Y与CPUE进行相关性检验，确定环境因子与主变量CPUE之间的相关关系。

2.5 协同克里金估值

本文用SSS、SST、SSH和Chla的综合环境指标对6-9月秘鲁外海茎柔鱼渔场资源分布进行插值估计。在二阶平稳假设的条件下，协同克里金的估值公式为[33]：

(4)

2.6 估值验证及精度评价

求取：(1)平均误差(ME)，其代表评价结果的无偏性，其值越接近于0越好；(2)均方根误差(RMSE)，其是估值方法精确性的一种度量，值越小越好；(3)标准化均方根(RMSSE)，其值应该接近于1，小于1则高估预测的不确定性，大于1则高估预测的不确定性。具体计算公式如下[33]：

(5)

(6)

(7)

3 结果

3.1 秘鲁外海茎柔鱼CPUE统计描述

由图1可知，6月份茎柔鱼主要分布在SSS为35.1～35.3,SST为19～22℃，SSH为21～30 cm，Chla为0.04～0.35 mg/m3的海域；7月份茎柔鱼主要分布在SSS为35.0～35.3,SST为18～21℃，SSH为21～32 cm，Chla为0.04～0.35 mg/m3的海域；8月份主要分布在SSS为35.2～35.3,SST为18～19℃，SSH为11～35 cm，Chla为0.25～0.45 mg/m3海域；9月份主要分布在SSS为35.1～35.2,SST为17～19℃，SSH为21～32 cm，Chla为0.06～0.35 mg/m3海域。

6-9月秘鲁外海茎柔鱼CPUE的K-S检验及正态转换结果见表1。6月份秘鲁外海茎柔鱼CPUE K-S检验的P值小于0.05，明显属于偏态分布，经过log转换后P值大于0.15，呈现较好的正态分布。7-9月的秘鲁外海茎柔鱼CPUE经过K-S检验基本上能够满足正态分布的要求，经过log转换后，其值正态性明显增强。为此，本文将6-9月的秘鲁外海茎柔鱼CPUE均采用log转换后的数值进行地统计分析。

表1 6-9月CPUE及log正态转换K-S检验

续表1

3.2 PCA处理结果

在R3.0.2软件中，用PCA方法分别提取6-9月份SST、SSH、SSS和Chla4个环境变量的主成分，经过标准化后的相关系数矩阵的特征值、特征向量系数见表2，各主成分的贡献率和累积贡献率见图1。本文应用主成分的主要目的为综合评价4个环境变量的权重，故4个主成分全部保留。各主成分构成如下式：

Y6=0.527×SSS+0.163×SST-

0.683×SSH-0.479×Chl a，

Y7=-0.485×SSS-0.706×SST-

0.215×SSH-0.47×Chl a，

Y8=0.452×SSS-0.637×SST-

0.214SSH+0.587×Chl a，

Y9=0.531×SSS-0.265×SST+

0.665×SSH-0.454×Chl a.

图1 秘鲁外海茎柔鱼产量比重与环境范围图Fig.1 Catch rate of Dosidicus gigas in different environment range

变量1234特征值1.3211.0900.9250.457特征向量SSS0.6050.1700.3670.686SST0.4400.737-0.151-0.491SSH-0.4960.558-0.4140.521Chla-0.4410.3410.819-0.134

图2 各主成分贡献率及累计贡献率Fig.2 The contribution rate and cumulative contribution rate of principal components

3.3 相关性检验

由表3可知，6月份茎柔鱼CPUE与SSS具有极显著的负相关关系，与SSH、Chla和综合环境因子Y具有极显著的正相关关系；7月份其CPUE与SSS、SST和Y的具有极显著的负相关性，与SSH具有极显著的正相关性；8月份CPUE与SSS和SST具有极显著正相关性，而与Y的相关性不显著；9月份CPUE与SST和Y都具有极显著正相关性，与其他环境因子的相关性不显著无显著。从单因子的相关性检验来看，在不同生活史阶段，不同环境因子的影响作用不同。

表3 相关性检验

注：*表示统计显著，**表示统计极显著。

3.4 协同克里金估值结果

利用Arcgis10.2软件的Geostatistical Analysis模块对6-9月秘鲁外海茎柔鱼CPUE进行协同克里金插值，绘制成面状图(图3)。2003-2012年秘鲁外海茎柔鱼平均产量(ln(CPUE))为1.725 t/d，本文取ln(CPUE)值大于1.8 t/d的区域作为中心渔场。6-8月份出现集中大范围高值区，6月份主要出现在76°～82°W，10°～17°S，7月份主要集中在10°～14°S，80°～84.5°W，8月份主要出现在9°～13°S，80°～85°W，而9月份秘鲁外海茎柔鱼中心渔场分布并不集中。6、7、9月份中比8月份多大于2.1 t/d的等级(红色区域)。从CPUE实际分布与预测图的叠加方面来看，高低值区域与实际CPUE分布较为吻合。

3.5 验证结果

由表4结果显示，6、7月份协同克里金插值效果较好，ME分别为0.002 6和0.002 5，说明预测准确性很高，平均预测结果稍高于实际观测值；而8-9月份的ME分别为-0.007 8和-0.000 2，说明预测准确性较高，平均预测结果稍低于实际观测值。RMSE的计算结果说明6月份的估值精度最高，8月份的估值精度最低。而从RMSSE来看，较接近1的是6、9月份，7、8月份的RMSSE与1的差值都大于0.1，说明6、9月份的预测标准差有效性高，7、8月份的稍差一点。6月份的RMSSE值小于1，说明都高估了预测的不确定性，7-9月份的RMSSE值大于1，说明都低估了预测的不确定性，则在6-9月份中的预测精度和准确性上会有一定程度的偏差。从ME、RMSE和RMSSE三者综合来看，6-9月的预测值具有一定的可靠性。

图3 6-9月秘鲁外海茎柔鱼渔场预测图Fig.3 The prediction fishing grounds of Dosidicus gigas from June to September

月份MERMSERMSSE6月0.00260.41280.97477月0.00250.44961.16238月-0.00780.51691.10379月-0.00020.41521.0811

4 讨论与分析

4.1 秘鲁外海茎柔鱼及渔场分布特点

茎柔鱼这种全年产卵生殖的短生命周期物种，采用月为单位进行渔场研究，能够利用其阶段性生态习性进行渔场动态研究。根据相关研究[34—35]得知，生活在秘鲁上升流区域的茎柔鱼有大中小3个群体，大群体主要分布在赤道附近，中型群体除了高纬度地区外，秘鲁海域都有分布，大型群体主要分布在10°～15°S，本研究所涉及的时空区域基本属于大型群体的分布范围。根据相关研究发现，秘鲁外海茎柔鱼全年产卵，但存在两个产卵高峰期，10月份到次年1月份和7月到8月份[9]。本文选用的研究区域及时间段恰为茎柔鱼产卵高峰期的过程，从预测结果图3来看，6-8月份的聚集性较好，出现大于研究年份平均值的高产区。而9月份高产量区在整个研究区域内分布面积较小且较为零散，在研究区内难以形成中心渔场，主要分布在研究区域的西部边缘地带。预测图显示，6-8月份秘鲁外海茎柔鱼中心渔场有从近岸向离岸方向移动的趋势，在南北方向上稍有北移，但不甚明显。6-9月份的离岸移动，由Arguelles等[36]的研究可知，这应属于产卵洄游造成的。茎柔鱼的产卵期持续时间比较长，通常持续约100～120 d，且在产卵间隔期仍能积极进行捕食，以用于新陈代谢，生殖活动及个体增长[37]。成年个体的捕食对象主要是中上层鱼类和头足类，9月份预测的中心渔场分布在研究区边缘，有可能是会出现在研究区域以西，根据Lorrain等[38]、Arguelle和Tafur[39]研究认为，可能是与茎柔鱼离岸捕食头足类和磷虾有关。

4.2 秘鲁外海茎柔鱼与环境的关系

Robinson等[22]的研究认为，叶绿素浓度高(但并不是最高)的地方茎柔鱼产量高。在产卵前期，茎柔鱼大量索饵捕食，以为生殖活动储蓄能量，故而，6月份中CPUE与Chla具有极显著的正相关性。盐度会影响水生生物的渗透压[40]，在相关性检验中，除了9月份CPUE与SSS的相关性不显著外，6-8月份均呈现极显著的相关性。SST会影响水生生物的新陈代谢[40]，除了6月份，7-9月份CPUE均与SST具有极显著的相关性。Nesis[41]认为，食物的可获得性比其他环境因子对茎柔鱼的分布影响更大，这也说明了为什么6月份中SST的相关性不显著,而与Chla具有显著相关性。SSH表征涡旋，冷暖涡旋具有不同的理化性质，冷涡旋内营养盐含量、浮游植物和动物的生物量比周围海域明显较高，温度较低，海面上升；暖涡旋则具有相反特征[42],冷暖涡旋的存在对幼鱼的生长及存活率产生一定影响。

本研究中，秘鲁外海茎柔鱼资源主要分布在SST为17～23°C、SSH为5.3～36.3 cm、SSS为35.0～35.5、Chla为0.06～0.5 mg/m3的海域。6月份与7月份，8月份与9月份分布范围的环境条件很相似(图1)，但是CPUE与各环境因子的相关性检验并非都是显著的。6月份CPUE与SSS、SSH和Chla具有显著相关性，7月份CPUE与SSS、SSH和SST有显著相关性，8月份CPUE与SSS和SST具有显著相关性，而9月份CPUE仅与SST具有显著相关性。这表明各环境因子对不同生长阶段的茎柔鱼影响有所不同。

6月份可能是秘鲁外海茎柔鱼产卵前期，存在一定的摄食行为，其分布在一定程度上受Chla的影响，秘鲁外海茎柔鱼资源丰度高值区主要分布在Chla为0.1～0.2 mg/m3的区域，Chla高值区也有一定比例的茎柔鱼分布。7、8月份可能进入产卵高峰期，9月份为产卵间期或是末期，进入产卵期后SST对茎柔鱼资源空间分布具有一定的影响，从相关性检验结果可以证明这一点(表3)，然而影响较大的主要是SSS和SSH；9月份热点零散，区域较小，产卵过后成体死亡[43]，产卵期的个体分散积极进行觅食以补充繁殖所需能量[34，37]，群体分布不集中。6-8月茎柔鱼资源丰度分布均呈现出高值聚集区，并且均与SSS相关性显著，6-7月份相关性系数较大的环境因子为SSH，9月份没有高值聚集区分布不集中，其CPUE与SSS的相关性不显著，而仅与SST具有相关性。因此，本研究认为产卵期茎柔鱼资源聚集性分布特点主要由SSS和SSH决定，主要集中分布在SSS为35.0～35.3、SSH为21～31 cm的海域。但为何在产卵阶段秘鲁外海茎柔鱼倾向于聚集于SSS为35.0～35.3，21～31 cm的海域？这需要今后仍从茎柔鱼的生物生理及行为学上深入探讨。

4.3 协同克里金插值分析

协同克里金的一个优点就是引入相关的辅助变量，将渔业资源丰度与环境辅助变量同时研究时，一旦某些空间位点上缺乏渔业数据的观测值时，就可以用相应的环境因子所提供的信息进行资源密度的空间变异性及统计特征分析。根据Sumfleth和Duitmann[44]人相关研究可知，辅助变量可以提高插值预测精度。本研究利用COK法进行插值预测秘鲁外海茎柔鱼资源丰度分布情况，从CPUE与预测叠加图来看，预测能够较真实的反映实际CPUE的分布情况。当然，对于无值区域，是希望通过此种估值方法，获取其中的信息，形成对渔业资源分布的宏观认识。从插值验证的评价结果来看，对于未知区域的预测具有一定的可靠性。故而，预测分布图可以有效的展示资源分布情况。

本研究采用主成分分析法将易于获得的4个环境因子综合为一个变量，将复杂的生长环境囊括其中，期望在茎柔鱼资源分布上给予一个解释复杂环境的指标。6、7月份中茎柔鱼CPUE分别与SSS、SSH、Chla和SSS、SST、SSH具有极显著相关性，综合后的环境变量的相关性也极显著；而8月份中，CPUE仅与SSS和SST有极显著相关性，9月份CPUE仅与SST有极显著相关性，综合后的环境变量则与CPUE相关性显著。应用主成分分析综合环境指标进行协同克里金插值，能够很好的解决在协同克里金插值时多因子辅助变量权重的“黑匣子效应”。

6-9月份CPUE与综合环境变量Y的相关系数为0.32、-0.35、0.12、0.18，插值精度分别为0.412 8、0.449 6、0.516 9、0.415 2。除了9月份外，基本符合相关系数越大，插值精度越高的假设。本研究可以证明相关性越强的辅助变量，将越有助于协同克里金插值结果精确性的提高。但为什么8、9月份的综合环境变量的相关性系数会明显变小呢？8、9月份与CPUE具有显著相关性的环境因子分别是SSS和SST、SST，在主成分分析处理中，各主成分的系数是基于2003-2012年6—9月各环境因子分析得到的，从主成分分析获取的特征向量系数可知，在8月份，SSS系数较大，说明SSS在对综合变量贡献率较大的第一主成分(贡献率为43.6%)中重要性大，而SST的系数最小；在第二主成分(贡献率为29.72%)中SSS的系数最小，SST的系数最大；第三主成分(累积贡献率为94.77%)中SSS和SST的系数是最小，这样作为具有显著相关性的两个环境因子在利用主成分分析综合成综合环境因子时，其中的相关信息有被掩盖的嫌疑。9月份CPUE仅与SST有极显著相关性，但从主成分分析的特征向量来看，在贡献率最大的第一主成分中，SST的权重仅为0.440，而其他相关性不显著的SSS、SSH和Chla的权重都较之大，虽然在第二主成分中SST的权重最大，但是第二主成分的贡献率的仅为29.72%，且贡献率为21.41%的第三主成分中SST权重也较小，这样在综合变量中SST的相关性被掩盖。

但是，从预测精确性计算结果及预测图与实际CPUE叠加图的目测结果来看，利用主成分分析方法建立综合环境影响因子，可以实现对茎柔鱼资源丰度空间分布的预测。

[1] 陈新军, 刘必林, 王尧耕. 世界头足类[M]. 北京: 海洋出版社, 2009.

Chen Xinjun, Liu Bilin, Wang Yaogeng. Cephalopods of the World[M]. Beijing: China Ocean Press, 2009.

[2] 胡振明, 陈新军, 周应祺. 东南太平洋茎柔鱼渔业生物学研究进展[J]. 广东海洋大学学报, 2009, 29(3): 98-102.

Hu Zhenming, Chen Xinjun, Zhou Yingqi. Advances in fishery biology ofDosidicusgigasin the southeast Pacific Ocean[J]. Journal of Guangdong Ocean University, 2009, 29(3): 98-102.

[3] Tian Siquan, Chen Xinjun, Chen Yong, et al. Evaluating habitat suitability indices derived from CPUE and fishing effort data forOmmatrephesbratramiiin the northwestern Pacific Ocean[J]. Fisheries Research, 2009, 95(2/3): 181-188.

[4] FAO. Fishery statistical collections: global aquaculture production[EB/OL]. http://www.fao.org/fishery/statistics/global-aquaculture-production/en，2015.

[5] 金岳, 陈新军. 利用栖息地指数模型预测秘鲁外海茎柔鱼热点区[J]. 渔业科学进展, 2014, 35(3): 19-26.

Jin Yue, Chen Xinjun. Forecasting hotspots ofDosidicusgigasin the offshore waters of Peru using habitat suitability model[J]. Progress in Fishery Sciences, 2014, 35(3): 19-26.

[6] 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.

Hu Zhenming, Chen Xinjun, Zhou Yingqi, et al. Forecasting fishing ground ofDosidicusgigasbased on habitat suitability index off Peru[J]. Haiyang Xuebao, 2010, 32(5): 67-75.

[7] 易倩, 陈新军, 余为, 等. 基于信息增益技术比较分析智利和秘鲁外海茎柔鱼渔场环境[J]. 上海海洋大学学报, 2014, 23(2): 272-278.

Yi Qian, Chen Xinjun, Yu Wei, et al. A comparison of habitats ofDosidicusgigasin the fishing ground off Chile and Peru based on information gain technique[J]. Journal of Shanghai Ocean University, 2014, 23(2): 272-278.

[8] 汪金涛, 高峰, 雷林, 等. 基于神经网络的东南太平洋茎柔鱼渔场预报模型的建立及解释[J]. 海洋渔业, 2014, 36(2): 131-137.

Wang Jintao, Gao Feng, Lei Lin, et al. Modeling of fishing grounds forDosidicusgigasbased on BP neural network in southeast Pacific[J]. Marine Fisheries, 2014, 36(2): 131-137.

[9] Tafur R, Villegas P, Rabí M, et al. Dynamics of maturation, seasonality of reproduction and spawning grounds of the jumbo squidDosidicusgigas(Cephalopoda: Ommastrephidae) in Peruvian waters[J]. Fisheries Research, 2001, 54(1): 33-50.

[10] 孙海泉, 肖革新, 郭莹, 等. 流行病生态学研究的统计分析方法[J]. 中国卫生统计, 2014, 31(2): 352-356.

Sun Haiquan, Xiao Gexin, Guo Ying, et al. Statistical analysis of epidemiological ecology[J]. Chinese Journal of Health Statistics, 2014, 31(2): 352-356.

[11] Conan G Y. Assessment of shellfish stocks by geostatistical techniques[J]. ICES, Shellfish Committee, 1985, K: 30.

[12] Maynou F X, Sardà F, Conan G Y. Assessment of the spatial structure and biomass evaluation ofNephropsnorvegicus(L.) populations in the northwestern Mediterranean by geostatistics[J]. ICES Journal of Marine Science, 1998, 55(1): 102-120.

[13] Pelletier D, Parma A M. Spatial distribution of Pacific halibut (Hippoglossusstenolepis): an application of geostatistics to longline survey data[J]. Canadian Journal of Fisheries and Aquatic Sciences, 1994, 51(7): 1506-1518.

[14] Addis P, Secci M, Angioni A, et al. Spatial distribution patterns and population structure of the sea urchinParacentrotuslividus(Echinodermata: Echinoidea), in the coastal fishery of western Sardinia: a geostatistical analysis[J]. Scientia Marina, 2012, 76(4): 733-740.

[15] Petitgas P. Geostatistics in fisheries survey design and stock assessment: models, variances and applications[J]. Fish and Fisheries, 2001, 2(3): 231-249.

[16] Barange M, Hampton I. Spatial structure of co-occurring anchovy and sardine populations from acoustic data: implications for survey design[J]. Fisheries Oceanography, 1997, 6(2): 94-108.

[17] Petitgas P, Levenez J J. Spatial organization of pelagic fish: echogram structure, spatio-temporal condition, and biomass in Senegalese waters[J]. ICES Journal of Marine Science, 1996, 53(2): 147-153.

[18] Rivoirard J, Simmonds J, Foote K G, et al. Geostatistics for Estimating Fish Abundance[M]. Oxford: Blackwell Science, 2008.

[19] Simard Y, Legendre P, Lavoie G, et al. Mapping, estimating biomass, and optimizing sampling programs for spatially autocorrelated data: case study of the northern shrimp (Pandalusborealis)[J]. Canadian Journal of Fisheries and Aquatic Sciences, 1992, 49(1): 32-45.

[20] Monestieza P, Dubrocab L, Bonnin E, et al. Geostatistical modelling of spatial distribution ofBalaenopteraphysalusin the Northwestern Mediterranean Sea from sparse count data and heterogeneous observation efforts[J]. Ecological Modelling, 2006, 193(3/4): 615-628.

[21] 冯永玖, 陈新军, 杨铭霞, 等. 基于ESDA的西北太平洋柔鱼资源空间热点区域及其变动研究[J]. 生态学报, 2014, 34(7): 1841-1850.

Feng Yongjiu, Chen Xinjun, Yang Mingxia, et al. An exploratory spatial data analysis-based investigation of the hot spots and variability ofOmmastrephesbartramiifishery resources in the northwestern Pacific Ocean[J]. Acta Ecologica Sinica, 2014, 34(7): 1841-1850.

[22] Robinson C J, Gómez-Gutiérrez J, de León D A S. Jumbo squid (Dosidicusgigas) landings in the Gulf of California related to remotely sensed SST and concentrations of chlorophylla(1998-2012)[J]. Fisheries Research, 2013, 137: 97-103.

[23] 胡丹桂, 舒红. 基于协同克里金空气湿度空间插值研究[J]. 湖北农业科学, 2014, 53(9): 2045-2049.

Hu Dangui, Shu Hong. Air humidity based on CoKriging interpolation[J]. Hubei Agricultural Sciences, 2014, 53(9): 2045-2049.

[24] 马孝义, 李新平, 赵延凤. 土壤含水量的Kriging和Cokriging估值研究[J]. 水土保持通报, 2001, 21(3): 59-62.

Ma Xiaoyi, Li Xinping, Zhao Yanfeng. Estimating of soil water content using Kriging and Cokriging methods[J]. Bulletin of Soil and Water Conservation, 2001, 21(3): 59-62.

[25] 王平, 李浩, 陈帅, 等. 基于坡度的黑土区切沟密度协同克里格插值方法研究[J]. 水土保持研究, 2014, 21(6): 312-317.

Wang Ping, Li Hao, Chen Shuai, et al. Interpolation of permanent gully density based on slope steepness in black soil area[J]. Research of Soil and Water Conservation, 2014, 21(6): 312-317.

[26] 杨奇勇, 张发旺. 西南岩溶盆地土壤干容重协同克里格分析[J]. 农业机械学报, 2015, 46(2): 126-131.

Yang Qiyong, Zhang Fawang. Cokriging analysis on soil bulk density in karst basin of southwest China[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(2): 126-131.

[27] 孔令娜, 向南平. 基于ArcGIS的降水量空间插值方法研究[J]. 测绘与空间地理信息, 2012, 35(3): 123-126.

Kong Lingna, Xiang Nanping. Research on rainfall spatial interpolation methods based on Arcgis[J]. Geomatics & Spatial Information Technology, 2012, 35(3): 123-126.

[28] 吴昌广, 林德生, 周志翔, 等. 三峡库区降水量的空间插值方法及时空分布[J]. 长江流域资源与环境, 2010, 19(7): 752-758.

Wu Changguang, Lin Desheng, Zhou Zhixiang, et al. Spatial interpolation methods and temporal spatial distribution of precipitation in the Three Gorges reservoir area[J]. Resources and Environment in the Yangtze Basin, 2010, 19(7): 752-758.

[29] 方学燕, 陈新军, 丁琪. 基于栖息地指数的智利外海茎柔鱼渔场预报模型优化[J]. 广东海洋大学学报, 2014, 34(4): 67-73.

Fang Xueyan, Chen Xinjun, Ding Qi. Optimization fishing ground prediction models ofDosidicusgigasin the high sea off Chile based on habitat suitability index[J]. Journal of Guangdong Ocean University, 2014, 34(4): 67-73.

[30] 杨铭霞, 陈新军, 冯永玖, 等. 中小尺度下西北太平洋柔鱼资源丰度的空间变异[J]. 生态学报, 2013, 33(20): 6427-6435.

Yang Mingxia, Chen Xinjun, Feng Yongjiu, et al. Spatial variability of small and medium scales’ resource abundance of Ommastrephes bartramii in Northwest Pacific[J]. Acta Ecologica Sinica, 2013, 33(20): 6427-6435.

[31] 薛毅, 陈立萍. 统计建模与R软件[M]. 北京: 清华大学出版社, 2007.

Xue Yi, Chen Liping. Modeling and R Software[M]. Beijing: Tsinghua University Press, 2007.

[32] 于化龙. 主成分分析应用研究综述[J]. 经营管理者, 2013(3): 9-10.

Yu Hualong. Review on the application of principal component analysis[J]. Manager’ Journal, 2013(3): 9-10.

[33] 刘爱利, 王培法, 丁园圆. 地统计学概论[M]. 北京: 科学出版社, 2012.

Liu Aili, Wang Peifa, Ding Yuanyuan. Introduction to Geostatistics[M]. Beijing: Science Press, 2012.

[34] Csirke J, Alegre A, Argüelles J, et al. Main biological and fishery aspects of the jumbo squid (Dosidicusgigas) in the Peruvian Humboldt Current System[C]//3rd Meeting of the Scientific Committee of the South Pacific Regional Fisheries Management Organization. Port Vila, Vanuatu: SPRFMO, 2015.

[35] Nigmatullin C M, Nesis K N, Arkhipkin A I. A review of the biology of the jumbo squidDosidicusgigas(Cephalopoda: Ommastrephidae)[J]. Fisheries Research, 2001, 54(1): 9-19.

[36] Argüelles J, Lorrain A, Cherel Y, et al. Tracking habitat and resource use for the jumbo squidDosidicusgigas: a stable isotope analysis in the Northern Humboldt Current System[J]. Marine Biology, 2012, 159(9): 2105-2116.

[37] Nigmatullin C M, Markaida U. Oocyte development, fecundity and spawning strategy of large sized jumbo squidDosidicusgigas(Oegopsida: Ommastrephinae)[J]. Journal of the Marine Biological Association of the United Kingdom, 2009, 89(4): 789-801.

[38] Lorrain A, Argüelles J, Alegre A, et al. Sequential isotopic signature along gladius highlights contrasted individual foraging strategies of jumbo squid (Dosidicusgigas)[J]. PLoS One, 2011, 6(7): e22194.

[39] Argüelles J, Tafur R. New insights on the biology of the jumbo squidDosidicusgigasin the Northern Humboldt Current System: size at maturity, somatic and reproductive investment[J]. Fisheries Research, 2010, 106(2): 185-192.

[40] 孙儒泳, 李庆芬, 牛翠娟, 等. 基础生态学[M]. 北京: 高等教育出版社, 2002: 15-42.

Sun Ruyong, Li Qingfen, Niu Cuijuan, et al. Basic Ecology[M]. Beijing: Higher Education Press, 2002: 15-42.

[41] Nesis K N. Biology of the giant squid of Peru and Chile,Dosidicusgigas[J]. Oceanology, 1970, 10(1): 108-118.

[42] Mason E, Pasual A, McWillams J C. A new sea surface height-based code for oceanic Mesoscale eddy tracking[J]. Journal of Atmospheric and Oceanic Technology, 2014, 31(5): 1181-1188.

[43] Taipe A, Yamashiro C, Mariategui L, et al. Distribution and concentrations of jumbo flying squid (Dosidicusgigas) off the Peruvian coast between 1991 and 1999[J]. Fisheries Research, 2001, 54(1): 21-32.

[44] Sumfleth K, Duttmann R. Prediction of soil property distribution in paddy soil landscapes using terrain data and satellite information as indicators[J]. Ecological Indicators, 2008, 8(5): 485-501.

Study of spatial distribution for Dosidicus gigas abundance off Peru based on a comprehensive environmental factor

Fang Xueyan1, Chen Xinjun1,2,3,4, Feng Yongjiu1,2,3,4， Chen Peng1

(1.CollegeofMarineSciences,ShanghaiOceanUniversity，Shanghai201306,China;2.NationalEngineeringResearchCenterforOceanicFisheries,ShanghaiOceanUniversity,Shanghai201306,China;3.TheKeyLaboratoryofSustainableExploitationofOceanicFisheriesResources,MinistryofEducation,ShanghaiOceanUniversity,Shanghai201306,China;4.CollaborativeInnovationCenterforDistant-waterFisheries,Shanghai201306,China)

Dosidicusgigasis one of the most important oceanic fishing objects. It is useful for learning the ecological habitat and increasing the fishing efficiency to study the spatial distribution ofD.gigas. We used the fishing data as main variable and sea surface temperature (SST), sea surface height (SSH), sea surface salinity (SSS) and concentration of Chlorophylla(Chla) as co-variables by cokriging to analyze the spatial distribution ofD.gigasabundance. The fishing data was selected from June to September during 2003 to 2012 provided by the Chinese squid-jigging technology group. To solve the weight of four different environmental factors in cokriging, they were transferred to the value between 0 and 1, then combined by principle component analysis as a single comprehensive co-variable. The relative test was taken between catch per unite fishing effort (CPUE) and the co-variable. Mean error (ME), root mean square error (RMSE) and root mean standardized squared error (RMSSE) were used to assess the predicting results to examine this method. The study results showed that (1) the comprehensive environmental factors from June to September had significant correlation with CPUE， (2) The ME were 0.002 6 and 0.002 5 respectively in June and July, which indicated that the average predicted results were higher than the objected data. However ME were -0.007 8 and -0.000 2 in August and September respectively, indicting the predicting accuracy were better and the average predicted results were lower than the objected data. The precision in June was the best, and it was lower in August. The RMSSE values in June and July were less than 1, suggesting over-valuating their uncertainty. This also indicated there were bias on the predicting precision and accuracy. In a word, from the view of ME, RMSE and RMSSE, the predicted data had a certain reliability.

Dosidicusgigas; spatial distribution; comprehensive environmental factor; cokriging； off Peru

10.3969/j.issn.0253-4193.2017.02.006

2016-06-26；

2016-09-30。

海洋局公益性行业专项(20155014)；上海市科技创新行动计划(5DZ1202200)；海洋二号卫星地面应用系统项目(HY2A-HT-YWY-006)。

方学燕(1990—)，女，山东省青岛市人，研究方向为渔业资源与渔场学。E-mail：fangxueyan@163.com

*通信作者：陈新军, 男，教授，博士生导师，主要研究领域为渔业资源学。E-mail：xjchen@shou.edu.cn

S931

A

0253-4193(2017)02-0062-10

方学燕, 陈新军，冯永玖，等. 基于综合环境因子的协同克里金法分析茎柔鱼资源丰度空间分布[J].海洋学报，2017，39(2)：62—71,

Fang Xueyan, Chen Xinjun，Feng Yongjiu, et al. Study of spatial distribution forDosidicusgigasabundance off Peru based on a comprehensive environmental factor[J]. Haiyang Xuebao，2017，39(2)：62—71, doi:10.3969/j.issn.0253-4193.2017.02.006