一种基于分层水温的渔业资源丰度的预测方法及其应用

摘要

本发明公开了一种基于分层水温的渔业资源丰度的预测方法及其应用，步骤为：针对时间段A内海域B鱼类C的生产统计数据、时间段A内海域B的经纬度数据以及不同深度对应的海表温度，利用广义加性模型建立多个CPUE预测模型；基于赤池信息准则对各CPUE预测模型进行分析，选择AIC值最小的模型作为最优预测模型；将待预测时间段内海域B鱼类C的水层深度对应的海表温度及经纬度输入最终预测模型即可完成对待预测时间段内海域B鱼类C的CPUE的预测。本发明基于分层水温进行渔业资源丰度的预测，基于GAM模型建立模型，极大地提高了预测精度，能够为远洋渔业资源的开发提供了可靠指导，极具应用前景。

说明书

技术领域

本发明属于海洋资源研究技术领域，涉及一种基于分层水温的渔业资源丰度的预测方法及其应用。

背景技术

阿根廷滑柔鱼(Illex argentinus)是世界上最重要的经济头足类之一，也是我国鱿钓船的重要捕捞对象。阿根廷滑柔鱼的资源极为丰富，但其极易受到环境的影响而出现年际差异，水温对其生长和洄游影响较大，一般水温较低渔汛则较迟，水温偏高则相反，阿根廷滑柔鱼集中分布在22°～54°S的西南大西洋大陆架和陆坡，其中以35°～52°S资源尤为丰富。

已有研究表明，阿根廷滑柔鱼资源量与海表温密切相关，汪金涛等利用相关性分析，选出在产卵区影响其资源补充量的关键区域SST，通过建立多元线性模型和BP神经网络模型对阿根廷滑柔鱼资源补充量进行预测。国外学者Waluda C.M、Bakun A.等从海洋环境条件(主要是海表温)变化对阿根廷滑柔鱼补充群体资源量的影响进行了研究。目前国内外学者对阿根廷滑柔鱼的资源量与海表温之间关系进行了研究并建立相应的预测模型，但一方面由于这些研究中海表温数据主要通过卫星等遥感手段监测反演获得的，数据往往准确度不高，必将影响模型预测精度，另一方面由于阿根廷滑柔鱼是大洋性浅海种，海洋环境对其渔场分布具有重要影响，其中海表温对仔鱼生活阶段更是影响重大，且阿根廷滑柔鱼产卵后即死亡，这使其每年渔场的资源丰度几乎又完全取决于其每年的资源补充量，因此，单纯基于海表温构建得到的预测模型而并未考虑垂直结构下不同深度的海水温度的影响，这进一步影响了预测精度。

因此，开发一种考虑全面且预测精度高的阿根廷滑柔鱼渔场预测方法极具现实意义。

发明内容

本发明的目的在于克服现有技术考虑不全面、预测精度低的缺陷，提供一种考虑全面且预测精度高的阿根廷滑柔鱼渔场预测方法。本发明通过研究分层水温对阿根廷滑柔鱼的影响，并基于此对其渔场进行预测，因为阿根廷滑柔鱼的栖息水深可至表层以下800m，一般在50～200m较为密集，所以在分层(0、50、100、200、300、400米)水温是影响阿根廷滑柔鱼渔场分布的关键因子，本发明基于分层水温进行阿根廷滑柔鱼渔场预测，考虑全面，能够显著提高预测精度，能够为合理开发和利用阿根廷滑柔鱼资源提供可靠指导。

为实现上述目的，本发明提供如下技术方案：

一种基于分层水温的渔业资源丰度的预测方法，应用于电子设备，包括以下步骤：

(1)针对时间段A内海域B鱼类C的生产统计数据、时间段A内海域B的经纬度数据以及不同深度对应的海表温度，利用广义加性模型(Generalized Additive Model，GAM模型)建立多个CPUE预测模型(CPUE预测模型反映的是CPUE对时空变量即经纬度数据和分层水温的非线性响应关系，分析各空间变量和分层水温对CPUE的非线性影响，以实现对渔场的预测)，不同CPUE预测模型的因子不同(即水层深度对应的海表温度)；

其中，CPUE的计算公式如下：

式中，Catch为渔获量(单位：吨)，Vessel为捕捞努力量(单位：艘)，相当于日作业船数，则CPUE为单位捕捞努力量渔获量(单位：吨/艘)；

上述的经纬度数据(即时间段A内海域B的经纬度数据)，是将原始的经纬度数据经过计算转化为0.1°×0.1°的分辨率：

式中，lon

(2)基于赤池信息准则(AIC)对各CPUE预测模型进行分析，选择AIC值最小的模型作为最优预测模型；

(3)将待预测时间段内海域B鱼类C的水层深度对应的海表温度及经纬度输入最终预测模型即可完成对待预测时间段内海域B鱼类C的CPUE的预测。

本发明的基于分层水温的渔业资源丰度的预测方法，应用GAM模型描述CPUE对时空变量即经纬度数据和分层水温的非线性响应关系，其中GAM模型中的每一个加性项使用单个光滑函数来估计，在每一加性项中可以解释因变量如何随自变量变化而变化，能够克服应用现有预测模型描述CPUE对分层水温的关系存在自变量数目较多时模型的估计方差会加大，同时基于核与光滑样条估计的非参数回归对自变量与因变量间关系的解释较为困难的问题。而后通过AIC选取最优模型以最大化预测精度，能够为远洋渔业资源的开发提供了可靠指导。

广义加性模型(Generalized Additive Model，GAM模型)为广义线性模型的扩展，其具体计算过程为：

g(u)＝s0+s1(X1)+s2(X2)+...+sp(Xp)；

其中，μ＝E(Y|X1.X2...Xp|)，n为线性预测值，si(·)是非参数光滑函数，包括：光滑样条函数、核函数或者局部回归光滑函数，由于非参数形式的灵活性，以表示自变量的非线性效应。此外，模型中无需Y对X做出任意假设，由随机部分Y(random component)、加性部分n(additive component)及联结两者的连接函数(link function)gi(.)组成，反应变量Y的分布属于指数分布族，即二项分布、Poisson分布、Gamma分布等，联系函数(linkfunction)采用高斯分布(gaussian)。

时间段A内海域B鱼类C的生产统计数据需进行处理，其处理过程为：(1)根据公式CPUE＝catch/effort计算柔鱼的单位捕捞努力量渔获量，其中，catch为日渔获量，effort为日作业船数；(2)通过ArcGIS 10.1可视化显示基于经、纬度的CPUE空间分布并直观显示研究范围。

作为优选的技术方案：

如上所述的一种基于分层水温的渔业资源丰度的预测方法，所述鱼类C为西南大西洋阿根廷滑柔鱼、西北太平洋柔鱼或东南太平洋茎柔鱼。本发明的保护范围并不仅限于此，此处给出列举部分可行的鱼类而已，其他如许多种金枪鱼类也可适用于本发明。

如上所述的一种基于分层水温的渔业资源丰度的预测方法，所述时间段A为2015～2017年；所述海域B的坐标范围为54.6°～65°W、35°～55°S；所述鱼类C为西南大西洋阿根廷滑柔鱼。本发明的保护范围并不仅限于此，此处给出列举一种可行的技术方案，本领域技术人员可根据实际需求选择合适的时间段、海域及鱼类。

如上所述的一种基于分层水温的渔业资源丰度的预测方法，所述CPUE预测模型的因子分别为0米水深海表温度、50米水深海表温度、100米水深海表温度、200米水深海表温度、300米水深海表温度、400米水深海表温度和经纬度数据。本发明的保护范围并不仅限于此，此处给出列举一种可行的技术方案而已，也可再增加如500米水深海表温度、600米水深海表温度等作为CPUE预测模型的因子。

如上所述的一种基于分层水温的渔业资源丰度的预测方法，建立的多个CPUE预测模型包括以下模型：

模型I，包括经纬度数据一个因子的GAM模型即

ln(CPUE+1)＝s(lon,lat)，其中CPUE(catch per unit effort)表示CPUE值即单位捕捞努力量渔获量，s()为自然样条平滑函数(采用基于P样条的自适应平滑器函数)，平滑函数自由度不设定，由模型自动模拟选择最优函数阶数，lon表示经度，lat表示纬度，Temp_0、Temp_50、Temp_100、Temp_200、Temp_300和Temp_400分别表示0米、50米、100米、200米、300米和400米水层深度对应的海表温度值，s(lon,lat)表示时空因子(经度和纬度)对渔场的影响，即经度和纬度相互作用后对渔场的影响；

模型II，包括经纬度数据和0米水深海表温度两个因子的GAM模型即

ln(CPUE+1)＝s(lon,lat)+s(Temp_0)；

模型III，包括经纬度数据、0米水深海表温度和50米水深海表温度三个因子的GAM模型即

ln(CPUE+1)＝s(lon,lat)+s(Temp_0)+s(Temp_50)；

模型IV，包括经纬度数据、0米水深海表温度、50米水深海表温度和100米水深海表温度四个因子的GAM模型即

ln(CPUE+1)＝s(lon,lat)+s(Temp_0)+s(Temp_50)+s(Temp_100)；

模型V，包括经纬度数据、0米水深海表温度、50米水深海表温度、100米水深海表温度和200米水深海表温度五个因子的GAM模型即

ln(CPUE+1)＝s(lon,lat)+s(Temp_0)+s(Temp_50)+s(Temp_100)+s(Temp_200)；

模型VI，包括经纬度数据、0米水深海表温度、50米水深海表温度、100米水深海表温度、200米水深海表温度和300米水深海表温度六个因子的GAM模型即

ln(CPUE+1)＝s(lon,lat)+s(Temp_0)+s(Temp_50)+s(Temp_100)+s(Temp_200)+s(Temp_300)；

模型VII，包括经纬度数据、0米水深海表温度、50米水深海表温度、100米水深海表温度、200米水深海表温度、300米水深海表温度和400米水深海表温度七个因子的GAM模型即

ln(CPUE+1)＝s(lon,lat)+s(Temp_0)+s(Temp_50)+s(Temp_100)+s(Temp_200)+s(Temp_300)+s(Temp_400)。本发明的保护范围并不仅限于此，此处给出一种可行的技术方案，本领域技术人员可根据实际需求建立CPUE预测模型，模型数量及模型选取的因子均可根据需求进行选择。

如上所述的一种基于分层水温的渔业资源丰度的预测方法，步骤(2)得到的多个CPUE预测模型的AIC值相同且均为最小值，则选择其中方差解释率最大的模型(通过方差分析ANOVA得到)作为最优预测模型。

如上所述的一种基于分层水温的渔业资源丰度的预测方法，所述模型VII为最优预测模型。最优预测模型的获取是通过AIC值、方差解释率(％)、决定系数R-sq.(adj)、方差等参数对GAM模型进行参数统计，并通过对GAM模型中的变量进行检验而后确定的。

如上所述的一种基于分层水温的渔业资源丰度的预测方法，步骤(3)中，所述待预测时间段内海域B鱼类C的水层深度对应的海表温度及经纬度为待预测时间段内海域B鱼类C的经纬度数据、0米水深海表温度、50米水深海表温度、100米水深海表温度、200米水深海表温度、300米水深海表温度和400米水深海表温度。

如上所述的一种基于分层水温的渔业资源丰度的预测方法，所述CPUE预测模型的建立及分析是利用R软件包的mgcv库完成的。本发明的保护范围并不仅限于此，此处仅给出一种可行的技术方案而已，本领域技术人员可根据实际需求选用其他合适的手段完成CPUE预测模型(GAM模型)的建立及分析。

本发明还提供了一种电子设备，包括一个或多个处理器、一个或多个存储器、一个或多个程序及数据搜集装置；

所述数据搜集装置用于获取时间段A内海域B鱼类C的生产统计数据、时间段A内海域B的经纬度数据、不同深度对应的海表温度以及待预测时间段内海域B鱼类C的水层深度对应的海表温度及经纬度，所述一个或多个程序被存储在所述存储器中，当所述一个或多个程序被所述处理器执行时，使得所述电子设备执行如上所述的基于分层水温的渔业资源丰度的预测方法。

有益效果：

(1)本发明的一种基于分层水温的渔业资源丰度的预测方法，利用不同深度(0、50、100、200、300、400米)的水温通过GAM模型建立单位捕捞努力量渔获量(catch per uniteffort，CPUE)对海洋环境中分层水温的非线性响应模型，对渔场CPUE进行预测，而后优选预测模型，以优选得到的预测模型作为最终模型，将待预测时间段内海域B鱼类C的水层深度对应的海表温度及经纬度输入最终模型即可完成对待预测时间段内海域B鱼类C的CPUE的预测；

(2)本发明的一种基于分层水温的渔业资源丰度的预测方法，预测精度高，能够为远洋渔业资源的开发提供了可靠指导；

(3)本发明的电子设备，结构简单，成本低廉，能够快速精准地实现了对海洋渔业(如西南大西洋阿根廷滑柔鱼等)资源丰度的预测。

附图说明

图1为本发明的基于分层水温的渔业资源丰度的预测方法的流程图；

图2为实施例1中的西南大西洋阿根廷滑柔鱼CPUE分布图；

图3为经纬度变量对CPUE的影响示意图；

图4为0米表层海水温度对CPUE的影响示意图；

图5为50米深度的海水温度对CPUE的影响示意图；

图6为100米深度的海水温度对CPUE的影响示意图；

图7为200米深度的海水温度对CPUE的影响示意图；

图8为300米深度的海水温度对CPUE的影响示意图；

图9为400米深度的海水温度对CPUE的影响示意图；

图10为本发明的电子设备的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

一种基于分层水温的渔业资源丰度的预测方法，如图1所示，其步骤如下：

(1)针对时间段A内海域B鱼类C的生产统计数据、时间段A内海域B的经纬度数据以及不同深度对应的海表温度，利用R软件包的mgcv库基于广义加性模型建立多个CPUE预测模型，不同CPUE预测模型的因子不同；

该步骤包括CPUE计算和可视化显示渔场空间分布，其具体过程如下：根据公式CPUE＝catch/effort计算柔鱼的单位捕捞努力量渔获量，其中，catch为日渔获量，effort为日作业船数；通过ArcGIS 10.1可视化显示基于经、纬度的CPUE空间分布并直观显示研究范围；

(2)利用R软件包的mgcv库基于赤池信息准则对各CPUE预测模型进行分析，选择AIC值最小的模型作为最优预测模型，如多个CPUE预测模型的AIC值相同且均为最小值，则选择其中方差解释率最大的模型作为最优预测模型；

(3)将待预测时间段内海域B鱼类C的水层深度对应的海表温度及经纬度输入最终预测模型即可完成对待预测时间段内海域B鱼类C的CPUE的预测。

实施例1

为具体说明渔场预测情况，现根据2015～2017年渔业(坐标范围为54.6°～65°W、35°～55°S海域内的西南大西洋阿根廷滑柔鱼)生产数据分别对同期的0米水深海表温度、50米水深海表温度、100米水深海表温度、200米水深海表温度、300米水深海表温度、400米水深海表温度以及渔场经纬度数据作为模型因子进行预测，评价分析预测结果。

(1)选取地理空间范围为54.6°W～65°W、35°S～55°S，空间分辨率为0.1°×0.1°，原始的经纬度数据经过如下公式计算转化为0.1°×0.1°的分辨率：

式中，lon

将CPUE即单位捕捞努力量渔获量(单位：吨/艘)作为资源丰度指标，根据公式(1)计算柔鱼的单位捕捞努力量渔获量，其中，catch为日渔获量(单位：吨)，effort为日作业船数(单位：艘)，同时计算的CPUE值有0值，一般对CPUE加上一个常数，本专利中对所有CPUE加上常数1后取对数变换。

CPUE＝catch/effort (1)

通过计算机制图软件ArcGIS 10.1可视化显示基于经、纬度的CPUE空间分布(即得图1)并直观显示研究范围。

利用R软件包的mgcv库基于广义加性模型建立多个CPUE预测模型，CPUE预测模型具体为：

模型I，包括经纬度数据一个因子的广义加性模型即

ln(CPUE+1)＝s(lon,lat)，其中CPUE(catch per unit effort)表示CPUE值即单位捕捞努力量渔获量，s()为自然样条平滑函数(采用基于P样条的自适应平滑器函数)，平滑函数自由度不设定，由模型自动模拟选择最优函数阶数，lon表示经度，lat表示纬度，Temp_0、Temp_50、Temp_100、Temp_200、Temp_300和Temp_400分别表示0米、50米、100米、200米、300米和400米水层深度对应的海表温度值，s(lon,lat)表示时空因子(经度和纬度)对渔场的影响，即经度和纬度相互作用后对渔场的影响；

模型II，包括经纬度数据和0米水深海表温度两个因子的GAM模型即

ln(CPUE+1)＝s(lon,lat)+s(Temp_0)；

模型III，包括经纬度数据、0米水深海表温度和50米水深海表温度三个因子的GAM模型即

ln(CPUE+1)＝s(lon,lat)+s(Temp_0)+s(Temp_50)；

模型IV，包括经纬度数据、0米水深海表温度、50米水深海表温度和100米水深海表温度四个因子的GAM模型即

ln(CPUE+1)＝s(lon,lat)+s(Temp_0)+s(Temp_50)+s(Temp_100)；

模型V，包括经纬度数据、0米水深海表温度、50米水深海表温度、100米水深海表温度和200米水深海表温度五个因子的GAM模型即

ln(CPUE+1)＝s(lon,lat)+s(Temp_0)+s(Temp_50)+s(Temp_100)+s(Temp_200)；

模型VI，包括经纬度数据、0米水深海表温度、50米水深海表温度、100米水深海表温度、200米水深海表温度和300米水深海表温度六个因子的GAM模型即

ln(CPUE+1)＝s(lon,lat)+s(Temp_0)+s(Temp_50)+s(Temp_100)+s(Temp_200)+s(Temp_300)；

模型VII，包括经纬度数据、0米水深海表温度、50米水深海表温度、100米水深海表温度、200米水深海表温度、300米水深海表温度和400米水深海表温度七个因子的GAM模型即

ln(CPUE+1)＝s(lon,lat)+s(Temp_0)+s(Temp_50)+s(Temp_100)+s(Temp_200)+s(Temp_300)+s(Temp_400)；

(2)利用R软件包的mgcv库基于赤池信息准则(AIC)和方差分析ANOVA对各CPUE预测模型进行分析，优先选择AIC值最小的模型作为最优预测模型，如多个CPUE预测模型的AIC值相同且均为最小值，则选择其中方差解释率最大的模型作为最优预测模型，以上各模型的统计参数及检验值见表1和表2，即模型VII为最优预测模型；

表1

表2

F检验表明，在α＝0.05的显著性水平下，采用AIC准则逐步得到的最终GAM模型保留了经度、纬度、0米、50米、100米、200米、300米、400米水层深度对应的海表温度，最终，GAM模型在0.05的显著性水平下，所有变量对CPUE方差解释率为19.4％，模型拟合的决定系数为0.19。其中，经纬度协同影响作用的变量对CPUE的解释方差贡献最大，对应的F值也是最大的，0米(Temp_0)表层海表温度次之。100米(Temp_100)水层海表温度对CPUE的解释方差解释率最小。

根据模型结果可知，所有的变量对CPUE影响作用都是非线性的，根据图3的黑色实线表明，空间上西南大西洋阿根廷柔鱼渔场主要在40°-46°S区域附近，虚线(---)(一个正的标准差)和虚线(…)(1个负的标准差)表明渔场主要集中在43°-46°S。在其它海域，如50°S纬向区域，也有阿根廷滑柔鱼渔场出现，其标准差置信区间明显要大于40°-46°S附近渔场，表明其置信度要低。

如图4所示，随着Temp_0，即0米处海表温度的升高，SST对柔鱼CPUE影响呈逐渐递增趋势，置信区间表明适宜的海表温度在5～15℃。

图5显示Temp_50，即50米处海表温度对CPUE影响的数函数曲线。在0～5℃，随着海表温度降低，海表温度对鲐鱼CPUE影响值急剧降低为0。置信区间表明适宜的叶绿素在5～15℃。

如图6所示，在100米水深处，海表温度对CPUE的影响在0附近波动，说明对CPUE影响不大，这与GAM模型统计参数表中结果一致，即Temp_100对模型的方差解释率最低为0.6％。

在0～10℃处，200米处海表温度对柔鱼CPUE影响呈现穹顶状，随着200米深度海温的变高，其对柔鱼的CPUE影响变大(如图7)。海面温度在5℃左右，其对柔鱼CPUE的影响达到最大值，之后，随着海温的变高，在5-7℃区间其对柔鱼CPUE影响有逐渐降低的趋势，随后在10℃左右趋于稳定。置信区间表明适宜的海表温度在5-10℃。

如图8所示，在深度为300米处，随着海表温度升高，海表温度对柔鱼CPUE影响逐渐降低，之后趋于平缓，在15℃之后，对柔鱼CPUE的影响有降低的趋势。置信区间表明适宜的海表温度在5-10℃。

如图9所示，在2～10℃处，400米处海表温度对柔鱼CPUE影响呈上升趋势，随着400米深度海温的变高，其对柔鱼的CPUE影响变大。海面温度在4℃左右，其对柔鱼CPUE的影响达到最大值，之后，随着海温的变高，在6-8℃区间其对柔鱼CPUE影响趋于平缓波动较小，随后，在13℃之后随着海面温度的升高，其对柔鱼CPUE的影响逐渐升高。置信区间表明适宜的海表温度在4-8℃。

(3)将待预测时间段内海域B鱼类C的经纬度数据、0米水深海表温度、50米水深海表温度、100米水深海表温度、200米水深海表温度、300米水深海表温度和400米水深海表温度输入最终预测模型(模型VII)即可完成对待预测时间段内海域B鱼类C的CPUE的预测。

经验证，本发明的基于分层水温的渔业资源丰度的预测方法，利用不同深度(0、50、100、200、300、400米)的水温通过GAM模型建立单位捕捞努力量渔获量(catch per uniteffort，CPUE)对海洋环境中分层水温的非线性响应模型，对渔场CPUE进行预测，而后优选预测模型，以优选得到的预测模型作为最终模型，将待预测时间段内海域B鱼类C的水层深度对应的海表温度及经纬度输入最终模型即可完成对待预测时间段内海域B鱼类C的CPUE的预测，预测精度高，能够为远洋渔业资源的开发提供了可靠指导，极具应用前景。

实施例2

一种电子设备，如图10所示，包括一个或多个处理器、一个或多个存储器、一个或多个程序及数据搜集装置；

数据搜集装置用于获取时间段A内海域B鱼类C的生产统计数据、时间段A内海域B的经纬度数据、不同深度对应的海表温度以及待预测时间段内海域B鱼类C的水层深度对应的海表温度及经纬度，一个或多个程序被存储在存储器中，当一个或多个程序被所述处理器执行时，使得电子设备执行与实施例1相同的基于分层水温的渔业资源丰度的预测方法。

经验证，本发明的电子设备，结构简单，成本低廉，能够快速精准地实现了对海洋渔业(如西南大西洋阿根廷滑柔鱼等)资源丰度的预测。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应该理解，这些仅是举例说明，在不违背本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改。