基于海表溫度和海面高度的東太平洋大眼金槍魚漁場預測

沈智賓 , 陳新軍 , 汪金濤

(1.上海海洋大學 海洋科學學院, 上海 201306; 2.大洋漁業資源可持續開發省部共建教育部重點實驗室,上海201306; 3.國家遠洋漁業工程技術研究中心, 上海 201306; 4.遠洋漁業協同創新中心, 上海 201306)

大眼金槍魚(Thunnus obesus)為高度洄游的外洋狹鹽性魚種, 通常在熱帶或溫帶水域捕獲。在東太平洋, 大眼金槍魚大多分布在南北緯40°以內、表層生產力不高的海域[1], 主要集中在智利、秘魯、厄瓜多爾等外海海域[2]。大眼金槍魚于20世紀50年代首先由日本金槍漁船開發, 中國大陸于1988年開始利用該資源[3]。國內外學者如楊勝龍等[4]、Holland等[5-6]、Boggs[7]、劉一淳[8]、Russell等[9]、Hampton 等[10]、蘇利榮[11]、樊偉等[12]、宋利明等[13]對各個海域的大眼金槍魚漁場與水溫因子之間的關系進行了研究, 獲得了大眼金槍魚棲息分布的最適海表溫度。棲息地指數(Habitat Suitability Index, HSI)的概念于1980 年代初提出, 并首先被用來描述野生動物的棲息地質量, 以后被應用于物種保護區的管理和研究以及魚類漁場分析[14-16]。目前對東太平洋大眼金槍魚的棲息地指數及其空間分布研究甚少, 同時也未見用于大眼金槍魚漁場的預報。為此, 本研究利用中國東太平洋金槍魚延繩釣生產數據, 結合衛星遙感資料, 利用棲息地指數模型對大眼金槍魚中心漁場進行分析與預報, 為中國金槍魚延繩釣的生產提供科學依據。

1 材料與方法

1.1 數據來源

生產統計資料來自 2009～2012年上海金優遠洋漁業有限公司在東太平洋公海金槍魚延繩釣生產數據。其中 2009～2011年的生產統計數據用于大眼金槍魚棲息地研究, 2012年的生產統計數據用于棲息地指數模型驗證。共 6 艘生產船, 每艘船噸位均為157 t, 主機功率均為 407 kW, 冷海水保鮮。作業海域為東太平洋海域(20°N～35°S、85°～155°W)。數據包括作業時間、作業位置、大眼金槍魚漁獲量(kg)、鉤數, 海表溫度(SST)數據來自http: //poet.jpl.nasa.gov/, 表溫數據空間分辨率為 1°×1°。海面高度(SSH, 單位 m)的數據來自哥倫比亞大學衛星遙感網站(http://iridl.ldeo.columbia.edu/docfind/databrief/cat-ocea-n.html)。

1.2 分析方法

首先以經緯度 1°×1°為空間統計單位, 按月對其作業位置、產量和放鉤數進行初步統計, 并計算平均每千鉤產量(CPUE, kg/千鉤)。不考慮船長水平和海洋環境條件, 因屬于同一作業船型, 因此作者初步認定 CPUE 可作為表征漁場分布的指標之一[17]。通常在作業漁船下鉤之前, 船長會根據探漁儀映像、海洋環境狀況、周圍漁船作業情況進行綜合判斷, 使得作業漁船往往會集中在某一區域, 作業漁船之間會產生相互干擾, 從而影響到 CPUE 的值[18]。因此,利用頻度分析法按 SST 1℃為組距、SSH 0.1 m為組距來分析各月產量、CPUE 和SST的關系, 獲得各月作業漁場最適的SST、SSH范圍。

1.3 棲息地模型的建立

利用產量分別與SST、SSH來建立相應的適應性指數(SI)模型。作者假定最高產量 (PROmax)為大眼金槍魚資源分布最多的海域, 認定其棲息地指數為1; 作業產量為 0 時, 大眼金槍魚資源分布較少的海域, 認定其HSI為0[19]。單因素棲息地指數SI計算公式如下:

式中,SIi,為i月得到的適應性指數;PROi,max為i月的最大產量。

利用指數模型分別建立SST、SSH與SI之間的關系模型。利用算術平均法(arithmetic mean model,AMM)[20-21]計算棲息地綜合指數 HSI, HSI 在 0(不適宜)到 1(最適宜)之間變化。計算公式如下:

式中,SISST、SISSH分別為SI與SST、SSH的適應性指數。

作者采用了算術平均法作為模型的基本算法主要有以下兩個原因: 遙感數據容易缺失, 如采用其他方法如最小值法和幾何平均值法, 容易將遙感數據缺失的部分誤判為棲息地指數為 0 的位置, 從而造成預報失誤; 算術平均值法在金槍魚棲息地指數模型的建立中應用廣泛[22-24]。

1.4 漁情預報驗證

作者將 2012 年生產統計數據和棲息地指數均分為 5 個級別。將產量統計數據(PRO)采用自然邊界法[25]進行劃分, 0≤PRO＜500 t, 記為等級 1; 500 t≤PRO＜1 000 t, 記為等級 2; 1 000 t≤PRO＜5 000 t, 記為等級 3; 5 000 t≤PRO＜10 000 t, 記為等級 4;PRO≥10 000 t, 記為等級 5。 同樣, 棲息地指數也劃分為 5個等級, 即: 0.0≤HSI＜0.1, 記為等級 1; 0.1≤HSI ＜0.3, 記為等級 2; 0.3≤HSI＜0.5, 記為等級 3; 0.5≤HSI ＜0.7, 記為等級 4; 0.7≤HSI≤1.0, 記為等級 5。

對于同一個作業漁區, 如果其產量數據級別與棲息地指數級別相同或相差之絕對值≤2, 則認為模型能夠準確預測該漁區漁場形成的情況, 即漁場的適宜度; 如果級別相差之絕對值＞2, 則認為模型不能正確預測[26]。

2 結果

2.1 產量及 CPUE 的逐月分布

月產量及CPUE自1～12月大致呈現先降低后增加的趨勢。高產(月產量超過 300 t)分布在 11～12月以及1月, 產量最高為12月, 達486.73 t(圖1a), 占全年總產量的14.83%, 其 CPUE 為179.89 kg/千鉤(圖1b)。產量最低的為3月, 為162.81t(圖1a), 占全年總產量的4.96%, 其CPUE為103.51 kg/千鉤(圖1b)。

圖1 大眼金槍魚延繩釣產量和 CPUE 月變化Fig.1 Monthly catch and CPUE of Bigeye tuna

2.2 產量及 CPUE 與SST 的關系

由圖2可知, 各月高產、高CPUE海域的最適表溫是不相同的。其中, 1月產量較高時SST為26℃、28℃, CPUE較高時SST為24～29℃; 2月產量較高時SST為26℃, CPUE較高時SST為26～29℃; 3月產量較高時SST為27℃, CPUE較高時SST為27～29℃; 4月產量較高時SST為27～28℃, CPUE較高時SST為27～29℃; 5月產量較高時SST為28℃, CPUE較高時SST為23～24℃、29℃; 6月產量較高時SST為27℃,CPUE較高時SST為29℃; 7月產量較高時SST為27℃, CPUE較高時SST為24～27℃; 8月產量較高時SST為26℃, CPUE較高時SST為24～26℃; 9月產量和CPUE較高時SST均為27℃; 10月產量和CPUE較高時SST均為28℃; 11月產量較高時SST為26℃,CPUE較高時SST為28℃; 12月產量較高時SST為28℃, CPUE較高時SST為29℃。

圖2 大眼金槍魚延繩釣月產量和 CPUE 與 SST 關系Fig.2 Monthly catch and CPUE of Bigeye tuna with the changes of SST

2.3 產量和 CPUE 與SSH的關系

由圖3可知, 各月高產、高 CPUE海域的最適SSH也是不相同的。第一季度中, 1月產量最高時的SSH為0.5 m, CPUE最高時的SSH為0.6 m, 2月產量最高時的SSH為0.6 m, CPUE最高時的SSH為0.7 m, 3月產量與CPUE最高時的SSH均為0.5 m; 第二季度中, 4、5月產量和CPUE最高的SSH均為0.5 m; 6月產量和CPUE最高的 SSH 均為 0.6 m; 第三季度中, 7月產量最高時的SSH為0.6 m, CPUE最高時的SSH為0.7 m, 8月產量和CPUE最高時的SSH均為0.7 m, 9月產量最高時的SSH分別為0.7m, CPUE最高時的SSH為0.8 m; 第四季度中, 10～12月產量與CPUE最高時的SSH均為0.6 m, CPUE最高時的SSH均為0.8 m。

圖3 大眼金槍魚月產量和 CPUE 與 SSH 的關系Fig.3 Relationship between monthly catch and CPUE of bigeye tuna and SSH

2.4 HSI 模型的建立

分季度繪制各因子的 SI 曲線擬合圖(圖4)。由圖4 和表1 中可知, 采用指數模型擬合的 SI曲線均為顯著(P＜0.05)。

表1 各季度大眼金槍魚棲息地指數模型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, 當 HSI 為 0.6 以上時: 1 月份作業漁區數為 68個, 占總數的 65.38%; 2 月份作業漁區數 為 56個, 占總數的 67.47%, 3 月份作業漁區數為54個, 占總數的 62.07%; 4 月份作業漁區數為 60個, 占總數 68.18%; 5 月作業漁區數為77個,占總數的71.96%; 6 月作業漁區數為68個, 占總數的 62.96%; 7 月作業漁區數為 75個, 占總數的62.50%; 8 月作業漁區數為74個, 占總數的63.79%;9 月作業漁區數的75個, 占總數的69.44%; 10 月作業漁區數為77個, 占總數的61.11%; 11 月作業漁區數的 51個, 占總數63.75%; 12 月作業漁區數為51個, 占總數的67.11%。當 HSI 為 0.6 以上時, 全年作業漁區數為786 個, 占總數的 65.34%。因此, 該模型能夠較好地反映東太平洋大眼金槍魚中心漁場的分布情況。

表2 2009～2011年大眼金槍魚各月份 HSI 值與作業漁區數Tab.2 The monthly fishing areas under different HSI values of bigeye tuna during 2009 to 2011

2.6 中心漁場驗證

利用2012年的生產統計數據和環境數進行中心漁場預報驗證, 由表3可知, 第一、二、三和四季度中心漁場預報準確率分別為62%、61%、65%、64%,平均準確率達到63%, 而平均不準確率為37%。

表3 2012年大眼金槍魚中心漁場預報結果統計Tab.3 The results of forecasting fishing ground of bigeye tuna in 2012

3 討論與結論

溫度是影響海洋魚類活動的最重要的環境因子之一, 直接或間接地影響到魚類資源量的分布、洄游和空間集群等[28], 作者著重對東太平洋海域金槍魚延繩釣主捕對象大眼金槍魚作業漁場的月變化及其與 SST關系進行了分析, 得出了大眼金槍魚中心漁場分布的適宜SST范圍。發現在SST為24～29℃的海域, 其產量約占總漁獲量的 93%以上, 這一因子可作為全年各月中心漁場分布的指標之一。

SSH雖然沒有像溫度那樣顯著地影響著魚類活動, 但是 SSH也是影響魚類洄游、集群和分布的關鍵性因素之一。作者也分析了大眼金槍魚作業漁場分布與SSH關系, 發現SSH為0.4～0.8 m的海域多為中心漁場, 其產量約占總漁獲量的 91%以上, 因此, SSH也可作為全年各月中心漁場分布的指標之一。

本研究根據已建立的棲息地指數模型, 利用SST和SSH兩個海洋環境因子對東太平洋大眼金槍魚漁場進行了預測, 2012年中心漁場預報精度達到63%。在所有月份中, 實際作業漁場的范圍基本上落在漁情預報的理論范圍內。因此, 本研究所建立的漁情預報模型用來預測東太平洋大眼金槍魚漁場是可行的。

盡管上述建立的東太平洋大眼金槍魚棲息地指數模型有較高的精確度, 但是大眼金槍魚漁場還與深層水溫結構、葉綠素濃度、溫躍層、餌料生物分布、鋒面和渦以及 ENSO 等有關, 這些因素對大眼金槍魚漁場分布均有一定的影響。因此, 在以后的研究中需綜合考慮上述因子, 考慮不同精度的時間、空間分辨率, 不斷完善漁情預報模型。

[1] 樊偉, 崔雪森, 周甦芳.太平洋大眼金槍魚延繩釣漁獲分布及漁場環境淺析[J].海洋漁業, 2004, 261-265.

[2] 施秀帖, 袁蔚文, 陳冠賢, 等.中西太平洋熱帶海域漁業資源及開發前景分析[J].遠洋漁業, 1989, 2: 1-42.

[3] 楊俊杰, 王繼業, 胡建廷, 等.中國遠洋漁業政策與山東發展對策芻議[J].海洋科學, 2002, 26(10): 28-31.

[4] 楊勝龍, 馬軍杰, 伍玉梅, 等.印度洋大眼金槍魚和黃鰭金槍魚漁場水溫垂直結構的季節變化[J].海洋科學, 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] 劉一淳.東太平洋大眼金槍魚資源評估及管理對策[D].上海: 上海海洋大學, 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] 蘇利榮.海洋漁場學[M].中國臺北: 許氏基金會出版社, 1992.

[12] 樊偉, 沈新強, 林明森.大西洋大眼金槍魚漁場、資源及環境特征的研究[J].海洋學報, 2003, 25(2):167-176.

[13] 宋利明, 許柳雄, 陳新軍.大西洋中部大眼金槍魚垂直分布與溫度、鹽度的關系[J].中國水產科學, 2004,11(6): 561-566.

[14] 陳新軍, 陸化杰, 劉必林, 等.利用棲息地指數預測西南大西洋阿根廷滑柔魚漁場[J].上海海洋大學學報, 2012, 21(3): 431-438.

[15] 范江濤, 陳新軍, 錢衛國, 等.南太平洋長鰭金槍魚漁場預報模型研究[J].廣東海洋大學學報, 2011,31(6): 61-67.

[16] 胡振明, 陳新軍, 周應祺, 等.利用棲息地適宜指數分析秘魯外海莖柔魚漁場分布[J].海洋學報, 2010,32(5): 67-75.

[17] 陳新軍.漁業資源與漁場學[M].北京: 海洋出版社,2004.

[18] 陳新軍.漁業資源經濟學[M].北京: 中國農業出版社, 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] 馮波, 陳新軍, 許柳雄.應用棲息地指數對印度洋大眼金槍魚分布模式的研究[J].水產學報, 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.