太平洋褶柔魚秋生群資源補充量預報模型研究

胡飛飛，陳新軍,2,3,4

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

太平洋褶柔魚秋生群資源補充量預報模型研究

胡飛飛1，陳新軍1,2,3,4

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

根據日本對太平洋褶柔魚秋生群體的資源評估報告，以及產卵場海表溫度（tSST）、葉綠素a質量濃度（ρChl-a），計算分析太平洋褶柔魚在產卵期產卵場各月最適表溫范圍占總面積的比例（PS）、表征產卵場環境的tSST、ρChl-a等多種環境因子與單位捕撈努力量的漁獲量(CPUE)的相關性，建立多種基于主要環境因子的資源補充量預報模型。結果表明：太平洋褶柔魚資源補充量與各月的tSST的相關系數最大值海域分別為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）；與各月的ρChl-a濃度的相關系數最大值海域出現在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個因子作為輸入層構建的3-2-1的BP網絡結構，2011－2012年的平均預報精度達到最高，為91.5%，該模型可用于太平洋褶柔魚資源補充量的預測。

太平洋褶柔魚；秋生群體；資源補充量預報；神經網絡；多元線性模型

太平洋褶柔魚 Todarodes pacificus，又名日本魷、東洋魷等，是大洋性經濟柔魚的一種，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國黃海、東海[1,2]。太平洋褶柔魚主要有夏生群、秋生群和冬生群等3個季節性產卵群體。目前主要捕撈群體為秋生群和冬生群[3]。秋生群目前的主要捕撈區域在日本海，以日本和韓國的漁獲產量較高[4]，主要產卵區域為中國東海和對馬海峽，產卵期在10－12月，每年春夏季沿日本海北上索餌，秋季南下產卵[5]。

太平洋褶柔魚資源漁場與海洋環境關系密切，Sakurai等[6]認為從20世紀80年代末開始，對馬海峽和附近的秋生群和冬生群產卵區域出現了重疊；Choi等[7]發現太平洋褶柔魚產卵洄游和索餌洄游的時間和路徑均發生了改變；桜井泰憲等[8]認為太平洋褶柔魚年漁獲量的變化與風速和大氣溫度有顯著關系；李建生等[9]研究得出，分布在東海太平洋褶柔魚屬于暖水性外海高溫高鹽種，與表溫等關系密切；楊林林等[10]認為東海太平洋褶柔魚生殖群體的時空分布具有廣范圍和多季度的特點。本研究通過產卵場海表溫度、葉綠素a質量濃度與單位捕撈努力量漁獲量CPUE（Catch per unit effort）的相關性分析，找出影響資源豐度的關鍵海域，利用關鍵海域的海表溫度、葉綠素a濃度及適宜表溫所占海域面積等因子作為影響資源豐度的環境指標，建立不同環境影響因子與資源補充量之間的預報模型，為太平洋褶柔魚資源的合理利用提供參考依據。

1　材料與方法

1.1材料來源

本研究主要是探討太平洋褶柔魚秋生群體的資源補充量與環境因子之間的關系，CPUE數據來自2013年日本對太平洋褶柔魚秋生群體的資源評估報告（http://abchan.job.affrc.go.jp/digests26/ index.html），時間為1998－2012年。

海表溫度（tSST）、葉綠素a質量濃度（ρChl-a）數據均來自http://oceanwatch. pifsc.noaa.gov，時間分辨率為月，時間跨度為1997－2012年；tSST空間分辨率為0.05°×0.05°，ρChl-a空間分辨率為 0.1°×0.1°；經緯度范圍為 25°N－40°N，125°E－140°E。

環境數據空間分辨率統一為0.5°×0.5°，不同空間尺度的環境數據的轉換通過Arcgis軟件完成，如，每一個空間尺度為0.5°×0.5°的tSST數據是計算25個原始數據的平均值得到。

1.2研究方法

1.2.1研究海域范圍21°N－41°N，121°E－142°E海域通常被認為是太平洋褶柔魚秋生群體的產卵場[11]。結合作業數據，本研究選定海域范圍為25°N－40°N，125°E－140°E。

1.2.2CPUE計算計算每年單船平均日產量CPUE（t/d），作為太平洋褶柔魚資源豐度指標。由于太平洋褶柔魚具有短生命周期，產卵后即死，沒有剩余群體的生物學特性，因此CPUE可作為反映其資源補充量的指標[12-13]。

1.2.3影響因子選取太平洋褶柔魚資源補充量與其產卵場的棲息環境密切相關[12]。在產卵月份（10－12月），對海域內每點的tSST、ρChl-a質量濃度組成的時間序列值與次年CPUE組成的時間序列值的相關性進行分析計算，選取相關性高海域的tSST、ρChl-a質量濃度作為太平洋褶柔魚資源補充量的影響因子。

產卵場最適表層水溫范圍占產卵場總面積的比率是衡量產卵場棲息環境優劣的重要參量[14]。據文獻[1]，將15－20℃定義為產卵場最適海表溫度范圍，計算最適海表溫度范圍占產卵場總面積的比例（PS），用PS表達產卵場棲息環境的適宜程度。據此選定PS為影響太平洋褶柔魚資源補充量的因子，計算分析PS組成的時間序列值與次年CPUE組成的時間序列值的相關性。

1.2.4預報模型的建立及預報準確率的計算

1.2.4.1線性預報模型 根據1.2.3的相關性分析，選取相關性高的海域的tSST、ρChl-a濃度的時間序列值，與次年CPUE的時間序列值建立多元線性模型。

1.2.4.2BP神經網絡預報模型 人工神經網絡（artificial neural networks, ANN）模型是由模擬生物神經系統而產生的。本研究采用神經網絡中的EBP（error backpropagation）算法，簡稱BP模型。它屬于多層前向神經網絡，采用誤差反向傳播的監督算法，能夠學習和儲存大量的模式映射關系，目前已被廣發地應用于各個領域[15-17]。其網絡結構如圖1所示，有輸入層、中間層（隱含層）和輸出層，每層由不同個數的神經元或節點組成。

圖1　多層前向BP網絡Fig.1　Multilayer forward BP net

BP神經網絡的建立是在DPS數據處理系統（data processing system）軟件中完成。將1997－2009年的數據作為訓練樣本，2010年的數據作為驗證樣本，2011、2012年的數據作為預測樣本。網絡設計的參數為：輸入層為1.2.3中的顯著相關因子與 PS的組合，隱含層為1層，并且根據輸入層選取的因子的不同而選取適當的隱含層節點數。根據經驗，隱含層節點數一般設為輸入層節點數的75%[18-19]。輸出層神經元為1個，即實際的CPUE值。學習速率為0.1，動態參數為0.6，參數為0.9，允許誤差為0.000 1，最大迭代次數為1 000，數據轉換方法為標準化變換。模型訓練次數為10次，取最優結果。

BP模型以最小擬合殘差作為判斷最優模型的標準。擬合殘差是將輸出層所輸出的CPUE預報值與實測值進行比較所得的值，其函數定義式[20]為：

其中E表示擬合殘差值，yk為CPUE的實測值，?yk為CPUE的預測值，N表示CPUE的個數，k表示CPUE序數。

（3）預報準確率的計算

將2010－2012年相關性高的海域的環境因子及PS輸入到模型中，得到CPUE預測值，然后結合CPUE實測值，計算預報準確率，計算公式為：

其中P表示預測準確率，yk為CPUE的實測值，?yk為CPUE的預測值，N表示CPUE的個數，k表示CPUE序數。

2　結果

2.1年CPUE變化

由圖2可知，1998－2009年太平洋褶柔魚秋生群體CPUE年間波動較大，CPUE較低年份出現在1998、2004和2007年；最低年份為2007年，CPUE值為2.271 t/d；最高年份為2001年，CPUE值為3.407 t/d。

圖2　1998－2009年太平洋褶柔魚秋生群體CPUE變化Fig.2　Variation in CPUE of autumn-spawning group of Todarodes pacificus during 1998 to 2009

2.2相關性分析及關鍵因子的選擇

對在產卵月份（10－12月）產卵場區域內（25°－40°N，125°－140°E）的10－12月每一個0.5°×0.5°的tSST的時間序列與次年CPUE的時間序列作相關性分析發現：10月份，tSST與次年CPUE相關性最大值出現在33.5°N、129.5°E（Point1）（表1，圖3，圖4a）處；11月份，tSST與次年CPUE相關性最大值出現在31°N、127°E（Point2）（表1，圖3，圖4b）處；12月份，tSST與次年CPUE相關性最大值出現在33.5°N、125°E（Point3）（表1，圖3，圖4c）處。

產卵場區域內（25°－40°N，125°－140°E）的11、12月每一個0.5°×0.5°的ρChl-a濃度的時間序列與次年CPUE的時間序列作相關性分析發現：11月份，ρChl-a濃度與次年CPUE相關性最大值出現在34°N、129.5°E（Point4）（表1，圖3，圖4d）處；12月份，ρChl-a濃度與次年CPUE相關性最大值出現在35°N、130°E（Point5）（表1，圖3，圖4e）處。

表1　關鍵海區環境因子與資源補充量的相關性分析參數Table 1　Correlation of parameters between environmental factors at the key points and the CPUE

圖3　與資源補充量顯著相關的關鍵海區Fig.3　The key points significantly associated with CPUE and its environmental factors

圖4　特征環境因子與褶柔魚資源補充量的線性關系式Fig.4　The linear regression of CPUE and environmental factors at the key points

PS值的時間序列與次年CPUE的時間序列作相關性分析發現：10－12月份最適海表溫度范圍占產卵場總面積的比例與次年CPUE之間不存在顯著相關性（表2）。

表2　產卵場最適表溫比例PS與次年CPUE相關性分析參數Table 2　Correlation analysis between favorable tSSTin the spawning ground (PS) and CPUE of the next year

2.3預報模型實現及結果比較

2.3.1線性預報模型根據1.2的結果，選定point1、point2、point3的tSST的時間序列，point4、point5的ρChl-a的時間序列與次年CPUE的時間序列建立多元線性模型，其方程為：

其相關系數R為0.91（P=0.02<0.05）。其中Y為次年的CPUE所組成的時間序列，X為影響次年CPUE的時間序列的因素。

2.3.2BP預報模型利用選定的關鍵海區環境因子與PS的不同組合作為BP預報模型的輸入因子，構建多種BP預報模型，分別為：

方案1：選取Point1的tSST、Point4的ρChl-a濃度、PS共3個因子作為輸入層，構建3-2-1的BP網絡結構。

方案2：選取Point2的tSST、point3的tSST、point5的ρChl-a濃度、PS共4個因子作為輸入層，構建4-3-1的BP網絡結構。

方案3：選取Point1、 Point2 與point3的tSST、Point4與point5的ρChl-a、PS共6個因子作為輸入層，構建6-4-1的BP網絡結構。

將3種方案構建的模型重復擬合1 000次得到最優結果。

2.3.3最優模型的選擇利用3種BP網絡模型及多元線性模型預測2010－2012年太平洋褶柔魚資源補充量的結果如表3所示，認為網絡結構為3-2-1的BP神經網絡模型為最適的漁情預報模型。

表3　模型的預測精度比較Table 3　Comparison of models prediction precision

3　討論

太平洋褶柔魚由于具獨特的生物學特性，產卵場海洋環境對其資源補充量影響尤為顯著，其中以暖流與寒流的強弱影響為主。前人研究表明，太平洋褶柔魚的豐產年發生在黑潮勢力強大，向北擴張強，水溫較暖時期；歉收年發生在黑潮勢力弱小，向北擴張弱，水溫較冷時期[1]。本研究選取了35°N，129°－133°E斷面的海表面溫度來表征海流勢力的強弱。2003年的海流勢力較2002年，明顯減弱，向北擴張弱，水溫偏低，從而影響了次年的CPUE的減小（圖5-a）；2006、2007年的斷面分析圖比較可知，海流勢力增強，向北擴張強，水溫升高，次年的CPUE也隨之增大（圖5-b）。

圖5　2002年和2006年35°N的斷面溫度（℃）Fig.5　Figures of 35 degrees north latitude section temperature in 2002 and 2006

本研究建立多元線性模型所用的數據樣本是經過相關性分析得到的與CPUE呈顯著相關的數據，模型符合統計檢驗，預報準確率在90%左右。對比3種方案下的BP神經網絡模型發現，2010年與2012年三種模型的預報結果幾乎相同。但2011年的預報結果顯示，隨著模型輸入因子個數的增加，模型的預報精度逐漸減小。

太平洋褶柔魚資源補充量的預報極其復雜，是一件需要多學科結合的系統工作。太平洋褶柔魚在其生活階段的早期，在受到棲息海域的外部環境影響的同時，還受到了捕食者的影響，利用其產卵生活階段的海域環境因素進行資源量預測只是其中一種重要的方法。在今后的研究中，通過結合物理海洋學、種群動力學等學科的研究，更為深入地了解整個生長階段的生活特性，包括生長、發育、產卵、死亡等，將其與太平洋褶柔魚的群體資源結合起來，建立更為全面、科學、可靠的太平洋褶柔魚資源補充量預報模型，為太平洋褶柔魚資源的合理利用和科學管理提供依據。

[1]王堯耕，陳新軍. 世界大洋性經濟柔魚類資源及其漁業[M]. 北京：海洋出版社. 2005，160-188.

[2]董正之. 世界大洋經濟頭足類生物學[M]. 濟南: 山東科學技術出版社，1991. 100-118

[3]陳新軍，陸化杰，劉必林，等. 大洋性柔魚類資源開發現狀及可持續利用的科學問題[J]. 上海海洋大學學報，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·川上武彥. 日本近海産スルメイカの生物生産と漁業の管理[J]. 東海區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，嚴利平. 東海太平洋褶柔魚的數量分布及其與環境的關系[J]. 海洋漁業，2004，26（3）：194-198.

[10]楊林林，姜亞洲，程家驊. 東海太平洋褶柔魚生殖群體的空間分布及其與環境因子的關系[J]. 生態學報，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]蔡煌東，姚林聲. 徑流長期預報的人工神經網絡方法[J]. 水科學進展，1995，1（6）：61-65.

[16]馮德益，蔣淳，汪德馨，等. 神經網絡方法在地震預報研究中的初步應用[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. 知識發現[M]. 北京：清華大學出版社，2002：1-295.

[19]蔣宗禮. 人工神經網絡導論[M]. 北京：高等教育出版社，2001：20-40.

[20]唐啟義，馮明光. DPS數據處理系統－實驗設計、統計分析及模型優化[M]. 北京：科學出版社，2006：933.

（責任編輯：陳莊）

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

國家863計劃(2012AA092303)；海洋局公益性行業專項（20155014）

胡飛飛（1991－），男，碩士研究生，研究方向為遠洋漁業。E-mail：609409503@qq.com

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