基于棲息地指數的東太平洋黃鰭金槍魚漁場預報

趙海龍, 陳新軍, 方學燕

1上海海洋大學海洋科學學院, 上海　201306

2 國家遠洋漁業工程技術研究中心, 上海　201306

3 上海海洋大學大洋漁業可持續開發省部共建教育部重點實驗室, 上海　201306

4 遠洋漁業協同創新中心, 上海　201306

?

基于棲息地指數的東太平洋黃鰭金槍魚漁場預報

趙海龍1,4, 陳新軍1,2,3,4，*, 方學燕1,4

1上海海洋大學海洋科學學院, 上海201306

2 國家遠洋漁業工程技術研究中心, 上海201306

3 上海海洋大學大洋漁業可持續開發省部共建教育部重點實驗室, 上海201306

4 遠洋漁業協同創新中心, 上海201306

摘要:黃鰭金槍魚是東太平洋海域重要的金槍魚種類之一，也是我國金槍魚延繩釣的主要捕撈對象之一。根據2011年東太平洋海域(20°N—35°S、85°W—155°W)延繩釣生產統計數據，結合表溫(SST)和海面高度(SSH)的遙感數據，采用頻次分析法獲得黃鰭金槍魚分布的SST和SSH適宜范圍；運用一元非線性回歸方法，以漁獲量為適應性指數，按季度分別建立了基于SST和SSH的長鰭金槍魚棲息地適應性指數，采用算術平均法獲得基于SST和SSH環境因子的棲息地指數綜合模型，并用2012年各月實際作業漁場進行驗證。結果顯示，黃鰭金槍魚漁場多分布在SST為24—29℃、SSH為0.3—0.7 m的海域。采用一元非線性回歸建立的各因子適應性指數模型在統計上均為顯著(P<0.05)。經與2012年實際生產情況比較，作業漁場預報準確性達66%以上。研究獲得棲息地指數模型可為金槍魚延繩釣漁船尋找中心漁場提供參考。

關鍵詞：黃鰭金槍魚; 漁情預報; 東太平洋; 棲息地指數; 海洋環境因子

黃鰭金槍魚(Thunnusalbacares)是一種高度洄游的大洋性魚類，在東太平洋是延繩釣的重要捕撈對象[1]。影響黃鰭金槍魚漁場分布的環境因子很多，涉及水溫、水溫垂直結構、葉綠素和溶解氧等[2- 10]。Romena[8]指出黃鰭金槍魚的中心漁場分布受20 ℃等溫線影響。Song等[9]分析得出黃鰭金槍魚的垂直分布和溫躍層有關。但Maury等[10]指出，在延繩釣漁業中，表溫對黃鰭金槍魚的單位捕撈努力量漁獲量(CPUE) 影響較小，因為其主要分布在深層海域。綜合前人研究成果，認為影響黃鰭金槍魚漁場分布的因素是多方面的，但是目前的研究往往采用單一因子進行分析[5- 10]，各因素沒有進行有機整合，也沒有建立相應的漁場預報模型。棲息地指數(HSI)常被用來描述野生動物的棲息地質量，目前已被用于魚類漁場的預報中[11- 12]，它能夠把各種環境因子有機的整合在一起。為此，本研究利用我國東太平洋黃鰭金槍魚延繩釣生產統計數據，對黃鰭金槍魚漁場的空間分布特征進行分析，探討海洋環境因子與黃鰭金槍魚產量和CPUE的關系，并建立黃鰭金槍魚棲息地適應性模型，為東太平洋黃鰭金槍魚中心漁場預報提供參考。

1材料與方法

1.1數據來源

生產統計資料來自上海金優遠洋漁業有限公司2011—2012年在東太平洋公海金槍魚延繩釣生產數據。其中2011年的數據用于黃鰭金槍魚棲息地研究，2012年的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407kW，冷海水保鮮。作業海域為東太平洋海域(20°N—35°S、85°W—155°W)。數據包括作業時間、作業位置、黃鰭金槍魚產量(kg)和鉤數。

海表溫(SST)數據來自美國國家航空航天局的遙感資料(http://poet.jpl.nasa.gov/)，其數據空間分辨率為1°×1°。海面高度(SSH，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-ocean.html)，空間分辨率為 1°×1°。時間和區域與生產統計數據相同。

1.2漁場分布與海表溫、海面高度的關系分析

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)。利用頻度分析法按SST 1 ℃為組距、SSH 0.1 m為組距，分別分析各月產量、CPUE與SST和SSH的關系，獲得各月作業漁場SST和SSH的最適范圍。

1.3棲息地模型的建立

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生產，同時作業漁船之間會產生相互干擾，從而影響CPUE值[13-14]。因此，本研究以產量作為表征棲息地指數的指標。分1—3月、4—6月、7—9月和10—12月各季節分別建立基于SST、SSH的適應性指數(SI)模型。本文假定最高產量(PROmax)為黃鰭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，則認定是長鰭金槍魚資源分布較少的海域，認定其 HSI為0[15]。

(1)

式中，SIi為i季度的適應性指數；PROi,max為i季度的最大產量。

利用一元非線性回歸分別建立SST與SI、SSH與SI 之間的關系模型，利用 DPS7.5 軟件求解。利用算術平均法(arithmetic mean model，AMM)[11,16]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。算術平均值法在金槍魚棲息地指數模型中得到較好應用[12,17-18]。計算公式為：

HSI= (SISST+SISSH)/2

(2)

式中，SISST、SISSH分別為基于SST、SSH的適應性指數。

1.4中心漁場預報驗證

(1)將 2012 年生產統計數據(PRO)和棲息地指數(HSI)均分為 5 個級別[19]。將產量統計數據(PRO)采用自然邊界法(Natural Breaks)[20]進行劃分，0 t≤PRO<500 t，記為等級1；500 t≤PRO<1000 t，記為等級2；1000 t≤PRO<5000 t，記為等級3；5000 t≤PRO<10000 t，記為等級4；PRO>10000 t，記為等級5。同樣，HSI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。

(2)對于同一個作業漁區(1°×1°)，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小于2，則認為模型預報正確；如果級別相差之絕對值大于等于2，則認為模型預報不正確[19]。

2結果

2.1產量和 CPUE 的逐月分布

分析認為，高產(月產量超過 200 t)分布在2—3月和6月，產量最高為 2月，達到250 t 以上(圖1)，占全年總產量的 12.6%，其 CPUE 為 79.5 kg/千鉤。產量最低的為 4 月，僅為 77.8 t，占全年總產量的 3.9%，其 CPUE 為 31.2 kg/千鉤(圖1)。

圖1　黃鰭金槍魚延繩釣產量和單位捕撈努力量漁獲量(CPUE)月變化Fig.1　Monthly catch and catch per fishing unit (CPUE) of yellowfin tuna

2.2產量、CPUE 與SST 的關系

由圖2可知，1—3 月產量和 CPUE 較高的SST 為 24—27 ℃；4—6月產量和CPUE 較高的SST為 25—29 ℃；7—9月份產量與CPUE較高的SST基本為26—28 ℃，此外發現在SST為24 ℃以下海域，其產量和CPUE分布有些不一致。10—12月產量和CPUE較高的SST為25—28 ℃。

圖2　黃鰭金槍魚延繩釣月產量和 CPUE 與表溫關系Fig.2　Monthly catch and CPUE of Yellowfin tuna with the changes of sea surface temperature柱狀為產量；線段為CPUE；SST:表溫Sea surface temperature

2.3產量、CPUE 與SSH的關系

由圖3可知，1—3 月產量最高時的SSH 為 0.3 m，1 月和 3月CPUE 最高時的SSH為 0.3 m，2月CPUE 最高時 SSH為 0.2 m； 4—5月產量和 CPUE 較高的 SSH 為 0.3—0.8 m；6月產量和 CPUE最高的 SSH 均為 0.6 m；7月和8月產量最高時的SSH為0.6m，7月和8月CPUE最高的SSH為0.5 m；9月和10月產量最高時的SSH為0.4 m，但其CPUE最高的SSH分別為0.3 m和0.5 m；11月和12月產量和CPUE均最高的SSH分別為0.6 m和0.4 m。

圖3　黃鰭金槍魚月產量和 CPUE 與 海面高度的關系Fig.3　Relationship between monthly catch and CPUE of yellowfin tuna and sea surface height柱狀為產量；線段為CPUE；SSH:海面高度 sea surface height

2.4HSI 模型的建立

利用一元非線性回歸模型擬合以 SST和SSH 為基礎的 SI 曲線。擬合的 SI 曲線模型見表 1，在統計上均為顯著(P<0.05)。

表1　基于單因子的各月黃鰭金槍魚棲息地指數模型

SSH:海面高度sea surface height；SST:表溫sea surface temperature

2.5模型驗證分析

表2可反映出各月份HSI為0.6以上時的作業點個數，其各月占全月作業點數的比重在60%—75%。HSI為0.6以上時，全年作業點個數為265個，占總作業點數的66.42%，因此模型能夠較好的反映東太平洋黃鰭金槍魚漁場的分布情況。

表2　各月份不同棲息地指數(HSI)值下的實際作業點個數

HSI:棲息地指數habitat suitability index

2.6漁情預報驗證結果

由表 3可知，1—3 月份作業漁區數為35個，利用HSI模型預報正確的為21個，預報準確率為60%；4—6月份作業漁區數為24個，預報準確率為62%；7—9月份作業漁區數為28個，預報準確率為68%；10—12月份作業漁區41個，預報準確率為71%。1—12 月份平均預報準確率為66%。

表3　漁場預報結果統計

3討論與分析

(1)溫度是影響海洋魚類活動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[21]，本文著重對東太平洋黃鰭金槍魚漁場分布及其與SST關系進行了分析，并建立了基于SST的SI模型；通過產量、CPUE分析了其作業漁場的季節變化，得出了黃鰭金槍魚漁場空間分布的一些初步規律，作業漁場多分布在SST為24—29 ℃的海域，約占總漁獲量的96%以上，上述SST范圍可作為全年各月中心漁場分布的指標之一。盡管所分析的數據來源和空間尺度不一，但本研究結果與崔雪森等[22]的研究結論基本一致。研究結果可為漁業生產提供參考。

(2)SSH雖然沒有像水溫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[13]。本文分析了黃鰭金槍魚漁場分布及其與SSH關系，并建立基于SSH的SI模型，作業漁場多分布在SSH為0.3—0.7 m的海域，約占總漁獲量的95%以上，上述SSH范圍可作為全年各月中心漁場分布的指標之一。

(3)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黃鰭金槍魚漁場進行了預測。根據 2012年各月實際產量分布與理論計算獲得 HSI 分析，其平均漁場預報精度達到了66%。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(表3)。因此，本研究所建立的漁情預報模型用來預測東太平洋黃鰭金槍魚漁場是可行的。當然，漁情預報的精度和檢驗方法還有進一步改進的地方，比如在模型構建應考慮更多的環境因子，并且要不斷更新生產統計數據來完善漁情預報模型。研究結果對指導漁業生產節省生產成本有實際意義。

(4)通過分析CPUE和產量與SST、SSH的關系，發現最適的SST和SSH的范圍并不完全一致。因為在商業化作業海域，船長一方面通常是依靠探魚儀來尋找中心漁場，同時往往根據船隊的作業情況來尋找漁場，因此往往會集中在一個海域進行集中作業。因此，在作業集中的海域產量往往會比較高，同時也影響到CPUE值；相反，一些作業漁船少的區域，其CPUE有可能較高。因此，在今后的研究中需要針對不同作業類型和不同漁業，研究采用CPUE和產量哪一個更為合適。

盡管上述建立的東太平洋黃鰭金槍魚棲息地指數模型有較高的精確度，但是黃鰭金槍魚漁場還與500 m以內水層的水溫結構、葉綠素濃度、溫躍層、餌料生物分布、鋒面以及 厄爾尼諾-南方濤動(ENSO)等有關[2- 4,8- 9]，這些因素對黃鰭金槍魚漁場均有一定的影響。因此，在以后的研究中需綜合考慮上述因子，以進一步完善黃鰭金槍魚棲息地模型，為海洋漁業生產提供科學參考。

參考文獻(References):

[1]Avise J C, Lansman R A. Polymorphism of mitochondrial DNA in populations of higher animals // Nei M, Koehn R K. Evolution of Genes and Proteins. Sunderland, Mass:Sinauer Associates Inc., 1983:147- 164.

[2]Holland K N, Brill R W, Chang R K C. Horizontal and vertical movements of yellowfin and bigeye tuna associated with fish aggregating devices. Fisheries Bulletin, 1990, 88(3):493- 507.

[3]Brill R W, Block B A, Boggs C H, Bigelow K A, Freund E V, Marcinek D J. Horizontal movements and depth distribution of large adult yellowfin tuna (Thunnusalbacares) near the Hawaiian Islands, recorded using ultrasonic telemetry:implications for the physiological ecology of pelagic fishes. Marine Biology, 1999, 133(3):395- 408.

[4]Dagorn L, Holland K N, Hallier J P, Taquet M, Moreno G, Sancho G, Itano D G, Aumeeruddy R, Girard C, Million J, Fonteneau. Deep diving behavior observed in yellowfin tuna (Thunnusalbacares). Aquatic Living Resources, 2006, 19(1):85- 88.

[5]Lee P F, Chen I C, Tseng W N. Distribution patterns of three dominant tuna species in the indian ocean [EB/OL]. [2011-01-28]. http://proceedings.esri.com/library/userconf/ proc99/proceed/papers/pap564/p564.htm.

[6]Mohri M, Nishida T. Consideration on distribution of adult yellowfin tuna (Thunnusalbacares) in the Indian Ocean based on Japanese tuna longline fisheries and survey information. IOTC Proceedings, 2000, 3:276- 282.

[7]Marsac F. Changes in depth of yellowfin tuna habitat in the Indian Ocean:an historical perspective 1955-2001. IOTC Proceedings, 2002, 5:450- 458.

[8]Romena N A. Factors affecting distribution of adult yellowfin tuna (Thunnusalbacares) and its reproductive ecology in the Indian Ocean based on Japanese tuna longline fisheries and survey information. IOTC Proceedings, 2001, 4:336- 389.

[9]Song L M, Zhang Y, Xu L X, Jiang W X, Wang J Q. Environmental preferences of longlining for yellowfin tuna (Thunnusalbacares) in the tropical high seas of the Indian Ocean. Fisheries Oceanography, 2008, 17(4):239- 253.

[10]Maury O, Gascuel D, Marsac F, Fonteneau A, Rosa A L D. Hierarchical interpretation of nonlinear relationships linking yellowfin tuna (Thunnusalbacares) distribution to the environment in the Atlantic Ocean. Canadian Journal of Fisheries and Aquatic Sciences, 2001, 58(3):458- 469.

[11]Brown S K, Buja K R, Jury S H, Monaco M E. Habitat suitability index models for eight fish and invertebrate species in Casco and Sheepscot Bays, Maine. North American Journal of Fisheries Management, 2000, 20(2):408- 435.

[12]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. 水產學報, 2007, 31(6):805- 812.

[13]陳新軍. 漁業資源與漁場學. 北京:海洋出版社, 2004.

[14]陳新軍. 漁業資源經濟學. 北京:中國農業出版社, 2004.

[15]Mohri M, Nishida T. Seasonal changes in bigeye tuna fishing areas in relation to the oceanographic parameters in the Indian Ocean. Journal of National Fisheries University, 1999, 47(2):43- 54.

[16]Hess G R, Bay J M. A regional assessment of windbreak habitat suitability. Environmental Monitoring and Assessment, 2000, 61(2):239- 256.

[17]Wang C H, Wang S B. Assessment of South Pacific albacore stock (Thunnusalalunga) by improved Schaefer model. Journal of Ocean University of China, 2006, 5(2):106- 114.

[18]Zainuddin M, Saitoh K, Saitoh S. Albacore (Thunnusalalunga) fishing ground in relation to oceanographic conditions in the western North Pacific Ocean using remotely sensed satellite data. Fisheries Oceanography, 2008, 17(2):61- 73.

[19]高峰, 陳新軍, 范江濤, 雷林, 官文江. 西南大西洋阿根廷滑柔魚中心漁場預報的實現及驗證. 上海海洋大學學報, 2011, 20(5):754- 758.

[20]Smith R M. Comparing traditional methods for selecting class intervals on choropleth maps. The Professional Geographer, 1986, 38(1):62- 67.

[22]崔雪森, 樊偉, 張晶. 太平洋黃鰭金槍魚延繩釣漁獲分布及漁場水溫淺析. 海洋通報, 2005, 24(5):54- 59.

Forecasting fishing ground ofYellowfintunaintheEasternPacificOceanbasedonthehabitatsuitabilityindex

ZHAOHailong1,4,CHENXinjun1,2,3,4,*,FANGXueyan1,4

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

4CollaborativeInnovationCenterforDistant-waterFisheries,Shanghai201306,China

Abstract:Yellowfin tuna, Thunnus albacares, is a species of tuna found in the eastern Pacific Ocean, and has been one of the main targets of purse seine and longline fisheries since the 1970s. Chinese longline tuna fleets started to capture this species in 1999. According to the catch statistics from the Food and Agriculture Organization of the United Nations (FAO), during the period between 2008 and 2012, the annual catch of T. albacares ranged from 185 000 t to 260 000 t with an average of 213 000 t. The formation of T. albacares fishing grounds is considered to be complicated, and may be affected by many environmental factors. Many methods have been used to predict the location of fishing grounds. These include habitat suitability index (HSI), which is generally used to describe the quality of fish habitat, but recently has been applied to predict the location of fishing grounds. HSI models can be also used to inform fishery management and fish conservation. In this study, a HSI model was developed to predict the locations of T. albacares fishing grounds in the eastern Pacific using sea surface temperature (SST) and sea surface height (SSH) as explanatory environmental variables. The suitable ranges of SST and SSH were estimated using the frequency analysis method. Catch data for T. albacares were used as a suitability index, and quarterly suitability curves based on SST and SSH were derived using non-linear regression. Catch data were obtained from the Chinese longline fishery operating in the eastern Pacific Ocean (20°N—30°S and 85°W—155°W) in 2011. The spatial resolution of catch and environmental data is 1 degree latitude by 1 degree longitude, and data were recorded monthly. The HSI model was set up using an arithmetic mean model (AMM). The model was validated using separate a data set (2012 catch data from the same area). The T. albacares fishing grounds were mainly located in the waters with SST 24—29°C and SSH 0.3—0.7 m. The suitability index model for each factor (SST and SSH) was significant (P < 0.05). The accuracy with which fishing grounds were predicted for each quarter in 2012 varied from 60% to 71%, with an average of 66%. The actual T. albacares fishing grounds were almost all located in the forecast areas in all months. The HIS forecasting model developed in this study could provide valuable information for finding T. albacares fishing grounds in the eastern Pacific Ocean. However, in order to better forecast T. albacares fishing grounds using HIS models, more environmental factors should be included in the model, such as water temperature structure, sea front, Chlorophyll-a, and El Nio-Southern Oscillation (ENSO) index.

Key Words:Thunnus albacares; fishing ground forecasting; eastern pacific; habitat suitability index; environmental data

DOI:10.5846/stxb201405130975

*通訊作者

Corresponding author.E-mail:xjchen@shou.edu.cn

收稿日期:2014- 05- 13; 網絡出版日期:2015- 06- 11

基金項目:國家863計劃(2012AA092303); 國家發改委產業化專項(2159999); 上海市科技創新行動計劃(12231203900)

趙海龍, 陳新軍, 方學燕.基于棲息地指數的東太平洋黃鰭金槍魚漁場預報.生態學報,2016,36(3):778- 785.

Zhao H L, Chen X J, Fang X Y.Forecasting fishing ground of Yellowfin tuna in the Eastern Pacific Ocean based on the habitat suitability index.Acta Ecologica Sinica,2016,36(3):778- 785.