日本鮐對馬群系資源豐度預測研究

薛艷會，陳新軍，2，3，4，5，汪金濤，2，3，4，5*

（1. 上海海洋大學 海洋科學學院，上海 201306； 2. 農業部大洋漁業開發重點實驗室，上海 201306； 3. 國家遠洋漁業工程技術研究中心，上海 201306； 4. 大洋漁業資源可持續開發教育部重點實驗室，上海 201306； 5. 農業部大洋漁業資源環境科學觀測實驗站，上海 201306）

日本鮐屬于硬骨魚綱，鱸形目，分布于我國的渤海、黃海、東海、南海以及西北太平洋沿岸海域，主要由我國（包括臺灣省）、日本和朝鮮等國捕撈利用[1]。近幾年來，它已成為重要的中上層魚類資源，有研究[2]表明其性成熟年齡降低，約1 齡以上開始性成熟，對馬群系的壽命多為6 齡[3]。日本鮐對馬群系是包括東海、黃海群在內的對馬暖流群系[4]，其中東海西部群在春、夏季向東海、黃海近海洄游產卵，隨后在其附近索餌，秋冬返回越冬場；黃海群主要來自東海中南部至釣魚島北部和日本九州西部外海兩個越冬場；日本海西部群體的洄游路線尚不明了。

前人有不少關于日本鮐的研究，主要是針對近海海域。李綱等[5]對東海鮐魚資源和漁場時空分布特征進行研究，發現鮐魚主要作業漁場在經度上分布無差異，而在緯度上分布差異明顯。李日嵩等[6]關于水溫對東海鮐魚補充量的研究表明，水溫會影響到鮐魚生長初期魚卵孵化、仔魚變態的時間及仔幼魚的生長發育，進而影響其資源豐度。Akihiko Yatsu 等[7]的研究表明，太平洋年際振蕩指數（Pacific Decadal Oscillation，PDO）對鮐魚補充量有間接影響。PDO通過海氣相互作用，可直接影響太平洋及周邊地區氣候的年際變化，PDO指數為正值是暖位相，為負值是冷位相，即當其正負值不同時，對魚類資源量變動的影響不同。也有研究[8]表明，Nino3.4 海表溫距平值（Sea Surface Temperature Anomaly，SSTA）對鮐魚資源變化有明顯影響。

灰色系統理論是研究漁業資源的一種極有效的分析手段和工具，原因是漁業資源具有的不確定性和變動性較其他資源大[6]。灰色預測模型在漁業研究中也得到廣泛應用，對于漁業資源的管理起到了很好的指導作用。例如，段丁毓[9]、朱文濤[10]運用灰色系統，分別構建了秘魯鳀資源量預測模型、西北太平洋秋刀魚的資源豐度預測模型，都得到了比較好的預測結果。本文所研究的區域為包括日本海的整個對馬群系，研究采用灰色關聯分析和相關系數分析等方法探討日本鮐對馬群系資源豐度與其產卵場和索餌場的海表溫度（Sea Surface Temperature，SST）、SSTA和PDO的關系，并基于選出的關鍵環境和氣候因子建立多種灰色預測模型，為其今后的資源開發和可持續利用提供技術支撐。

1 材料和方法

1.1 材料來源

日本鮐資源量數據來源于2017 年6 月日本西海水產研究所對日本鮐對馬群系資源量的評估報告[11]。時間為1973-2014 年，數據包括資源量和漁獲量數據（圖1）。

圖1 1973-2013 年日本鮐對馬群系資源量、漁獲量統計

海洋環境數據包括產卵場和索餌場的SST，PDO，SSTA。SST下載自網站（http://iridl.ldeo.columbia.edu），空間分辨率為1°×1°，時間分辨率為月。PDO和SSTA來自網站（http://www.cpc.ncep.noaa.gov）。

PDO的冷暖位相不同，即冷暖年對漁業資源影響不同，所以在分析PDO這一氣候因子對日本鮐資源量變動的影響時，采用冷暖年份分開的方式。在本研究中，PDO數據是1995-2014 年的，其中1995年、1998 年、2002 年、2006 年和2014 年為暖位相，1999 年、2001 年、2007 年、2013 年為冷位相。

根據前人研究[11]，推測日本鮐有兩個主要的產卵場和一個索餌場（圖2），其空間范圍分別為26°～31° N，122°～127° E（SG1）；30°～35° N，128°～131° E（SG2）；35°～38° N，127°～138° E（FG）。這3 塊區域月平均SST分別表示為SSTSG1，SSTSG2，SSTFG。

1.2 關鍵環境因子選取

圖2 日本鮐對馬群系主要產卵場和索餌場分布圖

計算2000-2014 年資源量與產卵場、索餌場月平均溫度的相關系數；以2000-2014 年的資源量為母序列，SSTSG1、SSTSG2和SSTFG為子序列，計算灰色關聯度，具體計算過程參見文獻[6]，綜合考慮相關分析和灰色關聯分析選擇影響日本鮐對馬群系資源量的關鍵環境因子。同理，計算PDO與SSTA月平均值，然后按滯后年份為0 a，1 a，2 a 來分別計算其與資源量的關聯度。另外，計算PDO的年平均值，分別將PDO為正位相和為負位相時，它們與對應年份的資源量和漁獲量的變化趨勢圖采用均值化處理。用同樣的方法畫出厄爾尼諾年和拉尼娜年的SSTA值與對應年份資源量和漁獲量的變化趨勢圖。根據其計算結果來確定是否取PDO和SSTA作為建立模型的因子。

1.3 模型建立

根據選取的關鍵環境與氣候因子依次建立GM（1，2），GM（1，3），GM（1，4）模型。GM（1，N）模型的建模過程可參照參考文獻[6]。

2 研究結果

2.1 海表面溫度

灰色關聯分析（表1）表明：產卵場2 的4 月和9 月海表面溫度（SSTSG2-04、SSTSG2-09）與資源量的灰色關聯度最大，均為0.77（表1）；索餌場4 月的海表面溫度（SSTFG-04）與資源量的灰色關聯度最大，為0.73。產卵場2 的4 月海表面溫度與資源量的相關系數最大（R=0.45，P＜0.05，表2）；索餌場4 月的海表面溫度與資源量的相關系數最大（R= 0.46，P＜0.05）。因此，選擇SSTSG2-04，SSTSG2-09和SSTFG-04作為影響日本鮐對馬群系資源豐度的關鍵環境因子及其基礎數據（表3）。

表1 產卵場與索餌場各月海表溫度與資源量的關聯度分析

表2 產卵場與索餌場各月海表溫度與資源量的相關性分析

表3 2000-2014 年間SST SG2-04，SST SG2-09 和SST FG-04 的基礎數據

2.2 關鍵氣候因子

1973-1987 年海表溫距平值波動較大，其中1987 年的距平值為1973 年的2.5 倍，1976 年變化趨勢為0.1，資源量變化趨勢在1 附近波動，變化不明顯；1990 年資源量變化趨勢為0.13，距平值變化趨勢為0.61；1991-1994 年距平值在0.5～1.5 倍波動，資源量則不斷增加；2002-2006 年距平值變化趨勢在0～1 間波動，資源量則基本保持在0.5（圖3～圖4）。1995-1997 年PDO擴大2 倍，資源量下降至原來的0.6；1997 年之后，PDO變化趨勢為0.1～2.23，資源量則基本保持在0.5（圖5～圖6）。綜合這些年份的數據發現，PDO和SSTA值的變化對鮐魚資源量變動的影響不明顯。

根據PDO和SSTA的滯后計算灰色關聯分析結果可得：L（PDO滯后2 a 的2 月）=0.511 7；L（PDO滯后2 a 的3 月）=0.513 73；L（SSTA滯后1 a的12 月）=0.510 25;L（SSTA當年的1 月）=0.510 94；L（SSTSG2-04）=0.77；L（SSTSG2-09）=0.77；L（SSTFG-04）=0.73。因此，根據文獻[11]選擇L＞0.6 的產卵場2 的4月、9 月海表面溫度、索餌場4 月的海表面溫度用于資源預測建模。

圖3 1973-2014 年間厄爾尼諾年資源量、漁獲量與SSTA 的變化趨勢圖

圖4 1973-2014 年間拉尼娜年資源量、漁獲量與SSTA 的變化趨勢圖

圖5 1995-2014 年間暖年資源量、漁獲量與PDO 的變化趨勢圖

圖6 1995-2014 年間冷年資源量、漁獲量與PDO 的變化趨勢圖

2.3 灰色模型預測資源量

根據2.2 節所選出的因子來建立模型（表4）。

表4 根據環境因子所建立的模型

各模型的2000-2014 年的資源量預測結果如表5 所示：模型1 相對殘差Q檢驗結果最小為0.131，模型5 相對殘差Q檢驗結果最大為0.177。包含一個環境因子的GM(1，2)模型，其相對殘差Q檢驗結果均在0.13～0.14 之間。包含產卵場9 月海表面溫度的GM(1，N) 模型的相對殘差Q檢驗結果較大。2000-2014 年間SSTSG2-04變化與資源量實際值、預測值的關系詳見圖7。

表5 各模型的預測結果

圖7 2000-2014 年間SST SG2-04 變化與資源量實際值、預測值關系圖

3 討論與分析

3.1 日本鮐對馬群系歷年資源量和漁獲量變化

對馬海域為日本鮐的主要產區，中國、韓國和日本的漁獲量占絕對優勢。日本鮐對馬群系的資源量和漁獲量在1987-2001 年間波動較大（圖1），1996 年均達到峰值，其后資源量波動變化但總體上低于1996 年以前的水平，漁獲量則稍低于達到峰波動前的水平，趨于穩定。從1996 年開始，資源量的總體下降趨勢與親魚數量的減少有關，自1900年之后，捕撈日本鮐總數中0 歲和1 歲占比例較大，2 歲以上占比例較小[2]，但是鮐魚1 歲之后才開始產卵，因此降低了種群繁殖能力。1990 年資源量驟減與當時機輪圍網漁業規模較大、過度利用資源有關[12]。從1999 年開始，燈光圍網漁業的大力發展以及在近海對幼魚資源的過早捕撈，使其資源水平出現二次衰退的跡象[12]。由于鮐魚的生長周期不長，并具有生長迅速的特點，所以如保持一定的產卵群體，還是可以保持其產量的[13]。

3.2 灰色預測模型分析

灰色系統模型的檢驗方法有很多種，常見的有后驗差檢驗、關聯度檢驗、殘差檢驗等，其中殘差檢驗是一種較為客觀的檢驗方法，所以本文所建模型采用殘差檢驗方法。在灰色預測模型中，殘差檢驗的結果小于0.35 即為精度較好的模型。從各個模型的相對殘差Q檢驗結果均小于0.35 來看，GM（1，N）模型是預測其資源量的有效方法，但是這也與建立GM（1，N）模型時所選擇的因子有很重要的關系。從預測結果來看，加入SSTSG2-09因子后的模型的相對殘差Q檢驗值比沒有加入SSTSG2-09因子的模型的相對殘差Q檢驗值較大，但是只加入SSTSG2-09因子的GM（1，2）模型的相對殘差Q檢驗值較小，原因可能是產卵洄游對于環境的要求更為嚴格[14]。日本鮐魚在位于南部的產卵場的產卵時間是1-4 月，9 月南下洄游越冬群體中成魚較多，溫度對成魚的影響與幼魚不同[15-17]，所以SSTSG2-09對鮐魚資源豐度的影響低于SSTSG2-04。只加入SSTSG2-04的GM（1，2）模型的殘差Q檢驗結果最小，模型預測數據也最最接近實際情況（圖6），原因是SSTSG2-04與資源量有較高的相關性，所以更能反映其資源豐度。此外，產卵場1 的4月海表面溫度與資源量的關聯度較低于產卵場2（表1），SSTSG2各月的值與資源量的關聯度均在0.7～0.77 之間，SSTSG1各月的值與資源量的關聯度均在0.6～0.7 之間，原因可能是日本對日本鮐對馬群系的資源量評估較低[3]，主要側重于日本海海域，而產卵場1 屬于近海的產卵場。3.3 各因子影響分析

日本鮐對馬群系產卵季節在1-6 月，產卵場的緯度不同，產卵時間有所不同[18]。本次研究選取了兩個產卵場，分為緯度較低的產卵場1（26°～31° N，122°～127° E）與緯度較高的產卵場2（30°～35° N，128°～131° E）。有研究[18]稱，日本鮐主要選擇短距離洄游，東海、黃海海域與日本海海域都有其對應的產卵場和索餌場。李日嵩等[5]發現，在鮐魚產卵后的15～40 d（4 月）這個時間段的水溫等物理環境是影響其最終補充量的關鍵動力學因素，該期間仔幼魚所處的平均水溫往往低于最適合水溫，也是此階段的仔幼魚生存的最佳溫度。呂為群等[19]研究發現，魚類發育時期的溫度會影響其成年后的生長及繁殖狀況，低溫發育會使繁殖力下降，高溫發育會使其生長速率降低。產卵場2 的4 月的溫度接近仔幼魚生長最適溫度20 ℃，而且日本鮐在這里的產卵時間是1-4 月，用其作為建立GM（1，2）模型的因子結果最優，所以模型因子選擇SSTSG2符合實際情況。

4 結論

（1）對日本鮐對馬群系的資源量預測結果與事實情況較為接近，這是因為產卵場的選擇符合實際情況，而產卵場溫度這一環境因子又是直接影響其補充群體正常發育生長的重要環境因素。漁業資源的變動受到資源本身、捕撈行為、環境和氣候等多方面的影響[20]，日本鮐對馬群系在日本島海域和東海、黃海都有產卵場分布，屬于洄游性魚類，常集群進行繁殖、索餌和越冬洄游[21]。由于日本鮐不同群體進行產卵和索餌的地理位置不同，研究其各個產卵場和索餌場溫度變化對于其資源量變動的較大影響，對于其資源量預測有重要意義。

（2）灰色理論和建立的GM（1，N）模型適用于漁業研究。在本文中，將依據灰色關聯度和相關分析選取的SSTSG-04，SSTSG-09和SSTFG-04作為建立日本鮐對馬群系資源量預測模型的因子。根據模型分析結果得出，基于SSTSG-04所建立的GM（1，2）模型是最優模型。

（3）本文雖然分析了SSTA 和PDO 與鮐魚資源量的關系，但在建模過程中并沒有涉及，主要是因為冷、暖年和不同強度的厄爾尼諾、拉尼娜事件對鮐魚資源的影響不同[22-24]。在以后的研究中，應分別研究其與資源量的具體對應關系，利用更多的多元統計法[25]建立更精確的預測模型，為日本鮐魚的資源預測和科學管理提供更好的理論依據。