基于GAM模型西北印度洋鳶烏賊CPUE標準化*

張弼強 陸化杰, 2, 3, 4 趙懋林 孫天姿 郭瑞玉

基于GAM模型西北印度洋鳶烏賊CPUE標準化*

張弼強1陸化杰1, 2, 3, 4①趙懋林1孫天姿1郭瑞玉1

(1. 上海海洋大學海洋科學學院 上海 201306; 2. 自然資源部海洋生態監測與修復技術重點實驗室 上海 201306; 3. 國家遠洋漁業工程技術研究中心 上海海洋大學 上海 201306; 4. 農業農村部大洋漁業資源環境科學觀測實驗站 上海海洋大學 上海 201306)

單位捕撈努力量漁獲量(Catch Per Unit Effort, CPUE)是資源評估的前提和基礎, 為了更好地評估西北印度洋鳶烏賊資源, 采用廣義加性模型(generalized additive model, GAM)對2016～2020年西北印度洋鳶烏賊的CPUE進行了標準化。結果顯示, 月份、海表溫度(sea surface temperature, SST)、海面高度(sea surface height, SSH)、經度和緯度對CPUE呈顯著性影響, 通過對不同GAM模型的AIC (Akaike information criterion)值比較, 由月份、SST、SSH、經度和緯度5個因子構成的GAM 模型為最優CPUE標準化模型, 對CPUE偏差的解釋率為40.3%。研究表明, 西北印度洋鳶烏賊高CPUE主要出現在9月至翌年3月, 海域范圍為16°～19°N、60°～65°E, SST為 25～28 °C、SSH為0.2～0.4 m的海域內。整體而言, 標準化CPUE低于名義CPUE, 但二者的變化趨勢基本一致。

西北印度洋; 鳶烏賊; CPUE標準化; GAM模型

鳶烏賊()屬槍形目(Teuthoidea)、柔魚科(Ommastrephidae)、鳶烏賊屬(), 為一種暖水性的大洋性頭足類, 主要分布于太平洋的赤道、印度洋和亞熱帶海域(董正之等, 1988; 趙榮興, 1992; 楊德康, 2002)。鳶烏賊的經濟捕撈價值較高, 是燈光罩網漁業重要的捕撈對象(陸化杰等, 2014), 其中在西北印度洋和我國南海資源量較為豐富(陳新軍等, 2005; 范江濤等, 2022)。CPUE是指單位捕撈努力量漁獲量(Catch Per Unit Effort, CPUE), 是進行漁業資源評估的重要因子(Hilborn, 1992; 何珊等, 2018), 廣泛應用于漁業資源評估與管理中(Ault, 2000)。在實際應用中, 名義CPUE (未進行標準化的CPUE)受到捕撈時間、捕撈方式、漁船的參數、時空因子和海洋環境因子等多種因素的影響(Harley, 2001; Maunder, 2003), 難以保證其能夠準確反映資源量(Ye, 2009)。鑒于此, 為了科學利用CPUE數據, 準確進行資源評估, 去除相關因素的影響, 常常需要對名義CPUE進行標準化(官文江等, 2014a)。

目前, 廣義線性模型、廣義加性模型、回歸樹模型、神經網絡模型和棲息地模型等都是CPUE標準化的常用方法(Venables, 2004; 官文江等, 2014b)。廣義可加模型(generalized additive model, GAM)作為廣義線性模型(generalized linear model, GLM)的拓展, 可以利用樣條平滑函數增加更多泰勒級數項(即多項式項), 使得模型成為非線性模型, 從而可以處理響應變量與多個解釋變量之間的非線性關系, 目前在漁業資源等方面的研究中得到了廣泛應用(陸化杰等, 2013a; 徐潔等, 2015)。本研究根據中國罩網漁船于2016～2020年西北印度洋鳶烏賊生產數據, 利用GAM模型對西北印度洋鳶烏賊漁業CPUE標準化進行研究, 旨在為后續資源評估和漁情預報等提供科學依據。

1 材料與方法

1.1 數據來源

本研究中漁業數據來源于2016～2020年上海海洋大學魷釣技術組, 調查范圍為55°～70°E, 10°～22°N海域, 漁業數據包括作業漁船名、漁船作業時間、漁船作業經緯度、漁獲產量等信息。針對漁業數據進行整體評估、分析, 選取月份為時間分辨率, 按照漁船實際作業區域劃分漁區, 0.5°×0.5° (即一個漁區)為空間分辨率。

研究中涉及的環境因子主要包括海表鹽度(sea surface salinity, SSS)、海表葉綠素濃度(chl)、海面高度(sea surface height, SSH)和海表面溫度(sea surface temperature, SST), 這些環境因子與鳶烏賊CPUE變化密切相關。環境數據來源于ERDDAP-Home Page (hawaii.edu)以及https:// oceandata.sci.gsfc.nasa.gov, 時間分辨率為月, 空間分辨率0.1°×0.1°。

1.2 數據處理

由于漁業數據與環境數據的空間分辨率不同, 所以通過數理統計方法對環境數據與漁業數據按漁區進行統計(0.5°×0.5°), 計算每個漁區的月平均值, 對二者的空間分辨率進行轉化, 確保漁業數據和環境數據在空間分辨率上的一致。

本文將CPUE的定義為每艘船每次作業的捕撈產量, CPUE,m,k,l表示第年、月、經度、緯度(分辨率為0.5°×0.5°) CPUE的平均值:

式中, ∑Catch,m,k,l為第年、月、經度、緯度所有漁船的總漁獲量(kg), ∑E,m,k,l為對應作業區域的總作業天數(單位: d)(田思泉等, 2010)。

海表面溫度計算公式如下:

海表葉綠素濃度計算公式如下:

海表面鹽度計算公式如下:

海面高度計算公式如下:

對于處理好的CPUE數據以及環境數據, 利用EXCEL軟件和R語言軟件按照相同的時空分辨率對二者進行匹配。當環境數據缺失時, 舍棄當天對應區域的生產數據。

1.3 分析方法

在本研究中采用GAM模型對印度洋鳶烏賊CPUE進行標準化處理, 以CPUE作為響應變量, 而月份、作業經度、作業緯度、海表溫度、葉綠素濃度、海表鹽度、海面高度作為其解釋變量建立GAM模型, 對所有的名義CPUE值加上常數“1”后進行對數化處理, 防止CPUE為0的情況出現(陸化杰等, 2013b), 其表達式為:

ln(CPUE+1)=(month)+(lat)+(lon)+(SST)+(SSH)

+(chl)+(SSS)+, (6)

式中,為自然樣條平滑函數, lat表示緯度, lon表示經度, month表示月份, SST表示海表溫度, chl表示葉綠素濃度,表示隨機變量。

對于模型的檢驗, 則是可以利用赤池信息準則(Akaike information criterion, AIC)檢驗加入因子后模型的擬合程度, AIC值越小, 模型的擬合程度越高。

其次, 利用值、值檢驗因子在模型中的顯著與否(Akaike, 1974; 宋利明等, 2013)。

2 結果

2.1 因子的顯著性檢驗

利用GAM模型對各因子進行顯著性檢驗, 結果表明, 月份、經度、緯度、SST、SSH對CPUE的影響顯著(<0.05), 為顯著性變量, SSS及chl對CPUE的影響不顯著(>0.05)。從表2來看, 將經度、緯度、月份、SST以及SSH加入模型后, 模型的偏差解釋率得到明顯提升, 而當模型中加入chl以及SSS時, 模型的偏差解釋率并沒有顯著性增加, 甚至有所降低, 而且其AIC值增加,2值減小, 所以將經度、緯度、月份、SST及SSH這5個因子保留, 剔除SSS和chl這兩個因子。最終優化模型為

ln(CPUE+1)=(month)+(lat)+(lon)+s(SST)+(SSH)+.(7)

最終優化模型對CPUE總偏差解釋率為40.3%, 在構成模型的因子中經度對CPUE的影響最大, 其解釋偏差率最高為24.7%, 其次分別為月份(5.5%)、SST (5.1%)、緯度(3.7%)和SSH (1.3%)。

2.2 空間因子對于CPUE的影響

在所有因子中, 經度的方差解釋率最高, 為24.7%。從圖1中可知, 在60°E以西, 隨著經度的逐步增加, 西北印度洋海域鳶烏賊CPUE呈現出逐步增長的趨勢。隨后在60°～65°E, CPUE變化不明顯, 在65°E以東, CPUE又呈現出隨經度的增加而降低的趨勢。緯度的方差解釋率為3.7%, 從圖2中可以看到, 在10°～14°N隨著緯度向北逐漸增加, CPUE總體上逐步減少。但在14°～16°N, 伴隨著緯度的增加, CPUE隨之緩慢增加。隨后在16°～19°N范圍內, CPUE隨著緯度的增加有緩慢減小的趨勢。在19°N以北范圍內, 隨著緯度的增大, CPUE呈增大的趨勢。結合圖1以及圖2來看, 在經度上, 58°E以西范圍和66°E以東范圍內的數據量較小, 其置信區間范圍較大; 在緯度上, 12°E以南范圍和20°N以北范圍內的置信區間范圍較大, 其可信度相對較低, 鑒于此, 高CPUE的空間分布海域范圍為14°～19°N、60°～65°E。

2.3 時間因子對于CPUE的影響

在所有模型因子中, 月份的方差解釋率位居第二, 為5.5%。從圖3中可以看出, 1～3月、5～10月的范圍內, 隨著時間的增加, CPUE呈逐步增長趨勢。而在3～5月、10～12月的范圍內, 隨著時間的增加, CPUE呈遞減趨勢。在所有月份中, 10月份的CPUE最高。

2.4 環境因子對CPUE的影響

海表溫度和海面高度的方差解釋率分別為5.1%和1.3%。西北印度洋鳶烏賊作業海域的海表溫度范圍為24.0～30.5 °C。從圖4可知, 當SST在24～25 °C之間時, CPUE隨SST的增加呈上升趨勢, 在25 °C時CPUE最大。而SST在25～28 °C范圍內時, 隨著SST的增加CPUE呈現遞減的趨勢, 28 °C時CPUE最小。SST在28～30.5 °C范圍內時, 隨著SST的增加, CPUE也逐步增加。在西北印度洋鳶烏賊作業海域, 海面高度的范圍為0.15～0.67 m。由圖5可知, 當SSH在0.15～0.30 m范圍內時, CPUE隨著SSH的增加而逐步減少。當SSH在0.30～0.67 m范圍時, CPUE隨著SSH的增加呈現先增加后減少的趨勢, 在SSH等于0.4 m時, CPUE上升到頂點。SSH在0.5～0.67 m的范圍內, 數據量較為少, 置信區間較大, 所以其可信度相對而言較低。

表1 GAM模型各因子統計結果

注: ***表示<0.001; *表示<0.05

表2 GAM模型擬合結果的偏差分析

圖1 GAM模型中經度對鳶烏賊CPUE的影響

圖2 GAM模型中經度對鳶烏賊CPUE的影響

圖3 GAM模型中月份對鳶烏賊CPUE的影響

圖4 GAM模型中SST對鳶烏賊CPUE的影響

圖5 GAM模型中SSH對鳶烏賊CPUE的影響

2.5 名義CPUE與標準化CPUE的比較

從圖6可知, 2016～2020年的9月到翌年3月期間, 名義CPUE與標準化后CPUE均維持在較高水平, 2020年4～8月期間, 名義CPUE與標準化CPUE均呈現下降趨勢。從整體上來看, 除部分年間的月份外, 名義CPUE均高于標準化CPUE。盡管在各個月份之間, CPUE均有一定變化, 但相較而言標準化后CPUE變化波動較小, 而名義CPUE的變化波動較大, 各個月份的名義CPUE與標準化后的CPUE變化趨勢基本一致。

圖6 2016～2020年西北印度洋鳶烏賊月平均名義CPUE與標準化CPUE的關系

3 討論

時空因子(經度、緯度等)和環境因子(SST、SSH等)的變化都會影響到西北印度洋鳶烏賊資源的分布(陳新軍等, 2005)。在本研究中, GAM模型由緯度、經度、月份、SST、SSH這幾個因子構成。陸化杰等(2013c)在基于GAM模型對西南大西洋的阿根廷滑柔魚CPUE標準化研究中, 對CPUE總偏差的解釋為49.20%, 許駱良等(2015)基于GAM模型分析了秘魯外海莖柔魚的資源豐度變化時對CPUE進行標準化, 其方差解釋率為42.3%, 其他學者(陸化杰等, 2013c; 謝恩閣等, 2020)利用GAM模型進行CPUE標準化的總偏差解釋率范圍為30%～70%。本文采用GAM模型對CPUE進行標準化, 其總偏差解釋率為40.3%, 相對可信度較高。

3.1 時空因子對CPUE的影響

本研究結果表明經度、緯度、月份對CPUE解釋的總偏差解釋率為33.9%。從空間因子來看, 在經度方面, 伴隨著經度的增加, CPUE整體上呈現出遞增趨勢, 在緯度方面, 隨著緯度的增加, CPUE的值也不斷增大。通過排除可信度較低的部分, 將二者結合顯示, 在16°～19°N、60°～65°E的海域, 西北鳶烏賊的CPUE相對較大。這與陳新軍等(2006)通過分析CPUE的空間分布與環境之間的關系, 判斷西北印度洋海域鳶烏賊高產漁場的分布范圍位于16°～19°N, 60°～63°E海域的結論基本上一致。從時間因子(月份)的變化情況來看, 上半年鳶烏賊的CPUE低于下半年, 其中CPUE最低的季度是第3季度(7～9月), CPUE最高的季度是第4季度(10～12月)。產生這種情況的原因有很多, 其中包括不同季度環境因子的變化等(周天軍等, 2004)。CPUE最高的月份為10月份, 最低月份為7月份, 除此之外可以看到9月～翌年3月份西北印度洋海域鳶烏賊的產量以及CPUE均維持在較高水平, 本文研究認為9月至翌年3月為西北印度洋海域鳶烏賊的生產魚汛。林東明等(2006)認為西北印度洋海域的鳶烏賊生產漁汛為9月至翌年的4月, 楊德康(2002)則是根據漁船生產的經驗, 認為位于亞丁灣的鳶烏賊漁場其漁汛期為10月至翌年的2月份。與本文研究結果并不完全相同, 原因主要是漁業生產作業的海域不同, 林東明等(2006)研究針對的海域范圍為10.5°～22.5°N、54.5°～67.5°E, 而楊德康(2002)研究的作業海域為近海, 本文研究的海域范圍為55°～70°E、10°～22°N。

3.2 環境因子對CPUE的影響

在本研究中, 環境因子中海表溫度以及海面高度對西北印度洋鳶烏賊CPUE呈顯著性影響。SST作為影響鳶烏賊CPUE的最大環境因素, 許多學者研究證實了SST對于頭足類漁場分布有著重要的影響作用(溫健等, 2019; 李杰等, 2020)。本研究結果表明, 西北印度洋鳶烏賊的適宜SST為25～29 °C, 其中主要分布在SST為25～28 °C范圍內的海域, 在這個海域內鳶烏賊的產量和CPUE均較高。林東明等(2006)調查表明鳶烏賊漁場最適SST為25～26 °C以及27～28 °C的海域, 余為等(2012)認為鳶烏賊漁場最適SST范圍27～29 °C, 這與本文結論有部分差異, 范江濤等(2015)同樣認為不同季節, 鳶烏賊分布的最適SST不同, 這可能主要是由于所調查的作業漁場經緯度范圍以及作業時間(月份)的不同導致的。

相關學者研究認為, 海面高度與水文特征、營養物質、餌料等息息相關, 對中上層魚類的生長、繁殖以及空間分布等存在一定影響(邵鋒等, 2008)。在GAM模型結果中, SSH因子對于CPUE呈顯著性影響,本次研究得到西北印度洋鳶烏賊漁場的最適SSH范圍為0.2～0.4 m, 謝恩閣等(2020)通過對于南海鳶烏賊燈光罩網CPUE標準化研究, 分析認為其最適海面高度為0.60～0.75 m, 余為等(2012)認為的印度洋鳶烏賊漁場適宜的SSH為0.23～0.32 m, 本研究與余為等(2012)的研究結果更加接近, 究其原因還是研究海域的不同引起的, 余為等(2012)研究的海域主要位于2°～24°N、57°～69°E, 本文研究的海域范圍為55°～70°E、10°～22°N, 也可能還是由于數據的時空尺度以及地理范圍上存在差異引起的。

3.3 名義CPUE與標準化CPUE的比較

本研究表明, 西北印度洋鳶烏賊名義CPUE大部分要高于標準化CPUE, 這一點與其他學者(田思泉等, 2010; 陸化杰等, 2013c)利用GAM模型處理CPUE標準化的結果基本一致。雖然二者總體上的變化趨勢大體相同, 但標準化CPUE相較名義CPUE變化幅度較小, 名義CPUE的變化起伏較大, 即利用GAM模型處理后的標準化CPUE, 在一定程度上能夠排除模型中時空因子和環境因子對于名義CPUE的影響, 對于之后的資源評估和漁情預報等提供更加準確的科學依據(官文江等, 2014a; 馬亞宸等, 2021)。陸化杰等(2013c)利用GAM模型對西南大西洋阿根廷滑柔魚CPUE標準化中, 就月平均CPUE而言, 名義CPUE與標準化CPUE變化趨勢更加吻合。究其原因, 其GAM模型中環境因子以及時空因子更多, 這也是和所研究物種和地域的不同有關。章賢成等(2022)利用BP神經網絡對西南大西洋阿根廷滑柔魚資源CPUE標準化研究中, 名義CPUE與標準化CPUE存在一定的差別, 在變化趨勢上二者呈現出一致性, 這與模型的選擇有很大的關系。

4 結論

本文通過GAM模型對影響CPUE的相關因子進行篩選, 確認模型中的顯著變量, 對CPUE進行標準化處理。分析了各個因子與CPUE以及漁獲量之間的關系, 研究結果認為在9月至翌年3月, 經緯度為16°～19°N、60°～65°E, SST為25～28 °C、SSH為0.2～0.4 m的海域為高漁獲量、高CPUE海域。標準化CPUE始終低于名義CPUE, 但二者的分布趨勢基本一致。在GAM模型的基礎上, 針對西北印度洋鳶烏賊的CPUE標準化, 相對能夠更加準確地反映了西北印度洋鳶烏賊資源的變化情況, 為后續的資源評估和漁情預報提供了科學依據。

馬亞宸, 徐賓鐸, 張崇良, 等, 2021. 黃渤海藍點馬鮫雙船拖網漁業CPUE時空變化及其標準化[J]. 中國水產科學, 28(4): 493-502.

田思泉, 陳新軍, 2010. 不同名義CPUE計算法對CPUE標準化的影響[J]. 上海海洋大學學報, 19(2): 240-245.

許駱良, 陳新軍, 汪金濤, 2015. 2003-2012年秘魯外海莖柔魚資源豐度年間變化分析[J]. 上海海洋大學學報, 24(2): 280-286.

李綱, 陳新軍, 田思泉, 2009. 我國東、黃海鮐魚燈光圍網漁業CPUE標準化研究[J]. 水產學報, 33(6): 1050-1059.

李杰, 張鵬, 晏磊, 等, 2020. 南海中南部海域鳶烏賊CPUE影響因素的GAM分析[J]. 中國水產科學, 27(8): 906-915.

楊德康, 2002. 兩種魷魚資源和其開發利用[J]. 上海水產大學學報, 11(2): 176-179.

何珊, 王學昉, 戴黎斌, 等, 2018. 人工集魚裝置禁漁期措施對中國大陸金槍魚圍網船隊捕撈努力量特征的影響[J]. 大連海洋大學學報, 33(1): 102-107.

余為, 陳新軍, 2012. 印度洋西北海域鳶烏賊9-10月棲息地適宜指數研究[J]. 廣東海洋大學學報, 32(6): 74-80.

宋利明, 武亞蘋, 2013. 基于GAM的吉爾伯特群島海域黃鰭金槍魚棲息地綜合指數[J]. 水產學報, 37(8): 1250-1261.

陸化杰, 王從軍, 陳新軍, 2014. 4-6月東太平洋赤道公海鳶烏賊生物學特性初步研究[J]. 上海海洋大學學報, 23(3): 441-447.

陸化杰, 陳新軍, 方舟, 2013a. 西南大西洋阿根廷滑柔魚漁場時空變化及其與表溫的關系[J]. 海洋漁業, 35(4): 382-388.

陸化杰, 陳新軍, 曹杰, 2013b. 基于GLBM模型的中國大陸阿根廷滑柔魚魷釣漁業CPUE標準化[J]. 生態學報, 33(17): 5375-5384.

陸化杰, 陳新軍, 曹杰, 等, 2013c. 中國大陸阿根廷滑柔魚魷釣漁業CPUE標準化[J]. 水產學報, 37(6): 951-960.

陳新軍, 葉旭昌, 2005. 印度洋西北部海域鳶烏賊漁場與海洋環境因子關系的初步分析[J]. 上海水產大學學報, 14(1): 55-60.

陳新軍, 邵鋒, 2006. 印度洋西北部公海鳶烏賊資源特征及其與海況的關系[J]. 中國海洋大學學報, 36(4): 611-616.

邵鋒, 陳新軍, 2008. 印度洋西北海域鳶烏賊漁場分布與海面高度的關系[J]. 海洋科學, 32(11): 88-92.

范江濤, 余為, 馬勝偉, 等, 2022. 春季南海鳶烏賊棲息地時空分布及其年際差異分析[J]. 南方水產科學, 18(1): 1-9.

范江濤, 張俊, 馮雪, 等, 2015. 基于棲息地模型的南沙海域鳶烏賊漁情預報研究[J]. 南方水產科學, 11(5): 20-26.

林東明, 陳新軍, 2006. 印度洋西北部海域鳶烏賊漁場分布及其與海面溫度的關系[J]. 海洋科學進展, 24(4): 546-551.

周天軍, 俞永強, 宇如聰, 等, 2004. 印度洋對ENSO事件的響應: 觀測與模擬[J]. 大氣科學, 28(3): 357-373.

官文江, 田思泉, 王學昉, 等, 2014a. CPUE標準化方法與模型選擇的回顧與展望[J]. 中國水產科學, 21(4): 852-862.

官文江, 陳新軍, 高峰, 等, 2014b. GLM模型和回歸樹模型在CPUE標準化中的比較分析[J]. 上海海洋大學學報, 23(1): 123-130.

趙榮興, 1992. 印度洋可開發的外洋性頭足類[J]. 現代漁業信息, 7(8): 25-26.

徐潔, 官文江, 陳新軍, 2015. 基于空間相關性的西北太平洋柔魚CPUE標準化研究[J]. 水產學報, 39(5): 754-760.

章賢成, 汪金濤, 陳新軍, 2022. 基于BP神經網絡的阿根廷滑柔魚資源CPUE標準化研究[J]. 漁業科學進展, 43(2): 11-20.

董正之, 鄭元甲, 朱善央, 1988. 東海南部的頭足類稚仔[J]. 水產學報, 12(1): 51-55.

溫健, 陸鑫一, 陳新軍, 等, 2019. 基于海表溫度和光合有效輻射的西北太平洋柔魚冬春生群體棲息地熱點預測[J]. 上海海洋大學學報, 28(3): 456-463.

謝恩閣, 周艷波, 馮菲, 等, 2020. 中國南海外海鳶烏賊燈光罩網漁業CPUE標準化研究[J]. 大連海洋大學學報, 35(3): 439-446.

AKAIKE H T, 1974. A new look at the statistical model identification [J]. IEEE Transactions on Automatic Control, 19(6): 716-723.

AULT J S, 2000. Quantitative fish dynamics. Terrance J. Quinn II, Richard B. Deriso [J]. Quarterly Review of Biology, 75(3): 336.

HARLEY S J, MYERS R A, DUNN A, 2001. Is catch-per- unit-effort proportional to abundance? [J]. Canadian Journal of Fisheries and Aquatic Sciences, 58(9): 1760-1772.

HILBORN R, WALTERS C J, 1992. Quantitative fisheries stock assessment: choice, dynamics and uncertainty [J]. Reviews in Fish Biology and Fisheries, 2(2): 177-178.

MAUNDER M N, STARR P J, 2003. Fitting fisheries models to standardised CPUE abundance indices [J]. Fisheries Research, 63(1): 43-50.

VENABLES W N, DICHMONT C M, 2004. GLMs, GAMs and GLMMs: an overview of theory for applications in fisheries research [J]. Fisheries Research, 70(2/3): 319-337.

YE Y M, DENNIS D, 2009. How reliable are the abundance indices derived from commercial catch-effort standardization? [J]. Canadian Journal of Fisheries and Aquatic Sciences, 66(7): 1169-1178.

STANDARDIZATION OF CATCH PER UNIT EFFORT (CPUE) IN NORTHWEST INDIAN OCEANBASED ON GENERALIZED ADDITIVE MODEL

ZHANG Bi-Qiang1, LU Hua-Jie1, 2, 3, 4, ZHAO Mao-Lin1, SUN Tian-Zi1, GUO Rui-Yu1

(1. College of Marine Sciences, Shanghai Ocean University, Shanghai 201306, China; 2. Key Laboratory of Marine Ecological Monitoring and Restoration Technologies, MNR, Shanghai 201306, China; 3. National Distant-water Fisheries Engineering Research Center, Shanghai Ocean University, Shanghai 201306, China; 4. Key Laboratory of Oceanic Fisheries Exploration, Ministry of Agriculture and Rural Affairs, Shanghai Ocean University, Shanghai 201306, China)

Catch per unit effort (CPUE) is the premise and basis of resource assessment. To better assess the resources of purpleback flying squidin the northwest Indian Ocean, we used the generalized additive model (GAM) to standardize the CPUE ofin the northwest Indian Ocean from 2016 to 2020. The results showed that month, sea surface temperature (SST), sea surface height (SSH), longitude, and latitude have significant effects on the CPUE. Comparison of AIC (Akaike information criterion) values of different GAM models established the best CPUE evaluation model in which five factors of month, SST, SSH, longitude, and latitude are used, and the interpretation rate of CPUE deviation is 40.3%. The research showed that the high CPUE ofin the northwest Indian Ocean occurs mainly from September to next March in the sea area covering from 16°N to 19°N, 60°E to 65°E, SST from 25 °C to 28 °C, and SSH from 0.2 m to 0.4 m. On the whole, the standardized CPUE is lower than the nominal CPUE, but their change trends are largely the same.Key words northwest Indian Ocean;; CPUE standardization; GAM model

S932; S937

10.11693/hyhz20220400112

*國家重點研發計劃項目, 2019YFD090402號; 國家自然科學基金項目, NSFC 41506184號。張弼強, 碩士研究生, E-mail: tianzi8888@163.com

陸化杰, 博士, 副教授, 碩士生導師, E-mail: hjlu@shou.edu.cn

2022-04-27,

2022-07-06