西北太平洋秋刀魚資源豐度預(yù)報模型構(gòu)建比較

謝　斌，汪金濤，陳新軍，田思泉

(1. 上海海洋大學海洋科學學院 // 2. 國家遠洋漁業(yè)工程技術(shù)研究中心 // 3. 大洋漁業(yè)資源可持續(xù)開發(fā)省部共建教育部重點實驗室 // 4. 遠洋漁業(yè)協(xié)同創(chuàng)新中心　上?！?01306 )

西北太平洋秋刀魚資源豐度預(yù)報模型構(gòu)建比較

謝斌1,4，汪金濤1,4，陳新軍1,2,3,4，田思泉1,4

(1. 上海海洋大學海洋科學學院 // 2. 國家遠洋漁業(yè)工程技術(shù)研究中心 // 3. 大洋漁業(yè)資源可持續(xù)開發(fā)省部共建教育部重點實驗室 // 4. 遠洋漁業(yè)協(xié)同創(chuàng)新中心上海201306 )

根據(jù)1989—2012年西北太平洋秋刀魚（Cololabis saira）的單位捕撈努力量漁獲量(CPUE)以及對應(yīng)的海洋環(huán)境因子數(shù)據(jù)，包括1-12月各月的Trans-Nino指數(shù)（TNI）、1月黑潮區(qū)域海表面溫度（SST黑潮）、6月親潮海表面溫度（SST親潮），采用BP神經(jīng)網(wǎng)絡(luò)預(yù)報模型，對西北太平洋秋刀魚資源豐度進行預(yù)測分析。通過10種神經(jīng)網(wǎng)絡(luò)模型比較，以及實際CPUE的驗證，以擬合殘差最小的預(yù)報模型作為最優(yōu)預(yù)報模型。研究表明：各月TNI指數(shù)、1月黑潮區(qū)域海表面溫度、6月親潮海表面溫度對西北太平洋秋刀魚資源豐度影響顯著，結(jié)構(gòu)為14-10-1 的BP 神經(jīng)網(wǎng)絡(luò)模型相對誤差僅為0.000 681，可作為西北太平洋秋刀魚資源豐度的預(yù)報模型。

秋刀魚；資源豐度；黑潮；親潮；預(yù)報模型；神經(jīng)網(wǎng)絡(luò)

秋刀魚（Cololabis saira）屬中上層冷水性洄游魚類，棲息在亞洲和美洲沿岸的太平洋亞熱帶和溫帶19o—58oN水域中，主要分布于太平洋北部溫帶水域[1-10]。分布在西北太平洋海域的秋刀魚，其洄游一般在春季從北部產(chǎn)卵場開始，夏季到達親潮區(qū)的索餌場，在往產(chǎn)卵場的洄游過程被捕撈[1]。理解和掌握秋刀魚資源波動規(guī)律不僅能提高漁獲產(chǎn)量，還能更好地確保其資源的可持續(xù)利用。已有研究認為，秋刀魚資源漁場變化與海洋環(huán)境關(guān)系極為密切[1,3-4,9]，厄爾尼諾-南方濤動事件及黑潮區(qū)域冬季的海表面溫度與西北太平洋秋刀魚資源有顯著關(guān)聯(lián)，建立可靠的資源豐度預(yù)報模型有利于資源的可持續(xù)開發(fā)，是漁情預(yù)報的重要內(nèi)容。BP神經(jīng)網(wǎng)絡(luò)模型的自適應(yīng)性、自學習性、自組織性等使其在各個領(lǐng)域都能得到很好的應(yīng)用。徐潔等[13]利用BP神經(jīng)網(wǎng)絡(luò)模型對北太平洋柔魚Ommastrephes batrtramii漁場進行了預(yù)報，汪金濤等[14]利用神經(jīng)網(wǎng)絡(luò)對東南太平洋莖柔魚Dosidicus gigas漁場預(yù)報模型進行了構(gòu)建，Aoki 和komatsu[15]利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測沙丁魚產(chǎn)量。為此，本研究采用BP神經(jīng)網(wǎng)絡(luò)方法，選取黑潮區(qū)域和親潮區(qū)表溫以及厄爾尼諾有關(guān)參數(shù)，對西北太平洋秋刀魚資源量預(yù)報模型進行分析比較，以期為西北太平洋秋刀魚資源預(yù)報提供支持。

1　材料與方法

1.1數(shù)據(jù)來源與預(yù)處理

1989—2012年秋刀魚資源豐度指數(shù)（CPUE）來自日本平成25年西北太平洋漁業(yè)資源評估報告。根據(jù)Tian等[11-12]的研究，選取黑潮區(qū)域、親潮區(qū)域的各月表溫（SST, sea surface temperature）數(shù)據(jù)和表征El Nino指數(shù)（Trans-nino，TNI）作為影響秋刀魚資源豐度的主要環(huán)境因子。SST數(shù)據(jù)來自O(shè)ceanWatch LA（http://oceanwatch.pifsc.noaa.gov），空間分布率為0.2°×0.1°，時間分辨率為月。TNI數(shù)據(jù)來自Goddard Space Flight Center of NASA（http://gcmd.nasa.gov），時間分辨率為月。SST黑潮區(qū)和親潮區(qū)經(jīng)緯度范圍分別是：28°—35°N、128°—145°E和40°-45°N、140°-160°E[11]，SST按所在區(qū)域計算月平均值，TNI和SST數(shù)據(jù)通過excel2013和SPSS17.0進行分析處理，并按年時間序列排列。

1.2研究方法

人工神經(jīng)網(wǎng)絡(luò)法是一種由大量簡單處理單元(神經(jīng)元)以某種方式互相連接而成的，對連續(xù)的或斷續(xù)的輸入做出狀態(tài)響應(yīng)的動態(tài)信息處理系統(tǒng)[16-19]。它由輸入層、隱含層和輸出層組成。本研究采用神經(jīng)網(wǎng)絡(luò)中的EBP（error back propagation）算法[20]，簡稱BP模型。

本研究應(yīng)用DPS數(shù)據(jù)處理系統(tǒng)（data processing system）進行BP神經(jīng)網(wǎng)絡(luò)漁情預(yù)報模型的計算，輸入層為各海洋環(huán)境因子的組合，隱含層為1層，并且根據(jù)輸入層選取的因子不同而選擇適當?shù)碾[含層節(jié)點數(shù)。隱含層節(jié)點數(shù)按經(jīng)驗選取，一般設(shè)為輸入層節(jié)點數(shù)的75%[16,20]，輸入層為1個節(jié)點，即初值化后的CPUE值。為了選擇合適的神經(jīng)網(wǎng)絡(luò)模型，本研究中確定了多種模擬方案，分別是：

方案1：選取1-12月各月的TNI值、SST黑潮和SST親潮共14個因子作為輸入層，構(gòu)造14-10-1和14-11-1的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

方案2：選取1-12月各月的TNI值和SST黑潮共13個因子作為輸入層，構(gòu)造13-10-1和13-9-1的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

方案3：選取1-12月各月的TNI值共12個因子作為輸入層，構(gòu)造12-9-1的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

方案4：選取1-11月各月的TNI值共11個因子作為輸入層，構(gòu)造11-9-1和11-8-1的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

方案5：選取1-10月各月的TNI值共10個因子作為輸入層，構(gòu)造10-8-1和10-7-1的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

方案6：選取1-6月各月的TNI值、SST黑潮和SST親潮共8個因子作為輸入層，構(gòu)造8-6-1的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

在6個方案10種BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，以最小擬合殘差作為判斷最優(yōu)模型的標準。擬合殘差是將輸出層所輸出的CPUE預(yù)報值與實測值進行比較所得的值，其函數(shù)定義式為[21]:

其中E表示擬合殘差，yk為∧N個樣本的實際CPUE值（k = 1, 2, 3, …，N），yk為輸出層輸出的CPUE預(yù)測值。

2　結(jié)果

2.1影響因子選擇

利用SPSS17.0來檢驗影響因子與年CPUE的相關(guān)性（表1），從而來確定選擇的影響因子是否具有可信度。由表1可見，1月的SST黑潮、6月的SST親潮、1-12月的TNI值在P<0.05水平上均顯著相關(guān)，且3-6月各月的TNI值顯示出極相關(guān)（P<0.01）。因此，本研究中選擇的14個影響因子對秋刀魚資源豐度均有顯著影響，可作為模型的輸入層因子。

表1　影響因子的相關(guān)性和顯著性檢驗Table 1　Correlation and significance test of the impact factor

2.2模擬結(jié)果

從圖1_a可知，結(jié)構(gòu)為14-11-1的BP神經(jīng)網(wǎng)絡(luò)在擬合次數(shù)為769次時，其擬合殘差達到最小，為0.001 239。

結(jié)構(gòu)為14-10-1的BP神經(jīng)網(wǎng)絡(luò)模擬結(jié)構(gòu)如圖1_b所示，當擬合次數(shù)達到540次時，其擬合殘差達到最小，為0.000 681。

從圖1_c可知，結(jié)構(gòu)為13-10-1的BP神經(jīng)網(wǎng)絡(luò)在擬合次數(shù)為1 000次時，其擬合殘差達到最小，為0.010 735。

結(jié)構(gòu)為13-9-1的BP神經(jīng)網(wǎng)絡(luò)模擬結(jié)構(gòu)如圖1_d所示，當擬合次數(shù)達到907次時，其擬合殘差達到最小，為0.001 421。

從圖1_e可知，結(jié)構(gòu)為12-9-1的BP神經(jīng)網(wǎng)絡(luò)在擬合次數(shù)為1 000次時，其擬合殘差達到最小，為0.020 485。

從圖1_f可知，結(jié)構(gòu)為11-9-1的BP神經(jīng)網(wǎng)絡(luò)在擬合次數(shù)為998次時，其擬合殘差達到最小，為0.030 681。

結(jié)構(gòu)為11-8-1的BP神經(jīng)網(wǎng)絡(luò)模擬結(jié)構(gòu)如圖1_g所示，當擬合次數(shù)達到998次時，其擬合殘差達到最小，為0.030 257。

從圖1_h可知，結(jié)構(gòu)為10-8-1的BP神經(jīng)網(wǎng)絡(luò)在擬合次數(shù)為998次時，其擬合殘差達到最小，為0.030 093；結(jié)構(gòu)為10-7-1的BP神經(jīng)網(wǎng)絡(luò)在擬合次數(shù)為998次時，其擬合殘差達到最小，為0.030 093。

從圖1_j可知，結(jié)構(gòu)為8-6-1的BP神經(jīng)網(wǎng)絡(luò)在擬合次數(shù)為1 000次時，其擬合殘差達到最小，為0.020 295。

根據(jù)6種方案10 種模型的擬合結(jié)果，認為網(wǎng)絡(luò)結(jié)構(gòu)為14-10-1 的 BP 神經(jīng)網(wǎng)絡(luò)模型為最適的漁情預(yù)報模型，其擬合殘差為0.000 681。該BP結(jié)構(gòu)下，其第1 隱含層各個節(jié)點的權(quán)重矩陣和輸出層各個節(jié)點的權(quán)重矩陣如表2所示。

圖1　10種預(yù)測模型的模擬結(jié)果Fig.1　The results for ten forecasting models

表2　14-10-1 網(wǎng)絡(luò)結(jié)構(gòu)模型第1 隱含層各個節(jié)點和輸出層各個節(jié)點的權(quán)重矩陣Table 2　Matrix of each node of the first hidden layer and output layer of 14-10-1 model

3　討論

本研究采用了8-14個不同環(huán)境因子組合作為神經(jīng)網(wǎng)絡(luò)的輸入層，其擬合殘差范圍為0.000 681～0.030 681，殘差最大模型結(jié)構(gòu)為11-9-1。前5種方案（方案1至方案5）隨著因子數(shù)目的減少，其擬合殘差減少（表3），但最后1種方案中（方案6）調(diào)整了輸入因子，增加了黑潮和親潮的SST數(shù)據(jù)，擬合殘差又有所增加，說明不同因子組合對輸出層CPUE有一定的影響。由表3可知，預(yù)報精度范圍為77.78%～95.18%，輸入因子為14個時精度最高，輸入因子12個時預(yù)報精度最低。預(yù)報精度和擬合殘差有顯著相關(guān)（P<0.05）。

表3　不同輸入因子所得的不同擬合殘差及預(yù)報精度Tab.3　Different Simulation Residual of different input factors and predictive accuracy

TIAN等[12]通過生命周期模型結(jié)合SST、南方濤動事件數(shù)據(jù)等海洋氣候因子，較好地得到了秋刀魚年際間數(shù)量變化情況，研究結(jié)果表明大尺度氣候和海洋環(huán)境的改變能強烈影響秋刀魚的資源量和產(chǎn)量。Tseng等[22]認為SST前鋒是影響秋刀魚分布和提高漁場預(yù)報準確度的基礎(chǔ)。TIAN等[11]指出，秋刀魚的幼體生長和存活率很大程度上受海洋條件的影響。這些相關(guān)因子與西北太平洋秋刀魚資源豐度變化有顯著相關(guān)性，與本研究利用神經(jīng)網(wǎng)絡(luò)模型進行資源豐度預(yù)報結(jié)果相一致。本研究最優(yōu)模型的擬合CPUE與實際CPUE值幾乎一致（圖3），二者之間呈現(xiàn)顯著的相關(guān)性（P<0.01），說明所建立的資源豐度預(yù)報模型是可行的。

圖2　原CPUE值與擬合CPUE值對比圖Fig.3　Comparison of primary CPUE and Simulate CPUE

TNI即Trans-nino指數(shù)是表征厄爾尼諾-南方濤動指數(shù)的一個指標，是與厄爾尼諾相關(guān)的環(huán)境因子。當發(fā)生厄爾尼諾時，TNI也隨之發(fā)生改變，從而影響著西北太平洋秋刀魚的資源豐度。目前尚未有研究指出TNI是如何對西北太平洋秋刀魚資源豐度產(chǎn)生影響的。本研究結(jié)果表明，TNI對其資源量有一定的影響，為將來研究TNI對秋刀魚或其它大洋性洄游魚類的資源量或漁場分布影響提供一些參考。

對西北太平洋秋刀魚的資源豐度預(yù)報除了BP神經(jīng)網(wǎng)絡(luò)模型之外，還可以嘗試利用灰色系統(tǒng)或棲息地適應(yīng)性指數(shù)模型進行分析研究[23-24]。由于國內(nèi)對秋刀魚捕撈起步較晚，對其資源豐度的影響機制及預(yù)報模型方法的相關(guān)研究還較少，應(yīng)及時跟進國外秋刀魚相關(guān)研究，逐步完善國內(nèi)對秋刀魚資源豐度預(yù)報模型，為秋刀魚實際生產(chǎn)提供理論基礎(chǔ)。

[1]沈建華，韓士鑫，樊偉，等. 西北太平洋秋刀魚資源及其漁場[J]. 海洋漁業(yè)，2004，26（1）：61-65.

[2]湯振明，黃洪亮，石建高. 中國開發(fā)利用西北太平洋秋刀魚資源的探討[J]. 海洋科學，2004，28(10)：56-59.

[3]朱清澄，花傳祥，許巍，等. 西北太平洋公海7～9月秋刀魚漁場分布及其與水溫的關(guān)系[J]. 海洋漁業(yè)，2006，28(3)：228-233.

[4]鄒曉榮，朱清澄. 西北太平洋秋刀魚漁場分布及與海水表層溫度的關(guān)系分析[J]. 湛江海洋大學學報，2006(6)：26-30.

[5]黃洪亮，張勛，徐寶生，等. 北太平洋公海秋刀魚漁場初步分析[J]. 海洋漁業(yè)，2005, 27（3）：206-212.

[6]朱清澄，夏輝，花傳祥，等. 西北太平洋公海秋刀魚夏季索餌場浮游動物的分布[J]. 水產(chǎn)學報，2008，26（6）：890-898.

[7]孫滿昌，葉旭昌，張健，等. 西北太平洋秋刀魚漁業(yè)探析[J]. 海洋漁業(yè)，2003（3）：112-115.

[8]葉旭昌，劉瑜，朱清澄，等. 北太平洋公海秋刀魚生物學特性初步研究[J]. 上海水產(chǎn)大學學報，2007（3）：264-268.

[9]晏磊，朱清澄，張陽，等.2010年北太平洋公海秋刀魚漁場分布及其與表溫的關(guān)系[J]. 上海海洋大學學報，2012（4）：609-615.

[10]張陽，朱清澄，晏磊，等. 西北太平洋公海春季秋刀魚生物學特性的初步研究[J]. 海洋湖沼通報，2013（1）：53-60.

[11]TIAN Y J，AKAMINE T，SUDA M. Variations in the abundance of Pacific saury（Cololabis saira）from the north western Pacific in relation to oceanic-climate changes[J]. Fish Res，2003，60：439-454.

[12]TIAN Y J，AKAMINE T, SUDA M. Modeling the influence of oceanic-climatic changes on the dynamics of Pacific saury in the northwestern Pacific using a life cycle model[J]. Fisheries Oceanography，2004，13（Suppl. 1）：125-137.

[13]徐潔，陳新軍，楊銘霞.基于神經(jīng)網(wǎng)絡(luò)的北太平洋柔魚漁場預(yù)報[J]. 上海海洋大學學報，2013，22（3）：432-438.

[14]汪金濤，高峰，雷林，等.基于神經(jīng)網(wǎng)絡(luò)的東南太平洋莖柔魚漁場預(yù)報模型的建立及解釋[J].海洋漁業(yè)，2014，36（2）：131-137.

[15]AOKI I，KOMATSU T．Analysis and prediction of the fluctuation of sardine abundance using a neural network［J］．Oenological Alta，1997，20（1）：81-88

[16]忠植．知識發(fā)現(xiàn)[M]．北京：清華大學出版社，2002：1-295．

[17]鄭惠娜，章超樺，秦小明，等．人工神經(jīng)網(wǎng)絡(luò)在食品生物工程中的應(yīng)用[J]．食品工程，2012（1）：16-19．

[18]謝東，陳東城，焦元啟，等．神經(jīng)網(wǎng)絡(luò)在精準農(nóng)業(yè)中的應(yīng)用研究進展[J]．廣東農(nóng)業(yè)科學，2011，38（8）：145-148．

[19]喬加新，周森鑫，馬季．基于 BP 神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)氣象產(chǎn)量預(yù)報系統(tǒng)[J]．微計算機信息（嵌入式與 SOC），2009，35（12）：44-46．

[20]蔣宗禮．人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M]．北京:高等教育出版社，2001: 20-40．

[21]唐啟義，馮明光．DPS 數(shù)據(jù)處理系統(tǒng)—實驗設(shè)計、統(tǒng)計分析及模型優(yōu)化[M]．北京:科學出版社，2006:933．

[22]TSENG C T，SUN C L，BelkinIM. Sea surface temperature fronts affect distribution of Pacific saury（Cololabis saira）in the Northwestern Pacific Ocean[J]. Deep-Sea Research II，2014，107：15-21.

[23]陳新軍，許柳雄，田思泉. 北太平洋柔魚資源與漁場的時空分析[J]. 水產(chǎn)學報，2003，27(4)：334-342.

[24]陳新軍，龔彩霞，田思泉，等. 基于棲息地指數(shù)的西北太平洋柔魚漁獲量估算[J]. 中國海洋大學學報（自然科學版），2013,43(4)：29-33.

（責任編輯：陳莊）

Forecasting Model of Abundance Index for Cololabis saira in the Northwest Pacific Ocean

XIE Bing1,4，WANG Jin-tao1,4，CHEN Xin-jun1,2,3,4，TIAN Si-quan1,2,3,4
(1. College of Marine Sciences of Shanghai Ocean University，Shanghai 201306，China；2. National Distant-water Fisheries Engineering Research Center，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）

Pacific saury（Cololabis saira）is an important oceanic fish, and its abundance index is significantly influenced by marine environment. According to the catch data (Catch per fishing unit, CPUE) of Pacific saury during 1989 to 2012 in the northwestern Pacific Ocean, and the corresponding marine environmental data, including monthly of Trans-Nino index (TNI) from January to December, the sea surface temperature (SSTkuroshio) in the Kuroshio area during January and sea surface temperature in the Oyashio area (SSTOyashio) during June, the forecasting model on abundance index for Pacific saury has been built and compared by using BP neural network . Based on comparing of 14 kinds of neural network models, and the actual validation of CPUE, the forecasting model of fitting residual error to a minimum is considered as the optimal prediction model. The studies indicated that monthly TNI index, SSTkuroshio, and SSTOyashiohas significant effects on abundance index, The BP neural network model with 14-10-1 structure has the lowest relative error of 0.000 681, which can be used as the forecasting model of abundance index for Pacific saury in the northwestern Pacific ocean.

Pacific saury; abundance index; Kuroshio current; Oyashio; Forecasting model; Neural network

S932.4

A

1673-9159（2015）06-0058-06

10.3969/j.issn.1673-9159.2015.06.011

2015-07-27

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

謝斌（1991—），男，浙江余姚人，研究生，主要從事漁業(yè)資源方向研究。E-mail：m140350594@st.shou.edu.cn

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