毛江美，陳新軍，余景

(1. 上海海洋大學(xué) 海洋科學(xué)學(xué)院，上海 201306； 2. 上海海洋大學(xué) 大洋漁業(yè)資源可持續(xù)開(kāi)發(fā)省部共建教育部重點(diǎn)實(shí)驗(yàn)室，上海 201306； 3.國(guó)家遠(yuǎn)洋漁業(yè)工程技術(shù)研究中心，上海 201306；4. 中國(guó)水產(chǎn)科學(xué)研究院 南海水產(chǎn)研究所，廣東 廣州 510300)

?

基于神經(jīng)網(wǎng)絡(luò)的南太平洋長(zhǎng)鰭金槍魚漁場(chǎng)預(yù)報(bào)

毛江美1，4，陳新軍1，2，3*，余景4

(1. 上海海洋大學(xué) 海洋科學(xué)學(xué)院，上海 201306； 2. 上海海洋大學(xué) 大洋漁業(yè)資源可持續(xù)開(kāi)發(fā)省部共建教育部重點(diǎn)實(shí)驗(yàn)室，上海 201306； 3.國(guó)家遠(yuǎn)洋漁業(yè)工程技術(shù)研究中心，上海 201306；4. 中國(guó)水產(chǎn)科學(xué)研究院 南海水產(chǎn)研究所，廣東 廣州 510300)

南太平洋長(zhǎng)鰭金槍魚是我國(guó)遠(yuǎn)洋漁業(yè)的重點(diǎn)捕撈對(duì)象，對(duì)南太平洋長(zhǎng)鰭金槍魚進(jìn)行準(zhǔn)確的漁場(chǎng)預(yù)報(bào)，可以提高捕撈效率，提高漁業(yè)的生產(chǎn)能力。本研究根據(jù)1993-2010年南太平洋長(zhǎng)鰭金槍魚的延繩釣生產(chǎn)數(shù)據(jù)以及海洋衛(wèi)星遙感數(shù)據(jù)(海水表面溫度，SST；海面高度，SSH)和ENSO(El Nio-Southern Oscillation)指標(biāo)，采用DPS(data processing system)數(shù)據(jù)處理系統(tǒng)中的BP人工神經(jīng)網(wǎng)絡(luò)模型，以漁獲產(chǎn)量(單位時(shí)間的漁獲尾數(shù))和單位捕撈努力量漁獲量(CPUE， Catch per unit of effort)分別作為中心漁場(chǎng)的表征因子，并作為BP模型的輸出因子，以月、經(jīng)度、緯度、SST、SSH和ENSO指標(biāo)等作為輸入因子，分別構(gòu)建4-3-1，5-4-1，5-3-1，6-5-1，6-4-1，6-3-1等BP模型結(jié)構(gòu)，比較漁場(chǎng)預(yù)報(bào)模型優(yōu)劣。研究結(jié)果表明，以CPUE作為輸出因子的BP人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)總體上較優(yōu)，其中以6-4-1模型結(jié)構(gòu)為最優(yōu)，相對(duì)誤差只有0.006 41。研究認(rèn)為，以CPUE為輸出因子的6-4-1結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)模型，能夠準(zhǔn)確預(yù)報(bào)南太平洋長(zhǎng)鰭金槍魚的漁場(chǎng)位置。

長(zhǎng)鰭金槍魚；神經(jīng)網(wǎng)絡(luò)；CPUE；中心漁場(chǎng)；南太平洋

1　引言

長(zhǎng)鰭金槍魚(Thunnusalalunga)屬于溫帶大洋性魚種，具有高度的集群性和洄游性[1]。魚類的洄游，繁殖、生長(zhǎng)等與海洋環(huán)境要素密切相關(guān)。南太平洋長(zhǎng)鰭金槍魚是中國(guó)遠(yuǎn)洋漁業(yè)的主要捕撈魚種之一，捕撈作業(yè)主要集中在斐濟(jì)和瓦努阿圖附近的海域[1]，開(kāi)展南太平洋長(zhǎng)鰭金槍魚中心漁場(chǎng)的預(yù)報(bào)，可提高捕撈效率，減少燃料成本，以此提高漁業(yè)的生產(chǎn)能力。Murray[2]指出，南太平洋長(zhǎng)鰭金槍魚主要分布在水深200～300 m的冷暖水溫交匯處。陳鋒等[3]認(rèn)為南太平洋長(zhǎng)鰭金槍魚與主要分布在水溫9～20℃范圍內(nèi)。樊偉等[4]將南太平洋長(zhǎng)鰭金槍魚的漁獲產(chǎn)量和海表溫度等進(jìn)行相關(guān)研究，指出南太平洋長(zhǎng)鰭金槍魚主要分布在10°S附近和25°～30°S之間。人工神經(jīng)網(wǎng)絡(luò)由于其強(qiáng)大的自組織學(xué)習(xí)能力而被廣泛應(yīng)用，在海洋漁業(yè)領(lǐng)域也有較好的應(yīng)用。本研究根據(jù)1993—2010年南太平洋長(zhǎng)鰭金槍魚的延繩釣生產(chǎn)數(shù)據(jù)以及海洋環(huán)境數(shù)據(jù)，利用人工神經(jīng)網(wǎng)絡(luò)模型來(lái)建立不同的中心漁場(chǎng)預(yù)報(bào)模型，為南太平洋長(zhǎng)鰭金槍魚科學(xué)生產(chǎn)提供依據(jù)。

2　數(shù)據(jù)與方法

2.1數(shù)據(jù)及其預(yù)處理

2.1.1數(shù)據(jù)來(lái)源

南太平洋金槍魚延繩釣生產(chǎn)數(shù)據(jù)來(lái)自南太平洋論壇，時(shí)間分辨率為月份，空間分辨率經(jīng)緯度為5°×5°，延繩釣生產(chǎn)數(shù)據(jù)包括月份、放鉤數(shù)、漁獲產(chǎn)量(尾數(shù))，時(shí)間均為1993-2010年1-12月。海表面溫度(SST)來(lái)自http://poet.jpl.nasa.gov/；海表面高度(SSH)來(lái)自http://iridl.ldeo.columbia.edu/docfind/databrief/cat-ocean.html網(wǎng)站，數(shù)據(jù)空間分辨率為0.5°×0.5°。ENSO指數(shù)(厄爾尼諾-南方濤動(dòng))采用Nio3.4區(qū)海表溫度距平值(SSTA)來(lái)表示，時(shí)間單位為月，數(shù)據(jù)來(lái)源于http://www.cpc.ncep.noaa.gov．

2.1.2數(shù)據(jù)預(yù)處理

(1)漁獲產(chǎn)量初值化計(jì)算

以生產(chǎn)數(shù)據(jù)中的漁獲尾數(shù)作為漁獲產(chǎn)量，由于不同的月份、經(jīng)緯度之間，漁獲產(chǎn)量差異較大，因此在建模過(guò)程中，對(duì)漁獲尾數(shù)進(jìn)行初值化處理。初值化的方法是：找出每個(gè)月份的漁獲尾數(shù)的最大值，并用每個(gè)月份的值除以其對(duì)應(yīng)月份的最大值，這樣得到的初值化結(jié)果為0～1之間，由此認(rèn)為1是南太平洋長(zhǎng)鰭金槍魚的最優(yōu)漁場(chǎng)，0是最不適的漁場(chǎng)。

(2)CPUE初值化計(jì)算

CPUE為單位努力量漁獲量(即漁獲尾數(shù)每千鉤數(shù))，是衡量資源豐度的重要指標(biāo)，代表南太平洋長(zhǎng)鰭金槍魚的資源豐度指標(biāo)[5]。假設(shè)認(rèn)為，CPUE為0是南太平洋長(zhǎng)鰭金槍魚的最不適漁場(chǎng)，1為最適漁場(chǎng)。CPUE計(jì)算及初值化方法：利用漁獲尾數(shù)除以相對(duì)應(yīng)的放鉤數(shù)(千鉤數(shù))，得到相應(yīng)的CPUE值。找出每月份CPUE的最大值，每月CPUE值除以CPUE最大值，得到初值化后的CPUE，統(tǒng)一轉(zhuǎn)化為0～1之間。

(3)樣本組成

按照時(shí)間、空間和海洋環(huán)境數(shù)據(jù)組成進(jìn)行匹配組成樣本集。輸入變量為時(shí)間，空間數(shù)據(jù)，海洋環(huán)境數(shù)據(jù)(包括海表溫度SST，海面高度SSH，ENSO3.4區(qū)海表指標(biāo))，輸出變量分別為經(jīng)過(guò)初值化后的漁獲尾數(shù)和CPUE，以此作為中心漁場(chǎng)的指標(biāo)。

2.2模型方法

2.2.1神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)法是一種由大量簡(jiǎn)單處理單元(神經(jīng)元)以某種方式互相連接而成的，對(duì)連續(xù)的或斷續(xù)的輸入做出狀態(tài)響應(yīng)的動(dòng)態(tài)信息處理系統(tǒng)，具有很好的自學(xué)習(xí)能力和很強(qiáng)的泛化和容錯(cuò)能力[6]。研究采用神經(jīng)網(wǎng)絡(luò)中的誤差反向傳播網(wǎng)絡(luò)(error backpropagation network， EBP)[7]，簡(jiǎn)稱BP模型，主要由輸入層，隱含層和輸出層組成。BP算法主要包括學(xué)習(xí)過(guò)程的正向傳播和反向傳播兩個(gè)過(guò)程組成。正向傳播過(guò)程是樣本從輸入層進(jìn)入，經(jīng)過(guò)隱含層的處理，傳向輸出層。如果輸出層的實(shí)際值與期望值之間誤差過(guò)大，那么則轉(zhuǎn)向誤差的反傳向階段。反向傳播過(guò)程則是從輸出層到隱含層的過(guò)程，在傳播的過(guò)程中，將誤差分?jǐn)偨o各層的節(jié)點(diǎn)，獲得各層節(jié)點(diǎn)的誤差信號(hào)，將此誤差信號(hào)作為修正的依據(jù)。正向傳播與誤差的反向傳播都是周而復(fù)始進(jìn)行的，權(quán)重在不斷的調(diào)整，直至模型可接受的誤差范圍內(nèi)才結(jié)束[8]。

2.2.2建模方法

采用DPS數(shù)據(jù)處理系統(tǒng)來(lái)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的漁場(chǎng)預(yù)報(bào)模型的計(jì)算。輸入層為月份、緯度、經(jīng)度以及SST、SSH、ENSO等海洋環(huán)境數(shù)據(jù)，隱含層為1層，隱含層的節(jié)點(diǎn)數(shù)根據(jù)輸入層選取因子數(shù)的不同而不同，輸出層分別為初值化后的漁獲尾數(shù)和初值化后的CPUE，將這兩類計(jì)算方法進(jìn)行比較，選取最適合漁場(chǎng)預(yù)報(bào)的模型。以模型處理結(jié)果中的擬合殘差作為判斷最優(yōu)模型的標(biāo)準(zhǔn)，擬合殘差越小，模型的效果也就最合適，漁場(chǎng)預(yù)報(bào)也就越準(zhǔn)確。

(1) 將初值化后的漁獲尾數(shù)作為輸出層

方案1：選取月份、緯度、經(jīng)度、SST為輸入層，構(gòu)建4-3-1的BP神經(jīng)網(wǎng)絡(luò)模型。

方案2：選取月份、緯度、經(jīng)度、SST、SSH為輸入層，構(gòu)建5-4-1和5-3-1的BP神經(jīng)網(wǎng)絡(luò)模型。

方案3：選取月份、緯度、經(jīng)度、SST、SSH、ENSO3.4區(qū)海表溫度異常值為輸入層，構(gòu)建6-5-1、6-4-1和6-3-1的BP神經(jīng)網(wǎng)絡(luò)模型。

(2) 將初值化后的CPUE作為輸出層

方案4：選取月份、緯度、經(jīng)度、SST為輸入層，構(gòu)建4-3-1的BP神經(jīng)網(wǎng)絡(luò)模型。

方案5：選取月份、緯度、經(jīng)度、SST、SSH為輸入層，構(gòu)建5-4-1和5-3-1的BP神經(jīng)網(wǎng)絡(luò)模型。

方案6：選取月份、緯度、經(jīng)度、SST、SSH、ENSO3.4區(qū)海表溫度異常值為輸入層，構(gòu)建6-5-1、6-4-1和6-3-1的BP神經(jīng)網(wǎng)絡(luò)模型。

3　結(jié)果

3.1模型結(jié)果

方案1、方案2和方案3為以漁獲尾數(shù)初值化結(jié)果為輸出層的模型擬合情況。方案4、方案5和方案6為以CPUE初值化結(jié)果為輸出層的模型擬合情況。

3.1.1方案1模型結(jié)果

從圖1可知，BP神經(jīng)網(wǎng)絡(luò)4-3-1結(jié)構(gòu)中，擬合殘差總體上呈下降趨勢(shì)。擬合次數(shù)約為18次時(shí)，出現(xiàn)第一次急速減少；在擬合次數(shù)大約達(dá)到445次時(shí)，擬合殘差達(dá)到最小值，約為0.031 91。

圖1　基于漁獲尾數(shù)為輸出指標(biāo)的4-3-1 BP網(wǎng)絡(luò)結(jié)構(gòu)模型Fig.1　4-3-1 BP neural network based on output factors of fishing yield

圖2　基于漁獲尾數(shù)為輸出因子的5-4-1、5-3-1 BP神經(jīng)網(wǎng)絡(luò)模型Fig.2　5-4-1 and 5-3-1 BP neural network based on output factors of fishing yield

圖3　基于漁獲尾數(shù)為輸出因子的6-5-1、6-4-1、6-3-1 BP神經(jīng)網(wǎng)絡(luò)模型Fig.3　6-5-1， 6-4-1 and 6-3-1 BP neural network based on output factors of fishing yield

圖4　基于CPUE為輸出因子的4-3-1 BP神經(jīng)網(wǎng)絡(luò)模型Fig.4　4-3-1 BP neural network based on output factors of CPUE

圖5　基于CPUE為輸出因子的5-4-1、5-3-1 BP神經(jīng)網(wǎng)絡(luò)模型Fig.5　5-4-1 and 5-3-1 BP neural network based on output factors of CPUE

圖6　基于CPUE為輸出因子的6-5-1、6-4-1、6-3-1 BP神經(jīng)網(wǎng)絡(luò)模型Fig.6　6-5-1， 6-4-1 and 6-3-1 BP neural network based on output factors of CPUE

3.1.2方案2模型結(jié)果

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為5-4-1時(shí)(圖2a)，在擬合次數(shù)約為17次時(shí)，擬合殘差第一次急速下降。當(dāng)擬合次數(shù)大約為260次時(shí)，擬合殘差達(dá)到最小值，約為0.036 63。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)5-3-1模型(圖2b)，擬合次數(shù)約為330次時(shí)，擬合殘差達(dá)到最小值，約為0.007 89?？傮w而言，擬合殘差隨著模擬次數(shù)的增加呈下降趨勢(shì)。

3.1.3方案3模型結(jié)果

BP神經(jīng)網(wǎng)絡(luò)6-5-1結(jié)構(gòu)時(shí)(圖3a)，其擬合殘差處于下降趨勢(shì)，在擬合次數(shù)約為610次時(shí)，擬合殘差為0.033 86，達(dá)到最小值。6-4-1結(jié)構(gòu)(圖3b)的BP模型顯示出在擬合次數(shù)約為15次時(shí)，擬合殘差第一次下降，然后有一小段的回升，接著擬合殘差繼續(xù)下降，擬合次數(shù)約為740次時(shí)，擬合殘差達(dá)到最小值，約為0.032 72。6-3-1結(jié)構(gòu)(圖3c)的BP模型模擬結(jié)果與6-4-1的模擬結(jié)果較為相似，都呈現(xiàn)先下降后回升接著有下降的趨勢(shì)，在擬合次數(shù)約為560時(shí)，其值達(dá)到擬合殘差最小值，為0.032 62。

3.1.4方案4模型結(jié)果

由圖4可知，在該模型框架下其擬合殘差值總體呈現(xiàn)下降的趨勢(shì)，在擬合次數(shù)約為460次時(shí)，擬合殘差值為0.008 60，到達(dá)擬合差的最小值，模型的最優(yōu)效果。

3.1.5方案5模型結(jié)果

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)5-4-1時(shí)(圖5a)，在擬合次數(shù)1～15左右，擬合殘差值急速下降，之后下降速度相對(duì)平緩，當(dāng)擬合次數(shù)約為790次時(shí)，擬合殘差達(dá)到最小值，約為0.007 04。模型結(jié)構(gòu)5-3-1(圖5b)的模擬結(jié)果表明，其殘差與5-4-1的模型結(jié)果趨勢(shì)相似，在擬合次數(shù)為400左右，達(dá)到擬合殘差最小值，為0.007 89。

3.1.6方案6模型結(jié)果

BP神經(jīng)網(wǎng)絡(luò)為6-5-1結(jié)構(gòu)模型(圖6a)，當(dāng)其擬合次數(shù)約為15次時(shí)，擬合殘差快速下降；在擬合次數(shù)15～40之間，其殘差幾乎不變，之后擬合殘差緩慢下降，并在擬合次數(shù)約為560次時(shí)，達(dá)到最小值，為0.006 48。6-4-1結(jié)構(gòu)模型(圖6b)和6-3-1(圖6c)模型結(jié)構(gòu)與6-5-1模型結(jié)構(gòu)相似，分別在擬合次數(shù)約為500次和420次時(shí)，擬合殘差達(dá)最小值，分別為0.006 41和0.006 91。

3.2不同輸出因子模型的比較及其最適模型的解釋

根據(jù)兩組不同輸出層變量的6種模型方案，以CPUE為輸出層的擬合效果最好，其擬合殘差范圍為0.006 41～0.008 60，平均值為0.007 22；而以漁獲尾數(shù)為輸出層的BP模型，其擬合殘差范圍為0.007 89～0.036 63，平均值為0.029 27。

最優(yōu)BP模型的結(jié)構(gòu)為6-4-1的模型，其模型的結(jié)構(gòu)及其權(quán)重見(jiàn)表1。由表1可知，可分為第1隱含層各節(jié)點(diǎn)的權(quán)重矩陣和輸出層各節(jié)點(diǎn)的權(quán)重矩陣。權(quán)重矩陣大小、正負(fù)各不相同，非線性關(guān)系復(fù)雜，隱含層各節(jié)點(diǎn)的權(quán)重矩陣和輸出層各節(jié)點(diǎn)的權(quán)重矩陣并沒(méi)有明顯的定性關(guān)系。第1隱含層各節(jié)點(diǎn)的權(quán)重矩陣為6行4列。6行分別表示BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中輸入因子變量：月份、緯度、經(jīng)度、海表面溫度、海表面高度、ENSO指標(biāo)。4列則表示神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中隱含層的節(jié)點(diǎn)數(shù)為4。在BP神經(jīng)網(wǎng)絡(luò)模型中，取權(quán)重的絕對(duì)值，無(wú)關(guān)正負(fù)，權(quán)重值越大，對(duì)模型的貢獻(xiàn)率就越大。如輸入層變量緯度權(quán)重絕對(duì)值為10.317 3、10.304 9等，權(quán)重越大，對(duì)模型擬合結(jié)果的貢獻(xiàn)也越大。

表16-4-1網(wǎng)絡(luò)結(jié)構(gòu)模型第一隱含層各個(gè)節(jié)點(diǎn)權(quán)重矩陣和輸出層各節(jié)點(diǎn)權(quán)重矩陣

Tab.1　Matrix of each mode of the first hidden layer and output layer of 6-4-1 model

圖7　6-4-1結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.7　6-1-4 BP neural network model1-6表示輸入層輸入變量，7-10表示各隱含層，11表示輸出層，1-6 is input factor， 7-10 is hidden layer， 11 is output factor

4　討論與分析

選取了漁獲尾數(shù)和CPUE分別作為輸出層，進(jìn)行南太平洋長(zhǎng)鰭金槍魚漁場(chǎng)預(yù)報(bào)。漁獲量和CPUE均可作為漁業(yè)資源豐度的指標(biāo)。許多學(xué)者對(duì)此進(jìn)行了相關(guān)研究。如閆敏等[1]研究了南太平洋長(zhǎng)鰭金槍魚漁獲量和CPUE的時(shí)空分布關(guān)系，范江濤[9]在南太平洋長(zhǎng)鰭金槍魚漁情預(yù)報(bào)研究中也引入了漁獲量與CPUE兩個(gè)漁業(yè)資源豐度指標(biāo)。但是對(duì)于漁獲量和CPUE模型相比，哪個(gè)預(yù)報(bào)漁場(chǎng)更為準(zhǔn)確，則較少提及。而根據(jù)DPS模型擬合結(jié)果，總體而言，CPUE漁場(chǎng)預(yù)報(bào)模型擬合的效果優(yōu)于漁獲量模型擬合的效果。這可能是由于漁獲量為輸出層的模型擬合僅僅是把的漁獲量即漁獲尾數(shù)作為單一的指標(biāo)，而CPUE代表的是單位捕撈努力量漁獲量，在漁獲量的基礎(chǔ)上，引入了捕撈所做的功，也就是捕撈所獲的的千鉤數(shù)。漁獲量(尾數(shù))與千鉤數(shù)之比，即為CPUE。CPUE的影響因子更為豐富，代表性。因此，將CPUE作為DPS模型的輸出層，模型擬合效果比漁獲量的效果好，漁場(chǎng)預(yù)報(bào)的位置也就更為準(zhǔn)確。

魚類的產(chǎn)卵、生長(zhǎng)、成熟等生物學(xué)特征與海洋環(huán)境密切相關(guān)[10]。南太平洋長(zhǎng)鰭金槍魚屬于大尺度洄游類魚種[11]。海洋環(huán)境要素對(duì)其影響更為重要，關(guān)乎長(zhǎng)鰭金槍魚的親體補(bǔ)充量等。因此，有必要研究長(zhǎng)鰭金槍魚與海洋環(huán)境要素的關(guān)系，從而為漁情預(yù)報(bào)提供基礎(chǔ)。DPS模型擬合所有結(jié)果中，現(xiàn)以CPUE作為輸出層的6-4-1的BP神經(jīng)網(wǎng)絡(luò)模型擬合效果最好。擬合殘差達(dá)到最小值0.006 409。再結(jié)合表1的權(quán)重值，發(fā)現(xiàn)緯度、海表溫度和海平面高度權(quán)重總體而言比較大，說(shuō)明輸入變量緯度、SST、SSH對(duì)模型有較大的貢獻(xiàn)率。由模型擬合的結(jié)果顯示，緯度與南太平長(zhǎng)鰭金槍魚漁場(chǎng)的分布密切相關(guān)。這與大多數(shù)學(xué)者的研究相一致。閆敏等[1]在4°～16°S海域CPUE值相對(duì)較高，作業(yè)次數(shù)的百分比隨緯度的增加而明顯降低。16°～22°S的CPUE值變化不大，但作業(yè)次數(shù)的百分比隨緯度的增大而降低。劉洪生等[12]太平洋長(zhǎng)鰭金槍魚的漁場(chǎng)研究顯示，長(zhǎng)鰭金槍魚的漁場(chǎng)主要分布在10°～45°S的海域內(nèi)。

魚類活動(dòng)在很大程度上受到溫度的影響[10]。溫度直接或間接地影響魚場(chǎng)的分布，洄游的路線等[13]。國(guó)內(nèi)外學(xué)者關(guān)于溫度對(duì)魚類行為方面進(jìn)行眾多研究[14—16]，從權(quán)重值中也可以發(fā)現(xiàn)，溫度對(duì)權(quán)重值的影響較大而且各個(gè)節(jié)點(diǎn)的權(quán)重差距不大。都表明溫度是影響魚類行為和漁場(chǎng)分布的關(guān)鍵性環(huán)境因子之一。異常年份，受厄爾尼諾或拉尼娜現(xiàn)象的影響，海水溫度異常升高或降低，魚類的產(chǎn)卵、洄游路線、漁場(chǎng)分布等魚類行為也會(huì)隨環(huán)境的改變而變化。如，Lu等[17]研究表明，ENSO事件對(duì)長(zhǎng)鰭金槍魚產(chǎn)量的影響具有滯后性。郭愛(ài)和陳新軍[18]認(rèn)為厄爾尼諾與漁場(chǎng)資源豐度關(guān)系密切，ENSO年份內(nèi)CPUE比正常年份偏高，CPUE的變化相對(duì)ENSO指數(shù)有1～2個(gè)月的滯后期。另外，長(zhǎng)鰭金槍魚白天主要分布在90～150 m水層，因此長(zhǎng)鰭金槍魚漁場(chǎng)空間分布還受大尺度海洋事件、厄爾尼諾-拉尼娜層水溫結(jié)構(gòu)等因素的影響。海平面高度和渦旋流關(guān)系密切[19—21]上升流(冷渦)的形成能帶來(lái)豐富的營(yíng)養(yǎng)餌料，食物來(lái)源豐富，金槍魚成活的概率大大提高[22]，也會(huì)對(duì)中心漁場(chǎng)的形成產(chǎn)生影響[23]。

溫度在魚類行為學(xué)中是重要的海洋環(huán)境因子之一。一方面，這并不代表將溫度作為單一的環(huán)境因子指標(biāo)就可以準(zhǔn)確的預(yù)報(bào)漁場(chǎng)；另一方面，應(yīng)綜合考慮各種生產(chǎn)數(shù)據(jù)，如經(jīng)緯度、月份等，以及海洋環(huán)境數(shù)據(jù)溫度、海面高度、ENSO指標(biāo)。但是，也并不是生產(chǎn)統(tǒng)計(jì)以及海洋環(huán)境數(shù)據(jù)越多越好，本研究認(rèn)為，BP神經(jīng)網(wǎng)絡(luò)模型中，得到6-4-1的模型擬合效果最優(yōu)。即結(jié)合生產(chǎn)數(shù)據(jù)和海洋環(huán)境數(shù)據(jù)，月份、緯度、經(jīng)度、海表溫度、海面高度、ENSO指數(shù)，隱含層為1層的4為節(jié)點(diǎn)數(shù)的BP神經(jīng)網(wǎng)絡(luò)模型，對(duì)南太平洋長(zhǎng)鰭金槍魚的漁場(chǎng)預(yù)報(bào)最為準(zhǔn)確。

[1]閆敏， 張衡， 樊偉， 等. 南太平洋長(zhǎng)鰭金槍魚漁場(chǎng)CPUE時(shí)空分布及其與關(guān)鍵海洋環(huán)境因子的關(guān)系[J]. 生態(tài)學(xué)雜志， 2015， 34(11): 3191-3197.

Yan Min， Zhang Heng， Fan Wei， et al. Spatial-temporal CPUE profiles of the albacore tuna (Thunnusalalunga) and their relations to marine environmental factors in the South Pacific Ocean[J]. Chinese Journal of Ecology， 2015， 34(11): 3191-3197.

[2]Murray T. A review of the biology and fisheries for albacore，Thunnusalalunga， in the South Pacific Ocean[R]. FAO Fisheries Technical Paper. Rome: FAO， 1994.

[3]陳鋒， 郭愛(ài)， 周永東， 等. 南太平洋所羅門群島海域長(zhǎng)鰭金槍魚的生物學(xué)特征[J]. 浙江海洋學(xué)院學(xué)報(bào)(自然科學(xué)版)， 2012， 31(2): 123-128.

Chen Feng， Guo Ai， Zhou Yongdong， et al. Preliminary study of fishery biology of Albacore，Thunnusalalunga， in Solomon Islands of the South Pacific Ocean[J]. Journal of Zhejiang Ocean University (Nature Science)， 2012， 31(2): 123-128.

[4]樊偉， 張晶， 周為峰. 南太平洋長(zhǎng)鰭金槍魚延繩釣漁場(chǎng)與海水表層溫度的關(guān)系分析[J]. 大連水產(chǎn)學(xué)院學(xué)報(bào)， 2007， 22(5): 366-371.

Fan Wei， Zhang Jing， Zhou Weifeng. The relationship between longline albacoreThunnusalalungaand sea surface temperature in the South Pacific Ocean[J]. Journal of Dalian Fisheries University， 2007， 22(5): 366-371.

[5]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(chǎng)預(yù)報(bào)[J]. 上海海洋大學(xué)學(xué)報(bào)， 2013， 22(3): 432-438.

Xu Jie， Chen Xinjun， Yang Mingxia. Forecasting on fishing ground of red flying squid (ommastrephesbartramii) in the North Pacific Ocean based on artificial neural net[J]. Journal of Shanghai Ocean University， 2013， 22(3): 432-438.

[6]Hagan M T， Demuth H B， Beale M H. Neural Network Design[M]. Boston: PWS Publishing， 1996.

[7]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: 1-250.

Jiang Zongli. Introduction to Aritificial Neural Networks[M]. Beijing: China Higher Education Press， 2001: 1-250.

[8]汪金濤， 高峰， 雷林， 等. 基于主成分和BP神經(jīng)網(wǎng)絡(luò)的智利竹筴魚漁場(chǎng)預(yù)報(bào)模型研究[J]. 海洋學(xué)報(bào)， 2014， 36(8): 65-71.

Wang Jintao， Gao Feng， Lei Lin， et al. Application of BP neural network based on principal component analysis in fishing grounds of Chilean jack mackerel (Trachurusmurphyi) in the southeast Pacific Ocean[J]. Haiyang Xuebao， 2014， 36(8): 65-71.

[9]范江濤. 南太平洋長(zhǎng)鰭金槍魚延繩釣漁業(yè)漁情預(yù)報(bào)研究[D]. 上海: 上海海洋大學(xué)， 2011.

Fan Jiangtao. Forecasting of fishing ground for Ablacore (Thunnusalalunga) in the South Pacific Ocean[D]. Shanghai: Shanghai Ocean University， 2011.

[10]陳新軍. 漁業(yè)資源與漁場(chǎng)學(xué)[M]. 北京: 海洋出版社， 2004.

Chen Xinjun. Fishery Resource Biology and Fishing[M]. Beijing: China Ocean Press， 2004.

[11]閆敏， 張衡， 伍玉梅， 等. 2011年南太平洋長(zhǎng)鰭金槍魚漁場(chǎng)時(shí)空分布及其與主要海洋環(huán)境變化特征[J]. 漁業(yè)信息與戰(zhàn)略， 2015， 30(2): 119-127.

Yan Min， Zhang Heng， Wu Yumei， et al. Spatial-temporal distribution of CPUE and relations with marine environment for albacore (Thunnusalalunga) in the South Pacific in 2011[J]. Fishery Information & Strategy， 2015， 30(2): 119-127.

[12]劉洪生， 蔣漢凌， 戴小杰. 中西太平洋長(zhǎng)鰭金槍魚漁場(chǎng)與海溫的關(guān)系[J]. 上海海洋大學(xué)學(xué)報(bào)， 2014， 23(4): 602-607.

Liu Hongsheng， Jiang Hanling， Dai Xiaojie. Relationship between albacore (Thunnusalalunga) fishing grounds in the western and central Pacific and sea surface temperature[J]. Journal of Shanghai Ocean University， 2014， 23(4): 602-607.

[13]Sundermeyer M A， Rothschild B J， Robinson A R. Assessment of environmental correlates with the distribution of fish stocks using a spatially explicit model[J]. Ecological Modelling， 2006， 197(1/2): 116-132.

[14]龍華. 溫度對(duì)魚類生存的影響[J]. 中山大學(xué)學(xué)報(bào)(自然科學(xué)版)， 2005， 44(S1): 254-257.

Long Hua. The effect of temperature on fish survival[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni， 2005， 44(S1): 254-257.

[15]Wang N， Xu X L， Kestemont P. Effect of temperature and feeding frequency on growth performances， feed efficiency and body composition of pikeperch juveniles (Sanderlucioperca)[J]. Aquaculture， 2009， 289(1/2): 70-73.

[16]蘇艷莉. 環(huán)境溫度對(duì)魚類的影響及預(yù)防研究[J]. 農(nóng)技服務(wù)， 2015， 32(7): 191-192， 181.

Su Yanli. Influence and prevention study of ambient temperature on fish[J]. Agricultural Technology Service， 2015， 32(7): 191-192， 181.

[17]Lu H J， Lee K T， Liao C H. On the relationship between El Nio/Southern oscillation and South Pacific albacore[J]. Fisheries Research， 1998， 39(1): 1-7.

[18]郭愛(ài)， 陳新軍. ENSO與中西太平洋金槍魚圍網(wǎng)資源豐度及其漁場(chǎng)變動(dòng)的關(guān)系[J]. 海洋漁業(yè)， 2005， 27(4): 338-342.

Guo Ai， Chen Xinjun. The relationship between ENSO and tuna purse-seine resource abundance and fishing grounds distribution in the western and central Pacific Ocean[J]. Marine Fisheries， 2005， 27(4): 338-342.

[19]呂俊梅， 琚建華， 張慶云， 等. 太平洋年代際振蕩冷、暖背景下ENSO循環(huán)的特征[J]. 氣候與環(huán)境研究， 2005， 10(2): 238-249.

Lü Junmei， Ju Jianhua， Zhang Qingyun， et al. The characteristics of ENSO cycle in different phases of Pacific decadal oscillation[J]. Climatic and Environmental Research， 2005， 10(2): 238-249.

[20]李崇銀， 朱錦紅， 孫照渤. 年代際氣候變化研究[J]. 氣候與環(huán)境研究， 2002， 7(2): 209-219.

Li Chongyin， Zhu Jinhong， Sun Zhaobo. The study interdecadel climate variation[J]. Climatic and Environmental Research， 2002， 7(2): 209-219.

[21]Zagaglia C R， Lorenzzetti J A， Stech J L， et al. Remote sensing data and longline catches of yellowfin tuna (Thunnusalbacares) in the equatorial Atlantic[J]. Remote Sensing of Environment， 2004， 93(1/2): 267-281.

[22 ]宋婷婷， 樊偉， 伍玉梅. 衛(wèi)星遙感海面高度數(shù)據(jù)在漁場(chǎng)分析中的應(yīng)用綜述[J]. 海洋通報(bào)， 2013， 32(4): 474-480.

Song Tingting， Fan Wei， Wu Yumei. Review on the fishery analysis with satellite remote sensing sea surface height data[J]. Marine Science Bulletin， 2013， 32(4): 474-480.

[23]徐冰， 陳新軍， 田思泉， 等. 厄爾尼諾和拉尼娜事件對(duì)秘魯外海莖柔魚漁場(chǎng)分布的影響[J]. 水產(chǎn)學(xué)報(bào)， 2012， 36(5): 696-707.

Xu Bing， Chen Xinjun， Tian Siquan， et al. Effects of EI Nio/La Nio on distribution of fishing ground ofDosidicusgigasoff Peru waters[J]. Journal of Fisheries of China， 2012， 36(5): 696-707.

Forecasting fishing ground of Thunnus alalunga based on BP neural network in the South Pacific Ocean

Mao Jiangmei1，4，Chen Xinjun1，2，3，Yu Jing4

(1. College of Marine Sciences， Shanghai Ocean University， Shanghai 201306， China; 2. The Key Laboratory of Sustainable Exploitation of Oceanic Fisheries Resources， Ministry of Education， Shanghai Ocean University， Shanghai 201306， China; 3. National Engineering Research Center for Oceanic Fisheries， Shanghai Ocean University， Shanghai 201306， China; 4. South China Sea Fisheries Research Institute， Chinese Academy of Fishery Science， Guangzhou 510300， China)

Albacore tuna (Thunnusalalunga) is an important target species for Chinese pelagic fishery in the South Pacific Ocean， and the accurate predicting of fishing ground can enhance catch efficiency and improve fishing operation. In this paper， we apply the BP artificial neural network model in the DPS (data processing system) to forecast fishing ground， according to the fishing yield statistics from longline， the sea surface temperature (SST)， sea surface height (SST)， and ENSO (El Nio-Southern Oscillation) index obtained by satellite remote sensing from 1993 to 2010. We consider the fishing yield (unit is the number of tuna) and CPUE (catch per unit of effort) as the character factors of fishing ground， the same as the output factors in BP artificial neural network respectively， and we take month， latitude， longitude， SST， SSH and ENSO index as the input factors， building the 4-3-1， 5-4-1， 5-3-1， 6-5-1， 6-4-1， 6-3-1 model and choosing the better results. It is found that the model used by CPUE is better than that model used by fishing yield， particularly the 6-4-1 model， and the relatively error is only 0.006 14， which can forecast the fishing ground ofThunnusalalungain the South Pacific Ocean accurately．

albacore tuna; artificial neural network; CPUE; fishing ground; South Pacific Ocean

10.3969/j.issn.0253-4193.2016.10.004

2016-05-08；

2015-07-29。

海洋局公益性行業(yè)專項(xiàng)(20155014)；國(guó)家科技支撐計(jì)劃(2013BAD13B01)。

毛江美(1992—)，女，江蘇省泰州市人，研究方向?yàn)闈O業(yè)資源。E-mail：229875911@qq.com

陳新軍，教授。E-mail：xjchen@shou.edu.cn

S931.4

A

0253-4193(2016)10-0034-10

毛江美，陳新軍，余景. 基于神經(jīng)網(wǎng)絡(luò)的南太平洋長(zhǎng)鰭金槍魚漁場(chǎng)預(yù)報(bào)[J].海洋學(xué)報(bào)，2016，38(10)：34—43，

Mao Jiangmei，Chen Xinjun，Yu Jing. Forecasting fishing ground ofThunnusalalungabaszed on BP neural network in the South Pacific Ocean[J]. Haiyang Xuebao，2016，38(10)：34—43， doi：10.3969/j.issn.0253-4193.2016.10.004