章賢成 汪金濤,2 陳新軍,2

基于BP神經(jīng)網(wǎng)絡(luò)的阿根廷滑柔魚資源CPUE標(biāo)準(zhǔn)化研究*

章賢成1汪金濤1,2①陳新軍1,2

(1. 上海海洋大學(xué)海洋科學(xué)學(xué)院 上海 201306；2. 農(nóng)業(yè)農(nóng)村部大洋漁業(yè)開發(fā)重點實驗室 國家遠洋漁業(yè)工程技術(shù)研究中心 大洋漁業(yè)資源可持續(xù)開發(fā)教育部重點實驗室 農(nóng)業(yè)農(nóng)村部大洋漁業(yè)資源環(huán)境科學(xué)觀測實驗站 上海 201306)

西南大西洋阿根廷滑柔魚()是世界上重要的經(jīng)濟柔魚類，也是我國遠洋魷釣的主要捕撈對象之一。單位努力量漁獲量(CPUE)是漁業(yè)中廣泛使用的表達種群豐度的指標(biāo)，但CPUE易受到其他因素的影響，需對其進行標(biāo)準(zhǔn)化。本研究利用2012—2017年1—4月中國大陸西南大西洋阿根廷滑柔魚魷釣生產(chǎn)統(tǒng)計數(shù)據(jù)以及對應(yīng)區(qū)域的環(huán)境數(shù)據(jù)，構(gòu)建了20種誤差反向傳播人工神經(jīng)網(wǎng)絡(luò)(error backpropagation network, EBP)模型以標(biāo)準(zhǔn)化CPUE。模型以月份(month)、經(jīng)度(Lon)、緯度(Lat)、海表面溫度(SST)、95 m深層水溫(PT95)、葉綠素濃度(Chl-)、海表面鹽度(SSS)為輸入因子，隱含層結(jié)點數(shù)從1～20個逐步增加，輸出層為CPUE，以決定系數(shù)(2)、最小均方誤差(MSE)和平均相對方差(ARV)作為模型評價標(biāo)準(zhǔn)。結(jié)果顯示，7-18-1結(jié)構(gòu)模型為最優(yōu)模型，輸入層因子權(quán)重從大到小依次為SST、SSS、Month、PT95、Lon、Lat和Chl-。研究表明，最優(yōu)BP神經(jīng)網(wǎng)絡(luò)模型能較好地預(yù)測CPUE時空變化趨勢，可以嘗試用來作為阿根廷滑柔魚CPUE標(biāo)準(zhǔn)化的新方法。

阿根廷滑柔魚；BP神經(jīng)網(wǎng)絡(luò)；CPUE標(biāo)準(zhǔn)化；環(huán)境因子

阿根廷滑柔魚()屬頭足綱(Cephalopoda)、槍形目(Teuthoidea)、柔魚科(Ommastrephidae)、滑柔魚屬()，為大洋性淺海種，壽命短，生長迅速，整個種群幾乎為單一世代組成，產(chǎn)卵后死亡。通常分布于西南大西洋22°～54°S巴塔哥尼亞大陸架和大陸坡50～1000 m水深的區(qū)域，尤其集中于35°～52°S的區(qū)域，是目前世界上最重要的商業(yè)性頭足類之一(唐議, 2002; 王堯耕等, 2005)。我國大陸漁船于1997年首次進入西南大西洋進行阿根廷滑柔魚生產(chǎn)，1998―1999年共有20艘船在該海域進行魷釣作業(yè)，到2007年，產(chǎn)量僅次于中國臺灣和阿根廷，在2015年取得了年產(chǎn)47萬t的突破，已成為我國遠洋魷釣漁業(yè)的一個重要組成部分(岳冬冬等, 2014; 宋偉華等, 2002)。

阿根廷滑柔魚是一種典型的生態(tài)機會主義魚種，對環(huán)境的微小變化和捕撈死亡率非常敏感(Waluda, 1999)，資源年際和年間波動較大，準(zhǔn)確估計西南大西洋阿根廷滑柔魚的資源豐度是其可持續(xù)開發(fā)的基礎(chǔ)。通常，單位捕撈努力量漁獲量(catch per unit effort, CPUE)作為一種豐度指數(shù)，被假設(shè)為與資源豐度成正比(Hilborn, 1992)，在魚類資源評估和管理中起著不可或缺的作用(Maunder, 2004)。然而，名義CPUE與資源量間的正比關(guān)系常因受眾多因素(如時間、空間、環(huán)境、漁船參數(shù)等)的影響而難以成立(田思泉等, 2010; 官文江等, 2014)，短生命周期的阿根廷滑柔魚更是如此，必須對其CPUE進行標(biāo)準(zhǔn)化(Chen, 2009)。

圖1 研究區(qū)域

陸化杰等(2013a、b)利用廣義線性模型(general linear model, GLM)、廣義加性模型(generalized additive model, GAM)和基于貝葉斯的廣義線性模型(general linear Bayesian model, GLBM)對阿根廷滑柔魚進行了CPUE標(biāo)準(zhǔn)化，認為GAM模型和GLBM模型更適用于西南大西洋阿根廷滑柔魚漁業(yè)的CPUE標(biāo)準(zhǔn)化。GLM模型在處理因變量和多個預(yù)測變量之間的非線性關(guān)系方面有明顯的局限性，無法靈活表達非線性關(guān)系，無法處理應(yīng)變量間存在的相關(guān)性。GLBM模型也是建立在線性假設(shè)基礎(chǔ)上，且在給定捕魚期內(nèi)，漁船通常集中在環(huán)境條件相似的位置，漁場環(huán)境梯度較小，這可能會導(dǎo)致貝葉斯方法在預(yù)測中丟失有效信息(Cao, 2011)。GAM模型雖然能提供更大的靈活性，以適應(yīng)解釋變量和CPUE之間不同形式的關(guān)系，但其任何形式的推斷過程均可能存在問題(官文江等, 2014)。目前，非線性技術(shù)已被用于CPUE標(biāo)準(zhǔn)化研究，如人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)，與GLM和GAM相比，ANN擁有更大的靈活性和非線性學(xué)習(xí)能力而實現(xiàn)了更高的預(yù)測性能，不要求數(shù)據(jù)滿足任何假設(shè)，也不需要分析魚類對于環(huán)境條件的響應(yīng)函數(shù)和各環(huán)境條件之間的相互關(guān)系，具有很好的自主學(xué)習(xí)能力和很強的泛化和容錯能力，已成為漁業(yè)研究中模擬非線性關(guān)系的一種強大方法(Suryanarayana, 2008; Demuth, 2014)。誤差反向傳播人工神經(jīng)網(wǎng)絡(luò)(error backpropagation network, EBP)，由McClelland等(1986)首先提出，屬于多層前向神經(jīng)網(wǎng)絡(luò)，采用誤差反向傳播的監(jiān)督算法，能夠?qū)W習(xí)和存儲大量的模式映射關(guān)系，在很多領(lǐng)域得到了廣泛應(yīng)用(韓力群, 2006; 汪金濤等, 2014a)。BP神經(jīng)網(wǎng)絡(luò)已經(jīng)被成熟運用于西南大西洋阿根廷滑漁場預(yù)報研究，精度高(李娜等, 2017; 汪金濤等, 2015)，但尚無利用BP神經(jīng)網(wǎng)絡(luò)進行阿根廷滑柔魚CPUE標(biāo)準(zhǔn)化的研究。

本研究選取2012―2017年1―4月我國魷釣船隊在西南大西洋的阿根廷滑柔魚生產(chǎn)數(shù)據(jù)，以CPUE為資源豐度相對指數(shù)，結(jié)合與其資源豐度變化密切相關(guān)的環(huán)境因素(陳新軍等, 2004; 張煒等, 2008; 伍玉梅等, 2009; 鄭麗麗等, 2011)，包括海表面溫度(sea surface temperature, SST)、95 m深層水溫(potential temperature 95, PT95)、葉綠素濃度(Chlorophyll-, Chl-)、海表面鹽度(sea surface salinity, SSS)以及經(jīng)度(longitude)、緯度(latitude)和月份(month)等，構(gòu)建多種BP神經(jīng)網(wǎng)絡(luò)模型，預(yù)測西南大西洋阿根廷滑柔魚CPUE時空變化趨勢，并探索CPUE與上述因子之間的關(guān)系，旨在為阿根廷滑柔魚漁業(yè)生產(chǎn)及管理保護提供參考。

1 材料與方法

1.1 材料來源

2012—2017年1—4月我國魷釣船隊在西南大西洋的生產(chǎn)數(shù)據(jù)來源于中國遠洋漁業(yè)數(shù)據(jù)中心，數(shù)據(jù)字段包括作業(yè)日期、作業(yè)位置、作業(yè)船數(shù)和漁獲量。

海洋環(huán)境數(shù)據(jù)包括SST、Chl-、SSS和PT95。其中，SST和Chl-數(shù)據(jù)來源于Oceanwatch (http:// oceanwatch.pifsc.noaa.gov)，SSS數(shù)據(jù)來源于哥倫比亞大學(xué)氣候數(shù)據(jù)實驗室網(wǎng)站(http://iridl.ldeo.columbia. edu)，PT95數(shù)據(jù)來源于夏威夷亞太數(shù)據(jù)中心(apdrc. soest.hawaii.edu)。時間跨度為2012―2017年1―4月，空間跨度為40°S～50°S、55°W～65°W。

將生產(chǎn)數(shù)據(jù)與環(huán)境數(shù)據(jù)按月的時間分辨率以及0.2°×0.2°空間分辨率進行匹配融合，形成網(wǎng)格狀數(shù)據(jù)。

1.2 CPUE計算及其歸一化

CPUE為每艘漁船每天的捕撈產(chǎn)量，第年、月、經(jīng)度、緯度對應(yīng)的月均CPUE定義為：

為了使CPUE更加便于研究，對生產(chǎn)數(shù)據(jù)中的名義CPUE去異常值和缺失值，再用取對數(shù)法以及最大–最小值法對數(shù)據(jù)進行歸一化處理，最后得到2498條數(shù)據(jù)(圖2)。

圖2 2012—2017年1—4月CPUE頻度分布

1.3 神經(jīng)網(wǎng)絡(luò)模型

BP算法主要由學(xué)習(xí)過程的正向傳播和反向傳播組成。正向傳播時，樣本從輸入層進入，經(jīng)過隱含層的處理后傳向輸出層。如果輸出層的實際值與期望輸出值之間誤差過大，則轉(zhuǎn)向誤差的反向傳播階段。反向傳播過程則是從輸出層到輸入層的逐層反傳過程，并在反傳的過程中將誤差分攤給各層的單元，獲得各層單元的誤差信號，將此誤差信號作為修正的依據(jù)。正向傳播與誤差的反向傳播都是周而復(fù)始進行的，權(quán)重在不斷地調(diào)整，即神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)過程，此過程直至達到模型可接受的誤差范圍內(nèi)才會結(jié)束(胡潔等, 2010)。BP模型網(wǎng)絡(luò)結(jié)構(gòu)主要由輸入層、隱含層(中間層)和輸出層組成(圖3)。

圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

隨機選取數(shù)據(jù)集的70%作為訓(xùn)練樣本集，30%作為測試樣本集，最大訓(xùn)練批次100次。神經(jīng)網(wǎng)絡(luò)模型的輸入層包括時間因子(Month)、空間因子(Lon和Lat)和環(huán)境因子(SST、PT95、SSS和Chl-)，輸出層為CPUE，1個隱含層，結(jié)點數(shù)從1至20逐個增加，建立不同結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)(圖3)。

研究以決定系數(shù)2、最小均方誤差(MSE)以及平均相對方差(ARV)評價各結(jié)構(gòu)模型精度，選擇最優(yōu)模型。利用簡單的線性回歸建模(觀測值與神經(jīng)網(wǎng)絡(luò)預(yù)測值)提取2，2越接近1，模型精度越高(鄧多等, 2020)。MSE也可作為判斷最優(yōu)模型的標(biāo)準(zhǔn)(汪金濤等, 2014b)，MSE的函數(shù)定義見公式(2)，MSE越小，則BP神經(jīng)網(wǎng)絡(luò)預(yù)測的結(jié)果越準(zhǔn)確。ARV衡量神經(jīng)網(wǎng)絡(luò)泛化能力，ARV的函數(shù)定義見公式(3)，ARV值越小，模型越穩(wěn)定，神經(jīng)網(wǎng)絡(luò)泛化能力越強，預(yù)測效果越好。如果ARV=0，表示模型完全達到了預(yù)期結(jié)果(楊虞微等, 2005; Wang, 2018a)。

利用多次交叉驗證評價模型穩(wěn)定性。每次循環(huán)時，將數(shù)據(jù)按70%和30%的比例隨機分為訓(xùn)練樣本和測試樣本，模型訓(xùn)練結(jié)束后，利用測試樣本計算模型精度指標(biāo)。進行100次循環(huán)得到20個模型的2、MSE和ARV值的分布，綜合3個指標(biāo)的大小及變化趨勢選取最優(yōu)模型。

1.4 輸入因子重要度

神經(jīng)網(wǎng)絡(luò)解釋圖(neural interpretation diagram, NID)可以將輸入層到隱含層、隱含層到輸出層之間的連接權(quán)重用直線表示。神經(jīng)網(wǎng)絡(luò)的非線性映射能力強，訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)可獲得各層間的連接權(quán)重，直線的粗細表示連接權(quán)重絕對值的大小，即信號作用的強弱(?zesmi, 1999)。Garson算法(Garson, 1991)是基于連接權(quán)重的神經(jīng)網(wǎng)絡(luò)敏感性分析方法，它可以借助神經(jīng)網(wǎng)絡(luò)獲得權(quán)重的靈敏度，利用連接權(quán)重的乘積得到輸入變量對輸出變量的重要程度，即相對貢獻值，能直觀反映輸入層各個因子的重要程度。

1.5 預(yù)測CPUE時空分布

利用最優(yōu)模型預(yù)測2012—2017年的1—4月滑柔魚空間CPUE，進行歸一化處理后繪制空間熱力分布圖，與名義CPUE進行空間位置對比分析。

2 結(jié)果

2.1 最優(yōu)模型

模型精度分布圖顯示(圖4a)，2隨隱含層結(jié)點數(shù)增加而逐漸增大，模型18的2最大；MSE值隨隱含層結(jié)點數(shù)增加，波動下降，模型18的MSE值最小(圖4b)；ARV值分布趨勢與MSE值相似，模型1～4下降趨勢明顯，模型5～16較為平緩，模型17～20的ARV值先降后增，模型19的ARV值最低(圖4c)。綜上所述，模型18為相對最優(yōu)模型(圖4)。

2.2 輸入因子權(quán)重

模型因變量與自變量之間存在非常復(fù)雜的非線性關(guān)系(圖5)，各變量的貢獻率從大到小依次為SST、SSS、month、PT95、Lon、Lat和Chl-(圖6)。

2.3 CPUE空間分布

整體上看，名義CPUE在該海域主要以東北–西南走向分布，2014和2015年顯著高于其他年份。預(yù)測值的范圍較名義值分布更廣，且變化更大。部分月份，如2014年1—3月，在研究海域東北邊緣出現(xiàn)異常偏高；每年1月分布預(yù)測結(jié)果較差，高值區(qū)主要分布于研究海域西南部；每年2月預(yù)測CPUE最高，高值區(qū)主要分布在研究海域的西南部和東北部。每年3、4月預(yù)測結(jié)果分布在東北–西南條帶狀較為明顯。部分月份高預(yù)測值分布在遵循東北–西南大趨勢下出現(xiàn)較為明顯的東西緯向上的延伸，如2014年4月。東北–西南走向的高值區(qū)分布模式與大部分月份的實際作業(yè)區(qū)分布較為吻合，如2012年2月、2015年3月、2016年3月、2017年3月等比較顯著(圖7)。

2.4 CPUE時間變化

月均歸一化名義CPUE在(0, 0.5)區(qū)間內(nèi)有較大的波動，而月均歸一化預(yù)測CPUE則波動幅度較小，主要在(0.2, 0.3)區(qū)間內(nèi)小幅波動。在同一時間，雖然月均名義CPUE和月均預(yù)測CPUE大小有一定差別，但在時間變化趨勢上二者有較高的一致性(圖8)，且每年的2月預(yù)測值相對偏高，這與空間分布圖表達的結(jié)果較為吻合。時間變化趨勢上，在2016年1月出現(xiàn)了較大的偏差，呈現(xiàn)負相關(guān)(圖9)。

圖4 所有模型的R2、MSE及ARV大小分布

圖5 模型18神經(jīng)網(wǎng)絡(luò)解釋圖

圖6 模型18 Garson圖

圖7 2012—2017年1—4月預(yù)測CPUE頻度分布

3 分析與討論

阿根廷滑柔魚作為一種短生命周期的種類，其資源變動和漁場分布對海洋環(huán)境條件較為敏感，其資源的評估必須要采用標(biāo)準(zhǔn)化CPUE。本研究提出一種基于BP神經(jīng)網(wǎng)絡(luò)的阿根廷滑柔魚CPUE標(biāo)準(zhǔn)化的研究方法，建立了對2012—2017年西南大西洋阿根廷滑柔魚CPUE標(biāo)準(zhǔn)化的20種不同的神經(jīng)網(wǎng)絡(luò)模型，根據(jù)2、MSE和ARV選出最優(yōu)模型，并對CPUE進行預(yù)測和驗證。

3.1 輸入因子重要度

對阿根廷滑柔魚CPUE分布影響權(quán)重自大到小分別為SST、SSS、Month、PT95、Lon、Lat和Chl-。各個因子間重要度相差較小，說明都是影響阿根廷滑柔魚時空分布的重要因素，其中，SST為最重要的海洋環(huán)境因子。這與以往學(xué)者的研究結(jié)果較為一致，如Sacau等(2005)在阿根廷滑柔魚資源豐度時空預(yù)測建模研究中認為，SST、Lon、Lat和Month為最重要的影響因子；Chang等(2015)研究認為，海水溫度是海洋因子的代表，加之巴西暖流和?？颂m寒流在此匯聚，使海水溫度對滑柔魚分布有更顯著影響；Bazzino等(2005)發(fā)現(xiàn)，3—8月，阿根廷滑柔魚偏愛水深為80～280 m的中層和外部大陸架較冷水層，11、12月，偏愛深度為70～90 m的較淺、較溫暖水層，表明種群分布與深層溫度之間存在顯著關(guān)聯(lián)，阿根廷滑柔魚具有晝夜垂直移動現(xiàn)象，通常其深層溫度及溫躍層有無也是尋找中心漁場的指標(biāo)之一(陳新軍等, 2012)。本研究建模時，在輸入層因子中加入95 m水層溫度，且表明PT95為較重要的環(huán)境因子(圖6)。在空間要素中，Lon的貢獻率略大于Lat，這可能是由于受巴西暖流和馬爾維納斯寒流的影響(Piola, 2019)，海水溫、鹽結(jié)構(gòu)也會有緯向上的擾動，海水溫、鹽度會隨之發(fā)生變化，影響滑柔魚分布。Chl-是代表海水浮游生物量的指標(biāo)之一，對西南大西洋阿根廷滑柔魚漁場的形成有重要影響(Wang, 2020)，但在該模型中貢獻率最低，可能是由于Chl-濃度受海水溫、鹽狀況影響較大(金思韻等, 2012)，其重要度在海表面溫度以及海表面鹽度都有貢獻時顯得較后二者更低。

圖8 名義CPUE與預(yù)測CPUE分布

圖9 CPUE月變化

3.2 CPUE空間分布

預(yù)測結(jié)果較實際值偏低，這是由于BP神經(jīng)網(wǎng)絡(luò)模型在進行預(yù)測的過程中，誤差累計現(xiàn)象明顯(付川等, 2019)。從預(yù)測CPUE的空間分布看，與實際的名義CPUE分布有一定的相關(guān)性，有著近似的分布趨勢，但也有一些月份模型預(yù)測效果較差，其原因可能是商業(yè)捕撈數(shù)據(jù)量較小，并且由于此次CPUE預(yù)測是對整個研究海域而言，以局限的點預(yù)測完整的面，導(dǎo)致部分月份精準(zhǔn)性較差。部分月預(yù)測結(jié)果在研究海域東北角出現(xiàn)異常，可能是由于模型的系統(tǒng)性誤差導(dǎo)致，無法對研究區(qū)域邊緣進行準(zhǔn)確預(yù)測。預(yù)測CPUE主要呈東北–西南走向分布，這可能與漁船作業(yè)區(qū)域、線路和阿根廷滑柔魚洄游路線有關(guān)。1—2月，中國魷釣漁船在西南大西洋捕撈的阿根廷滑柔魚主要以夏季產(chǎn)卵群體(summer spawning stock, SSS)為主；從2月中旬開始，有部分南部巴塔哥尼亞群體(south patagonic stock, SPS)；從3月開始，SPS成為漁場的主要亞群，SSS群體的產(chǎn)卵場主要分布在?？颂m或巴西海流控制下44°S附近陸坡，SPS群體的產(chǎn)卵場主要分布在42～47°S的大陸坡中部(劉巖等, 2012)。阿根廷滑柔魚的洄游路線主要是從南部冷水索餌區(qū)(馬爾維納斯/?？颂m洋流)到偏北部溫暖的產(chǎn)卵區(qū)(巴西洋流) (Bazzino, 2005)，且東北–西南走向也與南美洲大陸西海岸線相平行，垂直于大陸架逐漸向深海延伸的方向，得益于寒暖流的交匯所帶來的底層海水上泛帶來了大陸架陸坡底層的營養(yǎng)物質(zhì)，阿根廷滑柔魚資源分布與海岸線接近平行，也說明了水深與不同水層的水溫對分布有著重要影響。本研究在環(huán)境數(shù)據(jù)中加入的95 m水層水溫表現(xiàn)出較高的貢獻率，也進一步佐證了上面的觀點。由于模型預(yù)測只考慮建模時的輸入因子，但魚類種群分布受到多樣而復(fù)雜的因素的影響，尤其是一年生的阿根廷滑柔魚，對環(huán)境變化和人為活動非常敏感(Arkhipkin, 2013)，使模型預(yù)測結(jié)果并不完全理想。模型的不確定性主要來自數(shù)據(jù)采集和模型參數(shù)的不確定性(Wang, 2018b)。本研究漁獲數(shù)據(jù)僅來源于中國大陸，數(shù)據(jù)量較為欠缺，進一步影響了模型預(yù)測。

3.3 CPUE時間變化

從時間變化來看，預(yù)測CPUE波動很小，且數(shù)值較名義CPUE普遍較小，可能是由于預(yù)測過程在很大程度上消除了空間、時間和環(huán)境因素對CPUE的影響，使其波動較小。名義CPUE與預(yù)測CPUE在變化趨勢上有較強的一致性，表明該BP神經(jīng)網(wǎng)絡(luò)模型能夠預(yù)測CPUE的時間變化趨勢，但無法準(zhǔn)確地預(yù)測CPUE值。預(yù)測月均值在每年的2月達到最高，實際的阿根廷滑柔魚漁汛期主要在1—4月(鄭麗麗等, 2011; 陳新軍等, 2005)，且在2、3月名義CPUE達到高峰，這與預(yù)測結(jié)果較為一致。在時間序列上，主要在2016年1月出現(xiàn)較大偏差，是由于該月名義CPUE異常偏低，可能是由于2015年的過度捕撈影響了阿根廷滑柔魚的資源補充。在其他時間段，模型預(yù)測結(jié)果與實際趨勢較吻合。

研究認為，7-18-1結(jié)構(gòu)模型為最優(yōu)模型，海表面溫度(SST)、海表面鹽度(SSS)、月份(Month)、95 m深層水溫(PT95)、經(jīng)度(Lon)、緯度(Lat)、葉綠素濃度(Chl-)皆對阿根廷滑柔魚的CPUE分布有顯著影響。CPUE空間預(yù)測結(jié)果為東北、西南偏高，整體呈東北–西南走勢，與作業(yè)區(qū)域分布趨勢較為接近。預(yù)測CPUE與名義CPUE時空變化趨勢有很強的一致性，表明該模型雖然無法準(zhǔn)確預(yù)測CPUE，但可以預(yù)測CPUE變化趨勢。因此，該神經(jīng)網(wǎng)絡(luò)模型能較好地預(yù)測CPUE的時間和空間變化趨勢，可以嘗試用作阿根廷滑柔魚CPUE標(biāo)準(zhǔn)化的新方法。

3.4 不足及未來展望

本研究考慮了SSS、Chl-、SST和PT95 4個環(huán)境要素，若數(shù)據(jù)資料充足，可以考慮將海平面高度及異常、更多水層水溫、海水密度、南極震蕩(Antarctic oscillation, AAO)、南方濤動指數(shù)(southern oscillation index, SOI)、凈初級生產(chǎn)力等要素納入研究，可以增加模型準(zhǔn)確性。后續(xù)研究還可以考慮其他時間分辨率和空間分辨率，對比研究結(jié)果，以尋求最佳時間和空間分辨率。本研究僅分析了單隱含層的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，對于多隱含層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是否能用于標(biāo)準(zhǔn)化資源豐度或者提高預(yù)報精度，有待進一步研究。另外，BP神經(jīng)網(wǎng)絡(luò)是一種黑箱模型，其本質(zhì)是一種梯度下降算法，不可避免地具有收斂速度慢、局部最優(yōu)、穩(wěn)定性差等缺點，如何提高該方法在漁業(yè)分布研究中的準(zhǔn)確性和穩(wěn)定性也有待更多的探索。因為零值對神經(jīng)網(wǎng)絡(luò)建模有一定負面影響，本研究對所采用的漁業(yè)數(shù)據(jù)的零值進行了剔除，BP神經(jīng)網(wǎng)絡(luò)容易陷入局部極小值，如何在零膨脹情況下或其他極小值干擾的情況下合理建模也是亟待解決的問題。

ARKHIPKIN A I. Squid as nutrient vectors linking southwest Atlantic marine ecosystems. Deep Sea Research Part Ⅱ: Topical Studies in Oceanography, 2013, 95: 7–20

BAZZINO G, QUINONES R A, NORBIS W. Environmental associations of shortfin squid(Cephalopoda: Ommastrephidae) in the Northern Patagonian Shelf. Fisheries Research, 2005, 76(3): 401–416

CAO J, CHEN X, CHEN Y,. Generalized linear Bayesian models for standardizing CPUE: An application to a squid-jigging fishery in the northwest Pacific Ocean. Scientia Marina, 2011, 75(4): 679–689

CHANG K Y, CHEN C S, WANG H Y,. The Antarctic oscillation index as an environmental parameter for predicting catches of the Argentine shortfin squid () (Cephalopoda: Ommastrephidae) in southwest Atlantic waters. Fishery Bulletin, 2015, 113(2): 202–212

CHEN C S, CHIU T S. Standardizing the CPUE for thefishery in the southwest Atlantic. Fisheries Science, 2009, 75(2): 265–272

CHEN X J, LU H J, LIU B L,. Forecasting fishing ground ofby using habitat suitability model in the southwest Atlantic. Journal of Shanghai Ocean University, 2012, 21(3): 431–438 [陳新軍, 陸化杰, 劉必林, 等. 利用棲息地指數(shù)預(yù)測西南大西洋阿根廷滑柔魚漁場. 上海海洋大學(xué)學(xué)報, 2012, 21(3): 431–438]

CHEN X J, ZHAO X H. The relationship between the distribution of production of squidand sea surface temperature in the southwest Atlantic Ocean. Journal of Dalian Ocean University, 2005, 20(3): 222–228 [陳新軍, 趙小虎. 西南大西洋阿根廷滑柔魚產(chǎn)量分布與表溫關(guān)系的初步研究. 大連水產(chǎn)學(xué)院學(xué)報, 2005, 20(3): 222–228]

CHEN X J, LIU J L. Preliminary analysis on the relationship between the distribution of fishing ground ofand SST in the Patagonian shelf. Marine Fisheries Research, 2004, 25(6): 19–24 [陳新軍, 劉金立. 巴塔哥尼亞大陸架海域阿根廷滑柔魚漁場分布及與表溫的關(guān)系分析. 海洋水產(chǎn)研究, 2004, 25(6): 19–24]

DEMUTH H B, BEALE M H, DE JESS O,. Neural network design. Martin Hagan, 2014

DENG D, CHEN J K, PEI L. A deep confidence network-based method for predicting the safety factor of deep slip stability of gravity dams. Water Resources Planning and Design, 2020(9): 140–145 [鄧多, 陳建康, 裴亮, 等. 基于深度置信網(wǎng)絡(luò)的重力壩深層抗滑穩(wěn)定安全系數(shù)預(yù)測方法. 水利規(guī)劃與設(shè)計, 2020(9): 140–145]

FU C, LIU G, ZHAO Z D,. Forecast model of natural gas daily load in winter based on residual correction. Oil-Gas Field Surface Engineering, 2019, 38(10): 25–30 [付川, 劉剛, 趙忠德, 等. 基于殘差修正的冬季天然氣日負荷預(yù)測模型. 油氣田地面工程, 2019, 38(10): 25–30]

GARSON D G. Interpreting neural network connection weights. Miller Freeman, Inc., 1991, 47–51

GUAN W J, TIAN S Q, WANG X F,. A review of methods and model selection for standardizing CPUE. Journal of Fishery Sciences of China, 2014, 21(4): 852–862 [官文江, 田思泉, 王學(xué)昉, 等. CPUE標(biāo)準(zhǔn)化方法與模型選擇的回顧與展望. 中國水產(chǎn)科學(xué), 2014, 21(4): 852–862]

HAN L Q. Artificial neural network tutorial. Beijing: Beijing University of Posts and Telecommunications Press, 2006 [韓力群. 人工神經(jīng)網(wǎng)絡(luò)教程. 北京: 北京郵電大學(xué)出版社, 2006]

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

HU J, ZENG X J. Fast learning algorith of global convergence for BP-neural network. Journal of Systems Science and Mathematical Sciences, 2010, 30(5): 604–610 [胡潔, 曾祥金. 一種快速且全局收斂的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法. 系統(tǒng)科學(xué)與數(shù)學(xué), 2010, 30(5): 604–610]

JIN S Y, PAN J M, HAN Z B. Spatial and temporal variability of chlorophyllduring the austral summer in Prydz Bay, Antarctica. Chinese Journal of Polar Research, 2012, 24(4): 361–371 [金思韻, 潘建明, 韓正兵. 南極夏季普里茲灣葉綠素的時空變化研究. 極地研究, 2012, 24(4): 361–371]

LI N, LU H J, CHEN X J. Comparison of different forecasting model for fishing ground ofbased on artificial neural networks in the southwest Atlantic Ocean. Journal of Guangdong Ocean University, 2017, 37(1): 65–71 [李娜, 陸化杰, 陳新軍. 基于不同BP神經(jīng)網(wǎng)絡(luò)的西南大西洋阿根廷滑柔魚漁場預(yù)報模型比較. 廣東海洋大學(xué)學(xué)報, 2017, 37(1): 65–71]

LIU Y, ZHANG X M, ZHOU Y,. An analysis of biological characteristics of Argentine shortfin squidcollected by trawl in southwest Atlantic in 2011. South China Fisheries Science, 2012, 8(3): 39–47 [劉巖, 張秀梅, 周游, 等. 2011年西南大西洋拖網(wǎng)漁獲物阿根廷滑柔魚生物學(xué)分析. 南方水產(chǎn)科學(xué), 2012, 8(3): 39–47]

LU H J, CHEN X J, CAO J,. CPUE standardization offor Chinese Mainland squid-jigging fishery in the southwest Atlantic Ocean. Journal of Fisheries of China, 2013a, 37(6): 951–960 [陸化杰, 陳新軍, 曹杰, 等. 中國大陸阿根廷滑柔魚魷釣漁業(yè)CPUE標(biāo)準(zhǔn)化. 水產(chǎn)學(xué)報, 2013a, 37(6): 951–960]

LU H J, CHEN X J, CAO J. CPUE standardization offor Chinese Mainland squid-jigging fishery based on generalized linear Bayesian models. Acta Ecologica Sinica, 2013b, 33(17): 5375–5384 [陸化杰, 陳新軍, 曹杰. 基于GLBM模型的中國大陸阿根廷滑柔魚魷釣漁業(yè)CPUE標(biāo)準(zhǔn)化. 生態(tài)學(xué)報, 2013b, 33(17): 5375– 5384]

MAUNDER M N, PUNT A E. Standardizing catch and effort data: A review of recent approaches. Fisheries Research, 2004, 70(2/3): 141–159

MCCLELLAND J L, RUMELHART D E. PDP Research Group. Parallel distributed processing. Cambridge, MA: MIT Press, 1986

?ZESMI S L, ?ZESMI U. An artificial neural network approach to spatial habitat modelling with interspecific interaction. Ecological Modelling, 1999, 116(1): 15–31

PIOLA A R, MATANO R P. Ocean currents: Atlantic western boundary: Brazil current/Falkland (Malvinas) current. Reference Module in Earth Systems and Environmental Sciences: Encyclopedia of Ocean Sciences (Third Edition), 2019, 3: 414–420

SACAU M, PIERCE G J, WANG J,. The spatial-temporal pattern of Argentine shortfin squidabundance in the southwest Atlantic. Aquatic Living Resources, 2005, 18(4): 361–372

SONG W H, XIONG P F. Research on the developing of Argentine shortfin squid-jig fishing in the south-west Atlantic. Transactions of Oceanology and Limnology, 2002(1): 62–68 [宋偉華, 熊鵬飛. 西南大西洋阿根廷滑柔魚作業(yè)前景的探討. 海洋湖沼通報, 2002(1): 62–68]

SURYANARAYANA I, BRAIBANTI A, RAO R S,. Neural networks in fisheries research. Fisheries Research, 2008, 92(2/3): 115–139

TANG Y. Analysis on biological characteristics of the catch of squid jigging in the southwest Atlantic. Marine Fisheries, 2002(1): 17–22 [唐議. 西南大西洋魷釣作業(yè)漁獲物——阿根廷滑柔魚生物學(xué)分析. 海洋漁業(yè), 2002(1): 17–22]

TIAN S Q, CHEN X J. Impacts of different calculating methods for nominal CPUE on CPUE standardization. Journal of Shanghai Ocean University, 2010, 19(2): 240–245 [田思泉, 陳新軍. 不同名義CPUE計算法對CPUE標(biāo)準(zhǔn)化的影響. 上海海洋大學(xué)學(xué)報, 2010, 19(2): 240–245]

WALUDA C M, TRATHAN P N, RODHOUSE P G. Influence of oceanographic variability on recruitment in the(Cephalopoda: Ommastrephidae) fishery in the south Atlantic. Marine Ecology Progress Series, 1999, 183: 159–167

WANG J T, GAO F, LEI L,. Application of BP neural network based on principal component analysis in fishing grounds of chilean jack mackerel () in the southeast Pacific Ocean. Haiyang Xuebao, 2014a, 36(8): 65–71 [汪金濤, 高峰, 雷林, 等. 基于主成分和BP神經(jīng)網(wǎng)絡(luò)的智利竹筴魚漁場預(yù)報模型研究. 海洋學(xué)報, 2014a, 36(8): 65–71]

WANG J T, GAO F, LEI L,. Impacts of temporal and spatial scale as well as environmental data on fishery forecasting models forin the southwest Atlantic. Journal of Fishery Sciences of China, 2015, 22(5): 1007–1014 [汪金濤, 高峰, 雷林, 等. 阿根廷滑柔魚漁場預(yù)報模型最適時空尺度和環(huán)境因子分析. 中國水產(chǎn)科學(xué), 2015, 22(5): 1007–1014]

WANG J T, GAO F, LEI L,. Modeling of fishing grounds forbased on BP neural network in southeast Pacific. Marine Fisheries, 2014b, 36(2): 131–137 [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. 海洋漁業(yè), 2014b, 36(2): 131– 137]

WANG J, CHEN X, CHEN Y. Projecting distributions of Argentine shortfin squid () in the southwest Atlantic using a complex integrated model. Acta Oceanologica Sinica, 2018a, 37(8): 31–37

WANG J, CHEN X, STAPLES K W,. A stock assessment forin southwest Atlantic using an environmentally dependent surplus production model. Acta Oceanologica Sinica, 2018b, 37(2): 94–101

WANG J, JIANG Y, ZHANG J,. Catch per unit effort (CPUE) standardization of Argentine shortfin squid () in the southwest Atlantic Ocean using a habitat-based model. International Journal of Remote Sensing, 2020, 41(24): 9309–9327

WANG Y G, CHEN X J. The resources and biology of economic oceanic squid in the world. Beijing: Ocean Press, 2005, 189–190 [王堯耕, 陳新軍. 世界大洋性經(jīng)濟柔魚類資源及其漁業(yè). 北京: 海洋出版社, 2005, 189–190]

WU Y M, YANG S L, SHEN J H,Fishing grounds characteristics ofin southwest Atlantic. Chinese Journal of Applied Ecology, 2009, 20(6): 1445–1451 [伍玉梅, 楊勝龍, 沈建華, 等. 西南大西洋阿根廷滑柔魚作業(yè)漁場特征. 應(yīng)用生態(tài)學(xué)報, 2009, 20(6): 1445–1451]

YANG Y W, CHEN G. Artificial neural network forecasting method in monitoring technique by spectrometric oil analysis. Spectroscopy and Spectral Analysis, 2005, 25(8): 1339–1343 [楊虞微, 陳果. 光譜油樣分析監(jiān)測技術(shù)中的神經(jīng)網(wǎng)絡(luò)預(yù)測方法. 光譜學(xué)與光譜分析, 2005, 25(8): 1339–1343]

YUE D D, WANG L M, FAN W,.fishery resources management in Argentina and its enlightenment for China. Journal of Agricultural Science and Technology, 2014, 16(6): 124–131 [岳冬冬, 王魯民, 樊偉, 等. 阿根廷滑柔魚漁業(yè)資源管理及對我國的啟示. 中國農(nóng)業(yè)科技導(dǎo)報, 2014, 16(6): 124–131]

ZHANG W, ZHANG J. A discussion about relationship between the distribution of production ofand marine environmental factors in the southwest Atlantic Ocean. Journal of Shanghai Ocean University, 2008, 17(4): 471–475 [張煒, 張健. 西南大西洋阿根廷滑柔魚漁場與主要海洋環(huán)境因子關(guān)系探討. 上海水產(chǎn)大學(xué)學(xué)報, 2008, 17(4): 471–475]

ZHENG L L, WU Y M, FAN W,The distribution of chlorophyll-and its relationship with thefishing ground of southwest Atlantic Ocean. Transactions of Oceanology and Limnology, 2011(1): 63–70 [鄭麗麗, 伍玉梅, 樊偉, 等. 西南大西洋阿根廷滑柔魚漁場葉綠素分布及其與漁場的關(guān)系. 海洋湖沼通報, 2011(1): 63–70]

CPUE Standardization ofBased on BP Neural Network

ZHANG Xiancheng1, WANG Jintao1,2①, CHEN Xinjun1,2

(1. College of Marine Sciences, Shanghai Ocean University Shanghai 201306, China; 2. Key Laboratory of Oceanic Fisheries Exploration, Ministry of Agriculture and Rural Affairs; National Engineering Research Center for Oceanic Fisheries; Key Laboratory of Sustainable Exploitation of Oceanic Fisheries Resources, Ministry of Education; Scientific Observing and Experimental Station of Oceanic Fishery Resources, Ministry of Agriculture and Rural Affairs, Shanghai 201306, China)

is an important economic cephalopod worldwide, as well as an important fishing target for China’s mainland and Taiwan Province. Catch per unit effort (CPUE) is a widely used index to express stock abundance in fisheries. However, CPUE is susceptible to many factors; therefore, it must be standardized. In this research, the statistical data of squid fishing production and the corresponding environmental data from January to April, 2012 to 2017 in mainland China were selected, and the BP neural network method was adopted to establish a model to standardize CPUE. The model uses month, longitude (Lon), latitude (Lat), sea surface temperature (SST), potential temperature of the -95 m layer (PT95), chlorophyll-(Chl-), and sea surface salinity (SSS) as input factors. There were 12 hidden layers, from 4 to 15, and the output layer was CPUE.2, mean squared error (MSE), and average relative variance (ARV) were used as the evaluation criteria of the model. The results showed that a 7-18-1 structure was the optimal model, and the input layer factors in order from high to low weights were SST, SSS, month, PT95, Lon, Lat, and Chl-. The temporal and spatial distribution predictions for the same sea area indicated that although the BP neural network model could not accurately predict the specific values of CPUE, it could predict the temporal and spatial variations of CPUE, which could be used for the CPUE standardization of.

;BP neural network; CPUE standardization; Environmental factors

WANG Jintao, E-mail: jtwang@shou.edu.cn

S931

A

2095-9869(2022)02-0011-10

10.19663/j.issn2095-9869.20210421002

*國家重點研發(fā)計劃(2019YFD0901404)和國家自然科學(xué)基金(NSFC41876141)共同資助 [This work was supported by National Key Research and Development Program of China (2019YFD0901404), and National Natural Science Foundation of China (NSFC41876141)]. 章賢成，E-mail: zxc1179@foxmail.com

汪金濤，E-mail: jtwang@shou.edu.cn

2021-04-21,

2021-05-31

章賢成, 汪金濤, 陳新軍. 基于BP神經(jīng)網(wǎng)絡(luò)的阿根廷滑柔魚資源CPUE標(biāo)準(zhǔn)化研究. 漁業(yè)科學(xué)進展, 2022, 43(2): 11–20

ZHANG X C, WANG J T, CHEN X J. CPUE standardization ofbased on BP neural network. Progress in Fishery Sciences, 2022, 43(2): 11–20

(編輯 馮小花)