鄭好好，楊曉明,2,3，朱江峰,2,3

1.上海海洋大學(xué) 海洋科學(xué)學(xué)院，上海 201306

2.國家遠(yuǎn)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，上海 201306

3.農(nóng)業(yè)農(nóng)村部大洋漁業(yè)開發(fā)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

中西太平洋鰹 (Katsuwonuspelamis) 是世界上重要的漁業(yè)資源，為全球人口供應(yīng)動物性蛋白質(zhì)，并在出口創(chuàng)匯、漁業(yè)轉(zhuǎn)型升級及遠(yuǎn)洋漁業(yè)相關(guān)產(chǎn)業(yè)發(fā)展中作出了重要貢獻(xiàn)。金槍魚圍網(wǎng)漁業(yè)在我國中西太平洋遠(yuǎn)洋漁業(yè)的地位舉足輕重，而鰹是圍網(wǎng)漁業(yè)中的重要捕撈對象[1]。2020 年中西太平洋海域捕撈量的72%為金槍魚圍網(wǎng)捕撈，其中鰹占圍網(wǎng)總捕撈量的82%[2]。多數(shù)研究認(rèn)為，在影響鰹資源的重要因素中海洋環(huán)境因素不可忽視[3-5]，因此，開展有關(guān)海洋環(huán)境與鰹資源關(guān)系的研究具有重要意義。

目前一些研究方法被廣泛應(yīng)用于探討鰹資源空間分布與海洋環(huán)境之間的關(guān)系，如隨機(jī)森林法則[6](Random Forest,RF)、BP 神經(jīng)網(wǎng)絡(luò)[7-8]，廣義加性模型[9](Generalized Additive Model,GAM) 和最大熵模型[10-11](Maximum Entropy Model,MaxEnt)等。然而，這些模型并未考慮海洋環(huán)境因子影響的空間異質(zhì)性問題。針對傳統(tǒng)線性回歸模型所忽略的空間異質(zhì)性問題，地理加權(quán)回歸模型[12-13](Geographically Weighted Regression,GWR) 在一定程度上有所改進(jìn)，但該模型只能反映各變量的平均尺度，未考慮不同變量的空間異質(zhì)性尺度差異，無法體現(xiàn)不同環(huán)境因子的多尺度效應(yīng)，因此也存在一定的估計偏差。

近年來，在分析影響因素空間異質(zhì)性的實證研究中，逐漸納入多尺度地理加權(quán)回歸模型[14](Multi-scale Geographically Weighted Regression,MGWR)，隨著相關(guān)的統(tǒng)計推斷不斷地補(bǔ)充完善，MGWR 模型已較普遍地應(yīng)用于研究中[15-16]，且已證明其在空間尺度差異和異質(zhì)性研究上有較好的擬合效果[17]。MGWR 模型考慮了各影響因子的尺度差異，本研究采用該模型方法，運用到中西太平洋鰹漁獲率與海洋環(huán)境因子關(guān)系研究中，同時為探究MGWR 模型的精度，選取了GAM 和GWR 模型為對照，對比分析這3 種模型的擬合優(yōu)度，探討了不同環(huán)境因子對中西太平洋鰹漁獲率空間分布的影響，選出最合適的模型，為鰹資源的養(yǎng)護(hù)管理和合理開發(fā)利用以及我國金槍魚圍網(wǎng)漁船的生產(chǎn)提供參考依據(jù)。

1 材料與方法

1.1 數(shù)據(jù)來源

1.1.1 漁業(yè)數(shù)據(jù)

漁業(yè)數(shù)據(jù)來源于中西太平洋漁業(yè)委員會 (Western and Central Pacific Fisheries Commission,WCPFC) 所公布的中西太平洋海域圍網(wǎng)漁業(yè)捕撈數(shù)據(jù)，本文選取2005—2019 年140°E—160°W 和15°S—15°N 海域范圍內(nèi)的捕撈對象為鰹的數(shù)據(jù)進(jìn)行研究，時間分辨率為月，空間分辨率為1°×1°，包括年份、月份、經(jīng)緯度、捕撈天數(shù)及漁獲量等。

1.1.2 環(huán)境數(shù)據(jù)

選取與鰹活動和棲息相關(guān)的環(huán)境因子，包括不同水層 (5、55 、100 、150、200 m) 的溫度、鹽度、東西向和南北向海水流速，以及凈初級生產(chǎn)力。所有環(huán)境因子均來自參與第六次國際耦合模式比較計劃 (Coupled Model Intercomparison Project,CMIP6) (https://esgf-node.llnl.gov/search/cmip6/) 氣候-地球系統(tǒng)模式研發(fā)的美國國家大氣科學(xué)研究中心 (National Center for Atmospheric Research,NCAR) 及美國國家大氣海洋局地球流體動力學(xué)實驗室 (National Oceanic and Atmospheric Administration-Geophysical Fluid Dynamics Laboratory,NOAAGFDL)，其中2014 年及以前的環(huán)境數(shù)據(jù)用于評估CMIP6 地球系統(tǒng)模式在歷史時期的模擬表現(xiàn)，2015 年以后使用了最新的綜合評估模型和排放數(shù)據(jù)[18]，本文選取其中的2005—2019 年的環(huán)境數(shù)據(jù)，并通過Matlab R2018b 軟件將其與漁業(yè)數(shù)據(jù)進(jìn)行匹配。時間尺度為月，空間尺度為1°×1°。

1.2 數(shù)據(jù)預(yù)處理

1) 計算2005—2019 年1°×1°各單元漁區(qū)內(nèi)的累計漁獲量和累計作業(yè)時間 (d)，從而獲得2005—2019 年各單元漁區(qū)內(nèi)漁獲率，即名義單位捕撈努力量漁獲量 (Catch per unit effort,CPUE)。

2) 考慮到捕撈時的效率容易受各種因素的影響而產(chǎn)生差異，本文采用名義CPUE 表示漁獲率的分布，其計算公式為：

式中：i,j表示作業(yè)漁船的經(jīng)緯度位置；YCPUE表示名義單位捕撈努力量漁獲量(t·d-1)；Ucatch表示對應(yīng)地點作業(yè)漁船的累計漁獲量 (t)；fdays表示在該作業(yè)位置累計作業(yè)時間 (d)。

1.3 模型與方法

1.3.1 環(huán)境因子的選取

當(dāng)各因子間存在多重共線性時，會出現(xiàn)過擬合而導(dǎo)致模型泛化能力降低。本文采用方差膨脹因子(Variance inflation factor,VIF) 判斷各海洋環(huán)境變量是否存在多重共線性，提取VIF＜7.5 的環(huán)境變量[19]。

1.3.2 GAM

GAM 是一種全局回歸模型，它使用未指定的(即非參數(shù)的)平滑函數(shù)來代替線性協(xié)變量函數(shù)。由于該方法可以有效地分析環(huán)境因子和漁獲率之間的非線性關(guān)系[20-21]，因此被廣泛運用于漁業(yè)研究中。利用GAM 模型建立CPUE 與環(huán)境因子之間的關(guān)系式為：

式中：S(.)為各環(huán)境因子的樣條平滑函數(shù)；εGAM為模型擬合殘差。

1.3.3 GWR 和MGWR

GWR 模型是在傳統(tǒng)的全局回歸模型的基礎(chǔ)上，將數(shù)據(jù)的地理位置納入回歸參數(shù)，在估計局部參數(shù)時考慮相鄰點的空間權(quán)重[22]。其模型表達(dá)式如下：

與經(jīng)典GWR 模型相比，MGWR 模型允許每個變量各自不同的空間平滑水平，這降低了估計的偏誤，同時也產(chǎn)生了更真實有用的空間過程模型，MGWR 模型的計算公式如下：

式(3)、式(4)中：xij是變量xj在i點的值；(ui,vi)代表樣本點的空間地理位置；βj(ui,vi) 是i點上的第j個回歸參數(shù)，是地理位置的函數(shù)，當(dāng)j=0 時，β0(ui,vi)為i點的回歸常數(shù)；k為回歸系數(shù)的總個數(shù)；βbwj代表了第j個影響因子回歸系數(shù)使用的最佳帶寬；εi為隨機(jī)誤差。MGWR 模型的各回歸系數(shù)βbwj均基于局部回歸所得，且?guī)捑邆涮禺愋訹23]，在經(jīng)典GWR中，βj所有影響因子的帶寬都相同。

MGWR 模型的核函數(shù)和帶寬選擇準(zhǔn)則也與經(jīng)典GWR 模型一致，本文采用Gauss 核函數(shù)，帶寬選取準(zhǔn)則為修正的赤池信息準(zhǔn)則 (Corrected Akaike Information Criterion,AICc)。對比可知，MGWR 通過推導(dǎo)出響應(yīng)變量和不同預(yù)測變量之間條件關(guān)系的單獨帶寬，允許不同的過程在不同的空間尺度上運行。MGWR 使用反向擬合算法進(jìn)行校準(zhǔn)，用GWR 參數(shù)估計初始化反擬合過程?；谶@些初始值，校準(zhǔn)過程以迭代的方式工作，在每次迭代中，所有的局部參數(shù)估計和最優(yōu)帶寬都被評估。當(dāng)連續(xù)迭代的參數(shù)估計的差值收斂于指定閾值時，迭代終止。本研究中，收斂閾值取為10-5。

本文MGWR 模型的計算基于美國亞利桑那州立大學(xué)空間分析研究中心 (SPARC) 開發(fā)的MGWR 2.2 軟件 (https://sgsup.asu.edu/SPARC)，該軟件在進(jìn)行模型擬合時可選擇對環(huán)境變量進(jìn)行標(biāo)準(zhǔn)化處理，其表達(dá)式為：

式中：Zij為標(biāo)準(zhǔn)化后的變量值；Xij為實際變量值；和σ分別為實際數(shù)據(jù)的均值和標(biāo)準(zhǔn)差。采用Arc-GIS 10.5 軟件制作地圖。

1.3.4 模型性能評估

為評估模型的性能，本文對比了GAM、GWR和MGWR 模型的AICc、殘差平方和 (Residual sum of squares,RSS)、擬合優(yōu)度 (R2) 和校正后的擬合優(yōu)度 (AdjustedR2)。較低的AICc 值、RSS 值和較高AdjustedR2值意味著模型具有較好的擬合效果。

2 結(jié)果

2.1 環(huán)境因子選取

通過多重共線性診斷，篩選出以下5 個海洋環(huán)境因子，結(jié)果見表1。

表1 解釋變量間方差膨脹因子Table 1 Variance inflation factor among explanatory variables

2.2 模型性能評估

GAM、GWR 和MGWR 模型的計算結(jié)果參數(shù)見表2。與GAM 模型相比，GWR 模型AICc 值略高，調(diào)整后的R2顯著提升；兩個模型的殘差平方和 (Residual Sum of Squares,RSS) 對比顯示，GWR模型的RSS 顯著降低，表明GWR 模型的擬合度高于GAM 模型。在比較GWR 模型和MGWR 模型的參數(shù)時，發(fā)現(xiàn)MGWR 的RSS 和AICc 值明顯較低，顯示出MGWR 模型的結(jié)果優(yōu)于GWR 模型。此外，MGWR 模型調(diào)整后的R2從0.846 增至0.871，進(jìn)一步證明了MGWR 模型的擬合優(yōu)度最好?？傮w而言，MGWR 模型的性能明顯更好，可以用來解釋CPUE 的空間分布。

表2 GAM、GWR 和 MGWR 不同回歸模型性能評價對比Table 2 Comparison of statistical parameters of different linear regression models (GAM,GWR and MGWR)

2.3 模型尺度結(jié)果

MGWR 模型的結(jié)果能直接表現(xiàn)出不同海洋環(huán)境因子的差異化作用尺度(表3)，而GWR 模型僅能反映各變量作用尺度的平均狀態(tài)。經(jīng)典GWR 模型的帶寬為65，為樣本總數(shù)量的5.29%。MGWR 模型顯示各海洋環(huán)境因子的作用尺度有很大差異，最佳擬合帶寬由小到大依次為NPP、U55、S100、SST、V55。截距表示在其他環(huán)境因子確定的情況下，漁獲率所受到的影響，其作用尺度即帶寬為48，占樣本總數(shù)量的3.91%，較低于其他變量的作用尺度。SST 的作用尺度也較小，為54，占樣本總數(shù)的4.40%，說明海表面溫度存在的空間異質(zhì)性較大。S100 和U55 作用尺度均為48，占樣本總數(shù)3.91%，表明這兩個環(huán)境因子也具有較大的空間異質(zhì)性。NPP 作用尺度最小，占樣本總數(shù)量的3.51%，表明空間異質(zhì)性極強(qiáng)。V55 帶寬為1 227，屬于全局尺度，其系數(shù)在空間上表現(xiàn)為平穩(wěn)緩和，幾乎不存在空間異質(zhì)性。

表3 MGWR 與 GWR 帶寬對比結(jié)果Table 3 Bandwidth comparison between classical MGWR and GWR models

2.4 影響因素的空間異質(zhì)性

在CPUE 與環(huán)境影響因素關(guān)系的實際討論中，GWR 和MGWR 模型都考慮了空間非平穩(wěn)性特點及空間尺度問題，但MGWR 模型為每個影響因素納入了不同的空間尺度，充分利用每個變量的不同帶寬(表3)，對中西太平洋鰹的漁獲率進(jìn)行了更精確的回歸分析。MGWR 模型的結(jié)果中，每個海洋環(huán)境因子有其特定的回歸系數(shù)。各環(huán)境因子的具體回歸系數(shù)信息見表4。

表4 基于MGWR的各環(huán)境因子的局部系數(shù)統(tǒng)計描述Table 4 Statistical description of MGWR local coefficient

本文中MGWR 模型各環(huán)境因子局部回歸系數(shù)和顯著性的空間分布(圖1)顯示，SST、S100、U55、V55 和NPP 5 種環(huán)境因子存在顯著的空間差異。MGWR 各因子局部回歸系數(shù)統(tǒng)計描述見表4?？梢园l(fā)現(xiàn)，SST 在大約2/3 區(qū)域?qū)灊O獲率有正向影響，1/3 部分為負(fù)向影響，170°E 為界東西兩側(cè)分別為負(fù)向影響和正向影響(圖1-b)，其中在赤道150°E 附近回歸系數(shù)值最大。影響的平均值為0.162，且標(biāo)準(zhǔn)差較小，說明海表面溫度每增加1 ℃，漁獲率平均增加0.162 個單位。由顯著性分布可知，170°E 以西海域，SST 對鰹漁獲率正向影響的顯著性較強(qiáng)，180°經(jīng)線處負(fù)向影響最為顯著。

圖1 MGWR 模型各環(huán)境因子局部回歸系數(shù)和顯著性的空間分布Fig.1 Spatial distribution of local regression coefficients and significance of each environmental factor in MGWR model

S100 正向影響區(qū)域近73%，平均值為0.574，遠(yuǎn)大于其他因子，同時標(biāo)準(zhǔn)差也較大，因此變異系數(shù)相對較小，表明影響的空間差異較小。從系數(shù)空間分布圖(圖1-c) 可見，總體上S100 對鰹漁獲率影響的顯著性由南至北逐漸增強(qiáng)，其中有兩個較為明顯的區(qū)域，其一為赤道175°E 附近，另一顯著區(qū)域位于赤道西太平洋“暖池”區(qū)域；負(fù)向影響主要分布在10°S 附近。

U55 局部回歸系數(shù)取值介于-2.215～0.997，且變異系數(shù)較大，表明U55 對漁獲率影響的異質(zhì)性較強(qiáng)，負(fù)值比率約68%，因此主要為負(fù)向影響?？傮w上U55 對鰹漁獲率的影響呈現(xiàn)環(huán)形分布狀態(tài)，且負(fù)向影響范圍更加廣泛。標(biāo)準(zhǔn)差較大為0.504，說明局部回歸系數(shù)差異也較大。由圖1-d 可知，赤道170°E 附近為負(fù)向影響中心，影響程度由此向四周遞減；在140°E—155°E、0°—10°S 內(nèi)該系數(shù)變?yōu)檎担腋鶕?jù)顯著性P值分布可知，此處U55 對鰹漁獲率的正向影響最為明顯，但影響范圍較小。

V55 局部回歸系數(shù)介于-0.141～0.553，平均值為0.069，標(biāo)準(zhǔn)差為0.109，正值比率超過80%，可見V55 在全局上對漁獲率產(chǎn)生正向影響，由圖1-e可知，V55 的負(fù)向影響區(qū)域較為分散；但從系數(shù)絕對值來看，其影響程度相對最小。

NPP 主要在65%研究區(qū)域內(nèi)對漁獲率產(chǎn)生正向影響，局部回歸系數(shù)介于-0.787～1.806，平均值為0.172，標(biāo)準(zhǔn)差為0.351。如圖1-f，170°E 兩側(cè)差異明顯，在赤道150°E—160°E 附近NPP 顯著性最顯著，表明該處與鰹漁獲率有較大相關(guān)性。170°E以東區(qū)域，局部回歸系數(shù)主要為負(fù)值，對漁獲率產(chǎn)生負(fù)向影響，且顯著性較弱。

總體上，各環(huán)境因子對鰹漁獲率影響的空間異質(zhì)性程度可由變異系數(shù)表示，本研究中空間異質(zhì)性程度依次為：U55＞SST＞NPP＞S100＞V55。由局部回歸系數(shù)的正負(fù)值比例可知，V55 和S100 正負(fù)值相差比例及正值比例均較大，U55 的負(fù)值比例最大。各環(huán)境因子對鰹漁獲率影響的空間異質(zhì)性呈現(xiàn)東西向差異，SST 和NPP 對漁獲率的影響主要受經(jīng)度位置影響，總體上170°E 兩側(cè)會呈現(xiàn)不同的分布規(guī)律，S100 對漁獲率的影響南北緯差異較為突出(圖1)。同時，局部回歸系數(shù)的絕對值大小表示各環(huán)境因子對鰹漁獲率影響程度大小。本研究顯示，各環(huán)境因子對漁獲率的影響程度依次為：S100＞U55＞NPP＞SST＞V55。

2.5 模型預(yù)測結(jié)果比較分析

由GAM、GWR 和MGWR 模型預(yù)測的中西太平洋鰹漁獲率標(biāo)準(zhǔn)化后的空間分布圖(圖2)可見，不同模型的預(yù)測范圍有所差異，其中GAM 模型預(yù)測的漁獲率高值區(qū)介于140°E—178°W、5°S—2°N 之間，預(yù)測的漁獲率低值區(qū)域主要分布在研究海域外圍 (圖2-a)。MGWR 模型預(yù)測的漁獲率高值區(qū)見圖2-b，分布在A1 和A2 海域范圍內(nèi)，漁獲率低值分布范圍主要在B1、B2、B3 及B4 附近(圖2-b)。與GAM 模型相比，MGWR 模型預(yù)測的漁獲率高值區(qū)范圍較小，而低值區(qū)范圍相對較廣。GWR 模型預(yù)測的漁獲率高值分布區(qū)域與MGWR 模型的結(jié)果幾乎一致，漁獲率低值區(qū)主要為C1、C2 和C3(圖2-c)。與GWR 模型相比，MGWR 模型預(yù)測的漁獲率高值區(qū)域范圍更集中?？傮w而言，由3 個模型預(yù)測的漁獲率空間分布與2005—2019 年CPUE空間分布(圖2-d)可知，與GAM 模型相比，MGWR 和GWR 模型能更好地反映漁獲率的分布狀況。此外，由于各海洋環(huán)境因子具有空間異質(zhì)性特點，GAM 模型無法明確體現(xiàn)其對結(jié)果產(chǎn)生的影響，而MGWR 和GWR模型均能較好地體現(xiàn)出這一特點。

3 討論

3.1 環(huán)境因子對鰹漁獲率影響的空間異質(zhì)性

鰹是大洋性中上層高度洄游性魚類[24]，其資源豐度、集群、資源的分布及洄游與海洋環(huán)境息息相關(guān)[25]。本研究中MGWR 模型結(jié)果顯示(圖1)，SST、S100、U55、V55、NPP 5 種環(huán)境因子對鰹漁獲率的影響均存在顯著的空間差異。S100 對鰹漁獲率主要為正向影響，S100 影響下出現(xiàn)兩個較為明顯的正向區(qū)域，主要原因為赤道170°E 附近受熱帶東太平洋信風(fēng)影響，生成了巨大的涌升流，因此形成了低溫、高鹽的冷舌區(qū)域[26]；S100 影響下另一個高值區(qū)域和赤道西太平洋“暖池”區(qū)域重合度高，“暖池”區(qū)域有高溫、低鹽的特征，當(dāng)鹽度增加時，凈初級生產(chǎn)力提升，從而為鰹提供食物資源[27]，導(dǎo)致產(chǎn)生更顯著的空間聚集效果(圖1-c)。

U55 對研究區(qū)域內(nèi)鰹漁獲率主要為負(fù)向影響(圖1-d)。根據(jù)洋流分布可知，本研究區(qū)域有多條東西向暖流經(jīng)過，大部分區(qū)域都受到了影響，處于洋流流經(jīng)區(qū)域，因此在區(qū)域內(nèi)東西向海流速度對漁獲率分布差異產(chǎn)生了較大影響。本研究中U55 正向影響明顯的區(qū)域處于赤道附近，受赤道暖流影響，洋流方向引導(dǎo)魚群聚集于此[28]。

NPP 對漁獲率主要為正向影響。浮游動植物的生長通常會受到NPP 的影響[29]，NPP 值越大的區(qū)域，其環(huán)境條件對鰹的生存越有利，不同季度冷暖水團(tuán)的鋒面位置會發(fā)生變動，NPP 通常會隨冷暖水團(tuán)的鋒面移動[30]，因此本研究中NPP 主要對鰹漁獲率存在正向影響。

SST 在170°E 以西對漁獲率有顯著的正向影響。已有研究顯示，中西太平洋熱帶海域是一個“暖池-冷舌海洋生態(tài)系統(tǒng)”海域[21,31]，在圖1-b中，正向影響最為顯著的區(qū)域基本在中西太平洋的“暖池”區(qū)域內(nèi)，空間分布范圍較為廣泛，整體資源熱度均較好，其整體環(huán)境特征是高溫和相對較低的葉綠素濃度，并且“暖池”海域靠近陸地及島嶼，因此近岸上升流也提供了較充足的初級生產(chǎn)力[32]。同時在“冷舌”附近漁獲率也受到了一定程度的正向影響，主要是受中東太平洋赤道上升流影響，鋒面區(qū)域也產(chǎn)生了較豐富的初級生產(chǎn)力。金槍魚魚群往往在鋒面地帶獲得豐富的食物資源[29,31]，這和本研究的結(jié)果基本吻合。

總體上，V55 對鰹漁獲率影響的空間異質(zhì)性程度相對最小(表4)，空間異質(zhì)性的影響范圍較小，在正負(fù)影響的差異變化上較為平穩(wěn)緩和(圖1-e)；但V55 對漁獲率的正向影響相對最為明顯，主要體現(xiàn)在靠近巴布亞新幾內(nèi)亞的海域及180°附近(圖1-e)。U55 空間異質(zhì)性程度最大，但目前較少有研究使用海水流速等動力學(xué)因子進(jìn)行分析，未來的研究建議考慮相關(guān)的海洋動力學(xué)因子。SST 和NPP 也有較明顯的影響。S100 對漁獲率的影響在緯度變化上也有東西向差異，但南北緯向差異更為突出，NPP和SST 對漁獲率的影響主要受經(jīng)度位置影響，總體上170°E 兩側(cè)會呈現(xiàn)不同的分布規(guī)律。這是由于170°E 以東海域受熱帶東太平洋信風(fēng)影響，從而產(chǎn)生了涌升流，形成了溫度低、鹽度高、初級生產(chǎn)力高的冷舌區(qū)。暖池邊緣生成的由底層海水上泛且?guī)в写罅繝I養(yǎng)物質(zhì)的輻合區(qū)，聚集了大量的微型浮游動物及浮游植物，使鰹資源擁有了豐富的餌料[33]，形成了良好的產(chǎn)卵場和索餌場。在170°E 以西鰹的空間聚集區(qū)附近海域，海表面溫度相對較高，西部暖鋒有兩個“暖池”向東凸出，有利于鋒面的形成，產(chǎn)生的豐富食物資源為鰹提供了良好的生存條件，鰹的資源量因此較為豐富。

3.2 環(huán)境因子對鰹漁獲率影響程度

本研究中MGWR 模型各環(huán)境因子回歸系數(shù)的絕對值顯示，各環(huán)境因子對漁獲率影響程度大小不同。5 個影響因子中，S100 對漁獲率的影響程度最大，其次為U55、NPP 和SST，V55 的影響程度相對較小。鹽度對鰹漁場影響的研究表明，鹽度在海洋變化中充當(dāng)重要的物理參數(shù)[34-35]。大洋環(huán)流中海水鹽度是有效的示蹤物，且通過對海水密度的調(diào)節(jié)變化，在海洋熱量的垂直輸送上產(chǎn)生了重要影響[36]，海表面溫度異常也間接受到影響[37]。本研究中熱帶中西太平洋海域水分和溫度條件充足，鹽分對表層營養(yǎng)物質(zhì)至關(guān)重要，從而對鰹資源產(chǎn)生重要影響。同時混合層深度受溫度和鹽度作用，對鰹資源也產(chǎn)生了一定影響[38]。U55 對漁獲率大小的影響程度也相對較高。Meehl[28]認(rèn)為，東西向海水流速在熱帶地區(qū)有最大的季節(jié)性變化，海流的變化會引起鹽度、溶解氧、溫度等因素發(fā)生改變，使誘餌產(chǎn)生聚集，海流方向可以引導(dǎo)魚類游向誘餌來源，魚群更容易定位誘餌。受信風(fēng)的影響，東太平洋產(chǎn)生了強(qiáng)烈的涌升流，形成了鹽度高、溫度低等特征的冷舌區(qū)域。冷暖流相遇形成的交匯海域浮游動植物較為充足，是鰹理想的索餌場。因此，本研究認(rèn)為NPP 也是影響鰹漁獲率的重要因子之一。張小龍等[39]認(rèn)為，由于148°E—165°E、6°N—6°S 附近海域存在兩個向東凸出的“暖池”易形成溫度鋒面，為鰹的生存提供了豐富的餌料資源，形成了明顯的空間聚集現(xiàn)象，因此SST 在一定程度上也影響了中西太平洋鰹漁獲率。以往研究認(rèn)為SST 是影響鰹漁獲率的重要因子，但本研究采用平均狀態(tài)下的環(huán)境和資源數(shù)據(jù)，因此SST 的影響程度較次于S100 和NPP。同時從空間形態(tài)觀察來看，S100、NPP 和SST 這三者區(qū)域差異的影響模式相似。

3.3 環(huán)境因子多尺度效應(yīng)

本研究中，由于MGWR 模型考慮了環(huán)境因子的多尺度效應(yīng)，結(jié)果發(fā)現(xiàn)NPP 作用尺度較小，其次為S100 和U55，SST 的作用尺度較大，V55 最大，為全局尺度。NPP 是主要表現(xiàn)食物的因子，其作用尺度較小可能是由于鰹資源捕食范圍受該區(qū)域冷暖水團(tuán)的影響，而冷暖水團(tuán)邊界范圍較狹窄，所以其影響的空間范圍也相對較小。鰹是喜溫性魚類，主要分布在水溫高于29.5 ℃的區(qū)域內(nèi)[34]，本研究區(qū)域內(nèi)暖水團(tuán)范圍較廣，因此SST 的作用尺度較大。近岸上升流和鹽度鋒面均對營養(yǎng)鹽有一定影響[32]，但由于位置較為固定，因此S100 的作用尺度也受到了一定的空間范圍限制。

總體上，SST、NPP 對鰹漁獲率空間分布的影響相似，受到經(jīng)度位置的影響，170°E 兩側(cè)呈現(xiàn)不同的規(guī)律，其中170°E 以西主要為正向影響，且具有明顯的島嶼屬性；170°E 以東主要為負(fù)向影響。這是由于170°E 以東海域在熱帶東太平洋信風(fēng)的作用下，形成溫度低、鹽度高的冷舌區(qū)域；170°E 以西海域，正向影響最為顯著區(qū)域基本在中西太平洋的“暖池”區(qū)域內(nèi)，整體資源熱度均較好，整體上溫度較高、葉綠素濃度相對較低，并且該區(qū)域靠近陸地和島嶼，因此近岸上升流也為其提供了豐富的營養(yǎng)物質(zhì)。S100 南北向差異較為明顯，而V55 沒有明顯的東西或南北向差異。U55 正向影響區(qū)域較小，主要集中在熱帶島嶼附近，原因可能是海流的變化引起島嶼附近鹽度、溶解氧、溫度等因素發(fā)生變化，使餌料產(chǎn)生了聚集[28]。

4 小結(jié)與展望

目前，有關(guān)環(huán)境與鰹關(guān)系的研究主要采用MaxEnt 模型[12]、GAM[40]模型等，但這些模型均未考慮空間異質(zhì)性問題。GWR 模型可以通過結(jié)合不同地理位置的空間屬性差別，來探索不同環(huán)境因子在時空上的差異性影響，并獲得海洋環(huán)境與資源間的時空異質(zhì)性特征。本研究在GWR 模型基礎(chǔ)上引入MGWR 模型，加入了多尺度概念，能捕捉到不同變量的不同影響尺度，考慮了不同環(huán)境因子在影響尺度上的差異性，從而避免了捕獲太多的噪聲和偏誤。因此，是否考慮影響因素的空間尺度會對模型的結(jié)果和分析產(chǎn)生巨大影響。由于本研究采用平均狀態(tài)的環(huán)境和資源數(shù)據(jù)，所用的MGWR 模型未顧及時間序列對海洋資源的影響，建議未來的研究在此基礎(chǔ)上加入時空地理加權(quán)回歸模型，綜合時間和空間兩個維度進(jìn)行分析。