Spatio-temporal dynamic of abundance index of Neon flying squid in relation to environmental variables in the Northwest Pacific Ocean using BP neural network
-
摘要: 西北太平洋柔鱼(Ommastrephes bartramii)是我国鱿钓船队重要捕捞对象，其资源分布的时空变化对资源的可持续开发和利用有重要影响。本文以2000−2015年7−10月西北太平洋柔鱼渔业数据的单位捕捞努力量渔获量作为应变量，以年份、月份、经度、纬度、海表面温度、海表盐度、海面高度、叶绿素a浓度作为自变量，构建BP神经网络模型，推测该段时间西北太平洋柔鱼丰度时空变化规律，并探究环境因子对柔鱼资源丰度的影响。通过比较，确定输入层为年份、月份、经度、纬度、海表面温度和海表盐度，隐含层神经元数量为8的模型均方误差最小，模型最优。结果表明，单位捕捞努力量渔获量年间波动明显，每年的7月、10月柔鱼资源丰度较低，且空间分布分散在整个作业渔场，8月、9月资源丰度较高，并集中在41.5°～43.5°N, 155°～160°E局部区域。研究认为，海表面温度和海表盐度对柔鱼资源丰度时空变动有较大影响，在今后柔鱼资源评估与管理中予以考虑。Abstract: Ommastrephes bartramii is an economically important species for Chinese squid jigging fleet. Understanding the spatio-temporal distribution on fishing ground is crucial to the sustainable utilization of fish resources. The study constructed BP (back propagation) neural network models with different scenarios to speculate the dynamics of O. bartramii abundance based on fishery data in the months of July to October during 2000 to 2015. The model with year, month, longitude, latitude, sea surface temperature (SST), and sea surface salinity (SSS) as independent variables, 8 neurons in hidden layers, had the smallest mean square error, and thus selected as optimal model. The results showed that the significant fluctuation in CPUE between years, the local abundance was low and scattered in July and October, whereas was high and concentrated at 41.5°−43.5°N, 155°−160°E in August and September. Environmental factors, including SST and SSS affect the spatio-temporal distribution of local abundance, and should be considered in stock assessment and management.
-
1. 引言
柔鱼（Ommastrephes bartramii）是一种生态机会主义的大洋性种类，具有短生命周期，分为秋生群和冬春生群，广泛分布在北太平洋海域，属于高度洄游种类（图1），其资源状况易受海洋环境的影响[1]，其中，冬春生群体是我国在西北太平洋重要的商业捕捞对象[2]。中国西北太平洋鱿钓渔业始于1993年，目前，我国每年的柔鱼捕捞量稳定在10万t左右[3]。由于柔鱼类具有重要的生态性和经济性，其资源丰度时空变化及其与环境因子的关系研究越来越受到重视[4-6]，研究方法包括了广义可加模型[7]和栖息地指数模型[8-12]等方法，研究认为，柔鱼的资源动态与海表面温度（Sea Surface Temperature, SST）[13-14]、叶绿素（Chlorophyll a, Chl a）浓度[15]、海表面高度（Sea Surface Height, SSH）[16]和海表面盐度（Sea Surface Salinity, SSS）[17]存在明显关系。同时，柔鱼资源丰度变化也与气候和环境因子有关，例如高雪等[18]建立了不同气候和环境因子组合的柔鱼资源丰度灰色系统预测模型，表明影响柔鱼年间资源丰度的因素主要包括了柔鱼产卵场的SST和Chl a浓度以及太平洋年代际震荡（Pacific Decadal Oscillation, PDO）。另外，机器学习方法，如神经网络也被用于柔鱼资源丰度预测，汪金涛等[19]对比了基于频度统计和BP神经网络预测柔鱼空间分布效果的好坏。
图 1 西北太平洋柔鱼冬生群体空间和洄游分布Figure 1. Spatial distribution and migratory distribution of winter cohort of Ommastrephes bartramii in the Northwest Pacific OceanBP神经网络模型是由Rumelhart和Mc-Celland首先提出的具有多层结构的前向神经网络[20]。BP神经网络具有非线性映射能力，其优化算法用于非线性函数拟合，可以提高拟合精度，使模型具有较强应用性[21-22]；并且模型可以通过合理的自组织网络的拓扑结构，改变神经元的激活特性以及在必要时调整网络的学习参数等方法，提高了信息处理的能力[23]。但是，现有的研究仅是利用神经网络模型对柔鱼的资源丰度进行预测，并没有应用到渔场分析中。如能否利用神经网络模型提取柔鱼资源丰度的时空变化规律并用于其标准化？能否探究柔鱼资源丰度变化模式与环境因子的响应关系？为此，本研究以时空因子（年、月、经度、纬度）和与柔鱼资源丰度变化密切相关的环境因子作为输入变量，以柔鱼单位捕捞努力量渔获量（Catch Per Unit Effort, CPUE）为输出变量建立神经网络空间分布模型，估计2000−2015年柔鱼资源丰度的时空分布，分析环境因子的重要性，研究结果将为柔鱼的资源评估以及资源可持续开发与养护提供科学依据。
2. 材料和方法
2.1 材料来源
中国远洋渔业数据中心收集的2000−2015年7−10月西北太平洋的渔业捕捞数据，空间范围为40°～50°N，150°～170°E，数据内容包括作业时间、作业船数、作业位置及捕捞产量，时间分辨率为天。
环境数据包括SST、Chl a浓度、SSH和SSS。其中，SST、Chl a浓度和SSH数据来源于Oceanwatch（http://oceanwatch.pifsc.noaa.gov）；SSS数据来源于哥伦比亚大学环境数据中心（http://iridl.ldeo.columbia.edu），数据时间分辨率为月，空间分辨率为0.5°×0.5°。
CPUE作为西北太平洋柔鱼的资源丰度指标，生产数据按空间分辨率0.5°×0.5°进行统计，时间分辨率按月进行统计，计算CPUE的公式为[24]
$${{\rm{CPUE}}_{\left( {i,j,m,y} \right)}} = \frac{{{C_{\left( {i,j,m,y} \right)}}}}{{{E_{\left( {i,j,m,y} \right)}}}},$$ (1) 式中，
${{\rm{CPUE}}_{\left( {i,j,m,y} \right)}}$ 表示m月y年，在位置i，j的平均CPUE；${C_{\left( {i,j,m,y} \right)}}$ 表示m月y年，在经纬度位置i，j的总产量；${E_{\left( {i,j,m,y} \right)}}$ 表示m月y年，在位置i，j的总的作业船数。最后将处理的渔业数据与环境数据进行匹配、组合成分析数据集[24]。2.2 BP神经网络模型
研究表明，海洋环境因子SST[13-14]、Chl a浓度[15]、SSH[16]和SSS[17]与柔鱼资源空间分布变化密切相关，因此将这4个环境因素和时空因子作为输入因子；为了确定不同环境因子的重要性，采用向前选择法将环境因子逐个加入模型中，根据拟合优度确定环境因子重要程度，构建4种模型方案（表1）。对于每种方案，随机选取70%的数据集作为训练样本集，剩下30%作为测试样本集，设定学习速率为0.1，动量参数为0.5，最大训练批次为1 000次，最大误差为0.001，隐含层节点数按经验公式选取[25]，公式为
表 1 西北太平洋柔鱼空间分布BP神经网络模型Table 1. Spatial BP neural network models for Ommastrephes bartramii in the Northwest Pacific Ocean方案 输入层因子 BP神经网络模型结构 1 经度、纬度、年份、月份、SST 5-4-1、5-5-1、5-6-1、5-7-1、5-8-1、
5-9-1、5-10-1、5-11-1、5-12-12 经度、纬度、年份、月份、SST、SSS 6-4-1、6-5-1、6-6-1、6-7-1、6-8-1、
6-9-1、6-10-1、6-11-1、6-12-13 经度、纬度、年份、月份、SST、SSS、Chl a浓度 7-4-1、7-5-1、7-6-1、7-7-1、7-8-1、
7-9-1、7-10-1、7-11-1、7-12-14 经度、纬度、年份、月份、SST、SSS、Chl a浓度、SSH 8-4-1、8-5-1、8-6-1、8-7-1、8-8-1、8-9-1、8-10-1、8-11-1、8-12-1、8-13-1 注：BP神经网络模型结构中数字分别表示输入层、隐含层和输出层神经元个数。 $${n_1} = \sqrt {n + m} + a,$$ (2) 式中，n1为隐含层神经元个数；n为输入层神经元个数；m为输出层神经元个数；
$a$ 为[1,10]之间的整数。2.3 模型验证
性能指标均方误差（Mean Squared Error, MSE）最小化作为判断和选择最优模型的标准[26]。
$${\rm{MSE}} = \frac{1}{N}\sum\limits_{t = 1}^N {{{\left( {{{\overline X}_t} - {X_t}} \right)}^2}} ,$$ (3) 式中，MSE为均方误差；N为样本个数；t表示第t个样本；
$ {X}_{t} $ 为第t个样本输出层实际观测值；$ {\overline X}_{t} $ 为第t个样本输出层预测值。MSE越小，BP神经网络预测的结果就越准确，BP神经网络模型越优。2.4 柔鱼资源丰度的估计
利用建立的最优模型估计2000−2015年7−10月40°～50°N，150°～170°E海域范围内的柔鱼资源丰度，空间平均CPUE表示月平均柔鱼资源丰度。
3. 结果
3.1 最优模型
根据均方误差大小（表2，表3），方案1的最优模型结构为5-9-1，训练集样本的均方误差为0.038 9；测试集样本的均方误差为0.038 8；方案2的最优模型结构为6-8-1，训练集样本的均方误差为0.038 2（表2），测试集样本的均方误差为0.038（表3）；方案3的最优模型结构为7-9-1，训练集样本的均方误差为0.047 1，测试集样本的均方误差为0.041 4；方案4的最优模型结构为8-9-1，训练集样本的均方误差为0.042 6，测试集样本的均方误差为0.042 3。根据均方误差越小，模型越优原则，确定方案2为最优方案，最终模型结构为6-8-1，其训练样本集和测试样本集拟合状态如图2和图3所示，其输入层为经度、纬度、年份、月份、SST、SSS，隐含层数为8（图4）。
表 2 不同方案不同隐含层下训练集CPUE的均方误差Table 2. Mean square error of training dataset CPUE for different scenarios隐含层数 方案 1 2 3 4 4 0.042 1 0.041 7 0.043 6 0.045 3 5 0.041 6 0.040 9 0.043 1 0.044 5 6 0.041 0 0.039 5 0.042 5 0.043 8 7 0.040 2 0.038 8 0.042 1 0.043 5 8 0.039 4 0.038 2 0.041 9 0.042 9 9 0.038 9 0.038 4 0.041 7 0.042 6 10 0.039 2 0.038 6 0.041 9 0.043 0 11 0.040 4 0.039 2 0.042 4 0.043 2 12 0.041 3 0.041 5 0.042 9 0.043 8 13 0.041 7 0.042 0 0.043 2 0.044 5 表 3 不同方案不同隐含层下测试集CPUE的均方误差Table 3. Mean square error of testing dataset CPUE for different scenarios隐含层数 方案 1 2 3 4 4 0.041 8 0.041 3 0.043 3 0.044 7 5 0.041 3 0.040 7 0.042 8 0.044 0 6 0.040 6 0.039 2 0.042 2 0.043 4 7 0.039 9 0.038 6 0.041 9 0.043 1 8 0.039 2 0.038 0 0.041 6 0.042 6 9 0.038 8 0.038 3 0.041 4 0.042 3 10 0.039 0 0.038 4 0.041 6 0.042 7 11 0.040 0 0.038 8 0.042 1 0.042 9 12 0.041 1 0.040 7 0.042 7 0.043 3 13 0.041 5 0.041 6 0.043 0 0.044 0 
图 2 西北太平洋柔鱼空间BP神经网络最优模型训练样本集（PCPUE）拟合状态Figure 2. Training dataset fitting of optimal BP neural network (PCPUE) for Ommastrephes bartramii in the Northwest Pacific Ocean
图 3 西北太平洋柔鱼空间BP神经网络最优模型测试样本集（PCPUE）拟合状态Figure 3. Testing dataset fitting of optimal BP neural network (PCPUE) for Ommastrephes bartramii in the Northwest Pacific Ocean
图 4 西北太平洋柔鱼最优空间BP神经网络模型Figure 4. Optimal spatial BP neural network model for Ommastrephes bartramii in the Northwest Pacific Ocean3.2 柔鱼资源丰度空间分布
柔鱼CPUE空间分布在2000−2015年间变化明显。在8−9月，CPUE集中分布比较明显，CPUE较大值大多分布在155°～160°E范围内；各年最高CPUE纬度范围集中在41.5°～43.5°N范围内。2000−2010年，2000年8月、2003年8月、2004年和2005年的10月、2006年7−9月、2007年9月和2008年8月中心渔场范围较大；大部分年份的7月、10月渔场范围较为分散，并且中心渔场范围非常小。2011−2015年各月份的CPUE整体分布较少，柔鱼资源丰度小(图5，图6)。
图 5 2000−2008年西北太平洋柔鱼预测CPUE分布Figure 5. Simulated CPUE distribution of Ommastrephes bartramii from 2000 to 2008 in the Northwest Pacific Ocean
图 6 2009−2015年西北太平洋柔鱼预测CPUE分布Figure 6. Simulated CPUE distribution of Ommastrephes bartramii from 2009 to 2015 in the Northwest Pacific Ocean3.3 柔鱼资源丰度时间变化
时间上，2000−2015年柔鱼预测CPUE呈现年间不断波动的趋势（图7），2000−2003年柔鱼CPUE大致逐年增加，2004−2007年保持较高值，柔鱼资源丰度大；2008−2015年CPUE逐年波动并有减小趋势，CPUE最小值在2013年7月，为0.8 t/d，资源丰度最小；各年7−10月CPUE峰值主要出现在8月或者9月，2004年8月、2007年9月和2008年8月峰值最为明显且分别为4.97 t/d、5.75 t/d和4.40 t/d。各年7−11月平均CPUE在2007年9月最高为5.75 t/d，柔鱼资源丰度最大。
图 7 2000−2015年7−10月份柔鱼资源丰度时间趋势Figure 7. Temporal trend of the abundance of CPUE of Ommastrephes bartramii from July to October during 2000 to 20154. 讨论与分析
根据变量向前选择法和模型精度可知，环境因子SST和SSS对柔鱼的资源丰度空间分布模型的贡献率大于Chl a浓度和SSH。Alabia等[27]利用最大熵模型分析渔场发现，相比SSH、海表面风应力旋转和涡动，SSS和SST对模型的贡献更大；魏广恩[28]对柔鱼CPUE标准化的研究中也发现，SST对CPUE的偏差解释率要大于Chl a浓度，且柔鱼渔场的形成与黑潮和亲潮的动态密切相关[29]；余为等[30]认为，渔场SST能够代表黑潮和亲潮强弱的变化，是影响柔鱼资源丰度动态的关键因子，SSS和SST相结合能够表征海水的水团变化。本研究结论SST和SSS对柔鱼资源丰度时空变动有较大影响与前人基本一致。
但是，渔场中SSH和Chl a浓度也反映了渔场当下水文特征（如涡流）和饵料特征[31]，也能够影响柔鱼空间分布[30]，在后续的研究中可以用于辅助分析。同时，气候变化也影响柔鱼的资源丰度，沈建华等[32]认为，当黑潮较弱或亲潮较强时出现的黑潮大蛇形和表温过低现象导致了2001年太平洋柔鱼产量下降；余为等[16]认为，PDO暖期时其气候条件有利于柔鱼生长和繁殖，且气候事件会对CPUE产生影响，这与本研究得到的CPUE时间序列一致（图6）：2003−2006年处于PDO暖期，CPUE较高，2000−2002年和2009−2015年处于PDO冷期，CPUE较低。
西北太平洋柔鱼为全年产卵生殖的短生命周期物种，以月时间尺度的研究能够发现更丰富的柔鱼阶段性生态习性变化[1]。柔鱼早期幼体生活在35°N以南的黑潮逆流区，以后向北洄游，8−10月性未成熟和性成熟的柔鱼主要分布在40°～46°N亲潮前锋区及其周边海域，10月开始南下进行洄游[33]。在我国柔鱼渔业传统作业海域，8−10月冷暖水交汇，等温线密集，柔鱼渔场较密集，柔鱼丰度较高，7月柔鱼尚未洄游至捕捞海域，资源丰度较低；8月到达索饵场，资源丰度较高；10−11月柔鱼性成熟，开始南下进行产卵洄游，资源丰度减小[34]，这与本研究得到的结果一致（图6）；7−8月柔鱼的CPUE增加，9−11月柔鱼的CPUE减少。
CPUE作为资源丰度的指标，捕捞努力量空间分布、时空尺度的选择会对CPUE标准化产生影响[35]。人工神经网络具有很好的自学习能力和很强的泛化和容错能力[36]，但BP神经网络是典型的“黑盒模型”，在解释CPUE与输入因子之间的关系上缺乏直观性[37]，且在收敛速度上不足，所以学习算法和网络结构优化还有改进空间[38]，今后可研究明确CPUE和环境因子在神经网络模型中具体关系。
本文利用柔鱼渔业数据和其渔场环境数据，构建了BP神经网络空间分布模型，拟合了柔鱼资源丰度，发现神经网络模型能够模拟柔鱼资源丰度的时空变化，探究不同环境因子对柔鱼资源丰度时空变化的重要性，并可用于资源丰度标准化，结果可为柔鱼生产和管理提供参考。
-
图 1 西北太平洋柔鱼冬生群体空间和洄游分布
Fig. 1 Spatial distribution and migratory distribution of winter cohort of Ommastrephes bartramii in the Northwest Pacific Ocean
图 2 西北太平洋柔鱼空间BP神经网络最优模型训练样本集（PCPUE）拟合状态
Fig. 2 Training dataset fitting of optimal BP neural network (PCPUE) for Ommastrephes bartramii in the Northwest Pacific Ocean
图 3 西北太平洋柔鱼空间BP神经网络最优模型测试样本集（PCPUE）拟合状态
Fig. 3 Testing dataset fitting of optimal BP neural network (PCPUE) for Ommastrephes bartramii in the Northwest Pacific Ocean
图 4 西北太平洋柔鱼最优空间BP神经网络模型
Fig. 4 Optimal spatial BP neural network model for Ommastrephes bartramii in the Northwest Pacific Ocean
图 5 2000−2008年西北太平洋柔鱼预测CPUE分布
Fig. 5 Simulated CPUE distribution of Ommastrephes bartramii from 2000 to 2008 in the Northwest Pacific Ocean
图 6 2009−2015年西北太平洋柔鱼预测CPUE分布
Fig. 6 Simulated CPUE distribution of Ommastrephes bartramii from 2009 to 2015 in the Northwest Pacific Ocean
图 7 2000−2015年7−10月份柔鱼资源丰度时间趋势
Fig. 7 Temporal trend of the abundance of CPUE of Ommastrephes bartramii from July to October during 2000 to 2015
表 1 西北太平洋柔鱼空间分布BP神经网络模型
Tab. 1 Spatial BP neural network models for Ommastrephes bartramii in the Northwest Pacific Ocean
方案 输入层因子 BP神经网络模型结构 1 经度、纬度、年份、月份、SST 5-4-1、5-5-1、5-6-1、5-7-1、5-8-1、
5-9-1、5-10-1、5-11-1、5-12-12 经度、纬度、年份、月份、SST、SSS 6-4-1、6-5-1、6-6-1、6-7-1、6-8-1、
6-9-1、6-10-1、6-11-1、6-12-13 经度、纬度、年份、月份、SST、SSS、Chl a浓度 7-4-1、7-5-1、7-6-1、7-7-1、7-8-1、
7-9-1、7-10-1、7-11-1、7-12-14 经度、纬度、年份、月份、SST、SSS、Chl a浓度、SSH 8-4-1、8-5-1、8-6-1、8-7-1、8-8-1、8-9-1、8-10-1、8-11-1、8-12-1、8-13-1 注：BP神经网络模型结构中数字分别表示输入层、隐含层和输出层神经元个数。 
下载: 导出CSV
表 2 不同方案不同隐含层下训练集CPUE的均方误差
Tab. 2 Mean square error of training dataset CPUE for different scenarios
隐含层数 方案 1 2 3 4 4 0.042 1 0.041 7 0.043 6 0.045 3 5 0.041 6 0.040 9 0.043 1 0.044 5 6 0.041 0 0.039 5 0.042 5 0.043 8 7 0.040 2 0.038 8 0.042 1 0.043 5 8 0.039 4 0.038 2 0.041 9 0.042 9 9 0.038 9 0.038 4 0.041 7 0.042 6 10 0.039 2 0.038 6 0.041 9 0.043 0 11 0.040 4 0.039 2 0.042 4 0.043 2 12 0.041 3 0.041 5 0.042 9 0.043 8 13 0.041 7 0.042 0 0.043 2 0.044 5
下载: 导出CSV
表 3 不同方案不同隐含层下测试集CPUE的均方误差
Tab. 3 Mean square error of testing dataset CPUE for different scenarios
隐含层数 方案 1 2 3 4 4 0.041 8 0.041 3 0.043 3 0.044 7 5 0.041 3 0.040 7 0.042 8 0.044 0 6 0.040 6 0.039 2 0.042 2 0.043 4 7 0.039 9 0.038 6 0.041 9 0.043 1 8 0.039 2 0.038 0 0.041 6 0.042 6 9 0.038 8 0.038 3 0.041 4 0.042 3 10 0.039 0 0.038 4 0.041 6 0.042 7 11 0.040 0 0.038 8 0.042 1 0.042 9 12 0.041 1 0.040 7 0.042 7 0.043 3 13 0.041 5 0.041 6 0.043 0 0.044 0
下载: 导出CSV
-
[1] 余为, 陈新军, 易倩, 等. 北太平洋柔鱼早期生活史研究进展[J]. 上海海洋大学学报, 2013, 22(5): 755−756.Yu Wei, Chen Xinjun, Yi Qian, et al. Review on the early life history of neon flying squid (Ommastrephes bartramii) in the North Pacific[J]. Journal of Shanghai Ocean University, 2013, 22(5): 755−756. [2] 陈新军, 王尧耕. 中国远洋鱿钓渔业的发展前景[J]. 中国渔业经济研究, 1999(2): 38−39.Chen Xinjun, Wang Yaogeng. The future of high sea squid angling fishery of China[J]. Chinese Fisheries Economy Research, 1999(2): 38−39. [3] 陈新军. 世界头足类资源开发现状及我国远洋鱿钓渔业发展对策[J]. 上海海洋大学学报, 2019, 28(3): 321−330.Chen Xinjun. Development status of world cephalopod fisheries and suggestions for squid jigging fishery in China[J]. Journal of Shanghai Ocean University, 2019, 28(3): 321−330. [4] Murata M. Oceanic resources of squids[J]. Marine Behaviour and Physiology, 1990, 18(1): 19−71. doi: 10.1080/10236249009378779 [5] 魏广恩, 陈新军. 北太平洋柔鱼(Ommastrephes bartramii)资源渔场研究进展[J]. 广东海洋大学学报, 2016, 36(6): 114−122. doi: 10.3969/j.issn.1673-9159.2016.06.018Wei Guang’en, Chen Xinjun. Review on neon flying squid (Ommastrephes bartramii) resources and fishing ground in the North Pacific Ocean[J]. Journal of Guangdong Ocean University, 2016, 36(6): 114−122. doi: 10.3969/j.issn.1673-9159.2016.06.018 [6] Chen C S, Chiu T S. Abundance and spatial variation of Ommastrephes bartramii (Mollusca: Cephalopoda) in the Eastern North Pacific observed from an exploratory survey[J]. Acta Zoologica Taiwanica, 1999, 10(2): 135−144. [7] 雷林, 汪金涛, 陈新军, 等. 利用渔场环境因子标准化西北太平洋柔鱼CPUE的研究[J]. 海洋学报, 2019, 41(1): 134−141.Lei Lin, Wang Jintao, Chen Xinjun, et al. Standardizing CPUE of Ommastrephes bartramii in the Northwest Pacific Ocean based on environmental factors of habitat[J]. Haiyang Xuebao, 2019, 41(1): 134−141. [8] 余为, 陈新军. 西北太平洋柔鱼栖息地环境因子分析及其对资源丰度的影响[J]. 生态学报, 2015, 35(15): 5032−5039.Yu Wei, Chen Xinjun. Analysis of environmental conditions and their influence on the abundance of neon flying squid in the Northwest Pacific Ocean[J]. Acta Ecologica Sinica, 2015, 35(15): 5032−5039. [9] 温健, 陆鑫一, 陈新军, 等. 基于海表温度和光合有效辐射的西北太平洋柔鱼冬春生群体栖息地热点预测[J]. 上海海洋大学学报, 2019, 28(3): 456−463.Wen Jian, Lu Xinyi, Chen Xinjun, et al. Predicting the habitat hot spots of winter-spring cohort of Ommastrephes bartramii in the northwest Pacific Ocean based on the sea surface temperature and photosynthetically active radiation[J]. Journal of Shanghai Ocean University, 2019, 28(3): 456−463. [10] 崔雪森, 周为峰, 唐峰华, 等. 基于约束线性回归的柔鱼栖息地指数渔场预报模型构建[J]. 渔业科学进展, 2018, 39(1): 64−72. doi: 10.11758/yykxjz.20161207002Cui Xuesen, Zhou Weifeng, Tang Fenghua, et al. The construction of habitat suitability index forecast model of Ommastrephes bartramii fishing ground based on constrained linear regression[J]. Progress in Fishery Sciences, 2018, 39(1): 64−72. doi: 10.11758/yykxjz.20161207002 [11] 高峰, 陈新军, 范江涛, 等. 西南大西洋阿根廷滑柔鱼中心渔场预报的实现及验证[J]. 上海海洋大学学报, 2011, 20(5): 754−758.Gao Feng, Chen Xinjun, Fan Jiangtao, et al. Implementation and verification of intelligent fishing ground forecasting of Illex argentinus in the Southwest Atlantic[J]. Journal of Shanghai Ocean University, 2011, 20(5): 754−758. [12] 陈新军, 陆化杰, 刘必林, 等. 利用栖息地指数预测西南大西洋阿根廷滑柔鱼渔场[J]. 上海海洋大学学报, 2012, 21(3): 431−438.Chen Xinjun, Lu Huajie, Liu Bilin, et al. Forecasting fishing ground of Illex argentinus by using habitat suitability model in the southwest Atlantic[J]. Journal of Shanghai Ocean University, 2012, 21(3): 431−438. [13] Mantua N J, Hare S R. The Pacific Decadal Oscillation[J]. Journal of Oceanography, 2002, 58: 35−44. doi: 10.1023/A:1015820616384 [14] Yu Wei, Chen Xinjun, Yi Qian, et al. A review of interaction between neon flying squid (Ommastrephes bartramii) and oceanographic variability in the North Pacific Ocean[J]. Journal of Ocean University of China, 2015, 14(4): 739−748. doi: 10.1007/s11802-015-2562-8 [15] Wang Wenyu, Zhou Chenghu, Shao Quanqin, et al. Remote sensing of sea surface temperature and chlorophyll-a: implications for squid fisheries in the north-west Pacific Ocean[J]. International Journal of Remote Sensing, 2010, 31(17/18): 4515−4530. [16] 余为, 陈新军, 易倩. 不同气候模态下西北太平洋柔鱼渔场环境特征分析[J]. 水产学报, 2017, 41(4): 525−534.Yu Wei, Chen Xinjun, Yi Qian. Analysis of variations in the environmental conditions on the fishing ground of neon flying squid (Ommastrphes bartramii) in the Northwestern Pacific Ocean under different climate modes[J]. Journal of Fisheries of China, 2017, 41(4): 525−534. [17] 魏广恩. 北太平洋柔鱼渔场的时空分析与资源丰度的预测[D]. 上海: 上海海洋大学, 2018.Wen Guang’en. Ommastrphes bartramii fishing ground and its resource abundance prediction in the North Pacific Ocean[D]. Shanghai: Shanghai Ocean University, 2018. [18] 高雪, 陈新军, 余为. 基于灰色系统的西北太平洋柔鱼冬春生群资源丰度预测模型[J]. 海洋学报, 2017, 39(6): 55−61.Gao Xue, Chen Xinjun, Yu Wei. Forecasting model of the abundance index of winter-spring cohort of neon flying squid (Ommastrephes bartramii) in the Northwest Pacific Ocean based on grey system theory[J]. Haiyang Xuebao, 2017, 39(6): 55−61. [19] 汪金涛, 陈新军, 雷林, 等. 基于频度统计和神经网络的北太平洋柔鱼渔场预报模型比较[J]. 广东海洋大学学报, 2014, 34(3): 82−87. doi: 10.3969/j.issn.1673-9159.2014.03.015Wang Jintao, Chen Xinjun, Lei Lin, et al. Comparisons between two forecasting models of fishing ground based on frequency statistics and neural network for Ommastrephes bartramii in the North Pacific Ocean[J]. Journal of Guangdong Ocean University, 2014, 34(3): 82−87. doi: 10.3969/j.issn.1673-9159.2014.03.015 [20] Bashir Z A, El-Hawary M E. Applying wavelets to short-term load forecasting using PSO-based neural networks[J]. IEEE Transactions on Power Systems, 2009, 24(1): 20−27. doi: 10.1109/TPWRS.2008.2008606 [21] 徐富强, 钱云, 刘相国. GA-BP神经网络的非线性函数拟合[J]. 微机算计信息, 2012, 28(7): 148−149, 145.Xu Fuqiang, Qian Yun, Liu Xiangguo. GA-BP neural network of the nonlinear function approximating[J]. Control & Automation, 2012, 28(7): 148−149, 145. [22] 林宇锋, 邓洪敏, 史兴宇. 基于新的改进粒子群算法的BP神经网络在拟合非线性函数中的应用[J]. 计算机科学, 2017, 44(11A): 51−54. doi: 10.11896/j.issn.1002-137X.2017.11A.009Lin Yufeng, Deng Hongmin, Shi Xingyu. Application of BP neural network based on newly improved particle swarm optimization algorithm in fitting nonlinear function[J]. Computer Science, 2017, 44(11A): 51−54. doi: 10.11896/j.issn.1002-137X.2017.11A.009 [23] 何伟, 谭骏珊, 王楚正, 等. BP神经网络的改进算法及应用[J]. 信息与电脑, 2009(10): 56−57.He Wei, Tan Junshan, Wang Chuzheng, et al. Improved algorithm and application of BP neural network[J]. China Computer & Communication, 2009(10): 56−57. [24] 汪金涛, 高峰, 雷林, 等. 基于主成分和BP神经网络的智利竹筴鱼渔场预报模型研究[J]. 海洋学报, 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 (Trachurus murphyi) in the southeast Pacific Ocean[J]. Haiyang Xuebao, 2014, 36(8): 65−71. [25] 刘刚. 一种综合改进的BP神经网络及其实现[J]. 武汉理工大学学报, 2002, 24(10): 57−60. doi: 10.3321/j.issn:1671-4431.2002.10.017Liu Gang. A kind of comprehensively improved BP neural network and its realization[J]. Journal of Wuhan University of Technology, 2002, 24(10): 57−60. doi: 10.3321/j.issn:1671-4431.2002.10.017 [26] 耿烜, 孙作雷, 刘锋, 等. 基于块对角化的最小均方误差矢量预编码[J]. 上海交通大学学报, 2014, 48(10): 1410−1414, 1420.Geng Xuan, Sun Zuolei, Liu Feng, et al. Minimum mean square error vector precoding based on block diagonalization[J]. Journal of Shanghai Jiao Tong University, 2014, 48(10): 1410−1414, 1420. [27] Alabia I D, Saitoh S I, Mugo R, et al. Seasonal potential fishing ground prediction of neon flying squid (Ommastrephes bartramii) in the western and central North Pacific[J]. Fisheries Oceanography, 2015, 24(2): 190−203. doi: 10.1111/fog.12102 [28] 魏广恩. 北太平洋柔鱼渔场的时空分析与资源丰度的预测[D]. 上海: 上海海洋大学, 2018.Wei Guang’en. Spatial and temporal analysis of Ommastrphes bartramii fishing ground and its resource abundance prediction in the North Pacific Ocean[D]. Shanghai: Shanghai Ocean University, 2018. [29] 范江涛, 陈新军, 曹杰, 等. 西北太平洋柔鱼渔场变化与黑潮的关系[J]. 上海海洋大学学报, 2010, 19(3): 378−384.Fan Jiangtao, Chen Xinjun, Cao Jie, et al. The variation of fishing ground of Ommastrephes bartramii in the Northwest Pacific concerning with Kuroshio current[J]. Journal of Shanghai Ocean University, 2010, 19(3): 378−384. [30] 余为, 陈新军, 易倩, 等. 西北太平洋柔鱼传统作业渔场资源丰度年间差异及其影响因子[J]. 海洋渔业, 2013, 35(4): 373−381. doi: 10.3969/j.issn.1004-2490.2013.04.001Yu Wei, Chen Xinjun, Yi Qian, et al. Annual difference of abundance index and its influencing factors of Ommastrephes bartramii in traditional fishing grounds in the Northwest Pacific[J]. Marine Fisheries, 2013, 35(4): 373−381. doi: 10.3969/j.issn.1004-2490.2013.04.001 [31] 陈芃, 陈新军. 基于最大熵模型分析西南大西洋阿根廷滑柔鱼栖息地分布[J]. 水产学报, 2016, 40(6): 893−902.Chen Peng, Chen Xinjun. Analysis of habitat distribution of Argentine shortfin squid (Illex argentinus) in the southwest Atlantic Ocean using maximum entropy model[J]. Journal of Fisheries of China, 2016, 40(6): 893−902. [32] 沈建华, 韩士鑫, 崔雪森, 等. 北太平洋巴特柔鱼渔业2001年低产原因分析[J]. 水产学报, 2013, 27(4): 350−357.Shen Jianhua, Han Shixin, Cui Xuesen, et al. An explanation on poorer harvest of flying squid in the North Pacific in 2001[J]. Journal of Fisheries of China, 2013, 27(4): 350−357. [33] Murata M, Nakamura Y. Seasonal migration and diel vertical migration of the neon flying squid, Ommastrephes bartramii in the North Pacific[J]. Japan Marine Fishery Resources Center, Tokyo, 1998, 25: 13−30. [34] Litz M N C, Phillips A J, Brodeur R D, et al. Seasonal occurrences of Humboldt squid (Dosidicus gigas) in the northern California Current System[J]. California Cooperative Oceanic Fisheries Investigations Report, 2011, 52: 97−108. [35] 官文江, 田思泉, 王学昉, 等. CPUE标准化方法与模型选择的回顾与展望[J]. 中国水产科学, 2014, 21(4): 852−862.Guan Wenjiang, Tian Siquan, Wang Xuefang, et al. A review of methods and model selection for standardizing CPUE[J]. Journal of Fishery Sciences of China, 2014, 21(4): 852−862. [36] Maunder M N, Hinton M G. Estimating relative abundance from catch and effort data, using neural networks[R]. La Jolla, California: Inter-American Tropical Tuna Commission Comisión Ineramericana Del Atún Tropical, 2006. [37] 田思泉, 陈新军. 不同名义CPUE计算法对CPUE标准化的影响[J]. 上海海洋大学学报, 2010, 19(2): 240−245.Tian Siquan, Chen Xinjun. Impacts of different calculating methods for nominal CPUE on CPUE standardization[J]. Journal of Shanghai Ocean University, 2010, 19(2): 240−245. [38] 武美先, 张学良, 温淑花, 等. BP神经网络及其改进[J]. 太原科技大学学报, 2005, 26(2): 120−125, 130. doi: 10.3969/j.issn.1673-2057.2005.02.011Wu Meixian, Zhang Xueliang, Wen Shuhua, et al. Summarization of BP neural network’s improvement[J]. Journal of Taiyuan University of Science and Technology, 2005, 26(2): 120−125, 130. doi: 10.3969/j.issn.1673-2057.2005.02.011 期刊类型引用(2)
1. 刘广源，吴志峰，吴波，郑子豪，曹峥. 2020年全球鱿钓捕捞的时空特征分析. 地球信息科学学报. 2024(04): 1110-1122 . 
百度学术2. 刘瑜，徐莹，郑全安. 风场数据在西北太平洋秋刀鱼栖息地预报中的应用适宜性分析. 海洋学报. 2024(11): 34-42 . 
本站查看其他类型引用(2)
-
下载:
百度学术
计量
- 文章访问数: 535
- HTML全文浏览量: 114
- PDF下载量: 38
- 被引次数: 4
