CN107341565A - 西北太平洋日本鳀鱼资源丰度预测方法 - Google Patents
西北太平洋日本鳀鱼资源丰度预测方法 Download PDFInfo
- Publication number
- CN107341565A CN107341565A CN201710452772.2A CN201710452772A CN107341565A CN 107341565 A CN107341565 A CN 107341565A CN 201710452772 A CN201710452772 A CN 201710452772A CN 107341565 A CN107341565 A CN 107341565A
- Authority
- CN
- China
- Prior art keywords
- anchovies
- sst
- data
- cpue
- next year
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241001454694 Clupeiformes Species 0.000 title claims abstract description 81
- 235000019513 anchovy Nutrition 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000012417 linear regression Methods 0.000 claims abstract description 23
- 230000002596 correlated effect Effects 0.000 claims abstract description 11
- 238000010219 correlation analysis Methods 0.000 claims abstract description 11
- 230000000875 corresponding effect Effects 0.000 claims description 11
- 230000001419 dependent effect Effects 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 8
- 241000146989 Engraulis japonicus Species 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims 1
- 239000004575 stone Substances 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 abstract description 3
- 241000251468 Actinopterygii Species 0.000 description 6
- 235000019688 fish Nutrition 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003181 biological factor Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 244000062645 predators Species 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种西北太平洋日本鳀鱼资源丰度预测方法,将研究海域32°N‑41°N,130°E‑145°E按空间分辨率为1°×1°分为88个海区,每一海区设置一个SST站点;通过遥感卫星获取每一SST站点的SST数据;对1988‑2013年间4‑9月份每月每一SST站点的SST数据与次年日本鯷CPUE数据进行相关性分析,得到与次年日本鯷CPUE呈显著相关的SST站点所属月份;根据相关性分析结果,建立三种线性回归模型来预测日本鯷资源丰度;对以上三种模型进行验证,根据预测资源丰度与实际资源丰度的相对误差为检验标准,得出模型二的相对误差最低,由此选取模型二作为西北太平洋日本鳀鱼资源丰度预测方法。
Description
技术领域
本发明涉及一种渔情预报方法,特别是涉及一种西北太平洋日本鳀鱼资源丰度预测方法。
背景技术
日本鯷(Engraulis japonicus)是一种温水性的中上层鱼类,广泛分布于三大洋海域,尤其是在西北太平洋海域。日本鯷主要以摄食浮游生物为主,同时它又是其它高营养级捕食者的主要食物,在海洋生态系统中起着承上启下的关键作用,称之为关键种。然而,日本鯷对环境变化极其敏感,其资源丰度及分布会受到很多因素影响,如捕捞压力、气候、地理位置、海洋物理环境以及生物因素等。气候变化通过海气相互作用影响着海洋环境要素的变化,而这些变化又或直接对资源量产生影响,或作用于整个生态系统而间接通过食物链和食物网的关系来影响鱼类,从而对渔业资源丰度造成影响。
海水表面温度(Sea Surface Temperature,SST),是反映海—气热量、动力和水汽交换的重要参量。在之前的研究中,研究人员发现渔业资源丰度或分布与所在区域的海表温度具有显著相关性。研究发现,影响日本鳀鱼资源的各个因子中,捕捞压力主要影响资源丰度,而在空间分布上则受SST影响较大。黄海鳀鱼的资源密度重心大致与10℃和11℃等温线的移动一致,且明显表现在纬向变化上。以上研究重点均为日本鯷的渔场分布及其与环境之间的关系,而有关日本鯷资源丰度预测模型的研究却未见报道。
渔情预报是渔场学研究的重点。预报实际上就是借助于对过去的探讨来推测、了解未来的发展趋势。选择正确的资源丰度预报模型,为日本鯷资源的合理开发和科学管理提供依据。
发明内容
本发明为了解决上述问题,克服现有技术中渔情预报中所存在的问题,采用结合多年西北太平洋日本鯷鱼生产统计数据和产卵场环境数据,建立北太平洋日本鯷鱼资源丰度预报模型,对产卵场的海表温度SST与次年日本鯷CPUE(单位努力量捕捞量)数据进行相关性分析,得到与次年CPUE呈显著相关的SST站点所属月份;根据相关性分析结果,建立三种线性回归模型来预测日本鯷资源丰度,通过比较预报模型精度,最终选取模型二,利用1988-2013年间日本鯷产卵场SST数据与次年CPUE相关性最高的站点S78(144.5°E,30.5°N),以及其所属月份(5月)中与其相邻的四个SST数据与次年日本鯷CPUE数据呈显著相关的站点S56(142.5°E,30.5°N)、S67(143.5°E,30.5°N)、S68(143.5°E,31.5°N)、S79(144.5°E,31.5°N),总共五个站点的SST数据为自变量,以对应次年的日本鯷CPUE值为因变量,建立多元线性回归模型,以此模型作为西北太平洋日本鯷鱼资源丰度的预测方法。
本发明是通过下述技术方案来解决上述技术问题的:
本发明提供一种西北太平洋日本鳀鱼资源丰度预测方法,其特点在于,其包括以下步骤:
S1、将日本鯷产卵场所属的研究海域32°N-41°N,130°E-145°E按空间分辨率为1°×1°分为88个海区,每一海区设置一个SST站点;
S2、通过遥感卫星获取每一SST站点的SST数据;
S3、对1988-2013年间4-9月份每月每一SST站点的SST数据与次年日本鯷CPUE数据进行相关性分析,得到与次年日本鯷CPUE数据呈显著相关的SST站点所属月份;
S4、根据相关性分析结果,建立三种线性回归模型来预测日本鯷资源丰度:
模型一:以1988-2013年间6月份日本鯷产卵场SST数据与次年日本鯷CPUE数据相关性最高的站点S40(140.5°E,30.5°N),及其周边四个SST数据与次年日本鯷CPUE数据呈显著相关的站点S35(139.5°E,30.5°N)、S36(139.5°E,31.5°N)、S41(140.5°E,31.5°N)、S47(141.5°E,31.5°N),共五个站点的SST数据为自变量,以对应次年的日本鯷CPUE数据为因变量,建立多元线性回归模型:
CPUE=-27.352SST6月,S35+3.434SST6月,S36+46.782SST6月,S40+5.533SST6月,S41-15.477SST6月,S47-258.48
模型二:以1988-2013年间日本鯷产卵场SST数据与次年日本鯷CPUE数据相关性最高的站点S78(144.5°E,30.5°N),以及站点S78所属月份(5月)中与其相邻的四个SST数据与次年日本鯷CPUE数据呈显著相关的站点S56(142.5°E,30.5°N)、S67(143.5°E,30.5°N)、S68(143.5°E,31.5°N)、S79(144.5°E,31.5°N),共五个站点的SST数据为自变量,以对应次年的日本鯷CPUE数据为因变量,建立多元线性回归模型:
CPUE=42.034SST5月,S56-48.43SST5月,S67-33.282SST5月,S68+14.157SST5月,S78+42.008SST5月,S79-285.437
模型三:以站点S78(144.5°E,30.5°N)的4-8月份的日本鯷产卵场SST为自变量,以对应次年的日本鯷CPUE数据为因变量,建立多元线性回归模型:
CPUE=-4.634SST4月,S78+14.117SST5月,S78+3.34SST6月,S78-1.721SST7月,S78+8.454SST8月,S78-425.993
S5、对以上三种模型进行验证,根据预测资源丰度与实际资源丰度的相对误差为检验标准,得出模型二的相对误差最低,由此选取模型二作为西北太平洋日本鳀鱼资源丰度预测方法。
较佳地,4-9月份为西北太平洋日本鳀鱼产卵适宜时间。
在符合本领域常识的基础上,上述各优选条件,可任意组合,即得本发明各较佳实例。
本发明的积极进步效果在于:
多元线性回归模型对西北太平洋日本鳀鱼资源丰度预测丰度良好,西北太平洋日本鳀鱼资源丰度的预报结果可以及时提供给用户及相关部门,以供渔业生产与安排的科学参考,今后可作为一种产品进行实时发布。
附图说明
图1为本发明较佳实施例的西北太平洋日本鳀鱼资源丰度预测方法的流程图。
图2为本发明较佳实施例的SST站点分布图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
西北太平洋日本鳀是一种温水性的中上层鱼类,广泛分布于三大洋海域,尤其是在西北太平洋海域,生命周期约3年,其产卵季为4-9月,其中4-6月份产卵最为集中。
如图1所示,本实施例提供一种西北太平洋日本鳀鱼资源丰度预测方法,其包括以下步骤:
步骤101、将日本鯷产卵场所属的研究海域32°N-41°N,130°E-145°E按空间分辨率为1°×1°分为88个海区,每一海区设置一个SST站点,站点分布如图2所示。
步骤102、通过遥感卫星获取每一SST站点的SST数据。
步骤103、对1988-2013年间4-9月份每月每一SST站点的SST数据与次年日本鯷CPUE数据进行相关性分析,得到与次年日本鯷CPUE数据呈显著相关的SST站点所属月份。
步骤104、根据相关性分析结果,建立三种线性回归模型来预测日本鯷资源丰度:
模型一:以1988-2013年间6月份日本鯷产卵场SST数据与次年日本鯷CPUE数据相关性最高的站点S40(140.5°E,30.5°N),及其周边四个SST数据与次年日本鯷CPUE数据呈显著相关的站点S35(139.5°E,30.5°N)、S36(139.5°E,31.5°N)、S41(140.5°E,31.5°N)、S47(141.5°E,31.5°N),共五个站点的SST数据为自变量,以对应次年的日本鯷CPUE数据为因变量,建立多元线性回归模型:
CPUE=-27.352SST6月,S35+3.434SST6月,S36+46.782SST6月,S40+5.533SST6月,S41-15.477SST6月,S47-258.48
模型二:以1988-2013年间日本鯷产卵场SST数据与次年日本鯷CPUE数据相关性最高的站点S78(144.5°E,30.5°N),以及站点S78所属月份(5月)中与其相邻的四个SST数据与次年日本鯷CPUE数据呈显著相关的站点S56(142.5°E,30.5°N)、S67(143.5°E,30.5°N)、S68(143.5°E,31.5°N)、S79(144.5°E,31.5°N),共五个站点的SST数据为自变量,以对应次年的日本鯷CPUE数据为因变量,建立多元线性回归模型:
CPUE=42.034SST5月,S56-48.43SST5月,S67-33.282SST5月,S68+14.157SST5月,S78+42.008SST5月,S79-285.437
模型三:以站点S78(144.5°E,30.5°N)的4-8月份的日本鯷产卵场SST为自变量,以对应次年的日本鯷CPUE数据为因变量,建立多元线性回归模型:
CPUE=-4.634SST4月,S78+14.117SST5月,S78+3.34SST6月,S78-1.721SST7月,S78+8.454SST8月,S78-425.993。
步骤105、对以上三种模型进行验证,根据预测资源丰度与实际资源丰度的相对误差为检验标准,得出模型二的相对误差最低,由此选取模型二作为西北太平洋日本鳀鱼资源丰度预测方法。
本发明采用结合多年西北太平洋日本鯷鱼生产统计数据和产卵场环境数据,建立北太平洋日本鯷鱼资源丰度预报模型,对产卵场的海表温度SST与次年日本鯷CPUE(单位努力量捕捞量)数据进行相关性分析,得到与次年CPUE呈显著相关的SST站点所属月份;根据相关性分析结果,建立三种线性回归模型来预测日本鯷资源丰度,通过比较预报模型精度,最终选取模型二,利用1988-2013年间日本鯷产卵场SST数据与次年CPUE相关性最高的站点S78(144.5°E,30.5°N),以及其所属月份(5月)中与其相邻的四个SST数据与次年日本鯷CPUE数据呈显著相关的站点S56(142.5°E,30.5°N)、S67(143.5°E,30.5°N)、S68(143.5°E,31.5°N)、S79(144.5°E,31.5°N),总共五个站点的SST数据为自变量,以对应次年的日本鯷CPUE值为因变量,建立多元线性回归模型,以此模型作为西北太平洋日本鯷鱼资源丰度的预测方法。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (2)
1.一种西北太平洋日本鳀鱼资源丰度预测方法,其特征在于,其包括以下步骤:
S1、将日本鯷产卵场所属的研究海域32°N-41°N,130°E-145°E按空间分辨率为1°×1°分为88个海区,每一海区设置一个SST站点;
S2、通过遥感卫星获取每一SST站点的SST数据;
S3、对1988-2013年间4-9月份每月每一SST站点的SST数据与次年日本鯷CPUE数据进行相关性分析,得到与次年日本鯷CPUE数据呈显著相关的SST站点所属月份;
S4、根据相关性分析结果,建立三种线性回归模型来预测日本鯷资源丰度:
模型一:以1988-2013年间6月份日本鯷产卵场SST数据与次年日本鯷CPUE数据相关性最高的站点S40(140.5°E,30.5°N),及其周边四个SST数据与次年日本鯷CPUE数据呈显著相关的站点S35(139.5°E,30.5°N)、S36(139.5°E,31.5°N)、S41(140.5°E,31.5°N)、S47(141.5°E,31.5°N),共五个站点的SST数据为自变量,以对应次年的日本鯷CPUE数据为因变量,建立多元线性回归模型:
CPUE=-27.352SST6月,S35+3.434SST6月,S36+46.782SST6月,S40+5.533SST6月,S41-15.477SST6月,S47-258.48
模型二:以1988-2013年间日本鯷产卵场SST数据与次年日本鯷CPUE数据相关性最高的站点S78(144.5°E,30.5°N),以及站点S78所属月份(5月)中与其相邻的四个SST数据与次年日本鯷CPUE数据呈显著相关的站点S56(142.5°E,30.5°N)、S67(143.5°E,30.5°N)、S68(143.5°E,31.5°N)、S79(144.5°E,31.5°N),共五个站点的SST数据为自变量,以对应次年的日本鯷CPUE数据为因变量,建立多元线性回归模型:
CPUE=42.034SST5月,S56-48.43SST5月,S67-33.282SST5月,S68+14.157SST5月,S78+42.008SST5月,S79-285.437
模型三:以站点S78(144.5°E,30.5°N)的4-8月份的日本鯷产卵场SST为自变量,以对应次年的日本鯷CPUE数据为因变量,建立多元线性回归模型:
CPUE=-4.634SST4月,S78+14.117SST5月,S78+3.34SST6月,S78-1.721SST7月,S78+8.454SST8月,S78-425.993
S5、对以上三种模型进行验证,根据预测资源丰度与实际资源丰度的相对误差为检验标准,得出模型二的相对误差最低,由此选取模型二作为西北太平洋日本鳀鱼资源丰度预测方法。
2.如权利要求1所述的西北太平洋日本鳀鱼资源丰度预测方法,其特征在于,4-9月份为西北太平洋日本鳀鱼产卵适宜时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710452772.2A CN107341565A (zh) | 2017-06-15 | 2017-06-15 | 西北太平洋日本鳀鱼资源丰度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710452772.2A CN107341565A (zh) | 2017-06-15 | 2017-06-15 | 西北太平洋日本鳀鱼资源丰度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107341565A true CN107341565A (zh) | 2017-11-10 |
Family
ID=60220666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710452772.2A Pending CN107341565A (zh) | 2017-06-15 | 2017-06-15 | 西北太平洋日本鳀鱼资源丰度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107341565A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944626A (zh) * | 2017-11-27 | 2018-04-20 | 天津科技大学 | 基于生活史模型的鳀鱼资源预报系统及预报方法 |
CN108960523A (zh) * | 2018-07-18 | 2018-12-07 | 上海海洋大学 | 一种利用两步广义加性模型预测鱿鱼类的索饵场栖息地的方法 |
CN109460867A (zh) * | 2018-11-02 | 2019-03-12 | 上海海洋大学 | 基于海洋尼诺指数的智利竹荚鱼资源丰度中长期预测方法 |
CN109460860A (zh) * | 2018-10-18 | 2019-03-12 | 上海海洋大学 | 基于南极涛动指数的阿根廷鱿鱼资源量预测方法 |
CN109472405A (zh) * | 2018-11-02 | 2019-03-15 | 上海海洋大学 | 基于太平洋震荡指数的日本秋生群鱿鱼资源丰度预测方法 |
CN109523071A (zh) * | 2018-11-02 | 2019-03-26 | 上海海洋大学 | 基于太平洋涛动指数的秋刀鱼资源丰度中长期预测方法 |
CN109523058A (zh) * | 2018-10-18 | 2019-03-26 | 上海海洋大学 | 基于海洋尼诺指数的秘鲁鱿鱼资源量中长期预测方法 |
CN109523070A (zh) * | 2018-11-02 | 2019-03-26 | 上海海洋大学 | 基于太平洋震荡指数的日本冬生群鱿鱼资源丰度预测方法 |
CN109543878A (zh) * | 2018-10-18 | 2019-03-29 | 上海海洋大学 | 基于太平洋涛动指数的北太平洋鱿鱼资源量预测方法 |
CN111652443A (zh) * | 2020-06-05 | 2020-09-11 | 上海海洋大学 | 综合多源卫星遥感预测远洋渔业资源丰度的方法及其应用 |
JP2022053452A (ja) * | 2020-09-24 | 2022-04-05 | 上海海洋大学 | 灰色システム理論に基づく海水魚の盛漁期予測方法及びその応用 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103004664A (zh) * | 2012-12-21 | 2013-04-03 | 上海海洋大学 | 一种西北太平洋柔鱼资源补充量预测方法及其应用方法 |
CN103049659A (zh) * | 2012-12-21 | 2013-04-17 | 上海海洋大学 | 一种秘鲁外海茎柔鱼资源补充量预测方法及其应用方法 |
CN106203686A (zh) * | 2016-06-30 | 2016-12-07 | 上海海洋大学 | 基于灰色系统的西北太平洋柔鱼冬春生群体丰度预测方法 |
CN106295843A (zh) * | 2015-06-10 | 2017-01-04 | 上海海洋大学 | 一种西北太平洋秋刀鱼资源补充量预测方法及应用 |
CN106295833A (zh) * | 2015-05-18 | 2017-01-04 | 上海海洋大学 | 一种太平洋褶柔鱼资源补充量预测方法及其应用 |
-
2017
- 2017-06-15 CN CN201710452772.2A patent/CN107341565A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103004664A (zh) * | 2012-12-21 | 2013-04-03 | 上海海洋大学 | 一种西北太平洋柔鱼资源补充量预测方法及其应用方法 |
CN103049659A (zh) * | 2012-12-21 | 2013-04-17 | 上海海洋大学 | 一种秘鲁外海茎柔鱼资源补充量预测方法及其应用方法 |
CN106295833A (zh) * | 2015-05-18 | 2017-01-04 | 上海海洋大学 | 一种太平洋褶柔鱼资源补充量预测方法及其应用 |
CN106295843A (zh) * | 2015-06-10 | 2017-01-04 | 上海海洋大学 | 一种西北太平洋秋刀鱼资源补充量预测方法及应用 |
CN106203686A (zh) * | 2016-06-30 | 2016-12-07 | 上海海洋大学 | 基于灰色系统的西北太平洋柔鱼冬春生群体丰度预测方法 |
Non-Patent Citations (1)
Title |
---|
汪金涛: "大洋性经济柔鱼类渔情预报与资源量评估研究", 《中国博士学位论文全文数据库-农业科技辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944626A (zh) * | 2017-11-27 | 2018-04-20 | 天津科技大学 | 基于生活史模型的鳀鱼资源预报系统及预报方法 |
CN108960523A (zh) * | 2018-07-18 | 2018-12-07 | 上海海洋大学 | 一种利用两步广义加性模型预测鱿鱼类的索饵场栖息地的方法 |
CN109523058A (zh) * | 2018-10-18 | 2019-03-26 | 上海海洋大学 | 基于海洋尼诺指数的秘鲁鱿鱼资源量中长期预测方法 |
CN109460860A (zh) * | 2018-10-18 | 2019-03-12 | 上海海洋大学 | 基于南极涛动指数的阿根廷鱿鱼资源量预测方法 |
CN109543878A (zh) * | 2018-10-18 | 2019-03-29 | 上海海洋大学 | 基于太平洋涛动指数的北太平洋鱿鱼资源量预测方法 |
WO2020078439A1 (zh) * | 2018-10-18 | 2020-04-23 | 上海海洋大学 | 基于南极涛动指数的阿根廷鱿鱼资源量预测方法及其应用 |
JP2021520575A (ja) * | 2018-10-18 | 2021-08-19 | 上海海洋大学Shanghai Ocean University | 南極振動指数に基づくアルゼンチンマツイカ資源量の予測方法及びその応用 |
JP7044417B2 (ja) | 2018-10-18 | 2022-03-30 | 上海海洋大学 | 南極振動指数に基づくアルゼンチンマツイカ資源量の予測方法及びその応用 |
CN109472405A (zh) * | 2018-11-02 | 2019-03-15 | 上海海洋大学 | 基于太平洋震荡指数的日本秋生群鱿鱼资源丰度预测方法 |
CN109523071A (zh) * | 2018-11-02 | 2019-03-26 | 上海海洋大学 | 基于太平洋涛动指数的秋刀鱼资源丰度中长期预测方法 |
CN109460867A (zh) * | 2018-11-02 | 2019-03-12 | 上海海洋大学 | 基于海洋尼诺指数的智利竹荚鱼资源丰度中长期预测方法 |
CN109523070A (zh) * | 2018-11-02 | 2019-03-26 | 上海海洋大学 | 基于太平洋震荡指数的日本冬生群鱿鱼资源丰度预测方法 |
CN111652443A (zh) * | 2020-06-05 | 2020-09-11 | 上海海洋大学 | 综合多源卫星遥感预测远洋渔业资源丰度的方法及其应用 |
JP2022053452A (ja) * | 2020-09-24 | 2022-04-05 | 上海海洋大学 | 灰色システム理論に基づく海水魚の盛漁期予測方法及びその応用 |
JP7202709B2 (ja) | 2020-09-24 | 2023-01-12 | 上海海洋大学 | 灰色システム理論に基づく海水魚の盛漁期予測方法及びその応用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107341565A (zh) | 西北太平洋日本鳀鱼资源丰度预测方法 | |
Staveley et al. | Seascape structure and complexity influence temperate seagrass fish assemblage composition | |
White et al. | Matching spatial property rights fisheries with scales of fish dispersal | |
Sarkar et al. | Status, prospects, threats, and the way forward for sustainable management and enhancement of the tropical Indian reservoir fisheries: an overview | |
Lee et al. | Projecting the hydrologic impacts of climate change on montane wetlands | |
Pokharia et al. | Altered cropping pattern and cultural continuation with declined prosperity following abrupt and extreme arid event at~ 4,200 yrs BP: Evidence from an Indus archaeological site Khirsara, Gujarat, western India | |
Walker | Spatial analyses of benthic habitats to define coral reef ecosystem regions and potential biogeographic boundaries along a latitudinal gradient | |
Li et al. | Distribution of hotspots of chub mackerel based on remote-sensing data in coastal waters of China | |
Chemello et al. | Vermetid reefs in the Mediterranean Sea as archives of sea-level and surface temperature changes | |
Patel et al. | Climate impacts on sea turtle breeding phenology in Greece and associated foraging habitats in the wider Mediterranean region | |
Denis et al. | Coverage, diversity, and functionality of a high-latitude coral community (Tatsukushi, Shikoku Island, Japan) | |
Nelson et al. | Climate-determined suitability of the water saving technology" alternate wetting and drying" in rice systems: a scalable methodology demonstrated for a province in the Philippines | |
Jiang et al. | Vulnerability of Siberian crane habitat to water level in Poyang Lake wetland, China | |
Pittman et al. | 34© Simon Pittman, NOAA Seascape ecology of fishes on coral reefs | |
Pierce et al. | Wading bird foraging habitat selection in the Florida Everglades | |
Sievers et al. | Non‐reef habitats in a tropical seascape affect density and biomass of fishes on coral reefs | |
Laborde et al. | Contributions of local knowledge to the physical limnology of Lake Como, Italy | |
Des et al. | How can ocean warming at the NW Iberian Peninsula affect mussel aquaculture? | |
Yin et al. | Selection of suitable coastal aquaculture sites using Multi-Criteria Decision Analysis in Menai Strait, UK | |
Railsback et al. | Modeling potential river management conflicts between frogs and salmonids | |
Demmer et al. | The role of wind in controlling the connectivity of blue mussels (Mytilus edulis L.) populations | |
Putra et al. | Incorporating in situ prey distribution into foraging habitat modelling for marine megafauna in the Solor waters of the Savu Sea, Indonesia | |
Dullinger et al. | Experimental evaluation of seed limitation in alpine snowbed plants | |
Carmichael et al. | Some like it slow: a bioenergetic evaluation of habitat quality for juvenile Chinook salmon in the Lemhi River, Idaho | |
Krask et al. | Increasing tidal inundation corresponds to rising porewater nutrient concentrations in a southeastern US salt marsh |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171110 |
|
RJ01 | Rejection of invention patent application after publication |