CN109523070A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109523070A CN109523070A CN201811300078.XA CN201811300078A CN109523070A CN 109523070 A CN109523070 A CN 109523070A CN 201811300078 A CN201811300078 A CN 201811300078A CN 109523070 A CN109523070 A CN 109523070A
- Authority
- CN
- China
- Prior art keywords
- pdo
- value
- resource abundance
- winter
- raw group
- 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
- 241000238366 Cephalopoda Species 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000009514 concussion Effects 0.000 title claims abstract description 11
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims abstract description 12
- 238000010219 correlation analysis Methods 0.000 claims abstract description 11
- 238000012731 temporal analysis Methods 0.000 claims abstract description 4
- 238000000700 time series analysis Methods 0.000 claims abstract description 4
- 230000002596 correlated effect Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 3
- 241000238450 Todarodes pacificus Species 0.000 description 10
- 238000011160 research Methods 0.000 description 4
- 230000017448 oviposition Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 239000003643 water by type Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004459 forage Substances 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Superconductor Devices And Manufacturing Methods Thereof (AREA)
Abstract
本发明一种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，包括：获取前N年日本冬生群鱿鱼分布的北海道的太平洋一侧海域的每月的太平洋震荡指数PDO值；利用时间序列分析方法，对日本冬生群鱿鱼资源丰度CPUE与前N年每月的PDO值进行相关性分析，获取在统计上相关的P＜0.05的月PDO值，该些月PDO值作为影响日本冬生群鱿鱼资源丰度的气候因子；利用多元线性方程建立多个日本冬生群鱿鱼资源丰度预测模型并计算统计上P值，在上述多个日本冬生群资源丰度预测模型中，选择统计上P值最小的模型作为最优模型。
Description
技术领域
本发明涉及鱿鱼资源丰度预测技术领域，特别是涉及一种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。
背景技术
太平洋褶柔鱼Todarodes pacificus(也称日本鱿鱼)是世界上重要的经济头足类资源，仅分布在太平洋西北海域和东太平洋的阿拉斯加湾。主要分布在西太平洋的21°－50°N海域，即日本海、日本太平洋沿岸以及我国的黄海、东海。它为暖温带大洋性浅海种，栖息于表层至500m水层，适温范围广。根据太平洋褶柔鱼的产卵季节、生长类型及洄游路径，可将其分为冬生群、秋生群和夏生群三个种群。它们有着不同的生活周期，却有相同的生活习性。冬生群分布最广，在20世纪70年代以前，该群体数量是最大的，其产卵场位于九州西南东海大陆架外缘，主要集中在东海的中部和北部，产卵期为1－3月，春夏季沿日本列岛两侧北上索饵，秋冬季南下产卵。
太平洋褶柔鱼是世界上头足类最早被大规模开发利用的种类之一。20世纪70年代以前，其产量占日本国内头足类总产量的70-80％。据FAO统计，1968年太平洋褶柔鱼的总产量达到历史最高水平，超过75万吨。但由于捕捞强度的增加，以后产量逐年下降。1986年达到自1950年以来的最低产量，只有12多万吨。之后出现持续增加，一直到1996年，年产量达到近70万吨。之后又出现下降，目前太平洋褶柔鱼的总产量稳定在32-42万吨。
太平洋褶柔鱼冬生群体主要以日本和韩国捕捞为主体，作业主要有钓捕、底拖、定置网、围网等。主要作业渔场从7月开始的常磐至三陆太平洋沿岸开始，9～11月移动到北海道太平洋沿岸海域，11月以后主要渔场移动到日本海一侧，渔期最后(12月～次年2月)渔场为九州北西部海域。冬生群的渔获量在1950～1960年代迎来了顶峰。主渔场为北海道东部的太平洋海域，1968年在主渔场的渔获量为56万吨，占全日本太平洋褶柔鱼渔获量的84％。之后，渔获量急剧减少，1980年代到达最低水准。1989年以后渔获量有所回升，1996年到达38万吨。之后，渔获量一直在大幅度变动。目前，渔获量在20－30万吨间。
太平洋褶柔鱼资源易受海洋环境因子的影响。张硕等(2017)依据2000—2010年太平洋褶柔鱼冬生群单位捕捞努力量渔获量(CPUE)，以及产卵期间(1—3月)产卵场(28°～40°N、125°～140°E)的海表温(SST)数据，选取统计学有意义的SST作为影响资源丰度的因子，分别建立多元线性和BP神经网络的资源丰度预报模型。研究表明，30°～32°N、135°～138°E和37°～38°N、129°～131°E附近海域的表温代表着1—3月产卵场暖流(黑潮和对马海流)势力的强弱，决定着当年太平洋褶柔鱼冬生群资源丰度，所建立的BP神经网络模型可作为其资源丰度的预测模型。上述研究表明，目前国内外各学者对日本冬生群鱿鱼产卵场环境影响其资源补充量进行了很好的研究，并建立了相应的资源量预测模型，但在如何运用气候因子来提前预测其资源量则是空白。
发明内容
本发明针对现有技术存在的问题和不足，提供一种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。
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，其特点在于，其包括以下步骤：
S1、获取前N年日本冬生群鱿鱼分布的北海道的太平洋一侧海域的每月的太平洋震荡指数PDO值；
S2、利用时间序列分析方法，对日本冬生群鱿鱼资源丰度CPUE与前N年每月的PDO值进行相关性分析，获取在统计上相关的P＜0.05的月PDO值，该些月PDO值作为影响日本冬生群鱿鱼资源丰度的气候因子；
S3、利用多元线性方程建立多个日本冬生群鱿鱼资源丰度预测模型并计算统计上P值，其公式为：
CPUE＝a+b1*x1+b2*x2+b3*x3+……+bn*xn
式中，CPUE为日本中小型鱿钓船日产量，作为日本冬生群鱿鱼资源丰度衡量指标，a为常数，b1、b2、b3、……、bn为方程的系数；x1、x2、x3、……、xn为影响资源丰度的月PDO值；
S4、在上述多个日本冬生群资源丰度预测模型中，选择统计上P值最小的模型作为最优模型。
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：
(1)利用太平洋震荡指数PDO进行日本海冬生群鱿鱼资源丰度的预测；
(2)选择前2年的10-12月PDO值、前1年1-4月PDO值、同年1-4月PDO值作为气候预测因子；
(3)日本海冬生群鱿鱼资源丰度预测模型为：CPUE＝1.1968+0.0273*PDOt-2，12-0.1865*PDOt-2，11-0.2290*PDOt，2+0.0740*PDOt，3，PDOt-2，12、PDOt-2，11分别是前2年的12、11月PDO值，PDOt，2、PDOt，3分别是同年的2-3月PDO值。
附图说明
图1为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的流程图。
图2为1992-2016年日本冬生群鱿鱼资源丰度CPUE年间变化示意图。
图3为1992-2016年日本海冬生群鱿鱼资源丰度CPUE实际值与预测值变化分布图。
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。
如图1所示，本实施例提供一种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，其包括以下步骤：
步骤101、获取前N年日本冬生群鱿鱼分布的北海道的太平洋一侧海域的每月的太平洋震荡指数PDO值；
步骤102、利用时间序列分析方法，对日本冬生群鱿鱼资源丰度CPUE与前N年每月的PDO值进行相关性分析，获取在统计上相关的P＜0.05的月PDO值，该些月PDO值作为影响日本冬生群鱿鱼资源丰度的气候因子；
步骤103、利用多元线性方程建立多个日本冬生群鱿鱼资源丰度预测模型并计算统计上P值，其公式为：
CPUE＝a+b1*x1+b2*x2+b3*x3+……+bn*xn
式中，CPUE为日本中小型鱿钓船日产量，作为日本冬生群鱿鱼资源丰度衡量指标，a为常数，b1、b2、b3、……、bn为方程的系数；x1、x2、x3、……、xn为影响资源丰度的月PDO值；
步骤104、在上述多个日本冬生群资源丰度预测模型中，选择统计上P值最小的模型作为最优模型。
下面举一具体的例子来说明本发明，以使得本领域的技术人员能够更好地理解本发明的技术方案。
1、材料和方法
(1)数据来源
日本冬生群鱿鱼广泛分布在日本海周边海域，主要作业渔场也分布在北海道的太平洋一侧海域，其产卵场和索饵场的环境状况容易受到太平洋震荡指数(Pacific DecadalOscillation，PDO)的影响。太平洋震荡指数是一种以10年周期尺度变化的太平洋气候变化现象。变换周期通常为20～30年。PDO的特征为太平洋北纬20度以北区域表层海水温度异常偏暖或偏冷。在太平洋十年涛动“暖相位”(或“正相位”)期间西太平洋偏冷而东太平洋偏暖，在“冷相位”(或“负相位”)期间西太平洋偏暖而东太平洋偏冷。PDO来自美国华盛顿大学网站(http://research.jisao.washington.edu/pdo/PDO.latest.txt)，其时间段为1990年1月至2017年12月(表1)。
日本冬生群鱿鱼资源丰度指数CPUE(单位为吨/船)来自日本中小型鱿钓船的产量，时间为1992年-2016年(表2)。
表1 1990年1月-2017年12月太平洋震荡指数月统计表
| 年份 | 1月 | 2月 | 3月 | 4月 | 5月 | 6月 | 7月 | 8月 | 9月 | 10月 | 11月 | 12月 |
| 1990 | -0.3 | -0.65 | -0.62 | 0.27 | 0.44 | 0.44 | 0.27 | 0.11 | 0.38 | -0.69 | -1.69 | -2.23 |
| 1991 | -2.02 | -1.19 | -0.74 | -1.01 | -0.51 | -1.47 | -0.1 | 0.36 | 0.65 | 0.49 | 0.42 | 0.09 |
| 1992 | 0.05 | 0.31 | 0.67 | 0.75 | 1.54 | 1.26 | 1.9 | 1.44 | 0.83 | 0.93 | 0.93 | 0.53 |
| 1993 | 0.05 | 0.19 | 0.76 | 1.21 | 2.13 | 2.34 | 2.35 | 2.69 | 1.56 | 1.41 | 1.24 | 1.07 |
| 1994 | 1.21 | 0.59 | 0.8 | 1.05 | 1.23 | 0.46 | 0.06 | -0.79 | -1.36 | -1.32 | -1.96 | -1.79 |
| 1995 | -0.49 | 0.46 | 0.75 | 0.83 | 1.46 | 1.27 | 1.71 | 0.21 | 1.16 | 0.47 | -0.28 | 0.16 |
| 1996 | 0.59 | 0.75 | 1.01 | 1.46 | 2.18 | 1.1 | 0.77 | -0.14 | 0.24 | -0.33 | 0.09 | -0.03 |
| 1997 | 0.23 | 0.28 | 0.65 | 1.05 | 1.83 | 2.76 | 2.35 | 2.79 | 2.19 | 1.61 | 1.12 | 0.67 |
| 1998 | 0.83 | 1.56 | 2.01 | 1.27 | 0.7 | 0.4 | -0.04 | -0.22 | -1.21 | -1.39 | -0.52 | -0.44 |
| 1999 | -0.32 | -0.66 | -0.33 | -0.41 | -0.68 | -1.3 | -0.66 | -0.96 | -1.53 | -2.23 | -2.05 | -1.63 |
| 2000 | -2 | -0.83 | 0.29 | 0.35 | -0.05 | -0.44 | -0.66 | -1.19 | -1.24 | -1.3 | -0.53 | 0.52 |
| 2001 | 0.6 | 0.29 | 0.45 | -0.31 | -0.3 | -0.47 | -1.31 | -0.77 | -1.37 | -1.37 | -1.26 | -0.93 |
| 2002 | 0.27 | -0.64 | -0.43 | -0.32 | -0.63 | -0.35 | -0.31 | 0.6 | 0.43 | 0.42 | 1.51 | 2.1 |
| 2003 | 2.09 | 1.75 | 1.51 | 1.18 | 0.89 | 0.68 | 0.96 | 0.88 | 0.01 | 0.83 | 0.52 | 0.33 |
| 2004 | 0.43 | 0.48 | 0.61 | 0.57 | 0.88 | 0.04 | 0.44 | 0.85 | 0.75 | -0.11 | -0.63 | -0.17 |
| 2005 | 0.44 | 0.81 | 1.36 | 1.03 | 1.86 | 1.17 | 0.66 | 0.25 | -0.46 | -1.32 | -1.5 | 0.2 |
| 2006 | 1.03 | 0.66 | 0.05 | 0.4 | 0.48 | 1.04 | 0.35 | -0.65 | -0.94 | -0.05 | -0.22 | 0.14 |
| 2007 | 0.01 | 0.04 | -0.36 | 0.16 | -0.1 | 0.09 | 0.78 | 0.5 | -0.36 | -1.45 | -1.08 | -0.58 |
| 2008 | -1 | -0.77 | -0.71 | -1.52 | -1.37 | -1.34 | -1.67 | -1.7 | -1.55 | -1.76 | -1.25 | -0.87 |
| 2009 | -1.4 | -1.55 | -1.59 | -1.65 | -0.88 | -0.31 | -0.53 | 0.09 | 0.52 | 0.27 | -0.4 | 0.08 |
| 2010 | 0.83 | 0.82 | 0.44 | 0.78 | 0.62 | -0.22 | -1.05 | -1.27 | -1.61 | -1.06 | -0.82 | -1.21 |
| 2011 | -0.92 | -0.83 | -0.69 | -0.42 | -0.37 | -0.69 | -1.86 | -1.74 | -1.79 | -1.34 | -2.33 | -1.79 |
| 2012 | -1.38 | -0.85 | -1.05 | -0.27 | -1.26 | -0.87 | -1.52 | -1.93 | -2.21 | -0.79 | -0.59 | -0.48 |
| 2013 | -0.13 | -0.43 | -0.63 | -0.16 | 0.08 | -0.78 | -1.25 | -1.04 | -0.48 | -0.87 | -0.11 | -0.41 |
| 2014 | 0.3 | 0.38 | 0.97 | 1.13 | 1.8 | 0.82 | 0.7 | 0.67 | 1.08 | 1.49 | 1.72 | 2.51 |
| 2015 | 2.45 | 2.3 | 2 | 1.44 | 1.2 | 1.54 | 1.84 | 1.56 | 1.94 | 1.47 | 0.86 | 1.01 |
| 2016 | 1.53 | 1.75 | 2.4 | 2.62 | 2.35 | 2.03 | 1.25 | 0.52 | 0.45 | 0.56 | 1.88 | 1.17 |
| 2017 | 0.77 | 0.7 | 0.74 | 1.12 | 0.88 | 0.79 | 0.1 | 0.09 | 0.32 | 0.05 | 0.15 | 0.5 |
表2 1992-2016年日本中小型鱿钓船日产量
(2)研究方法与步骤
以日本中小型鱿钓船日产量CPUE为日本冬生群鱿鱼资源丰度为指标，利用时间序列分析方法，对CPUE值与1990-2016年1-12月的PDO值进行相关性分析，获取在统计上相关的月PDO值(统计上P＜0.05)，这些月的PDO值作为影响日本冬生群鱿鱼资源丰度的气候因子。
利用多元线性方程建立多个日本冬生群鱿鱼资源丰度预测模型，其公式为：CPUE＝a+b1*x1+b2*x2+b3*x3+……+bn*xn。式中，CPUE为单船日产量，a为常数，b1、b2、b3、……、bn为方程的系数；x1、x2、x3、……、xn为影响资源丰度的月PDO值。在上述多个鱿鱼资源丰度预测模型中，选择统计上P值最小的模型作为最优模型。
2、研究结果
(1)年间资源丰度CPUE变化
由图2可知，日本冬生群鱿鱼资源丰度CPUE呈现显著的年间变化，1992、1996、2007-2009年、2011年处在高的资源量水平；而1998-1999年、2006年、2015-2016年则处在低的资源量水平。
(2)影响资源丰度CPUE的PDO值
资源丰度CPUE与前2年各月的PDO值的相关性分析认为，其资源丰度CPUE与前2年的10-12月PDO值相关性显著，且呈现负相关，其相关系数分别为-0.4506(P＜0.05)、-0.4985(P＜0.05)、-0.5878(P＜0.01)。
资源丰度CPUE与前1年各月PDO值的相关性分析认为，其资源丰度CPUE与前1年的1-4月PDO值相关性显著，且呈现负相关，其相关系数分别为-0.4665(P＜0.05)、-0.4365(P＜0.05)、-0.4295(P＜0.05)、-0.5072(P＜0.01)。
资源丰度CPUE与同年的各月PDO值的相关性分析认为，其资源丰度CPUE与同年的1-4月PDO值相关性显著，且呈现负相关，其相关系数分别为-0.4746(P＜0.05)、-0.4837(P＜0.05)、-0.5458(P＜0.01)、-0.5570(P＜0.01)。
(3)建立资源丰度预测的模型
1)预测模型之一
以前2年的11-12月PDO值(PDOt-2，12、PDOt-2，11)、同年的2-3月PDO值(PDOt，2，PDOt，3)和上一年度3月份PDO值(PDOt-1，3)作为预测因子，建立日本海冬生群鱿鱼资源丰度预测模型为：
CPUE＝1.2048+0.0330*PDOt-2，12-0.1811*PDOt-2，11-0.2260*PDOt，2+0.0749*PDOt，3-0.0196*PDOt-1，3
其F值为4.5183(P＝0.0069＜0.01)。
其实际值与预测值的统计表如表3。
表3日本海冬生群鱿鱼资源丰度实际值与预测值及其残差
2)预测模型之二
以前2年的11-12月PDO值(PDOt-2，12、PDOt-2，11)、同年的2-3月PDO值(PDOt，2，PDOt，3)作为预测因子，建立日本海冬生群鱿鱼资源丰度预测模型为：
CPUE＝1.1968+0.0273*PDOt-2，12-0.1865*PDOt-2，11-0.2290*PDOt，2+0.0740*PDOt，3
其F值为5.9135(P＝0.0026＜0.01)。
其实际值与预测值的统计表如表4。
表4日本海冬生群鱿鱼资源丰度实际值与预测值及其残差
3)预测模型之三
以同年的2-3月PDO值(PDOt，2，PDOt，3)和前一度3月份PDO值(PDOt-1，3)作为预测因子，建立日本海冬生群鱿鱼资源丰度预测模型为：
CPUE＝1.3257-0.1120*PDOt，2-0.0461*PDOt，3-0.1307*PDOt-1，3
其F值为5.1699(P＝0.0078＜0.01)。
其实际值与预测值的统计表如表5。
表5日本海冬生群鱿鱼资源丰度实际值与预测值及其残差
4)预测模型之四
以同一年的2-3月PDO值(PDOt，2，PDOt，3)和上一年度3月份PDO值(PDOt-1，3)作为预测因子，建立日本海冬生群鱿鱼资源丰度预测模型为：
CPUE＝1.3093-0.0792*PDOt，2-0.1223*PDOt，3
其F值为5.1233(P＝0.0149＜0.05)。
其实际值与预测值的统计表如表6。
表6日本海冬生群鱿鱼资源丰度实际值与预测值及其残差
5)预测模型之五
以前2年的11-12月PDO值(PDOt-2，12、PDOt-2，11)作为预测因子，建立日本海冬生群鱿鱼资源丰度预测模型为：
CPUE＝1.1582+0.0383*PDOt-2，12-0.2125*PDOt-2，11
其F值为5.8894(P＝0.0089＜0.01)。
其实际值与预测值的统计表如表7。
表7日本海冬生群鱿鱼资源丰度实际值与预测值及其残差
由上述五个模型比较分析可以得出，本研究选择前2年的11-12月PDO值(PDOt-2，12、PDOt-2，11)、同年的2-3月PDO值(PDOt，2，PDOt，3)作为气候预测因子，日本海冬生群鱿鱼资源丰度预测模型为：
CPUE＝1.1968+0.0273*PDOt-2，12-0.1865*PDOt-2，11-0.2290*PDOt，2+0.0740*PDOt，3。其实际值与预测值的资源丰度变化趋势如图3所示。
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 (4)
1.一种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，其特征在于，其包括以下步骤：
S1、获取前N年日本冬生群鱿鱼分布的北海道的太平洋一侧海域的每月的太平洋震荡指数PDO值；
S2、利用时间序列分析方法，对日本冬生群鱿鱼资源丰度CPUE与前N年每月的PDO值进行相关性分析，获取在统计上相关的P＜0.05的月PDO值，该些月PDO值作为影响日本冬生群鱿鱼资源丰度的气候因子；
S3、利用多元线性方程建立多个日本冬生群鱿鱼资源丰度预测模型并计算统计上P值，其公式为：
CPUE＝a+b1*x1+b2*x2+b3*x3+……+bn*xn
式中，CPUE为日本中小型鱿钓船日产量，作为日本冬生群鱿鱼资源丰度衡量指标，a为常数，b1、b2、b3、……、bn为方程的系数；x1、x2、x3、……、xn为影响资源丰度的月PDO值；
S4、在上述多个日本冬生群资源丰度预测模型中，选择统计上P值最小的模型作为最优模型。
2.如权利要求1所述的日本冬生群鱿鱼资源丰度预测方法，其特征在于，在步骤S2中，根据日本冬生群鱿鱼资源丰度CPUE与前2年各月的PDO值的相关性分析，日本冬生群鱿鱼资源丰度CPUE与前2年的10-12月PDO值相关性显著，且呈现负相关，其相关系数分别为-0.4506(P＜0.05)、-0.4985(P＜0.05)、-0.5878(P＜0.01)；
根据日本冬生群鱿鱼资源丰度CPUE与前1年各月PDO值的相关性分析，日本冬生群鱿鱼资源丰度CPUE与前1年的1-4月PDO值相关性显著，且呈现负相关，其相关系数分别为-0.4665(P＜0.05)、-0.4365(P＜0.05)、-0.4295(P＜0.05)、-0.5072(P＜0.01)；
根据日本冬生群鱿鱼资源丰度CPUE与同年的各月PDO值的相关性分析认为，日本冬生群鱿鱼资源丰度CPUE与同年的1-4月PDO值相关性显著，且呈现负相关，其相关系数分别为-0.4746(P＜0.05)、-0.4837(P＜0.05)、-0.5458(P＜0.01)、-0.5570(P＜0.01)。
3.如权利要求2所述的日本冬生群鱿鱼资源丰度预测方法，其特征在于，在步骤S3中，
1)预测模型之一
以前2年的11-12月PDO值(PDOt-2，12、PDOt-2，11)、同年的2-3月PDO值(PDOt，2，PDOt，3)和上一年度3月份PDO值(PDOt-1，3)作为预测因子，建立日本冬生群鱿鱼资源丰度预测模型为：
CPUE＝1.2048+0.0330*PDOt-2，12-0.1811*PDOt-2，11-0.2260*PDOt，2+0.0749*PDOt，3-0.0196*PDOt-1，3
其F值为4.5183，P＝0.0069＜0.01；
2)预测模型之二
以前2年的11-12月PDO值(PDOt-2，12、PDOt-2，11)、同年的2-3月PDO值(PDOt，2，PDOt，3)作为预测因子，建立日本冬生群鱿鱼资源丰度预测模型为：
CPUE＝1.1968+0.0273*PDOt-2，12-0.1865*PDOt-2，11-0.2290*PDOt，2+0.0740*PDOt，3
其F值为5.9135，P＝0.0026＜0.01；
3)预测模型之三
以同年的2-3月PDO值(PDOt，2，PDOt，3)和前一度3月份PDO值(PDOt-1，3)作为预测因子，建立日本冬生群鱿鱼资源丰度预测模型为：
CPUE＝1.3257-0.1120*PDOt，2-0.0461*PDOt，3-0.1307*PDOt-1，3
其F值为5.1699，P＝0.0078＜0.01；
4)预测模型之四
以同一年的2-3月PDO值(PDOt，2，PDOt，3)和上一年度3月份PDO值(PDOt-1，3)作为预测因子，建立日本冬生群鱿鱼资源丰度预测模型为：
CPUE＝1.3093-0.0792*PDOt，2-0.1223*PDOt，3
其F值为5.1233，P＝0.0149＜0.05；
5)预测模型之五
以前2年的11-12月PDO值(PDOt-2，12、PDOt-2，11)作为预测因子，建立日本海冬生群鱿鱼资源丰度预测模型为：
CPUE＝1.1582+0.0383*PDOt-2，12-0.2125*PDOt-2，11
其F值为5.8894，P＝0.0089＜0.01。
4.如权利要求3所述的日本冬生群鱿鱼资源丰度预测方法，其特征在于，在步骤S4中，选择前2年的10-12月PDO值、前1年1-4月PDO值、同年1-4月PDO值作为气候预测因子，日本海冬生群鱿鱼资源丰度预测模型为：CPUE＝1.1968+0.0273*PDOt-2，12-0.1865*PDOt-2，11-0.2290*PDOt，2+0.0740*PDOt，3，PDOt-2，12、PDOt-2，11分别是前2年的12、11月PDO值，PDOt，2、PDOt，3分别是同年的2-3月PDO值。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811300078.XA CN109523070A (zh) | 2018-11-02 | 2018-11-02 | 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 |
| JP2020561674A JP7157479B2 (ja) | 2018-11-02 | 2019-10-31 | 太平洋振動指数に基づくスルメイカ資源豊度の予測方法及び応用 |
| PCT/CN2019/114867 WO2020088615A1 (zh) | 2018-11-02 | 2019-10-31 | 基于太平洋震荡指数的日本鱿鱼资源丰度预测方法及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811300078.XA CN109523070A (zh) | 2018-11-02 | 2018-11-02 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109523070A true CN109523070A (zh) | 2019-03-26 |
Family
ID=65774052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811300078.XA Pending CN109523070A (zh) | 2018-11-02 | 2018-11-02 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109523070A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020088615A1 (zh) * | 2018-11-02 | 2020-05-07 | 上海海洋大学 | 基于太平洋震荡指数的日本鱿鱼资源丰度预测方法及应用 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107341565A (zh) * | 2017-06-15 | 2017-11-10 | 上海海洋大学 | 西北太平洋日本鳀鱼资源丰度预测方法 |
| CN107590549A (zh) * | 2016-07-08 | 2018-01-16 | 上海海洋大学 | 一种日本鱿冬生群资源丰度预测方法 |
-
2018
- 2018-11-02 CN CN201811300078.XA patent/CN109523070A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107590549A (zh) * | 2016-07-08 | 2018-01-16 | 上海海洋大学 | 一种日本鱿冬生群资源丰度预测方法 |
| CN107341565A (zh) * | 2017-06-15 | 2017-11-10 | 上海海洋大学 | 西北太平洋日本鳀鱼资源丰度预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| AKIHIKO YATSU 等: "Environmental effects on recruitment and productivity of Japanese sardine Sardinops melanostictus and chub mackerel Scomber japonicus with recommendations for management", 《FISHERIES OCEANOGRAPHY》 * |
| YU WEI 等: "Impacts of oceanographic factors on interannual variability of the winter-spring cohort of neon flying squid abundance in the Northwest Pacific Ocean", 《ACTA OCEANOLOGICA SINICA》 * |
| 余为: "西北太平洋柔鱼冬春生群对气候与环境变化的响应机制研究", 《中国博士学位论文全文数据库农业科技辑》 * |
| 张硕 等: "基于海表温因子的太平洋褶柔鱼冬生群资源丰度预测模型比较", 《水产学报》 * |
| 李非 等: "不同气候模态下西北太平洋秋刀鱼海况特征分析", 《南方水产科学》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020088615A1 (zh) * | 2018-11-02 | 2020-05-07 | 上海海洋大学 | 基于太平洋震荡指数的日本鱿鱼资源丰度预测方法及应用 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Brown et al. | Contrasting trends in sea ice and primary production in the Bering Sea and Arctic Ocean | |
| Tapia et al. | Latitudinal discontinuity in thermal conditions along the nearshore of central-northern Chile | |
| King et al. | Climate forcing and the California Current ecosystem | |
| Peterson et al. | Tidal events and salt‐marsh structure influence black mangrove (Avicennia germinans) recruitment across an ecotone | |
| Lloret et al. | Fluctuations of landings and environmental conditions in the north‐western Mediterranean Sea | |
| Kędra et al. | Benthic community structure, diversity, and productivity in the shallow Barents Sea bank (Svalbard Bank) | |
| CN107092786B (zh) | 一种考虑河流不同状态的生态基流量计算方法及系统 | |
| Blackett et al. | Long-term variability of the siphonophores Muggiaea atlantica and M. kochi in the Western English Channel | |
| Bevacqua et al. | Multi-objective assessment of conservation measures for the European eel (Anguilla anguilla): an application to the Camargue lagoons | |
| Yu et al. | Spatio-temporal variations in the potential habitat of a pelagic commercial squid | |
| WO2019042162A1 (zh) | 基于环境因子的西北非海域头足类渔场预报方法 | |
| Chu et al. | Catch-per-unit-effort and size spectra of lake fish assemblages reflect underlying patterns in ecological conditions and anthropogenic activities across regional and local scales | |
| Poole et al. | Long-term variation in numbers and biomass of silver eels being produced in two European river systems | |
| Qiu et al. | Latitudinal pattern of flowering synchrony in an invasive wind-pollinated plant | |
| Dorman et al. | An individual-based model of the krill Euphausia pacifica in the California Current | |
| Stock et al. | Pulse recruitment and recovery of Cayman Islands Nassau Grouper (Epinephelus striatus) spawning aggregations revealed by in situ length-frequency data | |
| Costa | Estimate of net primary productivity of aquatic vegetation of the Amazon floodplain using Radarsat and JERS‐1 | |
| Zhao et al. | Spatiotemporal distribution of Decapterus maruadsi in spring and autumn in response to environmental variation in the northern South China Sea | |
| CN109472405A (zh) | 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 | |
| Fageria et al. | Nitrogen-use efficiency in lowland rice genotypes under field conditions | |
| CN109523070A (zh) | 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 | |
| Vaughan et al. | Relationship between Gulf menhaden recruitment and Mississippi River flow: model development and potential application for management | |
| CN109460860A (zh) | 基于南极涛动指数的阿根廷鱿鱼资源量预测方法 | |
| CN109523071A (zh) | 基于太平洋涛动指数的秋刀鱼资源丰度中长期预测方法 | |
| Tamdrari et al. | The dispersal pattern and behaviour of Atlantic cod (Gadus morhua) in the northern Gulf of St. Lawrence: results from tagging experiments |
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: 20190326 |
|
| RJ01 | Rejection of invention patent application after publication |