CN109767040B - 基于栖息地指数的秋刀鱼中心渔场预测方法 - Google Patents

基于栖息地指数的秋刀鱼中心渔场预测方法 Download PDF

Info

Publication number
CN109767040B
CN109767040B CN201910035441.8A CN201910035441A CN109767040B CN 109767040 B CN109767040 B CN 109767040B CN 201910035441 A CN201910035441 A CN 201910035441A CN 109767040 B CN109767040 B CN 109767040B
Authority
CN
China
Prior art keywords
sst
sstg
ssh
index
saury
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.)
Active
Application number
CN201910035441.8A
Other languages
English (en)
Other versions
CN109767040A (zh
Inventor
花传祥
李非
孟令文
石永闯
李静
张衍栋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Ocean University
Original Assignee
Shanghai Ocean University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Ocean University filed Critical Shanghai Ocean University
Priority to CN201910035441.8A priority Critical patent/CN109767040B/zh
Publication of CN109767040A publication Critical patent/CN109767040A/zh
Application granted granted Critical
Publication of CN109767040B publication Critical patent/CN109767040B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明一种基于栖息地指数模型的秋刀鱼中心渔场预测方法,其包括:获取历史的N个月份秋刀鱼的生产数据和与生产数据对应的环境因子;利用环境因子并基于产量密度分别建立各个月份的适应性指数与SST、SSTG、SSH间关系;用非线性最小二乘法拟合环境因子与适应性指数的关系并估计产量密度方程中参数a、b、c;基于BRT计算的SST、SSTG、SSH相对适应性指数的贡献率确定SST、SSTG、SSH在栖息地指数中的权重值Wsst,m、Wsstg,m、Wssh,m,得到栖息地指数。本发明采用产量密度方程建立适应性指数,结合BRT方法合理选取各月份的环境因子权重,分别计算不同作业月份秋刀鱼适宜栖息地各环境因子范围,预测秋刀鱼的栖息地指数模型分布,为生产作业提供技术支持。

Description

基于栖息地指数的秋刀鱼中心渔场预测方法
技术领域
本发明涉及海洋渔业和海洋科学技术领域,具体而言,本发明涉及一种基于栖息地指数模型的秋刀鱼中心渔场预测方法。
背景技术
渔情预报是基于鱼类与海洋环境要素间关系及规律,对未来一定时期和水域内水产资源状况进行预报,主要包括渔期、中心渔场、资源丰度及可能达到的渔获量等,是渔业生产的重要环节。
秋刀鱼属冷水性高度洄游中上层鱼类,广泛分布于西北太平洋亚热带和温带的亲潮、黑潮水域。秋刀鱼一年中春、秋、冬季均可产卵,生命周期短,资源恢复力强,年间资源量波动显著,有学者认为该现象并非是由过度捕捞造成,而与生境条件影响下的亲体繁殖力、卵及幼鱼成活率有直接联系。目前,秋刀鱼捕捞国家主要有中国、日本、韩国、俄罗斯以及瓦努阿图,年总渔获量在35-60万吨。鉴于秋刀鱼的经济、文化、生态等价值,现已被北太平洋渔业委员会列为优先管理鱼种之一。现有研究表明秋刀鱼资源丰度和渔场分布易受栖息地环境条件影响,随着气候变化的逐渐加剧,海洋-气候的综合作用对该鱼种渔场预报提出了更高要求。
渔情及渔获量变动往往与海洋环境密切相关,海表面温度(Sea surfacetemperature,简称SST)、海表面水平梯度(Sea surface temperature gradient,简称SSTG)、海表面高度(Sea surface height,简称SSH)、叶绿素浓度(Sea surfaceChlorophyll a concentration,简称Chl-a)等都会影响鱼类分布。
在诸多环境要素中,水温变化一致被认为对鱼类产卵、仔鱼发育和成
活率等有重要意义,同时还影响鱼类饵料生物的消盛,这些都会直接或间接地影响到鱼类资源量的分布、洄游移动和空间集群等。一般情况下,只有在适宜的温度条件下才能形成优良渔场,因此依据鱼类的特征温度推测渔场位置准确性更高。影响秋刀鱼渔场形成的主要因子是水温,主要反映在渔场和渔期变化上。
秋刀鱼渔场主要分布在黑潮、亲潮及两者交汇海域,来源于北赤道流的高温、高盐黑潮水系与起源于白令海的低温、低盐亲潮水系交汇于北海道东部海域,其混合区域构成了亚极海洋锋面(40°N附近),宽度约2-4个纬距,该锋面在160°E以西海域较为明显,以东海域不明显。
亚极海洋锋面南部锋(一般在36°-37°N)和北部锋(一般在42°-43°N)间的区域形成混合区,锋面北侧亚极环流的持续性气旋分散作用致使冷水上扬,使得底部营养盐上升,加上锋面附近不同水体携运营养盐,致使浮游生物大量繁殖,对秋刀鱼渔场形成提供了基础保障。此外,秋刀鱼渔场与暖涡分布有着密切关系,其变动会影响秋刀鱼洄游路线及渔场形成,而海面高度和涡旋流关系密切,所以可以通过海面高度探究秋刀鱼渔场形成机制。
国内外学者对秋刀鱼渔情预报进行过相关研究。Ito在2013年通过基于生态系统的生物能模型研究了气候变暖对秋刀鱼资源影响情况,认为水温升高会延迟秋刀鱼向南迁徙时期,并因浮游生物含量减小而影响幼鱼生长和资源密度状况。Tseng则根据2006-2010年卫星遥感影像分析了西北太平洋秋刀鱼栖息地环境因子,表明适合秋刀鱼栖息的SST为14°~16℃、Chl-a为0.4~0.6mg/m3、初级生产力浓度为600~800mg/cm3。在探究秋刀鱼资源空间变动时,广义线性模型解释率之35.7%较垂直广义生产模型解释率之20.5%更高。
Chen在2011年结合2006-2008年中国台湾省秋刀鱼生产数据和卫星遥感温度数据,研究北太平洋秋刀鱼最适温度范围,并预测秋刀鱼潜在的栖息地分布。结果表明,秋刀鱼偏好温度范围为12°~18.5℃,并随月份不断变化;此外,秋刀鱼栖息地范围随水温增加会向北偏移,栖息地最南端可由40.24°N移动到46.15°N。Tian等在2004通过分析秋刀鱼与水温、厄尔尼诺-南方涛动等海洋气候因子间关系,认为大尺度的气候和海洋环境变动可强烈影响秋刀鱼的年间资源量和捕捞产量。张孝民根据2013年7~12月秋刀鱼生产调查数据和海洋环境数据,利用海洋渔业地理信息系统和数理统计探究秋刀鱼渔场在时间和空间上的分布情况。韩士鑫报道了通过卫星红外观测黑潮暖流环和其周围冷水变化对秋刀鱼渔场形成的短期预报情况。Tseng等认为SST前锋是影响秋刀鱼分布和提高渔场预报准确度的基础。Tian等指出,秋刀鱼的幼体生长和存活率很大程度上受海洋条件的影响。
渔情预报是渔场学研究的重点,准确的预报模型可有效缩短寻找渔场时间,降低捕捞成本、提高渔获产量,并可指导秋刀鱼生产企业进行合理安排布局。目前,相关国家和地区逐渐加大秋刀鱼资源开发力度,更需要选择合理的预测模型,以有效提高渔船生产效率,为政府和企业秋刀鱼年度生产规划提供参考依据。
现有常见预测模型主要包括:范例推理、贝叶斯方法、决策树模型、神经网络模型、线性回归模型、等权重的栖息地指数模型、最大熵模型等。由于海洋环境的复杂性、区域性和易变性,致使渔场分布会有较大的时空波动,所以准确地对中心渔场进行预测存在诸多困难,但却至关重要。现有预测模型在处理某些特殊问题时会有一定的局限性,致使目前仍缺乏统一的渔情速报预测方法,以上各常见模型的不足之处主要包括:
范例推理:应用该模型前,需要事先建立大量渔场范例,以供预报推理时选择类似的范例,对范例数量的要求较高,必须有足够多的样本;此外,该模型所提取的范例主要是对历史数据的总结,很难应用于预测新渔场;
贝叶斯方法:需要将环境数据进行人为分级处理,数据尺度大或结构复杂时工作量大,且只限用于处理单个环境因素;某些情况下无法适用,如捕捞数据统计精度有限,会因与先验概率周期不一致使得对渔场预报精度大大降低;
决策树模型:当数据量过大时可能会出现过度拟合现象,且顶层的错误会向下传播,从而影响下面所有层的分裂情况;
神经网络模型:对知识的表达、存储和推理计算都是隐式的,无法解释本身的推理依据和推理过程,存在收敛速度慢、局部极值的缺点;
线性回归模型:渔场与海洋环境因子间关系一般具有随机性和模糊性,有时模型无法满足对数据的假设,或很难建立相关性很高的回归方程,现实条件下环境因子与鱼类分布大多是呈非线性关系,某些线性拟合模型可能无法满足;
等权重的栖息地指数模型:多种环境因子对鱼类分布的影响效果并不是完全一致的,不同的环境因子应赋予不同的权重,但以往栖息地指数模型中环境因子的权重主要由专家知识赋值或默认为相等权重,无法反映出各环境因子对栖息地质量的贡献率差异;
最大熵模型:根据鱼类当前的分布情况去预测其未来栖息地,更适合洄游能力弱且群体结构单一的物种,对某些洄游能力强或种群结构复杂群体的应用性减小。
发明内容
为了寻找更为有效的渔情速报预测的实现方案,本发明实施例提供了一种基于栖息地指数模型的秋刀鱼中心渔场预测方法,该基于栖息地指数模型的秋刀鱼中心渔场预测方法包括如下步骤:基于栖息地指数模型的秋刀鱼中心渔场预测方法,其特征在于,所述基于栖息地指数模型的秋刀鱼中心渔场预测方法包括如下步骤:
获取历史的N个月份秋刀鱼的生产数据和与所述生产数据对应的环境因子,所述生产数据包括作业日期、经纬度信息、渔获量、捕捞努力量;所述环境因子包括SST、SSTG和SSH;所述N为大于0的自然数;
利用所述环境因子并基于产量密度分别建立各个月份的适应性指数与SST、SSTG、SSH间关系,其中,产量密度方程如下:
其中,y表示SST、SSTG、SSH在不同月份m和预置组距c(k)下的适应性指数
x为SST、SSTG、SSH在各自组距c(k)内的平均值
a、b、c为产量密度方程中的参数,m为N个月份中的各个月份,k为1、2、3;
用非线性最小二乘法拟合所述环境因子与所述适应性指数的关系并估计产量密度方程中参数a、b、c;
基于BRT计算的SST、SSTG、SSH相对所述适应性指数的贡献率确定SST、SSTG、SSH在栖息地指数中的权重值Wsst,m、Wsstg,m、Wssh,m,并得到栖息地指数如下:
优选地,所述N为6,所述m为6、7、…、11;所述获取历史的N个月份秋刀鱼的生产数据和与所述生产数据对应的环境因子为获取2013—2015年6-11月份秋刀鱼的生产数据和与所述生产数据对应的环境因子。
优选地,所述利用所述环境因子并基于产量密度分别建立各个月份的适应性指数与SST、SSTG、SSH间关系包括如下步骤:
从预设的SST、SSTG、SSH的组距范围中基于预置步长按照拟合度R2确定SST、SSTG、SSH的最优组距;
设定捕捞努力量最高渔区的适应性指数为1,计算其它渔区的适应性指数,计算方式如下:
其中,SI为适应性指数,Effortn为某渔区n的捕捞努力量;Effortmax为所有渔区中最高的捕捞努力量;
利用产量密度方程分别建立各月份的适应性指数与SST、SSTG、SSH间关系,以得到SST、SSTG、SSH的最适值。
优选地于,所述SST、SSTG、SSH的最优组距分别为:SST的最优组距为0.3℃,SSTG的最优组距为0.005℃/km,SSH的最优组距为0.02m。
优选地,所述基于BRT计算的SST、SSTG、SSH相对所述适应性指数的贡献率确定SST、SSTG、SSH在栖息地指数中的权重值Wsst,m、Wsstg,m、Wssh,m为在R编程环境中使用GBM函数确定。
优选地,所述权重值Wsstg,m为40%,所述权重值Wsst,m和所述权重值Wssh,m均为30%。
优选地,所述得到栖息地指数之后包括如下步骤:
基于栖息地指数和实时获取的环境因子预测秋刀鱼栖息地分布。
与现有技术相比,本发明实施例一种基于栖息地指数模型的秋刀鱼中心渔场预测方法具有如下有益效果:
本发明实施例一种基于栖息地指数模型的秋刀鱼中心渔场预测方法采用产量密度方程建立适应性指数,结合BRT方法合理选取各月份的环境因子权重,分别计算了不同作业月份秋刀鱼适宜栖息地各环境因子范围,预测了秋刀鱼的栖息地指数模型分布,为生产作业提供技术支持,该方法可提高秋刀鱼中心渔场预测的准确性,可行性较高。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本发明实施例一种基于栖息地指数模型的秋刀鱼中心渔场预测方法,其包括如下步骤S101~S107:
步骤S101:获取历史的N个月份秋刀鱼的生产数据和与所述生产数据对应的环境因子,所述生产数据包括作业日期、经纬度信息、渔获量、捕捞努力量;所述环境因子包括SST、SSTG和SSH;所述N为大于0的自然数,其中,N优选为6。
示例地,获取历史的N个月份秋刀鱼的生产数据和与生产数据对应的环境因子为获取2013—2015年6-11月份秋刀鱼的生产数据和与生产数据对应的环境因子。
在一些实施方式中,SST、SSH直接由卫星遥感下载获取,SST空间分辨率为0.1°x0.1°,SSH空间分辨率为0.25°x0.25°,两者时间分辨率均为天。SSTG则通过SST、SSH计算得到,具体如下:
假设某位置处的SST值为SSTi,j,其相邻四个网格位置处SST值依次为SSTi+1,j,SSTi-1,j,SSTi,j+1,SSTi,j-1,则SSTG计算方式如下:
其中,i、j为正整数,分别表示网格数据行号和列号;△x表示第j–1列与第j+1列间在经度方向距离,△y表示第i–1行与第i+1行间在纬度方向距离,单位均为km;SSTGi,j表示当前位置的SSTG值,单位为℃/km。
步骤S103:利用所述环境因子并基于产量密度分别建立各个月份的适应性指数与SST、SSTG、SSH间关系,其中,产量密度方程如下:
其中,y表示SST、SSTG、SSH在不同月份m和预置组距c(k)下的适应性指数x为SST、SSTG、SSH在各自组距c(k)内的平均值/>a、b、c为产量密度方程中的参数,m为N个月份中的各个月份,k为1、2、3。
值得注意的是,当获取的是2013—2015年6-11月份秋刀鱼的生产数据和与生产数据对应的环境因子时,m取值为6、7、…、11。
在一些实施方式中,定义CPUE为每艘船每天捕捞产量,设定0.5°×0.5°为一个渔区。根据渔船作业日期和经纬度信息,查找该日期内环境数据网格上最近位置经纬度所对应的数据值,对渔业数据和环境数据进行匹配,按月份分别计算各渔区的捕捞努力量及CPUE、SST、SSTG及SSH四要素的平均值。
具体地,利用环境因子并基于产量密度分别建立各个月份的适应性指数与SST、SSTG、SSH间关系包括如下步骤:
从预设的SST、SSTG、SSH的组距范围中基于预置步长按照拟合度R2确定SST、SSTG、SSH的最优组距;
设定捕捞努力量最高渔区的适应性指数为1,计算其它渔区的适应性指数,计算方式如下:
其中,SI为适应性指数,Effortn为某渔区n的捕捞努力量;Effortmax为所有渔区中最高的捕捞努力量;
利用产量密度方程分别建立各月份的适应性指数与SST、SSTG、SSH间关系,以得到SST、SSTG、SSH的最适值。
值得注意的时,SST、SSTG、SSH的最适值通过对产量密度方程求导得到:
当y'=0时,x=-b/2c,根据函数性质可以计算每个环境因子的最适值。
在一些实施方式中,预设的SST、SSTG、SSH的组距范围以及预置步长如下:SST的组距范围为0.1℃-0.3℃,步长为0.1℃;SSTG的组距范围为0.002℃/km-0.005℃/km,步长为0.001℃/km;SSH的组距范围为0.02m-0.04m,步长为0.01m。
优选地,SST、SSTG、SSH的最优组距分别为:SST的最优组距为0.3℃,SSTG的最优组距为0.005℃/km,SSH的最优组距为0.02m。
步骤S105:用非线性最小二乘法拟合所述环境因子与所述适应性指数的关系并估计产量密度方程中参数a、b、c。
步骤S107:基于BRT计算的SST、SSTG、SSH相对所述适应性指数的贡献率确定SST、SSTG、SSH在栖息地指数中的权重值Wsst,m、Wsstg,m、Wssh,m,并得到栖息地指数如下:
增强回归树(Boosting regression trees,BRT)通过随机选择与自学习的方式产生多重回归树,提高了模型稳定性和预测精度,可用于处理非线性、相关和相互作用的变量关系,能解释生物与环境间的复杂关系,且不受多重共线性、缺失预测变量和异常值的影响,每个环境因子对鱼类分布的相对重要性可通过其方差贡献率来确定,以此进行合理权重赋值。
在一些实施方式中,基于BRT计算的SST、SSTG、SSH相对所述适应性指数的贡献率确定SST、SSTG、SSH在栖息地指数中的权重值Wsst,m、Wsstg,m、Wssh,m为在R编程环境中使用GBM函数确定。
在一些实施方式中,权重值Wsst,m所占百分比范围为31.99%-34.87%,权重值Wsstg,m占比范围为34.71%-43.79%,权重值Wssh,m范围为24.22%-31.37%。
优选地,权重值Wsstg,m为40%,权重值Wsst,m和权重值Wssh,m均为30%。
在一些实施方式中,得到栖息地指数之后包括如下步骤:
基于栖息地指数和实时获取的环境因子预测秋刀鱼栖息地分布。
与现有技术相比,本发明实施例一种基于栖息地指数模型的秋刀鱼中心渔场预测方法具有如下有益效果:
本发明实施例一种基于栖息地指数模型的秋刀鱼中心渔场预测方法采用产量密度方程建立适应性指数,结合BRT方法合理选取各月份的环境因子权重,分别计算了不同作业月份秋刀鱼适宜栖息地各环境因子范围,预测了秋刀鱼的栖息地指数模型分布,为生产作业提供技术支持,该方法可提高秋刀鱼中心渔场预测的准确性,可行性较高。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于栖息地指数模型的秋刀鱼中心渔场预测方法,其特征在于,所述基于栖息地指数模型的秋刀鱼中心渔场预测方法包括如下步骤:
获取历史的N个月份秋刀鱼的生产数据和与所述生产数据对应的环境因子,所述生产数据包括作业日期、经纬度信息、渔获量、捕捞努力量;所述环境因子包括SST、SSTG和SSH;所述N为大于0的自然数;
利用所述环境因子并基于产量密度分别建立各个月份的适应性指数与SST、SSTG、SSH间关系,包括:
从预设的SST、SSTG、SSH的组距范围中基于预置步长按照拟合度R2确定SST、SSTG、SSH的最优组距;
设定捕捞努力量最高渔区的适应性指数为1,计算其它渔区的适应性指数,计算方式如下:
其中,SI为适应性指数,Effortn为某渔区n的捕捞努力量;Effortmax为所有渔区中最高的捕捞努力量;
利用产量密度方程分别建立各月份的适应性指数与SST、SSTG、SSH间关系,以得到SST、SSTG、SSH的最适值;
其中,产量密度方程如下:
其中,y表示SST、SSTG、SSH在不同月份m和预置组距c(k)下的适应性指数
x为SST、SSTG、SSH在各自组距c(k)内的平均值
a、b、c为产量密度方程中的参数,m为N个月份中的各个月份,k为1、2、3;
用非线性最小二乘法拟合所述环境因子与所述适应性指数的关系并估计产量密度方程中参数a、b、c;
基于BRT计算的SST、SSTG、SSH相对所述适应性指数的贡献率确定SST、SSTG、SSH在栖息地指数中的权重值Wsst,m、Wsstg,m、Wssh,m,并得到栖息地指数如下:
所述基于BRT计算的SST、SSTG、SSH相对所述适应性指数的贡献率确定SST、SSTG、SSH在栖息地指数中的权重值Wsst,m、Wsstg,m、Wssh,m为在R编程环境中使用GBM函数确定。
2.如权利要求1所述的基于栖息地指数模型的秋刀鱼中心渔场预测方法,其特征在于,所述N为6,所述m为6、7、…、11;所述获取历史的N个月份秋刀鱼的生产数据和与所述生产数据对应的环境因子为获取2013—2015年6-11月份秋刀鱼的生产数据和与所述生产数据对应的环境因子。
3.如权利要求1所述的基于栖息地指数模型的秋刀鱼中心渔场预测方法,其特征在于,所述SST、SSTG、SSH的最优组距分别为:SST的最优组距为0.3℃,SSTG的最优组距为0.005℃/km,SSH的最优组距为0.02m。
4.如权利要求1所述的基于栖息地指数模型的秋刀鱼中心渔场预测方法,其特征在于,所述权重值Wsstg,m为40%,所述权重值Wsst,m和所述权重值Wssh,m均为30%。
5.如权利要求1所述的基于栖息地指数模型的秋刀鱼中心渔场预测方法,其特征在于,所述得到栖息地指数之后包括如下步骤:
基于栖息地指数和实时获取的环境因子预测秋刀鱼栖息地分布。
CN201910035441.8A 2019-01-15 2019-01-15 基于栖息地指数的秋刀鱼中心渔场预测方法 Active CN109767040B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910035441.8A CN109767040B (zh) 2019-01-15 2019-01-15 基于栖息地指数的秋刀鱼中心渔场预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910035441.8A CN109767040B (zh) 2019-01-15 2019-01-15 基于栖息地指数的秋刀鱼中心渔场预测方法

Publications (2)

Publication Number Publication Date
CN109767040A CN109767040A (zh) 2019-05-17
CN109767040B true CN109767040B (zh) 2023-09-15

Family

ID=66452974

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910035441.8A Active CN109767040B (zh) 2019-01-15 2019-01-15 基于栖息地指数的秋刀鱼中心渔场预测方法

Country Status (1)

Country Link
CN (1) CN109767040B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110222832A (zh) * 2019-06-19 2019-09-10 中国水产科学研究院东海水产研究所 长江口盐沼湿地大型底栖动物栖息地模拟预测方法
CN111626467A (zh) * 2020-04-08 2020-09-04 上海海洋大学 一种扫海面积估算渔业资源量的修正方法及其应用
CN111784034B (zh) * 2020-06-22 2024-06-11 上海海洋大学 一种影响智利海域美洲赤鱿渔场的关键环境因子的筛选及探测方法
CN112597661B (zh) * 2020-12-30 2022-02-15 南京林业大学 基于物种分布和生产力耦合的工业用材林生产力预测方法
CN113971377B (zh) * 2021-05-25 2024-05-03 上海海洋大学 一种东太平洋赤道海域涡旋的判别及其对茎柔鱼渔场影响评估的技术方法
CN114021389A (zh) * 2021-11-28 2022-02-08 上海海洋大学 基于栖息地指数模型的印度洋鸢乌贼渔情预报方法
CN114943381B (zh) * 2022-06-06 2023-11-21 中国科学院地理科学与资源研究所 一种野生动物识别及其种群规模估算的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004192231A (ja) * 2002-12-10 2004-07-08 Hitachi Ltd 漁場予測情報サービス方法及びサービスシステム
CN104809479A (zh) * 2015-05-18 2015-07-29 上海海洋大学 基于支持向量机的鱼类栖息地适宜性指数建模方法
CN106228456A (zh) * 2016-07-22 2016-12-14 上海海洋大学 一种秘鲁鱿鱼的资源补充量预测方法
CN109165766A (zh) * 2018-06-26 2019-01-08 中国水产科学研究院南海水产研究所 一种南海鸢乌贼渔情预报的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050032066A1 (en) * 2003-08-04 2005-02-10 Heng Chew Kiat Method for assessing risk of diseases with multiple contributing factors

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004192231A (ja) * 2002-12-10 2004-07-08 Hitachi Ltd 漁場予測情報サービス方法及びサービスシステム
CN104809479A (zh) * 2015-05-18 2015-07-29 上海海洋大学 基于支持向量机的鱼类栖息地适宜性指数建模方法
CN106228456A (zh) * 2016-07-22 2016-12-14 上海海洋大学 一种秘鲁鱿鱼的资源补充量预测方法
CN109165766A (zh) * 2018-06-26 2019-01-08 中国水产科学研究院南海水产研究所 一种南海鸢乌贼渔情预报的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
.Independent Data Unit Protection Generic Security Service Application Program Interface(IDUP-GSS-API).IETF .1997,全文. *
C. Adams, Entrust Technologies *
陈新军等.基于栖息地指数的西北太平洋柔鱼渔获量估算.《中国海洋大学学报(自然科学版)》.2013,(第04期), *

Also Published As

Publication number Publication date
CN109767040A (zh) 2019-05-17

Similar Documents

Publication Publication Date Title
CN109767040B (zh) 基于栖息地指数的秋刀鱼中心渔场预测方法
Magris et al. Integrating multiple species connectivity and habitat quality into conservation planning for coral reefs
Greenan et al. Climate change vulnerability of American lobster fishing communities in Atlantic Canada
Moffitt et al. The utility and limitations of size and spacing guidelines for designing marine protected area (MPA) networks
Incze et al. Connectivity of lobster (Homarus americanus) populations in the coastal Gulf of Maine: part II. Coupled biophysical dynamics
White et al. Connectivity, dispersal, and recruitment
Griffin et al. An agent-based model of prehistoric settlement patterns and political consolidation in the Lake Titicaca Basin of Peru and Bolivia
CN106295833B (zh) 一种太平洋褶柔鱼资源补充量预测方法及其应用
Weijerman et al. Comparison of coral reef ecosystems along a fishing pressure gradient
Franco et al. Subsurface ocean warming hotspots and potential impacts on marine species: the southwest South Atlantic Ocean case study
Spillman et al. Predicting environmental drivers for prawn aquaculture production to aid improved farm management
CN111680844A (zh) 一种基于水温垂直结构的西南大西洋阿根廷滑柔鱼栖息地评估和预测技术方法
Hinckley et al. Connectivity between spawning and nursery areas for Pacific cod (Gadus macrocephalus) in the Gulf of Alaska
Mohamed et al. Relating abundance of purpleback flying squid Sthenoteuthis oualaniensis (Cephalopoda: Ommastrephidae) to environmental parameters using GIS and GAM in south-eastern Arabian Sea
CN111275065A (zh) 一种基于海洋环境多属性的水产养殖空间分区方法
Ichii et al. Oceanographic factors affecting interannual recruitment variability of Pacific saury (Cololabis saira) in the central and western North Pacific
Livingstone et al. Classification of marine bioregions on the east coast of South Africa
Liu et al. Identifying priority conservation areas of largehead hairtail (Trichiurus japonicus) nursery grounds in the East China Sea
García-Reyes et al. Winter oceanographic conditions predict summer bull kelp canopy cover in northern California
Romero-Torres et al. The regional structure of spawning phenology and the potential consequences for connectivity of coral assemblages across the Eastern Tropical Pacific
Jenkins et al. Environmental drivers of fish population dynamics in an estuarine ecosystem of south‐eastern Australia
Suo et al. Suitability evaluation on marine ranching in Guangdong, South China
Musilová et al. Changes in wetland habitat use by waterbirds wintering in Czechia are related to diet and distribution changes
Yu et al. Synchronous Variations in Abundance and Distribution of Ommastrephes bartramii and Dosidicus gigas in the Pacific Ocean
Daly et al. Red king crab larval advection in Bristol Bay: Implications for recruitment variability

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
GR01 Patent grant
GR01 Patent grant