CN111222748B - 一种金枪鱼栖息地量化评估方法 - Google Patents
一种金枪鱼栖息地量化评估方法 Download PDFInfo
- Publication number
- CN111222748B CN111222748B CN201911179460.4A CN201911179460A CN111222748B CN 111222748 B CN111222748 B CN 111222748B CN 201911179460 A CN201911179460 A CN 201911179460A CN 111222748 B CN111222748 B CN 111222748B
- Authority
- CN
- China
- Prior art keywords
- habitat
- model
- fishing
- unit
- space
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000011158 quantitative evaluation Methods 0.000 title claims abstract description 6
- 230000000694 effects Effects 0.000 claims abstract description 30
- 238000009826 distribution Methods 0.000 claims abstract description 18
- 239000000654 additive Substances 0.000 claims abstract description 9
- 230000000996 additive effect Effects 0.000 claims abstract description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 229930002875 chlorophyll Natural products 0.000 claims description 4
- 235000019804 chlorophyll Nutrition 0.000 claims description 4
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 4
- 150000003839 salts Chemical class 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 7
- 241000251468 Actinopterygii Species 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 241000269849 Thunnus Species 0.000 description 2
- 241000269841 Thunnus albacares Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 241000271901 Pelamis Species 0.000 description 1
- 241000269799 Perca fluviatilis Species 0.000 description 1
- 241000269851 Sarda sarda Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Agronomy & Crop Science (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
本发明公开了一种金枪鱼栖息地量化评估方法,包括以下步骤:(S1)获取目标海域的固定影响因子;将目标海域离散成若干个时空单元,并获取各时空单元的单位捕捞努力量渔获量、随机效应因子以及海洋环境变量;(S2)采用误差项为高斯分布的广义混合效应模型,根据固定影响因子以及随机效应因子对单位捕捞努力量渔获量进行标准化处理;(S3)根据各时空单元的海洋环境变量以及标准化单位捕捞努力量渔获量,采用对数正态误差分布的广义加性模型获得栖息地模型;(S4)根据栖息地模型计算综合栖息地指数。本发明将两个模型组合应用,能够将环境与实际丰度联系起来而非与名义CPUE的关系,因此获取的生境特征偏差更小。
Description
技术领域
本发明涉及水产学领域,具体涉及一种金枪鱼栖息地预测方法。
背景技术
赤道太平洋,特别是西太平洋暖池区,被认为是产量最高的渔场,在全球金枪鱼捕获量中占主导地位,其中超过70%由围网业捕捞,主要渔获物为表层集群的鲣鱼(KatsuwanusPelamis)和黄鳍金枪鱼(ThunnusAlbacares)等金枪鱼类。
目前金枪鱼的栖息地建模方法由各种静态模式发展而来。这些模型包括参数综合统计回归,例如广义线性模型(GLM)、广义加性模型(GAM)、广义加性混合模型(GAMM)、经验累积分布、增强回归树模型(BRT)或生态位模型(ENM)[1]。此外,利用空间生态系统和种群动力学模型可以预测人为气候变化和渔业压力对金枪鱼分布和丰度的未来影响[2-5]。到目前为止,西太平洋金枪鱼栖息地可靠的信息相较其商业和生态的重要性来说依然缺乏。探讨它们对环境的脆弱性有助于制定潜在的养护措施和管理战略,并从这些物种中获得可持续的利益。
现有的栖息地量化方法主要利用了渔业生产数据、SST、SSS和Chl.a等数据。例如参考文献[6]中公开的方法:
利用渔获产量数据分别与相应时期的SST、SSS和Chl.a数据构建单一因子的适应性指数(Suitability Index,SI)模型。各月单因子SI构建方法如下:
(1)将SST按0.5℃、SSS按0.1、Chl.a按0.02mg/m3组距进行分类,每个组距间隔统计其对应的长鳍金枪鱼总产量。然后按照公式(1)计算各月单因子栖息地指数ISI。
ISI=Ci/Cmax (1)
式中:ISI为各环境因子的适应性指数;Ci为i分类间隔的捕捞产量;Cmax为各分类间隔中的最大捕捞产量。这里假定分类间隔中最高渔获产量Cmax为长鳍金枪鱼资源最适宜的因子区间,认定其ISI为1;当分类间隔渔获量为0时,则认定长鳍金枪鱼资源最不适宜的因子区间,其ISI为0。
(2)使用各月SST、SSS、Chl.a因子各分类间隔的中间值与各间隔相应ISI之间的关系构建一元非线性模型,运用DPS 7.5软件求解一元非线性回归方程参数。一元非线性模型公式为:
ISI=e-a(X-b)2 (2)
式中:ISI为各环境因子的适应性指数;X为各环境因子分类间隔所对应中间值;a、b为估算参数。
当针对SST、SSS和Chl.a三种环境因子分别构建单一因子适应性指数模型后,采用算术平均法构建HSI模型[20],IHSI在0-1即不适宜到最适宜之间变化。计算公式为:
IHSI=(ISI-SST+ISI-SSS+ISI-Chl.a)/3 (3)
式中:IHSI为综合栖息地适应性指数,ISI-SST、ISI-SSS和ISI-Chl.a分别代表SST、SSS和Chl.a各环境因子的单因子适应性指数。
鉴于基于渔业的数据是金枪鱼种群的可用来源,生境偏好程度可由基于渔获量和努力量的丰度指数来判断。然而,围网渔业的复杂性使得这两种变量选择仍然存在问题。然而,当空间分辨率较大时需要匹配更精准的生产数据,且栖息地的渔场分布与海流、水团、温跃层、海面高度等海洋环境因子密切相关。目前,相对丰度指数的选择仍具有争议,例如,捕捞努力量和渔获量均被用来代替名义CPUE。这两个参数。然而,从复杂的渔业角度来看,这两个参数并非最为合适(例如在同一种鱼群上重复出现捕捞行为),最为可行的方法是考虑到与捕捞效率相关的因素进行标准化。尽管单位努力量渔获量(CPUE)是鱼类种群丰度的指标,但由于捕捞量的变化(如整个开发历史上的技术进步和单条渔船捕捞特性的不平衡等),它们与资源丰度之间并非线性关系。
参考文献:
[1]Druon J N,Chassot R,Floch L,Maufroy A.Preferred habitat oftropical tuna species in the Eastern Atlantic and Western Indian Oceans:acomparative analysis between FAD-associated and free-swimming schools.IOTCWPTT17,France,2015;
[2]Lehodey P,Senina I,Calmettes B,Hampton J,Nicol S.Modelling theimpactof climate change on Pacific skipjack tuna population andfisheries.Climatic Change,2012,119:95~109;
[3]Lehodey P,Senina I,Murtugudde R.A spatial ecosystem andpopulations dynamics model (SEAPODYM)-modelling of tuna and tuna-likepopulations.Progress in Oceanography,2008,78:304~318;
[4]Loukos H,Monfray P,Bopp L,Lehodey P.Potential changes in skipjacktuna (Katsuwonuspelamis)habitat from a global warming scenario:modelingapproach and preliminary results.Fisheries Oceanography,2003,12:474~482;
[5]Dueri S,Bopp L,Maury O.Projecting the impacts of climate change onskipjack tuna abundance and spatial distribution.Global Change Biology,2014,20:742~753;
[6]张亚男,官文江,李阳东.印度洋长鳍金枪鱼栖息地指数模型的构建与验证[J/OL].上海海洋大学学报:1-14[2019-08-20]。
发明内容
本发明的目的是根据上述现有技术的不足之处,提供一种金枪鱼栖息地量化评估方法,该方法利用GLMM模型获得对单位捕捞努力量渔获量进行标准化处理,得到标准化单位捕捞努力量渔获量作为相对丰度指数,并使用GAM模型解释丰度指数对海洋环境变量的依赖关系,最终得到可用于评估和预测的栖息地模型。
本发明目的实现由以下技术方案完成:
一种金枪鱼栖息地量化评估方法,其特征在于,包括以下步骤:
(S1)获取目标海域的固定影响因子;将目标海域离散成若干个时空单元,并获取各时空单元的单位捕捞努力量渔获量、随机效应因子以及海洋环境变量;
(S2)采用误差项为高斯分布的广义混合效应模型,根据固定影响因子以及随机效应因子对单位捕捞努力量渔获量进行标准化处理,得到标准化单位捕捞努力量渔获量;
(S3)根据各时空单元的海洋环境变量以及标准化单位捕捞努力量渔获量,采用对数正态误差分布的广义加性模型获得栖息地模型;
(S4)根据时空单元的海洋环境变量以及所述栖息地模型计算综合栖息地指数。
本发明的进一步改进在于:
所述时空单元为目标海域按照预定空间尺寸以及时间尺度分割形成;
随机效应因子包括时空单元的空间位置、对应年份以及对应月份;
固定影响因子包括目标海域内船舶建造年份(Date)的平均值、主机功率(Power)的平均值、温跃层上界深度(TTD)的平均值、若干个深度剖面的水层合流速平均值;计算固定影响因子的过程中,将捕捞产量为零的时空单元删除。
本发明的进一步改进在于:步骤(S2)中采用的高斯分布的广义混合效应模型的表达式为:
Raw CPUE~Date+Power+TTD+Current5+Current50+Current10+Current150+Current200+(1|Spatial grid)+(1|Year)+(1|Month))
其中:Raw CPUE为原始的单位捕捞努力量渔获量,Date为固定影响因子中的船舶建造年份的平均值;Power为固定影响因子中的主机功率的平均值;TTD为固定影响因子中的温跃层上界深度的平均值;Current5、Current10、Current50、Current150、Current200分别为目标海域在深度为5m、10m、50m、150m以及200m处的水层合流速的平均值;Spatialgrid为时空单元的空间位置;Year和Month分别为时空单元的年份和月份。
本发明的进一步改进在于:步骤(S3)计算栖息地模型的过程中,选取多组候选的海洋环境变量,分别计算得到多个候选的栖息地模型;根据各栖息地模型中各海洋环境变量的显著性、方差解释率和基于后向排除法的赤池信息量(AIC)准则选取最优的栖息地模型以及对应的海洋环境变量。
本发明的进一步改进在于:步骤(S3)中得到的所述时空单元的海洋环境变量中的因子包括:海表温(SST)、海表盐(SSS)、涡旋动能(EKE)、叶绿素浓度(SSC);步骤(S3)中得到的对数正态误差分布的广义加性模型的表达式为:
log(Standardized CPUE)~s(SST)+s(SSS)+s(SSC)+s(EKE)
其中:Standardized CPUE为标准化单位捕捞努力量渔获量。
本发明的进一步改进在于:步骤(S4)中计算栖息地指数包括以下步骤:
(S41)获取海洋环境变量中各因子的偏效应值;
(S42)获取海洋环境变量中各因子的方差解释率作为栖息地因子的权重信息;
(S43)将海洋环境变量中各因子的偏效应值以及方差解释率加权求和,得到综合栖息地指数(IHI)。
本发明的进一步改进在于:所述海洋环境变量中某个因子k的方差解释率的计算方法为:使用零变量模型的方差除以简化模型与栖息地模型之间的偏差;其中,简化模型为栖息地模型中将因子k去除后得到的模型。
本发明的优点是:首先使用GLMM模型获得相对丰度指数,随后使用GAM模型解释丰度对环境变量的依赖关系,将两个模型组合应用,能够将环境与实际丰度联系起来而非与名义CPUE的关系,因此获取的生境特征偏差更小。此外,GLMM模型还具有将空间和时间异质性视为随机效应的优点。
附图说明
图1为本发明金枪鱼栖息地量化评估方法的流程图。
具体实施方式
以下结合附图通过实施例对本发明的特征及其它相关特征作进一步详细说明,以便于同行业技术人员的理解:
实施例:如图1所示,本发明的实施例包括一种金枪鱼栖息地量化评估方法,其包括以下步骤:
(S1)获取目标海域的固定影响因子;将目标海域离散成若干个时空单元,并获取各时空单元的单位捕捞努力量渔获量、随机效应因子以及海洋环境变量;
(S2)采用误差项为高斯分布的广义混合效应模型,根据固定影响因子以及随机效应因子对单位捕捞努力量渔获量进行标准化处理,得到标准化单位捕捞努力量渔获量;
(S3)根据各时空单元的海洋环境变量以及标准化单位捕捞努力量渔获量,采用对数正态误差分布的广义加性模型获得栖息地模型;
(S4)根据时空单元的海洋环境变量以及所述栖息地模型计算综合栖息地指数。
在步骤(S1)中,目标海域按照空间分辨率1°为单位进行分割,离散成1°×1°的空间网格,并将渔业数据按照月份为单位尺度,形成空间范围1°×1°、时间尺度为一个月的时空单元。
随机效应因子包括各时空单元的空间位置、对应年份以及对应月份。
固定影响因子包括目标海域内船舶建造年份(Date)的平均值、主机功率(Power)的平均值、温跃层上界深度(TTD)的平均值、五个水层合流速的平均值;计算固定影响因子的过程中,将捕捞产量为零的时空单元删除。
固定影响因子涉及的船舶建造年份、主机功率可从渔业捕捞日志中获得。在一个实施例中,采用的渔业捕捞日志来自于中国远洋渔业数据中心提供的2014-2015年中国金枪鱼围网渔船捕捞日志。这些数据集合了20艘渔船作业数据,包括:捕捞站位(经纬度)、产量(吨)、捕捞努力量(网次数)。从渔业捕捞日志中还可获取各时空单元的单位捕捞努力量渔获量(CPUE)。单位捕捞努力量渔获量(CPUE)的计算方法为现有技术。
固定影响因子涉及的温跃层上界深度(TTD)以及若干个深度剖面的水层合流速的来源为国际太平洋研究中心(IPRC)对全球浮标系统的数据进行的分析和集合的数据。在水平尺度上使用变分插值算法(Variational Interpolation)将数据按月份平均并集合为1°×1°的空间尺度。在垂直尺度上,这些不连续的测试值被插值为标准深度层,即海面到2000m的深度。考虑到围网的操作深度,本实施例选取了5个深度剖面,即5m、50m、100m、150m、和200m,并分别获取各深度剖面的水层合流速。温跃层深度上界(TTD)数据同时被下载使用,其定义为10m以下温度降低0.2℃所处的深度。
本实施例中,需要将固定影响因子涉及的各因子求平均值,使得各时空单元具有相同的固定影响因子。在求平均过程中,分别求取目标海域中各船舶建造年份(Date)的平均值、主机功率(Power)的平均值、温跃层上界深度(TTD)的平均值以及各深度剖面的水层合流速平均值。
海洋环境变量中的海表温(SST)和海表盐(SSS)可从国际太平洋研究中心(IPRC)对全球浮标系统的数据进行的分析和集合的数据中获取。叶绿素浓度(SSC)月平均值来自于中分辨率成像辐射计(MODIS)水色遥感卫星,使用均值法将该数据被集合成1度栅格并删除缺失值。涡旋动能(EKE)来自于SODA3.3.1(Simple Ocean DataAssimilation)的物理海洋同化模型重构历史海洋物理数据。其中,纬向速度和经向速度的精度均为1/2°,我们还使用这些扩展的垂直分辨率数据作为不同深度层,分层标准与海水温度和盐度大致相同。使用该数据计算涡旋动能(EKE)的公式为EKE=(u^2+v^2)/2。其中u和v分别是纬向速度和经向速度。
与采用均值的固定影响因子不同,数据处理完成后,每个时空单元都包含了相应的海洋环境变量和单位捕捞努力量渔获量(CPUE)。对于存在数据缺失的时空单元,将该单元删去。
围网渔获量与渔船和围网的性能密切相关。网具的工作深度在温跃层以下有着较高的成功捕捞概率,而强海流会降低捕捞能力。渔获量可能受到这些因素的影响,导致空网或低于预期产量的捕捞。
为了更好地解释鱼群实际丰度,本实施例的步骤(S2)中用误差项为高斯分布的广义混合效应模型(GLMM)对名义的单位捕捞努力量渔获量(CPUE)进行标准化处理。其中,随机效应因子(空间位置、对应年份以及对应月份)用于解释空间分布随着时间的变化,固定影响因子(船舶建造年份(Date)的平均值、主机功率(Power)的平均值、温跃层上界深度(TTD)的平均值、若干个深度剖面的水层合流速平均值)用于表示固定效应的影响。该模型中零产量数据被删除,且随机效应仅对截距有效。该高斯分布的广义混合效应模型的表达式为:
Raw CPUE~Date+Power+TTD+Current5+Current50+Current10+Current150+Current200+(1|Spatial grid)+(1|Year)+(1|Month))
其中:Raw CPUE为原始的单位捕捞努力量渔获量,Date为固定影响因子中的船舶建造年份的平均值;Power为固定影响因子中的主机功率的平均值;TTD为固定影响因子中的温跃层上界深度的平均值;Current5、Current10、Current50、Current150、Current200分别为目标海域在深度为5m、10m、50m、150m以及200m处的水层合流速的平均值;Spatialgrid为时空单元的空间位置;Year和Month分别为时空单元的年份和月份。
上述模型可以消除捕捞能力的影响,并获得标准化单位捕捞努力量渔获量,标准化单位捕捞努力量渔获量可作为种群资源的相对丰度指数。上述模型通过R语言lme4程序包实现,使用限制性最大似然法准则(REML)进行线性拟合,基于lmerTest包分别使用Sattethwaite近似法和似然比法对固定效应和随机效应的非显著项进行检验。
本实施例的步骤(S3)中,采用多组海洋环境变量的组合,并使用对数正态误差分布的广义加性模型(GAM)建立作为种群资源的相对丰度指数的标准化单位捕捞努力量渔获量与海洋环境变量的非线性关系,以判断海洋环境变量中各因子的相对贡献度。上述模型拟合由R语言mgcv包实现,拟合过程中,平滑曲线的自由度设置为10。
各组海洋环境变量的组合具有不同的因子组合方式,可产生不同的候选栖息地模型。为了获取最佳的栖息地模型,可根据各栖息地模型中各海洋环境变量的显著性、方差解释率和基于后向排除法的赤池信息量(AIC)准则选取最优的栖息地模型以及对应的海洋环境变量。
在上述筛选过程中,需要确保栖息地模型中各因子都是显著的,在此基础上方差解释率越高、赤池信息量越小的栖息地模型越优秀。在一个实施例中,最终得到的所述时空单元的海洋环境变量中的因子包括:海表温(SST)、海表盐(SSS)、涡旋动能(EKE)、叶绿素浓度(SSC)。步骤(S3)中得到的栖息地模型的表达式为:
log(Standardized CPUE)~s(SST)+s(SSS)+s(SSC)+s(EKE)
其中:Standardized CPUE为标准化单位捕捞努力量渔获量。
在本实施例的步骤(S4)中,计算栖息地指数包括以下步骤:
(S41)获取海洋环境变量中各因子的偏效应值,该计算过程为现有技术;
(S42)获取海洋环境变量中各因子的方差解释率作为栖息地因子的权重信息;海洋环境变量中某个因子k的方差解释率的计算方法是现有技术,该过程的具体步骤是:使用零变量模型的方差除以简化模型与栖息地模型之间的偏差;其中,简化模型为栖息地模型中将因子k去除后得到的模型;
(S43)将海洋环境变量中各因子的偏效应值以及方差解释率加权求和,得到综合栖息地指数(IHI)。
某个时空单元的综合栖息地指数(IHI)可反映该时空单元的种群资源的相对丰度。在一个具体实施例中,可选取IHI的80%分位数为判断栖息地热点的阈值。某个时空单元的IHI大于该阈值,表示该时空单元的有较高的捕捞价值。上述栖息地模型可用于评估金枪鱼的栖息地,也可根据之后测量的数据对金枪鱼的栖息地进行预测。
以上的本发明实施方式,并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种金枪鱼栖息地量化评估方法,其特征在于,包括以下步骤:
(S1)获取目标海域的固定影响因子;将目标海域离散成若干个时空单元,并获取各时空单元的单位捕捞努力量渔获量、随机效应因子以及海洋环境变量;
(S2)采用误差项为高斯分布的广义混合效应模型,根据固定影响因子以及随机效应因子对单位捕捞努力量渔获量进行标准化处理,得到标准化单位捕捞努力量渔获量;
(S3)根据各时空单元的海洋环境变量以及标准化单位捕捞努力量渔获量,采用对数正态误差分布的广义加性模型获得栖息地模型;
(S4)根据时空单元的海洋环境变量以及所述栖息地模型计算综合栖息地指数;
所述时空单元为目标海域按照预定空间尺寸以及时间尺度分割形成;
随机效应因子包括时空单元的空间位置、对应年份以及对应月份;
固定影响因子包括目标海域内船舶建造年份(Date)的平均值、主机功率(Power)的平均值、温跃层上界深度(TTD)的平均值、若干个深度剖面的水层合流速平均值;计算固定影响因子的过程中,将捕捞产量为零的时空单元删除;
步骤(S2)中采用的高斯分布的广义混合效应模型的表达式为:
Raw CPUE~Date+Power+TTD+Current5+Current50+Current10
+Current150+Current200+(1|Spatial grid)+(1|Year)
+(1|Month)
其中:Raw CPUE为原始的单位捕捞努力量渔获量,Date为固定影响因子中的船舶建造年份的平均值;Power为固定影响因子中的主机功率的平均值;TTD为固定影响因子中的温跃层上界深度的平均值;Current5、Current10、Current50、Current150、Current200分别为目标海域在深度为5m、10m、50m、150m以及200m处的水层合流速的平均值;Spatial grid为时空单元的空间位置;Year和Month分别为时空单元的年份和月份;
步骤(S3)计算栖息地模型的过程中,选取多组候选的海洋环境变量,分别计算得到多个候选的栖息地模型;根据各栖息地模型中各海洋环境变量的显著性、方差解释率和基于后向排除法的赤池信息量(AIC)准则选取最优的栖息地模型以及对应的海洋环境变量;
步骤(S3)中得到的所述时空单元的海洋环境变量中的因子包括:海表温(SST)、海表盐(SSS)、涡旋动能(EKE)、叶绿素浓度(SSC);步骤(S3)中得到的对数正态误差分布的广义加性模型的表达式为:
log(Standardized CPUE)~s(SST)+s(SSS)+s(SSC)+s(EKE)
其中:Standardized CPUE为标准化单位捕捞努力量渔获量。
2.根据权利要求1所述的一种金枪鱼栖息地量化评估方法,其特征在于,步骤(S4)中计算栖息地指数包括以下步骤:
(S41)获取海洋环境变量中各因子的偏效应值;
(S42)获取海洋环境变量中各因子的方差解释率作为栖息地因子的权重信息;
(S43)将海洋环境变量中各因子的偏效应值以及方差解释率加权求和,得到综合栖息地指数(IHI)。
3.根据权利要求2所述的一种金枪鱼栖息地量化评估方法,其特征在于,所述海洋环境变量中某个因子k的方差解释率的计算方法为:使用零变量模型的方差除以简化模型与栖息地模型之间的偏差;其中,简化模型为栖息地模型中将因子k去除后得到的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911179460.4A CN111222748B (zh) | 2019-11-27 | 2019-11-27 | 一种金枪鱼栖息地量化评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911179460.4A CN111222748B (zh) | 2019-11-27 | 2019-11-27 | 一种金枪鱼栖息地量化评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111222748A CN111222748A (zh) | 2020-06-02 |
CN111222748B true CN111222748B (zh) | 2024-01-23 |
Family
ID=70827614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911179460.4A Active CN111222748B (zh) | 2019-11-27 | 2019-11-27 | 一种金枪鱼栖息地量化评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222748B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680844B (zh) * | 2020-06-14 | 2024-01-05 | 上海海洋大学 | 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 |
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 |
CN112464161B (zh) * | 2020-11-24 | 2021-09-24 | 中国科学院地理科学与资源研究所 | 基于人类足迹分布及自然因素的自然保护区评价方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930456A (zh) * | 2016-04-22 | 2016-09-07 | 安庆师范学院 | 模拟濒危松科植物潜在分布的方法 |
WO2018001338A1 (zh) * | 2016-06-30 | 2018-01-04 | 上海海洋大学 | 基于灰色系统的大洋性鱿鱼类资源丰度预测方法 |
CN110363386A (zh) * | 2019-06-05 | 2019-10-22 | 中国水产科学研究院南海水产研究所 | 一种鸢乌贼渔情数据处理方法、系统、装置和存储介质 |
-
2019
- 2019-11-27 CN CN201911179460.4A patent/CN111222748B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930456A (zh) * | 2016-04-22 | 2016-09-07 | 安庆师范学院 | 模拟濒危松科植物潜在分布的方法 |
WO2018001338A1 (zh) * | 2016-06-30 | 2018-01-04 | 上海海洋大学 | 基于灰色系统的大洋性鱿鱼类资源丰度预测方法 |
CN110363386A (zh) * | 2019-06-05 | 2019-10-22 | 中国水产科学研究院南海水产研究所 | 一种鸢乌贼渔情数据处理方法、系统、装置和存储介质 |
Non-Patent Citations (3)
Title |
---|
CPUE standardization of Illex argentinus for Chinese Mainland squid-jigging fishery in the Southwest Atlantic Ocean.;Lu HuaJie 等;Journal of Fisheries of China;第37卷(第6期);全文 * |
基于栖息地指数的北太公海秋刀鱼渔情预报的应用研究;孟令文;硕士电子期刊;全文 * |
基于灰色系统的太平洋褶柔鱼冬春生群资源丰度变化研究;解明阳;陈新军;汪金涛;;海洋渔业(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111222748A (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222748B (zh) | 一种金枪鱼栖息地量化评估方法 | |
Song et al. | Developing an integrated habitat index for bigeye tuna (Thunnus obesus) in the Indian Ocean based on longline fisheries data | |
Bagdanavičiūtė et al. | GIS-based multi-criteria site selection for zebra mussel cultivation: Addressing end-of-pipe remediation of a eutrophic coastal lagoon ecosystem | |
Rademeyer et al. | Assessment of the South African hake resource taking its two-species nature into account | |
CN114493680B (zh) | 一种基于流刺网调查的渔业资源统计方法及系统 | |
Squires et al. | Excess capacity and sustainable development in Java Sea fisheries | |
Froeschke et al. | A modeling and field approach to identify essential fish habitat for juvenile Bay Whiff (Citharichthys spilopterus) and Southern Flounder (Paralichthys lethostigma) within the Aransas Bay complex, TX | |
Guan et al. | Study on the prediction system of shrimp field distribution in the East China Sea based on big data analysis of fishing trajectories | |
Tsitsika et al. | Fishing strategy choices of purse seines in the Mediterranean: implications for management | |
Zhu et al. | Species composition and diversity of pelagic fishes based on a longline fishery catch in the North Pacific Ocean | |
Rochman et al. | Standardizing CPUE of albacore tuna (Thunnus alalunga Bonnaterre, 1788) on tuna longline fishery in Eastern Indian Ocean | |
Carbines et al. | Relative abundance, size and age structure, and stock status of blue cod off north Otago in 2009 | |
CN112001641B (zh) | 一种扇贝养殖区适宜性遥感评估系统 | |
Pan et al. | Spatial variability of striped bass spawning responses to climate change | |
Sant’Ana et al. | Surveying while fishing in the slope areas off Brazil: direct assessment of fish stock abundance from data recorded during commercial trawl fishing operations | |
Kai | Spatio-temporal model for CPUE standardization: Application to shortfin mako caught by Japanese offshore and distant water shallow-set longliner in the western and central North Pacific | |
Li et al. | Development of integrated habitat indices for bigeye tuna, Thunnus obesus, in waters near Palau | |
Kumar et al. | Estimating fish weight growth in aquaponic farming through machine learning techniques | |
CN108734375B (zh) | 打捞工程对湖泊水生植被类群变化的贡献率估算方法 | |
Valavanis | Essential fish habitat mapping in the Mediterranean | |
Colombelli et al. | Fishing the waves: comparing GAMs and random forest to evaluate the effect of changing marine conditions on the energy performance of vessels | |
CN116090859B (zh) | 一种近海岛礁渔业水域生态健康评价方法及系统 | |
CN118052373B (zh) | 海洋资源环境承载力评估方法 | |
Xu et al. | Identifying optimal variables for machine-learning-based fish distribution modeling | |
Truesdell | Distribution, population dynamics and stock assessment for the Atlantic sea scallop (placopecten magellanicus) in the Northeast Us |
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 |