CN114021389A - 基于栖息地指数模型的印度洋鸢乌贼渔情预报方法 - Google Patents

基于栖息地指数模型的印度洋鸢乌贼渔情预报方法 Download PDF

Info

Publication number
CN114021389A
CN114021389A CN202111426843.4A CN202111426843A CN114021389A CN 114021389 A CN114021389 A CN 114021389A CN 202111426843 A CN202111426843 A CN 202111426843A CN 114021389 A CN114021389 A CN 114021389A
Authority
CN
China
Prior art keywords
hsi
model
fishing
value
cpue
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
Application number
CN202111426843.4A
Other languages
English (en)
Inventor
方舟
温利红
刘思源
俞骏
李楠
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 CN202111426843.4A priority Critical patent/CN114021389A/zh
Priority to ZA2021/10721A priority patent/ZA202110721B/en
Publication of CN114021389A publication Critical patent/CN114021389A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Agronomy & Crop Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Marine Sciences & Fisheries (AREA)
  • General Business, Economics & Management (AREA)
  • Animal Husbandry (AREA)
  • Mining & Mineral Resources (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Means For Catching Fish (AREA)

Abstract

本发明公开了一种基于栖息地指数模型的印度洋鸢乌贼渔情预报方法，包括以下步骤：(1)用单位捕捞努力量渔获量(catch per unit effort,CPUE)作为表征鸢乌贼资源密度的指标；(2)建立单因子适宜性指数(suitability index，SI)模型；(3)建立综合栖息地适宜性指数(habitat suitability index,HSI)；(4)HSI模型筛选、验证。由于不同环境因子对栖息地的影响程度不一样，本申请通过赋予环境因子SI值不同的权重比值，比较分析出最优权重方案，构建最佳HSI模型。

Description

基于栖息地指数模型的印度洋鸢乌贼渔情预报方法
技术领域
本发明属于海洋渔情分析处理技术领域，具体地说，是关于一种基于栖息地指数模型的印度洋鸢乌贼渔情预报方法。
背景技术
鸢乌贼(Sthenoteuthis oualaniensis)广泛分布于印度洋、太平洋的热带和亚热带海域，主要分布于印度洋西北海域和中国南海，是目前全球重要的大洋性经济头足类之一。随着对印度洋渔业资源的不断开发，鸢乌贼也逐渐成为我国远洋渔业的重要捕捞对象。作为短生命周期的头足类，鸢乌贼对于海洋环境的变化极为敏感，环境变化会影响其洄游路径及栖息地分布，是影响捕捞产量的重要原因。以往国内外学者探究了海表面温度(seasurface temperature,SST)、海表面高度(sea surface height,SSH)等环境因子对鸢乌贼资源分布的影响，相关结果可以在一定程度上解释其变化机制。然而，海洋生物分布往往不是受某一个因素影响，同时还需要考虑所处海域的海洋环境特征。印度洋处于典型的季风区，常年受季风的影响，季风是驱动北印度洋环境变化和海洋生态动力过程的最主要因素之一，目前鲜见分析季风对鸢乌贼资源影响的研究。同时，光合有效辐射(photosynthetically active radiation,PAR)是太阳辐射中对植物光合作用有效的光谱成分和有机物能量，其值的大小会影响海洋浮游植物的数量与分布，进而影响海洋初级生产力的大小，是影响饵料的重要因子。因此，综合考虑不同环境因素对印度洋北部鸢乌贼栖息地分布的影响也有其必要性。
随着栖息地适宜性指数模型(HSI)理论和方法的逐渐完善和推广，近年来被广泛应用于种群分布、中心渔场预报等方面，他可以描述物种在不同环境条件下的栖息特征，是表征鱼类资源空间分布与海洋环境关系的重要手段之一。栖息地的适宜程度或者好坏，通常用HSI表达，在研究中，HSI取值范围一般为0～1，0表示不适宜生境，1表示最适宜生境。刘赫威等根据海洋环境数据和渔获数据，利用不同水层海水温度对西南大西洋阿根廷滑柔鱼(Illex argentinus)进行栖息地适宜性指数模型分析；王易帆等利用基于海表面温度和海表面高度因子的栖息地模型预测了中西太平洋鲣(Katsuwonus pelamis)渔场。因此，本文根据2017—2018年中国远洋渔业协会鱿钓技术组和公海围拖网技术组提供的印度洋北部鸢乌贼的渔获数据，利用海表面温度(SST)、风速(wind speed,WS)和光合有效辐射(PAR)三个环境因子，建立不同权重环境因子的HSI模型，选择最优模型预测2019年鸢乌贼栖息地，研究分析鸢乌贼栖息地和环境变量之间的关系，以期为鸢乌贼资源的渔情预报和渔业管理提供科学依据。
发明内容
本发明提供了一种基于栖息地指数模型的印度洋鸢乌贼渔情预报方法，综合考虑不同环境因素对印度洋北部鸢乌贼栖息地分布的影响
本发明是通过以下技术方案实现的：
一种基于栖息地指数模型的印度洋鸢乌贼渔情预报方法，包括以下步骤：
(1)用单位捕捞努力量渔获量(catch per unit effort,CPUE)作为表征鸢乌贼资源密度的指标；
(2)建立单因子适宜性指数(suitability index，SI)模型；
(3)建立综合栖息地适宜性指数(habitat suitability index,HSI)；
(4)HSI模型筛选、验证。
作为优选实施例，所述步骤(1)中，根据印度洋鸢乌贼主要作业时间，选择1—3月和10—12月的渔业数据，统计0.5°×0.5°范围内的渔获量和作业次数，计算单位捕捞努力量渔获量，计算公式如下：
Figure BDA0003378914220000031
式中：CPUE单位为t/次，C表示一艘渔船一天的产量，E表示其对应的作业次数，灯光敷网和灯光罩网以网次计算、鱿钓是按照每天作业位置的变化次数来计算，将分辨率为0.5°×0.5°的环境数据和渔业数据，利用克里金插值法与渔业数据(时间、经纬度、产量、CPUE)进行匹配，使得环境数据与渔业数据一一对应。
作为优选实施例，所述步骤(2)中，利用2017—2018年1—3月和10—12月的CPUE分别与SST、WS和PAR建立单因子适宜性指数(suitable index,SI)模型，研究假定在每一经纬度相对应的月份中最高单位捕捞努力量渔获量为鸢乌贼资源分布最多的海域，设SI值为1；单位捕捞努力量渔获量为0时，则认为是鸢乌贼资源分布最少的区域，设SI值为0，根据CPUE建立SI模型，SI计算公式如下：
Figure BDA0003378914220000041
式中，CPUEi指i区间的单位捕捞努力量渔获量；CPUEi，max指i区间单位捕捞努力量渔获量的最大值，
利用SPSS以最小二乘法将SI值与不同环境因子(SST、WS和PAR)作为输入值进行拟合，其拟合公式为：
SIX＝exp[a×(X-b)2] (3)
式中，a、b为应用最小二乘法估计的模型参数，使观测值与预测值的残差最小；X为环境变量值；SIX范围在0～1之间。
作为优选实施例，所述步骤(2)中，利用SPSS以最小二乘法拟合的SI与环境变量的关系，当R2大于0.6，越接近于1时，SI与环境变量的关系符合正态分布；P值小于0.01时SI与环境变量为极显著关系，小于0.05为显著关系，研究结果表明，大部分SI模型的R2>0.6，模型拟合效果较好，且模型拟合通过显著性检验(P值<0.05)，可用于HSI模型的构建。
作为优选实施例，统计各模型的HSI区间(0～0.2，0.2～0.6，0.6～1)内的产量、捕捞努力量和CPUE占比，如果HSI值0.6～1区间的捕捞努力量占比越大，且CPUE值在区间内呈递增趋势，则代表模型的预测性能越好，研究结果表明，2017—2018年不同权重方案中方案3最符合捕捞努力量占比在0.6～1区间越大，且CPUE值在HSI不同区间(0～0.2，0.2～0.6，0.6～1)内呈递增变化规律，因此最优权重方案为方案3，即基于方案3权重的HSI模型为最佳HSI模型，对应的SST、WS、PAR权重比例为0.25：0.5：0.25，所占比例最高的环境因子是WS，其次SST和PAR所占权重比例均等。
作为优选实施例，所述步骤(3)中，根据建立好的单一环境因子SI模型，在此基础上赋予环境因子以不同的权重，建立不同权重模型下的综合栖息地适宜性指数(HSI)模型，比较分析，选出最优HSI模型，HSI计算公式如下：
HSI＝kSST×SISST+kWS×SIWS+kPAR×SIPAR (4)
式中，kSST、kWS、kPAR分别为海表面温度、风速、流速SI模型的权重值，SISST、SIWS、SIPAR分别为海表面温度、风速、光合有效辐射的SI值。
作为优选实施例，所述步骤(4)中，根据建立的不同权重下的HSI模型，分别计算2017—2018年1—3月和10—12月的HSI值，范围在0～1之间，将HSI≤0.2、0.2<HSI<0.6、HSI≥0.6分别定义为印度洋北部鸢乌贼种群的不适宜栖息地，普通栖息地与适宜栖息地，并计算三种类型栖息地的产量占比、捕捞努力量占比、CPUE占比，综合比较产量、捕捞努力量所占比例(0.6～1范围之间所占比例越大，模型预测效果越优)，CPUE值(在0～0.2、0.2～0.6、0.6～1区间CPUE值逐渐增大且0.6～1之间的CPUE值越大，模型预测效果越优)，选取最优权重方案获得最佳HSI模型。
作为优选实施例，所述步骤(4)中，利用2017—2018年数据建立最优HSI模型，预测2019年印度洋北部鸢乌贼适宜栖息地分布，并利用当年渔业数据进行验证和筛选，将2019年的渔业数据与环境数据带入基于权重方案3的HSI模型，汇总不同HSI区间(0～0.2，0.2～0.6，0.6～1)内的产量、捕捞努力量的占比以及CPUE值，研究结果显示，1—3月和10—12月在HSI区间0.6～1的产量和捕捞努力量占比均超过60％，3、10和11月超80％；CPUE值在HSI不同区间(0～0.2，0.2～0.6，0.6～1)符合递增趋势，进行模型建立的2017—2018年(图1)与进行预测的2019年(图2)的CPUE值大部分集中分布在较高HSI值区间内，说明HSI模型可以较好的评估和预测印度洋北部鸢乌贼的栖息地状况，且风速的SI值在模型构建中占据的权重比例最大，结果表明，风速对印度洋北部鸢乌贼栖息地的影响较大。
有益效果：由于不同环境因子对栖息地的影响程度不一样，本申请通过赋予环境因子SI值不同的权重比值，比较分析出最优权重方案，构建最佳HSI模型。本申请使用2019年数据对模型进行验证，将2019年数据带入综合HSI模型，计算3种类型栖息地的产量占比、捕捞努力量占比、CPUE值。基于得到的综合HSI模型，做出2017—2018年1—3月和10—12月份与2019年1—3月和10—12月份的HSI空间分布图，并与CPUE的分布叠加，验证模型的准确性与可行性。
附图说明
图1为本申请一个实施例中2017—2018年栖息地适宜性指数与CPUE值叠加图。
图2为本申请一个实施例中最优模型计算出的2019年栖息地适宜性指数与CPUE值叠加图。
具体实施方式
下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例：
建立SI模型：
步骤(1)中，根据印度洋鸢乌贼主要作业时间，选择1—3月和10—12月的渔业数据，统计0.5°×0.5°范围内的渔获量和作业次数，计算单位捕捞努力量渔获量，计算公式如下：
Figure BDA0003378914220000071
式中：CPUE单位为t/次，C表示一艘渔船一天的产量，E表示其对应的作业次数，灯光敷网和灯光罩网以网次计算、鱿钓是按照每天作业位置的变化次数来计算，将分辨率为0.5°×0.5°的环境数据和渔业数据，利用克里金插值法与渔业数据(时间、经纬度、产量、CPUE)进行匹配，使得环境数据与渔业数据一一对应。
步骤(2)中，利用2017—2018年1—3月和10—12月的CPUE分别与SST、WS和PAR建立单因子适宜性指数(suitable index,SI)模型。
根据建立好的单一环境因子SI模型，在此基础上赋予环境因子以不同的权重(权重设置方案见表1)，建立不同权重模型下的综合栖息地适宜性指数(HSI)模型，比较分析，选出最优HSI模型。HSI计算公式如下：
HSI＝kSST×SISST+kWS×SIWS+kPAR×SIPAR (4)
式中，kSST、kWS、kPAR分别为海表面温度、风速、流速SI模型的权重值，SISST、SIWS、SIPAR分别为海表面温度、风速、光合有效辐射的SI值。
表1不同环境因子的不同权重方案
Tab.1Different scenarios for the weights of different environmentfactors
Figure BDA0003378914220000081
利用SPSS以最小二乘法拟合的SI与环境变量的关系，当R2大于0.6，越接近于1时，SI与环境变量的关系符合正态分布；P值小于0.01时SI与环境变量为极显著关系，小于0.05为显著关系。研究结果表明(表2)，大部分SI模型的R2>0.6，模型拟合效果较好，且模型拟合通过显著性检验(P值<0.05)，可用于HSI模型的构建。
表2适宜性指数模型拟合公式
Tab.2Fitting formula of SI models
Figure BDA0003378914220000091
HSI模型分析:
由于不同环境因子对栖息地的影响程度不一样，本文通过赋予环境因子SI值不同的权重比值，比较分析出最优权重方案，构建最佳HSI模型。统计各模型的HSI区间(0～0.2，0.2～0.6，0.6～1)内的产量、捕捞努力量和CPUE占比，如果HSI值0.6～1区间的捕捞努力量占比越大，且CPUE值在区间内呈递增趋势，则代表模型的预测性能越好。研究结果表明，2017—2018年不同权重方案中方案3最符合捕捞努力量占比在0.6～1区间越大，且CPUE值在HSI不同区间(0～0.2，0.2～0.6，0.6～1)内呈递增变化规律，因此最优权重方案为方案3，即基于方案3权重的HSI模型为最佳HSI模型，对应的SST、WS、PAR权重比例为0.25：0.5：0.25，所占比例最高的环境因子是WS，其次SST和PAR所占权重比例均等(表3，4)。
表3 2017—2018年不同权重栖息地模型预测的HSI各区间内对应的产量和捕捞努力量百分比
Tab.3Percentage of catch and effort under different HSI classinterval sourced from different weighting model during 2017—2018
Figure BDA0003378914220000101
Figure BDA0003378914220000111
表4 2017—2018年不同权重栖息地模型预测的HSI各区间内对应的CPUE
Tab.4CPUE under different HSI class interval sourced from differentweighting model during 2017—2018
Figure BDA0003378914220000112
模型验证及筛选结果：
利用2017—2018年数据建立最优HSI模型，预测2019年印度洋北部鸢乌贼适宜栖息地分布，并利用当年渔业数据进行验证和筛选。将2019年的渔业数据与环境数据带入基于权重方案3的HSI模型，汇总不同HSI区间(0～0.2，0.2～0.6，0.6～1)内的产量、捕捞努力量的占比以及CPUE值，得到的结果如表5所示。研究结果显示，1—3月和10—12月在HSI区间0.6～1的产量和捕捞努力量占比均超过60％，3、10和11月超80％；CPUE值在HSI不同区间(0～0.2，0.2～0.6，0.6～1)符合递增趋势。进行模型建立的2017—2018年(图1)与进行预测的2019年(图2)的CPUE值大部分集中分布在较高HSI值区间内。说明HSI模型可以较好的评估和预测印度洋北部鸢乌贼的栖息地状况，且风速的SI值在模型构建中占据的权重比例最大，结果表明，风速对印度洋北部鸢乌贼栖息地的影响较大。
表5 2019年印度洋鸢乌贼HSI模型预测结果
Tab.5Forecast results of S.oualaniensis HSI model in Indian Ocean at2019
Figure BDA0003378914220000121
本实施例，印度洋北部鸢乌贼生产统计资料来自中国远洋渔业协会鱿钓技术组和公海围拖网技术组，数据时间为2017—2019年，时间尺度为月，空间分辨率为0.5°×0.5°，研究分析的渔场主要分布在10°N～30°N，50°E～75°E印度洋北部的海域。该统计资料包含灯光敷网、灯光罩网和鱿钓3种作业方式，统计内容包括作业日期、作业次数、作业经度、作业纬度和渔获量。
海洋环境数据包括海表面温度(SST)、风速(WS)和光合有效辐射(PAR)。SST和PAR的数据来源于美国大气与海洋局(National Ocean and Atmosphere Administration，NOAA)中太平洋观测网点(https://oceanwatch.pifsc.noaa.gov/erddap/index.html)，WS的数据来源于夏威夷大学网站(http://apdrc.soest.hawaili.edu/data/data.php)，时间尺度为月，上述环境因子空间分辨率为0.5°×0.5°。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种基于栖息地指数模型的印度洋鸢乌贼渔情预报方法，其特征在于，包括以下步骤：
(1)用单位捕捞努力量渔获量(catch per unit effort,CPUE)作为表征鸢乌贼资源密度的指标；
(2)建立单因子适宜性指数(suitability index，SI)模型；
(3)建立综合栖息地适宜性指数(habitat suitability index,HSI)；
(4)HSI模型筛选、验证。
2.根据权利要求1所述的一种基于栖息地指数模型的印度洋鸢乌贼渔情预报方法，其特征在于，所述步骤(1)中，根据印度洋鸢乌贼主要作业时间，选择1—3月和10—12月的渔业数据，统计0.5°×0.5°范围内的渔获量和作业次数，计算单位捕捞努力量渔获量，计算公式如下：
Figure FDA0003378914210000011
式中：CPUE单位为t/次，C表示一艘渔船一天的产量，E表示其对应的作业次数，灯光敷网和灯光罩网以网次计算、鱿钓是按照每天作业位置的变化次数来计算，将分辨率为0.5°×0.5°的环境数据和渔业数据，利用克里金插值法与渔业数据(时间、经纬度、产量、CPUE)进行匹配，使得环境数据与渔业数据一一对应。
3.根据权利要求1所述的一种基于栖息地指数模型的印度洋鸢乌贼渔情预报方法，其特征在于，所述步骤(2)中，利用2017—2018年1-3月和10-12月的CPUE分别与SST、WS和PAR建立单因子适宜性指数(suitable index，SI)模型，研究假定在每一经纬度相对应的月份中最高单位捕捞努力量渔获量为鸢乌贼资源分布最多的海域，设SI值为1；单位捕捞努力量渔获量为0时，则认为是鸢乌贼资源分布最少的区域，设SI值为0，根据CPUE建立SI模型，SI计算公式如下：
Figure FDA0003378914210000021
式中，CPUEi指i区间的单位捕捞努力量渔获量；CPUEi，max指i区间单位捕捞努力量渔获量的最大值，
利用SPSS以最小二乘法将SI值与不同环境因子(SST、WS和PAR)作为输入值进行拟合，其拟合公式为：
SIx＝exp[a×(X-b)2] (3)
式中，a、b为应用最小二乘法估计的模型参数，使观测值与预测值的残差最小；X为环境变量值；SIX范围在0～1之间。
4.根据权利要求3所述的一种基于栖息地指数模型的印度洋鸢乌贼渔情预报方法，其特征在于，所述步骤(2)中，利用SPSS以最小二乘法拟合的SI与环境变量的关系，当R2大于0.6，越接近于1时，SI与环境变量的关系符合正态分布；P值小于0.01时SI与环境变量为极显著关系，小于0.05为显著关系，研究结果表明，大部分SI模型的R2＞0.6，模型拟合效果较好，且模型拟合通过显著性检验(P值＜0.05)，可用于HSI模型的构建。
5.根据权利要求1所述的一种基于栖息地指数模型的印度洋鸢乌贼渔情预报方法，其特征在于，统计各模型的HSI区间(0～0.2，0.2～0.6，0.6～1)内的产量、捕捞努力量和CPUE占比，如果HSI值0.6～1区间的捕捞努力量占比越大，且CPUE值在区间内呈递增趋势，则代表模型的预测性能越好，研究结果表明，2017-2018年不同权重方案中方案3最符合捕捞努力量占比在0.6～1区间越大，且CPUE值在HSI不同区间(0～0.2，0.2～0.6，0.6～1)内呈递增变化规律，因此最优权重方案为方案3，即基于方案3权重的HSI模型为最佳HSI模型，对应的SST、WS、PAR权重比例为0.25∶0.5∶0.25，所占比例最高的环境因子是WS，其次SST和PAR所占权重比例均等。
6.根据权利要求1所述的一种基于栖息地指数模型的印度洋鸢乌贼渔情预报方法，其特征在于，所述步骤(3)中，根据建立好的单一环境因子SI模型，在此基础上赋予环境因子以不同的权重，建立不同权重模型下的综合栖息地适宜性指数(HSI)模型，比较分析，选出最优HSI模型，HSI计算公式如下：
HSI＝kSST×SISST+kWS×SIWS+kPAR×SIPAR (4)
式中，kSST、kWS、kPAR分别为海表面温度、风速、流速SI模型的权重值，SISST、SIWS、SIPAR分别为海表面温度、风速、光合有效辐射的SI值。
7.根据权利要求1所述的一种基于栖息地指数模型的印度洋鸢乌贼渔情预报方法，其特征在于，所述步骤(4)中，根据建立的不同权重下的HSI模型，分别计算2017-2018年1-3月和10-12月的HSI值，范围在0～1之间，将HSI≤0.2、0.2＜HSI＜0.6、HSI≥0.6分别定义为印度洋北部鸢乌贼种群的不适宜栖息地，普通栖息地与适宜栖息地，并计算三种类型栖息地的产量占比、捕捞努力量占比、CPUE占比，综合比较产量、捕捞努力量所占比例(0.6～1范围之间所占比例越大，模型预测效果越优)，CPUE值(在0～0.2、0.2～0.6、0.6～1区间CPUE值逐渐增大且0.6～1之间的CPUE值越大，模型预测效果越优)，选取最优权重方案获得最佳HSI模型。
8.根据权利要求1所述的一种基于栖息地指数模型的印度洋鸢乌贼渔情预报方法，其特征在于，所述步骤(4)中，利用2017—2018年数据建立最优HSI模型，预测2019年印度洋北部鸢乌贼适宜栖息地分布，并利用当年渔业数据进行验证和筛选，将2019年的渔业数据与环境数据带入基于权重方案3的HSI模型，汇总不同HSI区间(0～0.2，0.2～0.6，0.6～1)内的产量、捕捞努力量的占比以及CPUE值，研究结果显示，1—3月和10—12月在HSI区间0.6～1的产量和捕捞努力量占比均超过60％，3、10和11月超80％；CPUE值在HSI不同区间(0～0.2，0.2～0.6，0.6～1)符合递增趋势，进行模型建立的2017—2018年(图1)与进行预测的2019年(图2)的CPUE值大部分集中分布在较高HSI值区间内，说明HSI模型可以较好的评估和预测印度洋北部鸢乌贼的栖息地状况，且风速的SI值在模型构建中占据的权重比例最大，结果表明，风速对印度洋北部鸢乌贼栖息地的影响较大。
CN202111426843.4A 2021-11-28 2021-11-28 基于栖息地指数模型的印度洋鸢乌贼渔情预报方法 Pending CN114021389A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111426843.4A CN114021389A (zh) 2021-11-28 2021-11-28 基于栖息地指数模型的印度洋鸢乌贼渔情预报方法
ZA2021/10721A ZA202110721B (en) 2021-11-28 2021-12-21 Indian ocean sthenoteuthis oualaniensis fishing condition forecasting method based on habitat index model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111426843.4A CN114021389A (zh) 2021-11-28 2021-11-28 基于栖息地指数模型的印度洋鸢乌贼渔情预报方法

Publications (1)

Publication Number Publication Date
CN114021389A true CN114021389A (zh) 2022-02-08

Family

ID=80066901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111426843.4A Pending CN114021389A (zh) 2021-11-28 2021-11-28 基于栖息地指数模型的印度洋鸢乌贼渔情预报方法

Country Status (2)

Country Link
CN (1) CN114021389A (zh)
ZA (1) ZA202110721B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114794035A (zh) * 2022-03-25 2022-07-29 中国水产科学研究院东海水产研究所 一种金枪鱼围网中心渔场范围自动识别算法和渔场探寻路线方法
CN114897383A (zh) * 2022-05-20 2022-08-12 中国水产科学研究院南海水产研究所 一种基于数据填补的渔情数据处理方法
CN117251673A (zh) * 2023-11-17 2023-12-19 中国海洋大学 一种海洋渔业资源动态追踪方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109767040A (zh) * 2019-01-15 2019-05-17 上海海洋大学 基于栖息地指数的秋刀鱼中心渔场预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109767040A (zh) * 2019-01-15 2019-05-17 上海海洋大学 基于栖息地指数的秋刀鱼中心渔场预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
冯志萍等: "智利外海智利竹筴鱼与茎柔鱼栖息地变动对 ENSO 事件响应的差异", 《中国水产科学》 *
刘赫威等: "基于不同水层海水温度的阿根廷滑柔鱼栖息地模型构建", 《大连海洋大学学报》 *
范江涛等: "基于栖息地指数的南海北部枪乌贼渔情预报模型构建", 《南方水产科学》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114794035A (zh) * 2022-03-25 2022-07-29 中国水产科学研究院东海水产研究所 一种金枪鱼围网中心渔场范围自动识别算法和渔场探寻路线方法
CN114794035B (zh) * 2022-03-25 2023-01-17 中国水产科学研究院东海水产研究所 一种金枪鱼围网中心渔场范围自动识别算法和渔场探寻路线方法
CN114897383A (zh) * 2022-05-20 2022-08-12 中国水产科学研究院南海水产研究所 一种基于数据填补的渔情数据处理方法
CN117251673A (zh) * 2023-11-17 2023-12-19 中国海洋大学 一种海洋渔业资源动态追踪方法
CN117251673B (zh) * 2023-11-17 2024-03-01 中国海洋大学 一种海洋渔业资源动态追踪方法

Also Published As

Publication number Publication date
ZA202110721B (en) 2022-04-28

Similar Documents

Publication Publication Date Title
CN114021389A (zh) 基于栖息地指数模型的印度洋鸢乌贼渔情预报方法
Smart et al. Multimodel approaches in shark and ray growth studies: strengths, weaknesses and the future
CN106651616B (zh) 一种中西太平洋鲣鱼围网渔业入渔的预测方法
Sherman Sustainability, biomass yields, and health of coastal ecosystems: an ecological perspective
Chin et al. Reef sharks and inshore habitats: patterns of occurrence and implications for vulnerability
Dagorn et al. How much do fish aggregating devices (FAD s) modify the floating object environment in the ocean?
Zhang et al. Long-term variations in fish community structure under multiple stressors in a semi-closed marine ecosystem in the South China Sea
Xu et al. Modeling trophic structure and energy flows in a coastal artificial ecosystem using mass-balance Ecopath model
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
Bever et al. Linking hydrodynamic complexity to Delta Smelt (Hypomesus transpacificus) distribution in the San Francisco Estuary, USA
Sanchez-Rubio et al. Climate-related hydrological regimes and their effects on abundance of juvenile blue crabs (Callinectes sapidus) in the northcentral Gulf of Mexico
Wang et al. Research on China’s mariculture efficiency evaluation and influencing factors with undesirable outputs—an empirical analysis of China’s ten coastal regions
Yu et al. Mapping the potential for offshore aquaculture of salmonids in the Yellow Sea
Liu et al. Effects of oceanographic environment on the distribution and migration of Pacific saury (Cololabis saira) during main fishing season
Yang et al. Determining water level management strategies for lake protection at the ecosystem level
Vaughan et al. Relationship between Gulf menhaden recruitment and Mississippi River flow: model development and potential application for management
Jalil et al. Phytoplankton response to long-term wind dynamics at large shallow Lake Taihu (shallow lake phytoplankton response to long-term wind dynamics)
Sreekanth et al. Modeling the impacts of fishing regulations in a tropical Indian estuary using Ecopath with Ecosim approach
Hesp et al. Size-related movements of Rhabdosargus sarba in three different environments and their influence on estimates of von Bertalanffy growth parameters
Langley et al. Influence of oceanographic variability on recruitment of yellowfin tuna (Thunnus albacares) in the western and central Pacific Ocean
Lee et al. Potential and prospective seasonal distribution of hotspot habitat of albacore tuna (Thunnus alalunga) in the South Indian Ocean using the satellite data
Song et al. Standardizing CPUE of yellowfin tuna (Thunnus albacares) longline fishery in the tropical waters of the northwestern Indian Ocean using a deterministic habitat-based model
Anh et al. Production and food web efficiency decrease as fishing activity increases in a coastal ecosystem
Neokye et al. The role of oceanic environmental conditions on catch of Sardinella spp. in Ghana
Olsen Quantifying the spatial extent and distribution of estuarine habitat with changing salinity: do positive, neutral, and negative estuaries respond differently to salinity variation?

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