JP2021520575A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- JP2021520575A JP2021520575A JP2020561696A JP2020561696A JP2021520575A JP 2021520575 A JP2021520575 A JP 2021520575A JP 2020561696 A JP2020561696 A JP 2020561696A JP 2020561696 A JP2020561696 A JP 2020561696A JP 2021520575 A JP2021520575 A JP 2021520575A
- Authority
- JP
- Japan
- Prior art keywords
- argentine
- value
- aao
- antarctic
- pine
- 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.)
- Granted
Links
- AILDTIZEPVHXBF-UHFFFAOYSA-N Argentine Natural products C1C(C2)C3=CC=CC(=O)N3CC1CN2C(=O)N1CC(C=2N(C(=O)C=CC=2)C2)CC2C1 AILDTIZEPVHXBF-UHFFFAOYSA-N 0.000 title claims abstract description 102
- 244000308495 Potentilla anserina Species 0.000 title claims abstract description 102
- 235000016594 Potentilla anserina Nutrition 0.000 title claims abstract description 102
- 241000238366 Cephalopoda Species 0.000 title claims abstract description 97
- 235000008331 Pinus X rigitaeda Nutrition 0.000 title claims abstract description 89
- 235000011613 Pinus brutia Nutrition 0.000 title claims abstract description 89
- 241000018646 Pinus brutia Species 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000010355 oscillation Effects 0.000 title claims abstract description 30
- 239000003643 water by type Substances 0.000 claims abstract description 8
- 238000010219 correlation analysis Methods 0.000 claims abstract description 7
- 230000015654 memory Effects 0.000 claims description 6
- 238000012731 temporal analysis Methods 0.000 claims description 4
- 238000000700 time series analysis Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 229930002868 chlorophyll a Natural products 0.000 description 2
- 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 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
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を開示し、過去Ｎ年間にアルゼンチンマツイカが分布していた南西太平洋の南部海域の月別の南極振動指数ＡＡＯ値を取得するステップと、時系列分析方法を利用して、アルゼンチンマツイカ資源豊度ｌｎ（ＣＰＵＥ）と過去Ｎ年間の月別のＡＡＯ値に対して相関性分析を行い、統計的に有意な相関を示す月のＡＡＯ値を選択し、選択したこれらの月のＡＡＯ値を順に番号付けし、順にｘ１、ｘ２、ｘ３…ｘｍとするステップと、任意１〜ｍ個の気候因子に対して、多変数線形方程式を利用して複数のアルゼンチンマツイカ資源豊度予測モデルを作成し、各予測モデルのＰ値を計算するステップと、Ｐ値が最も小さいモデルを最適モデルとして選択するステップと、を含む。本発明の方法によれば、南極振動ＡＡＯを利用してアルゼンチンマツイカ資源豊度の予測を実現することで、漁業生産では指導の役割を果たし、漁獲効率を向上させ、漁獲コストを低減させ、将来性が期待できる。【選択図】図１
Description
本発明はイカ資源量の予測の技術分野に属し、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に関する。
アルゼンチンマツイカは世界で重要な経済的頭足類資源であり、史上最高の漁獲量は１００万トンを超え、中国等の国や地域のイカ釣り漁船、トロール船等の主な漁獲対象となっている。アルゼンチンマツイカは南西大西洋海域に分布しており、ブラジル海流及びフォークランド海流の影響を受け、南北方向に回遊する。既存の研究からわかるように、アルゼンチンイレックスは一年生の種であるため、その資源補充量は産卵場の環境の影響を受けており、汪金濤ら（２０１４）は２００３−２０１１年の中国のイカ釣り漁船隊の南西大西洋での生産統計データ、及び産卵場の海面水温（ＳＳＴ）、海面水温偏差（ＳＳＴＡ）に基づいて、アルゼンチンイレックスの産卵期における月別の産卵場の最適海面水温範囲の、総面積に対する比率（ＰＳで示される）、及び海流強度を表すＳＳＴ、ＳＳＴＡ等の様々な環境変数因子と単位努力量当たりの漁獲量（ＣＰＵＥ）との相関性を計算分析し、主要環境因子に基づく様々な資源補充量予測モデルを作成した。伍玉梅ら（２０１１）は２０００−２００８年の中国のイカ釣り漁船の南西大西洋でのアルゼンチンイレックスの生産データ及び海洋衛星インバージョンデータを利用して、過去９年間の南西大西洋のアルゼンチンイレックス資源豊度の変化、及びそれと主要な生態学的因子（海面水温やクロロフィルａ）との関係を分析し、２００４−２００８年では年平均海面水温と資源豊度の変動が有意な負の相関を示し、２００５−２００８年では年平均クロロフィルａと資源豊度が高い正の相関を示すことを見出した。Ｗａｌｕｄａ及びＲｏｄｈｏｕｓｅ（２００１）は、産卵場の環境条件がアルゼンチンマツイカの資源補充量に大きな影響を与え、産卵場の水温がやや高く、産卵場の適切な海面水温の面積が高いと、アルゼンチンマツイカの発生及び成長に有利であるという見解を示した。上記研究からわかるように、現在、中国国内外の各学者はアルゼンチンマツイカの産卵場の環境による資源補充量への影響を鋭意研究して、対応する資源量予測モデルを作成したが、どのようにして気候因子を利用してその資源量を事前に予測するかは未だに空白のままである。
従って、気候因子に基づいてアルゼンチンマツイカ資源量を予測する方法を開発することは、非常に現実的である。
本発明は、従来技術に存在している問題及び欠陥を克服し、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を提供することを目的とする。
上記目的を実現するために、本発明は以下の技術的解決手段を提供し、
電子機器に適用される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であって、
（１）過去Ｎ年間にアルゼンチンマツイカが分布していた南西太平洋の南部海域の月別の南極振動指数ＡＡＯ値を取得するステップと、
（２）時系列分析方法を利用して、アルゼンチンマツイカ資源豊度ｌｎ（ＣＰＵＥ）と過去Ｎ年間の月別のＡＡＯ値に対して相関性分析を行い、そのうち統計的に有意な相関を示す月のＡＡＯ値を選択し、選択したこれらの月のＡＡＯ値を、アルゼンチンマツイカ資源豊度に影響を与える気候因子とし、選択したこれらの月のＡＡＯ値を１、２、３…ｚ…ｍの順で番号付けし、これらの月のＡＡＯ値を順にｘ１、ｘ２、ｘ３…ｘｚ…ｘｍ（ｍは選択した月のＡＡＯ値の数である）とするステップと、
（３）ｘ１、ｘ２、ｘ３…ｘｍのうちの任意１〜ｍ個の気候因子に対して、多変数線形方程式を利用して計２ｍ−１個のアルゼンチンマツイカ資源豊度予測モデルを作成し、各予測モデルの統計的Ｐ値を計算し、アルゼンチンマツイカ資源豊度予測モデルの式は、
ｌｎ（ＣＰＵＥ）＝ａ＋ｂ１＊ｘ１＋ｂ２＊ｘ２＋ｂ３＊ｘ３＋…＋ｂｚ＊ｘｚ＋…＋ｂｍ＊ｘｍであり、
式中、ＣＰＵＥは１隻あたりの年間漁獲量、ａは定数、ｂ１、ｂ２、ｂ３、…ｂｚ…、ｂｎはそれぞれｘ１、ｘ２、ｘ３…ｘｚ…ｘｍに対応する係数であり、
（４）上記２ｍ−１個のアルゼンチンマツイカ資源豊度予測モデルのうち、統計的Ｐ値が最も小さいモデルを最適モデルとして選択するステップと、を含む。
電子機器に適用される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であって、
（１）過去Ｎ年間にアルゼンチンマツイカが分布していた南西太平洋の南部海域の月別の南極振動指数ＡＡＯ値を取得するステップと、
（２）時系列分析方法を利用して、アルゼンチンマツイカ資源豊度ｌｎ（ＣＰＵＥ）と過去Ｎ年間の月別のＡＡＯ値に対して相関性分析を行い、そのうち統計的に有意な相関を示す月のＡＡＯ値を選択し、選択したこれらの月のＡＡＯ値を、アルゼンチンマツイカ資源豊度に影響を与える気候因子とし、選択したこれらの月のＡＡＯ値を１、２、３…ｚ…ｍの順で番号付けし、これらの月のＡＡＯ値を順にｘ１、ｘ２、ｘ３…ｘｚ…ｘｍ（ｍは選択した月のＡＡＯ値の数である）とするステップと、
（３）ｘ１、ｘ２、ｘ３…ｘｍのうちの任意１〜ｍ個の気候因子に対して、多変数線形方程式を利用して計２ｍ−１個のアルゼンチンマツイカ資源豊度予測モデルを作成し、各予測モデルの統計的Ｐ値を計算し、アルゼンチンマツイカ資源豊度予測モデルの式は、
ｌｎ（ＣＰＵＥ）＝ａ＋ｂ１＊ｘ１＋ｂ２＊ｘ２＋ｂ３＊ｘ３＋…＋ｂｚ＊ｘｚ＋…＋ｂｍ＊ｘｍであり、
式中、ＣＰＵＥは１隻あたりの年間漁獲量、ａは定数、ｂ１、ｂ２、ｂ３、…ｂｚ…、ｂｎはそれぞれｘ１、ｘ２、ｘ３…ｘｚ…ｘｍに対応する係数であり、
本発明に係る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によれば、気候因子（南極振動指数）とアルゼンチンマツイカ資源量の予測との関係を初めて作成し、気候因子（南極振動指数）によってアルゼンチンマツイカ資源量の迅速かつ正確な予測を実現でき、海洋漁業生産（アルゼンチンマツイカの漁獲）では優れた指導の役割を果たし、漁獲効率を大幅に向上させ、漁獲コストを低減させ、将来性が期待でき、また、本発明によって得られる最適モデルは一律ではなく、リアルタイムに取得される最新データに応じて最適モデルを再取得することができ、本発明の方法は適応性が高く、将来性が期待できる。
好適な技術的解決手段としては、
前記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において、最適モデルを得た後、該最適モデルに対応するｘ１、ｘ２、ｘ３…ｘｚ…ｘｍを取得して最適モデルに入力し、最適モデルがアルゼンチンマツイカ資源豊度を出力すると、アルゼンチンマツイカ資源量の予測が完了する。
前記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において、最適モデルを得た後、該最適モデルに対応するｘ１、ｘ２、ｘ３…ｘｚ…ｘｍを取得して最適モデルに入力し、最適モデルがアルゼンチンマツイカ資源豊度を出力すると、アルゼンチンマツイカ資源量の予測が完了する。
前記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において、アルゼンチンマツイカ資源豊度予測モデルが気候因子ｘｚに対して作成される場合、ｂ１、ｂ２、ｂ３、…ｂｚ−１、ｂｚ＋１、…、ｂｎはいずれも０であり、以下同様に、アルゼンチンマツイカ資源豊度予測モデルが気候因子ｘ１及びｘｚに対して作成される場合、ｂ２、ｂ３、…ｂｚ−１、ｂｚ＋１、…、ｂｎはいずれも０である。
前記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において、前記統計的に有意な相関とは、算出されたＰ値＜０．０５である。Ｐ値は、統計では仮説検定の結果を判定するためのパラメータであり、Ｐ値（Ｐ ｖａｌｕｅ）は、帰無仮説を真とするときに得られる標本観察結果又はより極端な結果が発生する確率である。Ｐ値が非常に小さいと、帰無仮説状況の発生する確率が非常に小さいことを示し、発生したら、小確率原理に従って、帰無仮説を拒否する理由があり、Ｐ値が小さいほど、帰無仮説を拒否する理由が十分になる。要するに、Ｐ値が小さいほど、結果が有意であることを示す。
前記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において、ステップ（２）では、統計的に有意な相関を示す２つの月のＡＡＯ値、すなわち過去２年目の５月のＡＡＯ値及び過去１年目の８月のＡＡＯ値を選択し、アルゼンチンマツイカ資源豊度ｌｎ（ＣＰＵＥ）と過去２年目の５月のＡＡＯ値との相関性は有意であり、正の相関を示し、相関係数がそれぞれ０．５４９であり、アルゼンチンマツイカ資源豊度ｌｎ（ＣＰＵＥ）と過去１年目の８月のＡＡＯ値との相関性は有意であり、負の相関を示し、相関係数が−０．４９７である。ここ及び以下で言及される３個の予測モデルは単にデータの一部で本発明の予測方法の動作ロジックを示すためのものであり、本発明の保護範囲はこれに限定されず、当業者は実際の必要に応じて適切なデータを選択してアルゼンチンマツイカ資源量を予測することができ、選択される統計的に有意な相関を示す月のＡＡＯ値の数は２個に限定されず、予測モデルの数は選択される統計的に有意な相関を示す月のＡＡＯ値の数に応じて変化する。
前記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において、ステップ（３）では、以下の計３個の予測モデルを作成し、
１）予測モデルＩ
気候因子の過去２年目の５月のＡＡＯ値ｘ１に対してアルゼンチンマツイカ資源豊度予測モデルを作成し、具体的には、
ｌｎ （ＣＰＵＥ）＝６．７３０５＋０．４５５４＊ｘ１であり、
Ｆ値は６．０３４７であり、Ｐ＝０．０２７７＜０．０５であり、Ｆ値はＦ検定の統計値であり、Ｆ検定は帰無仮説（ｎｕｌｌ ｈｙｐｏｔｈｅｓｉｓ、Ｈ０）の下で統計値がＦ−分布に従う検定であり、通常、２個以上のパラメータを用いた統計モデルを分析して、該モデル中の全部又は一部のパラメータが母集団の推定に適用できるか否かを判断するために使用され、線形関係を検定するものであり、
２）予測モデルＩＩ
気候因子の過去１年目の８月のＡＡＯ値ｘ２に対してアルゼンチンマツイカ資源豊度予測モデルを作成し、具体的には、
ｌｎ （ＣＰＵＥ）＝６．７２８１−０．４６９４＊ｘ２であり、
Ｆ値は４．５４８０であり、Ｐ＝０．０４９＜０．０５であり、
３）予測モデルＩＩＩ
気候因子の過去２年目の５月のＡＡＯ値ｘ１及び過去１年目の８月のＡＡＯ値ｘ２に対してアルゼンチンマツイカ資源豊度予測モデルを作成し、具体的には、
ｌｎ （ＣＰＵＥ）＝６．７０４６＋０．３９０８＊ｘ１−０．３８３６＊ｘ２であり、
Ｆ値は５．５１３５であり、Ｐ＝０．０１８＜０．０５である。
１）予測モデルＩ
気候因子の過去２年目の５月のＡＡＯ値ｘ１に対してアルゼンチンマツイカ資源豊度予測モデルを作成し、具体的には、
ｌｎ （ＣＰＵＥ）＝６．７３０５＋０．４５５４＊ｘ１であり、
Ｆ値は６．０３４７であり、Ｐ＝０．０２７７＜０．０５であり、Ｆ値はＦ検定の統計値であり、Ｆ検定は帰無仮説（ｎｕｌｌ ｈｙｐｏｔｈｅｓｉｓ、Ｈ０）の下で統計値がＦ−分布に従う検定であり、通常、２個以上のパラメータを用いた統計モデルを分析して、該モデル中の全部又は一部のパラメータが母集団の推定に適用できるか否かを判断するために使用され、線形関係を検定するものであり、
２）予測モデルＩＩ
気候因子の過去１年目の８月のＡＡＯ値ｘ２に対してアルゼンチンマツイカ資源豊度予測モデルを作成し、具体的には、
ｌｎ （ＣＰＵＥ）＝６．７２８１−０．４６９４＊ｘ２であり、
Ｆ値は４．５４８０であり、Ｐ＝０．０４９＜０．０５であり、
３）予測モデルＩＩＩ
気候因子の過去２年目の５月のＡＡＯ値ｘ１及び過去１年目の８月のＡＡＯ値ｘ２に対してアルゼンチンマツイカ資源豊度予測モデルを作成し、具体的には、
ｌｎ （ＣＰＵＥ）＝６．７０４６＋０．３９０８＊ｘ１−０．３８３６＊ｘ２であり、
Ｆ値は５．５１３５であり、Ｐ＝０．０１８＜０．０５である。
前記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において、ステップ（４）では、予測モデルＩＩＩを最適モデルとして選択し、最適モデルは、
ｌｎ （ＣＰＵＥ）＝６．７０４６＋０．３９０８＊ｘ１−０．３８３６＊ｘ２である。
ｌｎ （ＣＰＵＥ）＝６．７０４６＋０．３９０８＊ｘ１−０．３８３６＊ｘ２である。
本分野の常識をもとに上記各好適な条件を任意に組み合わせることができ、それにより本発明の各好適な例が得られる。
本発明は電子機器をさらに提供し、１つ又は複数のプロセッサ、１つ又は複数のメモリ、１つ又は複数のプログラム、及びデータ収集装置を備え、
前記データ収集装置は最適モデルに対応するｘ１、ｘ２、ｘ３…ｘｚ…ｘｍを取得するために使用され、前記１つ又は複数のプログラムは前記メモリに記憶され、前記１つ又は複数のプログラムが前記プロセッサにより実行されると、前記電子機器に前記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を実行させる。
前記データ収集装置は最適モデルに対応するｘ１、ｘ２、ｘ３…ｘｚ…ｘｍを取得するために使用され、前記１つ又は複数のプログラムは前記メモリに記憶され、前記１つ又は複数のプログラムが前記プロセッサにより実行されると、前記電子機器に前記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を実行させる。
有益な効果については、
（１）本発明に係る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によれば、南極振動ＡＡＯを利用してアルゼンチンマツイカ資源豊度の予測を実現することで、海洋漁業生産（アルゼンチンマツイカの漁獲）では優れた指導の役割を果たし、漁獲効率を大幅に向上させ、漁獲コストを低減させ、将来性が期待できる。
（１）本発明に係る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によれば、南極振動ＡＡＯを利用してアルゼンチンマツイカ資源豊度の予測を実現することで、海洋漁業生産（アルゼンチンマツイカの漁獲）では優れた指導の役割を果たし、漁獲効率を大幅に向上させ、漁獲コストを低減させ、将来性が期待できる。
（２）本発明に係る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によれば、最適モデルは一律ではなく、リアルタイムに取得される最新データに応じて最適モデルを再取得することができ、本発明の方法は適応性が高く、将来性が期待できる。
（３）本発明に係る電子機器は、構成が簡単で、コストが低く、南極振動ＡＡＯに基づいてアルゼンチンマツイカ資源豊度を迅速に予測でき、将来性が期待できる。
本発明の実施例の目的、技術的解決手段及び利点をより明確にするために、以下、本発明の実施例の図面を参照しながら本発明の実施例の技術的解決手段を明確かつ完全に説明し、明らかなように、説明される実施例は本発明の一部の実施例であり、全部の実施例ではない。本発明の実施例に基づいて、当業者が創造的な努力をせずに想到し得るほかの実施例はすべて本発明の保護範囲に属する。
実施例１
図１に示すように、本実施例は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を提供し、
過去Ｎ年間にアルゼンチンマツイカが分布していた南西太平洋の南部海域の月別の南極振動指数ＡＡＯ値を取得するステップ１０１と、
時系列分析方法を利用して、アルゼンチンマツイカ資源豊度ｌｎ（ＣＰＵＥ）と過去Ｎ年間の月別のＡＡＯ値に対して相関性分析を行い、そのうち統計的に有意な相関（Ｐ値＜０．０５）を示す月のＡＡＯ値を選択し、選択したこれらの月のＡＡＯ値を、アルゼンチンマツイカ資源豊度に影響を与える気候因子とし、選択したこれらの月のＡＡＯ値を１、２、３…ｚ…ｍの順で番号付けし、これらの月のＡＡＯ値を順にｘ１、ｘ２、ｘ３…ｘｚ…ｘｍ（ｍは選択した月のＡＡＯ値の数である）とするステップ１０２と、
ｘ１、ｘ２、ｘ３…ｘｍのうちの任意１〜ｍ個の気候因子に対して、多変数線形方程式を利用して計２ｍ−１個のアルゼンチンマツイカ資源豊度予測モデルを作成し、各予測モデルの統計的Ｐ値を計算し、アルゼンチンマツイカ資源豊度予測モデルの式は、
ｌｎ（ＣＰＵＥ）＝ａ＋ｂ１＊ｘ１＋ｂ２＊ｘ２＋ｂ３＊ｘ３＋…＋ｂｚ＊ｘｚ＋…＋ｂｍ＊ｘｍであり、
式中、ＣＰＵＥは１隻あたりの年間漁獲量、ａは定数、ｂ１、ｂ２、ｂ３、…ｂｚ…、ｂｎはそれぞれｘ１、ｘ２、ｘ３…ｘｚ…ｘｍに対応する係数であるステップ１０３と、
上記２ｍ−１個のアルゼンチンマツイカ資源豊度予測モデルのうち、統計的Ｐ値が最も小さいモデルを最適モデルとして選択するステップ１０４と、
該最適モデルに対応するｘ１、ｘ２、ｘ３…ｘｚ…ｘｍを取得して最適モデルに入力し、最適モデルがアルゼンチンマツイカ資源豊度を出力すると、アルゼンチンマツイカ資源量の予測が完了するステップ１０５と、を含む。
過去Ｎ年間にアルゼンチンマツイカが分布していた南西太平洋の南部海域の月別の南極振動指数ＡＡＯ値を取得するステップ１０１と、
時系列分析方法を利用して、アルゼンチンマツイカ資源豊度ｌｎ（ＣＰＵＥ）と過去Ｎ年間の月別のＡＡＯ値に対して相関性分析を行い、そのうち統計的に有意な相関（Ｐ値＜０．０５）を示す月のＡＡＯ値を選択し、選択したこれらの月のＡＡＯ値を、アルゼンチンマツイカ資源豊度に影響を与える気候因子とし、選択したこれらの月のＡＡＯ値を１、２、３…ｚ…ｍの順で番号付けし、これらの月のＡＡＯ値を順にｘ１、ｘ２、ｘ３…ｘｚ…ｘｍ（ｍは選択した月のＡＡＯ値の数である）とするステップ１０２と、
ｘ１、ｘ２、ｘ３…ｘｍのうちの任意１〜ｍ個の気候因子に対して、多変数線形方程式を利用して計２ｍ−１個のアルゼンチンマツイカ資源豊度予測モデルを作成し、各予測モデルの統計的Ｐ値を計算し、アルゼンチンマツイカ資源豊度予測モデルの式は、
ｌｎ（ＣＰＵＥ）＝ａ＋ｂ１＊ｘ１＋ｂ２＊ｘ２＋ｂ３＊ｘ３＋…＋ｂｚ＊ｘｚ＋…＋ｂｍ＊ｘｍであり、
式中、ＣＰＵＥは１隻あたりの年間漁獲量、ａは定数、ｂ１、ｂ２、ｂ３、…ｂｚ…、ｂｎはそれぞれｘ１、ｘ２、ｘ３…ｘｚ…ｘｍに対応する係数であるステップ１０３と、
上記２ｍ−１個のアルゼンチンマツイカ資源豊度予測モデルのうち、統計的Ｐ値が最も小さいモデルを最適モデルとして選択するステップ１０４と、
該最適モデルに対応するｘ１、ｘ２、ｘ３…ｘｚ…ｘｍを取得して最適モデルに入力し、最適モデルがアルゼンチンマツイカ資源豊度を出力すると、アルゼンチンマツイカ資源量の予測が完了するステップ１０５と、を含む。
当業者が本発明の技術的解決手段をよりよく理解できるために、以下、具体例を挙げて本発明を説明する。
１、資料及び方法
（１）データソース
アルゼンチンマツイカは南西太平洋の南部海域に分布し、南極海域に近接し、その産卵場及び索餌場が南極海域の西風海流によるフォークランド海流の影響を受ける。該海域では、南極振動（Ａｎｔａｒｃｔｉｃ Ｏｓｃｉｌｌａｔｉｏｎ、ＡＡＯ）は重要な気候因子の一つである。南極振動は南半球の大気循環の主なモードであり、複数の尺度で南半球及び北半球の部分地域の気候系に重要な影響を与えている。それは、南半球の中緯度及び高緯度の２つの大気環状活動帯間で大気の質量が変化する全地球規模の「シーソー」構造であり、４０°Ｓ及び７０°Ｓ上の標準化された東西平均海面気圧差を、南極振動変化を測定するための指数とすることができる。南極振動が強いと、南半球の周極低気圧が強くなり、中高緯度の西風が強くなり、その逆も同じである。
南極振動指数はアメリカ海洋大気庁のウェブサイト（ｈｔｔｐ：／／ｗｗｗ．ｃｐｃ．ｎｃｅｐ．ｎｏａａ．ｇｏｖ／ｐｒｏｄｕｃｔｓ／ｐｒｅｃｉｐ／ＣＷｌｉｎｋ／ｄａｉｌｙ＿ａｏ＿ｉｎｄｅｘ／ａａｏ／ｍｏｎｔｈｌｙ．ａａｏ．ｉｎｄｅｘ．ｂ７９．ｃｕｒｒｅｎｔ．ａｓｃｉｉ．ｔａｂｌｅ）からであり、期間が２０００年１月−２０１７年１２月（表１）である。
アルゼンチンマツイカ資源豊度指数ＣＰＵＥ（単位はトン／船）は中国遠洋イカ釣り漁船の年間漁獲量からであり、期間が２００２年−２０１７年（表２）である。
アルゼンチンマツイカ資源豊度指数ＣＰＵＥ（単位はトン／船）は中国遠洋イカ釣り漁船の年間漁獲量からであり、期間が２００２年−２０１７年（表２）である。
（２）研究方法及びステップ
アルゼンチンマツイカ資源豊度はイカ釣り漁船の年間平均漁獲量を指標とし、該指標は生産統計等の要因によって誤差が生じるため、資源豊度指数に対して自然対数ｌｎ（ＣＰＵＥ）を取ることで標準化を行う。
時系列分析方法を利用して、アルゼンチンマツイカ資源豊度ｌｎ（ＣＰＵＥ）と２０００−２０１７年の１−１２月のＡＡＯ値に対して相関性分析を行い、そのうち統計的に有意な相関（Ｐ値＜０．０５）を示す月のＡＡＯ値を選択し、選択したこれらの月のＡＡＯ値を、アルゼンチンマツイカ資源豊度に影響を与える気候因子とし、選択したこれらの月のＡＡＯ値を１、２、３…ｚ…ｍの順で番号付けし、これらの月のＡＡＯ値を順にｘ１、ｘ２、ｘ３…ｘｚ…ｘｍ（ｍは選択した月のＡＡＯ値の数である）とし、
ｘ１、ｘ２、ｘ３…ｘｍのうちの任意１〜ｍ個の気候因子に対して、多変数線形方程式を利用して計２ｍ−１個のアルゼンチンマツイカ資源豊度予測モデルを作成し、各予測モデルの統計的Ｐ値を計算し、アルゼンチンマツイカ資源豊度予測モデルの式は、
ｌｎ（ＣＰＵＥ）＝ａ＋ｂ１＊ｘ１＋ｂ２＊ｘ２＋ｂ３＊ｘ３＋…＋ｂｚ＊ｘｚ＋…＋ｂｍ＊ｘｍであり、
式中、ＣＰＵＥは１隻あたりの年間漁獲量、ａは定数、ｂ１、ｂ２、ｂ３、…ｂｚ…、ｂｎはそれぞれｘ１、ｘ２、ｘ３…ｘｚ…ｘｍに対応する係数であり、
上記２ｍ−１個のアルゼンチンマツイカ資源豊度予測モデルのうち、統計的Ｐ値が最も小さいモデルを最適モデルとして選択し、
該最適モデルに対応するｘ１、ｘ２、ｘ３…ｘｚ…ｘｍを取得して最適モデルに入力し、最適モデルがアルゼンチンマツイカ資源豊度を出力すると、アルゼンチンマツイカ資源量の予測が完了する。
ｘ１、ｘ２、ｘ３…ｘｍのうちの任意１〜ｍ個の気候因子に対して、多変数線形方程式を利用して計２ｍ−１個のアルゼンチンマツイカ資源豊度予測モデルを作成し、各予測モデルの統計的Ｐ値を計算し、アルゼンチンマツイカ資源豊度予測モデルの式は、
ｌｎ（ＣＰＵＥ）＝ａ＋ｂ１＊ｘ１＋ｂ２＊ｘ２＋ｂ３＊ｘ３＋…＋ｂｚ＊ｘｚ＋…＋ｂｍ＊ｘｍであり、
式中、ＣＰＵＥは１隻あたりの年間漁獲量、ａは定数、ｂ１、ｂ２、ｂ３、…ｂｚ…、ｂｎはそれぞれｘ１、ｘ２、ｘ３…ｘｚ…ｘｍに対応する係数であり、
上記２ｍ−１個のアルゼンチンマツイカ資源豊度予測モデルのうち、統計的Ｐ値が最も小さいモデルを最適モデルとして選択し、
該最適モデルに対応するｘ１、ｘ２、ｘ３…ｘｚ…ｘｍを取得して最適モデルに入力し、最適モデルがアルゼンチンマツイカ資源豊度を出力すると、アルゼンチンマツイカ資源量の予測が完了する。
２、研究結果
（１）年間資源豊度ｌｎ（ＣＰＵＥ）の変化
図２からわかるように、アルゼンチンマツイカ資源豊度ｌｎ（ＣＰＵＥ）は大きな年間変化を示し、２００２−２００３年、２００７−２００８年、２０１４−２０１５年では高い資源量レベルであったが、２００５−２００６年、２０１０−２０１２年及び２０１６−２０１７年では低い資源量レベルであった。
（２）資源豊度ｌｎ（ＣＰＵＥ）に影響を与えるＡＡＯ値
資源豊度ｌｎ（ＣＰＵＥ）と過去２年目の月別のＡＡＯ値との相関性分析を行った結果、資源豊度ｌｎ（ＣＰＵＥ）と過去２年目の５月のＡＡＯ値との相関性は有意であり、正の相関を示し、相関係数が０．５４９（Ｐ＜０．０５）であり、
資源豊度ｌｎ（ＣＰＵＥ）と過去１年目の月別のＡＡＯ値との相関性分析を行った結果、資源豊度ｌｎ（ＣＰＵＥ）と過去１年目の８月のＡＡＯ値との相関性は有意であり、負の相関を示し、相関係数が−０．４９７（Ｐ＜０．０５）である。
資源豊度ｌｎ（ＣＰＵＥ）と過去１年目の月別のＡＡＯ値との相関性分析を行った結果、資源豊度ｌｎ（ＣＰＵＥ）と過去１年目の８月のＡＡＯ値との相関性は有意であり、負の相関を示し、相関係数が−０．４９７（Ｐ＜０．０５）である。
（３）資源豊度予測モデルの作成
１）予測モデルＩ
気候因子の過去２年目の５月のＡＡＯ値ｘ１に対してアルゼンチンマツイカ資源豊度予測モデルを作成し、具体的には、
ｌｎ （ＣＰＵＥ）＝６．７３０５＋０．４５５４＊ｘ１であり、
Ｆ値は６．０３４７であり、Ｐ＝０．０２７７＜０．０５であり、
その実際値と予測値の統計表は表３に示され、モデルの分布図は図３（図３中のＡＯＯｔ−２はｘ１である）に示される。
気候因子の過去２年目の５月のＡＡＯ値ｘ１に対してアルゼンチンマツイカ資源豊度予測モデルを作成し、具体的には、
ｌｎ （ＣＰＵＥ）＝６．７３０５＋０．４５５４＊ｘ１であり、
Ｆ値は６．０３４７であり、Ｐ＝０．０２７７＜０．０５であり、
その実際値と予測値の統計表は表３に示され、モデルの分布図は図３（図３中のＡＯＯｔ−２はｘ１である）に示される。
２）予測モデルＩＩ
気候因子の過去１年目の８月のＡＡＯ値ｘ２に対してアルゼンチンマツイカ資源豊度予測モデルを作成し、具体的には、
ｌｎ （ＣＰＵＥ）＝６．７２８１−０．４６９４＊ｘ２であり、
Ｆ値は４．５４８０であり、Ｐ＝０．０４９＜０．０５であり、
その実際値と予測値の統計表は表４に示され、モデルの分布図は図４（図４中のＡＯＯｔ−１はｘ２である）に示される。
気候因子の過去１年目の８月のＡＡＯ値ｘ２に対してアルゼンチンマツイカ資源豊度予測モデルを作成し、具体的には、
ｌｎ （ＣＰＵＥ）＝６．７２８１−０．４６９４＊ｘ２であり、
Ｆ値は４．５４８０であり、Ｐ＝０．０４９＜０．０５であり、
その実際値と予測値の統計表は表４に示され、モデルの分布図は図４（図４中のＡＯＯｔ−１はｘ２である）に示される。
３）予測モデルＩＩＩ
気候因子の過去２年目の５月のＡＡＯ値ｘ１及び過去１年目の８月のＡＡＯ値ｘ２に対してアルゼンチンマツイカ資源豊度予測モデルを作成し、具体的には、
ｌｎ （ＣＰＵＥ）＝６．７０４６＋０．３９０８＊ｘ１−０．３８３６＊ｘ２であり、
Ｆ値は５．５１３５であり、Ｐ＝０．０１８＜０．０５であり、
その実際値と予測値の統計表は表５に示され、モデルの分布図は図５及び図６（図５中のＡＯＯｔ−２はｘ１、図６中のＡＯＯｔ−１はｘ２である）に示される。
気候因子の過去２年目の５月のＡＡＯ値ｘ１及び過去１年目の８月のＡＡＯ値ｘ２に対してアルゼンチンマツイカ資源豊度予測モデルを作成し、具体的には、
ｌｎ （ＣＰＵＥ）＝６．７０４６＋０．３９０８＊ｘ１−０．３８３６＊ｘ２であり、
Ｆ値は５．５１３５であり、Ｐ＝０．０１８＜０．０５であり、
その実際値と予測値の統計表は表５に示され、モデルの分布図は図５及び図６（図５中のＡＯＯｔ−２はｘ１、図６中のＡＯＯｔ−１はｘ２である）に示される。
上記３個のモデルを比較分析した結果、予測モデルＩＩＩを最適モデルとして選択し、最適モデルはｌｎ （ＣＰＵＥ）＝６．７０４６＋０．３９０８＊ｘ１−０．３８３６＊ｘ２である。２００２〜２０１７年の結果に対応するｘ１及びｘ２を最適モデルに入力して予測値を得て（２００４年の結果を例にすると、ｘ１は２００２年５月のＡＡＯ値、ｘ２は２００３年８月のＡＡＯ値である）、その実際値と予測値の資源豊度の変化傾向は図７に示され（図中の正方形は予測値、斜方形は実際値である）、図７からわかるように、予測値と実際値の変化傾向はほぼ同じであり、つまり、本発明の方法によって、アルゼンチンマツイカ資源豊度を効果的に予測できる。
実施例２
電子機器であって、図８に示すように、１つ又は複数のプロセッサ、１つ又は複数のメモリ、１つ又は複数のプログラム、及びデータ収集装置を備え、
データ収集装置は最適モデルに対応するｘ１、ｘ２、ｘ３…ｘｚ…ｘｍを取得するために使用され、１つ又は複数のプログラムはメモリに記憶され、１つ又は複数のプログラムがプロセッサにより実行されると、電子機器に実施例１に記載の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を実行させる。
データ収集装置は最適モデルに対応するｘ１、ｘ２、ｘ３…ｘｚ…ｘｍを取得するために使用され、１つ又は複数のプログラムはメモリに記憶され、１つ又は複数のプログラムがプロセッサにより実行されると、電子機器に実施例１に記載の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を実行させる。
以上、本発明の具体的な実施形態を説明したが、当業者であれば、これらは単に例示的な説明であり、本発明の保護範囲は添付の特許請求の範囲に定められると理解できる。当業者は本発明の原理及び趣旨を逸脱せずに、これらの実施形態に対して種々の変更や修正を行うことができ、これらの変更や修正はすべて本発明の保護範囲に属する。
Claims (8)
- 電子機器に適用される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であって、
（１）過去Ｎ年間にアルゼンチンマツイカが分布していた南西太平洋の南部海域の月別の南極振動指数ＡＡＯ値を取得するステップと、
（２）時系列分析方法を利用して、アルゼンチンマツイカ資源豊度ｌｎ（ＣＰＵＥ）と過去Ｎ年間の月別のＡＡＯ値に対して相関性分析を行い、そのうち統計的に有意な相関を示す月のＡＡＯ値を選択し、選択したこれらの月のＡＡＯ値を、アルゼンチンマツイカ資源豊度に影響を与える気候因子とし、選択したこれらの月のＡＡＯ値を１、２、３…ｚ…ｍの順で番号付けし、これらの月のＡＡＯ値を順にｘ１、ｘ２、ｘ３…ｘｚ…ｘｍ（ｍは選択した月のＡＡＯ値の数）とするステップと、
（３）ｘ１、ｘ２、ｘ３…ｘｍのうちの任意１〜ｍ個の気候因子に対して、多変数線形方程式を利用して計２ｍ−１個のアルゼンチンマツイカ資源豊度予測モデルを作成し、各予測モデルの統計的Ｐ値を計算し、アルゼンチンマツイカ資源豊度予測モデルの式は、
ｌｎ（ＣＰＵＥ）＝ａ＋ｂ１＊ｘ１＋ｂ２＊ｘ２＋ｂ３＊ｘ３＋…＋ｂｚ＊ｘｚ＋…＋ｂｍ＊ｘｍ（ＣＰＵＥは１隻あたりの年間漁獲量、ａは定数、ｂ１、ｂ２、ｂ３、…ｂｚ…、ｂｎはそれぞれｘ１、ｘ２、ｘ３…ｘｚ…ｘｍに対応する係数）であるステップと、
（４）上記２ｍ−１個のアルゼンチンマツイカ資源豊度予測モデルのうち、統計的Ｐ値が最も小さいモデルを最適モデルとして選択するステップと、を含む
ことを特徴とする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。 - 最適モデルを得た後、該最適モデルに対応するｘ１、ｘ２、ｘ３…ｘｚ…ｘｍを取得して最適モデルに入力し、最適モデルがアルゼンチンマツイカ資源豊度を出力すると、アルゼンチンマツイカ資源量の予測が完了する
請求項１に記載の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。 - アルゼンチンマツイカ資源豊度予測モデルが気候因子ｘｚに対して作成される場合、ｂ１、ｂ２、ｂ３、…ｂｚ−１、ｂｚ＋１、…、ｂｎはいずれも０である
請求項１に記載の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。 - 前記統計的に有意な相関とは、算出されたＰ値＜０．０５である
請求項１に記載の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。 - ステップ（２）では、統計的に有意な相関を示す２つの月のＡＡＯ値、すなわち過去２年目の５月のＡＡＯ値及び過去１年目の８月のＡＡＯ値を選択し、アルゼンチンマツイカ資源豊度ｌｎ（ＣＰＵＥ）と過去２年目の５月のＡＡＯ値との相関性は有意であり、正の相関を示し、相関係数がそれぞれ０．５４９であり、アルゼンチンマツイカ資源豊度ｌｎ（ＣＰＵＥ）と過去１年目の８月のＡＡＯ値との相関性は有意であり、負の相関を示し、相関係数が−０．４９７である
請求項１に記載の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。 - ステップ（３）では、以下の計３個の予測モデルを作成し、
１）予測モデルＩ
気候因子の過去２年目の５月のＡＡＯ値ｘ１に対してアルゼンチンマツイカ資源豊度予測モデルを作成し、具体的には、
ｌｎ （ＣＰＵＥ）＝６．７３０５＋０．４５５４＊ｘ１であり、
Ｆ値は６．０３４７であり、Ｐ＝０．０２７７＜０．０５であり、
２）予測モデルＩＩ
気候因子の過去１年目の８月のＡＡＯ値ｘ２に対してアルゼンチンマツイカ資源豊度予測モデルを作成し、具体的には、
ｌｎ （ＣＰＵＥ）＝６．７２８１−０．４６９４＊ｘ２であり、
Ｆ値は４．５４８０であり、Ｐ＝０．０４９＜０．０５であり、
３）予測モデルＩＩＩ
気候因子の過去２年目の５月のＡＡＯ値ｘ１及び過去１年目の８月のＡＡＯ値ｘ２に対してアルゼンチンマツイカ資源豊度予測モデルを作成し、具体的には、
ｌｎ （ＣＰＵＥ）＝６．７０４６＋０．３９０８＊ｘ１−０．３８３６＊ｘ２であり、
Ｆ値は５．５１３５であり、Ｐ＝０．０１８＜０．０５である
請求項５に記載の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。 - ステップ（４）では、予測モデルＩＩＩを最適モデルとして選択し、最適モデルは、
ｌｎ （ＣＰＵＥ）＝６．７０４６＋０．３９０８＊ｘ１−０．３８３６＊ｘ２である
請求項６に記載の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。 - 電子機器であって、１つ又は複数のプロセッサ、１つ又は複数のメモリ、１つ又は複数のプログラム、及びデータ収集装置を備え、
前記データ収集装置は最適モデルに対応するｘ１、ｘ２、ｘ３…ｘｚ…ｘｍを取得するために使用され、前記１つ又は複数のプログラムは前記メモリに記憶され、前記１つ又は複数のプログラムが前記プロセッサにより実行されると、前記電子機器に請求項１ないし７のいずれかに記載の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を実行させる
ことを特徴とする電子機器。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811215778.9 | 2018-10-18 | ||
| CN201811215778.9A CN109460860A (zh) | 2018-10-18 | 2018-10-18 | 基于南极涛动指数的阿根廷鱿鱼资源量预测方法 |
| PCT/CN2019/111757 WO2020078439A1 (zh) | 2018-10-18 | 2019-10-17 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021520575A true JP2021520575A (ja) | 2021-08-19 |
| JP7044417B2 JP7044417B2 (ja) | 2022-03-30 |
Family
ID=65607836
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020561696A Active JP7044417B2 (ja) | 2018-10-18 | 2019-10-17 | 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 |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JP7044417B2 (ja) |
| CN (1) | CN109460860A (ja) |
| WO (1) | WO2020078439A1 (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110533245A (zh) * | 2019-08-30 | 2019-12-03 | 上海海洋大学 | 一种基于海表温的阿根廷滑柔鱼资源量预测方法 |
| CN110555567A (zh) * | 2019-09-10 | 2019-12-10 | 上海彩虹鱼海洋科技股份有限公司 | 用于鱼汛预测的方法、系统和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006104087A1 (ja) * | 2005-03-28 | 2006-10-05 | National, University, Corporation, Tokyo, University, of, Marine, Science, and, Technology | 所定水温域の深度分布予測方法、回遊性魚類の漁場予測方法及び回遊性魚類の漁場予測情報配信システム |
| 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 |
| 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 |
| 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 |
| CN107688874A (zh) * | 2017-08-29 | 2018-02-13 | 上海海洋大学 | 毛里塔尼亚海域头足类资源丰度预测方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106251006A (zh) * | 2016-07-22 | 2016-12-21 | 上海海洋大学 | 一种阿根廷鱿鱼资源补充量预测方法 |
| 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 |
| CN107403243A (zh) * | 2017-08-29 | 2017-11-28 | 上海海洋大学 | 摩洛哥海域头足类资源丰度预测方法 |
| 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 |
-
2018
- 2018-10-18 CN CN201811215778.9A patent/CN109460860A/zh active Pending
-
2019
- 2019-10-17 WO PCT/CN2019/111757 patent/WO2020078439A1/zh active Application Filing
- 2019-10-17 JP JP2020561696A patent/JP7044417B2/ja active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006104087A1 (ja) * | 2005-03-28 | 2006-10-05 | National, University, Corporation, Tokyo, University, of, Marine, Science, and, Technology | 所定水温域の深度分布予測方法、回遊性魚類の漁場予測方法及び回遊性魚類の漁場予測情報配信システム |
| US20090126254A1 (en) * | 2005-03-28 | 2009-05-21 | Hidekatsu Yamazaki | Method for Predicting Depth Distribution of Predetermined Water Temperature Zone, Method for Predicting Fishing Ground of Migratory Fish, and System for Delivering Fishing Ground Prediction Information of Migratory Fish |
| 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 |
| 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 |
| 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 |
| CN107688874A (zh) * | 2017-08-29 | 2018-02-13 | 上海海洋大学 | 毛里塔尼亚海域头足类资源丰度预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 齊藤 誠一: "衛星リモートセンシングで海洋空間を知る", 情報管理, vol. 第60巻 第9号, JPN6021050242, 1 December 2017 (2017-12-01), JP, pages 641 - 650, ISSN: 0004667582 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109460860A (zh) | 2019-03-12 |
| WO2020078439A1 (zh) | 2020-04-23 |
| JP7044417B2 (ja) | 2022-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Andersen et al. | Long‐term temporal and spatial trends in eutrophication status of the Baltic Sea | |
| JP7044417B2 (ja) | 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 | |
| Malmgren et al. | Comparison of statistical and artificial neural network techniques for estimating past sea surface temperatures from planktonic foraminifer census data | |
| CN103004664B (zh) | 一种西北太平洋柔鱼资源补充量预测方法 | |
| Amorim et al. | Spatial variability of seabird distribution associated with environmental factors: a case study of marine Important Bird Areas in the Azores | |
| Pedde et al. | Modeling sources of nutrients in rivers draining into the Bay of Bengal—a scenario analysis | |
| CN106295833A (zh) | 一种太平洋褶柔鱼资源补充量预测方法及其应用 | |
| Pracht et al. | Oxygen isotope composition of the final chamber of planktic foraminifera provides evidence of vertical migration and depth-integrated growth | |
| Weiss et al. | Climate change effects on marine renewable energy resources and environmental conditions for offshore aquaculture in Europe | |
| Lillywhite et al. | Drinking by sea snakes from oceanic freshwater lenses at first rainfall ending seasonal drought | |
| Jiang et al. | The effects of air exposure on the desiccation rate and photosynthetic activity of Thalassia hemprichii and Enhalus acoroides | |
| Bekkby et al. | Red sea urchins (Echinus esculentus) and water flow influence epiphytic macroalgae density | |
| López-Jurado et al. | The RADMED monitoring program: towards an ecosystem approach. | |
| CN106204313A (zh) | 一种预测茎柔鱼资源空间分布的方法 | |
| JP2021521554A (ja) | 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 | |
| Mikami et al. | Mapping the collision risk between two gull species and offshore wind turbines: Modelling and validation | |
| Vincent | Mesoscale wind fluctuations over Danish waters | |
| Xu et al. | Study on pollution traceability based on the optimized hydrodynamic model of Tai Lake | |
| Zhao et al. | Assessment of CMIP6 model performance for wind speed in China | |
| Lo et al. | Effects of summer mesoscale hydrographic features on epipelagic siphonophore assemblages in the surrounding waters of Taiwan, western North Pacific Ocean | |
| Johnson et al. | Spring distribution of shelled pteropods across the Mediterranean Sea | |
| Kim et al. | Environmental factors affecting anchovy reproductive potential in the southern coastal waters of Korea | |
| Marín-Enríquez et al. | Incidental catch of the rare shortbill spearfish (Tetrapturus angustirostris) by the tuna purse seine fleet in the eastern tropical Pacific Ocean | |
| Wang et al. | Determining a more environmental than spatial influence on structuring fish communities and ecological boundaries of Fangcheng coastal waters, northern South China Sea | |
| Roy Bhowmik et al. | Operational tropical cyclone intensity prediction—an empirical technique |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201102 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211208 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211221 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220222 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220308 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220310 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7044417 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |