一种太平洋褶柔鱼资源补充量预测方法及其应用与流程

本发明涉及一种渔情预报方法，特别是涉及一种产卵场范围为125°－140°E、25°－40°N的太平洋褶柔鱼秋生群资源补充量预测方法。

背景技术：

太平洋褶柔鱼Todarodes pacificus，又名日本鱿、东洋鱿等，是大洋性经济柔鱼的一种，主要分布在西北太平洋的21°～50°N海域，即日本海、日本太平洋沿岸以及我国黄海、东海。太平洋褶柔鱼主要有三个季节性产卵群体，即夏生群、秋生群和冬生群。目前主要捕捞群体为秋生群和冬生群。秋生群目前的主要捕捞区域在日本海，日本和韩国的渔获产量较高。它的主要产卵区域为中国东海和对马海峡，产卵期在10-12月。每年春夏季沿日本海北上索饵，秋季南下产卵。

渔情预报是渔业生产的关键环节，对太平洋褶柔鱼资源补充量的预报有利于太平洋褶柔鱼产量、中心渔场位置和渔讯汛期的预报。太平洋褶柔鱼幼仔鱼的存活率除了与其内在的生理因素相关外，与外界海洋环境因素也密切相关。外界因子很多，直接或间接的影响幼仔鱼的行动，包括水文(海流、水温、潮汐、盐度、水色、水质和径流等)，气象(包括风、气压、气温、降水等)，地理(地形、地质、地貌等)，生物(浮游、底栖、敌害等)。

20世纪50年代起，沿海各海洋水产研究所先后开展了毛虾、小黄鱼、对虾、带鱼、鳕鱼、大黄鱼、鲐鱼、鲅鱼等鱼种的可能渔获量预报、现场预报或汛期预报工作。60年代起又进一步得到发展，不仅预报的品种增多，且预报的内容也逐渐充实，对渔业生产的发展起到了一定的促进作用。70年代起，开始应用数理模式来估算鱼类资源数量变动，这对我国渔业实现现代化创造了良好条件。

以往渔情预报工作的开展主要依托现场采样调查，所投入的人力物力较大，工序复杂且受气象影响较大，并且只能采到局部地区的样本，不能直观看到全局海洋环境因子的分布特征。比如，洪泽湖银鱼的渔情预报是通过每年渔讯前进行2-3次全胡定点拖网，每次都在一天内完成。拖网船开中速，没点拖网30分钟，测定网获鱼数量、尾数、种类组成和生长情况。根据银鱼数量、密度、生长情况和大银鱼食性转换情况来测报银鱼渔情。

之后，遥感(RS)、全球定位系统(GPS)和地理信息系统(GIS)3种空间技术的出现为海洋渔业进一步发展提供了一个坚实的平台。国内外利用3S技术进行渔场渔情预报的成果不胜枚举。在国外，卫星遥感的海洋渔业应用主要以美国、日本等渔业发达国家为主。早期开始将卫星遥感用于获取海洋水体环境的信息，并作出渔情预报。随着技术手段的进步，获取的环境因子越来越多，精度越来越高，已对个别鱼种的活动规律和分布建立了定量的回归模型，并多次成功预报；我国在“九五”期间，国家863计划把卫星遥感技术、地理信息系统和人工智能专家系统相结合进行渔情信息分析与预报，并实现业务化运行。总体来说，国内外的研究多偏重于3S技术中的某一方面，对3S技术综合运用于渔场渔情的整体框架研究不足。

但在海洋中运用遥感技术获取信息存在弊端，海洋鱼类生活在海洋表面以下，遥感不能直接获取渔场鱼群的信息。只能通过对渔场渔情海洋水体环境信息进行研究分析。

目前对于某一渔业种类的预报方法大多采用多元统计方法和栖息地指数等方法，但预测结果往往与实际情况有一定的偏差。由于神经网络具有自组织、自适应、自学习和容错等优点，很多学者很早就在医学、水文预报、地震预报等方面作了应用研究，在处理多因子的海量数据方面，尤其是存在数据断续的情况下也得到了很好的应用，已有不少成功的实例。这些实例已表明神经网络方法比其他的研究方法更加具有优越性。

技术实现要素：

本发明就是为了解决上述问题，克服现有渔情预报技术中所存在的问题，本发明目的在于提供一种太平洋褶柔鱼资源补充量预测方法及其应用，利用海洋遥感获得海域的表温数据和叶绿素a浓度数据，根据DPS系统计算出的最佳BP神经网络模型方案，预测下一年度太平洋褶柔鱼资源补充量的大小的方法以满足需求。

为了实现上述目的，本发明的技术方案如下：

一种太平洋褶柔鱼资源补充量预测方法，其特征在于，包括以下步骤：

(1)统计1997年-2009年中每年的10-12月份125°-140°E、25°-40°N海域的海表温度数据(SST)；

(2)统计1997年-2009年中每年的10-12月份125°-140°E、25°-40°N海域的叶绿素a浓度数据(chl a)；

(3)统计1998年-2010年太平洋褶柔鱼秋生群体的单位捕捞努力量渔获量(CPUE)；

(4)统计1997年-2009年中每年的10-12月份125°-140°E、25°-40°N海域内海表温度为15-20℃的海域面积，然后计算面积占125°-140°E、25°-40°N范围的海域面 积的比值(P_S)；

(5)统计分析得出单位捕捞努力量渔获量(CPUE)的时间序列与海表温度数据(SST)、叶绿素a浓度数据(chl a)以及P_S值的时间序列相关程度最高的点；

(6)分别选取海表温度数据(SST)、叶绿素a浓度数据(chl a)以及P_S值的时间序列与单位捕捞努力量渔获量(CPUE)的时间序列相关性高的点作多元线性回归分析；

(7)分别选取海表温度数据(SST)、叶绿素a浓度数据(chl a)以及P_S值的时间序列与次年单位捕捞努力量渔获量(CPUE)的时间序列相关性高的点作BP神经网络模型预测；

BP模型以最小拟合残差作为判断最优模型的标准。拟合残差是将输出层所输出的CPUE预报值与实测值进行比较所得的值，其函数定义是为：

$E=\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{(y_k-{\hat{y}}_k)}^2$

其中E表示拟合残差值，y_k为CPUE的实测值，为CPUE的预测值，N表示CPUE的个数，k表示CPUE序数。

(8)选取2010-2012年相关性高的点的海表温度数据(SST)、叶绿素a浓度数据(chl a)与P_S值，得到2011年-2013年太平洋褶柔鱼单位捕捞努力量渔获量(CPUE)的预测值，计算其预报准确率。

预报准确率，计算公式为：

$P=1-\frac{|y_k-{\hat{y}}_k|}{y_k}$

其中P表示预测准确率，y_k为CPUE的实测值，为CPUE的预测值。

上述一种太平洋褶柔鱼资源补充量预测方法，所述10-12月份为太平洋褶柔鱼产卵适宜时间。

上述一种太平洋褶柔鱼资源补充量预测方法，所述15-20℃为太平洋褶柔鱼产卵适宜温度。

本发明还提供一种所述太平洋褶柔鱼资源补充量预测方法在渔情预报技术上的应用。

所述太平洋褶柔鱼资源补充量预测方法优选在西北太平洋褶柔鱼资源补充量预测。

本发明采用神经网络中的EBP(error backpropagation)算法，简称BP模型。它属于多层前向神经网络，采用误差反向传播的监督算法，能够学习和储存大量的模式映射关系。

本发明有益的技术效果：

本发明提供一种太平洋褶柔鱼资源补充量预测方法及其应用，利用海洋遥感获得海域的表温数据和叶绿素a浓度数据，根据DPS系统计算出的最佳BP神经网络模型方案，预测下一年度太平洋褶柔鱼资源补充量的大小的方法。本发明所述BP神经网络模型可以预测太平洋褶柔鱼资源丰度变化的90％左右。

应用本发明所述太平洋褶柔鱼资源补充量预测方法，将太平洋褶柔鱼资源补充量的预报结果及时提供给用户及相关部门，以供科学参考，今后可作为一种产品进行实时发布。

附图说明：

图1：与资源补充量显著相关的关键海区。

图2：特征环境因子与褶柔鱼资源补充量的线性关系式。

图3：三种模型的模拟结果。

具体实施方式

下面对本发明作进一步阐述，本领域技术人员应当理解，所述实施例仅用于示例，而不对本发明构成任何限制。

太平洋褶柔鱼为一年生短生命周期种类，通常没有剩余群体，只有补充群体，而下一年度的补充量主要取决于产卵场的海洋环境条件。适宜的海洋环境条件下卵成活率高，次年太平洋褶柔鱼的资源补充量就好，反之则差。太平洋褶柔鱼产卵时间通常为10-12月，其适宜产卵海表温度为15-20℃，产卵海域范围为125°-140°E、25°-40°N。本发明的渔业数据来源于日本2013年太平洋褶柔鱼秋生群体资源评估报告，时间跨度为1998年-2012年；环境数据来源于http://oceanwatch.pifsc.noaa.gov，时间分辨率为月，时间跨度为1997年-2012年；SST空间分辨率为0.05°×0.05°，chl a浓度空间分辨率为0.1°×0.1°；经纬度范围为25°N-40°N，125°E-140°E。

本发明环境数据空间分辨率统一为0.5°×0.5°，不同空间尺度的环境数据的转换都是通过Arcgis软件完成，如每一个空间尺度为0.5°×0.5°的SST数据是计算25个原始数据的平均值得到的。

一种太平洋褶柔鱼资源补充量预测方法，包括以下步骤：

(1)统计1997年-2009年中每年的10-12月份125°-140°E、25°-40°N海域的海表温度数据(SST)；

(2)统计1997年-2009年中每年的10-12月份125°-140°E、25°-40°N海域的叶 绿素a浓度数据(chl a)；

(3)统计1998年-2010年太平洋褶柔鱼秋生群体的单位捕捞努力量渔获量(CPUE)；

(4)统计1997年-2009年中每年的10-12月份125°-140°E、25°-40°N海域内海表温度为15-20℃的海域面积，然后计算面积占125°-140°E、25°-40°N范围的海域面积的比值(P_S)；

(5)统计分析得出单位捕捞努力量渔获量(CPUE)的时间序列与海表温度数据(SST)、叶绿素a浓度数据(chl a)以及P_S值的时间序列相关程度最高的点；

在产卵月份(10-12月)，产卵场区域内(25°-40°N，125°-140°E)的10-12月每一个0.5°×0.5°的SST的时间序列与次年CPUE的时间序列作相关性分析发现：10月份，SST与次年CPUE相关性最大值出现在32°N，136°E(Point1)(表1，图1，图2a)处；11月份，SST与次年CPUE相关性最大值出现在29.5°N，127°E(Point2)(表1，图1，图2b)处；12月份，SST与次年CPUE相关性最大值出现在29°N，137.5°E(Point3)(表1，图1，图2c)处。

产卵场区域内(25°-40°N，125°-140°E)的11、12月每一个0.5°×0.5°的chl a浓度的时间序列与次年CPUE的时间序列作相关性分析发现：11月份，chl a浓度与次年CPUE相关性最大值出现在26°N，126°E(Point4)(表1，图1，图2d)处；12月份，chl a浓度与次年CPUE相关性最大值出现在28°N，125.5°E(Point5)(表1，图1，图2e)处。

PS值的时间序列与次年CPUE的时间序列作相关性分析发现：10-12月份最适海表温度范围占产卵场总面积的比例与次年CPUE之间不存在显著相关性(表2)。

表1 关键海区环境因子与资源补充量的相关性分析参数

表2 产卵场最适表温比例P_S与次年CPUE相关性分析参数

(6)分别选取海表温度数据(SST)、叶绿素a浓度数据(chl a)以及P_S值的时间序列与单位捕捞努力量渔获量(CPUE)的时间序列相关性高的点作多元线性回归分析；

根据(5)的结果，选定point1、point2、point3的海表温度的时间序列，point4、point5的叶绿素a浓度的时间序列与次年单位捕捞努力量渔获量的时间序列建立多元线性模型，其方程为：

Y＝0.1809X₁-0.1419X₂+0.4458X₃+2.0182X₄+0.3955X₅-9.2025

其相关系数R为0.955(P＝0.004<0.05)。

(7)分别选取海表温度数据(SST)、叶绿素a浓度数据(chl a)以及P_S值的时间序列与次年单位捕捞努力量渔获量(CPUE)的时间序列相关性高的点作BP神经网络模型预测；

利用选定的关键海区环境因子与PS的不同组合作为BP预报模型的输入因子，构建多种BP预报模型，分别为：

方案1：选取Point1的SST、Point4的chl a浓度、PS共三个因子作为输入层，构建3-2-1的BP网络结构。

方案2：选取Point2的SST、point3的SST、point5的chl a浓度、PS共四个因子作为输入层，构建4-3-1的BP网络结构。

方案3：选取Point1、Point2与point3的SST、Point4与point5的chl a浓度、PS共6个因子作为输入层，构建6-4-1的BP网络结构。

将三种方案构建的模型重复拟合10次得到最优结果。三种方案的拟合结果如图3(方案1见图3a,方案2见图3b,方案3见图3c)所示。

方案1、2、3的BP神经网络的拟合残差分别为0.0284、0.0103、0.0000996。

(8)选取2010-2012年相关性高的点的海表温度数据(SST)、叶绿素a浓度数据(chl a)与P_S值，得到2011年-2013年西北太平洋褶柔鱼单位捕捞努力量渔获量(CPUE)的预测值，计算其预报精度。

三种BP网络模型及多元线性模型的预测精度如表3所示。

表3 模型的预测精度比较

在预测时，10-12月份为太平洋褶柔鱼产卵适宜时间，15-20℃为褶柔鱼产卵适宜温度。

本发明的有益效果是：BP神经网络模型可以预测太平洋褶柔鱼资源丰度变化的90％左右。太平洋褶柔鱼资源补充量的预报结果及时提供给用户及相关部门，以供科学参考，今后可作为一种产品进行实时发布。

以上显示和描述了本发明的基本原理、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同物界定。