一种预测茎柔鱼资源空间分布的方法与流程

本发明涉及一种茎柔鱼资源空间分布预测方法。

背景技术：

茎柔鱼Dosidicus gigas是产量较高的大洋性经济种类之一，其分布较为广泛，北达加利福尼亚(35°N)，南至智利沿岸(55°S)，洪保德海流流经的秘鲁中北部和加利福尼亚湾海域是其产量最高地，也是重要的作业渔场。从1990年开始，日本、韩国等国家和地区的渔船开始进入秘鲁外海捕获茎柔鱼，作业方式包括围网、钓捕等。中国于2001年开始在该海域进行探捕，并取得1.78万t的产量，自此，中国正式开辟了东太平海域茎柔鱼渔场，产量连年增加。根据联合国粮农组织统计，2013年，世界茎柔鱼总年产量为77.3万t，仅中国产量就达26.1万t。国内外诸多学者对秘鲁外海茎柔鱼分布进行了研究探讨，主要采用的统计学方法有栖息地适应性指数模型(HSI)，信息增益技术，神经网络模型(EBP)等，认为其主要分布在高叶绿素浓度(Chl-a)，海表面温度(SST)为17-23℃，海表面盐度(SSS)为35.0-35.5‰和冷暖水团交汇处。

协同克里金可以用空间中的一个或多个辅助变量对所感兴趣的主要变量进行插值估算，从而获取研究范围内未知点的主变量属性值。这些辅助变量与主要变量都有相关关系，并且假设变量之间的相关关系有助于提高预测精度。当研究区域的辅助信息较容易获取且平稳变化时，可将这类信息作为辅助变量引入协同克里金中。基于单个环境因子的协同克里金插值进行空间结构的研究多见于空气湿度，土壤和降水量等，而在海洋渔业资源分布的研究方面则相对较少。

技术实现要素：

本发明需要解决的技术问题是构建一种综合环境因子的协同克里金法作为茎柔鱼资源分布的预测方法。

本发明的技术方案将环境数据分别处理成时间分辨率，空间分辨率的格式，环境因子包括海表面温度(SST)、海表面高度(SSH)、叶绿素浓度(Chl-a)和海表面盐度(SSS)，其特征是将各环境数据进行归一化处理，数值归一化处理的相关公式如下：

X^*＝(X_i-X_min)/(X_max-X_min) (1)

式中，X^*为处理后的值，数值范围为0～1；X_i为变量的第i个实际观测值，X_max为所有 观测值中的最大值，X_min为所有观测值中的最小值；将SST、SSH、SSS和Chl-a评价为一个综合环境指标，主成分构成公式如下:

Z_i＝q_1i*SSS+q_2i*SST+q_3i*SSH+q_4i*Chl-a (2)

式中，Z_i为第i主成分变量，q_ji(j＝1～4)分别为第i主成分对应于原始变量SSS、SST、SSH和Chl-a的系数，它度量了相应变量对Z_i的重要性，综合环境指标的构成公式如下：

Y＝∑λ_i*Z_i (3)

式中，Y为综合环境指标，Z_i为第i主成分，λ_i为第i主成分的贡献率；用SSS、SST、SSS和Chl-a的综合环境指标进行插值估算，协同克里金的估值公式为：

$Z_k^{*}\left(x_{k0}\right)={\mathrm{\Σ}}_{i=1}^{Nk}{\mathrm{\λ}}_{ki}{Z}_k\left(x_{ki}\right)+{\mathrm{\Σ}}_{i=1}^{{\mathrm{Nk}}^{\′}}{\mathrm{\λ}}_{k^{\′}i}{Z}_k\left(x_{k^{\′}i}\right)---\left(4\right)$

式中，为CPUE在x₀处的估计值，Z_k(x_ki)为各点CPUE值，λ_ki为赋予各点CPUE的一组权重系数；Z_k(x_k′i)为各点综合环境因子Y的值，λ_k′iZ_k为赋予各点Y的一组权重系数，N_k和N_k’分别为CPUE和Y用于CPUE插值的空间位点，其中N_k>N_k’；引入两个拉格朗日系数u1和u2，及根据线性无偏最优约束条件可获得(4)式中的权重系数及研究区域内任意点的插值估计。

本发明的突出特点是创设基于综合环境因子的协同克里金法用以预测茎柔鱼资源空间分布，从CPUE实际分布与预测来看，高低值区域与实际CPUE分布较为吻合，与现有预测方法相比，提高了预测精度，预测更具可靠性。

具体实施方式

下面以2003-2012年6-9月的渔业捕捞数据为例，说明一种预测茎柔鱼资源空间分布的方法。2003-2012年6-9月的渔业捕捞数据包括作业时间、作业天数、作业位置及捕捞产量，时间分辨率为天。计算0.5°×0.5°网格中对应的茎柔鱼渔获量和作业天数，并以单位捕捞努力量渔获量(Catch Per Unite Effort，CPUE＝总渔获量/总作业天数)作为资源丰度指标。环境数据包括海表面温度(SST)、海表面高度(SSH)、叶绿素浓度(Chl-a)和海表面盐度(SSS)。为与渔业数据相匹配，将环境数据分别处理成时间分辨率为月，空间分辨率为0.5°×0.5°的格式。6月份茎柔鱼主要分布在SSS为35.1-35.3‰,SST为19-22℃，SSH为21-30cm，Chl-a为0.04-0.35mg/m³的海域；7月份茎柔鱼主要分布在SSS为35-35.3‰,SST为18-21℃，SSH为21-32cm，Chl-a为0.04-0.35mg/m³的海域；8月份主要分布在SSS为35.3-35.3‰,SST为18-19℃，SSH为11-35cm，Chl-a为0.25-0.45mg/m³海域；9月份主要分布在SSS为35.1-35.2‰,SST为17-19℃，SSH为21-32cm，Chl-a为0.06-0.35mg/m³海域。

由于进行地统计分析的数据须符合正态分布，为此对6-9月CPUE进行Kolomogorov-Semirnov(K-S)检验，对不满足正态性要求的数据进行对数转换。对数转换的前提是数据为非负值，渔业数据中经常会有0值的出现，为克服数据上的这一缺陷，将所有的CPUE各加1，1的加入并不会影响到资源的整体分布趋势及空间关系。6-9月茎柔鱼CPUEK-S检验及正态转换结果见表1。6月份茎柔鱼CPUE K-S检验的p值小于0.05，明显属于偏态分布，经过log转换后p值大于0.15，呈现较好的正态分布。7-9月的茎柔鱼CPUE经过K-S检验基本上能够满足正态分布的要求，经过log转换后，其值正态性明显增强。为此，将6-9月的茎柔鱼CPUE均采用log转换后的数值进行地统计分析。

表1 6-9月CPUE及log正态转换K-S检验

SST、SSH、SSS和Chl-a的测量值存在量纲差异，将各因子的数据进行归一化处理，可以避免大值环境因子对小值环境因子的掩盖，减少相关信息的丢失。数值归一化处理的相关公式如下：

X^*＝(X_i-X_min)/(X_max-X_min) (1)

式中，X^*为处理后的值，数值范围为0～1；X_i为变量的第i个实际观测值，X_max为所有观测值中的最大值，X_min为所有观测值中的最小值。

主成分分析(Principal Component Analysis,PCA)通过降维技术把多变量化成少数几个互不相关的主成分，这些主成分能够反映原始变量的绝大部分信息。PCA法在综合评价中可以消除各指标不同量纲的影响，也可以消除由各指标之间相关性所带来的信息重叠，特别是它克服了综合评价中认为确定各指标权重系数的问题，在综合评价中显示可它的优越性。根据PCA原理，将SST、SSH、SSS和Chl-a评价为一个综合环境指标，主成分构成公式如下:

Z_i＝q_1i*SSS+q_2i*SST+q_3i*SSH+q_4i*Chl-a (2)

式中，Z_i为第i主成分变量，q_ji(j＝1～4)分别为第i主成分对应于原始变量SSS、SST、SSH和Chl-a的系数，它度量了相应变量对Z_i的重要性。

综合环境指标的构成公式如下：

Y＝∑λ_i*Z_i (3)

式中，Y为综合环境指标，Z_i为第i主成分，λ_i为第i主成分的贡献率。

利用SPSS17.0统计包中的相关分析对SST、SSS、SSH、Chl-a及Y与CPUE进行相关性检验，确定环境因子与主变量CPUE之间的相关关系。

经过标准化后的相关系数矩阵的特征值、特征向量系数见表2。

表2特征值和特征向量表

用SSS、SST、SSS和Chl-a的综合环境指标对6-9月茎柔鱼渔场资源分布进行插值估计。在二阶平稳假设的条件下，协同克里金的估值公式为：

$Z_k^{*}\left(x_{k0}\right)={\mathrm{\Σ}}_{i=1}^{Nk}{\mathrm{\λ}}_{ki}{Z}_k\left(x_{ki}\right)+{\mathrm{\Σ}}_{i=1}^{{\mathrm{Nk}}^{\′}}{\mathrm{\λ}}_{k^{\′}i}{Z}_k\left(x_{k^{\′}i}\right)---\left(4\right)$

式中，为CPUE在x₀处的估计值，Z_k(x_ki)为各点CPUE值，λ_ki为赋予各点CPUE的一组权重系数；Z_k(x_k′i)为各点综合环境因子Y的值，λ_k′iZ_k为赋予各点Y的一组权重系数，N_k和N_k’分别为CPUE和Y用于CPUE插值的空间位点，其中N_k>N_k’。引入两个拉格朗日系数u1和u2，及根据线性无偏最优约束条件可获得(4)式中的权重系数及研究区域内任意点的插值估计。

估值验证及精度评价求取：(1)平均误差(ME)，其代表评价结果的无偏性，其值越接近于0越好；(2)均方根误差(RMSE)，其是估值方法精确性的一种度量，值越小越好；(3)标准化均方根(RMSSE)，其值应该接近于1，小于1则高估预测的不确定性，大于1则低估预测的不确定性。具体计算公式如下：

$ME={\mathrm{\Σ}}_{i=1}^n(Z_{\left(xi\right)}^{*}-Z_{\left(Xi\right)})---\left(5\right)$

$RMSE=\sqrt{{\mathrm{\Σ}}_{i=1}^n{\[Z_{\left(xi\right)}^{*}-Z_{\left(Xi\right)}\]}^2/n}---\left(6\right)$

$RMMSE=\sqrt{{\mathrm{\Σ}}_{i=1}^n{\{\[Z_{\left(xi\right)}^{*}-Z_{\left(Xi\right)}\]/{\mathrm{\σ}}_{\left(xi\right)}^{*}\}}^2/n}---\left(7\right)$

式中，Z^*(x_i)和Z(xi)分别在xi处的预测值和实际观测值，n为样点数，为在xi处的方差平方根。

由表3可知，6月份茎柔鱼CPUE与SSS具有极显著的负相关关系，与SSH、Chl-a和综合环境因子Y具有极显著的正相关关系；7月份其CPUE与SSS、SST和Y的具有极显著的负相关性，与SSH具有极显著的正相关性；8月份CPUE与SSS和SST具有极显著正相关性，而与Y的相关性不显著；9月份CPUE与SST和Y都具有极显著正相关性，与其他环境因子的相关性不显著无显著。从单因子的相关性检验来看，在不同生活史阶段，不同环境因子的影响作用不同。

表3相关性检验

协同克里金估值结果茎柔鱼平均产量(ln(CPUE))为1.725t/d，6-8月份出现集中大范围高值区，6月份主要出现在76°W-82°W，10°S-17°S，7月份主要集中在80°W-84.5°W，10°-14°S，8月份主要出现在80°W-85°W，9°S-13°S，而9月份茎柔鱼资源丰度高值区分布并不集中。6、7、9月份中比8月份多2.1-2.4t/d的等级。从CPUE实际分布与预测来看，高低值区域与实际CPUE分布较为吻合。由表4结果显示，6、7月份协同克里金插值效果较好，ME分别为0.0026和0.0025，说明预测准确性很高，平均预测结果稍高于实际观测值；而8-9月份的ME分别为-0.0078和-0.0002，说明预测准确性较高，平均预测结果稍低于实际观测值。RMSE的计算结果说明6月份的估值精度最高，8月份的估值精度最低。而从RMSSE来看，较接近1的是6、9月份，7、8月份的RMSSE与1的差值都大于0.1，说明6、9月份的预测标准差有效性高，7、8月份的稍差一点。6月份的RMSSE值小于1，说明都高估了预测的不确定性，7-9月份的RMSSE值大于1，说明都低估了预测的不确定性，则在6-9月份中的预测精度和准确性上会有一定程度的偏差。从ME、RMSE和RMSSE三者综合来看，6-9月的预测值具有一定的可靠性。

表4交叉验证结果