基于BP神經(jīng)網(wǎng)絡(luò)的西北太平洋柔魚資源豐度時空變化研究

王雅萌，汪金濤,2,3,4,5*，陳新軍,2,3,4,5，雷林,2,3,4,5

(1.上海海洋大學(xué) 海洋科學(xué)學(xué)院，上海 201306；2.農(nóng)業(yè)部大洋漁業(yè)開發(fā)重點實驗室，上海 201306；3.上海海洋大學(xué) 國家遠洋漁業(yè)工程技術(shù)研究中心，上海 201306；4.上海海洋大學(xué) 大洋漁業(yè)資源可持續(xù)開發(fā)教育部重點實驗室，上海 201306；5.農(nóng)業(yè)部大洋漁業(yè)資源環(huán)境科學(xué)觀測實驗站，上海 201306)

1 引言

柔魚（Ommastrephes bartramii）是一種生態(tài)機會主義的大洋性種類，具有短生命周期，分為秋生群和冬春生群，廣泛分布在北太平洋海域，屬于高度洄游種類（圖1），其資源狀況易受海洋環(huán)境的影響[1]，其中，冬春生群體是我國在西北太平洋重要的商業(yè)捕撈對象[2]。中國西北太平洋魷釣漁業(yè)始于1993年，目前，我國每年的柔魚捕撈量穩(wěn)定在10萬t左右[3]。由于柔魚類具有重要的生態(tài)性和經(jīng)濟性，其資源豐度時空變化及其與環(huán)境因子的關(guān)系研究越來越受到重視[4–6]，研究方法包括了廣義可加模型[7]和棲息地指數(shù)模型[8–12]等方法，研究認為，柔魚的資源動態(tài)與海表面溫度（Sea Surface Temperature,SST）[13–14]、葉綠素（Chlorophyll a,Chl a）濃度[15]、海表面高度（Sea Surface Height,SSH）[16]和海表面鹽度（Sea Surface Salinity,SSS）[17]存在明顯關(guān)系。同時，柔魚資源豐度變化也與氣候和環(huán)境因子有關(guān)，例如高雪等[18]建立了不同氣候和環(huán)境因子組合的柔魚資源豐度灰色系統(tǒng)預(yù)測模型，表明影響柔魚年間資源豐度的因素主要包括了柔魚產(chǎn)卵場的SST和Chl a 濃度以及太平洋年代際震蕩（Pacific Decadal Oscillation,PDO）。另外，機器學(xué)習(xí)方法，如神經(jīng)網(wǎng)絡(luò)也被用于柔魚資源豐度預(yù)測，汪金濤等[19]對比了基于頻度統(tǒng)計和BP神經(jīng)網(wǎng)絡(luò)預(yù)測柔魚空間分布效果的好壞。

圖1 西北太平洋柔魚冬生群體空間和洄游分布Fig.1 Spatial distribution and migratory distribution of winter cohort of Ommastrephes bartramii in the Northwest Pacific Ocean

BP神經(jīng)網(wǎng)絡(luò)模型是由Rumelhart和Mc-Celland首先提出的具有多層結(jié)構(gòu)的前向神經(jīng)網(wǎng)絡(luò)[20]。BP神經(jīng)網(wǎng)絡(luò)具有非線性映射能力，其優(yōu)化算法用于非線性函數(shù)擬合，可以提高擬合精度，使模型具有較強應(yīng)用性[21–22]；并且模型可以通過合理的自組織網(wǎng)絡(luò)的拓撲結(jié)構(gòu)，改變神經(jīng)元的激活特性以及在必要時調(diào)整網(wǎng)絡(luò)的學(xué)習(xí)參數(shù)等方法，提高了信息處理的能力[23]。但是，現(xiàn)有的研究僅是利用神經(jīng)網(wǎng)絡(luò)模型對柔魚的資源豐度進行預(yù)測，并沒有應(yīng)用到漁場分析中。如能否利用神經(jīng)網(wǎng)絡(luò)模型提取柔魚資源豐度的時空變化規(guī)律并用于其標準化？能否探究柔魚資源豐度變化模式與環(huán)境因子的響應(yīng)關(guān)系？為此，本研究以時空因子（年、月、經(jīng)度、緯度）和與柔魚資源豐度變化密切相關(guān)的環(huán)境因子作為輸入變量，以柔魚單位捕撈努力量漁獲量（Catch Per Unit Effort,CPUE）為輸出變量建立神經(jīng)網(wǎng)絡(luò)空間分布模型，估計2000?2015年柔魚資源豐度的時空分布，分析環(huán)境因子的重要性，研究結(jié)果將為柔魚的資源評估以及資源可持續(xù)開發(fā)與養(yǎng)護提供科學(xué)依據(jù)。

2 材料和方法

2.1 材料來源

中國遠洋漁業(yè)數(shù)據(jù)中心收集的2000?2015年7?10月西北太平洋的漁業(yè)捕撈數(shù)據(jù)，空間范圍為40°～50°N，150°～170°E，數(shù)據(jù)內(nèi)容包括作業(yè)時間、作業(yè)船數(shù)、作業(yè)位置及捕撈產(chǎn)量，時間分辨率為天。

環(huán)境數(shù)據(jù)包括 SST、Chl a濃度、SSH和 SSS。其中，SST、Chl a濃度和 SSH數(shù)據(jù)來源于 Oceanwatch（http://oceanwatch.pifsc.noaa.gov）；SSS數(shù)據(jù)來源于哥倫比亞大學(xué)環(huán)境數(shù)據(jù)中心（http://iridl.ldeo.columbia.edu），數(shù)據(jù)時間分辨率為月，空間分辨率為 0.5°×0.5°。

CPUE作為西北太平洋柔魚的資源豐度指標，生產(chǎn)數(shù)據(jù)按空間分辨率0.5°×0.5°進行統(tǒng)計，時間分辨率按月進行統(tǒng)計，計算CPUE的公式為[24]

2.2 BP 神經(jīng)網(wǎng)絡(luò)模型

研究表明，海洋環(huán)境因子 SST[13–14]、Chl a 濃度[15]、SSH[16]和SSS[17]與柔魚資源空間分布變化密切相關(guān)，因此將這4個環(huán)境因素和時空因子作為輸入因子；為了確定不同環(huán)境因子的重要性，采用向前選擇法將環(huán)境因子逐個加入模型中，根據(jù)擬合優(yōu)度確定環(huán)境因子重要程度，構(gòu)建4種模型方案（表1）。對于每種方案，隨機選取70%的數(shù)據(jù)集作為訓(xùn)練樣本集，剩下30%作為測試樣本集，設(shè)定學(xué)習(xí)速率為0.1，動量參數(shù)為0.5，最大訓(xùn)練批次為1 000次，最大誤差為0.001，隱含層節(jié)點數(shù)按經(jīng)驗公式選取[25]，公式為

表1 西北太平洋柔魚空間分布BP神經(jīng)網(wǎng)絡(luò)模型Table 1 Spatial BP neural network models for Ommastrephes bartramii in the Northwest Pacific Ocean

式中，n1為隱含層神經(jīng)元個數(shù)；n為輸入層神經(jīng)元個數(shù)；m為輸出層神經(jīng)元個數(shù)；a為[1,10]之間的整數(shù)。

2.3 模型驗證

性能指標均方誤差（Mean Squared Error,MSE）最小化作為判斷和選擇最優(yōu)模型的標準[26]。

式中，MSE為均方誤差；N為樣本個數(shù)；t表示第t個樣本；為第t個樣本輸出層實際觀測值；為第t個樣本輸出層預(yù)測值。MSE越小，BP神經(jīng)網(wǎng)絡(luò)預(yù)測的結(jié)果就越準確，BP神經(jīng)網(wǎng)絡(luò)模型越優(yōu)。

2.4 柔魚資源豐度的估計

利用建立的最優(yōu)模型估計2000?2015年7?10月40°～50°N，150°～170°E 海域范圍內(nèi)的柔魚資源豐度，空間平均CPUE表示月平均柔魚資源豐度。

3 結(jié)果

3.1 最優(yōu)模型

根據(jù)均方誤差大小（表2，表3），方案1的最優(yōu)模型結(jié)構(gòu)為5-9-1，訓(xùn)練集樣本的均方誤差為0.038 9；測試集樣本的均方誤差為0.038 8；方案2的最優(yōu)模型結(jié)構(gòu)為 6-8-1，訓(xùn)練集樣本的均方誤差為 0.038 2（表 2），測試集樣本的均方誤差為0.038（表3）；方案3的最優(yōu)模型結(jié)構(gòu)為7-9-1，訓(xùn)練集樣本的均方誤差為0.047 1，測試集樣本的均方誤差為0.041 4；方案4的最優(yōu)模型結(jié)構(gòu)為8-9-1，訓(xùn)練集樣本的均方誤差為0.042 6，測試集樣本的均方誤差為0.042 3。根據(jù)均方誤差越小，模型越優(yōu)原則，確定方案2為最優(yōu)方案，最終模型結(jié)構(gòu)為6-8-1，其訓(xùn)練樣本集和測試樣本集擬合狀態(tài)如圖2和圖3所示，其輸入層為經(jīng)度、緯度、年份、月份、SST、SSS，隱含層數(shù)為 8（圖 4）。

圖2 西北太平洋柔魚空間 BP 神經(jīng)網(wǎng)絡(luò)最優(yōu)模型訓(xùn)練樣本集（PCPUE）擬合狀態(tài)Fig.2 Training dataset fitting of optimal BP neural network(PCPUE) for Ommastrephes bartramii in the Northwest Pacific Ocean

圖3 西北太平洋柔魚空間 BP 神經(jīng)網(wǎng)絡(luò)最優(yōu)模型測試樣本集（PCPUE）擬合狀態(tài)Fig.3 Testing dataset fitting of optimal BP neural network(PCPUE) for Ommastrephes bartramii in the Northwest Pacific Ocean

圖4 西北太平洋柔魚最優(yōu)空間 BP 神經(jīng)網(wǎng)絡(luò)模型Fig.4 Optimal spatial BP neural network model for Ommastrephes bartramii in the Northwest Pacific Ocean

表2 不同方案不同隱含層下訓(xùn)練集CPUE的均方誤差Table 2 Mean square error of training dataset CPUE for different scenarios

表3 不同方案不同隱含層下測試集CPUE的均方誤差Table 3 Mean square error of testing dataset CPUE for different scenarios

3.2 柔魚資源豐度空間分布

柔魚CPUE空間分布在2000?2015年間變化明顯。在8?9月，CPUE集中分布比較明顯，CPUE較大值大多分布在155°～160°E范圍內(nèi)；各年最高CPUE緯度范圍集中在 41.5°～43.5°N 范圍內(nèi)。2000?2010年，2000年8月、2003年8月、2004年和2005年的10月、2006年 7?9月、2007年 9月和 2008年 8月中心漁場范圍較大；大部分年份的7月、10月漁場范圍較為分散，并且中心漁場范圍非常小。2011?2015年各月份的CPUE整體分布較少，柔魚資源豐度小(圖5，圖6)。

圖5 2000?2008 年西北太平洋柔魚預(yù)測 CPUE 分布Fig.5 Simulated CPUE distribution of Ommastrephes bartramii from 2000 to 2008 in the Northwest Pacific Ocean

圖6 2009?2015 年西北太平洋柔魚預(yù)測 CPUE 分布Fig.6 Simulated CPUE distribution of Ommastrephes bartramii from 2009 to 2015 in the Northwest Pacific Ocean

3.3 柔魚資源豐度時間變化

時間上，2000?2015年柔魚預(yù)測CPUE呈現(xiàn)年間不斷波動的趨勢（圖 7），2000?2003年柔魚 CPUE 大致逐年增加，2004?2007年保持較高值，柔魚資源豐度大；2008?2015年CPUE逐年波動并有減小趨勢，CPUE最小值在2013年7月，為0.8 t/d，資源豐度最??；各年7?10月CPUE峰值主要出現(xiàn)在8月或者9月，2004年8月、2007年9月和2008年8月峰值最為明顯且分別為 4.97 t/d、5.75 t/d 和 4.40 t/d。各年 7?11月平均CPUE在2007年9月最高為5.75 t/d，柔魚資源豐度最大。

圖7 2000?2015年7?10月份柔魚資源豐度時間趨勢Fig.7 Temporal trend of the abundance of CPUE of Ommastrephes bartramii from July to October during 2000 to 2015

4 討論與分析

根據(jù)變量向前選擇法和模型精度可知，環(huán)境因子SST和SSS對柔魚的資源豐度空間分布模型的貢獻率大于Chl a濃度和SSH。Alabia等[27]利用最大熵模型分析漁場發(fā)現(xiàn)，相比SSH、海表面風(fēng)應(yīng)力旋轉(zhuǎn)和渦動，SSS和SST對模型的貢獻更大；魏廣恩[28]對柔魚CPUE標準化的研究中也發(fā)現(xiàn)，SST對CPUE的偏差解釋率要大于Chl a濃度，且柔魚漁場的形成與黑潮和親潮的動態(tài)密切相關(guān)[29]；余為等[30]認為，漁場SST能夠代表黑潮和親潮強弱的變化，是影響柔魚資源豐度動態(tài)的關(guān)鍵因子，SSS和SST相結(jié)合能夠表征海水的水團變化。本研究結(jié)論SST和SSS對柔魚資源豐度時空變動有較大影響與前人基本一致。

但是，漁場中SSH和Chl a濃度也反映了漁場當(dāng)下水文特征（如渦流）和餌料特征[31]，也能夠影響柔魚空間分布[30]，在后續(xù)的研究中可以用于輔助分析。同時，氣候變化也影響柔魚的資源豐度，沈建華等[32]認為，當(dāng)黑潮較弱或親潮較強時出現(xiàn)的黑潮大蛇形和表溫過低現(xiàn)象導(dǎo)致了2001年太平洋柔魚產(chǎn)量下降；余為等[16]認為，PDO暖期時其氣候條件有利于柔魚生長和繁殖，且氣候事件會對CPUE產(chǎn)生影響，這與本研究得到的 CPUE時間序列一致（圖 6）：2003?2006年處于PDO暖期，CPUE較高，2000?2002年和2009?2015年處于PDO冷期，CPUE較低。

西北太平洋柔魚為全年產(chǎn)卵生殖的短生命周期物種，以月時間尺度的研究能夠發(fā)現(xiàn)更豐富的柔魚階段性生態(tài)習(xí)性變化[1]。柔魚早期幼體生活在35°N以南的黑潮逆流區(qū)，以后向北洄游，8?10月性未成熟和性成熟的柔魚主要分布在40°～46°N親潮前鋒區(qū)及其周邊海域，10月開始南下進行洄游[33]。在我國柔魚漁業(yè)傳統(tǒng)作業(yè)海域，8?10月冷暖水交匯，等溫線密集，柔魚漁場較密集，柔魚豐度較高，7月柔魚尚未洄游至捕撈海域，資源豐度較低；8月到達索餌場，資源豐度較高；10?11月柔魚性成熟，開始南下進行產(chǎn)卵洄游，資源豐度減小[34]，這與本研究得到的結(jié)果一致（圖6）；7?8月柔魚的CPUE增加，9?11月柔魚的CPUE減少。

CPUE作為資源豐度的指標，捕撈努力量空間分布、時空尺度的選擇會對CPUE標準化產(chǎn)生影響[35]。人工神經(jīng)網(wǎng)絡(luò)具有很好的自學(xué)習(xí)能力和很強的泛化和容錯能力[36]，但BP神經(jīng)網(wǎng)絡(luò)是典型的“黑盒模型”，在解釋CPUE與輸入因子之間的關(guān)系上缺乏直觀性[37]，且在收斂速度上不足，所以學(xué)習(xí)算法和網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化還有改進空間[38]，今后可研究明確CPUE和環(huán)境因子在神經(jīng)網(wǎng)絡(luò)模型中具體關(guān)系。

本文利用柔魚漁業(yè)數(shù)據(jù)和其漁場環(huán)境數(shù)據(jù)，構(gòu)建了BP神經(jīng)網(wǎng)絡(luò)空間分布模型，擬合了柔魚資源豐度，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型能夠模擬柔魚資源豐度的時空變化，探究不同環(huán)境因子對柔魚資源豐度時空變化的重要性，并可用于資源豐度標準化，結(jié)果可為柔魚生產(chǎn)和管理提供參考。