利用BP神經(jīng)網(wǎng)絡(luò)標準化東南太平洋莖柔魚(Dosidicus gigas)資源豐度*

林泓羽 汪金濤, 2, 3, 4, 5 陳新軍, 2, 3, 4, 5

利用BP神經(jīng)網(wǎng)絡(luò)標準化東南太平洋莖柔魚()資源豐度*

林泓羽1汪金濤1, 2, 3, 4, 5①陳新軍1, 2, 3, 4, 5

(1. 上海海洋大學海洋科學學院 上海 201306; 2. 農(nóng)業(yè)農(nóng)村部大洋漁業(yè)開發(fā)重點實驗室 上海 201306; 3. 國家遠洋漁業(yè)工程技術(shù)研究中心 上海 201306; 4. 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)農(nóng)村部大洋漁業(yè)資源環(huán)境科學觀測實驗站 上海 201306)

東南太平洋莖柔魚()是短生命周期大洋性經(jīng)濟魚類, 其資源量受環(huán)境因素變化的影響較大。根據(jù)我國魷釣船隊2013～2017年在東南太平洋的生產(chǎn)統(tǒng)計數(shù)據(jù), 結(jié)合海洋環(huán)境數(shù)據(jù)包括海表面溫度(SST)、海表面鹽度(SSS)、葉綠素濃度(chl), 運用BP神經(jīng)網(wǎng)絡(luò)(back propagation network)模型來標準化單位捕撈努力量漁獲量(catch per unit effort, CPUE, 也稱名義CPUE)。以均方誤差(mean square errors, MSE)和平均相對變動值(average relative variances, ARV)為最優(yōu)模型判斷依據(jù), 比較隱含層節(jié)點3-10的神經(jīng)網(wǎng)絡(luò)模型, 發(fā)現(xiàn)6-9-1結(jié)構(gòu)為最優(yōu)模型。用Garson算法解釋模型結(jié)果, 發(fā)現(xiàn)各輸入層因子對東南太平洋莖柔魚資源豐度影響重要度排序為chl、SST、經(jīng)度(Lon)、SSS、緯度(Lat)、月份(Month)。并作名義CPUE和標準化CPUE資源豐度對比分布圖, 結(jié)果顯示CPUE與標準化CPUE總體分布狀況基本一致, 但局部區(qū)域存在明顯差異, 80°～85°W及10°～20°S海域適宜魷釣生產(chǎn), 表明BP神經(jīng)網(wǎng)絡(luò)模型可以適用于東南太平洋莖柔魚的CPUE標準化, 從而為魷釣漁業(yè)生產(chǎn)提供一定參考依據(jù)。

BP神經(jīng)網(wǎng)絡(luò); 東南太平洋莖柔魚; 資源豐度; 環(huán)境因子

莖柔魚隸屬頭足綱(Cephalopoda)、柔魚科(Ommastrephidae)、莖柔魚屬() (王堯耕等, 2005)。在柔魚科中, 莖柔魚是個體最大、資源量最為豐富的種類之一(Nigmatullin, 2001)。莖柔魚廣泛分布于東太平洋海域, 特別是加利福尼亞(37°～40°N)至智利(45°～47°S)海域(Taipe, 2001), 是中國、日本、韓國、秘魯、越南等國魷釣船的重要捕撈對象(陳新軍, 2019)。莖柔魚生長快速、生命周期短, 產(chǎn)卵后即死去, 為一年生種類, 具有垂直和水平遷移的能力, 洄游范圍廣, 能快速響應(yīng)不斷變化的環(huán)境條件, 資源豐度較易受到環(huán)境因素的影響(Benoit-Bird, 2012), 包括海表面溫度(SST)、海表面鹽度(SSS)、葉綠素濃度(chl)等環(huán)境因素。莖柔魚在南半球的產(chǎn)卵場主要分布在秘魯沿岸的北部區(qū)域(3°～8°S)和南部區(qū)域(12°～17°S) (Tafur, 2001), 其在秘魯沿岸的洄游主要受洪堡海流和南赤道流的影響(胡貫宇等, 2018)。據(jù)聯(lián)合國糧農(nóng)組織(FAO)統(tǒng)計, 中國在東南太平洋捕撈的莖柔魚()的捕撈量在2001～2017年間有一定的波動, 但總體呈現(xiàn)上升趨勢, 從2011年的1.78萬t, 增加到2014年的歷史最高產(chǎn)量, 達到33.25萬t; 2015～2016年捕撈量略有下降, 2015年為32.36萬t, 2016年為22.33萬t; 2017年捕撈量又有所回升, 達到29.61萬t, 已成為中國遠洋漁業(yè)的重要組成部分。

單位捕撈努力量漁獲量(catch per unit effort, CPUE)指某漁場在一定時期內(nèi), 平均每一個捕撈努力量所能捕獲的漁獲量, 常被認為與漁業(yè)資源豐度成正比(Hilborn, 1992), 是最常用的資源豐度指標(邵幗瑛等, 2006)。CPUE與環(huán)境因子間存在關(guān)系, 如柔魚() CPUE與海表溫度, 即表溫存在著經(jīng)驗關(guān)系, CPUE與溫度之間的關(guān)系是非線性的(田思泉, 2003)。然而, CPUE除與資源豐度有關(guān)以外, 還會受到棲息地面積(Salthaug, 2003)、環(huán)境效應(yīng)(Ziegler, 2003)及漁民行為(官文江, 2008)等眾多因素的影響, 導致CPUE與資源豐度間的正比關(guān)系有時難以成立(Harley, 2001)。因此, 研究人員常對CPUE進行標準化, 消除影響進而重構(gòu)CPUE與資源豐度間的正比關(guān)系, 達到合理有效利用CPUE數(shù)據(jù)的目的(Ye, 2009)。CPUE標準化時漁業(yè)資源評估研究的基礎(chǔ)性工作(楊勝龍等, 2015), 因此國內(nèi)外學者對CPUE的標準化方法進行了大量研究和總結(jié)(楊勝龍等, 2015), 包括傳統(tǒng)的統(tǒng)計學模型和機器學習方法, 傳統(tǒng)的統(tǒng)計學模型包括廣義線性模型(GLM) (官文江等, 2009)、基于貝葉斯的廣義線性模型(GLBM) (陸化杰等, 2013)、廣義加性模型(GAM) (戴小杰等, 2011)、基于棲息地的CPUE標準化方法(HBS) (Hinton, 1996); 機器學習方法包括回歸樹模型(regression trees, RT) (官文江等, 2014a)、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN) (Maunder, 2006)、隨機森林(random forest, RF)模型(Breiman, 2001), 支持向量機(support vector machine, SVM) (楊勝龍等, 2015)等。

在傳統(tǒng)的統(tǒng)計學模型中, GLM廣泛應(yīng)用于CPUE標準化(Chang, 2011), 但缺點在于無法處理非線性關(guān)系(Maunder, 2004), 在誤差假設(shè)、變量選擇、缺失數(shù)據(jù)、交叉項及異常值處理等方面缺乏靈活性(官文江等, 2009); GAM模型可用于處理非線性問題, 但其假設(shè)檢驗等推斷過程可能存在問題(Venables, 2004)。盡管傳統(tǒng)的統(tǒng)計學方法通過GLM和GAM的互補能夠較好地解決線性和非線性問題, 但在具有非線性關(guān)系的問題映射上, 傳統(tǒng)的統(tǒng)計學方法遠不如機器學習方法的表現(xiàn), 與前者相比, 如人工神經(jīng)網(wǎng)絡(luò)和回歸樹模型為例的機器學習方法可以獲得較好的預(yù)測結(jié)果。官文江等(2014b)比較了GLM和回歸樹模型用于CPUE標準化的效果, 認為回歸樹模型具有階躍函數(shù)特征, 適用于當漁業(yè)數(shù)據(jù)存在非線性關(guān)系及異常值時; 而當漁業(yè)數(shù)據(jù)不存在非線性關(guān)系與異常值時, 則GLM模型更具優(yōu)勢。雖然機器學習方法在漁業(yè)研究上具有較好的表現(xiàn), 楊勝龍等(2015)通過不同模型在CPUE標準化問題上的對比, 發(fā)現(xiàn)SVM和RF方法應(yīng)該被優(yōu)先考慮用于漁業(yè)數(shù)據(jù)CPUE數(shù)據(jù)標準化。SVM模型在簡單分類問題上具有先進的性能, 并且能夠高效地解決小樣本問題等等, 但其無法擴展到較大的較復(fù)雜的數(shù)據(jù)集; 神經(jīng)網(wǎng)絡(luò)是一種黑盒子技術(shù), 其運行時具有不穩(wěn)定的特點, 因而也常常無法解釋CPUE與自變量間的關(guān)系(Maunder, 2001)。雖然神經(jīng)網(wǎng)絡(luò)是一種黑盒模型, 但其在分類、學習、誤差容忍度和非線性關(guān)系處理方面的能力使其受到關(guān)注(Chen, 1990), 且研究人員已提出了幾種解釋神經(jīng)網(wǎng)絡(luò)中不同神經(jīng)元之間權(quán)重的方法, 如Garson算法(Garson, 1991)、Olden算法(Olden, 2004)和靈敏度分析(?zesmi, 1999)等。

1 數(shù)據(jù)與方法

1.1 漁業(yè)數(shù)據(jù)

東南太平洋莖柔魚漁業(yè)統(tǒng)計數(shù)據(jù)來自中國遠洋漁業(yè)數(shù)據(jù)中心, 生產(chǎn)數(shù)據(jù)包括作業(yè)日期、作業(yè)位置(經(jīng)緯度)、作業(yè)船數(shù)和漁獲量, 時間范圍為2013～2017年, 空間范圍為75°～90°W、5°～30°S, 空間分辨率為0.5°×0.5°。海洋環(huán)境數(shù)據(jù)包括SST、SSS、chl, 其中SST、SSS來自哥倫比亞大學氣候數(shù)據(jù)實驗室網(wǎng)站(http://iridl.ldeo.columbia.edu), chl來自美國國家海洋和大氣管理局(http://oceanwatch.pifsc.noaa.gov), 時間分辨率為月。

生產(chǎn)數(shù)據(jù)按空間分辨率0.5°×0.5°、時間分辨率為月進行時空融合統(tǒng)計, 并計算單位捕撈努力量漁獲量(CPUE)作為其局部資源豐度指標。漁業(yè)數(shù)據(jù)和環(huán)境數(shù)據(jù)采用基于局部均值的偽最近鄰法按照作業(yè)地點和作業(yè)日期進行匹配(Gou, 2014)。

式中, CPUE(i,j,m,y)表示月年, 位置,的平均CPUE;(i,j,m,y)表示月年, 位置,的總產(chǎn)量;(i,j,m,y)表示月年, 位置,的總的作業(yè)船數(shù)。

1.2 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播算法訓練的多層前饋神經(jīng)網(wǎng)絡(luò), 包括輸入層(input layer)、隱含層(hidden layer)和輸出層(output layer)三部分, 運算過程包括信號的正向傳播和反向傳播(圖1)。BP神經(jīng)網(wǎng)絡(luò)模型建立過程一般包括三個階段: 訓練(training)、驗證(validating)和測試(testing)。

圖1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

1.2.1 模型構(gòu)建 將2013～2017年共5 073個樣本利用最小-最大標準化法(min-max scale)進行歸一化處理, 使CPUE值處于0～1之間, 隨機分配70%的樣本集作為訓練樣本, 30%的樣本集作為測試樣本。BP神經(jīng)網(wǎng)絡(luò)的輸入層因子為月份、緯度、經(jīng)度、SST、SSH、chl, 輸出層因子為CPUE, 最大計算次數(shù)設(shè)置為1 000, 權(quán)值和閾值的更新的學習速率設(shè)置為0.1, 結(jié)束條件為誤差函數(shù)的絕對偏導數(shù)小于0.01。隱含層神經(jīng)元個數(shù)通過經(jīng)驗公式(劉維群等, 2005)設(shè)置在3～10的范圍內(nèi), 其具體確定需要在訓練過程中合理地增加或減少隱藏層中節(jié)點的數(shù)量(劉維群等, 2005), 這個過程是相當重要和困難的, 這也需要通過使用反向傳播的算法。在最后, 一般可利用交叉驗證, 計算其均方誤差(mean square errors, MSE)和平均相對變動值(average relative variances, ARV)來量化比較結(jié)果, 選出神經(jīng)網(wǎng)絡(luò)模型的最佳模型結(jié)構(gòu)(Wang, 2018)。

式中,1為隱含層個數(shù),為輸入層個數(shù),為輸出層個數(shù),為[1,10]之間的整數(shù)。

1.2.2 模型評價 BP模型以均方誤差和泛化能力作為判斷最優(yōu)模型的標準。均方誤差是將預(yù)測值與實際值進行比較所得, 其用MSE表示, 函數(shù)定義式見式3。泛化能力是指神經(jīng)網(wǎng)絡(luò)學習算法對新樣本的適應(yīng)能力, 其目的是學習隱含在數(shù)據(jù)樣本中的規(guī)律, 經(jīng)過訓練后的網(wǎng)絡(luò)對非訓練樣本也能給出合理的輸出, 是衡量預(yù)測值與實測值之間差別的變量, 用ARV表示, ARV值越小, 網(wǎng)絡(luò)泛化能力越強, 其表達式為式4 (Cholewo, 1997; 潘玉民等, 2012):

1.2.3 模型解釋 在神經(jīng)網(wǎng)絡(luò)解釋圖(neural interpretation diagram, NID)中, 輸入層到隱含層、隱含層到輸出層之間的連接權(quán)重用直線表示, 直線的粗細表示連接權(quán)重絕對值的大小, 即信號作用的強弱。Garson算法是一種借助神經(jīng)網(wǎng)絡(luò)獲得權(quán)重所做的靈敏度分析方法, 它可以利用連接權(quán)重的乘積得到輸入變量對輸出變量的重要度(蔡毅等, 2008)。

2 結(jié)果

2.1 最優(yōu)模型結(jié)構(gòu)及其解釋性

由經(jīng)驗公式(式4)選取3～10作為隱藏層的疊加個數(shù), 建立相對應(yīng)的6-N-1神經(jīng)網(wǎng)絡(luò)模型, 共計8個神經(jīng)網(wǎng)絡(luò)模型, 使用交叉驗證的方法測試訓練模型, 通過對每個模型進行100次的循環(huán), 計算其MSE和ARV, 并繪制箱線圖如下圖所示, MSE見圖2a, ARV見圖2b。隱含層節(jié)點數(shù)3～10的網(wǎng)絡(luò)結(jié)構(gòu), 對比其MSE和ARV結(jié)果(圖2), 隱藏層為3～7的神經(jīng)網(wǎng)絡(luò)模型, 整體的MSE和ARV呈現(xiàn)數(shù)值變小的趨勢, 于隱藏層節(jié)點為7時較為穩(wěn)定, 而后在節(jié)點為8～10時, 其MSE有小幅度波動, 于節(jié)點為9時整體為較小的模型結(jié)果, 可見6-9-1結(jié)構(gòu)的MSE和ARV最小, 為最優(yōu)結(jié)構(gòu)。

構(gòu)建6-9-1結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)果(圖3), I為輸入層, 輸入的變量依次為月份(Month)、經(jīng)度(Lon)、緯度(Lat)、海表面鹽度(SSS)、海表面溫度(SST)、葉綠素濃度(chl)。H為隱藏層, 共有9個隱藏層, 為H1～H9。O為輸出層, 輸出變量為CPUE。B1和B2表示在每一步添加的偏差。圖中線的粗細表示各因子所占權(quán)重的大小, 黑色線為神經(jīng)網(wǎng)絡(luò)傳遞的正信號, 灰色線為負信號。采用Garson算法比較各輸入層因子對輸出預(yù)測的重要度進行靈敏度分析, 其結(jié)果, 輸入層變量的重要度排序為chl、SST、Lon、SSS、Lat、Month (圖4)。

2.2 標準化莖柔魚CPUE

東南太平洋莖柔魚的生產(chǎn)期為10～12月及次年1月的月平均CPUE較高, 其中12月份CPUE最高, 為3.80 t/d; 其余各月為生產(chǎn)淡季, 3月份CPUE最低, 為2.30 t/d (圖5)。

圖2 不同節(jié)點神經(jīng)網(wǎng)絡(luò)模型的均方誤差MSE和平均相對變動值A(chǔ)RV

注: a. MSE; b. ARV

圖3 神經(jīng)網(wǎng)絡(luò)解釋圖

圖4 Garson算法計算輸入?yún)?shù)對輸出預(yù)測的重要度

圖5 2013～2017年東南太平洋莖柔魚月平均CPUE分布

用選擇的最佳BP神經(jīng)網(wǎng)絡(luò)模型, 預(yù)測2013～ 2017年75°～90°W、5°～30°S海域的CPUE值(記為CPUE-BP), 將小于0, 大于1的預(yù)測值進行二次歸一化處理, 其月平均標準化CPUE分布(圖6), 年平均CPUE標準化分布(圖7)。在時間上, 于月份尺度上整體變化趨勢較大, 不論是實際的還是預(yù)測的; 而在2013～2017年間的年均變化上, 變化的尺度較小。預(yù)測的CPUE (CPUE-BP)同樣于1～3月開始呈現(xiàn)下降趨勢, 并在3月達到最小值, 而后呈現(xiàn)上升趨勢, 與實際的CPUE值的月均變化趨勢較一致。2013～2017年間的年平均標準化CPUE分布, 發(fā)現(xiàn)2013～2017年CPUE在0.50～0.56內(nèi)呈小幅度波動, 2015年達到最大值, 2016年又有所下降。整體來說, 名義的CPUE月平均變化與歸一化后的CPUE月平均變化趨勢較一致, 說明標準化莖柔魚的CPUE能夠較好解釋其變化規(guī)律, 并且標準化后的CPUE能夠消除捕撈因素等外部因素對于莖柔魚資源豐度的影響, 從而使得標準化后的CPUE的變動幅度較小。

圖6 2013～2017年東南太平洋莖柔魚月平均預(yù)測CPUE分布

圖7 2013～2017年東南太平洋莖柔魚年平均預(yù)測CPUE分布

2.3 莖柔魚資源時空變化規(guī)律

作2013～2017年各年各月標準化CPUE分布圖(圖8), 圖中顏色代表預(yù)測后的標準化CPUE的大小, 顏色越深的區(qū)域, 其預(yù)測后的標準化CPUE越大。東南太平洋莖柔魚CPUE的時空分布在2013～2017年間整體呈現(xiàn)變化明顯的狀態(tài), 各年間的較高值CPUE的分布主要集中于80°～85°W及10°～20°S海域。于月間變化也較為顯著, 于3～6月整體資源豐度較低, 而后升高, 常常在11、12、1月達到較高值, 即顏色分布較深的區(qū)域。而年間的分布上以2015年為CPUE集中分布最為顯著的年份, 2015年的1月為中心漁場范圍最大的月份。東南太平洋莖柔魚CPUE的時空分布整體呈現(xiàn)一個帶狀分布趨勢, 由南向北資源分布開始減少。

3 討論

目前, 有關(guān)東南太平洋莖柔魚的研究大多集中在資源和漁場的時空分布變化與環(huán)境因子的關(guān)系, 對其資源豐度的標準化研究則較少。本文利用2013～2017年東南太平洋莖柔魚的生產(chǎn)數(shù)據(jù)和海洋環(huán)境數(shù)據(jù), 建立了基于東南太平洋莖柔魚CPUE的BP神經(jīng)網(wǎng)絡(luò)模型, 對東南太平洋莖柔魚的資源豐度進行標準化, 并以標準化CPUE作其資源豐度分布圖。以月份、緯度、經(jīng)度、SST、SSS、chl為輸入層因子, 以CPUE為輸出層因子, 隱含層節(jié)點選用3～10個, 建立了不同的BP神經(jīng)網(wǎng)絡(luò)模型, 對東南太平洋莖柔魚資源豐度進行標準化研究, 并經(jīng)過100次循環(huán)計算的交叉驗證進行對比。交叉驗證在選擇平均絕對相對誤差較低的模型時表現(xiàn)良好, 但并不能總是選擇出誤差最小的模型(Maunder, 2006)。交叉驗證的結(jié)果表明6-9-1結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型MSE最小, ARV最小(圖2), 泛化能力最強, 為最優(yōu)模型。

根據(jù)本文所建立的神經(jīng)網(wǎng)絡(luò)模型在各層之間的權(quán)重連接情況(圖3), 輸入層節(jié)點chl所連出的直線較粗, 對隱藏層有較大的貢獻, 同時通過用Garson算法比較各輸入層因子對CPUE的貢獻率(圖4), 結(jié)果顯示對CPUE貢獻最大的分別是chl、SST、Lon、SSS、Lat、Month。chl代表初級生產(chǎn)力, 主要影響莖柔魚的攝食狀況, 由于莖柔魚攝食中大型浮游植物, 高濃度的葉綠素為其提供了豐富的食物(Schwing, 1999), 本研究表明莖柔魚偏好分布于葉綠素濃度高SST低的區(qū)域, 這與Robinson等(2013)證實了莖柔魚主要分布在海溫低、葉綠素濃度高的地區(qū)的結(jié)論一致。

2013～2017年東南太平洋莖柔魚的月平均名義CPUE分布(圖5)在10～12月及1月的月平均CPUE較高, 其中12月份CPUE最高, 為7.05 t/d。4月份CPUE最低, 為3.91 t/d。這說明10～12月及1月為捕撈東南太平洋莖柔魚的盛產(chǎn)期, 其余各月為生產(chǎn)淡季。由于CPUE可能因除豐度以外的其他因素而變化。因此, 通過去除與豐度無關(guān)的影響捕集能力的因素來標準化CPUE是很重要的(Maunder, 2006)。圖6直觀地顯示了2013～2017年間75°～90°W、5°～30°S海域的月平均CPUE分布, 發(fā)現(xiàn)9～12月為捕撈東南太平洋莖柔魚的盛產(chǎn)期; 由2013～2017年間的年平均標準化CPUE分布(圖7), 發(fā)現(xiàn)2013～2017年CPUE在0.50～0.56內(nèi)呈小幅度波動, 2015年達到最大值, 2016年又有所下降。由此可見, 標準化后的CPUE變化波動幅度小, 這也可能是在通過神經(jīng)網(wǎng)絡(luò)模型進行標準化后, 剔除了與豐度無關(guān)的因素包括年月份、經(jīng)緯度等對其造成的影響。由2013～2017年間的標準化CPUE的時空分布圖(圖8), 在時間分布上, 呈現(xiàn)明顯的月份季度以及年份尺度上的變化, 于2015年的中心漁場范圍為分布最為廣泛密集, 其他年份較2015年為分散和分布少, 而月份上也以11、12以及1月份的分布最為密集, 在3～6月的分布上較為稀疏, 資源豐度較低, 這可能也是與莖柔魚的秋生冬生群體以及其攝食行為有關(guān); 從空間分布上, 可見預(yù)測后標準化CPUE的分布, 主要集中于80°～85°W及10°～20°S海域, 與汪金濤等(2014)的結(jié)論80°W以西及15°S以南區(qū)域適宜魷釣生產(chǎn); Robinson等(2013)結(jié)論1～7月份產(chǎn)量集中在80°～84°W及14°～20°S海域; Nash等(1970)結(jié)論6月份漁場重心在81°～84°W及10°～15°S海域; 胡振明等(2008)結(jié)論年漁場重心在79.5°～82.7°W和11.9°～17.1°S海域, 月漁場重心在81.0°～81.2°W和14.3°～15.4°S基本一致。盡管, 由于受到初始值的影響, 神經(jīng)網(wǎng)絡(luò)可能存在多解, 不能給出不確性估計(官文江等, 2014a), 但上述結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)對于東南莖柔魚的CPUE標準化結(jié)果, 即在時空分布上都有較高度的一致性, 因此能夠較好貼合實際生產(chǎn)狀況以及前人在研究中獲得的結(jié)論。結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)適合用于CPUE的標準化。

圖8 2013～2017年間各月標準化CPUE分布

注: 每張子圖的空間范圍為30°S～0°, 90°～75°W

4 結(jié)論

本文通過采用6-9-1結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)進行東南太平洋莖柔魚的CPUE標準化, 其結(jié)果與前人利用其他統(tǒng)計學方法等研究的漁場重心時空位置基本一致, 結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)適合用于CPUE的標準化。但本文只考慮了SST、SSS、chl三個環(huán)境因素, 沒有考慮海表高度異常(SSHA)、海表溫度異常(SSTA)、海面高度(SSH)等因素的影響, 也沒有考慮到厄爾尼諾事件和拉尼娜事件的影響, 而研究表明厄爾尼諾和拉尼娜事件會影響莖柔魚幼體和成熟體的生長、棲息等生活史過程。此外, 莖柔魚具有晝夜垂直移動的現(xiàn)象(Nigmatullin, 2001), 還需要考慮到海洋水溫的垂直結(jié)構(gòu)對其的影響。因此, 研究過程可以加入更多環(huán)境因素, 以便進一步提高模型精度。另外, 本文所用環(huán)境數(shù)據(jù)來自衛(wèi)星遙感, 由于云層遮擋等原因造成了環(huán)境數(shù)據(jù)的缺失, 在對一整塊海域進行CPUE的標準化時, 會有缺失值。由于神經(jīng)網(wǎng)絡(luò)模型是一種黑盒模型, 其對于CPUE標準化表現(xiàn)的性能可能并不完全準確, 通過對神經(jīng)網(wǎng)絡(luò)的修改, 包括額外的隱藏層、約束訓練或不同的似然函數(shù), 可能會提高它的性能。在判斷選擇最優(yōu)神經(jīng)網(wǎng)絡(luò)模型的方法上, 采取了交叉驗證的方法, 但交叉驗證可能并不總是選擇誤差最小的模型, 這也會造成最終結(jié)果具有誤差。此外, 本文僅分析了單隱含層的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型, 對于多隱含層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是否能用于標準化資源豐度或者提高預(yù)報精度, 有待進一步研究。

王堯耕, 陳新軍, 2005. 世界大洋性經(jīng)濟柔魚類資源及其漁業(yè)[M]. 北京: 海洋出版社.

田思泉, 2003. 西北太平洋柔魚資源、作業(yè)漁場時空分布及其與表溫關(guān)系的研究[D]. 上海: 上海水產(chǎn)大學.

劉維群, 李元臣, 2005. BP網(wǎng)絡(luò)中隱含層節(jié)點優(yōu)化的研究[J]. 交通與計算機, 23(2): 83-86.

楊勝龍, 張禹, 張衡, 等, 2015. 不同模型在漁業(yè)CPUE標準化中的比較分析[J]. 農(nóng)業(yè)工程學報, 31(21): 259-264.

汪金濤, 高峰, 雷林, 等, 2014. 基于神經(jīng)網(wǎng)絡(luò)的東南太平洋莖柔魚漁場預(yù)報模型的建立及解釋[J]. 海洋漁業(yè), 36(2): 131-137.

陸化杰, 陳新軍, 曹杰, 2013. 基于GLBM模型的中國大陸阿根廷滑柔魚魷釣漁業(yè)CPUE標準化[J]. 生態(tài)學報, 33(17): 5375-5384.

陳新軍, 2019. 世界頭足類資源開發(fā)現(xiàn)狀及我國遠洋魷釣漁業(yè)發(fā)展對策[J]. 上海海洋大學學報, 28(3): 321-330.

邵幗瑛, 張敏, 2006. 東南太平洋智利竹莢魚漁場分布及其與海表溫關(guān)系的研究[J]. 上海水產(chǎn)大學學報, 15(4): 468-472.

官文江, 田思泉, 王學昉, 等, 2014a. CPUE標準化方法與模型選擇的回顧與展望[J]. 中國水產(chǎn)科學, 21(4): 852-862.

官文江, 陳新軍, 2008. 利用元胞自動機探討商業(yè)性CPUE與資源量之間的關(guān)系[J]. 中國海洋大學學報, 38(4): 561-566.

官文江, 陳新軍, 2009. 應(yīng)用一般線性模型估算鮐、鲹大型燈光圍網(wǎng)漁業(yè)的捕撈效率[J]. 水產(chǎn)學報, 33(2): 220-228.

官文江, 陳新軍, 高峰, 等, 2014b. GLM模型和回歸樹模型在CPUE標準化中的比較分析[J]. 上海海洋大學學報, 23(1): 123-130.

胡貫宇, 方舟, 陳新軍, 2018. 東太平洋莖柔魚生活史研究進展[J]. 水產(chǎn)學報, 42(8): 1315-1328.

胡振明, 陳新軍, 2008. 秘魯外海莖柔魚漁場分布與表溫及表溫距平值關(guān)系的初步探討[J]. 海洋湖沼通報(4): 56-62.

蔡毅, 邢巖, 胡丹, 2008. 敏感性分析綜述[J]. 北京師范大學學報(自然科學版), 44(1): 9-16.

潘玉民, 趙立永, 張全柱, 2012. 瓦斯涌出量的混合pi-sigma模糊神經(jīng)網(wǎng)絡(luò)預(yù)測模型[J]. 計算機應(yīng)用, 32(4): 1045-1049.

戴小杰, 馬超, 田思泉, 2011. 印度洋中國大眼金槍魚延繩釣漁業(yè)CPUE標準化[J]. 上海海洋大學學報, 20(2): 275-283.

BENOIT-BIRD K J, GILLY W F, 2012. Coordinated nocturnal behavior of foraging jumbo squid[J]. Marine Ecology Progress Series, 455: 211-228.

BREIMAN L, 2001. Random forests [J]. Machine Learning, 45(1): 5-32.

CHANG S K, HOYLE S, LIU H I, 2011. Catch rate standardization for yellowfin tuna () in Taiwan’s distant-water longline fishery in the Western and Central Pacific Ocean, with consideration of target change [J]. Fisheries Research, 107(1/2/3): 210-220.

CHEN S, BILLINGS S A, GRANT P M, 1990. Non-linear system identification using neural networks [J]. International Journal of Control, 51(6): 1191-1214.

CHOLEWO T J, ZURADA J M, 1997. Sequential network construction for time series prediction [C] // Proceedings of International Conference on Neural Networks. Houston, TX, USA: IEEE: 2034-2038.

GARSON G D, 1991. Interpreting neural-network connection weights [J]. AI Expert, 6(4): 46-51.

GOU J P, ZHAN Y Z, RAO Y B,, 2014. Improved pseudo nearest neighbor classification [J]. Knowledge-Based Systems, 70: 361-375.

HARLEY S J, MYERS R A, DUNN A, 2001. Is catch-per-unit-effort proportional to abundance? [J]. Canadian Journal of Fisheries and Aquatic Sciences, 58(9): 1760-1772.

HILBORN R, WALTERS C J, 1992. Quantitative Fisheries Stock Assessment: Choice, Dynamics and Uncertainty [M]. New York: Chapman and Hall.

HINTON M G, NAKANO H, 1996. Standardizing catch and effort statistics using physiological, ecological, or behavioral constraints and environmental data, with an application to blue marlin () catch and effort data from Japanese longline fisheries in the Pacific [J]. Inter-American Tropical Tuna Commission Bulletin, 21: 171-200.

MAUNDER M N, 2001. A General Framework for integrating the Standardization of Catch Per Unit of Effort into Stock Assessment Models [J]. Canadian Journal of Fisheries and Aquatic Sciences. 58.10.1139/f01-029.

MAUNDER M N, HINTON M G, 2006. Estimating relative abundance from catch and effort data, using neural networks [R]. Inter-American Tropical Tuna Commission Special Report 15.

MAUNDER M N, PUNT A E, 2004. Standardizing catch and effort data: a review of recent approaches [J]. Fisheries Research, 70(2/3): 141-159.

NASH J E, SUTCLIFFE J V, 1970. River flow forecasting through conceptual models part I-A discussion of principles [J]. Journal of Hydrology, 10(3): 282-290.

NIGMATULLIN C M, NESIS K N, ARKHIPKIN A I, 2001. A review of the biology of the jumbo squid(Cephalopoda: Ommastrephidae) [J]. Fisheries Research, 54(1): 9-19.

OLDEN J D, JOY M K, DEATH R G, 2004. An accurate comparison of methods for quantifying variable importance in artificial neural networks using simulated data [J]. Ecological Modelling, 178(3/4): 389-397.

?ZESMI S L, ?ZESMI U, 1999. An artificial neural network approach to spatial habitat modelling with interspecific interaction [J]. Ecological Modelling, 116(1): 15-31.

ROBINSON C J, GóMEZ-GUTIéRREZ J, DE LEóN D A S, 2013. Jumbo squid () landings in the Gulf of California related to remotely sensed SST and concentrations of chlorophyll(1998-2012) [J]. Fisheries Research, 137: 97-103.

SALTHAUG A, AANES S, 2003. Catchability and the spatial distribution of fishing vessels [J]. Canadian Journal of Fisheries and Aquatic Sciences, 60(3): 259-268.

SCHWING F B, MOORE C S, RALSTON S,, 1999. Record coastal upwelling in the California Current in 1999 [R]. CalCOFI Rep, 41, 148-160.

TAFUR R, VILLEGAS P, RABI? M,, 2001. Dynamics of maturation, seasonality of reproduction and spawning grounds of the jumbo squid(Cephalopoda: Ommastrephidae) in Peruvian waters [J]. Fisheries Research, 54(1): 33-50.

TAIPE A, YAMASHIRO C, MARIATEGUI L,, 2001. Distribution and concentrations of jumbo flying squid () off the Peruvian coast between 1991 and 1999 [J]. Fisheries Research, 54(1): 21-32.

VENABLES W N, DICHMONT C M, 2004. GLMs, GAMs and GLMMs: an overview of theory for applications in fisheries research [J]. Fisheries Research, 70(2/3): 319-337.

WANG J T, CHEN X J, CHEN Y, 2018. Projecting distributions of Argentine shortfin squid () in the Southwest Atlantic using a complex integrated model [J]. Acta Oceanologica Sinica, 37(8): 31-37.

YE Y M, DENNIS D, 2009. How reliable are the abundance indices derived from commercial catch-effort standardization? [J]. Canadian Journal of Fisheries and Aquatic Sciences, 66(7): 1169-1178.

ZIEGLER P E, FRUSHER S D, JOHNSON C R, 2003. Space-time variation in catchability of southern rock lobsterin Tasmania explained by environmental, physiological and density-dependent processes [J]. Fisheries Research, 61(1/2/3): 107-123.

THE CPUE STANDARDIZATION OFIN THE SOUTHEASTERN PACIFIC OCEAN USING BP NEURAL NETWORK

LIN Hong-Yu1, WANG Jin-Tao1, 2, 3, 4, 5, CHEN Xin-Jun1, 2, 3, 4, 5

(1. College of Marine Sciences of Shanghai Ocean University, Shanghai 201306, China; 2. Key Laboratory of Oceanic Fisheries Exploration, Ministry of Agriculture and Rural Affairs, Shanghai 201306, China; 3. National Engineering Research Center for Oceanic Fisheries, Shanghai 201306, China; 4. Key Laboratory of Sustainable Exploitation of Oceanic Fisheries Resources, Ministry of Education, Shanghai 201306, China; 5. Scientific Observing and Experimental Station of Oceanic Fishery Resources, Ministry of Agriculture and Rural Affairs, Shanghai 201306, China)

is a short-lifespan economic fish, and the resources depends greatly on environmental factors. The production statistics of China’s squid fishing fleet in the southeastern Pacific Ocean from 2013 to 2017 were used to standardize the catch per unit effort (CPUE) in BP neural network (BACK Propagation Network) model in combination with marine environmental data (sea surface temperature (SST), sea surface salinity (SSS), chlorophyllconcentration). Based on MSE (mean square errors) and ARV (average relative variances), hidden layer nodes 3～10 from the neural network model were compared, from which the 6-9-1 structure was found the optimal model. The Garson algorithm was used to interpret the model results, and it was found that the order of importance of each input layer factor on the abundance ofwas chl, SST, longitude, SSS, latitude, and the month. Results show that the distributions of CPUE and standardized CPUE are largely the same. The areas of 80°～85°W and 10°～20°S are suitable for squid fishing operation. Therefore, the BP neural network model can be applied for the CPUE standardization of, and provide a reference for squid fishing operation.

BP neural network;in the southeast Pacific Ocean; resource abundance; environmental factors

S931; S932

10.11693/hyhz20211200343

*國家自然科學基金項目, NSFC41876141號。林泓羽, 碩士研究生, E-mail: m210200683@st.shou.edu.cn

汪金濤, E-mail: jtwang@shou.edu.cn

2021-12-24,

2022-02-18