舟山渔场及其附近海域渔场渔情分析预测

胡莉烨++潘洪军++毕振波++刘亚飞

摘 要：本文选用栖息地适应性指数模型为预测模型对舟山渔场及其附近海域渔场渔情进行分析。利用Arcgis软件工具，根据小渔区形式对海表温度（SST）和叶绿素a浓度（CHL-a）数据进行分区统计提取处理，形成具有相同空间尺度的渔获量、海表温度和叶绿素a浓度的网格数据，从而建立综合栖息地指数模型，最终将预测结果与实际作业区域作叠加分析。本预测方法具有计算量小、可靠性强的特点，对合理捕捞作业具有一定的指导作用。

关键词：渔场分析预测；海表温度；叶绿素浓度；栖息地指数模型

中图分类号：S931.4 文献标识码：A 文章编号：1006—7973（2016）12-0047-02

在相当长的历史时期内，主要的捕捞方式是天然捕捞作业，这种捕捞方式存在着很大的盲目性、随机性。50年代后，我国海洋渔业得到了重视并且迅速发展，但也付出了沉重的代价，由于不加限制大量捕捞，我国许多海洋经济鱼类资源严重衰退。因此，国家也日益重视渔业的健康稳健发展和渔业资源及环境的监测、养护与管理，大力支持渔业资源调查和监测。对海洋渔业资源实施科学、有效、持续的管理和开发具有非常重要的意义。

近年来，随着人工智能理论和技术的发展，许多学者开始采用机器学习及人工智能等方法进行渔场渔情的分析预报研究。人工智能的方法众多，现今在渔情分析预报中应用最多的是专家系统、人工神经网络、范例推理等方法，本文使用的即是专家系统中的栖息地指数模型。

1 渔场资源具体评估预测实现

渔场预报是渔场学研究的重点。本文以23°-42°N，117°-132°E的舟山渔场及其邻近海域作为研究区域，数据时间段包括2014年7月至2015年1月以及2015年7月至2016年1月。其中将2014年7-9月和2015年7-9月的统计数据用于建立渔场综合栖息地指数模型，并对2015年8月的海洋环境因子数据利用建立的综合栖息地指数模型进行计算和中心渔场的预测分析。其中本文选用海表温度和海表叶绿素a浓度作为渔场分析预测的海洋环境影响因子。

在ArcMap软件下对各月按海表温度和叶绿素a数据进行渔获量统计，然后对2014年7-9月份和2015年7-9月份总的渔获量统计数据按海表温度和叶绿素a进行等间距统计得出：捕捞渔获量较大的区域主要集中在29.5℃左右的高温海域，只有很少一部分渔获量出现在低于28.5℃和高于30.5℃的海域，总体呈正态分布趋势；渔获量高的海域为叶绿素a浓度在0.4mg/m3左右的海域，在叶绿素a低于或高于0.4mg/m3的海域渔获量迅速减少，在葉绿素a大于1.6 mg/m3的海域几乎没有渔获，总体趋于偏正态分布，所以由上可知渔获量最高时为29.5℃左右的高温海域和叶绿素a浓度在0.4mg/m3左右的海域。

2 栖息地指数模型分析

本文采用栖息地指数模型对舟山渔场及其附近海域渔场渔情资源和中心渔场分布进行分析，栖息地适应性指数模型是目前用来评价生物栖息地环境经典的量化指标。以生物主动选择环境因子较适宜的区域作为栖息地和环境因子数据与生物数量存在线性的或正态分布等关系为假设条件，已经被成熟应用于海洋渔业中。本研究将海表温度数据和叶绿素a浓度数据作为渔场栖息地指数模型的输入变量。利用Arcgis软件工具，根据小渔区的渔网格（时空尺度为10′×10′）对海表温度和叶绿素a浓度数据进行分区统计提取处理，分别取网格内海表温度和叶绿素a浓度数据的平均值，形成具有相同空间尺度的渔获量、海表温度和叶绿素a浓度的网格数据，再将网格区域内包含的渔业捕捞渔获量数据作为适宜指标，分别建立海表温度和叶绿素a浓度的单因子适宜性模型，计算方法如式（1）。然后利用Matlab软件的cftool工具对基于渔获量的海表温度和叶绿素a浓度数据做1阶高斯正态分布模型拟合，并计算出拟合方程。

式（1）中，表示基于渔获量的适宜性值，表示网格内的捕捞渔获量，表示最大捕捞渔获量。

根据2014年7-9月份和2015年7-9月份的空间尺度同化数据，利用正态分布模型分别对基于捕捞渔获量建立的海表温度和叶绿素a浓度的单因子适宜性指数模型进行拟合。式（2）为海表温度的单因子适宜性指数模型拟合方程，其均方根标准差为0.05709，确定系数为0.9804；式（3）为叶绿素a浓度的单因子适宜性指数模型拟合方程，其均方根标准差为0.07605，确定系数为0.9189。标准差（RMSE）越接近于0说明模型拟合的偏差越小，数据预测也越成功，确定系数（R^2）的正常取值范围为[0，1]，越接近1，表明这个模型对数据拟合的效果也更好。根据计算拟合结果的方程，可见，两个单因子适宜性模型均具有较好的拟合度，但误差仍然存在，且叶绿素a浓度与渔获量的耦合关系略弱于海表温度。

根据根据综合栖息地指数模型式（4）计算综合栖息地指数。根据前人的研究结果将HSI从0至1均分为5个区间，各区间别为不适宜（0.0-0.2）、一般适宜（0.2-0.4）、中等适宜（0.4-0.6）、较适宜（0.6-0.8）和最适宜（0.8-1.0），通过计算的HSI结果统计各区间段内的渔获量占比，表（1）所示分别为6个月份各HSI区间内的渔获量占比。

从表中可以看出，2014年7-9月份渔获量较大的HSI值区间为0.6-0.8，而2015年7-9月份较大渔获量对应的HSI值区间为0.4-0.6。根据拟合的海表温度和叶绿素a浓度的单因子适宜性指数模型，对2015年8月的海表温度和叶绿素a浓度数据分别计算单因子适宜值，根据综合栖息地指数模型，式（4），式中海表温度表示分区统计所得的海表温度数值，叶绿素a浓度表示分区统计所得的叶绿素a浓度数值，分别赋予海表温度和叶绿素a浓度单因子模型权重为0.5，计算综合栖息地指数（HSI）。

将公式导入到速预报系统中，设定HSI>0.6的区域为中心渔场，对2015年8月的数据进行中心渔场的预测预报，结果如图1所示。图中三角形为实际作业区，圆形为预测结果，预测结果与实际作业区域叠加分析，部分区域有重合，总体位置趋势相似，因此将对中心渔场预测结果进行再分析对实际作业具有一定指导意义。

3 总结

本研究利用海洋信息技术和遥感技术结合近海渔业捕捞数据建立了一种适合于分析预测近海海洋渔业资源的方法模型，将对舟山新区渔业资源开发利用起到一定的辅助性作用。但是海洋环境因子不同于陆地，海洋面积广大且一直处于运动状态，海洋水文状态容易受气候、风场等众多因素的影响且不同鱼类对不同生态环境情况做出的响应不尽相同，本研究仅选取海表温度和叶绿素a作为分析渔情分布特征的变量因子，通过对建立的综合栖息地指数模型的预测结果的分析，结果表明该渔场综合栖息地指数模型的误差仍然存在，预测准确度有待提高。所以下一步研究中着重分析不同海洋环境因子对渔情分布特征的影响，利用适宜的计算方法确定不同环境因子的权重系数，或将使渔场综合栖息地指数模型更加准确完善。

参考文献：

[1] 曹威，邹逸江. 基于“3S”技术的渔场渔情信息预报系统初步框架研究[J]. 黑龙江工程学院学报，2008，22（2）： 26-31

[2] 纪世建，周为峰，程田飞等. 南海外海渔场渔情分析预报的探讨[J]. 渔业信息与战略，2015，30（2）： 98-105

[3] 樊伟，崔雪森，沈新强. 渔场渔情分析预报的研究及进展[J]. 水产学报，2005，29（5）： 706-710

[4] 陈新军，渔业资源与渔场学[M]. 北京：海洋出版社，2004： 86-215

[5]于杰，李永振. 海洋渔业遥感技术及其渔场渔情应用进展[J]. 南方水产，2007，3（2）： 62-68

[6]潘刚，段舜山. 基于遥感技术的海岸带资源环境管理[J]. 遥感技术与应用，2009（02）