白思琦， 邹晓荣，2*， 丁鹏， 林铭
（1.上海海洋大学海洋科学学院，上海201306；
2.国家远洋渔业工程技术研究中心，大洋渔业资源可持续开发教育部重点实验室，农业农村部大洋渔业开发重点实验室，农业农村部大洋渔业资源环境科学观测实验站，上海 201306）
智利竹筴鱼（Trachurus murphyi）是高度洄游的中上层海洋经济鱼种[1-2]，具有较高商业价值，主要分布在智利、厄瓜多尔、秘鲁等沿海国水域以及智利专属经济区向西延伸的外海海区[2-3]。自20世纪70年代以来，其产量多年位居世界单一鱼种前列，在一些远洋渔业国家和相关沿海国家的捕捞量中占有较大比重[4-7]。1995年产量达到最高峰，为4.96×106t[8]。进入21世纪后，智利竹筴鱼资源量受到气候的长期波动和人类活动的影响，出现较大震荡，渔场出现明显变动[7]。
已有学者针对海洋环境变化对智利竹筴鱼资源的影响进行了研究。杨香帅等[8]采用灰色关联度分析方法、Li 等[9]通过不同权重的栖息地适应性指数模型、Laura 等[10]通过神经网络模型、汪金涛等[11]和陈春光[12]通过主成分和BP 神经网络方法、晋伟红[13]通过偏最小二乘法计算模型等以及杨嘉樑等[14]根据海面温度、叶绿素a 浓度、海面高度对智利竹筴鱼海洋环境因子与中心渔场变动及资源的关系进行了研究。但根据多环境因子预测智利竹筴鱼产量的研究鲜少报道。李纲等[15]、郑晓琼等[16]与徐香香等[17]通过建立基于环境因子的剩余产量模型（surplus production model）预测鱼种资源量。剩余产量模型对数据要求不高且简单实用，在渔业中应用广泛，但传统的剩余产量模型无法将环境因子应用于渔业资源的预测。本研究根据渔捞日志数据，基于海洋环境因子的剩余产量（environmentally dependent surplus production，EDSP）模型，将海面温度（sea surface temperature，SST）、叶绿素 a 浓度（chlorophyll a concentration，Chl-a）、海面温度异常值（sea surface temperature anomaly，SSTA）和海面高度异常值（sea surface height anomaly，SSHA）4 种环境变量引入模型中，通过环境因子不同的组合方式对智利竹筴鱼渔业资源丰度进行动态研究和预测，探索环境变化对智利竹筴鱼资源丰度产生的影响，为智利竹筴鱼的合理捕捞提供参考和帮助。
1.1 数据来源
智利竹筴鱼捕捞数据来源于中国远洋渔业协会大型加工拖网项目技术组提供的渔捞日志，捕捞数据包括作业时间、起放网时间、作业位置以及渔获量等。作业区域为19°—46°S、73°—92°W，时间范围选择为2012—2018年4—8月，空间分辨率为0.5°×0.5°。
环境数据SST、Chl-a、SSTA、SSHA 均来源于美 国 国 家 大 气 局（National Oceanic and Atmospheric Administration，NOAA）Oceanwatch 网站（www.oceanwatch.pifsc.noaa.gov），时间范围为2012—2018年 4—8月，空间分辨率为 0.125°×0.125°，时间分辨率为周。
1.2 数据处理及分析
1.2.1 单位捕捞努力量渔获量计算 单位捕捞努力量渔获量（catch per unit effort，CPUE）是指在一定时间内，某渔场平均每个单位捕捞努力量所能获得的渔获量，是用于表示智利竹筴鱼资源丰度的主要指标，其计算公式[7]如下。
式中，Ci表示从第i天的累计捕捞量（t）；
Ti表示从第i天的捕捞时间（h）；
YCPUE为单位捕捞努力量渔获量（t·h-1）。
1.2.2 CPUE 标准化 CPUE 标准化是渔业资源评估必需的指标[18]，目前我国渔业CPUE 标准化应用最为广泛的模型为广义加性模型（generalized additive model，GAM）[19-21]，本文使用该模型对智利竹筴鱼CPUE 进行标准化，以去除相关因子对智利竹筴鱼CPUE 的影响。将SST、Chl-a、SSTA 和SSHA 4个环境因子和经纬度作为解释变量加入到GAM 模型中，并对其进行分析，GAM模型表达式[22]如下。
式中，ε为误差项。在用R 软件处理时，为避免CPUE 出现零值报错，故将所有CPUE 结果加1后再处理。
1.2.3 关键因子选取 利用SPSS 23软件对2012—2018年智利竹筴鱼渔场范围内分辨率0.5°×0.5°的SST、Chl-a、SSTA 和 SSHA 环境数据和标准化后的CPUE 序列值进行皮尔逊相关性分析，得出与CPUE 相关性最高的环境因子，将CPUE 残差与该环境因子数据进行线性回归分析，选出关联度最高的海域，并将该海域环境数据作为表征影响智利竹筴鱼资源丰度的指标，建立EDSP模型。
1.2.4 基于环境因子的剩余产量模型 传统的剩余产量模型一般用于资源评估[23]，将环境因子引入剩余产量模型中建立EDSP 模型可以用于研究环境变化对渔业资源的影响，可以有效地促进渔业资源科学研究及合理利用。
本文建立5种EDSP模型，环境因子分配如下：①只考虑SST对智利竹筴鱼资源量的影响；
②同时考虑SST 和Chl-a 对智利竹筴鱼资源量的影响；
③同时考虑SST、Chl-a和SSHA对智利竹筴鱼资源量的影响；
④同时考虑SST、Chl-a 和SSTA 对智利竹筴鱼资源量的影响；
⑤同时考虑SST、Chl-a、SSTA和SSHA对智利竹筴鱼资源量的影响。一般剩余产量模型计算公式[15]如下。
式中，Cn为第n月的渔获量；
En为第n月的标准捕捞努力量；
Un为第n月的标准 CPUE；
a、b 为参数。
假设智利竹筴鱼渔获量的实际测量值C和预测估计值c的差为标准捕捞努力量的比值，即CPUE 的月间变化ΔUn是由环境变化造成的，可建立如下方程。
式中，G(Fn)为第n月由关键环境因子导致的CPUE波动；
φ为常数。
根据公式（3）～（5）得到环境因子与智利竹筴鱼渔获量的关系模型如下。
式中，Δun为ΔUn的预测值。
1.2.5 模型拟合度评价 对EDSP 模型误差项进行显著性检验，常用的方法为赤池信息准则(akaike information criterion，AIC)检验[24]、蒙特卡罗检验[25]和F检验[26-27]等。本文选取 AIC 检验，该方法多用于比较不同模型的显著性，当2个模型AIC值相差超过3 时，较低AIC 值的模型拟合效果更好，表达式如下。
式中，n为样本数；
RSS 为残差平方和；
P为模型中参数个数。
本文使用平均绝对误差（mean absolute error，MAE）和平均相对误差（mean relative error，MRE）对建立的模型预测结果精度进行评价[17]，误差越小则模型预测精度越高。
式中，n为样本数；
ca为实际渔获量，ce为预测渔获量。
1.3 数据统计分析
本文采用SPSS 23 软件对数据进行统计分析，使用Excel软件进行图表的绘制。
2.1 相关性分析及关键因子的选取
对2012—2018年智利竹筴鱼渔场范围内分辨率0.5°×0.5°的SST、Chl-a、SSTA 和 SSHA 环境数据和CPUE 序列值进行相关性分析，SST、Chl-a、SSTA 与 CPUE 的相关系数分别为 0.035、0.049、0.041，相关性显著（P＜0.05），环境因子SSHA 与CPUE 的相关性（0.055）较弱，其中相关性最高的环境因子为SST，将该环境数据与CPUE 残差做回归分析，得到关联度最高的海域为40.5°S、79.0°W（表1），因此本研究将40.5°—41.0°S、79.0—79.5°W 海域作为表征影响智利竹筴鱼资源丰度的指标。
表1 CPUE残差回归分析Table 1 Regression of the residual of CPUE
2.2 智利竹筴鱼一般剩余产量模型
对智利竹筴鱼2012—2018年渔获量以及标准化CPUE 数据进行线性回归分析（图1），得到剩余产量模型参数a 和b，数值分别为1.3083 39 和0.000 13，根据式（3）（4），可得智利竹筴鱼一般剩余产量模型的表达式如下。
图1 智利竹筴鱼CPUE与渔获量的关系Fig.1 Relationship between the catch per unit effort of Chilean jack mackerel and catch
2.3 基于环境因子的智利竹筴鱼剩余产量模型分析
2.3.1 基于SST的智利竹筴鱼剩余产量模型 SST对于CPUE的影响最为显著，选取SST为关键环境因子建立剩余产量模型EDSP1 模型。标准CPUE残差与各月海域40.5—41.0 °S、79.0—79.5 °W位置对应的SST 的拟合曲线如图2 所示。回归分析表明，智利竹筴鱼标准CPUE残差与各月海域位置对应的SST呈线性关系，根据式（5）可得式（11）。
图2 智利竹筴鱼CPUE残差与40.5°S、79.0°W海域SST的拟合曲线Fig.2 Fitted quadratic curve of residual of CPUE of Chilean jack mackerel against monthly SST at 40.5°S，79.0°W
当 ΔUn=0、Tn=14.35 ℃，由图2 可知，当对应月份海域40.5—41.0°S、79.0—79.5°W 位置的 SST低于14.35 ℃，智利竹筴鱼标准CPUE 残差小于0；
当对应月份SST 高于14.35 ℃，智利竹筴鱼标准CPUE 残差大于0，最适SST 为14～16 ℃。根据式（6）可得基于SST 的剩余产量模型EDSP1 的最终表达式。
2.3.2 基于SST、Chl-a 的智利竹筴鱼剩余产量模型 显著性分析结果表明，环境因子Chl-a对于智利竹筴鱼CPUE 产生一定影响，故关键环境因子加入Chl-a，建立SST 和Chl-a 的剩余产量模型EDSP2。智利竹筴鱼标准CPUE 残差与各月海域40.5°S、79.0°W 位置对应的 SST 和 Chl-a 进行回归分析。
根据式（6）可得基于SST 和Chl-a 的剩余产量模型EDSP2的最终表达式。
2.3.3 基于SST、Chl-a 和SSHA 的智利竹筴鱼剩余产量模型 SSHA 对于智利竹筴鱼CPUE 产生的影响小于Chl-a，故在第3个剩余产量模型中加入关键环境因子SSHA，建立SST、Chl-a 和SSHA的剩余产量模型EDSP3。智利竹筴鱼标准CPUE残差与各月海域40.5°S、79.0°W 位置对应的SST、Chl-a和SSHA进行回归分析。
根据式（6）可得基于SST、Chl-a 和SSHA 的剩余产量模型EDSP3的最终表达式。
2.3.4 基于SST、Chl-a和SSTA的智利竹筴鱼剩余产量模型 显著性分析结果表明环境因子SSTA对于智利竹筴鱼CPUE 产生的影响小于Chl-a，故在第4个剩余产量模型中加入关键环境因子SSTA，建立 SST、Chl-a 和 SSTA 的剩余产量模型EDSP4。智利竹筴鱼标准CPUE 残差与各月海域40.5—41.0°S、79.0—79.5°W 位置对应的SST、Chla和SSTA进行回归分析.
根据式（6）可得基于SST、Chl-a 和SSTA 的剩余产量模型EDSP4的最终表达式。
2.3.5 基于环境因子 SST、Chl-a、SSTA 和 SSHA 的智利竹筴鱼剩余产量模型 将4个环境因子均加入剩余产量模型中，建立SST、Chl-a、SSTA和SSHA的剩余产量模型EDSP5。智利竹筴鱼标准CPUE残差与各月海域 40.5—41.0 °S、79.0—79.5 °W 位置 对 应的 SST、Chl-a、SSTA 和 SSHA 进 行 回归分析。
根据式（6）可得基于 SST、Chl-a、SSTA 和SSHA的剩余产量模型EDSP5的最终表达式。
2.3.6 智利竹筴鱼EDSP 模型预测结果分析 由模型EDSP1、EDSP2、EDSP3、EDSP4、EDSP5 得出预测的智利竹筴鱼渔获量与实际渔获量（图3），可以看出，基于环境因子 SST、Chl-a、SSTA 和SSHA 的智利竹筴鱼EDSP5 模型对于渔获量的预测值与实际值最为接近。
图3 2012—2018年4—8月智利竹筴鱼渔业实际渔获量与不同模型预测渔获量Fig.3 Actual and predicted catches of Chilean jack mackerel by different model from April to August，2012 to 2018
2.3.7 EDSP 模型拟合结果评价 对5个模型所预测的2012—2018年4—8月渔获量结果使用AIC 值进行检验，AIC 值越小表明拟合效果越优，MAE、MRE 越小表明对渔获量的预测越准确。从表2 可以看出，这5个模型AIC 值均较小，表明5个模型均可对渔获量进行较为精确的预测，但剩余产量模型 EDSP5 的 AIC、MAE、MRE 值均最小，分别为51.79、0.86、25.60，表明该模型的拟合度最好且预测精度最高，为最优EDSP 模型，其次为EDSP4，EDSP1 的拟合度相对较差。EDSP4、EDSP5 模型结果拟合程度相差结果很小，且对渔获量的预测情况差异不大，考虑到建立模型时的方便性与简洁性，可以选择环境因子SST、Chl-a、SSTA来建立智利竹筴鱼资源预测模型。
表2 模型拟合结果Table 2 Summary results of model
本研究利用GAM 模型对东南太平洋智利竹筴鱼CPUE 进行标准化时，不仅考虑空间因素对智利竹筴鱼CPUE 的影响，也将环境因子加入解释变量中，去除空间和环境双重因素对智利竹筴鱼CPUE的影响，以便更好地构建EDSP模型。
从预测结果最优剩余产量模型EDSP5 模型的表达式可看出，决定智利竹筴鱼渔获量的主要因素除 CPUE 量外，SST、Chl-a、SSTA、SSHA 也应考虑其中，SST 是导致智利竹筴鱼资源变动的重要海洋环境因子[3-4]。当对应月份海域40.5—41.0 °S、79.0—79.5 °W位置的SST低于14 ℃时，智利竹筴鱼CPUE 残差小于0；
当对应月份SST 在14～16 ℃，智利竹筴鱼CPUE 残差大于0，由此可见，当海面温度在14～16 ℃时，海水温度适宜，该环境更适合智利竹筴鱼的生长，智利竹筴鱼资源量会有所增加，在相同捕捞努力量情况下，渔获量会增加；
相反，环境温度不适宜时资源量下降，渔获量减少。该结果也与牛明香等[4]的研究结果一致。SST 对智利竹筴鱼CPUE 的影响可直接反映到其资源丰度上，进而导致智利竹筴鱼渔获量的改变。研究结果表明用对应月份40.5—41.0 °S、79.0—79.5 °W 海域环境因子作为表征智利竹筴鱼渔场的环境情况是可行的，且使用海表面环境因子数据可以对智利竹筴鱼渔获量进行研究。
DSP 模型在加入海面温度数据后，假定捕捞努力量值为常数，智利竹筴鱼CPUE与SST存在线性关系；
在加入环境因子SST 和Chl-a 影响后，发现2 种环境因子对智利竹筴鱼CPUE 的影响比只考虑海面温度时的影响大，对智利竹筴鱼渔获量的预测结果也比EDSP2 模型中的平均绝对误差和相对误差小；
EDSP5 模型将4个环境因子均加入其中，结果表明其为预测效果最佳的模型。
智利竹筴鱼为中上层海洋鱼类，资源容易随着环境和气候变化而发生变化[28]。本研究表明，SST、Chl-a、SSTA、SSHA对智利竹筴鱼资源产生了一定的影响，导致CPUE 的波动。SST是导致智利竹筴鱼CPUE 产生月间波动的最重要环境因子，其次为SSTA、Chl-a，SSHA 则影响相对较小，且随着有效环境因子加入得越多，对于渔获量的分析和预测就愈加准确和全面，但从EDSP4 与EDSP5模型的结果对比来看，拟合程度相似，平均相对误差和平均绝对误差相差较小，对渔获量的预测情况差异不大，考虑到模型的简洁性及有效性，建立模型时可舍弃海面高度异常值这一环境因子。
21 世纪初，由于环境变化和人为捕捞导致资源骤减，为了加强渔业资源的有效管理，澳大利亚、中国、智利、俄罗斯等国家于2006年共同发起筹建南太平洋区域渔业管理组织计划，经过多方面的交流沟通在2012年实施《南太平洋公海渔业资源养护和管理公约》，限制各国的捕捞水平，旨在恢复智利竹筴鱼资源量。在时间年际变化趋势上，2014—2018年智利竹筴鱼资源量相比较2012—2013年资源量有所增加，说明南太平洋区域渔业管理组织总捕捞许可量管理制度初见成效。近几年，东南太平洋智利竹筴鱼资源一直处于恢复时期，因此对于智利竹筴鱼渔场及资源的研究就尤为重要，本文为未来渔业管理的开发利用提供参考依据，如采取更为科学严格的管理措施，制定相应合理的捕捞力度。
剩余产量模型由于对数据要求不高且简单实用等优势在渔业中应用广泛，近几年来智利竹筴鱼受到环境变化和人为捕捞影响而产量较低，智利竹筴鱼的数据量可以满足该模型的要求。相比较于传统的剩余产量模型，本文选取了SST、Chl-a、SSTA、SSHA 4个环境因子，将这些环境因子加入了所建立的剩余产量模型中，动态研究和预测基于环境变化下智利竹筴鱼渔获量的变化。与李纲等[15]、郑晓琼等[16]、易炜等[29]、杨嘉樑等[30]构建的剩余产量模型相比，本文考虑了多个海洋环境因子对资源量的影响，建立基于不同海洋环境因子的智利竹筴鱼的剩余产量模型，更准确地对智利竹筴鱼渔获量进行预测。
本文只考虑了空间因素和部分环境因素与智利竹筴鱼渔获量的关系，在一定程度上会影响预测结果；
CPUE 只能间接地反映智利竹筴鱼资源丰度的变化，本文直接采用CPUE 代表资源丰度可能会使结果出现误差；
本文仅采用4个环境因子建立模型，但是对于智利竹筴鱼资源量的影响是多方面的，今后的研究也可以加入更多影响渔场资源变动的因子例如溶解氧、海水盐度等，以便更好、更全面地进行智利竹筴鱼资源丰度的研究，为今后的智利竹筴鱼资源的开发提供一定的理论参考。