《海洋生物資源評(píng)估》課件09第九章_資源預(yù)報(bào)

1、第一節(jié) 資源量估算 第二節(jié) 漁獲量預(yù)報(bào) 第三節(jié) 相關(guān)研究進(jìn)展第九章 漁業(yè)資源的估算和預(yù)報(bào)第一節(jié) 資源量的估算 資源量是種群(或群體)資源量，指的是種群的可捕部分，用尾數(shù)或重量表示，包括補(bǔ)充部分和剩余部分，不包括補(bǔ)充以前的數(shù)量，又稱經(jīng)濟(jì)資源、漁獲資源、可捕資源。資源量的估算方法大致可分為兩類：根據(jù)漁業(yè)統(tǒng)計(jì)資料概算，統(tǒng)計(jì)、數(shù)理方法（VPA）根據(jù)調(diào)查資料概算，試捕調(diào)查、魚卵仔魚調(diào)查、聲學(xué)儀器調(diào)查、標(biāo)志放流調(diào)查、初級(jí)生產(chǎn)力調(diào)查 一、根據(jù)掃海面積法估算資源量拖網(wǎng)掃海面積圖示。 適用于底層魚類，有兩個(gè)必要條件(1)被調(diào)查海區(qū)應(yīng)包括資源群體分布的整個(gè)范圍；(2)已知拖網(wǎng)經(jīng)過通道內(nèi)每一網(wǎng)次捕獲的比例回避，移動(dòng)

2、。每網(wǎng)的掃海面積:a : 每網(wǎng)掃海面積; D: 每網(wǎng)拖曳的距離; h:上綱的長(zhǎng)度;x2: 上綱長(zhǎng)度的一個(gè)比率值;hx2: 通道寬度;x2=0.5 （0.4-0.66）若能取得開始、結(jié)束時(shí)的位置：Lat1, Lat2 ：拖曳開始、結(jié)束時(shí)的緯度Lon1, Lon2 ：拖曳開始、結(jié)束時(shí)的經(jīng)度 (Lon1,Lat1)(Lon2,Lat2)c2= a2+ b2若不能取得經(jīng)、緯度值，則可vs：船速（節(jié)=海里/小時(shí)）cs ：流速（節(jié)）dirv ：漁船的航向（度）dirc ：流向（度） 總資源量 ：Cw：拖曳一網(wǎng)的漁獲量 ； A ：漁場(chǎng)總面積；x1：實(shí)際漁獲比率。影響因素：x1 (0.5,1)拖曳時(shí)間資源分布

3、不均二、根據(jù)魚卵、仔魚數(shù)量估計(jì)資源量。估算未來的種群補(bǔ)充量。估算親魚的資源量。 采集方法：沉性卵 潛水員或使用耙具。浮性卵 浮游生物網(wǎng)該海區(qū)生殖群體數(shù)量： P：海區(qū)卵子總量。 H：雌魚平均懷卵量。 R :生殖群體中雌魚比例。 其中 p：每網(wǎng)撈到的魚卵數(shù)。 a ：每網(wǎng)捕撈的范圍。 A：調(diào)查海區(qū)的范圍。 缺點(diǎn)：網(wǎng)對(duì)魚卵的捕撈率未知，不易精確計(jì)算 N 值。三、標(biāo)志放流法。 條件：（1）標(biāo)志魚和未標(biāo)志的魚的死亡率相等； （2）標(biāo)志魚不脫掉標(biāo)志牌； （3）標(biāo)志魚和原來的魚群充分混合； （4）標(biāo)志魚和未標(biāo)志魚的捕獲率相同； （5）可以忽略調(diào)查期間的補(bǔ)充量； （6）重捕全被發(fā)現(xiàn)并均有回收?qǐng)?bào)告。 則四、根據(jù)累

4、計(jì)漁獲量、累計(jì)捕撈努力量和捕撈死亡系數(shù)估算資源量。1、用累積漁獲量估算資源量（Leslie法）。（不計(jì)自然死亡）即 t 期間的CPUE等于 q 乘該期間的平均資源尾數(shù)。Kt ：到 （t -1） 時(shí)期之間的總累計(jì)漁獲量，則：即再進(jìn)行回歸計(jì)算。2、用累計(jì)捕撈努力量估算資源量（Delury法）。 設(shè)自然死亡不計(jì)，則 設(shè)則：用回歸法計(jì)算參數(shù)值。3、根據(jù)捕撈死亡系數(shù)估算資源量（Sekharan，1974） ：年平均資源量。巴拉諾夫的漁獲量方程五、根據(jù)初級(jí)生產(chǎn)力估算資源量的方法。 P0：初級(jí)生產(chǎn)力； E：生態(tài)效率=捕食者B/被捕食者B；（10-20%） n：營(yíng)養(yǎng)階層轉(zhuǎn)換級(jí)數(shù)。（金槍魚4級(jí)） 主要是根據(jù)生物

5、生產(chǎn)、能量流動(dòng)生態(tài)系統(tǒng)兩大功能。碳干有機(jī)物濕綠色有機(jī)物優(yōu)點(diǎn)：計(jì)算簡(jiǎn)單；缺點(diǎn)：誤差大，原因：（）初級(jí)生產(chǎn)力推算數(shù)據(jù)，（）準(zhǔn)確估計(jì)生態(tài)效率，（）捕撈對(duì)象的營(yíng)養(yǎng)層次估計(jì)不同，（）從潛在的資源量中漁獲多少？六、用水聲學(xué)法估計(jì)資源量。 根據(jù)調(diào)查海區(qū)的大小，確定探魚儀探察和拖網(wǎng)試捕的站位，按魚群映像和試捕結(jié)果畫出這種魚群的分布范圍。（2）魚群密度：1）聲學(xué)法：適用于中上層和底層有鰾魚類。2）攝影測(cè)量法：聲、電和生物三者結(jié)合。3）目測(cè)法：個(gè)人經(jīng)驗(yàn)重要。（3）回聲積分儀的原理與方法密度求積資源量迅速，直接，準(zhǔn)確。第二節(jié) 漁獲量預(yù)報(bào)資源量估算是漁獲量預(yù)報(bào)的基礎(chǔ),但二者不相同. 漁獲量: 趨勢(shì)預(yù)報(bào):“豐收”,“良

6、好”,“一般”,“較差”數(shù)量預(yù)報(bào):該年份，漁汛；該漁業(yè)，魚種 時(shí)間上 ：長(zhǎng)期預(yù)報(bào):一年或幾年(依據(jù)漁業(yè)生物學(xué)、環(huán)境因子、漁業(yè)統(tǒng)計(jì))短期預(yù)報(bào):漁汛(漁獲量、時(shí)間長(zhǎng)短、早遲、中心漁場(chǎng))一、漁獲量預(yù)報(bào)方法（1）統(tǒng)計(jì)分析法：根據(jù)歷年的生產(chǎn)統(tǒng)計(jì)資料進(jìn)行預(yù)報(bào)的方法。假設(shè)漁業(yè)穩(wěn)定，資源具周期性波動(dòng)特點(diǎn)。（2）相關(guān)分析法：根據(jù)自然環(huán)境因子獲漁業(yè)統(tǒng)計(jì)資料作為相關(guān)性預(yù)報(bào)指標(biāo)，對(duì)照歷年的相對(duì)應(yīng)漁獲量統(tǒng)計(jì)作相關(guān)分析，并建立預(yù)報(bào)性的回歸方程（預(yù)報(bào)模型）。（灰色模式） 例：吳敬南和程傳申（1959），遼東灣毛蝦； 韋晟和周彬彬（1988），黃海藍(lán)點(diǎn)馬鮫； 葉昌臣，黃斌等（1990），渤海秋汛對(duì)蝦。（3）資源分析法 根據(jù)資

7、源本身的變化來預(yù)報(bào)漁獲量。 劉傳楨（1981）：用每網(wǎng)小時(shí)幼蝦數(shù)量掌握世代強(qiáng)度，來預(yù)報(bào)秋汛對(duì)蝦產(chǎn)量。（4）世代分析法（第十一章具體介紹）（5）綜合分析法：主要以資源分析為基礎(chǔ)，參照統(tǒng)計(jì)分析法和相關(guān)分析法進(jìn)行綜合分析預(yù)報(bào)。二、相關(guān)分析法1、步驟 （1）選擇與資源量或漁獲量密切相關(guān)的因子作為相關(guān)性預(yù)報(bào)指標(biāo) （2）尋找相關(guān)性指標(biāo)變化與資源量或漁獲量變動(dòng)之間的相關(guān)關(guān)系 （3）建立預(yù)報(bào)模型 （4）作出預(yù)報(bào) 2、相關(guān)因子自然因子漁業(yè)統(tǒng)計(jì)資料或試捕資料 （1）自然因子：降雨量、水溫、徑流量等環(huán)境因子影響魚類餌料的豐欠，魚類的成活和生長(zhǎng)。例如：“雨水好，隔年蝦豐產(chǎn)” （2）漁業(yè)統(tǒng)計(jì)資料或試捕資料，經(jīng)過適當(dāng)處理

8、，取得相對(duì)資源量 指標(biāo)： 即CPUE與平均資源量成正比在實(shí)際應(yīng)用中，通常進(jìn)行年間比較，來預(yù)報(bào)資源量和漁獲量。 3、挑選預(yù)報(bào)因子的方法（1）圖示法：適用于單因子樣本資料 直線 曲線（2）計(jì)算相關(guān)系數(shù)，進(jìn)行顯著檢驗(yàn)。.當(dāng)有多個(gè)預(yù)報(bào)因子時(shí)，用多元線性回歸法或多元非線性回歸法或指數(shù)曲線方程：冪函數(shù)方程：實(shí)例 渤海秋汛對(duì)蝦漁獲量預(yù)報(bào)（葉昌臣，1990）一、一元回歸法圖10-5，幼對(duì)蝦試捕站位圖 從1965年開始，黃海所、山東省所、遼寧所、河北所、天津所，每年8月，對(duì)蝦試捕。用逐步逼近法，得出三個(gè)灣的加權(quán)系數(shù)分別為0.425, 0.400, 0.175總資源量漁獲量 回歸,(1965-1973)1974年

9、,加入灤河口( x4) 多元回歸:(1974-1982)先分別作 x1 (渤海灣)、 x2 (萊州灣)、 x3 (遼東灣)和 x4 (灤河口) 對(duì)秋汛渤海對(duì)蝦產(chǎn)量( y )的一元回歸分析. 秋汛渤海對(duì)蝦漁獲量中有99%以上被四個(gè)灣的相對(duì)資源量所控制,除此以外的非了解信息對(duì)產(chǎn)量的影響已是微不足道的了。影響因素：（1）9月初的資源量（8月初試捕）（2）生長(zhǎng)（W）（3）自然死亡（M）（4）捕撈努力量（f）若上述因素穩(wěn)定，則可用此方程預(yù)報(bào)。第三節(jié) 漁情預(yù)報(bào)技術(shù)及模型研究進(jìn)展摘要：漁情預(yù)報(bào)是漁場(chǎng)學(xué)的重要研究?jī)?nèi)容，對(duì)漁業(yè)科學(xué)生產(chǎn)和漁業(yè)資源管理具有重要的意義。近年來，隨著現(xiàn)代統(tǒng)計(jì)理論、數(shù)值計(jì)算方法、數(shù)據(jù)挖掘

10、和人工智能等理論和技術(shù)的發(fā)展，使?jié)O情預(yù)報(bào)技術(shù)和模型的發(fā)展煥發(fā)出了新的活力，為此本文對(duì)漁情預(yù)報(bào)技術(shù)及模型研究進(jìn)展進(jìn)行了回顧，并對(duì)今后發(fā)展提出了展望本文簡(jiǎn)要概述了漁情預(yù)報(bào)建模的理論和方法漁情預(yù)報(bào)相關(guān)的漁場(chǎng)學(xué)基礎(chǔ)、數(shù)據(jù)模型和預(yù)報(bào)模型，重點(diǎn)介紹了基于統(tǒng)計(jì)和機(jī)器學(xué)習(xí)、人工智能方法的漁情預(yù)報(bào)模型的應(yīng)用和研究現(xiàn)狀對(duì)各種模型在漁情預(yù)報(bào)應(yīng)用中的優(yōu)勢(shì)與缺陷進(jìn)行了綜合分析，針對(duì)存在的問題提出了建議。主要建議包括: 建立專為漁業(yè)服務(wù)的海洋環(huán)境預(yù)報(bào)系統(tǒng);進(jìn)行長(zhǎng)期系統(tǒng)的漁業(yè)資源調(diào)查，針對(duì)不同魚種和海區(qū)對(duì)數(shù)據(jù)獲取和處理方法進(jìn)行標(biāo)準(zhǔn)化和規(guī)范化; 借助隨機(jī)模擬方法降低模型不確定性，提高預(yù)報(bào)精度。研究背景準(zhǔn)確的漁情預(yù)報(bào)可以指導(dǎo)企

11、業(yè)合理安排漁業(yè)生產(chǎn)，縮短尋找漁場(chǎng)的時(shí)間，減少成本、提高漁獲產(chǎn)量。我國(guó)于20 世紀(jì)50 年代開始對(duì)近海主要經(jīng)濟(jì)魚種進(jìn)行漁情預(yù)報(bào)工作，積累了豐富的經(jīng)驗(yàn)。20 世紀(jì)80年代以來，地理信息系統(tǒng)的發(fā)展為漁情分析和漁場(chǎng)預(yù)報(bào)研究提供了強(qiáng)大的分析工具。海洋衛(wèi)星遙感技術(shù)的普及使得人們能快速獲取大范圍內(nèi)的海況信息，實(shí)時(shí)船位監(jiān)控及海事衛(wèi)星通訊技術(shù)使得遠(yuǎn)洋漁船能有效地接收漁情預(yù)報(bào)機(jī)構(gòu)的實(shí)時(shí)預(yù)報(bào)。1.漁情預(yù)報(bào)的理論和方法漁情預(yù)報(bào)：漁情預(yù)報(bào)是對(duì)未來一定時(shí)期和一定水域內(nèi)水產(chǎn)資源狀況各要素，如漁期、漁場(chǎng)、魚群數(shù)量和質(zhì)量以及可能達(dá)到的漁獲量等所做出的預(yù)報(bào)。漁情預(yù)報(bào)分類：按照預(yù)報(bào)內(nèi)容的不同，可分為三種類型，即1. 關(guān)于資源狀況的

12、預(yù)報(bào)2. 關(guān)于時(shí)間的預(yù)報(bào)3. 關(guān)于空間的預(yù)報(bào)關(guān)于資源狀況的預(yù)報(bào)預(yù)報(bào)魚群的數(shù)量、質(zhì)量以及在一定捕撈條件下的漁獲量，這種預(yù)報(bào)主要是中長(zhǎng)期的。對(duì)于漁業(yè)管理和生產(chǎn)的意義：漁業(yè)管理部門可以將預(yù)報(bào)結(jié)果作為制訂漁業(yè)政策的參考信息，漁業(yè)生產(chǎn)企業(yè)也可以根據(jù)這些預(yù)報(bào)合理安排捕撈努力量，適應(yīng)負(fù)責(zé)任捕撈和漁業(yè)可持續(xù)發(fā)展的要求。目前，關(guān)于漁業(yè)資源狀況的預(yù)報(bào)模型主要以魚類種群動(dòng)力學(xué)為基礎(chǔ)，數(shù)學(xué)上則主要采用統(tǒng)計(jì)回歸、人工神經(jīng)網(wǎng)絡(luò)和時(shí)間序列分析等方法關(guān)于時(shí)間的預(yù)報(bào)主要包括預(yù)報(bào)漁期出現(xiàn)的時(shí)間和持續(xù)的時(shí)間等。這類預(yù)報(bào)要求預(yù)報(bào)者對(duì)目標(biāo)魚類的洄游和集群狀況有較深入的了解，需要采用有效的觀測(cè)手段，實(shí)時(shí)地了解目標(biāo)區(qū)域的天氣、海流、水溫結(jié)

13、構(gòu)以及餌料生物情況，結(jié)合漁民和漁業(yè)研究者的經(jīng)驗(yàn)來進(jìn)行預(yù)報(bào)。隨著國(guó)內(nèi)漁業(yè)生產(chǎn)模式的改變，漁情預(yù)報(bào)研究者已從漁業(yè)生產(chǎn)一線脫離，因此目前這類預(yù)報(bào)主要以有經(jīng)驗(yàn)的漁業(yè)生產(chǎn)者的現(xiàn)場(chǎng)定性分析為主，其原理很難進(jìn)行明確的量化解釋，已有的定量研究一般也僅采用簡(jiǎn)單的線性回歸關(guān)于空間的預(yù)報(bào)預(yù)報(bào)漁場(chǎng)出現(xiàn)的位置或魚類資源的空間分布狀況，即通常所說的漁場(chǎng)預(yù)報(bào)。由于漁業(yè)資源的逐漸匱乏以及燃油、入漁等成本的不斷升高，漁業(yè)生產(chǎn)過程中漁場(chǎng)位置的預(yù)報(bào)變得越來越重要，企業(yè)對(duì)其實(shí)時(shí)性、準(zhǔn)確性的要求也越來越高。因此漁場(chǎng)位置的預(yù)報(bào)模型研究相當(dāng)活躍，國(guó)內(nèi)外大多數(shù)漁情預(yù)報(bào)模型都是漁場(chǎng)的位置預(yù)報(bào)模型漁情預(yù)報(bào)模型的組成一個(gè)合理的漁情預(yù)報(bào)模型應(yīng)考慮三

14、個(gè)方面的內(nèi)容，即漁場(chǎng)學(xué)基礎(chǔ)、數(shù)據(jù)模型和預(yù)報(bào)模型。漁場(chǎng)學(xué)部分主要包括魚類的集群及洄游規(guī)律、環(huán)境條件對(duì)魚類行為的影響以及短期和長(zhǎng)期的環(huán)境事件對(duì)漁業(yè)資源的影響。數(shù)據(jù)模型部分主要包括漁業(yè)數(shù)據(jù)和環(huán)境數(shù)據(jù)的收集、處理和應(yīng)用的方法以及這些方法對(duì)預(yù)報(bào)模型的影響。預(yù)報(bào)模型部分則主要包括建立漁情預(yù)報(bào)模型的理論基礎(chǔ)和方法以及相應(yīng)的模型參數(shù)估計(jì)、優(yōu)化及驗(yàn)證，以及其不確定性分析漁場(chǎng)學(xué)基礎(chǔ)魚類的分布由其自身生物學(xué)特性和外界環(huán)境條件共同決定。海洋魚類一般都有集群和洄游和習(xí)性，其集群和洄游的規(guī)律決定了漁業(yè)資源在時(shí)間和空間的大體分布。魚類的行為與其生活的外界環(huán)境有密切的關(guān)系。魚類生存的外界環(huán)境包括生物因素和非生物因素兩類。生物

15、因素包括敵害生物、餌料生物、種群關(guān)系。非生物因素包括水溫、海流、鹽度、光、溶解氧、氣象條件、海底地形和水質(zhì)因素等。各類突發(fā)或階段性、甚至長(zhǎng)期緩慢的海洋環(huán)境事件，如赤潮、溢油、環(huán)境污染、厄爾尼諾現(xiàn)象、全球氣候變暖，引起漁業(yè)資源在時(shí)間、空間、數(shù)量和質(zhì)量上的振蕩。數(shù)據(jù)模型漁場(chǎng)預(yù)報(bào)研究所需要的數(shù)據(jù)主要包括漁業(yè)數(shù)據(jù)和海洋環(huán)境數(shù)據(jù)兩類，數(shù)據(jù)的收集、處理和應(yīng)用的策略對(duì)漁情預(yù)報(bào)模型具有重要影響。由于商業(yè)捕撈的作業(yè)地點(diǎn)不具備隨機(jī)性，空間和時(shí)間上的合并處理將使模型產(chǎn)生不同的偏差; 渦流和峰面等海洋現(xiàn)象具有較強(qiáng)的變化性，海洋環(huán)境數(shù)據(jù)在空間和時(shí)間尺度上的平均將會(huì)弱化甚至掩蓋這些現(xiàn)象。在構(gòu)建漁情預(yù)報(bào)模型時(shí)應(yīng)選擇合適的時(shí)

16、空分辨率，以降低模型偏差、提高預(yù)測(cè)精度。漁情預(yù)報(bào)模型的構(gòu)建也應(yīng)充分考慮漁業(yè)數(shù)據(jù)本身的特殊性，如漁業(yè)數(shù)據(jù)都是一種類似“僅包含發(fā)現(xiàn)” 的數(shù)據(jù)，即重視記錄有漁獲量的地點(diǎn)，而對(duì)于無漁獲量的地點(diǎn)的記錄并不重視。最后，低分辨率的歷史數(shù)據(jù)、空間位置信息等數(shù)據(jù)的應(yīng)用也應(yīng)選擇合適的策略。預(yù)報(bào)模型漁情預(yù)報(bào)模型主要可分為三種類型，即經(jīng)驗(yàn)/現(xiàn)象模型、機(jī)理/過程模型和理論模型?，F(xiàn)有的漁情預(yù)報(bào)模型還是以經(jīng)驗(yàn)/現(xiàn)象模型為主。這類模型常見的開發(fā)思路有兩種: 一種以生態(tài)位或資源選擇函數(shù)為理論基礎(chǔ)，主要通過頻率分析和回歸等統(tǒng)計(jì)學(xué)方法分析出目標(biāo)魚種的生態(tài)位或者對(duì)于關(guān)鍵環(huán)境因子的響應(yīng)函數(shù)，從而建立漁情預(yù)報(bào)模型。另一種是知識(shí)發(fā)現(xiàn)的思路

17、，即以漁業(yè)數(shù)據(jù)和海洋環(huán)境數(shù)據(jù)為基礎(chǔ)，通過各類機(jī)器學(xué)習(xí)和人工智能方法在數(shù)據(jù)中發(fā)現(xiàn)漁場(chǎng)形成的規(guī)律，建立漁情預(yù)報(bào)模型模型的區(qū)別基于統(tǒng)計(jì)學(xué)的漁情預(yù)報(bào)模型以回歸為中心，其模型結(jié)構(gòu)是預(yù)先設(shè)定好的，主要通過已有數(shù)據(jù)估計(jì)出模型系數(shù)，然后用這些模型進(jìn)行漁場(chǎng)預(yù)測(cè)，可以稱之為“模型驅(qū)動(dòng)”( model driven)的模型?；跈C(jī)器學(xué)習(xí)和人工智能方法的預(yù)測(cè)模型則以模型的學(xué)習(xí)為中心，主要通過各種數(shù)據(jù)挖掘方法從數(shù)據(jù)中提取漁場(chǎng)形成的規(guī)則，然后使用這些規(guī)則進(jìn)行漁場(chǎng)預(yù)報(bào)，是“數(shù)據(jù)驅(qū)動(dòng)”( data driven)的模型漁情預(yù)報(bào)模型的構(gòu)建建立漁情預(yù)報(bào)模型的過程分為四個(gè)步驟: ( 1) 研究漁場(chǎng)形成機(jī)制; ( 2) 建立漁情預(yù)報(bào)

18、模型; ( 3) 模型校正; ( 4) 模型評(píng)價(jià)和改進(jìn)。建立模型漁情預(yù)報(bào)模型的構(gòu)建應(yīng)以目標(biāo)魚種的生物學(xué)和漁場(chǎng)學(xué)研究為基礎(chǔ)，力求模型與漁場(chǎng)學(xué)實(shí)際的吻合。如果對(duì)目標(biāo)魚種的集群、洄游特性以及漁場(chǎng)形成機(jī)制較清楚，可選擇使用機(jī)理/過程模型或理論模型對(duì)這些特性和機(jī)制進(jìn)行定量表述。如果對(duì)這些特性和機(jī)制的了解并不完全，則可選擇經(jīng)驗(yàn)/現(xiàn)象模型，根據(jù)基本的生態(tài)學(xué)原理對(duì)漁場(chǎng)形成過程進(jìn)行一種平均化的描述。無論構(gòu)建何種預(yù)測(cè)模型，都應(yīng)充分考慮模型所使用的數(shù)據(jù)本身的特點(diǎn)，這對(duì)于基于統(tǒng)計(jì)學(xué)的模型尤其重要模型校正( model calibration)建立預(yù)報(bào)模型方程之后，對(duì)于模型參數(shù)的估值以及模型的調(diào)整。根據(jù)預(yù)報(bào)模型的不同，

19、模型參數(shù)估值的方法也不一樣。對(duì)于各類統(tǒng)計(jì)學(xué)模型，其參數(shù)主要采用最小方差或極大似然估計(jì)等方法進(jìn)行估算; 而對(duì)于人工神經(jīng)網(wǎng)絡(luò)模型，權(quán)重系數(shù)則通過模型迭代計(jì)算至收斂而得到。在漁情預(yù)報(bào)模型中，除了估計(jì)和調(diào)整模型參數(shù)和常數(shù)之外，模型校正還包括對(duì)自變量的選擇。在利用海洋環(huán)境要素進(jìn)行漁情預(yù)報(bào)時(shí)，選擇哪些環(huán)境因子是一項(xiàng)比較重要也非常困難的工作模型評(píng)價(jià)( model evaluation)主要是對(duì)于預(yù)測(cè)模型的性能和實(shí)際效果的評(píng)價(jià)。模型評(píng)價(jià)的方法主要有兩種：一種是模型評(píng)價(jià)和模型校正使用相同的數(shù)據(jù)，采用變異系數(shù)法或自助法評(píng)價(jià)模型; 另一種方法則是采用全新的數(shù)據(jù)進(jìn)行模型評(píng)價(jià)，評(píng)價(jià)的標(biāo)準(zhǔn)一般是模型擬合程度或者某種距離參

20、數(shù)。由于漁情預(yù)報(bào)模型的主要目的是預(yù)報(bào)，其模型評(píng)價(jià)一般采用后一種方法，即考查預(yù)測(cè)漁情與實(shí)際漁情的符合程度2.漁場(chǎng)預(yù)報(bào)模型統(tǒng)計(jì)學(xué)模型機(jī)器學(xué)習(xí)和人工智能方法機(jī)理/過程模型和理論模型（1）統(tǒng)計(jì)學(xué)模型線性回歸模型早期或傳統(tǒng)的漁情預(yù)報(bào)主要采用以經(jīng)典統(tǒng)計(jì)學(xué)為主的回歸分析、相關(guān)分析、判別分析和聚類分析等方法。其中最有代表性的是一般線性回歸模型。通過分析海表面溫度、葉綠素a濃度等海洋環(huán)境數(shù)據(jù)與歷史漁獲量、單位捕撈努力漁獲量或者漁期之間的關(guān)系，建立回歸方程:CPUE = 0 + 1SST + 2chl + + 式中: i為回歸系數(shù)， 為誤差項(xiàng)。一般線性回歸模型采用最小二乘法對(duì)系數(shù)i進(jìn)行估計(jì)，然后利用這些方程對(duì)漁期

21、、漁獲量或CPUE 進(jìn)行預(yù)報(bào)。一般線性模型的優(yōu)劣一般線性模型結(jié)構(gòu)穩(wěn)定，操作方法簡(jiǎn)單，在早期的實(shí)際應(yīng)用中取得了一定的效果。但一般線性模型方差小、偏差大，用于預(yù)報(bào)時(shí)存在一定的局限性。一方面，漁場(chǎng)形成與海洋環(huán)境要素之間的關(guān)系具有模糊性和隨機(jī)性，一般很難建立相關(guān)系數(shù)很高的回歸方程。另一方面，實(shí)際的漁業(yè)生產(chǎn)和海洋環(huán)境數(shù)據(jù)一般并不滿足一般線性模型對(duì)于數(shù)據(jù)的假設(shè)，因而導(dǎo)致回歸方程預(yù)測(cè)效果較差。目前，一般線性回歸模型在漁情預(yù)報(bào)中的應(yīng)用已比較少見，而逐漸被更為復(fù)雜的分段線性回歸、多項(xiàng)式回歸和指數(shù)( 對(duì)數(shù)) 回歸、分位數(shù)回歸等模型所取代廣義回歸模型廣義線性模型( generalized linear model，

22、GLM)通過連接函數(shù)g 對(duì)響應(yīng)變量進(jìn)行一定的變換，將基于指數(shù)分布族的回歸與一般線性回歸整合起來，其回歸方程如下: gE( Y) = 0 + iXi + GLM 模型可對(duì)自變量本身進(jìn)行變換，也可加上反映自變量相互關(guān)系的函數(shù)項(xiàng)，從而以線性的形式實(shí)現(xiàn)非線性回歸。廣義加性模型( generalized additive model，GAM) 是GLM 模型的非參數(shù)擴(kuò)展,適合處理非線性問題. 其方程式如下: gE( Y) = LP = 0 +fi (Xi)+ GLM 模型中的回歸系數(shù)i被平滑函數(shù)局部散點(diǎn)平滑函數(shù)fi所取代貝葉斯方法貝葉斯統(tǒng)計(jì)理論基于貝葉斯定理，即通過先驗(yàn)概率以及相應(yīng)的條件概率計(jì)算后驗(yàn)概率

23、。其中先驗(yàn)概率是指漁場(chǎng)形成的總概率，條件概率是指漁場(chǎng)為“真”時(shí)環(huán)境要素滿足某種條件的概率，后驗(yàn)概率即當(dāng)前環(huán)境要素條件下漁場(chǎng)形成的概率。貝葉斯方法的一個(gè)顯著優(yōu)點(diǎn)是其易于集成的特性，幾乎可以與任何現(xiàn)有的模型集成在一起應(yīng)用，常用的方法就是以不同的模型計(jì)算和修正先驗(yàn)概率.目前漁情預(yù)報(bào)應(yīng)用中的貝葉斯模型采用的都是樸素貝葉斯分類器( simple Bayesian classifier) ,考慮各預(yù)測(cè)變量聯(lián)合概率的貝葉斯信念網(wǎng)絡(luò)( Bayesian belief network) 模型在漁情預(yù)報(bào)方面也應(yīng)該會(huì)有較大的應(yīng)用空間。時(shí)間序列分析( time series) 時(shí)間序列是指具有時(shí)間順序的一組數(shù)值序列。

24、對(duì)于時(shí)間序列的處理和分析具有靜態(tài)統(tǒng)計(jì)處理方法的優(yōu)勢(shì)，隨著計(jì)算機(jī)以及數(shù)值計(jì)算方法的發(fā)展，已經(jīng)形成了一套完整的分析和預(yù)測(cè)方法。時(shí)間序列分析在漁情預(yù)報(bào)中主要應(yīng)用在漁獲量預(yù)測(cè)方面。Georgakarakos 等采用時(shí)間序列分析、人工神經(jīng)網(wǎng)絡(luò)和貝葉斯動(dòng)態(tài)模型對(duì)希臘海域槍烏賊科和柔魚科產(chǎn)量進(jìn)行了預(yù)測(cè)，結(jié)果表明時(shí)間序列分析方法具有很高的精度?？臻g分析和插值空間分析的基礎(chǔ)是地理實(shí)體的空間自相關(guān)性，即距離越近的地理實(shí)體相似度越高，距離越遠(yuǎn)的地理實(shí)體差異性越大?？臻g自相關(guān)性被稱為“地理學(xué)第一定律”( first law of geography) 。空間分析主要用來分析漁業(yè)資源在時(shí)空分布上的相關(guān)性和異質(zhì)性，如漁場(chǎng)

25、重心的變動(dòng)、漁業(yè)資源的時(shí)空分布模式等。但也有部分學(xué)者使用基于地統(tǒng)計(jì)學(xué)的插值方法( 如克里金插值法) 對(duì)漁獲量數(shù)據(jù)進(jìn)行插值，在此基礎(chǔ)上對(duì)漁業(yè)資源總量或空間分布進(jìn)行估計(jì)。漁業(yè)具有非常強(qiáng)的動(dòng)態(tài)變化特征，而地統(tǒng)計(jì)學(xué)方法從本質(zhì)上來講是一種靜態(tài)方法，因此對(duì)漁業(yè)數(shù)據(jù)的收集方法具有嚴(yán)格的要求。（2）機(jī)器學(xué)習(xí)和人工智能方法原理空間的漁場(chǎng)預(yù)測(cè)也可以看成是一種“分類”，即將空間中的每一個(gè)網(wǎng)格分成“漁場(chǎng)”和“非漁場(chǎng)”的過程。提取分類規(guī)則的方法有很多，一般都屬于機(jī)器學(xué)習(xí)方法。機(jī)器學(xué)習(xí)是研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)的方法。機(jī)器學(xué)習(xí)和人工智能方法眾多，目前在漁情預(yù)報(bào)方面應(yīng)用最多的是人工神經(jīng)網(wǎng)絡(luò)、基

26、于規(guī)則的專家系統(tǒng)和范例推理方法。除此之外，決策樹、遺傳算法、最大熵值法、元胞自動(dòng)機(jī)、支持向量機(jī)、分類器聚合、關(guān)聯(lián)分析和聚類分析、模糊推理等方法都開始在漁情分析和預(yù)報(bào)中有所應(yīng)用人工神經(jīng)網(wǎng)絡(luò)模型( artificial neural networks，ANN) 人工神經(jīng)網(wǎng)絡(luò)模型是模擬生物神經(jīng)系統(tǒng)而產(chǎn)生的，它由一組相互連接的結(jié)點(diǎn)和有向鏈組成。人工神經(jīng)網(wǎng)絡(luò)的主要參數(shù)是連接各結(jié)點(diǎn)的權(quán)值，這些權(quán)值一般通過樣本數(shù)據(jù)的迭代計(jì)算至收斂得到，收斂的原則是最小化誤差平方和。確定神經(jīng)網(wǎng)絡(luò)權(quán)值的過程稱為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程。結(jié)構(gòu)復(fù)雜的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)非常耗時(shí)，但預(yù)測(cè)時(shí)速度很快。人工神經(jīng)網(wǎng)絡(luò)模型可以模擬非常復(fù)雜的非線性過程。在

27、漁情預(yù)報(bào)應(yīng)用中，人工神經(jīng)網(wǎng)絡(luò)模型在空間分布預(yù)測(cè)和產(chǎn)量預(yù)測(cè)方面都有成功應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)優(yōu)劣人工神經(jīng)網(wǎng)絡(luò)方法并不要求漁業(yè)數(shù)據(jù)滿足任何假設(shè)，也不需要分析魚類對(duì)于環(huán)境條件的響應(yīng)函數(shù)和各環(huán)境條件之間的相互關(guān)系，因此應(yīng)用起來較為方便，在應(yīng)用效果上與其它模型相比也沒有顯著的差異。人工神經(jīng)網(wǎng)絡(luò)類型很多，結(jié)構(gòu)多變，相對(duì)其它模型來說應(yīng)用比較困難，要求建模者具有豐富的經(jīng)驗(yàn)。ANN 模型對(duì)于知識(shí)的表達(dá)是隱式的，相當(dāng)于一種黑盒( black box) 模型，這使得ANN 模型無法對(duì)預(yù)測(cè)原理做出明確的解釋?；谝?guī)則的專家系統(tǒng)專家系統(tǒng)是一種智能計(jì)算機(jī)程序系統(tǒng)，它包含特定領(lǐng)域人類專家的知識(shí)和經(jīng)驗(yàn)，并能利用人類專家解決問題的

28、方法來處理該領(lǐng)域的復(fù)雜問題。在漁情預(yù)報(bào)應(yīng)用中，這些專家知識(shí)和經(jīng)驗(yàn)一般表現(xiàn)為漁場(chǎng)形成的規(guī)則。目前漁情預(yù)報(bào)中最常見的專家系統(tǒng)為環(huán)境閾值法和棲息地適宜性指數(shù)模型。（1）環(huán)境閾值法( environmental envelope methods)環(huán)境閾值法是最早也是應(yīng)用最廣泛的漁情空間預(yù)報(bào)模型之一。魚類對(duì)于環(huán)境要素都有一個(gè)適宜的范圍，環(huán)境閾值法假設(shè)魚群在適宜的環(huán)境條件出現(xiàn)而當(dāng)環(huán)境條件不適宜時(shí)則不會(huì)出現(xiàn)。這種模型在實(shí)現(xiàn)時(shí)，通常先計(jì)算出滿足單個(gè)環(huán)境條件的網(wǎng)格，然后對(duì)不同環(huán)境條件的計(jì)算結(jié)果進(jìn)行空間疊加分析，得到最終的預(yù)測(cè)結(jié)果，因此也常被稱為空間疊加法。空間疊加法能夠充分利用漁業(yè)領(lǐng)域的專家知識(shí)，而且模型構(gòu)造簡(jiǎn)

29、單，易于實(shí)現(xiàn)，特別適用于海洋遙感反演得到的環(huán)境網(wǎng)格數(shù)據(jù)，因此在漁情預(yù)報(bào)領(lǐng)域得到了相當(dāng)廣泛的應(yīng)用(2)棲息地適宜性指數(shù)( habitat suitability index，HSI)棲息地適宜性指數(shù)模型是由美國(guó)地理調(diào)查局國(guó)家濕地研究中心魚類與野生生物署提出的用于描述魚類和野生動(dòng)物的棲息地質(zhì)量的框架模型。HSI 模型的預(yù)測(cè)結(jié)果是一個(gè)類似于“漁場(chǎng)概率”的棲息地適應(yīng)性指數(shù)，而不是環(huán)境閾值法的“是漁場(chǎng)”和“非漁場(chǎng)”的二值結(jié)果; 在HSI模型中，魚類對(duì)于單個(gè)環(huán)境要素的適應(yīng)性不是用一個(gè)絕對(duì)的數(shù)值范圍描述，而是采用資源選擇函數(shù)來表示; 在描述多個(gè)環(huán)境因子的綜合作用時(shí)，HSI 模型可以使用連乘、幾何平均、算術(shù)平

30、均、混合算法等多種表示方式。棲息地適應(yīng)性指數(shù)作為一個(gè)平均化的指標(biāo)，與實(shí)時(shí)漁場(chǎng)并不具有嚴(yán)格的相關(guān)性，因此在利用HSI 模型來預(yù)測(cè)漁場(chǎng)時(shí)需要非常地謹(jǐn)慎范例推理( case-based reasoning，CBR)范例推理模擬人們解決問題的一種方式，即當(dāng)遇到一個(gè)新問題的時(shí)候，先對(duì)該問題進(jìn)行分析，在記憶中找到一個(gè)與該問題類似的范例，然后將該范例有關(guān)的信息和知識(shí)稍加修改，用以解決新的問題。在范例推理過程中，面臨的新問題稱為目標(biāo)范例，記憶中的范例稱為源范例。范例推理就是由目標(biāo)范例的提示，而獲得記憶中的源范例，并由源范例來指導(dǎo)目標(biāo)范例求解的一種策略。CBR優(yōu)劣這種方法簡(jiǎn)化了知識(shí)獲取，通過知識(shí)直接復(fù)用的方式提

31、高解決問題的效率，解決方法的質(zhì)量較高，適用于非計(jì)算推導(dǎo)，在漁場(chǎng)預(yù)報(bào)方面有廣泛的應(yīng)用。范例推理方法原理簡(jiǎn)單，并且其模型表現(xiàn)為漁場(chǎng)規(guī)則的形式，因此可以很容易地應(yīng)用到專家系統(tǒng)中。但范例推理方法需要足夠多的樣本數(shù)據(jù)以建立范例庫(kù)，而且提取出的范例主要還是歷史數(shù)據(jù)的總結(jié)，難以對(duì)新的漁場(chǎng)進(jìn)行預(yù)測(cè)（3）機(jī)理/過程模型和理論模型原理經(jīng)驗(yàn)/現(xiàn)象模型是靜態(tài)、平均化的模型，它假設(shè)魚類行為與外界環(huán)境之間具有某種均衡。機(jī)理/過程模型和理論模型注重考慮實(shí)際漁場(chǎng)形成過程中的動(dòng)態(tài)性和隨機(jī)性。在這一過程中，魚類的行為時(shí)刻受到各種瞬時(shí)性和隨機(jī)性要素的影響，不一定能與外界環(huán)境之間達(dá)到假設(shè)中的均衡漁場(chǎng)形成是一個(gè)復(fù)雜的過程，對(duì)這個(gè)過程的

32、理解不同，所采用的模型也不同。部分模型借助數(shù)值計(jì)算方法再現(xiàn)魚類洄游和集群、種群變化等動(dòng)態(tài)過程常見的有生物量均衡模型、平流擴(kuò)散交互模型、基于三維水動(dòng)力數(shù)值模型的物理 生物耦合模型等。例子Doan 等采用生物量均衡方程進(jìn)行越南中部近海圍網(wǎng)和流刺網(wǎng)漁業(yè)的漁情預(yù)報(bào)研究Rudorff 等利用平流擴(kuò)散方程研究大西洋低緯度地區(qū)龍蝦幼體的分布李曰嵩利用非結(jié)構(gòu)有限體積海岸和海洋模型建立了東海鮐早期生活史過程的物理生物耦合模型一些模型則著眼于魚類個(gè)體的行為，通過個(gè)體的選擇來研究群體的行為和變化。如Dagorn 等利用基于遺傳算法和神經(jīng)網(wǎng)絡(luò)的人工生命模型研究金槍魚的移動(dòng)過程，基于個(gè)體的生態(tài)模型( individual-based model， IBM) 也被廣泛地應(yīng)用于魚卵與仔稚魚輸運(yùn)過程的研究。3.分析與展望隨著現(xiàn)代統(tǒng)計(jì)學(xué)、人工智能和數(shù)據(jù)挖掘技術(shù)、數(shù)值計(jì)算以及物理海洋等學(xué)科的發(fā)展許多模型和方法都顯示出了巨大的潛力，但也存在一些固有的局限性。統(tǒng)計(jì)學(xué)方法應(yīng)用較為簡(jiǎn)單，但對(duì)建模者的漁業(yè)專家知識(shí)要求較高，同時(shí)由于模型結(jié)構(gòu)固定，因此預(yù)測(cè)能力有限。機(jī)器學(xué)習(xí)和人工智能方法對(duì)建模者的專家知識(shí)沒有太多