本發(fā)明涉及一種莖柔魚資源空間分布預測方法。

背景技術(shù)：

莖柔魚Dosidicus gigas是產(chǎn)量較高的大洋性經(jīng)濟種類之一，其分布較為廣泛，北達加利福尼亞(35°N)，南至智利沿岸(55°S)，洪保德海流流經(jīng)的秘魯中北部和加利福尼亞灣海域是其產(chǎn)量最高地，也是重要的作業(yè)漁場。從1990年開始，日本、韓國等國家和地區(qū)的漁船開始進入秘魯外海捕獲莖柔魚，作業(yè)方式包括圍網(wǎng)、釣捕等。中國于2001年開始在該海域進行探捕，并取得1.78萬t的產(chǎn)量，自此，中國正式開辟了東太平海域莖柔魚漁場，產(chǎn)量連年增加。根據(jù)聯(lián)合國糧農(nóng)組織統(tǒng)計，2013年，世界莖柔魚總年產(chǎn)量為77.3萬t，僅中國產(chǎn)量就達26.1萬t。國內(nèi)外諸多學者對秘魯外海莖柔魚分布進行了研究探討，主要采用的統(tǒng)計學方法有棲息地適應(yīng)性指數(shù)模型(HSI)，信息增益技術(shù)，神經(jīng)網(wǎng)絡(luò)模型(EBP)等，認為其主要分布在高葉綠素濃度(Chl-a)，海表面溫度(SST)為17-23℃，海表面鹽度(SSS)為35.0-35.5‰和冷暖水團交匯處。

協(xié)同克里金可以用空間中的一個或多個輔助變量對所感興趣的主要變量進行插值估算，從而獲取研究范圍內(nèi)未知點的主變量屬性值。這些輔助變量與主要變量都有相關(guān)關(guān)系，并且假設(shè)變量之間的相關(guān)關(guān)系有助于提高預測精度。當研究區(qū)域的輔助信息較容易獲取且平穩(wěn)變化時，可將這類信息作為輔助變量引入?yún)f(xié)同克里金中?；趩蝹€環(huán)境因子的協(xié)同克里金插值進行空間結(jié)構(gòu)的研究多見于空氣濕度，土壤和降水量等，而在海洋漁業(yè)資源分布的研究方面則相對較少。

技術(shù)實現(xiàn)要素：

本發(fā)明需要解決的技術(shù)問題是構(gòu)建一種綜合環(huán)境因子的協(xié)同克里金法作為莖柔魚資源分布的預測方法。

本發(fā)明的技術(shù)方案將環(huán)境數(shù)據(jù)分別處理成時間分辨率，空間分辨率的格式，環(huán)境因子包括海表面溫度(SST)、海表面高度(SSH)、葉綠素濃度(Chl-a)和海表面鹽度(SSS)，其特征是將各環(huán)境數(shù)據(jù)進行歸一化處理，數(shù)值歸一化處理的相關(guān)公式如下：

X^*＝(X_i-X_min)/(X_max-X_min) (1)

式中，X^*為處理后的值，數(shù)值范圍為0～1；X_i為變量的第i個實際觀測值，X_max為所有 觀測值中的最大值，X_min為所有觀測值中的最小值；將SST、SSH、SSS和Chl-a評價為一個綜合環(huán)境指標，主成分構(gòu)成公式如下:

Z_i＝q_1i*SSS+q_2i*SST+q_3i*SSH+q_4i*Chl-a (2)

式中，Z_i為第i主成分變量，q_ji(j＝1～4)分別為第i主成分對應(yīng)于原始變量SSS、SST、SSH和Chl-a的系數(shù)，它度量了相應(yīng)變量對Z_i的重要性，綜合環(huán)境指標的構(gòu)成公式如下：

Y＝∑λ_i*Z_i (3)

式中，Y為綜合環(huán)境指標，Z_i為第i主成分，λ_i為第i主成分的貢獻率；用SSS、SST、SSS和Chl-a的綜合環(huán)境指標進行插值估算，協(xié)同克里金的估值公式為：

$Z_k^{*}\left(x_{k0}\right)={\mathrm{\Σ}}_{i=1}^{Nk}{\mathrm{\λ}}_{ki}{Z}_k\left(x_{ki}\right)+{\mathrm{\Σ}}_{i=1}^{{\mathrm{Nk}}^{\′}}{\mathrm{\λ}}_{k^{\′}i}{Z}_k\left(x_{k^{\′}i}\right)---\left(4\right)$

式中，為CPUE在x₀處的估計值，Z_k(x_ki)為各點CPUE值，λ_ki為賦予各點CPUE的一組權(quán)重系數(shù)；Z_k(x_k′i)為各點綜合環(huán)境因子Y的值，λ_k′iZ_k為賦予各點Y的一組權(quán)重系數(shù)，N_k和N_k’分別為CPUE和Y用于CPUE插值的空間位點，其中N_k>N_k’；引入兩個拉格朗日系數(shù)u1和u2，及根據(jù)線性無偏最優(yōu)約束條件可獲得(4)式中的權(quán)重系數(shù)及研究區(qū)域內(nèi)任意點的插值估計。

本發(fā)明的突出特點是創(chuàng)設(shè)基于綜合環(huán)境因子的協(xié)同克里金法用以預測莖柔魚資源空間分布，從CPUE實際分布與預測來看，高低值區(qū)域與實際CPUE分布較為吻合，與現(xiàn)有預測方法相比，提高了預測精度，預測更具可靠性。

具體實施方式

下面以2003-2012年6-9月的漁業(yè)捕撈數(shù)據(jù)為例，說明一種預測莖柔魚資源空間分布的方法。2003-2012年6-9月的漁業(yè)捕撈數(shù)據(jù)包括作業(yè)時間、作業(yè)天數(shù)、作業(yè)位置及捕撈產(chǎn)量，時間分辨率為天。計算0.5°×0.5°網(wǎng)格中對應(yīng)的莖柔魚漁獲量和作業(yè)天數(shù)，并以單位捕撈努力量漁獲量(Catch Per Unite Effort，CPUE＝總漁獲量/總作業(yè)天數(shù))作為資源豐度指標。環(huán)境數(shù)據(jù)包括海表面溫度(SST)、海表面高度(SSH)、葉綠素濃度(Chl-a)和海表面鹽度(SSS)。為與漁業(yè)數(shù)據(jù)相匹配，將環(huán)境數(shù)據(jù)分別處理成時間分辨率為月，空間分辨率為0.5°×0.5°的格式。6月份莖柔魚主要分布在SSS為35.1-35.3‰,SST為19-22℃，SSH為21-30cm，Chl-a為0.04-0.35mg/m³的海域；7月份莖柔魚主要分布在SSS為35-35.3‰,SST為18-21℃，SSH為21-32cm，Chl-a為0.04-0.35mg/m³的海域；8月份主要分布在SSS為35.3-35.3‰,SST為18-19℃，SSH為11-35cm，Chl-a為0.25-0.45mg/m³海域；9月份主要分布在SSS為35.1-35.2‰,SST為17-19℃，SSH為21-32cm，Chl-a為0.06-0.35mg/m³海域。

由于進行地統(tǒng)計分析的數(shù)據(jù)須符合正態(tài)分布，為此對6-9月CPUE進行Kolomogorov-Semirnov(K-S)檢驗，對不滿足正態(tài)性要求的數(shù)據(jù)進行對數(shù)轉(zhuǎn)換。對數(shù)轉(zhuǎn)換的前提是數(shù)據(jù)為非負值，漁業(yè)數(shù)據(jù)中經(jīng)常會有0值的出現(xiàn)，為克服數(shù)據(jù)上的這一缺陷，將所有的CPUE各加1，1的加入并不會影響到資源的整體分布趨勢及空間關(guān)系。6-9月莖柔魚CPUEK-S檢驗及正態(tài)轉(zhuǎn)換結(jié)果見表1。6月份莖柔魚CPUE K-S檢驗的p值小于0.05，明顯屬于偏態(tài)分布，經(jīng)過log轉(zhuǎn)換后p值大于0.15，呈現(xiàn)較好的正態(tài)分布。7-9月的莖柔魚CPUE經(jīng)過K-S檢驗基本上能夠滿足正態(tài)分布的要求，經(jīng)過log轉(zhuǎn)換后，其值正態(tài)性明顯增強。為此，將6-9月的莖柔魚CPUE均采用log轉(zhuǎn)換后的數(shù)值進行地統(tǒng)計分析。

表1 6-9月CPUE及l(fā)og正態(tài)轉(zhuǎn)換K-S檢驗

SST、SSH、SSS和Chl-a的測量值存在量綱差異，將各因子的數(shù)據(jù)進行歸一化處理，可以避免大值環(huán)境因子對小值環(huán)境因子的掩蓋，減少相關(guān)信息的丟失。數(shù)值歸一化處理的相關(guān)公式如下：

X^*＝(X_i-X_min)/(X_max-X_min) (1)

式中，X^*為處理后的值，數(shù)值范圍為0～1；X_i為變量的第i個實際觀測值，X_max為所有觀測值中的最大值，X_min為所有觀測值中的最小值。

主成分分析(Principal Component Analysis,PCA)通過降維技術(shù)把多變量化成少數(shù)幾個互不相關(guān)的主成分，這些主成分能夠反映原始變量的絕大部分信息。PCA法在綜合評價中可以消除各指標不同量綱的影響，也可以消除由各指標之間相關(guān)性所帶來的信息重疊，特別是它克服了綜合評價中認為確定各指標權(quán)重系數(shù)的問題，在綜合評價中顯示可它的優(yōu)越性。根據(jù)PCA原理，將SST、SSH、SSS和Chl-a評價為一個綜合環(huán)境指標，主成分構(gòu)成公式如下:

Z_i＝q_1i*SSS+q_2i*SST+q_3i*SSH+q_4i*Chl-a (2)

式中，Z_i為第i主成分變量，q_ji(j＝1～4)分別為第i主成分對應(yīng)于原始變量SSS、SST、SSH和Chl-a的系數(shù)，它度量了相應(yīng)變量對Z_i的重要性。

綜合環(huán)境指標的構(gòu)成公式如下：

Y＝∑λ_i*Z_i (3)

式中，Y為綜合環(huán)境指標，Z_i為第i主成分，λ_i為第i主成分的貢獻率。

利用SPSS17.0統(tǒng)計包中的相關(guān)分析對SST、SSS、SSH、Chl-a及Y與CPUE進行相關(guān)性檢驗，確定環(huán)境因子與主變量CPUE之間的相關(guān)關(guān)系。

經(jīng)過標準化后的相關(guān)系數(shù)矩陣的特征值、特征向量系數(shù)見表2。

表2特征值和特征向量表

用SSS、SST、SSS和Chl-a的綜合環(huán)境指標對6-9月莖柔魚漁場資源分布進行插值估計。在二階平穩(wěn)假設(shè)的條件下，協(xié)同克里金的估值公式為：

$Z_k^{*}\left(x_{k0}\right)={\mathrm{\Σ}}_{i=1}^{Nk}{\mathrm{\λ}}_{ki}{Z}_k\left(x_{ki}\right)+{\mathrm{\Σ}}_{i=1}^{{\mathrm{Nk}}^{\′}}{\mathrm{\λ}}_{k^{\′}i}{Z}_k\left(x_{k^{\′}i}\right)---\left(4\right)$

式中，為CPUE在x₀處的估計值，Z_k(x_ki)為各點CPUE值，λ_ki為賦予各點CPUE的一組權(quán)重系數(shù)；Z_k(x_k′i)為各點綜合環(huán)境因子Y的值，λ_k′iZ_k為賦予各點Y的一組權(quán)重系數(shù)，N_k和N_k’分別為CPUE和Y用于CPUE插值的空間位點，其中N_k>N_k’。引入兩個拉格朗日系數(shù)u1和u2，及根據(jù)線性無偏最優(yōu)約束條件可獲得(4)式中的權(quán)重系數(shù)及研究區(qū)域內(nèi)任意點的插值估計。

估值驗證及精度評價求取：(1)平均誤差(ME)，其代表評價結(jié)果的無偏性，其值越接近于0越好；(2)均方根誤差(RMSE)，其是估值方法精確性的一種度量，值越小越好；(3)標準化均方根(RMSSE)，其值應(yīng)該接近于1，小于1則高估預測的不確定性，大于1則低估預測的不確定性。具體計算公式如下：

$ME={\mathrm{\Σ}}_{i=1}^n(Z_{\left(xi\right)}^{*}-Z_{\left(Xi\right)})---\left(5\right)$

$RMSE=\sqrt{{\mathrm{\Σ}}_{i=1}^n{\[Z_{\left(xi\right)}^{*}-Z_{\left(Xi\right)}\]}^2/n}---\left(6\right)$

$RMMSE=\sqrt{{\mathrm{\Σ}}_{i=1}^n{\{\[Z_{\left(xi\right)}^{*}-Z_{\left(Xi\right)}\]/{\mathrm{\σ}}_{\left(xi\right)}^{*}\}}^2/n}---\left(7\right)$

式中，Z^*(x_i)和Z(xi)分別在xi處的預測值和實際觀測值，n為樣點數(shù)，為在xi處的方差平方根。

由表3可知，6月份莖柔魚CPUE與SSS具有極顯著的負相關(guān)關(guān)系，與SSH、Chl-a和綜合環(huán)境因子Y具有極顯著的正相關(guān)關(guān)系；7月份其CPUE與SSS、SST和Y的具有極顯著的負相關(guān)性，與SSH具有極顯著的正相關(guān)性；8月份CPUE與SSS和SST具有極顯著正相關(guān)性，而與Y的相關(guān)性不顯著；9月份CPUE與SST和Y都具有極顯著正相關(guān)性，與其他環(huán)境因子的相關(guān)性不顯著無顯著。從單因子的相關(guān)性檢驗來看，在不同生活史階段，不同環(huán)境因子的影響作用不同。

表3相關(guān)性檢驗

協(xié)同克里金估值結(jié)果莖柔魚平均產(chǎn)量(ln(CPUE))為1.725t/d，6-8月份出現(xiàn)集中大范圍高值區(qū)，6月份主要出現(xiàn)在76°W-82°W，10°S-17°S，7月份主要集中在80°W-84.5°W，10°-14°S，8月份主要出現(xiàn)在80°W-85°W，9°S-13°S，而9月份莖柔魚資源豐度高值區(qū)分布并不集中。6、7、9月份中比8月份多2.1-2.4t/d的等級。從CPUE實際分布與預測來看，高低值區(qū)域與實際CPUE分布較為吻合。由表4結(jié)果顯示，6、7月份協(xié)同克里金插值效果較好，ME分別為0.0026和0.0025，說明預測準確性很高，平均預測結(jié)果稍高于實際觀測值；而8-9月份的ME分別為-0.0078和-0.0002，說明預測準確性較高，平均預測結(jié)果稍低于實際觀測值。RMSE的計算結(jié)果說明6月份的估值精度最高，8月份的估值精度最低。而從RMSSE來看，較接近1的是6、9月份，7、8月份的RMSSE與1的差值都大于0.1，說明6、9月份的預測標準差有效性高，7、8月份的稍差一點。6月份的RMSSE值小于1，說明都高估了預測的不確定性，7-9月份的RMSSE值大于1，說明都低估了預測的不確定性，則在6-9月份中的預測精度和準確性上會有一定程度的偏差。從ME、RMSE和RMSSE三者綜合來看，6-9月的預測值具有一定的可靠性。

表4交叉驗證結(jié)果