Prediction of abundance of Sthenoteuthis oualaniensis in South China Sea based on optimized grey system model
-
摘要: 鸢乌贼 (Sthenoteuthis oualaniensis) 是南海重要的经济头足类之一，巨大的开发潜力与经济价值使其在我国南海海洋渔业中的地位日益凸显。为深入了解南海鸢乌贼单位捕捞努力量渔获量 (Catch per unit effort,CPUE) 变化情况并作出科学预测，文章选择构建灰色预测模型GM (1,N)，结合海洋环境因子，对2013—2019年春夏季南海鸢乌贼生产数据进行拟合预测，使用Simpson公式和Fourier级数改造原模型背景值并对拟合值残差做修正。结果显示，在鸢乌贼CPUE预测上，普通GM (1,N) 模型的平均相对误差为7.78%，优化灰色GM (1,N) 模型为2.54%；在2019年鸢乌贼CPUE预测上，优化灰色GM (1,N) 模型将相对误差从普通GM (1,N) 模型的4.79%降至1.87%。结果表明，优化的灰色模型较普通多因素GM (1,N) 模型的预测精度更高，为准确预测鸢乌贼资源相对丰度提供了一个新思路。Abstract: Squid (Sthenoteuthis oualaniensis),one of the important economic Cephalopods in the South China Sea,has great development potential and economic value,playing an increasingly significant role in the marine fisheries of the South China Sea. In order to understand the variation of catch per unit effort (CPUE) and make scientific predictions,we constructed a gray prediction model GM (1,N) and combined it with marine environmental factors,then fitted and predicted the production data of the South China Sea squid from spring to summer of 2013−2019. Besides,we modified the background value of the original model by Simpson formula and Fourier series,and corrected the residual error of the simulated value. The results show that the average relative errors of the traditional GM (1,N) model and the optimized grey GM (1,N) model were 7.78% and 2.54%,respectively. For the prediction of squid CPUE in 2019,the optimized grey GM (1,N) model reduced the relative error from 4.79% of the traditional GM (1,N) model to 1.87%. It is showed that the optimized grey system model has a higher prediction accuracy than the traditional GM (1,N) model,which provides a new idea on how to predict the relative abundance of the squid resources accurately.
-
Key words:
- Sthenoteuthis oualaniensis /
- Abundance index /
- Grey system /
- Residual error correction
-
图 1 2013—2019年南海鸢乌贼单位捕捞努力量渔获量变化
Figure 1. CPUE of S. oualaniensis in South China Sea from 2013 to 2019
图 2 海表面叶绿素浓度、海表面温度和海表面风速对单位捕捞努力量渔获量的影响
Figure 2. Effects of Sea surface Chl-a concentration, sea surface temperature, sea surface wind speed on CPUE
图 3 3种模型的拟合结果与单位捕捞努力量渔获量真实值的比较
Figure 3. Comparison between fitting results of three models and real CPUE value
表 1 环境因子序列与单位捕捞努力量渔获量的灰色关联度分析结果
Table 1. Grey relational analysis of environmental factor sequence and CPUE
月份
Month海表面高度
SSH海表面温度
SST海表面盐度
SSS海表面叶绿素a
Sea surface Chl-a海表面风速
SSW2月 Feb. 0.730 9 0.890 0* 0.698 6 0.948 6 0.828 2 3月 Mar. 0.756 3 0.872 0 0.724 0 0.964 5* 0.856 5* 4月 Apr. 0.728 6 0.817 9 0.732 9 0.952 9 0.825 5 5月 May 0.782 2* 0.827 1 0.750 1* 0.938 3 0.831 0 6月 Jun. 0.726 2 0.832 9 0.730 3 0.963 2 0.827 9 均值 Mean 0.744 8 0.848 0 0.727 2 0.953 5 0.833 8 注：*. 该因子对应相关度最高的月份 Note: *. The factor corresponds to the month with the highest correlation. 
下载: 导出CSV
表 2 多因素预测模型得到的单位捕捞努力量渔获量拟合值与真实值的相对误差
Table 2. Relative error between CPUE predictive value and real value obtained by multi-factor prediction model
模型 Model M1 M2 M3 M4 M5 M6 平均相对误差 Mean relative error/% 4.79 7.79 8.81 27.16 7.78 10.46 注：M1. 包含所有因子的GM (1,6) 模型；M2. 不包含SSH的GM (1,5) 模型；M3. 不包含SST的GM (1,5) 模型；M4. 不包含SSS的GM (1,5) 模型；M5. 不包含Chl-a的GM (1,5) 模型；M6. 不包含SSW的GM (1,5) 模型 Note: M1. GM (1,6) model with all factors; M2. GM (1,5) model without SSH; M3. GM (1,5) model without SST; M4. GM (1,5) model without SSS; M5. GM (1,5) model without Chl-a; M6. GM (1,5) model without SSW
下载: 导出CSV
表 3 3种模型的拟合结果与单位捕捞努力量渔获量真实值的相对误差
Table 3. Relative error between predictive values of three models and real CPUE value
年份
Year真实值
Real valueGM (1,6) 预测值
Predictive value基于Simpson优化的
预测值
Prediction value based
on Simpson formula基于Fourier级数
修正值
Prediction value based
on Fourier series2013 1.856 5 1.856 5 1.856 5 1.844 5 2014 2.376 8 1.975 7 2.082 0 2.355 1 2015 2.656 8 2.717 6 2.457 1 2.712 9 2016 1.932 9 1.973 6 1.991 6 1.852 9 2017 1.915 2 2.199 0 2.108 0 1.991 6 2018 2.150 1 1.922 7 1.868 6 2.076 6 平均相对误差 Mean relative error/% − 7.78 7.69 2.54 2019 2.386 8 2.272 5 2.304 2 2.431 4 相对误差 Relative error/% − 4.79 3.46 1.87
下载: 导出CSV
-
张鹏, 杨吝, 张旭丰, 等. 南海金枪鱼和鸢乌贼资源开发现状及前景[J]. 南方水产, 2010, 6(1): 68-74. EKO S, YE H J, DAI Y, et al. Detailed spatiotemporal impacts of El Niño on phytoplankton biomass in the South China Sea[J]. J Geophys Res Oceans, 2017, 12(2): 123-126. 招春旭, 邱星宇, 何雄波, 等. 南海春季月相、水深、作业时间与鸢乌贼CPUE的关系[J]. 水产学报, 2019, 43(11): 2372-2382. 耿喆, 朱江峰, 夏萌, 等. 数据缺乏条件下的渔业资源评估方法研究进展[J]. 海洋湖沼通报, 2018(5): 130-137. 邓聚龙. 灰色系统基本方法[M]. 武汉: 华中理工大学出版社, 1987: 20-60. 陈新军. 灰色系统理论在渔业科学中的应用[M]. 北京: 中国农业出版社, 2003: 1-32. 袁德宝, 张振超, 张军, 等. 最优化分数阶算子EGM (1,1) 模型在变形监测预报中的应用[J]. 大地测量与地球动力学, 2020, 40(4): 331-334+345. 索瑞霞, 王翔宇, 沈剑. 基于动态无偏灰色马尔科夫模型的煤炭需求量预测[J]. 数学的实践与认识, 2019, 49(13): 179-186. 徐华锋, 刘思峰, 方志耕. GM (1,1) 模型灰色作用量的优化[J]. 数学的实践与认识, 2010, 40(2): 26-32. 高媛媛, 魏勇. 灰色模型背景值优化的一种新方法[J]. 统计与决策, 2020, 36(7): 21-26. CUI J, LIU S F, ZENG B, et al. A novel grey forecasting model and its optimization[J]. Appl Math Model, 2013, 37(6): 4399-4406. doi: 10.1016/j.apm.2012.09.052 孙辰军, 王翠茹, 张江维. 残差灰色预测模型的改进与应用[J]. 统计与决策, 2005(5): 19-20. doi: 10.3969/j.issn.1002-6487.2005.05.010 高雪, 陈新军, 余为. 基于灰色系统的西北太平洋柔鱼冬春生群资源丰度预测模型[J]. 海洋学报, 2017, 39(6): 55-61. 谢恩阁, 周艳波, 冯菲, 等. 中国南海外海鸢乌贼灯光罩网渔业CPUE标准化研究[J]. 大连海洋大学学报, 2020, 35(3): 439-446. 张立, 李渊, 林龙山, 等. 南海中南部主要经济种类渔业资源声学评估[J]. 海洋渔业, 2016, 38(6): 577-587. doi: 10.3969/j.issn.1004-2490.2016.06.003 余景, 胡启伟, 李纯厚, 等. 西沙—中沙海域春季鸢乌贼资源与海洋环境的关系[J]. 海洋学报, 2017, 39(6): 62-73. 冯波, 颜云榕, 张宇美, 等. 南海鸢乌贼 (Sthenoteuthis oualaniensis) 资源评估的新方法[J]. 渔业科学进展, 2014, 35(4): 1-6. doi: 10.11758/yykxjz.20140401 范江涛, 张俊, 冯雪, 等. 南沙海域鸢乌贼渔场与海洋环境因子的关系[J]. 上海海洋大学学报, 2019, 28(3): 419-426. 王言丰, 陈新军, 陈芃, 等. 基于灰色系统西南大西洋阿根廷滑柔鱼资源丰度预测模型的构建[J]. 海洋学报, 2019, 41(4): 64-73. 余胜威. MATLAB优化算法案例分析与应用[M]. 北京: 清华大学出版社, 2004: 46-55. 成枢, 周龙飞, 高秀明. 基于灰色关联GM (1,N)-Markov修正模型的应用[J]. 勘察科学技术, 2019(3): 43-48. doi: 10.3969/j.issn.1001-3946.2019.03.011 方舟, 陈洋洋, 陈新军, 等. 基于不同环境因子的中西太平洋鲣鱼资源丰度灰色预测模型构建[J]. 海洋学研究, 2018, 36(4): 60-67. doi: 10.3969/j.issn.1001-909X.2018.04.008 李庆扬, 王能超, 易大义. 数值分析[M]. 北京: 清华大学出版社, 2008: 32-39. 姜汝翰. 基于灰色模型的青岛港集装箱吞吐量预测研究[D]. 大连: 大连海事大学, 2019: 25-29. DENG Z, KE Y, GONG H, et al. Land subsidence prediction in Beijing based on PS-InSAR technique and improved Grey-Markov model[J]. GISci Remote Sens, 2017, 54(6): 797-818. doi: 10.1080/15481603.2017.1331511 郭雪峰, 黄健元, 王欢. 改进的灰色模型在流动人口预测中的应用[J]. 统计与决策, 2018, 34(08): 76-79. 蒲晓妮, 赵睿, 王江荣. 基于Fourier级数残差修正的灰色Verhulst模型及应用[J]. 自动化与仪器仪表, 2019(8): 98-101. 徐红云, 崔雪森, 周为峰, 等. 基于海洋遥感的南海外海鸢乌贼最适栖息环境分析[J]. 生态学杂志, 2016, 35(11): 3080-3085. 晏磊, 张鹏, 杨炳忠, 等. 南海鸢乌贼产量与表温及水温垂直结构的关系[J]. 中国水产科学, 2016, 23(2): 469-477. 范江涛, 张俊, 冯雪, 等. 基于地统计学的南沙海域鸢乌贼渔场分析[J]. 生态学杂志, 2017, 36(2): 442-446. 常永波. 几种人工神经网络模型在智利竹䇲鱼渔场渔情预报中的比较研究[D]. 上海: 上海海洋大学, 2016: 7-15. SOYKAN C U, EGUCHI T, KOHIN S, et al. Prediction of fishing effort distributions using boosted regression trees[J]. Ecol Appl, 2014, 24(1): 71-83. doi: 10.1890/12-0826.1 HIROSHI S. Application of support vector regression to CPUE analysis for southern bluefin tuna Thunnus maccoyii, and its comparison with conventional methods[J]. Fish Sci, 2014, 80(5): 879-886. doi: 10.1007/s12562-014-0770-6 -
点击查看大图
计量
- 文章访问数: 56
- HTML全文浏览量: 6
- PDF下载量: 10
- 被引次数: 0
粤公网安备 44010502001741号
