2022,
Vol. 31
2. 中国水产科学研究院东海水产研究所 渔业资源遥感信息技术重点开放实验室, 上海 200090;
3. 上海海洋大学 海洋科学学院，上海 201306
秋刀鱼(Cololabis saira)是北太平洋海域重要的经济种类之一，广泛分布在北太平洋温带和亚热带水域[1-2]。目前，主要渔获量来源于中国大陆、中国台湾、韩国、俄罗斯、日本和瓦努阿图等国家与地区，年产量稳定在30万~50万t，具有很大的商业价值和生态价值[3-4]。随着海洋捕捞技术的发展，舷提网成为秋刀鱼捕捞的主要作业网具[5]，该网具属于浮敷式灯诱敷网，放网、诱鱼和起网是捕捞作业的3个主要过程[6-7]。影响舷提网捕捞效率的关键因素为网衣沉降深度和纲索提升速度[8]。网衣沉降深度直接影响舷提网网具诱鱼区的空间体积，进而会影响舷提网的秋刀鱼渔获量。若纲索提升速度过低，舷提网下纲不能及时提升到一定高度，会增加秋刀鱼鱼群的逃逸率，从而影响舷提网网具的捕捞效率[9]。捕捞作业过程中，捕捞操作、网具结构以及水流速度等均会影响秋刀鱼舷提网作业性能[10]。因此，准确了解各因素对网衣沉降深度和纲索提升速度的影响情况对于优化舷提网捕捞方法，提高捕捞效率具有指导性意义。
网具性能影响因素研究是开展网具优化改进的重要前提。秋刀鱼舷提网网具起步较晚，相关研究较少，主要有：郁岳峰等[11]从集鱼灯的角度入手，对舷提网集鱼方法进行实际测试并提出优化改进方案，为舷提网网具的进一步发展奠定基础。张勋等[12]对舷提网网具的设计进行了分析，研究发现舷提网网衣材料使用锦纶时可减少舷提网水动力产生的作用，进而降低网衣变形程度。石永闯等[13]于2016年基于舷提网模型试验，利用多元线性回归分析方法研究舷提网起网过程中纲索张力变化以及与绞网速度和下纲配重的关系，结果显示模型绞网速度在0.36~0.60 m/s时纲索张力增加的幅度较大，侧纲和下纲张力随下纲配重的增加而呈现逐渐增大的趋势。同时，石永闯等[14]利用模型试验和海上实测试验数据对网具的沉降深度和提升速度进行了标准化处理，并利用Bootstrap法分析了舷提网模型试验和海上实测试验结果。目前，秋刀鱼舷提网网具研究主要集中在网具内部结构的分析以及沉降和提升性能的研究，但关于捕捞操作和海洋环境因子对舷提网网具作业状态的影响研究鲜有报道。与此同时，前人对秋刀鱼舷提网性能的研究主要采用多元线性回归方法，该方法仅考虑响应变量与解释变量之间的线性关系，然而，例如海洋环境等因素对作业性能参数的影响可能是非线性的，因此可能会影响研究结果的准确性。提升回归树方法(boosting regression tree，BRT)是一种可以有效计算各影响因子对舷提网网具作业状态影响权重的方法[15]。广义加性模型(generalized additive model, GAM)可以较好地处理解释变量和响应变量之间的非线性关系，同时可获得更为丰富的结果信息[16]。BRT方法和GAM方法已在渔业研究中得到了一定的应用[17]。为此，本研究根据2016年7—10月和2017年6—10月蓬莱京鲁渔业有限公司“鲁蓬远渔019”渔船开展的秋刀鱼舷提网网具性能测试试验收集的作业参数、网具深度以及不同水层水流速度等信息，结合BRT模型影响因子权重分析，基于GAM模型探讨各因素对舷提网捕捞作业状态的影响，以期为确定舷提网作业最佳状态、提高舷提网捕捞效率提供科学依据。
1 材料与方法 1.1 试验水域试验海域为西北太平洋公海秋刀鱼渔场，经度范围为149°E~160°E，纬度范围为38°N~46°N，具体试验站点见图 1。
|
图 1 “鲁蓬远渔019”秋刀鱼舷提网试验海域 Fig. 1 Experiment area of saury stick-held net of "Lupeng Yuanyu 019" |
试验渔船为蓬莱京鲁远洋渔业有限公司“鲁蓬远渔019”，渔船主尺度见表 1。
|
表 1 秋刀鱼舷提网渔船“鲁蓬远渔019”主尺度 Tab.1 Main dimensions of saury stick-held net vessel "Lupeng Yuanyu 019" |
试验网具为“鲁蓬远渔019”实际作业使用的舷提网网具(图 2)，是由16片网衣缝合而成，主尺度为38.3 m×41.7 m(上纲×网衣最大拉直高度)。原型网衣由上缘网衣、下缘网衣、主网衣、侧网衣4部分缝制连接组成，上缘网衣的水平缩结系数为0.476，下缘网衣的水平缩结系数为0.416，侧缘网衣以0.560的纵向缩结系数装配在侧纲上。侧纲两边分别设置22个侧环，用于穿引侧括纲，便于起网时使网形呈深袋状。浮棒由9节合成塑料筒组成，通过计算得到浮力配备为19.21 kN，下纲沉子总质量为620 kg，下纲配重约为16.18 kg/m。网具具体规格见表 2。
|
图 2 秋刀鱼舷提网网图 Fig. 2 Saury stick-held lift net diagram |
|
表 2 “鲁蓬远渔019”舷提网网片参数表 Tab.2 Parameters of stick-held dip net of "Lupeng Yuanyu 019" |
为有效测量舷提网网具最大沉降深度和提升速度，本研究使用加拿大RBR公司生产的自计式温深仪TDR-2050进行测量舷提网不同部位的深度值，测量范围为0~750 m，测量精度为满量程的0.05%。TDR的规格参数：长度为250 mm，直径为40 mm，空气中质量为1.156 kg的刚性圆柱体结构。网衣最大沉降深度根据网衣中部TDR-2050测量值获取，测量之前，TDR设置时间与电脑时间同步，时间间隔设定为5 s，以5 s为时间间隔计算网具的平均提升速度并假设其为瞬时速度，测试结束后将数据通过USB导入电脑。捕捞操作因素有绞网速度(V0)、下纲松放长度(L)以及侧纲松放长度(L1)。其中，绞网速度通过甲板上的绞收机进行测量，下纲松放长度和侧纲松放长度在舷提网捕捞作业过程中均由船长指挥控制。根据实际作业可知秋刀鱼舷提网网具作业水层分布在25~40 m，试验设计中设立了3个水平的水层流速，因此，海洋环境因素包括：10 m水层流速(V10)、30 m水层流速(V30)、60 m水层流速(V60)、风向(Xwd)以及风速(Xws)。不同水层流速通过船用潮流计CI-60G进行测量，测量精度为±0.05 kn，在秋刀鱼舷提网网具作业时从潮流计上直接读取不同水层的流速并记录。风向和风速则通过风向风速仪DIC-AI-SI进行数据采集，其中，风向测量精度为±3°，风速测量精度为±4 kn，数据的采集同样也是在舷提网作业过程中实时读取记录。
1.5 研究方法 1.5.1 权重分析BRT模型是一种集成了分类回归树(classification and regression trees, CART)[18]和提升算法框架的集成学习方法[19]。与传统的统计模型相比具有较多优势，其不容易出现过度拟合，可对不同类型的预测变量进行分析，不受缺失数据的影响[14]。同时，BRT模型有效地描述预测因子之间的交互作用并且可以很直观的表现预测变量与预测因子之间的复杂非线性关系[20-21]。BRT模型在运算过程中多次随机抽取一定量的数据分析自变量对因变量的影响程度，剩余数据用来对拟合结果进行检验，对生成的多重回归树取均值输出，得出自变量对因变量的影响载荷并生成图表[22]。本文利用BRT模型分析各因素对网具最大沉降深度和提升速度的影响的权重，模型数据处理通过R语言软件下的(gradient boosting machine, GBM)函数[21]进行的，抽样率设置为0.8，重复计算次数为10 000次。
1.5.2 GAM模型GAM模型是广义线性模型的延伸，可以更好地表示响应变量和解释变量之间的非线性关系[23]。为了更好地分析各因素对秋刀鱼舷提网网具性能的影响，本文根据各影响因子对网具最大沉降深度和提升速度的影响权重分析，选择影响权重排在前4位的影响因子进行构建GAM模型，其中网具最大沉降深度和提升速度分别作为响应变量，捕捞操作因素和海洋环境因素作为解释变量，GAM模型表达式为
(1)
式中：Y为网具最大沉降深度或网具提升速度，m或m/s；X1~X4分别为根据BRT模型权重分析得到的影响权重排在前4位的影响因子；s为自然立方样条平滑(natural cubespline smoother)；ε为误差项，服从正态分布。
利用赤池信息准则(akaike information criterion, AIC)来检验逐步加入因子后模型的拟合程度，AIC的值越小说明模型拟合效果越佳[24]。利用F检验评估因子的显著性，根据参考自由度(estimated degrees offreedom，EDF)来确定影响因子与相应变量的关系。GAM模型的构建和相关检验均是通过R 4.0.3软件实现的。
2 结果海上实测期间共开展了32次试验，秋刀鱼舷提网网衣最大沉降深度的范围为0~60 m，然而其中7次试验网衣的最大沉降深度为0~10 m，这可能是作业过程中船体移动造成的，因此可用于本研究的有效作业网次为25次，其中传统渔场有效网次为13次，东北渔场海域有效网次为12次(图 1)。
2.1 BRT模型权重分析结果根据BRT模型分别分析了各因素对最大沉降深度和提升速度的影响权重，结果显示，不同因素对最大沉降深度影响贡献率的范围为0.85%~21.05%。其中：30 m水层流速影响贡献率最大，为21.05%；其次是60 m水层流速，贡献率为18.92%；下纲松放长度为第三位，贡献率为16.85%;影响贡献率最小的因素为绞网速度(0.85%)。对于提升速度，各因素影响贡献率范围为0.64%~23.17%，排在前4位的分别为绞网速度(23.17%)、30 m水层流速(20.05%)、10 m水层流速(18.27%)以及60 m水层流速(16.26%)。对提升速度影响最小的为侧纲松放长度，贡献率仅为0.64%。为了减少各因素之间的相互作用，更好地反映解释变量对响应变量的影响，本研究在接下来的GAM模型构建中选择权重排在前4位的因素，即：最大沉降深度GAM模型选取30 m水层流速、60 m水层流速、下纲松放长度以及10 m水层流速，而提升速度GAM模型选取的因素则包括绞网速度、30 m水层流速、10 m水层流速及60 m水层流速。
|
表 3 各影响因素对响应变量的影响权重 Tab.3 Weight of explanatory variables for response variables |
基于GAM模型分析各影响因素对最大沉降深度的影响结果发现，当4个影响因素均存在时AIC的值最小，模型解释率为83.27%。其中，30 m水层流速、60 m水层流速以及下纲松放长度对网衣最大沉降深度的影响显著(P < 0.05)。影响程度方面，影响最大的因素为30 m水层流速，其他影响因素依次为60 m水层流速、下纲松放长度及10 m水层流速。从表 4可以看出，网衣最大沉降深度与下纲松放长度的EDF等于1，说明两者之间成线性关系，最大沉降深度与其他因素均成非线性关系。
|
表 4 网衣最大沉降深度GAM模型结果 Tab.4 GAM model results of main net depth |
相对效应表示各影响因素对网衣最大沉降深度的影响程度。从图 3可以看出，网衣最大沉降深度与下纲松放长度呈线性正相关关系，与30 m水层流速和60 m水层流速呈负相关关系，10 m水层流速对网衣最大沉降深度的影响不显著(P>0.05)。
|
图 3 捕捞操作，海洋环境与最大沉降深度之间关系的GAM分析图 Fig. 3 Relationship among fishing operation, marine environmental factors and main net sinking depth based on the GAM |
基于GAM模型分析各影响因素对提升速度的影响结果发现，当各因素均存在时AIC值最小，模型解释率为78.54%。从表 5中可以看出：绞网速度和水层流速(10 m、30 m和60 m)均显著影响网具提升速度(P < 0.05)，影响程度从大到小依次为绞网速度、30 m水层流速、10 m水层流速以及60 m水层流速，提升速度与各因素之间的关系均呈非线性关系。
|
表 5 提升速度GAM模型结果 Tab.5 GAM model results of lifting speed |
从图 4可以看出，网具提升速度与绞网速度呈线性正相关关系，与10 m水层流速、30 m水层流速和60 m水层流速呈负相关关系，提升速度随着60 m水层流速的增加呈现出先减小后平稳再减小的趋势。
|
图 4 捕捞操作，海洋环境与提升速度之间关系的GAM分析图 Fig. 4 Relationship among fishing operation, marine environmental factors and lifting speed based on the GAM |
由于我国秋刀鱼渔业起步较晚，对于其主要捕捞网具舷提网的研究相对较少，仅有张勋等[12]和石永闯等[13-14]进行了一些研究，但使用方法较为单一，仅考虑了解释变量和响应变量之间的线性关系，研究结果有待进一步探讨。BRT模型是一种基于决策树的集成学习方法，已经在鱼类资源分布、丰度和多样性预测[21, 25]以及鱼类栖息地研究[26]等方面得到应用。与传统的多元线性回归方法相比，BRT模型能自动拟合解释变量的交互作用，并且不易出现过度拟合，泛化误差较低对于新数据的预测精度较高[21]。此外，对于存在非线性关系和异常值的渔业数据，BRT模型的结果会更稳健，更有可能获得最小估计误差。GAM模型在解决响应变量与解释变量间的高度非线性和非单调关系方面具有较强能力，同时可以可视化解释变量与响应变量间的关系，是一种高效的数据探索和分析工具[19]。因此，选择BRT模型和GAM模型对秋刀鱼舷提网网具作业性能影响因素进行研究。
捕捞操作因素和海洋环境因素是影响秋刀鱼舷提网网具捕捞效率的重要因素。通过BRT模型对影响舷提网网具性能指标的因素进行权重分析，量化各因素的贡献比。结果表明，30 m水层流速、60 m水层流速、下纲松放长度以及10 m水层流速为影响网具最大沉降深度的前4位因素，这与唐浩等[27]对围网性能的研究一致。30 m水层流速对于最大沉降深度的影响要高于60 m和10 m水层流速，这也从一定程度上反映出秋刀鱼舷提网网具的作业水层，即舷提网网具作业水层主要分布在25~40 m[13]。影响网具提升速度的前4位因素分别为绞网速度、30 m水层流速、10 m水层流速以及60 m水层流速。舷提网网具提升过程中，绞网速度的大小将直接影响到网具的提升速度，于此同时，水流同样会对网具进行冲击，影响到网具的提升速度，这与石永闯等[8]的研究结果一致。
3.2 捕捞操作和海洋环境对网衣沉降深度影响秋刀鱼舷提网实际作业时发现，网具在沉降的过程中受到海流等因素的影响不易沉降，这将直接影响秋刀鱼捕捞的空间体积，导致捕获较深水层的鱼群比较困难，因此网衣最大沉降深度是反映网具捕捞性能的参数，也是舷提网网具渔法研究的重要参数[28]。
研究结果显示，30 m水层流速、60 m水层流速以及下纲松放长度对网衣最大沉降深度具有显著影响(P < 0.05)。刘树椿[29]对深水围网的沉降性能进行了试验测试，结果发现海流流速是影响网具沉降的重要因素，在渔场海流流速较大时，网具的有效捕捞深度仅为网具最大拉直高度的18%，海流流速越大，对网具的沉降越不利。周成等[30]研究表明网具沉降深度和海流流速之间为二次曲线的反比关系，流速越大，网衣的沉降深度就越小，当流速从0.2 kn上升到0.8 kn时，网具的沉降深度降低了33%~37%，这与本研究结果一致。本研究结果同样表明沉降深度随着海流流速的增加而逐渐减小，两者之间的关系为非线性负相关关系(图 3)。与此同时，研究结果表明30 m水层流速的影响要高于60 m水层流速，这是因为舷提网网具作业水层主要为25~40 m，这与石永闯等[8]对舷提网网具性能的研究结果相吻合。因此，在实际捕捞作业过程中，船长需要充分考虑下网深度和海流环境情况，尽量选择海流较小的时间点进行下网。
下纲松放长度是影响舷提网网具沉降的重要因素。刘树椿[29]研究显示，当海流速度不变时，括纲的长度减少19 m，网具沉降深度减少1 m。本研究GAM模型结果表明，下纲松放长度与网衣最大沉降深度是呈正相关关系，即在一定范围内下纲松放长度越大，网衣最大沉降深度越大。在舷提网实际捕捞过程中，如何确定好下纲松放长度，使得舷提网网衣下降到一定深度并保持良好的网形对于提高舷提网网具捕捞效率有重要意义。
3.3 捕捞操作和海洋环境对纲索提升速度影响秋刀鱼是一种海洋小型中上层洄游性鱼类，具有游泳速度快，行动敏捷等行为特点[31]，起网作业时必须快速将侧纲、下纲绞起，将网兜迅速围起把鱼包围在网衣中，防止鱼群从缺口处逃逸。因此，本研究选取纲索提升速度作为影响网具作业性能的重要因素进行分析。研究结果显示参与构建网具提升速度GAM模型的4个影响因素(绞网速度、10 m水层流速、30 m水层流速和60 m水层流速)均显著影响网具提升速度(P < 0.05)。在网具提升过程中，网具会受到海流冲击的影响使得网具提升受到一定的阻力，导致网具提升速度有所降低。30 m水层流速的影响要高于60和10 m水层流速，再一次验证了石永闯等[8]的结论。徐国强等[28]通过对金枪鱼围网的提升性能研究发现，当水流速度增加时，网具的提升速度会随之减小，两者之间为非线性负相关关系，这与本研究结果相吻合。IITAKA[32]开展了围网模型试验发现，网具收绞时网衣在海流的作用下会有较多的松弛，这将影响到下纲的提升速度，该结果与本研究一致。因此，在秋刀鱼舷提网提升过程中可将不同水层的海流流速作为主要的外部环境因子，这对于秋刀鱼舷提网网具操作具有一定的参考意义。
GAM模型结果显示，绞网速度直接影响着舷提网网具的提升速度，两者之间呈正相关关系，四种影响因素中，绞网速度对提升速度的影响最为显著，这与徐国强等[33]和KIM[34]的研究一致。根据研究结果发现，可以通过适当的提高舷提网绞收速度来增加网具提升速度，进而优化舷提网网具性能。
3.4 捕捞建议本研究首次利用BRT和GAM模型对秋刀鱼舷提网作业性能的影响因素进行分析，研究结果可对秋刀鱼舷提网网具捕捞效率的提高及网具优化提供重要参考。根据本研究结果对舷提网网具实际捕捞提出以下建议：(1)鱼群通过声呐确定后，准备下网时，首先要考虑该海域的海流流速，尽可能的在流速相对较小的时间点进行放网，这样有利于增大网衣的最大沉降深度，进而增加鱼群诱集的空间体积。另外，在保证作业安全的情况下可通过适当增加下纲松放长度来增加网具沉降深度。(2)在网具提升阶段，可结合实际情况适当提高绞网速度，以提高网具提升速度，达到快速包围降低鱼群逃逸率的目的。与网具沉降深度相似，网具提升时也要充分考虑海流流速，尽量在海流较低的情况下开始提升舷提网网具。
| [1] |
CHANG Y J, LAN K W, WALSH W A, et al. Modelling the impacts of environmental variation on habitat suitability for Pacific saury in the northwestern Pacific Ocean[J]. Fisheries Oceanography, 2019, 28(3): 291-304. DOI:10.1111/fog.12408 |
| [2] |
WATANABE Y, LO N C H. Larval production and mortality of Pacific saury, Cololabis saira, in the northwestern Pacific Ocean[J]. Fishery Bulletin, 1989, 87(3): 601-613. |
| [3] |
花传祥, 高玉珍, 朱清澄, 等. 基于耳石微结构的西北太平洋秋刀鱼(Cololabis saira)年龄与生长研究[J]. 海洋学报, 2017, 39(10): 46-53. HUA C X, GAO Y Z, ZHU Q C, et al. Age and growth of Pacific saury (Cololabis saira) in the northwest Pacific Ocean based on statolith microstruture[J]. Acta Ocean-ologica Sinica, 2017, 39(10): 46-53. DOI:10.3969/j.issn.0253-4193.2017.10.004 |
| [4] |
石永闯, 朱清澄, 黄硕琳, 等. 基于贝叶斯Schaefer模型的西北太平洋秋刀鱼资源评估和管理[J]. 渔业科学进展, 2019, 40(5): 1-10. SHI Y C, ZHU Q C, HUANG S L, et al. Stock assessment of Pacific suary (Cololabis saira) in the northwest Pacific using a Bayesian Schaefer model[J]. Progress in Fishery Sciences, 2019, 40(5): 1-10. |
| [5] |
王明彦, 张勋, 徐宝生. 秋刀鱼Cololabis saira (Brevoort)舷提网渔业的现状及发展趋势[J]. 现代渔业信息, 2003, 18(4): 3-7. WANG M Y, ZHANG X, XU B S. The statusand development trend of stick-heldnet fishery for Cololabis saira (Brevoort)[J]. Modern Fisheries Information, 2003, 18(4): 3-7. DOI:10.3969/j.issn.1004-8340.2003.04.001 |
| [6] |
HUBBS C L, WISNER R L. Revision of the sauries (Pisces, Scomberesocidae) with descriptions of two new genera and one new species[J]. Fish Bulletin, 1980, 77(3): 521-566. |
| [7] |
朱清澄, 张衍栋, 夏辉, 等. 秋刀鱼集鱼灯箱内不同灯位的照度实验比较研究[J]. 上海海洋大学学报, 2013, 22(5): 778-783. ZHU Q C, ZHANG Y D, XIA H, et al. Comparative study of different saury aggregation light experiment[J]. Journal of ShanghaiOcean University, 2013, 22(5): 778-783. |
| [8] |
石永闯, 朱清澄, 花传祥, 等. 基于海上实测的秋刀鱼舷提网沉降和提升性能研究[J]. 海洋通报, 2018, 37(4): 459-467. SHI Y C, ZHU Q C, HUA C X, et al. Sinking and rising performance of saury stick-held basedon field measurements[J]. Marine Science Bulletin, 2018, 37(4): 459-467. |
| [9] |
YANG C X, LOU X B, MATSUI T, et al. Evaluating the technical efficiencies of fishing vessels to achieve effective management of overexploited fisheries[J]. Mitigation and Adaptation Strategies for Global Change, 2017, 22(8): 1149-1162. DOI:10.1007/s11027-016-9719-7 |
| [10] |
HUANG W B, HUANG Y C. Maturity characteristics of Pacific saury during fishing season in the northwest Pacific[J]. Journal of Marine Science and Technology, 2015, 23(5): 819-826. |
| [11] |
郁岳峰, 张勋, 黄洪亮, 等. 秋刀鱼舷提网集鱼方法的研究[J]. 浙江海洋学院学报(自然科学版), 2006, 25(2): 154-156. YU Y F, ZHANG X, HUANG H L, et al. Study on attracting fish method of stick-held net for Cololabis saira[J]. Journal of Zhejiang Ocean University (Natural Science), 2006, 25(2): 154-156. DOI:10.3969/j.issn.1008-830X.2006.02.008 |
| [12] |
张勋, 郁岳峰, 黄洪亮, 等. 秋刀鱼舷提网渔具设计的研究[J]. 浙江海洋学院学报(自然科学版), 2006, 25(1): 40-45. ZHANG X, YU Y F, HUANG H L, et al. The study on designing method of stick-held net for Cololabis saira[J]. Journal of Zhejiang Ocean University(Natural Science), 2006, 25(1): 40-45. DOI:10.3969/j.issn.1008-830X.2006.01.008 |
| [13] |
石永闯, 朱清澄, 张衍栋, 等. 基于模型试验的秋刀鱼舷提网纲索张力性能研究[J]. 中国水产科学, 2016, 23(3): 704-712. SHI Y C, ZHU Q C, ZHANG Y D, et al. Factors influencing the rope tension of saury stick-held lift nets[J]. Journal of Fishery Sciences of China, 2016, 23(3): 704-712. |
| [14] |
石永闯, 朱清澄, 花传祥, 等. 秋刀鱼舷提网渔具性能模型试验与海上实测结果的比较评估[J]. 海洋学报, 2019, 41(2): 123-133. SHI Y C, ZHU Q C, HUA C X, et al. Evaluation of saury stick-held net performance between model test and on-sea measurements[J]. Acta Oceanologica Sinica, 2019, 41(2): 123-133. DOI:10.3969/j.issn.0253-4193.2019.02.012 |
| [15] |
DE'ATH G. Boosted trees for ecological modeling and prediction[J]. Ecology, 2007, 88(1): 243-251. DOI:10.1890/0012-9658(2007)88[243:BTFEMA]2.0.CO;2 |
| [16] |
BERG D. Bankruptcy prediction by generalized additive models[J]. Applied Stochastic Models in Business and Industry, 2007, 23(2): 129-143. |
| [17] |
刘志强, 许柳雄, 唐浩, 等. 拖网作业参数对南极磷虾捕捞效率的影响[J]. 中国水产科学, 2019, 26(6): 1205-1212. LIU Z Q, XU L X, TANG H, et al. Effects of trawling operation parameters on the fishing efficiency of Antarctic krill[J]. Journal of Fishery Sciences of China, 2019, 26(6): 1205-1212. |
| [18] |
BREIMAN L, FRIEDMAN J H, OLSHEN R A, et al. Classification and regression trees[M]. Boca Raton: Routledge, 1984: 1-368.
|
| [19] |
HASTIE T, TIBSHIRANI R, FRIEDMAN J. The elements of statistical learning: data mining, inference, and prediction[M]. New York: Springer-Verlag, 2001: 299-345.
|
| [20] |
TIAN Y J, UENO Y, SUDA M, et al. Decadal variability in the abundance of Pacific saury and its response to climatic/oceanic regime shifts in the northwestern subtropical Pacific during the last half century[J]. Journal of Marine Systems, 2004, 52(1/4): 235-257. |
| [21] |
ELITH J, LEATHWICK J R, HASTIE T. A working guide to boosted regression trees[J]. Journal of Animal Ecology, 2008, 77(4): 802-813. DOI:10.1111/j.1365-2656.2008.01390.x |
| [22] |
FRIEDMAN J, HASTIE T, TIBSHIRANI R. Additive logistic regression: a statistical view of boosting (with discussion and a rejoinder by the authors)[J]. The Annals of Statistics, 2000, 28(2): 337-407. |
| [23] |
官文江, 陈新军, 高峰, 等. GLM模型和回归树模型在CPUE标准化中的比较分析[J]. 上海海洋大学学报, 2014, 23(1): 123-130. GUAN W J, CHEN X J, GAO F, et al. Comparisons of regression treeand GLM performance in CPUE standardization[J]. Journal of Shanghai Ocean University, 2014, 23(1): 123-130. |
| [24] |
陈明鑫, 许柳雄, 唐浩, 等. 基于多元变量的南极磷虾拖网作业状态影响因素分析[J]. 上海海洋大学学报, 2021, 30(1): 144-154. CHEN M X, XU L X, TANG H, et al. Factors influencing the trawling status of Antarctic krill fishery based on multivariate analysis[J]. Journal of Shanghai Ocean University, 2021, 30(1): 144-154. |
| [25] |
FROESCHKE B F, TISSOT P, STUNZ G W, et al. Spatiotemporal predictive models for juvenile southern flounder in Texas estuaries[J]. North American Journal of Fisheries Management, 2013, 33(4): 817-828. DOI:10.1080/02755947.2013.811129 |
| [26] |
LEWIN W C, MEHNER T, RITTERBUSCH D, et al. The influence of anthropogenic shoreline changes on the littoral abundance of fish species in German lowland lakes varying in depth as determined by boosted regression trees[J]. Hydrobiologia, 2014, 724(1): 293-306. DOI:10.1007/s10750-013-1746-8 |
| [27] |
唐浩, 许柳雄, 王学昉, 等. 基于网具模型试验的金枪鱼围网性能分析[J]. 中国水产科学, 2015, 22(3): 563-573. TANG H, XU L X, WANG X F, et al. Performance analysis of a tuna purse seine model[J]. Journal of Fishery Sciences of China, 2015, 22(3): 563-573. |
| [28] |
徐国强, 许柳雄, 周成, 等. 基于海上实测的金枪鱼围网下纲沉降及提升性能[J]. 海洋渔业, 2015, 37(2): 171-178. XU G Q, XU L X, ZHOU C, et al. Sinking and rising performance of tuna purse seine lead line based on field measurements[J]. Marine Fisheries, 2015, 37(2): 171-178. |
| [29] |
刘树椿. 深水围网沉降性能的测试及渔法研究[J]. 水产学报, 1988, 12(2): 95-104. LIU S C. An experimental research on sinking per formance of purse seine in deeper waters of the East China Sea[J]. Journal of Fisheries of China, 1988, 12(2): 95-104. |
| [30] |
周成, 许柳雄, 张新峰, 等. 金枪鱼围网沉降性能影响因子的多元回归分析[J]. 中国水产科学, 2013, 20(3): 672-681. ZHOU C, XU L X, ZHANG X F, et al. Multiple regression analysis of the factors affecting the sinking per-formance of large-scale tuna purse seine[J]. Journal of Fishery Sciences of China, 2013, 20(3): 672-681. |
| [31] |
SUYAMA S, OSHIMA K, NAKAGAMI M, et al. Seasonal changes in otolith and somatic growth in age-0 Pacific saury Cololabis saira[J]. Fisheries Science, 2011, 77(2): 223-233. |
| [32] |
IITAKA Y. Model experiments on the sardine purse seine operatingin Hyuganada-6[J]. Bull JpnSocSci Fish, 1958, 24(6/7): 407-410. |
| [33] |
徐国强, 许柳雄, 周成, 等. 金枪鱼围网下纲提升特性的研究[J]. 南方水产科学, 2015, 11(3): 22-28. XU G Q, XU L X, ZHOU C, et al. Measurement and analysis of rising characteristics oftuna purse seine leadline[J]. South China Fisheries Science, 2015, 11(3): 22-28. |
| [34] |
KIM Y H. Geometry of the model purse seine in relation to enclosed volume during hauling operation[J]. Fisheries and Aquatic Science, 2000, 3(2): 156-162. |
2. Key and Open Laboratory of Oceanic Laboratory of Remote Sensing Information Technology in Fishing Resource, East China Sea Fisheries Research Institute, Chinese Academy of Fishery Science, Shanghai 200090, China;
3. College of Marine Sciences, Shanghai Ocean University, Shanghai 201306, China