陸化杰, 陳新軍, 曹 杰

(1. 上海海洋大學(xué)海洋科學(xué)學(xué)院， 上海 201306；2. 上海海洋大學(xué)大洋生物資源可持續(xù)開發(fā)和利用上海市高校重點實驗室， 上海 201306；3.上海海洋大學(xué)大洋漁業(yè)可持續(xù)開發(fā)省部共建教育部重點實驗室， 上海 201306；4. 美國緬因大學(xué)，美國緬因州 04469)

基于GLBM模型的中國大陸阿根廷滑柔魚魷釣漁業(yè)CPUE標準化

陸化杰1, 2,3, 陳新軍1,2,3,*, 曹 杰4

(1. 上海海洋大學(xué)海洋科學(xué)學(xué)院， 上海 201306；2. 上海海洋大學(xué)大洋生物資源可持續(xù)開發(fā)和利用上海市高校重點實驗室， 上海 201306；3.上海海洋大學(xué)大洋漁業(yè)可持續(xù)開發(fā)省部共建教育部重點實驗室， 上海 201306；4. 美國緬因大學(xué)，美國緬因州 04469)

西南大西洋阿根廷滑柔魚既是西南大西洋生態(tài)系統(tǒng)中的重要種類，也是魷釣漁業(yè)的重要捕撈對像。單位捕撈努力量漁獲量(CPUE)是表示漁業(yè)資源狀況及其豐度的常用指標。根據(jù)2000—2010年中國大陸魷釣船在西南大西洋的生產(chǎn)統(tǒng)計數(shù)據(jù)和海洋衛(wèi)星遙感獲得的海洋環(huán)境數(shù)據(jù)(表溫，表溫水平梯度，海面高度，葉綠素濃度)，利用基于貝葉斯的廣義線性模型(GLBM)，分未加入固定交互選項、加入固定交互選項和加入隨機交互選項3種情況對中國大陸西南大西洋阿根廷滑柔魚魷釣漁業(yè)的CPUE進行標準化。根據(jù)偏差信息準則 (DIC)值最小來確定最佳貝葉斯模型。結(jié)果表明，包含緯度、海表溫度、表溫水平梯度、海面高度、月×緯度、月×經(jīng)度及年×緯度變量且加入隨機交互項的GLBM模型為最適。標準化后的CPUE較名義CPUE小，年間變化平緩。與廣義線性模型(GLM)和廣義加性模型(GAM)標準化的CPUE比較，GLBM模型更能反映其資源豐度的真實水平。研究認為，2001—2010年間經(jīng)GLBM模型標準化后的CPUE呈現(xiàn)逐年下降的趨勢。

阿根廷滑柔魚；CPUE標準化；GLBM模型；西南大西洋；中國大陸

阿根廷滑柔魚Illexargentinus是大洋性淺海種，分布廣、產(chǎn)量高、波動大[1- 3]。對資源量進行正確評估是對漁業(yè)進行科學(xué)管理和合理開發(fā)的關(guān)鍵[4]。國外一些學(xué)者利用不同方法對西南大西洋阿根廷滑柔魚的資源量進行過評估，但結(jié)果存在很大差異[6- 7]。單位捕撈努力量漁獲量(CPUE)通常作為魚類資源豐度的相對指數(shù)，是漁業(yè)資源評估的基礎(chǔ)內(nèi)容之一[3, 5]。CPUE標準化受到諸如捕撈能力(漁船噸位和馬力，漁具，助漁設(shè)備等)、海洋環(huán)境條件(水溫，葉綠素等)、時間和空間要素(年、月、經(jīng)度、緯度)等眾多因素的影響[8- 9]。因此，為了排除外界因素對CPUE的影響和干擾，資源評估時需要對CPUE進行標準化，使其能夠最真實反映漁業(yè)資源的豐度變化[10]。本文根據(jù)2000—2010年中國大陸魷釣船在西南大西洋的生產(chǎn)統(tǒng)計數(shù)據(jù)，結(jié)合海洋環(huán)境等因子, 應(yīng)用基于貝葉斯的廣義線性模型(GLBM)對該漁業(yè)CPUE進行標準化，并進行CPUE標準化不同模型的比較，為西南大西洋阿根廷滑柔魚資源評估提供基礎(chǔ)。

1 材料和方法

1.1 數(shù)據(jù)來源

商業(yè)性生產(chǎn)數(shù)據(jù)來源于中國遠洋漁業(yè)協(xié)會上海海洋大學(xué)魷釣技術(shù)組, 時間為2000—2010年。數(shù)據(jù)字段包括日期、經(jīng)度、緯度、產(chǎn)量、作業(yè)次數(shù)。時間分辨率為天, 空間分辨率為0.5°×0.5°(定義為1個漁區(qū))。考慮到中國大陸在西南大西洋魷釣漁船基本上屬于大型專業(yè)魷釣船，漁船技術(shù)參數(shù)基本相同，在本研究中忽略其影響。

海洋環(huán)境數(shù)據(jù)包括表層溫度(SST)、海平面高度(SSH)和葉綠素(Chl-a)。其中，SST數(shù)據(jù)來源于http://iridl.ldeo.columbia.edu, 空間分辨率為1°×1°；SSH和Chl-a數(shù)據(jù)來源于http://oceanwatch.pifsc.noaa.gov/las/servlets/dataset, 分辨率分別為0.25°×0.25°和0.05°×0.05°。3個海洋環(huán)境數(shù)據(jù)時間跨度均為2000—2010年，空間范圍均為35°—55°S、45°—70°W。

1.2 漁業(yè)統(tǒng)計數(shù)據(jù)和環(huán)境數(shù)據(jù)的匹配

CPUE定義為每艘船每天的捕撈產(chǎn)量，則第i年、l月、k經(jīng)度、j緯度(分辨率為0.5°×0.5°)的CPUE為:

(1)

式中, ∑Catchi,l,k,j為第i年、l月、k經(jīng)度、j緯度(0.5°×0.5°)總產(chǎn)量 (t)，∑Ei,l,k,j為對應(yīng)的總作業(yè)天數(shù)(d)[8]。

SST轉(zhuǎn)化公式如下:

(2)

式中,SSTi,l,k,j為i年、l月、k經(jīng)度、j緯度(0.5°×0.5°)平均SST，SSTx為i年、l月、k經(jīng)度、j緯度中的某個SST數(shù)據(jù)[9]。

表面溫度水平梯度(horizontal gradient of sea surface temperature, GSST)由其周邊海區(qū)的SST計算而來，k緯度、j經(jīng)度的GSST計算公式如下[ 11]:

(3)

由于SSH和Chl-a分辨率高于產(chǎn)量分辨率，在研究過程中對其取平均值以代表某一漁區(qū)的數(shù)值。

1.3 GLBM 模型

1.3.1 對數(shù)正態(tài)的基本模型

GLBM的基本模型為GLM模型，是利用貝葉斯的統(tǒng)計方法對(Generalized linear models)GLM模型進行估算，因此本研究假設(shè)CPUE服從對數(shù)正態(tài)分布[9]:

(4)

(5)

式中,yeari表示第i年, monthl表示第l月, lonk表示經(jīng)度為k，lati表示緯度為j, SST、GSST、Chl-a分別表示第i年、l月、經(jīng)度為k，緯度為j漁區(qū)內(nèi)的SST、GSST和Chl-a，Interations為交互選項。

(6)

本研究中將GLBM模型分3種情況進行，即未加入固定交互選項、加入固定交互選項和加入隨機交互選項[13- 14]。

1.3.2 參數(shù)的先驗概率

貝葉斯統(tǒng)計估算方法要求給定模型參數(shù)的先驗概率。結(jié)合其他學(xué)者的研究[15]，本文假設(shè)了模型的參數(shù)為不可知的。假設(shè)模型中的yeari、monthi、latj和lonk服從均值為0，方差為100000的正態(tài)分布，這種方差很大的正態(tài)分布接近均勻分布；假設(shè)模型中的σ2服從反gamma分布即1/σ2——Gamma (0.001,0.0001)，0.001和0.0001分別表示Gamma分布的形狀和比例[14]。對于非層次對數(shù)線性模型，假設(shè)交互項的先驗概率分布為正態(tài)分布，Interactions——N (Uc,σc2)，參數(shù)Uc服從均值為0，方差為100000的正態(tài)分布，Uc——N (0, 100000)，1/σc2——Gamma (0.001,0.0001)。對于這些給定的參數(shù)進行敏感性測試，特別是σ2參數(shù)。

1.3.3 利用預(yù)測的CPUE估算資源量豐度指數(shù)

由于各月西南大西洋魷釣漁船CPUE分布集中，使得CPUE存在誤差。為了解決該問題，本研究利用GLBM模型對2000—2010年1—7月各月未作業(yè)區(qū)域(除了當月作業(yè)區(qū)域外的所有其他年和月作業(yè)過的區(qū)域)的CPUE進行預(yù)測估算[13]。因此，月平均資源量豐度指數(shù)可以表示為:

(7)

式中,Ai,l為第i年第l月的資源量豐度指數(shù)；如果利用預(yù)測的CPUE，則TG為2000—2010年1—7月所有作業(yè)過的區(qū)域；如果不利用預(yù)測的CPUE，則TG表示為第i年第l月的實際作業(yè)區(qū)域。

1.3.4 模型選擇和計算

隨著人們生活水平的提升，對富含特色的產(chǎn)品更加追求，對此富含傳統(tǒng)居民元素的藝術(shù)文化產(chǎn)品、作品更被市場看好。傳統(tǒng)居民元素利用鄉(xiāng)土文化氣息這一文化特征，可提高人們的舒適度。在陶瓷藝術(shù)設(shè)計中的應(yīng)用，可以突顯作品返璞歸真的文化特征。不僅對傳統(tǒng)民族文化有傳承作用，同時也拓展了傳統(tǒng)文化的傳播途徑，間接帶動了陶瓷設(shè)計作品的特色發(fā)展。傳統(tǒng)民居元素的設(shè)計，強調(diào)與自然環(huán)境和諧相處，圍繞自然生態(tài)理念，將陶瓷藝術(shù)設(shè)計作品回歸到自然生態(tài)的本源。傳統(tǒng)居民元素在現(xiàn)代建筑中的應(yīng)用另類感強，對此其文化功用在建筑中難以有效體現(xiàn)。在陶瓷藝術(shù)設(shè)計中的應(yīng)用，將自然觀等生態(tài)文化充分體現(xiàn)，側(cè)面烘托出了設(shè)計者的思想、人文情懷。

首先將解釋變量(除去交互項)依次加入GLBM模型，得到包含不同個數(shù)解釋變量的GLBM模型。然后加入交互項(monthl× latj、yeari× lonk、monthl× lonk和yeari× latj)分別進行非層次和層次的分析。選取DIC(Deviance Information Criterion)值最小的為最佳模型。DIC是對AIC和BIC(Bayesian Information Criterion)的概括，用于通過蒙特卡羅(Markov Chain Monte Carlo，MCMC)模擬計算后驗概率的貝葉斯模型的選擇[16]。DIC的計算方法為:

(8)

所有的貝葉斯分析和建模計算過程都是通過R version 2.10.0和WinBUGS14[17]軟件計算完成的。MCMC的迭代次數(shù)根據(jù)收斂評估計算而得，收斂評估時使用兩條鏈。為了確保樣本抽樣的可靠性和穩(wěn)定性選取丟棄適當?shù)某闃哟螖?shù)。MCMC迭代預(yù)算時所有參數(shù)的初始值設(shè)置為0[13]。

2 結(jié)果

2.1 CPUE空間分布

K-S檢驗顯示，ln(CPUE+1)趨向于服從正態(tài)分布(μ=2.22，σ=1.06)，因此關(guān)于CPUE服從對數(shù)據(jù)正態(tài)分布的假設(shè)，以及采用GLBM模型進行研究是合適的。GLBM分析基于1543個數(shù)據(jù)，其中1537個的捕撈量大于0。從圖1可看出，2000—2010年的捕撈區(qū)域由438個點組成，然而月捕撈努力量的分布僅僅占據(jù)39個點或者更少。大部分的捕撈努力量都發(fā)生在1—5月，6月和7月的數(shù)據(jù)只是很小的一部分。

圖1 2000—2010年和2005年1月隨機選取的中國大陸阿根廷滑柔魚魷釣漁業(yè)捕撈努力量分布Fig.1 The distributions of fishing efforts for Illex argentinus by Chinese mainland squid jigging fishery during 2000 to 2010 and during January of 2005 (random selected from all the fishing months during 2000 to 2010)

2.2 模型選擇和比較

2.2.1 未加入固定交互選項

GLBM分析表明，當未考慮交互項時，yeari、Chl-a和lonk變量對CPUE沒有顯著影響(Pgt;0.05)，其余的變量對CPUE都有顯著影響(Plt;0.05),其中變量SST對CPUE的影響最大，剩下的依次為monthl、latj、SSH和GSST(表1)。根據(jù)DIC的結(jié)果，未考慮交互效應(yīng)的最佳GLBM模型(DIC=3603.56)為:

(9)

GLBM模型中各變量的后驗概率分布圖見圖2。

2.2.2 加入固定交互選項

GLBM分析表明，當加入固定交互項時，yeari、lonk和Chl-a變量對CPUE沒有顯著的影響(Pgt; 0.05)，其余變量對CPUE都有顯著的影響(Plt;0.05)，其中變量SST對CPUE的影響最大，剩下的依次為latj、monthl、SSH、GSST、year×latj、month×latj、year×lonk和month×lonk(表2)。根據(jù)DIC值(DIC=3598.76)，加入固定交互效應(yīng)的最佳GLBM模型為:

表1 未加入交互項時解釋變量的后驗概率分布及模型結(jié)果

圖2 未考慮交互效應(yīng)時模型參數(shù)的后驗概率分布Fig.2 The marginal density distribution of posterior for the model in which interaction terms were excluded

(10)

GLBM模型中各變量的后驗概率分布見圖3。

圖3 考慮固定交互效應(yīng)時模型參數(shù)的后驗概率分布Fig.3 The marginal density distribution of posterior for the model in which fixed effect interaction terms were included

2.2.3 加入隨機交互選項

GLBM分析表明，當加入隨機交互項時，yeari、lonk、Chl-a和month×lonk變量對CPUE沒有顯著的影響(Pgt;0.05)，其余的變量對CPUE都有顯著的影響(P lt; 0.05)，其中變量SST對CPUE的影響最大，剩下的依次為latj、SSH、GSST、year×latj、month×latj和month×lonk(表3)。根據(jù)DIC值(DIC=3590.46)，加入隨機交互效應(yīng)的最佳GLBM模型為:

(11)

GLBM模型中各變量的后驗概率分布圖見圖4。

表2加入假設(shè)固定影響的交互項時解釋變量的后驗概率分布及模型結(jié)果

Table2Posteriordistributionofcovariatesandsummarystatisticsforselectednon-hierarchicalmodelinwhichfixedeffectinteractiontermsareincluded

來源Node平均值Mean標準差SD計算誤差MCerror2.50%中值Median97.50%分析次數(shù)AnalysistimesPSST0.12150.01391.095×10-38.891×10-20.12320.1283500002.883×10-3latitude5.530×10-23.834×10-27.699×10-4-0.32820.05810.1202500003.509×10-3month-0.97490.42758.552×10-3-1.6326-1.0291-0.1401500006.087×10-3SSH3.946×10-32.363×10-34.725×10-5-1.055×10-33.684×10-38.168×10-3500002.597×10-2GSST0.07810.05581.118×10-3-3.013×10-20.07530.1861500002.962×10-2year×latitude5.693×10-53.159×10-56.318×10-7-1.566×10-85.246×10-51.233×10-4500003.015×10-2month×latitude7.931×10-36.893×10-34.725×10-51.379×10-48.251×10-3-2.043×10-3500003.127×10-2year×longitude-5.930×10-53.889×10-57.778×10-7-1.249×10-4-5.891×10-51.208×10-5500003.264×10-2month×longi-tude1.138×10-28.690×10-31.738×10-4-4.994×10-31.244×10-22.740×10-2500003.633×10-21/σ20.68092.440×10-24.882×10-40.63460.680.732650000

表3加入假設(shè)隨機影響的交互項時解釋變量的后驗概率分布及模型結(jié)果

Table3Posteriordistributionofcovariatesandsummarystatisticsforselectedhierarchicalmodelinwhichrandomeffectinteractiontermsareincluded

來源Node平均值Mean標準差SD計算誤差MCerror2.50%中值Median97.50%分析次數(shù)AnalysistimesPSST3.903×10-25.77×10-21.118×10-3-7.219×10-23.809×10-20.1548500002.097×10-3GSST8.502×10-31.877×10-32×10-54.871×10-37.222×10-39.878×10-3500002.349×10-3SSH-1.631×10-5-1.717×10-51.824×10-74.783×10-52.931×10-51.473×10-5500003.671×10-3year×latitude1.857×10-51.343×10-51.432×10-7-6.237×10-41.799×10-54.345×10-5500002.982×10-2month×latitude2.597×10-29.370×10-39.988×10-58.543×10-31.917×10-24.292×10-3500003.093×10-2month×longi-tude-1.846×10-26.991×10-37.451×10-5-3.111×10-2-1.846×10-2-5.538×10-2500003.259×10-21/σ20.67552.456×10-22.619×10-40.62850.67530.724850000

圖4 考慮隨機影響的交互效應(yīng)時模型參數(shù)的后驗概率分布Fig.4 The marginal density distribution of posterior for model in which random effect interaction terms were included

根據(jù)3種方法(未加交互項、加入固定影響交互項和加入隨機影響的交互項)得出的結(jié)果見表4，根據(jù)DIC比較，加入隨機交互效應(yīng)的模型為最佳GLBM模型。

表43種模型得到的最佳結(jié)果(未加交互項，加入固定交互項，加入隨機交互項)

Table4Resultsofthebest-fittingmodelsderivedfromthethreemodels(Interaction terms excluded, Fixed effects interaction terms included, and Random effects interaction term included)

方法Approach模型ModelsDIC未加交互項InteractiontermsexcludedUi,j,k,l=monthl+latj+SST+SSH+GSST3603.58加入固定交互項FixedeffectsinteractiontermsincludedUi,j,k,l=latj+monthl+SST+SSH+GSST+yeari×lonk+monthl×lonk+yearl×latj+monthi×latj3598.76加入隨機交互項RandomeffectsinteractiontermincludedUi,j,k,l=latj+SST+GSST+SSH+monthl×lonk+yeari×latj+monthl×latj3590.43

2.3 名義CPUE和標準化CPUE的比較

2.3.1 年均CPUE比較

由圖5a可見，除了2004年和2010年以外，其余年間經(jīng)GLBM模型標準化后的CPUE明顯低于或接近名義CPUE。2000—2003年名義CPUE波動范圍為7.13—10.40 t/d，且波動幅度不大，但2004—2008年和2009—2010年間，名義CPUE變化幅度很大，波動范圍為3.39—29.17 t/d。然而經(jīng)過GLBM模型標準化后的CPUE卻波動相對平緩，2000—2010年間，波動范圍介于5.45—9.29 t/d。

2.3.2 月均CPUE比較

由圖5b可知，除了2004年1—5月、2010年1—5月標準化后的月均CPUE較名義月均CPUE高以外，其余所有年間的各月份，經(jīng)GLBM模型標準化后的CPUE都低于或者接近對應(yīng)的名義CPUE。總體而言，名義CPUE波動幅度比較大，且數(shù)值較大(范圍為0.68—38.72t/d)，經(jīng)GLBM模型標準化后的CPUE則波動幅度較小(范圍為1.31—11.27t/d)。

圖5 2000—2010年阿根廷滑柔魚漁業(yè)年(a)和月(b)均名義CPUE與GLBM模型標準化后CPUE的關(guān)系Fig.5 Relationship between annual (a) and monthly (b) nominal CPUE and standardized CPUE by GLBM of the Chinese squid jigging fishery in southwest Atlantic Ocean during 2000 to 2010

3 分析與討論

3.1 不同GLBM模型的對比

研究認為，3種方法(未加交互項、加入固定影響的交互項和加入隨機影響的交互項)標準化的CPUE結(jié)果并不相同。未加入交互項時，yeari、Chl-a和lonk變量對CPUE沒有顯著的影響，而SST、monthl、latj、SSH和GSST變量對CPUE有顯著的影響；加入固定交互項時，yeari、lonk和Chl-a變量對CPUE沒有顯著影響，SST、latj、monthl、SSH、GSST、year×latj、monthr×latj、year×lonk和month×lonk對CPUE有顯著性影響；而加入隨機交互項時，yeari、lonk、Chl-a和year×lonk變量對CPUE沒有顯著影響，SST、latj、monthl、SSH、GSST、year×latj、month×latj和month×lonk對CPUE有顯著影響。DIC比較認為，加入隨機交互效應(yīng)的GLBM模型為CPUE標準化的最佳模型。綜合而言，3個模型都得到y(tǒng)eari、Chl-a和lonk對CPUE沒有顯著性影響，SST、latj、monthl、SSH和GSST對CPUE產(chǎn)生顯著性影響。兩個包含交互項的模型中，year×latj、month×latjk和month×lonk對CPUE產(chǎn)生顯著影響。因此，不難看出，阿根廷滑柔魚CPUE分布受到包括時間因素(month)、空間因素(latj)和海洋環(huán)境因素(SST、SSH、GSST等)的影響。

最佳GLBM模型分析認為，2000—2010年西南大西洋阿根廷滑柔魚CPUE波動比較平緩，沒有出現(xiàn)劇烈的大幅度波動。然而Chen[18]、Portela[19]等分別通過對中國臺灣和?？颂m群島海域阿根廷滑柔魚漁業(yè)CPUE標準化研究認為，西南大西洋阿根廷滑柔魚CPUE存在4—5a一個周期的波動。這與本研究的結(jié)果存在一定的差異性，其原因可能和研究的方法、模型的選取，以及數(shù)據(jù)的來源和構(gòu)成有關(guān)。同時由于三者研究的時間、海域不同，并且作業(yè)方式的也存在差異，都可能對研究結(jié)果存在影響。

3.2 GLBM與GLM、GAM模型結(jié)果對比

GLM模型分析認為，年、緯度、SST以及交互項年與緯度(yeari× latj)均為顯著性變量，對CPUE的影響極顯著；經(jīng)度、SSH、GSST、Chl-a、年和經(jīng)度(yearl× lonj)、月和緯度(monthl× latj)以及月與經(jīng)度(monthl×lonk)的交互效應(yīng)為不顯著變量，對CPUE的影響不顯著[20]。GAM模型分析認為[20]年、月、經(jīng)度、緯度、SST、SSH以及交互項年與緯度(yeari× latj)、年與經(jīng)度(yeari× lonk)均對CPUE有顯著影響(Plt;0.01)；GSST、Chl-a、月和緯度(monthl× latj)以及月與經(jīng)度(monthl×lonk)的交互效應(yīng)對CPUE的影響不顯著(Pgt;0.01)[19]。加入隨機交互項的GLBM分析則認為，yeari、lonk、Chl-a和year×lonk變量對CPUE沒有顯著的影響，而SST、latj、monthl、SSH、GSST、year×latk、month×latj和month×lonk對CPUE都有顯著的影響。從研究的結(jié)果來看，GLM和GAM研究結(jié)果與GLBM研究結(jié)果存在差異(圖6)。

圖6 2000—2010年GAM, GLM和GLBM模型標準化月均CPUE(a)和年均CPUE(b)標準化后CPUE的關(guān)系Fig.6 Monthly (a) and annual (b) CPUE standardized CPUE by GLM and GAM and GLBM of the Chinese squid jigging fishery in southwest Atlantic Ocean during 2000—2010

研究認為，GLBM模型標準化后的結(jié)果比較可信，與西南大西洋阿根廷滑柔魚漁業(yè)特點一致。CPUE受到空間因素latj、monthl和隨機影響的交互效應(yīng)year×latj、year×lonk和month×lonk的顯著影響，這與阿根廷滑柔魚南北向洄游分布以及?？颂m與巴西暖流南北向交匯的特點一致。通常中國大陸的魷釣漁船于每年的1到7月在西南大西洋海域生產(chǎn)，但產(chǎn)量主要集中于1—5月。通過陸化杰等[21的研究，中國大陸魷釣船主要捕獲冬季產(chǎn)卵群，而1—5月，該群體由于?？颂m海流的影響要進行季節(jié)性的南北向索餌和產(chǎn)卵洄游，因此latj和monthl為影響CPUE的重要時空因素。

同時，GLBM模型還能夠解決阿根廷滑柔魚作業(yè)集中而導(dǎo)致CPUE不準確的問題，隨著科技進步和作業(yè)漁船間漁汛信息交流，漁船作業(yè)海域通常比較集中，尤其是在產(chǎn)量高的年份，整個漁汛期間，某些漁船的作業(yè)位置變化不大。無論是月均CPUE還是年均CPUE，GLBM模型標準化后的CPUE要比GAM和GLM模型標準化后的CPUE低(圖6)，這間接說明了阿根廷滑柔魚作業(yè)方式使其名義CPUE不能正確反映資源量，極有可能出現(xiàn)當資源量較低時，名義CPUE值仍然很高的現(xiàn)象，因此在以后的資源評估中，應(yīng)利用GLBM標準化后的CPUE。

[1] Castellanos Z A. Una nueva especie de calamar argentinoOmmastrephesargentinussp. nov. (Mollusca, Cephalopoda). Neotropica, 1960, 6 (20): 55- 58.

[2] Wang Y G, Chen X J. The Resource and Biology of Economic Oceanic Squid in the World. Beijing: Ocean Press，2005: 58- 264.

[3] Chen X J, Liu B L, Chen Y. A review of the development of Chinese distant-water squid jigging fisheries. Fsiheries Research, 2008, 89(3): 211- 221

[4] Hilborn R, Walters C J. Quantitative fisheries stock assessment choice, dynamics and uncertainty. Boston: Kluwer Academic Publishers, 1992, 3- 20

[5] Nishida T, Chen D G. Incorporating spatial autocorrelation into the general linear model with an application to the yellow fin tuna (Thunnusalbacares) longline CPUE data. Fisheries Research, 2004, 70(2): 265- 274.

[6] Basson M, Beddington J R, Crombie J A, Holden S J, Purchase L V, Tingley G A. Assessment and management techniuqes for migratory annual squid stocks: theIllexargentinusfishery in the Southwest Atlntic as an example. 1996, 28(1):3- 27

[7] Beddington J R, Rozenberg A A, Crombie J A, Kirkwood G P. Stock assessment and the provision of the management advice for the short fin squid fishery in Falkland islands waters. Fisheries Research, 1990, 8(4): 351- 365

[8] Tian S Q, Chen X J. Impacts of different calculatingmethods for nominal CPUE on CPUE standardization. Journal of Shanghai Ocean University, 2010, 19: 240- 245

[9] Li G, Chen X J, Tian S Q.CPUE standardization of chub mackerel (Scomberjaponicus) for Chinese large lighting-purse seine fishery in the East China Sea and Yellow Sea. Journal of fisheries of China, 2009, 33:1050- 1059.

[10] Maunder M N, Punt A E. Standardizing catch and effort data: a review of recent approaches. Fisheries Research, 2004, 70: 141- 159.

[11] Chen X J, Liu B L, Tian S Q,etal. Forecasting the fishing ground ofOmmastrephesbartramiiwith SST-based habitat suitability modeling in northwestern Pacific. Oceanologia et Limnologia Sinica, 2009, 40(6): 707- 713.

[12] Campbell R A. CPUE standardization and the construction of indices of stock abundance in a spatially varying fishery using general linear models. Fisheries Research, 2004, 70(2): 209- 227.

[13] Cao J, Chen X J, Chen Y,etal. Generalized linear Bayesian models for standardizing CPUE: an application to a squid-jigging fishery in the northwest Pacific Ocean. Scientia Marina, 2012, 75(4): 679- 689.

[14] Punt A E, Hilborn R. BAYES-SA: Bayesian stock assessment methods in fisheries. User′s manual. FAO Computerized Information Series (Fisheries). 2001, No.12, Rome, FAO.

[15] Gelman A, Carlin J B, Stern H S, Rubin D B. Bayesian data analysis.London: Chapman and Hall Ltd, 1995.

[16] Cowles M K, Carlin B P. Markov Chain Monte Carlo convergence diagnostics: a comparative review. Journal of the American Statistical Association, 1996, 91(434): 883- 904.

[17] Spiegelhalter D, Thomas A, Best N. WinBUGS Version 1.4 user manual. Cambridge: MRC Biostatistics Unit, 2003.

[18] Chen C S, Chiu T S. Standardizing the CPUE for theIllexargentinusfishery in the Southwest Atlantic. Fisheries Science, 2009, 75(2): 265- 272.

[19] Portela J, Sacau M, Wang G J, Arkhipkin A I, Portela J, Brickle P, Santos M B, Zuur A F, Cardoso X. The spatio-temporal pattern of Argentine shortfin squidIllexargentinusabundance in the southwest Atlantic. Aquatic living Resource, 2005,18:361- 372.

[20] Lu H J. Fishery biology and stock assessment forIllexargentinussquid in the Southwest Atlantic Ocean. PHD of Shanghai Ocean University, 2012.

[21] Lu H J, Chen X J. Age, growth and population structure ofIllexargentinusbased on statolith microstructure in Southwest Atlantic Ocean.Journal of fisheries of Chian, 2012, 36(7):1- 10.

參考文獻:

[2] 王堯耕，陳新軍.世界大洋性經(jīng)濟柔魚資源及其漁業(yè).北京: 海洋出版社, 2005, 190- 194.

[8] 田思泉, 陳新軍. 不同名義CPUE計算法對CPUE標準化的影響.上海海洋大學(xué)學(xué)報, 2010, 19: 240- 245

[9] 李綱, 陳新軍, 田思泉. 我國東、黃海鮐魚燈光圍網(wǎng)漁業(yè)CPUE標準化研究.水產(chǎn)學(xué)報, 2009, 33:1050- 1059.

[11] 陳新軍, 劉必林, 田思泉, 錢衛(wèi)國, 李綱.利用基于表溫因子的棲息地模型預(yù)測西北太平洋柔魚(Ommastrephesbartramii)漁場.海洋與湖沼, 2009, 40(6): 707- 713.

[20] 陸化杰. 西南大西洋阿根廷滑柔魚漁業(yè)生物學(xué)及資源評估[D]. 上海海洋大學(xué)博士論文，2012.

[21] 陸化杰, 陳新軍.利用耳石研究西南大西洋阿根廷滑柔魚年齡、生長及種群結(jié)構(gòu). 水產(chǎn)學(xué)報，2012, 36(7):1- 10.

CPUEStandardizationofIllexargentinusforChineseMainlandsquid-jiggingfisherybasedongeneralizedlinearBayesianmodels

LU Huajie1,2,3, CHEN Xinjun1,2,3,*, CAO Jie4

1CollegeofMarineSciences,ShanghaiOceanUniversity, 999HuchengRingRoad,Shanghai201306,China2KeylaboratoryofOceanicFisheriesResourcesExploitationofShanghaiEducationCommission,ShanghaiOceanUniversity,Shanghai201306,China3KeyLaboratoryofSustainableExploitationofOceanicFisheriesResources,MinistryofEducation,ShanghaiOceanUniversity,Shanghai201306,China4SchoolofMarineSciencesofUniversityofMaine,MaineofUSA04469

Illexargentinusis not only one of the important species in the marine ecosystem, but also a fishing target of the most important squid-jigging fishery in Southwest Atlantic Ocean. Catch per unit effort (CPUE) is an important index for fishery abundance, and the standardization of CPUE is an important content in the fishery stock assessment. Based on the catch data from Chinese mainland squid jigging fishery in the southwest Atlantic ocean and marine environmental factors (sea surface temperature, SST; horizontal gradient of sea surface temperature, GSST; sea surface height, SSH) derived from ocean satellite during 2000 to 2010, the Generalized Linear Bayesian models (GLBM), including the interaction terms excluded, fixed effects interaction terms and random effects interaction term, are used to standardize the CPUE for the Chinese Mainland squid-jigging fishery ofI.argentinusin the southwest Atlantic Ocean, and the best model is selected based on the lowest DIC (Deviance Information Criterion). The results indicated that the models with random effects interaction term including the variance of latitude, SST, GSST, SSH, month×longitude, year×latitude and month×latitude had the best fit for the Chinese mainland squid-jigging fishery ofI.argentinusin the southwest Atlantic Ocean. The CPUE standardized by GLBM is smaller and fluctuated lower than the nominal CPUE. Compared with the result by generalized linear models (GLM) and generalized additive models (GAM), the GLBM seemed to be best for standardization of CPUE for the Chinese Mainland squid-jigging fishery ofI.argentinusin the southwest Atlantic Ocean, and our result showed that the standardized CPUE ofI.argentinushas been decreased during 2000 to 2010.

Illexargentinus；CPUE standardization；generalized linear Bayesian model；Southwest Atlantic Ocean；Chinese Mainland

國家遠洋漁業(yè)工程技術(shù)研究中心; 農(nóng)業(yè)部大洋漁業(yè)資源環(huán)境科學(xué)觀測實驗站的資助

2012- 06- 16;

2012- 10- 26

*通訊作者Corresponding author.E-mail: xjchen@shou.edu.cn

10.5846/stxb201206160862

陸化杰, 陳新軍, 曹杰.基于GLBM模型的中國大陸阿根廷滑柔魚魷釣漁業(yè)CPUE標準化.生態(tài)學(xué)報,2013,33(17):5375- 5384.

Lu H J, Chen X J, Cao J.CPUE Standardization ofIllexargentinusfor Chinese Mainland squid-jigging fishery based on generalized linear Bayesian models.Acta Ecologica Sinica,2013,33(17):5375- 5384.