宋利明，徐雙泉，許 回，陳明銳，Ebango Ngando Narcisse

（1.上海海洋大學海洋科學學院，上海 201306；2.國家遠洋漁業(yè)工程技術研究中心，上海 201306；3.大洋漁業(yè)資源可持續(xù)開發(fā)省部共建教育部重點實驗室，上海 201306；4.遠洋漁業(yè)協(xié)同創(chuàng)新中心，上海 201306）

短線竹?魚（Trachurus trecae）為中底層魚類，一般活動在20～100m的近海底水域，有時也在中上層甚至近表層出現(xiàn)，適宜水溫為15～22℃，廣泛分布在東大西洋的摩洛哥至安哥拉海域［1］。毛里塔尼亞西鄰大西洋，處在幾內(nèi)亞灣暖流和加納利寒流的交匯地帶，海域初級生產(chǎn)力比較高，擁有豐富的漁業(yè)資源［2］。FAO的統(tǒng)計結果顯示［3-4］，2007年毛里塔尼亞海域主要的小型中上層魚類中，短線竹?魚占總漁獲量的比重最多，為31%；2013年中東大西洋的短線竹?魚產(chǎn)量主要集中在毛里塔尼亞沿海，約占82%。因此對毛里塔尼亞海域短線竹?魚的研究十分重要。目前國內(nèi)學者如牛明香等［5-6］研究了智利竹?魚（Trachurusmurphyi）的漁場與時空變動的關系，李顯森等［7］、化成君等［8］和汪金濤等［9］分別對智利竹?魚的資源分布特征、時空分布與環(huán)境因子的關系、漁情預報技術作了研究。RUMOLO等［10］通過同位素和胃含物分析，研究了西西里海峽大西洋竹?魚（Trachurus trachurus）的空間分布與攝食行為的關系，GUSHCHIN和CORTEN［11］研究了毛里塔尼亞海域大西洋竹?魚和短線竹?魚的攝食特性，ARKHIPOV［12］研究了毛里塔尼亞海域魚類浮游生物的季節(jié)和年際變化，班銳［13］利用廣義可加模型探討了時空和環(huán)境因子對毛里塔尼亞海域竹?魚漁場的影響，但毛里塔尼亞海域的竹?魚包括了短線竹?魚在內(nèi)的多種竹?魚類，其具體的生活方式和時空分布特征存在差異［1］，且其研究中使用的環(huán)境數(shù)據(jù)來源于衛(wèi)星遙感，分辨率較低。分位數(shù)回歸模型最早由KOENKER和BASSETT［14］提出，已在研究魚類的棲息地綜合指數(shù)方面得到了應用［15-16］。本文根據(jù)2017年在毛里塔尼亞海域測定的海洋環(huán)境數(shù)據(jù)以及短線竹?魚的漁獲率統(tǒng)計資料，用分位數(shù)回歸的方法探究短線竹?魚時空分布與海洋環(huán)境的關系，旨在進一步了解短線竹?魚在毛里塔尼亞海域的時空分布特征，為提高我國漁船在此海域的作業(yè)效率及毛里塔尼亞對短線竹?魚等小型中上層漁業(yè)資源養(yǎng)護與管理提供參考。

1 材料與方法

1.1 調(diào)查方法

1.1.1 調(diào)查船及基本信息

“福遠漁097”燈光圍網(wǎng)船總長49.95 m，型寬8.60 m，型深4.00 m。設計吃水3.30 m，設計排水量896.90 t，主機功率為828 kW，航速為6～11 kn，魚艙容量190m3，油艙容積120m3，淡水艙容積47m3。航區(qū)為國際I區(qū)。

1.1.2 調(diào)查時間、海域及站點分布

調(diào)查時間為2017年9月20日至12月31日。調(diào)查海域為：16°28′～17°59′W、17°50′～20°58′N。共119個調(diào)查站點（部分站點位置非常接近，圖中重疊在一起），隨機選擇75%的（90個）站點的數(shù)據(jù)用作建模，25%的（29個）站點數(shù)據(jù)用以驗證模型，站點分布見圖1。部分建模站點和驗證站點出現(xiàn)重合，原因是這些站點的下網(wǎng)位置幾乎相同。

1.1.3 調(diào)查的漁具漁法

“福遠漁097”所用圍網(wǎng)網(wǎng)具主體由網(wǎng)衣、包鉛繩、浮子、上綱和下綱組成，網(wǎng)口網(wǎng)衣拉直周長約1 643.4 m，網(wǎng)口至囊端拉直長度約116 m，上綱長度約809.84 m，下綱長度約761.44 m。

1.1.4 調(diào)查儀器、方法及內(nèi)容

利用漁船上的全球定位儀記錄每天放網(wǎng)開始時的經(jīng)緯度，同時記錄漁獲重量。調(diào)查站點預先確定，但實際調(diào)查位置與計劃站點存在一定偏差。每日放網(wǎng)后或起網(wǎng)前，使用加拿大型號為XR-620的多功能水質儀，測量調(diào)查站點海表面的葉綠素a濃度、海表面溫度以及鹽度數(shù)據(jù)。

1.2 數(shù)據(jù)處理方法

1.2.1 CPUE的計算方法

單位捕撈努力量漁獲量（catch per unit effort，簡稱CPUE）是用來表示魚類資源豐度的相對指數(shù)，是對某個漁業(yè)資源進行評估的基本內(nèi)容之一［17］。船上所得到的直接數(shù)據(jù)為漁獲量（t），建立關系模型前，需要計算短線竹?魚的CPUE值，計算方法如下：

式（1）中，ci為在i站點的漁獲量（t），ni為i站點的網(wǎng)次數(shù)量。

1.2.2 海洋環(huán)境因子值的計算方法

海洋環(huán)境因子數(shù)據(jù)為各個站點10 m以淺所測得的各海洋環(huán)境因子數(shù)據(jù)的算術平均值［15］。

1.3 建立短線竹?魚CPUE預測模型

分位數(shù)回歸建模的具體方法可以參照文獻［15］。分位數(shù)回歸分析采用由美國地理調(diào)查局中陸生態(tài)科學研究中心開發(fā)的統(tǒng)計學軟件Blossom。

根據(jù)90個建模站點的CPUE、葉綠素a濃度（Ch）、海表面溫度（T）、海表面鹽度（S）及其交互作用項建立短線竹?魚CPUE與海洋環(huán)境因子的關系模型，其一般形式為：

圖1 調(diào)查站點分布圖Fig.1 Distribution map ofmodeling sites and validation sites

式（2）中，C為常數(shù)項，a-f為自變量的系數(shù)，ChT表示葉綠素a濃度和海表面溫度的交互作用項，ChS表示葉綠素a濃度和海表面鹽度的交互作用項，TS表示海表面溫度和海表面鹽度的交互作用項，ε為誤差項。i表示站點號數(shù)，如Chi表示在i站點的葉綠素a濃度。

1.4 棲息地綜合指數(shù)（IHI）計算方法

根據(jù)關系模型，得出建模站點和驗證站點的預測CPUE，按照下列公式計算得出短線竹?魚在不同站點的IHI值：

式（3）中，CPUEij是指j組（j=1為建模站點；j=2為驗證站點）i站點的CPUE預測值，CPUEmaxj是指j組中CPUE預測值中的最大值。

1.5 IHI模型預測能力的驗證和評價

將建模站點和驗證站點的環(huán)境數(shù)據(jù)值分別代入模型中，使用SPSS 23.0軟件，通過Wilcoxon（符號秩）對建模站點和驗證站點的CPUE實際值與預測值進行檢驗［18］，根據(jù)P值的大小判斷兩者間是否存在顯著性差異，以此評估模型的預測能力。通過計算短線竹?魚驗證站點的CPUE實際值與預測值之間的Spearman相關系數(shù)（秩相關系數(shù)）大小，結合雙尾檢驗對IHI模型的預測能力進行評價。

用Arcmap10.6作圖得出建模站點和驗證站點的IHI等值線與實測CPUE的分布圖。將29個驗證站點的實測CPUE值除以其中的最大值得出IHI′［式（4）］，用Excel作出IHI′和IHI的變化趨勢圖，定性評價模型的預測能力。

式（4）中，CPUEi2是指驗證站點i的實測CPUE，CPUEmax2是指驗證站點實測CPUE中的最大值。

2 結果與分析

2.1 分位數(shù)回歸得出的預測模型

利用Blossom建立CPUE與海洋環(huán)境的關系模型，將每次擬合得出的模型系數(shù)和對應的P值記錄下來，取分位數(shù)（用Q表示）最高的模型為最佳模型。結果如表1所示。

擬合得出的最佳預測模型如下：

由式（5）可知，影響短線竹?魚CPUE的海洋環(huán)境因素包括海表面溫度、葉綠素a濃度、海表面溫度與葉綠素a濃度的交互項，P值依次為0.028、0.004和0.032。

由自變量系數(shù)的大小可得，對CPUE影響最大的是海表面溫度，其次是葉綠素a濃度，再次是海表面溫度和葉綠素a濃度的交互作用項。

2.2 IHI模型驗證

對建模站點和驗證站點的CPUE實測值與預測值進行Wilcoxon（符號秩）檢驗，結果見表2，兩者的P值均高于顯著水平0.05，說明建模站點和驗證站點的CPUE實測值與預測值之間均無顯著性差異。

對29個驗證站點的實測CPUE和預測CPUE的相關系數(shù)和顯著性進行雙尾檢驗，得出實測CPUE與預測CPUE的Spearman相關系數(shù)達到0.832，相伴概率小于0.01，這說明顯著性水平為0.01時，實測CPUE和預測CPUE之間高度相關，模型可靠。

表1 不同分位數(shù)下各變量回歸系數(shù)秩得分檢驗結果Tab.1 Rank score test for regression parameters under different quantiles

表2 建模站點和驗證站點的實測CPUE與預測CPUE間W ilcoxon檢驗結果Tab.2 Result of W ilcoxon test between the observed and predicted CPUE ofmodeling sites and validation sites

2.3 IHI模型的定性評價

用Arcmap10.6作圖得出的建模站點的IHI等值線與實測CPUE分布見圖2。驗證站點的IHI等值線與實測CPUE分布見圖3。

本次調(diào)查期間，短線竹?魚的CPUE在0～3 t·次-1，因此在作圖和分析時，認為CPUE小于1 t·次-1時為CPUE的較低值，CPUE大于2 t·次-1時為CPUE的較高值。由圖2可觀察到，實測CPUE與IHI具有一定的相關性。IHI值在小于0.40時，實測CPUE值小于1 t·次-1；IHI值在0.40～0.56之間時，CPUE值隨IHI值的增大而相應增大，大部分在1～2 t·次-1之間，大于2 t·次-1的情況也有出現(xiàn)，但分布零散，具有偶然性；IHI值大于0.60時，CPUE較高值出現(xiàn)的頻率明顯增加，大于2 t·次-1的情況集中出現(xiàn)。

觀察圖2可得，CPUE較低值集中分布在16°15′～16°50′W、16°50′～18°50′N，對應的IHI值低于0.56；CPUE較高值集中分布在17°20′～17°45′W、20°15′～20°50′N，對應的IHI值大于0.60。

圖2 建模站點IHI等值線和實測CPUE分布Fig.2 IH I contour and CPUE distribution for modeling sites

圖3中，驗證站點的CPUE與IHI呈現(xiàn)出的相關性較為顯著。當IHI值低于0.40時，對應的海域為16°15′～17°40′W、18°05′～20°05′N，CPUE較低值在這一區(qū)域零散分布，大于1 t·次-1的只有1個，其余都在1 t·次-1以下。當IHI值大于0.50時，對應的海域為17°20′～17°45′W、20°15′～20°50′N，CPUE較高值集中出現(xiàn)，CPUE全部大于1 t·次-1，大于2 t·次-1的驗證站點也都在上述區(qū)域出現(xiàn)。這說明IHI對CPUE的預測具有良好的效果。

29個驗證站點的IHI′和IHI的變化趨勢見圖4。可以觀察到，IHI的變化趨勢與IHI′高度一致，基本呈現(xiàn)正相關，側面反映了預測CPUE的變化趨勢與實測CPUE十分吻合。這可說明，建立的模型能較好地預測CPUE。

圖3 驗證站點IHI等值線和實測CPUE分布Fig.3 IHI contour and CPUE distribution for validation sites

圖4 驗證站點IH I′和IH I的變化趨勢Fig.4 Trends of IHI′and IHI for validation sites

綜上，IHI值較高的海域對應的實測CPUE較高，因此基于分位數(shù)回歸擬合得出的關系模型能較好地反應CPUE與海洋環(huán)境因子的關系，預測能力良好。

3 討論

3.1 用分位數(shù)回歸模型及相關統(tǒng)計檢驗方法的依據(jù)

分位數(shù)回歸可提供不同分位數(shù)下的回歸方程，反映了自變量對因變量的某個特定分位數(shù)的邊際分布，因此能清楚地闡釋因變量的整個分配，甚至數(shù)據(jù)異質性的問題也能解決［19］。本文所使用的樣本數(shù)據(jù)時間跨度只有3個多月，樣本數(shù)據(jù)總量也只有119個，加上部分站點數(shù)據(jù)用作驗證模型，實際上用于建模的數(shù)據(jù)并不多，因此樣本數(shù)據(jù)并非呈正態(tài)分布，而是呈正偏態(tài)分布。當研究的數(shù)據(jù)集合呈現(xiàn)非正態(tài)分布時，選擇分位數(shù)回歸能夠具體地反映因變量的平均水平［20］。利用SPSS對樣本數(shù)據(jù)進行非參數(shù)檢驗，當樣本數(shù)據(jù)呈現(xiàn)正態(tài)分布時，可用t檢驗，非正態(tài)分布或無法確定分布狀態(tài)時，用Wilcoxon秩和檢驗［21］；進行相關性分析時，樣本數(shù)據(jù)呈正態(tài)分布用Pearson檢驗，非正態(tài)分布使用Spearman檢驗［22］；未知呈正相關和負相關，使用雙尾檢驗。

3.2 海洋環(huán)境因子的影響與時空分布

由基于分位數(shù)回歸得出的最佳關系模型可以看出，海洋環(huán)境因子對短線竹?魚CPUE的影響程度為：海表面溫度＞葉綠素a濃度＞海表面溫度與葉綠素a濃度的交互作用，海表面鹽度對CPUE的影響沒有在關系式中被表征出來。

漁場的形成與分布是由各種海洋環(huán)境因子的綜合作用共同決定的。在所有非生物環(huán)境因子對魚類資源分布的影響中，牛明香等［6］指出，水溫是對漁場形成最為重要的因素，海表面溫度的變化能夠影響竹?魚的分布和洄游等。本文的結論同樣為海表面溫度對短線竹?魚的CPUE影響最大，這也符合實際情況：毛里塔尼亞海域處在幾內(nèi)亞灣暖流和加納利寒流的交匯地帶，有利于漁場形成，寒暖水團對應著溫度的變化，因此海表面溫度對短線竹?魚的影響尤其顯著。浮游生物是短線竹?魚等中上層魚類的食物來源，也是漁場形成的決定性因素，毛里塔尼亞海域為幾內(nèi)亞灣暖流和加納利寒流冷暖水團的交匯處，攜帶大量的營養(yǎng)鹽，海域初級生產(chǎn)力較高，為浮游生物的繁殖創(chuàng)造了有利條件，因此葉綠素a濃度是形成漁場的另一個重要的海洋環(huán)境要素。需要指出的是，雖然關系模型顯示葉綠素a濃度是影響短線竹?魚CPUE的一個因素，但由于關系模型中其系數(shù)為-0.027 3，因此葉綠素a濃度對短線竹?魚CPUE的影響相對海表面溫度影響較小，這是因為葉綠素a雖然對于漁場的形成不可或缺，但形成漁場的關鍵還要取決于浮游生物的量和規(guī)模［23］，而除了葉綠素a濃度外，營養(yǎng)鹽、海流等其他海洋要素同樣影響著浮游生物的量和規(guī)模。牛明香等［5］利用廣義可加模型研究時空和環(huán)境因子對東南太平洋智利竹?魚漁場的影響時得出相似的結論，認為葉綠素a濃度雖然與資源密度有關聯(lián)，但對整個模型的貢獻程度相對較低，可作為輔助指標。RUMOLO等［10］通過同位素和胃含物分析西西里海峽大西洋竹?魚的空間分布與攝食行為的關系時指出，大西洋竹?魚的空間分布與溫度、光合作用的強度有關，此外與鹽度也有關系。本文的關系模型中，海表面鹽度對短線竹?魚CPUE的影響沒有被表征出來，可能是因為調(diào)查期間，作業(yè)地點的經(jīng)緯度變化并不大，海表面鹽度值上下浮動很小，鹽度梯度相較溫度梯度低。

本文通過分位數(shù)回歸建模，得出關系式后建立IHI模型，并結合Arcmap作圖（圖2，圖3）分析，得出毛里塔尼亞短線竹?魚CPUE較高的區(qū)域為：17°20′～17°45′W、20°15′～20°50′N；CPUE較低的區(qū)域為16°15′～17°40′W、16°50′～18°50′N。這在資源豐度的時空分布上反映為9—12月短線竹?魚逐漸由南向北轉移，ARKHIPOV［12］在研究中指出，毛里塔尼亞海域的短線竹?魚等魚類在寒冷季節(jié)會向北聚集，在布朗角附近產(chǎn)卵，距離南部有一定距離，這從側面證明了本文研究結果的準確性。張鵬等［24］利用FAO報告和相關資料研究中東大西洋中上層小型魚類資源及其漁業(yè)現(xiàn)狀時總結得出短線竹?魚最密集分布區(qū)在21°00′N附近，這與本文的研究結果在緯度上大體一致，但也存在差異，原因在于研究所使用的樣本數(shù)據(jù)在經(jīng)緯度上的分布和分辨率不同。

3.3 建議

本文認為IHI模型能較準確地預測短線竹?魚的CPUE。短線竹?魚IHI分布較高和資源豐度較高的區(qū)域在17°20′～17°45′W、20°15′～20°50′N，因此建議我國燈光圍網(wǎng)船在毛里塔尼亞海域9—12月作業(yè)時，盡量使下網(wǎng)區(qū)域集中在上述區(qū)域，以增加產(chǎn)量，提高經(jīng)濟效益。短線竹?魚不僅是毛里塔尼亞海域小型中上層漁業(yè)的重要組成部分，也是金槍魚類等的主要食物，因此對其養(yǎng)護與管理十分重要。IHI分布較低的區(qū)域是16°15′～17°40′W、16°50′～18°50′N，由于短線竹?魚主要攝食浮游生物，因此在9—12月，可以投放少量流木為浮游生物的繁殖創(chuàng)造條件。

3.4 不足與展望

毛里塔尼亞海域的竹?魚主要包括大西洋竹?魚和短線竹?魚，它們有相似的生物學習性，但具體的棲息水層等存在差異，因此在研究竹?魚的時空分布時，深度也是應當考慮的變量之一。本文缺乏短線竹?魚棲息深度的數(shù)據(jù)，因此空間上未能說明短線竹?魚的垂直分布。此外，西北非海域上升流顯著［25］，魚類的分布還受溶解氧、營養(yǎng)鹽的分布等因素影響［26］，因此要更全面地探索短線竹?魚時空分布與海洋環(huán)境的關系，還需要考慮上述影響因子。本次調(diào)查時間跨度不大，有效數(shù)據(jù)偏少，因此之后的研究要盡可能增加觀測時長和站點數(shù)量。另外，如有可能，可以采集各水層的浮游生物量和短線竹?魚的胃含物等，為更深入地研究短線竹?魚的運動模式提供支撐。

致謝：本研究得到了毛里塔尼亞政府的許可，并得到宏東國際（毛里塔尼亞）漁業(yè)發(fā)展有限公司蘭平勇、林蘭英、曾志堅、趙松輝、朱國平先生和“福遠漁097”號船長及全體船員等大力支持，謹致謝意。