魏廣恩，陳新軍,2,3*

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

1 引言

柔魚（Ommastrephes bartramii）是一種短生命周期的大洋性頭足類，是北太平洋重要經濟種類[1]。日本魷釣船最早于1974 年對該資源進行利用[2]，我國對該資源的調查始于1993 年，1994 年后開始進行商業(yè)化生產，主要捕撈對象為冬春生群體[3]。歷年來的生產情況表明其資源年間變動較大，因此，探究其資源豐度波動原因對實際生產有重要意義。

柔魚是一種“生態(tài)機會主義”物種，其漁場分布和資源豐度都易受海洋環(huán)境的影響[4]。已有的研究表明[5–7]，柔魚資源量及分布受產卵場和索餌場海水表層溫度和葉綠素濃度等因素的影響，補充量大小則受產卵場適宜水溫范圍影響。造成這一現象的主要原因是短生命周期的柔魚在親體產完卵后即死亡，其資源量大小主要取決于補充量[8–9]，而補充量則主要取決于早期存活率。該階段的柔魚（胚胎和仔魚）自主選擇適宜生存環(huán)境的能力較弱，容易產生較高的自然死亡率，海洋環(huán)境的變化會影響到仔魚的生長和存活，進而影響柔魚資源補充量[10]。

Murakami 等[11]認為北太平洋柔魚存在3 個產卵場，分 別 為140°～150°E 海 域、170°E 附 近 海 域和160°W～180°海 域。Nakamura[12]和Okutain[13]分 別 通過性成熟雌性個體的分布和仔稚魚出現海域驗證了這些產卵場的存在。西北太平洋柔魚冬春生群體的產卵場為130°～170°E[14]。以往研究中[15]，以單位捕撈努力量漁獲量（Catch Per Unit Effort，CPUE）來表征漁業(yè)資源豐度的相對指標，以產卵場最適海表面溫度的范圍來表征柔魚產卵場環(huán)境條件的優(yōu)劣，通過計算柔魚產卵期整個產卵場最適海表水溫的范圍占總面積的比值（Ps）序列值與對應年份CPUE組成的時間序列值的相關性，來分析產卵場環(huán)境對西北太平洋柔魚資源補充量的影響。西北太平洋柔魚產卵場是否均勻分布在130°～170°E 海域，或者只是分布于該海域內的局部區(qū)域尚未定論。故直接使用整個產卵場的Ps 來分析柔魚產卵場環(huán)境對柔魚資源補充量的影響，會因為產卵場經緯度跨度較大，造成產卵場的Ps 序列值和CPUE 序列值之間的相關性降低。索餌場最適海表水溫的比例(Pf)的計算亦是如此。故本研究通過對產卵場和索餌場的逐步等分，通過相關性決定等分的空間尺度，通過隨機森林得出各個產卵場和索餌場對CPUE的重要性，以此來確定各月份所對應的產卵場和索餌場海域。以相關性和隨機森林模型篩選出的最適海表水溫的范圍占總面積的比值，作為自變量，以CPUE作為因變量，構建神經網絡模型，分析相關性和隨機森林兩種篩選方式下，神經網絡模型預測資源豐度的準確性。

2 材料和方法

2.1 數據來源

2.1.1 漁業(yè)數據

西北太平洋柔魚漁獲數據來源于上海海洋大學中國魷釣技術組，時間為2004-2015 年，作業(yè)海域主要分布在35°～50°N，140°～160°E 范圍內?？臻g分辨率為1°×1°，數據包括日期（年、月）、經度、緯度、產量（t）、年作業(yè)船數（表1）等。本研究以CPUE 表征西北太平洋柔魚的資源豐度（圖1）。

表1 2004-2015 年各年份作業(yè)船數Table 1 The numbers of fishing vessels from 2004 to 2015

圖1 2004-2015 年西北太平洋柔魚產量及CPUEFig. 1 The annual total catch and catch per unit effort (CPUE)of O. bartramii from 2004 to 2015 in the Northwest Pacific Ocean

2.1.2 環(huán)境數據

圖2 西北太平洋柔魚產卵場和索餌場分布Fig. 2 Distribution of spawning and feeding grounds of O.bartramii in the Northwest Pacific Ocean

根據前人研究[16–17]，確定了西北太平洋柔魚冬春生群體的產卵場分布海域和月份，索餌場分布海域和月份。環(huán)境數據包括產卵場（20°～30°N，130°～170°E）（圖2）和索餌場（38°～46°N，150°～165°E）（圖2）的海表水溫（SST），時間分辨率為月，空間分辨率為0.1°×0.1°，用于計算產卵場Ps 值和索餌場Pf 值。時間范圍為2004-2015 年，其中產卵場為1-4 月，索餌場為8-11 月。SST 數據來源于NOAA OceanWatch 數據庫（http://pifscoceanwatch.irc.noaa.gov/erddap/griddap/Ocea nWatch_pfgac_sst_monthly.html）。

2.2 實驗方法

2.2.1 確定產卵場與索餌場的劃分方案

產卵場和索餌場的劃分方案遵循逐步等分，經度和緯度交叉分割的方式。結合產卵場和索餌場海域的實際情況，進行逐步分割。產卵場海域具體劃分方案如圖3 所示，索餌場具體劃分方案如圖4 所示。

分別計算產卵場產卵期（1-4 月）和索餌場索餌期（8-11 月）各海區(qū)各月份對應的Ps 和Pf（產卵場產卵期1-4 月最適海表水溫范圍為21～25℃，索餌場索餌期8-11 月各月份最適海表水溫范圍不同，8 月為15～19℃；9 月 為14～18℃；10 月 為12～15℃；11 月為10～13℃[16-17]）。分析各海區(qū)各月份的Ps 和Pf 時間序列值與CPUE 時間序列值的相關性。通過相關性分析作為最終劃分方案的選擇依據。

2.2.2 隨機森林法提取產卵場和索餌場海域

1）隨機森林定義及其思想

隨機森林就是通過集成學習的思想將多棵樹集成的一種算法，它的基本單元是決策樹，而它的本質屬于機器學習的一大分支—集成學習（ensemble learning）方法[18]。隨機森林是一個樹型分類器{h(x,βk),k=1,···} 的集合，其中元分類器h(x,βk)是使用CART 算法構建的沒有剪枝的分類決策樹；x是輸入向量； βk是獨立同分布的隨機向量，決定了單棵樹的生長過程。通過自助法重采樣技術，從原始的訓練樣本集N中進行有放回的重復隨機取樣，抽取k個樣本，生成新的訓練集樣本集合，自助樣本集生成的k個決策樹組成隨機森林，新數據的分類結果按決策樹投票多少形成的分數而定。隨機森林就是對數據集的列變量和行觀測進行隨機化，生成多個分類數，最終將分類樹結果進行匯總[19]。隨機森林在降低運算量的同時也能夠保證預測精度，而且該算法對多元共線性不敏感，對缺失數據和非平衡數據比較穩(wěn)健，可以很好地適應多達幾千個解釋變量的數據集。

圖3 西北太平洋海域柔魚產卵場的劃分方案Fig. 3 The division of spawning grounds of O. bartramii in the Northwest Pacific Ocean

圖4 西北太平洋海域柔魚索餌場的劃分方案Fig. 4 The division of feeding grounds of O. bartramii in the Northwest Pacific Ocean

2）隨機森林的估計過程

隨機森林建立模型以及預測的具體步驟如圖5所示。

圖5 隨機森林工作原理Fig. 5 The working principle of random forest

（1）首先，用N表示原始訓練集樣本的個數，用M表示變量的數目。確定一個定值m，用來決定當在一個節(jié)點上做決定時，會使用到多少個變量。即隨機產生m個變量用于節(jié)點上的二叉樹，二叉樹變量的選擇仍然滿足節(jié)點不純度最小原則。

（2）應用Bootstrap 自助法在原數據集中有放回地隨機抽取k個樣本集，組成k棵決策樹，而對于未被抽取的樣本用于單棵決策樹的預測。

（3）每個自助樣本集生長成為單棵決策樹。在樹的每個節(jié)點處從M個特征中隨機挑選m個特征（m小于M），按照節(jié)點不純度最小的原則從這m個特征中選出一個特征進行分支生長。這棵決策樹進行充分生長，使每個節(jié)點的不純度達到最小，不進行通常的剪枝操作。根據k個決策樹組成的隨機森林對待分類樣本進行分類或預測，分類的原則是投票法，預測的原則是簡單平均[20]。

3）隨機森林的兩個重要參數

樹節(jié)點預選的變量個數和隨機森林中樹的個數，這兩個參數是構建隨機森林模型過程中的兩個重要參數，也是決定隨機森林預測能力的兩個重要參數。其中第一個參數決定了單棵決策樹的情況，而第二個參數決定了整片隨機森林的總體規(guī)模。兩個參數分別從隨機森林的微觀和宏觀層面上決定整片隨機森林的構造[21–23]。

4）隨機森林模型評價因素

（1）森林中單棵樹的分類強度：每棵樹的分類強度越大，即每棵樹生長越茂盛，組成森林的分類性能越好。

（2）森林中樹之間的相關度：樹與樹之間的相關性越差，或樹之間是獨立的，則森林的分類性能越好[24–25]。

2.2.3 神經網絡預報模型

誤差反向傳播神經網絡（Error Backpropagation Network, EBP）屬于多層前向神經網絡，利用誤差反向傳播的監(jiān)督算法，學習和存儲大量的模式映射關系[26–27]。該算法主要包括學習過程信號的正向傳播與誤差的反向傳播兩個過程。正向傳播時，樣本從輸入層進入，經隱藏層激活函數處理，傳向輸出層，如果輸出層的實際輸出與期望的輸出不符合誤差要求，則轉入誤差的反向傳播階段。反向傳播是將誤差以某種形式通過隱藏層向輸入層逐層反向傳播，將誤差分攤給各層所有節(jié)點，從而獲得各層節(jié)點的誤差信號，以此誤差信號作為修正的依據。這種信號的正向傳播與誤差的反向傳播周而復始地進行，權值不斷調整，即為網絡學習的過程，直至網絡輸出的誤差減少到可接受程度或進行到預先設定的學習次數為止[28]。

利用2.2.1 節(jié)和2.2.2 節(jié)所得相關性和重要性海域，按照產卵場和索餌場分別組成樣本集，建立神經網絡的預報模型。經歸一化處理后，將2004-2013 年的樣本，隨機化分配70%作為訓練樣本，30%作為測試樣本，2014-2015 年的樣本作為驗證樣本。將最適海表水溫范圍比值Ps 和Pf 作為輸入向量，CPUE 作為輸出向量。輸入層神經元個數根據篩選出的Ps 或Pf 海域個數決定。輸出神經元為CPUE，隱含層神經元個數根據經驗公式確定：

式中，J為隱含層節(jié)點數；m為輸出層節(jié)點數；n為輸入層節(jié)點數；a為1～10 之間的常數。其中，學習速率為0.1，動量參數為0.5。最大訓練次數為1 000 次，最大誤差給定0.001，經多次訓練，取最優(yōu)結果，防止過擬合出現[29]。

以均方誤差（Mean Squared Error, MSE）作為判斷最優(yōu)模型的標準。均方誤差（式（2））根據測試樣本的預報值與實際值進行計算，

式中，yk為CPUE 的實際值； ^yk為CPUE 的預報值。比較產卵場和索餌場在兩種篩選條件下所得海區(qū)的Ps 和Pf 作為輸入變量時，模型的均方誤差。

根據模型的CPUE 預測值，結合2014-2015 年的CPUE 實際值，分別計算各模型的預報準確度，計算公式為

式中，P表示預報準確度；yk為CPUE 的實際值； ^yk為CPUE 的預報值。計算產卵場和索餌場在兩種篩選條件下所得海區(qū)的Ps 和Pf 作為輸入變量時，以每種模型預報準確度的均值，作為該模型的預報準確度。

3 結果與分析

3.1 產卵場和索餌場劃分方案的確定

通過上述劃分方案，分別對產卵場和索餌場進行劃分，計算每一個劃分海區(qū)的最適海表水溫范圍的比值，分析產卵場Ps 與CPUE、索餌場Pf 與CPUE 序列值的相關性，結果如表2、表3 所示。從表中可以看出，產卵場和索餌場隨著劃分海區(qū)的增加，與CPUE序列值出現顯著相關性的海區(qū)隨之增加；另一方面，也驗證了上文中提及的直接使用整個產卵場或索餌場最適海表水溫比例的序列值，分析其與CPUE 序列值之間的相關性，將造成相關性降低的現象。故確定D 方案作為產卵場和索餌場的劃分方案。

3.2 隨機森林確定索餌場和產卵場海域

3.2.1 隨機森林的兩個重要參數

根據上述各方案下Ps、Pf 與CPUE時間序列相關性出現的規(guī)律，確定產卵場和索餌場海區(qū)的劃分方案。最終選取D 方案下，產卵場和索餌場所劃分的海區(qū)作為隨機森林的分析對象。分別選取產卵場和索餌場所有劃分海區(qū)各月份的Ps 值和Pf 值作為輸入向量，通過隨機森林模型，計算各自變量對模型的重要性，篩選出重要性海區(qū)。

表2 西北太平洋海域柔魚產卵場Ps 與CPUE 時間序列的相關性和顯著性Table 2 The correlation and significance of Ps in the spawning grounds with CPUE time series of O. bartramii in the Northwest Pacific Ocean

表3 西北太平洋海域柔魚索餌場Pf 與CPUE 時間序列的相關性和顯著性Table 3 The correlation and significance of Pf in the feeding grounds with CPUE time series of O. bartramii in the Northwest Pacific Ocean

采用逐一增加變量的方法來進行建模，根據模型的誤判率均值最小原則，確定模型中決策樹的節(jié)點最優(yōu)變量個數，構建最優(yōu)模型。從圖6 中可以確定，當構建的Ps 模型決策樹節(jié)點所選變量數為13 時，模型的誤判率均值最低，確定Ps 模型最優(yōu)變量個數為13 個。當構建的Pf 模型決策樹節(jié)點所選變量數為12 時，模型的誤判率均值最低，Pf 模型最優(yōu)變量個數為12 個。

確定模型中決策樹的節(jié)點最優(yōu)變量個數之后，根據模型誤差是否趨于穩(wěn)定，確定最優(yōu)模型中決策樹的數量。從圖7 中可以看出，Ps 模型中決策樹數量在300 以內時，模型誤差會出現較大的波動，當決策樹數量大于300 以后，模型誤差趨于穩(wěn)定，但仍有少許變化，該模型誤差最小值出現在決策樹數量為500 左右，故確定Ps 模型中最優(yōu)決策樹數量為500。同樣Pf 模型中決策樹數量在200 以內時，模型誤差會出現較大的波動，當決策樹數量大于200 以后，模型誤差趨于穩(wěn)定，進而確定Pf 模型中最優(yōu)模型中決策樹的數量為480。

圖6 不同決策樹節(jié)點分支變量數模型的誤判率均值Fig. 6 The mean of misjudgment rate of models with different numbers of branch variable on the decision trees node

圖7 決策樹數量和模型誤差關系Fig. 7 The relation between model error and numbers of decision trees

3.2.2 各月份重要海區(qū)的選取

通過隨機森林模型的構建，可以得到產卵場和索餌場不同月份下各海區(qū)對模型影響的重要值。各海區(qū)重要值越高，說明該海區(qū)對模型的影響越大。本研究以精度平均減少值度量各海區(qū)的的重要值。產卵場在產卵期不同海區(qū)的重要值如圖8 所示。

以精度平均減少值15 為篩選標準，產卵場重要海區(qū)分布：1 月為D9 海區(qū)、D10 海區(qū)，2 月為D11 海區(qū)，3 月無重要性海區(qū)，4 月為D13 海區(qū)、D16 海區(qū)。比較于相關性篩選出的海區(qū)，差異在于1 月增加了D9 的 相 鄰 海 區(qū)D10，2 月 減 少 了D11 的 相 鄰 海區(qū)D3（負相關），3 月一致，4 月增加了D16 海區(qū)。此結果與相關性海區(qū)結果基本吻合。

以精度平均減少值10 為篩選標準，產卵場重要海區(qū)增加范圍：1 月份增加D1、D7、D12、D16 海區(qū)；2 月份增加D8、D12、D16 海區(qū)；3 月份增加D6、D8、D15、D16 海區(qū)，4 月份增加D7 海區(qū)。索餌場在索餌期不同海區(qū)的重要性如圖9 所示。

以精度平均減少值15 為篩選標準，索餌場重要海區(qū)分布：8 月為D5 海區(qū)、D7 海區(qū)，9 月為D6 海區(qū)，10 月 為D1 海 區(qū)，11 月 為D1 海 區(qū)、D6 海 區(qū)、D7 海區(qū)、D8 海區(qū)。比較于相關性篩選出的海區(qū)，差異在于8 月增加了D5 海區(qū)，9 月增加了D6 海區(qū)，10 月一致，11 月增加了D1 海區(qū)，減去了D10 海區(qū)。此結果與相關性海區(qū)結果基本吻合。

以精度平均減少值10 為篩選標準，索餌場重要海區(qū)增加范圍：8 月份增加D1 海區(qū)、D3 海區(qū)、D4 海區(qū)、D8 海區(qū)；9 月份增加D1 海區(qū)、D4 海區(qū)、D5 海區(qū)、D7 海區(qū)、D8 海區(qū)、D12 海區(qū)；10 月份無變化，11 月份增加了D9 海區(qū)。

3.3 資源豐度的預測

3.3.1 神經網絡模型的構建

根據上述結果，將相關性作為篩選條件所得海區(qū)的最適海表水溫范圍占該海區(qū)面積的比值，以及隨機森林模型中所得重要性海區(qū)的最適海表水溫范圍占該海區(qū)面積的比值作為輸入變量，構造的模型如表4所示，其中，I 和II 分別是基于相關性篩選的產卵場各海區(qū)于產卵期（1-4 月）各月份的Ps 時間序列值和索餌場各海區(qū)于索餌期（8-11 月）各月份的Pf 時間序列值與CPUE 時間序列值顯著相關的海區(qū)的Ps 值和Pf 值作為輸入因子，構建網絡結構（輸入層∶隱藏層∶輸出層）分別為4∶5∶1 和6∶7∶1 的神經網絡模型；III 和IV 分別是基于隨機森林模型以精度平均減少值15 為篩選條件獲得的產卵場各海區(qū)于產卵期（1-4月）各月份和索餌場各海區(qū)于索餌期（8-11 月）各月份重要海區(qū)的Ps 值和Pf 值作為輸入因子，構建網絡結構分別為5∶6∶1 和8∶9∶1 的神經網絡模型。

圖8 產卵期各海區(qū)重要性分布Fig. 8 The distribution of each sea area’s importance during spawning period

3.3.2 預報模型實現及結果比較

通過上述構造神經網絡預測模型方案，進行模型擬合，模型的均方誤差和預報準確度如圖10 所示。D 方案下，產卵場和索餌場劃分海區(qū)的最適海表水溫范圍占該海區(qū)面積的比值作為輸入變量構建的神經網絡預測模型均能準確預報柔魚的資源量，預報準確度在90%以上。基于隨機森林選取重要性海區(qū)的最適海表水溫范圍占該海區(qū)面積的比值構建的模型的預報準確度高于相關性篩選的海區(qū)。而基于D 方案下產卵場劃分海區(qū)的最適海表水溫范圍占該海區(qū)面積的比值作為輸入變量的神經網絡預測模型的均方誤差，明顯小于索餌場。

4 討論與分析

4.1 相關性海域分析

圖11 中黑色實線包圍的海域，為整個產卵場最適海表水溫所占范圍。根據D 方案的劃分方式，對產卵場進行劃分，可以大致了解劃分的各個海區(qū)最適海表水溫分布情況。從圖中可以看出，計算產卵場整片海域的最適海表水溫范圍所占的比值與按照不同的方案劃分情況下計算Ps 差異較大，不同經度和緯度，最適海表水溫空間分布不同，若采用整個產卵場的Ps 進行分析，極易削弱產卵場海域Ps 與CPUE 時間序列的顯著相關性，故需要將整個產卵場按照不同方案進行劃分，從而找到與CPUE 序列值顯著相關的海域，索餌場亦是如此。

圖9 索餌期各海區(qū)重要性分布Fig. 9 The distribution of each sea area’s importance during the feeding period

表4 神經網絡預報模型構建方案Table 4 Construct the scenarios of neural network

通過產卵場的相關性分析可以看出，隨著劃分海域不斷增多，各海域面積減小，Ps 與CPUE 時間序列出現顯著性的海域也不斷增多。主要集中在1 月、2 月和4 月。首先從相關性可以肯定，柔魚資源補充量的變動和各海域最適海表水溫的比值存在顯著性，相關性卻出現差異正負，D 方案下，D3 海區(qū)與D11 海域經度范圍一致，緯度范圍分別為20°～25°N 和25°～30°N。在相同的月份（2 月）卻出現了相反的相關性，表明：25°～30°N 海域內21～25℃作為最適溫度計算所得的Ps 和CPUE 的正相關性成立，在25°N 以南海域，該溫度范圍下計算的Ps 與CPUE 的負相關性表明，該溫度范圍不是最適溫度范圍，隨著緯度靠南，海表水溫逐漸升高（圖11），故最適海表水溫范圍可能需要作出調整，而具體最適溫度范圍有待于后續(xù)研究。從4 月份來看，B3 和D13 海域的Ps 與CPUE 時間序列的負相關性同樣表明最適溫度范圍不適用于4 月份。只結合出現相關性的海域和出現的月份來看，可預測柔魚從卵孵化至稚仔魚的洄游路徑：1 月份集中在D9 海域（25°～30°N，130°～135°E），2 月份集中在D3 海區(qū)和D11 海域（20°～30°N，140°～145°E），4 月份集中在D13 海域（25°～30°N，150°～155°E），即隨著時間的變化，最適海表水溫分布海域發(fā)生變化（圖11），柔魚幼體從西向東洄游至150°～155°E 海域，后續(xù)進入漁場（38°～46°N，150°～165°E）。

通過索餌場的相關性分析可以看出，從劃分方案A 至D，劃分海域不斷增多，各海域面積減小，Pf 與CPUE 時間序列出現顯著性的海域也不斷增多。相關性海域出現月份主要集中在11 月，海域主要分布在42°～46°N，150°～155°E；38°～42°N，162.5°～165°E；42°～46°N，157.5°～160°E 海域；8 月和10 月出現相關性海域極少。從相關性正負來看8 月和10 月均為顯著負相關，11 月均為（極）顯著正相關。即8 月的15～19℃和10 月的10～13℃索餌場最適溫度范圍所占比值與CPUE 的關系為顯著負相關，9 月的14～18℃索餌場最適溫度范圍所占比值與CPUE 未發(fā)現相關性；故各月份最適溫度范圍是否準確還需繼續(xù)驗證。因7 月、8 月和9 月出現相關性海域較少，很難判斷出相關性海域的空間位置隨時間的變化。

圖10 神經網絡模型的模擬結果和預報準確度Fig. 10 The simulation results and forecast accuracy of neural network

4.2 隨機森林重要性海區(qū)分析

隨機森林模型得出的產卵場和索餌場重要性海區(qū)的分布可以看出，在精度平均減少值15 作為篩選標準時，產卵場和索餌場所得重要性海區(qū)范圍與相關性作為篩選條件所獲得的海區(qū)基本吻合，故隨機森林判定海區(qū)重要性結果的可靠性得到驗證。若精度平均減少值為15 所得結果成立，則精度平均減少值10 作為篩選標準時，重要性海區(qū)所增加的范圍及月份同樣成立。因此，隨機森林模型可以探究產卵場與索餌場不同月份各海區(qū)最適海表水溫比例序列值與CPUE 序列值之間的潛在關系，從而更加詳細的推測柔魚在產卵期和索餌期洄游路徑的變化。根據以上研究結果，結合歷年來我國魷釣船隊在西北太平洋的實際作業(yè)分布，推測柔魚的洄游路徑，推測結果如圖12 和圖13 所示，其中箭頭的方向表示柔魚在產卵期和索餌期可能存在的洄游路徑。以精度平均減少值為10 作為篩選條件，隨機森林結果表明(圖12)，產卵場海區(qū)主要集中在兩個海域，西部海域主要集中在140°E 東西海域范圍內，隨著時間從西向東移動；東部海域主要集中在160°E 東西海域范圍內，隨著時間從東向西移動。此結果與Hayase[14]推測的柔魚產卵場分布在143°～150.5°E、161°～165.5°E和160°～170°E海域，以及Young 和Hirota[30]所推斷的基本一致。產卵場重要性海區(qū)隨著時間而出現的空間變化趨勢為：西部產卵場1 月從20°～30°N，130°～135°E；25°～30°N，135°～140°E 海域，向東移動至25°～30°N，140°～150°E海域（2 月），至4 月時移動到25°～30°N，150°～155°E海域，后續(xù)進入索餌場時會繼續(xù)向北移動。東部產卵場1 月和2 月主要集中在20°～30°N，165°～170°E 海域，3 月份向西移動至25°～30°N，160°～165°E；20°～25°N，155°～160°E 海域，至4 月時移動到25°～30°N，150°～155°E 海域，后續(xù)向北移動進入索餌場。此外160°～170°E 海域仍有柔魚稚仔魚分布，且繼續(xù)向西洄游。隨機森林模型產卵場重要性海區(qū)相對于相關性篩選海區(qū)，不僅可以更加詳細的展示產卵期的洄游路徑的變動，同時也揭示了東部產卵場的存在，具有更敏銳的判別能力。

圖11 2015 年產卵場1-4 月最適海表水溫分布情況Fig. 11 The distribution of the optimal sea surface temperature in the spawning grounds from January to April of 2015

圖12 精度平均減少值為10 產卵期各月份重要性海區(qū)篩選結果Fig. 12 The results of important sea areas in period of spawning each month under the condition that mean decrease accuracy was 10

圖13 精度平均減少值為10 索餌期各月份重要性海區(qū)篩選結果Fig. 13 The results of important sea areas in period of feeding each month under the condition that mean decrease accuracy was 10

以精度平均減少值為10 作為篩選條件，隨機森林結果表明（圖13），索餌場在8 月份與9 月份出現的重要性海區(qū)，8 月主要集中在38°～46°N，150°～155°E和38°～42°N，155°～162.5°E 海域；9 月份38°～46°N，150°～155°E 和38°～42°N，157.5°～165°E。10 月份重要性海區(qū)較少，僅38°～42°N，150°～152.5°E 海域，從8 月、9 月和10 月精度平均減少值主要集中在10～15 之間，與上述相關性海區(qū)較少相驗證。近幾十年，隨著海洋氣候的改變，柔魚生存海域環(huán)境也發(fā)生變化，各月最適溫度范圍8 月為15～19℃；9 月為14～18℃；10 月為10～13℃可能需要做出微調來適應最新的氣候變化所帶來的誤差。11 月份主要集中42°～46°N，150°～157.5°E 和38°～42°N，162.5°～165°E 海域。故索餌場海區(qū)各月份主要集中42°～46°N，150°～157.5°E海域，部分分布在38°～46°N，160°～165°E 海域。

4.3 模型評價

神經網絡預報模型結果表明，基于相關性與隨機森林篩選出的產卵場和索餌場海區(qū)構建的預報模型可以準確預報柔魚資源豐度，可驗證兩種方法下，所篩選海區(qū)的正確性。通過隨機森林模型篩選重要性海區(qū)與相關性條件下篩選出的海區(qū)比較，可以看出，所屬海區(qū)分布范圍大致相同，部分海區(qū)有差異（增加或減少），基于隨機森林構建的神經網絡模型的預報準確度優(yōu)于相關性，且基于產卵場和索餌場構建的模型預報準確度均有提高。表明隨機森林篩選出的重要性海區(qū)的最適海表水溫范圍占該海區(qū)面積的比值與資源豐度的關系更緊密。從各模型的均方誤差來看，基于索餌場海區(qū)構建預報模型的均方誤差明顯大于產卵場海區(qū)構建的模型，而MSE 的值越小，說明預測模型的精確度越高，且更加穩(wěn)定。由于北太平洋柔魚其獨特的生物學特性，短生命周期形成其特有的資源補充模式，即種群資源量的大小主要取決于補充量，補充量又主要取決于早期生活史階段柔魚幼體的死亡率。從卵孵化至作為補充量進入漁場前，柔魚個體洄游能力，自主選擇合適的生存海域能力較弱，可以看作是被動洄游，極易受到海洋外界因素的影響。進入索餌期后，柔魚個體生長，游動能力增加，自主選擇合適海域的能力加強，受制于外界環(huán)境因素的程度減弱。故基于索餌場最適海表水溫的比值Pf 構建的預測模型精確度較低，模型不穩(wěn)定。因此，產卵場最適海表水溫范圍所占的比值Ps 作為輸入變量構建模型更為可靠。