張?zhí)祢?，廖章澤，宋博，袁紅春，宋利明，張閃閃

( 1.上海海洋大學 信息學院，上海 201306；2.上海海洋大學 海洋科學學院，上海 201306；3.上海海事大學 中國（上海）自貿區(qū)供應鏈研究院，上海 200135)

1 引言

大眼金槍魚是我國遠洋金槍魚延繩釣漁業(yè)的主要捕撈對象[1]，如何更精準地進行漁情預報是當前研究的熱點。近年來，印度洋金槍魚委員會（Indian Ocean Tuna Commission,IOTC）針對大眼金槍魚漁業(yè)數據進行了系統的收集整理，形成了空間分辨率為1°×1°的詳細數據集[2]。根據IOTC最新的資源評估結果可知，目前西南印度洋大眼金槍魚資源狀態(tài)良好，逐漸成為多個遠洋金槍魚延繩釣船隊競爭目標之一[3]。因此，及時掌握和預測其資源分布狀況，對我國今后管理和發(fā)展遠洋金槍魚延繩釣漁業(yè)具有重要的參考價值。

現有大眼金槍魚漁情預報模型主要包括統計學模型、機理/過程模型和機器學習類模型。其中，統計學模型如沈智賓等[4]運用一元非線性回歸方法建立了基于表溫和海面高度的東太平洋大眼金槍魚棲息地指數綜合模型；機理/過程模型如Lehodey等[5]利用種群動力學模型預測印尼地區(qū)及鄰近海域的大眼金槍魚空間分布動態(tài)；機器學習類模型如Dunn和Curnick[6]采用廣義加性模型（Generalized Additive Model,GAM）分析了印度洋大眼金槍魚時空變動及與表溫、鹽度及海流之間的非線性關系。Brodie等[7]對比分析了機器學習類模型如增強回歸樹（Boosted Regression Tree,BRT）、半參數模型如廣義加性模型、時空混合效應模型如向量自回歸時空模型（Vector Autoregressive Spatiotemporal Model,VAST）等，指出時空與環(huán)境特征因子的提取對3種模型的預測精度均有較大影響。然而，目前大部分漁情預報模型使用漁區(qū)內的海洋環(huán)境因子月平均值，無法反映海洋環(huán)境時空動態(tài)性和復雜性，難以準確解析大眼金槍魚的時空動態(tài)棲息環(huán)境。研究表明[8-9]，基于機器學習的方法，可以從高時空分辨率遙感圖像數據中提取海表動態(tài)特征值，有利于提高模型預測精度。查鋮等[8]采用了人工神經網絡卷積層對海表溫度（Sea Surface Temperature,SST）矩陣進行局部特征提?。籊uo等[9]提出了深度卷積嵌入式聚類模型（Deep Convolutional Embedded Clustering,DCEC），在深度嵌入式聚類（Deep Embedded Clustering,DEC）原有網絡的基礎上，加入了卷積自編碼，在特征空間保留了數據的局部特征，提高了模型預測精度。本文以西南印度洋大眼金槍魚為研究對象，基于DCEC模型提取海洋環(huán)境特征，并分析該方法對于漁情預報GAM模型的改進效果。

2 材料與方法

基于以往研究結論，SST是影響海洋魚類活動最重要的海洋環(huán)境特征之一[10-12]，且完整SST日數據較易獲取，本文選擇基于DCEC模型對SST進行特征提取。本文選取 2018 年 1-12 月 0.041 6°×0.041 6°的MODIS-Aqua和MODIS-Terra海表溫度三級反演圖像數據（以日為單位）構建DCEC模型，并基于Davies-Bouldin指 數 （Davies-Bouldin index,DBI）[13]確 定DCEC模型的最佳聚類數，在此基礎上提取SST月特征值；為避免模型因子單一造成的欠擬合問題，本文借鑒楊勝龍等[14]采用SST和海表面葉綠素a（Chla）濃度遙感數據進行漁場預測的方法，選擇了美國國家海洋和大氣管理局（National Oceanic and Atmospheric Administration,NOAA）網站 1°×1°的 Chla濃度月平均值作為輔助環(huán)境特征因子；選取IOTC 2018年1-12月1°×1°的西南印度洋大眼金槍魚延繩釣漁業(yè)數據，用于計算單位捕撈努力量漁獲量（Catch Per Unit Effort,CPUE）；將基于DCEC提取的SST月特征值、Chla濃度月平均值與CPUE數據進行時空匹配，構建改進GAM模型；同時，采用SST月平均值、Chla濃度月平均值與CPUE數據構建基礎GAM模型；采用聯合假設檢驗（F檢驗）驗證模型解釋變量對響應變量的影響；采用赤池信息準則（Akaike Information Criterion,AIC）、均方誤差（Mean Squared Error,MSE）繪制實測值和預測值的散點圖并計算相關系數r，對比分析基礎模型與改進模型的預測能力。

2.1 數據來源

漁業(yè)數據來自IOTC 2018年1-12月西南印度洋大眼金槍魚延繩釣漁業(yè)統計數據，時間分辨率為月，空間分辨率為 1°×1°，研究區(qū)域為（15°～40°S，20°～60°E），如圖1 所示。

圖1 IOTC 2018 年 1-12 月 1°×1° 西南印度洋大眼金槍魚延繩釣統計數據分布點Fig.1 The distribution of the longline bigeye tuna fishery data in the Southwest Indian Ocean in 1°×1° from January to December,2018 downloaded from IOTC

SST數據來源于MODIS-Aqua和MODIS-Terra傳感器海表面溫度三級反演產品圖像，通過NASA GSFC 水色數據網（https://oceancolor.gsfc.nasa.gov/）下載得到，時間為2018年1-12月，以日為單位，初始空間分辨率為 0.041 6°×0.041 6°。

Chla濃度月平均值數據來自NOAA網站（https://oceanwatch.pifsc.noaa.gov/），時間為 2018年 1-12月，以月為單位，空間分辨率為 1°×1°。

2.2 數據預處理

2.2.1 CPUE計算

大眼金槍魚CPUE（單位：尾/千鉤）的計算公式為

式中， C PUE(i,j)、F(i,j)、H(i,j)分別是地理坐標為 (i,j)的月平均單位捕撈努力量漁獲量、月總漁獲尾數、月總投鉤數。

2.2.2 海表溫度圖像預處理

2018年覆蓋研究區(qū)域的MODIS-Aqua和MODISTerra的SST日圖像數據共730幅（NetCDF格式，各365幅），采用MATLAB軟件進行歸一化處理，公式為

式中，P(x,y)表示位于 (x,y)處的歸一化后的溫度值；MAX 表示研究區(qū)域內全年SST的最大值； M IN表示研究區(qū)域內全年SST的最小值； S ST(x,y)表示位于(x,y)處的原始SST值。

歸一化處理后，從每一幅圖像中裁剪出CPUE對應的1°×1°漁區(qū)每日SST子圖，每幅子圖的大小為24×24 像素（每個像素點表示 0.04 16°×0.041 6°大小的區(qū)域），共得到子圖133 590幅。MODIS-Aqua單張子圖能夠完整覆蓋單位漁區(qū)的，僅保留MODIS-Aqua子圖數據；MODIS-Aqua單張子圖不能完整覆蓋單位漁區(qū)的，將MODIS-Aqua和MODIS-Terra兩張子圖進行融合，具體處理如公式（3）所示(以MODIS-Aqua的數據為基準)：

式中，P(x,y)表示為融合后的圖像溫度值；PA(x,y)表示MODIS-Aqua圖像溫度值；PT(x,y)表示MODIS-Terra圖像溫度值。融合后共得到66 795幅子圖，再對得到的子圖進行篩選，將無效像素（P(x,y)=0）占比大于50%的子圖剔除，最終得到48 029張子圖，每張子圖覆蓋范圍為 1°×1°。

2.3 基于DCEC的海表溫度特征提取

2.3.1 DCEC模型原理

DCEC是一種深度聚類算法，其基于深度學習與自編碼器進行無監(jiān)督學習，提取圖像的聚類特征，進而將圖像數據集樣本劃分為若干類簇，使相似度高的樣本位于同一類簇，相似度低的樣本處在不同類簇[9]。深度聚類的自編碼器分為兩個部分：編碼器和解碼器，自編碼器的任務是將輸入轉化成一個低維表示，而解碼器的任務是從低維表示重構輸入。算法通過自編碼器對數據進行降維后，使用損失函數對聚類結果進行微調，在最大限度保證不扭曲嵌入空間的前提下，完成模型優(yōu)化并實現聚類。DCEC深度嵌入式聚類結構如圖2所示。

圖2中，x表示輸入圖像數據，本文中為48 029張SST圖像數據；編碼層和解碼層各有3層卷積，數據首先輸入編碼器部分，經過3層步幅為2的卷積層后，被拉平為一維的特征向量；編碼器部分的輸出特征被解碼器和聚類層接收后，基于損失函數不斷對聚類結果進行微調，直至滿足收斂性判定準則時停止。最終結果x′表示x基于編碼器提取特征后，經過解碼器還原后的輸出圖像；q表示x由聚類層生成的最優(yōu)聚類結果。本文中使用的DCEC模型來自https://github.com/XifengGuo/DCEC。

圖2 深度卷積嵌入式聚類模型結構Fig.2 DCEC model structure

2.3.2 DCEC模型聚類個數設定

在DCEC模型訓練過程中，聚類個數的設定較為關鍵，聚類個數較小時，會使提取的SST特征過于單一；聚類個數過大，會導致提取的特征信息冗余且增大計算量。本文基于聚類算法常用的評價指標DBI[13]確定最佳聚類個數。DBI是用于衡量類間離散度與類內離散度的一種聚類準則，DBI越小，樣本集中類內樣本點相似程度與類間差異程度越高，聚類效果越好，計算公式為

式中，c表示聚類個數；si，sj表示第i個和第j個聚類中樣本點與同一聚類簇中所有樣本xk（1 ≤k≤ni)的平均值的標準誤差；ni表示第i個聚類中樣本點的個數；Pij表示si和sj的距離，即為

2.3.3 基于DCEC的海表溫度特征提取

將48 029張SST圖像按月分組，2018年每個月為一組，共12組；按照DCEC模型的最佳聚類個數對每組圖像進行標注，每組中的第k張圖像類別被標注為ck，公式為

式中，predict()表示DCEC模型的分類函數。

提取每組ck集合的眾數，作為第M月SST的FM類別特征值，公式為

以上特征提取過程基于Python3.7實現。

2.4 GAM構建

GAM使用關聯函數連接響應變量的期望和各個解釋變量，基于平滑函數對每個解釋變量單獨進行擬合[15]，GAM可以單獨分析每一個解釋變量對響應變量的非線性影響，是非參數化的數據驅動模型，具有很高的靈活性，在漁業(yè)研究方面的應用十分廣泛[16-17]。本文基于控制變量法構建了兩類GAM：基礎GAM和基于DCEC特征提取的改進GAM。

兩類模型所使用的響應變量均為ln(CPUE)（CPUE大于0），經過正態(tài)Q-Q圖檢驗，ln(CPUE)的概率分布符合正態(tài)分布，如圖3所示。

圖3 ln(CPUE) 的正態(tài)Q-Q圖檢驗Fig.3 Normal Q-Q chart of ln(CPUE)

基礎GAM表達式為

式中，CPUE表示月單位捕撈努力量漁獲量； C hla表示葉綠素a濃度月平均值；SST表示海表溫度月平均值；s()函數表示自然立方樣條平滑函數；模型的誤差分布假設為高斯分布，連接函數為單位連接。

改進GAM表達式為

式中，CPUE表示月單位捕撈努力量漁獲量； C hla表示葉綠素a濃度月平均值；FM表示基于DCEC提取的月海表溫度類別特征值；s()表示自然立方樣條平滑函數；模型的誤差分布假設為高斯分布，連接函數為單位連接。

在構建兩類模型時，采用十折交叉驗證拆分訓練集S和測試集T，訓練集S用于擬合GAM并記錄解釋變量的各項評估參數，測試集T用于計算GAM的預測誤差。

2.5 模型驗證

2.5.1 模型解釋變量驗證

基于聯合假設檢驗（F檢驗）來驗證GAM模型中的解釋變量對響應變量的影響。經過F檢驗后，解釋變量的p值小于0.05，說明解釋變量對響應變量影響顯著，在此基礎上，對比分析各變量解釋率。

2.5.2 模型評估

采用AIC衡量模型的擬合優(yōu)良性，AIC值越小，說明模型的擬合優(yōu)良性越高；計算實測值和預測值的MSE，在相同的測試集上，均方誤差越小表示模型的預測精度越好。MSE的計算公式為

同時，通過繪制實測值和模型預測值的散點圖，并計算Pearson相關系數r，進一步評價模型的預測效果。Pearson相關系數r的計算公式為

3 結果與分析

3.1 基于DCEC模型的海表溫度特征提取結果

繪制DBI隨聚類個數變化的關系曲線，如圖4所示?？傮w上，DBI隨著聚類個數增加呈現下降趨勢，直到當聚類個數n不小于30時，DBI呈現波動，不再顯著下降。因此，本文將DCEC模型的最佳聚類個數確定為30。

圖4 DCEC模型聚類個數對應的DBI曲線Fig.4 The curve of DBI corresponding to the number of clusters in the DCEC model

為體現48 029張SST圖像的30個聚類結果特征，本文從每一類中隨機選擇了20張圖像，如圖5所示。

圖5中，每一類圖像的溫度分布模式均具有明顯的內部規(guī)律。例如，類別1和類別2的溫度空間分布較為均勻，但類別2的平均溫度比類別1更高；類別3、類別10、類別12、類別21等體現了不同方向的暖流與冷流交匯的溫度分布模式，如類別3體現了暖流南下的趨勢、類別10體現了暖流從西北方向與冷流交匯、類別12體現了暖流從東北方向與冷流交匯、類別21體現了暖流從東南方向與冷流交匯；類別4、類別8、類別9、類別19、類別24等則體現了更加復雜的暖冷流相互交匯與包圍的模式。

圖5 基于DCEC模型的SST圖像聚類結果（每一類隨機選取20張圖片）Fig.5 The clustering results of SST images based on the DCEC model (20 images are randomly selected for each category)

按照DCEC模型的聚類結果對2018年1-12月各月的SST日圖像集合取類別眾數，得到各月SST類別特征值FM，與月SST平均值圖像疊加，結果如圖6所示。

如圖6所示，西南印度洋整體范圍內，各月SST平均值呈現了自南向北逐漸降低的變化過程，而與漁場CPUE對應的SST類別特征值FM隨著季節(jié)的變化呈現了更復雜的規(guī)律。在南半球夏季（12月至翌年 2 月），馬達加斯加島東岸 18～25oS，47～62oE 之間的漁場數據分布較為集中，FM以類別3為主，SST主要呈現暖流南下的分布模式；秋季（3-5月），漁場分布范圍更加分散，FM自北向南由類別3向類別10過渡，暖流從西北方向與冷流交匯；冬季（6-8月），漁場分布進一步擴散到了南非東南沿岸直到厄加勒斯角，整體漁場FM隨著時間推移由類別10為主轉變?yōu)橐灶悇e2為主，即呈現了溫度較均勻的分布模式；春季（9-11月），漁場分布范圍又重新縮小到馬達加斯加島東岸，且隨著時間推移，FM由類別2為主轉為以類別10為主的分布模式。

圖6 2018年1-12月各月漁場CPUE對應的月SST類別特征值 F M與月SST平均值Fig.6 SST category feature F M corresponding to the fishery CPUE in each month and monthly average SST from January to December,2018

3.2 模型解釋變量與CPUE的關系

基礎GAM及改進GAM中的各因子解釋率及p值如表1所示。結果表明，無論是模型中單獨采用月SST類別特征值FM，還是將FM與Chla因子聯合使用，改進GAM的綜合因子解釋率始終高于基礎模型的綜合因子解釋率，說明本文中基于DCEC模型提取的月SST類別特征值FM對大眼金槍魚CPUE影響更為顯著。

表1 基礎GAM、改進GAM中變量解釋率與顯著性水平Table 1 Variable interpretation rate and significance level in basic GAM and improved GAM

基礎GAM的SST平均值、改進GAM的月SST類別特征值與大眼金槍魚CPUE的關系曲線如圖7所示。

圖7 基礎GAM的SST平均值（a）、改進GAM的月SST類別特征值FM（b）與CPUE的關系曲線Fig.7 The relationship curve between the monthly average SST and CPUE in the basic GAM (a),and the SST category feature F M and CPUE in the improved GAM (b)

SST平均值與大眼金槍魚CPUE呈現非線性關系，總體變化趨勢不明顯，CPUE高值在溫度為20.5～29.8℃之間時均有分布。改進模型中，月SST類別特征值FM在類別為2、10、24時，對CPUE值影響較為顯著。

3.3 模型評估結果

根據基礎GAM及改進GAM的殘差圖（圖8）可知，兩類模型的殘差均近似符合正態(tài)分布，說明兩類模型的預測結果均符合GAM的正態(tài)分布假設。

圖8 基礎 GAM（a）與改進 GAM（b）殘差圖Fig.8 Residual diagram of the basic GAM (a) and the improved GAM (b)

繪制 ln（CPUE）實測值與兩類模型 ln（CPUE）預測值的散點圖，如圖9所示，能夠看出基礎GAM的ln（CPUE）預測值與實測值的相關性并不明顯，而改進GAM的ln（CPUE）預測值與實測值的相關性更強。

圖9 ln（CPUE）實測值與基礎模型 ln（CPUE）預測值散點圖（a）、ln（CPUE）實測值與改進模型 ln（CPUE）預測值散點圖（b）Fig.9 The scatter plot of ln (CPUE) predicted by the improved GAM with the measured ln (CPUE) (a),and the scatter plot of ln (CPUE)predicted by the basic GAM with the measured ln (CPUE) (b)

基礎GAM與改進GAM的AIC、MSE及兩個模型CPUE預測值與實測值相關系數r如表2所示。

由表2計算得出，改進GAM相比基礎GAM的AIC值降低了9.17%；預測誤差MSE降低了26.7%；改進GAM預測值與實測值的相關系數r提升到0.60，體現了更顯著的相關性。

表2 基礎GAM、改進GAM的AIC、MSE、r值Table 2 AIC,MSE and r of the basic GAM and the improved GAM

綜上，基于月SST類別特征值FM構建的改進GAM，其擬合與預測精度略優(yōu)于基于月SST平均值構建的基礎GAM。

4 討論

4.1 DCEC模型在海洋特征提取方面的有效性

改進GAM的擬合與預測精度均優(yōu)于基礎GAM，總結其主要原因在于：

（1）基于DCEC模型對高分辨率的SST日圖像進行非監(jiān)督聚類，聚類結果能夠較好地反映海表溫度的時空動態(tài)特征與規(guī)律。DCEC模型采用深度棧式自編碼器，能夠把數據非線性映射到隱空間，并采用最小化Kullback-Leibler（KL）散度的方式來實現數據的聚類，已被證實在遙感影像分類、數據降維和圖片降噪等方面取得了顯著效果，提取的高層特征相比于傳統的特征提取方法具有更好的幅度和相位信息[18-20]。本文中，DCEC模型同時對整個西南印度洋區(qū)域1-12月的48 029張SST日數據進行特征學習和聚類，在獲取SST日溫度圖片的顯著信息基礎上自動提取圖像特征，學習到的特征在時間、空間上具備可比性，魯棒性較好。在本文得到的30個分類結果中，每一類圖像均具有獨特的溫度分布模式規(guī)律，在此基礎上按月提取分類結果的眾數作為月SST類別特征值，能夠充分體現每個月內小范圍（1°× 1°）的海洋環(huán)境溫度變化動態(tài)，避免了使用SST月平均值時對小范圍特殊海洋環(huán)境的平滑作用。

（2）基于DCEC模型提取的SST特征體現了溫度模式的時空變化規(guī)律，與西南印度洋的氣候條件、季風狀況和水文特征等相互耦合。南印度洋上常年都存在1個副熱帶高壓單體，夏季（2月）偏東偏南，冬季（8月）偏西偏北，略接近南非-馬達加斯加，冬季強度比夏季要強[21]，在副熱帶高壓控制下，本文中冬季漁區(qū)的SST特征（以類別2為主）也因此表現出穩(wěn)定、均勻的分布模式；在25～35oS 的南印度洋洋面上，常?？墒艿綔貛庑吘壍挠绊?，出現6～7級的大風，從多年平均來看，西南印度洋上每年12月至翌年4月生成的熱帶風暴占全球總數的12.4%[22]，受此影響，本文中夏、秋季漁區(qū)SST特征呈現了冷暖流交匯的復雜分布模式（例如，12月至翌年2月CPUE對應的FM以類別3為主，秋季（3-5月），漁場分布范圍更加分散，CPUE對應的FM自北向南由類別3向類別10過渡，暖流從西北方向與冷流交匯）。此外，西南印度洋的溫躍層厚度也與本文中SST特征的季節(jié)變化具有一定的相關性。本文中1-3月漁區(qū)FM呈現出較為一致的冷暖交匯模式，而此區(qū)域的溫躍層1-3月在受到海表溫度、海面風應力和海表凈熱通量的季節(jié)變化控制下厚度達到最大值；8-9月FM對應的海表溫度呈現穩(wěn)定、均勻的分布模式，而此區(qū)域的溫躍層也在這一時間段減少到最小值[23]。大眼金槍魚作為高度洄游的大洋性魚類，其洄游受氣候條件、季風狀況和水文特征等多種因素綜合影響，本文基于DCEC模型提取的FM特征間接反映了這些因素的變化。而單獨使用SST平均數據則會掩蓋掉這些大范圍因素對大眼金槍魚棲息環(huán)境的重要作用。

4.2 西南印度洋大眼金槍魚延繩釣漁獲率與SST特征的關系

本研究發(fā)現，基于DCEC模型提取的月SST類別特征值FM對西南印度洋大眼金槍魚漁場具有顯著性影響。FM與西南印度洋大眼金槍魚CPUE的關系曲線顯示，高漁獲率集中在FM類別為2、10、24的暖流南下或暖冷流交匯區(qū)域。印度洋10oS以南的洋流是一個反時針旋轉的南赤道環(huán)流圈，其西南分支形成了強大且穩(wěn)定的馬達加斯加暖流，平均流速為0.5～0.8 m/s，表層水溫為22～28 ℃[24]，在暖流南下的情況下，大眼金槍魚在馬達加斯加東岸形成了較為密集的分布。馬達加斯加暖流沿馬達加斯加島東岸向南流動，后與馬達加斯加島西側的莫桑比克暖流匯入厄加勒斯暖流[25]，這又使得莫桑比克沿岸以南區(qū)域形成了一定的漁場。研究表明，海流對魚類生長發(fā)育、攝食、洄游等均產生直接或間接的影響，海流會影響魚類的正常游泳，使得浮游生物分布發(fā)生變化[26]；冷暖洋流交匯處，各自密度不同，產生海水的垂直混合，底部的海水含有生物生長的氮、磷、鉀等必需元素，這些含有氮磷鉀等必需元素的海水來到海面，成為海洋浮游植物的物質來源，進而改變大眼金槍魚餌料的棲息水層，影響其攝食[27]。宋利明等[28]指出，吉爾伯特海域大眼金槍魚對海流的變化比較敏感，在較淺的水層，大眼金槍魚的分布受到海流（尤其是水平海流）的制約。本文基于DCEC模型提取的月SST類別特征值FM初步判定了海流對漁獲率的影響。

4.3 不足與展望

改進GAM的擬合與預測精度雖均優(yōu)于基礎GAM，但改進效果不是非常明顯，總結主要不足及需要改進的工作包括以下幾點：

（1）MODIS傳感器數據的缺失對DCEC模型的特征提取產生了一定影響。實驗中采用的MODIS傳感器數據由于衛(wèi)星原因存在部分缺失，因此對于部分區(qū)域采用MODIS-Aqua和MODIS-Terra兩張子圖進行融合，在數據預處理中舍棄了無效像素大于50%的圖像數據，這在一定程度上破壞了SST圖像數據的時間相關性，縮小了原始數據空間，對DCEC模型的特征提取過程帶來精度損失，并會進一步對改進GAM的擬合、預測精度產生影響。下一步可以結合其他傳感器數據，研究不同傳感器之間SST數據的差異，得到多源數據融合方法，計算得出更為完整的SST圖像數據，減小實驗誤差。

（2）IOTC的漁業(yè)數據是多個國家、地區(qū)共同采集的，數據質量的不一致性會影響GAM預測精度。IOTC提供的西南印度洋大眼金槍魚延繩釣公開數據集主要來自韓國、中國臺灣及日本等地，捕撈時間、地點、效率、設備等均有差異。本文僅計算了名義CPUE作為GAM的響應變量，會影響模型連續(xù)穩(wěn)定的預測能力。下一步可以采用年、季度、經緯度、采樣國家地區(qū)等非海洋環(huán)境特征因子先對CPUE進行標準化，然后針對標準化CPUE進行預測。

（3）大眼金槍魚延繩釣漁業(yè)是一個復雜的系統，其影響因素也是多種多樣，例如溶解氧、溫躍層、海流等。本文僅采用DCEC模型對海表溫度進行了特征提取，對GAM的改進效果十分有限，在今后的研究中應綜合多方面因素，提取更多海洋環(huán)境的時空動態(tài)特征，在此基礎上進行綜合分析，為生產作業(yè)提供理論指導。

5 結論

本研究提出了一種基于DCEC模型的海洋環(huán)境特征提取方法，結合GAM對西南印度洋大眼金槍魚延繩釣漁場進行預報。研究采用2018年1-12月0.041 6°×0.041 6°的 MODIS-Aqua和 MODIS-Terra海表面溫度三級反演圖像數據（以日為單位）構建DCEC模型，并基于DBI確定最佳聚類數，在此基礎上提取海表溫度的月SST類別特征值FM；采用FM、Chla濃度月平均值與CPUE數據進行時空匹配，構建改進GAM；采用SST月平均值、Chla濃度月平均值與CPUE數據構建基礎GAM。兩類模型對比結果表明：（1）基于DCEC模型提取的FM類別能夠較好地反映西南印度洋海表溫度的時空動態(tài)特征與規(guī)律，并與西南印度洋的氣候條件、季風狀況和水文特征等相互耦合；（2）FM相比SST平均值的因子解釋率更高，對大眼金槍魚CPUE影響更為顯著，高漁獲率集中在FM類別為2、10、24等暖冷流交匯區(qū)域；（3）改進GAM相比基礎GAM的AIC值降低了9.17%；預測誤差MSE降低了26.7%；預測值與實測值的相關系數r提升到0.60。本研究證明了DCEC卷積神經網絡在海洋特征提取方面的有效性，后序研究可以參考本方法結合其他傳感器數據，針對標準化CPUE并綜合多方面海洋環(huán)境因素進行漁情預報。