張 暢，魯紅月，陳新軍,2,3,4

(1. 上海海洋大學 海洋科學學院，上海 201306；2. 上海海洋大學 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. 上海海洋大學 國家遠洋漁業(yè)工程技術研究中心，上海 201306；4. 上海海洋大學 農(nóng)業(yè)農(nóng)村部大洋漁業(yè)開發(fā)重點實驗室，上海 201306)

引 言

漁業(yè)資源評估為制定和實施漁業(yè)管理措施提供科學依據(jù)，是保障漁業(yè)可持續(xù)利用的重要手段。環(huán)境氣候因素在魚類個體的生長、發(fā)育、攝食、洄游乃至種群結構變動中都扮演著重要的角色，這也使得越來越多的研究學者將環(huán)境因子考慮進漁業(yè)資源的評估管理中。隨著捕撈的規(guī)范化、漁業(yè)資源調查工作的不斷開展和建模技術的提高，現(xiàn)階段的結合環(huán)境因素的漁業(yè)資源評估工作取得了一定的成果。CiteSpace是一款通過科學計量學、數(shù)據(jù)和信息可視化手段來呈現(xiàn)科學知識結構、規(guī)律和分布情況的軟件[1]。通過CiteSpace分析得到的可視化圖形稱為“科學知識圖譜”，既能描述各研究之間空間上的結構關系，又能展示各研究在時間上的發(fā)展和流動[2]。隨著該軟件的不斷更新，不僅能提供引文的可視化分析，還能對作者、機構、關鍵詞、國家/地區(qū)的合作等其他多個方面進行共現(xiàn)分析，Citespace開發(fā)至今已在各個學科都有很好的應用[3]。如何科學有效地對已有成果開展階段性的研究梳理，分析與環(huán)境因子有關的資源評估領域中的研究方向和研究熱點，成為當前研究亟待解決的命題。因此，本文利用Citespace的文獻計量方法對2000年以來基于環(huán)境因子的漁業(yè)資源評估為主題發(fā)表的文章進行量化分析，客觀總結該領域的研究現(xiàn)狀與趨勢，從整體把握其研究現(xiàn)狀、梳理發(fā)展規(guī)律及其存在問題，為后續(xù)的深入研究提供基礎。

1 數(shù)據(jù)來源與研究方法

1.1 數(shù)據(jù)來源

本文以Web of Science Core Collection核心合集數(shù)據(jù)庫為數(shù)據(jù)源進行主題檢索，檢索時間跨度為2000—2019年，文獻類型選擇ARTICLE，主題檢索詞為TS=(“stock assessment” AND “Environment” OR “climate”)。為確保篩選的文獻緊扣主題，研究領域選擇如下：Fisheries；Marine freshwater biology; Oceanography; ecology; Environment science; water resources; Biology; Environmental studies。根據(jù)以上檢索規(guī)則得到261篇文獻，以“download_”的TXT文本形式導入CiteSpace進行分析。

1.2 研究方法

本研究使用CiteSpace(版本5.5.R2)對檢索得到的文獻進行可視化分析。在導入CiteSpace前，本文對其進行除重處理，結果顯示261篇文獻均無重復。在選擇文獻關鍵詞為分析單元時，由于對相關主題表述存在差異，因此將同義詞、近義詞等節(jié)點進行合并處理。其他設置針對不同研究問題，進行相應選擇。

文章被共同引用的次數(shù)越多，說明各文章研究方向越相似且聯(lián)系程度越高，利用CiteSpace進行文獻共被引的聚類分析，能挖掘相似文獻的共同主題。在共被引可視化圖譜分析中，聚類標簽的命名通過施引文獻中提取的名詞性術語確定，該標簽可認為是該研究前沿[3]。在文獻共被引網(wǎng)絡中，文獻節(jié)點具有連接兩個及以上不同聚類的功能，且中心性和被引頻率相對較高的節(jié)點稱為關鍵節(jié)點，尋找關鍵節(jié)點有利于快速確定重要文獻。常見的測度文獻節(jié)點重要性的指標是中介中心性(Betweenness centrality)，當中介中心性≥0.1時，認為其具有較高的中心性。具有較高中心性的文獻通常是連接兩個不同領域的關鍵樞紐，在CiteSpace中也稱其為轉折點[2]。

關鍵詞是對文獻核心內(nèi)容的高度概括和集中描述，并且通過對一組詞兩兩統(tǒng)計在一組文獻中出現(xiàn)次數(shù)用以測度親疏關系。通過關鍵詞共現(xiàn)分析來確定該領域中的研究熱點，能把握該領域發(fā)展過程中所關注的焦點。本次關鍵詞共現(xiàn)網(wǎng)絡分析在CiteSpace節(jié)點類型中選擇“Keyword”(對與作者相關的原始關鍵詞提取)和“Term”(標題、摘要、關鍵詞和索引位置提取名詞性術語)，閾值設置中選擇“Top 50% per slice”[1]。

2 研究結果

2.1 總體文獻分析

2000—2019年共計文獻261篇(圖1)，具體可劃分為兩個階段：2009年以前發(fā)文量較少且增長平緩，該領域的相關研究一直較少；2009年開始，文獻數(shù)量明顯上升且增速較快，2019年達到最高峰34篇。261篇涉及78個期刊，387個研究機構，924個作者，300個基金資助機構。

圖1 2000—2019相關文獻發(fā)文量Fig.1 The number of published papers in 2000-2019

在圖2作者-機構的混合合作網(wǎng)絡中可見，NOAA和University of Washington在整個合作網(wǎng)絡中占據(jù)較大的節(jié)點，處于明顯的領先地位，其發(fā)文量分別為44篇(節(jié)點中心度0.17)和32篇(節(jié)點中心度0.13)。在整個合作網(wǎng)絡中可以看出，NOAA和University of Washington之間的合作十分密切，而且涉及多個研究機構，形成了一個龐大的合作網(wǎng)絡。發(fā)文量最高的前兩位作者Ander E Punt和James T Thorson也處于該合作網(wǎng)絡中。國內(nèi)研究機構發(fā)文量少，研究機構少，主要以上海海洋大學為中心，未形成較廣泛的合作規(guī)模。

圖2 作者-機構的混合合作網(wǎng)絡圖譜Fig.2 Hybrid network for author-research institution cooperation

2.2 研究前沿與知識基礎

在CiteSpace節(jié)點類型中選擇Cite Reference，閾值選擇中設置“Top 50% per slice”。運行CiteSpace并經(jīng)行聚類分析。其中294個節(jié)點，1 111條連線，網(wǎng)絡密度為0.026，模塊性指標Q=0.69(大于0.30)，平均剪影度指標0.41(大于0.40)，說明該網(wǎng)絡圖譜的聚類結構十分清晰，可信度較高。在文獻共被引知識圖譜中，共分為11個聚類模塊，如圖3所示。聚類模塊#3和#7的標簽名與包含文章主題不符，故不做分析討論。

(1)#0 management strategy evaluation& #8 management strategies該聚類模塊研究內(nèi)容相似，故合并分析。在此聚類模塊中，各研究通過探究環(huán)境因子對補充量的影響，從而研究環(huán)境在資源評估上的影響。由于基于環(huán)境的評估模型在相對誤差和不確定性的方面具有更好的表現(xiàn)和補充量更易受環(huán)境影響的特性，考慮補充量與環(huán)境關系的評估模型得到了極多的應用[4]。還有在諸如種群綜合模型(stock synthesis model)和年齡結構模型的模擬評測中，考慮了補充量受環(huán)境因素影響的評估方案均具有較好的表現(xiàn)[5-7]。

(2)#1 biological reference point此聚類模塊聚焦于探討環(huán)境變化下對管理決策的影響。相較于傳統(tǒng)的漁業(yè)管理，使用基于環(huán)境因子的管理參考點和控制管理規(guī)則，有助于漁業(yè)在不斷變化的生態(tài)環(huán)境中創(chuàng)造更大的收益[8]。生態(tài)系統(tǒng)評估的中度復雜度模型(Models of Intermediate Complexity for Ecosystem assessments, MICE)解決了基于生態(tài)系統(tǒng)制定管理決策的許多障礙，因此該類模型可用于漁業(yè)管理和養(yǎng)護的戰(zhàn)略輸出[9]。除了評估管理模型上的改進，合理的生態(tài)區(qū)域劃分等管理手段都將有助于更好的漁業(yè)資源管理[10]。

(3)#2 understanding historical summer此聚類模塊主要內(nèi)容為基于傳統(tǒng)評估模型的改進。傳統(tǒng)模型的改進主要在兩個方面：模型的改進和評估技術的提高。在模型改進方面，模型考慮了更多的層面的需求，例如Kristensen等[11]將空間模型和體長結構模型相結合，用以研究種群中各個體長組的時空分布，結果表明該方法能更好地預測小個體被兼捕的風險。在評估技術的創(chuàng)新方面，譬如，AD Model Builder 和Template model Builder(TMB)的數(shù)據(jù)處理程序極大的提高了模型整合和處理大量數(shù)據(jù)的能力[12-13]。Vert-pre等[14]基于大量數(shù)據(jù)的收集與處理，研究發(fā)現(xiàn)漁業(yè)產(chǎn)能(可捕生物量)的高低與種群豐度的關系存在多種可能，管理政策應根據(jù)不同的情況進行調整。此外，評估模型不斷擴展以滿足環(huán)境、社會、經(jīng)濟等多方面的需求，但其復雜性提高則會導致參數(shù)不確定性增加，需要在復雜性和效果之間尋找一個“最佳點”[15]。例如，Thorson等[16]為準確得到控制模型的最佳狀態(tài)，假定一個物種間沒有聯(lián)系的模型，通過不斷增加物種間關聯(lián)，探究到模型穩(wěn)定的“最佳點”。

(4)#4 emerging adaptation approaches此聚類模塊聚焦于研究海洋魚類為適應環(huán)境氣候變化而在群體和個體層面做出的改變。生活海域環(huán)境的變化，比如氣候變化的劇烈程度、生長季節(jié)的長短等，對魚類遷移和豐度都有明顯的影響[17-18]，從而使?jié)O業(yè)種群結構、空間分布乃至漁業(yè)發(fā)展產(chǎn)生變化。以鯖魚(Scomberscombrus)為例，Astthorsson等[19]研究認為冰島海域鯖魚從兼捕漁業(yè)發(fā)展到經(jīng)濟漁業(yè)與海水溫度的變化密切相關。

(5)#9 spatial dynamics & #10 stock assessment model此模塊研究內(nèi)容認為環(huán)境氣候變化可能引起魚類種群的空間分布變動，從而影響評估結果的準確性。隨著近些年來數(shù)據(jù)收集的健全和建模技術的進步，考慮時空變化的模型發(fā)展極為迅速。時空模型可分為兩類[11]：一類是通過空間信息技術直接了解種群的移動軌跡和分布。這類模型利用地統(tǒng)計學中的空間結構分析以及異質性分析，將有限的點數(shù)據(jù)模擬為高精確度的面狀分布函數(shù)[20]，但這一類方法更適用于數(shù)據(jù)豐富的漁業(yè)。比如，Claisse等[21]利用多種空間數(shù)據(jù)(衛(wèi)星圖像、海底觀測等)和專家判斷繪制近岸巖礁生境平面圖，結合各個水層的資源調查數(shù)據(jù)(資源豐度)，計算美麗突額隆頭魚(Semicossyphuspulcher) 和副鱸(Paralabraxclathratus) 的資源量和生產(chǎn)潛力，研究認為美麗突額隆頭魚的資源量在36.9～53.3萬t，生產(chǎn)潛力1.35～2.72 × 108cell; 對于副鱸的資源量在66.9～94.1萬t，生產(chǎn)潛力4.14～6.10 × 108cell。第二類模型通過合并各類具有空間相關性的數(shù)據(jù)(如生活史、經(jīng)濟、環(huán)境等)綜合評估資源量[22-23]，在估算模型參數(shù)[24]、理解個體行為對群體乃至管理決策的影響[25]、預測捕撈對生態(tài)環(huán)境和漁業(yè)壓力的反應[26]等多個方面都有良好的表現(xiàn)。Hulson等[27]建立多個狹鱈(Gaduschalcogrammus)空間模型(基于年齡結構模型考慮氣候變化，季節(jié)性遷移等因素)，與原模型(年齡結構模型)進行對比，結果發(fā)現(xiàn)空間模型能減少資源量估算的不確定性。

(6)#5 stock synthesis此聚類模塊通過對大數(shù)據(jù)漁業(yè)的共同研究，探討全球漁業(yè)面對氣候變化挑戰(zhàn)時的共性和差異性。從個體來看，全球變暖、海水氧含量下降等環(huán)境變化會使全球范圍內(nèi)的海洋魚類個體的體型縮小[28]。從漁業(yè)群體的狀況來看，許多研究從漁獲物的平均營養(yǎng)級水平、全球捕撈努力量的時空格局等角度出發(fā)，探討全球漁業(yè)崩潰的可能性[29-30]。譬如，Costello等[31]研究認為未經(jīng)評估的種群資源狀況遠不如有評估的種群，小型和大型種群的資源量都在持續(xù)下降。

(7)#6 fishful thinking此聚類模塊聚焦于研究捕撈對漁業(yè)資源的影響。捕撈活動對于世界漁業(yè)都有重大影響[32]。捕撈引起的年齡結構截斷可能導致被開發(fā)種群穩(wěn)定性減弱，從而降低了適應環(huán)境變化的能力[33]?？刂撇稉苹顒邮鞘钟斜匾?，在漁業(yè)管理中使用適當?shù)墓芾聿呗院图畲胧┯兄跐O業(yè)的恢復[34]。

在該網(wǎng)絡聚類分析中，紫色圓環(huán)標注節(jié)點為具有主導型地位和學術影響力的關鍵節(jié)點(中介中心性大于0.1)，共11個。在這些節(jié)點的文章中，全球漁業(yè)的修復和重建得到了極大的關注，主要的原因可能在于全球漁業(yè)的重建將極大的提高資源豐度和產(chǎn)量[29]。但漁業(yè)修復仍面臨較多困難，諸如單純降低漁業(yè)產(chǎn)量不足以支持漁業(yè)重建[33]，環(huán)境氣候因素的變動使得海洋生物多樣性會受到明顯影響，增加漁業(yè)重建的難度[35]。為解決這些困難，更有效促進全球的漁業(yè)重建，眾多的專家學者也進行了相應的研究。例如，Worn等[33]研究認為需要結合不同的管理行動來實現(xiàn)漁業(yè)重建和保護魚種，特別是一些貧困地區(qū)漁業(yè)重建更需要用全球眼光積極開展國際間合作，Ricard等[36]開發(fā)了一個新的關于商業(yè)開發(fā)的魚類和無脊椎動物的數(shù)據(jù)庫the RAM Legacy Stock Assessment Database，用于更好的掌握海洋種群動態(tài)和資源狀況。

此外，環(huán)境氣候變化給海洋漁業(yè)管理帶來了巨大的挑戰(zhàn)，一方面環(huán)境因素會影響補充量預測(持續(xù)性或周期性影響)，另一方面環(huán)境氣候可能會引起補充量的模態(tài)變化(regime shift)，從而對評估和管理都產(chǎn)生影響。模擬不同補充量變動情況，探究管理策略是否足以應對這些變化，為漁業(yè)資源可持續(xù)利用提供充足的理論基礎，也是研究中的重要關注點。Ianelli等[8]基于兩種補充量預測方法(1.基于與海表面溫度關系；2.傳統(tǒng)的補充量預測模式)，模擬觀察了多種管理策略下漁業(yè)資源的變化。Amar等[4]研究認為補充量受季節(jié)性海表面溫度、降雨量等環(huán)境因素影響，并設計多個評估管理方案，探究現(xiàn)有管理策略的表現(xiàn)。但是，由于補充量受多種因子影響，影響形式多樣[17]，并不能通過簡單的模擬研究得出最適合管理的“完美”選項，仍需要結合具體物種實際情況經(jīng)行更多的研究。

圖3 文獻共被引網(wǎng)絡圖譜Fig.3 The network of co-references

2.3 研究熱點與發(fā)展趨勢

運行CiteSpace選擇“Time Zone”，得到關鍵詞網(wǎng)絡時區(qū)網(wǎng)絡視圖(圖4)，黃塊大小代表該關鍵詞的詞頻高低。為了更好的分析該領域的發(fā)展趨勢，將關鍵詞分四個時間來分析2000—2004年、2005—2009年、2010—2014年和2015—2019年(表1)。

表1 2000—2019年文獻關鍵詞統(tǒng)計Table 1 Keywords in 2000-2019

(1)2000—2004年為初級階段。該時期的研究主要處于探討漁業(yè)資源與環(huán)境關系的摸索積累狀態(tài)。該階段使用方法和研究對象較為單一，主要通過環(huán)境數(shù)據(jù)與漁業(yè)數(shù)據(jù)間的數(shù)理關系來進行研究，并沒有從具體的影響機制出發(fā)討論兩者的內(nèi)在聯(lián)系。Klaer等[37]利用多種漁獲數(shù)據(jù)轉化成的年豐度指數(shù)探究魚類資源變化趨勢，并與多年平均環(huán)境因素經(jīng)行相關性分析。Roel等[38]通過敏感性分析認為海表面溫度對補充量存在影響，并以此預測海水溫度升高對未來補充的影響。Christensen等[39]建立EwE(Ecopath with Ecosim)模型用于探索捕撈和環(huán)境對漁業(yè)過去和未來影響。

(2)2005—2009年為不斷發(fā)展階段，該階段在氣候變化、捕撈與捕食關系的相互作用上進行了較多的研究。食物網(wǎng)是連接物種間聯(lián)系的重要渠道在理解和管理生態(tài)系統(tǒng)中占重要地位，過度捕撈、環(huán)境氣候因素通過食物網(wǎng)會對多物種漁業(yè)造成的影響[40]，甚至可能導致整個海洋食物網(wǎng)失衡[41]。Jurado-Molina等[42]將捕食關系納入多物種年齡結構模型中，對比原模型發(fā)現(xiàn)，增加了捕食關系的模型能更好地分析捕撈和參數(shù)的不確性，更適用于管理決策。Perry等[43]研究認為海表面溫度升高很可能通過種群分布和結構變化從而對漁業(yè)捕撈產(chǎn)生深遠的影響。

(3)2010—2014年為不斷拓展階段。在該階段關鍵詞迅速增多，研究更為細化。該階段不僅提出了更多有可能影響漁業(yè)資源的環(huán)境因子，在應對氣候挑戰(zhàn)的方法和理論方面也有了更多的研究。除了常見的海表面溫度，增加了更能表征物種棲息地環(huán)境的因子，例如河口沖淡水的位置、水質透明度、海流等[44]，都被考慮到漁業(yè)資源的評估管理中。在應對氣候挑戰(zhàn)方面，一方面建立權重機制可以在考慮更多的影響要素時避免提高模型復雜性[8]。另一方面，有研究認為確認漁業(yè)產(chǎn)量變動是由環(huán)境而非捕撈壓力導致，區(qū)分壓力來源是管理策略能成功實施的必要的前提[45]。

此外，該階段的研究不僅進一步完善了應對氣候挑戰(zhàn)的理論基礎，其中包括提供應對氣候變化的一系列漁業(yè)政策選擇，建立風險和脆弱性的評估和管理決策框架，描述事前和事后可能的策略等[46]。而且研究還表明，經(jīng)濟、社會等其他方面在漁業(yè)應對氣候挑戰(zhàn)中也扮演著重要的角色，Merino等[47]模擬短期(每年)和長期環(huán)境氣候影響下漁業(yè)市場可能會出現(xiàn)的情況，研究發(fā)現(xiàn)在面對氣候變化時，維持小型中上層漁業(yè)資源的可持續(xù)利用，更多地取決于社會(管理策略、市場調節(jié))如何應對氣候影響，而不是取決于氣候變化本身的幅度。

(4)2015—2019年為豐富和完善階段。該階段在研究海域、漁業(yè)和模型等方面均得到了極大的豐富。一方面，許多新的研究觀點被提出，例如Szuwalski等[48]研究認為環(huán)境對補充量的影響比對親體量更大，設定氣候生態(tài)變化在內(nèi)的管理目標可能會更好地定義種群的狀況。Axel等[49]研究發(fā)現(xiàn)褐蝦(Crangoncrangon)的捕食者受環(huán)境影響種群分布改變，使得原漁區(qū)內(nèi)的褐蝦上岸量明顯增加，可能存在過度捕撈的風險需要重新進行評估管理。另一方面，漁業(yè)研究偏向于多物種、基于生態(tài)、結合時空變化的研究。此類模型得到了很大的關注，譬如年齡結構的多物種模型(Multi-species statistical catch at age models, MSCAA)可以量化氣候和漁業(yè)捕撈對種群的影響，并評估管理食物網(wǎng)中若干種物種[50]；基于生態(tài)系統(tǒng)的漁業(yè)管理(Ecosystem-based fisheries management, EBFM)方法可以考慮更廣泛的目標，并可在模型中包含營養(yǎng)級之間的相互作用和氣候變化的影響，基于整個生態(tài)系統(tǒng)層面制定管理目標[51]；空間生態(tài)系統(tǒng)和種群動態(tài)模型(Spatial Ecosystem And Population Dynamics Model, SEAPODYM)也是EBFM模型中的一種主要應用于金槍魚[52]。

3 總結及展望

本文基于文獻計量學和知識圖譜研究方法，采用Citespace計量軟件，對基于環(huán)境因子在漁業(yè)資源評估中的研究進行了可視化分析。結果顯示該研究呈現(xiàn)如下特點：(1)從研究的整體來看，該領域總發(fā)文量在經(jīng)歷多年增速緩慢的醞釀期后，自2009年起發(fā)文量明顯增加，在今后一段時間內(nèi)預計會持續(xù)高速增長。國際上從事該領域的相關研究機構較多，但主要集中在以華盛頓大學，NOAA為中心的核心學術群體。我國在該領域的研究與其他國家水平還存在一定差距。研究機構和發(fā)文數(shù)量較少，國際影響力與合作規(guī)模都有待提高。建議我國從事該領域方向的研究團隊擴大與核心學術國家或機構的合作，提高我國在該領域方向的國際學術影響力。(2)從研究前沿與熱點來看，在經(jīng)過多年的數(shù)據(jù)(生物數(shù)據(jù)、漁業(yè)數(shù)據(jù)、資源調查數(shù)據(jù))和建模技術的積累，整體的知識架構向更全面更多元化的方向發(fā)展。補充群體比親體群體更易受環(huán)境氣候影響，而且是整個資源評估中極具估算難度的部分，因此大量的研究都把關注點放在環(huán)境對補充量產(chǎn)生持續(xù)、周期性和模態(tài)變化的影響；環(huán)境氣候的變化導致種群時空分布產(chǎn)生變化，從而引起了結合時空的評估模型的迅速崛起；從生態(tài)角度出發(fā)，環(huán)境氣候對各物種生境產(chǎn)生不同影響，又由于捕食等種間關系的聯(lián)系，也將對各生物資源量產(chǎn)生影響。全面探討基于環(huán)境氣候變化下對補充量、漁業(yè)洄游、生態(tài)、管理參考點等多方面的影響，有助于更全面的了解和管理漁業(yè)。(3)從研究視角看，該研究尺度傾向于大尺度的漁業(yè)研究，不僅是多種漁業(yè)的綜合研究，而且更多的結合了大尺度的時間空間要素。整體漁業(yè)的研究探討了漁業(yè)變化的共性，便于在面對氣候變化等全球性變化時能提供更好地評估管理意見。大尺度時間空間研究能更好地種群結構動態(tài)變化，更大程度上優(yōu)化評估模型結構。

圖4 關鍵詞共現(xiàn)網(wǎng)絡圖譜Fig.4 The keyword network

盡管集合環(huán)境因素的漁業(yè)資源評估研究已取得了較大進展，但并未廣泛地被各國際漁業(yè)組織所應用。主要原因有以下幾個方面：(1)許多管理決策本質上都是短期的，以歷史捕撈數(shù)據(jù)(漁獲量和捕撈努力量)為依據(jù)。環(huán)境氣候變化本身及其產(chǎn)生的影響都存在不確定性，如何能作為一個有效的數(shù)據(jù)源放入管理決策中，仍值得思考[8]。(2)雖然環(huán)境因子在修正模型參數(shù)方面取得一定成果，但高質量的漁業(yè)調查數(shù)據(jù)能夠更好地提供種群結構和補充量信息，比環(huán)境數(shù)據(jù)具有更大的價值[11]。(3)環(huán)境氣候對漁業(yè)影響機制不明，考慮環(huán)境因素的模型可能無法實現(xiàn)資源的可持續(xù)利用[53]。(4)盡管忽略環(huán)境對資源評估的影響可能不利于評估管理，但是增加的環(huán)境氣候因子會提高模型復雜性卻不能保證模型性能更優(yōu)[5,11,28]。

環(huán)境對漁業(yè)資源評估管理存在影響是毋庸置疑的，因此長遠來看該領域研究仍存在很大的發(fā)展空間?；谝延醒芯?，建議今后研究可從以下幾個方面展開：(1)跨學科交流。種間關系、海洋酸化、海冰下降、全球氣候變化及人類活動會通過不同形式對漁業(yè)資源產(chǎn)生影響，了解內(nèi)在影響機制，才能更全面的掌握和管理漁業(yè)資源；(2)完善現(xiàn)有模型。隨著跨學科研究的深入和日益豐富的觀察數(shù)據(jù)，具有更多功能的模型(考慮多物種、生態(tài)、時空變化等)會有更大的發(fā)揮空間。合理量化各個環(huán)境氣候因子，將各種影響轉化為可放入模型的數(shù)據(jù)，在維持模型穩(wěn)定性的同時加強模型性能等多個方面，都需要進一步加強；(3)建立健全資源環(huán)境監(jiān)測體系。氣候環(huán)境變化對全球漁業(yè)的方方面面都產(chǎn)生了深遠的影響，建立健全資源環(huán)境監(jiān)測體系有助于及時了解資源和環(huán)境的變動，及時提供應對氣候變化的漁業(yè)政策選擇。此外，建立健全資源環(huán)境監(jiān)測體系能有效避免未評估漁業(yè)遭受過度捕撈(兼捕)的危害，為維持海洋生態(tài)平衡提供保障。(4)大數(shù)據(jù)、人工智能和區(qū)塊鏈等新技術的應用。大數(shù)據(jù)、云計算、AI和區(qū)塊鏈等都被認為是推動經(jīng)濟社會轉型升級的顛覆性技術，在各個領域都得到了很大的應用。以區(qū)塊鏈為例，區(qū)塊鏈技術具有不可篡改性、公開透明性等特征，甚至可替代傳統(tǒng)的數(shù)據(jù)存儲技術，對于全球漁業(yè)數(shù)據(jù)的收集和管理，國際間合作交流都有極大裨益。并且隨著python等大數(shù)據(jù)分析軟件的應用，極大的提高了對大數(shù)據(jù)的抓取和分析效率。在漁業(yè)中引入大數(shù)據(jù)、人工智能和區(qū)塊鏈等新技術的應用，有利于推動整體漁業(yè)的進步和發(fā)展。