长鳍金枪鱼(Thunnus alalunga)广泛分布于热带、亚热带及温带海域, 为高度洄游性鱼类, 是我国远洋延绳钓渔业重要的捕捞对象之一。近年来, 国内外学者研究了长鳍金枪鱼分布与海洋环境之间的关系(Chen et al, 2005; Domokos et al, 2007; Zainuddin et al, 2008; Briand et al, 2011; 林显鹏等, 2011; 杨嘉樑等, 2014; Goñi et al, 2015; Lehodey et al, 2015; Williams et al, 2015; 储宇航等, 2016; 郭刚刚等, 2016; 宋利明等, 2017a), 宋利明等(2017b)研究得出温度是影响库克群岛海域长鳍金枪鱼分布的主要环境因子; 闫敏等(2015)认为海表面温度和叶绿素a浓度与长鳍金枪鱼渔获率分布有关; 张嘉容等(2020)认为温度对长鳍金枪鱼分布的影响最大, 叶绿素a浓度的影响最小。但大部分模型仅分析海洋表层环境与长鳍金枪鱼分布的关系, 缺乏使用海洋立体环境因子的分析研究。

目前长鳍金枪鱼渔场预测大多使用较为传统的单一预报模型, 如一元非线性回归模型(范江涛, 2011)、栖息地指数模型(任中华等, 2014)和神经网络模型(毛江美等, 2016)等。随着渔业生产对渔场预报精度要求的提高, 深度学习开始在长鳍金枪鱼渔场预测中得到应用, 如袁红春等(2019a, 2020)。Stacking集成学习是一种多模型的集成方法, 能够得到比单模型更准确的结果(罗智青等, 2019; 侯娟等, 2020)。但海洋立体环境因子间的共线性会影响如逻辑斯蒂回归(logistic regression, LR)模型的预测精度(Raykov et al, 2010), 且环境因子过多容易导致K最近邻(k nearest neighbor, KNN)、梯度提升决策树(gradient boosting decision tree, GBDT)、随机森林(random forest, RF)和支持向量机(support vector machine, SVM)等模型的复杂性, 造成过拟合问题, 降低模型可解释性(Jou et al, 2014; Assegie et al, 2021)。目前大部分机器学习模型均未针对海洋立体环境因子间的共线性进行分析及因子筛选。

本研究根据2016~2019年中国船队在大西洋公海作业的延绳钓渔业数据, 结合不同深度的海洋环境数据进行共线性分析与因子筛选, 建立KNN、LR、决策与分类树(classfication and regression tree, CART)、GBDT、RF、SVM和Stacking集成(stacking ensemble learning, STK)模型; 各模型取75%站位的数据作为训练数据, 25%站位的数据为测试数据, 采用预报准确率(accuracy, ACC)与接受者操作特征(receiver operating characteristic, ROC)曲线下面积(area under curve, AUC)进行性能评价, 以提高大西洋热带海域长鳍金枪鱼渔场预报的准确性。

1 材料与方法 1.1 数据来源

本研究选取的渔业数据来源于中水集团远洋股份有限公司, 时间为2016~2019年, 区域为19°16′S~ 16°21′N; 46°27′W~2°09′E范围内的大西洋中部热带海域, 数据信息包括延绳钓捕捞渔船(共13艘)船名、作业时间(年-月-日)、作业地点(经纬度)、不同鱼种的产量、渔获尾数及下钩数等。将每天长鳍金枪鱼的渔获尾数划分到1°×1°的网格内, 并算出CPUE (尾/千钩)。

海洋环境因子主要包括表层因子和0~500 m深度因子共29个。其中, 表层因子包括: 叶绿素a浓度(chl_a)、混合层深度(mixed layer depth, MLD)、海表面风速(wind speed, WS)、涡动能(eddy kinetic energy, EKE); 0~500 m深度因子包括: 0、50、100、150、200、250、300、400、500 m水深处的温度(采用T₀、T₅₀、T₁₀₀、T₁₅₀、T₂₀₀、T₂₅₀、T₃₀₀、T₄₀₀、T₅₀₀表示); 0、50、100、150、200、250、300、350、400、450、500 m水深处的溶解氧(采用D₀、D₅₀、D₁₀₀、D₁₅₀、D₂₀₀、D₂₅₀、D₃₀₀、D₃₅₀、D₄₀₀、D₄₅₀、D₅₀₀表示); 100、200、300、400、500 m水深处的盐度(采用S₁₀₀、S₂₀₀、S₃₀₀、S₄₀₀、S₅₀₀表示)。以上因子数据除WS来源于美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration, NOAA)的数据库(https://oceanwatch.pifsc.noaa.gov/)外, 其他数据均来源于哥白尼海洋环境监测服务中心(copernicus marine environment monitoring service, CMEMS)网站(http://marine.copernicus.eu)。环境因子数据的初始时间分辨率为d, 初始空间分辨率为0.25°×0.25°。本文将环境因子和渔业数据进行了匹配, 最终的空间分辨率统一为1°×1°, 以d为单位。以上数据预处理过程通过MATLAB软件完成。

1.2 数据处理 1.2.1 长鳍金枪鱼CPUE的计算方法

CPUE作为评价渔场的指标(沈智宾等, 2015)。将每天的长鳍金枪鱼的渔获尾数划分到1°×1°的网格内, 根据每天的船位数据等得到每天每网格内的总钓钩数, 算出每天每个网格内的长鳍金枪鱼CPUE (尾/千钩), 计算各网格内CPUE的公式为

式(1)中: E_kmnij, F_kmnij和H_kmnij分别表示在第k年、第m月、第n天、第i经度、第j纬度的网格内的CPUE、尾数和下钩数量。

1.2.2 海洋环境因子的共线性分析

由于建立模型所用的叶绿素a浓度、混合层深度、海表面风速、涡动能以及0~500 m水层的温度、溶解氧、盐度等海洋环境因子的量级单位不同, 数值范围差别较大, 为防止对模型产生数值影响且为了提高模型运行的准确度, 对所有环境变量进行归一化处理(张天蛟, 2016), 公式为

式(2)中: X'、X、X_max、X_min分别为归一化后的值、实际值、最大值、最小值。

针对29个海洋环境因子之间存在的多重共线性, 本文采用方差膨胀因子(variance expansion factor, VIF)(Akinwande et al, 2015)进行分析。

对于方程:

式(3)中, y为因变量, x为自变量, α₁、α₂、α₃、…、α_n为回归系数, β为常数项。则第i个自变量的VIF计算公式为:

式(4)中, F表示方差膨胀因子VIF的取值; R_k为线性方程中的决定系数。当VIF值较大时, 表示环境变量之间存在多重共线性, 即VIF值越大, 表示环境变量之间多重共线性越严重, 一般认为F < 10, 即表示各环境变量之间没有多重共线性。选取F < 10的海洋环境因子用于建立大西洋热带海域长鳍金枪鱼的渔场预报模型。

1.2.3 海洋环境因子相对重要性分析

海洋环境因子相对重要性的计算方法为: 利用SPSS软件计算长鳍金枪鱼CPUE与筛选后各环境因子的Pearson相关系数; 根据Pearson相关系数绝对值判断其相对重要性。

1.3 模型建立

渔场分类时, 若CPUE等于0, 为“非渔场”; CPUE大于0, 则为“渔场”, 其中零值比列为40.11%。从数据集中随机选取75%站点的数据作为训练数据, 25%站点的数据为测试数据; 并使用训练数据分别建立KNN、LR、SVM、CART、RF、GBDT和STK7种模型。系列模型的基本原理和参数选择方法如表 1。

Stacking算法框架如图 1所示, 第一层由3个基学习器组成, 并输入原始训练集, 即第一步将与各个海洋环境因子匹配好的大西洋热带海域长鳍金枪鱼CPUE原始数据集S, 基于非共线性海洋环境因子的筛选, 划分为75%的训练数据D和25%测试数据T; 第二步从7个模型中选择预测效果较好的3个模型作为初级学习器, 选取结构简单的LR作为次级学习器; 第三步将75%的训练样本随机划分为k个数量相同的训练集子集D₁, D₂, …, D_k, 取T_i作为测试子集, D_k–1{D₁, D₂, …, D_k}(D_i ∉D_k–1)作为KNN、RF和GBDT的训练子集, 接着将各个模型的预测结果统一为LR模型的训练集D′, 各个单模型对测试集T的预测结果合并为LR模型的测试集T′, 最终输出预测结果。

1.4 模型性能评价

将25%测试数据代入各模型得出预测结果, 对模型性能进行评价。本文采用AUC和ACC作为模型性能评价指标。其中AUC取值范围为0~1, 值越大说明该模型的预测性能越好, 反之预测性能越差(张天蛟, 2016); 同理, 所得ACC值越大, 说明该模型整体预测效果越好, 反之预测效果越差, 所以本文按照两者结果, 对比并选取预测准确度较高且性能稳定的模型。

将25%的测试数据代入预测能力最佳的模型, 计算得出“渔场”和“非渔场”并使用ArcGIS软件画出实际“渔场”和“非渔场”与模型预测得到的“渔场”和“非渔场”叠图, 定性评价最佳模型的预测能力。

1.5 中心渔场的确定

本研究把25%的测试站点的环境数据代入预测能力最佳的模型, 计算得出“渔场”位置, 利用ArcGIS软件的核密度分析工具计算并画出“渔场”位置密度分布图, 把密度大于最大密度的60% (8个/km²)以上的范围定义为中心渔场。

2 结果 2.1 长鳍金枪鱼渔场分布

通过ArcGIS软件画出长鳍金枪鱼CPUE分布图(图 2), 得出长鳍金枪鱼渔场主要分布在15°N~15°S, 15°~45°W的大西洋中部热带海域, 其高CPUE渔区集中分布在4°~10°N, 30°~45°W海域和5°~10°S, 18°~30°W的海域。

2.2 海洋环境因子筛选与相对重要性分析

按照各环境因子的|F| < 10, 筛选得出20个用于渔场预测的环境因子, 分别是chl a、MLD、WS、EKE、T₀、T₅₀、T₁₀₀、T₁₅₀、T₂₅₀、T₄₀₀、D₀、D₅₀、D₁₀₀、D₁₅₀、D₂₀₀、D₅₀₀、S₁₀₀、S₂₀₀、S₃₀₀和S₅₀₀ (表 2)。相关系数分析结果表明, 100 m水层温度(T₁₀₀)与CPUE的相关系数最高, 达到0.399; 100、150、500 m水层的溶解氧、100 m水层的盐度与CPUE的相关系数较高, 分别达到0.372、0.334、0.322和0.322; 相关系数较小的是MLD和叶绿素a浓度, 分别为0.21和−0.148; 海表面温度(T₀)和海表面风速(WS)的相关系数分别为0.140和0.069; 而涡动能(EKE)的相关系数最低, 为−0.036, 影响程度最小(表 2)。

2.3 模型性能评价

各个模型总体的ACC和AUC如表 3所示, 单个模型预测结果中RF的准确度最高, 为75.57%, KNN和GBDT的准确度并列为第二(73.92%), 因此选取RF、KNN和GBDT用于STK模型; CART最低, 为66.85%。STK模型的ACC最高, 达到75.92%, AUC也达到了0.742。综合上述结果, 表明STK模型预测性能良好。

对于STK模型, 将测试数据中得到的实际渔场与预测渔场进行叠加, 得出渔场主要分布在2°~14°N, 32°~45°W和2°~10°S, 18°~28°W的海域, 极少分布在5°~10°W附近, 且预测的0°~18°W海域的渔场的误判率很高(图 3); 将测试数据中的实际非渔场与预测非渔场进行叠加, 实际非渔场主要分布在5°~14°N, 30°~45°W和2°S~7°N, 12°~30°W的海域, 极少分布在2°~12°S, 2°~10°W海域附近, 且预测的2°~8°S, 20°~30°W海域的实际非渔场的误判率较高(图 4)。各模型对渔场和非渔场的判别准确率比较结果见表 4。说明Stacking集成模型的预测性能良好。

2.4 中心渔场

2016~2019年25%的测试数据中实际渔场密度分布如图 5a所示, 其中心渔场集中分布在4°~10°N, 33°~43°W海域, 以及5°~8°S, 27°~29°W和7°~9°S, 22°~24°W的海域。STK模型预测渔场密度分布如图 5b所示, 从整体来看预测的中心渔场比实际中心渔场略大, 但基本吻合。

3 讨论 3.1 模型对比分析

STK模型的渔场预报性能比6种单一模型(KNN、LR、CART、SVM、RF、GBDT)对大西洋热带海域长鳍金枪鱼渔场预报的性能要好, 为最佳模型。CART的渔场预报性能最差。这是因为STK是一种堆叠集成方法, 能够将KNN、RF和GBDT预测结果再次进行次级训练, 克服单一模型的局限性, 能综合三种模型的优势, 而CART容易过拟合, 导致泛化能力不强, 且某些自变量的占比过高时, 容易导致预测能力降低。RF对长鳍金枪鱼渔场的预报性能与STK模型相近, 这可能是因为RF在构建模型时通过自助采样选取训练样本, 增强其泛化和抗噪能力, 在一定程度上降低了不良数据对模型预测能力的影响(方匡南等, 2011)。GBDT与RF都是由多个分类树通过不同算法构建的模型, 但GBDT的预测性能明显低于RF, 这是因为GBDT训练样本选取的方法与RF不同, 其在模型构建过程中使用同一个训练样本, 导致模型泛化能力降低。LR、KNN、SVM的预测性能都比较低, 这几个模型不能有效克服构建模型所使用的样本数据质量不高的问题(如各类别的样本数据不平衡、数据缺失等)。

3.2 环境变量共线性分析

由于海洋环境非常复杂, 环境因子相互影响, 可能导致环境变量之间存在多重共线性, 会对预测结果产生偏差。Dormann et al (2013)认为当环境变量之间的相关系数大于0.7时, 说明存在共线性的可能性较大。多重共线性是影响SVM和LR预测精度和运行速率的主要原因之一(惠守博等, 2006; 张玲, 2010), 虽然CART、RF和GBDT在模型训练的过程中会自动消除多重共线性对预测精度的影响, 但是共线性使得环境变量的大部分信息相互叠加, 导致数据大量冗余, 模型的运行效率降低以及误判解释变量的贡献率。故消除环境变量之间的多重共线性, 在一定程度上提高了模型的预测精度、稳定性和可靠性。

VIF方法虽然可以消除共线性, 但也有可能导致原本生态学意义重要的因子被删除, 本研究从29个潜在的影响因子中删除了9个具有共线性的因子(T₂₀₀、T₃₀₀、T₅₀₀、D₂₅₀、D₃₀₀、D₃₅₀、D₄₀₀、D₄₅₀、S₄₀₀)。这些被删除的因子均为200 m以深的因子, 由于长鳍金枪鱼偏好觅食的水层为160~240 m水层, 且在该水层主要受饵料分布及水温的影响(杨嘉樑等, 2014), 因此本研究未删除对长鳍金枪鱼具有生态学重要意义的因子。

3.3 环境因子的相对重要性及中心渔场

研究认为温度直接或间接影响鱼类分布、集群和洄游(陈雪忠等, 2013), 其垂直水温是影响长鳍金枪鱼渔场分布主要原因之一(郭刚刚等, 2016)。研究表明, 100 m水层的温度、溶解氧和盐度与长鳍金枪鱼CPUE关系较为密切, 可能的原因是该水层是水温急剧下降的温跃层, 温度和盐度等环境因子适宜长鳍金枪鱼生存, 并且具有丰富的饵料生物资源, 较高的溶解氧含量(张嘉容等, 2020)。张嘉容等(2020)研究分析得到南太平洋中对长鳍金枪鱼CPUE具有显著影响的环境因子是120 m水层的温度和盐度, 这与本研究结果基本一致。叶绿素a浓度和WS对长鳍金枪鱼渔场分布的影响较小, 这是由于海面风速能够改变叶绿素a的空间位置和含量(Pickett et al, 2006; Jufaili et al, 2019), 而较高的叶绿素a浓度会吸引更多浮游生物在附近繁殖(杨胜龙等, 2012), 但长鳍金枪鱼并不会直接捕食浮游生物。EKE对长鳍金枪鱼渔场分布的影响最小, 这可能是因为EKE是通过影响环流、海洋温度以及叶绿素a的垂直和水平分布(Tussadiah et al, 2018)间接影响长鳍金枪鱼渔场的分布。2016~2019年25%的测试数据中预测得到的中心渔场比实际中心渔场范围略大, 可能是由于渔业生产作业不能均匀、完全覆盖整个区域, 而预测是根据海洋环境数据进行平滑计算得出的, 预测得到的中心渔场范围可靠。另外, 准确预测中心渔场能够使渔船缩短搜索渔场的时间、节省燃油, 增加长鳍金枪鱼的渔获量, 提高经济效益。

4 展望

本研究根据29种海洋环境因子, 建立6种模型并筛选最佳的三个预测模型构成STK模型, 提高了大西洋热带海域长鳍金枪鱼渔场预报的精度, 但长鳍金枪鱼渔场预报的精度还与数据的空间分辨率、渔捞日志记录的数据的准确度、饵料资源分布、洋流、流速等其他环境变量有关, 还会受到气候的年代际, 如北大西洋涛动等大尺度海洋事件的影响, 本研究中CPUE为0的比例较高, 还需要进一步收集数据开展研究。另外, 本研究结果适用于大西洋热带海域长鳍金枪鱼渔场的预报, 对于大西洋温带水域的长鳍金枪鱼渔场的预报还需要进一步收集数据开展相关研究。

致谢 本研究得到了中水集团远洋股份有限公司宗文峰、叶少华和邓荣成先生的大力支持, 谨致谢意。