宋利明，周建坤，沈智宾，赵海龙，谢凯

（1.上海海洋大学海洋科学学院，上海201306；2.国家远洋渔业工程技术研究中心，上海201306；3.大洋渔业资源可持续开发省部共建教育部重点实验室，上海201306；4.远洋渔业协同创新中心，上海201306）

基于支持向量机的库克群岛海域长鳍金枪鱼栖息环境综合指数

宋利明1，2，3，4，周建坤1，沈智宾1，赵海龙1，谢凯1

（1.上海海洋大学海洋科学学院，上海201306；2.国家远洋渔业工程技术研究中心，上海201306；3.大洋渔业资源可持续开发省部共建教育部重点实验室，上海201306；4.远洋渔业协同创新中心，上海201306）

掌握海洋环境因子对长鳍金枪鱼（Thunnus alalunga）资源密度分布的影响有利于该资源的可持续利用。根据2013年9-12月在库克群岛海域利用延绳钓调查所获得的共计56个站点的长鳍金枪鱼渔获率数据，以及测得的温度、叶绿素a浓度、水平海流及垂直海流等环境因子数据，采用支持向量机方法分析了各水层（40.0~239.9 m，每40 m为一层）及整个水体中各个环境因子与长鳍金枪鱼渔获率的关系并建立了长鳍金枪鱼栖息环境综合指数（IHI）模型，并利用验证站点对模型进行了验证。结果表明：（1）预测渔获率与其对应的名义渔获率无显著性差异；（2）IHI模型的预测能力较好，能有效预测长鳍金枪鱼的分布；（3）不同水层影响长鳍金枪鱼分布的主要因素不同，在40.0~79.9 m、80.0~119.9 m、120.0~159.9 m、160.0~199.9 m和200.0~239.9m水层其分布分别主要受叶绿素a浓度、水温、垂直海流、叶绿素a浓度和温度的影响。整个水体影响长鳍金枪鱼分布的主要因素为温度；（4）长鳍金枪鱼分布密度较高的水层为120.0~199.9 m；（5）长鳍金枪鱼IHI指数分布较高的3个区域分别为9°00′S-12°20′S，159°00′W-164°00′W、13°30′S-14°30′S，159°00′W-161°00′W和10°30′S-12°30′S，167°00′W-168°00′W，建议在上述海域作业时，应使钓具沉降到120~199.9 m水层，以减少其它物种的兼捕率并提高长鳍金枪鱼的渔获率。

长鳍金枪鱼；栖息环境综合指数；支持向量机；库克群岛

长鳍金枪鱼（Thunnus alalunga）是库克群岛海域延绳钓渔业的主要捕捞对象之一（陈锦淘等，2005；Wu et al，2009；范江涛等，2011）。影响长鳍金枪鱼渔获率的环境因子很多，涉及水温、盐度、叶绿素a浓度和溶解氧等（Roberts，1980；Laurs et al，1984；Chien et al，2006；周甦芳等，2006；Zainuddin et al，2004；2006；2008；Hoyle et al，2009；杨嘉樑等，2014）。Roberts等（1980）通过研究长鳍金枪鱼资源分布与海表水温的关系，指出长鳍金枪鱼幼体一般生活在海表水温为18.5℃~21.3℃的海域，并且温跃层的深度也对长鳍金枪鱼的渔获率有较大影响。Murray等（1994）研究发现，南太平洋海域长鳍金枪鱼集中分布在200~300 m深的水层，该水层为盐度与温度强弱交汇处，温度为9℃~20℃。一些学者使用遥感数据对长鳍金枪鱼渔场分布进行分析（Zainuddin et al，2004；2006；2008；樊伟等，2007；陈雪忠等，2013）。杨嘉樑等（2014）使用渔场环境、作业参数、渔获统计数据，通过分位数回归分析有关水层长鳍金枪鱼渔获率与温度、盐度、叶绿素a浓度和溶解氧等环境因子的关系，并考虑其不同的影响权重及交互作用建立了栖息环境综合指数模型。很多学者通过广义相加模型（Maunder et al，2004；Su et al，2008；Howell et al，2010）、随机森林（陈雪忠等，2013）等统计模型对鱼群分布进行预测。Harrell等（1996）的研究表明，在分析高维数据时，为了增加预测模型的准确度，自变量的个数不宜太多。在以往的研究中,普遍采用的是线性模型（Hinton et al，2004；Okamoto，2008），但是随着渔业研究的不断深入，传统的线性模型已很难满足当今渔业研究对精度的要求。Cortes等（1995）提出了支持向量机，把线性不可分空间产生一个最优非线性决策边界。本文利用支持向量机方法（Cortes et al，1995；张浩然等，2002；袁红春等，2010）对库克群岛海域整个水体及不同水层的长鳍金枪鱼栖息环境综合指数进行分析研究，探讨各环境因子对长鳍金枪鱼资源分布的综合影响，从而为该海域长鳍金枪鱼资源的可持续利用提供参考。

1 材料与方法

1.1材料

1.1.1 调查船、调查时间及调查海域

参与调查的渔船“华南渔719”为低温金枪鱼延绳钓渔船，主要的船舶参数如下：总长36.60 m；型宽6.60 m；型深3.30 m；总吨196 t；净吨89 t；主机功率440.00 kW。

调查时间为2013年9月8日到12月18日。调查范围为9°06′S-18°04′S，157°05′W-167°46′W，共56个站点，随机选定其中42个站点的数据用于建立预测模型，14个站点的数据用于模型的验证（图1）。

1.1.2 调查方法和内容

本次调查的渔具、渔法、调查的仪器和调查内容具体见文献（宋利明等，2016）。本次调查测得的具有代表性的温度、叶绿素a浓度、垂直海流以及水平海流随水深的变化见图2。

1.2数据处理方法

1.2.1 钓钩深度的计算方法

钓具的理论深度按照吉原有吉的钓钩理论深度计算公式（斋藤，1992）计算得出，具体计算公式如下：

图1 建模站点和模型验证站点建模站点模型验证站点）

图2 调查期间典型的温度、叶绿素a浓度、垂直海流和水平海流垂直剖面图

式（1）~（4）中，Dx为第x号钓钩的理论深度（m）；ha为支绳长度（m）；hb为浮子绳长度（m）；l为干线弧长的一半（m）；φ0为干线与浮子绳连接点的切线与海平面的夹角（°），与式（4）中的短缩率k有关，现实中该角度难以测量，本研究利用计算短缩率k来推算出φ0；x为两个浮子间钓钩的编号；n为两个浮子间干线的分段数；L为两个浮子在海面上的水平距离（m）；t为投绳时前后2支绳之间相隔的时间间隔（s）；V1为投绳机出绳速度（m/s）；V2为航速（m/s）。

应用SPSS软件，采用多元线性逐步回归的方法建立钓钩拟合深度与理论深度（D）x的关系模型。定义钓钩实测深度（TDR所测深度）与理论深度的比值为钓钩沉降率。认为钓钩所能达到的深度（钓钩拟合深度）等于钓钩理论深度与拟合沉降率（回归拟合得出的钓钩沉降率）的乘积。钓钩的沉降率受到钓具漂移速度（V）g、风速（Vw）、风流合压角（γ）、风舷角（Qw）和钩号（x）的影响，将以上参数取对数值作为自变量，以钓钩沉降率的对数值作为因变量导入SPSS软件中进行回归，得出拟合沉降率计算公式，进而计算得到钓钩拟合深度（式5）。其中，钓具漂移速度是指钓具在风、流的合力作用下，钓具在海中的对地漂移的速度（m/s）；风速：风速仪测得的风的速度（m/s）；风流合压角是指钓具在海中的漂移方向与投绳航向之间的夹角（°）；风舷角是指风向与投绳航向之间的夹角（°）。

钓钩拟合深度的最终计算公式为：

1.2.2 长鳍金枪鱼渔获率的计算方法

水深范围为0~240 m，将整个水体分成6层，每一水层均为40 m。分别计算出调查期间各站点、各个水层的钓钩数量、长鳍金枪鱼的钓获尾数。最终计算出各个站点、各水层长鳍金枪鱼的渔获率CPUE，计算公式如下（斋藤，1992；Wu et al，2009；宋利明等，2012）

式（6）中，Hij为第i站点、第j水层内的钓钩数量，其中i的取值范围为1、2、3、…、55、56；j的取值范围为1、2、…、5、6。56个站点钓获的长鳍金枪鱼共计2 880尾。

Nij为第i站点、第j水层钓获的长鳍金枪鱼的尾数，其具体计算公式如下：

式（7）中，Nj为整个调查期间第j水层所钓获的长鳍金枪鱼总尾数；N为调查期间长鳍金枪鱼总钓获尾数；Ni为第i站点所钓获的长鳍金枪鱼尾数。

长鳍金枪鱼在第i站点的渔获率CPUEi的计算方法如下（斋藤，1992；Wu et al，2009；Song et al，2011；宋利明等，2012）：

式（8）中，Hi为第i站点投放的钓钩数量。

长鳍金枪鱼在整个调查期间第j水层的渔获率CPUEj的计算方法如下（斋藤，1992；Wu et al，2009；Song et al，2011；宋利明等，2012）：

Hj为整个调查期间第j水层内投放的钓钩数量。

1.2.3 环境因子平均值的计算方法

各个站点在每个水层的环境因子值Eij为每个水层内仪器所采集的环境数据的算术平均值。该站点整个水体的环境因子值Ei通过该站点各水层内环境因子的加权平均值计算而得，加权系数则为整个调查期间长鳍金枪鱼在各个水层的渔获率CPUEj（宋利明等，2011），具体计算公式如下：

调查期间，在0~40 m这一水层内无长鳍金枪鱼渔获物，这一水层的长鳍金枪鱼的渔获率为零，本研究仅建立了40.0~79.9 m（j=1）、80.0~119.9 m（j=2）、120.0~159.9 m（j=3）、160.0~199.9 m（j=4）和200.0~239.9 m（j=5）这5个深度范围相应的CPUE预测模型并建立栖息环境综合指数模型。

1.2.4 建立长鳍金枪鱼CPUE预测模型

由于库克群岛海域长鳍金枪鱼渔场是动态变化的，而对动态变化的相关经验知识不多，其中不确定因素较多，难以得出规律。所以本文采用支持向量机二分法的思想（Cortes et al，1995；张浩然等，2002；袁红春等，2010），其最显著的优点为在长鳍金枪鱼渔场先验知识不足的情况下，通过各水层环境因子与对应实测CPUE数据的导入，并在可控范围内选取足够训练样本后，可以智能选取与训练样本类似的其它数据向量。本文随机选定42个站点的数据用于建立预测模型，以长鳍金枪鱼的实测CPUE（CPUEi，CPUEij）、温度（Ti，Tij）、叶绿素a浓度（Fi，Fij）、水平海流（Si，Sij）和垂直海流（Vi，Vij）按作业天为单位导入MATLAB中，得到与训练样本相似度较高的向量，然后用选出的高相似度向量（P≥0.05）在SPSS中拟合出预测CPUE与海洋环境因子的关系模型。预测CPUE与各海洋环境因子之间的关系假设为：

式（11）中，Constanti为常数项，其大小由支持向量机阈值决定，ai、bi、ci和di分别为温度（Ti）、叶绿素a浓度（Fi）、水平海流（Si）和垂直海流（Vi）相应的系数，在SPSS中根据支持向量机模型原理拟合得出。

式（12）中，Constantij为常数项，其大小由支持向量机阈值决定，aij、bij、cij和dij分别为温度（Tij）、叶绿素a浓度（Fij）、水平海流（Sij）和垂直海流（Vij）相应的系数，在SPSS中根据支持向量机模型原理拟合得出。

1.2.5 长鳍金枪鱼栖息环境综合指数（IHI）模型

根据上述建立的长鳍金枪鱼在各个水层和整个水体的CPUE预测模型，将海洋环境因子分别输入相应的CPUE预测模型中，得到长鳍金枪鱼预测渔获率，即CPUEi和CPUEij，然后计算栖息环境综合指数IHIi和IHIij（宋利明等，2012），具体计算公式如下：

式（13）和（14）中，CPUEmax是CPUEi和CPUEij中的最大值。

1.2.6 IHI模型的验证和预测能力的评价

将14个验证站点对应的海洋环境数据导入预测模型中，计算出该14个验证站点的预测CPUE，与实测的名义CPUE进行比对，作符号秩（Wilcoxon）检验来判定两者是否存在显著相关性（Wilcoxon，1945；Cortes et al，1995；张浩然等, 2002；袁红春等，2010）。最后，分别计算出基于预测模型的长鳍金枪鱼验证站点整个水体和各水层的栖息环境综合指数，使用Marine Explorer 4.0软件绘制其分布图，并与实测CPUE进行比对。

本文通过对模型建立站点各水层及整个水体的栖息环境综合指数（IHI）及与其相对应的实测CPUE间的Spearman系数来评价模型的预测能力（Olds，1949；张利田等，2007）。

2 结果

2.1不同水层和整个水体中长鳍金枪鱼的预测CPUE

通过支持向量机对各站点各个水层内长鳍金枪鱼的渔获率与相关环境因子值（为各站点各个水层的平均温度、叶绿素、水平海流和垂直海流）的选取，得出不同水层长鳍金枪鱼CPUE预测模型，各水层预测模型的具体参数如表1。不同水层影响长鳍金枪鱼分布的主要因素不同，在40.0~79.9 m、80.0~119.9 m、120.0~159.9 m、160.0~199.9 m和200.0~239.9 m水层其分布分别主要受叶绿素a浓度、水温、垂直海流、叶绿素a浓度和温度的影响。整个水体影响长鳍金枪鱼分布的主要因素为温度。

表1 各水层最佳CPUE预测模型的参数

2.2长鳍金枪鱼栖息环境综合指数（IHI）

将所得的预测CPUEij用于计算各水层的长鳍金枪鱼栖息环境综合指数，绘制栖息环境综合指数分布与名义CPUE叠加图，见图3。从图3中得出IHI指数较高的海域见表2。从表2可知，不同水层的IHIij指数存在较大的差异，其中120.0~199.9 m水层长鳍金枪鱼的IHIij最高（0.40~0.80），而40.0~79.9m水层长鳍金枪鱼的IHIij最低（0.08~0.16）。库克群岛海域整个水体中长鳍金枪鱼和名义CPUE空间分布如图4。IHIij和指数较高的范围为9°00′S-12°20′S，159°00′W-164°00′W、13°30′S-14°30′S，159°00′W-161°00′W和10°30′S-12°30′S，167°00′W-168°00′W（表2）。

图3 库克群岛海域不同水层长鳍金枪鱼IHIij分布与名义CPUE

图4 库克群岛海域长鳍金枪鱼IHIi和名义CPUE分布

2.3 IHI模型的验证

将各水层和整个水体内用于模型验证站点的环境数据输入到各相应的长鳍金枪鱼CPUE预测模型，得到各验证站点各个水层及整个水体长鳍金枪鱼的预测CPUE（图5），使用Wilcoxon检验方法检验验证站点名义CPUE与预测CPUE间是否存在

显著性差异，结果见表3，所有水层及整个水体的预测CPUE与名义CPUE均无显著性差异（P> 0.05）。验证站点内不同水层IHIij预测值的算术平均值IHIj与各水层长鳍金枪鱼名义CPUE的算术平均值CPUEj的比较见图6，两者间的Spearman相关系数达到0.99。

表2 库克群岛海域相对较高的IHIij和IHIi的海区范围及其对应的IHI值

图5 验证站点长鳍金枪鱼名义CPUE与预测CPUE

表3 名义CPUE与预测模型预测CPUE的符号秩检验结果

图6 验证站点内各水层预测的IHI均值与对应各水层长鳍金枪鱼名义CPUE均值

将42个模型建立站点的长鳍金枪鱼预测CPUE输入到IHI模型,得出各个水层及整个水体的IHI预测值（图7）,本文采用Spearman相关系数分析各水层的栖息环境综合指数与其对应的长鳍金枪鱼实测CPUE之间的关系，检验标准设定为：相关系数小于0.4时为差；0.4~0.49为中；0.5~0.69为良；大于0.7为优（杨嘉樑等，2014）。并基于这一标准评价模型预测长鳍金枪鱼CPUE分布的能力，各水层预测能力见表4，其中预测能力最佳的水层为40.0~79.9 m和200.0~239.9 m，预测能力为优。不同水层IHIij预测值的算术平均值IHIj与各水层长鳍金枪鱼名义CPUE的算术平均值CPUEj的比较见图8，两者间的Spearman相关系数达到0.99。

图7 建模站点长鳍金枪鱼名义CPUE与IHI预测值

表4 建模站点内各水层预测的IHI指数与名义CPUE间的Spearman相关系数及预测能力

图8 建模站点内各水层预测的IHI均值与对应各水层长鳍金枪鱼名义CPUE均值

3 讨论

3.1选择支持向量机方法用于本研究的依据

本研究总样本数较少，传统的线性模型对输入数据存在一定的限制，支持向量机方法是专门针对小样本学习问题提出的，而且采用二次规划寻优（Bottou et al，2011），因此可以得到全局最优化。传统线性模型数据需满足正态分布，但是从图9可以看出各水层样本数据并不满足正态分布，而支持向量机采用核函数使得算法的复杂度与样本维数无关，非常适合处理非线性问题，另外支持向量机应用结构风险最小化原则，因而支持向量机具有非常好的推理能力，这就使得选用站点数据的准确度很高，更利于模型的预测（Hsieh et al，2009）。

3.2部分水层模型预测能力较差的原因

虽然各个水层及整个水体内预测CPUE与名义CPUE间的P值均大于0.05（表3），但部分水层，如在80.0~119.9 m水层内，预测CPUE与名义CPUE间的Spearman相关系数值较低（表4），仅为0.34，主要原因是由于本研究各水层的环境数据采用了计算各相应水层环境数据的算术平均值而得出。80.0~119.9 m水层处在混合层的下部与温跃层上界所在的水层（见图2），所以温度变化幅度较大，而且80.0~119.9 m水层预测模型中温度的系数最大（0.64，见表1）所以模型结果会受到影响。这与杨嘉樑等（2014）用分位数回归的方法得出80.0~119.9 m水层内长鳍金枪鱼分布预测模型的预测能力较差相一致。

在160.0~199.9 m水层内，预测CPUE与名义CPUE间的Spearman相关系数值仅为0.45（表4）。该水层的CPUE预测模型的自变量为温度、叶绿素a浓度、垂直海流及水平海流，其中，叶绿素a浓度的系数高达0.92，温度的系数值为0.63，远高于垂直海流及水平海流的系数（见表1）；由图2可知160.0~199.9 m水层叶绿素a浓度处于由大变小的跃层，而且不同的站位变化的幅度较大，由于本研究采用了各水层环境数据的算术平均值代表该水层的环境因子值，因此，导致该水层CPUE模型的预测效果受到影响。

图9 不同水层及整个水体长鳍金枪鱼名义CPUE的出现频率

3.3 IHI模型的有效性及预测能力的评价

通过将验证站点的各水层及整个水体的环境数据输入对应水层的长鳍金枪鱼CPUE预测模型所得结果与名义CPUE比较发现（表3、图6）：所有水层长鳍金枪鱼的预测CPUE与名义CPUE之间均无显著性差异（P>0.05）。由图6可知，验证站点各水层长鳍金枪鱼名义CPUE的算术平均值与其对应IHI预测指数的算术平均值的变化趋势总体相同。综上所述，IHI模型可以用于预测库克群岛海域各水层及整个水体的IHI指数。

(一)要在学习培训上下功夫，需要行政事业单位加强对会计工作人员的系统培训，提高会计工作人员的从业水平，让相关的工作人员真正学懂学精政府会计制度和相关准则，并能根据其变化，不断完善自身，从而满足财务工作的需要，在工作岗位上做出自己所能做出的贡献。

通过表4可以看出，除80.0~119.9 m水层外，IHI模型预测长鳍金枪鱼分布的能力总体属于优良，由图8可知，各水层长鳍金枪鱼名义CPUE的算术平均值与其对应IHI预测指数的算术平均值的变化趋势总体相同，两者间的Spearman相关系数也高达0.99。其中，120.0~159.9 m、160.0~199.9 m水层长鳍金枪鱼名义CPUE算术平均值、IHI预测指数的算术平均值均为最高，分别为23尾/1000钩和0.4左右，因此可以判断在库克群岛海域，长鳍金枪鱼主要栖息的水层为120.0~199.9 m。该水层对应的温度范围为19.6℃~25.2℃（图2），处在戴芳群等（2006）研究认为中东太平洋长鳍金枪鱼栖息水温为13.5℃~25.2℃的范围内，与杨嘉樑等（2014）和宋利明等（2016）研究得出的长鳍金枪鱼较为适宜的栖息水温为20.0℃~25.0℃和21.0℃~ 23.9℃基本一致。Hazen et al（2013）研究得出长鳍金枪鱼偏好的水温为20.0℃以上。本研究得出的长鳍金枪鱼的主要分布水层比所罗门群岛海域的（130~160 m）略深（林显鹏等，2011）。此外，120.0~159.9 m水层叶绿素浓度为0.07~0.49 μg/L，与Lezama-Ochoa等（2010）认为长鳍金枪鱼栖息适宜叶绿素浓度为0.4~0.8 μg/L差异较大。这些可能是由于调查海域的不同所造成的。

3.4影响长鳍金枪鱼分布的主要环境因子

不同水层影响长鳍金枪鱼分布的主要因素不同，在40.0~79.9 m、80.0~119.9 m、120.0~159.9 m、160.0~199.9 m和200.0~239.9 m水层其分布分别主要受叶绿素a浓度、水温、垂直海流、叶绿素a浓度和温度的影响。整个水体影响长鳍金枪鱼分布的主要因素为温度。这与杨嘉樑等（2014）得出的各水层影响长鳍金枪鱼分布的主要环境因子相一致,库克群岛海域长鳍金枪鱼在较浅水域的分布模式主要受水色及温度的影响，在120.0~159.9 m水层则受海流的影响较大，而在较深的水层其分布则主要受饵料分布及温度的限制。由于长鳍金枪鱼的心脏位于逆流热交换器的外侧，能够立刻感受外部温度的变化（Galli et al，2011），温度控制其心脏功能和垂直移到模式（Horodysky et al，2016）。因此，温度成为影响长鳍金枪鱼在整个水体中分布的主要因素，这与Briand等（2011）和Arrizabalaga等（2014）的观点一致。

3.5提高目标鱼种渔获率并减少兼捕率的建议

对于库克群岛海域，长鳍金枪鱼IHIi和指数较高的海域为9°00′S-12°20′S，159°00′W-164°00′W、13°30′S-14°30′S，159°00′W-161°00′W和10°30′S-12°30′S，167°00′W-168°00′W（表2）。在该3个海域作业时为了提高长鳍金枪鱼的渔获率并减少其他保护物种的兼捕率，建议尽可能使延绳钓钓钩投放至120.0~159.9 m的水层。

3.6本研究的不足及展望

本文只将温度、叶绿素a浓度、水平海流和垂直海流用于长鳍金枪鱼栖息环境综合指数的研究，还需要进一步研究判断盐度、溶解氧等其他因子对长鳍金枪鱼分布的影响程度。在今后的研究中，还应尽量增加每个站点各水层的钓钩数，同时增加站点数量，以便提高预测库克群岛海域长鳍金枪鱼分布模型的精度。

致谢：本研究得到了库克群岛政府的许可，并得到深圳市华南渔业有限公司董事长黄富雄、“华南渔719”号船长及全体船员等大力支持，谨致谢意。

Arrizabalaga H,Dufour F,Kell L,et al,2015.Global habitat preferences of commercially valuable tuna.Deep-Sea Research.II:Topical Studies in Oceanography,113:102-112.

Bottou L,Giles C L.2011.Nonconvex online support vector machines. Pattern Analysis and Machine Intelligence,IEEE Transactions,33 (2):368-381.

Briand K,Molony B,Lehodey P,2011.A study on the variability of albacore(Thunnus alalunga)longline catch rates in the southwest Pacific Ocean.Fisheries Oceanography,20(6):517-529.

Cortes C,Vapnik V,1995.Support-vector networks.Machine Learning, 20(3):273-297.

Galli G L J,Lipnick M S,Shiels H A,et al,2011.Temperature effects on Ca2+cycling in scombrid cardiomyocytes:a phylogenetic comparison. Journal of Experimental Biology,214:1068-1076.

Harrell F E,Lee K L,Mark D B,1996.Tutorial in biostatistics multivariable prognostic models:issues in developing models,evaluating assumptions and adequacy,and measuring and reducing errors.Statistics in Medicine,1(15):361-387.

Hazen E L,Jorgensen S,Rykaczewski R R,et al,2013.Predicted habitat shifts of Pacific top predators in a changing climate.Nature Climate Change,3(3):234-238.

Hinton M G,Maunder M N,2004.Methods for standardizing CPUE and how to select among them.Col.Vol.Sci.Pap.ICCAT,56(1):169-177.

Horodysky A Z,Cooke S J,Graves J E,et al,2016.Fisheries conservation on the high seas:linking conservation physiology and fisheries ecology for the management of large pelagic fishes.Conservation Physiology,4:doi:10.1093/conphys/cov059.

Howell E A,Hawn D R,Polovina J,2010.Spatiotemporal variability in bigeye tuna(Thunnus obesus)dive behavior in the central North Pacific Ocean.Progress in Oceanography,86(1):81-93.

Hoyle S D,Davies N,2009.Stock assessment of albacore tuna in the south PacificOcean.ScientificCommitteeFifthRegularSession. WCPFC-SC5-2009/SAWP-6,Vanuatu,10-21 August.

Hsieh T W,Taur J S,Tao C W,et al.2009.A kernel-based core growing clustering method.International Journal of Intelligent Systems,12 (4):441-458.

Laurs M R,Fiedler P C,Montgomery D R,1984.Albacore tuna catch distributions relative to environmental features observed from satellites. Deep Sea Research Part A.Oceanographic Research Papers,31 (9):1085-1099.

Lezama-Ochoa A,Boyra G,Goñi N,et al.2010.Investigating relationships between albacore tuna(Thunnus alalunga)CPUE and prey distribution in the Bay of Biscay.Progress in Oceanography,39 (1):105-114.

Maunder M N,Punt A E,2004.Standardizing catch and effort data:a review of recent approaches.Fisheries Research,70(2):141-159.

Murray T,1994.A review of the biology and fisheries for albacore,Thunnus alalunga,in the South Pacific Ocean.FAO Fisheries Technical Paper(FAO).

Okamoto H,2008.Japanese longline CPUE for bigeye tuna standardizedfor two area definitions in the Atlantic Ocean from 1961 up to 2005. Collect.Vol.Sci.Pap.ICCAT,67(2):419-439.

Olds E G,1949.The 5%significance levels for sums of squares of rank differences and a correction.The Annals of Mathematical Statistics, 20(1):117-118.

Roberts P E,1980.Surface distribution of albacore tuna,Thunnus alalunga Bonnaterre,in relation to the Subtropical Convergence Zone east of New Zealand.New Zealand Journal of Marine and Freshwater Research,14(4):373-380.

Song L M,Wu Y P,2011.Standardizing CPUE of yellowfin tuna(Thunnus albacares)longline fishery in the tropical waters of the northwestern Indian Ocean using a deterministic habitat-based model. Journal of Oceanography,67(5):541-550.

Su N J,Yeh S Z,Sun C L,et al,2008.Standardizing catch and effort data of the Taiwanese distant-water longline fishery in the western and central Pacific Ocean for bigeye tuna,Thunnus obesus.Fisheries Research,90(1):235-246.

Wang C H,Wang S B,2006.Assessment of South Pacific albacore stock (Thunnus alalunga)by improved Schaefer model.Journal of Ocean University of China,5(2):106-114.

Wilcoxon F,1945.Individual comparisons by ranking methods.Biometrics Bulletin,12(1):80-83.

Wu G C,Chiang H C,Chen K S,et al.2009.Population structure of albacore(Thunnus alalunga)in the Northwestern Pacific Ocean inferred from mitochondrial DNA.Fisheries Research,95(1):125-131.

Zainuddin M,Kiyofuji H,Saitoh K,et al.2006.Using multi-sensor satellite remote sensing and catch data to detect ocean hot spots for albacore(Thunnus alalunga)in the northwestern North Pacific.Deep Sea Research Part II:Topical Studies in Oceanography,53(3): 419-431.

Zainuddin M,Saitoh K,Saitoh S I,2008.Albacore(Thunnus alalunga) fishing ground in relation to oceanographic conditions in the western North Pacific Ocean using remotely sensed satellite data.Fisheries Oceanography,17(2):61-73.

Zainuddin M,Saitoh S I,et al.2004.Detection of potential fishing ground for albacore tuna using synoptic measurements of ocean color and thermal remote sensing in the northwestern North Pacific.Geophysical Research Letters,31(20):1-4.

陈锦淘，戴小杰，谷兵，2005.中国南太平洋长鳍金枪渔业发展对策的分析.中国渔业经济，1（2）：49-50，55.

陈雪忠，樊伟，崔雪森，等，2013.基于随机森林的印度洋长鳍金枪鱼渔场预报.海洋学报（中文版），35（1）：158-164.

戴芳群，李显森，王凤臣，等，2006.中东太平洋长鳍金枪鱼延绳钓作业分析.海洋水产研究，27（06）：37-42.

樊伟，张晶，周为峰，2007.南太平洋长鳍金枪鱼延绳钓渔场与海水表层温度的关系分析.大连水产学院学报，22（5）：366-371.

范江涛，陈新军，钱卫国，等，2011.南太平洋长鳍金枪鱼渔场预报模型研究.广东海洋大学学报，31（6）：61-67.

林显鹏，郭爱，张洪亮，等，2011.所罗门群岛海域长鳍金枪鱼的垂直分布与环境因子的关系.浙江海洋学院学报（自然科学版），30（4）：303-306.

宋利明，谢凯，赵海龙，等，2017.库克群岛海域海洋环境因子对长鳍金枪鱼渔获率的影响.海洋通报，36（1）：96-106.

宋利明，杨嘉樑，胡振新，等，2011.两种延绳钓钓具大眼金枪鱼捕捞效率的比较.上海海洋大学学报，20（3）：424-430.

宋利明，杨嘉樑，武亚苹，等，2012.吉尔伯特群岛海域大眼金枪鱼（Thunnus obesus）栖息环境综合指数.海洋与湖沼，43（5）：954-962.

杨嘉樑，黄洪亮，宋利明，等，2014.基于分位数回归的库克群岛海域长鳍金枪鱼栖息环境综合指数.中国水产科学，21（4）：832-851.

袁红春，汤鸿益，陈新军，2010.一种获取渔场知识的数据挖掘模型及知识表示方法研究.计算机应用研究，27（12）：4443-4446.

斋藤昭二，1992.マグロの游泳层と延绳渔法.东京：成山堂书屋：19-63.

张浩然，韩正之，李昌刚，2002.支持向量机.计算机科学，29（12）：135-137，142.

张利田，卜庆杰，杨桂华，等，2007.环境科学领域学术论文中常用数理统计方法的正确使用问题.环境科学学报，27（1）：171-173.

周甦芳，樊伟，2006.太平洋延绳钓长鳍金枪鱼及渔场水温分析.海洋湖沼通报，6（2）：38-43.

（本文编辑：袁泽轶）

An integrated habitat index for albacore tuna（Thunnus alalunga）in waters near Cook Islands based on the support vector machine method

SONG Li-ming1,2,3,4,ZHOU Jian-kun1,SHEN Zhi-bin1,ZHAO Hai-long1,XIE Kai1
（1.College of Marine Sciences,Shanghai Ocean University,Shanghai 201306,China;2.National Engineering Research Center for Oceanic Fisheries,Shanghai 201306,China;3.Key Laboratory of SustainableExploitation of Oceanic Fisheries Resources（Shanghai Ocean University）,Ministryof Education,Shanghai 201306,China; 4.CollaborativeInnovation Center for Distant-water Fisheries,Shanghai 201306,China）

It will be beneficial to the sustainable utilization of albacore tuna(Thunnus alalunga)resources to better understand the integrated influence of the environmental variables on its distribution.The catch rates and environmental variables(temperature,chlorophyll-a,horizontal current,vertical current)were collected from 56 sampling stations in waters near Cook Islands from Sep,2013 to Dec,2013.The relationships between the catch rate of albacore tuna and the environmental variables were analyzed and the models were developed to estimate integrated habitat indices(IHI)for albacore tuna at five depth strata(40 m each)and the entire water column between 40m and 240 m,and to predict the spatial distributions of albacore tuna in these depths.The support vector machine(SVM)method was used to develop the IHI models.These IHI models were verified by using the data collected at 14 verification stations.Results showed that:(1)there was no significant difference between the nominal catch rates and the predicted catch rates;(2)The IHI models developed in this study performed well in predicting catch rate distribution of albacore tuna with selected environmental variables;(3)The key environmental parameters in the IHI models differed among the depth strata.The chlorophyll-a concentration,water temperature,vertical current,chlorophyll-a concentration and water temperature were the key variables that influenced the albacore tuna distribution at the depth strata of 40.0~79.9m,80.0~119.9m,120.0~159.9m,160.0~199.9m and 200.0~239.9m,respectively.The temperature was the key variable that influenced the albacore tuna distribution at the entire water column;(4)The preferred swimming depth stratum of albacore tuna was 120.0~199.9m;(5)The IHIs for albacore tuna in the areas at 9°00′S-12°20′S,159°00′W-164°00′W；13°30′S-14°30′S, 159°00′W-161°00′W and 10°30′S-12°30′S,167°00′W-168°00′W were relatively high.Results suggested to deploy the longlines at the water depth of 120~199.9 m to improve the catch rate of albacore tuna and reduce the by catch rate when fishing in these areas.

albacore tuna;integrated habitat index;support vector machine(SVM);Cook Islands

P73.5

A

1001-6932（2017）02-0195-12

10.11840/j.issn.1001-6392.2017.02.011

2015-12-08；

2016-02-25

国家高技术研究发展计划（2012AA092302）；高等学校博士学科点专项科研基金联合项目（20113104110004）；上海市教育委员会科研创新项目（12ZZ168）；农业部远洋渔业资源探捕项目（D8006128005）。

宋利明，博士生导师，教授，主要从事金枪鱼渔业和渔具数值模拟研究。电子邮箱：lmsong@shou.edu.cn。