基于GM(1,1)模型的海洋经济发展预测研究

文章采用灰色预测法,选取2001—2016年我国海洋生产总值作为基础数据,建立海洋经济发展预测模型即GM(1,1)模型;运用残差检验、关联度检验和后验差检验对该模型精度进行检验,同时运用该模型对已知年份数据进行预测并将预测值与实际值相比较,结果表明模型预测精度较高,对于短期预测具有可信度;在此基础上,运用GM(1,1)模型计算和预测2017—2021年我国海洋生产总值,得出我国海洋经济将保持稳步增长的结论。     

闽台地区地震的灰色预测

本文概述了灰色系统GM(1,1)模型,分析了在闽、台地区地震年最高震级拟合与外推预测中的应用效果,并检验了理论值与原始数据的关联度。     

不同环境模态下空间分辨率对北太平洋柔鱼CPUE标准化的影响

单位捕捞努力量渔获量(catch per unit effort, CPUE)常被假设与渔业资源量成正比而被应用于渔业资源评估与管理中,不同的环境模态下,所选取的空间分辨率对CPUE的标准化会产生影响,从而影响对该渔业资源丰度的评价。本研究运用广义加性模型(generalized additive model, GAM),对中国在北太平洋鱿钓渔业数据进行CPUE标准化。根据北太平洋环境的差异,以160°E为界将其划分为不同的环境模态。分别对两种模态下3种空间尺度(0.25°×0.25°、0.5°×0.5°、1°×1°)的名义CPUE进行标准化,得到各自的最适GAM模型。比较不同环境模态下,各因素对CPUE标准化产生的影响;相同环境模态下,不同空间尺度对CPUE标准化产生的影响。结果表明:不同环境模态下,对CPUE标准化产生影响的变量差异较大:160°E以西海域分别为年、纬度、SST以及交互项年与纬度、月与纬度;160°E以东海域分别为纬度、年与纬度的交互项、月与纬度的交互项。同一环境模态下,不同的空间尺度最适GAM模型对CPUE标准化结果不同,根据均方误差选取0.5°×0.5°和0.25°×0.25°分别为160°E东、西海域CPUE标准化的最适空间尺度。因此,在对北太平洋柔鱼(Ommastrephes bartramii)商业性渔获数据进行标准化时,需要考虑因不同的环境模态以及不同的空间尺度而导致的CPUE标准化所出现的差异。     

基于Matlab和灰色模型GM（1,1）预测海岸线变化*

使用灰色模型的“少数据”建模寻求现实规律的良好特性用于海岸线变迁预测,结合 MATLAB 强大的计算能力,解决了灰色预测模型在矩阵计算方面复杂的问题.利用1975-2005年珠江口内伶仃洋海区6个时期的海图提取局部时序海岸线,设置原点和28条侧线,使用侧线与海岸线的交点,建立灰色模型 GM (1,1)模型原始数列,使用 MATLAB 编制程序计算出海岸线变化的预测点,并使用2005年实际海岸线对预测结果进行验证,结果表明灰色模型 GM (1,1)进行海岸线预测是合理可靠的.     

基于灰色系统西南大西洋阿根廷滑柔鱼资源丰度预测模型的构建

阿根廷滑柔鱼（Illex argentinus）是西南大西洋鱿钓渔业的主要作业鱼种，对资源丰度进行准确的预测可指导企业合理安排渔业生产。因此，本研究根据2000-2016年我国西南大西洋阿根廷滑柔鱼的生产数据，以单位捕捞努力量的渔获量（Catch per unit effort， CPUE）为阿根廷滑柔鱼资源丰度的指标，利用灰色绝对关联分析和灰色预测建模的方法（GM（0， N）），计算2001-2015年CPUE的时间序列值与产卵期（6-8月）产卵场海表面温度（Sea surface temperature， SST）时间序列值的灰色绝对关联度，选取产卵场海域中灰色绝对关联度大于0.90的海区SST建立资源丰度预测模型，并用2016年实际CPUE进行验证。灰色绝对关联分析表明，6-8月，30°~40°S，45°~60°W海域内存在若干海区的SST与次年对数CPUE时间序列呈现较强的关联度，可作为预报因子。GM（0， N）模型结果表明，以6-8月产卵场SST作为环境因子建立的模型4能较好地拟合出阿根廷滑柔鱼资源丰度变动趋势，与2016年真实值相比，相对误差为7%，该模型可较好地作为阿根廷滑柔鱼资源丰度的预测模型。相反，包含6月和7月SST的模型1效果优于不包含6月SST的模型2或不包含7月SST的模型3，拟合得到的2016年的数据与真实值相比，相对误差分别为128%和289%，这说明6月和7月是西南大西洋阿根廷滑柔鱼的主要产卵月份。     

基于空间自相关的阿根廷滑柔鱼CPUE标准化研究

CPUE的观测往往不是独立的，而是存在空间相关性的。但是，大多数的CPUE标准化方法通常都假设名义CPUE在空间上是相互独立的。为此，本研究以西南大西洋阿根廷滑柔鱼为例，采用2000-2014年1-5月中国大陆鱿钓生产统计数据以及对应的海表温度和叶绿素浓度数据，选择广义线性模型（general linear model，GLM）为基础模型，将空间自相关加入到GLM中，比较标准GLM和4种加入空间自相关的空间GLM的CPUE标准化。根据最小信息准则（Akaike Information Criterion，AIC）及贝叶斯信息准则（Bayesian Information Criterion，BIC），空间自相关的GLM的CPUE标准化结果优于标准GLM，其中指数模型的CPUE标准化结果最佳。同时，标准GLM与空间自相关的GLM相比，存在精确度过高估计的问题。因此，在CPUE标准化中，应充分考虑空间自相关这一因素。     

基于GAM和GLM模型的西北太平洋秋刀鱼CPUE标准化比较研究

秋刀鱼（Cololabis saira）是中国在西北太平洋海域的重要的捕捞对象之一，单位捕捞努力量渔获量（CPUE） 标准化是开展其资源评估研究的重要内容，许多统计模型被运用到CPUE标准化研究中。本文根据2003-2017年中国大陆在西北太平洋海域的秋刀鱼生产统计资料，结合卫星遥感获得的海洋环境数据如：海表面温度、海表面高度以及海温梯度等，基于广义线性模型（general linear model，GLM） 和广义加性模型（generalized additive model，GAM） 对中国大陆西北太平洋秋刀鱼渔业进行CPUE 标准化，并对两种模型的结果进行了对比分析研究。通过贝叶斯信息准则选择最佳GLM和GAM模型，使用解释偏差和5-fold交差验证来对比两个模型结果。GLM模型的最佳模型对CPUE偏差的解释率为21.57%，GAM的最佳模型对CPUE偏差的解释率为38.95%。通过5-fold交差验证分析发现，GAM模型标准化结果较优于GLM模型，因此，认为GAM模型更适合于西北太平洋秋刀鱼渔业CPUE标准化。     

基于GM(1,1)灰色模型预测沿海城市用水量——以大连市为例

随着社会经济的发展,合理而准确地预测城市未来的需水量将对城市水资源规划和解决将来的用水危机起到指导作用。利用大连市2001-2008年度城市供水量资料,应用灰色理论建立GM(1,1)预测模型,并对所建模型进行残差检验和后验差检验;利用所建模型对大连市年需水量进行预测,结合大连市地理位置、特点和水资源利用现状,分析了大连市水资源量的保证程度及海水利用前景,结果表明:在未来10 a左右,大连市的用水量将超出水资源供给能力,可能会出现严重的淡水危机,如不采取措施加以控制,将会影响人们正常的生活生产秩序。建议在充分利用本地水资源的基础上,制定相应的扶持海水利用发展的政策,大力发展推广海水淡化及海水直接利用等技术,实现淡水资源的增量和替代。     

西北太平洋柔鱼丰度的灰色灾变预测

柔鱼(Ommastrephes bartramii)为短生命周期的头足类，其资源丰度极易受海洋环境变化影响，年间波动较大。根据1995?2017年西北太平洋柔鱼渔业生产统计数据，以单位捕捞努力量渔获量(CPUE)作为资源丰度指数，运用灰色灾变预测方法对上、下限灾变年份建立GM(1, 1)模型，预测未来灾变年份。结果显示，以GLM模型标准化CPUE建立的下限灾变预测模型的平均相对误差为15.32%，上限灾变预测模型的平均相对误差为8.19%，模型精度检验等级均为Ⅰ级。研究认为，下一个资源丰年(CPUE大于2.39 t/(船·a))将出现在2021年，资源歉年(CPUE小于2.13 t/(船·a))将出现在2027年；太平洋年代际涛动与El Ni?o-La Ni?a事件是驱使柔鱼丰度大幅度波动的重要因素。该预测结果可为西北太平洋鱿钓生产企业和管理部门提供参考。     

基于不同环境因子的中西太平洋鲣鱼资源丰度灰色预测模型构建

鲣Katsuwonus pelamis广泛分布于各大洋热带和亚热带海域,其中以中西太平洋资源量最为丰富。综合评价环境因子对鲣鱼资源量的影响,构建科学的资源预报模型可为我国可持续合理开发该鱼种提供参考。本研究利用1998—2013年中西太平洋渔获量数据,以单位捕捞努力量渔获量(CPUE)为资源相对丰度指标,利用灰色关联方法分析鲣鱼资源相对丰度与环境因子之间的关联度,选取合适的环境因子,并基于不同环境因子构建不同的灰色预测模型对鲣鱼资源相对丰度进行预测,比较选择最优模型。结果表明, 中西太平洋鲣鱼的产量逐年递增,而CPUE在年间有着较大的波动。灰色关联分析认为,海表面温度与CPUE的平均关联度最大,其次为Nino3.4区海表温度距平值,其他的环境因子与CPUE的关联度较小。基于多环境因子的预测模型中,包含所有因子(海表面温度、海表面高度、叶绿素质量浓度a和Nino3.4区海表温度距平值)的模型M1有着最佳的拟合效果,实际值与预测值的相对误差为6.475 2,相关系数为0.687 4;而基于单一环境因子的预测模型中,去除11月SST数据的模型S2有着最佳的拟合效果,实际值与预测值的相对误差为7.419 2,相关系数为0.791 0。相比多环境因子的预测模型,单一环境因子预测模型有着较高的稳定性,实际值与预测值直接相关性也较高,可以作为中西太平洋鲣鱼资源相对丰度预报的最优模型。     

Role of sea surface temperature and rainfall in determining the stock and fishery of the common octopus (Octopus vulgaris,Mollusca, Cephalopoda) in Tunisia

Octopus (Octopus vulgaris, Mollusca, Cephalopoda) is an important and valuable fishery resource on the eastern and southern coasts of Tunisia, but its landings are highly variable. This paper explores the effect of environment on octopus catch per unit effort (CPUE) during a 12‐year period, through correlation analyses and the incorporation into surplus production models of sea surface temperature (SST) and rainfall data collected during cold (January–May) and hot (August–October) seasons. CLIMPROD software was used to select the appropriate model and fit it to the fishery and environment data. In both seasons, SST significantly contributed to CPUE variability; fishery production was influenced positively by cold season SST but negatively by hot season SST. Due to a poor fit with cold season data, the impact of rainfall was analysed only for the hot season, during which it has a positive effect on production. Results are discussed in view of the life‐cycle of octopus and the dynamics of the Tunisian fishery. This first study of octopus variability in Tunisia highlights the necessity to incorporate environmental influence into stock assessment and management advice.     

日本鲐对马群系资源丰度预测研究

利用1973-2016年日本西海水产研究所提供的日本鲐(Scomber Japanicus)对马群系的资源量与渔获量数据,结合产卵场1(SG1, 26°~31°N,122°~127°E)、产卵场2(SG2, 30°~35°N,128°~131°E)、索饵场(FG, 35°~38°N,127°~138°E)的海表面温度、太平洋年代际振荡指数(PDO)和Nino3.4区海表温距平值(SSTA),建立基于灰色系统的日本鲐对马群系资源丰度预测模型。灰色关联和相关系数分析结果显示:选择产卵场2的4月、9月海表面温度和索饵场4月海表面温度作为日本鲐资源丰度关键影响因子。建立的模型有:分别包含产卵场2的4月、9月和索饵场4月的海表面温度3个因子的GM(1,2),GM(1,3),GM(1,4)的7种模型。这7种模型的相对残差Q检验值分别为:0.131 0,0.140 2,0.145 9,0.149 3,0.176 7,0.140 3和0.173 5。结果表明,基于产卵场2的4月海表面温度所建立的GM(1,2)模型是对日本鲐对马群系资源丰度最优预测模型。     

Standardizing CPUE of yellowfin tuna (<Emphasis Type="Italic">Thunnus albacares</Emphasis>) longline fishery in the tropical waters of the northwestern Indian Ocean using a deterministic habitat-based model

Data collected from a longline fishery in the Indian Ocean were used to evaluate the performance of a deterministic habitat-based standardization (detHBS) method for catch per unit effort (CPUE) standardization. The habitat preference indices of the yellowfin tuna (Thunnus albacares) were estimated for different depth, temperature, and dissolved oxygen (DO) classes. The detHBS was applied for standardizing the yellowfin tuna CPUE based on the habitat preference indices of the yellowfin tuna. Nominal CPUE and normalized nominal CPUE were compared with the standardized CPUE and normalized standardized CPUE, respectively, using Wilcoxon tests. The results showed that (1) there was significant difference between nominal CPUE and standardized CPUEs (p < 0.01); (2) there was no significant difference between normalized nominal CPUE and normalized standardized CPUEs estimated using the data set of depth, temperature, and DO (p > 0.01). This study suggests that detHBS effectively improved the precision of CPUE standardization, and the depth data set was the optimum data set in standardizing CPUE.     

利用基于表温因子的栖息地模型预测西北太平洋柔鱼(Ommastrephes bartramii)渔场

根据1999—2004年8—10月主渔汛期间我国鱿钓船在150—165°E海域的鱿钓生产数据,结合其表温及表温梯度,分别将作业次数百分比和单位渔船日产量作为适应性指数,利用算术平均法(AM)和联乘法(GM)分别建立基于表温因子(表温和表温水平梯度)的综合栖息地指数模型。结果表明,AM栖息地指数模型和GM栖息地指数模型均拟合较好,在HSI大于0.6的海域,1999—2004年间其作业次数平均比重分别在70%以上,平均日产量均在2t/d以上。但AM模型稍优于GM模型。利用2005年8—10月生产数据及表温资料对AM模型进行验证,分析认为作业渔场主要分布在HSI大于0.6海域,其作业次数比重达到80%以上,各月平均CPUE均在3.0t/d以上。研究表明,基于表温和表温水平梯度的AM栖息地模型能获得较好预测西北太平洋柔鱼中心渔场。     

A voluntary reduction in the commercial catch of rock lobster (Jasus edwardsii) in a New Zealand fishery

We describe the development and application of a management procedure (decision rule) that resulted in a voluntary reduction in the commercial catch of spiny rock lobster (Jasus edwardsii) in the lower east coast of North Island of New Zealand. The management procedure was developed from an accepted assessment of the CRA 4 (Wellington‐Hawke's Bay) fishery, which used an integrated length‐based assessment model fitted to commercial fishery catch‐per‐unit‐effort (CPUE) biomass indices, commercial length‐frequency data, and tag‐recapture data. The assessment model had been Bayesian, and used the joint posterior distribution of parameters to predict the effect of 384 alternative harvest control rules on the future size of the CRA 4 stock. The harvest control rules all used CPUE as their input, and generated annual changes in catch, which were then simulated by the population dynamics of the operating model. Uncertainty was added to evaluations through observation error, added to the simulated CPUE observations, and stochastic serial auto‐correlation variation in recruitment. We describe how this management procedure was used to effect a voluntary reduction in catch to address the problem of a rapidly declining population.