1渔情预报模型的构建
借鉴Guisan等［21］关于生物分布预测模型的研究，可将建立渔情预报模型的过程分为四个步骤:(1)研究渔场形成机制;(2)建立渔情预报模型;(3)模型校正;(4)模型评价和改进。渔情预报模型的构建应以目标鱼种的生物学和渔场学研究为基础，力求模型与渔场学实际的吻合［13］。如果对目标鱼种的集群、洄游特性以及渔场形成机制较清楚，可选择使用机理/过程模型或理论模型对这些特性和机制进行定量表述。反之，如果对这些特性和机制的了解并不完全，则可选择经验/现象模型，根据基本的生态学原理对渔场形成过程进行一种平均化的描述。除此之外，无论构建何种预测模型，都应充分考虑模型所使用的数据本身的特点，这对于基于统计学的模型尤其重要［22］。模型校正(modelcalibration)是指建立预报模型方程之后，对于模型参数的估值以及模型的调整［23］。根据预报模型的不同，模型参数估值的方法也不一样。例如对于各类统计学模型，其参数主要采用最小方差或极大似然估计等方法进行估算;而对于人工神经网络模型，权重系数则通过模型迭代计算至收敛而得到。在渔情预报模型中，除了估计和调整模型参数和常数之外，模型校正还包括对自变量的选择。在利用海洋环境要素进行渔情预报时，选择哪些环境因子是一项比较重要也非常困难的工作。周彬彬［24］在利用回归模型进行蓝点马鲛渔期预报研究时认为，多因子组合的预报比单因子预报要准确。Harrell等［25］研究表明，为了增加预测模型的准确度，自变量的个数不宜太多。另外，对于某些模型来说，模型校正还包括自变量的变换、平滑函数的选择等工作［26］。模型评价(modelevaluation)主要是对于预测模型的性能和实际效果的评价。模型评价的方法主要有两种，一种是模型评价和模型校正使用相同的数据，采用变异系数法或自助法评价模型［27－28］;另一种方法则是采用全新的数据进行模型评价，评价的标准一般是模型拟合程度或者某种距离参数［29］。由于渔情预报模型的主要目的是预报，其模型评价一般采用后一种方法，即考查预测渔情与实际渔情的符合程度。
2渔场预报模型
2．1统计学模型
线性回归模型早期或传统的渔情预报主要采用以经典统计学为主的回归分析、相关分析、判别分析和聚类分析等方法［12］。其中最有代表性的是一般线性回归模型。通过分析海表面温度(seasurfacetemperature，SST)、叶绿素a(Chl．a)浓度等海洋环境数据与历史渔获量、单位捕捞努力渔获量(catchperuniteffort，CPUE)或者渔期之间的关系，建立回归方程:CPUE=β0+β1•SST+β2•chl+…+ε(1)式(1)中:βi为回归系数，ε为误差项。一般线性回归模型采用最小二乘法对系数βi进行估计，然后利用这些方程对渔期、渔获量或CPUE进行预报。如陈新军［30］认为，北太平洋柔鱼日渔获量CPUE(kg/d)与0～50m水温差ΔT(℃)具有线性关系，可以建立预报方程CPUE=－880+365ΔT。一般线性模型结构稳定，操作方法简单，在早期的实际应用中取得了一定的效果［10－12］。但一般线性模型方差小、偏差大，用于预报时存在一定的局限性。一方面，渔场形成与海洋环境要素之间的关系具有模糊性和随机性，一般很难建立相关系数很高的回归方程。另一方面，实际的渔业生产和海洋环境数据一般并不满足一般线性模型对于数据的假设，因而导致回归方程预测效果较差［14］。目前，一般线性回归模型在渔情预报中的应用已比较少见，而逐渐被更为复杂的分段线性回归［31］、多项式回归［32］和指数(对数)回归［33－34］、分位数回归［35］等模型所取代。
2．2机器学习和人工智能方法
关于空间的渔场预测也可以看成是一种“分类”，即将空间中的每一个网格分成“渔场”和“非渔场”的过程。这种分类过程一般是一种监督分类(supervisedclassification)，即通过不同的方法从样本数据中提取出渔场形成规则，然后使用这些规则对实际的数据进行分类，将海域中的每个网格点分成“渔场”和“非渔场”两种类型。提取分类规则的方法有很多，一般都属于机器学习方法。机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识的方法。机器学习和人工智能、数据挖掘的内涵有相同之处且各有侧重［58］，这里不作详细阐述。机器学习和人工智能方法众多，目前在渔情预报方面应用最多的是人工神经网络、基于规则的专家系统和范例推理方法。除此之外，决策树、遗传算法、最大熵值法、元胞自动机、支持向量机、分类器聚合、关联分析和聚类分析、模糊推理等方法都开始在渔情分析和预报中有所应用［12，59］。人工神经网络模型人工神经网络(artificialneuralnetworks，ANN)模型是模拟生物神经系统而产生的。它由一组相互连接的结点和有向链组成［58］。人工神经网络的主要参数是连接各结点的权值，这些权值一般通过样本数据的迭代计算至收敛得到，收敛的原则是最小化误差平方和。确定神经网络权值的过程称为神经网络的学习过程。结构复杂的神经网络学习非常耗时，但预测时速度很快。人工神经网络模型可以模拟非常复杂的非线性过程，在海洋和水产学科已经得到广泛应用［60－61］。在渔情预报应用中，人工神经网络模型在空间分布预测和产量预测方面都有成功应用［62－67］。人工神经网络方法并不要求渔业数据满足任何假设，也不需要分析鱼类对于环境条件的响应函数和各环境条件之间的相互关系，因此应用起来较为方便，在应用效果上与其它模型相比也没有显著的差异。但人工神经网络类型很多，结构多变，相对其它模型来说应用比较困难，要求建模者具有丰富的经验［68］。另外ANN模型对于知识的表达是隐式的，相当于一种黑盒(blackbox)模型，这一方面使得ANN模型在高维情况下表现尚可［69］，一方面也使得ANN模型无法对预测原理做出明确的解释。当然目前也已经有方法检验ANN模型中单个输入变量对模型输出贡献度［70］。基于规则的专家系统专家系统是一种智能计算机程序系统，它包含特定领域人类专家的知识和经验，并能利用人类专家解决问题的方法来处理该领域的复杂问题［71］。在渔情预报应用中，这些专家知识和经验一般表现为渔场形成的规则。目前渔情预报中最常见的专家系统为环境阈值法和栖息地适宜性指数模型。环境阈值法(environmentalenvelopemethods)是最早也是应用最广泛的渔情空间预报模型之一。鱼类对于环境要素都有一个适宜的范围，环境阈值法假设鱼群在适宜的环境条件出现而当环境条件不适宜时则不会出现。这种模型在实现时，通常先计算出满足单个环境条件的网格，然后对不同环境条件的计算结果进行空间叠加分析，得到最终的预测结果，因此也常被称为空间叠加法。空间叠加法能够充分利用渔业领域的专家知识，而且模型构造简单，易于实现，特别适用于海洋遥感反演得到的环境网格数据，因此在渔情预报领域得到了相当广泛的应用［72－74］。栖息地适宜性指数(habitatsuitabilityindex，HSI)模型是由美国地理调查局国家湿地研究中心鱼类与野生生物署提出的用于描述鱼类和野生动物的栖息地质量的框架模型［75］。其基本思想和实现方法与环境阈值法相似，但也有一些区别:首先，HSI模型的预测结果是一个类似于“渔场概率”的栖息地适应性指数，而不是环境阈值法的“是渔场”和“非渔场”的二值结果;其次，在HSI模型中，鱼类对于单个环境要素的适应性不是用一个绝对的数值范围描述，而是采用资源选择函数来表示;最后，在描述多个环境因子的综合作用时，HSI模型可以使用连乘、几何平均、算术平均、混合算法等多种表示方式［76］。HSI模型在鱼类栖息地分析和渔情预报上已有大量应用［31，34－35，76］。但栖息地适应性指数作为一个平均化的指标，与实时渔场并不具有严格的相关性，因此在利用HSI模型来预测渔场时需要非常地谨慎［31］。范例推理范例推理(case-basedreasoning，CBR)模拟人们解决问题的一种方式，即当遇到一个新问题的时候，先对该问题进行分析，在记忆中找到一个与该问题类似的范例，然后1274将该范例有关的信息和知识稍加修改，用以解决新的问题。在范例推理过程中，面临的新问题称为目标范例，记忆中的范例称为源范例。范例推理就是由目标范例的提示，而获得记忆中的源范例，并由源范例来指导目标范例求解的一种策略［77］。这种方法简化了知识获取，通过知识直接复用的方式提高解决问题的效率，解决方法的质量较高，适用于非计算推导，在渔场预报方面有广泛的应用［78－81］。范例推理方法原理简单，并且其模型表现为渔场规则的形式，因此可以很容易地应用到专家系统中。但范例推理方法需要足够多的样本数据以建立范例库，而且提取出的范例主要还是历史数据的总结，难以对新的渔场进行预测［12］。
2．3机理/过程模型和理论模型
前面提到的两类模型都属于经验/现象模型。经验/现象模型是静态、平均化的模型，它假设鱼类行为与外界环境之间具有某种均衡。与经验/现象模型不同，机理/过程模型和理论模型注重考虑实际渔场形成过程中的动态性和随机性。在这一过程中，鱼类的行为时刻受到各种瞬时性和随机性要素的影响，不一定能与外界环境之间达到假设中的均衡［21］。渔场形成是一个复杂的过程，对这个过程的理解不同，所采用的模型也不同。部分模型借助数值计算方法再现鱼类洄游和集群、种群变化等动态过程，常见的有生物量均衡模型、平流扩散交互模型、基于三维水动力数值模型的物理－生物耦合模型等。如Doan等［82］采用生物量均衡方程进行越南中部近海围网和流刺网渔业的渔情预报研究，Rudorff等［83］利用平流扩散方程研究大西洋低纬度地区龙虾幼体的分布，李曰嵩［84］利用非结构有限体积海岸和海洋模型建立了东海鲐早期生活史过程的物理－生物耦合模型。另外一些模型则着眼于鱼类个体的行为，通过个体的选择来研究群体的行为和变化。如Dagorn等［85］利用基于遗传算法和神经网络的人工生命模型研究金枪鱼的移动过程，基于个体的生态模型(individual-basedmodel，IBM)也被广泛地应用于鱼卵与仔稚鱼输运过程的研究［86］。
3分析与展望
综上所述，随着现代统计学、人工智能和数据挖掘技术、数值计算以及物理海洋等学科的发展，许多模型和方法都显示出了巨大的潜力。但也应看到，这些方法也存在一些固有的局限性。例如各类统计学方法应用较为简单，但对建模者的渔业专家知识要求较高，同时由于模型结构固定，因此预测能力有限。机器学习和人工智能方法对建模者的专家知识没有太多要求，但大多数模型结构复杂多变，因此对建模者的实际应用经验要求较高。各类机理/过程模型和理论模型能充分考虑渔场形成过程中的动态性和随机性，但由于缺乏实时数据的支持，主要还是只是用于鱼类生态过程研究。成功的渔场预报系统需要强大的渔场环境预报系统的支持。国内由于技术条件的限制，渔情预报软件系统一般只能使用近实时的海洋环境数据代替预测数据进行预报，这种处理方式对模型预报精度有一定影响。针对这种情况，建议以三维水动力数值模型为基础，研究实时海洋遥感和Argos浮标观测数据的有效获取和融合方法，建立专为渔业服务的海洋环境预报系统，为渔情预报系统提供时空分辨率较高的海洋环境数据。准确的渔情预报建立在对目标鱼种生活史过程、种群状况和渔场形成机制的了解和把握的基础上。要获得这些知识，必须对目标鱼种进行长期和系统的资源调查，了解目标鱼种的产卵场、育肥场和越冬场的空间分布、幼体和成体的生长和移动过程、种群内不同群体的组成、渔业过程对种群本身的影响、渔场形成的条件以及渔汛各阶段的特点等，从整体上把握目标鱼种的生活史过程和种群状况。海洋鱼类空间分布范围广、变化性强，不同鱼种之间也具有较大差异，调查中需要针对不同鱼种和海区对数据获取和处理方法进行研究，对采样点的空间分布、采样时间、调查项目、数据重采样方式等进行标准化和规范化，以保证数据的有效性和易用性。此外，渔捞日志作为目前渔场预报模型建模中渔业数据的主要来源，也应针对商业捕捞的特点进行标准化和规范化。最后，渔场预报模型构建过程中也有许多需要完善的地方。首先，由于多个环境因子的限制作用、相互作用和条件作用，确定鱼群对于单一环境因子的响应曲线时只能依赖于某些生态学假设［87］，而这些假设可能与实际情况有偏差。其次，出于现实的考虑，研究者在建立渔情预报模型时一般使用容易获取的环境因子，而某些对渔场形成较关键但获取或表达困难的环境因子也有可能被忽略。另外，目前建立预报模型所用到的遥感数据反演精度有限，渔捞日志数据也常受到人为因素的影响，因此在准确性和代表性上有一定欠缺。这些问题都会增加渔情预报模型的不确定性，从而对预报精度产生影响。要解决这些问题，建议从渔场形成的大背景出发选择重要的环境因子，以严格的渔业海洋学、物理海洋学、生态动力学等调查与实验为基础来确定关系模型。此外，应以实际渔业生产数据和随机模拟方法相结合建立渔场随机模拟系统，通过计算机模拟的方式寻找合理的建模方法，尽可能减少数据本身的误差和不确定性，提高渔情预报模型的精度。
作者：陈新军 高峰 官文江 雷林 汪金涛 单位：上海海洋大学海洋科学学院 上海海洋大学大洋渔业资源可持续开发省部共建教育部重点实验室 上海海洋大学国家远洋渔业工程技术研究中心
