蓝点马鲛(Scomberomorus niphonius)俗名鲅鱼、马鲛、燕尾鲅等，为暖水性中上层大型经济鱼类，广泛分布于印度洋、太平洋地区，我国黄海、渤海、东海亦是其重要产区^[1]。蓝点马鲛具有生长快、个体大等优点，经济价值高，是北方海洋渔业重要捕捞对象之一^[2]。由于近年来中国近海捕捞压力增加和海岸带工程等原因，蓝点马鲛出现了低龄化、小型化，繁殖期提前等趋势^[3]。在整体近海渔业资源衰退的背景下^[4-5]，蓝点马鲛渔业的产量目前仍较为稳定，年产量维持在45万t左右^[6]，在我国海洋捕捞产业中具有重要地位。因此，预测蓝点马鲛产量及分布动态对于其渔业资源的可持续利用具有重要意义。

渔情预报在渔业生产和管理中具有重要的作用。刘树勋等^[7]利用判别分析法，采用1960—1978年渔业公司捕捞资料，对舟山渔场、浙江南部渔场、长江口渔场的中心渔场进行了预报，并取得理想效果。张孟海^[8]采用多元线性回归，预测了中国毛虾(Acetes chinensis)的产量和中心渔场位置，并探索在实际生产上的应用。在渔情预报领域，GAM是最常用的预测模型^[9-10], Lan等^[9]基于GAM模型对热带太平洋黄鳍金枪鱼(Thunnus albacares)的潜在捕捞区域进行了预测。牛明香等^[10]采用GAM模型预测了东南太平洋智利竹筴鱼(Trachurus murphyi)中心渔场。近年来，由于机器学习模型(machine learning, ML)具有更高的拟合精度及更快的运算速度^[11-13]，为渔业资源的评估与预报提供了便利条件，在渔业生态学相关研究中表现出比GAM更好的预测效果^[14]。但同时存在参数设置复杂、参数调整耗时等缺点，而自动机器学习模型(automated machine learning, AutoML)可以将参数设置步骤自动化，进一步改进和提升机器学习模型的精度和性能^[15]。

全球气候变化及其带动的海洋环境变化可以影响鱼类的分布^[16]。Tian等^[17]发现了长期气候与海洋变化对秋刀鱼(Cololabis saira)资源丰度变动的响应机理。Kim等^[18]发现鳀(Engraulis japonicus)的捕捞产量受到厄尔尼诺现象的影响。Liu等^[19]发现鳀冬季渔场受到气候变动的影响，随着温度升高鳀产量增加。很多研究发现，蓝点马鲛的产量和分布变动与海洋环境变化密切相关^[20-23]。韦晟等^[20]根据1972—1980年水温调查资料，发现等温线的分布与蓝点马鲛中心渔场的位置相关性强。宋超等^[23]研究发现，当水温为15~19 ℃，蓝点马鲛鱼卵丰度最高。IPCC (Intergovernmental Panel on Climate Change)基于4种温室气体浓度情景(RCP2.6、RCP4.5、RCP6.0、RCP8.5)对未来全球气候进行推算，至21世纪末(2081—2100)，相比于1986—2005的温度基线，全球温度将上升1.0~3.7 ℃^[24]。因此，未来气候变动对蓝点马鲛的影响成为关注的热点之一。

本研究的主要目的为：(1)利用蓝点马鲛渔业调查数据与遥感数据，构建精准预测蓝点马鲛丰度指数的自动机器学习模型；(2)分析蓝点马鲛预测高值产区的分布规律和变动机制；(3)探明蓝点马鲛预测高值产区变动与环境因素之间的影响机理，预测在未来不同IPCC-RCP情景下全球变暖对蓝点马鲛高值产区分布的影响。

蓝点马鲛渔业数据来源于中国水产科学研究院东海水产研究所在2010—2015年3—5月的渔业调查数据。模型构建使用调查数据集中的日期、经纬度及单位捕捞努力渔获量(catch per unit effort, CPUE), CPUE数据以(kg/h)表示。调查区域主要集中于山东、江苏、浙江近岸海域(图1)，共获取调查数据489条，作业方式为双拖。

图1

图1 　蓝点马鲛春季洄游路线[25] Fig. 1 　Spring migration route of Scomberomorus niphonius[25]

本研究使用的海洋环境数据包括：海表面温度和叶绿素浓度，数据来自美国海洋与大气管理局(NOAA)中分辨率成像光谱仪(moderate resolution imaging spectroradiometer, MODIS)的L3级月平均数据，其空间分辨率为(4 km×4 km)，网址(https://oceanwatch.pifsc.noaa.gov/index.html)。

本研究应用的气候指数为Niño3.4指数，数据来自美国海洋大气管理局气候预测中心(https://origin.cpc.ncep.noaa.gov/products/analysis_monitoring/)。

根据IPCC采用的4种温室气体浓度情景，代表路径浓度(representative concentration pathway, RCP)由低到高分别为RCP2.6、RCP4.5、RCP6.0和RCP8.5，数字表示到2100年辐射强迫水平分别为2.6 W/m²、4.5 W/m²、6.0 W/m²和8.5 W/m²。在4种温室气体浓度情景下，对应温度分别上升1.0 ℃、1.8 ℃、2.2 ℃和3.7 ℃^[26]。

对蓝点马鲛CPUE数据进行对数变换，公式如下：

式中，$\overline {{\rm{CPUE}}} $为蓝点马鲛全部CPUE值的平均值，通过对数变换消除由于部分生产数据过高带来的影响。

再将所有数据标准化到[0, 1]，公式如下：

式中，x_i为第i个变量，x_min为数据集中的最小值，x_max为数据集中的最大值，通过数据标准化以统一量纲。

本研究使用python 3.7软件中的XGBoost程序包(http://xgboost.readthedocs.io/en/latest/)完成模型构建。利用渔业数据及对应的环境变量，顺序建立多个决策树模型。每个新决策树模型在前一个决策树模型的基础上，根据损失函数的梯度，提升模型拟合精度，将最终模型的预测值作为预测结果^[27]。通过比较模型在不同参数下的拟合精度，对重要模型参数进行调整，最终确定模型的最优参数^[28]。

本研究在python 3.7软件中应用scikit-learn中的函数(https://scikit-learn.org/stable/)来构建随机森林模型。计算机基于模型输入的环境变量与其对应的渔业数据，随机建立多个决策树模型进行预测，并将各个决策树模型预测值的平均值作为随机森林预测结果。模型最优参数的确定与1.2.2中XGBoost模型的参数调整方法相同^[28]。

本研究中采用GAM模型作为对比模型来评估机器学习模型的表现。使用R version 4.0.5软件中的MGCV包构建GAM模型，表达式为^[29]:

式中，${\rm{CPU}}{{\rm{E}}_{{\rm{tran}}}}$为经过0~1变换之后的CPUE, s为平滑函数，${x_i}$为第i个环境变量，包括叶绿素浓度、温度等，$\alpha $为截距项，$\varepsilon $为误差项。并采用AIC^[29]准则选择最优模型，AIC值越小，模型越准确，其公式为：

式中，m为模型中参数个数，L为最大似然值。

本研究使用R²和RMSE^[28]对模型进行评价。其公式分别为：

式中，N为数据集中数据的组数，CPUE_i,obse为第i组数据的实际值，CPUE_i,pred为第i组数据的预测值。通过十折交叉验证(10-fold cross validation)^[28]测试模型的准确性，将数据集随机均分为10份，轮流将其中的9份作为训练集，另1份作为测试集进行测试，将10次测试集R²和RMSE的平均值作为结果，公式如下：

式中，$R_{{\rm{output}}}^2$和RMSE_output为模型测试结果，$R_i^2$为第i次验证测试集的R²值，RMSE_i为第i次验证测试集的RMSE值。

本研究通过R²和RMSE对已构建模型进行筛选，选取最优模型构建蓝点马鲛渔场丰度指数模型(图2)。使用对数变换对数据集进行预处理后，导入随机森林模型、XGBoost模型和GAM模型进行模型构建，对比模型测试集的R²和RMSE，选取精度最高模型构建蓝点马鲛CPUE预测模型，通过比较不同参数组合下测试集的R²和RMSE，自动选取最优参数组合完成模型构建，根据蓝点马鲛CPUE预测结果，提出渔场丰度指数换算公式用于评估渔场资源丰度^[14]，高指数预测区域代表渔场丰度较高，更适宜渔船捕捞作业，其表达式为：

式中，CPUE_i为第i个变量，CPUE_min为数据集中的最小值，CPUE_max为数据集中的最大值，根据渔场丰度指数绘制蓝点马鲛时空分布预测图，对不同时期蓝点马鲛渔情进行预报。

预测模型环境因子数值范围的变化，可能导致模型预测精度降低。在环境因子数值范围变化时，需分析蓝点马鲛CPUE预测模型的模型敏感性，其表达式为^[30]:

式中，S为模型敏感性指数，n为数据的组数，x₀为第t组环境数据未发生改变时模型预测结果，x_t为第t组环境数据发生改变后的模型预测结果。通常环境参数改变10%时，若模型敏感性指数S<100%，表明环境因子数值范围的不确定性对模型预测结果精度的影响不显著。

图2

图2 　蓝点马鲛渔场丰度指数模型流程图 Fig. 2 　Flow chart of fishery abundance index model of Scomberomorus niphonius

基于Scikit-learn中的GridsearchCV函数，本研究利用十折交叉验证^[28]，比较模型测试集的R²和RMSE，选取表现最优模型构建自动机器学习模型。模型结果显示：XGBoost模型中SST和Chl a的分子重要性分别为69.85、30.95；随机森林模型中SST和Chl a的分子重要性分别为62.64、37.36。相比于SST, Chl a对模型预测结果影响较大，因此蓝点马鲛CPUE更易受Chl a影响。

评价指标结果显示(图3), XGBoost模型拟合效果最佳(R²=0.59)且误差较低(RMSE=18.52)，而GAM模型(R²=0.41, RMSE=23.20)预测效果相对较差；且XGBoost模型在低值区和高值区预测值的表现结果较为稳定，而随机森林模型和GAM在低值区域的预测值波动较大。因此，本研究采用XGBoost模型构建蓝点马鲛渔场丰度指数模型。

图3

图3 　随机森林模型、XGBoost模型和GAM模型的验证结果 Fig. 3 　Validation results of random forest model, XGBoost model and GAM model of Scomberomorus niphonius

蓝点马鲛渔场丰度指数模型预测的2010—2015年春季蓝点马鲛渔场丰度指数分布图显示，蓝点马鲛渔场丰度指数高值区存在向北以及向近岸移动的趋势(图4)。3月，渤海海域蓝点马鲛渔场丰度指数较低，黄海南部以及东海海域蓝点马鲛渔场丰度指数较高，适宜蓝点马鲛渔船进行作业；4月，黄海中部以及东海海域蓝点马鲛渔场丰度指数较高，蓝点马鲛适宜作业海域向北移动；5月，渤海海域以及黄海北部海域蓝点马鲛渔场丰度指数较高，适宜作业海域继续向黄海北部并向渤海沿岸、中朝韩沿岸移动。随着时间变化，蓝点马鲛渔场丰度指数高值区存在向朝鲜半岛近岸和向北移动的趋势。

根据相关性分析发现，春季渔场丰度指数高值区面积年际变动与Niño 3.4指数变动呈显著正相关(r=0.58, P<0.05)。分析春季高值区面积(3—5月)、高值区年平均面积，以及Niño 3.4指数的年际变动规律发现(图5), 2010—2012年，SST距平值呈逐渐上升趋势，渔场丰度指数高值区年平均面积略有增加；2013年，随着SST距平值降低，渔场丰度指数高值区年平均面积随之下降；2014—2015年，当SST距平值大幅升高，渔场丰度指数高值区年平均面积大幅增加。由此发现，厄尔尼诺事件能通过水温对蓝点马鲛丰度指数高值区面积的变动产生较大影响。

在未来RCP 4种模式下，2100年全球温度将上升1.0~3.7 ℃。因此，预测2100年SST升高下的蓝点马鲛CPUE，需对蓝点马鲛CPUE预测模型进行模型敏感性分析。结果表明，在SST增加10%时，模型敏感性指数为0.15，因此，未来SST增加不影响模型预测精度。根据蓝点马鲛CPUE预测模型，分别预测了2100年蓝点马鲛在RCP2.6、RCP4.5、RCP6.0、RCP8.5 4种情景下的CPUE值，相比于2010—2015年春季蓝点马鲛CPUE预测值的平均值，分别上升了0.1、2.2、2.4和17.3 kg/h。其中发现，在RCP2.6情景下，蓝点马鲛在东海的CPUE值明显上升，27° N附近海域的CPUE值上升最多，达到5 kg/h；黄渤海海域蓝点马鲛CPUE值下降。在RCP4.5情景下，蓝点马鲛CPUE值上升区域北移至黄海海域，其中黄海南部CPUE值上升最多，达到10 kg/h；东海海域CPUE值下降，渤海海域CPUE值未发生变化。在RCP6.0时，蓝点马鲛CPUE值上升区域持续北移，其中黄海中部CPUE值上升，最高达到12 kg/h；东海海域蓝点马鲛CPUE值下降。在RCP8.5情景下，蓝点马鲛CPUE高值区北移至黄海北部以及渤海西部，最高达到25 kg/h；在东海和黄海中、南部海域CPUE值下降。因此，长期温度升高使得蓝点马鲛CPUE值增加，且随着温度上升，蓝点马鲛CPUE高值区北移(图6)。

图4

图4 　蓝点马鲛预报渔场丰度指数 Fig. 4 　Prediction of Scomberomorus niphonius fishery abundance index

图5

图5 　2010-2015年3-5月蓝点马鲛渔场丰度指数高值区面积距平值、年高值区面积和Niño3.4指数 Fig. 5 　Area of high value area anomaly of fishery abundance index area of Scomberomorus niphonius from March to May 2010-2015, annual high value area and Niño 3.4 index

图6

图6 　预测21世纪末蓝点马鲛在RCP2.6、RCP4.5、RCP6.0和RCP8.5情景下CPUE距平值 Fig. 6 　Predict the anomaly value of CPUE of Scomberomorus niphonius under RCP2.6, RCP4.5, RCP6.0, RCP8.5 scenario at the end of the 21st century

随机森林、XGBoost等机器学习模型加入了大量控制参数，使模型拟合精度得以提升，另外通过构建自动机器学习模型的方法，可以进一步提升预测效率。因此，相比传统预测模型具有以下几方面的优势。

精度方面：与传统预测模型相比，自动机器模型拟合精度最高(R²=0.89)且误差最小(RMSE= 15.72)，与目前常用的预测模型相比，拟合精度提升了51%~117%，误差降低了15%~32%。且传统预测模型在低CPUE区预测结果有较大波动(图3)。这可能受到极端值的影响，传统预测模型在低值区精度较低，而自动机器学习模型能充分探索渔业数据与环境因子之间的相关性，受到极端值的影响较小，表现更为稳定。

效率方面：传统预测模型需要凭借经验探索参数之间的相关性^[27]，这一过程耗时较长，实际研究中效率较低，难以用于实际生产作业。而自动机器学习模型能自动探索各项参数的相互关系，选取最佳参数构建模型，构建速度具有较大优势，将模型构建时间从几个小时缩短至几分钟^[23]。未来可以基于自动机器学习模型，构建自动化渔场预测系统，接收渔船最新作业数据更新预测模型，结合实时遥感数据用于渔船捕捞作业。

因此在蓝点马鲛渔场预测研究中，相比于传统预测模型，自动机器学习模型在稳定性、拟合精度和时效性上均有较大优势。

海洋环境是影响鱼类分布的重要因素之一，鱼群的分布、洄游均受到海洋环境变化的影响。研究发现，春汛期间，蓝点马鲛CPUE高值区存在向近岸及向北移动的趋势(图4)。

这一趋势可能受到Chl a的影响，春汛时蓝点马鲛所需饵料增加，Chl a高的海域初级生产力较高，有更充足的饵料供给^[31]。研究发现，蓝点马鲛渔场丰度指数高值区的Chl a随时间上升(图7，图8): 3月，蓝点马鲛渔场丰度高值区位于东海海域，此时Chl a为0~0.7 mg/m³; 4—5月，蓝点马鲛渔场丰度高值区向西北移动至黄、渤海海域，此时Chl a为1.4~2.8 mg/m³。这是受到人为因素的影响，近岸营养物质较多且存在春季藻华现象，适合浮游植物的生长繁殖^[32](图7)，带动沿岸初级生产力的提高。因此随着蓝点马鲛产卵进入盛期，渔场丰度高值区向中国沿岸及朝鲜半岛移动。

蓝点马鲛春汛的渔场时空变动也受到SST的影响^[3,31]。研究发现，蓝点马鲛渔场丰度指数高值区北移(图5)可能与黄、渤海SST增加有关(图8): 3月，东海海域蓝点马鲛渔场丰度高值区的SST为18~22 ℃ (图7)，与蓝点马鲛产卵最适温度一致^[23]，此时东海SST更适宜蓝点马鲛产卵，最适温度为19 ℃ (图7); 4—5月，黄、渤海海域蓝点马鲛渔场丰度指数高值区处的SST为15~20 ℃，适宜蓝点马鲛产卵^[4]，渔场丰度高值区北移至黄、渤海海域(图5)，此时渔场丰度高值区最适温度为15 ℃ (图7)。因此，随着3—5月SST由南向北逐渐升高(图8)，受到蓝点马鲛产卵时最适水温(15~ 20 ℃)^[33]的影响，渔场丰度高值区逐渐北移。

图7

图7 　黄、渤海和东海海域渔场丰度指数高值区(>0.7)海表温度(a)以及叶绿素浓度(b)的分布频率 Fig. 7 　Distribution frequency of sea surface temperature (a) and chlorophyll a concentration (b) in the high value area of fishery abundance index (>0.7) in the Yellow Sea, Bohai Sea and East China Sea

蓝点马鲛在不同生活阶段的分布受到产卵、索饵、越冬等行为的影响^[3]。通过分析渔场丰度指数重心在经度和纬度的年际变动发现，蓝点马鲛渔场丰度指数高值区重心在每年春季(3—5月)存在向北及向近岸移动的现象(图9)。

这一现象可能受蓝点马鲛索饵行为的影响，鳀是蓝点马鲛春汛时的主要饵料，在每年的3—5月自南向北进行季节性洄游^[32]，与蓝点马鲛渔场丰度指数高值区纬度重心北移一致(图9)；当5月中下旬鳀向近岸产卵时^[32]，蓝点马鲛渔场丰度指数高值区经度重心同时向近岸移动(图9)。由此发现，蓝点马鲛渔场丰度指数高值区的移动规律与鳀的季节性洄游及产卵一致(图1)，与其索饵行为相关。

蓝点马鲛渔场丰度高值区变动还可能与蓝点马鲛的生殖洄游有关(图1), 3月起，蓝点马鲛随台湾暖流北上^[33]，各渔场渔期自南向北相继开始^[32]，此时渔场丰度指数高值区纬度重心向北(图9); 5月，蓝点马鲛向渤海游动产卵^[32]，此时渔场丰度指数高值区经度重心向西(图9)。由此发现，蓝点马鲛渔场丰度指数高值区的变化情况与蓝点马鲛生殖洄游路线一致^[31-32]。

图8

图8 　2010-2015年3-5月卫星遥感海表面温度和叶绿素a浓度月累计平均数据及渔船调查点位 Fig. 8 　Monthly cumulative averaged sea surface temperature and chlorophyll a concentration based on satellite remote sensing from March to May in 2010-2015 and survey points of fishing vessels

图9

图9 　2010-2015年3-5月渔场丰度指数高值区渔场经纬度重心 Fig. 9 　Longitude and latitude center of gravity of fishing ground in high value area of fishery abundance index from March to May in 2010-2015

ENSO能够对中上层鱼类的产卵及索饵海域产生影响^[34]。研究发现，在2010—2012年和2014—2015年SST距平值增加时期(图5)，蓝点马鲛渔场丰度指数高值区纬度重心也发生北移(图9)。这种现象可能与气候变暖影响蓝点马鲛索饵场变动有关，有研究表明，栖息地的纬度^[7]随着SST升高，存在向北迁徙的趋势。蓝点马鲛渔场丰度指数高值区可能受其饵料生物栖息地变动的影响，纬度重心随着鳀栖息地变动而北移。另外，温度变动也会影响到蓝点马鲛产卵场的分布，蓝点马鲛产卵时适宜温度为15~20 ℃^[20], SST缓慢上升(图5)，导致蓝点马鲛适宜产卵场北移，使得渔场丰度指数高值区纬度重心呈北移趋势。

蓝点马鲛渔场丰度指数年际变动与Niño3.4指数变动呈显著正相关(图5)。研究发现，气候变动能通过影响SST的变化影响蓝点马鲛渔业资源量的变动，在全球变暖的大背景下，桡足类的丰度与组成变化可能导致鳀丰度增加^[35]，从而影响蓝点马鲛的资源量。在不同IPCC-RCP情景下，有学者发现2100年中国近海鳀的CPUE随着气候变暖而增加^[7]，导致蓝点马鲛CPUE随其饵料生物资源量一同增加^[19]，该预测结果与本研究预测2100年蓝点马鲛CPUE随着全球气候变暖而增加的结论一致(图6)。

本研究比较了XGBoost模型、随机森林模型和GAM模型的拟合精度，选取表现最优的XGBoost模型构建了基于自动机器学习的蓝点马鲛渔场丰度指数模型。通过研究预测渔场丰度区域变动发现，蓝点马鲛渔场丰度高值区呈现向近岸Chl a浓度高值区移动的趋势，并随着黄、渤海SST升高逐渐北移，这与蓝点马鲛索饵和产卵洄游路线一致；这种现象与ENSO影响SST进而影响中上层鱼类的产卵场和索饵场的变动有关。结合气候指数分析发现，蓝点马鲛渔场丰度指数年际变动与Niño3.4指数变动呈显著正相关。另外，通过预测RCP2.6、RCP4.5、RCP6.0和RCP8.5 4种情景下蓝点马鲛在2100年的CPUE发现，也发生蓝点马鲛高值产区随温度升高继续北移和其CPUE不同程度增加的趋势，本研究结果可对中国近海蓝点马鲛的渔业资源评估与管理提供参考。

感谢中国水产科学院东海水产研究所提供的蓝点马鲛渔业数据。