一、大西洋大眼金枪鱼渔场、资源及环境特征的研究（论文文献综述）
任士雨[1]（2021）在《大西洋热带水域大眼金枪鱼渔情预报模型比较》文中提出大眼金枪鱼（Thunnus obesus）是大西洋热带海域金枪鱼延绳钓渔业的重要捕捞对象之一,探索不同渔情预报模型在大西洋大眼金枪鱼渔情预报中应用的效果,具有重大意义。本研究基于2016～2019年中国渔业企业在大西洋（14°20′S～15°20′N;47°38′W～2°30′E）作业的13艘延绳钓渔船渔捞日志数据,分析了大眼金枪鱼渔场的月间分布变化,结合海表面风速、叶绿素a浓度、涡动能、温跃层深度和0～500 m水层的垂直温度、盐度和溶解氧等海洋环境变量,以天为时间分辨率、2°×2°为空间分辨率建立了一系列大眼金枪鱼渔情预报模型。通过计算各个环境因子与CPUE间的Sperman相关系数筛选出与CPUE显着相关的环境变量,其次利用VIF方差膨胀因子去除每个环境变量之间的共线性,从而提高模型预测的准确率和运行效率。为建立渔情预报模型,将CPUE按照三分位数法划分两类,CPUE大于10（第一三分位数）的为高CPUE渔区,CPUE小于10的为低CPUE渔区。以数据集的75%为训练数据建立了k最近邻（K Nearest Neighbor,KNN）、逻辑斯蒂回归（Logistic regression,LR）、分类与回归树（Classfication And Regression Tree,CART）、支持向量机（Support Vector Machines,SVM）、人工神经网络（Artificial Neural Networks,ANN）、随机森林Random Forest,RF)、梯度提升决策树模型（Gradient Boosting Decision Tree,GBDT）和Stacking集成（由k最近邻、随机森林、梯度提升决策树模型集成）模型。将25%的测试数据输入各模型中计算其预测准确率和ROC（Receiver Operating Characteristic）曲线下面积,确立相对最优模型。将25%的测试数据中的实际高CPUE渔区与预测能力最好的模型的预测高CPUE渔区进行叠加,将实际低CPUE渔区与预测低CPUE渔区进行叠加,定性分析预测能力最好的模型的预测性能;使用Arcgis软件画出25%的测试数据中的实际“高CPUE渔区”位置密度分布图并与预测能力最好的模型预测得到的“高CPUE渔区”位置密度分布图进行比较,定性分析预测能力最好的模型的预测性能。使用Arcgis软件画出25%测试数据中的实际“高CPUE渔区”位置密度分布图,以及各模型预测的“高CPUE渔区”密度分布图,把密度大于9.0个/km2的范围定义为中心渔场,定性比较各模型预测中心渔场分布与实际中心渔场分布是否一致。研究结果如下:（1）2016～2019年大西洋热带海域大眼金枪鱼1～3月的CPUE相对较高,主要分布在3°N～15°N,30°W～45°W的海域,从3月开始渔场向南方移动,大眼金枪鱼CPUE逐渐降低,4～5月大眼金枪鱼渔场分布比较广泛,在15°N～15°S,3°E～50°W海域,7～9月大眼金枪鱼的CPUE最低,集中分布在10°N～15°S,2°W～35°W海域,随后9～12月大眼金枪鱼渔场开始向北方移动,CPUE逐渐增加,其主要分布在10°N～15°S,15°W～50°W的海域。从CPUE分布来看,高CPUE渔区集中分布在0°N～15°N,30°W～50°W的海域。（2）叶绿素a浓度、温跃层深度、海表面风速、涡动能、垂直温度、垂直溶解氧和垂直盐度均与大眼金枪鱼CPUE显着相关,相对重要性合计为:2.15%、5.21%、5.39%、1.75%、23.77%、46.23%和14.49%。其中200─400 m水层的溶解氧对大眼金枪鱼渔场的分布最为密切,相对重要性累计达到35.57%;500 m水层的盐度、海表面风速和温跃层深度相对重要性都达到了5%以上;0～500 m水层的温度中,200 m、250 m水层的温度相对重要性比其他水层高,合计达到9.35%,而海洋表面温度的相对重要性最低,为0.47%,对大眼金枪鱼渔场分布的影响极小;叶绿素a浓度和涡动能的相对重要性分别为2.15%和1.75%,对渔场的分布影响较小。（3）由KNN、RF和GBDT等初级学习器通过Stacking集成算法得到的集成模型的预测性能要优于KNN、LR、CART、SVM、ANN、RF、GBDT等单一模型。Stacking集成模型的预测精度为81.62%,ROC曲线下面积为0.781;KNN的预测精度为79.44%,ROC曲线下面积为0.778;LR的预测精度为72.81%,ROC曲线下面积为0.685;CART的预测精度为74.84%,ROC曲线下面积为0.716;SVM的预测精度为73.67%,ROC曲线下面积为0.701;ANN的预测精度为67.70%,ROC曲线下面积为0.631;RF的预测精度为78.13%,ROC曲线下面积为0.746;GBDT的预测精度为81.62%,ROC曲线下面积为0.781。（4）Stacking集成模型对高CPUE渔区的预测精度为72.10%,对低CPUE渔区的预测精度为86.84%;KNN对高CPUE渔区的预测精度为73.20%,对低CPUE渔区的预测精度为82.84%;LR对高CPUE渔区的预测精度为56.43%,对低CPUE渔区的预测精度为80.63%;CART对高CPUE渔区的预测精度为65.52%,对低CPUE渔区的预测精度为80.03%;SVM对高CPUE渔区的预测精度为60.35%,对低CPUE渔区的预测精度为80.03%;ANN对高CPUE渔区的预测精度为58.31%,对低CPUE渔区的预测精度为72.18%;RF对高CPUE渔区的预测精度为69.28%,对低CPUE渔区的预测精度为86.76%;GBDT对高CPUE渔区的预测精度为65.05%,对低CPUE渔区的预测精度为84.44%。研究表明基于八种模型的大西洋大眼金枪鱼渔情预报精度各不相同,其中随机森林和Stacking集成模型的总体预报能力较优,而K最近邻在高CPUE渔区预报上表现较好,其他模型预报能力表现较差。建议当样本数据较多且复杂时使用随机森林和Stacking集成模型;当数据较少且简单时,K最近邻在渔情预报方面具有较大优势。
崔国辰[2]（2021）在《大洋不同种柔鱼渔场时空分布及其对环境因子的响应》文中研究指明头足类被认为是世界渔业资源中三大未充分开发利用的种类之一,是人类未来重要的蛋白质来源。全世界头足类的可捕量为0.1亿-1亿t,2014年头足类产量达到峰值,全球产量为485.79万t,因此头足类资源的开发前景极其广泛,特别是大洋性柔鱼科资源。柔鱼科作为我国远洋渔业重要捕捞对象,其资源量年间波动明显,为了解不同种柔鱼资源种群变动及其对环境的响应,本研究分析渔业资源与渔场的分布、变化,根据渔场变化的海况信息帮助渔民及时调整作业区域,促进我国远洋鱿钓渔业的可持续发展。本文根据东太平洋茎柔鱼（Dosidicus gigas）、西南大西洋阿根廷滑柔鱼（Illex argentinus Castellanos）、印度洋鸢乌贼（Sthenoteuthis oualaniensis）、北太平洋柔鱼（Ommastraphes bartramii）（简称“巴特柔鱼”）的渔捞日志数据,结合相关海域的海水表面温度（SST）、叶绿素a浓度（Chl-a）数据,利用产量重心法研究各月份渔场位置变动,采用Arcgis 10.0软件可视化柔鱼渔场时空分布,通过广义可加模型拟合CPUE与各影响因子关系并绘图,最后比较不同海域间柔鱼渔场形成规律差异。本文研究结果如下:（1）对不同种柔鱼渔获量及CPUE变化研究结果表明:东太平洋茎柔鱼2019年12月至2020年4月各月渔获量呈先上升后下降趋势,2月渔获量最高;CPUE曲线除2月增加外,总体呈下降趋势。西南大西洋阿根廷滑柔鱼2014、2016–2018年渔获量呈先下降后上升趋势,2018年渔获量最高;年CPUE曲线除2014年高,其余年份总体呈缓慢波动趋势;除2014年外,其余年份各月渔获量呈先上升后下降趋势,渔获量峰值集中于2、3月;月CPUE曲线呈先上升后下降趋势,高CPUE常分布于1–3月。印度洋鸢乌贼2017年各月渔获量呈先下降后上升趋势,高渔获量集中于9–11月;CPUE呈先上升后下降趋势,8月CPUE最高。巴特柔鱼除6月急剧升高外,2019年各月渔获量整体呈先上升后下降趋势;CPUE曲线整体呈先上升后下降再上升趋势,高CPUE分布于6、7、9、10、11月。（2）对不同种柔鱼渔场分布及其与SST、Chl-a的研究结果表明:东太平洋茎柔鱼渔场重心集中分布于0°～3°S、105°W～114°W海域,不同月份渔场重心经向变化明显。GAM模型显示,东太平洋茎柔鱼渔场的最适SST范围是24.5～25.5°C,最适Chl-a范围是0.16～0.20mg/m3。西南大西洋阿根廷滑柔鱼渔场重心集中分布于45°S～47°S、59°W～61°W海域,除2014年外,2016–2018年各月份产量重心分布较为集中。GAM模型显示,西南大西洋阿根廷滑柔鱼渔场的最适SST范围是12～14°C;最适Chl-a范围是0.1～2.0 mg/m3。印度洋鸢乌贼渔场重心集中分布于12°N～16°N、58°E～63°E海域,渔场重心随月份变化呈先向西南推进,再往东北折回趋势。GAM模型显示,印度洋鸢乌贼渔场最适SST范围是26.0～27.5°C,最适Chl-a范围是0.2～0.4 mg/m3。北太平洋柔鱼渔场重心集中分布于38°N～45.5°N、173°W～176°W,38°N～45.5°N、160°E～165°E海域,GAM模型显示,巴特柔鱼渔场的最适SST范围是14～19°C,最适Chl-a范围是0.1～0.5 mg/m3。根据本文的研究结果,并参考相关文献资料,分析认为这一时期东太平洋茎柔鱼为小型群体,西南大西洋阿根廷滑柔鱼主要为夏季产卵群,印度洋鸢乌贼为大型群,北太平洋柔鱼主要为冬春生群。不同种柔鱼CPUE的分布变动与其生物学特性、渔船捕捞路线及海洋环境变动有关。东太平洋茎柔鱼12月至翌年4月CPUE随月份变化逐渐下降,是因为茎柔鱼产卵期为10月至翌年1月,个体产卵后死亡,此外茎柔鱼达性成熟胴长后进行洄游致使鱼群位置分散也是导致各月产量存在差异的原因;西南大西洋阿根廷滑柔鱼高CPUE分布于1–3月份,该时期夏季产卵群体的产卵场与作业海域重叠度高是原因之一;印度洋鸢乌贼各季节资源量存在差异导致各月份CPUE变化;北太平洋柔鱼CPUE不同是因为渔船转场,不同海域间捕捞对象存在差异。相比于单一环境因子、空间因子,时间因子对CPUE影响更为显着,这是因为影响机制复杂,除本文研究因子外,尚需考虑其他环境因素及其交互影响。
龚慧[3]（2021）在《南印度洋金枪鱼捕捞技术、渔场及渔业生物学特性研究》文中认为本文研究数据来源于金枪鱼延绳钓渔船“新世纪76号”2020年7～9月份在南印度洋进行的探捕项目。主要对南印度洋金枪鱼延绳钓捕捞技术、渔场情况、环境因子及生物学特性等方面进行了调查和研究。本文对金枪鱼延绳钓渔具渔法做了介绍,并在此基础上提出改进措施。在研究渔场环境上利用了CTD所测数据,并采用GAM模型分析了主要金枪鱼产量与环境因子之间的关系。利用频率分布法分析了主要金枪鱼的生物学特性,研究包括叉长组成、体重组成、性腺成熟度、摄食等级和胃含物等,并通过幂函数拟合求出了叉长-体重的关系。结果显示:（1）金枪鱼延绳钓作业副渔获物占比少,作业方式操作简单,渔获物鲜度高,经济价值大,是一种环境友好型渔具。（2）“新世纪76号”金枪鱼延绳钓渔船两浮子间有20枚钓钩,当渔获物中以长鳍金枪鱼（Thunnus alalunga）为主时,为了提高上钓率,可将两浮子间的钓钩数调整为16枚。金枪鱼具有昼潜夜浮的垂直运动特征,在傍晚和凌晨食欲最为旺盛。通过调研,建议将作业投绳起止时间调整为10:00-16:00,起钩起止时间调整为17:00-05:00。（3）在钓钩的选择上,应选用环形钩。研究表明,环形钩长鳍金枪鱼上钓比例最高,且大眼金枪鱼（Thunnus obesus）存活率亦最高。金枪鱼觅食主要是依靠视觉,其次是嗅觉。每d起钩时,要对钓具支线进行维修及更换。鱿鱼（Architeuthis dux）是印度洋金枪鱼延绳钓的最佳饵料,研究表明,鱼类饵料较鱿鱼饵料可以减少大青鲨（Prionace glauca）和海龟（Chelonia mydas）的误捕率。因此在饵料的使用上,应选择鱼腥味较重的沙丁鱼（Sardinella aurita）,既可保证较高的上钓率,又可以减少兼捕。（4）异鳞蛇鲭（Lepidocybium flavobrunneum）、斑点月鱼（Lampris guttatus）、剑鱼（Xiphias gladius）具有一定的趋光性,占荧光型拟饵上钓比例的39.24%。“新世纪76号”每d下钩500枚荧光型拟饵,为提高副渔获物的上钓率,可考虑增加至800枚荧光型拟饵。（5）7～9月长鳍金枪鱼和大眼金枪鱼CPUE均处于较低水平,分别为6.16尾/千钩和2.47尾/千钩,且均呈现先减小后增加的趋势。长鳍金枪鱼CPUE 9月达到最大值,为9.64尾/千钩;大眼金枪鱼CPUE 7月达到最大值,为4.04尾/千钩。（6）GAM模型结果表明,纬度和200m水温对长鳍金枪鱼渔获率具有显着性影响。此次调查属生产性调查,不设具体站点,且为渔汛末期,主捕长鳍金枪鱼,故模型因子与大眼金枪鱼CPUE关系不显着。（7）200m水温对长鳍金枪鱼渔获率具有显着性影响,高渔获率集中于18.5～21℃。（8）7～9月印度洋长鳍金枪鱼和大眼金枪鱼中心渔场分布于18°～25°S,66°～78°E。（9）长鳍金枪鱼共1002尾,其中雄性795尾,雌性207尾。雄性长鳍金枪鱼叉长范围为87～114cm,平均叉长为99.54cm,优势叉长组为91～110cm;雌性叉长范围为80～104cm,平均叉长为94.02cm,优势叉长组为91～100cm。雄性长鳍金枪鱼体重范围为17～31kg,平均体重为24.14kg,优势体重组为21～30kg;雌性体重范围为16～28kg,平均体重为21.75kg,优势体重组为15～25kg。长鳍金枪鱼叉长-体重的关系为:不分性别:W=0.0037FL1.9085（R2=0.642,n=1002）,雄性:W=0.0041FL1.8884（R2=0.0041,n=207）,雌性:W=0.0012FL2.1497（R2=0.6065,n=795）。（10）大眼金枪鱼共326尾,其中雄性151尾,雌性175尾。雄性大眼金枪鱼叉长范围为73～161cm,平均叉长为104.38cm,优势叉长组为81～110cm;雌性叉长范围为74～157cm,平均叉长为107.23cm,优势叉长组为81～110cm。雄性大眼金枪鱼体重范围为9～94kg,平均体重为29.56kg,优势体重组为10～30kg;雌性体重范围为11～84kg,平均体重为31.43kg,优势体重组为10～30kg。大眼金枪鱼叉长-体重的关系为:不分性别:W=0.00003FL2.9436（R2=0.9583,n=326）,雄性:W=0.00002FL2.994（R2=0.9642,n=151）,雌性:W=0.00004FL2.8869（R2=0.9521,n=175）。（11）南印度洋长鳍金枪鱼样本中,性腺成熟度以Ⅲ、Ⅳ、Ⅴ期为主,占总样本的94.91%,未见Ⅰ期个体,Ⅱ期仅1尾,Ⅵ期占比4.99%。南印度洋大眼金枪鱼样本中未见Ⅵ期个体,性腺成熟度以Ⅱ和Ⅲ期为主,占总样本的62.5%,Ⅰ、Ⅳ、Ⅴ期所占比例较少。（12）南印度洋长鳍金枪鱼摄食等级以1、2级为主,占76.5%。大眼金枪鱼摄食等级以0、3级为主,占46.9%。（13）南印度洋长鳍金枪鱼和大眼金枪鱼胃含物主要为小型鱼类、头足类和甲壳类,分别占比41.2%、34.9%,36.5%、30.7%,11.7%、8.3%。
朱浩朋[4]（2021）在《基于卷积神经网络的西北太平洋柔鱼渔场预报模型构建》文中研究说明近三十年中国远洋渔业产业发展迅速,鱿钓渔船规模越来越大,然而随着我国远洋渔业的发展,柔鱼生产规模在不断扩大的同时,生产成本也不断升高,寻找可靠稳定渔场的难度越来越高,同时远洋渔业企业对柔鱼渔场的预报服务产品的要求也越来越高。因此,打破传统的渔情预报方式存在的局限,充分利用当前计算机先进软件算法和条件,准确而快速地进行渔情预报,可以为远洋渔业企业的出海作业生产提供科学、合理的指导意见,降低人力、物力成本。西北太平洋是一片有着较为特殊海洋环境的海域,是亲潮寒流与黑潮暖流的交汇区域,季节性温差较大,但同时也是中国鱿鱼产量最高的海域,拥有着全太平洋36%的柔鱼产量,把握西北太平洋渔场的位置及渔汛的长短,对提高我国渔业产量、降低捕捞作业成本,维持柔鱼生产的稳定发展,具有重要的现实意义。为了提高西北太平洋渔场预报的准确性和实用性,本研究提出了一种基于深度学习原理的柔鱼预报模型的构建方法。研究数据时间跨度是2000年-2015年的7月-11月,包括来自西北太平洋柔鱼渔船生产信息日报以及来自NASA的中分辨率成像光谱仪（Moderate-resolution Imaging Spectroradiometer,MODIS）的海洋表面温度（Sea Surface Temperature,SST）和叶绿素a数据（Chlorophyll,Chl-a）,两种海洋环境数据都是三级产品。本研究根据不同通道即SST、Chl-a、经度、纬度、月份等的组合,构建了5种用于模型训练的数据集,即1)仅包含SST的单通道数据集、2)包含SST和月份的2通道数据集、3)包含SST、经度和纬度的3通道数据集、4)包含SST、月份、经度和纬度的4通道数据集、5)包含Chl-a、月份、经度和纬度的4通道数据集。为了在维度上与第1个通道数据相匹配,需要将经度、纬度和月份的输入数据从0维标量扩展到像素数为65×65的二维张量,并作为第2、第3和第4通道。由于缺乏足够多的有效渔业捕捞数据,通过以-10°和+10°之间的小角度随机旋转数据集图像以及图像中心在四个方向（包括北、南、东和西）的随机0.1°偏移对训练数据集进行了增强处理。经数据增强后的数据集数据量比原来增加了4倍。卷积神经网络（Convolutional Neural Network,CNN）模型的结构选择的是Alex Net,它由五个卷积层,三个最大池化层和三个全连接层组成。此方法使用图形处理单元（Graphics Processing Unit,GPU）加快训练速度,其环境特征的提取由计算机自动完成,充分考虑了渔场周边的温度场特征,优于传统的渔业预报方法。SST、纬度、经度和月份都是构建渔场预测模型时需要考虑的重要影响因素,本研究比较和分析了这些因素对渔场预报准确率的影响。为了检验所选环境因素的合理性,本研究另外使用了叶绿素浓度数据作为输入因子进行了试验,同时,为了检验该模型的优越性,也基于随机森林方法采用SST数据构建了柔鱼预报模型且通过预报准确率、精确率、召回率和F1分数等模型评价参数,对比分析了三个预报模型的效果。得出以下结论:1)根据柔鱼的迁移规律,将7月-11月的SST数据集分为3个子数据集,分别是7-8月、9月和10-11月。这种月份组合的方式将测试准确率提高了至少6个百分点。7月-8月、9月、10月-11月这三个数据集的测试准确率远高于7-11月数据集的测试准确率74.4%,因此柔鱼本身的生物特性包括迁徙、生长规律是十分重要的,在渔业预报模型构建过程中不可忽视,有利于提高渔场预报模型的预报精度。2)经过8万次训练后,平均测试准确率收敛至约81.1%。采用SST数据构建的7-8月、9月和10-11月3个4通道数据集的测试准确率分别为80.5%,81.5%和81.4%。可以得出结论,海洋表面温度及其时空信息在西北太平洋柔鱼渔场的预报中起着重要作用,利用单个环境因子SST构建CNN训练数据集从而建立柔鱼渔场预报模型的方法是可行的。3)对包含不同通道信息的数据集训练结果进行对比,SST的4通道数据集的训练结果最好,测试精度明显高于3通道、2通道、单通道数据集以及Chl-a的4通道数据集。仅包含SST的单通道数据集的测试精度至少达到73.5%,这表明SST是5个因素中的最重要因素,即SST、Chl-a、经度、纬度和月份。而且对比了SST、Chl-a两种海洋环境数据的模型预报效果,以SST训练的模型取得了81.1%的准确率显着高于以Chl-a训练的模型的不足75%的平均准确率,也证明了较之Chl-a,SST是影响柔鱼渔场变动的更重要因素。4)以2015年实际渔获量数据为依据,验证了预测模型的应用效果,并选择精确率和召回率作为该模型的评价指标。结果表明,基于SST数据的柔鱼渔场预报模型平均精确率、召回率和F1分数分别为66.6%、82.3%和73.1%,高于基于Chl-a数据的预报模型的60.3%、69.3%、63.1%。基于SST数据的柔鱼渔场预报模型预测的高产捕捞区域基本上与实际的高CPUE区域匹配,并且两者的月度移动趋势也基本一致。5)与随机森林构建的渔场预报模型对比,在变量种类相同的情况下,随机森林方法取得了7-8月72.0%、9月58.9%、10-11月64.1%的测试准确率,低于本研究的卷积神经网络方法,测试准确率的差值在8.5%-22.6%之间。
袁红春,张永,张天蛟[5]（2021）在《基于EMD-BiLSTM的太平洋大眼金枪鱼渔场预报模型研究》文中研究表明大眼金枪鱼（Thunnus obesus）是太平洋延绳钓的主捕鱼种之一,针对多数传统预报模型存在的问题,提出了基于经验模态分解和双向长短时记忆神经网络（EMD-BiLSTM）的渔场预报新模型,以实现一种新的面向渔业应用的产量预报方法。首先,通过经验模态分解机制（EMD）对单位捕捞努力量渔获量（CPUE）序列进行分解,得到不同尺度的分解分量（IMF）;然后结合各影响因子对IMF分量分别建立双向长短时记忆神经网络渔场预报模型（Bi-LSTM）,使神经网络的数据处理优势得以充分发挥;最后整合各项结果作为最终预报值。结果显示:与Bi-LSTM模型相比,均方根误差和绝对误差分别降低0.053和0.018;与BP模型相比,均方根误差和绝对误差分别降低0.208和0.048。研究表明,EMD-BiLSTM模型具有较高的预报准确率,可为渔场预报相关研究提供一种新思路。
宋利明,任士雨,张敏,隋恒寿[6]（2021）在《基于集成学习的大西洋热带海域黄鳍金枪鱼渔情预报》文中进行了进一步梳理利用2016─2019年中国渔业企业在大西洋热带海域（14°20′S～15°20′N; 47°38′W～2°30′E） 13艘延绳钓作业渔船渔捞日志记录的黄鳍金枪鱼（Thunnus albacares）单位捕捞努力量渔获量（CPUE）数据,结合海表面风速、叶绿素a浓度、涡动能以及0～500m水层的垂直温度、盐度等海洋环境变量和空间因子（经纬度）建立了一系列黄鳍金枪鱼渔场预测模型。模型的时间分辨率为天（d）,空间分辨率为0.25°×0.25°。该系列模型利用75%的数据训练得到朴素贝叶斯（NB）、k最近邻（KNN）、随机森林（RF）、分类与回归树（CART）、逻辑斯蒂回归（LR）、支持向量机（SVM）、梯度提升决策树（Xgboost）和stacking集成（由NB、CART和LR模型集成, STK）模型,将25%测试数据代入系列模型进行验证,结果显示:（1）黄鳍金枪鱼渔场预测准确率（ACC）分别为61.62%、62.03%、66.37%、63.0%、63.26%、64.97%、64.08%、68.72%;（2）其对应的ROC曲线下面积（AUC）分别为0.64、0.67、0.72、0.66、0.68、0.70、0.69、0.72;（3） STK模型的预测准确率较其他的方法均有所提高。建议使用STK模型对大西洋热带海域黄鳍金枪鱼渔场进行预测。
宋利明,许回[7]（2021）在《金枪鱼延绳钓渔获性能研究进展》文中进行了进一步梳理金枪鱼延绳钓渔获性能主要按目标鱼种和兼捕物种渔获效率进行评价。对其研究有助于改进延绳钓渔具渔法,提高目标鱼种捕捞效率和减少兼捕。本文以时间顺序为主对国内外关于金枪鱼延绳钓渔获性能研究的文献进行梳理,从钓具选择性、钓钩深度、饵料选择性、环境因素以及钓具浸泡时长等方面概括了金枪鱼延绳钓渔获性能的研究进展,并提出存在的不足和建议,为金枪鱼延绳钓渔获性能的研究提供参考。前人研究取得的成果有:（1）不同鱼种最佳作业深度和钓具浸泡时长不同;（2）较大尺寸的圆形钩能减少兼捕;（3）拟饵也具有选择性,鱼类饵料和蓝色染色饵料有利于减少兼捕;（4）具体水层的环境因素对延绳钓渔获性能影响较大。建议今后金枪鱼延绳钓渔获性能研究应:（1）确定钓钩最佳沉降速度和深度;（2）分水层建立不同物种渔获性能预测模型;（3）针对不同的目标鱼种探索最佳尺寸和钩形;（4）研究不同气味和颜色的饵料或拟饵对物种选择性的影响;（5）考虑诱饵、钓钩类型和尺寸和钓具浸泡时长对渔获率、死亡率、兼捕率和兼捕物种释放后存活率的潜在协同效应。
宋利明,徐双泉,许回,陈明锐,Ebango Ngando Narcisse[8]（2020）在《毛里塔尼亚海域短线竹■鱼时空分布与海洋环境的关系》文中研究指明利用中国灯光围网船"福远渔097"2017年9月20日至12月31日在毛里塔尼亚海域119个站点的调查数据,采用分位数回归的方法对随机选取的75%的站点数据建立短线竹■鱼（Trachurus trecae）单位捕捞努力量渔获量（catch per unit effort,CPUE）与叶绿素a浓度、海表面温度、海表面盐度的关系模型。根据该模型,计算短线竹■鱼的栖息地综合指数（integrated habitat index, IHI）,并利用25%的站点数据,用Spearman相关系数结合双尾检验,检验其CPUE实测值与预测值之间的相关性,分析IHI与CPUE的关系。结果表明:1)海洋环境因子对短线竹■鱼CPUE的影响程度为:海表面温度>叶绿素a浓度>海表面温度与叶绿素a浓度的交互作用,海表面盐度对其没有显着影响;2)建模站点和验证站点的CPUE预测值与实测值间均无显着性差异;3)IHI模型对CPUE具有良好的预测效果;4)IHI分布较高的海域为17°20′～17°45′W、20°15′～20°50′N。建议我国渔船在下半年作业时,作业范围应集中在这一IHI分布较高的海域,以提高渔获产量。
王晓晴,林宇,吴锦仁[9]（2020）在《东南印度洋长鳍金枪鱼延绳钓渔场探捕浅析》文中指出为拓展渔场范围、促进潜在渔业资源的合理利用,2018年4—7月（作业天数79 d）,以金枪鱼延绳钓渔船"新世纪八十六号"为探捕平台,采用目前通用的长鳍金枪鱼（Thunnus alalunga）延绳钓钓具配置,在东南印度洋（24°10’S～35°33’S,75°15’E～98°50’E）海域进行探捕调查作业,共捕获长鳍金枪鱼5 252尾、78 906 kg,占总渔获尾数和质量比例分别为80%和71%,平均上钩率达到18‰,表明该渔场长鳍金枪鱼资源具有较好的开发前景。在兼捕种类中,剑鱼（Xiphias gladius）、异鳞蛇鲭（Lepidocybium flavobrunneum）及斑点月鱼（Lampris guttatus）的渔获量较大,其资源利用前景有待进一步研究。
陈亮亮[10]（2020）在《中西太平洋温跃层的可视化研究》文中研究说明本文主要研究异常气候下温跃层的分布特征以及其变化对渔业分布的影响,采用2008-2017年全球海洋Argo网格数据集（BOAArgo）和同期商业渔船的鱼捞日志数据研究了拉尼娜和厄尔尼诺年中西太平洋黄鳍金枪鱼围网主要作业渔场温跃层的时空变化特征,并结合GAM（generalized additive model）模型对时空和环境变量进行分析。结果表明:（1）温跃层上界温度随着厄尔尼诺事件由弱到强,温度的高值区向东偏移,向赤道南北纬15°范围内靠拢。0°10°S范围的中西太平洋的上界深度是变浅的。以10°N纬线为轴线,存在一个温跃层较浅的带状分布结构,且随着厄尔尼诺事件由弱到强,该带状分布愈加明显,深度值越低。（2）随着拉尼娜事件由弱到强,赤道西太平洋上界温度的高值区是往西扩散加深的。一般拉尼娜现象发生时,赤道以北温跃层较深,赤道以南温跃层较浅。（3）赤道中西太平洋东边温跃层强度的中心值一般达到0.25℃/m,强厄尔尼诺事件时能达到0.3℃/m,强中心主轴位于10°N纬线附近。（4）西太平洋暖池区温跃层厚度超过200 m,10°S以南的东南方向和10°N以北的东北方向附近温跃层厚度超过250 m。赤道中西太平洋温跃层的厚度整体上是西边厚,东边薄。随着厄尔尼诺事件由弱到强,温跃层的厚度有在东边变薄的趋势。（5）拉尼娜年,单位捕捞努力量渔获量（CPUE）随着上界温度的高值区向西收缩而西移,最西至145°E,厄尔尼诺年,东移至165°E以东。拉尼娜年较正常年份,赤道太平洋东、西侧温跃层的上界深度差拉大,80130 m上界深度值偏西。温跃层强度整体上是西弱东强,温跃层厚度以15°N和15°S为轴线,各存在一个较厚的带状分布结构,CPUE分布在厚度值为120200 m之间。黄鳍金枪鱼资源丰度较高的海域在5°N5°S,150°E175°E。渔场所在温跃层最适上界温度范围为27.529.5℃,最适上界深度范围为80120 m,厚度集中在100200 m之间,强度集中在0.080.13℃·m-1之间,环境因子中上界温度对单位捕捞努力量渔获量（catch per unit effort,CPUE）分布的影响最大。研究发现厄尔尼诺年渔获量的东移和拉尼娜年渔获量的西移随渔场所在温跃层的最适上界温度、上界深度、强度和厚度值而移动。
二、大西洋大眼金枪鱼渔场、资源及环境特征的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、大西洋大眼金枪鱼渔场、资源及环境特征的研究（论文提纲范文）
（1）大西洋热带水域大眼金枪鱼渔情预报模型比较（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 1.4 研究的目的和意义 |
| 1.5 论文技术路线 |
| 2 材料与方法 |
| 2.1 数据来源与匹配 |
| 2.2 数据处理 |
| 2.2.1 CPUE计算 |
| 2.2.2 基于方差膨胀因子VIF的环境变量筛选方法 |
| 2.3 最优参数确定方法 |
| 2.4 模型原理 |
| 2.5 数据归一化 |
| 2.6 模型性能评价指标 |
| 2.7 中心渔场的确定 |
| 3 结果 |
| 3.1 大西洋大眼金枪鱼CPUE的分布 |
| 3.1.1 大眼金枪鱼CPUE的时间变化 |
| 3.1.2 各月份大眼金枪鱼CPUE空间变化 |
| 3.1.3 实际渔场分布 |
| 3.2 环境因子对渔场的影响 |
| 3.3 共线性分析结果 |
| 3.4 基于K近邻的渔场预报结果 |
| 3.4.1 K最近邻预测结果及模型性能 |
| 3.4.2 K最近邻预测中心渔场分布 |
| 3.5 基于逻辑斯蒂回归的渔场预报结果 |
| 3.5.1 逻辑斯蒂回归预测结果及模型性能 |
| 3.5.2 逻辑斯蒂回归预测中心渔场分布 |
| 3.6 基于分类与回归树的渔场预报结果 |
| 3.6.1 分类与回归树预测结果及模型性能 |
| 3.6.2 分类与回归树预测中心渔场分布 |
| 3.7 基于支持向量机的渔场预报结果 |
| 3.7.1 支持向量机预测结果及模型性能 |
| 3.7.2 支持向量机预测中心渔场分布 |
| 3.8 基于人工神经网络的渔场预报结果 |
| 3.8.1 人工神经网络预测结果及模型性能 |
| 3.8.2 人工神经网络预测中心渔场分布 |
| 3.9 基于随机森林的渔场预报结果 |
| 3.9.1 随机森林预测结果及模型性能 |
| 3.9.2 随机森林预测中心渔场分布 |
| 3.10 基于梯度提升回归树的渔场预报结果 |
| 3.10.1 梯度提升决策树预测结果及模型性能 |
| 3.10.2 梯度提升决策树预测中心渔场分布 |
| 3.11 基于Stacking集成模型的渔场预报结果 |
| 3.11.1 Stacking集成模型预测结果及模型性能 |
| 3.11.2 Stacking集成模型预测中心渔场分布 |
| 3.12 大西洋大眼金枪鱼渔场预报模型比较 |
| 4 讨论 |
| 4.1 模型对比分析 |
| 4.2 环境变量的选择 |
| 4.3 环境因子相对重要性 |
| 5 小结 |
| 5.1 本文研究的创新之处 |
| 5.2 本研究的不足之处 |
| 5.3 结论 |
| 参考文献 |
| 致谢 |
（2）大洋不同种柔鱼渔场时空分布及其对环境因子的响应（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 引言 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 国内外头足类资源研究 |
| 1.2.2 国内外GAM模型在渔业领域中的应用 |
| 1.3 研究意义与目的 |
| 1.4 研究内容和技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 第二章 材料与方法 |
| 2.1 数据来源及研究区域 |
| 2.1.1 生产调查数据 |
| 2.1.2 海洋环境数据 |
| 2.1.3 研究区域 |
| 2.2 数据处理 |
| 2.2.1 生物学采样及测定 |
| 2.2.2 生产数据及环境数据处理 |
| 2.3 数据分析及研究方法 |
| 2.3.1 基础生物学数据分析 |
| 2.3.2 CPUE与环境的关系分析 |
| 2.3.3 渔获重心估算 |
| 2.3.4 空间距离推算 |
| 2.3.5 GAM模型分析 |
| 第三章 大洋不同种柔鱼渔场分布及环境因子影响 |
| 3.1 茎柔鱼渔场分布及环境因子影响 |
| 3.1.1 体型与生长 |
| 3.1.2 繁殖与摄食 |
| 3.1.3 渔获量及CPUE月变化 |
| 3.1.4 CPUE与 SST、Chl-a关系 |
| 3.2 茎柔鱼渔场分布及环境因子影响讨论 |
| 3.2.1 基础生物学特性 |
| 3.2.2 渔获量及CPUE月变化 |
| 3.2.3 影响因子与 CPUE 关系 |
| 3.3 阿根廷滑柔鱼渔场分布及环境因子影响 |
| 3.3.1 渔获量及 CPUE 变化 |
| 3.3.2 产量重心变化 |
| 3.3.3 SST、Chl-a 月变化 |
| 3.3.4 CPUE、SST及Chl-a空间分布变化 |
| 3.3.5 GAM 模型分析 |
| 3.4 阿根廷滑柔鱼渔场分布及环境因子影响讨论 |
| 3.4.1 阿根廷滑柔鱼产量和CPUE的变化 |
| 3.4.2 渔场重心分布变化 |
| 3.4.3 环境因子对渔场的影响 |
| 3.5 鸢乌贼渔场分布及环境因子影响 |
| 3.5.1 渔获量及CPUE分布 |
| 3.5.2 产量重心变化 |
| 3.5.3 CPUE、SST及Chl-a空间分布月变化 |
| 3.5.4 GAM 模型分析 |
| 3.6 鸢乌贼渔场分布及环境因子影响讨论 |
| 3.6.1 鸢乌贼产量和CPUE的变化 |
| 3.6.2 产量重心分布变化 |
| 3.6.3 不同因子对渔场的影响 |
| 3.7 巴特柔鱼渔场分布及环境因子影响 |
| 3.7.1 渔获量及CPUE月变化 |
| 3.7.2 产量重心变化 |
| 3.7.3 CPUE、SST及Chl-a空间分布变化 |
| 3.7.4 GAM模型分析 |
| 3.8 巴特柔鱼渔场分布及环境因子影响讨论 |
| 3.8.1 巴特柔鱼产量和CPUE变化 |
| 3.8.2 产量重心分布变化 |
| 3.8.3 不同因子对巴特柔鱼渔场的影响 |
| 第四章 总结与展望 |
| 4.1 研究总结 |
| 4.1.1 不同柔鱼渔场群体组成 |
| 4.1.2 不同柔鱼丰渔期比较 |
| 4.1.3 影响因子与柔鱼资源的关系 |
| 4.2 研究不足与展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文及研究成果 |
（3）南印度洋金枪鱼捕捞技术、渔场及渔业生物学特性研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 前言 |
| 1.2 研究目的及意义 |
| 1.3 金枪鱼渔业生物学研究进展 |
| 1.3.1 叉长体重 |
| 1.3.2 食性 |
| 1.4 金枪鱼延绳钓渔具渔法 |
| 1.5 GAM模型在渔业研究中的应用 |
| 第二章 材料与方法 |
| 2.1 数据来源 |
| 2.2 海上调查 |
| 2.2.1 调查时间与站位 |
| 2.2.2 渔船 |
| 2.2.3 数据采集 |
| 2.3 数据处理 |
| 2.3.1 确定样本体型分布 |
| 2.3.2 叉长体重关系的拟合 |
| 2.3.3 CPUE及渔获效率 |
| 2.3.4 钓钩理论深度计算 |
| 2.3.5 广义可叠加模型 |
| 第三章 金枪鱼延绳钓捕捞技术 |
| 3.1 渔具 |
| 3.1.1 主绳 |
| 3.1.2 支绳 |
| 3.1.3 钓钩 |
| 3.1.4 浮子绳 |
| 3.1.5 浮子 |
| 3.1.6 无线电浮标 |
| 3.1.7 其它渔具配件 |
| 3.2 渔具装配 |
| 3.3 渔法 |
| 3.3.1 探索渔场 |
| 3.3.2 放钓 |
| 3.3.3 钓位深度的调整 |
| 3.3.4 起钓 |
| 3.3.5 投绳及起钩时间的调整 |
| 3.3.6 钓饵的选择 |
| 3.3.7 渔获物处理 |
| 第四章 长鳍金枪鱼、大眼金枪鱼渔场分布与环境因子关系 |
| 4.1 南印度洋金枪鱼渔场环境因子分析 |
| 4.1.1 水温 |
| 4.1.2 盐度 |
| 4.1.3 叶绿素 |
| 4.2 长鳍金枪鱼、大眼金枪鱼CPUE空间分布 |
| 4.3 不同因子对长鳍金枪鱼、大眼金枪鱼CPUE的影响 |
| 4.4 GAM模型分析 |
| 4.4.1 模型因子与长鳍金枪鱼CPUE的关系 |
| 4.4.2 模型因子与大眼金枪鱼CPUE的关系 |
| 第五章 长鳍金枪鱼、大眼金枪鱼生物学特性 |
| 5.1 渔获组成 |
| 5.1.1 长鳍金枪鱼、大眼金枪鱼CPUE各月比较 |
| 5.1.2 长鳍金枪鱼、大眼金枪鱼渔获效率各月比较 |
| 5.2 长鳍金枪鱼、大眼金枪鱼产量变动趋势 |
| 5.2.1 周尾数情况 |
| 5.2.2 周产量情况 |
| 5.3 体型与生长 |
| 5.3.1 叉长组成 |
| 5.3.2 体重组成 |
| 5.3.3 叉长与体重的关系 |
| 5.4 繁殖与摄食 |
| 5.4.1 性别比与分布 |
| 5.4.2 性腺成熟度 |
| 5.4.3 摄食等级组成 |
| 第六章 讨论与展望 |
| 6.1 金枪鱼延绳钓捕捞技术分析 |
| 6.1.1 钓具选择性 |
| 6.1.2 饵料选择性 |
| 6.2 钓获率与环境因子关系 |
| 6.3 渔业生物学特征 |
| 6.3.1 叉长与体重 |
| 6.3.2 摄食 |
| 6.3.3 性比 |
| 6.3.4 性腺成熟度 |
| 6.4 不足与展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文及研究成果 |
（4）基于卷积神经网络的西北太平洋柔鱼渔场预报模型构建（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 研究现状 |
| 1.4 研究内容与技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 第二章 材料与方法 |
| 2.1 研究区域 |
| 2.2 研究数据 |
| 2.2.1 数据来源 |
| 2.2.2 生产数据的预处理 |
| 2.2.3 海洋数据的预处理 |
| 2.3 研究方法 |
| 2.3.1 深度学习方法 |
| 2.3.2 网络模型结构 |
| 2.3.3 渔场概率计算方法 |
| 2.3.4 模型评价指标 |
| 2.3.5 模型预报效果的检验方法 |
| 第三章 基于卷积神经网络的西北太平洋柔鱼渔场预报模型的构建 |
| 3.1 训练数据集 |
| 3.1.1 数据集的构建 |
| 3.1.2 数据增强 |
| 3.2 训练方案 |
| 3.3 结果分析 |
| 3.3.1 柔鱼生长阶段及洄游规律对模型准确率的影响 |
| 3.3.2 渔区时空信息对模型准确率的影响 |
| 3.3.3 海洋表面温度对渔场生物生态及预报模型的影响 |
| 3.3.4 模型应用效果 |
| 3.4 小结 |
| 第四章 不同柔鱼渔场预报模型效果对比 |
| 4.1 基于海洋叶绿素数据的卷积神经网络渔场预测模型 |
| 4.1.1 数据集构建与模型训练 |
| 4.1.2 结果与分析 |
| 4.2 基于随机森林方法构建柔鱼渔场预测模型 |
| 4.2.1 随机森林方法介绍 |
| 4.2.2 随机森林的应用 |
| 4.2.3 结果与分析 |
| 4.2.4 与卷积神经网络模型的比较 |
| 第五章 总结与展望 |
| 5.1 研究总结 |
| 5.2 不足与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文 |
| 附录 |
（5）基于EMD-BiLSTM的太平洋大眼金枪鱼渔场预报模型研究（论文提纲范文）
| 1 材料与方法 |
| 1.1 试验材料 |
| 1.1.1 数据来源 |
| 1.1.2 相关性分析 |
| 1.1.3 数据归一化 |
| 1.2 方法原理 |
| 1.2.1 EMD基本原理 |
| 1.2.2 LSTM与Bi-LSTM模型介绍 |
| 1.3 试验误差分析方法 |
| 2 试验及结果分析 |
| 2.1 试验平台 |
| 2.2 试验过程 |
| 2.3 结果 |
| 2.3.1 EMD分解结果 |
| 2.3.2 预报误差结果 |
| 2.3.3 损失值结果 |
| 2.3.4 CPUE值预报结果 |
| 3 讨论 |
| 3.1 与其他预报模型的比较 |
| 3.2 其他影响因素 |
| 4 结论 |
（6）基于集成学习的大西洋热带海域黄鳍金枪鱼渔情预报（论文提纲范文）
| 1 材料与方法 |
| 1.1 数据来源与匹配 |
| 1.2 数据预处理 |
| 1.2.1 单位捕捞努力量渔获量(CPUE)计算 |
| 1.2.2 CPUE与各环境因子的相关性分析 |
| 1.2.3 非共线性海洋环境因子提取 |
| 1.2.4 数据归一化 |
| 1.3 建模方法 |
| 1.4 模型性能判断指标 |
| 1.5 中心渔场的确定 |
| 2 结果与分析 |
| 2.1 黄鳍金枪鱼CPUE的分布 |
| 2.2 预测结果及模型性能 |
| 2.3 中心渔场 |
| 3 讨论 |
| 3.1 模型对比分析 |
| 3.2 环境变量的选择 |
| 3.2.1 环境变量共线性分析的必要性 |
| 3.2.2 共线性分析方法的可靠性 |
| 3.2.3 建模所用的环境因子 |
| 3.3 展望 |
（7）金枪鱼延绳钓渔获性能研究进展（论文提纲范文）
| 1 钓具选择性 |
| 2 钓钩深度 |
| 3 诱饵选择性 |
| 4 环境因子 |
| 5 钓具浸泡时长 |
| 6 总结与展望 |
| 6.1 前人研究取得的成果 |
| 6.2 存在的不足 |
| 6.3 建议与展望 |
（8）毛里塔尼亚海域短线竹■鱼时空分布与海洋环境的关系（论文提纲范文）
| 1 材料与方法 |
| 1.1 调查方法 |
| 1.1.1 调查船及基本信息 |
| 1.1.2 调查时间、海域及站点分布 |
| 1.1.3 调查的渔具渔法 |
| 1.1.4 调查仪器、方法及内容 |
| 1.2 数据处理方法 |
| 1.2.1 CPUE的计算方法 |
| 1.2.2 海洋环境因子值的计算方法 |
| 1.3 建立短线竹鱼CPUE预测模型 |
| 1.4 栖息地综合指数(IHI)计算方法 |
| 1.5 IHI 模型预测能力的验证和评价 |
| 2 结果与分析 |
| 2.1 分位数回归得出的预测模型 |
| 2.2 IHI模型验证 |
| 2.3 IHI模型的定性评价 |
| 3 讨论 |
| 3.1 用分位数回归模型及相关统计检验方法的依据 |
| 3.2 海洋环境因子的影响与时空分布 |
| 3.3 建议 |
| 3.4不足与展望 |
（9）东南印度洋长鳍金枪鱼延绳钓渔场探捕浅析（论文提纲范文）
| 1 材料与方法 |
| 1.1 探捕时间与海域 |
| 1.2 探捕渔船和钓具 |
| 1.3 探捕作业 |
| 1.4 数据记录和处理 |
| 1.5 上钩率与渔获效率 |
| 2 结果与分析 |
| 2.1 主要渔获种类 |
| 2.2 渔获组成及渔获情况 |
| 2.3 按纬度重心分海域主要金枪鱼渔获情况 |
| 2.3.1 长鳍金枪鱼 |
| 2.3.2 大眼金枪鱼 |
| 2.3.3 黄鳍金枪鱼 |
| 2.4 其他鱼种 |
| 3 资源利用前景分析与讨论 |
| 3.1 主要鱼种资源利用前景分析 |
| 3.1.1 长鳍金枪鱼 |
| 3.1.2 大眼金枪鱼 |
| 3.1.3 黄鳍金枪鱼 |
| 3.1.4 剑鱼 |
| 3.1.5 蛇鲭 |
| 3.1.6 斑点月鱼 |
| 3.1.7 其他杂鱼 |
| 4 结论与建议 |
（10）中西太平洋温跃层的可视化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 引言 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 温跃层研究进展 |
| 1.3.2 Argo数据的发展状况 |
| 1.3.3 温跃层和ENSO的关系研究进展 |
| 1.3.4 金枪鱼渔场与海洋环境关系研究情况 |
| 1.4 研究内容和技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 第二章 材料与方法 |
| 2.1 研究海域 |
| 2.2 数据来源 |
| 2.2.1 海洋环境数据 |
| 2.2.2 生产统计数据 |
| 2.2.3 ONI指数(海洋尼诺指数)数据 |
| 2.3 数据处理 |
| 2.3.1 BOA_Argo数据处理 |
| 2.3.2 CPUE的计算 |
| 2.4 计算方法原理 |
| 2.4.1 Akima插值法 |
| 2.4.2 垂直梯度法 |
| 2.4.3 广义可加模型分析 |
| 第三章 温跃层和异常气候现象 |
| 3.1 温跃层 |
| 3.1.1 温跃层的判定方法 |
| 3.1.2 温跃层的合并 |
| 3.1.3 温跃层的选取 |
| 3.2 异常气候现象 |
| 3.2.1 厄尔尼诺现象 |
| 3.2.2 拉尼娜现象 |
| 第四章 异常气候下温跃层各参数分布变化 |
| 4.1 厄尔尼诺事件和拉尼娜事件对温跃层的影响 |
| 4.1.1 不同强度拉尼娜和厄尔尼诺事件温跃层的上界温度 |
| 4.1.2 不同强度拉尼娜和厄尔尼诺事件温跃层的上界深度 |
| 4.1.3 不同强度拉尼娜和厄尔尼诺事件温跃层的强度分布 |
| 4.1.4 不同强度拉尼娜和厄尔尼诺事件温跃层的厚度分布 |
| 4.2 异常气候年对温跃层及黄鳍金枪鱼CPUE分布影响的对比分析 |
| 4.2.1 温跃层的上界温度与CPUE的叠加分布 |
| 4.2.2 温跃层的上界深度与CPUE的叠加分布 |
| 4.2.3 温跃层的强度与CPUE的叠加分布 |
| 4.2.4 温跃层的厚度与CPUE的叠加分布 |
| 4.2.5 中西太平洋黄鳍金枪鱼 CPUE 随经纬度分布 |
| 4.3 小结 |
| 第五章 GAM模型分析 |
| 5.1 GAM模型 |
| 5.2 分析结果 |
| 第六章 结论与展望 |
| 6.1 研究总结 |
| 6.2 不足与展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文及研究成果 |
四、大西洋大眼金枪鱼渔场、资源及环境特征的研究（论文参考文献）
- [1]大西洋热带水域大眼金枪鱼渔情预报模型比较[D]. 任士雨. 上海海洋大学, 2021(01)
- [2]大洋不同种柔鱼渔场时空分布及其对环境因子的响应[D]. 崔国辰. 浙江海洋大学, 2021
- [3]南印度洋金枪鱼捕捞技术、渔场及渔业生物学特性研究[D]. 龚慧. 浙江海洋大学, 2021
- [4]基于卷积神经网络的西北太平洋柔鱼渔场预报模型构建[D]. 朱浩朋. 上海海洋大学, 2021(01)
- [5]基于EMD-BiLSTM的太平洋大眼金枪鱼渔场预报模型研究[J]. 袁红春,张永,张天蛟. 渔业现代化, 2021(01)
- [6]基于集成学习的大西洋热带海域黄鳍金枪鱼渔情预报[J]. 宋利明,任士雨,张敏,隋恒寿. 中国水产科学, 2021(08)
- [7]金枪鱼延绳钓渔获性能研究进展[J]. 宋利明,许回. 中国水产科学, 2021(07)
- [8]毛里塔尼亚海域短线竹■鱼时空分布与海洋环境的关系[J]. 宋利明,徐双泉,许回,陈明锐,Ebango Ngando Narcisse. 海洋渔业, 2020(05)
- [9]东南印度洋长鳍金枪鱼延绳钓渔场探捕浅析[J]. 王晓晴,林宇,吴锦仁. 渔业信息与战略, 2020(03)
- [10]中西太平洋温跃层的可视化研究[D]. 陈亮亮. 浙江海洋大学, 2020(01)