黄鳍金枪鱼(Thunnus albacares)广泛分布于三大洋的热带和亚热带海域[1-2]，是世界金枪鱼渔业中产量仅次于鲣(Katsuwonus pelamis)的经济鱼种[3]。因其分布较广且具有高度洄游的特性[4]，精确的渔情预报成为提高黄鳍金枪鱼渔获产量，减少寻鱼时间和成本的必要条件。为此，国内外学者[5-6]利用各种预测模型基于环境因子和气候因子对渔场时空分布和渔业资源丰度预报开展了相关研究，如周为峰等[7]利用贝叶斯预报模型分析认为，使用海表温度(SST)和海面高度(SSH)双环境因子预测的黄鳍金枪鱼渔场比使用SST单环境因子的预测精度高。丁鹏等[8]利用BP神经网络模型研究认为，海表面温度异常值(SSTA)指数与智利竹筴鱼(Trachurus murphyi)渔场重心在经度上呈现显著负相关，在纬度上呈现显著正相关。许回[9]利用长短期记忆网络模型(LSTM)预测了长鳍金枪鱼(Thunnus alalunga)的单位捕捞努力量渔获量(catch per unit effert CPUE)，并认为1°×1°的空间分辨率预测效果最优。袁红春等[10]利用卷积神经网络模型(Convolutional Neural Network)对长鳍金枪鱼渔场进行预报，预测结果准确率达到72%。上述模型均为利用海洋环境因子数据直接结合CPUE原始序列进行预测，受CPUE原始序列的波动性和无序性影响较大，预测的难度较大且误差偏大。若将原始序列特征对预报模型的不良影响降到最低，则有望得到预测误差更小的预测结果。为寻求渔情预报中更为精确的预测模型，本文对比卷积神经网络结合双向长短期记忆网络模型[11](convalutional neural network-bidirectional long short term memory)、CNN、长短期记忆网络模型(long short term memory)、双向长短期记忆网络模型(bidirectional long short term memory)和BP神经网络等模型的预测效果，以期找到预测精度更高的渔场预测模型，为中国大洋性黄鳍金枪鱼延绳钓渔业的可持续开发提供科学依据。
1 材料与方法
1.1 数据来源
以大西洋延绳钓渔船作业范围(14°20′S-15°20′N，47°30′W-2°30′E)为研究海域。渔业生产数据来源于中水集团远洋股份有限公司13艘延绳钓渔船2016—2019年1—12月11 748 条渔捞日志，包括船名、作业日期(年/月/日)、经度、纬度、渔获信息(鱼种、产量、尾数和下钩数)。环境数据来源于哥白尼海洋环境检测服务中心(http：//marine.copernicus.eu)所提供的叶绿素a浓度(chorophyll a concentration，Chl a)、涡动能(eddy kinetic energy，EKE)、0～500 m水层的垂直温度(temperature，T)和盐度(salinity，S)，海表面风速(wind spend，WS)由美国国家海洋和大气管理局(https：//www.esrl.noaa.gov)提供，时间分辨率为天，空间分辨率为0.25°×0.25°。
1.2 方法
1.2.1 CPUE计算 将黄鳍金枪鱼的渔区以0.25°×0.25°的网格进行划分，依据每个渔区内的总钓钩数来计算黄鳍金枪鱼的CPUE(尾/千钩)，时间分辨率为天。计算公式[12]为
CPUE(i，j)=F(i，j)/H(i，j)×1 000。
(1)
式中：F和H依次为在i经度、j纬度的黄鳍金枪鱼渔获尾数和总投钩数(ind.)。
1.2.2 CPUE与各环境因子的相关性分析和共线性分析 由于不同数据集间的量级不同，在建模分析时会导致误差的产生。为保证模型的准确性需将不同数据集进行归一化处理，本文依据Min-Max归一化[13]将黄鳍金枪鱼CPUE和环境因子数据映射到[0，1]之间，计算公式[13]为
d=(P-Pmin)/(Pmax-Pmin)。
(2)
式中：d为归一化后的值，P为实际值，Pmax和Pmin分别为实际值的最大值和最小值。
为避免选取的海洋环境因子与黄鳍金枪鱼CPUE无相关性和存在共线性对模型预测精度产生影响，本研究中对各个环境因子和黄鳍金枪鱼CPUE进行相关性分析，选取显著性水平低于0.05的环境因子[14]。后依据方差膨胀因子(variance inflation factor，VIF)值进行共线性诊断，若VIF≥10则认为两个变量间存在共线性问题[15]，反之则认为两个变量间不存在共线性问题。剔除VIF大于10的环境因子，直至所有的环境因子VIF均小于10结束。方差膨胀因子(VIF)计算公式[16]为
FVIF=1/(1-R2)。
(3)
式中：R为第i个变量的方差比例。
1.2.3 各个环境因子重要性分析 各个环境因子与黄鳍金枪鱼CPUE的Spearman相关系数得出每个变量对黄鳍金枪鱼资源丰度的相对重要性[17]，相对重要性计算公式[17]为
(4)
式中：Di、Pi分别表示第i个变量的相对重要性，第i个变量和黄鳍金枪鱼CPUE的Spearman相关系数，m表示变量因子的总数。
1.3 模型建立
1.3.1 CNN模型介绍 CNN模型由卷积层和池化层堆叠组成[18]，数据由卷积层经过卷积运算提取局部空间特征，由池化层进行特征降维剔除冗余特征[19]。CNN模型能够较好地处理大规模的高维数据时所存在的内存溢出问题[20]。CNN模型的设置参数为卷积核3×1；最大迭代次数400；学习率下降因子0.5。具体的卷积计算公式[18]为
(5)
式中：conv为卷积操作，
和
分别为卷积的输出和输入，l为层数，i和j分别表示卷积过程的处理位置，
为该卷积层的权重，
为卷积层的偏置，使用ReLU函数为激活函数[21]，其计算公式为
(6)
1.3.2 LSTM、BiLSTM和CNN-BiLSTM模型介绍 LSTM模型是递归神经网络RNN改进的模型，相较于RNN模型，LSTM模型在其神经元内添加了门结构[22]，依次为输入门、输出门和遗忘门，可以有效解决RNN模型在预测时的梯度消失问题，计算公式[23]为
ft=α[Wf(ht-1，xt)+bf]，
(7)
it=α(Wi[ht-1，xt]+bi)，
(8)
gt=tanh(Wg[ht-1，xt]+bg)，
(9)
ot=α(Wo[ht-1，xt]+bo)，
(10)
ct=ftct-1+itct]，
(11)
ht=ottanh(ct)。
(12)
式中：ft为遗忘门的计算变量；α和tanh分别为激活函数；ht-1、ht为前一个向量对当前向量的输出；xt为t时刻输出；it和gt为输入门更新率；Wf、Wi、Wg、Wo分别为遗忘门、输入门、输出门的权重；ot为输入值对应的当前输出；bf、bi、bg、bo为相应门的偏置值；ct-1、ct分别为t-1、t时刻的状态记忆变量；ct为状态更新向量。
而BiLSTM模型则在LSTM模型的基础上增加了后向的训练，使LSTM模型在前后方向共同训练数据。让每一个数据都能正反经过该网络，提高了LSTM模型预测的可靠性[24]。
CNN-BiLSTM模型结构是将环境因子和黄鳍金枪鱼CPUE数据经过CNN模型完成特征变量的筛选后，在BiLSTM模型中进行预测，主要分为输入层、CNN层、Dropout层、BiLSTM层、全连接层、输出层[24]。模型参数设置为卷积核模型2×1；最大迭代次数为400；初始学习率为0.01。
1.3.3 BP神经网络模型介绍 BP神经网络模型[6]属于多层前向神经网络，其主要的特点是信号前向传播，而误差反向传播，以海洋环境因子结合经纬度及黄鳍金枪鱼CPUE数据作为输入因子，黄鳍金枪鱼CPUE作为输出因子，隐含层为1层，隐含层节点数取18[25]；学习率设置为0.01，神经网络模型结构如图1所示。
图1 BP神经网络模型结构
Fig.1 Structure of BP neural network model
1.3.4 模型训练及模型对比 本研究中将2016—2019年大西洋黄鳍金枪鱼延绳钓11 748条CPUE数据和对应的海洋环境因子数据随机划分为训练集(80%)和测试集(20%)[25]，以海洋环境因子数据作为输入变量，黄鳍金枪鱼CPUE数据作为输出变量。在matlab(R2023a)软件中依次用CNN、LSTM、BiLSTM、BP、CNN-BiLSTM共5种回归预测模型进行训练。为确保模型训练的准确度，本文所使用的模型均采用网格搜索和两次交叉验证训练法得到最优参数[14]，依据平均绝对误差(mean absolute error，MAE)和均方根误差(root mean squard error，RMSE)均值来评价模型性能。MAE是预测值和实际值之间绝对误差的平均值，其值越小预测精度越高，RMSE是预测值和实际值之间的样本标准差，RMSE越小离散程度越小。选择最优预测模型的预测结果在ArcGIS中绘制黄鳍金枪鱼CPUE分布图。计算公式[25-26]为
(13)
(14)
式中：MAE和RMSE分别为平均绝对误差和均方根误差，Dt为t日黄鳍金枪鱼CPUE预测值；Pt为t日黄鳍金枪鱼CPUE实际值；n为测试集个数。
2 结果与分析
2.1 黄鳍金枪鱼CPUE年际季节性分布
黄鳍金枪鱼CPUE值月度均值变化如图2所示，从图2可知，在2016年CPUE值为0.69～1.53 尾/千钩，其中，最低CPUE值出现在6月，最高CPUE值出现在12月。2017年CPUE值为0.54～1.8 尾/千钩，其中，最低CPUE值出现在7月，最高CPUE值出现在1月。2018年CPUE值为0.64～1.53 尾/千钩，其中，最低CPUE值出现在8月，最高CPUE值出现在2月，2019年CPUE值为0.63～1.50 尾/千钩，其中，最低CPUE值出现在7月，最高CPUE值出现在12月。CPUE高值多集中在12—2月，低值多集中在6—8月，呈现明显的季节分布特性。
图2 各月份黄鳍金枪鱼CPUE变化
Fig.2 Change in CPUE of yellowfin tuna by month
黄鳍金枪鱼CPUE季度空间变化如图3所示，黄鳍金枪鱼CPUE从第一季度(2016—2019年1—3月)到第二季度(2016—2019年4—6月)，在纬度上呈现向南移动，在经度上向东移动，渔场也随着时间的变化分布范围逐渐扩散。第二季度到第三季度(2016—2019年7—9月)，黄鳍金枪鱼CPUE在纬度上继续向南移动，在经度上继续向东移动，渔场有集中的趋势。第三季度到第四季度(2016—2019年10—12月)，黄鳍金枪鱼CPUE在纬度上转向北移动，经度上转向西移动，渔场分为两个海域，且整体上第四季度黄鳍金枪鱼CPUE处于较高水平。
本图基于自然资源部标准地图服务网站GS(2016)2952号标准地图为底图，底图边界无修改。
The figure is based on the standard map GS(2016)2952 in the Standard Map Service website of Ministry of Natural Resources of the People’s Republic of China，with no modifications of the boundaries in the standard map.
图3 各季度黄鳍金枪鱼CPUE变化
Fig.3 Change in CPUE of yellowfin tuna by season
2.2 海洋环境因子与黄鳍金枪鱼CPUE相关性分析
黄鳍金枪鱼CPUE与海洋环境因子相关性分析如表1所示，从表1可知，根据显著性水平低于0.05，选择Lon、Lat、Chl a、WS、EKE、T0、T50、T100、T200、T250、T300、S200、S500共计13个数据集，本研究中对此进行了研究比较，分析表明，T100、S200、Lat、T300为影响黄鳍金枪鱼CPUE的关键影响因素。
表1 黄鳍金枪鱼CPUE与海洋环境因子相关性分析
Tab.1 Correlation analysis on the relationship between Thunnus albacares CPUE and environmental variable factors
环境因子environment variable相关系数correlation coefficientP值P value环境因子environment variable相关系数correlation coefficientP值P valueLon-0.1580T250-0.0570Lat0.1270T300-0.0320.001Chl a-0.0760T400-0.0110.239WS0.0530T500-0.0020.860EKE0.0280.002S100-0.0050.558T00.1310S200-0.0360T500.1030S300-0.0150.108T1000.0510S4000.0120.180T1500.0090.325S5000.0200.030T200-0.0470
注：加粗数字表示显著性水平高于0.05。
Note：Bold numbers indicate a significance level above 0.05.
由图4相关关系选择后的环境变量VIF值可知，VIF小于10的有Lon、Lat、Chl a、WS、EKE、T0、T50、T100、T300、S200、S500共计11个变量，故本文选择这11个海洋环境因子作为因变量进行模型训练。
图4 多重共线性分析结果
Fig.4 Results of multi-collinearity diagnosis
2.3 环境因子的重要性
各个环境因子对黄鳍金枪鱼CPUE影响指数如表2所示，重要性指数从大到小依次为T100、S200、Lat、T300、Lon、S500、WS、chl a、T0、T50、EKE，对应的重要性指数为18.14%、12.8%、12.09%、11.74%、9.25%、8.53%、8.18%、7.82%、5.33%、4.98%、1.14%。其中，T100、S200、Lat、T300的重要性指数之和约占55%，表明T100、S200、Lat、T300为影响黄鳍金枪鱼CPUE的关键环境因子，其中重要性指数最大的为T100，重要性指数最小的为EKE，两者差异15.9倍。
表2 环境因子相对重要性
Tab.2 Relative importance of the environmental factors
环境因子environmental factor重要性/%relative importance环境因子environmental factor重要性/%relative importanceLon9.25T504.98Lat12.09T10018.14Chl a7.82T30011.74WS8.18S20012.80EKE1.14S5008.53T05.33
2.4 预测结果及模型对比
从图5可见，MAE值由大到小的模型排序为CNN>BP>LSTM>BiLSTM>CNN-BiLSTM，其中，CNN-BiLSTM模型的MAE取值最小，表明CNN-BiLSTM模型在6个不同预测模型中预测的黄鳍金枪鱼CPUE精度最高。RMSE值由大到小的模型排序依次为BP>CNN>LSTM>BiLSTM>CNN-BiLSTM，其中，CNN-BiLSTM模型预测的RMSE值在6个预测模型中也呈现最低，表示CNN-BiLSTM模型预测的结果离散度最低。综合来看，CNN-BiLSTM模型的预测精度要强于其他5种预测模型的预测效果。
图5 预测误差统计结果
Fig.5 Prediction error statistics results
CNN-BiLSTM模型预测的黄鳍金枪鱼CPUE月度之和的预测值与实际值对比可知，黄鳍金枪鱼CPUE预测值与实际值月度之和变化趋势基本一致，第一季度和第四季度的CPUE显著高于第二季度和第三季度的CPUE，对CPUE的实际值与预测值线性拟合(图7)，R2为0.897，表明线性拟合的拟合优度好；显著性小于0.001，表明线性拟合具有显著性；回归方程为y=0.759 4x+40.114，线性拟合结果表明，CNN-BiLSTM模型预测的黄鳍金枪鱼CPUE预测值与实际值的线性拟合效果良好(图6)。
图6 黄鳍金枪鱼CPUE预测值与真实值对比
Fig.6 Comparison between the observed CPUE and the predictive CPUE values of Thunnus albacares
图7 黄鳍金枪鱼CPUE预测值与实际值线性关系图
Fig.7 Linear relationship between the observed catches and predictive values of Thunnus albacares
3 讨论
3.1 环境变量的选择
由于渔情预报建模过程中训练数据的环境因子间存在多重共线性的问题较为常见，本文基于相关性分析和共线性分析从19个影响黄鳍金枪鱼CPUE预测精度的海洋环境因子中筛选出叶绿素a浓度等11个海洋环境因子作为模型训练的训练集，避免了模型输入变量之间存在共线性而导致模型预测精度下降的问题[14]，有效地提高了模型训练效率。虽然模型训练时会自动消除多重共线性对预测结果的影响，但变量之间较强的共线性会使变量在模型训练中信息相互叠加，导致数据出现冗余，造成模型运行速率降低和预测精度的下降的问题[1]，因此，本文最终确定的11个入模变量具有一定的科学性和合理性。
3.2 环境因子重要性分析
由模型的相对重要性分析得出的T100、S200、Lat、T300为影响黄鳍金枪鱼CPUE的关键影响因素，与张春玲等[27]、杨胜龙等[28]认为次表面温度对黄鳍金枪鱼延绳钓CPUE的影响大于海表面温度的研究结果相一致。分析表明，这可能由于黄鳍金枪鱼在温跃层更易觅食，温跃层通过影响黄鳍金枪鱼的捕食活动进而影响黄鳍金枪鱼的资源丰度[27，29]。海洋环境因子S200对黄鳍金枪鱼的影响间接证明了黄鳍金枪鱼具有垂直游动的特性[14]。温度和盐度影响黄鳍金枪鱼的CPUE，Chen等[30]也有类似的结论。纬度作为影响黄鳍金枪鱼CPUE的原因，可能是因为其属于暖水性鱼种且主要分布在热带和亚热带水域[29]，纬度相较于经度会对其具有更显著的影响，王少琴等[31]的研究结果也与此结果相一致。本研究结果表明，大西洋黄鳍金枪鱼CPUE具有明显的季节性变化，高CPUE多集中于12月—翌年2月，低CPUE多集中于6—8月，分析认为这可能与温跃层的上界温度和深度有关，温跃层上界温度和深度也存在明显的季节性变化[32]。黄鳍金枪鱼是暖水性的鱼类，栖息和产卵需要一定的水温，因此温跃层的上界温度会影响黄鳍金枪鱼的空间分布[33]，因此，当温跃层深度变浅，黄鳍金枪鱼垂直运动范围受限，分布则会集中，使黄鳍金枪鱼的CPUE增加。杨胜龙等[32-33]研究认为，大眼金枪鱼的栖息深度会随着温跃层的变浅而变浅，温跃层变浅，大眼金枪鱼的可捕量增加等研究结果与本结论相同。
3.3 模型对比分析
本文所用的5种预测模型预测黄鳍金枪鱼的资源丰度结果由RMSE和MAE判断认为，CNN-BiLSTM模型的预测精度优于其他传统模型，如BP神经网络模型[6，34]，在预测中缺乏记忆单元，只能凭借经验反复地调整神经元间的权值及增加隐含层的层数来达到预测的目的。随机森林模型[7]，在结合多种环境因子对渔获量进行预测时存在预报误差偏大的现象，而且在对高维数据处理方面存在短板。本文所使用的LSTM模型，通过增加的4个门来避免梯度消失的问题，同时具有记忆信息的特点，并且能够更好地应对数据间的差异[22]。而BiLSTM模型[35-36]，在LSTM模型基础上增加了逆向预测，减少了单方向预测的误差。在此基础上，增加了CNN层，能够提取所输入的序列获取高维的特征序列，进一步减少了预测的误差。本文构建了基于CNN-BiLSTM模型的黄鳍金枪鱼资源丰度预测的新模型，该模型能够有效降低数据的波动性与无序性对结果的影响，弥补了传统预测模型的不足。本文利用平均绝对误差MAE和均方根误差RMSE值来对结果进行对比。5个预测模型的训练结果显示，CNN-BiLSTM模型预报的RMSE和MAE均为最小，这表明CNN-BiLSTM模型在渔业预报中使用效果良好，并具有一定的优势。CNN-BiLSTM模型预测的黄鳍金枪鱼CPUE预测值和实际值的R2为0.897，显著性小于0.001，回归方程为y=0.759 4x+40.114，表明CNN-BiLSTM模型预测的黄鳍金枪鱼CPUE预测值与实际值的线性拟合效果良好。
4 结论
1)本文基于相关性分析和共线性分析从19个影响黄鳍金枪鱼CPUE预测精度的海洋环境因子中筛选出叶绿素a浓度、海表温度、涡动能、海面风速等11个海洋环境因子作为模型训练的训练集。
2)由模型的相对重要性分析得出的T100、S200、Lat、T300为影响黄鳍金枪鱼CPUE的关键影响因素。
3)本文所用的5种预测模型预测黄鳍金枪鱼的资源丰度结果由RMSE和MAE判断，认为CNN-BiLSTM模型的预测精度优于其他传统模型。
4)最优预测模型CNN-BiLSTM模型预测的黄鳍金枪鱼CPUE预测值和实际值的回归方程为y=0.759 4x+40.114，R2为0.897，显著性小于0.001。
[1] 官文江,朱江峰,田思泉.应用贝叶斯生物量动态模型评估印度洋黄鳍金枪鱼资源[J].中国水产科学,2018,25(3):621-631.
GUAN W J,ZHU J F,TIAN S Q.Assessment of the Indian Ocean yellowfin tuna(Thunnus albacares) using a Bayesian biomass dynamic model[J].Journal of Fishery Sciences of China,2018,25(3):621-631.(in Chinese)
[2] NIMIT K,MASULURI N K,BERGER A M,et al.Oceanographic preferences of yellowfin tuna (Thunnus albacares) in warm stratified oceans:a remote sensing approach[J].International Journal of Remote Sensing,2020,41(15):5785-5805.
[3] 宋利明,任士雨,张敏,等.基于集成学习的大西洋热带海域黄鳍金枪鱼渔情预报[J].中国水产科学,2021,28(8):1069-1078.
SONG L M,REN S Y,ZHANG M,et al.Fishing ground forecasting models for yellowfin tuna(Thunnus albacares) in the tropical waters of the Atlantic Ocean based on ensemble learning[J].Journal of Fishery Sciences of China,2021,28(8):1069-1078.(in Chinese)
[4] 赵海龙,陈新军,方学燕.基于栖息地指数的东太平洋黄鳍金枪鱼渔场预报[J].生态学报,2016,36(3):778-785.
ZHAO H L,CHEN X J,FANG X Y.Forecasting fishing ground of yellowfin tuna in the Eastern Pacific Ocean based on the habitat suitability index[J].Acta Ecologica Sinica,2016,36(3):778-785.(in Chinese)
[5] 陈雪忠,樊伟,崔雪森,等.基于随机森林的印度洋长鳍金枪鱼渔场预报[J].海洋学报,2013,35(1):158-164.
CHEN X Z,FAN W,CUI X S,et al.Fishing ground forecasting of Thunnus alalung in Indian Ocean based on random forest[J].Acta Oceanologica Sinica,2013,35(1):158-164.(in Chinese)
[6] 高子玥.基于机器学习的南太平洋长鳍金枪鱼资源丰度预测与渔场分布研究[D].上海:上海海洋大学,2021.
GAO Z Y.Research on the resource abundance forecast and fishing ground distribution of South Pacific albacore based on machine learning[D].Shanghai:Shanghai Ocean University,2021.(in Chinese)
[7] 周为峰,黎安舟,纪世建,等.基于贝叶斯分类器的南海黄鳍金枪鱼渔场预报模型[J].海洋湖沼通报,2018(1):116-122.
ZHOU W F,LI A Z,JI S J,et al.Forecasting model for yellowfin tuna (Thunnus albacares) fishing ground in the South China Sea based on Bayes classifier[J].Transactions of Oceanology and Limnology,2018(1):116-122.(in Chinese)
[8] 丁鹏,邹晓荣,白思琦,等.东南太平洋智利竹筴鱼渔场时空分析与资源丰度的预测[J].大连海洋大学学报,2021,36(4):629-636.
DING P,ZOU X R,BAI S Q,et al.Spatial and temporal analysis and stock abundance prediction of Chilean jack mackerel Trachurus murphyi in fishing ground in Southeast Pacific[J].Journal of Dalian Ocean University,2021,36(4):629-636.(in Chinese)
[9] 许回.不同空间分辨率对LSTM渔场预报精度的影响及在最佳空间分辨率下其预报结果与QRM结果的比较:以库克群岛海域长鳍金枪鱼为例[D].上海:上海海洋大学,2022.
XU H.The impacts of different spatial resolutions on the fishing ground prediction accuracy of LSTM and the comparison between its prediction accuracy and that of the quantile regression model under the optimal spatial resolution[D].Shanghai:Shanghai Ocean University,2022.(in Chinese)
[10] 袁红春,陈冠奇,张天蛟,等.基于全卷积网络的南太平洋长鳍金枪鱼渔场预报模型[J].江苏农业学报,2020,36(2):423-429.
YUAN H C,CHEN G Q,ZHANG T J,et al.Fishing ground forecast model of albacore tuna based on fully convolutional networks in the South Pacific[J].Jiangsu Journal of Agricultural Sciences,2020,36(2):423-429.(in Chinese)
[11] 丁鹏,邹晓荣,丁淑仪,等.基于CNN-BiLSTM模型的黄鳍金枪鱼渔获量与气候因子关系研究[J].南方水产科学,2024,20(2):19-26.
DING P,ZOU X R,DING S Y,et al. Study on relationship between Thunnus albacares catches and climatic factors based on CNN-BiLSTM model [J].South China Fisheries Science,2024,20(2):19-26. (in Chinese)
[12] 叶佳铭.大西洋大眼金枪鱼CPUE与海洋环境因子的关系研究[D].上海:上海海洋大学,2022.
YE J M.Study on the relationship between CPUE and marine environmental factors of Atlantic bigeye tuna[D].Shanghai:Shanghai Ocean University,2022.(in Chinese)
[13] 杨寒雨,赵晓永,王磊.数据归一化方法综述[J].计算机工程与应用,2023,59(3):13-22.
YANG H Y,ZHAO X Y,WANG L.Review of data normalization methods[J].Computer Engineering and Applications,2023,59(3):13-22.(in Chinese)
[14] 张聪,周为峰,唐峰华,等.基于机器学习的中西太平洋黄鳍金枪鱼渔场预报模型[J].农业工程学报,2022,38(15):330-338.
ZHANG C,ZHOU W F,TANG F H,et al.Forecasting models for yellowfin tuna fishing ground in the Central and Western Pacific based on machine learning[J].Transactions of the Chinese Society of Agricultural Engineering,2022,38(15):330-338.(in Chinese)
[15] AKINWANDE M O,DIKKO H G,SAMSON A.Variance inflation factor:as a condition for the inclusion of suppressor variable(s) in regression analysis[J].Open Journal of Statistics,2015,5(7):754-767.
[16] 高梦娟,穆川川,高彦洁,等.山东近海毛虾渔获量对捕捞压力和气候环境要素的响应[J].海洋渔业,2024,46(3):286-296.
GAO M J, MU C C, GAO Y J, et al. Responses of the Acetes chinensis catch to climate and environmental factors in Shandong coastal water[J]. Marine Fisheries,2024,46(3):286-296.(in Chinese)
[17] 宋利明,任士雨,张敏,等.基于集成学习的大西洋热带水域大眼金枪鱼渔情预报[J].水产学报,2023,47(4):64-76.
SONG L M,REN S Y,ZHANG M,et al.Fishing ground forecasting of bigeye tuna(Thunnus obesus) in the tropical waters of Atlantic Ocean based on ensemble learning[J].Journal of Fisheries of China,2023,47(4):64-76.(in Chinese)
[18] 李小平,白超,石森.基于CNN-BiLSTM模型的机车变压器油中溶解气体浓度预测方法[J].铁道学报,2022,44(5):42-48.
LI X P,BAI C,SHI S.Prediction method of dissolved gas concentration in transformer oil based on CNN-BiLSTM model[J].Journal of the China Railway Society,2022,44(5):42-48.(in Chinese)
[19] 戴建国,蒋楠,薛金利,等.基于CNN-BiLSTM的棉花产量预测方法[J].农业工程学报,2021,37(17):152-159.
DAI J G,JIANG N,XUE J L,et al.Method for predicting cotton yield based on CNN-BiLSTM[J].Transactions of the Chinese Society of Agricultural Engineering,2021,37(17):152-159.(in Chinese)
[20] 杨子民,彭小圣,熊予涵,等.计及邻近风电场信息与CNN-BiLSTM的短期风电功率预测[J].南方电网技术,2023,17(2):47-56.
YANG Z M,PENG X S,XIONG Y H,et al.Short-term wind power prediction based on information in neighboring wind farms and CNN-BiLSTM[J].Southern Power System Technology,2023,17(2):47-56.(in Chinese)
[21] 李昌响,赵嘉,韩龙哲,等.多通道CNN-BiLSTM的短时温度预测[J].江西师范大学学报(自然科学版),2023,47(3):325-330.
LI C X,ZHAO J,HAN L Z,et al.The short-time temperature prediction for multi-channel CNN-BiLSTM[J].Journal of Jiangxi Normal University (Natural Science Edition),2023,47(3):325-330.(in Chinese)
[22] 袁红春,张永,张天蛟.基于EMD-BiLSTM的太平洋大眼金枪鱼渔场预报模型研究[J].渔业现代化,2021,48(1):87-96.
YUAN H C,ZHANG Y,ZHANG T J.Research on forecast model of Pacific Thunnus obesus fishing ground based on EMD-BiLSTM[J].Fishery Modernization,2021,48(1):87-96.(in Chinese)
[23] 周凯,焦龄霄,胡志坚,等.基于注意力机制的CNN-BiLSTM操作票自动校核方法[J].武汉大学学报(工学版),2023,56(9):1114-1123.
ZHOU K,JIAO L X,HU Z J,et al.Automatic verification method of operation ticket based on attention mechanism of CNN-BiLSTM[J].Engineering Journal of Wuhan University(Engineering Edition),2023,56(9):1114-1123.(in Chinese)
[24] 李珊珊,赵春江,吴华瑞,等.基于CNN-BiLSTM融合神经网络的温室甘蓝潜在蒸散量预测[J/OL].吉林农业大学学报,2021:1-10.(2021-11-16).https://kns.cnki.net/kcms/detail/22.1100.S.20211116.1432.002.html.
LI S S,ZHAO C J,WU H R,et al.Prediction of potential evapotranspiration of greenhouse cabbage based on CNN-BiLSTM fusion neural network[J/OL].Journal of Jilin Agricultural University,2021:1-10.(2021-11-16).https://kns.cnki.net/kcms/detail/22.1100.S.20211116.1432.002.html.(in Chinese)
[25] 程懿麒,张俊波,汪金涛,等.基于神经网络的印度洋长鳍金枪鱼(Thunnus alalunga)时空分布与海洋环境关系研究[J].海洋与湖沼,2021,52(4):960-970,1-6.
CHENG Y Q,ZHANG J B,WANG J T,et al.Study on the relationship between temporal-spatial distribution of Indian Ocean albacore(Thunnus alalunga) and marine environment based on neural network[J].Oceanologia et Limnologia Sinica,2021,52(4):960-970,1-6.(in Chinese)
[26] 袁红春,高子玥,张天蛟.基于改进的XGBoost模型预测南太平洋长鳍金枪鱼资源丰度[J].海洋湖沼通报,2022,44(2):112-120.
YUAN H C,GAO Z Y,ZHANG T J.Prediction of albacore tuna abundance in south Pacific based on improved XGBoost model[J].Transactions of Oceanology and Limnology,2022,44(2):112-120.(in Chinese)
[27] 张春玲,蒋逸,王冰洋,等.中西太平洋黄鳍金枪鱼随附鱼群区域温度垂直结构的构建与初步分析[J].上海海洋大学学报,2022,31(1):233-241.
ZHANG C L,JIANG Y,WANG B Y,et al.Construction and analysis of vertical temperature structure for FAD yellowfin tuna in the Central and Western Pacific Ocean[J].Journal of Shanghai Ocean University,2022,31(1):233-241.(in Chinese)
[28] 杨胜龙,张忭忭,张衡,等.黄鳍金枪鱼垂直移动及水层分布研究进展[J].水产科学,2019,38(1):119-126.
YANG S L,ZHANG B B,ZHANG H,et al.A review:vertical swimming and distribution of yellowfin tuna Thunnus alalunga[J].Fisheries Science,2019,38(1):119-126.(in Chinese)
[29] 石肖飞,王啸,王佚兮,等.热带中西太平洋海域黄鳍金枪鱼的摄食生物学特性[J].南方水产科学,2022,18(1):43-51.
SHI X F,WANG X,WANG Y X,et al.Feeding biology of yellowfin tuna(Thunnus albacares) in tropical Central and Western Pacific Ocean[J].South China Fisheries Science,2022,18(1):43-51.(in Chinese)
[30] CHEN I C,LEE P F,TZENG W N.Distribution of albacore (Thunnus alalunga) in the Indian Ocean and its relation to environmental factors[J].Fisheries Oceanography,2005,14(1):71-80.
[31] 王少琴,许柳雄,朱国平,等.中西太平洋金枪鱼围网的黄鳍金枪鱼CPUE时空分布及其与环境因子的关系[J].大连海洋大学学报,2014,29(3):303-308.
WANG S Q,XU L X,ZHU G P,et al.Spatial-temporal profiles of CPUE and relations to environmental factors for yellowfin tuna Thunnus albacores from purse-seine fishery in Western and Central Pacific Ocean[J].Journal of Dalian Ocean University,2014,29(3):303-308.(in Chinese)
[32] 杨胜龙,马军杰,张禹,等.大西洋中部延绳钓黄鳍金枪鱼渔场时空分布与温跃层的关系[J].生态学报,2013,33(19):6345-6353.
YANG S L,MA J J,ZHANG Y,et al.Relationship between the temporal-spatial distribution of longline fishing grounds of yellowfin tuna (Thunnus albacares) and the thermocline characteristics in the Central Atlantic Ocean[J].Acta Ecologica Sinica,2013,33(19):6345-6353.(in Chinese)
[33] 杨胜龙,张胜茂,蒋兴伟,等.热带大西洋大眼金枪鱼和黄鳍金枪鱼渔场温跃层的时空变化特征[J].应用海洋学学报,2013,32(3):349-357.
YANG S L,ZHANG S M,JIANG X W,et al.Temporal and spatial variation characteristics of the thermocline in Thunnus obesus and Thunnus albacares fishing grounds in the tropical Atlantic Ocean[J].Journal of Applied Oceanography,2013,32(3):349-357.(in Chinese)
[34] 丁鹏,邹晓荣,冯超,等.东南太平洋智利竹筴鱼的洄游路线[J].大连海洋大学学报,2021,36(6):1027-1034.
DING P,ZOU X R,FENG C,et al.Migratory route of Chilean jack mackerel Trachurus murphyi in Southeast Pacific[J].Journal of Dalian Ocean University,2021,36(6):1027-1034.(in Chinese)
[35] 房崇鑫,盛震宇,夏明,等.基于CNN-BiLSTM混合神经网络的雷达信号调制方式识别[J].无线电工程,2024,54(6):1440-1445.
FANG C X,SHENG Z Y,XIA M,et al.Radar signal modulation recognition based on CNN-BiLSTM hybrid neural network[J].Radio Engineering,2024,54(6):1440-1445.(in Chinese)
[36] 国显达,那日萨,崔少泽.基于CNN-BiLSTM的消费者网络评论情感分析[J].系统工程理论与实践,2020,40(3):653-663.
GUO X D,NA R S,CUI S Z.Consumer reviews sentiment analysis based on CNN-BiLSTM[J].Systems Engineering-Theory &Practice,2020,40(3):653-663.(in Chinese)