基于多尺度地理加权回归模型的中西太平洋围网鲣渔获率环境影响机制研究.pdf

DOI:10.12131/20230014文章编号：2095 0780（2023）05 0001 10基于多尺度地理加权回归模型的中西太平洋围网鲣渔获率环境影响机制研究郑好好1，杨晓明1,2,3，朱江峰1,2,31.上海海洋大学 海洋科学学院，上海 2013062.国家远洋渔业工程技术研究中心/大洋渔业资源可持续开发教育部重点实验室，上海 2013063.农业农村部大洋渔业开发重点实验室/农业农村部大洋渔业资源环境科学观测实验站，上海 201306摘要：鲣(Katsuwonus pelamis)是中西太平洋金枪鱼围网捕捞的重要资源，其资源分布受环境影响明显。为探索环境对鲣渔获率影响的空间异质性特征，利用中西太平洋渔业委员会(Western and Central Pacific Fisheries Commission,WCPFC)所公布的20052019年中西太平洋金枪鱼围网综合的11渔业及海洋环境数据，对标准化后的环境因子及渔获率选用多尺度地理加权回归(Multi-scale Geographically Weighted Regression,MGWR)方法进行研究。结果表明：1)与传统广义加性模型(Generalized Additive Model,GAM)相比，考虑环境影响空间异质性问题的地理加权回归模型(Geographically Weighted Regression,GWR)和MGWR拟合优度(R2)有明显提升，校正后拟合优度(Adjusted R2)分别为0.273、0.846和0.871，且拟合结果的空间分布形态更符合真实情况。2)各环境因子对鲣资源分布存在显著的空间非平稳性影响。各海洋环境因子对鲣渔获率分布影响的空间异质性程度(各环境变量变异系数大小)依次为水下55 m东西向海流速度(Sea water X velocity at 55 m depth,U55)海表面温度(Sea surface temperature,SST)净初级生产力(Net primaryproductivity,NPP)100 m盐度(Sea water salinity at 100 m depth,S100)55 m南北向海流速度(Sea water Y velocity at 55 mdepth,V55)。3)各环境因子的影响存在明显尺度效应差异，NPP的作用尺度为44，其次为S100和U55(均为48)，SST的为54，V55为全局尺度。4)总体上，S100、NPP、SST、V55和U55对鲣渔获率正向影响比例依次为73.5%、64.8%、66.8%、80.8%和32.3%；其中S100、NPP和SST对鲣渔获率空间分布的影响相似，具体表现为东西向差异，170E以西主要为正向影响，170E以东为负向影响；U55为负向影响为主的因子。关键词：鲣；多尺度地理加权回归模型；空间异质性；中西太平洋中图分类号：S 931文献标志码：A 开放科学（资源服务）标识码（OSID）：Environmental impact mechanism of skipjack tuna fishery in Western andCentral Pacific Ocean based on Multi-scale Geographical WeightedRegression Model(MGWR)ZHENG Haohao1,YANG Xiaoming1,2,3,ZHU Jiangfeng1,2,31.College of Marine Sciences,Shanghai Ocean University,Shanghai 201306,China2.National Engineering Research Center for Oceanic Fisheries/Key Laboratory of Sustainable Exploitation of Oceanic FisheriesResources,Ministry of Education,Shanghai 201306,China3.Key Laboratory of Oceanic Fisheries Exploration,Ministry of Agriculture and Rural Affairs/Scientific Observing and Experimental第 19 卷第 5 期南 方 水 产 科 学Vol.19，No.52023 年 10 月South China Fisheries ScienceOct.，2023收稿日期：2023-02-09；修回日期：2023-05-06基金项目：国家重点研发计划项目(2020YFD0901202,2019YFD0901502)作者简介：郑好好(1996)，女，硕士研究生，研究方向为海洋渔业地理信息系统。E-mail:通信作者：杨晓明(1972)，男，副教授，博士，研究方向为渔业地理信息系统。E-mail:Station of Oceanic Fishery Resources,Ministry of Agriculture and Rural Affairs,Shanghai 201306,ChinaAbstract:Katsuwonus pelamis is an important resource for tuna purse seine fishing in the Western and Central Pacific Ocean,and its resource distribution is significantly affected by environment.In order to explore the characteristics of spatial hetero-geneity of environmental impact on tuna catch rate,we used the 11 fishery and marine environmental data of the Westernand Central Pacific Ocean tuna purse-seine published by the Western and Central Pacific Fisheries Commission(WCPFC)from2005 to 2019,and investigated the standardized environmental factors and catch rates by using Multi-scale GeographicallyWeighted Regression(MGWR)method.The results show that:1)Compared with the traditional Generalized Additive Model(GAM),the Geographically Weighted Regression(GWR)and MGWR with spatial heterogeneity of environmental impacts im-proved the fit performance significantly.2)Significant spatial non-stationarity was found for each environmental factor on thedistribution of tuna resources.The degree of spatial heterogeneity(The magnitude of the coefficient of variation)of each envi-ronmental factor on the distribution of tuna catch rate followed a descending order of Sea water X velocity at 55 m depth(U55)Sea surface temperature(SST)Net primary productivity(NPP)Sea water salinity at 100 m depth(S100)Sea water Y ve-locity at 55 m depth(V55).3)The effects of the environmental factors were found to have significant scale effects.4)Overall,thepositive effects of S100,NPP,SST,V55 and U55 on the catch rate of tuna were 73.5%,64.8%,66.8%,80.8%and 32.3%,respec-tively.The effects of S100,NPP and SST on the spatial distribution of bonito catch rate were similar,specifically in terms of east-westdifferences,with positive effects mainly west of 170E and negative effects east of 170E.U55 was the main factor with negativeeffects.Keywords:Katsuwonus pelamis;Multi-scale Geographically Weighted Regression(MGWR);Spatial heterogeneity;Westernand Central Pacific Ocean中西太平洋鲣(Katsuwonus pelamis)是世界上重要的渔业资源，为全球人口供应动物性蛋白质，并在出口创汇、渔业转型升级及远洋渔业相关产业发展中作出了重要贡献。金枪鱼围网渔业在我国中西太平洋远洋渔业的地位举足轻重，而鲣是围网渔业中的重要捕捞对象1。2020 年中西太平洋海域捕捞量的 72%为金枪鱼围网捕捞，其中鲣占围网总捕捞量的 82%2。多数研究认为，在影响鲣资源的重要因素中海洋环境因素不可忽视3-5，因此，开展有关海洋环境与鲣资源关系的研究具有重要意义。目前一些研究方法被广泛应用于探讨鲣资源空间分布与海洋环境之间的关系，如随机森林法则6(Random Forest,RF)、BP 神经网络7-8，广义加性模型9(Generalized Additive Model,GAM)和最大熵模型10-11(Maximum Entropy Model,MaxEnt)等。然而，这些模型并未考虑海洋环境因子影响的空间异质性问题。针对传统线性回归模型所忽略的空间异质性问题，地理加权回归模型12-13(Geo-graphically Weighted Regression,GWR)在一定程度上有所改进，但该模型只能反映各变量的平均尺度，未考虑不同变量的空间异质性尺度差异，无法体现不同环境因子的多尺度效应，因此也存在一定的估计偏差。近年来，在分析影响因素空间异质性的实证研究中，逐渐纳入多尺度地理加权回归模型14(Multi-scale Geographically Weighted Regression,MGWR)，随着相关的统计推断不断地补充完善，MGWR 模型已较普遍地应用于研究中15-16，且已证明其在空间尺度差异和异质性研究上有较好的拟合效果17。MGWR 模型考虑了各影响因子的尺度差异，本研究采用该模型方法，运用到中西太平洋鲣渔获率与海洋环境因子关系研究中，同时为探究 MGWR 模型的精度，选取了 GAM 和 GWR 模型为对照，对比分析这 3 种模型的拟合优度，探讨了不同环境因子对中西太平洋鲣渔获率空间分布的影响，选出最合适的模型，为鲣资源的养护管理和合理开发利用以及我国金枪鱼围网渔船的生产提供参考依据。1 材料与方法 1.1 数据来源1.1.1渔业数据渔业数据来源于中西太平洋渔业委员会(West-ern and Central Pacific Fisheries Commission,WCP-FC)所公布的中西太平洋海域围网渔业捕捞数据，2南 方 水 产 科 学第 19 卷本文选取 20052019 年 140E160W 和 15S15N 海域范围内的捕捞对象为鲣的数据进行研究，时间分辨率为月，空间分辨率为 11，包括年份、月份、经纬度、捕捞天数及渔获量等。1.1.2环境数据选取与鲣活动和栖息相关的环境因子，包括不同水层(5、55、100、150、200 m)的温度、盐度、东西向和南北向海水流速，以及净初级生产力。所有环境因子均来自参与第六次国际耦合模式比较计划(Coupled Model Intercomparison Project,CMIP6)(https:/esgf-node.llnl.gov/search/cmip6/)气候-地球系统模式研发的美国国家大气科学研究中心(National Center for Atmospheric Research,NCAR)及美国国家大气海洋局地球流体动力学实验室(National Oceanic and Atmospheric Administra-tion-Geophysical Fluid Dynamics Laboratory,NOAA-GFDL)，其中 2014 年及以前的环境数据用于评估CMIP6 地球系统模式在历史时期的模拟表现，2015 年以后使用了最新的综合评估模型和排放数据18，本文选取其中的 20052019 年的环境数据，并通过 Matlab R2018b 软件将其与渔业数据进行匹配。时间尺度为月，空间尺度为 11。1.2 数据预处理1)计算 20052019 年 11各单元渔区内的累计渔获量和累计作业时间(d)，从而获得 20052019 年各单元渔区内渔获率，即名义单位捕捞努力量渔获量(Catch per unit effort,CPUE)。2)考虑到捕捞时的效率容易受各种因素的影响而产生差异，本文采用名义 CPUE 表示渔获率的分布，其计算公式为：YCPUE(i,j)=Ucatch(i,j)fdays(i,j)(1)Ucatchfdays式中：i,j 表示作业渔船的经纬度位置；YCPUE表示名义单位捕捞努力量渔获量(td1)；表示对应地点作业渔船的累计渔获量(t)；表示在该作业位置累计作业时间(d)。1.3 模型与方法1.3.1环境因子的选取当各因子间存在多重共线性时，会出现过拟合而导致模型泛化能力降低。本文采用方差膨胀因子(Variance inflation factor,VIF)判断各海洋环境变量是否存在多重共线性，提取 VIFSSTNPPS100V55。由局部回归系数的正负值比例可知，V55 和 S100 正负值相差比例及正值比例均较大，U55 的负值比例最大。各环境因子对鲣渔获率影响的空间异质性呈现东西向差异，SST 和 NPP 对渔获率的影响主要表4 基于MGWR的各环境因子的局部系数统计描述Table 4 Statistical description of MGWR local coefficient变量Variable均值Mean标准差SD最小值Min.最大值Max.正值比例Positive ratio/%负值比例Negative ratio/%显著性检验P截距 Intercept0.0360.3500.5520.93938.97561.0251.00海表面温度 SST0.1620.3310.5551.55166.80233.1980.05100 m 水深盐度 S1000.5740.9520.3594.64973.55626.4440.0555 m 东西向海水流速 U550.1800.5042.2150.99732.30367.6970.0555 m 南北向海水流速 V550.0690.1090.1420.55380.79719.2030.05净初级生产力 NPP0.1720.3510.7871.80664.84935.151U55NPPSSTV55。2.5 模型预测结果比较分析由 GAM、GWR 和 MGWR 模型预测的中西太平洋鲣渔获率标准化后的空间分布图(图 2)可见，不同模型的预测范围有所差异，其中 GAM 模型预测的渔获率高值区介于 140E178W、5S2N 之间，预测的渔获率低值区域主要分布在研究海域外围(图 2-a)。MGWR 模型预测的渔获率高值区见图 2-b，分布在 A1 和 A2 海域范围内，渔获率低值分布范围主要在 B1、B2、B3 及 B4 附近(图 2-b)。与 GAM 模型相比，MGWR 模型预测的渔获率高值区范围较小，而低值区范围相对较广。GWR 模型预测的渔获率高值分布区域与 MGWR 模型的结果几乎一致，渔获率低值区主要为 C1、C2 和 C3(图 2-c)。与 GWR 模型相比，MGWR 模型预测的渔获率高值区域范围更集中。总体而言，由 3 个模型预测的渔获率空间分布与 20052019 年 CPUE空间分布(图 2-d)可知，与 GAM 模型相比，MG-WR 和 GWR 模型能更好地反映渔获率的分布状况。此外，由于各海洋环境因子具有空间异质性特点，GAM 模型无法明确体现其对结果产生的影响，而 MGWR 和 GWR模型均能较好地体现出这一特点。3 讨论 3.1 环境因子对鲣渔获率影响的空间异质性鲣是大洋性中上层高度洄游性鱼类24，其资源丰度、集群、资源的分布及洄游与海洋环境息息相关25。本研究中 MGWR 模型结果显示(图 1)，SST、S100、U55、V55、NPP 5 种环境因子对鲣渔获率的影响均存在显著的空间差异。S100 对鲣渔获率主要为正向影响，S100 影响下出现两个较为明显的正向区域，主要原因为赤道 170E 附近受热带东太平洋信风影响，生成了巨大的涌升流，因此形成了低温、高盐的冷舌区域26；S100 影响下另一个高值区域和赤道西太平洋“暖池”区域重合度高，“暖池”区域有高温、低盐的特征，当盐度增加时，净初级生产力提升，从而为鲣提供食物资源27，导致产生更显著的空间聚集效果(图 1-c)。U55 对研究区域内鲣渔获率主要为负向影响(图 1-d)。根据洋流分布可知，本研究区域有多条东西向暖流经过，大部分区域都受到了影响，处于洋流流经区域，因此在区域内东西向海流速度对渔获率分布差异产生了较大影响。本研究中 U55 正(b)多尺度地理加权回归模型 MGWR04 0002 000 km(a)广义加性模型 GAM渔获潜能 Potential0.1360.2520.2530.3430.3440.4360.4370.5190.5200.631160W180160E140E120E20N020S140W160W180160E140E120E20N020S140W0.0480.1540.1550.2030.2040.2750.2760.3770.3780.551渔获潜能 PotentialB1B2B3B4A1A2160W180160E140E120E20N020S140W(c)地理加权回归模型 GWRC1C2C30.0380.1660.1670.2240.2250.2940.2950.3910.3920.578渔获潜能 Potential160W180160E140E120E20N020S140W单位捕捞努力量渔获量CPUE/(td1)40(d)20052019 年单位捕捞努力量渔获量 CPUE from 2005 to 2019审图号：GS粤(2023)1090号图2 不同模型渔获潜能标准化预测及 20052019 年平均 CPUE 空间分布Fig.2 Standardized catch potential prediction and average CPUE spatial distribution of different models from 2005 to 2019第 5 期郑好好等:基于多尺度地理加权回归模型的中西太平洋围网鲣渔获率环境影响机制研究7向影响明显的区域处于赤道附近，受赤道暖流影响，洋流方向引导鱼群聚集于此28。NPP 对渔获率主要为正向影响。浮游动植物的生长通常会受到 NPP 的影响29，NPP 值越大的区域，其环境条件对鲣的生存越有利，不同季度冷暖水团的锋面位置会发生变动，NPP 通常会随冷暖水团的锋面移动30，因此本研究中 NPP 主要对鲣渔获率存在正向影响。SST 在 170E 以西对渔获率有显著的正向影响。已有研究显示，中西太平洋热带海域是一个“暖池-冷舌海洋生态系统”海域21,31，在图 1-b中，正向影响最为显著的区域基本在中西太平洋的“暖池”区域内，空间分布范围较为广泛，整体资源热度均较好，其整体环境特征是高温和相对较低的叶绿素浓度，并且“暖池”海域靠近陆地及岛屿，因此近岸上升流也提供了较充足的初级生产力32。同时在“冷舌”附近渔获率也受到了一定程度的正向影响，主要是受中东太平洋赤道上升流影响，锋面区域也产生了较丰富的初级生产力。金枪鱼鱼群往往在锋面地带获得丰富的食物资源29,31，这和本研究的结果基本吻合。总体上，V55 对鲣渔获率影响的空间异质性程度相对最小(表 4)，空间异质性的影响范围较小，在正负影响的差异变化上较为平稳缓和(图 1-e)；但 V55 对渔获率的正向影响相对最为明显，主要体现在靠近巴布亚新几内亚的海域及 180附近(图 1-e)。U55 空间异质性程度最大，但目前较少有研究使用海水流速等动力学因子进行分析，未来的研究建议考虑相关的海洋动力学因子。SST 和NPP 也有较明显的影响。S100 对渔获率的影响在纬度变化上也有东西向差异，但南北纬向差异更为突出，NPP和 SST 对渔获率的影响主要受经度位置影响，总体上 170E 两侧会呈现不同的分布规律。这是由于 170E 以东海域受热带东太平洋信风影响，从而产生了涌升流，形成了温度低、盐度高、初级生产力高的冷舌区。暖池边缘生成的由底层海水上泛且带有大量营养物质的辐合区，聚集了大量的微型浮游动物及浮游植物，使鲣资源拥有了丰富的饵料33，形成了良好的产卵场和索饵场。在170E 以西鲣的空间聚集区附近海域，海表面温度相对较高，西部暖锋有两个“暖池”向东凸出，有利于锋面的形成，产生的丰富食物资源为鲣提供了良好的生存条件，鲣的资源量因此较为丰富。3.2 环境因子对鲣渔获率影响程度本研究中 MGWR 模型各环境因子回归系数的绝对值显示，各环境因子对渔获率影响程度大小不同。5 个影响因子中，S100 对渔获率的影响程度最大，其次为 U55、NPP 和 SST，V55 的影响程度相对较小。盐度对鲣渔场影响的研究表明，盐度在海洋变化中充当重要的物理参数34-35。大洋环流中海水盐度是有效的示踪物，且通过对海水密度的调节变化，在海洋热量的垂直输送上产生了重要影响36，海表面温度异常也间接受到影响37。本研究中热带中西太平洋海域水分和温度条件充足，盐分对表层营养物质至关重要，从而对鲣资源产生重要影响。同时混合层深度受温度和盐度作用，对鲣资源也产生了一定影响38。U55 对渔获率大小的影响程度也相对较高。Meehl28认为，东西向海水流速在热带地区有最大的季节性变化，海流的变化会引起盐度、溶解氧、温度等因素发生改变，使诱饵产生聚集，海流方向可以引导鱼类游向诱饵来源，鱼群更容易定位诱饵。受信风的影响，东太平洋产生了强烈的涌升流，形成了盐度高、温度低等特征的冷舌区域。冷暖流相遇形成的交汇海域浮游动植物较为充足，是鲣理想的索饵场。因此，本研究认为NPP 也是影响鲣渔获率的重要因子之一。张小龙等39认为，由于 148E165E、6N6S 附近海域存在两个向东凸出的“暖池”易形成温度锋面，为鲣的生存提供了丰富的饵料资源，形成了明显的空间聚集现象，因此 SST 在一定程度上也影响了中西太平洋鲣渔获率。以往研究认为 SST 是影响鲣渔获率的重要因子，但本研究采用平均状态下的环境和资源数据，因此 SST 的影响程度较次于S100 和 NPP。同时从空间形态观察来看，S100、NPP 和 SST 这三者区域差异的影响模式相似。3.3 环境因子多尺度效应本研究中，由于 MGWR 模型考虑了环境因子的多尺度效应，结果发现 NPP 作用尺度较小，其次为 S100 和 U55，SST 的作用尺度较大，V55 最大，为全局尺度。NPP 是主要表现食物的因子，其作用尺度较小可能是由于鲣资源捕食范围受该区域冷暖水团的影响，而冷暖水团边界范围较狭窄，所以其影响的空间范围也相对较小。鲣是喜温性鱼类，主要分布在水温高于 29.5 的区域内34，本8南 方 水 产 科 学第 19 卷研究区域内暖水团范围较广，因此 SST 的作用尺度较大。近岸上升流和盐度锋面均对营养盐有一定影响32，但由于位置较为固定，因此 S100 的作用尺度也受到了一定的空间范围限制。总体上，SST、NPP 对鲣渔获率空间分布的影响相似，受到经度位置的影响，170E 两侧呈现不同的规律，其中 170E 以西主要为正向影响，且具有明显的岛屿属性；170E 以东主要为负向影响。这是由于 170E 以东海域在热带东太平洋信风的作用下，形成温度低、盐度高的冷舌区域；170E 以西海域，正向影响最为显著区域基本在中西太平洋的“暖池”区域内，整体资源热度均较好，整体上温度较高、叶绿素浓度相对较低，并且该区域靠近陆地和岛屿，因此近岸上升流也为其提供了丰富的营养物质。S100 南北向差异较为明显，而 V55 没有明显的东西或南北向差异。U55 正向影响区域较小，主要集中在热带岛屿附近，原因可能是海流的变化引起岛屿附近盐度、溶解氧、温度等因素发生变化，使饵料产生了聚集28。4 小结与展望目前，有关环境与鲣关系的研究主要采用MaxEnt 模型12、GAM40模型等，但这些模型均未考虑空间异质性问题。GWR 模型可以通过结合不同地理位置的空间属性差别，来探索不同环境因子在时空上的差异性影响，并获得海洋环境与资源间的时空异质性特征。本研究在 GWR 模型基础上引入 MGWR 模型，加入了多尺度概念，能捕捉到不同变量的不同影响尺度，考虑了不同环境因子在影响尺度上的差异性，从而避免了捕获太多的噪声和偏误。因此，是否考虑影响因素的空间尺度会对模型的结果和分析产生巨大影响。由于本研究采用平均状态的环境和资源数据，所用的 MGWR 模型未顾及时间序列对海洋资源的影响，建议未来的研究在此基础上加入时空地理加权回归模型，综合时间和空间两个维度进行分析。参考文献：陈新军,郑波.中西太平洋金枪鱼围网渔业鲣鱼资源的时空分布 J.海洋学研究,2007(2):13-22.1WILLIAMS P,RUAIA T.Overview of tuna fisheries in the west-ern and central Pacific Ocean,including economic conditions2019C/16th WCPFC Scientific Committee Meeting (SC16).2Pohnpei State,Federated States of Micronesia:WCPFC,2020:7.DUERI S,BOPP L,MAURY O.Projecting the impacts of climatechange on skipjack tuna abundance and spatial distributionJ.Global Change Biol,2014,20(3):742-753.3杨晓明,戴小杰,田思泉,等.中西太平洋金枪鱼围网渔场变动的预报分析 J.中国水产科学,2016,23(6):1417-1425.4王学昉,许柳雄,周成,等.中西太平洋金枪鱼围网鲣鱼自由鱼群捕获成功率与温跃层特性的关系 J.上海海洋大学学报,2013,22(5):763-769.5魏广恩.北太平洋柔鱼渔场的时空分析与资源丰度的预测 D.上海:上海海洋大学,2018:776陈洋洋,陈新军,郭立新,等.基于 BP 神经网络的中西太平洋鲣鱼渔场预报模型构建与比较 J.广东海洋大学学报,2017,37(6):65-73.7ROBINSON M,SEI-ICHI S.Ensemble modelling of skipjack tuna(Katsuwonus pelamis)habitats in the Western North Pacific usingsatellite remotely sensed data:a comparative analysis using Ma-chine-Learning ModelsJ.Remote Sens-Basel,2020,12(16):2591.8VENABLES W N,DICHMONT C M.GLMs,GAMs and GLMMs:an overview of theory for applications in fisheries researchJ.FishRes,2004,70(2/3):319-337.9杨彩莉,杨晓明,朱江峰.不同类型厄尔尼诺事件中环境因子对中西太平洋金枪鱼围网鲣分布响应 J.南方水产科学,2021,17(3):8-18.10DUQUE-LAZO J,GILS H V,GROEN T A,et al.Transfer ability ofspecies distribution models:the case of Phytophthora cinnamomiin Southwest Spain and Southwest AustraliaJ.Ecol Model,2016,320:62-70.11姜珊,杨晓明,朱江峰.中西太平洋金枪鱼围网鲣渔获率与海洋环境关系的时空异质性 J.中国水产科学,2022,29(5):744-754.12FENG Y J,LIU Y,CHEN X J.Modeling monthly spatial distribu-tion of Ommastrephes bartramii CPUE in the northwest Pacificand its spatially nonstationary relationships with the marine en-vironmentJ.J Ocean U China,2018,17(3):647-658.13沈体雁,于瀚辰,周麟,等.北京市二手住宅价格影响机制:基于多尺度地理加权回归模型(MGWR)的研究 J.经济地理,2020,40(3):75-83.14FOTHERINGHAM A S,YANG W,KANG W.Multiscale geo-graphically weighted regression(MGWR)J.Ann Am Assoc Geogr,2017,107(6):1247-1265.15YU H,FOTHERINGHAM A S,LI Z,et al.On the measurementof bias in geographically weighted regression modelsJ.Spat Stat-Neth,2020:100453.16李斌,邢汉发,刘烨菲.基于 MGWR 模型的城市景观与热环境关系分析 J.西安理工大学学报,2021,37(4):517-525.17周天军,邹立维,陈晓龙.第六次国际耦合模式比较计划(CMIP6)评述 J.气候变化研究进展,2019,15(5):445-456.18BUI D T,LOFMAN O,REVHAUG I,et al.Landslide susceptibi-lity analysis in the Hoa Binh province of Vietnam using statistical19第 5 期郑好好等:基于多尺度地理加权回归模型的中西太平洋围网鲣渔获率环境影响机制研究9index and logistic regressionJ.Nat Hazards,2011,59(3):1413-1444.HASTIE T J,TIBSHIRANI R J.Generalized Additive ModelsM.London:Chapman and Hall,1990:17.20TSENG C T,SUN C L,YEH S Z,et al.Spatio-temporal distribu-tions of tuna species and potential habitats in the Western andCentral Pacific Ocean derived from multisatellite dataJ.Int J Re-mote Sens,2010,31(17/18):4543-4558.21SONG X L,MI N,MI W B,et al.Spatial non-stationary characteri-stics between grass yield and its influencing factors in the Ningxiatemperate grasslands based on a mixed geographically weightedregression modelJ.J Geogr Sci,2022,32(6):1076-1102.22祝新明,宋小宁,冷佩,等.多尺度地理加权回归的地表温度降尺度研究 J.遥感学报,2021,25(8):1749-1766.23JONES S,SILAS E G.Synopsis of biological data on skipjack Kat-suwonus pelamis(Linnaeus)1758(Indian Ocean):FAO FisheriesBiology Synopsis No.64 Species Synopsis No.21R.Rome:FAO,1963:663-694.24DRUON J N,CHASSOT E,MURUA H,et al.Skipjack tuna availabi-lity for purse seine fisheries is driven by suitable feeding habi-tat dynamics in the Atlantic and Indian OceansJ.Front Mar Sci,2017,4:315.25周甦芳,沈建华,樊伟.ENSO 现象对中西太平洋鲣鱼围网渔场的影响分析 J.海洋渔业,2004(3):167-172.26LEHODEY P M,BERTIGNAC M,HAMPTON J,et al.El NioSouthern Oscillation and tuna in the western PacificJ.Nature1997,389:715-718.27MEEHL G A.Characteristics of surface current flow inferred froma Global Ocean Current Data SetJ.J Phys Oceanogr,1982,12(6):538-555.28郭爱,余为,陈新军,等.中国近海鲐鱼资源时空分布与海洋净初级生产力的关系研究 J.海洋学报,2018,40(8):42-52.29黄易德.中西太平洋正鲣资源时空分布特性之研究 D.基隆:台湾海洋大学,2002:83.30SUGIMOTO T,KIMURAA S,TADOKOROB K