基于ARIMA的海洋尼诺指数对中西太平洋黄鳍金枪鱼年际CPUE的影响.pdf

DOI:10.12131/20230007文章编号：2095 0780（2023）04 0010 11基于 ARIMA 的海洋尼诺指数对中西太平洋黄鳍金枪鱼年际CPUE 的影响王 啸1，刘文俊2，张 健2,31.上海开创远洋渔业有限公司，上海 2000822.上海海洋大学 海洋科学学院，上海 2013063.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 201306摘要：黄鳍金枪鱼(Thunnus albacares)为高度洄游的大洋性鱼类，有较高的生态和经济价值，中西太平洋(Western andCentral Pacific Ocean,WCPO)是全球金枪鱼捕捞产量最高的海区。为了解和预测中西太平洋黄鳍金枪鱼不同渔业对气候变化的反应，根据19902020年世界各国在中西太平洋的围网和延绳钓作业以及海洋尼诺指数(Oceanic Nio index,ONI)数据，分析了常规自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)和加入ONI标准差为协变量的动态ARIMA模型在渔业资源量研究中的适用性，以及ONI对中西太平洋黄鳍金枪鱼年际单位捕捞努力量渔获量(Catch per unit effort,CPUE)的影响。结果表明：1)常规ARIMA模型能够充分考虑中西太平洋黄鳍金枪鱼年CPUE的变化特征，可用于黄鳍金枪鱼年CPUE的长期拟合；2)相比常规ARIMA模型，动态ARIMA模型的拟合度更好，拟合值和真实值的相关性更高，同时平均绝对误差、均方根误差更小；3)ONI对中西太平洋赤道南北海域黄鳍金枪鱼的年CPUE影响不同，相对而言，在赤道以北，ONI的影响因素更关键，模型的拟合度更高；4)ONI对中西太平洋不同渔业的黄鳍金枪鱼的年CPUE影响有差别，对中西太平洋黄鳍金枪鱼延绳钓渔业存在滞后12年的影响，而在强厄尔尼诺和强拉尼娜现象时，对围网渔业的影响速度较快，不存在滞后。关键词：黄鳍金枪鱼；动态 ARIMA；CPUE；海洋尼诺指数；中西太平洋中图分类号：S 931.3文献标志码：A 开放科学（资源服务）标识码（OSID）：Effect of Oceanic Nio index on interannual CPUE of yellowfin tuna(Thunnus albacares)in Western and Central Pacific Ocean based onARIMA modelWANG Xiao1,LIU Wenjun2,ZHANG Jian2,31.Shanghai Kai Chuang Deep Sea Fisheries Co.,Ltd.,Shanghai 200082,China2.College of Marine Sciences,Shanghai Ocean University,Shanghai 201306,China3.National Engineering Research Centre for Oceanic Fisheries/Key Laboratory of Sustainable Exploitation of Oceanic FisheriesResources,Ministry of Education,Shanghai 201306,ChinaAbstract:As a highly migratory pelagic fish,yellowfin tuna(Thunnus albacares)has high ecological and economic value.TheWestern and Central Pacific Ocean(WCPO)is the sea area with the highest tuna production of all oceans.In order to under-stand and predict the response of yellowfin tuna to climate change at different life stages in WCPO,we used the catch data of yel-第 19 卷第 4 期南 方 水 产 科 学Vol.19，No.42023 年 8 月South China Fisheries ScienceAug.，2023收稿日期：2023-01-15；修回日期：2023-02-19基金项目：农业农村部全球重要鱼种资源动态监测评估项目；国家重点研发计划项目(2020YFD0900803)作者简介：王啸(1995)，男，硕士，研究方向为远洋渔业资源。E-mail:通信作者：张健(1979)，男，副教授，博士，研究方向为生态型渔具渔法。E-mail:j-lowfin tuna in purse seining and pelagic longlining and Oceanic Nio index(ONI)data from 1990 to 2020 in the WCPO to vali-date the applicability of general ARIMA(Autoregressive integrated moving average)model and dynamic ARIMA model,so as toexplore the influence of the ONI on the interannual CPUE(Catch per unit effort)of yellowfin tuna.The results show that:1)General ARIMA models could be used for long-term fitting of annual CPUE of yellowfin tuna in the WCPO,taking full ac-count of the variability characteristics of annual CPUE of yellowfin tuna.2)Compared with the general ARIMA model,the dy-namic ARIMA model provided a better fit and a higher correlation between the fitted and true values,as well as smaller meanabsolute and root mean square errors.3)The influence of the ONI on the annual CPUE of yellowfin tuna differed between thenorthern and southern equatorial regions of the WCPO,with the ONI being a more critical factor and a better model fit rela-tively north of the equator.4)The ONI had different impacts on the annual CPUE of yellowfin tuna in different fisheries in theWCPO,with a 12 years lag in the ONI for the yellowfin tuna longline fishery in the WCPO,and a faster impact on the purseseine fishery during strong El Nio and strong La Nia events,without a lag.Keywords:Thunnus albacares;Dynamic ARIMA;CPUE;Oceanic Nio index;Western and Central Pacific Ocean大范围的气候异常变化对海洋生产力、海洋生物分布以及食物网结构均具有直接和间接影响1。厄尔尼诺-南方涛动(El Nio-Southern Oscillation,ENSO)是一种大规模的气候变化模式和全球范围内年际、年代际气候变化的显著信号，强烈影响着全球大部分地区的气候变化，尤其在海洋顶级捕食者(如金枪鱼)和浮游动物的时空分布与丰度方面发挥着至关重要的作用2-3。海表温度距平(Seasurface temperature anomaly,SSTA)的异常变化是厄尔尼诺-拉尼娜事件的主要指示因子之一4，由于Nino 3.4 区位于赤道太平洋中部，该区的环境信号最为突出，故通常以 Nino 3.4 区的海洋尼诺指数(Oceanic Nio index,ONI)标示对全球气候变化的影响程度。金枪鱼具有较高的生态和经济价值，了解和预测其对气候变化的响应，有助于制定有效的渔业管理措施，对维护金枪鱼种群的可持续性具有重要意义。此前，国内外学者研究了 ENSO 对金枪鱼种群时空分布的影响，郭爱等5通过时间序列分析方法，发现 ENSO 现象对中西太平洋金枪鱼渔场的空间分布和资源丰度均有较显著的影响；周为峰等6认为在厄尔尼诺年，中西太平洋黄鳍金枪鱼(Thunnus albacares)渔场重心位置向东和南方向移动，而在拉尼娜年，稍微向西和北方向移动；Syamsuddin 等7发现厄尔尼诺时期大眼金枪鱼(T.obesus)延绳钓的上钩率远大于拉尼娜时期。据预测，大规模气候波动将导致全球金枪鱼渔获量的重新分布，高纬度地区将增加 30%70%，低纬度地区将减少 40%8。然而，对气候指数与黄鳍金枪鱼丰度和栖息地偏好之间的联系机制尚不清楚。黄鳍金枪鱼作为高度洄游的大洋性鱼类，是金枪鱼类产量中仅次于鲣(Katsuwonus pelamis)的目标种类，其作业方式主要为围网和延绳钓；2019 年黄鳍金枪鱼全球捕捞产量约为 150 万吨，其中太平洋海域产量约为 92 万吨，而中西太平洋(Western andCentral Pacific Ocean,WCPO)是全球金枪鱼捕捞产量最高的海区9，其渔获量达到 69 万吨，约占太平洋海域产量的 75%10。中西太平洋黄鳍金枪鱼渔获量主要集中在 20S 至 20N11，其种群的分布及洄游移动不仅受海表温度12-13、盐度14、溶解氧15、海流16、饵料生物17等环境因子的影响，也与大规模气候波动密切相关18。迄今为止，在黄鳍金枪鱼资源评估方面基于模型的评估方法多使用广义加性模型(GeneralizedAdditive Model,GAM)3、剩余产量模型19等。而时间序列分析模型相对于静态处理统计方法在分析和处理方面具有无可比拟的优势，与其他模型相比，时间序列分析模型表现出更高的精度，并且随着数值方法和计算机的发展，已经形成了一套完整的分析体系，在渔情预报渔获量评估方面已有较好的应用8,20。有研究表明，气候变化导致的海洋变暖会使黄鳍金枪鱼从热带水域向极地方向转移21；其次，围网与延绳钓渔获个体的规格不同，延绳钓主要捕获大个体金枪鱼，而围网主要捕获小个体集群金枪鱼，且金枪鱼个体大小对气候变化的响应差异较大。因此，本研究将该区域的金枪鱼分为赤道南、北两个群体，并对围网和延绳钓渔业分别使用常规自回归积分滑动平均(Autoregressive Integ-rated Moving Average,ARIMA)时间序列和动态 ARI-MA 时间序列模型，以中西太平洋 Nino 3.4 区第 4 期王 啸等:基于 ARIMA 的海洋尼诺指数对中西太平洋黄鳍金枪鱼年际 CPUE 的影响11ONI 标准差作为协变量，研究了中西太平洋黄鳍金枪鱼年际单位捕捞努力量渔获量(Catch per uniteffort,CPUE)的变化趋势，并探究了 ONI 的影响，旨在为中西太平洋黄鳍金枪鱼资源的合理开发与科学管理提供依据。1 材料与方法 1.1 数据来源WCPO 黄鳍金枪鱼渔业数据来源于中西太平洋渔业委员会(WCPFC)(https:/www.wcpfc.int)收集的 19902020 年中西太平洋金枪鱼围网和延绳钓渔业统计资料(105E135W,20N20S)，以赤道为中心分为南北两地，时间分辨率为月，以经纬度 55为统计单位，数据包括年、月、作业经纬度、鱼种产量、钓钩数和围网网次等信息，以延绳钓和围网两种渔业、赤道南北两个地区将中西太平洋分为 4 个时间序列分别进行建模分析。19902020 年的 ONI 数据来自美国国家海洋和气象管理局网站(https:/ ENSO 3.4 区的 ONI 数据进行研究。1.2 研究方法1.2.1渔业数据分析本研究延绳钓年平均 CPUE(尾千钩1)使用该区域的算术平均值，其计算公式为：YCPUE,yij=Cyij1 000Eyij(1)YCPUE,yijCyijEyij式中：为第 y 年 i 经度 j 纬度的延绳钓年平均 CPUE；为第 y 年 i 经度 j 纬度的总渔获尾数；为对应的下钩数。围网年平均 CPUE(t网1)同样使用该区域的算术平均值，其计算公式为:WCPUE,yij=MyijTyij(2)WCPUE,yijMyijTyij式中：为第 y 年 i 经度 j 纬度的围网年平均CPUE；为第 y 年 i 经度 j 纬度的总渔获产量；为对应的网次数。1.2.2ONI标准差计算利用统计学中数据集离散度的测量指标，标准差(Standard deviation,SD)计算 ENSO 3.4 区 19902020 年 ONI 的偏离程度：SONI=vuut1NNi=1(Xi)2(3)SONIXi式中：表示 ONI 的标准差；为 ONI 指数；N为时间(月)；为平均值；i 表示第 n 个月。1.2.3ARIMA 时间序列模型1)平稳性检验。由于 ARIMA 模型不能捕获非稳定时间序列的变化规律，故首先需要对时间序列进行平稳性检验。时间序列的平稳性检验一般有2 种方法，一种是根据时序图和自相关图显示的特征做出判断的图检验方法，一种是构造检验统计量进行假设检验的方法。由于图检验操作简便但带有较强的主观色彩，为了客观起见，本研究使用统计检验中的 DF 检验(Dickey-Fuller test)来判断水平时间序列和一阶差分时间序列是否平稳，通过得到的 t 统计量与 1%、5%和 10%显著性水平的 t 统计量的临界值进行比较，当 t 统计量大于对应的临界值时，表明在该显著性水平下拒绝假设，存在单位根，时间序列不稳定22。2)常规 ARIMA 模型。ARIMA 模型记为 ARI-MA(p,d,q)，其中 p 为 AR 模型阶数，q 为 MA 模型阶数，d 为差分阶数。模型的一般表达式为22：yt=a+1yt1+pytp+1t1+ptp+t(4)ytt式中：为差分序列，表示 t 年度的 CPUE，其中原始时间序列为水平序列，水平序列中的每个数据与其前一项的差值，得到差分后的时间序列数据的方法，称为差分法；做一次差分操作称为一阶差分，d 次差分称为 d 阶差分；为噪声序列；为AR 模型拟合参数；为 MA 模型拟合参数。根据自相关图(ACF 图)和偏自相关图(PACF 图)截尾和拖尾性质来确定模型参数 p、q 和 d 模型识别，利用赤池信息准则(AIC 准则)和贝叶斯信息准则(BIC 准则)选择最优预测模型；使用白噪声检验(Ljung-Box test)对模型的残差序列进行正态性检验，验证模型的适用性，同时使用一般线性回归验证两种渔业不同区域的黄鳍金枪鱼年 CPUE 的整体趋势。3)动态 ARIMA 模型23。在常规 ARIMA 模型基础上，为了考虑外部变量(如气候等)的变动对预测变量的影响，将 19902020 年 ONI 标准差作为协变量纳入 ARIMA 模型以扩展 ARIMA，实现动态 ARIMA 模型，并使用拟合优度指标验证常规ARIMA 模型和动态 ARIMA 时间序列分析方法的拟合优劣性，探索 ONI 对中西太平洋黄鳍金枪鱼丰度的影响。12南 方 水 产 科 学第 19 卷ARIMA 时间序列模型的数据拟合和检验使用R 语言(版本 4.1.2)的 forecast 包完成。1.2.4拟合优度指标使用平均绝对误差(Mean absolute error,MAE)、均方根误差(Root mean square error,RMSE)以及真实值与拟合值的相关系数 R 等 3 个指标评价两种时间序列模型对黄鳍金枪鱼年际 CPUE 的拟合优劣性 24-25；MAE 是实际值和拟合值的平均误差，MAE 越小，模型的准确度越高 26；RMSE 是度量拟合值与真实值的偏离程度，用以反映模型的稳健性，RMSE 越小，模型越稳定27；而模型拟合 R 值越接近 1，模拟精度越高28。MAE 和 RMSE 的计算如下：EMAE=1NNi=1|Xi Xi|(5)ERMSE=vuut1NNi=1|Xi Xi|2(6)EMAEERMSEXiXi式中：表示平均绝对误差；表示均方根误差；N 表示 CPUE 的总数量；表示拟合值；表示实际值。2 结果 2.1 两种渔业黄鳍金枪鱼资源量时间序列的平稳性检验对水平序列和一阶差分序列进行单位根检验，结果如表 1 所示。可以明显看出，两种渔业 4 种时间序列的水平序列单位根检验 t 统计量均明显大于其 10%显著性水平值，因此水平序列存在单位根，表明时间序列不平稳，而经过一阶差分的序列 t 统计量均明显小于其 1%显著性水平值，并且不存在过度差分，初步判断模型为 ARIMA(p,1,q)模型。2.2 常规 ARIMA 模型2.2.1常规 ARIMA 模型的构建一阶差分序列的 ACF 和 PACF 图 见图 1，由于使用该图判断的 p 值和 q 值并不唯一，因此将图 1 综合了 4 种时间序列的全部可能模型，通过比较模型赤池信息量准则(Akaike information cri-terion,AIC)、AICc(小样本校正的 AIC)和贝叶斯信息准则(Bayesian information criterion,BIC)来选择最优模型，结果如表 2 所示。延绳钓赤道以北黄鳍金枪鱼年 CPUE 时间序列模型为 ARIMA(0,1,0)、延绳钓赤道以南黄鳍金枪鱼年 CPUE 时间序列模型为 ARIMA(0,1,1)、围网赤道以北黄鳍金枪鱼年CPUE 时间序列模型为 ARIMA(1,1,0)、围网赤道以南黄鳍金枪鱼年 CPUE 时间序列模型为 ARIMA(0,1,2)。2.2.2常规 ARIMA 模型的检验在进行时间序列模型拟合时，需对构建的模型进行 ARIMA 残差的白噪声检验。本研究使用模型残差的 ACF 和 PACF 图验证 ARIMA 残差是否是白噪声序列，如图 2 结果所示，残差序列表现为自相关特征，在任何 Lag 时差的序列之间自相关系数值和偏自相关系数值均在 2 倍标准差范围内，近似为0。对残差序列进行正态性检验显示 Ljung-Box Q表1 不同区域渔业的水平时间序列和一阶拆分序列的单位根检验表Table 1 Unit root test of horizontal sequence and difference sequence for various regional fisheries时间序列Time series数据处理Data processing单位根检验Unit root test显著性水平 Significance level1%5%10%延绳钓赤道以北North of equator for longline水平序列1.2962.621.951.61一阶差分序列4 4.922.9224.153.503.18延绳钓赤道以南South of equator for longline水平序列0.5862.621.951.61一阶差分序列5.5715.5714.153.503.18围网赤道以北North of equator for purse seine水平序列0.7462.621.951.61一阶差分序列4 4.818.8184.153.503.18围网赤道以南South of equator for purse seine水平序列0.8082.621.951.61一阶差分序列4.8184.8184.153.503.18注：粗体字表示该序列为平稳时间序列。Note:The boldface numbers indicate that the series is a stationary time series.第 4 期王 啸等:基于 ARIMA 的海洋尼诺指数对中西太平洋黄鳍金枪鱼年际 CPUE 的影响13统计量检验的 P 值均大于 0.05(4 种时间序列 P 值依次为 0.774、0.147、0.531 和 0.398，P0.05 表示正态分布)，结果进一步证明该模型拟合的残差时间序列为白噪声序列。综上，统计检验表明，可以利用上述常规 ARIMA 模型拟合中西太平洋黄鳍金枪鱼两种渔业赤道南北年 CPUE 的趋势。2.3 动态 ARIMA 模型2.3.1动态 ARIMA 模型的构建和检验在上述对于中西太平洋黄鳍金枪鱼年 CPUE的拟合中，仅利用长期黄鳍金枪鱼年 CPUE 均值的历史观测资料进行常规性 ARIMA 模型建模，就能得到和真实值较近的准确拟合。然而，已有研究发现，中西太平洋金枪鱼的渔获量与 ONI 之间存在很好的相关性5,16,29-30。因此，考虑将年际 ONI 作为协变量加入 ARIMA 模型中，从而提高时间序列分析模型的拟合准确性。首先将 ONI 标准差作为年际 ONI 加入模型中，利用 R 语言中 auto.arima函数根据 AICc 选择合适的拟合模型进行建模。在进行拟合前，需对构建的模型进行 ARIMA 残差的白噪声检验。图 3 显示，4 种时间序列模型中，延(a)自相关函数 ACF02468101214 0.8 0.20.4(c)自相关函数 ACF02468101214 0.8 0.20.4(e)自相关函数 ACF024681012141.0 0.50.5(g)自相关函数 ACF024681012141.0 0.50.5延迟期数 Lag(h)偏自相关函数 PACF24681012140.2 00.4延迟期数 Lag(f)偏自相关函数 PACF24681012140.2 00.4(d)偏自相关函数 PACF24681012140.2 00.4(b)偏自相关函数 PACF24681012140.3 00.3图1 一阶差分后的自相关函数(ACF)和偏相关函数(PACF)图注：ab.延绳钓赤道以北；cd.延绳钓赤道以南；ef.围网赤道以北；gh.围网赤道以南；图 2图 4 同此。Fig.1 ACF and PACF diagrams after first differenceNote:ab.North of the equator for longline;cd.South of the equator for longline;ef.North of the equator for purse seine;gh.South of the equator for purse seine.The same case in Fig.2Fig.4.14南 方 水 产 科 学第 19 卷绳钓赤道以南的黄鳍金枪鱼残差序列在 Lag0 时自相关系数值大部分在 2 倍标准差范围内，仅第 4 阶超出了标准差，这可能是偶然因素引起的，而其他时间序列 ACF 图显示全部自相关系数均在 2 倍标准差范围内，近似为 0。其次残差序列正态 Q-Q曲线分布图显示 4 种时间序列模型残差点均在一条直线上，符合正态分布的规律，结果进一步证明该模型拟合的残差时间序列为白噪声序列。2.3.2两种时间序列模型的拟合优度利用 19902020 年的中西太平洋黄鳍金枪鱼年 CPUE 数据，分别进行一般 ARIMA 模型和动态ARIMA 模型拟合，结果显示两种时间序列分析均具有较好的拟合效果，模型的拟合值和真实值变化趋势拟合较好，且两者之间的偏差较小。使用相关性分析研究 4 种时间序列趋势，结果如图 4 所示。4 种时间序列中均是动态 ARIMA 模型的拟合值与真实值更加接近，MAE 和 RMSE 值更小，相关系数 R 更高，且 P 值小于 0.01。相比较而言，常规ARIMA 模型在加入 ONI 作为协变量后，具有更好的拟合效果，且由于此区域受 ENSO 现象的影响较大，因此，中西太平洋黄鳍金枪鱼资源量评估更适合使用动态 ARIMA 模型。2.4 两种时间序列模型的拟合结果热带中西太平洋延绳钓和围网渔业赤道南北年 CPUE 的时间序列如图 5 所示。结果表明，中西太平洋两种渔业的黄鳍金枪鱼年 CPUE 均存在明显的年际变化，ONI 对中西太平洋不同渔业的黄鳍金枪鱼的年 CPUE 均有不同程度的影响，延绳钓渔业长期存在滞后 12 年的影响，而在强厄尔尼诺(1997、2015 年)和强拉尼娜(1998、2007 年)现象发生时，ONI 对围网渔业的影响速度较快，不存在滞后，同时两种渔业在更多的年份中均表现为赤道以南的年 CPUE 更高。线性回归结果显示，两种渔业不同区域的黄鳍金枪鱼年 CPUE 均呈整体下降趋势(4 种时间序列 P 值依次为 P0.001、P=0.004、P0.001 和 P0.001)，其中延绳钓渔业赤道表2 ARIMA 时间序列全部可能模型以及参数评价Table 2 All possible models and evaluation of parameters of ARIMA time series时间序列Time series一般 ARIMA 模型General ARIMA model模型赤池信息量准则AIC小样本校正的 AICAICc贝叶斯信息准则BIC延绳钓赤道以北North of equator for longline(0,1,0)(0,1,0)8181.60.608181.74.748383.00.00(0,1,1)83.0683.5185.87(1,1,0)83.2983.7386.09(1,1,1)83.6984.6287.9延绳钓赤道以南South of equator for longline(0,1,1)98.5899.03101.39(0,1,1)98.5899.03101.39(0,1,4)97.1499.64104.15(1,1,1)100.57101.49104.77(1,1,4)98.51102.16106.92围网赤道以北North of equator for purse seine(0,1,0)116.51116.65117.91(0,1,1)110.06110.51112.86(1,1,0)(1,1,0)109109.95.95110110.39.39112112.75.75(1,1,1)111.62112.54115.82围网赤道以南South of equator for purse seine(2,1,0)103.42104.35107.63(0,1,2)102.8103.72107.00(0,1,2)102.8103.72107.00(2,1,2)103.93106.43110.94(0,1,0)110.24110.39111.64注：粗体字表示该模型为最优模型。Note:The boldface numbers indicate the optimal model.第 4 期王 啸等:基于 ARIMA 的海洋尼诺指数对中西太平洋黄鳍金枪鱼年际 CPUE 的影响15以南的黄鳍金枪鱼年 CPUE 在 1991、1995、1999、2001、2003、2006、2008 和 2011 年呈现快速下降趋势，而延绳钓渔业赤道以北的波动相对较小。但这两种渔业黄鳍金枪鱼年 CPUE 相对围网渔业的波动更大，且时间序列模型预测的结果与真实值更接近。3 讨论 3.1 气候变化对中西太平洋黄鳍金枪鱼不同渔业以及赤道南北不同地区的影响在厄尔尼诺与拉尼娜现象发生时，太平洋海域的气压、海表温度、温跃层、海流、海水盐度、碳循环与初级生产力等渔场环境因子均会发生明显变化，进而对大洋鱼类产卵、胚胎发育、成活率、索饵代谢、洄游移动和栖息分布等产生较大影响31-35，其中 ENSO 现象是影响其渔获量和分布变化的重要原因之一。本研究结果与 WCPFC 黄鳍金枪鱼评估结果的趋势一致在 20002015 年前后持续下降36，也与王少琴等30对中西太平洋金枪鱼围网的黄鳍金枪鱼的研究结果相同。主要原因有：1)为了应对气候变化，这段时间中西太平洋黄鳍金枪鱼资源丰度重心出现了不断沿纬度方向分布迁移的现象，其时空分布受气候变化的影响具有一定特性37；2)2000 年之后黄鳍金枪鱼整体资源量持续下降，近年来随着各组织管理政策的实施，其资源量有所恢复，年 CPUE 也有所增加10。此外，ONI对中西太平洋不同渔业黄鳍金枪鱼的年 CPUE 有不同程度的影响，这是由于围网为主动型渔具，鱼群对海水温度的适应和反应比较敏感，强厄尔尼诺和强拉尼娜气候对水温影响较大，容易被鱼群感知，进而导致围网渔获量的变化3,5,38；其次，在赤道以北，ONI 的影响因素更为关键，模型的拟合程度(b)偏自相关函数 PACF24681012140.3 00.3(d)偏自相关函数 PACF24681012140.3 00.3(f)偏自相关函数 PACF24681012140.3 00.3(h)偏自相关函数 PACF2468延迟期数 Lag1012140.3 00.3(g)自相关函数 ACF2468延迟期数 Lag1012140.3 00.3(e)自相关函数 ACF24681012140.3 00.3(c)自相关函数 ACF24681012140.3 00.3(a)自相关函数 ACF24681012140.3 00.3图2 常规ARIMA模型残差序列自相关函数(ACF)和偏相关函数(PACF)图Fig.2 ACF and PACF diagrams of general ARIMA model residual sequence16南 方 水 产 科 学第 19 卷更高，原因在于黄鳍金枪鱼具有明显的南北向季节洄游特征，导致其南北资源存在差异；赤道北部地区包括了夏威夷群岛和马绍尔群岛等著名的产卵场，所以黄鳍金枪鱼种群资源丰富，而其幼鱼极易受到周围环境的影响39-40，故 ONI 对赤道北部黄鳍金枪鱼幼鱼的年 CPUE 影响更大。因此，今后相关研究可以从捕捞目标群体差别来探讨围网和延绳钓对 ONI 的响应。3.2 两种时间序列拟合中西太平洋黄鳍金枪鱼年CPUE 长时间序列的适用性动态 ARIMA 模型在黄鳍金枪鱼的长期拟合中优势突出，本研究进一步验证了 ENSO 事件是影响中西太平洋黄鳍金枪鱼年 CPUE 的关键因素，对中西太平洋黄鳍金枪鱼不同渔业以及赤道南北不同地区的年 CPUE 时间序列的拟合得到不同结果也证实了这一点。动态 ARIMA 模型的优势在其他学科中均有体现，李颖若等23在臭氧浓度中长期预报应用研究中认为，动态 ARIMA 模型是臭氧日最大8 h 浓度中长期预报的稳定性和普适性方法。蔡格菁等41利用居民消费价格指数(CPI)作为 ARIMA模型的协变量并对模型优化，发现优化后的模型预测误差更小，表明优化后的模型预测更精确。李勇等42通过加入多种协变量来预测太湖水中叶绿素a(Chl-a)的含量，为降低太湖藻华大面积暴发风险的引排水方案提供优化策略。此外，全球气候变化加剧了海洋理化环境和生态系统的系列变化，改变了海洋重要种群的丰度和分布，对全球海洋渔业产生了深远影响43-44，对热带海域尤其是太平洋海域的渔业影响最为明显8,45。然而应用动态 ARIMA模型预测高度洄游的大洋性鱼类的渔获量并不多见，因此今后相关研究可以使用动态 ARIMA 模型，以多种大范围气候指数作为协变量，探究海洋生物正态 QQ 图 Normal Q-Q Plot 2.002.0样本分位数Sample quantile21012(b)113样本分位数Sample quantile21012(d)113样本分位数Sample quantile21012(h)理论分位数 Teoretical quantiles1012样本分位数Sample quantile21012(f)(a)自相关函数 ACF24681012140.3 00.3(e)自相关函数 ACF24681012140.3 00.3(g)自相关函数 ACF24681012140.3 00.3延迟期数 Lag(c)自相关函数 ACF24681012140.20.2图3 动态 ARIMA模型拟合残差检验(ACF 和 Q-Q 图)Fig.3 Residual test of dynamic ARIMA model(ACF and Q-Q diagrams)第 4 期王 啸等:基于 ARIMA 的海洋尼诺指数对中西太平洋黄鳍金枪鱼年际 CPUE 的影响172468284一般 ARIMA General ARIMA真实值 Actual value6(a)r=0.81,P=3.6108y=0.759+0.846xMAE=0.701RMSE=0.8972468284动态 ARIMA Dynamic ARIMA真实值 Actual value6(b)r=0.84,P=4.1109y=0.76+0.841xMAE=0.642RMSE=0.8072468284真实值 Actual value6(d)r=0.61,P=0.000 31y=2.5+0.514xMAE=0.916RMSE=1.1322468284真实值 Actual value6(c)r=0.59,P=0.000 48y=2.62+0.486xMAE=0.915RMSE=1.1415.07.510.010.05.0真实值 Actual value7.5(e)r=0.85,P=2.7109y=1.62+0.793xMAE=0.900RMSE=1.1698101261286真实值 Actual value10(g)r=0.7,P=1105y=2.94+0.674xMAE=1.118RMSE=1.383拟合值 Fitted values 8101261286真实值 Actual value10(h)r=0.7,P=1105y=2.95+0.673xMAE=1.117RMSE=1.382拟合值 Fitted values 5.07.510.010.05.0真实值 Actual value7.5(f)r=0.88,P=1.71010y=1.31+0.836xMAE=0.829RMSE=1.079图4 常规 ARIMA 模型和动态 ARIMA 模型的拟合优度比较Fig.4 Comparison of goodness of fit between general ARIMA model and dynamic ARIMA model18南 方 水 产 科 学第 19 卷资源量的变化以及渔获产量与大规模气候的关系。4 结论1)常规 ARIMA 模型可以充分考虑中西太平洋不同渔业、不同地区黄鳍金枪鱼年 CPUE 的变化特征，可用于黄鳍金枪鱼年 CPUE 的长期拟合。2)动态 ARIMA 模型在黄鳍金枪鱼的长期拟合中优势突出。本研究进一步验证了厄尔尼诺-拉尼娜现象是影响中西太平洋黄鳍金枪鱼年 CPUE 的关键因素，且不同渔业的影响程度以及赤道南北地区的滞后时间不同。在加入 ONI 标准差为协变量后，黄鳍金枪鱼的拟合效果得到明显提升，动态ARIMA 模型的 MAE 和 RMSE 值更小，预测值和观测值的相关系数 R