0 引言

鲣 Katsuwonus pelamis广泛分布于世界各大洋热带和亚热带海域，其中中西太平洋海域的资源量最为丰富，近10 a的年产量均保持在250万吨以上[1-2]。因此，掌握中西太平洋鲣鱼的资源状况变化规律，准确地预测鲣鱼的年资源量对于合理开发该物种有着极大的指导意义。前人的研究表明，海洋环境和气候改变会对中西太平洋鲣鱼的资源量产生影响，如海表温度、海面高度、叶绿素质量浓度等的变化[3-4]、厄尔尼诺-南方涛动现象(ENSO)[5-6]等不仅影响着中西太平洋鲣鱼的渔场分布，同时也影响着其资源丰度的变化[7-8]。以往的研究主要针对鲣鱼渔场变化来进行分析，针对其资源量变化的研究较为少见。构建渔情预报模型可以很好地解释环境因素对生物资源量变化的影响[9]。但是环境因子的选择往往会陷入盲目中，哪一个或者哪一些因子对鲣鱼的资源量影响最大，是选择某一个因子还是综合所有因子进行建模，都需要进行科学的验证。同时，在构建预报模型的过程中，常常会因为较少的样本量对应较多的因子而无所适从，正确地选择具有代表性的样本和合适的因子是渔情预报模型建立的关键所在。在长期的研究过程中，相关学者也找到了应对方法，其中之一就是灰色系统理论(Grey system theory)，该理论由华中科技大学邓聚龙教授首创[10]，属于不确定系统理论的一个分支，其研究方法的优点在于其不受样本数据量的限制以及数据结构，通过对“部分”已知信息的认知，来对未知信息进行确切的描述[11]。该理论也广泛应用于渔业科学领域中。例如，陈新军 等[12]利用灰色聚类分析对西北太平洋柔鱼的不同种群进行了分析，结果表明灰色聚类分析能够较好地区分出不同的种群；高雪 等[13]结合了灰色绝对关联分析和灰色预测模型对影响西北太平洋柔鱼冬春群资源丰度的环境和气候因子进行筛选并对其资源丰度进行预测，也取得了较好的结果。因此，本研究利用灰色关联分析对影响中西太平洋鲣鱼资源量的环境因子进行选择，并利用灰色预测模型[GM(1,N)模型]建立不同环境因子的预测模型，为综合评价环境因子对鲣鱼资源相对丰度的影响，构建和预报鲣鱼的资源丰度提供依据。

1 材料与方法

1.1 数据来源

中西太平洋鲣鱼生产统计资料来自南太平洋委员会(South Pacific Community，SPC)。数据包括日本、韩国、中国、澳大利亚、美国、西班牙和南太平洋岛国等所有在此海域进行鲣鱼围网作业的国家和地区，统计内容包括年、月、经度、纬度、投网次数以及渔获量。SPC提供的数据库中，空间分辨率为经纬度5°×5°，统计区域为15°S～15°N，125°E～180°E。研究时间为1998—2013年。

①绩效考核缺乏战略性和系统性。现行的绩效考核体系与公司的战略目标脱节，公司在制定绩效考核制度时并没有将其纳入公司的整个管理体系中去考虑，往往难以充分认识公司的经营目标和状况。人力资源管理体系有待健全，各种工作职能难以配合来共同推动公司获得持续发展能力。

本研究选取与鲣鱼活动和栖息紧密相关的4种环境因子，分别为海表面温度(Sea surface temperature, SST)、海表面高度(Sea surface height, SSH)、叶绿素质量浓度a(Chlorophyll-a, Chl-a)和Nino3.4区海表温度距平值(Sea surface temperature anomaly, SSTA)。其中SST数据来自美国宇航局NASA(http://poet.jpl.nasa.gov/)；厄尔尼诺/拉尼娜事件采用Nino3.4区海表温度距平值指数(SSTA)来表示，时间单位为月，数据来源于美国NOAA气候预报中心(http://www.cpc.ncep.noaa.gov)；SSH数据来自哥伦比亚大学网站(http://iridl.ldeo.columbia.edu/docfind/databrief/cat-ocean.html)；Chl-a数据来源于美国NOAA中太平洋观测网点(http://oceanwatch.pifsc.noaa.gov/)。

1.2 研究方法

1.2.1 数据前处理

单位捕捞努力量渔获量[catch per unit effort，CPUE(t/net)]可以作为表征鲣鱼资源密度的指标[14]。因此在本研究中计算年平均CPUE以指示资源相对丰度，同时为了匹配环境数据，也对历年各月平均CPUE进行计算，计算公式如下：

总而言之，农村拥有广阔的天地，拥有丰富的教育资源。在农村幼儿园教育教学中，教师应当充分利用大自然中的各种资源，充分利用农村丰富的乡土资源，为幼儿营造一个良好的区域活动开展环境，保证幼儿的个性发展，促进农村幼教事业的不断进步。

 

(1)

式中：CPUE为单位捕捞努力量渔获量，单位为t/net；Cy(m)为历年(或历年各月)渔获量；Ey(m)为历年(或历年各月)捕捞努力量(即累计的作业总网次)；下标y代表年，m代表月。

文中设计的BOOST电路主要参数为：输入电压2.5～3.5 V，输出电压为5 V，输出电压波纹设为5 mV，负载为10 Ω，工作频率设定为500 kHz。根据上述CCM模式模块下，同步BOOST电路原理，可计算出所需电感值为：4.7 μH，电容值为：300 μF。开关管则选择低导通电阻的MOS管，进一步提高电路效率。

将所有下载的环境数据与渔获数据进行一一匹配，然后将各年环境数据按月分别取平均值，同时再计算其年平均值，最终每一项环境因子得到1—12月以及年平均共13组数据。

1.2.2 灰色绝对关联分析

独立学院尽管千差万别，但大多得不到国家的财政投入，基本上完全依靠投资方进行投资。与此同时，与公办普通本科院校相比，独立学院又拥有较多的办学自主权，体现着“优、民、独”的特点，采用新模式、新机制进行运作。独立学院要想得到长久健康发展，取得社会公众的认可，获得办学经济效益，就必须正视与公办普通高校的差异，在人才培养目标定位和人才培养质量上下功夫，寻找出一条区别于公办普通高校的差异化发展道路。

本研究中，以历年平均CPUE为母序列，历年各月的各项环境因子为子序列，计算各子序列与母序列之间的关联度，计算步骤如下[15]：

设{X0}为以历年平均CPUE代表资源相对丰度的母序列，{Xi}为包含其他各项环境因子的子序列，分别为：

 

(2)

 

(3)

则母序列{X0}与子序列{Xi}的灰色绝对关联度为：

在韩国，教师讲课大多以韩语授课，但是在课前会给学生们提前发送课上讲解的课件，课件是英文的。让学生在提前预习课堂讲解内容的同时，也提高了英语能力。

 

(4)

式中：

 

(5)

 

(6)

 

 

(7)

通过最终的计算，得出各项环境因子的关联度，并在各项因子中挑选关联度最大的进行后续分析。

1.2.3 灰色预测模型构建[15]

则参数列的最小二乘估计为：

 

(8)

其中为的累加序列；为的紧邻均值生成序列。

市场经济是人类迄今在资源配置中最为有效的方式，其伴随的竞争机制是经济活力的源泉，也是提高企业效率的最佳途径。市场具有点石成金的魔力，世界上的高收入国家无一例外都拥有发达的市场经济，中国改革以来的经济增长奇迹在本质上得益于市场经济的引入和不断拓展。但是市场的有效运作需要一系列前提条件，包括法律支持、产权保护、公平秩序、充分信息等，这就需要政府提供这些基础性的支撑。同时，市场的作用也不是万能的，市场在面临公共产品、外部性、自然垄断、非对称信息等情形下会出现失灵，往往需要政府发挥相应的作用。政府正当干预与政府监管，是经济社会持续发展的必要条件，能够对市场经济和个人活动起催化、促进和补充作用。

GM(1,N)模型的参数拟合方法表示如下：

通过重复改变式(1)中函数的范围,其余3种不同程度的变形即可表示出来。通过对绕组径向变形程度模型的建立,即可求取变形后的变压器绕组参数。在绕组变形的情况下,电场为不均匀分布。

令，

 

 

本研究利用灰色预测模型中的GM(1,N)模型对中西太平洋鲣鱼资源相对丰度进行预测，其中N为模型中所采样的环境变量+1。GM(1,N)模型的基本形式为:

 

(9)

预测值为其计算公式为：

 

(10)

1.2.4 因子重要性和模型评价

本课程虽然采用项目化的教学手段，但是并不是完全摒弃传统的讲授的教学方法。相反，讲授法对于本课程也是必不可少的，主要在以下方面采用此方法：教师需要向学生讲授一部分完成项目所必备的基础知识；教师向学生详细阐述各项目的具体要求、完成时间和项目成果等；教师对学生完成项目过程中的指导、讲解和纠正；教师对各小组完成的项目情况进行全面详尽的点评。

模型M1：包含所有因子的GM(1, 5)模型，因子包括SST、SSH、Chl-a和SSTA；

模型M2：不包含SST的GM(1, 4)模型；

模型M3：不包含SSH的GM(1, 4)模型；

模型M4：不包含Chl-a的GM(1, 4)模型；

久厌尘嚣避世荣，一丘恬淡寄余生。当时同调人何处，今夕伤怀泪独倾。几负竹窗清月影，更惭花坞晓莺声。岂知共结烟霞志，总付千秋别鹤情。[9]274

模型M5：不包含SSTA的GM(1, 4)模型。

（6）碾压遍数是碾压一次成功的保证。胶轮压路机主要起到终压收面、消除轮迹的作用，与压实度的增长无明显关系。

已有多项研究证明，SST对中西太平洋鲣鱼资源量的变化有着重要的影响[3-4]。因此本研究采用SST作为单一环境因子来进行模型构建，拟选取关联度大于0.95的月份作为因子。根据结果来看，5月、6月和11月3个SST因子入选，因此拟构建以下4种模型：

模型S1：包含所有SST因子的GM(1, 4)模型，因子为5月、6月和11月的SST值；

综合考虑关联度和因子组合来确定因子的重要性[13]。为了比较不同环境因子对资源相对丰度预测的效果，本研究中分为多环境因子模型和单一环境因子模型来进行比较。多环境因子模型中，拟构建了以下5种模型：

同时求出真实CPUE和预测CPUE之间的相关系数，相关系数越大则说明模型效果越好。

模型S3：不包含5月SST的GM(1, 3)模型；

模型S4：不包含6月SST的GM(1, 3)模型。

最终检验模型有效性来进一步验证因子的重要性。主要通过计算相对误差和相关分析来实现。相对误差是将真实的CPUE与预测计算的CPUE进行比较，通过计算上述模型的相对误差值大小来决定模型的优劣。其公式为：

 

(11)

其中：ε为相对误差，B为预测值，为真实值。

模型S2：不包含11月SST的GM(1, 3)模型；

2 结果

2.1 历年CPUE变化规律

从统计数据中可以发现，鲣鱼产量逐年稳步提升，在2001—2003年、2004—2007年以及2011—2013年产量均有较大的增长，在其他的年份相对保持平稳。而CPUE存在着较大的年间差异，经历了两次剧烈波动(图1)，2006—2010年以及2012年CPUE均高于14 t/net，2006年达到最高值15.90 t/net；而2003—2004年、2011年和2013年均低于10 t/net，其中2004年为最低值，仅为7.30 t/net。

2.从各个具体省份和城市着手分析，中方在巴利益的聚集点主要是旁遮普省、信德省、俾路支省和伊斯兰堡地区，具体城市分布在卡拉奇、瓜德尔、奎达、拉合尔、白沙瓦和首都伊斯兰堡。自2008年开始，以2013年为分水岭，恐怖事件基本上都开始减少，2017年发生的次数处于历史最低值，基本可以确认不会发生普遍性和规模性袭击中方在巴项目的事件。因此可以大胆的推测，在未来局势也会越来越好，安全指数会不断提高，中方的利益可以得到保障。

  

图1 1998—2013年中西太平洋鲣鱼历年产量和平均CPUEFig.1 Distribution of annual catch and mean CPUE of Katsuwonus pelamis in the Western and Central Pacific Ocean from 1998 to 2013

2.2 灰色绝对关联分析结果

根据历年各月的环境因子灰色绝对关联分析的结果(表1)，SST为最大影响因子，其灰色关联度平均值明显大于其他各项因子，为0.860 7；其次为SSTA，平均关联度为0.740 3；Chl-a和SSH的平均关联度分别为0.561 0和0.534 8。从各月结果来看，5月的SST和Chl-a、11月的SSH和7月SSTA为各组因子中最大的月关联系数，因此在针对后续的多环境因子模型构建中，采用上述4项因子作为鲣鱼资源相对丰度预报的备选因子。

SST在4项因子中的平均关联度最高，从其各月情况来看，关联度有较大的不同，关联系数大于0.95的因子有3个月，分别为5月、6月和11月(表1)。因此在后续的单环境因子模型构建中，采用上述3个月的SST作为鲣鱼资源相对丰度预报的备选因子。

 

表1 环境因子子序列与资源相对丰度母序列的 灰色绝对关联度分析结果Tab.1 The result of grey absolute correlation analysis for the relative abundance sequence and sub-sequences of environmental factors

  

月份SSTSSHChl-aSSTA 10.849 20.510 20.532 60.585 820.792 10.511 10.566 80.598 830.924 10.514 10.552 00.635 440.911 30.518 00.608 20.715 950.981 8*0.522 80.622 8*0.757 660.971 30.527 30.574 30.777 770.592 30.527 20.550 70.864 0*80.715 00.533 80.550 80.827 390.699 60.542 00.542 40.847 8100.879 20.545 70.553 20.735 2110.977 70.598 9*0.544 00.726 3120.923 20.579 20.538 30.694 1年均值 0.942 40.522 30.556 60.857 5总均值 0.860 70.534 80.561 00.740 3

注：*为选出的灰色关联度最大的月份

2.3 预测模型选择

针对多环境因子的情况，不同模型的预测结果如表2所示。从相对误差平均值上看，其值由小到大依次为模型M4、模型M1、模型M3、模型M2和模型M5，不包含SST和SSTA的模型(模型M2和模型M5)的相对误差值较大，而不包含Chl-a的模型M4的相对误差最小。在相关系数结果中，相关系数值由大到小依次为模型M1、模型M3、模型M2、模型M4和模型M5，其中只有模型M1和模型M3的相关系数大于0.5。从模型误差的结果中可以看出，在相对误差较大的年份(如2003年)中，模型M1呈现相对较小的误差，这在资源相对丰度预测中也能很好地体现(图2)。综上所述，模型M1，即包含4种环境因子的模型为最优预测模型，能够依据多个环境因子较好地还原鲣鱼历年资源相对丰度的变化情况(图2)。

针对单一环境因子的情况，不同模型的预测结果如表3所示。从相对误差平均值上看，4种模型相差较小，其值由小到大依次为模型S2、模型S4、模型S1和模型S3，包含11月SST的模型(模型S3和模型S4)的相对误差值较大，而包含5月和6月SST的模型(模型S2)的相对误差最小。在相关系数结果中，相关系数值由大到小依次为模型S2、模型S1、模型S3和模型S4，所有模型的相关系数均大于0.7。从模型误差的结果中可以看出，在相对误差较大的年份(2003 年)中，模型S2和模型S4均呈现相对较小的误差，这在资源相对丰度预测中也能够找到类似规律(图3)。综上所述，模型S2，即不包含11月SST的模型为最优预测模型，能够依据单一环境因子SST较好地还原鲣鱼历年资源相对丰度的变化情况(图3)。

混合式学习方法集传统教学与在线学习优点于一体，逐渐成为现代教育学习方式的发展趋势。那么混合式教学方法是有有利于《模拟电子技术》课堂的教学呢？将通过2016 级学生的期末考试成绩进行对照。2016 级自动化学生为混合式教学班，电子信息工程为传统教学班，同一名教师授课，两个专业学时相同，考试试题一样。

 

表2 基于多环境因子的中西太平洋鲣鱼资源相对丰度预测模型相对误差(%)和相关系数Tab.2 The relative error (%) and correlation of skipjack relative abundance in the Western and Central Pacific Ocean forecasting models based on multiple environmental factors

  

年份模型M1*模型M2模型M3模型M4模型M519990.745 50.996 20.996 71.000 00.848 620005.349 60.931 01.015 00.282 53.738 120010.814 60.334 50.349 00.769 60.042 420020.151 30.339 80.451 17.384 50.801 2200324.288 670.264 958.984 049.368 381.143 320040.261 02.191 03.950 74.400 20.750 520050.937 40.918 00.896 40.941 20.910 520060.303 50.788 90.823 90.308 80.844 120070.073 00.644 10.643 00.752 20.492 120081.663 07.072 14.252 52.032 912.408 020090.888 30.411 00.414 20.587 50.786 620103.333 10.656 90.600 30.873 50.052 920119.038 55.848 17.067 13.034 38.348 620120.983 60.917 30.909 00.906 40.951 2201354.772 629.491 230.899 617.905 445.743 2平均相对误差 6.475 27.612 87.015 85.659 29.866 3相关系数0.687 40.410 50.563 70.302 00.252 5

注：*为选择的最优模型

  

图2 基于多环境因子的不同模型对中西太平洋鲣鱼资源相对丰度预测结果Fig.2 Predict results of different models for skipjack relative abundance in the Western and Central Pacific Ocean based on multiple environmental factors

 

表3 基于单一环境因子的中西太平洋鲣鱼资源相对丰度预测模型相对误差(%)和相关系数Tab.3 The relative error (%) and correlation of skipjack relative abundance in the Western and Central Pacific Ocean forecasting models based on single environmental factor

  

年份模型S1*模型S2模型S3模型S419990.959 10.932 40.966 90.937 820002.962 91.396 44.999 32.315 220010.220 40.558 40.074 90.466 320020.239 80.004 90.300 00.530 6200350.603 440.122 459.179 944.718 020040.936 87.768 50.875 213.224 020050.819 70.837 50.791 10.813 020060.565 60.678 10.715 00.825 220070.065 10.298 40.347 50.587 320080.230 00.047 60.162 80.921 420090.778 30.704 10.772 40.661 720100.675 50.165 00.481 50.113 220119.125 810.453 59.780 611.899 320120.957 70.967 20.924 20.939 2201358.238 253.773 153.439 547.149 8平均相对误差7.961 27.419 28.363 27.881 4相关系数0.783 60.791 00.774 70.761 9

注：*为选择的最优模型

  

图3 基于单一环境因子的不同模型对中西太平洋鲣鱼资源相对丰度预测结果Fig.3 Predict results of different models for skipjack relative abundance in the Western and Central Pacific Ocean based on single environmental factor

3 讨论

从1998—2013年鲣鱼渔获量与CPUE变化可以发现，两者的变化规律有所差异(图1)。随着科技的不断发展，捕捞努力量也在不断增加，因此渔获量也呈现逐年增加的趋势[2]，但是这并不能反映出鲣鱼资源相对丰度的真实情况。而CPUE主要是反映单位时间内所获得的渔获量，因此即使捕捞努力量有所提升，CPUE也不会一直保持增长，而是会呈现波动变化，这能够较真实地反映鲣鱼资源相对丰度的真实情况。尽管鲣鱼是一种游泳速度较快的鱼类，有着较大的洄游范围，但其资源相对丰度仍然主要是受到周边海洋环境变化的影响，导致其补充量所必须的栖息范围等生存条件发生变化，这直接导致了该年整体资源量发生相应的变化。因此，通过研究环境因子来预测鲣鱼的资源相对丰度有着科学依据，同时也有实际指导意义。

由灰色关联分析可以发现，SST和Nino3.4区SSTA两个因子与CPUE均表现出了较高的关联度，关联系数超过了0.7，而其他两个因子则仅为0.5～0.6(表1)。已有多个研究表明，SST对鲣鱼的渔场分布具有至关重要的作用，鲣鱼主要分布于SST范围在28～30 ℃的海域，尤其以29～29.5 ℃为主[3-4]。在如此小的温度范围内，即使SST仅发生了微小的变化，也会对鲣鱼的适宜栖息地产生影响，从而导致其资源量发生变化。而SST的这种变化主要是由大尺度气候变化——厄尔尼诺现象所造成的。大多学者认为，厄尔尼诺现象对中西太平洋鲣鱼的渔场分布有着很大的影响，而暖池的位置变化是主要原因。LEHODEY et al[6]研究认为鲣鱼作业渔场会随暖池边缘29 ℃等温线在经向上发生偏移。而针对鲣鱼的资源量，有学者认为厄尔尼诺年份的资源量较低，而拉尼娜年份资源量较高，且这种影响不存在滞后效应[8]。由本文分析结果可以发现，5月SST和7月SSTA与CPUE有着最高的关联度(表1)，这与郭爱 等[7]的研究有类似之处。鲣鱼的捕捞作业为全年性，高产月份集中在4—6月。因此5月SST的变化也能直接影响到全年资源相对丰度，起到指示作用。而7月处在产量从高转低的过渡月，此时气候引起的温度变化(SSTA)不仅影响到下半年的资源量，同时也会在一定程度上对补充量产生影响。其他环境因子(如SSH和Chl-a)也会对鲣鱼资源相对丰度产生一定的辅助影响，但并不是主要因素，这在其他研究中也有所描述[3]。

在预测模型构建中，本研究尝试比较不同环境因子对预测模型产生的影响，因此利用多环境因子模型和单一环境因子模型分别进行分析。在多环境因子模型中，经过综合分析，包含所有4项因子(SST，SSTA，SSH和Chl-a)的模型M1被选为最佳模型，预测值与实际值的相对误差较小，而相关系数为最大(表2)。去除SSH的模型M3和去除Chl-a的模型M4的相对误差也相对较小，而其他剩余的两个模型相对误差则较大，这也证实了SST和SSTA对鲣鱼资源相对丰度有着重要的影响。温度的适宜性是所有鱼类生存的重要前提，适宜的温度会使得该海域的饵料生物能够正常地存活生长，这为鲣鱼的生长提供了丰富的食物来源，也能够保证鲣鱼的生存[16]。但由于模型M3和M4的相关系数较小，且在某些年份(如1999和2002年)，其预测结果较差，不能够很好地反映真实的资源状态，无法证实模型的有效性，因此也不予考虑。

作为影响鲣鱼资源相对丰度的最重要因素，SST的变化也是多数学者深入研究的主要环境因子[3-4, 17-18]。本文中也发现SST与CPUE的关联度最高，因此讨论单独采用SST作为因子的灰色预测模型结果。从构建的4个模型来看，模型间相对误差和相关系数差别都较小，相关系数均在0.75～0.80之间(表3)，能够较好地反映出模型的有效性。相比多环境因子模型，单一环境因子模型表现出了较高的稳定性，虽然在某些年份的预测值存在较大的误差，但在大多数年份可以很好地反映鲣鱼资源相对丰度情况。因此在中西太平洋鲣鱼资源相对丰度的预测中，采用基于SST的单一环境因子模型比多环境因子模型有着更好的预测效果。针对某些误差较大的年份，可以发现均为资源相对丰度较低的年份(2003和2013年)，且与前一年相比波动较大(图3)。灰色系统是一种基于贫数据的分析方法[15]，因此在基于少量数据构建的模型中，预测模型会受到前列数据的影响，在各组的结果间倾向于表达出相对平缓的变化趋势，对发生突变情况的响应能力较差，因此也导致了模型存在一定的不确定性，在某些低产年份中有误差较大的情况发生(图3)，后续的研究中需要进一步研究此问题。

4 小结

本研究利用灰色系统GM(1,N)模型构建了中西太平洋鲣鱼资源相对丰度的预测模型，比较了用不同环境因子构建预测模型的结果，可为中西太平洋鲣鱼资源相对丰度变化提供参考依据。后续的研究中可以适当增加相应的环境因子以更好地对资源量进行预报，但仍需对增加的因子谨慎对待(如PDO，主要适用于北太平洋海域[13, 19])，同时由于灰色系统模型具有一定的限制性，无法进行有效的推测性分析，因此在今后的研究中应尝试利用其他预测模型，如线性模型[19]、神经网络模型[20]等预测模型进行资源量预测性分析，并结合其他方法[21]进行综合比较，选取最优模型及因子，从而能够更准确地预测中西太平洋鲣鱼资源量的变化规律。

参考文献（References）：

[1] COLLETTE B B, NAUEN C E. FAO species catalogue: Vol. 2 Scombrids of the world—an annotated and illustrated catalogue of tunas, mackerels, bonitos and related species known to date[R]. Rome: FAO Fisheries Synopsis, 1983.

[2] JIN Shao-fei, FAN Wei. Review and perspectives on skipjack tuna fishery under global climate change[J]. Fishery Information and Strategy, 2014, 29(4): 272-279.

靳少非，樊伟. 鲣鱼资源开发利用研究现状及未来气候变化背景下研究展望[J].渔业信息与战略, 2014, 29(4): 272-279.

[3] TANG Hao, XU Liu-xiong, CHEN Xin-jun, et al. Effects of spatiotemporal and environmental factors on the fishing ground of skipjack tuna (Katsuwonus pelamis) in the Western and Central Pacific Ocean based on generalized additive model[J]. Marine Environmental Science, 2013, 32(4): 518-522.

唐浩，许柳雄，陈新军, 等．基于 GAM 模型研究时空及环境因子对中西太平洋鲣鱼渔场的影响[J]. 海洋环境科学，2013，32(4): 518-522.

[4] YANG Sheng-long, ZHOU Su-fang, ZHOU Wei-feng, et al. The relationship between skipjack tuna (Katsuwonus pelamis) catch and water temperature and surface salinity in the west-central Pacific Ocean based on Argo data[J]. Journal of Dalian Fisheries University, 2010, 25(1): 34-40.

杨胜龙，周甦芳，周为峰, 等．基于Argo数据的中西太平洋鲣渔获量与水温、表层盐度关系的初步研究[J]. 大连水产学院学报, 2010, 25(1): 34-40.

[5] ZHOU Su-fang. Impacts of the El Nio Southern Oscillation on skipjack tuna purse-seine fishing grounds in the Western and Central Pacific Ocean[J]. Journal of Fishery Sciences of China, 2005,12(6): 739-744.

周甦芳.厄尔尼诺—南方涛动现象对中西太平洋鲣鱼围网渔场的影响[J]. 中国水产科学，2005,12(6): 739-744.

[6] LEHODEY P, BERTIGNAC M, HAMPTON J, et al. EL Nio Southern Oscillation and tuna in the Western Pacific[J]. Nature, 1997, 389(6 652): 715-718.

[7] GUO Ai, CHEN Xin-jun. The relationship between ENSO and tuna purse-seine resource abundance and fishing grounds distribution in the Western and Centra1 Pacific Ocean[J].Marine Fisheries, 2005, 27(4): 338-342.

郭爱，陈新军. ENSO与中西太平洋金枪鱼围网资源丰度及其渔场变动关系[J]. 海洋渔业，2005, 27(4)：338-342.

[8] CHEN Yang-yang, CHEN Xin-jun. Influence of El Nio/La Nia on the abundance index of skipjack in the Western and Central Pacific Ocean[J]. Journal of Shanghai Ocean University, 2017, 26(1):113-120.

陈洋洋，陈新军. 厄尔尼诺/拉尼娜现象对中西太平洋鲣鱼资源丰度的影响[J]. 上海海洋大学学报，2017, 26(1):113-120.

[9] CHEN Xin-jun, GAO Feng, GUAN Wen-jiang, et al. Review of fishery forecasting technology and its models[J]. Journal of Fisheries of China, 2013,37(8): 1 270-1 280.

陈新军,高峰,官文江,等. 渔情预报技术及模型研究进展[J]. 水产学报, 2013, 37(8):1 270-1 280.

[10] DENG Ju-long. Basic method of gray system[M]. Wuhan: Huazhong University of Science and Technology Press, 1987: 20-60.

邓聚龙. 灰色系统基本方法[M]. 武汉：华中理工大学出版社，1987: 20-60.

[11] LIU Si-feng, YANG Ying-jie, WU LI-feng, et al. Theory and application of grey system[M]. the seventh edition. Beijing: Science Press, 2014: 12-205.

刘思峰, 杨英杰, 吴利峰,等. 灰色系统理论及其应用[M].第七版. 北京: 科学出版社, 2014: 12-205.

[12] CHEN Xin-jun, TIAN Si-quan, YE Xu-chang. Study on population structure of flying squid in Northwestern Pacific based on gray system theory[J]. Journal of Shanghai Fisheries University, 2002, 11(4): 335-341.

陈新军，田思泉，叶旭昌. 西北太平洋柔鱼种群的灰色聚类[J]. 上海水产大学学报，2002，11(4)：335-341.

[13] GAO Xue, CHEN Xin-jun, YU Wei. Forecasting model of abundance index of winter-spring cohort of Neon flying squid(Ommastrephes bartramii)in the Northwest Pacific based on grey system theory[J]. Acta Oceanologica Sinica, 2017, 39(6):55-61.

高雪, 陈新军, 余为. 基于灰色系统的西北太平洋柔鱼冬春生群资源丰度预测模型[J]. 海洋学报, 2017, 39(6):55-61.

[14] WANG Jin-tao, CHEN Xin-jun. Changes and prediction of the fishing ground gravity of skipjack (Katsuwonus pelamis) in Western-Central Pacific[J].Periodical of Ocean University of China, 2013,43(8): 44-48.

汪金涛, 陈新军. 中西太平洋鲣鱼渔场的重心变化及其预测模型建立[J]. 中国海洋大学学报, 2013, 43(8): 44-48.

[15] CHEN Xin-jun. Grey system theory in fisheries science[M]. Beijing: China Agriculture Press, 2003:94-105.

陈新军. 灰色系统理论在渔业科学中的应用[M]. 北京：中国农业出版社，2003:94-105.

[16] LONGHURST A, SATHYENDRANATH S, PLATT T, et al. An estimate of global primary production in the ocean from satellite radiometer data[J]. Journal of Plankton Research, 1995, 17(6): 1 245-1 271.

[17] GUO Ai, CHEN Xin-jun. Studies on the habitat suitability index based on the vertical structure of water temperature for skipjack Katsuwonus pelamis purse-seine fishery in the West-central Pacific Ocean[J]. Marine Fisheries, 2009, 31(1): 1-9.

郭爱，陈新军. 利用水温垂直结构研究中西太平洋鲣鱼栖息地指数[J]. 海洋渔业，2009, 31(1) : 1-9．

[18] YE Tai-hao, FENG Bo, YAN Yun-rong, et al. The relationship between skipjack (Katsuwonus pelamis) catch and vertical water temperature and salinity in the West-central Pacific Ocean[J]. Transactions of Oceanology and Limnology, 2012(1): 49-55.

叶泰豪, 冯波, 颜云榕, 等. 中西太平洋鲣渔场与温盐垂直结构关系的研究[J]. 海洋湖沼通报, 2012(1): 49-55.

[19] YU Wei, CHEN Xin-jun. Analysis of environmental conditions and their influence on the abundance of neon flying squid in the Northwest Pacific Ocean[J]. Acta Ecologica Sinica, 2015, 35(15): 5 032-5 039.

余为, 陈新军. 西北太平洋柔鱼栖息地环境因子分析及其对资源丰度的影响[J]. 生态学报, 2015, 35(15):5 032-5 039.

[20] XIE Bing, WANG Jin-tao, CHEN Xin-jun, et al. Forecasting model of abundance index for Cololabis saira in the Northwest Pacific Ocean[J]. Journal of Guangdong Ocean University, 2015, 35(6):58-63.

谢斌, 汪金涛, 陈新军,等. 西北太平洋秋刀鱼资源丰度预报模型构建比较[J]. 广东海洋大学学报, 2015, 35(6):58-63.

[21] LI Zeng-guang, WAN Rong, YE Zhen-jiang, et al. Use of random forests and support vector machines to improve annual egg production estimation[J]. Fisheries Science, 2017, 83(1): 1-11.