09第九章_资源预报.ppt

《09第九章_资源预报.ppt》由会员分享，可在线阅读，更多相关《09第九章_资源预报.ppt（83页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第一节 资源量估算 第二节 渔获量预报 第三节 相关研究进展第九章 渔业资源的估算和预报第一节 资源量的估算 资源量是种群(或群体)资源量，指的是种群的可捕部分，用尾数或重量表示，包括补充部分和剩余部分，不包括补充以前的数量，又称经济资源、渔获资源、可捕资源。资源量的估算方法大致可分为两类：1.根据渔业统计资料概算，统计、数理方法（VPA）2.根据调查资料概算，试捕调查、鱼卵仔鱼调查、声学仪器调查、标志放流调查、初级生产力调查 一、根据扫海面积法估算资源量拖网扫海面积图示。适用于底层鱼类，有两个必要条件(1)被调查海区应包括资源群体分布的整个范围；(2)已知拖网经过通道内每一网次捕获的比例回避

2、，移动。每网的扫海面积:a:每网扫海面积;D:每网拖曳的距离;h:上纲的长度;x2:上纲长度的一个比率值;hx2:通道宽度;x2=0.5（0.4-0.66）若能取得开始、结束时的位置：Lat1,Lat2：拖曳开始、结束时的纬度Lon1,Lon2 ：拖曳开始、结束时的经度 (Lon1,Lat1)(Lon2,Lat2)c2=a2+b2若不能取得经、纬度值，则可vs：船速（节=海里/小时）cs：流速（节）dirv：渔船的航向（度）dirc：流向（度）总资源量：Cw：拖曳一网的渔获量；A：渔场总面积；x1：实际渔获比率。影响因素：x1(0.5,1)拖曳时间资源分布不均二、根据鱼卵、仔鱼数量估计资源量。

3、估算未来的种群补充量。估算亲鱼的资源量。采集方法：沉性卵 潜水员或使用耙具。浮性卵 浮游生物网该海区生殖群体数量：P：海区卵子总量。H：雌鱼平均怀卵量。R:生殖群体中雌鱼比例。其中 p：每网捞到的鱼卵数。a：每网捕捞的范围。A：调查海区的范围。缺点：网对鱼卵的捕捞率未知，不易精确计算 N 值。三、标志放流法。条件：（1）标志鱼和未标志的鱼的死亡率相等；（2）标志鱼不脱掉标志牌；（3）标志鱼和原来的鱼群充分混合；（4）标志鱼和未标志鱼的捕获率相同；（5）可以忽略调查期间的补充量；（6）重捕全被发现并均有回收报告。则四、根据累计渔获量、累计捕捞努力量和捕捞死亡系数估算资源量。1、用累积渔获量估算资

4、源量（Leslie法）。（不计自然死亡）即 t 期间的CPUE等于 q 乘该期间的平均资源尾数。Kt：到（t-1）时期之间的总累计渔获量，则：即再进行回归计算。2、用累计捕捞努力量估算资源量（Delury法）。设自然死亡不计，则 设则：用回归法计算参数值。3、根据捕捞死亡系数估算资源量（Sekharan，1974）：年平均资源量。巴拉诺夫的渔获量方程五、根据初级生产力估算资源量的方法。P0：初级生产力；E：生态效率=捕食者B/被捕食者B；（10-20%）n：营养阶层转换级数。（金枪鱼4级）主要是根据生物生产、能量流动生态系统两大功能。碳干有机物湿绿色有机物 优点：计算简单；缺点：误差大，原因：

5、（）初级生产力推算数据，（）准确估计生态效率，（）捕捞对象的营养层次估计不同，（）从潜在的资源量中渔获多少？六、用水声学法估计资源量。根据调查海区的大小，确定探鱼仪探察和拖网试捕的站位，按鱼群映像和试捕结果画出这种鱼群的分布范围。（2）鱼群密度：1）声学法：适用于中上层和底层有鳔鱼类。2）摄影测量法：声、电和生物三者结合。3）目测法：个人经验重要。（3）回声积分仪的原理与方法密度求积资源量迅速，直接，准确。第二节 渔获量预报资源量估算是渔获量预报的基础,但二者不相同.渔获量:1.趋势预报:“丰收”,“良好”,“一般”,“较差”2.数量预报:该年份，渔汛；该渔业，鱼种 时间上：1.长期预报:一年

6、或几年(依据渔业生物学、环境因子、渔业统计)2.短期预报:渔汛(渔获量、时间长短、早迟、中心渔场)一、渔获量预报方法（1）统计分析法：根据历年的生产统计资料进行预报的方法。假设渔业稳定，资源具周期性波动特点。（2）相关分析法：根据自然环境因子获渔业统计资料作为相关性预报指标，对照历年的相对应渔获量统计作相关分析，并建立预报性的回归方程（预报模型）。（灰色模式）例：吴敬南和程传申（1959），辽东湾毛虾；韦晟和周彬彬（1988），黄海蓝点马鲛；叶昌臣，黄斌等（1990），渤海秋汛对虾。（3）资源分析法 根据资源本身的变化来预报渔获量。刘传桢（1981）：用每网小时幼虾数量掌握世代强度，来预报秋汛

7、对虾产量。（4）世代分析法（第十一章具体介绍）（5）综合分析法：主要以资源分析为基础，参照统计分析法和相关分析法进行综合分析预报。二、相关分析法1、步骤 （1）选择与资源量或渔获量密切相关的因子作为相关性预报指标 （2）寻找相关性指标变化与资源量或渔获量变动之间的相关关系 （3）建立预报模型 （4）作出预报 2、相关因子自然因子渔业统计资料或试捕资料 （1）自然因子：降雨量、水温、径流量等环境因子影响鱼类饵料的丰欠，鱼类的成活和生长。例如：“雨水好，隔年虾丰产”（2）渔业统计资料或试捕资料，经过适当处理，取得相对资源量 指标：即CPUE与平均资源量成正比在实际应用中，通常进行年间比较，来预报资

8、源量和渔获量。3、挑选预报因子的方法（1）图示法：适用于单因子样本资料 直线 曲线（2）计算相关系数，进行显著检验。.当有多个预报因子时，用多元线性回归法或多元非线性回归法或指数曲线方程：幂函数方程：实例 渤海秋汛对虾渔获量预报（叶昌臣，1990）一、一元回归法图10-5，幼对虾试捕站位图 从1965年开始，黄海所、山东省所、辽宁所、河北所、天津所，每年8月，对虾试捕。用逐步逼近法，得出三个湾的加权系数分别为0.425,0.400,0.175总资源量渔获量 回归,(1965-1973)1974年,加入滦河口(x4)多元回归:(1974-1982)先分别作 x1(渤海湾)、x2(莱州湾)、x3

9、(辽东湾)和 x4(滦河口)对秋汛渤海对虾产量(y)的一元回归分析.秋汛渤海对虾渔获量中有99%以上被四个湾的相对资源量所控制,除此以外的非了解信息对产量的影响已是微不足道的了。影响因素：（1）9月初的资源量（8月初试捕）（2）生长（W）（3）自然死亡（M）（4）捕捞努力量（f）若上述因素稳定，则可用此方程预报。第三节 渔情预报技术及模型研究进展摘要：渔情预报是渔场学的重要研究内容，对渔业科学生产和渔业资源管理具有重要的意义。近年来，随着现代统计理论、数值计算方法、数据挖掘和人工智能等理论和技术的发展，使渔情预报技术和模型的发展焕发出了新的活力，为此本文对渔情预报技术及模型研究进展进行了回顾，

10、并对今后发展提出了展望本文简要概述了渔情预报建模的理论和方法渔情预报相关的渔场学基础、数据模型和预报模型，重点介绍了基于统计和机器学习、人工智能方法的渔情预报模型的应用和研究现状对各种模型在渔情预报应用中的优势与缺陷进行了综合分析，针对存在的问题提出了建议。主要建议包括:建立专为渔业服务的海洋环境预报系统;进行长期系统的渔业资源调查，针对不同鱼种和海区对数据获取和处理方法进行标准化和规范化;借助随机模拟方法降低模型不确定性，提高预报精度。研究背景n准确的渔情预报可以指导企业合理安排渔业生产，缩短寻找渔场的时间，减少成本、提高渔获产量。n我国于20 世纪50 年代开始对近海主要经济鱼种进行渔情预

11、报工作，积累了丰富的经验。n20 世纪80年代以来，地理信息系统的发展为渔情分析和渔场预报研究提供了强大的分析工具。n海洋卫星遥感技术的普及使得人们能快速获取大范围内的海况信息，实时船位监控及海事卫星通讯技术使得远洋渔船能有效地接收渔情预报机构的实时预报。1.渔情预报的理论和方法n渔情预报：渔情预报是对未来一定时期和一定水域内水产资源状况各要素，如渔期、渔场、鱼群数量和质量以及可能达到的渔获量等所做出的预报。n渔情预报分类：按照预报内容的不同，可分为三种类型，即1.关于资源状况的预报2.关于时间的预报3.关于空间的预报关于资源状况的预报n预报鱼群的数量、质量以及在一定捕捞条件下的渔获量，这种预

12、报主要是中长期的。n对于渔业管理和生产的意义：渔业管理部门可以将预报结果作为制订渔业政策的参考信息，渔业生产企业也可以根据这些预报合理安排捕捞努力量，适应负责任捕捞和渔业可持续发展的要求。n目前，关于渔业资源状况的预报模型主要以鱼类种群动力学为基础，数学上则主要采用统计回归、人工神经网络和时间序列分析等方法关于时间的预报n主要包括预报渔期出现的时间和持续的时间等。n这类预报要求预报者对目标鱼类的洄游和集群状况有较深入的了解，需要采用有效的观测手段，实时地了解目标区域的天气、海流、水温结构以及饵料生物情况，结合渔民和渔业研究者的经验来进行预报。n随着国内渔业生产模式的改变，渔情预报研究者已从渔业

13、生产一线脱离，因此目前这类预报主要以有经验的渔业生产者的现场定性分析为主，其原理很难进行明确的量化解释，已有的定量研究一般也仅采用简单的线性回归关于空间的预报n预报渔场出现的位置或鱼类资源的空间分布状况，即通常所说的渔场预报。n由于渔业资源的逐渐匮乏以及燃油、入渔等成本的不断升高，渔业生产过程中渔场位置的预报变得越来越重要，企业对其实时性、准确性的要求也越来越高。n因此渔场位置的预报模型研究相当活跃，国内外大多数渔情预报模型都是渔场的位置预报模型渔情预报模型的组成一个合理的渔情预报模型应考虑三个方面的内容，即渔场学基础、数据模型和预报模型。n渔场学部分主要包括鱼类的集群及洄游规律、环境条件对鱼

14、类行为的影响以及短期和长期的环境事件对渔业资源的影响。n数据模型部分主要包括渔业数据和环境数据的收集、处理和应用的方法以及这些方法对预报模型的影响。n预报模型部分则主要包括建立渔情预报模型的理论基础和方法以及相应的模型参数估计、优化及验证，以及其不确定性分析渔场学基础n鱼类的分布由其自身生物学特性和外界环境条件共同决定。n海洋鱼类一般都有集群和洄游和习性，其集群和洄游的规律决定了渔业资源在时间和空间的大体分布。n鱼类的行为与其生活的外界环境有密切的关系。鱼类生存的外界环境包括生物因素和非生物因素两类。生物因素包括敌害生物、饵料生物、种群关系。非生物因素包括水温、海流、盐度、光、溶解氧、气象条件

15、、海底地形和水质因素等。n各类突发或阶段性、甚至长期缓慢的海洋环境事件，如赤潮、溢油、环境污染、厄尔尼诺现象、全球气候变暖，引起渔业资源在时间、空间、数量和质量上的振荡。数据模型n渔场预报研究所需要的数据主要包括渔业数据和海洋环境数据两类，数据的收集、处理和应用的策略对渔情预报模型具有重要影响。n由于商业捕捞的作业地点不具备随机性，空间和时间上的合并处理将使模型产生不同的偏差;涡流和峰面等海洋现象具有较强的变化性，海洋环境数据在空间和时间尺度上的平均将会弱化甚至掩盖这些现象。n在构建渔情预报模型时应选择合适的时空分辨率，以降低模型偏差、提高预测精度。n渔情预报模型的构建也应充分考虑渔业数据本身

16、的特殊性，如渔业数据都是一种类似“仅包含发现”的数据，即重视记录有渔获量的地点，而对于无渔获量的地点的记录并不重视。n最后，低分辨率的历史数据、空间位置信息等数据的应用也应选择合适的策略。预报模型n渔情预报模型主要可分为三种类型，即经验/现象模型、机理/过程模型和理论模型。n现有的渔情预报模型还是以经验/现象模型为主。这类模型常见的开发思路有两种:n一种以生态位或资源选择函数为理论基础，主要通过频率分析和回归等统计学方法分析出目标鱼种的生态位或者对于关键环境因子的响应函数，从而建立渔情预报模型。n另一种是知识发现的思路，即以渔业数据和海洋环境数据为基础，通过各类机器学习和人工智能方法在数据中发

17、现渔场形成的规律，建立渔情预报模型模型的区别n基于统计学的渔情预报模型以回归为中心，其模型结构是预先设定好的，主要通过已有数据估计出模型系数，然后用这些模型进行渔场预测，可以称之为“模型驱动”(model driven)的模型。n基于机器学习和人工智能方法的预测模型则以模型的学习为中心，主要通过各种数据挖掘方法从数据中提取渔场形成的规则，然后使用这些规则进行渔场预报，是“数据驱动”(data driven)的模型渔情预报模型的构建n建立渔情预报模型的过程分为四个步骤:(1)研究渔场形成机制;(2)建立渔情预报模型;(3)模型校正;(4)模型评价和改进。建立模型n渔情预报模型的构建应以目标鱼种的

18、生物学和渔场学研究为基础，力求模型与渔场学实际的吻合。n如果对目标鱼种的集群、洄游特性以及渔场形成机制较清楚，可选择使用机理/过程模型或理论模型对这些特性和机制进行定量表述。n如果对这些特性和机制的了解并不完全，则可选择经验/现象模型，根据基本的生态学原理对渔场形成过程进行一种平均化的描述。n无论构建何种预测模型，都应充分考虑模型所使用的数据本身的特点，这对于基于统计学的模型尤其重要模型校正(model calibration)n建立预报模型方程之后，对于模型参数的估值以及模型的调整。根据预报模型的不同，模型参数估值的方法也不一样。n对于各类统计学模型，其参数主要采用最小方差或极大似然估计等方

19、法进行估算;而对于人工神经网络模型，权重系数则通过模型迭代计算至收敛而得到。n在渔情预报模型中，除了估计和调整模型参数和常数之外，模型校正还包括对自变量的选择。在利用海洋环境要素进行渔情预报时，选择哪些环境因子是一项比较重要也非常困难的工作模型评价(model evaluation)n主要是对于预测模型的性能和实际效果的评价。模型评价的方法主要有两种：n一种是模型评价和模型校正使用相同的数据，采用变异系数法或自助法评价模型;n另一种方法则是采用全新的数据进行模型评价，评价的标准一般是模型拟合程度或者某种距离参数。n由于渔情预报模型的主要目的是预报，其模型评价一般采用后一种方法，即考查预测渔情与

20、实际渔情的符合程度2.渔场预报模型n统计学模型n机器学习和人工智能方法n机理/过程模型和理论模型（1）统计学模型线性回归模型n早期或传统的渔情预报主要采用以经典统计学为主的回归分析、相关分析、判别分析和聚类分析等方法。其中最有代表性的是一般线性回归模型。n通过分析海表面温度、叶绿素a浓度等海洋环境数据与历史渔获量、单位捕捞努力渔获量或者渔期之间的关系，建立回归方程:nCPUE=0+1SST+2chl+n式中:i为回归系数，为误差项。一般线性回归模型采用最小二乘法对系数i进行估计，然后利用这些方程对渔期、渔获量或CPUE 进行预报。一般线性模型的优劣n一般线性模型结构稳定，操作方法简单，在早期的

21、实际应用中取得了一定的效果。但一般线性模型方差小、偏差大，用于预报时存在一定的局限性。n一方面，渔场形成与海洋环境要素之间的关系具有模糊性和随机性，一般很难建立相关系数很高的回归方程。n另一方面，实际的渔业生产和海洋环境数据一般并不满足一般线性模型对于数据的假设，因而导致回归方程预测效果较差。n目前，一般线性回归模型在渔情预报中的应用已比较少见，而逐渐被更为复杂的分段线性回归、多项式回归和指数(对数)回n归、分位数回归等模型所取代广义回归模型n广义线性模型(generalized linear model，GLM)通过连接函数g 对响应变量进行一定的变换，将基于指数分布族的回归与一般线性回归整

22、合起来，其回归方程如下:gE(Y)=0+iXi+GLM 模型可对自变量本身进行变换，也可加上反映自变量相互关系的函数项，从而以线性的形式实现非线性回归。n广义加性模型(generalized additive model，GAM)是GLM 模型的非参数扩展,适合处理非线性问题.其方程式如下:gE(Y)=LP=0+fi(Xi)+GLM 模型中的回归系数i被平滑函数局部散点平滑函数fi所取代贝叶斯方法n贝叶斯统计理论基于贝叶斯定理，即通过先验概率以及相应的条件概率计算后验概率。n其中先验概率是指渔场形成的总概率，条件概率是指渔场为“真”时环境要素满足某种条件的概率，后验概率即当前环境要素条件下渔场

23、形成的概率。n贝叶斯方法的一个显著优点是其易于集成的特性，几乎可以与任何现有的模型集成在一起应用，常用的方法就是以不同的模型计算和修正先验概率.n目前渔情预报应用中的贝叶斯模型采用的都是朴素贝叶斯分类器(simple Bayesian classifier),考虑各预测变量联合概率的贝叶斯信念网络(Bayesian belief network)模型在渔情预报方面也应该会有较大的应用空间。时间序列分析(time series)n时间序列是指具有时间顺序的一组数值序列。对于时间序列的处理和分析具有静态统计处理方法的优势，随着计算机以及数值计算方法的发展，已经形成了一套完整的分析和预测方法。n时间

24、序列分析在渔情预报中主要应用在渔获量预测方面。Georgakarakos 等采用时间序列分析、人工神经网络和贝叶斯动态模型对希腊海域枪乌贼科和柔鱼科产量进行了预测，结果表明时间序列分析方法具有很高的精度。空间分析和插值n空间分析的基础是地理实体的空间自相关性，即距离越近的地理实体相似度越高，距离越远的地理实体差异性越大。空间自相关性被称为“地理学第一定律”(first law of geography)。n空间分析主要用来分析渔业资源在时空分布上的相关性和异质性，如渔场重心的变动、渔业资源的时空分布模式等。n但也有部分学者使用基于地统计学的插值方法(如克里金插值法)对渔获量数据进行插值，在此基

25、础上对渔业资源总量或空间分布进行估计。n渔业具有非常强的动态变化特征，而地统计学方法从本质上来讲是一种静态方法，因此对渔业数据的收集方法具有严格的要求。（2）机器学习和人工智能方法原理n空间的渔场预测也可以看成是一种“分类”，即将空间中的每一个网格分成“渔场”和“非渔场”的过程。n提取分类规则的方法有很多，一般都属于机器学习方法。机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识的方法。n机器学习和人工智能方法众多，目前在渔情预报方面应用最多的是人工神经网络、基于规则的专家系统和范例推理方法。除此之外，决策树、遗传算法、最大熵值法、元胞自动机、支持向量机、分类器聚合、关联分析和聚

26、类分析、模糊推理等方法都开始在渔情分析和预报中有所应用人工神经网络模型(artificial neural networks，ANN)n人工神经网络模型是模拟生物神经系统而产生的，它由一组相互连接的结点和有向链组成。n人工神经网络的主要参数是连接各结点的权值，这些权值一般通过样本数据的迭代计算至收敛得到，收敛的原则是最小化误差平方和。n确定神经网络权值的过程称为神经网络的学习过程。结构复杂的神经网络学习非常耗时，但预测时速度很快。人工神经网络模型可以模拟非常复杂的非线性过程。n在渔情预报应用中，人工神经网络模型在空间分布预测和产量预测方面都有成功应用。人工神经网络优劣n人工神经网络方法并不要求

27、渔业数据满足任何假设，也不需要分析鱼类对于环境条件的响应函数和各环境条件之间的相互关系，因此应用起来较为方便，在应用效果上与其它模型相比也没有显著的差异。n人工神经网络类型很多，结构多变，相对其它模型来说应用比较困难，要求建模者具有丰富的经验。nANN 模型对于知识的表达是隐式的，相当于一种黑盒(black box)模型，这使得ANN 模型无法对预测原理做出明确的解释。基于规则的专家系统n专家系统是一种智能计算机程序系统，它包含特定领域人类专家的知识和经验，并能利用人类专家解决问题的方法来处理该领域的复杂问题。n在渔情预报应用中，这些专家知识和经验一般表现为渔场形成的规则。目前渔情预报中最常见

28、的专家系统为环境阈值法和栖息地适宜性指数模型。（1）环境阈值法(environmental envelope methods)n环境阈值法是最早也是应用最广泛的渔情空间预报模型之一。鱼类对于环境要素都有一个适宜的范围，环境阈值法假设鱼群在适宜的环境条件出现而当环境条件不适宜时则不会出现。n这种模型在实现时，通常先计算出满足单个环境条件的网格，然后对不同环境条件的计算结果进行空间叠加分析，得到最终的预测结果，因此也常被称为空间叠加法。n空间叠加法能够充分利用渔业领域的专家知识，而且模型构造简单，易于实现，特别适用于海洋遥感反演得到的环境网格数据，因此在渔情预报领域得到了相当广泛的应用(2)栖息地

29、适宜性指数(habitat suitability index，HSI)n栖息地适宜性指数模型是由美国地理调查局国家湿地研究中心鱼类与野生生物署提出的用于描述鱼类和野生动物的栖息地质量的框架模型。HSI 模型的预测结果是一个类似于“渔场概率”的栖息地适应性指数，而不是环境阈值法的“是渔场”和“非渔场”的二值结果;在HSI模型中，鱼类对于单个环境要素的适应性不是用一个绝对的数值范围描述，而是采用资源选择函数来表示;在描述多个环境因子的综合作用时，HSI 模型可以使用连乘、几何平均、算术平均、混合算法等多种表示方式。n栖息地适应性指数作为一个平均化的指标，与实时渔场并不具有严格的相关性，因此在利用

30、HSI 模型来预测渔场时需要非常地谨慎范例推理(case-based reasoning，CBR)n范例推理模拟人们解决问题的一种方式，即当遇到一个新问题的时候，先对该问题进行分析，在记忆中找到一个与该问题类似的范例，然后将该范例有关的信息和知识稍加修改，用以解决新的问题。n在范例推理过程中，面临的新问题称为目标范例，记忆中的范例称为源范例。范例推理就是由目标范例的提示，而获得记忆中的源范例，并由源范例来指导目标范例求解的一种策略。CBR优劣n这种方法简化了知识获取，通过知识直接复用的方式提高解决问题的效率，解决方法的质量较高，适用于非计算推导，在渔场预报方面有广泛的应用。n范例推理方法原理简

31、单，并且其模型表现为渔场规则的形式，因此可以很容易地应用到专家系统中。n但范例推理方法需要足够多的样本数据以建立范例库，而且提取出的范例主要还是历史数据的总结，难以对新的渔场进行预测（3）机理/过程模型和理论模型原理n经验/现象模型是静态、平均化的模型，它假设鱼类行为与外界环境之间具有某种均衡。n机理/过程模型和理论模型注重考虑实际渔场形成过程中的动态性和随机性。在这一过程中，鱼类的行为时刻受到各种瞬时性和随机性要素的影响，不一定能与外界环境之间达到假设中的均衡n渔场形成是一个复杂的过程，对这个过程的理解不同，所采用的模型也不同。部分模型借助数值计算方法再现鱼类洄游和集群、种群变化等动态过程n

32、常见的有生物量均衡模型、平流扩散交互模型、基于三维水动力数值模型的物理 生物耦合模型等。例子nDoan 等采用生物量均衡方程进行越南中部近海围网和流刺网渔业的渔情预报研究nRudorff 等利用平流扩散方程研究大西洋低纬度地区龙虾幼体的分布n李曰嵩利用非结构有限体积海岸和海洋模型建立了东海鲐早期生活史过程的物理生物耦合模型n一些模型则着眼于鱼类个体的行为，通过个体的选择来研究群体的行为和变化。如Dagorn 等利用基于遗传算法和神经网络的人工生命模型研究金枪鱼的移动过程，n基于个体的生态模型(individual-based model，IBM)也被广泛地应用于鱼卵与仔稚鱼输运过程的研究。3.

33、分析与展望n随着现代统计学、人工智能和数据挖掘技术、数值计算以及物理海洋等学科的发展许多模型和方法都显示出了巨大的潜力，但也存在一些固有的局限性。n统计学方法应用较为简单，但对建模者的渔业专家知识要求较高，同时由于模型结构固定，因此预测能力有限。n机器学习和人工智能方法对建模者的专家知识没有太多要求，但大多数模型结构复杂多变，因此对建模者的实际应用经验要求较高。n各类机理/过程模型和理论模型能充分考虑渔场形成过程中的动态性和随机性，但由于缺乏实时数据的支持，主要还是只是用于鱼类生态过程研究。环境和渔业数据n成功的渔场预报系统需要强大的渔场环境预报系统的支持。国内由于技术条件的限制，渔情预报系统

34、一般只能使用近实时的海洋环境数据代替预测数据进行预报，这种处理方式对模型预报精度有一定影响。n针对这种情况，建议以三维水动力数值模型为基础，研究实时海洋遥感和Argos 浮标观测数据的有效获取和融合方法，建立专为渔业服务的海洋环境预报系统，为渔情预报系统提供时空分辨率较高的海洋环境数据n此外，渔捞日志作为目前渔场预报模型建模中渔业数据的主要来源，也应针对商业捕捞的特点进行标准化和规范化。鱼类生活史和生态学过程n准确的渔情预报建立在对目标鱼种生活史过程、种群状况和渔场形成机制的了解和把握的基础上。n要获得这些知识，必须对目标鱼种进行长期和系统的资源调查，了解目标鱼种的产卵场、育肥场和越冬场的空间

35、分布、幼体和成体的生长和移动过程、种群内不同群体的组成、渔业过程对种群本身的影响、渔场形成的条件以及渔汛各阶段的特点等，从整体上把握目标鱼种的生活史过程和种群状况。n海洋鱼类空间分布范围广、变化性强，不同鱼种之间也具有较大差异，调查中需要针对不同鱼种和海区对数据获取和处理方法进行研究，对采样点的空间分布、采样时间、调查项目、数据重采样方式等进行标准化和规范化，以保证数据的有效性和易用性。模型构建需要完善之处n首先，由于多个环境因子的限制作用、相互作用和条件作用，确定鱼群对于单一环境因子的响应曲线时只能依赖于某些生态学假设，而这些假设可能与实际情况有偏差。n其次，出于现实的考虑，研究者在建立渔情

36、预报模型时一般使用容易获取的环境因子，而某些对渔场形成较关键但获取或表达困难的环境因子也有可能被忽略。n另外，目前建立预报模型所用到的遥感数据反演精度有限，渔捞日志数据也常受到人为因素的影响，因此在准确性和代表性上有一定欠缺。n这些问题都会增加渔情预报模型的不确定性，从而对预报精度产生影响研究建议n建议从渔场形成的大背景出发选择重要的环境因子，以严格的渔业海洋学、物理海洋学、生态动力学等调查与实验为基础来确定关系模型。n此外，应以实际渔业生产数据和随机模拟方法相结合建立渔场随机模拟系统，通过计算机模拟的方式寻找合理的建模方法，尽可能减少数据本身的误差和不确定性，提高渔情预报模型的精度Review of fishery forecasting technologies and models