澳洲鲐(Scomber australasicus)广泛分布于太平洋海域，在中国、日本、澳大利亚和新西兰等国的沿海海域均有分布[1-3]。在北太平洋，澳洲鲐主要分为东海群系和太平洋群系。太平洋群系分布在日本沿太平洋一侧海域，主要捕捞国家有日本和韩国，其产量一直保持在较为平稳的状态[4]。澳洲鲐喜高温高盐，温度对其分布、产卵等存在明显影响[4-6]。澳洲鲐太平洋群系处于黑潮流经区，受水团洋流运动的影响十分显著[7]。澳洲鲐作为各国重要的经济种类，掌握其资源量变动以及科学预测其资源量，在渔业生产和科学管理中显得尤为重要。
灰色系统是常用的不确定性系统研究理论，能有效地解决“小样本”“贫信息”等问题[8]，灰色预测模型[如GM(1，1)、GM(1，n)等模型]已在渔业上广泛应用，也取得了较好的预测效果[9-11]。为此，根据日本中央水产研究所提供的澳洲鲐太平洋群系渔获量与资源量数据，采用灰色关联分析和灰色预测模型，分析环境因子对澳洲鲐太平洋群系资源量的影响，并对澳洲鲐太平洋群系资源量进行预测，为澳洲鲐的可持续开发和科学管理提供技术支撑。
1 材料与方法
1.1 渔获数据
(1) 澳洲鲐资源量：数据来源于2015年日本的澳洲鲐太平洋群系资源评估报告(http://abchan.fra.go.jp/digests27/index.html)，时间为1995—2014年，数据包括澳洲鲐资源量和渔获量数据等。利用1995—2012年数据进行建模，用2013和2014年的数据进行验证比较。
(2) 海洋环境数据。海洋环境数据包括海表面温度(sea surface temperature, SST)、黑潮潮位差(tidal range，TR)和太平洋年代际振荡(pacific decadal oscillation，PDO)。参照澳洲鲐太平洋群系资源评估报告中的分布区域[12](图 1)，海表面温度分别选择索饵场(140°E~160°E，35°N~50°N)海表面温度SST1、产卵场1(130°E~132°E，30°N~32°N)海表面温度SST2和产卵场2(138°E~141°E，34°N~35°N)海表面温度SST3，共3个海表面温度因子。利用SPSS 19.0分析比较各个区域每月平均温度与资源量的相关性，选取线性相关系数最高月份温度，作为影响资源量的环境因子。SST数据的空间分辨率为1°×1°，时间分辨率为月。网站来源：http://iridl.ldeo.columbia.edu/SOURCES/.IGOSS/.nmc/.Reyn_SmithOIv2/.monthly/datasettables.html。
图 1(Fig. 1)
图 1 澳洲鲐太平洋群系的产卵和索饵示意图
Fig. 1 Spawning ground and feeding grounds of Pacific stock for Scomber australasicus
黑潮流经区温盐变化极为显著，已有研究[13-15]表明，黑潮对中上层渔业资源渔场影响显著。黑潮的势力强弱采用黑潮的潮位差的表示，选取全年平均TR数据，网站来源：http://www.data.jma.go.jp/kaiyou/data/shindan/b_2/kuroshio_stream/kuroshio_stream.html。PDO可直接造成太平洋及周边地区气候的年代际变化，也会对中上层鱼类资源造成影响[16-17]。为此，选取全年平均的PDO，网址来源：research.jisao.washington.edu/pdo/PDO.latest。
1.2 灰色关联度
以资源量为母系列，以各环境因子(SST1，SST2，SST3，TR，PDO)为子序列，进行灰色关联度分析，分析不同环境与气候因子对资源量的影响程度。采用均值化处理数据，计算方法见文献[8]。
1.3 模型建立
利用DPS数据处理软件建立多种灰色预测模型。主要预测模型：(1)GM(1，1)模型，不考虑环境因子的情况下，使用1995—2012年资源量建立GM(1，1)模型，对资源量时间序列数据进行预测。(2)加入环境与气候因子建立GM(1，N)预测模型，即多变量一阶线性动态模型，主要用于系统的动态分析，对澳洲鲐太平洋群系资源量预测[17]，根据第1.2节筛选出M个环境因子，依次构建M个GM(1，2)模型；以及一个包含M个环境因子的GM(1，M+1)模型。GM(1，1)和GM(1，N)的建模过程可参照文献[8]。
2 结果
2.1 海表面温度
相关分析(表 1)表明：索饵场8月份海表面温度与资源量的相关系数最高，达到0.42；产卵场1的1月份和产卵场2的5月份海表面温度与资源量的相关系数最高，分别为0.60和0.52。根据结果分别选取索饵场8月份海表面温度，产卵场1的1月份海表面温度和产卵场2的5月份海表面温度作为模型的预报因子。
表 1(Tab.1)
表 1 产卵场和索饵场各月海表面温度与资源量的相关性分析
Tab.1 Correlation analysis between sea surface temperature of spawning and feeding grounds and resources in each month
表 1 产卵场和索饵场各月海表面温度与资源量的相关性分析
Tab.1 Correlation analysis between sea surface temperature of spawning and feeding grounds and resources in each month
2.2 环境与气候因子的筛选
根据灰色关联度分析，可得各因子与资源量关联度如下：L(SST1)=0.879；L(SST2)=0.871；L(SST3)=0.870；L(TR)=0.860；L(PDO)=0.231。分析可知，L(SST1)>L(SST2)>L(SST3)>L(TR)>L(PDO)。选取L>0.600作为建立GM模型的环境与气候因子，因此选择SST1、SST2、SST3和TR用于资源预测建模。
2.3 灰色预测模型
如表 2所示为各灰色预测模型的分析结果。由表 2可知：不考虑环境因子的GM(1，1)模型，其平均误差为最低，仅18.65%；基于潮位差(TR)的GM(1，2)模型，其误差为最大，达到33.79%。其他模型的平均误差均在26%~30%之间。
表 2(Tab.2)
表 2 各模型的分析结果
Tab.2 Results of each models
表 2 各模型的分析结果
Tab.2 Results of each models
2.4 资源量预测
利用以上模型对2013和2014年澳洲鲐太平洋群系的资源量进行预测，具体结果如表 3所示。基于SST1的GM(1，2)模型的平均预测误差最小，只有3.73%；基于SST2的GM(1，2)模型，平均预测误差为4.41%；基于SST3的GM(1，2)模型平均预测误差为4.78%；基于TR的GM(1，2)模型，平均预测误差最大，达到29.56%。
表 3(Tab.3)
表 3 2013与2014年澳洲鲐太平洋群系资源量预测
Tab.3 The predicted biomass of spotted mackerel for the Pacific stock in 2013 and 2014
表 3 2013与2014年澳洲鲐太平洋群系资源量预测
Tab.3 The predicted biomass of spotted mackerel for the Pacific stock in 2013 and 2014
3 分析与讨论
3.1 澳洲鲐历年产量变化
西北太平洋为鲐鱼的主要产区，中国、日本、韩国的渔获量占绝对优势[19]。中国船队的主要鲐鱼作业场所位于中国近海，日本和韩国船队在中国和日本近海都有捕捞作业，但日本沿太平洋一侧海域的鲐鱼渔场主要作业船队为日本和韩国船队[20]。图 2为1982—2014年澳洲鲐太平洋群系的渔获量统计。澳洲鲐太平洋群系渔获量在1991年达到最低，随后持续上升至1996年，其后资源量处于波动变化，在2006和2010年左右达到峰值。这期间除了渔业资源本身的影响外，各国渔具渔法的改进、渔业政策的改变对澳洲鲐太平洋群系渔获量的变化都有明显影响[21-22]。
图 2(Fig. 2)
图 2 1982—2014年澳洲鲐太平洋群系渔获量统计
Fig. 2 Catch of spotted mackerel for the Pacific stock from 1982 to 2014
3.2 灰色预测模型分析
从各个模型的平均误差分析来看，GM模型是实际有效的预测资源量的方式，但具体影响作用在模型本身无法体现，因此各个因子的选择十分重要。从预测结果分析来看，加入SST1、SST2和SST3因子后的GM(1，2)模型的平均误差均比资源量GM(1，1)模型的平均误差要小，但是加入潮位差因子后的模型平均误差大于资源量GM(1，1)模型，原因可能是TR对于澳洲鲐生活史的影响机制与海表面温度等环境因子不同，在后期的研究中需选择正确的环境气候因子，并更充分了解其作用机制才能有效提高模型预测的精确性。
在GM(1，N)模型中，a值称为系统的发展系数[8, 23]。在GM(1，1)模型中，根据陈新军[8]对GM(1，1)模型预测与发展系数的研究，当-a≤0.3时，此GM(1，1)可用作中长期预测。在其余的GM(1，N)模型中，a值可以反映主因素与各子因素之间的协调程度[23]，a＞0表示系统不协调，且a值越大不协调程度越大，5个GM(1，N)模型的a值虽然都大于零，但是a值并不高，表明不协调的程度还不严重，且资源量与SST2模型(a=0.089)的协调程度最高，其次为资源量与SST3模型(a=0.090)和资源量与索饵场SST1模型(a=0.099)。资源量与潮位差模型(a=0.127)的协调程度相对较低，GM(1，5)模型(a=0.262)协调性最低。
在GM(1，N)模型中，b值称为系统的协调系数，可以反应该因素对主因素的动态变化影响。在GM(1，2)模型中，所有的b值都大于零，说明各因子对澳洲鲐模型的评估结果皆有促进作用，但在GM(1，5)模型中，b2和b3小于零(见表 2)，可知两个产卵场，特别是产卵场1(130°E~132°E、30°N~32°N)的海表面温度对评估模型有较大的制约因素，即温度数据的变动对模型有较大的影响，说明现阶段这两个产卵场区域温度变动对于资源的变化有重要的影响。产卵场温度与资源量具有较高的相关性，结合澳洲鲐最适产卵温度17~25 ℃[1]，可推测在该温度范围内资源量随着产卵场温度的升高而增加。即全球气候变暖等气候活动导致产卵场海域温度增加，对澳洲鲐太平洋群系资源量波动有积极影响，这与YUKAMI等[24]的研究结果相同。
3.3 各环境因子影响分析
澳洲鲐太平洋群系产卵季节一般在12月到翌年6月，根据纬度的差异产卵时间有所不同[12]。有研究[24]认为，随着太阳直射点的北移，黑潮暖流的加强，17~25 ℃等温线向北移动，产卵场逐渐北移。本次研究选取的两个产卵场为冬春季产卵场，纬度较低的产卵场1(130°E~132°E，30°N~32°N)选取的月份早于纬度较高的产卵场2(138°E~141°E，34°N~35°N)月份，故相关分析选取的月份符合实际情况具有代表性。6至9月份澳洲鲐洄游进入索饵场，夏季浮游生物量丰富[25-26]，7月中旬至8月左右温度明显升高有助于索饵场浮游生物量的快速增加[27]，浮游生物数量的增加也使得以此为饵料的澳洲鲐形成更明显的集群现象。群体结构分析[28]表明，强烈的索饵活动对澳洲鲐个体生长也有明显影响。因此，该期间的索饵场温度对澳洲鲐太平洋群系资源量的变动起着重要的影响。
澳洲鲐太平洋群系喜高温高盐，其中心渔场受黑潮强弱影响明显[29]。黑潮与亲潮相遇形成多种海洋锋面，对于叶绿素、盐度等分布产生明显作用[30]，从而对澳洲鲐的生长分布产生影响。黑潮影响范围广泛，但是具体的影响形式还需要结合海洋锋面进行更多的研究。
3.4 展望
澳洲鲐太平洋群系在日本沿太平洋一侧沿岸均有产卵场分布，且由于潮流等作用，每年都会有多个补充群进入成熟群[31-32]，产卵群系复杂，地域广泛。澳洲鲐资源的变动受到资源本身、环境和气候等多方面的影响，且影响形式各有不同，产生的结果也不同。今后的研究可以增加不同空间时间尺度的环境因子来建立预测模型，加强研究资源丰度、渔场分布与海洋环境因子、气候因子的关系，为今后澳洲鲐资源预测和科学管理提供更好的理论基础。