网刊加载中。。。

使用Chrome浏览器效果最佳,继续浏览,你可能不会看到最佳的展示效果,

确定继续浏览么?

复制成功,请在其他浏览器进行阅读

数据不确定性对西北太平洋两种混栖鲐生长研究的影响  PDF

  • 刘芷维 1
  • 周雨霏 1
  • 郑琳琳 1
  • 麻秋云 1,2,3
  • 崔明远 1
1. 上海海洋大学 海洋生物资源与管理学院,上海 201306; 2. 国家远洋渔业工程技术研究中心,上海 201306; 3. 大洋渔业资源可持续开发教育部重点实验室,上海 201306

中图分类号: S 932.4

最近更新:2024-07-12

DOI: 10.12024/jsou.20240404497

  • 全文
  • 图表
  • 参考文献
  • 作者
  • 出版信息
EN
目录contents

摘要

依据2020—2023年“淞航”号渔业资源科学调查与生产船围网的鲐调查数据,着重分析了种类鉴定不确定性和不同数据来源(是否基于渔业生产获取的数据)对日本鲐和澳洲鲐生长特征的影响。研究发现,生产船样本肥满度略小于“淞航”号,且“淞航”号样本体质量增长更快,摄食情况相对较好。叉长-体质量关系的拟合结果表明,相同叉长下,澳洲鲐体质量小于日本鲐;不同数据来源与不同物种所求a值范围为1.886×10-6~6.721×10-5b值多数大于3。a值变化较大,说明西北太平洋2021—2023年际水域环境变化较大;除2020年生产船日本鲐b值较小(b=2.66),为负异速增长外,其余均为正异速增长。依据混合效应模型对样本的叉长-体质量关系进行异质性分析,结果表明数据来源与年份对日本鲐与澳洲鲐生长研究结果的影响更显著,物种间差异不显著。在基于生长等生活史特征的相关鱼种资源评估和管理的过程中,建议充分考虑时间差异和不同数据来源导致的不确定性,而不是采用恒定的、缺乏时间变化和数据来源考虑的生活史参数;此外,鉴于实际操作的可行性和成本,暂时可不区分日本鲐和澳洲鲐,但仍然建议在科学研究过程中进一步探讨可能的影响。

日本鲐(Scomber japonicus)与澳洲鲐(S. australasicus)同为鲈形目(Perciformes)鲭科(Scombrida)鲭属(Scomber),是暖水性中上层经济鱼

1,在西北太平洋渔场的分布高度重合。这两种鱼类形态极为相似,仅能通过观察鱼体腹部的斑点、背鳍与臀鳍的相对位置,以及背鳍鳍棘和鳃耙的数量差异来区2。然而这些特征并不显著,且在实际捕捞生产过程中极易受损,而两种鱼类的渔场重叠,作业方式和捕捞季节均一致,造成了渔业混栖现象。生产过程中渔民并不区分种类,而是将二者统称为3,因此渔业生产数据均为两种鱼类的混合数据。只有科学调查、科学观察员和港口采样时才会区分澳洲鲐和日本鲐。捕捞生产和科学调查提供的数据是理解种群状况和制定有效管理策略的基础,是否区分物种将引入极大的不确定性,不同的数据来源和鉴定水平必然会影响资源评估和渔业管理的种类水平(单物种或混栖物种)和准确度,对种群状态评价和渔业管理的效果都会产生影响。作为不同的渔业种类,其种群动力学特别是生活史特征存在多少差异,资源评估和渔业管理过程中是否需要区分种类,直接关系到资源养护和渔业管理的成效。

理解鱼类的生活史是进行渔业资源评估与管理的前提,特别是在分析特定鱼种的种群动态

4。肥满度作为衡量鱼类生长状况的一个关键指标,不仅能揭示个体的生理和营养状况,还能反映其所在栖息地的环境质5。这一指标与鱼类的叉长-体质量关系联系密切,其中叉长-体质量关系是研究鱼类生长特征的基6。通过叉长和体质量的变化,可以观察到鱼类的生理状态及种群结构的演变,为资源评估过程中的关键数据提供支7

然而,数据的不确定性可能对鱼类生长特征的估算结果产生影响,从而给渔业资源评估与管理带来挑战。本文利用西北太平洋日本鲐与澳洲鲐的调查和生产数据,通过混合效应模型来比较不同年份、不同数据来源与不同物种之间的叉长-体质量关系的异质性,以期更好地了解数据不确定性对生长特征的影响,为资源的养护和管理提供基础资料。

1 材料与方法

1.1 数据来源

科学调查样本取自2021—2023年上海海洋大学“淞航”号调查船在西北太平洋公海进行的渔业资源综合科学调查,生产样本取自2020年与2022年生产船在该区域的鲐围网作业(表1)。所有样品捕捞后冷冻保存,并运输回实验室分析。根据《海洋调查规范第6部分:海洋生物调查》,叉长精确到1 mm,体质量精确到0.01 g。其中,2021年与2022年“淞航”号样本并未区分日本鲐与澳洲鲐,而是将它们统称为鲐;其余样本均在实验室内鉴定到种。

表1  “淞航”号与生产船采集的样本信息
Tab.1  Sample size of mackerels collected by research vessel "Songhang" and fishing vessel

数据来源

Data sources

年份

Year

调查范围

Survey area

站点数量

Number of stations

种类

Species

样本数量

Sample size/尾

“淞航”号

Songhang

2021 35°N~42°N,148°E~165°E 42 1 261
2022 35°N~45°N,148°E~164°E 36 397
2023 39 日本鲐 357
澳洲鲐 220

生产船

Fishing vessel

2020 31°N~42°N,149°E~152°E 44 日本鲐 1 080
2022 西北太平洋鲐渔场 - 日本鲐 408
澳洲鲐 661

1.2 数据分析

1.2.1 肥满度

肥满度系数是反映鱼类生长情况的指标之一,可用来反映鱼类的生长速度和总体增重程

8,同时也可用来间接评价生活环境状9,其计算公式为

Q=W/L3 (1)

式中:Q为肥满度,g/cm3W为鱼类体质量,g;L为相对应的叉长,cm。在叉长不变的情况下,体质量增加肥满度提高,相反则肥满度降低。

1.2.2 叉长-体质量关系

叉长-体质量关系是鱼类生长特征的重要指标,其参数可以反映出不同样本的生长特征和生态环境的变化。叉长-体质量关系方程式为

W=a×Lb (2)

式中:W为鱼类体质量,g;L为相对应的叉长,mm;a是条件因子;b为幂指数系数。

本文分别拟合了不同年份、不同物种与不同数据来源下“淞航”号与生产船各样本的叉长-体质量关系。

1.2.3 线性混合效应模型

线性混合效应模型包括固定效应与随机效应两部

10,当区域间的差异不能完全由模型中的固定效应来解释时,引入对应于每个区域内的随机效应来刻画区域间的额外差11。其基础表达式如下:

Y=X×β+Z×α (3)

式中:Y为响应向量;X为已知的协变量矩阵;β为未知的全局参数向量(固定效应);Z为随机效应的设计矩阵;α为随机效应向量;ε为误差向

12。本文将线性混合模型应用于叉长-体质量关系中,固定效应用于反映生长特征的平均情况,随机效应应用于条件因子a,反映不同因素的异质性,其表达式如下:

lnW=lna+b×lnL+ε=EF+ER+b×lnL+ε (4)

式中:EF为固定效应;ER为随机效应。本文通过7个线性混合效应模型,涵盖了年份、物种与数据来源的不同组合(单因子、双因子和三因子),根据对参数a的影响程度,比较分析不同年份、不同物种与不同数据来源下叉长-体质量关系的异质性。

同时计算赤池信息准则(Akaike information criterion,AIC)值,评价比较不同模型的拟合效果,其计算公式如下:

AIC=2k-2Mn (5)

式中:k为参数的数量;M为对数似然值;n为样本量。AIC值越小,表明模型的拟合效果越好。数据的整理是通过Microsoft Excel完成的,模型的拟合与预测通过R语言中的“lme4”包完

13

2 结果

2.1 肥满度

肥满度是衡量鱼类生长的重要指

14。在“淞航”号所获得的数据中,2023年日本鲐求得的肥满度平均值最大(1.15),2021年鲐较小(0.84)。总体而言,“淞航”号各样本随着时间的增长肥满度有增大趋势。生产船各样本的肥满度均值最大的是2020年日本鲐的样本(1.10),其次是2022年日本鲐(0.94)。对比“淞航”号与生产船,“淞航”号样本肥满度较生产船而言更大。日本鲐较澳洲鲐而言肥满度更大(表2)。

表2  不同数据来源、不同年份与不同物种的肥满度指数平均值
Tab.2  Average fattiness values from different data sources, different years, and different species
数据来源Data sources年份Year物种名称Species肥满度指数平均值Q¯肥满度指数最大值Qmax肥满度指数最小值Qmin

“淞航”号

Songhang

2021 0.84 2.41 0.29
2022 1.12 1.80 0.63
2023 日本鲐 1.15 2.63 0.52
澳洲鲐 1.14 1.82 0.69

生产船

Fishing vessel

2020 日本鲐 1.10 2.06 0.61
2022 日本鲐 0.94 1.27 0.65
澳洲鲐 0.86 1.39 0.58

2.2 叉长和体质量分布

共采集样本4 384尾,其实测叉长为96~367 mm(表3),体质量为7.02~590.45 g(表4)。对比不同来源的数据(图1图2),“淞航”号日本鲐优势叉长组为120~140 mm、200~240 mm,优势体质量组为7.5~150 g;生产船日本鲐优势叉长组为170~240 mm,优势体质量组40~140 g;“淞航”号澳洲鲐优势叉长组为140~200 mm,优势体质量组为20~80 g;生产船澳洲鲐优势叉长组为130~140 mm,优势体质量组为15~35 g。从不同数据来源来看,“淞航”号样本更大,生产船样本较小;从不同物种来看,日本鲐个体较大,澳洲鲐略小。

表3  “淞航”号与生产船不同年份与不同物种叉长分布
Tab.3  Fork length distribution of research vessel "Songhang" and fishing vessel

数据来源

Data sources

年份

Year

物种名称

Species

叉长范围

Fork length range/mm

优势叉长组

Dominant fork length group/mm

优势叉长组占比

Percentage/%

“淞航”号

Songhang

2021年 96~367 120~160 45.76
2022年 120~297 140~200 72.29
2023年 日本鲐 101~321 120~140;200~240 57.70
澳洲鲐 108~254 140~200 78.64

生产船

Fishing vessel

2020年 日本鲐 113~294 200~240 76.11
2022年 日本鲐 140~233 170~200 68.87
澳洲鲐 119~184 130~140 49.62
表4  “淞航”号与生产船不同年份与不同物种体质量分布
Tab.4  Body mass distribution of research vessel "Songhang" and fishing vessel

数据来源

Data sources

时间

Year

物种名称

Species

体质量范围

Body mass range/g

优势体质量组

Dominant body mass group/g

优势体质量组占比

Percentage/%

“淞航”号

Songhang

2021 7.02~590.45 7.02~50.00 83.74
2022 20.00~127.00 20.00~80.00 69.77
2023 日本鲐 7.50~446.20 7.50~150.00 82.35
澳洲鲐 15.20~184.00 20.00~80.00 80.91

生产船

Fishing vessel

2020 日本鲐 11.43~311.80 80.00~140.00 71.02
2022 日本鲐 13.00~305.00 40.00~80.00 79.66
澳洲鲐 14.00~62.92 15.00~35.00 89.41

图1  “淞航”号与生产船不同年份与不同物种叉长频率分布直方图

Fig.1  Histogram of fork length frequency distribution for "Songhang" and fishing vessel in different years and species

图 2  “淞航”号与生产船不同年份与不同物种体质量频率分布直方图

Fig.2  Histogram of body mass frequency distribution for research vessel "Songhang" and fishing vessel

2.3 叉长-体质量关系及其异质性

使用GLM对样本的叉长-体质量关系进行分析(图3),得出鲐的a值为9.58×10-7b值为3.45(表5)。根据赤池信息准则比较8个异质性分析的模型拟合结果发现,同时考虑数据来源和年份作为随机效应的模型与同时考虑数据来源、年份和物种的模型的拟合结果非常接近,且拟合效果优于其他模型(表6)。不同异质性来源求得a值的范围为2.71×10-6~3.98×10-6表7)。

图3  “淞航”号与生产船不同年份与不同物种叉长-体质量关系

Fig.3  Fork length-body mass relationship of "Songhang" and fishing vessel in different years and species

表5  “淞航”号与生产船不同年份与不同物种叉长-体质量关系拟合模型及其评价指标
Tab.5  Model fitting and evaluation indicators for fork length-body mass relationship of different species in different years on "Songhang" and fishing vessel
模型缩写 Model abbreviations模型 Modela关系式 Equations
GLM W=aLb 9.58×10-7 W=9.58×10-7×L3.45
LWR-S2021 1.886×10-6 W=1.886×10-6×L3.29
LWR-S2022 9.441×10-6 W=9.441×10-6×L3.03
LWR-S.J2023 2.059×10-6 W=2.059×10-6×L3.32
LWR-S.A2023 3.717×10-5 W=3.717×10-5×L2.77
LWR-P.J2020 6.721×10-5 W=6.721×10-5×L2.66
LWR-P.J2022 5.475×10-6 W=5.475×10-6×L3.10
LWR-P.A2022 2.521×10-6 W=2.521×10-6×L3.25

注:  LWR为叉长-体质量关系,其中S为“淞航”号鲐,S.J为“淞航”号日本鲐,S.A为“淞航”号澳洲鲐,P.J为生产船日本鲐,P.A为生产船澳洲鲐。

Notes:   LWR is the relation between fork length and body mass, where S is "Songhang" mackerel, S.J is "Songhang" Chub mackerel, S.A is "Songhang" Blue mackerel, P.J is the production ship Chub mackerel, P.A is the production ship Blue mackerel.

表 6  “淞航”号与生产船不同年份与不同物种叉长-体质量关系的拟合模型及其评价指标
Tab.6  Fitting models and evaluation indicators for fork length-body mass relationship of different species on "Songhang" and fishing vessel in different years

模型缩写

Model abbreviations

模型

Model

AIC
GLM lnW=lna+b×lnL -1 819
D. lnW=(lna+ReD.)+b×lnL -1 824
Y. lnW=(lna+ReY.)+b×lnL -2 497
F. lnW=(lna+ReF.)+b×lnL -1 915
D.Y. lnW=(lna+ReD.+ReY.)+b×lnL -2 788
D.F. lnW=(lna+ReD.+ReF.)+b×lnL -2 184
Y.F. lnW=(lna+ReY.+ReF.)+b×lnL -2 783
D.Y.F. lnW=(lna+ReD.+ReY.+ReF.)+b×lnL -2 787

注:  D.、Y.、F.分别为lna的数据来源、年份和物种的随机效应。D.Y.、D.F.、Y.F.、D.Y.F.分别为数据来源、年份和物种的不同组合。

Notes:   D., Y., and F. are random effects of lna data sources, years, and species, respectively. D.Y., D.F., Y.F. and D.Y.F. are random combinations of data sources, years and species, respectively.

表7  最优线性混合效应模型(包含年份、物种与数据来源)中参数a的估计值
Tab.7  Estimates of parameter a in the optimal linear mixed effects model (including year, species and data source)
影响因子 Impact factor参数a的估计值 Estimate of parameter a
年份 Year 2020 3.98×10-6
2021 2.71×10-6
2022 3.49×10-6
2023 3.57×10-6
物种 Species 3.40×10-6
日本鲐 3.42×10-6
澳洲鲐 3.39×10-6
来源 Source “淞航”号 3.73×10-6
生产船 3.10×10-6

在线性混合效应模型LMEM(D.Y.F)中(表5),a值在2020年最大,最小的是2021年;在相同叉长下,2020年的个体随叉长的增大体质量增加最快,2021年增长最慢(图4)。从不同物种来看,参数a值差异不大,三者几乎重合在一起。从不同数据来源来看,“淞航”号的个体随叉长的增加体质量增长速度更快。

图4  “淞航”号与生产船不同年份与不同物种叉长-体质量异质性分析

Fig.4  Analysis of fork length-body mass relationship heterogeneity for different species on "Songhang" and fishing vessel in different years

3 讨论

3.1 肥满度与叉长-体质量关系

鱼类的肥满度可以间接反映其生活环

15。本研究中,日本鲐的肥满度相较赵国庆162016—2021年在西北太平洋日本鲐的肥满度(1.30)较小,特别是2022年日本鲐肥满度最小,间接反映出2022年西北太平洋海域环境较差。2022年澳洲鲐肥满度均值也较小(0.86),表明2022年西北太平洋海域环境同样不适于澳洲鲐的育肥。相比之下,2023年西北太平洋水域环境较好,提供了较好的觅食与育肥条件,使日本鲐与澳洲鲐肥满度(1.15与1.14)相对较大。

本研究运用叉长-体质量关系,求得a值范围为1.889×10-6~6.721×10-5b值范围为2.66~3.32。其中,2020年生产船日本鲐a值为6.721×10-5,与已有的研究相比(3.00×10-6~1.66×10-5

18-23,本研究结果较大,其余年份日本鲐与澳洲鲐的a值在文献正常波动范围之内。当幂指数b值为2.7~3.7时,即可认为该鱼类为正异速生17,因此,本研究中除2020年日本鲐外(b=2.66),其余年份日本鲐与澳洲鲐在该海域内呈现正异速生长。2020年西北太平洋日本鲐a值较大且体质量增长更快,间接表明2020年西北太平洋水域环境较好,更适宜日本鲐生长。

3.2 叉长-体质量关系异质性

线性混合效应模型不仅能够灵活地结合不同来源的信息,还能有效地解释多种误差来源,现已被广泛地应用于渔业研究中。例如,裴如德

26使用该模型分析了浙江南部近海小黄鱼(Larimichthys polyactis)的生长和性成熟特征异质性,发现模型能较好地反映小黄鱼的生物学异质性,其生长和性成熟在季节间有显著变化;衷思剑27则应用该模型对黄Lophius litulon)的生长进行了异质性分析,结果表明时空特征在混合效应模型中的应用效果显著。这些研究证明了线性混合效应模型在研究鱼类生活史特征异质性方面的成熟应用。

本研究利用线性混合效应模型对日本鲐与澳洲鲐的叉长-体质量关系进行了分析,不同年份、不同数据来源与不同物种求得的a值范围为2.71×10-6~3.98×10-6,与其他在西北太平洋海域内(1.41×10-6~3.00×10-6)的研究结果相符。然而,较20世纪80年代东海、黄海与南海海域的研究结果(日本鲐a值范围为3.00×10-6~1.66×10-5,澳洲鲐为7.73×10-6~2.07×10-5

18-2124,本研究得到的a值范围偏小,可能由于西北太平洋海域环境与近海环境相差较大,而近海更适宜日本鲐与澳洲鲐生长。在8个模型中有两个被确定为最优模型,其中年份与不同数据来源的差异较为显著,而不同物种间异质性较小,同时具有年际差异与数据来源差异的模型与同时具有年际差异、数据来源以及种间差异的模型一样好,这间接说明两种鱼类的生长特征较为相似。

3.2.1 种间差异

日本鲐与澳洲鲐具有极为相似的分布和生活史特征。两者均为暖水性中上层洄游性鱼类,且形态相似。春夏时节多栖息于中上层,生殖季节常结群到水面活动,有垂直移动现象。二者分布重叠且较为广泛,日本鲐的分布最北可达鄂霍次克海,澳洲鲐则沿东海大陆架分布,北至日本太平洋沿岸,南达南

2。澳洲鲐适宜水温略高于日本28,但相差不大。日本鲐与澳洲鲐的生殖季节在每年的1—6月。日本鲐产卵水层更广,水深范围一般在20~100 m,产卵场以伊豆群岛海域为中29;澳洲鲐在产卵季节通常于海表面50 m水深之间垂直游动,且产卵场较为分散,主要分布在日本沿太平洋一侧沿岸海30。二者的摄食种类也较为相似,主要包括桡足类、头足类、端足类和小型鱼类31-32。这些相似的分布范围和生活习性促使日本鲐与澳洲鲐在西北太平洋混栖生33。尽管一些生活史特征存在少许差异,但在多个关键生态习性和生活史阶段上的共性可能平衡了这些差异,从而使物种因素对模型拟合结果的影响不显著。因此,在对二者进行初步的生长特征研究时,虽然考虑不区分物种是一种选择,但这些差异有时并不能被忽视,有必要进行深入研究以最终确定这些差异可能带来的影响。

3.2.2 年际差异

气候与海洋环境的变化对中上层鱼类的生长产生显著影

34。水温是影响日本鲐和澳洲鲐生长的关键环境因35-36。大尺度的气候变化会影响亲潮-黑潮系统,从而对日本鲐和澳洲鲐的生长、觅食和繁殖产生影2837。此外,盐度和叶绿素浓度等因素也会对二者的生长产生影响。西北太平洋近年来气候变化剧烈,根据美国国家海洋和大气管理局数据,2020年7月开始进入拉尼娜年份,持续三年。剧烈的气候变化使西北太平洋的环境发生改变。通过异质性分析发现,在相同叉长下,日本鲐与澳洲鲐年际变化较为显著,推测该年际变化与环境变化有关。但由于鱼类生长受多种环境因素的共同影响,因此暂时无法确定造成差异的具体原因,今后的研究可以从气候事件入手,探究其变动与日本鲐和澳洲鲐生长的规律。尽管具体原因尚不明确,时间对生长特征的影响不容忽视。在分析数据尤其是生长特征时,须考虑时间因素带来的影响,而不能简单地假设生长特征在时间变化之下保持不变。

3.2.3 不同数据来源间差异

不同数据来源之间的差异可能由多种因素引起,例如捕捞压力、网具选择性、捕捞时间和捕捞区域

38-39。“淞航”号作为科学调查船,在西北太平洋进行捕捞作业时,会依据资源状况合理分配站位;而生产船由于经济效益或渔民习惯,捕捞更集中在部分区域内,从而导致“淞航”号与生产船依据不同的采样方案获得不同的采样结果。此外,与围网生产船不同,“淞航”号使用四片式中层拖网作业,渔具存在选择性差异。另外,日本鲐与澳洲鲐同为洄游性鱼32,40],不同季节和区域的捕捞样本间存在差异,这也可能是“淞航”号与生产船数据差异的原因之一。在实际渔业数据收集时,科学调查船的数据时间跨度小,但数据质量较高;生产船的数据时间跨度较大,样本量较高,但准确度相对较低。因此,科学调查船和生产船之间存在的数据差异对生长特征研究的影响是不容忽视的。

4 展望

本研究对西北太平洋海域内日本鲐与澳洲鲐的生长特征进行了分析,着重探讨了数据不确定性对生长特征的影响,旨在为未来的渔业资源评估及管理提供参考。本研究发现,同时考虑数据来源、年份和物种因素的模型与只考虑数据来源和年份的模型,出现了极为接近的拟合效果,拟合质量显著优于其他模型,且其中种间差异不显著。因此,在生产作业时可不区分物种,以降低生产成本,提高作业效率。但是,在进行数据处理与分析时,数据的年际差异及来源差异是不容忽视的。另外,温度、盐度、叶绿素浓度、海流和大尺度气候变化等环境因子对日本鲐与澳洲鲐也存在较大影响,在对其生活史特征进行研究时,可以考虑将这些因素的影响纳入模型之中,有助于进一步分析产生时空差异的原因。

参考文献

1

邵锋陈新军李纲.东黄海鲐鱼形态差异分析[J]. 上海水产大学学报2008172): 204-209. [百度学术] 

SHAO FCHEN X JLI Get al. Morphological variations and discriminant analysis of Scomber japonicus and Scomber australasicus in the Yellow Sea and East China Sea[J]. Journal of Shanghai Ocean University2008172):204-209. [百度学术] 

2

程娇. 西北太平洋两种鲐属鱼类的分子系统地理学研究[D]. 青岛中国海洋大学2013. [百度学术] 

CHENG J. Molecular phylogeography of two Scomber species in northwestern Pacific[D]. QingdaoOcean University of China2013. [百度学术] 

3

North Pacific Fisheries Commission. Blue Mackerel Species Summary[C]. 8th Scientific Committee Meeting2023. [百度学术] 

4

TORRES M ARAMOS FSOBRINO I. Length-weight relationships of 76 fish species from the Gulf of Cadiz (SW Spain)[J]. Fisheries Research2012127-128171-175. [百度学术] 

5

李昊轩邓文博郭茜茜. 3种鲌亚科鱼类对不同禁捕策略的响应[J]. 上海海洋大学学报2023324): 841-851. [百度学术] 

LI H XDENG W BGUO Q Qet al. Response of three cultrinae fishes to different fishing ban strategies[J]. Journal of Shanghai Ocean University2023324): 841-851. [百度学术] 

6

王杨楠韩东燕麻秋云. 基于线性混合效应模型的镰鲳叉长-体质量关系的异质性分析[J]. 上海海洋大学学报2021301): 135-143. [百度学术] 

WANG Y NHAN D YMA Q Yet al. Linear mixed-effect models for heterogeneity analysis of fork length-mass relationships for Pampus echinogaster[J]. Journal of Shanghai Ocean University2021301): 135-143. [百度学术] 

7

IQBAL T HDAMORA AFIKRI I Aet al. Length-weight relationships of three reef fish species from Kei Islands, Southeast Maluku, Indonesia[J]. IOP Conference Series: Earth and Environmental Science2018216012028. [百度学术] 

8

戴强戴建洪李成. 关于肥满度指数的讨论[J]. 应用与环境生物学报2006125): 715-718. [百度学术] 

DAI QDAI J HLI Cet al. Discussion on relative fatness[J]. Chinese Journal of Applied and Environmental Biology2006125): 715-718. [百度学术] 

9

JONES R EPETRELL R JPAULY D. Using modified length-weight relationships to assess the condition of fish[J]. Aquacultural Engineering1999204): 261-276. [百度学术] 

10

李雅敏牟秀霞张崇良. 山东近海星康吉鳗体长-体质量关系及其时空异质性[J]. 上海海洋大学学报2022313): 729-738. [百度学术] 

LI Y MMU X XZHANG C Let al. Length-weight relationship and spatio-temporal heterogeneity of Conger myriaster in the coastal waters of Shandong Province[J]. Journal of Shanghai Ocean University2022313): 729-738. [百度学术] 

11

孙晗梅. 线性和广义线性混合模型的混合效应预测与应用[D]. 济南山东大学2018. [百度学术] 

SUN H M. Mixed effect prediction of linear and generalized linear mixed model and their applieations[D]. JinanShandong University2018. [百度学术] 

12

崔明远陈伟峰戴黎斌. 浙江南部海域蓝圆鲹生长异质性及死亡特征[J]. 中国水产科学20202712): 1427-1437. [百度学术] 

CUI M YCHEN W FDAI L Bet al. Growth heterogeneity and natural mortality of Japanese scad in offshore waters of southern Zhejiang[J]. Journal of Fishery Sciences of China20202712): 1427-1437. [百度学术] 

13

BATES DMÄCHLERMBOLKER Bet al. Fitting linear mixed-effects models using lme4[J]. Journal of Statistical Software2015671): 1-48. [百度学术] 

14

杜良玉吴峰戴小杰. 淀山湖4种鲌亚科鱼类生长状况分析[J]. 渔业信息与战略2023382): 117-127. [百度学术] 

DU L YWU FDAI X J. Analysis on growth status of four Cultrinae fishes in Dianshan Lake[J]. Fishery Information & Strategy2023382): 117-127. [百度学术] 

15

林军李增光万荣. 长江口凤鲚产卵群体繁殖力特征[J]. 上海海洋大学学报2022315): 1023-1031. [百度学术] 

LIN JLI Z GWAN Ret al. Fecundity characteristics of spawning stocks of Coilia mystus in Yangtze Estuary[J]. Journal of Shanghai Ocean University2022315): 1023-1031. [百度学术] 

16

赵国庆陈俊霖张衡. 西北太平洋公海日本鲭生物学特征研究[J]. 海洋渔业2023454): 385-402. [百度学术] 

ZHAO G QCHEN J LZHANG Het al. Biological characteristics of Scomber japonicus in the high seas of the Northwest Pacific[J]. Marine Fisheries2023454): 385-402. [百度学术] 

17

蔡锴. 西北太平洋鲐鱼(Scomber japonicus)的资源评估研究[D]. 上海上海海洋大学2023. [百度学术] 

CAI K. Stock assessment of Chub mackerel in the Northwest Pacific[D]. ShanghaiShanghai Ocean University2023. [百度学术] 

18

王凯严利平程家骅. 东海鲐鱼资源合理利用的研究[J]. 海洋渔业2007294): 337-343. [百度学术] 

WANG KYAN L PCHENG J Yet al. Study on the reasonable utilization of chub mackerel in the East China Sea[J]. Marine Fisheries2007294): 337-343. [百度学术] 

19

程家骅林龙山. 东海区鲐鱼生物学特征及其渔业现状的分析研究[J]. 海洋渔业20042): 73-78. [百度学术] 

CHENG J HLIN L S. Study on the biological characteristics and status of common mackerel(Scomber japonicus Houttuyn) fishery in the East China Sea region[J]. Marine fisheries20042): 73-78. [百度学术] 

20

周雨霏邓佳怡麻秋云. 基于数据有限方法的日本鲭生活史参数估算和资源状态评价[J]. 应用生态学报2023348): 2249-2258. [百度学术] 

ZHOU Y FDENG J YMA Q Yet al. Estimation of life history traits and stock status for Scomber japonicus based on data-limited method[J]. Chinese Journal of Applied Ecology2023348): 2249-2258. [百度学术] 

21

CAI KKINDONG RMA Q Yet al. Growth heterogeneity of chub mackerel (Scomber japonicus) in the Northwest Pacific Ocean[J]. Journal of Marine Science and Engineering2022102): 301. [百度学术] 

22

赵国庆. 西北太平洋公海日本鲭(Scomber japonicus)渔业生物学及渔场变动研究[D]. 上海上海海洋大学2022. [百度学术] 

ZHAO G Q. Study on fishery biology and fishing ground changes of chub mackerel (Scomber japonicus) in the high seas of the Northwest Pacific[D]. ShanghaiShanghai Ocean University2022. [百度学术] 

23

KU J FTZENG W N. Age and growth of spotted mackerel, Scomber australasicus (Cuvier), in the shelf waters of northeastern and southwestern Taiwan[J]. Journal of the Fisheries Society of Taiwan1985122): 12-26. [百度学术] 

24

FROESE RTHORSON J TREYES JR R B. A Bayesian approach for estimating length‐weight relationships in fishes[J]. Journal of Applied Ichthyology2014301): 78-85. [百度学术] 

25

裴如德高春霞田思泉. 浙江南部近海小黄鱼生长和性成熟特征的异质性[J]. 应用生态学报2021321): 333-341. [百度学术] 

PEI R DGAO C XTIAN S Qet al. Heterogeneity of growth and maturity of Larimichthys polyactis in the offshore waters of southern Zhejiang, China[J]. Chinese Journal of Applied Ecology2021321): 333-341. [百度学术] 

26

衷思剑麻秋云刘淑德. 基于线性混合效应模型的黄体长体重关系的时空差异[J]. 中国水产科学2018256): 1299-1307. [百度学术] 

ZHONG S JMA Q YLIU S Det al. Linear mixed-effects models for estimating spatiotemporal variations of length-weight relationships for Lophius litulon[J]. Journal of Fishery Sciences of China2018256): 1299-1307. [百度学术] 

27

SASSA CTSUKAMOTO Y. Distribution and growth of Scomber japonicus and S. australasicus larvae in the southern East China Sea in response to oceanographic conditions[J]. Marine Ecology Progress Series2010419185-199. [百度学术] 

28

王良明李渊张然. 西北太平洋日本鲭资源丰度分布与表温和水温垂直结构的关系[J]. 中国海洋大学学报(自然科学版)20194911): 29-38. [百度学术] 

WANG L MLI YZHANG Ret al. Relationship between the resource distribution of Scomber japonicus and seawater temperature vertical structure of northwestern Pacific Ocean[J]. Periodical of Ocean University of China20194911): 29-38. [百度学术] 

29

NASHIDA KMITANI T. Maturation of the spotted mackerel Scomber australasicus in the waters off Ashizuri cape, Pacific coast of southern Japan, with reference to the habitat water temperatures[J]. Bulletin of Fisheries Research Agency20064): 119-124. [百度学术] 

30

刘思源张衡杨超.基于最大熵模型的西北太平洋远东拟沙丁鱼和日本鲭栖息地差异[J].上海海洋大学学报2023324):806-817. [百度学术] 

LIU S YZHANG HYANG Cet al. Differences in habitat distribution of Sardinops melanostictus and Scomber japonicus in the northwest Pacific based on a maximum entropy model[J]. Journal of Shanghai Ocean University2023324):806-817. [百度学术] 

31

张畅陈新军. 西北太平洋澳洲鲐渔业生物学研究进展[J]. 广东海洋大学学报2018381): 91-99. [百度学术] 

ZHANG CCHEN X J. Review of fisheries biology of blue mackerel (Scomber australasicus) in the Northwest Pacific Ocean[J]. Journal of Guangdong Ocean University2018381): 91-99. [百度学术] 

32

HIYAMA YYODA MOHSHIMO S. Stock size fluctuations in chub mackerel (Scomber japonicus) in the East China Sea and the Japan/East Sea[J]. Fisheries Oceanography2002116): 347-353. [百度学术] 

33

余为温健. 洪堡洋流系统内重要渔业资源对气候和海洋环境变化的响应研究进展[J]. 上海海洋大学学报2022313): 620-630. [百度学术] 

YU WWEN J. Review on the response of important fishery resources to the climatic and environmental variability in the Humboldt Current System[J]. Journal of Shanghai Ocean University2022313): 620-630. [百度学术] 

34

周茉方星楠余为. 厄尔尼诺和拉尼娜事件下西北太平洋柔鱼栖息地时空分布差异[J].上海海洋大学学报2022314):984-993. [百度学术] 

ZHOU MFANG X NYU Wet al. Difference of spatio-temporal distribution of neon flying squid Ommastrephes bartramii in the northwest Pacific Ocean under the El Niño and La Niña events[J]. Journal of Shanghai Ocean University2022314):984-993. [百度学术] 

35

张畅陈新军. 基于灰色系统的澳洲鲐太平洋群系资源量预测模型[J]. 上海海洋大学学报2019281): 154-160. [百度学术] 

ZHANG CCHEN X J. Forecasting model for spotted mackerel biomass based on grey system theory[J]. Journal of Shanghai Ocean University2019281): 154-160. [百度学术] 

36

王雅萌陈芃陈新军. 气候变化下西北太平洋大海洋生态系海表面温度特征分析[J]. 上海海洋大学学报2021305): 874-883. [百度学术] 

WANG Y MCHEN PCHEN X J. Characteristics of sea surface temperature for large marine major ecosystems in the northwest Pacific under climate change[J]. Journal of Shanghai Ocean University2021305): 874-883. [百度学术] 

37

李迎冬张崇良纪毓鹏. 不同采样设计对估计鱼类空间格局指数的影响[J]. 海洋学报2022441): 36-47. [百度学术] 

LI Y DZHANG C LJI Y Pet al. Effects of sampling design on estimation of spatial pattern indices of fish population[J]. Haiyang Xuebao2022441): 36-47. [百度学术] 

38

黄洪亮王明彦徐宝生. 东海区拖网网囊网目选择性研究[J]. 水产学报2005292): 232-237. [百度学术] 

HUANG H LWANG M YXU B Set al. Study on selectivity of mesh size of cod-end of trawl in the East China Sea region[J]. Journal of Fisheries of China2005292): 232-237. [百度学术] 

39

武胜男陈新军. 西北太平洋日本鲭渔业生物学和渔业海洋学研究进展[J]. 广东海洋大学学报2018382): 91-100. [百度学术] 

WU S NCHEN X J. Review on fishery biology and fishery oceanography of chub mackerel (Scomber japonicus) in the Northwest Pacific Ocean[J]. Journal of Guangdong Ocean University2018382): 91-100. [百度学术]