气候驱动的产卵-补充量模型识别商业鱼类种群的潜在环境联系

《Fish and Fisheries》:Climate-informed stock-recruitment models identify potential environmental links for commercial fish stocks

【字体: 大 中 小 】 时间:2026年07月09日 来源:Fish and Fisheries 6.3

编辑推荐:

  多项研究表明海洋鱼类最大单位补充量补充率(maximum per capita recruitment rate)存在非平稳性(non-stationarity),这可能与区域环境驱动因子相关。探索环境驱动因子与时变补充率之间的关系,将有助于理解补充过程,并为

  
多项研究表明海洋鱼类最大单位补充量补充率(maximum per capita recruitment rate)存在非平稳性(non-stationarity),这可能与区域环境驱动因子相关。探索环境驱动因子与时变补充率之间的关系,将有助于理解补充过程,并为渔业管理者提供如何调整生物参考点(biological reference points)和收获控制规则(harvest-control rules)以适应生态系统状态变化的建议。为检验48个存在非平稳单位补充补充率的美国商业鱼类种群的补充率是否受显著影响,研究人员将来自两个大西洋和三个太平洋区域的环境指数纳入状态空间动态Ricker产卵-补充量模型(state-space dynamic Ricker stock-recruitment model)。研究人员开发了两种模型变体,分别基于气候变量本身及其变化率,将气候因素纳入状态空间模型。模拟测试表明,如果真实系统存在气候驱动因子,大多数情况下气候增强模型(climate-enhanced model)能够检测到它。然而,不同的模型变体可能具有相似的统计支持,因此模型选择可能无法区分气候-补充交互作用的生态假说。在35个(73%)真实种群时间序列中,至少有一个环境变量被识别为名义上显著改善了非气候动态模型。模拟结果表明,即使这种影响的形式可能无法明确识别,所识别的环境指数很可能确实影响给定种群的补充量。这些结果可以支持未来更详细的种群特异性渔业动态、气候驱动因子、模型规格以及最终管理行动的分析。
**论文解读文章**

**研究背景与问题**

气候变化对海洋环境和生态系统的影响日益显著,表现为温度升高、洋流变化等。鱼类种群补充量是其动态变化的主要来源,而补充率(即单位产卵生物量产生的补充量,也称生产力)的时变性已被多项研究证实,但与环境驱动因子的具体联系尚不明确。传统产卵-补充量模型(如Ricker模型)通常假设补充率恒定,忽略了非平稳性。然而,已有研究表明补充率存在时间变化,且可能与海表温度、冷池指数、浮游动物丰度等环境因素相关。探索这些环境驱动因子与补充率变化之间的关系,有助于渔业管理者调整生物参考点(Biological Reference Points, BRPs)和收获控制规则(Harvest Control Rules, HCRs),以适应生态系统变化。本研究的目的是:利用Peterman生产力方法(Peterman Productivity Method, PPM),对48个美国商业鱼类种群的时变补充率进行建模,并检验环境指数是否作为显著驱动因子;同时通过模拟测试评估模型检测气候信号的能力。

**为何开展研究**

尽管已有研究识别了补充率与环境变量之间的关联,但多数分析局限于单一物种或区域,且缺乏对模型检测能力的系统性评估。此外,不同气候假设(如气候变量本身或其变化率)对补充率的影响机制尚不明确。因此,本研究旨在系统性地测试两种气候纳入方式(直接纳入气候变量及其变化率),并借助模拟测试验证模型在真实数据中的适用性,以期为渔业管理提供更可靠的依据。

**论文发表信息**

该论文发表于《Fish and Fisheries》。

**主要技术方法**

研究人员采用Peterman生产力方法(PPM),即动态线性状态空间模型,基于Kalman滤波(Kalman filter)拟合Ricker产卵-补充量模型。模型包含观测方程(线性化Ricker模型)和状态方程(时变补充率的随机游走过程)。为估计误差参数,使用区域恒定信噪比(Signal-to-Noise Ratio, SNR)约束观测误差标准差(σv)和过程误差标准差(σw)。环境指数纳入方式有两种:直接纳入气候变量(Et)或纳入其变化率(ΔEt),并测试线性漂移项。模型拟合采用最大似然估计,通过卡方似然比检验(chi-squared likelihood ratio test)比较模型优劣,并计算1-3年超前预测的方差增益百分比评估预测能力。模拟测试中,研究人员构建了四种操作模型(OM1-OM4):静态无气候、动态无气候、动态含气候变量、动态含气候变化率,并在不同参数水平(σv、σw、环境效应c)下生成50年和100年时间序列,重复500次模拟,使用AIC和似然比检验进行模型选择。

**研究结果**

**3.1 模拟测试**

模拟结果表明,当操作模型为静态时,估计模型几乎总能正确选择静态模型(87.5%的100年序列、86.4%的50年序列选择EM1)。当操作模型为动态无气候时,动态无气候模型(EM2)被选中的概率最高(49.41%和43.33%)。当操作模型包含气候信号时,模型能检测到气候信号,但AIC常难以区分具体配置(EM3与EM4),且当气候效应较弱(c值小)或过程误差大时,模型更倾向于选择动态无气候模型。似然比检验显示,仅在观测误差(σv)和过程误差(σw)较小、气候效应(c)较大时,正确气候模型才显著优于动态无气候模型。参数估计准确性方面,观测误差(σv)估计最准确,过程误差(σw)常被低估,环境效应(c)常被高估,表明模型在区分过程误差与环境信号方面存在一定困难。

**3.2 种群的产卵-补充量时间序列**

对于48个真实鱼类种群,与非气候动态模型相比,线性漂移项仅在两个种群(新英格兰的冬季鳙鲽SNE和加州流系的犬牙石斑鱼)中显著改善拟合。多种环境变量被识别为名义上显著改善非气候动态模型,35个种群(73%)至少有一个环境模型优于非气候动态模型。不同区域识别出的环境指数类型各异:新英格兰区以大型气候指数(如AMO、AO、NAO)为主;中太平洋区包括底温、冷池指数等;加州流系区包括海表温度、PDO等;阿拉斯加区则更多使用生物指数(如桡足类生物量、底栖生物量)。添加气候变量后,过程误差(σw)有时会缩小,表明部分变异性被气候项吸收,但观测误差固定时,这种缩小不总是发生。

**讨论与结论**

讨论部分指出,模拟测试结果支持AIC和似然比检验在区分静态与动态模型方面的可靠性,但两种气候假设(气候变量本身与变化率)难以区分。实际数据中,更多模型与气候变化率(ΔEt)显著相关,表明气候扰动可能对当年补充率产生即时影响而非持续多年。线性漂移项很少显著,说明补充率的变化是非线性的,并可由气候假设解释。研究还验证了先前已知的关系,如冬季鳙鲽补充量与水温负相关、黄尾鲽补充量与冷池大小正相关等。不同区域环境指数类型的差异反映了区域生态学和管理重点的差异。研究结论强调,尽管单一气候驱动因子难以解释所有补充量变异性,但识别出的环境联系为种群特异性管理提供了重要参考,建议未来采用因果分析或结构方程方法处理多指数交互作用。

**结论部分翻译**

本研究的主要目的不是预测整体补充量,而是解释观测到的时变最大单位补充量补充率,并将其与潜在的环境解释因素联系起来。结果表明,对于时变种群,动态模型相比静态模型通常能改善预测,这与北大西洋和加州流系的先前研究一致。但预测改善并非普遍且幅度不一。在理想情况下,假设已知未来产卵种群规模和环境条件,包含显著环境变量的模型通常能改善1年超前预测。此外,本研究证实了先前文献中记录的一些关系,如冬季鳙鲽补充量与水温负相关、黄尾鲽与冷池大小正相关、太平洋犬牙石斑鱼与海温负相关等。每个种群对气候驱动因子的响应独特,但跨区域的水温效应存在差异:太平洋种群多呈正相关,大西洋种群多呈负相关,这可能与物种的热耐受范围和区域变暖速率有关。总体而言,本研究结果有助于推动更详细的种群特异性研究,以评估环境对商业鱼类种群的影响,并支持未来管理中纳入时变参考点。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号