Search
E-mail
RSS

Online submission Editor-in-chief Peer review Staff Login

Journal of Tropical Oceanography >

2020 , Vol. 39 >Issue 2: 118 - 126

DOI: https://doi.org/10.11978/2019046

Marine Environmental Protection

Competitive pressure inquiry and resource allocation of coral fishes based on LSH method

  • ZHAO Danfeng ,
  • HUANG Zhou ,
  • XU Qiang ,
  • HUANG Dongmei
Expand
  • Information College, Shanghai Ocean University, Shanghai 201306, China

Received date: 2019-05-10

  Request revised date: 2019-07-04

  Online published: 2020-03-10

Supported by

National Natural Science Foundation of China(41671431)

Copyright

Copyright reserved © 2019. Office of Acta Agronomica Sinica All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.
Fold

Abstract

Coral fish protection strategy based on ocean big data query technology is an important subject in marine science research. Among them, the competition of fish populations is of great significance to fish protection. In order to study the competition of fish populations, it is necessary to model the relationship between fish populations and coral reefs. As a simple and effective big data model, a graph model is a practical model to express this relationship. Therefore, we propose a competition graph model of coral fish populations and fish-dependent coral reef resources. Then, a big data graph query method based on Local Sensitive Hashing (LSH) is proposed to analyze the competitive pressure of fish populations and obtain real-time competitive pressure of fish populations. Third, according to the results of LSH query, the fish population that needs priority protection is analyzed. Finally, a resource allocation strategy based on constructing artificial reefs was designed for these fish populations to improve the overall competition of coral fishes in the region.

Key words： coral fishes; competition graph; Local Sensitive Hashing; resource allocation; overall competition

Cite this article

ZHAO Danfeng , HUANG Zhou , XU Qiang , HUANG Dongmei . Competitive pressure inquiry and resource allocation of coral fishes based on LSH method[J]. Journal of Tropical Oceanography, 2020 , 39(2) : 118 -126 . DOI: 10.11978/2019046

珊瑚礁鱼群是海洋鱼类资源的重要组成部分, 也是海洋资源研究和保护的主要对象之一。一直以来, 珊瑚礁鱼群资源保护工作和珊瑚礁鱼群竞争状况的研究都是海洋研究的重要课题。研究珊瑚礁鱼群竞争状况以及对其进行保护的方法, 就必须研究鱼类种群的竞争压力。鱼类种群的竞争压力是指特定海洋区域内的每个鱼类种群的种内和种间竞争状况。
近些年来已有一些针对珊瑚礁鱼类的研究。McClanahan等(2005)对4个不同年龄的全封闭海洋保护区(MPAs)中珊瑚礁鱼类的大小、密度和生物量进行了17年的研究, 描述了珊瑚礁鱼类组合的全面恢复过程。Engelhard等(2017)使用网络模型估计了澳大利亚亚热带海湾珊瑚礁相关鱼类的海域连通性。该模型考虑了两种尺度的连通性——海域内部的连通性和海域之间的连通性。同时, 该模型展示了如何通过识别现有保护区网络内外的生物连接性, 将网络分析有效地用于保护规划。Fox等(2014)提出了一种新的网络理论的延伸, 用以分析海洋草食性鱼类在暗礁系统内的运动。在12个月的时间里, 他们使用一系列的远程声波接收器, 追踪了一个特定珊瑚礁群落内3种主要食草鱼类的活动, 并通过图论模型分析, 说明了对所有的珊瑚礁栖息地而言, 维持高草食动物丰度是保持珊瑚礁完整放牧功能的关键。以上工作都将珊瑚礁鱼类的研究与其依赖的环境相关联, 综合分析研究珊瑚礁鱼类的生存状况。因此研究珊瑚礁鱼类的保护策略时, 应当将珊瑚礁与鱼类种群共同考虑, 综合分析。而在上述研究中, 多以区域作为鱼类研究单位, 这种研究单位不符合精确的鱼类种群竞争压力研究的要求。Jacobi等(2011)基于连通性保护区网络优化方法提出了一种特征值扰动理论(EPT),认为在低种群密度情况下, 应当优先保护新种群的供给海域和接收海域。该方法中以种群作为海洋生物的研究单位的做法为本文提供了思路。
在海洋保护的相关研究中, 寻求一种简单有效的研究模型是重要的。研究珊瑚礁鱼群的竞争状况, 必须简单明了的表达珊瑚礁鱼类与珊瑚礁的依赖关系以及珊瑚礁鱼类的种内和种间竞争关系。图模型可以方便有效的描述鱼群与珊瑚礁的关系。近些年来, 图模型被广泛应用于海洋研究, 并取得了一些成果(Kininmonth et al, 2010; Sadri et al, 2017; Le Bouteiller et al, 2019)。例如, 概念生态模型(CEM, Elmer et al, 2014)提出了基于图模型识别自然系统的压力源和驱动因素的方法。但针对珊瑚礁鱼群与珊瑚礁的依赖关系以及鱼类种群间的竞争关系, 目前的研究成果中尚无简单有效的表述方法。为了构建简单有效的表述鱼类与珊瑚礁关系的图模型, 本文提出了竞争图模型。
海洋大数据具有数据量大, 变化多, 更新频繁等特点。一般方法耗时太多, 查询效率不佳。为了实现海洋大数据图模型的快速查询, 本文提出了竞争图上的局部敏感哈希方法(Local Sensitive Hashing, LSH)方法。LSH方法是一种基于概率的相似度比较方法, 早期用于文本比较。LSH方法可以通过构建Shingle向量的方式, 基于相似度越高的向量最小哈希值相同的概率越高的原理, 实现多个文本的快速相似度比较和估计。后经改进, LSH方法被用于图论领域(Khan et al, 2017; Diz et al, 2018; Morita et al, 2018), 可以实现大数据图模型中相似点的快速查询。因此LSH可用于针对海洋大数据的图查询。在此基础之上, 本文提出了资源分配策略, 可实现海域内鱼类总体竞争状况改善。

1 材料与方法

1.1 种群和栖息地依赖关系量化

在海洋中许多有机体维持集体领地, 代表整个群体的利益而竞争。在这种竞争中, 种群拥有固定的家园位置和有限的可用于掠夺的地点范围(Galanter et al, 2017)。海洋环境规定着不同种群适宜的“生境”的界限, 这对种群繁衍和资源开发利用有着十分重要的意义(王楠, 2012)。以上工作为本文提出竞争图模型提供了思路。根据地理学第一定律(Tobler, 1970), 事物的相关性与事物之间的距离有关。一个种群的生存资源主要来自于其依赖的栖息地。珊瑚礁鱼类的主要栖息地为珊瑚礁。故可将鱼种群和珊瑚礁之间的距离作为衡量种群和栖息地的依赖程度, 并给出依赖标准的定义。
定义1. 依赖距离: 设X为种群, Y为栖息地, 其中X的经纬度为$(x_{1},y_{1})$, Y的经纬度为$(x_{2},y_{2})$, 则称d(X, Y) 为X和Y之间的依赖距离。
$d(X,Y)=\sqrt{(x_{1}-x_{2})^2+(y_{1},y_{2})^2}$
定义2. 依赖标准: 设X为种群, Y为栖息地, t为一个常数, 且X和Y之间的距离为d(X, Y), 若d(X, Y)<t则认为X和Y之间有依赖关系, 否则认为X和Y之间没有依赖关系, 则称t为依赖标准。
对于依赖标准的制定, 目前尚无经验可循, 因此, 本文统计了2004年美国国家近岸海洋数据(国家海洋科学数据共享服务平台, 2019)中不同鱼类种群和不同的珊瑚礁之间的依赖距离(图1)。
图1统计得出2004年美国近海岸的鱼类种群数目20342个, 珊瑚礁数目1478个, 穷举得出30065476个距离结果。去掉其中鱼类种群和珊瑚礁的距离过远的数据, 图1中共统计了5448183个数据。其中, 均值约为2748.55m, 中位数约为2144.38m, 众数约为1660.45m。根据2004年距离穷举的统计结果, 本文暂定依赖标准为1000m。
图1 鱼类种群和珊瑚礁距离折线图

Fig. 1 Broken line chart of distances between fish populations and coral reefs

1.2 竞争图构建

竞争图是一类特殊的二分图模型, 用于描述生物种群与资源的依赖关系以及生物种群竞争关系。
定义3. 竞争图: 设V1是“鱼类种群点”集合, V2是“珊瑚礁点”集合。点集合V=V1∪V2。边集合为E。对任意一条有向边e=<u, v>∈E, 都有u∈V1且v∈V2。则称二分图G={V, E}为竞争图。
定义4. 邻域: 设v是图G中的一个点, 集合N(v)={u1, u2, …, un}中的任意一个点ui, 在图G中都存在有向边<v, ui>或<ui, v>, 则称N(v)为点v的邻域, 记作N(v)。其中, 若只存在从v到ui有向边<v, ui>, 则称N(v)为点v的出邻域, 记作N+(v)。若只存在从ui到v的有向边<ui, v>, 则称N(v)为点v的入邻域, 记作N-(v)。出邻域N+(v)的大小|N+(v)|为点v的出度, 记作β(v)。在下文中, 若无特殊说明, N(v)皆指点v的出邻域。
本文以一个种群或一个珊瑚礁作为一个点。若某种群的生存点与珊瑚礁的依赖距离小于依赖标准则认为该种群的生存依赖这个珊瑚礁, 则从该种群的点向该珊瑚礁的点连一条有向边。按照如上规律可以得到本文提出的竞争图模型(图2)。
图2给出了根据上述图模型构建方式构建的竞争图模型。其中, 鱼类种群有3个, 并标记有该种群所包含的鱼的数目, 珊瑚礁有4个。若鱼类种群对某个珊瑚礁有依赖, 则从该鱼类种群向该珊瑚礁做一条有向边。

1.3 基于LSH的竞争值估计

对上节中得到的竞争图模型构建邻接矩阵, 再对其转置矩阵使用LSH方法。该方法默认基于Jaccord相似度(定义6), 能够估计出整个图中可能和一个点的邻域有较高相似度的点集合, 这个集合称为竞争种群集合(定义7)。
图2 竞争图

Fig. 2 Competition graph

定义5. Jaccord相似度: u和v均是图中一个点, 其中N(u)是点u的出邻域, N(v)是点v的出邻域, 则Jaccord相似度为:
$J(u,\nu)=\frac{|N(u) \cap N(\nu)|}{|N(u) \cup N(\nu)|}$
Jaccord相似度反映了两个点u和v的邻域重合程度, 即Jaccord相似度越高, u和v点的邻域重合程度越高, 他们的相似度越高。
定义6. 竞争种群集合: 设A是一个种群, 则与A达到竞争标准的种群和A组成的集合称为竞争种群集合, 记作C(A)。
定义7. 资源竞争度: 设A和B是两个种群, N(A)和N(B)分别是他们所依赖的珊瑚礁集合。则资源竞争度被定义为:
$CR(A,B)=\sum_{\nu in N(A) \cap N(B)} \frac{1}{\sqrt{|\nu|}}$
式中: CR表示种群A和B的资源竞争度, 反映的是两个种群A和B所共同依赖的资源量所造成的竞争压力; |v|表示珊瑚礁点v的资源量。
资源竞争度反映了两个鱼类种群竞争的珊瑚礁资源越多, 则资源竞争度越低, 反之资源竞争度越高。
定义8. 竞争值: 设A是一个种群, C(A)={u1, u2, ..., un}是A种群的竞争种群集合, 则A种群的竞争值被定义为:
$Cv(A)=\sum_{i=1}^{n} (|u_{i}|) \times J(u_{i},A) \times CR(u_{i},A)$
式中: $C\nu (A)$表示种群A的竞争值, 反映的是所有与A种群有共同依赖的珊瑚礁资源的鱼类种群因与A种群共用资源以及他们各自的种群规模而产生的竞争压力的大小(单位: 个·资源量衡量单位-1); ui表示种群。
竞争值量化可以反映种群A和与其有竞争关系的种群间的种间竞争以及种群A内部的种内竞争的综合程度。
竞争值估计算法针对种群的竞争值不需要精确计算, 只需要知道种群的大概竞争压力情况, 以便在合理的时间内, 得到有效的竞争压力分析结果。对大数据图而言, 反复遍历查询的方法是不可取的。针对竞争值的计算需求, 本文给出了竞争值估计算法(表1)。竞争值估计算法的核心思想是通过构建邻接矩阵的方式, 对竞争图中每个点做基于概率的相似度估计, 将相似度高的点统计到一个桶内(桶是计算机学中的一种数据结构)。本文通过构造多个哈希函数的方式, 将多次最小哈希矩阵和行条矩阵计算合并为一次, 使得桶归纳也合并为一次。查询只需在预处理得到的桶集合中进行, 大大提高了查询效率。再根据竞争值计算公式, 计算出每个鱼类种群点的竞争值。根据算法1可以由图2得到图3。
表1 算法1——竞争值估计

Tab. 1 Algorithm 1——Estimation of competition value

输入: 一个竞争图G=(V, E)
输出: 一个查询结果图G’=(V’, E’, P)
1. 构建图G’=(V’, E’, P)
2. V’ <-V, E’ <-E
3. 对图G构建邻接矩阵M
4. 对邻接矩阵M做最小哈希, 得到最小哈希矩阵M’
5. 对最小哈希矩阵M’做二次哈希映射, 得到行条矩阵M’’
6. 对行条矩阵M’’做桶归纳, 得到桶集合BSet
7. FOR each v∈V
8. IF L(v)= “鱼类种群”
9. Cv(v) <-0
10. 初始化空集合C(v) <-Ø
11. FOR each桶b∈BSet
12. IF 点v∈b, 则
13. C(v) <-C(v)∪{b}
14. FOR each u∈C(v)
15. Cv(v) <-Cv(v)+L’(u)×J.Sim(v, u) ×CR(v, u)
16. P(v) <-Cv(v)
17. ELSE
18. P(v) <-0
19. RETURN 图G’

注: G和G’表示图, V和V’表示点集合, E和E’表示边集合, P表示压力值标签集合。Cv(v)表示点v的竞争值。BSet表示桶集合, 其中的任意一个元素b表示一个桶。L(v)表示点v的属性标签, L’(u)表示点u的大小。P(v)表示点v的压力值

图3 鱼类种群竞争状况图

Fig. 3 competition status of fish populations

算法1为竞争值估计算法。算法采用链表实现, 则时间和空间复杂度均为O(|E|), E为竞争图的边集合。然后做邻接矩阵最小哈希形成最小哈希矩阵, 再对最小哈希矩阵做哈希运算得到行条矩阵。接着做行条矩阵桶归纳, 将所有出度不为零的点归纳到桶中, 空间和时间复杂度均为O(|E|)。然后进行竞争值估计, 该过程为两层循环, 时间和空间复杂度均为O(|E|)。综上所述, 算法1的空间复杂度为O(|E|); 算法1时间复杂度为O(|E|)。
图3给出了图2根据算法1计算得到的鱼类种群竞争值, 鱼类种群1的竞争值为5.78, 鱼类种群2的竞争值为5.00, 鱼类种群3的竞争值为0.32。鱼类种群1和鱼类种群2之间有竞争关系。 而鱼类种群3与前两者无竞争关系。

1.4 资源分配平衡策略

鱼类种群间和种群内部的竞争会导致部分鱼类种群竞争压力过高, 资源竞争激烈。为了对过压种群进行保护, 有必要对海洋珊瑚礁资源予以合理分配, 以改善鱼群竞争状况。
生物多样性保护措施主要包括就地保护和迁地保护。就地保护主要是对目标物种的栖息地进行保护和修复; 迁地保护主要是通过对濒危物种的搬迁, 实现对濒危物种的保护(罗瑜萍, 2006; 夏欣 等, 2018)。对珊瑚礁鱼类而言, 鱼群活动频繁, 鱼群搬迁不易实施。而且迁地保护须综合考虑被迁移物种对被迁移到的目标区域的生态影响。因此, 珊瑚礁鱼类的保护措施采用就地保护更为适宜, 即在不迁移鱼群的前提下, 通过对其栖息地海域增加资源的方式降低鱼群竞争压力, 从而改善海域内珊瑚礁鱼类总体竞争状况。在就地保护措施中, 构建人工礁是一项有效的保护措施。该方法主要通过为濒危种群栖息地分配更多的人工礁资源, 以实现对其进行合理资源供给, 从而实现濒危种群保护。本文基于构建人工礁给出了算法2 (表2), 从图论的角度实现了资源分配策略。本文给出了压力标准定义(定义9), 以便筛选出需要保护的鱼类种群进行合理资源分配。
表2 算法2——资源分配算法

Tab. 2 Algorithm 2——The allocation of resources

输入: 一个图G=(V, E, P), 依赖标准t, 压力标准p
输出: 一个图G’=(V’, E’, P)
1. 构建集合ConceptV和FarV
2. DO
3. 将图G中所有P>p的鱼类种群点归纳为一个集合VP
4. 初始化ConceptV<-VP, FarV= Ø
5. DO
6. FOR each v∈ConceptV
7. 做以v为中心, 以t为半径的圆的内接正方形
8. 将这些正方形叠加得到区域EARA
9. IF EARA为空
10. 对ConceptV中点的经纬度取均值
11. 找出ConceptV中偏离均值点最远的离群点k
12. FarV<-FarV∪{k}
13. ConceptV<-ConceptV-{k}
14. ELSE
15. 在EARA的中间位置构建人工礁点r
16. V<-V∪{r}
17. ConceptV<-FarV
18. 对图G根据t重新规整E
19. WHILE ConceptV≠Ø
20. 对图G重新做算法1得到G’
21. G<-G’
22. 重新获取ConceptV, 将FarV置空
23. WHILE ConceptV≠Ø
24. RETURN 图G’

注: G和G’表示图, V和V’表示点集合, E和E’表示边集合, P表示压力值集合。ConceptV表示当前循环中构建一个珊瑚礁所考虑的点的集合, FarV表示当前循环中构建一个珊瑚礁不考虑的点集合(位置过远)。EARA表示经过计算后可以构建珊瑚礁的地理区域, 是经纬线围成的一个长方形地理区域。Ø表示空集合

定义9. 压力标准: 设p为一个常数, 对任意一个鱼类种群A, 若Cv(A)≥p, 则说该鱼类种群A面临过大的竞争压力, 则称p为压力标准。
定义10. 总体竞争压力(ALLP): S={A1, A2, ..., An}是一个种群集合, 则S集合中所有种群的总体竞争压力定义为:
$ALLP(S)=\sqrt{\sum_{A_{i} \in s} C \nu (A_{i})^2}$
总体竞争压力反映了海域内珊瑚礁鱼类的总体竞争状况。ALLP越高, 总体竞争越激烈, 反之, 总体竞争越缓和。
定义11. 改善率: 设S是种群集合, ALLP(S)和ALLP’(S)分别是资源分配前后的总体竞争压力, 则改善率定义为:
$IR(S)=\frac{ALLP(S)-ALLP’(S)}{ALLP(S)} \times 100%$
在算法2中, 将算法1得到的含有每个点竞争值的图G、事先制定的依赖标准, 以及压力标准作为输入。算法2是在算法1得到的竞争值计算结果上, 通过对过压鱼群合理构建人工礁来实现区域内珊瑚礁鱼群ALLP下降。算法2主要由两层WHILE循环构成, 内层循环作为一次资源分配, 外层循环检查内层循环结果。如果经过内层循环资源分配尚不彻底, 即尚有过压鱼群, 则继续进行资源分配, 直到资源分配彻底。算法2可以由图3得到图4。
图4 资源分配后鱼类种群竞争状况图

Fig. 4 competition status of fish populations after resource allocation

算法2为资源分配算法, 内层循环首先构建关注点集ConceptV, 空间和时间复杂度均为O(|vp|), 其中vp为当前过压鱼群数。然后进行循环, 实现基于建造人工礁的资源分配以及资源分配后的关系整理工作。时间复杂度为O(|VP|2|E|), 空间复杂度为O(|E|)。综上所述, 算法2的内层循环时间复杂度为O(|VP|)+O(|VP|2|E|)=O(|VP|2|E|); 算法2的内层循环空间复杂度为O(|VP|)+O(|E|)=O(|E|)。一般, |VP|远小于|E|, 故通常情况下算法2的内层循环时间复杂度为O(|E|)。外层循环次数设为k, 则算法2的时间复杂度为O(k|E|), 空间复杂度为O(|E|)。
图3经过资源分配后得到图4, 鱼类种群1的竞争值为2.82, 鱼类种群2的竞争值为2.30, 鱼类种群3的竞争值为0.32。海域内鱼类总体竞争状况明显改善。衡量鱼类总体竞争状况的标准见定义10。

1.5 技术路线

先将原始数据构建为竞争图模型, 再对竞争图模型进行算法1, 分析得出压力标准。然后在算法1结果上, 根据压力标准执行算法2, 最终得到资源分配结果。具体过程见图5。
图5 技术路线图

Fig. 5 Technology roadmap

2 结果

2.1 实验数据和相关说明

本文采用Intel Core i5-8500 CPU 3GHz, 内存为8GB, 系统为64位Windows10系统, 进行实验。所有算法均使用Java语言实现。Graph模型绘制采用Gephi, 统计图绘制采用Excel。地图绘制采用Google Earth Pro。采用2002—2005年和2010—2012年美国国家近岸珊瑚礁和鱼类数据(国家海洋科学数据共享服务平台, 2019)。这两类数据分别反映了美国近海岸的珊瑚礁和鱼类统计状况, 记录了珊瑚礁和鱼类的位置、种群、数目等生态现状信息。本文以珊瑚礁测量点处的珊瑚覆盖率作为资源衡量标准, 具体数据说明见表3。
表3 实验数据说明

Tab. 3 Description of experiment data

年份 点数/个 边数/条 密度
2002 9855 738751 74.96
2003 10210 704663 69.02
2004 12773 827467 64.78
2005 7998 742866 92.88
2010 5918 333725 56.39
2011 8213 755249 91.96
2012 6042 556196 92.05

注：密度=边数/点数。这个变量反映了一个graph中平均每个结点的边的数目, 即这个graph的密集程度

图6中红色标签为鱼类种群分布点, 黄色标签为珊瑚礁分布点。右侧鱼类种群相对左侧分布更为集中。在局部区域可以看到鱼类种群依赖的珊瑚礁资源稀少。
图6 鱼群与珊瑚礁分布概况

图中红色标记为珊瑚礁鱼类种群; 黄色标记为珊瑚礁

Fig. 6 Distributions of fish and coral reefs

2.2 竞争值估计实验结果

竞争值估计可较为准确的描述美国近海岸鱼类由珊瑚礁资源竞争而产生的竞争压力。以2004年为例, 鱼类种群的竞争压力区分度较大, 从2.37到52559.91区分度明显, 其中深红色的种群面临着巨大的竞争压力, 应当采取相应的保护措施(图7)。图7中点的竞争值越大的结点, 结点颜色越深。
为了方便观察, 图7中略去了竞争图中所有结点之间的边。
本文将压力分析结果按照1000为间隔, 将压力从0到10000之间分为9个压力区间, 将压力值10000以上作为一个区间, 共6个区间分别进行统计。得到结果为: 76.54%种群的竞争压力处于0~1000区间内, 15.89%的鱼类种群竞争压力值在10000以上。图8显示2004年美国近海岸鱼类种群竞争压力总体上比较安全, 大部分种群的竞争压力处于较低的区间内, 但仍有一部分鱼类种群处于高危状态, 这些鱼类种群需要采取应对措施, 重点保护。此时鱼类种群总体竞争压力(ALLP)约等于1051032.55。
图7 竞争值查询结果图

颜色从浅黄色到深红色, 颜色越深的点, 竞争值越高, 反之竞争值越低

Fig. 7 Graph of competition value query result

图8 2004年美国近海岸鱼类种群竞争压力柱状图

Fig. 8 Histogram of competitive pressures in U.S. coastal fish populations in 2004

2.3 资源分配平衡实验结果

竞争值处于10000以上的鱼类种群面临较大竞争压力, 需要保护。本文暂定压力标准为10000, 以此标准进行资源分配(算法2)。由于人工礁不同于天然珊瑚礁, 资源量可控, 故本文以100%作为人工礁资源量。进行资源分配之后的鱼类种群竞争压力状况见图9。
图9a中竞争压力高的鱼类种群数目明显减少, 整体鱼类竞争状况明显改善。红色点明显减少, 颜色多为黄色。鱼类种群竞争压力整体趋于好转。经过算法2, 已经在合适处构建人工礁(红色点标注), 使得区域ALLP下降(图9b)。进行资源分配后的鱼类种群竞争压力柱状图见图10。
进行资源分配后, 竞争压力值处于压力标准以上的种群已经大幅度减少, 鱼类竞争状况明显好转(图10)。由图8和图10对比可知, 资源分配后, 鱼类种群总体竞争状况改善, 鱼类种群总体竞争压力ALLP≈73374.75, 总体竞争压力明显下降, 改善率IR≈93.02%。
图9 资源分配后鱼类种群竞争值查询结果(a)和资源分配后鱼类种群概况(b)

图a中颜色从浅黄色到深红色, 颜色越深的点, 竞争值越高, 反之竞争值越低。图b中黄色标记为天然珊瑚礁; 红色标记为新添加的人工礁

Fig. 9 Query result graph of fish population competition value after resource allocation (a) and overview of fish populations after resource allocation (b)

图10 2004年资源分配后鱼类种群竞争压力柱状图(a)和 2004年资源分配前后总体竞争压力柱状图(b)

Fig. 10 Histogram of competition value distribution of fish populations after resource allocation in 2004 (a) and ALLP comparison bar chart by resource allocation in 2004 (b)

2.4 多年份实验结果

本文对2002—2005年以及2010—2012年的美国近海岸鱼类竞争压力进行了算法1和算法2, 具体结果见图11。
图11 2002—2012年期间部分年份实验结果汇总

Fig. 11 Results over the years of 2002-2012

图11展示了7个年份的实验结果, 比较了每一年的资源分配前后的ALLP以及每一年资源分配后ALLP的改善率。初始ALLP越高的年份, 资源分配效果越明显, 其中2004年和2005年的初始ALLP分别约为1051032.55和1462067.50, 资源分配后ALLP分别约为73384.73和143330.48, IR分别达到了93.03%和90.20%。初始ALLP较低的年份, 海域内总体竞争压力小, 对资源分配的需求小, 故改善率不高。
图12展示了7个年份的鱼类压力分析过程中, 程序的耗时程度。其中算法1的耗时包括了读取文件和构建竞争图的时间。算法1相对算法2耗时较多, 但维持在130000ms到180000ms之间, 程序较为稳定, 总体耗时低。
图12 程序耗时统计

Fig. 12 Processing time analysis

3 总结

本文提出并实现了美国近海岸珊瑚礁鱼类竞争图构建方法, 直观有效的反映了鱼类种群与珊瑚礁之间的依赖关系, 以及鱼类种群的种内和种间竞争关系。同时, 本文提出的算法1实现了基于LSH对竞争图进行竞争值估计查询的方法, 得出各个鱼类种群的竞争压力现状。在此基础上, 本文提出的算法2实现了基于构建人工礁方式的珊瑚礁鱼群资源分配方法。最后,本文提出用总体竞争压力衡量特定海域内鱼类总体竞争状况。结果表明, 经过算法1和算法2, 海域内珊瑚礁鱼类总体竞争状况明显改善。
实验说明本文提出的方法具有如下优点:
1) 竞争图对珊瑚礁鱼类的竞争关系以及珊瑚礁鱼类与周边珊瑚礁的依赖关系表达简洁明了。
2) 算法1查询效率高, 速度快。
3) 算法2资源分配效果明显, 分配后海域内所有珊瑚礁鱼类种群的总体竞争状况改善明显。
4) 算法总体稳定, 具有一定的健壮性。
本文对具体海域珊瑚礁鱼群与珊瑚礁之间的关系以及该海域的鱼类竞争状况进行了针对性研究,分析了竞争压力现状, 对海洋鱼类保护具有重要意义。本文方法仍有一些因素考虑不够全面, 接下来的工作将会对此进行完善。

References

Publishing order | Descend order by publishing year | Descend order by cited within
1
国家海洋科学数据共享服务平台, (2019-06-20)[2019-06-20]. 美国国家近岸海洋科学中心海洋生物数据集 [DB/OL].

2
罗瑜萍 , 2006. 云南金钱槭遗传多样性分析及其保护策略评价[D]. 杭州: 浙江大学.

LUO YUPING, 2006. Study on genetic diversity of Dipteronia dyerana (Sapindaceae): implications for conservation[D]. Hangzhou: Zhejiang University (in Chinese with English abstract).

3
王楠 , 2012. 1840—1949年的胶东渔业: 它的生境、资源和人择机制[D]. 兰州: 西北师范大学.

WANG NAN, 2012. The fishery in Jiaodong peninsula from 1840 to 1949: its habitat, resources and anthropic mechanism[D]. Lanzhou: Northwest Normal University (in Chinese with English abstract).

4
夏欣, 张昊楠, 郭辰 , 等, 2018. 我国哺乳动物就地保护状况评估[J]. 生态学报, 38(10):3712-3717.

XIA XIN, ZHANG HAONAN, GUO CHEN, et al, 2018. Evaluation of in-situ conservation of mammals in China[J]. Acta Ecologica Sinica, 38(10):3712-3717 (in Chinese with English abstract).

5
DIZ D, JOHNSON D, RIDDELL M , et al, 2018. Mainstreaming marine biodiversity into the SDGs: the role of other effective area-based conservation measures (SDG 14.5)[J]. Marine Policy, 93:251-261.

6
ELMER F, RIEGL B , 2014. A discrete mathematical extension of conceptual ecological models-application for the SE Florida shelf[J]. Ecological Indicators, 44:40-56.

7
ENGELHARD S L, HUIJBERS C M, STEWART‐KOSTER B , et al, 2017. Prioritising seascape connectivity in conservation using network analysis[J]. Journal of Applied Ecology, 54(4):1130-1141.

8
FOX R J, BELLWOOD D R , 2014. Herbivores in a small world: network theory highlights vulnerability in the function of herbivory on coral reefs[J]. Functional Ecology, 28(3):642-651.

9
GALANTER N, SILVA JR D, ROWELL J T , et al, 2017. Resource competition amid overlapping territories: the territorial raider model applied to multi-group interactions[J]. Journal of Theoretical Biology, 412:100-106.

10
JACOBI M N, JONSSON P R , 2011. Optimal networks of nature reserves can be found through eigenvalue perturbation theory of the connectivity matrix[J]. Ecological Applications, 21(5):1861-1870.

11
KHAN K U, DOLGORSUREN B, ANH T N , et al, 2017. Faster compression methods for a weighted graph using locality sensitive hashing[J]. Information Sciences, 421:237-253.

12
KININMONTH S J, DE’ATH G, POSSINGHAM H P , 2010. Graph theoretic topology of the Great but small Barrier Reef world[J]. Theoretical Ecology, 3(2):75-88.

13
LE BOUTEILLER P, LAFUERZA S, CHARLÉTY J , et al, 2019. A new conceptual methodology for interpretation of mass transport processes from seismic data[J]. Marine and Petroleum Geology, 103:438-455.

14
MCCLANAHAN T R, GRAHAM N A J , 2005. Recovery trajectories of coral reef fish assemblages within Kenyan marine protected areas[J]. Marine Ecology Progress Series, 294:241-248.

15
MORITA K, MATSUMOTO K , 2018. Synergies among climate change and biodiversity conservation measures and policies in the forest sector: a case study of Southeast Asian countries[J]. Forest Policy and Economics, 87:59-69.

16
SADRI A, SALIM F D, REN YONGLI , et al, 2017. Shrink: distance preserving graph compression[J]. Information Systems, 69:180-193.

17
TOBLER W R , 1970. A computer movie simulating urban growth in the Detroit region[J]. Economic Geography, 46(S1):234-240.

Options
Outlines

/

〈 〉