基于深度学习的声学目标分类模型在鱼类调查估算中的应用与评估

推荐 为解决传统声学-拖网调查中人工标注耗时且主观性强的问题，挪威海洋研究所研究人员开发了基于U-Net架构的深度学习框架，用于北海小沙鳗的调查数据自动化分类。通过对比三种模型（基线模型、深度感知模型及相似性采样模型）与官方数据的差异，发现模型可减少60%以上人工标注工作量，但需动态调整阈值以优化精度。该研究为渔业资源评估提供了高效、可重复的分析工具，显著提升了声学数据处理效率。

　　

论文解读
研究背景与问题提出
科学声学-拖网调查（acoustic-trawl survey）是监测鱼类和浮游动物种群动态的核心工具，其数据被广泛用于渔业资源评估模型。然而，传统方法依赖人工标注声学目标分类（ATC），不仅耗时且易受主观因素影响。随着多频回声仪（echosounder）数据的爆炸式增长，自动化分类技术成为迫切需求。尽管已有机器学习（ML）方法被提出，但其预测结果能否直接融入渔业调查流程仍缺乏系统性验证。

研究机构与方法
挪威海洋研究所团队基于U-Net架构开发了三种深度学习模型：基线模型、融合深度信息的改进模型，以及通过相似性采样增强训练的模型。研究整合了2009至2024年北海小沙鳗（Ammodytes marinus）的调查数据，采用阈值分割策略将模型输出的SoftMax概率图转化为二值分类结果，并通过StoX软件将预测数据嵌入传统调查估算流程。

关键方法

1. 数据预处理：将原始声学数据（.raw文件）与LSSS系统标注数据转换为Zarr格式，实现三维网格化存储。
2. 模型架构：基于U-Net的像素级语义分割框架，结合深度信息（如水深）和相似性采样策略优化训练数据分布。
3. 阈值设定：通过最大化F1分数确定各模型训练年份的最优阈值，并采用中位数阈值进行跨年份预测。

研究结果
模型性能对比

• 基线模型：对表层浮游生物的误分类导致2009年和2024年估算值显著偏离官方数据，暴露其对背景噪声的敏感性。
• 深度感知模型：通过引入水深信息，减少了底层信号污染，整体表现更接近人工标注结果。
• 相似性采样模型：在训练年份表现优异，但因阈值设置不当（如2021年阈值过低），导致部分鱼群内部结构被遗漏。

整合分析
将模型预测的NASC（单位面积散射系数）输入StoX后，发现自动化流程估算的生物量与官方数据总体一致，但年度间波动较大。例如，2019年基线模型的PSU（初级采样单元）最大误差达2700 m2/nmi2，源于表层浮游生物的错误分类（图7c）。

讨论与意义
研究表明，尽管深度学习模型可减少人工标注负担，但需动态调整阈值以适应数据分布变化（如鱼群大小和分布的季节性差异）。作者提出“人工校验+模型迭代”的混合策略，即先通过模型生成初步分类结果，再针对不确定性区域进行人工修正。该方法可将标注效率提升50%以上，同时保证估算精度。此外，框架兼容性广，可扩展至多物种或中层鱼类调查，为全球渔业资源管理提供了标准化技术路径。

结论
本研究首次系统验证了深度学习在声学目标分类中的实际应用价值，证实了自动化流程在减少人力成本方面的潜力。未来需进一步开发自适应阈值算法，并探索多模态数据融合（如环境参数与拖网样本）以提升模型鲁棒性。该框架标志着渔业声学数据分析从人工时代向智能化时代的跨越。