基于机器学习与个体模型融合的巴伦支海毛鳞鱼产卵洄游模拟框架

《Reviews in Fish Biology and Fisheries》：A machine learning framework for modeling Barents Sea Capelin spawning migration

本研究针对巴伦支海毛鳞鱼产卵洄游路径预测难题，开发了结合人工神经网络(ANN)、遗传算法(GA)和个体模型(IBM)的机器学习框架。该模型通过动态适应温度与产卵路线接近度的适应度函数，成功复现了2019年东南向洄游模式，验证结果表明其优于被动漂流、梯度检测等传统方法，为海洋生物迁徙机制研究提供了新范式。

　　

在寒冷的巴伦支海，一种名为毛鳞鱼（Mallotus villosus）的小型中上层鱼类正演绎着海洋世界最壮丽的生命旅程。每年冬季至早春，体长超过14厘米的成熟毛鳞鱼会从巴伦支海中央的越冬场出发，穿越数百公里的海域，对抗着强大的洋流，奔赴挪威北部海岸和科拉半岛的产卵场。这一迁徙过程不仅关系到毛鳞鱼种群的存续，更对整个巴伦支海生态系统产生深远影响——因为毛鳞鱼是鳕鱼等大型捕食性鱼类、海鸟和海洋哺乳动物的主要食物来源。

然而，科学家们长期以来对毛鳞鱼产卵洄游的导航机制知之甚少。早期研究认为水温是主要驱动因素，但近年来的研究对此提出了质疑，指出可能是多种环境因素共同作用的结果。毛鳞鱼的迁徙行为与许多依赖沿岸洋流迁徙的物种不同，它们需要逆着强大的洋流前进，这种独特的迁徙方式给建模工作带来了巨大挑战。传统的基于温度梯度或局部搜索的模型在模拟巴伦支海毛鳞鱼迁徙时往往效果不佳，因为强洋流常常会使鱼类偏离预定路线。

为了解决这一科学难题，来自挪威海洋研究所和西挪威应用科学大学的研究团队Salah Alrabeei、Talal Rahman和Sam Subbey开发了一种创新的计算框架，将人工神经网络(ANN)与个体模型(IBM)和遗传算法(GA)相结合，模拟毛鳞鱼的产卵洄游行为。该研究发表在《Reviews in Fish Biology and Fisheries》上，为理解海洋生物迁徙提供了新的视角。

研究方法上，作者构建了一个空间分辨率为1/12°（约9.26公里）的巴伦支海环境模型，整合了海表温度(SST)、海洋表层流(OSC)和水盐度(WS)等环境数据。每个毛鳞鱼个体被建模为自主代理，配备人工神经网络决策系统，处理六类环境输入：当前和前一时刻的温度、盐度、流速、离岸距离和纬度。神经网络通过遗传算法进行训练，适应度函数动态平衡温度偏好与产卵场接近度两个目标。

模拟环境与代理设计

研究区域覆盖北纬69-80度、东经6-53度的历史毛鳞鱼洄游范围，离散化为564×133个网格节点。环境数据来自欧盟哥白尼海洋服务信息，包含每日更新的海表温度、海洋表层流和水盐度信息，均一化为30米以浅的单层表示。毛鳞鱼代理的运动遵循拉格朗日传输模型，结合自主游泳速度F_v、平流输送F_adv和湍流扩散。每个代理的游泳速度设定为0.21-0.34米/秒，时间步长为6小时，满足CFL条件确保数值稳定性。

学习与适应机制

研究的核心创新在于毛鳞鱼代理的适应性学习能力。每个代理配备的三层前馈神经网络（输入层6节点、隐藏层18节点、输出层8节点）通过sigmoid激活函数处理环境信息，输出八个离散方向之一。遗传算法通过选择（前25%高适应度个体）、交叉（单点重组）和突变（1%突变率）优化神经网络权重，使代理能逐步学习有效的迁徙策略。

模型训练与验证

模型以2019年冬季毛鳞鱼产卵洄游为案例进行训练和验证。初始释放点基于冬季调查观测的毛鳞鱼分布确定，八个释放点每天释放1150个个体，总计36000条模拟鱼。训练停止条件设为最大300代或成功产卵者比例稳定。验证数据来自挪威海洋研究所的拖网-声学产卵调查，重点关注模拟鱼在产卵区域的聚集情况。

模拟结果与验证

模拟成功再现了2019年毛鳞鱼的东南向产卵洄游模式。模拟鱼群从巴伦支海中央的越冬场出发，最终抵达挪威北部海岸东经20度以东的产卵场。与观测数据对比显示，模拟的毛鳞鱼分布与调查结果高度一致，主要集中在22-29°E的产卵区域，与声学散射截面(NASC)数据揭示的高密度区吻合。

迁徙持续时间因释放日期而异，平均为21-28天，受漂流洋流等环境因素影响。按到达周次的空间分布显示，产卵高峰出现在2月的第6-8周。模型成功捕捉到了毛鳞鱼在强洋流环境下的主动导航能力，绝大多数模拟个体（92-96%）成功抵达产卵区。

模型比较分析

与三种传统模型的对比突显了自适应模型的优越性。被动漂流模型（F_v=0）中，鱼群受洋流支配向西北漂移，仅极少数到达产卵区；梯度检测模型（基于温度梯度）中，大部分鱼群被西部强洋流带离航线；局部搜索模型则因局部温度极值陷入停滞。而自适应模型通过平衡多环境因素，实现了高达76%的到达率。

敏感性分析

敏感性分析表明，初始位置（74°N vs 76°N）对迁徙路线影响较小，但来自北部的个体因遭遇更强洋流而到达率略低（92% vs 96%）。释放时间分析显示，1月中旬开始迁徙的个体到达率最高（76%），2月中旬后降至一半。适应性函数权重分析证实，动态平衡温度与距离的适应度函数（α=1-T/T_max）对重现真实迁徙轨迹至关重要，纯温度驱动的模型无法复现观测模式。

研究结论与意义

该研究开发的ANN-GA-IBM集成框架成功解决了强洋流环境下毛鳞鱼产卵洄游的模拟难题。模型通过适应性学习机制，捕捉了环境因素与鱼类行为间的复杂非线性关系，突破了传统温度梯度模型的局限。研究证实了动态适应度函数在基于学习的迁徙模型中的关键作用，为海洋生物迁徙研究提供了可扩展的计算范式。

该框架的普适性使其有望应用于其他海区毛鳞鱼种群乃至其他海洋物种的迁徙研究，但需要针对区域特定环境条件和生物特性进行校准。未来通过整合生物能量学、局部相互作用等机制，可进一步提升模型的真实性和预测能力，为渔业管理和海洋保护提供科学支持。

研究的创新之处在于将机器学习与个体模型有机结合，使代理能够从环境中学习并适应，而非依赖预设规则。这种方法特别适用于行为机制尚不明确的生态建模场景，为复杂生态系统的理解和管理开辟了新途径。