具有序列相关性的隐马尔可夫模型在识别鱼类种群-补充量机制转换中的应用研究

本研究针对渔业管理中种群-补充量(SR)关系动态变化识别难题，开发了融合序列相关性的隐马尔可夫模型(HMM)。研究人员通过将隐马尔可夫SR模型嵌入种群评估框架，并引入协变量处理非平稳性，显著提升了模型效能。仿真与案例研究证实该方法能有效捕捉渔业生产力的离散型机制转换与连续变化，为可持续捕捞决策提供关键技术支撑。

　　

在波澜起伏的海洋生态系统中，鱼类种群的可持续利用始终是渔业科学的核心命题。种群-补充量（Stock-Recruitment, SR）关系作为渔业评估的基石，其动态变化直接决定捕捞策略的合理性。然而传统模型往往将SR关系视为静态过程，无法捕捉现实环境中由气候变迁、生态压力等因素引发的机制转换（Regime Shifts）现象。这种局限性可能导致管理者误判种群恢复能力，进而制定出过度捕捞或保护不足的政策。

为突破这一瓶颈，Shajitha Shahul Hameed等研究者在《Canadian Journal of Fisheries and Aquatic Sciences》发表创新性研究，将隐马尔可夫模型（Hidden Markov Model, HMM）与序列相关性特征相结合，开发出能同时捕捉离散型机制转换和连续变化的新型分析框架。该研究的核心突破在于：首次将序列相关结构嵌入HMM的观测方程，并通过协变量量化机制转换概率的非平稳性，从而在保持模型生物学合理性的前提下显著降低计算复杂度。

研究团队采用多维度技术路线推进工作：首先构建包含序列相关误差项的HMM-SR理论模型，随后通过最大似然估计与向前-向后算法实现参数高效推断。关键创新体现在将隐马尔可夫SR模型整合进整体种群评估框架，使SR参数能与其他评估模块（如捕捞死亡率、自然死亡率）产生交互反馈。此外，研究者引入环境协变量驱动状态转移概率，使模型能响应外部生态压力变化。验证阶段采用蒙特卡洛模拟生成具有已知机制转换特征的合成数据，并以北大西洋某经济鱼种的实际监测数据作为案例研究对象。

模型构建与统计推断

通过建立包含自回归误差项的观测方程：

R_t = α_stS_te^{-β_stS_t+ε_t}

其中ε_t = φε_t-1 + ω_t，成功捕获剩余误差的序列相关性。采用Baum-Welch算法实现状态解码与参数联合估计，相比传统HMM计算效率提升40%。

模拟研究验证

在200组模拟数据测试中，新型序列相关HMM对机制转换节点的识别准确率达92%，而标准HMM仅达75%。当存在中等强度序列相关（φ=0.5）时，传统模型会产生高达30%的误报率，而新模型仍保持88%的召回率。

案例研究应用

以北大西洋鳕鱼种群为例，模型识别出1985-1992年和2008-2015年两个低补充量机制期，与实际观测到的海洋热浪事件高度吻合。通过将海表温度作为协变量引入转移概率矩阵，发现温度每升高1°C，向低补充量状态转移的概率增加2.3倍。

模型扩展与敏感性分析

通过贝叶斯层次模型验证参数可辨识性，显示主要参数（α, β, φ）的后验分布集中且无多重共线性。当序列相关性被错误忽略时，产卵种群生物量参考点（SSB_MSY）的估计偏差可达±25%。

该研究证实了序列相关HMM在渔业机制转换识别中的卓越性能：其一，通过引入自回归误差结构有效避免虚假机制转换信号的产生；其二，协变量驱动的状态转移概率使模型具备生态学可解释性；其三，嵌入式框架实现SR参数与种群评估系统的双向优化。这项方法论突破不仅为渔业管理提供更可靠的决策工具，其混合建模思路更为生态时间序列分析开辟了新路径。未来研究可进一步整合基因组学指标等新型协变量，深化对机制转换驱动机制的理解。