基于单波束回声探测与集成学习的底栖鱼类分布预测模型研究

《Regional Studies in Marine Science》：Generic Gaidai multidimensional model for survival function, based on Arctic offshore wind measurements, using a novel log-integral extrapolation scheme

本刊推荐：本研究创新性地将单波束回声探测仪（SBES）获取的海底声学特征（如Bottom Peak 1/2、Attack、Decay）与机器学习算法（XGBoost/SVR）相结合，成功构建了热带海域底栖鱼类分布预测模型。结果表明，XGBoost模型对体积反向散射强度（SVSED）预测效果最佳（R2达41.1%），深度是核心环境驱动因子。该研究为数据稀缺区域的生态系统渔业管理（EBFM）提供了低成本、高精度的技术方案。

　　

研究亮点

声学数据采集

本研究在亚齐省北部海域进行，该区域以珊瑚礁生态系统和高产渔场为特征。这片与安达曼海、马六甲海峡和印度洋接壤的海域，其动态的沿海海洋学条件显著影响着海洋资源的分布和行为。声学数据采集的具体点位如图1所示。

本研究采用单波束回声探测仪（SBES）...

变量间相关性

相关性矩阵（图4）揭示了亚齐北部海底声学特征、环境参数与底栖鱼类分布模式之间显著的相互依赖性。为提升模型稳定性并解决数据偏斜问题，对鱼类密度值进行了对数转换，这显著增强了预测保真度并降低了均方误差（MSE）。

大多数变量对显示出统计学上显著的关系（p < 0.05），除了一些弱相关性...

鱼类分布与栖息地驱动模式

利用三个声学参数（TSc、SV_SED 和 Density）研究了底栖鱼类的空间分布，揭示了明显的底栖分区模式。这些模式反映了由环境梯度（特别是底质组成、深度和与海岸特征的邻近度）塑造的栖息地偏好。通过整合多个环境预测因子（图7），本研究描绘了底栖鱼类组合及其环境驱动因素的空间异质性...

结论

总之，亚齐北部底栖鱼类的分布主要受深度、底质硬度（BP2）和地理背景的影响。深度仍然是主要决定因素，但整合多个声学和空间预测因子增强了对模型的生态学解释能力，突出了与局部底栖条件相关的物种特异性栖息地偏好。这些发现证明了将声学代理指标与机器学习相结合以捕捉精细尺度栖息地关联的价值...