基于海底声学特征和环境特征整合的底层鱼类分布研究——以印度尼西亚北阿塞地区为例，并运用机器学习技术

《Regional Studies in Marine Science》：Demersal Fish Distribution Based on the Integration of Seabed Acoustic and Environmental Features Using Machine Learning in Northern Aceh, Indonesia

本研究评估了XGBoost和SVR在利用单束声纳（SBES）声学参数预测深海鱼类分布中的性能。通过整合海底声学特征（如BP1、BP2、Attack、Decay）、水深、盐度及地理坐标，XGBoost在体积后向散射强度（SVSED）、目标强度（TSc）和鱼密度预测中表现更优（最高R2达41.1%）。深度是主要影响因素，其次为地理坐标和底质硬度（BP2）。尽管TSc预测能力较弱（R2≈25%），但结合多环境因子提升了生态解释性。结果表明，SBES结合机器学习为数据稀缺的热带海域渔业管理提供了有效工具。

　　在热带海洋生态系统中，有效的海洋环境规划和管理需要强大的工具来预测鱼类的分布，特别是在基于生态系统的渔业管理（EAFM）框架下。本研究评估了两种机器学习算法，即极端梯度提升（XGBoost）和支持向量回归（SVR），在使用单波束回声测深仪（SBES）获取的声学指标（包括体积后向散射强度、每积分单元的平均目标强度和鱼类密度）来建模底栖鱼类分布方面的表现。研究还考虑了多种环境预测因子，如海底声学特征（如底峰1和底峰2、攻击和衰减）、水深、坡度、盐度以及地理坐标（纬度和经度）。结果表明，XGBoost在预测能力上显著优于SVR，其对体积后向散射强度（SV_SED）的预测值（R2高达41.1%）显示出其捕捉复杂非线性关系的能力。水深是最重要的预测因子，其次是纬度、经度和底峰2（代表底质硬度）。平均目标强度（TSc）的预测能力较低（R2约为25%），这反映了生物变异性和将集成后向散射与物种组成联系起来的挑战。尽管像坡度和攻击这样的预测因子贡献较小，但它们提供了潜在重要的生态细节，可用于微生境尺度的分析。研究结果展示了低成本声学平台结合SBES衍生参数与集成学习方法在底栖鱼类建模方面的潜力，特别是在数据有限的热带系统中。

底栖鱼类在海洋生态系统中发挥着关键的生态作用，既是食物网的重要组成部分，也是环境生物指标（Han and Han, 2024）。它们生活在底栖和近底生境，表现出多样的生态适应性，包括挖掘、礁石藏身和底质特异性觅食（Bergstad, 2019）。这些适应性反映了它们对底栖环境的强烈依赖，并与海底形态和底质组成密切相关，而这些因素决定了栖息地的适宜性和物种群落的组成（Chen et al., 2022; Porteiro et al., 2013）。除了生态重要性，底栖鱼类在印尼水域还代表了重要的经济资源。根据印尼海洋与渔业部（KKP, 2022）的报告，全国潜在渔获量估计超过300万吨，涵盖所有渔业管理区（FMAs）。在区域尺度上，位于印尼最西端的亚齐省，属于FMA 571（马六甲海峡）和FMA 572（印度洋-苏门答腊西岸），受到来自这两个水域的动态海洋条件的影响（Setiawan et al., 2018）。这些环境以沙质和与礁石相关的底质为特征，支持了多样化的底栖渔业，主要由Epinephelidae、Lutjanidae、Lethrinidae、Scaridae、Nemipteridae和Mullidae等科的鱼类主导（Damora et al., 2022; Purnawan et al., 2025a）。

然而，最近的证据表明，印尼的底栖鱼类资源相比官方报告已显著减少，这主要归因于过度捕捞和资源状态不佳（Dimarchopoulou et al., 2023）。这种差异突显了进行空间显式评估的必要性，以支持有效和可持续的渔业管理。渔业管理依赖于关于鱼类分布、资源状态、捕捞努力和栖息地特征的准确信息（Bryhn et al., 2021）。在该地区，大多数鱼类分布建模工作主要集中在浮游鱼类上，这些建模通常基于卫星遥感数据，如海面温度、盐度和叶绿素-a（Wijaya et al., 2021）。这些变量可以很容易地整合到统计框架中，如广义加性模型（GAMs）和MaxEnt，已被应用于如Tenualosa macrura（Amri et al., 2023）和Thunnus albacares（Semedi et al., 2025; Sukardi et al., 2024; Tangke et al., 2024）等物种的建模中。相比之下，底栖鱼类在空间建模研究中仍然代表性不足，大多数研究仅限于描述性分析或使用通用的环境预测因子（Pujiyati et al., 2017; Purnawan et al., 2024a; Purnawan et al., 2024b）。这一差距的存在主要由于高分辨率底栖数据的稀缺以及对底质特异性特征整合的不足（Caddy, 2014; Moore et al., 2009）。

因此，高分辨率海底测绘对于分析底栖生态系统动态至关重要（Dunlop et al., 2020）。虽然多波束回声测深仪（MBES）能够提供更优越的空间覆盖和细节（Schimel et al., 2010），但其高昂的成本和操作复杂性限制了其在本地尺度调查中的应用。单波束回声测深仪（SBES）则是更经济且易于获取的替代方案（Figueroa et al., 2021b）。除了记录水深和位置，SBES系统还能捕捉回波强度，可用于底质分类和鱼类栖息地测绘（Ferretti et al., 2015; La Elson et al., 2024）。SBES系统通过水柱发射声波脉冲，并捕捉来自海底和鱼类目标的返回信号，从而能够同时获取海底特征和鱼类存在数据。这种双重能力使得声学方法在研究底栖栖息地与底栖鱼类分布之间的关系时，比基于卫星的影像方法更加有效（Misiuk and Brown, 2024）。

然而，标准的回波强度指标（如E1）通常缺乏检测关键底质差异所需的分辨率，这些差异对具有精细尺度栖息地偏好的物种至关重要（Diesing et al., 2020）。近期进展表明，回波包络特征，包括E1和E2（代表底质粗糙度和硬度）的组合，以及底峰（BP1、BP2）、攻击（Att）和衰减（Dec）的组合，能够显著提高底质分类的准确性（Penrose et al., 2006; Purnawan et al., 2025b）。这些特征提供了对底栖与底栖鱼类相互作用的更细致理解，同时利用了SBES的经济性和可扩展性（Sánchez-Carnero et al., 2023; Wahab et al., 2018）。

虽然这些额外的变量丰富了数据集，但也引入了分析复杂性，这通常超出了传统统计模型的能力范围。声学和环境变量之间存在非线性相互作用，挑战了传统方法如线性回归和GAMs（Lankowicz et al., 2020; Smoliński and Radtke, 2017）。为了解决这些限制，机器学习算法提供了强大的替代方案，能够处理非线性关系和高维数据（Rubbens et al., 2023）。XGBoost和SVR等算法在建模栖息地与生物体之间的相互作用方面表现出色（Melo-Merino et al., 2020）。XGBoost通过梯度优化捕捉复杂模式，而SVR则使用核函数将数据投影到更高维空间以提高预测能力（Ji et al., 2020）。

本研究首次在印尼大陆架水域中，通过整合SBES衍生特征与机器学习技术对底栖鱼类分布进行建模。尽管SBES能够同时捕捉海底特征和鱼类存在（Figueroa et al., 2021a），但其声学海底特征在生态建模中仍处于探索阶段。因此，本研究旨在评估XGBoost和SVR在预测三个关键声学指标（体积后向散射强度、平均目标强度和鱼类密度）方面的表现，这些指标通过整合SBES获得的海底回波包络特征进行建模。本研究强调了将声学代理与机器学习结合在数据有限地区推进基于生态系统的渔业管理的潜力。

本研究在亚齐省北部水域进行，该区域以珊瑚礁生态系统和高产渔场为特征。该地区毗邻安达曼海、马六甲海峡和印度洋，呈现出动态的沿海海洋环境，这些环境显著影响海洋资源的分布和行为（Agustina et al., 2024; Haditiar et al., 2024）。本研究选择的具体声学数据采集地点如图1所示。本研究采用SBES进行数据采集，该设备能够记录水深和位置，同时捕捉回波强度，用于底质分类和鱼类栖息地测绘。SBES通过水柱发射声波脉冲，并接收来自海底和鱼类目标的回波信号，从而能够同时获取海底特征和鱼类存在数据。这种双重能力使得声学方法在研究底栖栖息地与底栖鱼类分布之间的关系时，比基于卫星的影像方法更加有效。

本研究还分析了变量之间的相关性，发现海底声学特征、环境参数和底栖鱼类分布模式之间存在显著的相互依赖关系。为了提高模型的稳定性并解决数据偏斜问题，鱼类密度值进行了对数变换，这显著提高了预测的准确性并减少了均方误差（MSE）（Xue et al., 2017）。大多数变量对之间表现出统计学意义上的显著关系（p < 0.05），但少数变量之间的关系较弱。这些相关性分析为后续建模提供了重要的基础，有助于理解不同环境因素如何共同影响底栖鱼类的分布。

通过整合多种环境预测因子，本研究进一步探讨了底栖鱼类群落的空间异质性及其与环境因素的关联。研究结果表明，底栖鱼类的分布模式受到水深、底质硬度（BP2）和地理背景的显著影响。水深仍然是主要的决定因素，但结合多种声学和空间预测因子能够增强模型的生态可解释性，揭示与本地底栖条件相关的物种特异性栖息地偏好。这些发现展示了将声学代理与机器学习结合在数据有限地区推进基于生态系统的渔业管理的潜力。

本研究的结论表明，底栖鱼类在亚齐省北部水域的分布主要由水深、底质硬度（BP2）和地理背景决定。虽然水深是主要的决定因素，但整合多种声学和空间预测因子能够增强模型的生态可解释性，揭示与本地底栖条件相关的物种特异性栖息地偏好。这些发现展示了将声学代理与机器学习结合在数据有限地区推进基于生态系统的渔业管理的潜力。

本研究的作者贡献声明如下：Syahrul Purnawan负责撰写初稿、可视化、软件开发、方法论、资金获取、正式分析、数据管理、概念设计。Khairul Amri负责审阅与编辑、验证、监督、研究、正式分析、概念设计。Maria Ulfah负责验证、资源获取、项目管理、研究、数据管理。Totok Hestirianoto负责监督、方法论、正式分析、概念设计。Manik Henry负责审阅与编辑、监督。

本研究的作者声明无任何已知的财务利益或个人关系可能影响本论文报告的研究成果。

本研究的致谢部分感谢了在数据分析过程中提供宝贵贡献的同事，包括Adrian Damora、Haekal Azief Haridhi、Yudi Haditiar、Muhammad Nanda、Ichsan Setiawan、Irma Dewiyanti、Muchlis和Inna Rahmawati。此外，我们感谢印尼财政部通过LPDP奖学金资助本研究。最后，我们衷心感谢匿名审稿人提供的建设性意见和建议。