利用协调指标和行为分类来表征黑海中的远洋对拖网捕捞合作关系

《Ecological Informatics》：Characterizing pelagic pair trawl partnerships using coordination metrics and behavior classification in the Black Sea

土耳其黑海地区 pelagic对置拖网渔船队通过AIS轨迹数据结合高斯混合模型和时空协调指标分析，识别出70艘船形成51对合作船队，揭示了冬季至早春活跃、港口关联的时空特征，以及领导-跟随模式的动态平衡。研究提出的方法为渔业合作行为监测与可持续管理提供数据驱动的解决方案。

　　在土耳其黑海地区，对中层拖网联合捕捞（pelagic pair trawling）的合作行为进行识别和特征分析是一项具有重要意义的研究。中层拖网联合捕捞是一种涉及两艘渔船协同拖曳单个中层网的捕捞方法，通常用于捕捞成群的中层鱼类，如沙丁鱼、凤尾鱼、马鲭鱼和蓝鳍金枪鱼。由于传统上依赖于单船数据的分析方法难以准确捕捉这种合作捕捞行为，本研究提出了一种基于自动识别系统（AIS）的框架，通过结合高斯混合模型（GMM）进行速度特征分类，以及基于空间接近性、航向一致性和速度同步性的双船协调性指标，对合作捕捞活动进行了系统分析。

该研究的创新性在于其方法的灵活性和可扩展性，适用于不同地区和捕捞方式的渔业管理。通过对AIS数据的处理，研究人员能够识别出70艘渔船形成的51个双船对，揭示了这些合作捕捞行为的结构化特征。例如，冬季和春季出现的捕捞活动高峰，夏季的捕捞暂停，以及秋季捕捞活动的回升，都反映了该地区渔业活动的时间分布规律。这些结果不仅有助于理解捕捞行为的季节性变化，也为制定合理的渔业管理政策提供了数据支持。

此外，研究还揭示了渔船之间的合作模式。在合作捕捞中，渔船的航行轨迹和速度特征表现出高度的一致性，这种一致性的程度可以通过多种指标进行量化，如空间接近度、航向相似度和位移相似度。这些指标能够帮助识别渔船之间的实际协作关系，而不仅仅是偶然的相遇。通过计算这些指标，研究人员发现，大多数双船对的航行轨迹和速度都表现出强烈的同步性，而这种同步性在捕捞期间尤为明显。

研究中还探讨了合作捕捞对生态系统的影响。由于中层拖网联合捕捞能够提高捕捞效率，但同时也可能对鱼类群落结构产生干扰，例如通过双船驱赶行为改变鱼类群集的分布和密度。这种行为可能导致捕捞效率的提高，但也可能带来生态风险。因此，准确识别合作捕捞行为对于评估其对鱼类资源的可持续性至关重要。

为了验证研究方法的有效性，研究人员对不同协调性指标的阈值进行了敏感性分析，以确保所识别的合作捕捞行为既不包括偶然的相遇，也不遗漏实际的协作行为。通过调整阈值，研究人员能够优化网络结构，使其在不同的协调性指标之间保持一致性。这一过程不仅提高了识别的准确性，还为后续的渔业管理提供了可靠的工具。

在合作捕捞行为的识别过程中，研究人员还考虑了渔船的类型分类。通过分析渔船的速度分布，使用高斯混合模型（GMM）对渔船进行分类，从而区分出实际进行中层拖网联合捕捞的渔船。这种方法能够有效过滤出与合作捕捞行为相关的渔船，同时排除那些可能因其他操作而产生的误判。

研究还分析了渔船之间的领导-跟随关系，即在合作捕捞中，哪一艘船在空间位置上更处于主导地位。通过计算每艘船在共享时间戳中处于前位的比例，研究人员发现，大多数双船对的领导-跟随关系接近对称，但也有少数双船对表现出明显的不对称性。这种不对称性可能与渔船的航行技能、对鱼类分布的了解或对渔网位置的控制有关，通常与船长的经验和渔船的装备水平相关。

从网络拓扑学的角度来看，渔船之间的合作行为呈现出明显的模块化特征。即，大部分双船对形成了小型、独立的集群，而少数渔船则作为中心节点，连接着整个网络的多个部分。这种结构反映了渔业合作行为的复杂性，同时也表明，某些渔船可能在合作网络中具有更高的影响力和协调能力。

研究结果还表明，合作捕捞行为的空间分布与渔业资源的分布密切相关。例如，一些双船对在较广的区域内活动，而另一些则集中在较小的区域。这种空间分布的差异可能与目标鱼类的分布模式、渔船的作业范围和经济激励有关。研究人员还发现，某些双船对在捕捞期间的活动区域较为广泛，这可能与鱼类群的迁徙有关。

通过将这些方法应用于黑海的渔业管理，研究人员能够更准确地识别合作捕捞行为，从而为制定有效的渔业政策提供依据。这些政策可能包括针对合作捕捞的监控措施、空间管理策略和可持续治理方案。同时，研究还强调了利用数据驱动的方法进行渔业管理的重要性，这种方法能够提供客观的证据，帮助决策者更好地理解和应对合作捕捞带来的生态和经济影响。

此外，研究还讨论了合作捕捞行为在其他地区可能存在的相似性，例如在亚得里亚海的中层拖网联合捕捞。这表明，本研究的方法不仅适用于黑海，也具有一定的可推广性。然而，为了适应不同地区的渔业实践，协调性指标和分类参数可能需要进行重新校准。

综上所述，本研究通过基于AIS的框架，成功识别了黑海中层拖网联合捕捞的合作行为，并揭示了其在时间、空间和网络结构上的特征。这些发现不仅为渔业管理提供了新的视角，也为未来的渔业监测和可持续治理奠定了基础。