编辑推荐：
为解决传统固定模型在变化环境中评估鱼类种群的不足，研究人员基于一次繁殖生活史，系统模拟分析固定、随机游走（Random-Walk）和 regime shift 等 Ricker 繁殖 - 补充模型性能。发现随机游走模型表现更优，模型选择标准（AICc、BIC、LFO）不可靠，结果具情景依赖性，为渔业管理提供参考。
在气候变化与人类活动影响下，鱼类种群动态正经历前所未有的改变。传统渔业管理依赖的固定模型（Stationary Model）假定种群波动围绕长期平均值，却难以捕捉繁殖 - 补充关系（Spawner-Recruit Relationship，SRR）中因环境变化引发的参数漂移，可能导致资源评估偏差，进而引发过度捕捞或不必要的保守管理。例如，当种群内在生产力（Productivity）或环境容纳量（Capacity）发生显著变化时，固定模型可能将其误判为随机噪声，致使管理参考点失效。在此背景下，发展能准确刻画时变动态（Time-Varying Dynamics）的评估模型，成为全球渔业科学的紧迫议题。
为填补这一研究空白，加拿大渔业与海洋部（Fisheries and Oceans Canada）的研究团队开展了一项系统性模拟研究，相关成果发表于《Ecological Modelling》。该研究以太平洋鲑鱼（Semelparous Population，一次繁殖种群）为对象，聚焦时变繁殖 - 补充模型的估计精度与检测效能，旨在明确不同模型（固定、随机游走、 regime shift）在捕捉渐变或突变动态时的表现差异，以及模型选择标准（如 AICc、BIC、LFO 交叉验证）的可靠性。
研究方法
研究采用模拟评估框架，基于太平洋鲑鱼生活史构建虚拟种群，设置包含固定、随机游走（参数连续渐变）和 regime shift（参数离散突变）的 SRR 动态场景。通过操纵参数变化幅度（如生产力、容纳量的突变或渐变）、残留变异（Residual Variability）水平及观测误差，系统比较三类模型的参数估计精度（准确性与精确性），并检验 AICc、BIC 等模型选择标准对真实动态的识别能力。
研究结果
1. 模型性能比较
随机游走模型在多数场景下表现优于固定模型与 regime shift 模型。当估计模型的参数动态与模拟场景匹配时（如用随机游走模型拟合渐变过程），参数估计的准确性与精确性显著更高。然而，若模型误配（如用固定模型拟合突变过程），则会导致严重的估计偏差，尤其难以区分容纳量变化或双参数共同变化与固定动态。
2. 模型选择标准的可靠性
基于似然的 AICc、BIC 及交叉验证方法（LFO）在多数场景下无法可靠识别真实动态。仅在参数变化幅度大、残留变异低的极端情况下，这些标准才可能正确选择时变模型。相比之下，生产力变化比容纳量或双参数变化更易被检测，后者常与固定动态混淆。
3. 影响因素分析
参数变化幅度与残留变异是关键影响因素：较大的参数变化（如生产力突降 50%）和较低的观测误差（如误差方差＜0.2）可提高估计与检测的准确性；反之，微小变化或高噪声环境会导致模型选择失效，甚至将真实时变动态误判为固定过程。
研究结论与讨论
本研究揭示了时变 SRR 模型的性能具有强烈情景依赖性：随机游走模型在捕捉渐变动态中优势显著，但对突变过程的检测力不足； regime shift 模型虽适用于离散状态转换，却易受噪声干扰。传统模型选择标准在渔业数据常见的中等变异场景中可靠性低，可能导致管理误判。
研究强调，当模型选择对管理决策具重大影响时（如设定捕捞限额），分析师需开展针对性模拟评估，而非盲目依赖通用标准。这一发现为全球渔业管理政策（如加拿大、美国等国纳入气候变化的管理框架）提供了关键科学依据，呼吁在数据收集与模型构建中加强对时变动态的先验考量，以提升资源评估的鲁棒性与管理决策的科学性。未来研究可进一步拓展至多物种交互场景，并探索贝叶斯模型平均等新型方法对时变动态的刻画能力。
