半自主海底监测技术在海洋渔业生态系统管理中的应用价值评估

本研究针对海洋生态系统管理(EBM)中多源数据整合的挑战，开发了基于卷积神经网络(CNN)的半自主多波束(MBES)海底生境分类技术。通过对比负二项模型对32种底层鱼类分布的解释力，证实该技术采集的生境数据与深度、动能等传统变量具有同等建模价值，为渔业资源评估提供了创新性解决方案。

　　

海洋生态系统管理(EBM)正面临数据整合的世纪难题。随着《共同渔业政策》等法规的实施，管理者需要同时掌握鱼类种群、海底生境和海洋环境的多维数据。然而传统调查方法存在"数据孤岛"现象——渔业拖网调查需要高速航行，而国际海道测量组织(IHO)标准的多波束测深系统(MBES)却要求船舶低速直线行驶。这种"鱼与熊掌不可兼得"的困境，使得约70%的海洋监测数据需要通过后期拼接或替代变量（如用海表温度推测海底温度）来获取，严重制约了生态系统管理的精度。

英国海洋渔业与水产科学中心(CEFAS)的Jennifer I. Fincham团队在《ICES Journal of Marine Science》发表的研究给出了创新解决方案。研究人员利用调查船RV Endeavour的航行间隙，通过半自主方式收集多波束数据，结合卷积神经网络(CNN)构建了六类海底生境图。通过对比分析西部海峡(ICES 7.e分区)508个站点32种底层鱼类的分布数据，发现这种"顺便采集"的生境数据对物种分布模型的解释力，与传统的深度测量和动能模型数据相当。这项研究为破解海洋监测"数据采集悖论"提供了关键技术路径。

关键技术方法包括：1) 使用Kongsberg EM3002D/EM2040多波束系统进行半自主数据采集；2) 基于384m×384m网格的k近邻算法插值；3) 六类生境(岩石/泥浆/细砂/砂/砾石/生物源)的CNN分类(1000次训练迭代)；4) 负二项模型比较四种变量组合(AIC评估)；5) 动能能量数据来自JNCC的CS20/CS3/NEA海洋环流模型。

研究结果：

1. 生境分类特征
   

   
   
   CNN分类结果显示六类生境占比差异显著：细砂(27.36%)>岩石(25.59%)>砂(21.25%)>泥浆(12.4%)>砾石(9.05%)>生物源(4.33%)。动能能量在法国沿岸和瑟堡半岛("the Narrows")海域呈现高值特征。

2. 模型比较分析
   包含全部三个变量(生境+深度+动能)的Model 1在24/34个物种中表现最优(AIC最低)。特别值得注意的是，对于商业重要物种如欧洲鲽(Pleuronectes platessa)和普通鳎(Solea solea)，生境变量的加入使模型拟合度提升8-15%。而仅去除生境变量的Model 4成为四种物种的最佳模型，这些物种(如鮟鱇鱼Lophius piscatorius)普遍呈现跨生境分布特征。

3. 数据价值评估
   半自主采集的多波束数据对关键物种的建模贡献显著：刺蜘蛛蟹(Maia squinado)的模型差异达206.7(AIC差211.09)，厚背鳎(Microchirus variegatus)达16.0。相比之下，动能能量变量对鮋科鱼类(如灰鲂鲱Eutrigla gurnardus)分布的解释更具优势。

讨论与结论：
该研究首次系统评估了"搭车式"海洋监测数据的科学价值。通过将多波束系统安装在调查船活动龙骨上，研究人员实现了"零干扰"数据采集——每年可额外获取约2000张海底图像，而无需增加航次成本。这种创新方法解决了传统监测中三大矛盾：1) 不同设备采样尺度的不匹配；2) 理想采样路径与实际航线的冲突；3) 数据质量与覆盖范围的权衡。

从管理应用角度看，CNN处理的生境数据为生态系统管理提供了新维度的决策支持。例如在西部海峡，岩石生境(占25.59%)被证实是商业物种欧洲鲽的关键分布区，而传统模型可能因依赖深度变量而低估其资源量。研究建议未来监测设计应建立"三层次"数据整合框架：自主设备采集基底数据(如多波束)、有人平台获取核心数据(如拖网样本)、模型数据补充缺失参数(如动能能量)。

这项技术的推广将显著提升海洋资源评估效率。据估算，采用半自主监测方案可使单位航次数据产出增加40%，同时降低15-20%的运营成本。随着深度学习算法的优化，未来有望实现实时海底分类，为动态渔业管理提供技术支撑。正如作者强调的，在生态系统管理时代，"最宝贵的数据往往是那些在主要任务之外顺便收集的信息"。