综述：波斯湾北部双船围网渔船沙丁鱼和凤尾鱼渔获量的机器学习模型预测

这篇综述推荐采用机器学习（ML）模型预测波斯湾北部双船围网渔船的沙丁鱼（Sardinella sindensis）和凤尾鱼（Encrasicholina punctifer）渔获量，通过整合卫星环境数据（如SST、Chl-a、PAR等）揭示物种特异性响应。研究显示，提升回归（Boosting）对沙丁鱼预测最优（R2 =0.41），而支持向量回归（SVR-RBF）对凤尾鱼更有效（R2 =0.35），为区域渔业可持续管理提供数据支持。

　　

Abstract
波斯湾小型中上层围网渔业的高效管理对资源可持续性至关重要。本研究通过机器学习模型（随机森林RF、提升回归、支持向量回归SVR）预测Qeshm岛海域沙丁鱼与凤尾鱼的时空渔获量变化。数据集涵盖2014-2023年314次捕捞记录及卫星环境参数（SST、Chl-a、PAR等）。结果显示，沙丁鱼预测以提升回归最优（RMSE=395.5，R²
=0.41），凤尾鱼则以SVR-RBF表现最佳（RMSE=437，R²
=0.35），后者预测难度更高，或受未建模变量影响。

Introduction
小型中上层鱼类（SPF）占全球海洋捕捞量的三分之一以上，是波斯湾沿岸社区生计的核心。然而，其短生命周期和快速生长使其对环境变化（如SST、盐度）极为敏感。波斯湾作为半封闭海域，面临过度捕捞和气候变化的双重压力，但缺乏系统的环境数据整合。机器学习为复杂渔业动态建模提供了新工具，此前在波斯湾的应用仍有限。

Study area
伊朗96%的SPF渔获来自霍尔木兹甘省，Qeshm岛南岸为主要渔场（占全国74%）。该岛位于北纬26.5°，东经55.9°，海域生物生产力高但生态脆弱。

Results
模型训练阶段表现优异（R²
=0.88-0.97），但验证阶段性能下降。沙丁鱼CPUE在Chl-a浓度达2 mg·m^-3
时最高，SST最佳范围为22-26°C；凤尾鱼则与海岸距离呈负相关，SST偏好与沙丁鱼相似。

Discussion
物种特异性模型选择至关重要。沙丁鱼对Chl-a和SST响应明确，而凤尾鱼分布可能受更多未量化因素（如洋流）驱动。研究为气候适应性渔业规划提供了科学依据。

Conclusion
机器学习成功量化了环境变量对波斯湾SPF渔获的影响，但需进一步纳入社会经济学参数以优化管理策略。

CRediT authorship
Hossein Zamani负责数据与软件，Moslem Daliri主导项目设计与资金筹措，Elyas Soleimani撰写初稿，Ali Salarpouri参与可视化与概念化。

Declaration of Competing Interest
作者声明无利益冲突。