鱼类行为对拖网内立体相机丰度和体长频率评估的影响机制研究

本研究针对拖网内立体相机在渔业调查中面临的个体重复计数难题，通过分析挪威海三种中上层鱼类的游泳行为特征，揭示了鱼类体长、游动方向及相机参数对观测时长的影响机制。研究发现未校正重复计数会导致丰度低估和体长分布偏差，尤其影响中层鱼类（mesopelagic fishes）的自动检测（RetinaNet）。该研究为优化自动图像分析（automatic IA）与追踪技术提供了关键数据支撑，对减少渔业调查物理采样需求、推动生态系统管理具有重要意义。

　　

海洋渔业资源评估长期依赖传统拖网采样，但该方法存在空间分辨率低、选择性偏差及脆弱物种丢失等问题。拖网内立体相机（如Deep Vision系统）能记录沿拖网路径的精细时空数据，但同一个体的重复出现（recurrence count）导致丰度和体长频率估计失真。挪威海洋研究所（Institute of Marine Research）与卑尔根大学的Taraneh Westergerling团队在《ICES Journal of Marine Science》发表研究，通过手动图像分析（manual IA）量化大西洋鲱（Clupea harengus）、蓝鳕（Micromesistius poutassou）和中层鱼类（mesopelagic fishes）的游泳行为与相机参数交互作用，为自动分析算法优化提供关键依据。

研究采用2018年挪威海国际生态系统调查（IESNS）数据，结合Deep Vision系统的5帧/秒立体相机影像，手动标注物种、体长（FL/SL）、游动方向及重复计数。通过Gamma GLM模型分析观测时长（observation period）的影响因素，并评估自动图像分析（RetinaNet）的召回率（recall）。

游泳行为对观测时长的影响
大西洋鲱和蓝鳕多面向拖网开口（75.3%和71.1%），其观测时长显著长于面向网囊的个体（P<0.001）。鲱鱼体长与游动方向存在交互效应：面向开口的大个体耐力更强（每厘米体长增加1%观测时长），而面向网囊者缩短14%/cm（P=0.021）。中层鱼类61.2%面向网囊，观测时长最短（0.6-0.8秒），且随相机距离增加显著减少（P<0.001）。

相机参数与重复计数
水平视场（FOV）随距离每增加10cm扩大2.16cm，导致远距离个体更易被重复拍摄。模拟显示帧率降至1帧/秒时，中层鱼类丢失率达39%，远高于鲱鱼（12%）和蓝鳕（17%）。

丰度与体长频率偏差
未校正重复计数时，中层鱼类在自动分析中召回率仅46%（鲱鱼88%），且体长≤33cm或≥37cm的鲱鱼在体长分布中被低估。降低帧率无法消除偏差，凸显追踪技术整合的必要性。

该研究证实鱼类行为异质性导致拖网相机数据解读复杂化，尤其影响小体型和低重复计数物种。结果强调了开发融合3D定位的追踪算法的重要性，为减少渔业调查对物理样本的依赖、实现脆弱物种连续监测提供科学依据。Deep Vision系统的应用潜力在开放网囊采样和生态系统管理中尤为突出，但需进一步优化自动检测算法以提升中层鱼类识别精度。