海鸟浸没行为模式可独立预测信天翁对渔船的跟随行为及其渔业兼捕风险评估价值

这篇研究通过分析黑眉信天翁（Thalassarche melanophris）的GLS浸没记录仪数据（0.167 Hz），结合高分辨率GPS（0.02–1 Hz）与船舶自动识别系统（AIS）数据，首次证明仅凭浸没行为模式即可高精度（>80%准确率）区分渔船跟随行为与自然觅食活动。研究揭示了三种海鸟-渔船交互类型（跟随/停止/经过），并开发了"浸没规律性"指标量化周期性行为。随机森林模型显示，该方法对非法、未报告及无管制（IUU）渔业活动的监测具有重要应用价值，为缺乏追踪数据的兼捕风险评估提供了新范式。

　　

海鸟-渔船交互行为的多维度解析
研究团队通过部署在福克兰群岛西部新岛繁殖的黑眉信天翁（45只个体）背戴式GPS和腿环式GLS浸没记录仪，采集了0.02–1 Hz的位置数据和0.167 Hz的浸没（湿/干）状态数据。与全球渔业观察组织（GFW）提供的AIS船舶轨迹匹配后，发现29%的个体在单次觅食行程中与渔船发生近距离（<1 km）交互，这些交互被归类为跟随（59%）、停止（21%）和经过（21%）三种行为模式。

浸没数据校正的关键发现
通过隐马尔可夫模型（HMM）校正发现，12.6%的GLS湿状态记录存在误差——设备在起飞后平均持续31.6秒（最长33分钟）错误记录为"湿"。这种误差源于羽毛残留海水干扰传感器，但未校正数据仍能保持模型预测效能，仅使随机森林模型的灵敏度从80.1%略微降至76.8%。

浸没规律性的量化突破
研究创新性地提出"浸没规律性"指标（0-1范围），捕捉到渔船跟随期间特有的周期性行为：信天翁平均每1.3±1.2分钟降落水面，随后以0.8±0.7分钟飞行追赶船只，循环4.7±2.0次。这种规律性在12分钟滚动窗口分析中表现显著，与阿根廷冷冻拖网船（目标物种包括无须鳕和巴塔哥尼亚牙鱼）连续丢弃渔获物的行为高度相关。

机器学习模型的实践价值
采用五折交叉验证的随机森林模型显示，使用全部五个浸没指标（规律性、平均湿/干时长、浸没比例、降落次数）时，时间尺度模型可检测80.1%的跟随事件，假阳性率仅1.3%。值得注意的是，部分假阳性可能实际反映了AIS未覆盖的隐蔽渔船交互，这对监测非法捕捞（IUU）活动具有特殊意义。

保护生物学的应用前景
该方法突破了传统空间重叠分析的局限：

1. 适用于长期部署的GLS设备（<1.5%体重），可覆盖幼鸟和非繁殖期个体
2. 不依赖船舶追踪数据，能揭示与小型/手工渔业的隐蔽交互
3. 聚焦高风险的"跟随"行为（而非单纯接近），更精准评估兼捕风险
   研究同时指出，不同渔业类型（如延绳钓）可能产生差异化的行为特征，未来需验证该方法的跨物种适用性。阿根廷拖网船自2017年起虽强制使用驱鸟绳（BSL），但研究数据表明兼捕风险仍持续存在，凸显行为监测对完善管理措施的重要性。