电子监控(EM)在渔业数据收集与日志报告验证中的能力研究中文标题：电子监控提升渔业数据质量：东澳金枪鱼和旗鱼渔业中日志报告绩效的个体船只评估与科学数据优化

为解决渔业依赖数据存在的不准确与偏见问题，研究人员开展电子监控（EM）与日志数据对比研究，通过分析澳大利亚东部金枪鱼和旗鱼渔业（ETBF）中5年数据，发现船只个体报告差异显著，EM可识别误报行为并推动针对性管理，显著提升科学数据质量与渔业管理决策可靠性。

　　

在当今全球渔业资源持续衰退的背景下，实现可持续渔业管理高度依赖于准确、无偏的捕捞数据。然而，长期以来，渔业依赖数据——尤其是来自商业渔船的日志记录——常常因多种原因存在严重质量问题，包括物种识别能力不足、高渔获量下的漏报误报，以及因担心合规审查而故意隐瞒等。这些问题不仅影响目标种群资源评估的准确性，也给兼捕物种（Bycatch）和濒危、受威胁及受保护物种（ETP）的风险管理带来巨大挑战。

以往研究多依赖海上观察员（At-sea observer）数据来验证日志记录的准确性，但这种方法本身也存在局限性，例如观察员部署的非随机性（ displacement effect）、观察员存在对捕捞行为的影响（observer effect），甚至可能受到胁迫或腐败的影响。此外，传统观察员方案的覆盖范围有限、成本高昂，难以大规模应用。

为此，电子监控（Electronic Monitoring，EM）系统逐渐成为渔业监测、控制与监视（MCS）的关键工具。EM系统通过安装在船上的摄像头、传感器和GPS设备，全程记录捕捞作业过程，后期由专业分析人员审阅录像，从而独立验证渔获组成、丢弃渔获及ETP物种交互情况。在澳大利亚联邦渔业中，EM不仅用于数据收集，还被纳入日志报告验证体系，通过向渔民提供持续反馈，帮助其改进报告质量。

在此背景下，澳大利亚农业资源经济与科学局（ABARES）的研究团队在《Fisheries Research》发表了一项深入研究，系统评估了澳大利亚东部金枪鱼和旗鱼渔业（ETBF）中EM数据与日志报告之间的一致性，特别聚焦于个体船只层面的差异，并探讨如何利用EM识别误报行为、优化数据质量，从而支持更科学的渔业管理决策。

为开展本项研究，作者主要依托以下几项关键技术方法：

首先，研究团队从2015年7月至2020年6月澳大利亚ETBF渔业中收集了2226组经过EM审核且与日志记录对应的作业集（set）数据，涵盖保留与丢弃渔获数及ETP物种交互记录；采用Bland-Altman分析（一种用于评估两种测量方法一致性的统计方法）检验EM与日志报告数量之间的一致性；在船只和种群水平上计算平均计数差异及其占平均渔获量的比例，识别报告异常船只；此外，对EM影像数据进行物种识别与分类审核，尤其关注能否鉴定至物种水平，并对无法辨识的个体进行更高阶元归类分析。

研究结果部分主要包括以下内容：

3.1. 主要金枪鱼和旗鱼物种

在船队整体层面，主要保留鱼种（如黄鳍金枪鱼、大眼金枪鱼、剑鱼等）的EM与日志报告高度一致，平均差异占平均渔获量的比例不超过6%。然而，丢弃鱼种的一致性显著较低，日志常报告更高数量，尤其是当丢弃数量较大时差异更为明显。Bland-Altman分析显示，丢弃报告差异随作业规模扩大而增加。将金枪鱼归类为高级分类群（如“金枪鱼（混合）”）时，一致性有所改善，说明EM分析人员在物种水平鉴定方面存在困难。

在个体船只层面，研究发现显著的船间差异：少数船只完全未报告丢弃渔获（尽管EM分析人员观察到相关行为），而其他部分船只则对某些物种始终报告一致。例如，在剑鱼的保留报告中，三艘船的EM计数显著高于日志，而另一些船则完全一致。

3.2. 濒危、受威胁及受保护（ETP）物种

对于ETP类群（海鸟、海洋哺乳动物和海龟），船队整体一致性较高，约45%-55%的作业集无差异。但仍存在个体船只漏报：5艘船在日志中完全未报告ETP交互，而EM分析人员却观察到了相关事件。物种水平鉴定仍是EM系统的挑战，尤其在硬壳海龟、某些鲨鱼和旗鱼种类方面，EM多将其归类为“混合”类别，而渔民则更常报告至物种水平。

4. 讨论与结论

本研究强调了在个体船只层面（而不仅是船队整体）评估EM与日志数据一致性的重要性。研究发现，差异可能源于多种因素：船长物种识别能力与报告意识、EM分析人员专业水平、摄像头布设与船舶布局等。

尽管EM在提高数据透明度和验证日志报告中发挥关键作用，但其在识别释放或切割物种方面的能力仍存在局限——特别是对于在水中释放、未完全呈现在镜头前的ETP物种和鲨鱼。作者建议通过技术改进（如辅助水下摄像头）、加强物种识别培训、设定可容忍的报告差异标准，以及建立EM分析人员-渔民-管理者的反馈机制，进一步提升数据质量。

该研究的结论是，电子监控能够有效识别出存在普遍或特定物种误报行为的船只，从而帮助管理者采取有针对性的激励、教育或合规措施，最终改善渔业数据的科学性，支撑更可持续的渔业管理决策。