基于序列相关隐马尔可夫模型的渔业资源补充机制跃变识别研究

本研究针对渔业资源管理中可持续捕捞量动态调整的难题，开发了融合序列相关性的隐马尔可夫模型（HMM），通过将状态空间模型与HMM耦合，实现了对渔业资源补充量（SR）关系中离散型机制跃变与连续波动的协同捕捉。该模型通过协变量嵌入过渡概率显著降低复杂度，仿真与案例验证表明其能有效提升资源评估精度，为适应性渔业管理提供关键技术支撑。

　　

针对渔业资源补充量（Stock-Recruitment, SR）关系中的机制性跃变识别难题，研究者开发了具备序列相关性的隐马尔可夫模型（Hidden Markov Models, HMMs）。该模型通过整合状态空间模型的连续变异捕捉能力与HMM的离散状态识别优势，实现了对资源生产力变化的精细化解析。通过将隐马尔可夫SR模型嵌入整体资源评估框架，有效解决了参数交互作用问题；同时引入协变量构建非平稳过渡概率，大幅降低了模型复杂度。仿真实验与案例研究均证实该创新方法在识别资源动态机制转变方面具有卓越性能。