《Estuarine, Coastal and Shelf Science》:Machine learning models reveal the spatial distribution and key environmental drivers of
Coilia nasus in East China Sea's coastal waters
编辑推荐:
摘要气候变暖与人类活动正在迅速改变沿海生态系统,给生物群落带来越来越大的压力,尤其是对洄游鱼类物种而言。对中国具有经济价值的河口鳀鱼(Coilia nasus)近几十年来种群数量显著下降。为确定其分布的关键环境驱动因素,我们将2020年至2024年在东海收集的底层拖网调查数据与区
摘要
气候变暖与人类活动正在迅速改变沿海生态系统,给生物群落带来越来越大的压力,尤其是对洄游鱼类物种而言。对中国具有经济价值的河口鳀鱼(Coilia nasus)近几十年来种群数量显著下降。为确定其分布的关键环境驱动因素,我们将2020年至2024年在东海收集的底层拖网调查数据与区域环境变量相结合。我们建立了五种机器学习模型,包括随机森林(RF)、提升回归树(BRT)、XGBoost、LightGBM和CatBoost,用于预测C. nasus的分布,并运用SHapley加性解释方法来解读模型预测结果。在所评估的模型中,随机森林在独立测试数据集上展现出最均衡的预测性能,因此被选用于后续的解释和空间预测(准确率为74%,AUC值为0.852,F1值为0.702)。SHAP分析表明,盐度和温度是影响C. nasus分布的主要环境因素,低盐度(5.0 - 20.0‰)以及中低温度(6.5 - 15°C)会显著提高该物种出现的概率。预测结果显示,杭州湾和长江口是该物种的主要栖息地热点区域。根据CMIP6情景下的气候预测,适宜的栖息地可能会沿着东海沿岸向南扩展。本研究揭示了C. nasus分布与环境条件之间的复杂非线性关系,为东海地区的栖息地保护、空间管理及资源恢复提供了科学依据。
引言
在人类世背景下,全球生态系统正在发生快速变化,而全球变化对生产力高且结构复杂的沿海水域的影响尤为明显(Cloern等人,2016;Kennish,2021)。近年来,海洋热浪和台风等极端天气事件日益频繁,再加上污染、河流筑坝和海岸线开发等人类活动(Cui等人,2016;Li等人,2022;Capotondi等人,2024),改变了沿海水域的水文状况,给依赖沿海和河口栖息地的渔业资源带来了巨大压力(Zhu等人,2017;Jiang等人,2019;Hu等人,2022)。
作为河口与近海水域之间的过渡地带,沿海水域为许多鱼类提供了重要的产卵、觅食和育苗场所,在维持渔业发展方面发挥着关键作用(Shan等人,2016)。然而,持续的气候变化正在逐渐破坏这些生态系统的生态完整性,这对渔业资源的可持续利用有着重要影响。包括东海在内的沿海生态系统的渔业现在面临着物种分布变化和资源可持续性方面的前所未有的挑战(Pang等人,2022;Liang等人,2025)。越来越多的证据表明,在未来的排放情景下,许多海洋物种(如Trachurus japonicus、Alosa fallax)的适宜栖息地可能会在不同程度上缩小(Braun等人,2023;Xiong等人,2024)。在此背景下,确定具有重要商业价值鱼类种群的主要环境驱动因素变得越来越重要。了解预计的气候变化将如何影响鱼类的生产力和空间分布,将为可持续渔业管理提供科学依据。
河口鳀鱼(Coilia nasus)是一种具有较高商业价值的洄游鱼类,主要分布于西北太平洋的西部沿海地区(Ma等人,2023;Yu等人,2024)。2018年,C. nasus被正式列入国际自然保护联盟红色名录的濒危物种类别(Wang等人,2024;Tang等人,2024)。在其生命周期中,C. nasus会利用多种栖息地,包括河流、河口和沿海水域,并呈现出典型的跨栖息地迁徙模式(Xiao等人,2025)。沿海水域为C. nasus的所有生命阶段提供了丰富的食物资源和适宜的栖息环境(Jiang等人,2014)。然而,全球环境变化迅速恶化了它的栖息地和迁徙路径,导致其种群数量大幅下降,许多当地种群如今面临极高的灭绝风险。因此,迫切需要对沿海水域中的C. nasus开展进一步研究,以支持有效的保护和管理工作。
近年来,机器学习已成为研究物种与环境关系的重要工具,因为它能够捕捉复杂的非线性生态过程(Jelovica等人,2024)。在现有的方法中,随机森林(RF)和提升回归树(BRT)因其强大的预测能力以及能够模拟物种分布与环境变量之间复杂的非线性关系而被广泛使用(Zhou等人,2017;Navarro等人,2020;Jiang等人,2022;Akselrud等人,2024)。最近,包括极端梯度提升(XGBoost)、轻量级梯度提升机(LightGBM)和分类提升(CatBoost)在内的梯度提升模型,也因其较高的预测精度和计算效率而在渔业生态学领域得到越来越多应用(Giri等人,2025;Wang等人,2025;Zhang等人,2025)。
尽管这些复杂的机器学习模型具有强大的预测能力,但它们往往较难解读。由于这些模型无法让人们深入了解环境变量是如何影响物种分布的,所以常常被视为“黑箱”(Liu等人,2025)。为克服这一局限,基于合作博弈论的SHapley加性解释方法被广泛应用于物种分布建模中,用以解释“黑箱”模型的决策过程,从而提高对模型预测结果的解读能力(Cha等人,2021;Shi等人,2025)。由于没有一种模型在所有情况下都能表现最佳,我们比较了五种机器学习模型的预测性能和稳定性,最终选择了性能最佳的模型来揭示C. nasus分布与当地环境条件之间的复杂非线性关系(Han等人,2023)。
以往关于C. nasus分布的研究大多采用单一的建模方法或地理范围有限的数据库。那些结合模型比较、可解释的环境响应、空间验证以及未来气候预测的全面评估仍然十分缺乏。为弥补这些不足,我们利用多年的独立渔业调查数据对东海的沿海水域进行了研究。我们建立了五种机器学习模型(RF、BRT、XGBoost、LightGBM和CatBoost),并对它们进行比较,以确定最合适的预测模型。随后,我们运用SHAP分析来量化环境变量和空间变量的影响程度,并在全球和局部尺度上解释模型预测结果,从而了解环境条件是如何影响东海沿海水域中C. nasus的分布的。最后,根据CMIP6框架,我们进一步分析了三种共享社会经济路径情景(SSP126、SSP245、SSP585)将在本世纪末(2090 - 2100年)对C. nasus分布产生的影响(见图1)。
章节节选
研究区域
东海的沿海水域是保护和研究C. nasus的重要区域。该区域受到多个主要洋流和水团的影响,包括黄海沿岸流、长江稀释水、台湾暖流以及浙江 - 福建沿岸流。这些水域富含营养物质,拥有丰富的饵料资源,是中国生产力最高的海洋生态系统之一,也是重要的渔场
特征选择
我们对13个环境变量计算了斯皮尔曼相关系数(见图3)。|ρ|≥0.7的变量被视为高度相关的变量。根据生态学意义以及之前对C. nasus生态学的了解,我们对高度相关的变量进行了筛选,保留了那些与物种分布关联最直接的变量。盐度饱和度(SSS)和海水温度(SST)被认为是影响鱼类分布的主要因素(Koehler等人,2022;Mugwanya等人,2022),因此被保留下来。高度相关的
环境因素对C. nasus分布的影响
了解一个物种的空间分布对于有效保护该物种至关重要,尤其是对于那些具有重要商业价值的物种(Wang等人,2024)。我们的研究结果表明,C. nasus的分布主要与几个关键环境变量有关。其中,盐度和温度被确定为最主要的环境驱动因素,这一结果与该物种的生命周期特征和生理耐受性相符(Koehler等人,2021;Mugwanya等人
结论
通过整合五种机器学习模型,本研究确定了盐度和温度是影响C. nasus分布的主要环境因素,而空间预测因子则揭示了仅靠已测量的环境变量无法解释的额外栖息地模式。保护工作应重点关注盐度较低、水温适中的半咸水栖息地,尤其是杭州湾、邻近的长江口以及乐清湾。尽管适宜的
CRediT作者贡献声明
Rui Yin:资源获取、调查工作。Jiaying Zeng:可视化处理、结果验证。Rijin Jiang:项目管理、资金筹集、概念构思。Jianxiong Li:软件应用、方法设计、定量分析。Mingyuan Cui:结果验证、研究监督。Haoran Wang:方法设计、定量分析、数据整理。Zeyu Xiao:论文撰写——审阅与编辑、论文初稿撰写、软件应用。Jiarong Shen:定量分析、数据整理、概念构思
未引用参考文献
Akselrud,2024;Chen等人,2025;García Molinos等人,2016;Larocque等人,2025;Luan等人,2021;Maes等人,2005;Plantalech Manel‐La等人,2009;Wang等人,2024;Wang等人,2024。
资金支持
本研究得到了中国国家重点研发计划(项目编号为2024YFD2400404和2020YFD0900805)以及中国浙江省海洋经济与渔业厅的渔业资源调查项目专项基金(项目编号为HYS-CZ-202611和HYS-CZ-202609)的支持。
利益冲突声明
? 作者声明他们不存在任何可能影响本文所述研究的已知利益冲突或个人关系。
Zeyu Xiao|Jiarong Shen|Haoran Wang|Rijin Jiang|Jianxiong Li|Rui Yin|Jiaying Zeng|Mingyuan Cui
中国浙江省舟山市农业农村部舟山野外综合科学观测研究站,浙江海洋渔业研究所,舟山316021