《Frontiers in Marine Science》：MAELSTROM, a machine learning-based approach for stock assessment
编辑推荐：
管理渔业对于在海洋资源开发与其自然恢复能力之间维持平衡至关重要。为实现该目标，研究人员构建渔业资源评估（Stock Assessment）模型以融合商业捕捞量与种群丰度时间序列。传统方法常局限于单物种，丢失了影响物种动态的生态互作信息，且基于显式确定性方程，难
管理渔业对于在海洋资源开发与其自然恢复能力之间维持平衡至关重要。为实现该目标，研究人员构建渔业资源评估（Stock Assessment）模型以融合商业捕捞量与种群丰度时间序列。传统方法常局限于单物种，丢失了影响物种动态的生态互作信息，且基于显式确定性方程，难以表征物种与环境间的生态互作。本研究提出Maelstrom，一种基于神经网络（Neural Network, NN）的多物种预测模型，可解释依赖渔业与独立于渔业的数据，在考虑捕捞努力量变化下返回丰度预测。尽管基于NN的生态与渔业时间序列预测已较成熟，研究人员提供了一款可定制的Shiny工具，其中集成了多物种、年龄结构框架，旨在应用于现实管理场景。具体而言，研究人员设置了五个复杂度递增的场景，涉及三种商业物种。为评估模型可靠性，研究人员以均方根误差（Root Mean Square Error, RMSE）与平均绝对误差（Mean Absolute Error, MAE）为验证指标，将Maelstrom与常规使用的a4a资源评估框架进行基准测试。结果显示，Maelstrom在精度上可与经典资源评估模型媲美，并支持了即使在较短时间序列下多物种方法的潜力。Shiny应用返回统计值、图表及资源评估全过程报告。
研究背景方面，基于自然资源的渔业经济活动依赖数学生态系统表征以支持可持续管理，但传统方法常采用稀疏观测的统计回归与简化关系假设，难以反映关键生态复杂性。历年依赖渔业与非依赖渔业数据（如捕捞量与拖网调查密度）构成的时间序列被用于判断捕捞率与补充率是否兼容。现有资源评估多聚焦单物种，采用确定性或统计方法，依赖最大可持续产量（Maximum Sustainable Yield, MSY）等指标，忽略物种间互作；而生态动态复杂，精确闭式表示不可知，传统单物种框架在参数化与拟合上负担重。神经网络作为通用近似器，可推断隐藏模式，适合关系不清的场景，但多物种联合评估在管理实践中应用较少。该研究由研究人员发表于《Frontiers in Marine Science》，旨在提出可嵌入真实管理框架（如STECF工作组）的深度学习多物种预测方法Maelstrom。
主要关键技术方法上，研究人员采用R 4.6.0环境，基于Keras与TensorFlow构建核心，读取FLR平台FLCore标准年龄结构库存对象；案例选用西地中海第勒尼安海底层拖网渔业中深水玫瑰虾（Parapenaeus longirostris, DPS）、欧洲无须鳕（Merluccius merluccius, HKE）与红鲻（Mullus barbatus, MUT）三种商业种，时间序列2009至2022年，训练前9年测试后5年；网络为可定制四层结构（LSTM+Simple RNN+Dropout+Dense），以RMSprop优化，MSE与MAE为指标，递归hindcasting外推，以Baranov方程由丰度推捕捞量，并以a4a框架为参照，设五场景（A-C单种、D双种、E三种），各场景10次随机初始化训练，用置换ANOVA与Taylor图评估。
研究结果部分，引言指出单物种与传统确定性模型局限，NN可补非线性与互作。材料与方法表明，输入为FLCore年龄结构对象，NN选用LSTM捕获长程依赖，公式含遗忘门ft=σ(Wfxt+Ufht?1+bf)等；Maelstrom以递归预测追加数据集，输出补充量（recruitment）与产卵群体生物量（Spawning Stock Biomass, SSB）。2.4节Taylor图用以比较标准差、RMSE与相关性。2.5节GUI含数据载入、建网、测试、预测（可调捕捞死亡系数F向量）、导出五面板。2.6节以a4a为基准，2.7节五场景网络神经元数随物种数倍增（8/16/24），学习率递减（0.045/0.035/0.025）。结果与3节显示：图4中Maelstrom的SSB曲线随场景复杂度增加更贴近参考值，尤其E场景DPS的HKE中位更接近；图5 Taylor图中3年训练深度相关性最高，单物种场景Maelstrom优于a4a，双物种5/7年a4a相关性高0.2-0.4；图6 ΔSSB箱线图显示a4a在DPS短期占优，Maelstrom在HKE 2019-2022更优，MUT后期占优；置换ANOVA（表2）中模型因子F=210.631(P<0.001)、物种F=119.07(P<0.001)显著，预测深度F=3.390(P=0.034)显著，场景P=0.086边缘显著；图7十次初始化验证MSE轨迹窄置信带，平台CV单种4.715%-10.89%、D种15.90%-26.33%、E种28.04%-43.51%，优化可复现。
讨论部分指出，Maelstrom成功捕获参考SSB自回归结构，多物种下通过非线性响应与种间反馈弥补短序列，验证曲线稳定性随加种提升；Taylor图显示单种低复杂时两者近参考点，Maelstrom多物种相关性略低但RMSE居中更低；ΔSSB分布表明a4a前期偏优但偏差累积，Maelstrom前期变异性大后期收敛；补充图显示Maelstrom在2-3龄组多物种下可超a4a。结论翻译：本研究首次以ML模型对照广泛认可方法预测三底栖商业种丰度与SSB；Maelstrom在短序列下借多物种信息补偿时间深度不足，RNN因隐状态演化适于时序依赖；HKE-DPS营养联系解释多物种精度提升，对西地中海混合渔业管理有应用价值；优化可复现性分析支持结果非随机初始化驱动；混合a4a机制可解释性与Maelstrom动态学习是下一代评估方向；局限含RMSprop与四层架构为经验选配、封闭系统假设限用范围；展望含迁移动学习、环境驱动整合与空间运动模拟。
