《ICES Journal of Marine Science》：Neural network AI models address foundational topics in fisheries science, including forecasting and harvest optimization
编辑推荐：
人工智能（Artificial Intelligence, AI）的发展为应对复杂的海洋资源管理挑战提供了新的机遇。在AI模型中，神经网络（Neural Networks, NNs）是一类强大的工具，能够从渔业数据中学习非局域性和滞后模式，并利用自动实现统计收
人工智能（Artificial Intelligence, AI）的发展为应对复杂的海洋资源管理挑战提供了新的机遇。在AI模型中，神经网络（Neural Networks, NNs）是一类强大的工具，能够从渔业数据中学习非局域性和滞后模式，并利用自动实现统计收缩的估计方法逼近多个潜变量之间的非线性关系。这使其具备有效处理来自动态环境中渔业种群数据的潜力。研究人员重点介绍了NNs的三类应用：长短期记忆网络（Long Short-Term Memory, LSTM）、卷积神经网络（Convolutional Neural Network, CNN）以及通过强化学习（Reinforcement Learning, RL）进行策略发现。LSTM旨在处理序列数据，能够利用过去值在短时滞和长时滞下进行预测。CNN并非专门设计用于处理时间信息，但可以基于空间邻域内的数值对空间潜变量进行插值，并可为此目的与LSTM模型结合。本篇“供思考”（Food for Thought）论文介绍并应用了这些NN方法（单独及组合使用），以展示其在渔业科学若干基础性问题上的潜在应用：（i）种群按年龄体重的预测；（ii）相对丰度时空指数的标准化；以及（iii）用于优化渔获量和维持产卵生物量的捕捞策略发现。每个部分均提供了简单的模拟示例，并描述了相较于传统方法使用NNs所呈现的权衡——尤其是缺乏推断能力。研究人员随后概述了可能澄清、促进或限定这些工具在渔业管理科学中适用性的中期研究问题。
**论文解读：神经网络AI模型在渔业科学基础问题中的应用**
**研究背景与问题**
基于科学的渔业管理当前面临资金优先级变化和海洋环境动态突变等前所未有的挑战（Patrick and Link 2015）。传统渔业数据分析通常采用统计拟合的生物模型，这些模型受到可能存在偏倚的模型假设约束。人工智能（Artificial Intelligence, AI）工具在假设上约束较少，已被探索用于数据收集和初步分析，例如渔业数据的统计后分层、出现记录或自动图像检测，但AI更广泛的潜力尚未被充分挖掘。同时，渔业种群评估建模基础设施的现代化努力正在推进，这为重新审视方法学格局提供了契机。神经网络（Neural Networks, NNs）作为AI模型的一类，能够学习渔业数据中的非线性和复杂模式，但其在渔业科学中的应用仍较少。因此，研究人员旨在展示基于NN的AI工具可以解决渔业科学中的基础性主题，包括捕捞优化、按年龄大小（size-at-age）预测和指数标准化。
**研究内容与总体结论**
本“供思考”（Food for Thought）论文通过三个案例研究，论证了NN方法在渔业科学中的潜在应用：（i）利用LSTM预测种群按年龄体重（weight-at-age）；（ii）利用CNN和CNN-LSTM标准化时空相对丰度指数；（iii）利用强化学习（Reinforcement Learning, RL）发现捕捞策略以优化渔获量并维持产卵生物量。每个案例均采用模拟数据，并与现有方法进行基准比较。总体结论是，NN方法在预测任务上具有竞争力，尤其LSTM在按年龄体重预测中表现优异；但在时空指数标准化中未超越现有模型（如tinyVAST）；而RL策略在捕捞优化中展现出潜力，但策略形状可能非常规，需进一步约束和验证。研究表明，NNs有望补充、改进或改变渔业管理方式，但必须结合严格的基准测试。
**关键技术方法**
研究人员在三个案例研究中采用了不同的模拟和建模方法。案例1基于白令海鳕鱼（*Gadus chalcogrammus*）的生命史参数和采样努力量，模拟了时不变和时变两种生长情景下的按年龄体重数据，各生成300个30年重复数据集，并比较了六种模型：均值5年（mean-5）、von Bertalanffy生长曲线（VBGF）、带随机效应的VBGF（VBGF-RE）、高斯马尔可夫随机场（GMRF）、三层NN和LSTM，通过10折交叉验证和回顾性预测评估预测误差。案例2在20×20空间网格上模拟12年时空生物量数据，空间相关通过行标准化邻接矩阵（rho=0.95）建模，时间相关通过AR1过程（P=0.8）建模，每年随机采样200个单元，数据服从Tweedie分布；比较了两种CNN模型（单独CNN和CNN-LSTM）与tinyVAST及设计型扩展估算器。案例3针对东白令海鳕鱼渔业，将传统管理策略评估（Management Strategy Evaluation, MSE）与RL策略进行比较，在恒定型招募和Ricker型招募两种情景下训练RL智能体，并评估其推荐渔获量下的种群轨迹。所有NN模型使用R中的keras3包实现，参数通过随机梯度下降（SGD，即“Adam”算法）估计。
**案例研究1：用于种群统计预测的神经网络**
该案例通过模拟两种生长情景（时不变与时变），比较了LSTM、NN与传统方法（mean-5、VBGF、VBGF-RE、GMRF）的预测性能。结果显示，在时不变生长模拟中，LSTM在回溯预测、一年和两年投影中均最频繁地获得最低平均均方根误差（RMSE）。在时变生长模拟中，GMRF在回溯预测中表现最佳；对于一年投影，mean-5和GMRF表现相当；而两年投影中mean-5最优，LSTM和GMRF次之。这表明LSTM在预测按年龄体重方面具有优势，尤其适用于短期预测，但在存在时变趋势时，GMRF等显式处理时间变化的模型也具竞争力。
**案例研究2：使用卷积神经网络对调查数据进行时空标准化**
该案例在模拟时空数据上比较了两种CNN模型与tinyVAST及设计型估算器。结果显示，CNN和CNN-LSTM在log生物量和log密度的RMSE上均未优于tinyVAST，但所有方法都能生成与真实生物量尺度相近的标准化年度指数。然而，从单年插值地图看，只有tinyVAST能够恢复小尺度区域模式，CNN模型仅能识别大致的高低生物量区域。这表明，对于基于点或样带数据的常规指数标准化任务，tinyVAST仍是精确且高效的工具，而CNN在这类应用中需进一步改进（如使用视觉Transformer）才能应对稀疏和不完整数据。
**案例研究3：使用强化学习设定明年渔获量**
该案例将RL策略与MSE在EBS鳕鱼渔业中进行比较。在恒定型招募情景下，RL智能体习得了类似预防性捕捞控制规则：当底拖网调查生物量低于约10500吨时停止捕捞，高于阈值后渔获量骤增至约400万吨，导致年际波动剧烈，但产卵生物量始终高于MSE情景（后者渔获量稳定在约150万吨）。在Ricker招募情景下，RL策略呈非线性但更平滑，渔获量在1.8–300万吨之间变化，在约2500吨处出现意外增加，低于1000吨时停止捕捞；该策略使产卵生物量稳定在约125万吨（约为未开发生物量的21%），同时维持约350万吨的渔获量，显著高于MSE的100–150万吨渔获量和200–250万吨产卵生物量。这些结果表明，RL能够发现有效优化捕捞的政策，但非直觉的政策形状可能给利益相关者沟通和接受带来挑战。
**总结与结论**
案例研究表明，基于NN的AI工具可以解决渔业科学中的基础性问题，但也暴露了不足。研究人员建议：在按年龄体重预测中，LSTM可作为种群预测的工具；在时空指数标准化中，现有模型（如tinyVAST）仍为优选，但NN在非局域自相关或栖息地影响预测方面可能更具优势；RL策略具有新颖政策发现潜力，但需施加约束以避免不切实际的波动。论文最后提出了若干优先研究问题，包括NN预测的不确定性表达、NN与过程模型集成、RL策略的更新频率与沟通方式，以及AI模型可解释性带来的伦理考量。结论部分翻译如下：本“供思考”论文旨在（i）向科学渔业管理界介绍现代NN深度学习技术，并探索其在渔业基础主题上的具体应用。研究案例强调，这些方法有望补充、改进或改变我们对观测良好渔业的管理方式，并强调在进行进一步探索和完善时，应使用严格的基准测试（与现有方法比较）。
