多种渔具与多模型集成方法预测航海大陆四种金枪鱼物种分布

《Regional Studies in Marine Science》：Multiple fishing gear and multi-model ensemble approaches to predicting four tuna species distributions in the Maritime Continent

　　

摘要

本研究旨在通过整合多具渔业数据与多模型集成框架（2016–2024年），刻画航海大陆四种金枪鱼物种的空间分布特征，包括黄鳍金枪鱼（T. alalunga）、大眼金枪鱼（T. obesus）、鲣鱼（T. albacares）和长尾金枪鱼（K. pelamis）。环境变量预测因子包括海表温度（SST）、经对数变换的叶绿素a（log10[CHL]）、海表高度距平（SSHA）、混合层深度（MLD）、涡动能（EKE）以及25米深度下的次表层盐度（S25）。本研究评估了九个物种分布模型，并将表现优异的模型组合为集成模型。集成模型在跨物种和跨月份上均表现出高且稳定的预测性能，且各模型间变异性降低。S25在跨物种和跨季节中均被证明是重要的预测因子，而SST和log10[CHL]的贡献存在季节差异。SSHA在DJF期间更具影响力，而MLD在JJA–SON期间变得更为重要。响应曲线进一步揭示了物种特异性和季节特异性的环境响应，其中T. alalunga和T. obesus在DJF–MAM期间对较低S25值表现出更强的响应，而T. albacares在MAM–SON期间对较低EKE表现出更强的响应，K. pelamis在JJA–SON期间亦如此。从西苏门答腊到南爪哇–努沙登加拉和班达海的持续多物种热点区域贯穿始终，而受太平洋影响的北巴布亚和南菲律宾附近水域则表现出更大的季节性变化。定量验证表明，随着重叠金枪鱼物种数量的增加，预测一致性逐渐提高。这些结果凸显了集成建模和多具数据在刻画多物种金枪鱼栖息地动态特征及支持渔业空间规划方面的价值。

引言

金枪鱼在热带和亚热带水域中具有重要的商业价值且是广泛捕捞的目标物种，航海大陆亦是如此（FAO, 2022, ISSF, 2023, McCluney等, 2019, Sadiyah等, 2011）。它们的空间分布受动态海洋环境变量的塑造，如海表温度（SST）和叶绿素a（CHL），这些变量反映了栖息地偏好并驱动空间分布格局（Dalpadado等, 2021）。因此，将此类环境变量整合到物种分布模型中对于理解和预测金枪鱼栖息地至关重要（Beaugrand和Kirby, 2018, Erauskin-Extramiana等, 2019, Guisan和Thuiller, 2005）。

卫星遥感技术的进步使得开发多传感器数据集成为可能，包括具有广泛时空覆盖范围的SST和CHL数据（Chin等, 2017, Liu和Wang, 2022），这些数据已被广泛用于刻画金枪鱼的栖息地偏好和空间分布（Semedi等, 2023, Vayghan等, 2020）。在一项先前的研究中，这些多传感器数据与海洋模型输出结果（如海表高度距平SSHA和涡动能EKE）相结合，被整合到最大熵（MaxEnt）模型中，用于预测航海大陆四种金枪鱼的空间分布，但该研究的分析仅依赖于所选的捕捞具数据（Yati等, 2024）。另一项研究纳入了多种捕捞具，使用MaxEnt模型对鲣鱼（Katsuwonus pelamis）栖息地适宜性进行建模，但该分析仅限于望加锡海峡以及2017年8月至11月的短时间段内进行模型生成（Syamsuddin等, 2024）。

此前在航海大陆及周边区域的研究主要关注表层环境变量（Syamsuddin等, 2024, Yati等, 2024），这可能无法充分代表金枪鱼物种所占据的垂直栖息地结构。另有研究证明，混合层深度（MLD）为鲣鱼（Katsuwonus pelamis）、黄鳍金枪鱼（Thunnus albacares）、大眼金枪鱼（Thunnus obesus）和黄鳍金枪鱼（Thunnus alalunga）的垂直栖息地偏好提供了重要信息（Arrizabalaga等, 2015, Mugo等, 2020, Yang等, 2023）。此后，这些物种分别简称为T. alalunga、T. obesus、T. albacares和K. pelamis。此外，虽然海表盐度曾被评估为环境变量预测因子，但因与SST存在高度多重共线性而被排除（Yati等, 2024），这表明其在表层热力条件之外的附加信息有限。因此，本研究将次表层盐度作为额外的上层海洋变量纳入，以补充表层环境条件和混合层深度，表征可能与金枪鱼分布相关的海洋学栖息地特征。

尽管环境数据集为栖息地刻画提供了重要信息，但仍需采用适当的建模方法来产生可靠的物种分布预测。MaxEnt已被证明对四种金枪鱼物种的分布建模有效（Yati等, 2024）。其他方法，如广义加性模型（GAM）和基于机器学习的模型，也展现了良好的预测性能（Arrizabalaga等, 2015, Semedi等, 2023, Vaihola等, 2023），因为每种模型都有其自身的优势和局限。为充分利用这些互补优势，先前的研究表明，由多个高性能模型构建的多模型集成方法可以提高预测能力并缓解单个模型局限性的影响（Araújo和New, 2007, Yati和Minobe, 2021）。事实上，多模型集成方法已被证明在西北太平洋的K. pelamis研究中优于单一模型预测（Mugo和Saitoh, 2020），这为采用此类框架来建模航海大陆四种金枪鱼的空间分布提供了依据。此外，有限数量的研究同时整合了多种捕捞具、上层海洋环境结构以及多模型集成框架，以提高更广泛航海大陆范围内四种金枪鱼空间分布预测的真实性和可靠性。

因此，本研究的目的是通过在多模型集成方法中整合多具数据，刻画航海大陆四种金枪鱼的空间分布格局。本研究不估算绝对丰度，而是侧重于识别环境适宜栖息地及其空间分布。来自多种捕捞具的渔获数据与包括表层变量（SST、CHL、SSHA和EKE）以及由混合层深度（MLD）和次表层盐度表征的上层海洋结构变量在内的环境变量预测因子相结合。分析涵盖印度尼西亚渔业管理区域（FMA）572、573、713、714、716和717，提供了比先前研究更广泛的空间代表性，并改善了航海大陆异质海洋学条件下的栖息地预测。

章节摘要

研究区域与金枪鱼物种数据

研究区域涵盖航海大陆（25°S–10°N, 83°E–153°E），包括印度尼西亚的渔业管理区域（FMA）（Jaya等, 2022），如图1所示。该区域略微超出了先前研究的空间覆盖范围（Yati等, 2024）。该区域海洋环境高度动态，受印度尼西亚穿流（ITF）（Gordon, 2005, Gordon和Fine, 1996）以及周边印度洋和太平洋的影响，这些因素共同影响着洋流、海表温度和营养盐分布

结果

最终环境变量预测因子（SST、log10[CHL]、SSHA、EKE、MLD和S25）之间的成对相关性结果总体较低，在SST与MLD之间观察到中等相关性（约–0.542至–0.559），在S25与SST之间也观察到中等相关性（约–0.449至–0.534），跨各金枪鱼物种如此。这些结果表明总体多重共线性较低，各物种的VIF和Kappa值均低于2.467，支持将SST、log10[CHL]、SSHA、EKE、MLD和S25纳入金枪鱼物种

讨论

SST、log10[CHL]、SSHA、EKE、MLD和S25之间的低多重共线性表明，所选预测因子捕获了上层海洋变异的互补方面。RF、GBM、CTA、MARS、GAM、MaxEnt、FDA和GLM之间的一致性性能表明，所选多模型集成框架有效捕获了复杂且可能非线性的环境–栖息地关系。各算法之间观察到的变异进一步支持了集成建模的价值，其

结论

本研究表明，将多模型集成与多具日志数据相结合可以改善航海大陆T. alalunga、T. obesus、T. albacares和K. pelamis的空间预测。与先前的单具方法相比，整合多种捕捞具提高了出没记录的空间代表性，有助于在异质渔业环境中获得更一致的栖息地预测。由高性能模型构建的集成

CRediT作者贡献声明

Emi Yati：写作–审阅与编辑，写作–初稿，可视化，验证，软件，资源，方法学，调查，获取资金，形式化分析，数据整理，概念化。Irene D. Alabia：写作–审阅与编辑，软件，方法学，调查，形式化分析。Lilis Sadiyah：写作–审阅与编辑，验证，调查，获取资金，形式化分析，数据整理。Fayakun Satria：写作–审阅与编辑，验证，

利益冲突声明

作者声明不存在可能被认为会影响本文所述工作的已知竞争性经济利益或个人关系。

致谢

本研究由电子与信息研究组织住房项目、国家研究与创新局（BRIN）以及来自BRIN和LPDP的RIIM 3项目编号12/II.7/HK/2023资助和支持。作者还感谢印度尼西亚海洋事务与渔业部（MMAF）提供日志渔业数据，以及NASA和Copernicus提供用于推导的时间序列多传感器卫星遥感和海洋模型数据

Emi Yati|Irene D. Alabia|Lilis Sadiyah|Fayakun Satria|Gayantha R.L. Kodikara|Aris Budiarto|Sri Patmiarsih|Irwan Jatmiko|Dony Kushardono|Syahril Abd.Raup