应用机器学习方法识别用于预测南海鲣属栖息地适宜性的最佳丰度指数

《Regional Studies in Marine Science》：Applying a machine learning approach to identify the optimal abundance index for predicting habitat suitability of the genus Auxis in the South China Sea

　　

## 摘要

鲣属（Auxis）是南海最具开发潜力且尚未充分利用的渔业资源之一，了解其渔场动态对于资源的可持续利用至关重要。单位努力量渔获量（CPUE）常被作为丰度的一种信息量丰富的替代指标；然而，其在预测栖息地适宜性方面的有效性可能有限。在数据源日益多样化的背景下，选择合适的丰度指数对于提高渔场预测的准确性和支持可持续捕捞至关重要。本研究在统一的环境框架下，评估了四种丰度指数——渔获量、捕捞努力量、CPUE以及存在–缺失数据。采用基于XGBoost模型的机器学习方法，识别最优指数并预测栖息地适宜性。结果表明，捕捞努力量在捕捉渔场空间动态方面优于其他指数。SHAP分析进一步揭示，经度、纬度、叶绿素a浓度（Chl-a）和海水中硝酸盐摩尔浓度（NO?）是影响鲣属栖息地分布的最重要环境驱动因素。空间上，鲣属主要分布于东经110°–115°和北纬9°–16°之间，适宜栖息地的重心呈逐渐向西北方向偏移的趋势。这些发现强调了在建模过程中选择合适的丰度指数的重要性，为提高渔场预测和推动渔业可持续管理提供了可靠的基础。

## 引言

南海（SCS）涵盖了一片广阔的海洋区域，拥有多样的栖息地类型，包括大陆架、北部湾以及众多岛屿和礁石系统（Liu，2013；Liu等，2024）。由于其高度动态的海洋水文条件和异质性的生态结构，南海被认为是全球生物多样性最丰富的海洋区域之一（Zhang等，2025；Xu等，2021）。作为该生态系统的核心组成部分，南海支撑着大量具有重要商业价值的物种，如日本鲭（Trachurus japonicus）、竹荚鱼（Decapterus maruadsi）和大鳍鱿鱼（Sthenoteuthis oualaniensis）（Shen等，2025a；Shen等，2025b；Zhang等，2022）。因此，其远海水域构成了多个地区的主要渔场，在支撑区域经济发展方面发挥着关键作用（Fabinyi等，2022；Pauly和Liang，2020）。然而，过度捕捞和气候变化的双重压力导致近海渔业资源显著下降，恢复难度日益增加（Yuan等，2022；Peng等，2023；Tian等，2022）。在此背景下，迫切需要识别和开发南海的新兴经济物种，以补充不断减少的渔业资源。

鲣属（Auxis）是一种暖水性鲔鱼类，分布广泛，主要栖息于大西洋和印度洋的热带和亚热带海域（Alvarez-Berastegui等，2014；Mu?oz-Exposito等，2017；Ollé-Vilanova等，2022）。南海也是鲣属的重要栖息地（Zhou等，2022a；Zhou等，2022b）。以往研究表明，鲣属表现出明显的群游行为和长距离洄游模式，这有利于其商业开发（Zhou等，2022a；Zhou等，2022b；Bayon等，2026）。虽然扁舵鲣（Auxis thazard）和黑鳍鲣（Auxis rochei）被认为是两个不同的物种，但在渔业统计中，由于商业捕捞操作中的物种鉴定困难，二者通常被合并统计。例如，斯里兰卡的历史渔获记录历来未做种水平区分，而是将这两个物种合并报告（Venkatachalam等，2010）。类似地，在南海，渔民通常不区分扁舵鲣和黑鳍鲣，灯光诱集围网渔业的商业渔获通常在鲣属（Auxis）水平上记录。两个物种均被类似的渔具捕获，包括带饵流刺网、集鱼装置（FADs）和围网渔业，表明其被利用的栖息地存在大量重叠（Dang等，2026；Macusi，2025；Su等，2018）。

从生态学角度而言，尽管两个物种在栖息地利用和洄游模式方面存在差异的报告，但多项证据表明两者具有相当的生态相似性（Herath等，2025；Tawa等，2020）。在早期生命阶段，扁舵鲣和黑鳍鲣经历相似的水文条件和生态过程（Richardson，2007；Tawa等，2020）。此外，两个物种表现出相似的摄食策略，甲壳类动物、头足类和鱼类是其主要的猎物类别（Herath等，2025）。基于肌肉组织的稳定同位素分析也表明，两者的同位素生态位存在大量重叠，提示其营养级位和资源利用方式相似（Mu?oz-Lechuga等，2024）。然而，生态位重叠程度可能因区域而异。在加的斯湾报告的生态位重叠程度较小，可能源于区域环境差异（Varela等，2024）。

数据类型的选择对模型评估至关重要，在生态建模领域受到了大量关注（Martin-Garcia等，2022；Braun等，2023；Jeliazkov等，2022）。高质量数据集的收集往往伴随大量的资金成本和人力的投入，使得获得足够全面的数据变得困难。因此，研究人员常常受限于数据的可获得性，并需要相应地采用不同的建模方法（Guillera-Arroita等，2015）。最常用的数据类型包括仅存在数据、丰度数据和序数数据，每种数据类型都传达了关于物种分布的不同信息。值得注意的是，将丰度数据转化为仅存在数据或存在–缺失数据格式可能导致原始分布数据中嵌入的详细信息丢失（Guillera-Arroita等，2015；Guisan等，2007）。通常，丰度数据是进行物种分布预测分析的优选指标。然而，近期证据表明，仅存在数据本身即可满足预测物种分布的需求，在某些情况下甚至可能优于基于丰度的数据集（Gutiérrez等，2013）。

为了满足人类对海洋渔业资源的需求，识别丰度较高的区域（即渔场）长期以来一直是渔业研究的核心目标（Xie等，2025）。对于渔业物种，渔业研究者可以获取两类数据用于开展渔业研究：独立于渔业的科学调查和依赖于渔业的监测项目（Fox和Starr，1996；Booth，2000）。因此，依赖于渔业的数据集仍然是此类研究中最常用的数据来源（Ding等，2024；Xie等，2025）。然而，由于捕捞活动本质上是非随机的，传统的丰度指数，如单位努力量渔获量（CPUE），在反映种群动态时可能引入偏差，且可能无法准确代表丰度的真实空间格局（Fonteneau和Richard，2003；Bordalo-Machado，2006）。尽管如此，CPUE仍然是生态建模中应用最广泛的丰度指数，并投入了大量精力对其进行标准化以提高模型性能（Lei等，2024；Ohshimo等，2025；Atem等，2026）。尽管CPUE可以反映相对丰度，但其空间分布可能受到渔工基于经验的作业地点决策的影响，这可能限制了其作为渔业资源空间分布代理指标的代表性。相比之下，渔获量、捕捞努力量和存在–缺失数据可能从不同角度提供互补的空间信息。令人意外的是，近期研究表明，在某些条件下，CPUE并不总是预测物种空间分布的最佳丰度代理指标（Wang等，2021；Luan等，2021）。

选择最优丰度指数是渔业物种空间分布建模中的一个关键但尚未充分探索的问题（Braun等，2023；Luan等，2021；Zhang等，2018）。尽管鲣属已被公认为南海地区最具前景的小型鲔类资源之一，但在南海鲣属研究中这一空白尤为明显。迄今为止，尚无研究系统地评估过该属的替代丰度指数，或探讨其对预测渔场动态的含义。为解决这一问题，我们汇编了南海的商业渔业日志数据，构建了四种常用的丰度指数：渔获量、捕捞努力量、CPUE以及存在–缺失数据。

由于机器学习方法具有强大的预测性能，已被广泛应用于生态建模中（Rodríguez等，2024；Shi等，2025；Zhang，2026）。这些模型能够有效地捕捉响应变量与解释变量之间的复杂交互作用，且不依赖于数据类型的严格假设或分布要求（Luan等，2021；Shi等，2025）。为了确保不同数据类型之间的一致比较，我们采用单一的机器学习算法对所有四个响应变量进行建模。模型性能通过交叉验证和多种诊断指标进行评估。本研究的主要目标是确定最合适的丰度指数，并预测鲣属渔场的月度空间动态。本文提出的指数选择框架为使用不同形式的丰度数据开发可靠的预测模型提供了方法学基础，并为理解海洋物种的分布和种群动态提供了更广泛的启示。

## 渔业与环境数据

本研究中鲣属的渔业数据来自南海战略研究中心。数据集包括27艘商业渔船的日志记录，所有渔船均采用灯光诱集围网捕捞方式作业。因此，本研究中分析的鲣属渔获数据是通过一致的捕捞方法收集的。观测数据主要分布于南海公海海域（东经105°–120°，北纬7°–20°），观测期为2月至4月期间。

## 模型性能评估

针对不同的丰度数据情景，应用了不同的评估指标来衡量模型预测性能（图2）。总体而言，各模型之间表现出明显的差异。对于连续丰度指数，MAE（平均绝对误差）和RMSE（均方根误差）从渔获量到CPUE再到捕捞努力量逐步降低，同时捕捞努力量获得了最高的R2值。这些结果表明，在预测准确性方面，捕捞努力量优于渔获量和CPUE。对于分类模型（存在/缺失），AUC值……

## 不同丰度指数对模型的影响

物种分布模型不确定性的增加及其广泛应用，强调了改善模型评估框架的需求（Luan等，2021）。在商业渔业中，一个关键但往往被忽视的问题是选择合适的丰度指数来预测渔场动态。因此，本研究关注响应变量的选择如何影响栖息地预测。考虑了四种常用的丰度指数：存在–缺失、……

## CRediT作者贡献声明

方兴楠：撰写—原稿、方法学、形式化分析、概念化。郭志鹏：可视化、软件、方法学。李佳均：撰写—审阅与编辑、软件。范江涛：验证、监督、调查。陈左智：撰写—审阅与编辑、经费获取、数据管理。

## 利益冲突声明

作者声明，他们不存在任何可能被认为影响本文所报告工作的已知竞争性经济利益或个人关系。

## 致谢

本研究获得了国家重点研发计划（编号：2024YFD2400500）、中华人民共和国农业农村部资金项目（NHZX2024）以及中央级公益性科研院所基本科研业务费专项资金（中国水产科学研究院，编号：2023TD05）的资助。

## 作者贡献

方兴楠和陈左智构思了本研究。方兴楠、郭志鹏、李佳均和范江涛设计了研究方法，提供了用于分析研究数据的软件。方兴楠撰写了……

方兴楠|郭志鹏|李佳均|范江涛|陈左智