基于回声状态网络的数据稀缺渔业捕捞量边缘端监测与缺失填补方法——以哥伦比亚加勒比浅水虾拖网渔业为例

《Applied Sciences》：Edge-Optimized Reservoir Computing for Forecasting Complex Ecological Systems: Predicting Fishery Collapse with Incomplete Data

　　

特色应用

本研究提出了可部署于边缘端的回声状态网络（Echo State Network, ESN）预报工具，以及一种双向缺失填补方法，作为构建完整捕捞基线以及在数据稀缺渔业中进行低成本、一步向前捕捞监测的探索性工具。由于本分析仅使用已报告的捕捞量，未纳入捕捞努力量数据，因此其输出仅为描述性监测辅助信息，本身不足以作为休渔或配额等监管措施的依据，后者需要种群评估和捕捞努力量信息。

摘要

在数据稀缺渔业中监测捕捞量受到序列短、噪声大及多年份报告缺失的阻碍。本文以哥伦比亚加勒比海域浅水虾工业拖网渔业的月度捕捞量（1993–2023年）为研究对象，在填补缺失后的序列上，使用相同的调参预算和滚动前向验证（72个起点）在嵌入式NVIDIA Jetson Orin Nano平台上，对回声状态网络（ESN）与SARIMA、LightGBM、LSTM模型以及简单持续性预测和季节性持续性预测进行基准比较。ESN取得了最低误差（平均绝对误差MAE = 1.33吨，均方根误差RMSE = 1.82吨），比同一窗口上的简单持续性预测（分别为1.85吨和2.77吨）低28%和34%；Diebold–Mariano检验表明ESN优于所有其他模型，其优势主要体现在2021–2023年的测试年份，而LightGBM为强劲的竞争者。ESN每个起点的拟合加预测耗时337毫秒，推理阶段每个样本仅需0.08毫秒。双向ESN插补了108个未监测月份；在盲填缺失测试中，其准确性不优于线性插值或卡尔曼插值，且校准区间较宽。由于本分析仅涵盖捕捞量而非捕捞努力量，因此无法将2013年后的捕捞量下降与渔fleet收缩区分开来。