《Aquaculture, Fish and Fisheries》：Innovative Approaches to Modelling and Forecasting in Fisheries: A Critical Review
编辑推荐：
本综述系统评述了2000-2023年间渔业建模与预测的创新方法，涵盖种群动态模型（SPM）、生态系统模型（如EwE、Atlantis）、统计与时间序列模型（如ARIMA、SARIMA）、机器学习模型（如随机森林、神经网络、深度学习）及生物经济模型等。文章对比了各类模型的描述、应用、优势与局限，指出混合模型结合实时数据与人工智能是未来提升预测准确性、应对环境多变性的关键，并强调跨学科合作与政策整合对实现渔业可持续发展的重要性。
渔业建模与预测的创新方法：一项批判性回顾
摘要
渔业是全球粮食安全和经济稳定的基石。面对日益增长的环境多变性、人为压力和复杂的生态动态，渔业管理对稳健的预测工具需求迫切。本综述系统性地审视了渔业中的创新建模与预测方法，重点分析了它们的描述、应用、优势与局限性，并基于定量和定性评估标准比较其性能。
1 引言
渔业为数百万人提供主要蛋白质来源，并维持着全球沿海社区的生计。根据联合国粮农组织报告，2018年全球渔业和水产养殖总产量超过1.79亿吨，亚洲贡献了约60%的产量。可持续渔业管理在很大程度上依赖于对鱼类种群和生态系统动态的准确预测。有效的预测工具使政策制定者和利益相关者能够平衡人类消费与保护目标，有助于防止过度捕捞、促进种群恢复和维护生态系统健康。气候变化加剧了海洋环境的变异性和不确定性，使得精准预测变得更加重要。
历史上，渔业预测从基本的观测方法发展到先进的计算和统计技术。传统的模型，如剩余产量模型和年龄结构模型，在数据有限且系统稳定的情况下仍然有价值。然而，它们往往难以捕捉复杂的生态系统相互作用和环境压力的影响。为了应对这些局限性，出现了机器学习模型和生态系统模型等先进技术。机器学习模型利用大型数据集和复杂算法来检测复杂模式并提高预测准确性，特别是在物种分布和环境影响评估方面。生态系统模型通过纳入物种相互作用和环境因素，进一步拓宽了范围，促进了整体管理策略。
尽管取得了这些进展，每种建模方法都存在与数据可用性、计算需求和验证相关的固有挑战。此外，将社会经济变量纳入预测仍然是一个不断发展的领域。
2 材料与方法
本综述通过系统文献回顾进行，检索了ScienceDirect、SpringerLink、Wiley Online Library和Google Scholar等数据库，时间跨度为2000年至2023年。关键搜索词包括种群动态模型、生态系统模型、统计与时间序列模型、机器学习模型、生物经济模型、模拟模型、空间和栖息地模型以及其他新兴方法。筛选过程遵循PRISMA框架，确保系统性地收集、筛选和纳入相关研究。仅考虑同行评议的研究、综述论文和相关会议论文集，而非同行评议的文章、灰色文献和非英文出版物被排除。提取的数据使用定性和定量方法进行综合分析，以评估模型的性能指标（如R2、RMSE、MAPE、AIC/BIC）和定性标准（如数据需求、计算复杂性、可解释性）。
3 渔业建模与预测的历史
渔业建模与预测的历史从19世纪和20世纪初简单的种群动态模型开始，例如H. S. Fish和Raymond Pearl的工作。20世纪中期，出现了更复杂的模型，如Schaefer的剩余产量模型和Beverton-Holt模型，这些早期努力侧重于理解鱼类种群的增长和波动。20世纪后期，计算机模型的出现使得复杂的模拟和基于生态系统的管理方法成为可能。卫星技术和统计方法的进步进一步改进了这些模型。如今，渔业建模和预测利用机器学习、大数据和生态系统模型，为可持续管理和政策制定提供全面的见解。这一历史进程说明了从相对简单、数据高效的模型向更复杂、数据和计算密集的方法的明显转变，这些方法旨在更真实地反映生态和人类系统。
4 渔业中选定的预测模型概述
预测模型在渔业科学中扮演着至关重要的角色，使研究人员和实践者能够基于历史数据和环境变量预测未来的鱼类种群水平、捕获率和种群动态。这些模型范围从简单的线性方法到复杂的计算技术，各有其优缺点。实践中，没有单一模型是普遍最优的；其性能取决于数据可用性、生态复杂性、管理目标和感兴趣的时间范围。
种群动态模型，如剩余产量模型和年龄结构模型，是资源评估的基础，特别适用于数据有限的情况，但可能过于简化生物过程。生态系统模型，如Ecopath with Ecosim和Atlantis，通过模拟营养相互作用提供了整体框架，但需要大量数据和计算资源。统计和时间序列模型，如ARIMA和SARIMA，能有效捕捉趋势，但对线性和平稳性的假设可能限制其在复杂系统中的应用。机器学习方法，包括随机森林、神经网络和深度学习，通过模拟大型数据集中的非线性关系来提高预测准确性，但需要大量的计算能力和高质量数据。生物经济模型整合生态和经济因素，支持可持续和有利可图的管理决策。模拟模型（如基于主体的模型和蒙特卡洛模拟）以及空间和栖息地模型提供了对渔业动态和栖息地的详细见解，但同样对数据和计算有较高要求。
5 渔业预测的当前挑战与未来潜力
5.1 当前挑战
渔业建模和预测面临的主要挑战源于水生生态系统的复杂动态性以及众多影响因素。生物和环境的不确定性，如温度、盐度、栖息地条件和人类活动的波动，使预测变得复杂。数据限制是另一个关键障碍，渔业往往依赖不完整或不精确的数据集，特别是在缺乏监测基础设施的非商业物种和地区。尽管人工智能和机器学习在数据分析和模式识别方面有所改进，但在数据质量、模型验证和可解释性方面仍存在挑战。
基于生态系统的模型提供了考虑营养相互作用和多物种动态的整体框架，但其复杂性、数据密集性和计算需求限制了可扩展性和广泛应用。准确建模需要广泛的跨学科合作和区域校准。此外，气候变化引起的不可预测的海洋变化进一步使预测工作复杂化。机器学习方法已被用于模拟气候对渔业的影响，但在捕捉长期趋势方面存在局限性。
平衡生态可持续性与经济和社会目标仍然是一个持续的挑战。生物经济模型整合了生物和经济因素以优化渔业管理，但它们严重依赖于准确和全面的数据集。社会经济影响，如法规、市场动态和技术进步，必须被纳入模型以增强其相关性和政策一致性。
5.2 未来范围与潜力
渔业预测的未来充满希望，其驱动力来自大数据分析、机器学习和实时环境监测技术的快速进步。新兴工具，如卫星遥感、无人机和自主水下航行器，能够收集大量高分辨率数据，从而提高模型的精确度和适应性管理能力。基因组学和环境DNA的整合将进一步革新物种监测和生态系统健康评估。
基于生态系统和机器学习的模型将通过动态整合环境、生物和社会经济数据，日益支持整体的、多物种管理。实时数据集成和人工智能驱动的分析将改善预测能力和决策支持。在这种情况下，结合传统统计、机理和人工智能模型优势的混合和集成方法尤其具有前景，因为它们可以利用互补的信息源，同时减轻任何单一建模范式的弱点。此外，基于这些模型的用户友好型决策支持系统将赋予渔业管理者有效评估管理情景的能力。
气候变化适应模型，包括SARIMA和耦合海洋-大气方法，对于预测鱼类种群对不断变化的海洋条件的响应以及减轻气候相关的不确定性至关重要。社会经济建模将成为可持续渔业不可或缺的一部分，确保在生态保护的同时实现经济可行性。更广泛的国际合作和开源数据共享平台将有助于改善洄游和跨界物种的预测。
6 本研究的局限性
本综述有几个局限性。它仅关注与渔业相关的建模和预测，排除了更广泛的跨学科应用。只纳入了同行评议的英文研究，忽略了灰色文献和非英文来源。数据来源、规模和方法学假设的巨大差异限制了研究间的直接比较，定量性能指标报告的不一致阻碍了标准化评估。最后，篇幅限制限制了对所有模型进行详细技术描述的空间。这些局限性强调了未来需要进行更聚焦的、针对特定模型的评估和元分析研究。
7 结论与未来启示
本综述强调了渔业中使用的各种预测模型，每种模型都具有独特的优势并面临特定的局限性。传统的种群动态模型仍然是资源评估的基础，特别是在数据有限的背景下，尽管它们可能过于简化生物和环境复杂性。生态系统模型通过模拟食物网相互作用提供了全面的框架，但需要大量的数据和计算资源。统计时间序列模型能有效捕捉趋势，但其依赖的假设可能限制其在复杂系统中的应用。机器学习方法通过模拟大型数据集中的非线性关系来提高预测准确性，尽管它们需要大量的计算能力和高质量数据。生物经济模型整合生态和经济考虑，以支持可持续和盈利的管理，而模拟和空间模型则提供了对渔业动态和栖息地的详细见解，尽管对数据和计算有显著要求。
展望未来，结合传统、基于生态系统和人工智能技术的混合模型，以及实时环境和社会经济数据，显示出提高预测可靠性和响应能力的巨大潜力。技术进步、跨学科合作以及开发易于使用的决策支持工具，对于应对气候变化、过度捕捞和不断演变的社会经济压力等挑战至关重要，最终在快速变化的世界中促进适应性和可持续的渔业管理。未来的研究应旨在通过采用标准化的性能报告、扩大社会经济整合以及进行特定区域的验证研究来解决当前的差距，从而加强预测工具的实际适用性。
