模型在新场地条件下的适用性：比较不同开发模式下的资源量预测结果

无捕捞海洋保护区（NTMR）数据可提升渔业物种丰度预测模型跨站点转移能力，但效果因物种和环境动态而异。研究显示，仅用NTMR或捕捞数据训练的模型在转移至相反类型站点时表现更优，混合数据模型效果最差。物种特异性及生态相互作用影响模型性能，需针对性优化渔业管理策略。

　　

Leigha R. Aitken | Neville S. Barrett | Christopher J. Brown

塔斯马尼亚大学海洋与南极研究学院，塔鲁纳，塔斯马尼亚7053，澳大利亚

摘要

模型越来越多地被用于通过将生态理论转化为定量预测来支持渔业管理。然而，渔业物种的预测往往受到来自未捕捞参考条件的有限数据的限制。禁止捕捞的海洋保护区（NTMRs）可以提供关于未捕捞种群动态的见解，从而可能提高模型的预测性能。本研究探讨了纳入NTMR数据是否能够提高八年期间年度丰度预测的准确性。我们比较了基于NTMR站点、捕捞站点或两者混合数据的的一阶自回归模型的预测性能。然后，我们使用来自玛丽亚岛（塔斯马尼亚）NTMR及其附近对照站点的23年时间序列丰度数据来测试这些模型的预测能力。我们发现，当模型被应用于与其训练数据类型相反的站点时，无论是捕捞站点还是NTMR站点的模型，其预测性能都会下降。模型可转移性因物种而异：对于一种可持续捕捞的物种，NTMR模型在捕捞站点的预测误差减少了约10％；而对于其他物种，捕捞模型在NTMR站点的预测误差分别减少了约4％和56％。此外，我们发现基于混合站点类型训练的模型表现始终较差。这些发现强调了考虑特定站点和物种动态的重要性。虽然NTMR数据为了解未捕捞状况提供了宝贵的信息，但仍需要进一步的工作来创建能够适应各种开发模式的模型。

引言

生态预测——即对未来生态系统状态的预测——正成为解决知识空白、指导研究重点以及有效管理和保护海洋系统的重要工具（Lewis等人，2022年）。生态预测领域的最新发展强调了几天到几年时间范围内的预测，通常称为“短期预测”（Ward等人，2014年）。在这个时间尺度上，使用样本外数据来测试预测质量是可行的（Tashman，2000年）。使用独立数据测试模型有助于提高模型在新情境下的泛化能力（Luo等人，2011年），这在预测文献中通常被称为模型的“可转移性”（Yates等人，2018年）。在样本外数据上验证预测特别有用，因为它将生态理论转化为定量测试，从而能够改进模型，增强科学严谨性，并揭示生态过程的空间和时间普遍性及局限性（Dietze等人，2018年；Lewis等人，2022年）。

短期预测在环境管理中的一个主要应用是渔业管理（Patterson等人，2001年）。例如，鱼类资源量的预测可用于了解在不同管理措施下过度捕捞种群的恢复轨迹（Costello等人，2016年）。还需要预测资源量来计算最大可持续产量等参考点，并评估过度捕捞的风险以设定捕捞配额（Patterson等人，2001年）。对于这些渔业应用来说，模型能够很好地泛化到新情境至关重要；渔业模型往往需要准确预测动物密度，而这些密度可能缺乏用于训练模型的数据（Farmer和Froeschke，2015年；Szuwalski和Thorson，2017年）。例如，历史丰度时间序列通常从渔业开始后才有记录，因此没有未捕捞种群动态的数据来训练模型（Schijns和Pauly，2022年）。因此，渔业模型对未捕捞资源量做出了假设，但这些假设可能对捕捞能力和基线变化敏感（Pinnegar和Engelhard，2007年）。

解决未捕捞种群动态数据缺失问题的一种方法是使用“禁止捕捞”的海洋保护区（NTMRs）的数据（Coll等人，2013年；McClanahan和Azali，2020年；Nessia等人，2024年）。NTMRs的种群规模数据可以提供未捕捞丰度的估计，特别是对于那些对空间保护有强烈正面反应的定居物种（例如Schroeter等人，2001年）。由于NTMRs内部禁止所有形式的捕捞活动，它们还可以提供时间序列数据，从而区分捕捞和环境因素对渔业物种丰度的影响（Hanns等人，2022年），前提是这些保护区具有足够的年龄，并且得到了有效的设计、监测和执行（Edgar等人，2014年）。来自多个站点的NTMR数据也可以整合到模型中，用于缺乏大规模渔业调查的渔业评估（例如Coll等人，2013年；McClanahan和Azali，2020年）。站点规模的数据也可以是综合资源评估中使用的多个生物量指标之一（例如Fox等人，2022年）。使用NTMR数据可以改善渔业管理的成果，管理策略评估发现NTMR数据可以降低资源量崩溃的风险并增加捕获量（Wilson等人，2010年；Wilson等人，2014年）。另一种评估NTMR数据在渔业应用中用途的方法是将问题视为模型对新丰度动态的可转移性：我们会询问基于NTMR数据训练的模型是否比未使用NTMR数据训练的模型做出更准确的预测。需要使用样本外数据来测试模型，因为这可以揭示模型的改进之处以及数据整合的效果（Lewis等人，2022年），同时还可以为校准风险措施提供定量依据（Kell等人，2024年）。通过按代表不同环境条件的站点或时间划分训练和测试数据子集，可以评估模型在新条件下的可转移性（Dumandan等人，2024a；Brown等人，2025年）。

在这里，我们探讨了使用NTMR的时间序列数据是否比仅使用捕捞地点的时间序列数据训练的模型更能准确预测1-7年内的渔业物种丰度。我们使用玛丽亚岛NTMR的数据来测试我们的方法，因为该保护区自1991年建立以来每年都进行了监测，为多种物种提供了长期的时间序列丰度数据（Edgar和Barrett，2012年）。该数据集包括12个重复站点的时间序列，其中6个位于NTMR内，6个作为NTMR的对照站点。我们在之前研究的基础上进一步测试了模型在不同地点之间的可转移性（Dumandan等人，2024年），并使用空间重复数据来比较仅基于未受保护的捕捞站点数据、NTMR站点数据或两者混合数据训练的模型。

我们提出了以下假设：

• (1)
  基于混合站点类型数据训练的模型对其所有站点的短期总鱼类丰度预测的准确性会更高，因为模型接触到更广泛的丰度范围可以降低系统性低估（仅来自捕捞站点）或高估（仅来自NTMR站点）的风险。
• (2)
  对于定居或与特定站点相关的物种，整合NTMR数据将带来最大的益处，因为在低种群密度下有限的迁徙会增加保护区数据的可靠性（Díaz等人，2016年）。
• (3)
  生态相互作用较弱的物种（例如捕食者-猎物动态）可能从NTMR数据整合中受益最大，因为它们的种群动态较少受到生物因素的干扰，反而可能反映环境变化和补充限制（Barrett，1999年）。
我们使用一阶自回归（AR(1)）模型来说明我们的方法，这是一种简单的种群模型（在数学上等同于Gompertz种群模型（Mutshinda等人，2023年）。Gompertz模型包含一个与密度相关的增长率，使其成为完整渔业资源模型的前身（这些模型还包括鱼类捕获量），也是我们验证方法的合适案例。特别是，当Gompertz模型和渔业资源模型应用于缺乏基线数据的捕捞种群时间序列时，会面临类似的问题：如果数据没有覆盖从低密度到高密度的范围，种群增长率（r）和环境容量（K）参数就难以准确估计（Thorson等人，2013年；Szuwalski和Thorson，2017年）。例如，如果时间序列涵盖了开发和恢复期，那么渔业种群模型的参数可以更精确地估计（Szuwalski和Thorson，2017年）。因此，使用接近K的NTMR数据和r主导动态的捕捞区域的数据来训练模型，应该有利于模型的可转移性。

研究系统、采样方法和数据

玛丽亚岛NTMR（南纬42°33.687’，东经148°3.864’）最初于1991年设立，旨在保护塔斯马尼亚东海岸发现的代表性海洋栖息地（例如避风海湾和开阔海岸），并提供了涵盖渔业恢复后时期的长期时间序列数据。该海洋保护区从岛屿西北海岸的Boullanger角延伸到Return Point，覆盖了约7公里的温带岩礁生态系统。

模型比较

PC1和PC2一年时间滞后模型对J. edwardsii（7725）、H. rubra（18760）和L. forsteri（7658）的WAIC最低（表2），而结合PC1和PC2环境协变量的模型对P. chabrus（5047）和N. fucicola（25056）的WAIC最低（表2；详见附录B中的模型摘要输出）。为了直接比较不同物种，PC1和PC2一年时间滞后被用作进一步模拟测试的环境协变量。

讨论

当预测应用于训练数据中未包含的条件时，其准确性预计会降低（Dumandan等人，2024a；Luan等人，2024年；Sequeira等人，2018年）。例如，对啮齿动物丰度的交叉验证发现，基于排除优势物种的数据训练的模型在转移到包含优势物种的地点进行预测时表现较差（Dumandan等人，2024年）。我们的研究建立在之前的研究基础上

结论

本研究强调了为不同站点类型的渔业物种开发可转移丰度预测的挑战。当模型应用于新站点条件时，预测性能的下降突显了训练和测试数据集之间生态一致性的重要性。这些发现表明，需要开发能够更好地捕捉物种相互作用和补充限制复杂动态的预测方法，以使预测更加稳健

CRediT作者贡献声明

Leigha R Aitken：撰写——审阅与编辑、撰写——初稿、可视化、项目管理、方法论、调查、正式分析、数据管理、概念化。

Neville S Barrett：撰写——审阅与编辑、资源提供。

Christopher J Brown：撰写——审阅与编辑、撰写——初稿、监督、资源提供、方法论、调查、正式分析、概念化。

写作过程中生成式AI和AI辅助技术的声明

使用Github Copilot辅助R语言编码。所有代码都经过了审查和验证，以确保其准确性，作者对其准确性负责。

资金声明

CJB获得了澳大利亚研究委员会（Australian Research Council）提供的Future Fellowship（FT210100792）的支持。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

我们感谢Australian Temperate Reef Collaboration/Reef Life Survey提供的数据。CJB获得了澳大利亚研究委员会（Australian Research Council）提供的Future Fellowship（FT210100792）的支持。国家海洋参考站数据集由CSIRO及其多位工作人员从1944年到2008年期间收集，包括参与CSIRO沿海监测计划的现场和实验室工作人员（Val Latham，1991–2000年的Hydrological analyses，Integrated Marine Observing System (IMOS)）