将数字孪生技术与深度强化学习相结合，以实现可持续的海洋渔业资源管理

《Scientific Reports》：Integrating digital twin technology with deep reinforcement learning for sustainable marine fishery resource management

　　

摘要

海洋渔业生态系统正面临过度捕捞和气候变化带来的前所未有的压力，这些日益严重的威胁需要超越传统静态配额系统的管理工具。本文提出了一种集成框架，将数字孪生（DT）技术与深度强化学习（DRL）相结合，以解决可持续渔业资源管理问题。我们构建了一个五层层次结构，其中心是一个高保真的数字孪生模型，该模型通过明确的状态转换和观测方程来反映渔业动态，而不是使用抽象的占位符。在一个模拟环境中，近端策略优化（PPO）代理接收多维状态输入——资源存量、海洋条件、船队运营信息——并优化一个综合奖励函数，其权重分别为\({\omega }_{1}=0.3\)（经济因素）、\({\omega }_{2}=0.3\)（生态因素）和\({\omega }_{3}=0.4\)（可持续性因素）。我们使用2010年至2023年的东海渔业数据进行了对比实验和消融研究。消融研究通过比较有无数字孪生整合的情况，证实仅数字孪生技术本身就能带来31.9%的奖励提升。总体而言，我们的方法实现了0.83的资源恢复指数（RRI），比传统的最大可持续产量管理方法高出97.6%，比标准深度Q网络高出36.1%。从学习到的策略生成的空间热图和时间努力控制时间序列显示了符合生态学原理的季节性和空间性捕捞模式。这项研究为智能渔业治理建立了一种虚拟与现实融合的范式，并为环境变化加速的时代提供了应对可持续性挑战的决策支持工具。