用于预测商业章鱼(Octopus vulgaris Cuvier, 1797)捕捞量的单变量方法:对传统时间序列模型、机器学习算法和深度学习算法的全面分析

《Fisheries Research》:Univariate approaches for forecasting of commercial octopus ( Octopus vulgaris Cuvier, 1797) landings: A comprehensive analysis of traditional time series models, machine learning algorithms and a deep learning algorithm

【字体: 大 中 小 】 时间:2025年12月10日 来源:Fisheries Research 2.3

编辑推荐:

  本研究通过整合传统统计模型(ARIMA、ETS)、机器学习算法(NNAR、MLP、ELM)和深度学习架构(LSTM),分析了西班牙安达卢西亚地区加的斯湾和大 Boot Sea的常见章鱼渔业数据。结果显示,传统模型和机器学习模型在不同区域表现出色,而LSTM在稳定季节性的区域效果更佳。集成方法可提高预测精度,支持渔业可持续发展。

  
### 加的斯湾与阿尔博兰海秋刀鱼渔业动态预测的综合模型研究解读

#### 研究背景与意义
秋刀鱼(*Octopus vulgaris*)是西班牙安达卢西亚地区重要的经济渔业资源,其渔业产量占该地区海洋捕捞总量的57%。然而,秋刀鱼作为短生命周期(约1-2年)且对环境影响高度敏感的物种,其渔业管理面临显著挑战:
1. **资源波动性**:受海洋环流(如直布罗陀海峡的水文交换)、气候变化(如水温与降水)及渔业政策调整影响,秋刀鱼资源呈现周期性波动(如6-7年周期)。
2. **预测需求**:渔业管理需依赖精准的短期(1年)和长期(2年)产量预测,以制定配额分配、禁渔期优化及市场调控策略。
3. **方法局限性**:传统时间序列模型(如ARIMA、ETS)难以捕捉非线性关系,而单一机器学习模型(如NNAR、MLP)可能忽略多因素交互作用。

#### 研究方法
本研究采用**多模型集成框架**,整合传统统计模型、机器学习算法与深度学习模型,对比分析不同海域的预测性能:
1. **数据来源**:西班牙渔业信息管理系统(IDAPES)提供的2000-2022年月度捕捞数据,涵盖加的斯湾(大西洋侧)与阿尔博兰海(地中海侧)。
2. **模型类型**:
- **传统模型**:ARIMA(自回归积分滑动平均模型)与ETS(指数平滑法),通过自动参数优化(如AICc准则)适配季节性数据。
- **机器学习模型**:
- **NNAR**(神经网络自回归模型):利用滞后变量(如24个月窗口)捕捉非线性模式。
- **MLP**(多层感知机):通过隐藏层(4-6层)学习复杂非线性关系。
- **ELM**(极端学习机):以随机初始化权重快速训练,适用于短期预测。
- **深度学习模型**:LSTM(长短期记忆网络),通过门控机制捕捉长期依赖性。
3. **验证策略**:
- **时间划分**:2022年数据保留为外部验证集(EV),其余数据用于模型训练。
- **评价指标**:MAE(平均绝对误差)、RMSE(均方根误差)、R2(决定系数)、KGE(Kling-Gupta效率指数)及PI(持续性指数)综合评估模型性能。

#### 关键发现
1. **海域差异与周期性**:
- **加的斯湾**:土地ings年际增长显著(6.2吨/年),存在6年周期的高波动期(如2004-2005、2011-2012),季节性强度中等(0.4)。
- **阿尔博兰海**:年际增长较缓(1.2吨/年),但季节性强度更强(0.7),且呈现7年周期的高波动期(如2005-2007、2018-2020)。

2. **模型性能对比**:
- **传统模型**:
- ARIMA(1,0,0)(0,1,1)在加的斯湾表现最佳(MAE=34.2吨,R2=0.8),通过季节移动平均(MA)捕捉周期性。
- ETS模型在阿尔博兰海更优(MAE=14.8吨,PI=0.8),因高季节性(0.7)适合其指数平滑机制。
- **机器学习模型**:
- **NNAR**(3,2,4)在阿尔博兰海表现最佳(MAE=10.7吨,R2=0.9),因该海域动态较简单,线性滞后模型(3个月非季节滞后+2个月季节滞后)有效。
- **MLP**(1-2-3,12,5)在加的斯湾优势明显(MAE=37.9吨,KGE=0.6),其多隐藏层结构可捕捉环境因子(如河流径流量、水温)的非线性影响。
- **ELM**(1-2-3-4,12-24,4)因快速训练与高鲁棒性,在加的斯湾的预测误差(MAE=41.8吨)低于NNAR,但在阿尔博兰海表现略逊。

3. **深度学习(LSTM)表现**:
- **加的斯湾**:受脉冲式波动影响,LSTM(1-2,12-24,64)的预测存在30%的滞后(PI=0.7),MAE=49.9吨,较传统模型误差略高。
- **阿尔博兰海**:因季节性稳定(PI=0.7),LSTM(1-2,12-24,64)表现最佳(MAE=14.3吨,R2=0.9),与NNAR、ARIMA误差相近。

4. **综合预测**:
- **加的斯湾**:ARIMA与ELM预测一致,显示11月-次年1月为高峰期,6-8月次高峰,随后下降。MLP预测持续增长,反映环境因子(如河流输入、降水)的长期正反馈。
- **阿尔博兰海**:所有模型均预测6月为峰值,12月后下降,与当地海洋环流(如西部与东部副热带涡旋)及禁渔期(保护繁殖期)匹配。

#### 讨论
1. **模型适用性**:
- **传统模型**:在加的斯湾(动态复杂)表现稳定,因ARIMA可捕捉线性趋势与季节性;在阿尔博兰海(动态简单)效率更高。
- **机器学习模型**:MLP在加的斯湾因非线性拟合优,NNAR在阿尔博兰海因低动态复杂性更优。ELM因训练速度快,适合资源受限场景。
- **深度学习**:LSTM在阿尔博兰海因稳定周期表现突出,但加的斯湾脉冲式波动需结合外部因子(如水温)提升效果。

2. **管理启示**:
- **动态调整配额**:加的斯湾需关注6年周期波动,采用弹性配额(如2012年高峰后减少)。
- **环境因子整合**:阿尔博兰海可结合海表温度指数优化禁渔期,而加的斯湾需纳入河流径流量数据。
- **模型集成策略**:建议采用“传统模型+机器学习”的混合框架(如ARIMA+MLP),兼顾可解释性与预测精度。

#### 局限与未来方向
1. **局限性**:
- 单一变量分析忽略多因子交互(如渔业努力量、环境压力)。
- LSTM对加的斯湾脉冲波动响应不足,需引入外部驱动因子(如海洋涡旋数据)。

2. **改进方向**:
- **多变量集成**:将水温、营养盐浓度、捕捞努力量等纳入模型输入。
- **动态模型选择**:根据海域波动特征自动切换模型(如脉冲期用ELM,周期期用LSTM)。
- **长期验证**:扩展外部验证至多年度(如滚动时间窗交叉验证)。

#### 结论
本研究证实:
- **加的斯湾**:机器学习模型(MLP、ELM)结合传统模型(ARIMA)的集成预测,可平衡非线性拟合与可解释性。
- **阿尔博兰海**:NNAR与LSTM的协同使用更优,因季节性稳定且波动较小。
- **综合方法论**:模型选择需匹配海域动态特性(复杂波动选机器学习,稳定周期选传统模型),并考虑计算资源(深度学习需GPU支持,传统模型轻量化)。

该研究为西班牙及地中海沿岸渔业管理提供了可扩展的预测工具,后续工作可探索多区域协同预测与实时动态调整系统。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号