《Frontiers in Marine Science》:Modelling forage fish species distribution in the Canadian Salish Sea
编辑推荐:
饵料鱼(forage fish)是指小型集群性鱼类,在海洋生态系统中发挥关键作用,是海鸟、海洋哺乳动物以及鲑鱼等具有重要商业价值物种的主要食物来源。尽管饵料鱼具有重要生态意义,但其在加拿大萨利奇海(Canadian Salish Sea)的分布研究仍然不足。深
饵料鱼(forage fish)是指小型集群性鱼类,在海洋生态系统中发挥关键作用,是海鸟、海洋哺乳动物以及鲑鱼等具有重要商业价值物种的主要食物来源。尽管饵料鱼具有重要生态意义,但其在加拿大萨利奇海(Canadian Salish Sea)的分布研究仍然不足。深入认识其栖息地利用和种群动态对于有效的保护和管理至关重要。在本研究中,研究人员开发了一种预测性地理空间模型,用于识别和绘制加拿大萨利奇海饵料鱼物种“热点”区域。该模型基于加拿大渔业与海洋部(Fisheries and Oceans Canada)幼年太平洋鲑鱼调查数据,涵盖2000年至2023年期间的2,629条观测记录,涉及六种常见饵料鱼物种。通过与当地专家小组的研讨,确定了18个可能影响饵料鱼物种分布的环境变量。饵料鱼出现概率采用堆叠集成方法进行估计,该方法结合了神经网络(Neural Network)、广义线性混合效应模型(Generalized Linear Mixed Effects, GLMM)和XGBoost模型。该堆叠集成在3折交叉验证中平均AUC达到0.73,表明其具有较强的整体区分出现与不出现的能力。预测出现准确率达98%(精确率),模型成功检测到72%的真实出现(召回率)。风驱动表层流速(Wind-driven surface current speeds)、溶解有机氮(Dissolved Organic Nitrogen, DON)和中型浮游动物生物量(mesozooplankton biomass)被确定为最重要的预测变量。研究生成并审议了饵料鱼热点的预测图,为六种物种的空间分布提供了深入认识。热点区域识别于弗雷泽河三角洲(Fraser River delta)附近、温哥华岛南部沿岸以及海湾群岛(Gulf Islands)全域。总体而言,较高概率与峡湾相关联,如德索莱申湾(Desolation Sound)。最低的出现概率与乔治亚海峡中部(central Strait of Georgia)的深水区域相关。
该研究发表于《Frontiers in Marine Science》,旨在解决加拿大萨利奇海饵料鱼类分布认知不足的问题。饵料鱼作为连接低营养级与高营养级的关键纽带,其种群动态直接影响海洋食物网的稳定性。然而,此前研究多集中于太平洋鲱鱼(Pacific Herring),其他饵料鱼物种的空间分布信息严重匮乏。此外,萨利奇海作为复杂的峡湾型河口生态系统,受强潮汐混合、季节性上升流及弗雷泽河淡水输入等多重海洋学过程驱动,环境条件时空异质性显著,为物种分布建模带来独特挑战。单一模型难以捕捉非线性、多尺度交互的生态响应,而集成学习策略有望整合多种算法优势、降低模型偏差。
研究人员采用基于堆集成的物种分布建模框架,整合神经网络、空间广义线性混合模型(GLMM)和XGBoost三种方法,识别萨利奇海常见饵料鱼类的远洋热点区域。模型验证采用3折空间交叉验证,以AUC、精确率、召回率、TSS、Tjur's R
2和Kappa系数等指标综合评估。
技术方法方面,研究数据来源为加拿大渔业与海洋部幼年太平洋鲑鱼调查计划的表层中层拖网数据(2000—2023年),采样季节限于秋季(9—10月),覆盖乔治亚海峡及其关联水域。环境变量共18项,经专家研讨和文献回顾确定,涵盖物理海洋学(表层流速、潮流速、盐度、海表温度)、生物生产力(叶绿素-a、荧光线高度、硅藻/鞭毛虫/微型浮游动物/中型浮游动物生物量)、营养盐(溶解有机氮、颗粒有机氮、硝酸盐)及地形地貌(水深、坡度、粗糙度、坡向、总悬浮物、距栖息地距离)四大类,数据源包括NOAA、NASA MODIS、加拿大水文服务局、哥白尼海洋环境监测服务、维多利亚大学光谱实验室、SalishSeaCast高分辨率耦合物理-生物地球化学海洋环流模型及Ducks Unlimited Canada数据仓库。协变量筛选采用LASSO/Ridge正则化、随机森林和XGBoost变量重要性分析、t-SNE可视化降维及偏依赖图诊断,最终保留表层流速、溶解有机氮和中型浮游动物生物量三个关键预测因子。空间交叉验证采用blockCV包生成约20 km空间块,避免空间自相关导致的性能高估。五种候选模型类别包括空间GLMM(sdmTMB包SPDE框架)、随机森林(ranger包)、XGBoost、神经网络(单隐藏层3节点、最大迭代200次、权重衰减0.01)和支持向量机(径向基核函数),经12组候选公式组合形成60个模型-公式组合,按AUC均值排序筛选。集成策略比较简单平均、加权平均(权重比例于AUC)、硬投票(Youden's J阈值二值化后多数表决)和堆叠(logistic回归元模型)四种方法。
研究结果部分:
**探索性空间和时间模式**:DFO幼年太平洋鲑鱼调查提供了加拿大萨利奇海的广泛空间覆盖,拖网观测分布于近岸区域、峡湾系统及乔治亚海峡深水区。饵料鱼出现记录相对于不出现记录占比较小,反映了调查以鲑鱼为目标、饵料鱼为偶然捕获的设计特点。出现观测在2000—2023年间分布不均,年际变异显著,模型应解读为9—10月出现模式而非全年分布。
**变量选择与特征洞察**:随机森林和XGBoost变量重要性分析识别出部分重叠的影响预测因子。随机森林中表层流速和溶解有机氮排名最高,其次为盐度和中型浮游动物;XGBoost中溶解有机氮排名第一,总悬浮物、海表温度和表层流速亦排名较高。偏依赖图显示溶解有机氮、表层流速和中型浮游动物生物量与饵料鱼出现呈非线性关系,存在阈值效应而非简单单调响应。
**模型类别性能比较**:60个模型-公式组合经3折空间交叉验证评估。神经网络和空间GLMM达到最高预测精度,平均AUC分别为0.733和0.723;神经网络精确率0.980、召回率0.714,空间GLMM精确率0.979、召回率0.719。XGBoost最高AUC为0.683,随机森林最高AUC为0.659,支持向量机表现较低未入最高排名。基于AUC和折叠层面稳定性,神经网络选为最强单一模型;集成候选综合考虑预测多样性和性能,保留神经网络、空间GLMM和XGBoost。
**集成性能**:四种集成策略比较中,堆叠集成表现最优,AUC 0.733、准确率0.717、召回率0.717、Kappa 0.140,均高于其他策略;精确率维持0.979的高水平。简单平均和加权平均AUC均为0.721但召回率较低(0.571和0.574),硬投票中间表现。堆叠集成被确定为最终空间预测模型。
**集成预测**:最终堆叠集成以完整建模数据集重新拟合,生成90 m分辨率的连续概率预测表面。预测概率范围0—0.15,反映训练数据的显著类别不平衡(130次出现 vs 2,499次不出现)。基于Youden's J统计量从连续表面提取二值化出现-不出现分类,识别饵料鱼热点区域。
**预测出现的空间格局**:尽管绝对概率值较低,模型捕捉到清晰的空间梯度。较高相对概率热点集中于三处:一是深水峡湾系统,包括杰维斯湾(Jervis Inlet)和豪湾(Howe Sound)的封闭盆地,以及北部奥克沃湾(Okeover Arm)和西摩尔水道(Seymour Narrows)区域;二是弗雷泽河河口及三角洲,最高预测概率出现在河流口附近近岸水域;三是南湾群岛(Southern Gulf Islands)全域及维多利亚附近。相反,乔治亚海峡中部深水区域和胡安·德富卡海峡外段持续预测为极低出现概率(<2%)。预测格局与三个保留预测因子的空间梯度高度吻合,尤其是表层流结构较强和溶解有机氮较高的区域,但关系为非线性。
讨论部分:该研究提出了萨利奇海饵料鱼出现预测的多模型集成框架,整合统计与机器学习方法。神经网络和空间GLMM实现最高个体预测性能(AUC=0.73),而堆叠集成优于所有单一模型,达到最平衡的精确率(0.98)、召回率(0.72)和整体AUC(0.733)。集成有效利用了可解释统计方法与灵活机器学习方法的优势互补,产生空间上现实的预测,捕获了中水道地形凹陷区和河口邻近区域的远洋热点。
表层流速、溶解有机氮和中型浮游动物生物量等环境预测因子与已知生态过程高度一致。表层流速可能通过影响幼体扩散、猎物输送、水柱混合和聚集动态塑造分布;溶解有机氮作为局部生产力指标而非直接驱动因子,上升流、河流排放和河口混合可将营养丰富的水输送至真光层;中型浮游动物生物量的非线性贡献反映了饵料鱼对猎物可获得性与其他栖息地因子(温度、捕食风险、流结构)的综合响应。然而,不同饵料鱼物种的生态策略存在差异:太平洋玉筋鱼(Ammodytes personatus)和太平洋胡瓜鱼(Hypomesus pretiosus)需要近岸栖息地产卵,与海岸滞留区关联;北太平洋凤尾鱼(Engraulis mordax)和太平洋沙丁鱼(Sardinops sagax)更具远洋性和移动性。因此预测热点应解读为广义的饵料鱼适宜环境条件而非各物种完全一致的栖息地偏好。
SQLite。
空间3折交叉验证虽有助于减少过拟合,但90 m网格应理解为共同处理和预测网格而非所有预测因子的真实空间分辨率;多种环境层原始分辨率较粗,重采样后保留原有信息内容。热点图应作为相对概率表面解读,展示饵料鱼出现的广泛空间格局而非90 m尺度的精细栖息地条件。样本量稀少的物种(如白饵胡瓜鱼Allosmerus elongatus)贡献信息有限;太平洋鲱鱼因捕获优势地位和广泛研究而被排除。多物种聚合可能掩盖物种特异性差异,如太平洋玉筋鱼与沙底质和沙波栖息地密切关联、活动范围有限且具有沉积物越冬埋藏行为,而凤尾鱼更具移动性、远洋性和温度耐受性。预测应作为群落水平的饵料鱼类集合而非物种特异性分布来解读。
DFO拖网数据集存在采样偏差:表层中层拖网针对幼年鲑鱼设计,对深水物种(如细鳞胡瓜鱼Thaleichthys pacificus)或底栖近基质物种(如海鲫科鱼类)效力较低,可能导致假阴性或低代表性;调查限于秋季白天,未能捕获强昼夜垂直迁移或季节性分布变化的物种;早期时间序列记录未完全鉴定到物种,造成空间和分类学缺口。
该模型为萨利奇海基于生态系统的管理提供有价值信息,代表23年调查数据的基线评估,为评估未来环境变化下饵料鱼种群变化提供框架。热点识别可为海洋空间规划、累积效应评估、岸线开发规制及船舶交通增加带来的溢油应急准备提供空间指导,支持识别、监测、优先保护和管理太平洋鲑鱼、斑海雀(Brachyramphus marmoratus)和北海狮(Eumetopias jubatus)等捕食者所依赖的饵料丰富栖息地。预测热点与日益增加的开发压力区域重叠,突显了在衰退发生前采取主动保护措施保护生态系统生产力的机会。鉴于模型代表相对出现概率而非丰度直接估计,其输出应作为决策支持层而非种群密度的确定性地图。
未来方向建议:独立建模各饵料鱼物种以更好理解物种特异性栖息地关联;将框架扩展至未来气候情景下的分布预测;将饵料鱼模型与鲑鱼模型叠加评估饵料鱼作为捕食者代理指标的效用;结合现有渔业数据集与环境DNA及环境协变量,将方法推广至其他饵料鱼监测有限的沿海区域。