基于可解释人工智能的机器学习方法,利用环境预测因子来预测海洋渔业产量
《Machine Learning and Knowledge Extraction》:Explainable AI-Driven Machine Learning for Forecasting Marine Fisheries Production Using Environmental Predictors
【字体:
大
中
小
】
时间:2026年07月07日
来源:Machine Learning and Knowledge Extraction 8.4
摘要
菲律宾的海洋捕捞业为约230万菲律宾人提供了就业机会,但近期产量出现下降(2026年第一季度的产量较2025年同期下降了15.3%),这凸显出在区域和行业层面建立预测系统的必要性。目前菲律宾采用的预测方法主要基于单变量的传统时间序列分析,很少结合多变量海洋学因素。本研究旨在解答三个问题:(RQ1) 在利用环境因素预测区域鱼类产量方面,九种不同的机器学习算法的表现如何?(RQ2) 通过可解释人工智能中的SHAP特征重要性分析,哪些环境因素对模型输出的影响最大?(RQ3) 模型性能和各预测因素的重要性在不同地区之间存在多大差异?在涵盖2002年至2025年的32个区域-行业组合中,核函数模型和神经网络模型在32个组合中的26个(81.3%)中表现最佳,其综合得分比基于树的集成模型高12.7%,这一优势源于对具有趋势性的物理因素的外推分析。特征重要性分析显示,分压是两个行业中最重要的驱动因素,其影响力分别是第二位因素的2.5倍(商业捕捞业)和3.4倍(海洋渔业)。不同地区在所采用的预测因素、最优算法以及SHAP重要性排名上的差异,表明针对不同地区进行个性化预测是必要的设计思路。22%至25%的平均绝对百分比误差以及0.62%至0.66的方向准确率,显示出这些模型在预警应用中的实用价值,为菲律宾渔业管理中的决策提供了依据。
生物通微信公众号
生物通新浪微博
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