DM-SPM:基于深度马尔可夫的剩余生产模型
《Ecological Modelling》:DM-SPM: Deep-Markov-based-surplus production model
【字体:
大
中
小
】
时间:2026年07月17日
来源:Ecological Modelling 3.5
编辑推荐:
日渡凌太郎|北门俊英
日本东京都港区,东京海洋科学技术大学,108-8477
摘要
剩余生产模型被广泛用于重建被捕捞种群中的潜在生物量及其动态变化。然而,传统剩余生产模型通常假定剩余生产关系具有固定的参数形式,而这种函数形式的错误设定可能会导致对种群状况及相关量的估
日渡凌太郎|北门俊英
日本东京都港区,东京海洋科学技术大学,108-8477
摘要
剩余生产模型被广泛用于重建被捕捞种群中的潜在生物量及其动态变化。然而,传统剩余生产模型通常假定剩余生产关系具有固定的参数形式,而这种函数形式的错误设定可能会导致对种群状况及相关量的估计出现系统性偏差。本文提出了一种状态空间剩余生产模型,该模型在不假设特定参数形式的前提下估计剩余生产关系,同时保留了剩余生产模型的结构特征。其核心思路是通过嵌入深度马尔可夫模型中的神经网络,将剩余生产表示为生物量的灵活函数,并从生态学角度设定基本边界条件。模型参数和潜在生物量轨迹通过随机变分推断法进行估计。所提模型通过一系列操作模型在模拟实验中进行了验证。真实的剩余生产关系要么与传统的固定形状假设一致,要么在低生物量水平时呈现非线性特征。在各种实验场景下,所提模型与传统的Pella–Tomlinson模型在重建潜在生物量轨迹时的偏差均较小。而在估计的剩余生产关系及推断的过程误差方面,则存在明显差异。在形状设定错误的情况下,所提模型能更好地捕捉经验生物量范围内的低生物量非线性特征,同时降低过程误差的系统性结构。不过,在经验生物量范围边界附近,估计出的形状不够稳定,这意味着其外推可靠性有限。总体而言,所提出的框架为剩余生产模型提供了状态空间扩展,能够灵活地从数据中重建密度依赖关系。
引言
在已被捕捞的种群中,往往难以直接观测到诸如种群规模等关键状态变量。我们通常只能获得与这些状态变量相关的间接观测数据,例如调查指数和单位努力捕获量,以及外部输入的时间序列数据,如捕获量和努力程度。在这种信息限制条件下,Schaefer(1954)提出的剩余生产模型是一种广泛使用的典型模型。该模型将种群动态描述为剩余生产与捕捞之间的差异。值得注意的是,由于该模型提供了一种简洁的描述方式,无需明确建模年龄结构或生长过程,因此能够利用有限信息估计生物量的时间变化(Schaefer 1954)。
然而,这类间接观测数据可能包含来自潜在状态转换过程和观测过程的变异。区分这两种变异来源对于正确重建潜在状态并准确量化不确定性至关重要。状态空间模型通过明确分离潜在状态过程与观测过程,为这一目的提供了自然框架。对状态方程和观测方程的建模有助于一致地重建潜在状态及其动态变化(Auger-Méthé等人,2021)。在剩余生产模型的背景下,包括状态空间模型在内的贝叶斯估计方法早已在实践中得到探讨(Meyer和Millar,1999)。近年来,一些新的实现方法,如SPiCT、JABBA和JABBA-select,已成为广泛使用的状态空间剩余生产模型(Pedersen和Berg,2017;Winker等人,2018;Winker等人,2020)。Kokkalis等人(2024)总结了应用剩余生产模型的最佳实践指南。
然而,剩余生产模型的简单性也带来了明显的缺陷。在这些模型中,密度依赖关系被描述为剩余生产与生物量之间的关系。典型的例子包括基于逻辑增长的Schaefer模型(Schaefer 1954)、允许非对称形状的Fox模型(Fox 1970),以及引入形状参数的广义模型Pella–Tomlinson(PT)模型(Pella和Tomlinson,1969)。需要注意的是,所有这些模型都假定剩余生产函数属于某一参数家族。但如果真实的密度依赖关系不在该函数家族范围内,模型就无法充分捕捉其结构,参数估计可能会出现系统性偏差。在状态空间剩余生产模型中,即使剩余生产函数未被正确指定,也可以通过误差项使估计结果与观测序列相匹配。因此,过程变异和结构模型误差在估计结果中可能无法区分,这使得仅根据指数序列的拟合情况来评估形状假设的有效性变得十分困难(Thorson等人,2014)。
为解决这些问题,人们提出了部分指定模型作为通用框架。这类模型保留了构成动态变化核心的核算或状态更新结构,同时将较难处理的流程作为未知函数来估计(Wood,2001)。在剩余生产模型的背景下,这意味着在保持以捕捞为驱动的核算框架和状态空间表示的同时,仅灵活估计剩余生产函数的形状。
在此背景下,还出现了半参数框架的提议,这类框架不会将剩余生产函数固定为某种特定形式,而是以参数函数作为先验基准函数,将偏离该基准的部分表示为灵活函数(Thorson等人,2014)。需要注意的是,这些框架虽然强调了形状设定错误的重要性,但估计出的形状仍可能受到所假设的基准参数家族的影响。因此,仍有必要设计出能够灵活重建剩余生产函数的框架——无需预先指定特定的函数家族,仅依靠数据中所包含的信息,同时更深入地理解这些函数的行为特性。
因此,本研究提出了DM-SPM,这是一种基于深度马尔可夫模型(DMM)的灵活状态空间剩余生产模型,它能够在保留生态学边界条件的同时估计剩余生产关系。具体而言,我们在模型中表示剩余生产作为生物量函数的那一部分引入了神经网络,从而可以从数据中学习密度依赖关系的形状。神经网络能够灵活地近似平滑函数,而不受特定参数家族的限制(Cybenko,1989),这有望缓解因剩余生产关系设定错误而带来的约束。
在本研究中,我们通过模拟实验评估了所提方法与传统固定形状模型相比的性能。我们准备了两种类型的操作模型,用以模拟假设的真实种群动态。在第一种操作模型中,剩余生产函数与传统参数模型的假设一致;而在另一种操作模型中,种群动态则偏离这一假设,包括在低生物量水平时的非线性特征。这使我们能够有效比较在函数形式正确设定和错误设定两种情况下所提模型的表现。对于每种操作模型,我们在不同的生物量范围覆盖条件和不同的观测误差、过程误差幅度条件下,生成了丰度指数和捕捞量序列。这使我们能够研究在数据期间所经历的生物量范围和误差水平如何影响经验推断。随后,我们将传统的固定形状状态空间剩余生产模型与所提模型应用于生成的数据,比较它们再现潜在生物量序列和剩余生产关系的能力。此外,通过比较估计出的过程误差的行为,我们分析了在形状设定错误的不同条件下,结构缺陷是如何以过程误差的形式体现出来的。
章节节选
状态空间剩余生产模型
状态空间剩余生产模型将包含年龄和体型的生物量视为一个随机潜在状态。该框架将自然增长和密度依赖关系统一表示为一个剩余生产函数(Schaefer 1954;Pella和Tomlinson 1969;Meyer和Millar 1999)。一般来说,离散时间下的状态过程和观测过程可表示如下:
Bt+1={Bt+f(Bt;θp)?Ct}exp(ηt),ηt~N(?0.5σp2,σp2)
logIt~N(logqBt,σo2)
其中,Bt和Ct分别表示第t年的生物量和捕获量。
在重建潜在生物量动态方面的性能
在本研究中,我们将传统的固定形状状态空间剩余生产模型与所提出的DM-SPM应用于六种场景,即一种符合固定形状假设的PT场景,以及五种偏离该假设的耗竭场景。在耗竭场景中,我们考虑了四种数据丰富的场景和一种数据匮乏的场景。在此,我们比较了潜在生物量序列的重建结果、估计的剩余生产关系以及相关特征的表现。
灵活建模方法的总体概述与方法学贡献
在本研究中,我们开发了一种灵活的方法,该方法无需假设特定的函数形式即可估计剩余生产函数的形状,同时保留了广泛用于描述被捕捞种群动态的状态空间剩余生产模型框架(Schaefer 1954;Pella和Tomlinson 1969;Fox 1970;Hilborn和Walters 1992)。状态空间实现方式尤其具有优势,因为它们能够区分生物量动态中的过程变异与观测误差。
资金支持
本研究未获得任何资金支持。
作者贡献说明
日渡凌太郎:撰写——初稿、可视化、验证、方法论、正式分析、概念构建。北门俊英:撰写——审阅与编辑、验证、监督、方法论、正式分析、概念构建。
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