|
| 围栏养殖大黄鱼空间分布及其环境驱动因素研究——以舟山桃花岛为例 |
| Spatial Distribution and Environmental Driving Factors of Large Yellow Croaker in Pen Culture: A Case Study of Taohua Island, Zhoushan in Taohua Island, ZhoushanDong Ancheng1, Zhang Hua2, Feng Dejun3 ,Zhu Yu2 |
| 投稿时间：2026-01-16 修订日期：2026-03-19 |
| DOI： |
| 中文关键词: 机器学习 大黄鱼；鱼类行为；SHAP；围栏养殖 |
| 英文关键词: machine learning large yellow croaker fish behavior SHAP fenced aquaculture |
| 基金项目:国家重点研发计划项目 |
|
| 摘要点击次数: 268 |
| 全文下载次数: 0 |
| 中文摘要: |
| 为揭示围栏养殖区大黄鱼空间分布特征及其环境驱动机制，以舟山桃花岛围栏养殖区为研究对象，基于无人船平台获取的多季节声学监测数据和水环境参数，构建随机森林、LightGBM、XGBoost及Stacking集成模型，对大黄鱼空间分布进行定量模拟与评估，并采用SHAP方法解析关键环境因子的驱动作用。结果表明，大黄鱼在围栏养殖区的空间分布具有显著季节差异和空间异质性，总体呈沿围栏边界聚集的分布格局；其中，夏季鱼群主要集中于北—东北侧边界，并形成较连续的高密度带，冬季则主要聚集于南侧边界。模型性能评价结果显示，Stacking集成模型整体表现最优，R2、RMSE和MAE分别为0.468、0.693和0.413，预测精度和稳定性均优于单一模型。SHAP分析表明，水深、水温和光照强度是影响大黄鱼空间分布的关键环境因子，其作用关系具有明显非线性，并表现出阈值响应特征：春季水深约2.7 m后转为正贡献、4.8 m后贡献增强，夏季水深超过6.0 m后逐渐转为正效应；秋季温度在20~23 ℃范围内具有较高贡献，冬季温度低于18.6 ℃时表现出明显限制作用；春季光照强度超过4.5×103 lx后贡献转正，秋季光照强度超过4.0×10? lx后抑制作用增强。研究表明，围栏养殖条件下大黄鱼空间分布具有明显季节分异和边界聚集特征，水深、水温和光照强度是驱动其空间分布变化的主要环境因子。 |
| 英文摘要: |
| （1）构建多源融合的围栏养殖鱼群空间预测模型框架
整合无人船声学监测、水质环境因子与季节信息，建立适用于围栏受限空间条件下的多源数据融合预测体系，实现鱼群空间分布的精细化建模与跨季节动态刻画。
（2）提出“Stacking集成 + 残差修正”双层优化方法
在多基学习器集成的基础上引入残差二次建模策略，有效降低系统性偏差，显著提升模型在复杂环境背景下的稳定性与泛化能力。
（3）基于SHAP揭示环境驱动的非线性阈值响应机制
通过SHAP可解释性分析识别水深、水温与光照等主导因子的边际贡献与阈值区间，实现由“预测结果”向“生态驱动机制解释”的转化，揭示围栏养殖条件下鱼群空间调节规律。 |
| HTML
View Fulltext
查看/发表评论 下载PDF阅读器 |
| 关闭 |
