这篇文档属于类型a（单篇原创研究论文），以下是针对该研究的学术报告：

研究团队与发表信息

本研究由Matthew N. McMillan（昆士兰农业与渔业部）、Susannah M. Leahy、Kyle B. Hillcoat、Montana Wickens、Eric M. Roberts（詹姆斯库克大学）及James J. Daniell共同完成，发表于期刊Reviews in Fish Biology and Fisheries（2024年5月15日在线发表）。研究标题为《Untangling multi-species fisheries data with species distribution models》，旨在通过物种分布模型（Species Distribution Models, SDMs）解决多物种渔业数据中单一物种资源评估的难题。

学术背景

研究领域与科学问题

该研究属于渔业资源管理与生态建模交叉领域。在渔业管理中，长期捕捞数据常以多物种复合形式记录（如分类学相近物种被合并统计），导致难以评估单一物种的种群动态。这一问题在非目标物种（incidental species）因市场或生态变化转为目标物种时尤为突出。

研究动机

以澳大利亚昆士兰东海岸的两种铲鼻龙虾（Moreton Bay bugs，包括*Thenus australiensis*和*T. parindicus*）为例，两者在1988–2021年的渔业日志中被合并记录，但随着市场转向针对性地捕捞其中更大、经济价值更高的*T. australiensis*（礁栖种），需分离历史数据以支持物种特异性管理。

技术背景

物种分布模型（SDMs）通常用于预测物种分布与环境因子的关系，但在渔业数据分配（catch allocation）中的应用尚未充分开发。本研究创新性地将SDMs与机器学习结合，提出“捕捞分配模型”（catch allocation models），以解决多物种数据分离问题。

研究流程与方法

1. 数据收集与空间建模域定义

• 训练数据来源：整合6类数据（共2324个采样点），包括长期渔业监测（1217站点）、物种丰度调查（103站点）、行为学研究（1站点）、死亡率研究（147站点）及船员观察计划（856站点）。
  
• 空间域：基于捕捞记录覆盖的5–80米水深区域，扩展至0–200米以避免边缘效应（edge effects）。
  

2. 栖息地变量建模

• 关键变量：沉积物粒度（主导因子）、水深、距海岸距离等。
  
• 创新方法：通过随机森林（Random Forest, RF）模型生成沉积物分布图（6761个沉积物采样点），解决了传统海洋SDMs中栖息地数据不足的问题。
  

3. 响应变量设计

• 物种优势度：将采样点数据聚合至0.1°网格（渔业日志报告单元），以“优势种”（>50%占比）作为二项响应变量（0=*T. parindicus*，1=*T. australiensis*）。
  
• 排除干扰：仅分析法定尺寸（甲宽≥75毫米）个体，避免幼体分布对结果的干扰。
  

4. 模型构建与验证

• 算法选择：采用伯努利提升回归树（Boosted Regression Trees, BRT），参数优化通过十折交叉验证完成。
  
• 变量筛选：最终模型包含6个变量（沉积物平均粒度贡献41.6%，水深21.8%），模型解释方差（R²=0.93），预测准确率达99.7%。
  

5. 捕捞数据分配与种群评估

• 历史数据分离：将1988–2021年日志数据按网格优势种分配，计算物种特异性单位努力捕捞量（CPUE）。
  
• 标准化处理：后续通过考虑捕捞功率变化等因素，生成标准化丰度指数（Wickens et al., 2023）。
  

主要结果

1. 物种分布驱动因素：

   • *T. australiensis*（礁栖种）偏好粗沉积物（低phi值）和较深水域，而*T. parindicus*（泥栖种）集中于近岸细沉积物区。
     
   • 沉积物粒度与水深的交互作用显著（图5b），揭示了栖息地分区的关键机制。
     

2. 渔业趋势揭示：

   • 礁栖种占比从1988年的67%升至2021年的93%（图7a），CPUE自2000年代初显著增长（图7b），表明渔业目标转向该物种。
     

3. 模型性能：

   • BRT模型在398个训练网格中分类准确率接近100%，验证了栖息地参数在多物种分离中的有效性。
     

结论与价值

科学意义

• 首次将SDMs系统应用于渔业多物种数据分离，为类似问题提供了可复用的模板（如关键词：boosted regression trees、random forests）。
  
• 揭示了铲鼻龙虾的栖息地分区机制，填补了其生态学知识的空白。
  

应用价值

• 支持昆士兰渔业管理部门制定物种特异性捕捞策略，避免过度开发。
  
• 方法可推广至其他因气候变化或市场因素需重新评估的渔业物种。
  

研究亮点

1. 方法创新：

   • 结合机器学习和栖息地建模，开发了高效的捕捞分配SDMs框架。
     
   • 通过船员观察计划低成本补充训练数据，提升了模型实用性。
     

2. 跨学科贡献：

   • 将生态位理论与渔业管理需求结合，推动SDMs在资源评估中的实际应用。
     

3. 数据公开性：

   • 沉积物与模型代码已开源（Figshare DOI: 10.6084/m9.figshare.25458676），促进方法复用。
     

其他有价值内容

• 局限性讨论：模型假设物种分布稳定（忽略种群波动导致的栖息地扩张/收缩），未来可纳入动态范围调整。
  
• 扩展应用：建议将类似方法用于评估气候变化驱动的物种分布偏移（如Gillanders et al., 2022）。
  

该研究为渔业数据科学提供了重要工具，同时为生态建模与资源管理的交叉研究树立了范例。