| 机器学习方法在舟山渔场主要经济蟹类生物量估算中的应用 |
| |
| 引用本文： | 杨春蕙,栗小东,刘琦,王迎宾. 机器学习方法在舟山渔场主要经济蟹类生物量估算中的应用[J]. 海洋科学, 2023, 47(9): 61-70 |
| |
| 作者姓名： | 杨春蕙 栗小东 刘琦 王迎宾 |
| |
| 作者单位： | 浙江海洋大学 水产学院, 浙江 舟山 316022 |
| |
| 基金项目： | 浙江省基础公益计划项目(LGN21C190009); 舟山市科技局项目(2022C41003) |
| |
| 摘 要： | 扫海面积法因其操作简单、计算方便,被广泛应用于渔业生物量评估工作中。但该方法需假设资源均匀分布,若要提高生物量评估的准确性,则须增加站位数量,进而增加经费预算。本研究基于2006年8月和2007年1月、5月、11月在舟山渔场海域开展渔业资源底拖网调查所获得的多种经济蟹类数据资料,模拟分析扫海面积法与机器学习模型(随机森林(RF)、梯度提升回归树模型(GBRT)、极限梯度提升(XGBoost))对舟山渔场海域三疣梭子蟹(Portunustrituberculatus)、双斑鲟(Charybdisbimaculata)、日本鲟(Charybdisjaponica)、细点圆趾蟹(Ovalipespunctatus)4种主要经济蟹类生物量的对比评估效果。结果显示,随着投入站点数目的减少,在数据不集中、波动较大的秋、冬季节XGBoost方法对生物量的评估效果明显优于扫海面积法,误差降低7.49%～21.34%;而在较为均匀的春、夏两季,扫海面积法与机器学习方法两者结果的差异不显著(P<0.05)。本研究以几种经济蟹类为例,探索使用机器学习方法评估其生物量,达到了提高评估准确性并节省资源调查...
|
| 关 键 词： | 资源评估 扫海面积法 随机森林 梯度提升回归树 极限梯度提升回归 |
| 收稿时间： | 2022-11-27 |
| 修稿时间： | 2023-03-16 |
Application of machine learning methods for estimating the biomass of economically important crabs in the Zhoushan fishery |
| |
| YANG Chun-hui,LI Xiao-dong,LIU Qi,WANG Ying-bin. Application of machine learning methods for estimating the biomass of economically important crabs in the Zhoushan fishery[J]. Marine Sciences, 2023, 47(9): 61-70 |
| |
| Authors: | YANG Chun-hui LI Xiao-dong LIU Qi WANG Ying-bin |
| |
| Affiliation: | College of Fisheries, Zhejiang Ocean University, Zhoushan 316022, China |
| |
| Abstract: | |
| |
| Keywords: | stock assessment swept area method random forest gradient lifting regression tree extreme gradient boosting |
|
| 点击此处可从《海洋科学》浏览原始摘要信息 |
|
点击此处可从《海洋科学》下载免费的PDF全文 |
|
