大眼金枪鱼(Thunnus obesus)隶属于鲭科(Scombridae)金枪鱼属(Thunnus)，广泛分布于三大洋的热带和亚热带海域[1]，是中国金枪鱼渔业重要捕捞对象之一[2]。准确的大眼金枪鱼渔场预报可以有效降低捕捞作业成本，提升金枪鱼延绳钓捕捞效率。
目前，金枪鱼渔情预报的模型主要有广义可加性模型(generalized additive model，GAM)[3-4]、栖息地指数模型[5-6]和BP神经网络模型(backpropagation neural network)[7]等。传统模型容易受到渔业生产数据中缺失值影响，并且在拟合高维海洋数据及计算效率方面存在不足[8-9]。而XGBoost作为一种近年来应用广泛的集成学习模型，能够在树构建过程中自动确定最优分裂点[10]，有效减少缺失值对模型的影响。但XGBoost模型的参数过多，寻找其最优的超参数组合需要研究者投入一定的时间和经验[11-12]。此外，XGBoost模型的特征选择主要基于树的方法，在选择复杂的海洋环境因子时可能表现不佳[13]。对此，袁红春等[8]提出了一种CNN-SA-XGBoost模型，该模型结合了卷积神经网络(convolutional neutral network，CNN)的特征提取能力和模拟退火算法(simulate anneal，SA)的超参数优化，进一步提高了XGBoost模型的性能。目前尚不清楚CNN-SA-XGBoost模型在分类问题中的表现。因此，本研究中根据2018—2021年大西洋大眼金枪鱼延绳钓数据，结合0～300 m水层的垂直温盐因子及叶绿素a浓度(Chl-a)等环境因子，利用CNN-SA-XGBoost方法构建了渔场预报分类模型，以期为大眼金枪鱼生产管理提供科学依据。
1 材料与方法
1.1 数据来源
渔业数据来源于中国远洋渔业工程技术研究中心提供的4艘超低温金枪鱼延绳钓渔船2018—2021年在大西洋的生产数据(作业范围为15°～55°W，25°N～20°S)。各延绳钓渔船船型参数包括总长46.60～49.90 m，型宽8.50～9.10 m，型深3.75～3.80 m，总吨位560～630 t，主机功率671～735 kW。数据内容包括作业渔船、作业日期、作业位置、下钩时间和下钩数、日产量、分鱼种渔获尾数及质量等。
模型构建过程中，环境数据包括海表面温度T0、100 m海水温度T100、200 m海水温度T200、300 m海水温度T300、海表面盐度S0、100 m海水盐度S100、200 m海水盐度S200、300 m海水盐度S300、净初级生产力NPP(g C/m2/day)和叶绿素a浓度Chl-a(mg/m3)，所有数据均来自哥白尼海洋环境监测中心(https：//www.copernicus.eu/en)，时间分辨率为月，空间分辨率为0.25°×0.25°。
1.2 数据预处理
1.2.1 名义CPUE计算及渔场分类 将大眼金枪鱼渔区按照0.25°×0.25°的网格划分，以月为时间分辨率，依据每个渔区内的总钩数来计算大眼金枪鱼的CPUE(尾/千钩)[14]。表达式为
(1)
式中：CPUE(i，j)为以经度i、纬度j为中心的网格范围内的月钓获率；Nfish(i，j)和Nhook(i，j)分别为总月渔获数量和总月下钩数。
渔场分类时，采用三分位数对CPUE进行划分[15-17]。CPUE值高于下三分位数(Q1)的区域被划分为“高CPUE渔区”，而CPUE值低于Q1的区域则被定义为“低CPUE渔区”。为了便于模型处理，将“高CPUE渔区”用1表示，而“低CPUE渔区”用0表示。
1.2.2 数据归一化处理 为消除各环境数据和渔业数据因量级不同而对模型精度产生影响，将每个环境变量和目标变量进行归一化[16]。归一化公式为
(2)
式中：x′为CPUE或环境数据归一化后的值；xmax和xmin分别为每个参数的最大值和最小值；x为初始值。
1.3 模型构建
2018—2022年大西洋大眼金枪鱼的延绳钓数据共有2 144条。基于CPUE值，将数据集划分为“高CPUE渔区”(CPUE>6 尾/千钩)和“低CPUE渔区”(CPUE≤6 尾/千钩)两类，采用Python 3.11.2环境中sklearn库中的train_test_split函数，随机将两类数据分别划分为75%的训练集和25%的测试集。在模型训练前，对训练集和测试集数据进行归一化处理，以确保数据分布一致性和模型的收敛性[18]。同时，对训练集数据进行五折交叉验证(k=5)，每次选择其中四折作为训练集，剩余一折作为验证集，循环5次以覆盖所有数据分组，并以交叉验证的平均性能作为模型评估指标[3]。交叉验证能够有效提高模型的泛化能力，并增强模型的稳定性和可靠性[19]。
1.3.1 XGBoost模型构建 在Python 3.11.2环境中构建XGBoost模型，设定参数如下：树的最大深度(max_depth)设置为3，以控制模型的复杂度；学习率(learning_rate)设置为0.3，用于调节每棵树对最终预测结果的影响。模型训练过程中，采用XGBoost的DMatrix数据结构(DMatrix为XGBoost用于高效存储和处理数据的专有格式，能够优化内存使用和计算速度[20])，对训练数据进行20轮迭代训练。
1.3.2 CNN-XGBoost模型构建 在构建CNN-XGBoost模型时，首先利用训练集构建CNN部分，通过定义卷积层和池化层自动提取特征，随后通过全连接层将特征映射至线性空间，以期得到预期的输出[21]。计算过程为[8]
xi+1=f(ωxi+b)
。
(3)
式中：xi+1为第i层网络的输出特征；f为激活函数；ω为权重矩阵；b为偏重矩阵。
本研究中，CNN模型由两个卷积层、一个Droput层和两个全连接层组成。第一个卷积层有64个滤波器，第二个卷积层配备32个滤波器，均采用1×1的卷积核，并使用ReLU激活函数。Dropout层的比率设为 0.2，用于减轻模型过拟合。第一个全连接层有14个神经元，同样采用ReLU激活函数，第二个全连接层将前一层输出的特征映射至单一输出节点，以执行分类任务，并采用sigmoid激活函数。CNN层处理后的特征被用作XGBoost的输入，XGBoost模型参数同“1.3.1节”中的参数设定。
1.3.3 CNN-SA-XGBoost模型构建 在CNN-XGBoost模型的基础上，引入模拟退火算法(SA)以优化XGBoost模型的超参数选择。该算法在每次迭代中评估不同的booster参数组合，并选择最优超参数组合训练XGBoost模型[8]。模拟退火过程中优化包括：XGBoost中树的数量(N_estimators)，max_depth，learning_rate，构建每棵树时随机选择的特征比例(colsample_bytree)，构建每棵树时随机选择的样本比例(subsample)，节点分裂所需的最小损失函数下降值(gamma)，正例和负例的调整权重(scale_pos_weight)，最小样本权重和(min_child_weight)，最佳分数(正确率)。
1.4 模型评估指标
在渔场二分类问题中，会出现实际为“低CPUE渔区”预测也为“低CPUE渔区”(true negative，TN)，实际为“低CPUE渔区”但预测为“高CPUE渔区”(false positive，FP)，实际为“高CPUE渔区”但预测为“低CPUE渔区”(false negative，FN)，实际为“高CPUE渔区”预测也为“高CPUE渔区”(true positive，TP)4种结果。基于这些分类结果，可以计算出如下指标：ACC、召回率(recall)、F1-score、精确率(precision)。计算公式为[16]
(4)
(5)
(6)
(7)
以TPR和FPR分别作为纵坐标和横坐标绘制ROC曲线，用于评估模型整体性能。AUC值为ROC曲线下的面积，其值越大，表明模型的分类能力越强[16]。P-R曲线是以Recall为横坐标、Precision为纵坐标所绘制的曲线[18]，用于评估不平衡数据下模型的性能。
2 结果与分析
2.1 大西洋大眼金枪鱼CPUE时空分布
2018—2022年大西洋大眼金枪鱼CPUE时空分布如图1所示。从图1可见，大西洋大眼金枪鱼主要分布在10° S～20° N，15°～50° W 的海域，CPUE的高值主要集中在5°～15° N，30°～47° W的大西洋西北部。
本图基于自然资源部标准地图服务网站GS(2016)1663号标准地图为底图，底图边界无修改，下同。
The figure is based on the standard map GS(2016)1663 in the Standard Map Service website of Ministry of Natural Resources of the People’s Republic of China，with no modifications of the boundaries in the standard map，et sequentia.
图1 2018—2022年大西洋大眼金枪鱼CPUE空间分布
Fig.1 Spatial distribution of CPUE of bigeye tuna in the Atlantic Ocean from 2018 to 2022
2.2 XGBoost、CNN-XGBoost和CNN-SA-XGBoost模型的性能表现对比
通过对比3个模型的性能表现(表1)，本研究中发现，在CNN特征提取和SA的超参数优化的逐步融合下，CNN-SA-XGBoost模型的性能呈现出稳定提升的趋势。具体而言，CNN-SA-XGBoost模型的准确率、召回率和F1得分为0.82、0.93和0.89，相较XGBoost和CNN-XGBoost模型，均有显著提高。在ROC曲线(图2)中，CNN-SA-XGBoost的AUC值为0.81，高于XGBoost模型的0.79和CNN-XGBoost模型的0.71，表明其在区分正负类方面具有较高的能力。在P-R曲线(图3)中，CNN-SA-XGBoost模型同样显示出较高的精确率和F1分数，表明其在精确率和召回率间实现了较好的平衡。
表1 XGBoost、CNN-XGBoost和CNN-SA-XGBoost模型的性能表现对比
Tab.1 Performance comparison among of models of XGBoost、CNN-XGBoost and CNN-SA-XGBoost
模型model准确率accuracy召回率recallF1得分F1 score精确率precisionXGBoost0.670.690.760.84CNN-XGBoost0.770.820.840.86CNN-SA-XGBoost0.820.930.890.84
图2 3种模型的ROC曲线对比
Fig.2 Comparison of ROC curves among three models
图3 3种模型的P-R曲线对比
Fig.3 Comparison of P-R curves among three models
2.3 CNN-SA-XGBoost模型结果
2.3.1 CNN特征提取 CNN特征选择结果见表2。从表2可见，Chl-a、T0、S0和S300对大眼金枪鱼影响较高，相对重要性分别为12.97%、12.95%、12.89%和12.49%。根据环境因子的重要性排序，本文选取对大西洋大眼金枪鱼相对重要性大于5%[22]的环境因子作为后续CNN-SA-XGBoost模型的输入因子。
表2 CNN特征提取结果
Tab.2 CNN feature extraction results
变量variable重要性/%relative importance变量variable重要性/%relative importanceChl-a12.97MONTH7.21T012.95T2004.60S012.89Npp4.56S30012.49LATI3.45LONG8.93T1002.92T3008.63S2000.82S1007.58
2.3.2 模拟退火算法寻最佳参数结果 模拟退火寻优过程中最佳正确率随迭代次数的变化如图4所示。从图4可见，模拟退火得到的XGBoost模型的最佳参数分别为N_estimators为108，max_depth为8，learning_rate为0.18，colsample_bytree为0.93，subsample为0.92，gamma为4.23，scale_pos_weight为3，min_child_weight为8.83，最佳分数(正确率)为0.831。
图4 模拟退火过程中最佳正确率随迭代次数变化
Fig.4 Variation of the best accuracy with the number of iterations during the simulated annealing process
2.3.3 CNN-SA-XGBoost模型预测 CNN-SA-XGBoost模型预测分类结果混淆矩阵如图5所示。从图5可见，TN样本数为65个，FP样本数为69个，FN样本数为27个，TP样本数为375个。预测的“高CPUE渔区”为多数类，“低CPUE渔区”为少数类。
图5 CNN-SA-XGBoost模型预测分类结果混淆矩阵
Fig.5 Confusion matrix of classification results predicted by CNN-SA-XGBoost model
在Arcgis 10.2中绘制出实际CPUE渔区和与CNN-SA-XGBoost模型预测得到的CPUE渔区位置叠加图(图6)。整体来看，CNN-SA-XGBoost模型对“高CPUE渔区”的预测表现优于对“低CPUE渔区”。具体而言，在“低CPUE渔区”，模型的Precision约为0.71，Recall约为0.48，F1分数约为0.57；而对“高CPUE渔区”，模型Precision约为0.84，Recall约为0.93，F1分数约为0.88。
图6 实际渔场与CNN-SA-XGBoost模型预测渔场叠加
Fig.6 Overlay of actual fishing grounds and CNN-SA-XGBoost model predicted fishing grounds
3 讨论
3.1 CNN特征提取分析
海洋环境因子是大眼金枪鱼的空间活动和分布的重要外在驱动因素[23]，但这些因子间的复杂非线性关系和相互作用[24]给渔情预报模型的构建带来了极大的挑战。模型构建过程中，环境因子间的相互依赖常导致多重共线性，进而影响预测结果的准确性[16，25-26]。因此，从高维、复杂和具有空间相关性的环境数据中筛选相关特征并剔除冗余或不相关的特征，对于统计建模和提高预测精度至关重要[27]。
CNN能通过其深层网络结构自动从高维环境数据中提取复杂特征，有效捕捉海洋环境数据的空间相关性[28]。此外，CNN还能利用局部感知和权值共享机制，高效地从数据中捕捉局部特征，并将这些特征整合成更高级的表示形式[8]。这一过程不仅降低了模型参数复杂度，而且提高了训练效率和模型泛化能力，为后续模型成功构建提供了有力支撑。
3.2 环境因子重要性分析
通过CNN特征提取得到的环境因子重要性中，排名前四的分别是Chl-a、T0、S0和S300，表明大西洋大眼金枪鱼的渔获量和渔场分布主要受这4种环境因子的影响，这与以往的研究结果较为一致[15，25，29-31]。Chl-a对大眼金枪鱼影响显著，可能是由于Chl-a浓度富足的海域，浮游生物的数量会相对较多[32]，从而给金枪鱼提供了丰富的食物来源[33]。温度和盐度因子也是影响金枪鱼渔场分布的重要因素[15，25]。本研究中，T0和S0对大西洋大眼金枪鱼CPUE的重要程度要高于T300和S300等深水层的温盐因子，可能原因包括：1)大西洋大眼金枪鱼主要分布在5°～15° N，30°～47° W的海域，该区域比较接近墨西哥湾暖流和拉布拉多寒流交汇处[34]。在寒暖流交汇的流隔区域往往会产生上升流，这促使底层的营养盐上涌至海洋表层[35]，从而使得表层的食物资源相较于深层更为丰富，吸引大眼金枪鱼聚集；2)大眼金枪鱼有昼沉夜浮的习性[36]，本数据中金枪鱼延绳钓作业的下钩时间多集中在凌晨，钓钩深度主要在0～100 m，这一特性也可能使表层温盐因子对CPUE的影响更为显著，这与李东旭等[31]、叶佳铭等[34]的研究结果基本一致。
3.3 CNN-SA-XGBoost模型分析
XGBoost模型基于梯度提升决策树，能够有效建模海洋环境数据中的非线性关系。其预剪枝策略和正则化机制可有效控制模型复杂度，减少过拟合，并提高模型对噪声数据的鲁棒性[11]。此外，XGBoost模型还能通过权重缩减和正则化约束，降低异常值对模型训练的影响，从而提升模型的稳定性和泛化能力[10]。然而，XGBoost模型的性能在较大程度上依赖于参数设置，选择合适的booster参数对于优化预测性能极为关键，但模型在训练过程中难以独立识别出最优的参数组合[8]。为此，引入SA算法可以高效搜索参数空间，优化XGBoost配置[37]，从而进一步提高预测精度和模型稳定性。此外，CNN能够自适应地从复杂的海洋数据中提取关键特征[28]，将CNN与SA和XGBoost相结合，不仅提升了模型的特征提取能力，还增强了其对不同环境条件的适应性，使CNN-SA-XGBoost模型在面对复杂、多变量的海洋数据时，也能展现出显著优势[8]。然而，该模型也存在一定的局限性，首先，CNN的训练效果高度依赖于样本数量和质量。当数据样本较少时，CNN的深度特征提取能力可能受限，导致模型性能下降；此外，由于CNN深度网络的高复杂度及SA优化算法的计算成本较高，模型的整体运行效率偏低，这可能限制其在实时预测中的应用。因此，未来研究需进一步优化模型结构，降低计算复杂性，并探索其在小样本或实时预测条件下的潜在应用价值。
4 结论
1)CNN-SA-XGBoost模型通过逐步融合CNN特征提取和SA超参数优化，其性能显著提升，在准确率、召回率、F1得分和精确率上均优于XGBoost和CNN-XGBoost模型。同时，该模型在ROC曲线和P-R曲线中展现出更高的AUC值及良好的精确率与召回率平衡，证明了CNN特征提取和SA优化在提升模型区分正负类能力、增强稳定性与可靠性方面的显著作用。
2)由模型的相对重要性分析得出，Chl-a、T0、S0和S300为影响大西洋大眼金枪鱼的关键因素。
3)大眼金枪鱼作为一种高度洄游的经济物种，其分布特征受多种海洋环境因子的复杂作用驱动。然而，本研究中选取的环境因子相对有限，未能全面反映所有可能影响大眼金枪鱼分布的关键因素。未来研究应注重长期和多样化样本的收集，进一步引入更多环境和气候因子，以系统分析大眼金枪鱼资源的时空分布规律及其驱动机制，为渔业资源管理和预报模型优化提供更加全面的科学依据。
[1] WANG X Y,XIE J,CHEN X J.Differences in lipid composition of Bigeye tuna (Thunnus obesus) during storage at 0 ℃ and 4 ℃[J].Food Research International,2021,143:110233.
[2] 张健,刘文俊,王佚兮,等.热带中西太平洋大眼金枪鱼的繁殖生物学特性[J].水产学报,2024,48(6):36-47.
ZHANG J,LIU W J,WANG Y X,et al.Reproductive biology of bigeye tuna (Thunnus obesus) in the tropical western and central Pacific Ocean[J].Journal of Fisheries of China,2024,48(6):36-47.(in Chinese)
[3] 刘月,陈新军,汪金涛.基于GAM和BRT模型的不同渔汛期水温垂直结构对西北太平洋柔鱼CPUE的影响[J].大连海洋大学学报,2023,38(6):1063-1071.
LIU Y,CHEN X J,WANG J T.Impact of vertical structure of water temperature during different fishing seasons on CPUE of Neon flying squid (Ommastrephes bartramii) in the Northwest Pacific Ocean using GAM and BRT models[J].Journal of Dalian Ocean University,2023,38(6):1063-1071.(in Chinese)
[4] 李成,石肖飞,张健,等.基于圆形统计和时间序列的月相对两种拖网渔业CPUE的影响[J].大连海洋大学学报,2023,38(2):340-347.
LI C,SHI X F,ZHANG J,et al.Effects of lunar phases on CPUEs of trawl fisheries based on circular statistics and time series[J].Journal of Dalian Ocean University,2023,38(2):340-347.(in Chinese)
[5] 周鑫,张丽源,何晨翔,等.基于栖息地适宜性指数模型及最大熵模型的弧边招潮蟹生境适宜性比较[J].大连海洋大学学报,2023,38(5):819-827.
ZHOU X,ZHANG L Y,HE C X,et al.Comparison of habitat suitability of fiddler crab (Uca arcuata) based on habitat suitability index model and maximum entropy model[J].Journal of Dalian Ocean University,2023,38(5):819-827.(in Chinese)
[6] 刘赫威,余为,陈新军,等.基于不同水层海水温度的阿根廷滑柔鱼栖息地模型构建[J].大连海洋大学学报,2021,36(6):1035-1043.
LIU H W,YU W,CHEN X J,et al.Construction of habitat suitability index model for Argentine shorfin squid Illex argentinus based on vertical water temperature at different depths[J].Journal of Dalian Ocean University,2021,36(6):1035-1043.(in Chinese)
[7] 丁鹏,邹晓荣,许回,等.基于BP神经网络的长鳍金枪鱼渔获量与气候因子关系研究[J].海洋学报,2024,46(9):88-95.
DING P,ZOU X R,XU H,et al.Study on the relationship between catch of Thunnus alalunga and climatic factors based on BP neural network[J].Haiyang Xuebao,2024,46(9):88-95.(in Chinese)
[8] 袁红春,高子玥,张天蛟.基于改进的XGBoost模型预测南太平洋长鳍金枪鱼资源丰度[J].海洋湖沼通报,2022,44(2):112-120.
YUAN H C,GAO Z Y,ZHANG T J.Prediction of albacore tuna abundancein south Pacific based on improved XGBoost model[J].Transactions of Oceanology and Limnology,2022,44(2):112-120.(in Chinese)
[9] 姜珊,杨晓明,朱江峰.中西太平洋金枪鱼围网鲣渔获率与海洋环境关系的时空异质性[J].中国水产科学,2022,29(5):744-754.
JIANG S,YANG X M,ZHU J F.Analysis of spatial and temporal heterogeneity of the relationship between skipjack tuna fishery and marine environment in the Western and Central Pacific Ocean[J].Journal of Fishery Sciences of China,2022,29(5):744-754.(in Chinese)
[10] 王元庆,李佳玥,刘备,等.基于XGBoost-SHAP方法的建设项目碳排放空间异质性分析[J/OL].环境科学,1-15[2024-09-24].https：//doi.org/10.13227/j.hjkx.202406040.
WANG Y Q,LI J Y,LIU B,et al.Spatialheterogeneity of carbon emissions from construction projects based on XGBoost-SHAP[J/OL].Environmental Science,1-15[2024-09-24].https：//doi.org/10.13227/j.hjkx.202406040.(in Chinese)
[11] QIN C,ZHANG Y F,BAO F X,et al.XGBoost optimized by adaptive particle swarm optimization for credit scoring[J].Mathematical Problems in Engineering,2021,2021(1):6655510.
[12] DING P,XU H,ZOU X R,et al.The relationship between the annual catch of bigeye tuna and climate factors and its prediction[J].Frontiers in Marine Science,2024,11:1344966.
[13] 陈虹,由雨竹,金海波,等.改进特征选择和CNN-BiLSTM的网络入侵检测方法[J/OL].微电子学与计算机,1-12[2025-04-02].http://kns.cnki.net/kcms/detail/61.1123.TN.20241104.1053.008.html.
CHEN H,YOU Y Z,JIN H B,et al.Network Intrusion Detection Method of Improving Feature Selection and CNN-BiLSTM[J/OL].China Industrial Economics,2024:1-12.(2024-11-04).,1-12[2025-04-02].http://kns.cnki.net/kcms/detail/61.1123.TN.20241104.1053.008.html.(in Chinese)
[14] 丁鹏,邹晓荣,丁淑仪,等.大西洋黄鳍金枪鱼资源丰度不同预报模型的比较分析[J].大连海洋大学学报,2024,39(4):666-674.
DING P,ZOU X R,DING S Y,et al.Comparision of forecast models for Atlantic yellowfin tuna abundance[J].Journal of Dalian Ocean University,2024,39(4):666-674.(in Chinese)
[15] 张聪,周为峰,唐峰华,等.基于机器学习的中西太平洋黄鳍金枪鱼渔场预报模型[J].农业工程学报,2022,38(15):330-338.
ZHANG C,ZHOU W F,TANG F H,et al.Forecasting models for yellowfin tuna fishing ground in the central and western Pacific based on machine learning[J].Transactions of the Chinese Society of Agricultural Engineering,2022,38(15):330-338.(in Chinese)
[16] 宋利明,任士雨,张敏,等.基于集成学习的大西洋热带水域大眼金枪鱼渔情预报[J].水产学报,2023,47(4):64-76.
SONG L M,REN S Y,ZHANG M,et al.Fishing ground forecasting of bigeye tuna (Thunnus obesus) in the tropical waters of Atlantic Ocean based on ensemble learning[J].Journal of Fisheries of China,2023,47(4):64-76.(in Chinese)
[17] 侯娟,周为峰,樊伟,等.基于集成学习的南太平洋长鳍金枪鱼渔场预报模型研究[J].南方水产科学,2020,16(5):42-50.
HOU J,ZHOU W F,FAN W,et al.Research on fishing grounds forecasting models of albacore tuna based on ensemble learning in South Pacific[J].South China Fisheries Science,2020,16(5):42-50.(in Chinese)
[18] 张聪,周为峰,樊伟.基于ADASYN和Stacking集成的南太平洋黄鳍金枪鱼渔场预报模型研究[J].海洋渔业,2023,45(5):544-558.
ZHANG C,ZHOU W F,FAN W.Research on fishing ground forecast models of South Pacific Thunnus albacores based on ADASYN and Stacking integration[J].Marine Fisheries,2023,45(5):544-558.(in Chinese)
[19] 汪学清,刘爽,李秋燕,等.基于K折交叉验证的SVM隧道围岩分级判别[J].矿冶工程,2021,41(6):126-128,133.
WANG X Q,LIU S,LI Q Y,et al.Classification and discrimination of surrounding rock of tunnel based on SVM of K-fold cross validation[J].Mining and Metallurgical Engineering,2021,41(6):126-128,133.(in Chinese)
[20] CHEN T,GUESTRIN C.Xgboost：A scalable tree boosting system[C]// Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining.2016:785-794.
[21] KATTENBORN T,LEITLOFF J,SCHIEFER F,et al.Review on Convolutional Neural Networks (CNN) in vegetation remote sensing[J].ISPRS Journal of Photogrammetry and Remote Sensing,2021,173:24-49.
[22] 刘兵,张健,石建高.基于增强回归树的西非北部沿海底拖网主要商业头足类CPUE与主要环境因子的关系[J].广东海洋大学学报,2024,44(4):71-79.
LIU B,ZHANG J,SHI J G.Relationshipsbetween CPUE of major commercial cephalopods and major environmental factors in coastal bottom trawls of northern west Africa based on boosted regression trees[J].Journal of Guangdong Ocean University,2024,44(4):71-79.(in Chinese)
[23] 张春玲,蒋逸,王冰洋,等.中西太平洋黄鳍金枪鱼随附鱼群区域温度垂直结构的构建与初步分析[J].上海海洋大学学报,2022,31(1):233-241.
ZHANG C L,JIANG Y,WANG B Y,et al.Construction and analysis of vertical temperature structure for FAD yellowfin tuna in the central andwestern Pacific Ocean[J].Journal of Shanghai Ocean University,2022,31(1):233-241.(in Chinese)
[24] 温利红,张衡,方舟,等.鸢乌贼渔业资源研究进展[J].水产科学,2023,42(3):527-537.
WEN L H,ZHANG H,FANG Z,et al.Research progress in purpleback flying squid sthenoeuthis oualaniensis fisheries resources：a review[J].Fisheries Science,2023,42(3):527-537.(in Chinese)
[25] 许回,宋利明,沈介然,等.基于GAM的库克群岛海域长鳍金枪鱼CPUE时空分布与海洋环境的关系[J].海洋通报,2023,42(4):444-455.
XU H,SONG L M,SHEN J R,et al.The relationship between the spatial-temporal distribution of albacore tuna CPUE and the marine environment variables in waters near the Cook Islands based on GAM[J].Marine Science Bulletin,2023,42(4):444-455.(in Chinese)
[26] 宋利明,任士雨,洪依然,等.大西洋热带海域长鳍金枪鱼渔场预报模型的比较[J].海洋与湖沼,2022,53(2):496-504.
SONG L M,REN S Y,HONG Y R,et al.Comparison on fishing ground forecast models of Thunnus alalunga in the tropical waters of Atlantic Ocean[J].Oceanologia et Limnologia Sinica,2022,53(2):496-504.(in Chinese)
[27] 丰昌武,孙林.融合K-means聚类和标记相关性的多标记Relief特征选择[J].聊城大学学报(自然科学版),2025,38(1):122-134.
FENG C W,SUN L.Multilabelrelief-based feature selection via fusing K-means clustering and label correlation[J].Journal of Liaocheng University (Natural Science Edition),2025,38(1):122-134.(in Chinese)
[28] 卢宏涛,张秦川.深度卷积神经网络在计算机视觉中的应用研究综述[J].数据采集与处理,2016,31(1):1-17.
LU H T,ZHANG Q C.Applications of deep convolutional neural network in computer vision[J].Journal of Data Acquisition and Processing,2016,31(1):1-17.(in Chinese)
[29] LIN H,WANG J,ZHU J,et al.Evaluating the impacts of environmental and fishery variability on the distribution of bigeye tuna in the Pacific Ocean[J].ICES Journal of Marine Science,2023,80(10):2642-2656.
[30] ZHANG T J,SONG L M,YUAN H C,et al.A comparative study on habitat models for adult bigeye tuna in the Indian Ocean based on gridded tuna longline fishery data[J].Fisheries Oceanography,2021,30(5):584-607.
[31] 李东旭,邹晓荣,周淑婷.中太平洋黄鳍金枪鱼CPUE时空分布及其与环境因子的关系[J].南方水产科学,2024,20(4):68-76.
LI D X,ZOU X R,ZHOU S T.Spatio-temporal distribution of Thunnus albacares CPUE and its relationship with environmental factors in central Pacific Ocean[J].South China Fisheries Science,2024,20(4):68-76.(in Chinese)
[32] 朱国平,李凤莹,陈锦淘,等.印度洋中南部长鳍金枪鱼繁殖栖息的适应性[J].海洋环境科学,2012,31(5):697-700,707.
ZHU G P,LI F Y,CHEN J T,et al.Spawn habitat suitability for albacore (Thunnus alalunga) in South-central Indian Ocean[J].Marine Environmental Science,2012,31(5):697-700,707.(in Chinese)
[33] 李攀,许柳雄,朱国平,等.印度洋中南部长鳍金枪鱼生物学特性的研究[J].大连海洋大学学报,2010,25(3):248-252.
LI P,XU L X,ZHU G P,et al.Biological characteristics of albacore Thunnus alalunga in the southern and central Indian Ocean[J].Journal of Dalian Ocean University,2010,25(3):248-252.(in Chinese)
[34] 叶佳铭.大西洋大眼金枪鱼CPUE与海洋环境因子的关系研究[D].上海:上海海洋大学,2022.
YE J M.Study on the relationship between CPUE and Marine environmental factors of Atlantic bigeye tuna[D].Shanghai：Shanghai Ocean University,2022.(in Chinese)
[35] 陈新军.渔业资源与渔场学[M].2版.北京:海洋出版社,2014:167-240.
CHEN X J.Fishery Resources and Fishing Grounds[M].2ed.Beijing:Ocean Press,2014:167-240.(in Chinese)
[36] SCHAEFER K,FULLER D.Movements,behavior,and habitat selection of bigeye tuna (Thunnus obesus) in the eastern equatorial Pacific,ascertained through archival tags[J].Fishery Bulletin-National Oceanic and Atmospheric Administration,2014,100(4):765-788.
[37] 赵浩程,柏磊,张可语,等.基于模拟退火算法的铀富集度计算方法研究[J].同位素,2024,37(6):580-588.
ZHAO H C,BAI L,ZHANG K Y,et al.Uraniumenrichment calculation method based on simulated annealing algorithm[J].Journal of Isotopes,2024,37(6):580-588.(in Chinese)