Page 15 - 《水产学报》2025年第11期
P. 15

2025, 49(11): 119102                                   JOURNAL OF FISHERIES OF CHINA

              DOI: 10.11964/jfc.20230213899
              ·综述·





              机器学习在鱼类物种识别和种群判别中的应用






              朱国平    1,2,3,4* ，  曹    丹  1,2,3 ，  陈毓雯 1,2,3                      通信作者：朱国平，从事生物海洋学
                                                                                 与 海 洋 生 物 资 源 管 理 研 究 ， E-mail：
              1. 上海海洋大学，海洋生物资源与管理学院，上海 201306；2. 上海海洋大学，
                                                                                 gpzhu@shou.edu.cn

              极地研究中心，上海 201306；3. 上海海洋大学，大洋渔业资源可持续开发教育
              部重点实验室极地海洋生态系统研究室，上海 201306；4. 上海海洋大学，国家
              远洋渔业工程技术研究中心，上海 201306

              摘要：渔业资源探索的关键问题之一是鱼类物种的准确识别和鱼类种
              群的正确判别。在大数据的背景下，机器学习技术作为新兴的数据处

              理技术已逐渐取代传统方法。本文首先概述了目前鱼类研究的重点方
                                                                                 资助项目：上海市东方英才计划拔尖
              向，即向机器学习转移。论文从数据来源、特征选择和分类器等方面                                     项  目  优  秀  学  术  带  头  人  专  题
                                                                                 (BJKJ2024059)；国家重点研发计划
              归纳总结了机器学习在鱼类物种识别和种群判别中的应用。此外，论                                     (2023YFE0104500)
              文还介绍了以卷积神经网络为代表的多种深度学习神经网络模型及其
                                                                                 收稿日期：2023-02-08
              在各种鱼类物种识别场景下的应用。本文从预测能力、可解释性、数                                     修回日期：2023-04-29

              据敏感性等多个方面总结了各分类器的优缺点以及适用的鱼类特性。 文章编号：
              最后，汇总了现阶段评价模型有效性的常见指标。综合大数据时代下                                     1000-0615(2025)11-119102-14
                                                                                 中图分类号：S 917.4；TP 18
              生态资源数据的特点和深度学习的发展现状，总结了机器学习在鱼类                                     文献标志码：A

              物种识别和鱼类种群判别中亟需解决的问题与挑战。                                            作者声明本文无利益冲突

              关键词: 鱼类；机器学习；种群判别；物种识别；神经网络；深度学习                                   © 《水产学报》编辑部(CC BY-NC-ND 4.0)

                                                                                 Copyright © Editorial Office of Journal of
                                                                                 Fisheries of China (CC BY-NC-ND 4.0)
                   鱼类在海洋生态系统中扮演着重要角色，也是人类主要蛋白质来
              源之一。目前，非法、无序捕捞已严重威胁着海洋生态系统的健康和
                                    [1]
              全球海鲜的可持续供应 。鱼类资源的可持续开发，建立在正确评估
              各种鱼类资源量的基础上，而科学评估各种鱼类资源量依赖于正确的
              物种识别和有效的种群判别。
                   生物学家至今未能在如何定义“物种” (species) 一词上达成一致。
              根据研究方向的不同，先后有多位研究者从生物学、进化学以及形态
              学等方面给出了物种的定义 。目前，鱼类研究中普遍采取的是
                                           [2]
                             [4]
              Turner  [3]  和  Mayr 从生物学角度给出的物种定义，即物种是实际或可
              能交配的自然种群而形成的群体，且在生殖上与其他此类群体隔离。
              鱼类种群是鱼类资源管理的最基本概念，是指鱼类可满足基本的自我
              繁殖的组群，且组内的个体均具有相同的生活史特征 。
                                                                [5]
                   机器学习      (machine learning, ML) 作为新兴的数据处理技术，已
              广泛应用于各个研究领域。早在                  2000  年就有学者将机器学习应用到
              鱼类物种识别中，而随着计算机硬件发展以及机器学习浪潮的兴起
              (图  1)。机器学习的算法特性使其在应对海洋数据的海量、高维



              中国水产学会主办  sponsored by China Society of Fisheries                          https://www.china-fishery.cn
                                                            1
   10   11   12   13   14   15   16   17   18   19   20