Page 20 - 《水产学报》2025年第11期

朱国平，等 水产学报, 2025, 49(11): 119102

相较于鱼体，鱼类的耳石不易发生形变， tion and regression trees) [57] 在这两种鱼类的种群
更易于保存，且耳石的外型受遗传物质和环境 判别中正确率最低，且稳定性也较低。综合多
影响，能准确反映物种之间的差异 。使用耳 个研究来看，并不存在某一个分类器拥有普遍
[45]
石进行鱼类物种识别也逐渐被研究者认可 [46-47] 。 的实用性，鱼种及数据质量均会影响最终的判
Tuset 等 [48] 分别通过提取耳石的形状指数和小波 别结果，而在实际应用中，多次尝试才能获得
变换描述子对 AFORO 数据库的 42 种鱼类耳石 较为合适的分类器。
进行分析，进而实现鱼类的物种识别。运用在 在基于耳石微化学元素差异与稳定同位素
该 研 究 中 的 机 器 学 习 方 法 包 括 SVM、 RF、 差异的鱼类种群判别中，通常是将实验室测定
[49]
ANN 、LDA、KNN。上述方法中，不论是针 的耳石微化学元素含量或放射性元素含量作为
对耳石的形状指数，还是小波变换描述子， 特征数据，应用非深度学习分类器实现鱼类种
SVM 分类器皆取得了最佳的正确率，分别为 群 的 判 别 。 Budnik 等 [58] 、 Sanchez 等 [59] 以 及
97.6% 和 96.7%。此外，针对形状指数 ANN 分 Tripp 等 [60] 均在各自的种群判别研究中应用了
类器和 RF 分类器表现较差，预测正确率较低。 QDA 的方法，QDA 方法允许数据的特征拥有
在 La Mesa 等 [50] 的研究中，将形状指数与傅里 不同的协方差矩阵，更加符合真实情境，且研
叶描述子一起放入 LDA、RF、KNN 分类器中， 究结果表明，QDA 分类器具有较好的性能。此
且指出二者一起进行物种识别会比单一的任何 外 ， Russell 等 [61] 在 日 本 黄 姑 鱼 (Argyrosomus
一种分类器性能均更优越，最优结果为 KNN 分 japonicus) 种群判别研究中，应用多重逻辑回归
类器取得的 70% 的正确率 [50] 。同样，Lin 等 [36] 的方法，也取得了 59% 的分类正确率。Pan 等 [62]
的研究也表明，多源数据能够使分类器具有更 针对椭斑马鲛 (Scomberomorus maculatus) 种群
好的稳定性以及更高的准确性。 判别研究中，采用了随机森林的方法，其表示
在鱼类种群判别分析中，通常不会采用鱼 该方法的优势在于它无需变量分布或变量之间
类的外形轮廓数据，这是因为大多数来自不同 的线性关系满足任何假设。
种群的鱼类外形上的差异并不明显。相较于鱼 值得注意的是，近几年的研究中，利用寄
类物种识别，耳石在鱼类种群判别的应用中更 生虫实现鱼类种群判别分析也逐渐成为热点，
为广泛。分类器方面，非深度学习分类器，尤 Perdiguero-Alonso 等 [63] 依据不同种群的大西洋
其是其中的判别分析，在鱼类种群判别中广泛 鳕寄生虫群落结构不同，应用 RF、ANN、LDA
应用，且取得的效果也较为理想。 分类器对大西洋鳕进行种群判别分析，最终结
基于耳石外型轮廓特征的判别分析已广泛 果表明，RF 分类器具有最优的分类性能。随着
应用于各种鱼类种群判别中。Souza 等 [51] 在人 鱼类种群识别技术的发展，将来的研究中，开
工饲养和本地野生白梭吻鲈 (Sander lucioperca) 拓思维，跳出固定框架的限定，探索更多可用
的种群判别研究中，将提取的耳石形状指数用 于鱼类种群判别的数据，再结合机器学习，也
于 LDA 分类器，对两类鲈鱼种群进行区分，类 许能取得更优的方法，以应用于鱼类种群判别。
似 的 技 术 也 应 用 于 鳕 [52] 、 金 红 鱼 (Sebastes 也有研究表明，融合多源数据将给机器学
marinus) 和深海红鱼 (S. mentella) [53] 以及中西鲱 习分类器提供更全面且可供学习的特征，进而
(Sprattus sprattus) [54] 等的种群判别研究中。此外， 获得更优的分类性能。例如，Moura 等 [35] 针对
Koeberle 等 [55] 在 大 鳞 大 麻 哈 鱼 (Oncorhynchus 大西洋鲭 (Scomber scombrus) 的种群研究中，将
tshawytscha) 种群判别研究中采用条件推理树模 耳石微化学元素数据与耳石外型数据同时作为
型 (Conditional Inference Tree models)； 特征向量，应用 QDA 分类器，最终在西北鲭和
Smoliński 等 [56] 在大西洋鳕 (Gadus morhua) 和大 东北鲭的种群判别中取得了 100% 正确率。该
西洋鲱 (Clupea harengus) 种群判别研究中，评 研究也许能为后续的研究提供一个可行的方案，
估 与 分 析 了 SVM、 QDA、 RF、 KNN、 LDA、 即在任何单一数据无法获得理想预测结果的情
CART 机器学习分类器，结果表明，SVM 是较 况下，考虑融合数据会是一个可行的方案。
优的分类器，分类和回归树 (CART，Classifica- 深度神经网络 自然环境下拍摄的鱼类

https://www.china-fishery.cn 中国水产学会主办 sponsored by China Society of Fisheries
6