Page 69 - 《水产学报》2025年第12期

赵春德，等 水产学报, 2025, 49(12): 129306

0.001 时，模型收敛速率显著降低，即便迭代至 2.000
5 000 棵决策树，预测偏差曲线仍未达稳定状态； 1.750 1
当 lr = 0.100 时，各个 tc 下的模型均能在 2 000 预测偏差 predictive deviance 1.500 2 4 8 决策树复杂度 tree complexity
1.250
棵决策树内完成收敛，但存在早熟收敛风险； 1.000
而 lr = 0.010 时，tc = 8 模型在 5 000 棵决策树内 0 1 2 3 4 5
决策树数量/×10 3
实现最小预测偏差 (较 lr = 0.100 降低)，且未出
decision tree count
现过度拟合特征 (图 6)。基于此，确定最优参数 (a)
组合为 lr = 0.010、 tc = 8。经验证，最终模型性 2.000
能指标：决定系数 R = 0.351，RMSE = 1.150， 1.750
2
MAE = 0.769。 预测偏差 predictive deviance 1.500 1 2 4 决策树复杂度 tree complexity
变量重要性分析结果表明，各环境因子对 1.250 8
1.000
柔鱼的影响效应存在差异 (图 7)。各环境变量的 0 1 2 3 4 5
相对重要性主要分布在 3%~8%。其中，S 300 与 决策树数量/×10 3
柔鱼资源丰度的关系最为密切，其相对重要性 decision tree count
(b)
达到 7.729%；其次为 T 和 Chl.a 300 ，相对重要
0
性分别为 6.430% 和 6.216%。值得注意的是， 2.000
1.750
累积强度和 Chl.a 参数的相对重要性分别为 预测偏差 predictive deviance 1.500 1 2 决策树复杂度 tree complexity
0
3.427% 和 4.265%，在表征柔鱼资源丰度方面具 1.250 4 8
有一定的生态指示作用。 1.000 0 1 2 3 4 5
模型对比分析表明，所有环境参数在热浪 决策树数量/×10 3
和非热浪状态下，其响应趋势保持一致。相较 decision tree count
于非热浪状态，热浪状态下的 CPUE 数值更高。 (c)
对于热浪参数，CPUE 随累积强度的增强呈小 图 6 不同学习率和复杂度下的模型预测偏差与
幅度上升趋势。对于 T 参数，当 T 与 T 处于 决策树数量的关系
50
0
13~23 ℃ 时，CPUE 随温度升高而上升；当 T 300 (a)~(c) 分别表示学习率为 0.100、0.010 及 0.001 时，模型的预测偏差。
处于 12~16 ℃ 时，CPUE 同样随温度升高而增 Fig. 6 The relationship between predictive deviance
加。对于 S 参数，S 300 在 33.6~33.9 时，CPUE and number of trees for models fitted with four learning
能维持在较高水准。对于 Chl.a 参数而言，CPUE rates and four levels of tree complexity
会随着 Chl.a 的升高而上升，在 Chl.a 处于 (a)-(c) show the predictive deviance of the model when the learning rates
0 0
1.200 mg/m 时 达 到 最 高 值 ； CPUE 则 随 着 are 0.100, 0.010 and 0.001, respectively.
3

S
300
T
0
Chl.a 300
environmental variable DO 50
T
300
MLD
环境变量 Chl.a 50
SSH
T
50
DO 150
Chl.a 0
Chl.a 100
海洋热浪累积强度
cumulative intensity
0 2 4 6 8
相对重要性/%
relative importance
图 7 环境变量的相对重要性
Fig. 7 Relative importance of the environmental variables

中国水产学会主办 sponsored by China Society of Fisheries https://www.china-fishery.cn
5