前面提到的两类模型都属于经验/现象模型。经验/现象模型是静态、平均化的模型，它假设鱼类行为与外界环境之间具有某种均衡。与经验/现象模型不同，机理/过程模型和理论模型注重考虑实际渔场形成过程中的动态性和随机性。在这一过程中，鱼类的行为时刻受到各种瞬时性和随机性要素的影响，不一定能与外界环境之间达到假设中的均衡[21]。渔场形成是一个复杂的过程，对这个过程的理解不同，所采用的模型也不同。部分模型借助数值计算方法再现鱼类洄游和集群、种群变化等动态过程，常见的有生物量均衡模型、平流扩散交互模型、基于三维水动力数值模型的物理-生物耦合模型等。如Doan等[82]采用生物量均衡方程进行越南中部近海围网和流刺网渔业的渔情预报研究，Rudorff等[83]利用平流扩散方程研究大西洋低纬度地区龙虾幼体的分布，李曰嵩[84]利用非结构有限体积海岸和海洋模型建立了东海鲐早期生活史过程的物理-生物耦合模型。另外一些模型则着眼于鱼类个体的行为，通过个体的选择来研究群体的行为和变化。如Dagorn等[85]利用基于遗传算法和神经网络的人工生命模型研究金枪鱼的移动过程，基于个体的生态模型(individual-basedmodel，IBM)也被广泛地应用于鱼卵与仔稚鱼输运过程的研究[86]。

3分析与展望

综上所述，随着现代统计学、人工智能和数据挖掘技术、数值计算以及物理海洋等学科的发展，许多模型和方法都显示出了巨大的潜力。但也应看到，这些方法也存在一些固有的局限性。例如各类统计学方法应用较为简单，但对建模者的渔业专家知识要求较高，同时由于模型结构固定，因此预测能力有限。机器学习和人工智能方法对建模者的专家知识没有太多要求，但大多数模型结构复杂多变，因此对建模者的实际应用经验要求较高。各类机理/过程模型和理论模型能充分考虑渔场形成过程中的动态性和随机性，但由于缺乏实时数据的支持，主要还是只是用于鱼类生态过程研究。成功的渔场预报系统需要强大的渔场环境预报系统的支持。国内由于技术条件的限制，渔情预报软件系统一般只能使用近实时的海洋环境数据代替预测数据进行预报，这种处理方式对模型预报精度有一定影响。针对这种情况，建议以三维水动力数值模型为基础，研究实时海洋遥感和Argos浮标观测数据的有效获取和融合方法，建立专为渔业服务的海洋环境预报系统，为渔情预报系统提供时空分辨率较高的海洋环境数据。准确的渔情预报建立在对目标鱼种生活史过程、种群状况和渔场形成机制的了解和把握的基础上。要获得这些知识，必须对目标鱼种进行长期和系统的资源调查，了解目标鱼种的产卵场、育肥场和越冬场的空间分布、幼体和成体的生长和移动过程、种群内不同群体的组成、渔业过程对种群本身的影响、渔场形成的条件以及渔汛各阶段的特点等，从整体上把握目标鱼种的生活史过程和种群状况。海洋鱼类空间分布范围广、变化性强，不同鱼种之间也具有较大差异，调查中需要针对不同鱼种和海区对数据获取和处理方法进行研究，对采样点的空间分布、采样时间、调查项目、数据重采样方式等进行标准化和规范化，以保证数据的有效性和易用性。此外，渔捞日志作为目前渔场预报模型建模中渔业数据的主要来源，也应针对商业捕捞的特点进行标准化和规范化。最后，渔场预报模型构建过程中也有许多需要完善的地方。首先，由于多个环境因子的限制作用、相互作用和条件作用，确定鱼群对于单一环境因子的响应曲线时只能依赖于某些生态学假设[87]，而这些假设可能与实际情况有偏差。其次，出于现实的考虑，研究者在建立渔情预报模型时一般使用容易获取的环境因子，而某些对渔场形成较关键但获取或表达困难的环境因子也有可能被忽略。另外，目前建立预报模型所用到的遥感数据反演精度有限，渔捞日志数据也常受到人为因素的影响，因此在准确性和代表性上有一定欠缺。这些问题都会增加渔情预报模型的不确定性，从而对预报精度产生影响。要解决这些问题，建议从渔场形成的大背景出发选择重要的环境因子，以严格的渔业海洋学、物理海洋学、生态动力学等调查与实验为基础来确定关系模型。此外，应以实际渔业生产数据和随机模拟方法相结合建立渔场随机模拟系统，通过计算机模拟的方式寻找合理的建模方法，尽可能减少数据本身的误差和不确定性，提高渔情预报模型的精度。

相关推荐：

关于水产资源引种状况探讨

关于水产资源制度构建状况及评价