近期，中国水产科学研究院东海水产研究所科研团队在可解释AI赋能印度洋金枪鱼渔场预测领域取得新进展。研究成果《High-efficiency clean production of yellowfin tuna （Thunnus albacares） based on three-dimensional marine environmental variables and interpretable machine learning》发表于工程技术领域国际知名期刊Results in Engineering（2025，IF 7.9，JCR 1区，工程类JCR前5%期刊）。论文结合生产和科考调查信息，聚焦智能工程应用，注重产业落地，在RE期刊首次发表渔场预测类论文，标志着东海所在AI赋能产业工程应用的研究水平得到了相关领域专家的一致肯定，为实现渔业生产的提质增效与促进现代化海洋捕捞提供了重要的科技支撑，东海所石永闯副研究员为第一作者。
黄鳍金枪鱼作为印度洋海域核心经济种类，其资源的可持续开发对我国远洋渔业的高质量发展具有重要战略意义。然而，受中上层海洋环境高度动态变化的影响，黄鳍金枪鱼渔场的时空分布呈现出较强的复杂性与不确定性。针对传统渔场预测模型存在精度不足、解释性差等问题，本研究结合主要水平和垂直海洋环境变量，构建了“多变量融合-机器学习-可解释性集成”的黄鳍金枪鱼渔场智能预测模型研究框架。针对现有研究中训练集与测试集划分缺乏数据驱动依据的问题，系统比较并验证了不同训练集—测试集分配比例对多种模型预测性能的影响，以确定最优配置。同时，引入了SHAP （Shapley Additive Explanations）和LIME （Local Interpretable Model-agnostic Explanations）模型可解释方法对最优模型进行可视化，以量化不同环境变量对模型结果的影响。该研究成果为印度洋黄鳍金枪鱼渔场预测提供了一种可靠的建模方法，能有效提升捕捞效率并实现渔业的可持续生产。
研究结果表明：（1）年渔获量呈现显著的年间波动，并在2004年至2005年达到历史峰值；（2）在所有训练/测试集划分方案中，极度随机树模型 （Extra Trees model）均展现出最优的预测性能，而自适应提升模型（AdaBoost model）的预测性能最差。随着训练样本数量的增加，所有六个模型的预测精度和稳定性均得到改善；（3）全局重要性分析表明，纬度、经度、年份和水温是影响黄鳍金枪鱼分布的关键驱动因素。在局部解释分析中，SHAP依赖性图进一步揭示了不同变量之间存在显著的交互效应，而SHAP力图和LIME解释结果则表明，驱动模型决策的主要变量在正样本和负样本中基本相同，但其具体贡献程度会因样本区域和变量取值而异。
作为东海所西北印度洋渔业综合调查工作的重要成果，该研究不仅将可解释AI技术深度融入远洋渔业生产核心环节，为“智慧捕捞”体系构建提供了精准的决策引擎与技术范本，更通过量化关键环境驱动因素对渔场分布的影响机制，厘清了印度洋黄鳍金枪鱼资源的时空演变规律，为后续开展科学、规范、系统的公海渔业资源调查奠定了坚实的数据基础与方法论支撑。论文得到深远海渔业资源调查项目和农业农村部全球渔业资源调查监测评估（公海渔业资源综合科学调查）专项的资助。
