生态时序预测管道：融合遥感与洄游数据的鲑鱼资源量可解释预报

生态系统的时序预测与商业场景存在本质差异：海洋环境呈现强非平稳性，鲑鱼生命周期跨越淡水与海水多个阶段，观测数据稀疏且采样偏差显著。Bristol Bay 的 sockeye salmon 预测实践表明，成功的预报系统需要同时解决多源数据融合、不确定性量化与可解释输出三大工程难题。

生态时序预测的核心挑战

传统时间序列模型假设数据生成过程的稳定性，但生态系统的驱动因素随气候波动而剧烈变化。研究表明，基于历史回归的预测模型在不同年份间的表现差异巨大，某些年份预测误差可达实际返回量的 50% 以上。这种 "短暂关系" 现象提示：静态模型难以捕捉生态系统的动态演化。

此外，鲑鱼预测面临数据层面的结构性约束。海洋阶段的存活率受海表温度、叶绿素浓度、捕食者丰度等多维因素影响，而洄游阶段的监测数据又存在空间覆盖不全和时间滞后问题。如何整合 MODIS/VIIRS 卫星遥感数据、test fishery 的年龄结构样本与历史 escapement 记录，成为预测管道的首要设计目标。

数据管道架构设计

一个可运营的生态预测管道应当采用分层数据融合策略：

第一层：遥感特征工程

• 海表温度 (SST) 异常指数：计算特定海域的 SST 距平，作为海洋环境胁迫指标
• 叶绿素浓度趋势：提取产卵前期关键海域的初级生产力时序，反映饵料丰度
• 空间聚合策略：按鲑鱼 stock 的 marine distribution 区域进行空间平均，避免像素级噪声

第二层：洄游数据流

• 实时捕获数据：每日按 district 汇总的商业捕捞量，用于 in-season 模型更新
• 年龄结构样本：test fishery 提供的年龄组成数据，支持 age-specific 预测
• 历史基准：preseason forecast 作为贝叶斯先验分布的锚点

第三层：特征对齐

• 时间分辨率统一：将日度捕获数据与月度 / 季度海洋指数对齐
• 空间匹配：建立 stock-specific 的海洋环境关联区域掩膜
• 缺失值处理：生态数据普遍存在缺失，需设计基于物理约束的插补策略

贝叶斯分层建模策略

针对生态预测的不确定性来源，推荐采用分层贝叶斯框架：

模型结构

• 顶层：海洋环境指标对存活率的潜在影响，通过共享参数实现跨年度信息借用
• 中层：district-level 的局部效应，允许不同区域存在差异化响应
• 底层：观测层面的采样误差，显式建模 test fishery 的年龄鉴定不确定性

概率预测输出 不同于点估计，贝叶斯方法直接输出返回量的后验分布。这一特性对渔业管理至关重要：管理者可以根据预测分布的特定分位数（如 10% 和 90%）制定保守或激进的捕捞配额，而非依赖单一数字。

动态更新机制 in-season 预测的核心优势在于能够随新观测数据持续更新。当每日捕获数据流入时，模型通过贝叶斯更新调整返回量分布的参数，实现预测精度的逐日提升。研究表明，整合 2-3 周的 in-season 数据后，预测误差可较 preseason 预报降低 30-40%。

可解释性与决策支持

生态预测的最终用户是渔业管理者，因此可解释性设计必须与决策流程对齐：

归因分析

• 海洋指标贡献度：量化 SST 异常、叶绿素趋势对预测不确定性的边际贡献
• 年龄结构敏感性：识别哪些年龄组的返回量预测对整体结果影响最大
• 情景模拟：支持 "如果 SST 持续偏高" 等假设情景的快速推演

预警阈值

• 低返回量概率：当预测分布的 10% 分位数低于管理阈值时触发黄色预警
• 极端事件概率：当返回量低于历史 5% 分位数的概率超过 20% 时触发红色预警

工程落地要点

数据质量监控

• 遥感数据可用性检查：监控云覆盖率、卫星轨道间隙导致的缺失
• 捕获数据延迟检测：设置数据到达时间的 SLA 告警
• 年龄样本量阈值：当某 district 的样本量低于统计要求时降级预测置信度

模型版本管理

• preseason 模型与 in-season 更新模型分离版本控制
• 保留历史预测快照，支持回溯验证与模型迭代
• A/B 测试框架：对比不同海洋指标组合对预测精度的影响

部署架构

• 批处理层：每日定时触发遥感数据下载与特征计算
• 流处理层：捕获数据的实时接入与增量预测更新
• 服务层：REST API 暴露概率分布参数，支持下游决策系统的集成

局限与演进方向

当前生态预测系统仍面临若干根本限制。首先，模型在不同 salmon stock 间的迁移能力有限，为 Columbia River 训练的模型难以直接应用于 Bristol Bay。其次，气候变化的加速使历史关系假设面临失效风险，需要更频繁地重训练与结构调整。

未来演进方向包括：引入物理海洋模型的输出作为额外预测因子，探索深度学习在捕捉非线性生态关系中的潜力，以及构建跨物种的生态系统级预测框架。但无论技术如何演进，概率化思维与不确定性量化始终是生态预测工程的核心原则。

资料来源

• Hyun, S. (2011). Inseason Forecasts of Sockeye Salmon Returns to the Bristol Bay Districts of Alaska. University of Washington.
• Ovando et al. Evaluating the Potential of Computer-Age Statistical Methods in Ecological Forecasting. GitHub: DanOvando/salmon-forecast-paper.
• Time series and machine learning to forecast the water quality from satellite data. arXiv:2003.11923.

mlops