基于可解释机器学习的黄鱼形态指标二态性解析与鉴定研究

本研究针对黄鱼(Larimichthys crocea)资源保护中的性别二态性鉴定难题，创新性地采用可解释机器学习技术(SHAP方法)系统分析了耳石形态(OM)与鱼体形态(FM)指标的重要性排序，通过随机森林(RF)、支持向量机(SVM)等模型实现最高71%的鉴定准确率，为海洋生物多样性保护提供了客观精准的技术支撑。

在海洋渔业资源日益衰退的背景下，黄鱼作为我国重要的经济鱼种，其性别二态性研究对种群动态模型构建和资源可持续利用具有关键意义。然而传统形态学分析方法存在主观性强、效率低下等问题，难以满足现代渔业管理的精准化需求。浙江海洋大学的研究团队创新性地将可解释机器学习技术引入黄鱼二态性研究，相关成果发表于《Fisheries Research》。

研究采用机器学习全流程分析方法：首先通过数据可视化、显著性检验和主成分分析(PCA)预处理耳石与鱼体形态数据；继而运用SHAP可解释性算法量化各形态指标贡献度；最后采用K近邻(KNN)、决策树(DT)、随机森林(RF)和支持向量机(SVM)等模型进行性能比较。所有实验数据均来自实际捕捞的黄鱼样本队列。

【数据可视化分析】

通过散点图与概率密度曲线证实，雌雄黄鱼的耳石沟(sulcus)形态差异显著，且OM指标相关性普遍高于FM指标，这为后续机器学习建模提供了数据基础。

【形态指标重要性】

SHAP分析揭示耳石形态指标对性别鉴定的贡献度集中体现在耳石沟区域，其重要性评分是鱼体形态指标的1.5倍，这一发现为后续研究指明了关键靶点。

【模型性能比较】

随机森林模型在两类形态数据上均表现最优：OM指标鉴定准确率达71%，显著高于FM指标的65%。学习曲线分析证实，增加耳石特征数据能更有效提升模型性能。

该研究首次建立了黄鱼二态性的可解释机器学习鉴定体系，其创新性体现在：技术上，将SHAP解释框架与多模型评估相结合，突破传统形态分析的"黑箱"局限；应用上，71%的鉴定准确率为渔业资源调查提供了高效工具。更重要的是，研究明确了耳石形态作为关键生物标记物的地位，为后续开发便携式性别鉴定设备奠定了理论基础。这项工作不仅推动了计算生物学与渔业科学的交叉融合，也为海洋生物多样性保护提供了可推广的技术范式。