Interpretable machine learning reveals threshold effects of blue mussel (Mytilus edulis) fouling on the hydrodynamic response of the marine aquaculture netting

本研究由中国海洋大学水产学院海洋渔业技术研究室团队完成。研究室在读博士生孙名山为本文第一作者，毕春伟教授为本文通讯作者，张树斌博士后为论文合作者。

创新点

本研究融合真实海区污损调查、规则波物理模型试验与可解释机器学习，构建了紫贻贝污损特征与网衣水动力响应的预测及阈值识别框架。2024年5—7月在黄海西南部养殖区采集不同附着位置和污损程度的紫贻贝污损网片，通过规则波水槽试验获取阻力及阻力系数，并采用RF、XGBoost、CatBoost和ExtraTrees建立预测模型。与人工模拟污损或经验关系不同，本研究直接采用真实紫贻贝污损网片，将个体形态、附着数量、网目堵塞率、附加重量及波浪参数纳入预测框架，并结合RFE、SHAP和GAM识别关键变量及非线性阈值。结果表明，ExtraTrees泛化能力最佳，阻力和阻力系数预测R²分别达0.869和0.897。当网目堵塞率约54%、单位面积附加污损重量约7.2 kg/m²、附着密度约2091 ind/m²、个体湿重约2.1 g时，模型预测阻力的正向贡献开始增强。该研究将生物污损与工程载荷响应相联系，为网衣污损风险预警、清洗时机判断及网箱结构安全评估提供了可解释的数据驱动方法。

导读

随着海水养殖向规模化、深远海和智能化发展，网衣生物污损对网箱运行效率与结构安全的影响日益突出。紫贻贝（Mytilus edulis）作为典型硬质污损生物，可通过足丝在网衣表面形成密集且不均匀的附着群体，导致网目堵塞，局部厚度、粗糙度和附加重量增加，削弱网箱内外水体交换，并提高波浪和水流作用下的水动力载荷，增大网衣变形和结构失效风险。因此，量化紫贻贝污损程度与网衣水动力响应的关系并识别关键阈值，对污损预警和科学维护至关重要。已有物理模型试验和数值模拟揭示了网衣密实度、网线直径、污损长度及丰度等对水动力性能的影响，但多采用人工材料模拟污损，难以反映真实紫贻贝的附着形态、贝壳堆叠和局部堵塞特征；同时，研究多关注污损程度与阻力变化的关系，对多生物学指标共同作用及阻力明显增强的阈值仍缺乏定量认识。机器学习虽能识别多因素非线性关系，但传统模型解释能力有限，难以直接转化为监测与维护依据。如何结合真实污损网衣试验与可解释机器学习，建立具阈值识别能力的水动力风险预测方法，仍需进一步研究。

针对上述问题，本研究在黄海西南部养殖海区开展紫贻贝污损现场调查，分析不同月份及网箱不同结构位置的生长与附着特征，并选取代表性污损网片开展规则波水槽试验。试验采用0.4 m × 0.4 m网片，设置不同波况，测定网片阻力及相关水动力系数。基于试验数据，采用RF、XGBoost、CatBoost和ExtraTrees进行预测比较，并通过同组网片交叉验证降低信息泄漏风险。进一步结合SHAP与GAM识别关键污损指标及其非线性阈值，构建从生物污损表征、水动力载荷预测到工程风险识别的分析框架，为养殖网衣智能监测和差异化清洗维护提供参考。

结论

本研究融合海区现场观测、规则波水槽试验与可解释机器学习，揭示了紫贻贝污损对养殖网衣水动力响应的影响及非线性阈值。紫贻贝在网箱不同位置和生长期呈明显时空差异，较大且密集附着多集中于侧网—底网连接处及沉子附近。污损增加网目堵塞率、附加重量和局部厚度，显著增强波浪载荷；与清洁网衣相比，平均阻力约增15倍，阻力系数约增2倍。阻力随堵塞率、波高和周期增大；阻力系数随堵塞率和周期增大，随波高下降，呈明显非线性。

四种树集成算法中，ExtraTrees预测最优，阻力和阻力系数R²分别为0.869和0.897。SHAP与GAM表明，附着数量、堵塞率、附加重量、个体湿重及波浪条件为主要影响因素；当堵塞率约54%、附加重量约7.2 kg/m²、附着密度约2091 ind/m²、个体湿重约2.1 g时，其对阻力的正向贡献增强。该阈值可供相似条件下污损监测与载荷风险识别参考，但非普适安全极限。该框架可将生物污损特征转化为工程风险指标，为网衣清洗、污损预警和网箱安全管理提供支持；未来需纳入多种类生物污损、不规则波流及实尺度验证，以提高泛化能力。

论文图形摘要

期刊介绍

Computers and Electronics in Agriculture是 Elsevier 出版的农业信息化与智能工程领域国际学术期刊，主要关注计算机、电子信息和智能技术在农业生产系统中的应用，涵盖机器学习、人工智能、传感器技术、机器视觉、智能控制、机器人技术及仿真建模等研究方向。其研究范围包括水产养殖、畜牧业、种植业和农业工程等，强调计算机及电子技术创新与实际生产和工程问题的紧密结合。期刊2025年度影响因子为 10.3，JCR分区为农业综合（Agriculture, Multidisciplinary）Q1、计算机跨学科应用（Computer Science, Interdisciplinary Applications）Q1；2025版中科院分区为农林科学1区（Top期刊）。

引用信息

Sun, M.-S., Bi, C.-W., & Zhang, S.-B. Interpretable machine learning reveals threshold effects of blue mussel (Mytilus edulis) fouling on the hydrodynamic response of the marine aquaculture netting. Computers and Electronics in Agriculture, 2026, 112492. https://doi.org/10.1016/j.compag.2026.112492