长鳍金枪鱼（Thunnus alalunga）以其高经济效益、资源丰富成为世界金枪鱼渔业主要捕捞目标之一,通过研究近年来长鳍金枪鱼捕捞数据发现,太平洋是长鳍金枪鱼鱼群主要分布地点,其中南太平洋（以赤道为界）是中国最重要的作业渔场之一。自2001年以来,我国在南太平洋的金枪鱼捕捞产量呈增长趋势,但是近年来越来越多的国家和地区加入了南太平洋渔业资源的开发,因此进行长鳍金枪鱼渔情预测研究,可以有效提高渔获产量,对于渔业生产以及加强我国在世界渔业组织的地位具有重要意义。随着科学技术的发展,影响渔场分布的海洋环境因素数据获取更加容易,使得相关数据规模越来越大,对该类海量数据进行分析研究是目前世界渔业部门研究热点之一。传统的线性模型在面对复杂多变的海洋环境数据时无法准确分析其关键因子,同时数据量较大导致模型在进行分析预测时会产生较大的误差。随着计算机领域不断深入的研究,机器学习技术在大数据时代能够更加高效的利用数据,对复杂多变的海量数据进行深层次的分析。为了更加精确的对南太平洋长鳍金枪鱼鱼群分布进行预报,提高预报精度,同时发掘出金枪鱼产量与海洋环境因子的关系,本课题根据2000到2015年这十五年内南太平洋区域长鳍金枪鱼的延绳钓生产数据以及海面高度、叶绿素a浓度和海表温度等海洋环境因子以及月份和经纬度等时空数据,将两者进行融合叠加,利用集成学习模型—轻度量化梯度促进机（Light GBM）进行渔场预报。本文主要研究内容如下:（1）在渔场预报研究中,不同的环境因子和时空因子对鱼群分布的影响程度不一样,本研究利用机器学习中的feature＿importances＿方法,计算每种因子的特征重要指数,即对鱼群分布影响的大小,依据得到的输入因子重要性指数,在后续的数据预处理中,对重要性相对较小的因子进行优化或更换,通过这种方法对高维复杂的海洋环境数据进行处理,再利用Light GBM模型对优化后的输入因子进行预测,并利用基于高斯过程的贝叶斯优化算法对模型的超参数进行调优,使得Light GBM模型性能处于最优状态,最终得到的模型最佳预报准确率可达72.7%,对比其他模型,准确率有了显著提高。最后利用2015年的数据进行预报测试,测试结果表明,预测的渔场与真实渔场位置较为一致。（2）针对海量复杂渔业数据处理效率低、用时长等问题,研究基于Spark的Light GBM模型并行优化,该研究主要是将Spark的分布式内存计算与Light GBM模型独特的并行学习算法相结合,提高面对大规模数据集时的计算效率。在渔场预报研究问题中,在多节点Spark集群上运行的Light GBM模型相较于单节点,加速效果得到明显的提升,这表明本课题的渔场预报模型在大数据规模下并行效率较高。