MULTI-MODEL APPROACH TO SOME MARINE BIOLOGICAL RESOURCES STOCK FORECAST IN SAKHALIN-KURIL REGION
Abstract
The use of modern methods of estimation and forecast of marine biological resources stocks is required due to the needs of domestic economy and the demands of international agreements for fisheries. These reasons lead to the increasing use of math modeling for practical estimations of total allowable catch (TAC). From one hand some specialists face difficulties choosing a correct math model and its parameters evaluation methods. From the other hand, after choosing one specific model they reject the other ones, though they still can have some advantages. Moreover different business entities can use seemingly equal models to manage the fishery while those models give significantly different results. Therefore, it is important to take various scenarios into consideration while managing the fisheries. The given paper studies some aspects of choosing a model and of multi-model outcomes on examples of some marine biological resources stock of Sakhalin-Kuril region.
About the Authors
I. S. Chernienko
Pacific Ocean Branch of Russian Federal Research institute of Fisheries and Oceanography (TINRO)
Russian Federation
Russian Federation
E. P. Chernienko
Pacific Ocean Branch of Russian Federal Research institute of Fisheries and Oceanography (TINRO)
Russian Federation
Russian Federation
References
1. Бабаян В. К. Предосторожный подход к оценке общего допустимого улова (ОДУ). М.: ВНИРО, 2000. 98 с.
2. Галанин, Д.А., Дегтерева Т. С. Ресурсы колючего краба (Paralithodes brevipes) восточного Сахалина по результатам сравнительной оценки ловушечных и водолазных уловов (Текст): отчет о НИР (промежуточ.): 11829 // Южно-Сахалинск: Сахалинский науч.-исслед. ин-т рыбного хоз-ва и океанографии, 2013. 60 с.
3. Де Гроот М. Оптимальные статистические решения. M.: Мир., 1974. 498 с.
4. Михеев А. А. Расчет оптимального изъятия донных беспозвоночных // Рыбн. хоз-во. 1999. С. 41-43.
5. Михеев А. А., Букин С. Д., Первеева Е. Р. и др. Оценка запасов беспозвоночных в Сахалино-Курильском районе на основе анализа временных рядов уловов с применением фильтра Калмана // Известия ТИНРО. 2012. Т. 168. С. 99-120.
6. Михеев А. А. Применение фильтра Калмана в когортной модели для корректировки оценок запаса при наличии неучтенного вылова // Вопр. рыболовства. 2016. Т. 17. № 1. С. 20-41.
7. Михеев А. А. К феноменологии популяционной динамики горбуши на примере Сахалино-Курильских стад // Вопр. рыболовства. 2018. Т. 19. № 1. С. 99-114.
8. Первеева Е.Р Распределение и биология стригуна опилио Chionoecetes opilio (Fabricius, 1788) в водах, прилегающих к острову Сахалин (Текст): автореф. дис. на соиск. учен. степ. канд. биол. наук (03.00.18)/ Первеева Екатерина Романовна; ФГУП«СахНИРО». Москва, 2005. 22 с.
9. Приказ Росрыболовства от 06.02.2015 № 104 (ред. от 04.04.2016) «О представлении материалов, обосновывающих общие допустимые уловы водных биологических ресурсов во внутренних водах Российской Федерации, а также в территориальном море Российской Федерации, на континентальном шельфе Российской Федерации и в исключительной экономической зоне Российской Федерации, в Азовском и Каспийском морях, а также внесении в них изменений».
10. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетичеcкие алгоритмы и нечеткие системы. 2-е изд. М.: Горячая Линия - Телеком, 2007. 425 с.
11. Сафронов С. Н. Экология дальневосточной наваги Eleginus gracilis Tilesius (Gadidae) шельфа Сахалина и Южных курильских островов. Автореф. дис. на соиск. учен. степ. канд. биол. наук (03.00.10) / Сафронов Сергей Никитич; СахТИНРО. Владивосток, 1986. 24 с.
12. ФАО. Кодекс ведения ответственного рыболовства. Рим: ФАО, 1995. 91 с.
13. Черниенко И. С. Моделирование динамики запаса колючего краба Paralithodes brevipes южных Курильских островов конечно-разностной моделью с запаздыванием // Известия ТИНРО. 2016. Т. 185. С. 102-111.
14. Шитиков В. К., Розенберг Г. С. Рандомизация и будстреп: статистический анализ в биологии и экологии с использованием R. Тольятти: «Кассандра», 2013. 289 с.
15. Auger-Méthé M., Field C., Albertsen C. M. et. al. State-space models’ dirty little secrets: even simple linear Gaussian models can have estimation problems // Sci. Rep. 2016. V. 6. № 1. P. 1-10.
16. Bordet C., Rivest L.- P. A stochastic Pella Tomlinson model and its maximum sustainable yield // J. Theor. Biol. 2014. V. 360. P. 46-53.
17. Burnham K. P., Anderson D. R. Model selection and multimodel inference: a practical information-theoretic approach. New York, NY: Springer, 2002. 488 p.
18. Claeskens G., Hjort N. L. Model selection and model averaging. Cambridge: Cambridge University Press, 2008. 320 p.
19. Chamberlin T. C. The Method of Multiple Working Hypotheses // Science. 1965. V. 148. № 3671. P. 754-759.
20. Gelissen S. R code for implementing the extended Kalman filter - R code, simulations, and modeling. URL: http://blogs2. datall-analyse.nl/2016/02/11/rcode_extended_kalman_filter/
21. Jiao Y., Reid K., Smith E. Model Selection Uncertainty and Bayesian Model Averaging in Fisheries Recruitment Modeling// The Future of Fisheries Science in North America / R. J. Beamish, B. J. Rothschild (Eds.). Dordrecht: Springer Netherlands, 2009. P. 505-524.
22. Kullback S., Leibler R. A. On Information and Sufficiency // Ann. Math. Stat. 1951. V. 22. № 1. P. 79-86.
23. Meinhold R. J., Singpurwalla N. D. Understanding the Kalman Filter // Am. Stat. 1983. V. 37. № 2. P. 123-127.
24. Meyer R., Millar R. B. Bayesian Stock Assessment using a State-Space Implementation of the Delay Difference Model // Can. J. Fish. Aquat. Sci. 1998. V. 56. P. 37-52.
25. Millar C. P., Jardim E., Scott F. et. al. Model averaging to streamline the stock assessment process // ICES J. Mar. Sci. 2015. Vol. 72. № 1. P. 93-98.
26. Newman K. B., Buckland S. T., Morgan B. J.T. et. al. Modelling population dynamics: model formulation, fitting and assessment using state-space methods. New York: Springer, 2014. 215 p.
27. Pedersen M. W., Berg C. W. A stochastic surplus production model in continuous time // Fish Fish. 2017. V. 18. № 2. P. 226-243.
28. Quinn T. J.I., Deriso R. B. Quantitative Fish Dynamics. New York; Oxford: Oxford University Press, 1999. 542 p.
29. Särkkä S. Bayesian filtering and smoothing. Cambridge: Cambridge Univ. Press, 2013. 232 р.
30. Schnute J. T. A General Theory for Analysis of Catch and Effort Data // Can. J. Fish. Aquat. Sci. 1985. V. 42. № 1970.P. 414-429.
31. Schnute J. T. A General Fishery Model for a Size-Structured Fish Population // Can. J. Fish. Aquat. Sci. 1987. V. 44. № 1980.P. 924-940.
32. Scrucca L. GA: A Package for Genetic Algorithms in R // J. Stat. Softw. 2013. V. 53.№ 4.
33. Thorson J. T. Forecast skill for predicting distribution shifts: A retrospective experiment for marine fishes in the Eastern Bering Sea // Fish and Fisheries. 2019. V. 20. № 1. P. 159-173
34. Tsagris M., Athineou G. Compositional: Compositional Data Analysis. URL: https://CRAN.R-project.org/ package=Compositional
35. Wan E. A., Merwe R. van der. TheUnscented Kalman Filter // Kalman Filtering and Neural Networks / by ed. S. Haykin. New York, USA: John Wiley & Sons, Inc., 2001. P. 221-280.
36. Wang G. On the latent state estimationof nonlinear population dynamics using Bayesian and non-Bayesian state-space models // Ecol. Model. 2007. V. 200. № 3-4. P.521-528.
Review
For citations:
Chernienko I.S., Chernienko E.P. MULTI-MODEL APPROACH TO SOME MARINE BIOLOGICAL RESOURCES STOCK FORECAST IN SAKHALIN-KURIL REGION. Problems of Fisheries. 2019;20(3):374-386. (In Russ.)
Email this article 