Пространственно-временной анализ динамики запаса Камчатского краба в Баренцевом море с использованием SDM-методов

   В основу исследования положен метод стандартизации оценок запаса камчатского краба в Баренцевом море с учётом пространственно-временной изменчивости, построенный на базе обобщённых аддитивных моделей со смешанными эффектами (GAMM) в рамках пакета sdmTMB (R). Анализ данных специализированных и экосистемных съёмок (2019–2024 гг.) выявил ключевые предикторы распределения вида: придонная температура (5–7 °C), глубина (25–150 м) и удалённость от берега (0–150 км). Установлено, что переход к экосистемным съёмкам снижает оценки плотности на 89 %, что подчёркивает необходимость стандартизации методов. Прогноз в рамках климатического сценария SSP5-8.5 показал смещение ареала краба к северо-востоку, включая прибрежные зоны архипелага Новая Земля, к 2100 г. Результаты демонстрируют, что учёт пространственно-временной автокорреляции и ансамблевое моделирование повышают точность оценок, обеспечивая основу для адаптивного управления ресурсами в условиях климатической нестабильности.

1. Баканев, С.В., Стесько А.В. Пространственно-временная стандартизация индекса запаса при выполнении исследовательских съёмок (на примере Камчатского краба в Баренцевом море) // Вопр. рыболовства. 2024. Т. 25. № 3. С. 181–196.

2. Изучение экосистем рыбохозяйственных водоёмов, сбор и обработка данных о водных биологических ресурсах, техника и технология их добычи и переработки. Выпуск 1. Инструкции и методические рекомендации по сбору и обработке биологической информации в морях Европейского севера и Северной Атлантики. 2-е изд., испр. и доп. М.: Изд-во ВНИРО, 2004. 300 с.

3. Иоганзен Б.Г., Файзова Л.В. Об определении показателей встречаемости, обилия, биомассы и их соотношения у некоторых гидробионтов // Элементы водных экосистем. М.: Наука, 1978. С. 215–225.

4. Киктев Д.Б., Муравьев А.В., Бундель А.Ю. Методические рекомендации по верификации метеорологических прогнозов. М.: Типография АМА ПРЕСС, 2021. 94 с.

5. Кулик В.В., Савин А.Б., Мальцев И.В. и др. Индекс биомассы трески в Западно-Беринговоморской зоне с учётом придонной температуры с 1977 по 2024 гг. // Современные методы оценки и рационального использования водных биологических ресурсов : Материалы II Международной научно-практической конференции, Москва, 18–22 ноября 2024 года. Москва: ГНЦ РФ ФГБНУ «ВНИРО», 2025. С. 95–98.

6. Мастицкий С.Э., Шитиков В.К. Статистический анализ и визуализация данных с помощью R. 2014. Электронная книга, адрес доступа: http://r-analytics.blogspot.com

7. Шитиков В.К. Модели распределения видов // Принципы экологии. 2021. № 4. С. 98–100.

8. Allouche O., Tsoar A., Kadmon R. Assessing the accuracy of species distribution models: Prevalence, kappa and the true skill statistic (TSS) // J. Applied Ecology. 2006. V. 43. P. 1223–1232.

9. Anderson S.C., Ward E.J. Black swans in space: modeling spatiotemporal processes with extremes // Ecology. 2019. V. 100: e02403.

10. Anderson S.C., Ward E.J., English P.A., Barnett L.A.K. sdmTMB: an R package for fast, flexible, and user-friendly generalized linear mixed effects models with spatial and spatiotemporal random fields. bioRxiv 2022.03.24.485545. 2022. 35 p.

11. Assis J., Tyberghein L., Bosch S. et al. BioORACLE v3.0: Expanding marine data layers for biogeographical modelling // Global Ecology and Biogeography. 2024. V. 33(4). P. 123–135.

12. Breheny P., Burchett W. Visualization of Regression Models Using visreg // The R Journal. 2017. V. 9/2. P. 56–71.

13. Eyring V., Bony S., Meehl G. A. et al. Overview of the Coupled Model Intercomparison Project Phase 6 (CMIP6) experimental design and organization // Geoscientific Model Development. 2016. V. 9. P. 1937–1958.

14. Fielding A.H., Bell J.F. A review of methods for the assessment of prediction errors in conservation presence/absence models // Environmental Conservation. 1997. V. 24. № 1. P. 38–49.

15. Fisher R.A. The design of experiments. London: Oliver and Boyd, 1935. 252 p.

16. Frame B., Lawrence J., Ausseil A.G., Reisinger A., Daigneault A. Adapting global shared socio-economic pathways for national and local scenarios // Climate Risk Management, 2018. V. 21. P. 39–51.

17. Guisan A., Thuiller W., Zimmermann N. Habitat Suitability and Distribution Models. With Applications in R. Cambridge University Press, 2017. 462 p.

18. Hosmer D.W., Lemeshow S. Applied logistic regression. 2^nd ed. Wiley, 2000. 397 p.

19. Mielke P.W., Berry K.J. Permutation Methods: A Distance Function Approach. Springer Series in Statistics. New York: Springer, 2001. 446 p.

20. Notz D. Arctic Sea Ice in CMIP6 // Geophysical Research Letters, 2020. V. 47. 11 p.

21. Pearson R.G. Species’ distribution modeling for conservation educators and practitioners // American Museum of Natural History. Lessons in Conservation, 2007. V. 3. P. 54–89.

22. Shono H. Application of the Tweedie distribution to zero-catch data in CPUE analysis // Fisheries Research, 2008. V. 93. P. 154–162.

23. Shelton A.O., Thorson J.T., Ward E.J., Feist B.E. Spatial semiparametric models improve estimates of species abundance and distribution// Can. J. Fish. Aquat. Sci., 2014. V. 71. № 11. P. 1655–1666.

24. Thuiller W. BIOMOD – optimizing predictions of species distributions and projecting potential future shifts under global change // Global Change Biology, 2003. V. 9. P. 1353–1362.

25. Tweedie M.C. An index which distinguishes between some important exponential families. In: Statistics: Applications and New Directions. Proc. Indian Statistical Institute Golden Jubilee International Conference. 1984. P. 579–604.