tinroИзвестия ТИНРОIzvestiya TINRO1606-99192658-5510ТИНРО10.26428/1606-9919-2024-204-1018-1034TREJKRtinro-1008Research ArticleМЕТОДИКА ИССЛЕДОВАНИЙMETHODS OF INVESTIGATIONSПрименение методов машинного обучения для восстановления размерно-полового состава уловов краба-стригуна опилиоApplication of machine learning methods to restore size-sex composition in catches of snow crabhttps://orcid.org/0000-0002-6410-0081ЧерниенкоИ. С.ChernienkoI. S.

Черниенко Игорь Сергеевич, кандидат биологических наук, ведущий научный сотрудник

690091, г. Владивосток, пер. Шевченко, 4

Igor S. Chernienko, Ph.D., leading researcher

4, Shevchenko Alley, Vladivostok, 690091

igor.chernienko@tinro.vniro.ruhttps://orcid.org/0009-0006-9368-0771СлизкинА. Г.SlizkinA. G.

Слизкин Алексей Гаврилович, кандидат биологических наук, ведущий научный сотрудник

690091, г. Владивосток, пер. Шевченко, 4

Aleksei G. Slizkin, Ph.D., leading researcher

4, Shevchenko Alley, Vladivostok, 690091

aleksei.sleezkin@tinro.vniro.ruhttps://orcid.org/0000-0003-0920-5312КуликВ. В.KulikV. V.

Кулик Владимир Владимирович, кандидат биологических наук, заведующий лабораторией

690091, г. Владивосток, пер. Шевченко, 4

Vladimir V. Kulik, Ph.D., head of laboratory

4, Shevchenko Alley, Vladivostok, 690091

vladimir.kulik@tinro.vniro.ruТихоокеанский филиал ВНИРО (ТИНРО)РоссияPacific branch of VNIRO (TINRO)Russian Federation202431122024204410181034Copyright © Черниенко И.С., Слизкин А.Г., Кулик В.В., 20242024Черниенко И.С., Слизкин А.Г., Кулик В.В.Chernienko I.S., Slizkin A.G., Kulik V.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://izvestiya.tinro-center.ru/jour/article/view/1008

Выявлены статистические связи между условиями окружающей среды и пространственным распределением размерно-половых групп краба-стригуна опилио в Западно-Беринговоморской зоне. На основе найденных закономерностей выполнено восстановление значений абсолютных траловых уловов размерно-половых групп, отсутствующих в базах данных. Для формирования входных переменных и оценки статистических связей использовались методы машинного обучения, которые могут быть применены к другим единицам запаса донных гидробионтов.

Impact of environmental conditions on spatial distribution of size-sex groups is described statistically for snow crab Chionoecetes opilio. Based on the relationships identified, absolute values of catches are calculated for each such group. Machine learning approach is implemented for the feature engineering and statistical relationships evaluation. The approach can be adopted for other benthic stocks.

Берингово морекраб-стригун опилио Chionoecetes opilioсостав улововусловия обитания гидробионтовмашинное обучениеBering Seasnow crabChionoecetes opiliocatch compositionhabitat environmentmachine learningВыражаем искреннюю благодарность сотрудникам ТИНРО, ВНИРО и его филиалов, на протяжении десятилетий добросовестно собиравших материалы в процессе научно-исследовательских работ и наблюдений на промысле. Мы глубоко признательны начальнику отдела промысловой статистики и баз данных Н.Н. Герасимову за его титанический труд, связанный с ведением баз данных ТИНРО.The authors are heartily grateful to their colleagues in TINRO and other branches of VNIRO, who for decades conscientiously collected the materials on snow crab in research surveys and aboard fishing vessels, and particularly thankful to N.N. Gerasimov, head of the Fishery Statistics and Databases department, for his titanic labour in maintaining the databases of the Pacific branch of VNIRO (TINRO).ReferencesБизиков В.А., Гончаров С.М., Поляков А.В. Географическая информационная система «Картмастер» // Рыб. хоз-во. — 2007. — № 1. — С. 96–99.Bizikov, V.A., Goncharov, S.M., and Polyakov, A.V., The geographical informational system CardMaster, Rybn. Khoz., 2007, no. 1, pp. 96–99.Ильин О.И., Иванов П.Ю. К оценке состояния запасов краба-стригуна бэрди Камчатско-Курильской подзоны // Исслед. водн. биол. ресурсов Камчатки и сев.-зап. части Тихого океана. — 2018. — Вып. 50. — С. 27–33. DOI: 10.15853/2072-8212.2018.50.27-33.Ilyin, O.I. and Ivanov, P.Yu., To the stock abundance assessment of Tanner crab in the Kamchatka-Kurile subzone, Issled. Vodn. Biol. Resur. Kamchatki Sev.-Zapadn. Chasti Tikhogo Okeana, 2018, vol. 50, pp. 27–33. doi 10.15853/2072-8212.2018.50.27-33Ильин О.И., Иванов П.Ю. Об одном модельном подходе к оценке состояния запасов камчатского краба Paralithodes camtschaticus западнокамчатского шельфа // Изв. ТИНРО. — 2015. — Т. 182. — С. 38–47. DOI: 10.26428/1606-9919-2015-182-38-47.Ilyin, O.I. and Ivanov, P.Yu., On one model approach to stock assessment for red king crab Paralithodes camtschaticus on the shelf of West Kamchatka, Izv. Tikhookean. Nauchno-Issled. Inst. Rybn. Khoz. Okeanogr., 2015, vol. 182, pp. 38–47. doi 10.26428/1606-9919-2015-182-38-47Кулик В.В., Горюнов М.И. Применение метода машинного обучения для оценки биомассы трески в Северо-Курильской зоне // Изв. ТИНРО. — 2022. — Т. 202, вып. 4. — С. 1002–1014. DOI: 10.26428/1606-9919-2022-202-1002-1014. EDN: IAVNBZ.Kulik, V.V. and Goryunov, M.I., Application of the machine learning method to estimate the biomass of pacific cod in the North Kuril zone, Izv. Tikhookean. Nauchno-Issled. Inst. Rybn. Khoz. Okeanogr., 2022, vol. 202, no. 4, pp. 1002–1014. doi 10.26428/1606-9919-2022-202-1002-1014. EDN: IAVNBZ.Макрофауна бентали западной части Берингова моря: таблицы встречаемости, численности и биомассы. 1977–2010 / В.П. Шунтов, И.В. Волвенко, В.В. Кулик, Л.Н. Бочаров; под ред. В.П. Шунтова и Л.Н. Бочарова. — Владивосток : ТИНРО-центр, 2014. — 803 с.Shuntov, V.P., Volvenko, I.V., Kulik, V.V., and Bocharov, L.N., Makrofauna bentali zapadnoi chasti Beringova morya: tablitsy vstrechaemosti, chislennosti i biomassy. 1977–2010 (Benthic Macrofauna of the Western Part of the Bering Sea: Occurrence, Abundance, and Biomass. 1977–2010), Shuntov, V.P. and Bocharov, L.N., Eds., Vladivostok: TINRO-Tsentr, 2014.Надточий В.А., Будникова Л.Л., Безруков Р.Г. Некоторые результаты бонитировки бентоса в российских водах дальневосточных морей: состав и количественное распределение (Охотское море) // Изв. ТИНРО. — 2007. — Т. 149. — С. 310–337.Nadtochy, V.A., Budnikova, L.L., and Bezrukov, R.G., Some results of benthos valuation in Russian waters of the Far Eastern Seas: composition and quantitative distribution (Okhotsk Sea), Izv. Tikhookean. Nauchno-Issled. Inst. Rybn. Khoz. Okeanogr., 2007, vol. 149, pp. 310–337.Надточий В.А., Колпаков Н.В. Макрозообентос Олюторского залива (Берингово море) четверть века спустя: состав, распределение, сообщества // Изв. ТИНРО. — 2022. — Т. 202, вып. 1. — С. 161–171. DOI: 10.26428/1606-9919-2022-202-161-171.Nadtochy, V.A., and Kolpakov, N.V., Macrozoobenthos of the Olyutorsky Bay(Bering Sea) a quarter of century later: composition, distribution, communities, Izv. Tikhookean. Nauchno-Issled. Inst. Rybn. Khoz. Okeanogr., 2022, vol. 202, no. 1, pp. 161–171. doi 10.26428/1606-9919-2022-202-161-171Надточий В.А., Колпаков Н.В., Корнейчук И.А. Распределение таксонов макрозообентоса — потенциальных индикаторов уязвимых морских экосистем в западной части Берингова моря. 2. Чукотский и корякский районы // Изв. ТИНРО. — 2017a. — Т. 190. — С. 177–195. DOI: 10.26428/1606-9919-2017-190-177-195.Nadtochy, V.A., Kolpakov, N.V., and Korneichuk, I.A., Distribution of macrozoobenthic taxa — potential indicators of vulnerable marine ecosystems in the western part of Bering Sea. 2. Chukotka and Koryak districts, Izv. Tikhookean. Nauchno-Issled. Inst. Rybn. Khoz. Okeanogr., 2017, vol. 190, pp. 177–195. doi 10.26428/1606-9919-2017-190-177-195Надточий В.А., Колпаков Н.В., Корнейчук И.А. Распределение таксонов макрозообентоса — потенциальных индикаторов уязвимых морских экосистем в западной части Берингова моря. 1. Анадырский район // Изв. ТИНРО. — 2017б. — Т. 189. — С. 156–170. DOI: 10.26428/1606-9919-2017-189-156-170.Nadtochy, V.A., Kolpakov, N.V., and Korneichuk, I.A., Distribution of macrozoobenthic taxa — potential indicators of vulnerable marine ecosystems in the western part of Bering Sea. 1. Anadyr Bay area, Izv. Tikhookean. Nauchno-Issled. Inst. Rybn. Khoz. Okeanogr., 2017, vol. 189, pp. 156–170.Поляков А.В. Программа построения карт распределения запаса и планирования съемки. — М. : ВНИРО, 1995. — 46 с.Polyakov, A.V., Programma postroyeniya kart raspredeleniya zapasa i planirovaniya s”yemki (The program for the construction of stock distribution maps and survey planning), Moscow: VNIRO, 1995.Руководство по изучению десятиногих ракообразных Decapoda дальневосточных морей / сост. В.Е. Родин, А.Г. Слизкин, В.И. Мясоедов и др. — Владивосток : ТИНРО, 1979. — 59 с.Rodin, V.E., Slizkin, A.G., Myasoedov, V.I., Barsukov, V.N., Miroshnikov, V.V., Zgurovskii, K.A., Kanarskii, O.A., and Fedoseev, V.Ya., Rukovodstvo po izucheniyu desyatinogikh rakoobraznykh Decapoda dal’nevostochnykh morei (Guide to the Study of Decapods Crustaceans, Decapoda, in Far Eastern Seas), Vladivostok: TINRO, 1979.Слизкин А.Г., Сафронов С.Г. Промысловые крабы прикамчатских вод : моногр. – Петропавловск-Камчатский : Северная Пацифика, 2000. — 180 с.Slizkin, A.G. and Safronov, S.G., Promyslovye kraby prikamchatskikh vod (Commercial Crabs of Kamchatkan Coastal Waters), Petropavlovsk-Kamchatsky: Severnaya Patsifika, 2000.Федотов П.А., Черниенко И.С. Динамика численности синего краба (Paralithodes platypus Brandt, 1849) в северо-западной части Берингова моря // Изв. ТИНРО. — 2022. — Т. 202, вып. 2. — С. 332–342. DOI: 10.26428/1606-9919-2022-202-332-342. EDN: DAYGOT.Fedotov, P.A. and Chernienko, I.S., The Population Dynamics of the Blue Crab (Paralithodes platypus Brandt, 1849) in the Northwestern Bering Sea, Russ. J. Mar. Biol., 2022, vol. 48, no. 7, pp. 671–677. doi 10.1134/S1063074022070069Черниенко Э.П., Черниенко И.С. Информационное сопровождение промысла японской скумбрии Scomber japonicus в тихоокеанских водах Российской Федерации // Изв. ТИНРО. — 2021. — Т. 201, вып. 2. — С. 390–399. DOI: 10.26428/1606-9919-2021-201-390-399.Chernienko, E.P. and Chernienko, I.S., Information support for chub mackerel Scomber japonicus fishery in the Pacific waters of the Russian Federation, Izv. Tikhookean. Nauchno-Issled.Inst. Rybn. Khoz. Okeanogr., 2021, vol. 201, no. 2, pp. 390–399. doi 10.26428/1606-9919-2021-201-390-399Assis J., Tyberghein L., Bosch S. et al. Bio-ORACLE v2.0: Extending marine data layers for bioclimatic modelling // Global Ecol Biogeogr. — 2018. — Vol. 27, Iss. 3. — P. 277–284. DOI: 10.1111/geb.12693.Assis, J., Tyberghein, L., Bosch, S., Verbruggen, H., Serrao, E.A., and Clerck, O., Bio-ORACLE v2.0: Extending marine data layers for bioclimatic modeling, Global Ecol Biogeogr., 2018, vol. 27, no. 3, pp. 277–284. doi 10.1111/geb.12693Breiman L. Random forests // Mach. Learn. — 2001. — Vol. 45, Iss. 1. — P. 5–32. DOI: 10.1023/A:1010933404324.Breiman, L., Random forests, Mach. Learn., 2001, vol. 45, no. 1, pp. 5–32. doi 10.1023/A:1010933404324Bridle J.S. Probabilistic Interpretation of Feedforward Classification Network Outputs, with Relationships to Statistical Pattern Recognition // Neurocomputing. — 1990. — Vol. 68. — P. 227–236.Bridle, J.S., Probabilistic Interpretation of Feedforward Classification Network Outputs, with Relationships to Statistical Pattern Recognition, Neurocomputing, 1990, vol. 68, pp. 227–236.Fukushima K. Visual Feature Extraction by a Multilayered Network of Analog Threshold Elements // IEEE Trans. Syst. Sci. Cyber. — 1969. — Vol. 5, № 4. — P. 322–333. DOI: 10.1109/TSSC.1969.300225.Fukushima, K., Visual Feature Extraction by a Multilayered Network of Analog Threshold Elements, IEEE Trans. Syst. Sci. Cyber., 1969, vol. 5, no. 4, pp. 322–333. doi 10.1109/TSSC.1969.300225Harrington P. Machine Learning in Action. — N.Y. : Manning, 2012. — 384 p.Harrington, P., Machine Learning in Action, New York: Manning, 2012.Kulik V.V., Prants S.V., Uleysky M.Yu., Budyansky M.V. Lagrangian characteristics in the western North Pacific help to explain variability in Pacific saury fishery // Fish. Res. — 2022. — Vol. 252. — 106361. DOI: 10.1016/j.fishres.2022.106361.Kulik, V.V., Prants, S.V., Uleysky, M.Yu., and Budyansky, M.V., Lagrangian characteristics in the western North Pacific help to explain variability in Pacific saury fishery, Fish. Res., 2022, vol. 252, 106361. doi 10.1016/j.fishres.2022.106361Lee S., Wolberg G., Shin S.Y. Scattered data interpolation with multilevel B-splines // IEEE Trans. Visual. Comput. Graphics. — 1997. — Vol. 3, № 3. — P. 228–244. DOI: 10.1109/2945.620490.Lee, S., Wolberg, G., and Shin, S.Y., Scattered data interpolation with multilevel B-splines, IEEE Trans. Visual. Comput. Graphics., 1997, vol. 3, no. 3, pp. 228–244. doi 10.1109/2945.620490Müller A.C., Guido S. Introduction to machine learning with Python: a guide for data scientists.Müller, A.C. and Guido, S., Introduction to machine learning with Python: a guide for data scientists, Sebastopol, CA: O’Reilly Media, Inc, 2016.st edition. — Sebastopol, CA : O’Reilly Media, Inc, 2016. — 376 p.Murtagh, F., Multilayer perceptrons for classification and regression, Neurocomputing, 1991, vol. 2, no. 5–6, pp. 183–197. doi 10.1016/0925-2312(91)90023-5Murtagh F. Multilayer perceptrons for classification and regression // Neurocomputing. — 1991. — Vol. 2, № 5–6. — P. 183–197. DOI: 10.1016/0925-2312(91)90023-5.Rodriguez-Casal, A., Set estimation under convexity type assumptions, Annales de l’Institut Henri Poincare (B) Probability and Statistics, 2007, vol. 43, no. 6, pp. 763–774. doi 10.1016/j.anihpb.2006.11.001Rodriguez-Casal A. Set estimation under convexity type assumptions // Annales de l’Institut Henri Poincare (B) Probability and Statistics. — 2007. — Vol. 43, № 6. — P. 763–774. DOI: 10.1016/j.anihpb.2006.11.001.Tyberghein, L., Verbruggen, H., Pauly, K., Troupin, C., Mineur, F., and De Clerck, O., Bio-ORACLE: a global environmental dataset for marine species distribution modeling, Global Ecology and Biogeography, 2012, vol. 21, no. 2, pp. 272–281. doi 10.1111/j.1466-8238.2011.00656.xTyberghein L., Verbruggen H., Pauly K. et al. Bio-ORACLE: a global environmental dataset for marine species distribution modelling // Global Ecology and Biogeography. — 2012. — Vol. 21, № 2. — P. 272–281. DOI: 10.1111/J.1466-8238.2011.00656.X.The GEBCO_2023 Grid — a continuous terrain model of the global oceans and land, NERC EDS British Oceanographic Data Centre NOC. https://doi.org/10.5285/f98b053b-0cbc-6c23-e053-6c86abc0af7b.Kingma, D.P., Ba, J., Adam: A Method for Stochastic Optimization. http://arxiv.org/abs/1412.6980. Cited July 30, 2024.Kingma, D.P., Ba, J., Adam: A Method for Stochastic Optimization. http://arxiv.org/abs/1412.6980. Cited July 30, 2024.data.table: Extension of `data.frame`. https://CRAN.R-project.org/package=data.table. Cited July 30, 2024.data.table: Extension of `data.frame`. https://CRAN.R-project.org/package=data.table. Cited July 30, 2024.Vihtakari, M., ggOceanMaps: Plot Data on Oceanographic Maps using «ggplot2». https://CRAN.R-project.org/package=ggOceanMaps. Cited July 30, 2024.Vihtakari, M., ggOceanMaps: Plot Data on Oceanographic Maps using «ggplot2». https://CRAN.R-project.org/package=ggOceanMaps. Cited July 30, 2024.Baston, D., exactextractr: Fast Extraction from Raster Datasets using Polygons. https://CRAN.R-project.org/package=exactextractr. Cited July 30, 2024.Baston, D., exactextractr: Fast Extraction from Raster Datasets using Polygons. https://CRAN.R-project.org/package=exactextractr. Cited July 30, 2024.Tensors and Neural Networks with «GPU» Acceleration. https://CRAN.R-project.org/package=torch. Cited July 30, 2024.Tensors and Neural Networks with «GPU» Acceleration. https://CRAN.R-project.org/package=torch. Cited July 30, 2024.Finley, A., Banerjee, S., Hjelle, Ø., MBA: Multilevel B-Spline Approximation. https://CRAN.R-project.org/package=MBA. Cited July 30, 2024.Finley, A., Banerjee, S., Hjelle, Ø., MBA: Multilevel B-Spline Approximation. https://CRAN.R-project.org/package=MBA. Cited July 30, 2024.Pateiro-Lopez, B., Rodriguez-Casal, A., alphahull: Generalization of the convex hull of a sample of points in the plane. https://github.com/beatrizpateiro/alphahull. Cited July 30, 2024.Pateiro-Lopez, B., Rodriguez-Casal, A., alphahull: Generalization of the convex hull of a sample of points in the plane. https://github.com/beatrizpateiro/alphahull. Cited July 30, 2024.Pebesma, E., sf: Simple Features for R. https://CRAN.R-project.org/package=sf. Cited July 30, 2024.Pebesma, E., sf: Simple Features for R. https://CRAN.R-project.org/package=sf. Cited July 30, 2024.Hijmans, R.J., raster: Geographic Data Analysis and Modeling. https://CRAN.R-project.org/package=raster. Cited July 30, 2024.Hijmans, R.J., raster: Geographic Data Analysis and Modeling. https://CRAN.R-project.org/package=raster. Cited July 30, 2024.Hijmans, R.J., geosphere: Spherical Trigonometry. https://CRAN.R-project.org/package=geosphere. Cited July 30, 2024.Hijmans, R.J., geosphere: Spherical Trigonometry. https://CRAN.R-project.org/package=geosphere. Cited July 30, 2024.

The authors declare that there are no conflicts of interest present.