tinroИзвестия ТИНРОIzvestiya TINRO1606-99192658-5510ТИНРО10.26428/1606-9919-2021-201-359-370tinro-633Research ArticleБИОЛОГИЧЕСКИЕ РЕСУРСЫBIOLOGICAL RESOURCESСтандартизация производительности промысла краба-стригуна опилио западной части Берингова моря с использованием аддитивных линейных моделейStandardization of landing efficiency for opilio crab in the western Bering Sea by using of generalized additive modelsЧерниенкоИ. С.ChernienkoI. S.

Черниенко Игорь Сергеевич, кандидат биологических наук, ведущий научный сотрудник

690091, г. Владивосток, пер. Шевченко, 4

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

4, Shevchenko Alley, Vladivostok, 690091

chernienko.igor@gmail.comТихоокеанский филиал ВНИРО (ТИНРО)РоссияVNIRO (TINRO)Russian Federation2021080720212012359370Copyright © Черниенко И.С., 20212021Черниенко И.С.Chernienko I.S.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/633

Рассматривается приложение обобщенных аддитивных моделей к стандартизации индексов обилия (информация о численности и биомассе промысловых организмов), получаемых из данных судовых суточных донесений для краба-стригуна опилио западной части Берингова моря. Выбрана наилучшая модель из набора моделей-кандидатов. Значения информационного критерия Акаике и объясненной дисперсии для краба-стригуна опилио Западно-Беринговоморской зоны составили соответственно 21743 и 58,6 %. Показано, что природные и производственные факторы оказывают значимое влияние на оценку индексов биомассы, что в свою очередь ведет к завышению оценки и прогноза запаса. Оценка запаса, основанная на номинальных индексах, составила 23,04 тыс. т, на стандартизированных показателях — 17,07 тыс. т.

Generalized additive models are applied for standardization of daily landing per unit effort (LPUE) for opilio crab using the data of fishery statistics for the West Bering Sea fishery zone in 2003–2020. A set of 12 models with various combinations of predictors was examined and the best model with the smallest value of Akaike criterion was selected (information criterion Akaike 21743, explained variance 58.6 %). The selected model reflects the effect of depth, distance from the coast, daily effort and tensor product of geographic coordinates and day of the year. LPUE was standardized using the selected model by substituting median values of nominal predictors and modal values of categorical predictors. Then the crab stock was estimated using the state-space form of Deriso-Schnute delay-difference model. The estimates based on both standardized and nominal indices are compared and a significant difference between them is found: the stock is assessed as 23,040 t with nominal indices but as 17,070 t using the standardized indices.

промысловая статистикаиндексы обилиястандартизация улововаддитивные линейные моделиБерингово морекраб-стригун опилиоfishery statisticsabundance indexcatch standardizationgeneralized additive modelBering Seasnow crabReferencesБаканев С.В. Стандартизация производительности промысла камчатского краба в российских водах Баренцева моря в 2010–2018 гг. с помощью обобщенной линейной модели // Вопр. рыб-ва. — 2019. — Т. 20, № 3. — С. 363–373.Bakanev, S.V., Standardization of the red king crab fishery efficiency in the Russian part in the Barents Sea in 2010–2018 using generalized linear model, Vopr. Rybolov., 2019, vol. 20, no. 3, pp. 363–373.Буяновский А.И. Использование промысловой статистики для оценки динамики запаса краба-стригуна Бэрда // Вопр. рыб-ва. — 2019. — Т. 20, № 4. — С. 497–512.Buyanovskiy, A.I., Use of fisheries statistics for the tanner crab stock dynamics, Vopr. Rybolov., 2019, vol. 20, no. 4, pp. 497–512.Кулик В.В., Варкентин А.И., Ильин О.И. Стандартизация уловов на усилие минтая в северной части Охотского моря с учетом некоторых факторов среды // Изв. ТИНРО. — 2020. — Т. 200, вып. 4. — С. 819–836. DOI: 10.26428/1606-9919-2020-200-819-836.Kulik, V.V., Varkentin, A.I., and Ilyin, O.I., Standardization of CPUE for walleye pollock in the Okhotsk Sea with inclusion of some environmental factors, Izv. Tikhookean. Nauchno-Issled. Inst. Rybn. Khoz. Okeanogr., 2020, vol. 200, no. 4, pp. 819–836. doi 10.26428/1606-9919-2020-200-819-836Пырков В.Н., Солодилов А.В., Дегай А.Ю. Создание и внедрение новых спутниковых технологий в системе мониторинга рыболовства // Современные проблемы дистанционного зондирования Земли из космоса. — 2015. — Т. 12, № 5. — С. 251–262.Pyrkov, V.N., Solodilov, A.V., and Degaj, A.Yu., Development and implementation of new satellite techniques in the fishery monitoring system, Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa, 2015, vol. 12, no. 5, pp. 251–262.Черниенко И.С. Моделирование динамики запаса колючего краба Paralithodes brevipes южных Курильских островов конечно-разностной моделью с запаздыванием // Изв. ТИНРО. — 2016. — Т. 185. — С. 102–111.Chernienko, I.S., Modelling of stock dynamics for spiny king crab Paralithodes brevipes at southern Kuril Islands using a finite-difference model with delay, Izv. Tikhookean. Nauchno-Issled. Inst. Rybn. Khoz. Okeanogr., 2016, vol. 185, pp. 102–111.Черниенко И.С., Черниенко Э.П. Мультимодельный подход к прогнозированию некоторых единиц запаса водных биологических ресурсов Сахалино-Курильского региона // Вопр. рыб-ва. — 2019. — Т. 20, № 3. — С. 374–386.Chernienko, I.S. and Chernienko, E.P., Multi-model approach to some marine biological resources stock forecast in Sakhalin-Kuril Region, Vopr. Rybolov., 2019, vol. 20, no. 3, pp. 374–386.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. — Vol. 6, № 1. — P. 1–10. DOI: 10.1038/srep26677.Auger-Méthé, M., Field, C., Albertsen, C.M., Derocher, A.E., Lewis, M.A., Jonsen, I.D., and Flemming, J.M., State-space models’ dirty little secrets: even simple linear Gaussian models can have estimation problems, Sci. Rep., 2016, vol. 6, no. 1, pp. 1–10. doi 10.1038/srep26677Hastie T., Tibshirani R. Generalized Additive Models : Wiley StatsRef: Statistics Reference Online, 2014. DOI: 10.1002/9781118445112.stat03141.Hastie, T. and Tibshirani, R., Generalized Additive Models, Wiley StatsRef: Statistics Reference Online, 2014. doi 10.1002/9781118445112.stat03141Hilborn R., Walters C.J. Quantitative fisheries stock assessment: choice, dynamics and uncertainty. — N.Y. : Chapman and Hall, 1992. — 570 p.Hilborn, R. and Walters, C.J., Quantitative Fisheries Stock Assessment: Choice, Dynamics, and Uncertainty, New York: Chapman and Hall, 1992.Jørgensen B. The Theory of Dispersion Models : Monogr. Stat. Appl. Probab. (Book 76). — L. : Chapman and Hall, 1997. — 256 p.Jørgensen, B., The Theory of Dispersion Models: Monogr. Stat. Appl. Probab. (Book 76), London: Chapman and Hall, 1997.Maunder M.N., Punt A.E. Standardizing catch and effort data: a review of recent approaches // Fish. Res. — 2004. — Vol. 70, Iss. 2–3. — P. 141–159. DOI: 10.1016/j.fishres.2004.08.002.Maunder, M.N. and Punt, A.E., Standardizing catch and effort data: a review of recent approaches, Fish. Res., 2004, vol. 70, no. 2–3, pp. 141–159. doi 10.1016/j.fishres.2004.08.002Müller A.C., Guido S. Introduction to machine learning with Python: a guide for data scientists. 1st edition.— Sebastopol, CA : O’Reilly Media, Inc, 2016. — 376 p.Müller, A.C. and Guido, S., Introduction to machine learning with Python: a guide for data scientists, Sebastopol, CA: O’Reilly Media, Inc, 2016.Newman K.B., Buckland S.T., Morgan B.J.T. et al. Modelling population dynamics: model formulation, fitting and assessment using state-space methods. — N.Y. : Springer, 2014. — 215 p.Newman, K.B., Buckland, S.T., Morgan, B.J.T., King, R., Borchers, D.L., Cole, D.J., Besbeas, P., Gimenez, O., and Thomas, L., Modelling population dynamics: model formulation, fitting and assessment using state-space methods, New York: Springer, 2014.Quinn T.J., Deriso R.B. Quantitative Fish Dynamics. — N.Y. : Oxford Univ. Press, 1999. — 542 p.Quinn, T.J. and Deriso, R.B., Quantitative Fish Dynamics, New York: Oxford Univ. Press, 1999.Wood S.N. Fast stable restricted maximum likelihood and marginal likelihood estimation of semiparametric generalized linear models // J. R. Statist. Soc. B (Statistical Methodology). — 2011. — Vol. 73, № 1. — P. 3–36. DOI: 10.1111/j.1467-9868.2010.00749.x.Wood, S.N., Fast stable restricted maximum likelihood and marginal likelihood estimation of semiparametric generalized linear models, J. R. Statist. Soc. B (Statistical Methodology), 2011, vol. 73, no. 1, pp. 3–36. doi 10.1111/j.1467-9868.2010.00749.xWood S.N. Generalized Additive Models: An Introduction with R. — N.Y. : Chapman and Hall/ CRC, 2017. 2nd ed. — 496 p. DOI: 10.1201/9781315370279.Wood, S.N., Generalized Additive Models: An Introduction with R, New York: Chapman and Hall/CRC, 2017, second edition. Wood, S.N., Stable and Efficient Multiple Smoothing Parameter Estimation for Generalized Additive Models, J. Am. Stat. Assoc., 2004, vol. 99, no. 467, pp. 673–686. doi 10.1198/016214504000000980Wood S.N. Stable and Efficient Multiple Smoothing Parameter Estimation for Generalized Additive Models // J. Am. Stat. Assoc. — 2004. — Vol. 99, Iss. 467. — P. 673–686. DOI: 10.1198/016214504000000980.Wood, S.N., Thin plate regression splines, J. R. Statist. Soc. B (Statistical Methodology), 2003, vol. 65, no. 1, pp. 95–114. doi 10.1111/1467-9868.00374Wood S.N. Thin plate regression splines // J. R. Statist. Soc. B (Statistical Methodology). — 2003. — Vol. 65, № 1. — P. 95–114. DOI: 10.1111/1467-9868.00374.The GEBCO_2020 version. http://www.gebco.net. Cited December 1, 2020.

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