МОДЕЛИРОВАНИЕ РАСПРЕДЕЛЕНИЯ УЛОВОВ САЙРЫ В СВЯЗИ С ФАКТОРАМИ ОКРУЖАЮЩЕЙ СРЕДЫ

При моделировании использовали ежедневную информацию, полученную из многомерной системы вариационной оценки океана (MOVE), доступную для области между 140 и 159о в.д. В эту область попадает около 95 % всех уловов, предоставленных Комиссии по рыболовству в северной части Тихого океана (NPFC), и 100 % российских уловов в 1994–2017 гг. Позиции судов на лову и в поиске сайры интерполированы с разрешением в 1 км из Отраслевой системы мониторинга, а температура поверхности моря (SST) — из многомасштабного анализа сверхвысокого разрешения. Общее пространственное разрешение для моделей приведено в соответствие самому грубому — в системе MOVE (0,1о по широте и долготе). Сначала мы оценили вклад в вероятность нахождения вида и значение на перестановках 184 предикторов из возможных комбинаций ежедневных продуктов SST и MOVE с задержкой от 0 до 7 дней и окном скользящей средней от 0 до 7 дней в MaxEnt. SST, температура воды (WT) и ее градиент (WTG) на глубине 50 м для текущего дня вылова и до 2 предыдущих дней для SST и от 3 до 7 дней для WT и WTG на глубине 50 м имели самые высокий вклад и значения на перестановках. Затем мы испытали более универсальные методы — обобщенные аддитивные модели (GAM) и случайного леса (Random forest) с этими предикторами. Последний превзошел MaxEnt и GAM по различным показателям прогностической точности. Его точность достигла 0,86 c площадью под кривой ошибок AUC = 0,7. Годовая сумма площадей с условиями, предпочитаемыми сайрой согласно случайному лесу в ИЭЗ, показывает значительную (p < 0,05) корреляцию (0,96) с общими уловами сайры в последние экстремальные годы ее вылова (максимальный вылов сайры в ИЭЗ в 2008 г., максимальный вылов сайры всеми участниками NPFC в 2014 г., минимальный вылов сайры в ИЭЗ в 2017 г. и максимальный вылов сайры всеми участниками NPFC в Конвенционном районе в 2018 г.).

тихоокеанская сайра, вылов, Тихий океан, модель распределения вида, SST, максимальная энтропия, обобщенная аддитивная модель, случайный лес

1. Байталюк А.А., Давыдова С.В. Распределение и пассивные миграции сайры в северной части Тихого океана // Вопр. рыб-ва. — 2002. — Т. 3, № 3(11). — С. 402–420.

2. Бочаров Л.Н. Информационная технология краткосрочного промыслового прогнозирования : дис. ... д-ра техн. наук в форме научного доклада. — Владивосток : ИАПУ ДВО РАН, 1993. — 68 с.

3. Истоки Ойясио : моногр. / под ред. В.Р.Фукса, А.Н. Мичурина. — СПб. : СПбГУ, 1997. — 248 с.

4. Кулик В.В. Использование температуры поверхности океана при оценке запаса тихоокеанской сайры (Cololabis saira) в Комиссии по рыболовству в северной части Тихого океана // Процессы в геосредах. — 2018. — Т. 3, № 17. — С. 76–77.

5. Кулик В.В., Катугин О.Н., Зуев М.А. Вероятное сокращение ареала северного кальмара (Boreoteuthis borealis) в северо-западной части Тихого океана при различных сценариях климатических изменений // Комплексные исследования Мирового океана : мат-лы 2-й всерос. науч. конф. мол. ученых [Электронный ресурс]. — М. : ИО РАН, 2017. — С. 362–363.

6. Парин Н.В. Ареал сайры (Cololabis saira Brev. — Scombresocidae, Pisces) и значение океанографических факторов для ее распространения // ДАН СССР. — 1960. — Т. 130, № 3. — С. 649–652.

7. Филатов В.Н. Миграции и формирование скоплений массовых пелагических гидробионтов (на примере тихоокеанской сайры) : моногр. — Ростов н/Д : ЮНЦ РАН, 2015. — 168 с.

8. Филатов В.Н. Определение перспективных для промысла сайры участков по данным полигонных съемок в Южно-Курильском районе // Изв. ТИНРО. — 1984. — Т. 109. — С. 35–40.

9. Филатов В.Н., Старцев А.В., Устинова Е.И., Еремин Ю.В. Тихоокеанская сайра. Научно-информационное обеспечение промысловой экспедиции : моногр. — Ростов н/Д : ЮНЦ РАН, 2011. — 120 с.

10. Baitaliuk A.A., Orlov A.M., Ermakov Yu.K. Characteristic features of ecology of the Pacific saury Cololabis saira (Scomberesocidae, Beloniformes) in open waters and in the northeast Pacific ocean // J. Ichthyol. — 2013. — Vol. 53, № 11. — P. 899–913. DOI: 10.1134/S0032945213110027.

11. Belkin I.M., O’Reilly J.E. An algorithm for oceanic front detection in chlorophyll and SST satellite imagery // J. Mar. Syst. — 2009. — Vol. 78, № 3. — P. 319–326. DOI: 10.1016/j.jmarsys.2008.11.018.

12. Breiman L. Random forests // Mach. Learn. — 2001. — Vol. 45, Iss. 1. — P. 5–32. DOI: 10.1023/A:1010933404324.

13. Chang Y.-J., Lan K.-W., Walsh W.A. et al. Modelling the impacts of environmental variation on habitat suitability for Pacific saury in the Northwestern Pacific Ocean // Fish. Oceanogr. — 2019. — Vol. 28, № 3. — P. 291–304. DOI: 10.1111/fog.12408.

14. Chin T.M., Vazquez-Cuervo J., Armstrong E.M. A multi-scale high-resolution analysis of global sea surface temperature // Remote Sens. Environ. — 2017. — Vol. 200, № 7. — P. 154–169. DOI: 10.1016/j.rse.2017.07.029.

15. Cohen J. A Coefficient of Agreement for Nominal Scales // Educ. Psychol. Meas. — 1960. — Vol. 20, № 1. — P. 37–46. DOI: 10.1177/001316446002000104.

16. Guillera-Arroita G., Lahoz-Monfort J.J., Elith J. Maxent is not a presence-absence method: a comment on Thibaud et al. // Methods Ecol. Evol. — 2014. — Vol. 5, № 11. — P. 1192–1197. DOI: 10.1111/2041-210X.12252.

17. He S., Li Y., Feng Y. et al. Learning to predict the cosmological structure formation // Proc. Nat. Acad. Sci. — 2019. — Vol. 116, № 28. — P. 13825–13832. DOI: 10.1073/pnas.1821458116.

18. Kawai H. Hydrography of the Kuroshio and the Oyashio (in Japanese) // Physical Oceanography II, Fundamental Lectures of Oceanography. — Japan : Tokai Univ. Press, 1972. — P. 129–320.

19. Kawai H. Statistical estimation of isotherms indicative of the Kuroshio axis // Deep-Sea Res. — 1969. — Vol. 16. — P. 109–115.

20. Kobayashi T., Wako M., Naito M. Studies on the life of the Pacific saury, Cololabis saira (Brevoort). I. Aggregative characteristics of adult of the autumn-spawning population // Sci. Rep. Hokkaido Fish. Exp. Stn. — 1968. — Vol. 9. — P. 1–45.

21. Kulik V.V., Katugin O.N., Zuev M.A. Climate change impacts on distribution patterns of boreopacific gonate squid (Boreoteuthis borealis) in the Northwest Pacific // Proceedings of the 25 Year of PICES: Celebrating the Past, Imagining the Future. — San Diego, CA, USA : North Pacific Marine Science Organization, 2016. — P. 148.

22. Lee B., Shin M., Oh Y. et al. Identification of protein functions using a machine-learning approach based on sequence-derived properties // Proteome Sci. — 2009. — Vol. 7, № 1. — P. 27. DOI: 10.1186/1477-5956-7-27.

23. Li W., Guo Q. How to assess the prediction accuracy of species presence-absence models without absence data? // Ecography. — 2013. — Vol. 36, № 7. — P. 788–799. DOI: 10.1111/j.1600-0587.2013.07585.x.

24. Michalsky J.J. The Astronomical Almanac’s algorithm for approximate solar position (1950–2050) // Solar Energy. — 1988. — Vol. 40, № 3. — P. 227–235. DOI: 10.1016/0038-092X(88)90045-X.

25. Ogawa Y. Variation of the southern end latitude of the first Oyashio intrusion (in Japanese with English abstract and captions) // Bull. Tohoku Reg. Fish. Lab. — 1989. — Vol. 51. — P. 1–9.

26. Olofsson P., Foody G.M., Herold M. et al. Good practices for estimating area and assessing accuracy of land change // Remote Sensing of Environment. — 2014. — Vol. 148. — P. 42–57. DOI: 10.1016/j.rse.2014.02.015.

27. Phillips S.J., Anderson R.P., Schapire R.E. Maximum entropy modeling of species geographic distributions // Ecol. Modell. — 2006. — Vol. 190, № 3–4. — P. 231–259. DOI: 10.1016/j.ecolmodel.2005.03.026.

28. Pontius R.G., Millones M. Death to Kappa: Birth of quantity disagreement and allocation disagreement for accuracy assessment // Int. J. Remote Sens. — 2011. — Vol. 32, № 15. — P. 4407–4429. DOI: 10.1080/01431161.2011.552923.

29. Sakamoto Y., Ishiguro M., Kitagawa G. Akaike Information Criterion Statistics : Mathematics and its Applications. — Springer Netherlands, 1986. — 290 p.

30. Shotton J., Sharp T., Kipman A. et al. Real-time human pose recognition in parts from single depth images // Commun. ACM. — 2013. — Vol. 56, № 1. — P. 116–124. DOI: 10.1145/2398356.2398381.

31. Syah A.F., Saitoh S.-I., Alabia I.D., Hirawake T. Detection of potential fishing zone for Pacific saury (Cololabis saira) using generalized additive model and remotely sensed data // IOP Conf. Ser.: Earth Environ. Sci. — 2017. — Vol. 54. — P. 012074. DOI: 10.1088/1755-1315/54/1/012074.

32. Syah A.F., Saitoh S.-I., Alabia I., Hirawake T. Habitat model development of Pacific saury (Cololabis saira) using satellite remotely sensed data in the Northwestern North Pacific // 12th Biennial Conference of Pan Ocean Remote Sensing Conference (PORSEC 2014). — Bali, Indonesia, 2014. — P. 1–10.

33. Syah A.F., Saitoh S.-I., Alabia I.D., Hirawake T. Predicting potential fishing zones for Pacific saury (Cololabis saira) with maximum entropy models and remotely sensed data // Fish. Bull. — 2016. — Vol. 114, № 3. — P. 330–342. DOI: 10.7755/FB.114.3.6.

34. Takasugi S., Yasuda I. Index temperature at 100 m depth of the Oyashio front in the Iwate coastal region (in Japanese with English abstract and captions) // Japan J. Fish. Oceanogr. — 1993. — Vol. 57. — P. 333–344.

35. Taylor K.E. Summarizing multiple aspects of model performance in a single diagram // J. Geophys. Res. Atmos. — 2001. — Vol. 106, № D7. — P. 7183–7192. DOI: 10.1029/2000JD900719.

36. Uda M. Fishing centre of “Sanrna” (Cololabis saira, Brevoort) correlated with the head of Oyashio cold current (In Japanese with English summary) // Bull. Jap. Soc. Sci. Fish. — 1936. — Vol. 5. — P. 236–238.

37. Usui N., Ishizaki S., Fujii Y. et al. Meteorological Research Institute multivariate ocean variational estimation (MOVE) system: Some early results // Adv. Sp. Res. — 2006. — Vol. 37, № 4. — P. 806–822. DOI: 10.1016/j.asr.2005.09.022.

38. Usui N., Wakamatsu T., Tanaka Yu. et al. Four-dimensional variational ocean reanalysis: a 30-year high-resolution dataset in the western North Pacific (FORA-WNP30) // J. Oceanogr. — 2017. — Vol. 73, Iss. 2. — P. 205–233. DOI: 10.1007/s10872-016-0398-5.

39. Werner F.E., Ito S.-I., Megrey B.A., Kishi M.J. Synthesis of the NEMURO model studies and future directions of marine ecosystem modeling // Ecol. Modell. — 2007. — Vol. 202, № 1–2. — P. 211–223. DOI: 10.1016/j.ecolmodel.2006.08.019.

40. 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.

41. Wood S.N. Generalized Additive Models: An Introduction with R. — N.Y. : Chapman and Hall/ CRC, 2017. 2nd ed. — 476 p.

42. Wood 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.

43. Wright M.N., Ziegler A. ranger : A Fast Implementation of Random Forests for High Dimensional Data in C++ and R // J. Stat. Softw. — 2017. — Vol. 77, № 1. — P. 1–17. DOI: 10.18637/jss.v077.i01.

44. Yasuda I., Watanabe Y. On the relationship between the Oyashio front and saury fishing grounds in the north western Pacific: A forecasting method for fishing ground locations // Fish. Oceanogr. — 1994. — Vol. 3, № 3. — P. 172–181. DOI: 10.1111/j.1365-2419.1994.tb00094.x.

45. Yoshida T. Climatological seasonal variations of the distribution of Oyashio cold water // Umi to Sora. — 1992. — Vol. 68, № 2. — P. 79–88 (in Japanese with English abstract).