Preview

Известия ТИНРО

Расширенный поиск

Стандартизация производительности промысла краба-стригуна опилио западной части Берингова моря с использованием аддитивных линейных моделей

https://doi.org/10.26428/1606-9919-2021-201-359-370

Полный текст:

Аннотация

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.

Об авторе

И. С. Черниенко
Тихоокеанский филиал ВНИРО (ТИНРО)
Россия

Черниенко Игорь Сергеевич, кандидат биологических наук, ведущий научный сотрудник

690091, г. Владивосток, пер. Шевченко, 4



Список литературы

1. Баканев 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.

2. Буяновский А.И. Использование промысловой статистики для оценки динамики запаса краба-стригуна Бэрда // Вопр. рыб-ва. — 2019. — Т. 20, № 4. — С. 497–512.

3. 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.

4. Пырков 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.

5. 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.

6. 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.

7. 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.

8. Hastie T., Tibshirani R. Generalized Additive Models : Wiley StatsRef: Statistics Reference Online, 2014. DOI: 10.1002/9781118445112.stat03141.

9. Hilborn R., Walters C.J. Quantitative fisheries stock assessment: choice, dynamics and uncertainty. — N.Y. : Chapman and Hall, 1992. — 570 p.

10. Jørgensen B. The Theory of Dispersion Models : Monogr. Stat. Appl. Probab. (Book 76). — L. : Chapman and Hall, 1997. — 256 p.

11. 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.

12. Müller 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.

13. 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.

14. Quinn T.J., Deriso R.B. Quantitative Fish Dynamics. — N.Y. : Oxford Univ. Press, 1999. — 542 p.

15. 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.

16. Wood S.N. Generalized Additive Models: An Introduction with R. — N.Y. : Chapman and Hall/ CRC, 2017. 2nd ed. — 496 p. DOI: 10.1201/9781315370279.

17. Wood 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.

18. 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.


Для цитирования:


Черниенко И.С. Стандартизация производительности промысла краба-стригуна опилио западной части Берингова моря с использованием аддитивных линейных моделей. Известия ТИНРО. 2021;201(2):359-370. https://doi.org/10.26428/1606-9919-2021-201-359-370

For citation:


Chernienko I.S. Standardization of landing efficiency for opilio crab in the western Bering Sea by using of generalized additive models. Izvestiya TINRO. 2021;201(2):359-370. (In Russ.) https://doi.org/10.26428/1606-9919-2021-201-359-370

Просмотров: 48


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1606-9919 (Print)
ISSN 2658-5510 (Online)