海洋学报

船队	缩写	时间跨度
日本	JAP	1971−2014年
乌拉圭1	URU1	1982−1991年
乌拉圭2	URU2	1992−2010年
巴西	BR	1978−2012年
委内瑞拉	VEN	1991−2014年
美国	US	1987−2014年
中国台北1	TAI1	1970−1992年
中国台北2	TAI2	1993−2014年

船队	缩写	时间跨度
日本	JAP	1971−2014年
乌拉圭1	URU1	1982−1991年
乌拉圭2	URU2	1992−2010年
巴西	BR	1978−2012年
委内瑞拉	VEN	1991−2014年
美国	US	1987−2014年
中国台北1	TAI1	1970−1992年
中国台北2	TAI2	1993−2014年

方案	产量函数	CPUE数据
S1	Pella-Tomlinson	JAP，URU1, URU2, BR, VEN，US，TAI1，TAI2
S2	Pella-Tomlinson	JAP，VEN，US，TAI1
S3	Pella-Tomlinson	JAP_RE，VEN，US，TAI1
S4	Fox	JAP_RE，VEN，US，TAI1
S5	Fox	VEN，US，TAI1
S6	Fox	JAP_RE，US，TAI1
S7	Fox	JAP_RE，VEN，TAI1
S8	Fox	JAP_RE，VEN，US

方案	产量函数	CPUE数据
S1	Pella-Tomlinson	JAP，URU1, URU2, BR, VEN，US，TAI1，TAI2
S2	Pella-Tomlinson	JAP，VEN，US，TAI1
S3	Pella-Tomlinson	JAP_RE，VEN，US，TAI1
S4	Fox	JAP_RE，VEN，US，TAI1
S5	Fox	VEN，US，TAI1
S6	Fox	JAP_RE，US，TAI1
S7	Fox	JAP_RE，VEN，TAI1
S8	Fox	JAP_RE，VEN，US

情况	先验分布		后验分布
S4（K和r均为有信息先验）	U[139.2，265.8]	U[0.14，0.34]		177(140，227)	0.211(0.162，0.273)
K为无信息先验，r为有信息先验	U[20，3000]	U[0.14，0.34]	161(114，232)	0.231(0.159，0.331)
K为有信息先验，r无信息先验	U[139.2，265.8]	U[0.01，2]	180(136，242)	0.207(0.144，0.285)

情况	先验分布		后验分布
S4（K和r均为有信息先验）	U[139.2，265.8]	U[0.14，0.34]		177(140，227)	0.211(0.162，0.273)
K为无信息先验，r为有信息先验	U[20，3000]	U[0.14，0.34]	161(114，232)	0.231(0.159，0.331)
K为有信息先验，r无信息先验	U[139.2，265.8]	U[0.01，2]	180(136，242)	0.207(0.144，0.285)

拟合指标	S1	S2	S3	S4	S5	S6	S7	S8
RMSE	49.8	23.7	23.1	23.0	22.9	22.2	24.8	22.4
DIC	885.7	397.2	346.1	345.3	68.4	254.5	43.2	330.5

拟合指标	S1	S2	S3	S4	S5	S6	S7	S8
RMSE	49.8	23.7	23.1	23.0	22.9	22.2	24.8	22.4
DIC	885.7	397.2	346.1	345.3	68.4	254.5	43.2	330.5

参数	中值	2.5%	97.5%
K/10⁴ t	178	140	229
r	0.210	0.159	0.274
B₁₉₅₀/K	0.949	0.809	1.035
F_MSY	0.210	0.159	0.274
B_MSY/10⁴ t	65.4	51.3	84.3
MSY/10⁴ t	13.7	12.0	16.0
B₂₀₁₇/B_MSY	1.109	0.723	1.624
F₂₀₁₇/F_MSY	0.893	0.565	1.432

参数	中值	2.5%	97.5%
K/10⁴ t	178	140	229
r	0.210	0.159	0.274
B₁₉₅₀/K	0.949	0.809	1.035
F_MSY	0.210	0.159	0.274
B_MSY/10⁴ t	65.4	51.3	84.3
MSY/10⁴ t	13.7	12.0	16.0
B₂₀₁₇/B_MSY	1.109	0.723	1.624
F₂₀₁₇/F_MSY	0.893	0.565	1.432

TAC/10⁴ t	2019年	2020年	2021年	2022年	2023年	2024年	2025年	2026年	2027年
8.8	0.712	0.793	0.852	0.892	0.921	0.941	0.956	0.966	0.974
9.35	0.717	0.784	0.836	0.873	0.901	0.924	0.940	0.950	0.957
9.9	0.718	0.778	0.824	0.856	0.882	0.904	0.922	0.934	0.944
10.45	0.720	0.766	0.806	0.835	0.857	0.880	0.894	0.908	0.919
11.0	0.714	0.751	0.785	0.808	0.831	0.846	0.864	0.876	0.887
12.1	0.715	0.733	0.749	0.762	0.772	0.783	0.790	0.798	0.806
13.2	0.718	0.711	0.705	0.701	0.695	0.692	0.686	0.685	0.680

TAC/10⁴ t	2019年	2020年	2021年	2022年	2023年	2024年	2025年	2026年	2027年
8.8	0.712	0.793	0.852	0.892	0.921	0.941	0.956	0.966	0.974
9.35	0.717	0.784	0.836	0.873	0.901	0.924	0.940	0.950	0.957
9.9	0.718	0.778	0.824	0.856	0.882	0.904	0.922	0.934	0.944
10.45	0.720	0.766	0.806	0.835	0.857	0.880	0.894	0.908	0.919
11.0	0.714	0.751	0.785	0.808	0.831	0.846	0.864	0.876	0.887
12.1	0.715	0.733	0.749	0.762	0.772	0.783	0.790	0.798	0.806
13.2	0.718	0.711	0.705	0.701	0.695	0.692	0.686	0.685	0.680

TAC/10⁴ t	2019年	2020年	2021年	2022年	2023年	2024年	2025年	2026年	2027年
8.8	0.022	0.016	0.012	0.01	0.008	0.006	0.005	0.004	0.004
9.35	0.035	0.028	0.022	0.017	0.015	0.013	0.011	0.011	0.008
9.9	0.050	0.042	0.034	0.028	0.023	0.02	0.018	0.016	0.016
10.45	0.071	0.062	0.053	0.048	0.041	0.036	0.033	0.030	0.027
11.0	0.101	0.091	0.083	0.074	0.068	0.062	0.058	0.053	0.051
12.1	0.166	0.163	0.159	0.151	0.150	0.144	0.145	0.140	0.139
13.2	0.258	0.266	0.276	0.279	0.286	0.289	0.294	0.298	0.303

TAC/10⁴ t	2019年	2020年	2021年	2022年	2023年	2024年	2025年	2026年	2027年
8.8	0.022	0.016	0.012	0.01	0.008	0.006	0.005	0.004	0.004
9.35	0.035	0.028	0.022	0.017	0.015	0.013	0.011	0.011	0.008
9.9	0.050	0.042	0.034	0.028	0.023	0.02	0.018	0.016	0.016
10.45	0.071	0.062	0.053	0.048	0.041	0.036	0.033	0.030	0.027
11.0	0.101	0.091	0.083	0.074	0.068	0.062	0.058	0.053	0.051
12.1	0.166	0.163	0.159	0.151	0.150	0.144	0.145	0.140	0.139
13.2	0.258	0.266	0.276	0.279	0.286	0.289	0.294	0.298	0.303

TAC/10⁴ t	2019年	2020年	2021年	2022年	2023年	2024年	2025年	2026年	2027年
8.8	0.712	0.793	0.852	0.892	0.921	0.941	0.956	0.966	0.974
9.35	0.717	0.784	0.836	0.873	0.901	0.924	0.940	0.950	0.957
9.9	0.718	0.778	0.824	0.856	0.882	0.904	0.922	0.934	0.944
10.45	0.720	0.766	0.806	0.835	0.857	0.880	0.894	0.908	0.919
11.0	0.714	0.751	0.785	0.808	0.831	0.846	0.863	0.876	0.887
12.1	0.715	0.732	0.747	0.761	0.772	0.782	0.789	0.797	0.805
13.2	0.700	0.693	0.687	0.684	0.678	0.677	0.672	0.671	0.668

TAC/10⁴ t	2019年	2020年	2021年	2022年	2023年	2024年	2025年	2026年	2027年
8.8	0.712	0.793	0.852	0.892	0.921	0.941	0.956	0.966	0.974
9.35	0.717	0.784	0.836	0.873	0.901	0.924	0.940	0.950	0.957
9.9	0.718	0.778	0.824	0.856	0.882	0.904	0.922	0.934	0.944
10.45	0.720	0.766	0.806	0.835	0.857	0.880	0.894	0.908	0.919
11.0	0.714	0.751	0.785	0.808	0.831	0.846	0.863	0.876	0.887
12.1	0.715	0.732	0.747	0.761	0.772	0.782	0.789	0.797	0.805
13.2	0.700	0.693	0.687	0.684	0.678	0.677	0.672	0.671	0.668

报告渔获量占实际渔获量的比例/%	B₂₀₁₇/10⁴ t	B₂₀₁₇/B_MSY	F₂₀₁₇	F₂₀₁₇/F_MSY	资源健康/%
70	77.7	1.227	0.175	0.854	70.1
80	73.9	1.165	0.185	0.896	65.6
90	70.9	1.119	0.191	0.914	63.1
100	72.5	1.109	0.187	0.893	65.0
110	72.7	1.081	0.186	0.886	64.3
120	77.4	1.094	0.175	0.845	67.1
130	80.4	1.078	0.169	0.824	64.5

报告渔获量占实际渔获量的比例/%	B₂₀₁₇/10⁴ t	B₂₀₁₇/B_MSY	F₂₀₁₇	F₂₀₁₇/F_MSY	资源健康/%
70	77.7	1.227	0.175	0.854	70.1
80	73.9	1.165	0.185	0.896	65.6
90	70.9	1.119	0.191	0.914	63.1
100	72.5	1.109	0.187	0.893	65.0
110	72.7	1.081	0.186	0.886	64.3
120	77.4	1.094	0.175	0.845	67.1
130	80.4	1.078	0.169	0.824	64.5

基于贝叶斯状态空间产量模型的大西洋黄鳍金枪鱼资源评估

PDF下载

田志盼 ¹ , 田思泉 ¹^,²^,³ , 戴黎斌 ¹ , 麻秋云 ¹^,²^,³^,^*

海洋学报 | 论文 2021,43(2): 67-77

收起

海洋学报 | 论文 2021, 43(2): 67-77

基于贝叶斯状态空间产量模型的大西洋黄鳍金枪鱼资源评估

全屏

田志盼¹, 田思泉¹^,²^,³, 戴黎斌¹, 麻秋云¹^,²^,³^,^*

作者信息

¹上海海洋大学海洋科学学院，上海 201306

²国家远洋渔业工程技术研究中心，上海 201306

³大洋渔业资源可持续开发教育部重点实验室，上海 201306

田志盼（1996-），男，安徽省无为市人，主要研究方向为渔业资源评估。E-mail：tianzhipanwuwei@163.com

通讯作者:

麻秋云，女，讲师，研究方向为种群动力学和渔业资源评估。E-mail：qyma@shou.edu.cn

Stock assessment for Atlantic yellowfin tuna based on Bayesian state-space production model

Zhipan Tian¹, Siquan Tian¹^,²^,³, Libin Dai¹, Qiuyun Ma¹^,²^,³^,^*

Affiliations

¹College of Marine Science, Shanghai Ocean University, Shanghai 201306, China

²National Engineering Research Center for Oceanic Fisheries, Shanghai 201306, China

³Key Laboratory of Sustainable Exploitation of Oceanic Fisheries Resources, Ministry of Education, Shanghai 201306, China

出版时间: 2021-02-25 doi: 10.12284/hyxb2021002

文章导航

摘要

收起

黄鳍金枪鱼(Thunnus albacares)是全球远洋渔业的重要目标鱼种，要实现有效的管理，对其进行科学的资源评估是必不可少的。本文以大西洋黄鳍金枪鱼为研究对象，根据国际大西洋金枪鱼养护委员会的渔获量和单位捕捞努力量渔获量数据，使用贝叶斯状态空间模型进行资源评估，并探讨不同剩余产量函数和单位捕捞努力量渔获量数据对评估的影响。结果表明，使用美国、委内瑞拉、日本和中国台北4个船队的单位捕捞努力量渔获量数据及Fox剩余产量函数时模型拟合效果最佳。关键参数环境容纳量和内禀增长率的估计中值和95%置信区间分别为178 (140，229)×10⁴ t和0.210(0.159，0.274)；当前资源量为72.5×10⁴ t，最大可持续产量为13.7×10⁴ t时，种群既没有遭受资源型过度捕捞，也没有捕捞型过度捕捞发生。敏感性分析表明，当渔获量数据存在误报率(70%、80%、90%、110%、120%和130%)时，生物量的评估结果偏高，而捕捞死亡率的结果偏低，但种群均处于健康状态；预测分析显示，当总允许可捕量设为11×10⁴ t时，资源在2024年前仍基本保持健康状态。本研究与国际大西洋金枪鱼养护委员会现有的评估结果基本一致，且模型较稳健，可以为管理决策提供建议。根据模型结果，建议总允许可捕量为11×10⁴ t或更低，以使资源达到可持续开发水平。

关键词

大西洋 / 黄鳍金枪鱼 / 资源评估 / 剩余产量模型 / 敏感性分析

Abstract

收起

Yellowfin tuna (Thunnus albacares) is an important fishing target for offshore fisheries worldwide. Stock assessment is essential for its fishery management of sustainable exploitation. According to catch and catch per unit effort (CPUE) data from the International Commission for Conservation of Atlantic Tunas (ICCAT), the Bayesian state space model was conducted to make stock assessment in an open environment (Just Another Bayesian Biomass Assessment) and to compare the effects of different surplus production forms and CPUE data on the assessment. The results showed that the model performed best with the Fox surplus production form and CPUE data of four fleets (United States, Venezuela, Japan and Chinese Taipei). The median and 95% confidence intervals for carrying capacity, intrinsic growth rate were 178 (140, 229)×10⁴ t and 0.210 (0.159, 0.274), respectively. The current stock was not overfished (B/B_MSY=1.109) and was not subject to overfishing (F/F_MSY=0.893). Sensitivity analysis revealed that when the rates of reported catch divided by the actual catch were 70%, 80%, 90%, 110%, 120%, and 130%, the current biomass assessment results were higher with lower fishing rate, but the stock was still in a healthy status. When the total allowable catch (TAC) was set at 11×10⁴ t, the stock would remain basically healthy until 2024. The results from this stock assessment is generally consistent with ICCAT's current stock assessment results, so it is recommended to set a TAC of 11×10⁴ t to keep the stock status healthy and sustainable exploitation of this important fishery.

Key words

Atlantic Ocean / yellowfin tuna / stock assessment / surplus production model / sensitivity analysis

引用本文

田志盼, 田思泉, 戴黎斌, 麻秋云. 基于贝叶斯状态空间产量模型的大西洋黄鳍金枪鱼资源评估. 海洋学报, 2021 , 43 (2) : 67 -77 . DOI: 10.12284/hyxb2021002

Zhipan Tian, Siquan Tian, Libin Dai, Qiuyun Ma. Stock assessment for Atlantic yellowfin tuna based on Bayesian state-space production model[J]. Haiyang Xuebao, 2021 , 43 (2) : 67 -77 . DOI: 10.12284/hyxb2021002

正文

收起

1 引言

收起

黄鳍金枪鱼（Thunnus albacares）是高度洄游类的鱼种，广泛分布于三大洋的热带和亚热带海域，资源量相对丰富且价值较高，是金枪鱼渔业中重要的经济鱼种。随着人类需求的逐渐上升，其受到的捕捞威胁也不断增加，因此进行科学的资源评估进而制定合理的养护管理措施，是实现渔业可持续开发的基础。

目前，国际上对公海金枪鱼实施管辖的是各类区域性渔业管理组织（Regional Fisheries Management Organizations, RFMOs)，大西洋黄鳍金枪鱼由国际大西洋金枪鱼养护委员会（International Commission for Conservation of Atlantic Tunas, ICCAT）进行管理。ICCAT在对黄鳍金枪鱼的资源评估中，主要使用的评估模型有非平衡剩余产量模型（A Stock Production Model Incorporating Covariates, ASPIC）^[1]、年龄结构产量模型（Age-Structured Production Model, ASPM）^[2]、实际种群分析（Virtual Population Analysis, VPA）^[3]和资源综合模型（Stock Synthesis III, SS3）^[4]等，每个模型评估的资源状态不尽相同，ICCAT综合各模型认为，当前资源处于资源型过度捕捞而无捕捞型过度捕捞状态。其中，剩余产量模型，相较其他模型来说，对渔业数据需求较低（仅需渔获量和种群丰度指数），且能得到最大可持续产量（Maximum Sustainable Yield, MSY）等参考点信息，故是各类渔业资源评估中使用最广泛的模型之一^[5]。

除了观测误差，渔业资源种群动态中还存在环境变化等因素产生的过程误差，而ICCAT当前使用的ASPIC等产量模型无法估计过程误差，由该类误差产生的不确定性难以被考虑在内。JABBA（Just Another Bayesian Biomass Assessment）是一种基于贝叶斯方法的状态空间产量模型^[6]，其中贝叶斯框架可以通过合理的先验信息来降低模型中的不确定性^[7-8]，状态空间建模则可以同时估计过程误差和观测误差^[9-11]。为此，本文尝试采用JABBA模型来评估大西洋黄鳍金枪鱼的资源状况，研究状态空间建模对该资源进行评估的适用性，以期为该重要鱼种的科学研究和渔业管理提供更多基础资料和参考信息。

2 材料与方法

收起

2.1 数据来源

本文利用的1950−2017年渔获量数据来自ICCAT数据库，渔获量在1990年达到最高的19.36×10⁴ t，2017年为13.53×10⁴ t（图1）。单位捕捞努力量渔获量（Catch Per Unit Effort，CPUE）数据来自ICCAT黄鳍金枪鱼资源评估会议报告和CPUE标准化研究报告^[12-16]，共计8个延绳钓船队的标准化CPUE数据（表1）。虽然各船队根据各自渔业和数据情况采用了不同的CPUE标准化方法（日本、委内瑞拉和美国为广义线性模型，而乌拉圭1、乌拉圭2、巴西、中国台北1和中国台北2则为广义线性混合模型），但应ICCAT相关工作组的建议，本文资源评估模型在建模时纳入了所有8个CPUE数据。

2.2 JABBA模型

JABBA（版本为v1.1^[6]）中运行的Pella-Tomlinson剩余产量函数形式如下：

(1)${{SP}} = \frac{r}{{m - 1}}B\left[ {1 - {{\left( {\frac{B}{K}} \right)}^{m - 1}}} \right],$

式中，SP为剩余产量；r为种群的内禀增长率；K为平衡状态时的未开发资源生物量（即环境容纳量）；B为资源量；m为形状参数。

获得MSY时的生物量B_MSY和捕捞死亡率F_MSY分别为

(2)${B_{\rm MSY}} = K{m^{\frac{{ - 1}}{{m - 1}}}},$

(3)${F_{\rm MSY}} = \frac{r}{m}.$

捕捞死亡率F定义为

(4)$F = \frac{C}{B}.$

MSY定义为

(5)${\rm{MSY}} = {F_{\rm MSY}}{B_{\rm MSY}}.$

B/B_MSY<1表示当前种群已发生资源型过度捕捞，F/F_MSY>1表示种群正遭受捕捞型过度捕捞。如果m=2，则SP函数为Scheafer形式；如果m趋近于1，则为Fox形式。在JABBA中，采用默认设置值B_MSY/K=0.4，由此得出m=1.2。

过程方程定义如下：

(6)${P_y} = \left\{ {\begin{aligned}&{\varphi {{\rm{e}}^{{\eta _y}}}},\qquad{y = 1}\\&{\left[ {{P_{y - 1}} + \frac{r}{{m - 1}}{P_{y - 1}}\left( {1 - P_{y - 1}^{m - 1}} \right) - \frac{{\displaystyle \sum \nolimits_f {C_{f,\,y - 1}}}}{K}} \right]{{\rm{e}}^{{\eta _y}}},}\\&\qquad\qquad\qquad{y = 2,3,4, \cdots ,n}\end{aligned}} \right.$

式中，y为年份，P_y为y年B与K的比值；η_y为过程误差，且η_y～N(0，$ {\sigma }_{\eta }^{2} $)，

$ {\sigma }_{\eta }^{2} $

为过程方差，服从逆伽马分布（inverse-gamma (4, 0.01)）；C_{f, y}为y年船队f的渔获量。

JABBA中观测方程定义如下：

(7)${I_{i,\,y}} = {q_i}{B_y}{{\rm{e}}^{{\varepsilon _{y,\,i}}}},\quad\;y = 1,2, \cdots ,n,$

式中，q_i为丰度指数i的可捕性系数；ε_{y, i}为观测误差，且ε_{y, i}～N（0，$ {\sigma }_{\varepsilon ,\,y,\,i}^{2} $）。

$ {\sigma }_{\varepsilon ,\,y,\,i}^{2} $

为观测方差，包含固定项和预测项（

$ {\sigma }_{{\rm{fi}}{\rm{x}}}^{2}+{\sigma }_{{\rm{est}},\,i}^{2} $

），预测项

$ {\sigma }_{{\rm{est}},\,i}^{2} $

服从无信息的逆伽马分布（inverse-gamma(0.001, 0.001)）。

本研究中各参数的先验分布设置如下：B_MSY/K=0.4；σ_fix=0.2；初始资源消耗率B₁₉₅₀/K服从对数正态分布，其中值和变异系数分别为1.0和0.1；r和K的先验信息参考Matsumoto等^[1]的研究结果：假设r服从0.14～0.34的均匀分布，K服从139.2×10⁴～265.8×10⁴的均匀分布；可捕性系数q为无信息均匀分布。

因Schaefer的对称形式不符合黄鳍金枪鱼种群动态变化情况^[17]，本文只考虑选择Fox和Pella-Tomlinson函数。根据不同的CPUE数据和剩余产量函数，预实验共设置了S1−S8共8种方案进行分析（表2）。当均方根误差（Root Mean Squared Error，RMSE）或偏差信息准则（Deviation Information Criteria，DIC）较小时，说明模型拟合效果较好^[18]。

当选择所有CPUE数据并使用Pella-Tomlinson函数时，得到S1；在S1预实验基础上，去掉拟合效果差的CPUE数据得到了S2；在S2基础上，考虑到ICCAT在CPUE数据方面的建议^[12]—因CPUE标准化当中未考虑目标鱼种的变化，认为日本延绳钓标准化CPUE数据应该从1976年开始，舍弃之前的数据得到S3；S3的CPUE数据不变，剩余产量函数选择Fox得到S4；在S4基础上，考虑对CPUE数据的敏感性，依次去掉1条CPUE数据后得到S5−S8共4种方案。

2.3 回溯性分析

随着渔业数据逐年增加到资源评估中，模型估算结果可能因为出现系统性偏差而导致持续高估或低估的问题称为回溯性问题（Retrospective Problem，RP）。RP误差的强度主要由Mohn^[19]定义的ρ来衡量：

(11)$\rho = \mathop \sum \limits_y \frac{{ {{X_{\left( {y_1:y} \right),\,y}} - {X_{\left( {y_1:y_2} \right),\,y}}} }}{{{X_{\left( {y_1:y} \right),\,y}}}},$

式中，y₁、y₂分别为整个数据的起始年和结束年， y₁：y表示利用y₁到y年的数据进行模型估计；X为某一估计的模型参数（如资源生物量或捕捞努力量等）。

如果ρ趋于0，则表明不存在RP；ρ大于0，则存在正RP，即同一年某参数短时间序列的估计值大于整个时间序列的估计值，反之则为负RP^[20]。

2.4 敏感性分析

本文通过敏感性分析，研究了种群关键参数K和r的先验分布以及渔获量数据的误报比例对评估结果的影响，进而探讨模型的稳健性。本文分别研究K和r无信息的先验分布和有信息的先验分布（表3）。20世纪90年代中后期ICCAT数据收集上报过程才更加规范^[21-22]，这段时间前后数据的可信度存在差异。鉴于此，本文假设1950−1994年间渔获量数据存在不同程度的误报问题，即上报渔获量占实际渔获量的比例分别设为70%、80%、90%、110%、120%和130%共6种情况。

2.5 预测分析

ICCAT 在2016年大西洋黄鳍金枪鱼资源评估会议中，预测分析显示，渔获量低于12×10⁴ t时能使种群到2024年一直保持健康状态，所以将其总允许可捕量（Total Allowable Catch，TAC）设定为11×10⁴ t^[22]。因此本研究以11×10⁴ t为基础，设置8.80×10⁴ t (80%)、9.35×10⁴ t (85%)、9.90×10⁴ t (90%)、10.45×10⁴ t (95%)、11.00×10⁴ t (100%)、12.10×10⁴ t (110%)和13.20×10⁴ t(120%)共7个TAC指标，假设2018年渔获量为2015−2017年的平均值，并以2019年为起始年，预测2019−2027年的种群动态变化，并以生物量B>B_MSY及种群处于健康状态等的概率评价TAC指标的管理效果。

3 结果

收起

3.1 模型结果

各方案下得到了JABBA模型的CPUE指数趋势（图2）和拟合优度（表4）。在S1方案下，URU1、URU2、BR和TAI2的拟合效果非常差（图2a），存在许多异常值且RMSE极高（表4），而去除异常值后，拟合效果有较大改善，RMSE大幅降低（图2b）。S3使用JAP_RE后，拟合效果略有改善，S4改用Fox函数后RMSE基本不变但DIC降低。S5、S6、S8下的拟合效果稍有提升，S7则变差（表4）。综上所述，且鉴于S4方案涵盖了更多船队的CPUE信息，本文将S4方案作为基础模型来提供资源评估结果。

基础模型所有参数后验分布均左右对称且在合理的范围内，说明模型收敛并得到了可靠的结果（图3）。本文求得大西洋黄鳍金枪鱼的MSY为13.7×10⁴ t，B_MSY为65.2×10⁴ t，B₂₀₁₇略高于B_MSY，F₂₀₁₇略低于F_MSY（表5）。

3.2 资源状态

随着渔业开发程度的增加，种群由初始（1950年）的健康状态逐渐进入资源捕捞过度的状态（1997年前后），随后逐渐恢复，2017年资源有65%的概率既没有处于资源型过度捕捞状态，也没有处于捕捞型过度捕捞状态，资源状态健康（图4）。20世纪90年代和21世纪初期，种群处于过度捕捞状态（相对捕捞死亡率F/F_MSY>1，而相对生物量B/B_MSY<1（图5））。

以2019年为起始年，在7个不同的TAC目标下，预测分析显示，2019−2027年资源量均保持增长的趋势（图6）。当TAC为8.8×10⁴ t时，生物量增长最快，随着TAC变大，资源量增长速度放缓。风险分析结果显示（表6至表8），TAC为11×10⁴ t时，2024年B>B_MSY和资源健康的概率均为84.6%，F>F_MSY的概率为6.2%；当TAC为13.2×10⁴ t时，2024年B>B_MSY的概率降低到了69.2%（表6），但F>F_MSY的概率明显增大（28.9%，表7）。

敏感性分析结果表明，当K为无信息先验时，K的估计值略有减小，r估计值略有增大；当r无信息先验时，K的估计值略有增大，r的估计值略有减小（表3）。F₂₀₁₇随渔获量少报程度增大而减小，B₂₀₁₇则与之相反；F₂₀₁₇随多报程度增大而减小，B₂₀₁₇则与之相反（表9）。但不同误报率情况下，B₂₀₁₇/B_MSY都大于1，F₂₀₁₇/F_MSY都小于1，且资源处于健康状态的概率变化较小。回溯性分析结果表明，当数据逐年减少至2012年，B、B/B_MSY估计值略有减小，F、F/F_MSY估计值略有增大，但差别极小（图7）。计算得到B、B/B_MSY、F、F/F_MSY的ρ值分别为−0.360、0.448、−0.183、0.296。

4 讨论

收起

本文通过贝叶斯状态空间的剩余产量模型，在JABBA中评估了1950−2017年大西洋黄鳍金枪鱼的资源状况。当前种群处于没有过度捕捞的健康状态，在ICCAT当前的TAC养护管理措施下，2024年能够达成其保持种群健康状态的养护管理目标。研究结果表明，当使用美国、委内瑞拉、日本（去除1976年以前）、中国台北1993−2014年4个CPUE数据及Fox函数时，JABBA模型的拟合效果最佳，评估结果对参数K、r的先验分布和1950−1994年间的渔获量误报不太敏感，且模型不存在明显的回溯性误差。

1994年ICCAT成立工作组对大西洋黄鳍金枪鱼进行评估^[22]，之后分别在2000年、2003年、2008年、2011年和2016年都进行了资源评估。在2016年的资源评估中，ASPIC模型评估认为2014年大西洋黄鳍金枪鱼处于资源型过度捕捞状态，但没有遭受捕捞型过度捕捞^[1]；SS3和VPA模型认为其处于上述两种过度捕捞状态^{[4, 12]}；而ASPM模型则表明其均不处于过度捕捞状态^[2]。综合上述模型，ICCAT认为种群处于资源型过度捕捞而未遭受捕捞型过度捕捞的状态^[12]。本研究与之产生差异的原因可能是由状态空间建模与上述几种模型的结构差异及使用的先验信息不同所导致的。本研究得到大西洋黄鳍金枪鱼的环境容纳量K为178×10⁴ t，内禀增长率r为0.210，与同样基于剩余产量理论构建的ASPIC模型的结果相似^[1]，说明评估结果较为可信；与ASPIC模型相比，评估的种群状态脱离了资源型过度捕捞，这可能是因为近两年捕捞死亡率的下降，使黄鳍金枪鱼资源有机会得到部分恢复。

相对ICCAT当前的资源评估模型而言，JABBA作为剩余产量模型的一种，其结果可靠性较高但无法充分利用鱼类的生物学数据，与ICCAT使用的其他剩余产量模型如ASPIC等相比，JABBA可以估计过程误差，对形状参数的估计更自由，但JABBA的基本假设为渔获量不存在误差，这一点有待改进。此外，在v1.1版本的JABBA中，在选择Pella-Tomlinson产量函数时，模型无法将m作为未知参数直接估算，必须通过假定B_MSY与K的关系得到，因此下一步我们将探寻JABBA的更高版本，以研究m的估算问题。JABBA模型参数设定自由，拟合快速，当前已有用其评估大西洋剑鱼（Xiphias gladius）^[23]、大西洋大眼金枪鱼（Thunnus obesus）^[24]、大西洋蓝枪鱼（Makaira nigricans）^[25]等的研究，相信其在RFMOs的资源评估中将发挥越来越重要的作用。

近年来大西洋黄鳍金枪鱼的渔获量为13×10⁴ t左右，预测分析结果表明，当前TAC（11×10⁴ t）管理措施对其种群的养护是有效的，可以实现ICCAT的管理目标，而在当前的渔获量水平下，种群生物量仍能保持一定的速度增长。近年来，我国的渔获量仅为0.05×10⁴ t左右^[26]，占总渔获量比例较小，且都来自于延绳钓渔业的兼捕渔获，因此我国的大西洋黄鳍金枪鱼渔业仍有一定的开发空间。

大西洋黄鳍金枪鱼渔业主要有围网、延绳钓和饵钓3种，其中围网渔业占总渔获量的70%左右，且围网渔业主要在东部大西洋作业^[26]。而黄鳍金枪鱼的生长分为两个阶段^[27-28]，幼鱼阶段生长较为缓慢，成鱼阶段生长快速，且黄鳍金枪鱼幼鱼主要在大西洋东部完成早期生活史^[29]。当前围网渔业渔获量上升^[26]，造成的黄鳍金枪鱼幼鱼死亡率偏高^[12]，可能导致补充量不足，种群内禀增长率降低，致使剩余产量减少，可以考虑适当限制围网渔业的捕捞投入，以更好地养护大西洋黄鳍金枪鱼资源。

剩余产量模型将种群所有个体生命史的动态变化过程进行了高度综合，模型具有参数少、所需数据相对简单的特点，而形状参数较难准确估计且容易导致资源评估的失败^[30]，因此在模型拟合结果相差不大时，本研究最终选择了较简单的Fox而放弃形状参数不易估计的Pella-Tomlinson产量函数形式。贝叶斯方法把经验判断、前人的研究结果与现有数据相结合^[8,31]，后验概率分布由先验概率分布和模型数据共同决定，但如果所用的数据不包含足够的信息，那么后验概率分布可能完全由先验概率主导和控制^[32]。因此在使用贝叶斯资源评估方法时，对后验概率分布与先验概率分布进行比较分析显得尤为重要^[33-34]。本研究中的敏感性分析显示，K、r的后验分布对先验分布是否有信息并不敏感，说明数据为模型的贝叶斯方法提供了足够的信息。

回溯性误差在渔业资源评估中比较普遍，误差过大可能导致渔业管理的失败^[35]。对基础模型的回溯性分析中，对生物量的估计过低而对捕捞死亡率估计过高，这可能是由近年来黄鳍金枪鱼渔获量下降导致。4个参数的ρ值均趋近于0，结合图形绘制结果可以表明不存在明显的回溯性误差，这可能是由于状态空间建模不仅给出了传统模型的点估计值，同时能量化观测误差和过程误差的不确定性，从而避免了一定的回溯性问题^{[20, 36]}。

本研究表明，早期渔获量数据误报率会对资源量和捕捞死亡率的结果产生一定影响，而种群状态并没有明显改变，不会影响对种群健康状态的判断。一般来说渔获量数据以少报居多，本研究表明此时资源评估的结果将更加乐观。但本研究未考虑其他时间段内渔获量数据失真问题，而近期渔获量数据对当前资源状态的判断有更大影响，此外，下一步的研究还应考虑近期数据的随机误差等情况^[37]。

致谢：感谢渔业资源和生态系统量化评估与管理研究室赵蓬蓬等师兄在论文修改方面的帮助。

基金

收起

国家重点研发计划“蓝色粮仓科技创新”项目（2019YFD0901404）；中国博士后科学基金面上项目（2019M651475）；大洋渔业资源可持续开发教育部重点实验室开放基金（2019301101）。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

Matsumoto T, Satoh K. Stock assessment for Atlantic yellowfin tuna using a non-equilibrium production model[J]. ICCAT’s Collective Volume of Scientific Papers, 2017, 73(2): 451−474.

Satoh K, Yokoi H, Nishida T, et al. Stock assessment for Atlantic yellowfin tuna using age structured production model[J]. ICCAT’s Collective Volume of Scientific Papers, 2017, 73(2): 577−631.

Tropical Species Group. Alternative virtual population analyses of yellowfin tuna (Thunnus albacares), 1970−2010[J]. ICCAT’s Collective Volume of Scientific Papers, 2012, 68(3): 1044−1059.

Walter J, Sharma R. Atlantic ocean yellowfin tuna stock assessment 1950−2014 using stock synthesis[J]. ICCAT's Collective Volume of Scientific Papers, 2017, 73(2): 510−576.

官文江, 田思泉, 朱江峰, 等. 渔业资源评估模型的研究现状与展望[J]. 中国水产科学, 2013, 20(5): 1112−1120.

Guan Wenjiang, Tian Siquan, Zhu Jiangfeng, et al. A review of fisheries stock assessment models[J]. Journal of Fishery Sciences of China, 2013, 20(5): 1112−1120.

Winker H, Carvalho F, Kapur M. JABBA: Just another bayesian biomass assessment[J]. Fisheries Research, 2018, 204: 275−288.

Mcallister M, Pikitch E K, Babcock E A. Using demographic methods to construct Bayesian priors for the intrinsic rate of increase in the Schaefer model and implications for stock rebuilding[J]. Canadian Journal of Fisheries and Aquatic Sciences, 2001, 58(9): 1871−1890.

Punt A E, Hilborn R. Fisheries stock assessment and decision analysis: The Bayesian approach[J]. Reviews in Fish Biology and Fisheries, 1997, 7(1): 35−63.

Meyer R, Millar R B. BUGS in Bayesian stock assessments[J]. Canadian Journal of Fisheries and Aquatic Sciences, 1999, 56(6): 1078−1087.

Buckland S T, Newman K B, Thomas L, et al. State-space models for the dynamics of wild animal populations[J]. Ecological Modelling, 2004, 171(1/2): 157−175.

De Bruyn P, Murua H, Aranda M. The Precautionary approach to fisheries management: How this is taken into account by tuna regional fisheries management organisations (RFMOs)[J]. Marine Policy, 2013, 38: 397−406.

International Commission for the Conservation of Atlantic Tunas(ICCAT). Report of the 2016 ICCAT yellowfin tuna stock assessment meeting[R]. San Sebastian, Spain: ICCAT, 2016.

Satoh K, Matsumoto T. Japanese longline CPUE for yellowfin tuna (Thunnus albacares) in the Atlantic Ocean standardized using GLM up to 2014[J]. ICCAT’s Collective Volume of Scientific Papers, 2017, 73(1): 270−289.

Huang J H W. Standardized catch rate index for yellowfin tuna (Thunnus albacares) from the Taiwanese longline fishery in the Atlantic Ocean, 1970−2014[J]. ICCAT’s Collective Volume of Scientific Papers, 2017, 73(1): 404−422.

Satoh K, Matsumoto T. Exploration of historical changes of target species for Japanese longline in the Atlantic Ocean and application to standardization of CPUE of yellowfin[J]. ICCAT’s Collective Volume of Scientific Papers, 2017, 73(1): 290−317.

Walter J. Standardized catch rate in number and weight of yellowfin tuna (Thunnus albacares) from the United States pelagic longline fishery 1987−2015[J]. ICCAT’s Collective Volume of Scientific Papers, 2017, 73(1): 323−368.

Indian Ocean Tuan Commission (IOTC). Report of the fifth session of the IOTC working party on temperate tunas. (IOTC-2014-WPTmT05-R[E])[R]. Busan: 5th Working Party on Temperate Tunas, Indian Ocean Tuna Commission, 2014.

Chen Jiahua, Chen Zehua. Extended Bayesian information criteria for model selection with large model spaces[J]. Biometrika, 2008, 95(3): 759−771.

Mohn R. The retrospective problem in sequential population analysis: An investigation using cod fishery and simulated data[J]. ICES Journal of Marine Science, 1999, 56(4): 473−488.

官文江, 高峰, 雷林, 等. 渔业资源评估中的回顾性问题[J]. 上海海洋大学学报, 2012, 21(5): 841−847.

Guan Wenjiang, Gao Feng, Lei Lin, et al. Retrospective problem in fishery stock assessment[J]. Journal of Shanghai Ocean University, 2012, 21(5): 841−847.

吕翔. 大西洋金枪鱼资源开发与保护现状分析[D]. 上海: 上海海洋大学, 2016

Lü Xiang. Analysis of status with utilization and conservation of the tuna resources in the Atlantic Ocean[D]. Shanghai: Shanghai Ocean University, 2016.

International Commission for the Conservation of Atlantic Tunas (ICCAT). Report of the working group to evaluate Atlantic yellowfin tuna[J]. ICCAT’s Collective Volume of Scientific Papers, 1994, 42(2): 1−116.

International Commission for the Conservation of Atlantic Tunas (ICCAT). Report of the 2017 ICCAT Atlantic swordfish stock assessment session[J]. ICCAT’s Collective Volume of Scientific Papers, 2017, 74: 841−967.

Winker H, Kerwath S, Merino G, et al. Bayesian state-space surplus production model JABBA assessment of Atlantic bigeye tuna (Thunnus obesus) stock[J]. ICCAT's Collective Volume of Scientific Papers, 2019, 75(7): 2129−2168.

Mourato B L, Winker H, Carvalho F, et al. Stock assessment of Atlantic blue marlin (Makaira nigricans) using a Bayesian state-space surplus production model JABBA[J]. ICCAT’s Collective Volume of Scientific Papers, 2018, 75(5): 1003−1025.

International Commission for the Conservation of Atlantic Tunas (ICCAT). Report of the Standing Committee on Research and Statistics (SCRS)[R]. Madrid, Spain: International Commission for the Conservation of Atlantic Tunas, 2018.

Dortel E, Sardenne F, Bousquet N, et al. An integrated Bayesian modeling approach for the growth of Indian Ocean yellowfin tuna[J]. Fisheries Research, 2014, 163: 69−84.

Eveson J P, Million J, Sardenne F, et al. Estimating growth of tropical tunas in the Indian Ocean using tag-recapture data and otolith-based age estimates[J]. Fisheries Research, 2015, 163: 58−68.

Zagaglia C R, Lorenzzetti J A, Stech J L. Remote sensing data and longline catches of yellowfin tuna (Thunnus albacares) in the equatorial Atlantic[J]. Remote Sensing of Environment, 2004, 93(1/2): 267−281.

官文江, 吴佳文. 剩余产量模型形状参数对印度洋黄鳍金枪鱼资源评估的影响[J]. 上海海洋大学学报, 2019, 28(2): 298−304.

Guan Wenjiang, Wu Jiawen. Impacts of shape parameter of surplus production model on stock assessment of Indian Ocean yellowfin tuna[J]. Journal of Shanghai Ocean University, 2019, 28(2): 298−304.

Punt A E, Hilborn R. BAYES-SA-Bayesian stock assessment methods in fisheries. User’s manual[M]. Rome: FAO, 2001.

Chen Y, Breen P A, Andrew N L. Impacts of outliers and mis-specification of priors on Bayesian fisheries-stock assessment[J]. Canadian Journal of Fisheries and Aquatic Sciences, 2000, 57(11): 2293−2305.

李纲, 陈新军, 官文江. 基于贝叶斯方法的东、黄海鲐资源评估及管理策略风险分析[J]. 水产学报, 2010, 34(5): 740−750.

Li Gang, Chen Xinjun, Guan Wenjiang. Stock assessment and risk analysis of management strategies for Scomber japonicus in the East China Sea and Yellow Sea using a Bayesian approach[J]. Journal of Fisheries of China, 2010, 34(5): 740−750.

Mcallister M K, Kirkwood G P. Bayesian stock assessment: a review and example application using the logistic model[J]. ICES Journal of Marine Science, 1998, 55(6): 1031−1060.

Myers R A, Hutchings J A, Barrowman N J. Why do fish stocks collapse? The example of cod in Atlantic Canada[J]. Ecological Applications, 1997, 7(1): 91−106.

张魁, 陈作志. 应用贝叶斯状态空间建模对东海带鱼的资源评估[J]. 中国水产科学, 2015, 22(5): 1015−1026.

Zhang Kui, Chen Zuozhi. Using Bayesian state-space modelling to assess Trichiurus japonicus stock in the East China Sea[J]. Journal of Fishery Sciences of China, 2015, 22(5): 1015−1026.

张魁, 刘群, 廖宝超, 等. 渔业数据失真对两种非平衡剩余产量模型评估结果的影响比较[J]. 水产学报, 2018, 42(9): 1378−1389.

Zhang Kui, Liu Qun, Liao Baochao, et al. Comparative effects of distorted fishery data on assessment results of two non-equilibrium surplusproduction models[J]. Journal of Fisheries of China, 2018, 42(9): 1378−1389.

2021年第43卷第2期

PDF下载

158

引用本文

BibTeX

文章信息

doi: 10.12284/hyxb2021002

接收时间：2019-12-11
首发时间：2026-02-26
出版时间：2021-02-25

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2019-12-11
修回日期：2020-05-09

基金

国家重点研发计划“蓝色粮仓科技创新”项目（2019YFD0901404）；中国博士后科学基金面上项目（2019M651475）；大洋渔业资源可持续开发教育部重点实验室开放基金（2019301101）。

作者信息

¹上海海洋大学海洋科学学院，上海 201306

²国家远洋渔业工程技术研究中心，上海 201306

³大洋渔业资源可持续开发教育部重点实验室，上海 201306

通讯作者:

麻秋云，女，讲师，研究方向为种群动力学和渔业资源评估。E-mail：qyma@shou.edu.cn

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/hyxb/CN/10.12284/hyxb2021002

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT