摘要
近些年来印度洋近海金枪鱼类和马鲛类捕捞量上升较快,但因捕捞者多为个体手工渔业或小型工业渔业,渔业统计不完善,缺少传统资源评估所需的完整数据,因此这些鱼种目前缺乏可靠的评估。为了更好地掌握资源状况以制定相应的管理措施,本研究使用1950—2020年捕捞量数据,运用CMSY模型(Monte carlo catch-msy)、DB-SRA模型(Depletion-based stock reduction analysis)和OCOM模型(Optimized catch-only assessmentmethod)等3种数据有限评估方法对圆舵鲣、扁舵鲣、巴鲣、青干金枪鱼、斑点马鲛、康氏马鲛等6个鱼种资源状况进行评估。基于相对生物量(B/BMSY)和相对捕捞死亡率(F/FMSY)进行判断,扁舵鲣和斑点马鲛的当前资源状态较为健康[P(B/BMSY>1)=78%,P(F/FMSY<1)=67%;P(B/BMSY>1)=78%,P(F/FMSY<1)=55%],圆舵鲣和巴鲣较大概率处于捕捞型过度捕捞状态[P(B/BMSY>1)=78%,P(F/FMSY<1)=33%;P(B/BMSY>1)=78%,P(F/FMSY<1)=45%],青干金枪鱼和康氏马鲛较大概率既处于捕捞型过度捕捞又处于资源型过度捕捞状态中[P(B/BMSY>1)=33%,P(F/FMSY<1)=44%;P(B/BMSY>1)=55%,P(F/FMSY<1)=33%]。3种模型中,CMSY模型和DB-SRA模型给出的MSY估计值接近,CMSY模型给出了最为谨慎的评估结果(6个鱼种均存在过度捕捞),而OCOM模型给出的结果最为乐观,表明3种模型对这6个鱼种的资源状况判断有一定差异。敏感性分析显示,参数r以及Bend/K的先验设定均会对CMSY模型结果产生较大的影响;DB-SRA模型对Bt/K敏感,对K较为稳健。从结果上来看,3种模型均可以用于对近海小型金枪鱼和马鲛类的资源评估,但单一方法可能会导致结果偏差。建议在使用数据有限的评估方法时,采用多组参数以及多个方法进行比较分析,以更全面地获得种群资源状况。本研究可以为印度洋近海小型渔业管理提供参考。
印度洋一直以来都是世界主要的金枪鱼渔场之一,拥有丰富的渔业资
数据有限评估方法大致可以分为三类:基于体长数据(Length-based)或年龄数据(Age-based)的评估方法,基于捕捞量时间序列(Catch-only)的评估方法,基于丰度指数的评估方
在此之前,由于缺乏传统评估所需的数据,且数据有限评估方法未得到广泛应用,对上述6个鱼种的研究多为生物学方面。目前仅有RAZA
本研究所使用的捕捞量数据来源于IOTC秘书处(www.iotc.org)渔业统计数据库,捕捞量范围涵盖整个印度洋海域,时间跨度为1950—2020年(
![](html/shhy/20230704284/alternativeImage/E3D1121C-13CA-45b4-A685-EB264082BC65-F001.jpg)
图1 印度洋6种近海小型金枪鱼1950—2020年捕捞量
Fig.1 Annual catches of Indian Ocean six neritic tunas from 1950 to 2020
种群资源减少分析模型(Depletion-based stock reduction analysis,DB-SRA)是基于延迟差分模型(
延迟差分模型的公式:
(1) |
式中:Bt为t年时的生物量;Ct-1为t-1年时的捕捞量;P(Bt-a)是基于t-a年生物量的潜在年产量。
Pella–Tomlinson–Fletcher模型的公式:
(2) |
式中:K为原始生物量;n为该模型的形状参数;γ由n来决定。
DB-SRA模型由随机SRA模型以及Depletion-corrected average catch模型结合而成,DB-SRA模型假设评估的鱼种在资源丰度没有发生太大变化的情况下,渔获量是可持续的,因此模型不适用于资源高度衰减的鱼
蒙特卡罗模拟的捕捞量-最大可持续产量模型(Monte Carlo catch-msy,CMSY)是基于Schaefer经典剩余产量模型(
(3) |
式中:Ct为t年时的捕捞量。
当种群的损耗较大,即种群的生物量下降到环境容纳量的1/4之下时,则采用以下公式:
(4) |
式中:4rBt/K假设该种群的补充量速率呈线性下降,其已经低于能产生最大可持续产量一半的生物量。该公式的主要目的在于模拟在低生物量情况下发生的补充量下降的情况。
为Schaefer经典剩余产量模型的参数设定一个合理的先验范围是CMSY模型的关键假设,其中K以及相对生物量的先验值设定会对模型的评估结果产生直接影响,因此如果盲目地将K设置为产量的倍数可能会造成评估结果的偏差,因此CMSY模型中给出了基于最后一年捕捞量和最大捕捞量的K和相对生物量先验值的估计方
模型使用蒙特卡罗方法对种群的最大可持续产量进行估计,模型运行所要的数据除了基本的捕捞量时间序列数据以外,还需要种群的r、K和相对生物量的先验分
仅使用捕捞量的优化评估模型(Optimized catch-only assessment method,OCOM)同样也是基于Schaefer经典剩余产量模型(
考虑到研究中自然死亡率的不确定性较大,难以直接估算,本研究使用了经验公式进行估计,分别参考THEN
方法 Method | 公式 Formula | 参考文献 References |
---|---|---|
基于最大年龄 Based on max age |
[ | |
基于生长参数 Based on growth parameters |
[ | |
基于生长参数 Based on growth parameters |
[ | |
基于最大年龄 Based on max age |
[ | |
基于最大年龄 Based on max age |
[ |
计算公式:
(5) |
式中:tmax为鱼种的最大寿命;k为鱼种的生长速率;t0为理论初始年龄;L∞为渐进体长。
CMSY模型需要鱼种的r和K以及相对生物量(B/K)的先验分布。
r可以有多个来源,本研究计算所使用的方法为EDWARD
(6) |
式中:为物种的最大年龄;ma为a龄时物种的性成熟度;为a年龄时物种的体质量;为与陡度(h)相关的参数;为物种存活率;r为内禀增长率。
可以由公式7求得:
(7) |
式中:与b来自物种体长体质量方程中的参数;为物种的渐进体长;k为物种的生长参数;为物种0龄时的理论体长;以上3个参数来自于Von bertalanffy方程。
可由
(8) |
式中:M为物种自然死亡率。
可由
(9) |
式中:
:
(10) |
(11) |
只要输入包括a、b、k、、即可求得物种的r。本研究中所使用的生物学参数来自于相关的研究文
此外,研究还使用了Fishbase(www.fishbase.org)上给出的r的先验值范围作为模型敏感性分析。K先验范围的计算与时间序列中的最大产量和r值的上下限相关,根据评估对象最终相对生物量的高低选用不同的计算方
(12) |
(13) |
式中:为捕捞时间序列中捕捞量最大值,rhigh与rlow分别为r的上下限,本研究中6个鱼种末3年的捕捞量较高,因此所有情景下K的计算均选用
CMSY给出了鱼种相对生物量的推荐先验值范围以及判断依
情景 Situation | CMSY模型 | DB-SRA模型 | OCOM模型 | |||||
---|---|---|---|---|---|---|---|---|
最终相对生物量 Bend/K | 内禀增长率 r | 初始相对生物量 B1/K | 环境容纳量 K/(×1 | 种群衰减率 Bt/K | 自然死亡率 M | |||
BLT1 | (0.4,0.8) | (0.5,1.7) | (0.75,1) | 37.7~768.3 | (0.4,0.8) | 0.97 | ||
BLT2 | (0.2,0.8) | (0.5,1.7) | (0.75,1) | 80.0~1 920.1 | (0.2,0.8) | 0.97 | ||
BLT3 | (0.4,0.8) | (0.2,0.8) | (0.75,1) | 80.0~1 920.1 | (0.4,0.8) | 0.97 | ||
BLT4 | (0.2,0.8) | (0.2,0.8) | (0.75,1) | 37.7~768.3 | (0.2,0.8) | 0.97 | ||
FRI1 | (0.4,0.8) | (0.9,3.3) | (0.75,1) | 77.1~1 698.0 | (0.4,0.8) | 1.44 | ||
FRI2 | (0.2,0.8) | (0.9,3.3) | (0.75,1) | 318.0~7 641.1 | (0.2,0.8) | 1.44 | ||
FRI3 | (0.4,0.8) | (0.2,0.8) | (0.75,1) | 318.0~7 641.1 | (0.4,0.8) | 1.44 | ||
FRI4 | (0.2,0.8) | (0.2,0.8) | (0.75,1) | 77.1~1 698.0 | (0.2,0.8) | 1.44 | ||
KAW1 | (0.4,0.8) | (0.6,2.3) | (0.75,1) | 846.0~3 243.2 | (0.4,0.8) | 0.96 | ||
KAW2 | (0.2,0.8) | (0.6,2.3) | (0.75,1) | 405.0~9 729.7 | (0.2,0.8) | 0.96 | ||
KAW3 | (0.4,0.8) | (0.2,0.8) | (0.75,1) | 405.0~9 729.7 | (0.4,0.8) | 0.96 | ||
KAW4 | (0.2,0.8) | (0.2,0.8) | (0.75,1) | 846.0~3 243.2 | (0.2,0.8) | 0.96 | ||
LOT1 | (0.4,0,8) | (0.4,1.6) | (0.75,1) | 221.0~5 301.7 | (0.4,0.8) | 0.70 | ||
LOT2 | (0.2,0.8) | (0.4,1.6) | (0.75,1) | 442.0~10 603.0 | (0.2,0.8) | 0.70 | ||
LOT3 | (0.4,0,8) | (0.2,0.8) | (0.75,1) | 442.0~10 603.0 | (0.4,0.8) | 0.70 | ||
LOT4 | (0.2,0.8) | (0.2,0.8) | (0.75,1) | 221.0~5 301.7 | (0.2,0.8) | 0.70 | ||
GUT1 | (0.4,0.8) | (0.6,1.9) | (0.75,1) | 54.3~1 032.6 | (0.4,0.8) | 1.45 | ||
GUT2 | (0.2,0.8) | (0.6,1.9) | (0.75,1) | 129.0~3 097.9 | (0.2,0.8) | 1.45 | ||
GUT3 | (0.4,0.8) | (0.2,0.8) | (0.75,1) | 129.0~3 097.9 | (0.4,0.8) | 1.45 | ||
GUT4 | (0.2,0.8) | (0.2,0.8) | (0.75,1) | 54.3~1 032.6 | (0.2,0.8) | 1.45 | ||
COM1 | (0.4,0.8) | (0.4,1.4) | (0.75,1) | 265.3~5 572.0 | (0.4,0.8) | 0.55 | ||
COM2 | (0.2,0.8) | (0.4,1.4) | (0.75,1) | 464.3~11 145.0 | (0.2,0.8) | 0.55 | ||
COM3 | (0.4,0.8) | (0.2,0.8) | (0.75,1) | 464.3~11 145.0 | (0.4,0.8) | 0.55 | ||
COM4 | (0.2,0.8) | (0.2,0.8) | (0.75,1) | 265.3~5 572.0 | (0.2,0.8) | 0.55 |
DB-SRA模型中所输入的参数包括:M,K,性成熟年龄(),最大可持续渔获量时的捕捞死亡率与自然死亡率的比值(FMSY/M),最大可持续渔获量时生物量与种群容纳量的比值(BMSY/K),种群的初始相对生物量(B1/K),种群的衰减率(Bt/K)。其中M和K来自于上述计算所得,性成熟年龄来源于文献中50%性成熟体长使用von Bertalanffy生长方程计算所
OCOM模型中输入参数为M,本研究中所使用的M来源于上文中经验公式计算所得(
对6个鱼种均使用CMSY、DB-SRA和OCOM进行了评估。其中CMSY和DB-SRA各设置有4种情景,OCOM有1种情景。根据模型输出的B/BMSY以及F/FMSY对物种的资源状况进行判断。如相对生物量健康,但相对捕捞死亡率过高时,认为物种目前处于捕捞型过度捕捞中(Overfishing, B/BMSY>1,F/FMSY>1);如相对生物量低,相对捕捞死亡率也低时,认为物种目前处于资源型过度捕捞中(Overfished, B/BMSY<1,F/FMSY<1);如相对生物量低且相对捕捞死亡率高时,物种既处于资源型过度捕捞又处于捕捞型过度捕捞中(Overfished and overfishing, B/BMSY<1.F/FMSY>1)。结果表明(
![](html/shhy/20230704284/alternativeImage/E3D1121C-13CA-45b4-A685-EB264082BC65-F002.jpg)
图2 6个鱼种最后一年资源状况Kobe图
Fig.2 Stock status Kobe plot of six neritic tunas in last year of assessment
CMSY、DB-SRA、OCOM分别对应3种模型,BLT1、FRI1等分别对应表2设置的情景。
CMSY, DB-SRA, and OCOM correspond to the three models respectively, and BLT1, FRI1, etc. correspond to the scenarios set up in Table 2 respectively.
圆舵鲣资源处于健康的概率为33%,过度捕捞状态概率为67%,巴鲣资源处于健康状态概率为45%,过度捕捞状态概率为55%,二者较大概率处于捕捞型过度捕捞中;扁舵鲣资源处于健康状态概率为67%,过度捕捞状态概率为33%,斑点马鲛资源处于健康状态的概率为67%,处于过度捕捞状态的概率为33%,二者的资源目前处于健康状态的概率较大;青干金枪鱼资源处于健康状态的概率为33%,过度捕捞状态概率为67%,康氏马鲛资源处于健康状态的概率为33%,过度捕捞状态概率为67%,二者大概率既处于捕捞型过度捕捞又处于资源型过度捕捞状态中。
研究在CMSY和DB-SRA中设置了多个不同情景,以分析不同参数对评估结果产生的影响。从结果上来看(
情景Situation | 最大可持续产量MSY/(×1 | 最大可持续产量时生物量 BMSY/(×1 | 最大可持续产量时捕捞死亡率FMSY |
---|---|---|---|
BLT1 | 20.2(14.5~37.8) | 27.6(18.9 ~ 40.3) | 0.60(0.30~ 1.22) |
BLT2 | 14.9(11.0~26.3) | 24.1(16.8~34.7) | 0.90(0.60~1.35) |
BLT3 | 17.5(11.2~ 27.9) | 63.3(38.8~ 103.0) | 0.19(0.11~ 0.33) |
BLT4 | 9.9(7.3~13.8) | 54.8(40.7 ~73.8) | 0.28(0.17~ 0.48) |
FRI1 | 119.0(92.4~173.0) | 158.5(106.0~ 205.0) | 1.05(0.78~1.41) |
FRI2 | 108.0(89.2~143.0) | 136.0(91.2 ~ 195.0) | 1.12(0.88~1.43) |
FRI3 | 96.1(75.4~129.0) | 380.0(238.0 ~ 606.0) | 0.26(0.15~0.44) |
FRI4 | 87.1(68.2~122.0) | 349.0(233.0 ~ 523.0) | 0.28(0.16~0.47) |
KAW1 | 161.0(125.0~233.0) | 220.0(137.0~ 351.0) | 0.76(0.46~1.23) |
KAW2 | 144.0(119.0~203.0) | 179.0(124.0 ~ 257.0) | 0.80(0.55~1.31) |
KAW3 | 140.0(107.0~194.0) | 559.0(342.0 ~ 912.0) | 0.26(0.15~0.44) |
KAW4 | 124.0(97.1~180.0) | 486.0(325.0~727.0) | 0.27(0.16~0.45) |
LOT1 | 151.0(120.0~207) | 292.0(183.0 ~ 466.0) | 0.53(0.32~0.90) |
LOT2 | 138.0(111.0~194.0) | 260.0(175.0 ~ 385.0) | 0.56(0.33~0.93) |
LOT3 | 131.0(106.0~174.0) | 494.0(324.0~ 752.0) | 0.25(0.15~0.43) |
LOT4 | 120.0(94.2~165.0) | 492.0(335.0 ~ 724.0) | 0.28(0.17~0.48) |
GUT1 | 48.5(38.1~66.5) | 75.8(48.2 ~ 119.0) | 0.65(0.41~1.03) |
GUT2 | 45.5(36.0~59.9) | 63.3(44.6~89.8) | 0.71(0.48~1.09) |
GUT3 | 42.4(33.3~56.8) | 170.0(106.0 ~ 273.0) | 0.26(0.15~0.44) |
GUT4 | 38.4(30.8~54.5) | 148.0(98.1 ~ 223.0) | 0.27(0.17~0.45) |
COM1 | 171.0(134.0~238.0) | 370.0(233.0~ 585.0) | 0.47(0.29~0.76) |
COM2 | 153.0(124.0~216.0) | 323.0(217.0 ~ 482.0) | 0.49(0.31~0.79) |
COM3 | 155.0(121.0~207.0) | 614.0(377.0~ 1 001.0) | 0.26(0.15~0.44) |
COM4 | 138.0(109.0~197.0) | 554.0(370.0~830.0) | 0.26(0.16~0.44) |
情景 Situation | 最大可持续产量 MSY/(×1 | 最大可持续产量时生物量 BMSY/(×1 | 最大可持续产量时捕捞死亡率 FMSY |
---|---|---|---|
BLT1 | 17.6(7.5~43.9) | 52.4(22.5~133.7) | 0.67(0.40~1.01) |
BLT2 | 15.0(6.0~27.9) | 44.5(17.5~82.2) | 0.68(0.40~1.03) |
BLT3 | 17.9(7.3~43.9) | 53.1(21.9~132.4) | 0.68(0.40~1.03) |
BLT4 | 16.1(7.6~33.5) | 45.6(22.0~102.3) | 0.68(0.40~1.04) |
FRI1 | 102.3(60.0~173.1) | 291.7(163.6~502.0) | 0.74(0.48~1.08) |
FRI2 | 90.9(84.0~112.8) | 226.0(176.5~309.8) | 0.80(0.60~1.31) |
FRI3 | 115.7(68.7~201.0) | 318.0(184.4~689.0) | 0.74(0.48~1.09) |
FRI4 | 95.5(58.3~207.0) | 235.6(167.4~388.0) | 0.81(0.60~1.33) |
KAW1 | 158.0(88.3~309.7) | 470.7(259.0~949.0) | 0.67(0.40~1.02) |
KAW2 | 127.0(111.3~152.0) | 366.0(277.4~468.7) | 0.70(0.45~1.04) |
KAW3 | 168.0(97.3~385.8) | 498.0(274.5~1 009.0) | 0.68(0.40~1.03) |
KAW4 | 132.2(88.1~173.0) | 398.0(240.3~512.3) | 0.68(0.40~1.02) |
LOT1 | 146.0(81.7~290.7) | 478.0(262.9~944.0) | 0.56(0.32~0.90) |
LOT2 | 126.0(95.2~177.2) | 408.0(275.6~603.4) | 0.57(0.32~0.92) |
LOT3 | 154.0(130.7~333.0) | 503.0(267.0~1 171.9) | 0.56(0.32~0.91) |
LOT4 | 132.3(85.8~198.0) | 432.8(270.1~626.0) | 0.55(0.31~0.90) |
GUT1 | 47.8(28.3~84.2) | 136.0(78.3~242.3) | 0.74(0.47~1.09) |
GUT2 | 38.9(34.7~48.1) | 107.0(82.8~137.8) | 0.78(0.52~1.12) |
GUT3 | 53.0(33.1~114.7) | 149.0(86.7~315.0) | 0.74(0.48~1.08) |
GUT4 | 41.5(30.2~45.7) | 119.8(80.1~145.0) | 0.77(0.51~1.13) |
COM1 | 172.0(97.5~353.3) | 644.0(351.1~1 271.0) | 0.44(0.25~0.73) |
COM2 | 144.0(108.3~203.0) | 533.0(348.5~781.5) | 0.45(0.26~0.74) |
COM3 | 179.0(102.8~386.0) | 670.0(357.1~1 498.0) | 0.44(0.24~0.73) |
COM4 | 160.2(91.0~253.7) | 582.0(322.0~889.0) | 0.44(0.23~0.72) |
OCOM未进行敏感性分析,模型评估结果见
情景 Situation | 最大可持续产量 MSY/(×1 | 最大可持续产量时生物量 BMSY/(×1 | 最大可持续产量时捕捞死亡率 FMSY |
---|---|---|---|
BLT | 31.7(13.8~259.2) | 68.1(31.2~717.1) | 0.50(0.13~0.94) |
FRI | 133.2(91.0~1 004.2) | 263.6(125.0~1 948.0) | 0.58(0.18~1.02) |
KAW | 210.0(131.0~2 163.2) | 472.1(177.0~5 487.0) | 0.53(0.13~0.99) |
LOT | 122.0(81.6~153.5) | 353.0(134.0~2 981.6) | 0.38(0.10~0.91) |
GUT | 76.2(43.2~933.7) | 142.0(51.4~1 725.6) | 0.63(0.18~1.06) |
COM | 151.0(98.7~192.1) | 488.0(206.6~1 466.0) | 0.31(0.07~0.85) |
圆舵鲣2020年的捕捞量约为28 700 t,从2015年起圆舵鲣的捕捞量迅速上升,在2018年达到顶峰,虽然这几年有一定波动但也维持在较高的捕捞
扁舵鲣渔业从2010年起开始迅速发展,在2010—2014年间扁舵鲣的捕捞量持续维持在100 000 t以上,之后捕捞量有所回
巴鲣的捕捞量在过去十年内迅速上升。IOTC在2020年对巴鲣的资源状况进行了评估,结果认为巴鲣有50%的概率处于健康状态,B/BMSY=1.13,F/FMSY=0.98,但 IOTC仅使用了2018年之前的捕捞量数
相比于舵鲣和马鲛类渔业,青干金枪鱼渔业开始较早,在上世纪60—70年代,青干金枪鱼的捕捞主要依靠的是流刺网,进入80年代随着竿钓和围网的引入,青干金枪鱼的捕捞量迅速上升,在2012年达到顶峰,此后捕捞量呈下降趋
斑点马鲛作为一种恢复力较强的鱼类,早期捕捞量一直在20 000 t左右波动,在2005年之后有所增长,此后一直维持在40 000 t上
康氏马鲛作为流刺网的主要捕捞目标,近些年来捕捞量一直持续上升。此前有研究指出由于流刺网网目大小的原因,大部分捕捞到的康氏马鲛个体的体长都低于其性成熟的体长,即幼鱼被大量地捕
本研究中所使用的3个模型都已经被广泛应用,相关研究人员已经对这3个模型进行了深入研
从结果上来看,当种群处于同样的资源状态时,CMSY模型和DB-SRA模型给出的MSY估计值与OCOM模型相比较低,而CMSY模型和DB-SRA模型给出的估计值更为接近。从种群的资源状况上来看,DB-SRA模型认为扁舵鲣和巴鲣大概率处于健康状态,OCOM模型则认为除了青干金枪鱼和斑点马鲛之外的4个鱼种都处于健康状态,CMSY模型的评估结果更为保守,认为目前6个鱼种均存在过度捕捞的可能。此前对CMSY模型研
敏感性分析显示在CMSY模型中,r的先验设置会对模型产生较大的影响。但目前缺乏进行准确估计所需数据,r在此前多使用的是Fishbase上给出的先验设置,即Medium(0.2~0.8)。CMSY模型在评估中使用了r的先验设置,因此处于同一恢复力水平的物种所得出的FMSY会非常接近。本研究6个鱼种的恢复力Fishbase上给出的均为Medium,但是根据此前生物学方面研究,其产卵量以及补充量明显存在着一定差异,因此除使用Fishbase默认设定外,还设置了使用LHM模型计算出的r的情景。从结果上来看,二者的差异明显,但目前尚没有证据证明LHM模型计算的r比Fishbase上给出的更为合理,且由于LHM模型在计算时需要结合多个生活史参数,其准确性还需要考虑。因此在使用CMSY模型进行评估,多个先验参数不同情景的结果综合考虑是必不可少的。
与需要多个先验参数的DB-SRA模型和CMSY模型不同,OCOM模型仅需要M的先验,因此M的准确与否直接决定了评估的结果。但由于调查数据缺乏,M估计一直以来都是评估中的一大难题。近些年出现了许多估计M的方法,可分为包括标记重捕法的直接方法和利用捕捞年龄数据(Catch-age data)的年龄结构法或基于生活史数据的间接方
3种方法给出的评估结果有一定的差异,因此在使用IOTC所给出的捕捞量时间序列数据进行评估时,建议使用多个模型来减少结果的不确定性。单一的模型给出的结果可能与实际情况差距较大,据此对渔业状况进行判断并不合理。
对于数据缺乏渔业来说,除了模型的先验设置参数要准确外,捕捞数据质量也是很关键的一个问题。尽管本研究使用IOTC数据库中的捕捞数据目前被认为是最为准确的数据来源,但这些小型渔业目前还存在着数据记录不规范,报告缺失等问题,从而导致捕捞量数据有一定误
本文根据IOTC统计的数据,利用3种数据有限方法对6种印度洋近海金枪鱼和马鲛类进行了评估。总体来看印度洋海域近海金枪鱼和马鲛类资源处于下降状态。对于资源状况健康的鱼类,应保持对资源状态的跟踪评估;对于已经过度捕捞的鱼类,应立即采取措施进行恢复,避免资源发生衰减。本研究的评估结果可以为近海金枪鱼类和马鲛类的管理措施提供科学依据。基于捕捞量的数据有限方法可以在可用数据较少的情况下对鱼种进行资源评估,提供科学的管理建议。
参考文献
NISAR U, ALI R, MU Y T, et al. Assessing five major exploited tuna species in India (Eastern and Western Indian Ocean) using the Monte Carlo method (CMSY) and the Bayesian Schaefer model (BSM)[J]. Sustainability, 2021, 13(16): 8868. [百度学术]
张中帅. 印度洋金枪鱼资源开发与管理现状分析[D]. 上海: 上海海洋大学, 2017. [百度学术]
ZHANG Z S. Analysis of status with utilization and management of the tuna resources in the Indian ocean[D]. Shanghai: Shanghai Ocean University, 2017. [百度学术]
鲁泉. 印度洋渔业资源可持续利用评价与管理对策[D]. 上海: 上海海洋大学, 2022. [百度学术]
LU Q. Evaluation and Management Countermeasures of Sustainable Utilization of Fishery Resources in the Indian Ocean[D]. Shanghai: Shanghai Ocean University, 2022. [百度学术]
李秀超,林琴琴,陈作志,等.基于LeMaRns模型评估印度洋金枪鱼渔业对大洋生态系统的影响[J].上海海洋大学学报,2023,32(1):203-216. [百度学术]
LI X C, LIN Q Q, CHEN Z Z, et al. Impact of Indian Ocean tuna fisheries on pelagic ecosystem based on LeMaRns model[J]. Journal of Shanghai Ocean University,2023,32(1):203-216. [百度学术]
FU D. Preliminary Indian ocean swordfish stock assessment 1950-2018 (Stock Synthesis)[R]. Indian, FAO:IOTC, 2020. [百度学术]
BABU C, ANROSE A. Status of neritic tuna fisheries in India[R]. Rome, FAO, 2013. [百度学术]
ZHOU S J, FU D, DEBRUYN P, et al. Improving data limited methods for assessing Indian Ocean neritic tuna species[R]. Victoria, CSIRO, 2019. [百度学术]
CARRUTHERS T R, PUNT A E, WALTERS C J, et al. Evaluating methods for setting catch limits in data-limited fisheries[J]. Fisheries Research, 2014, 153: 48-68. [百度学术]
石永闯, 樊伟, 张衡, 等. 适用于数据缺乏渔业的资源评估方法研究进展[J]. 中国水产科学, 2021, 28(5): 673-691. [百度学术]
SHI Y C, FAN W, ZHANG H, et al. Review on stock assessment methods applicable to data-limited fisheries[J]. Journal of Fishery Sciences of China, 2021, 28(5): 673-691. [百度学术]
GENG Z. A preliminary stock assessment of Kawakawa (Euthynnus affinis) in the Indian Ocean[R]. Indian, FAO:IOTC, 2022. [百度学术]
史登福, 张魁, 陈作志. 基于生活史特征的数据有限条件下渔业资源评估方法比较[J]. 中国水产科学, 2020, 27(1): 12-23. [百度学术]
SHI D F, ZHANG K, CHEN Z Z. Comparison of assessment methods utilizing life-history characteristics in data-limited fisheries[J]. Journal of Fishery Sciences of China, 2020, 27(1): 12-23. [百度学术]
RAZA H, LIU Q, HANIF M T, et al. Stock evaluation of the data-limited fisheries: a case study of five major commercially important fishes from the western Indian ocean, Pakistan[J]. Pakistan Journal of Zoology, 2023, 55(3): 1099-1108. [百度学术]
HAGHI V A, HASHEMI S A R, KAYMARAM F. Estimation of fisheries reference points for Longtail tuna (Thunnus tonggol) in the Iranian southern waters (Persian Gulf and Oman Sea)[J]. Iranian Journal of Fisheries Sciences, 2021, 20(3): 678-693. [百度学术]
FU D. Assessment of Indian Ocean longtail tuna (Thunnus tonggol) using data poor catch-based methods[R]. Indian, FAO:IOTC, 2016. [百度学术]
DICK E J, MACCALL A D. Depletion-Based Stock Reduction Analysis: A catch-based method for determining sustainable yields for data-poor fish stocks[J]. Fisheries Research, 2011, 110(2): 331-341. [百度学术]
SWEKA J A, NEUENHOFFR, WITHERS J, et al. Application of a depletion-based stock reduction analysis (DB-SRA) to Lake Sturgeon in Lake Erie[J]. Journal of Great Lakes Research, 2018, 44(2): 311-318. [百度学术]
MARTELL S, FROESE R. A simple method for estimating MSY from catch and resilience[J]. Fish and Fisheries, 2013, 14(4): 504-514. [百度学术]
FROESE R, DEMIREL N, CORO G, et al. Estimating fisheries reference points from catch and resilience[J]. Fish and Fisheries, 2017, 18(3): 506-526. [百度学术]
ZHOU S J, PUNT A E, SMITH A D M, et al. An optimized catch-only assessment method for data poor fisheries[J]. ICES Journal of Marine Science, 2018, 75(3): 964-976. [百度学术]
THEN A Y, HOENIG J M, HALL N G, et al. Evaluating the predictive performance of empirical estimators of natural mortality rate using information on over 200 fish species[J]. ICES Journal of Marine Science, 2015, 72(1): 82-92. [百度学术]
HAMEL O S, COPE J M. Development and considerations for application of a longevity-based prior for the natural mortality rate[J]. Fisheries Research, 2022, 256: 106477. [百度学术]
HOENIG J M. Empirical use of longevity data to estimate mortality rates[J]. Fishery Bulletin, 1983, 81(4): 898-903. [百度学术]
PAULY D. Some simple methods for the assessment of tropical fish stocks[R]. Rome,FAO, 1983. [百度学术]
EDWARDS C T. BDM: Bayesian biomass dynamic model[EB/OL]. Wellington: Edwards C T, 2022.[2023-07-30]. https://github.com/cttedwards/bdm. [百度学术]
MCALLISTER M K, 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. [百度学术]
FROESE R, DEMIREL N. A simple user guide for CMSY+ and BSM[EB/OL]. Wischhofstr: GEOMAR, 2019. [2023-07-30]. [百度学术]
STELLE W W. Groundfish fishery management plan, amendment 23: considerations for a new harvest specification framework that incorporates revised national standard 1 guidelines to prevent overfishing; DRAFT environmental assessment[M]. Portland: Pacific Fishery Management Council, 2010. [百度学术]
WALTERS C J, MARTELL S J D. Fisheries ecology and management[M]. Princeton: Princeton University Press, 2004. [百度学术]
IOTC.Executive Summary: Bullet tuna (2022)[R].Indian, FAO:IOTC, 2022. [百度学术]
范江涛, 张鹏, 冯雪, 等. 南海圆舵鲣栖息地影响因素分析[J]. 中国水产科学, 2021, 28(2): 215-221. [百度学术]
FAN J T, ZHANG P, FENG X, et al. Analysis of habitat influencing factors of Auxis rochei in the South China Sea[J]. Journal of Fishery Sciences of China, 2021, 28(2): 215-221. [百度学术]
SETYADJI B, NOVIANTO D, BAHTIAR A. Size structure of bullet tuna (Auxis rochei, Risso, 1810) caught by small scale and industrial purse seine fisheries in Indian ocean-south of java based on trial scientific observer data[R]. Indian, FAO:IOTC, 2013. [百度学术]
IOTC. BULLET TUNA SUPPORTING INFORMATION (2017)[R]. Rome, FAO:IOTC, 2017. [百度学术]
ASRIA L E, ROSADI E, FATHURRIADI. Utilization, Growth, and Population of Bullet Tuna (Auxis rochei Risso 1810) in Indian Ocean Southern Sumbawa[J]. Indonesian Journal of Aquaculture and Fisheries, 2020, 2(1): 19-28. [百度学术]
IOTC. EXECUTIVE SUMMARY: FRIGATE TUNA (2022)[R]. Rome, FAO:IOTC,2022. [百度学术]
IOTC. EXECUTIVE SUMMARY: KAWAKAWA (2022)[R].Rome, FAO:IOTC,2022. [百度学术]
IOTC. EXECUTIVE SUMMARY: LONGTAIL TUNA (2022)[R]. Rome, FAO:IOTC,2022. [百度学术]
IOTC. Assessment of Indian Ocean longtail tuna (Thunnus tonggol) using data poor catch-based methods[R].Indian, FAO:IOTC 2015. [百度学术]
NISHIDA T, IWASAKIK. Longtail tuna (Thunnus tonggol) stock assessment in the Indian Ocean by ASPIC (A Stock–Production model Incorporating Covariates) using available CPUE information[R].Indian, FAO:IOTC, 2015. [百度学术]
IOTC.EXECUTIVE SUMMARY: INDO-PACIFIC KING MACKEREL[R]. Rome, FAO:IOTC, 2022. [百度学术]
FU D. Assessment of Indian ocean Indo-pacific king mackerel (Scomberomorus guttatus) using data-limited methods[R]. Indian, FAO:IOTC, 2021. [百度学术]
GRANDCOURT E M, ALABDESSALAAM T Z, FRANCIS F, et al. Preliminary assessment of the biology and fishery for the narrow-barred Spanish mackerel, Scomberomorus commerson (Lacépède, 1800), in the southern Arabian Gulf[J]. Fisheries Research, 2005, 76(2): 277-290. [百度学术]
DUDLEY R G, AGHANASHINIKAR A P, BROTHERS E B. Management of the Indo-pacific Spanish mackerel (Scomberomorus commerson) in Oman[J]. Fisheries Research, 1992, 15(1-2): 17-43. [百度学术]
FU D. Assessment of Indian Ocean narrow-barred Spanish mackerel (Scomberomorus commerson) using data-limited methods[R].Indian, FAO:IOTC, 2020. [百度学术]
IOTC.EXECUTIVE SUMMARY: NARROW-BARRED SPANISH MACKEREL[R]. Indian, FAO:IOTC, 2022. [百度学术]
OWASHI B R. Evaluating the data-poor fishery stock assessment method, DB-SRA[D]. Corvallis: Oregon State University, 2014. [百度学术]
DOWD M, MCGILLIARD C R.Comparison of data-poor stock assessment methods for common skate (Dipturus batis) in the Irish Sea[J]. ICES Journal of Marine Science, 2016, 73(1): 226-233. [百度学术]
LIANG C, XIAN W W, PAULY D. Assessments of 15 exploited fish stocks in Chinese, South Korean and Japanese waters using the CMSY and BSM methods[J]. Frontiers in Marine Science, 2020, 7: 623. [百度学术]
BOUCH P, MINTO C, REID D G. Comparative performance of data-poor CMSY and data-moderate SPiCT stock assessment methods when applied to data-rich, real-world stocks[J]. ICES Journal of Marine Science, 2021, 78(1): 264-276. [百度学术]
PAULY D.On the interrelationships between natural mortality, growth parameters, and mean environmental temperature in 175 fish stocks[J]. ICES journal of Marine Science, 1980, 39(2): 175-192. [百度学术]
MAUNDER M N, HAMEL O S, LEEH H, et al. A review of estimation methods for natural mortality and their performance in the context of fishery stock assessment[J]. Fisheries Research, 2023, 257: 106489. [百度学术]