مدلسازی سری زمانی صید ماهی سفید دریای خزر (Rutilus frisii) با استفاده از مدل SARIMA | ||
| فصلنامه علوم محیطی | ||
| مقاله 6، دوره 22، شماره 2، 1403، صفحه 273-288 اصل مقاله (1.71 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.48308/envs.2024.1343 | ||
| نویسندگان | ||
| فاتح معزی* 1؛ هادی پورباقر1؛ سهیل ایگدری1؛ جهانگیر فقهی2 | ||
| 1گروه شیلات، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| 2گروه مهندسی جنگلداری و اقتصاد جنگل، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| چکیده | ||
| سابقه و هدف: ماهی سفید (Rutilus frisii) مهمترین گونه اقتصادی ماهیان استخوانی دریای خزر است که از ارزش حفاظتی و تجاری بالایی برخوردار می‌باشد. در سال های اخیر میزان صید این گونه روندی کاهشی را نشان داده است. شناخت الگوهای زمانی موجود در مقادیر صید این ماهی می تواند در اتخاذ برنامه های مناسب برای حفظ ذخایر و بهره برداری پایدار مؤثر واقع شود. بدین منظور در مطالعه حاضر به مدلسازی سر ی های زمانی صید این گونه در طول یک دوره 10 ساله پرداخته شد . مواد و روش‌ها: دادهای صید تجاری ماهی سفید به صورت صید در واحد تلاش صیادی (CPUE) در بازه زمانی فصول صید 2002/3 تا 2011/12 در در صیدگاه های پره ساحلی در شمال ایران مورد استفاده قرار گرفت. در صیدگاه های پره ساحلی در شمال ایران مورد استفاده قرار گرفت. میانگین متحرک مکانی 5-نقطه ای جهت تفکیک نقاط صید در بازه های اپتیمم (مقادیر CPUE نرمال شده ≥ 6/0) و غیراپتیمم (مقادیر CPUE نرمال شده < 6/0) بکار گرفته شد. از مدل میانگین متحرک خودهمبسته یکپارچه فصلی (SARIMA) بر مبنای فواصل فصلی سه ماهه جهت مدلسازی سری های زمانی داده های صید استفاده گردید. مجموعه ای از شاخص ها شامل معیار اطلاعاتی آکایکه (AIC)، معیار اطلاعاتی بیژین (BIC)، ریشه میانگین مربعات خطا (RMSE)، ریشه میانگین مربعات خطای نرمال شده (nRMSE)، میانگین خطای مطلق (MAE)، میانگین خطای مطلق نرمال شده (nMAE) و ضریب همبستگی پیرسون (r) جهت ارزیابی عملکرد مدل ها و دقت پیش بینی های حاصل از آنها مورد استفاده قرار گرفتند. روند تغییرات میزان صید در طول دوره پنج ساله 2013 تا 2017 نیز با استفاده از مدل های SARIMA با بهترین عملکرد برای بازه های صیدگاهی پیش بینی شد. نتایج و بحث: در مجموعه نقاط صیدگاهی (WR)، پنج بازه اپتیمم (HR) و شش بازه غیراپتیمم (CR) تشخیص داده شد. مدل های سری زمانی SARIMA برازش یافته بر مبنای داده های کل صیدگاه ها و داده های تفکیک شده برای بازه های اپتیمم و غیراپتیمم، فاقد مؤلفه های معنی دار خودهمبسته و میانگین متحرک برای تغییرات غیرفصلی بودند به طوریکه هیچ روند کاهشی یا افزایشی مشخصی برای مقادیر CPUE وجود نداشت، در حالیکه در برخی از بازه های نقاط صید مؤلفه های معنی دار خودهمبسته و میانگین متحرک در ارتباط با نوسانات فصلی ثابت افزایشی مشاهده شد. روند کلی صید در بیشتر بازه های صیدگاهی نشان دهنده افزایش مقادیر CPUE از سال 2002 تا 2006 و سپس روند کاهشی از سال 2009 تا 2013 بود. در سری های زمانی دارای نوسانات ناگهانی، برآوردهای بدست آمده از دقت کمتری برخوردار بودند، اما بازه های صیدگاهی فاقد نوسانات ناگهانی در داده ها، بیشترین سطوح دقت برآوردها و پیش بینی روندها را نشان دادند. بیشتر پیش بینی های بدست آمده برای دوره زمانی 2013 تا 2017 نیز تغییرات ایستایی کلی همراه با روندهای فصلی افزایشی مشابه را نشان دادند . نتیجه‌گیری: مدلسازی سری‌های زمانی صید ماهی سفید (R. frisii) با استفاده از مدل SARIMA بیانگر وجود الگوهای فصلی افزایشی مشهود و عدم نوسانات کلی در گستره زمانی مورد مطالعه برای تمامی نواحی صیدگاهی بود. سادگی مدل های بدست آمده بر اساس مؤلفه های فصلی و غیرفصلی، عمدتاً ناشی از بازه زمانی کوتاه و تعداد کم مشاهدات بوده است، هر چند تفکیک مکانی نواحی صید به مدل هایی نسبتاً دقیق تر و قابلیت تشخیص بهتر منتج گردید. یافته های حاصل از این پژوهش می تواند در شناخت بهتر روندهای تغییرات زمانی سطوح صید ماهی سفید و بکارگیری آن توسط مدیران شیلاتی جهت اتخاذ برنامه های مدیریتی کارآمد در ارتباط با ذخایر این گونه در آینده مفید واقع گردد . | ||
| کلیدواژه‌ها | ||
| تجزیه و تحلیل سری زمانی؛ دریای خزر؛ صید در واحد تلاش صیادی؛ ماهی سفید؛ SARIMA | ||
| عنوان مقاله [English] | ||
| Time Series Modelling of the Caspian Kutum (Rutilus frisii) Catch Using SARIMA Model | ||
| نویسندگان [English] | ||
| Fateh Moezzi1؛ Hadi Poorbagher1؛ Soheil Eagderi1؛ Jahangir Feghhi2 | ||
| 1Department of Fisheries, Faculty of Natural Resources, University of Tehran, Karaj, Iran | ||
| 2Department of Forestry and Forest Economics, Faculty of Natural Resources, University of Tehran, Karaj, Iran | ||
| چکیده [English] | ||
| Introduction: The Caspian Kutum (Rutilus frisii) is one of the most important bony fish species of the Caspian Sea and has high conservation and commercial value. There were decreasing trends in its catch levels in the last years. Identifying temporal trends of its catch could help adopt proper plans to maintain the stocks of this important species and achieve sustainable exploitation goals. In the present study, we conducted a time-series analysis for catch data of the species over a decadal period. Material and Methods: The commercial catch data of Caspian Kutum, over the seine net fishing points of the northern coastal regions of Iran during catch seasons 2002/03 to 2011/12, were used as catch-per-unit-of-effort (CPUE). A 5-point moving average of CPUE was used to distinguish the fishing points as optimum (with normalized CPUEs ≥ 0.6) and non-optimum (with normalized CPUEs < 0.6) fishing locations. Time series modeling was conducted using the seasonal autoregressive integrated moving average (SARIMA) model based on seasonal 3- month intervals. The performance and predictive ability of the models were assessed using a set of indices, including Akaike’s information criteria (AIC), Bayesian information criterion (BIC), root mean squared error (RMSE), normalized root mean squared error (nRMSE), mean absolute error (MAE), normalized mean absolute error (nMAE) and the Pearson correlation coefficient (r). CPUE trends over the five years of 2013 to 2017 were predicted using the bestfitted SARIMA models. Results and Discussion: Five optimum (HR) and six non-optimum ranges (CR) were identified over the whole fishing points range (WR). The fitted SARIMA models based on the whole data of all fishing locations as well as classified optimum and non-optimum ranges of fishing locations did not have significant non-seasonal autoregressive and moving average components, indicating no increasing nor decreasing trends for CPUE over the study period, while for some of the ranges of fishing points, there were significant autoregressive and moving average components with clear seasonal increasing trends. The overall trend of CPUEs showed mainly an increase from 2002 to 2006, and then after relatively constant levels, there were decreases from 2009 to 2013. The obtained predictions from the models for data sets having sudden temporal fluctuations were less accurate. In contrast, higher accuracy levels of predictions and trends were observed for fish catch time series with no sudden alterations in CPUE levels over the studied period. Most of the obtained predictions for 2013-2017 similarly presented stationary fluctuation trends with apparent seasonal increases in CPUEs. Conclusion: Time-series modeling for R. frisii using the SARIMA method mainly indicated clear increasing seasonal trends without any general trend of change over the whole fishing points. The simplicity of the obtained models considering the obtained seasonal and nonseasonal components could be explained by the short time frame and the low number of data points. However, spatial classification of fishing points resulted in more detailed models and higher recognition potential of them. The findings of this research could lead to a better understanding of the temporal trends in catch levels of Caspian Kutum and use them by fisheries managers to adopt efficient management plans regarding the available stocks of this species in the future. | ||
| کلیدواژه‌ها [English] | ||
| Catch-per-unit-of-effort, Caspian Sea, Kutum, SARIMA, Time-series analysis | ||
| مراجع | ||
|
Abdolhay, H.A., Daud, S.K., Rezvani, S., Pourkazemi, M., Siraj, S.S., Laloei, F., Javanmard, A. and Hassanzadeh Saber, M., 2012. Population genetic structure of Mahi Sefid (Rutilus frisii kutum) in the of South Caspian Sea: Implications for fishery management. Iranian Journal of Animal Biosystematics. 8(1), 15-26. Doi: 10.22067/IJAB.V8I1.25567 Afraei Bandpei, M.A., Abdolmaleki, Sh., Najafpour, Sh., Bani, A., Pourgholam, R., Nasrolahzadeh, H. and Fazli, H., 2011. The environmental effect on spawning time, length at maturity and fecundity of Kutum (Rutilus frisii kutum, Kamensky. 1901) in southern part of Caspian Sea, Iran. Iranica Journal of Energy and Environment. 2(4), 374-381. Amiri, K., Shabanipour, N. and Eagderi, S., 2017. Using kriging and co-kriging to predict distributional areas of Kilka species (Clupeonella spp.) in the southern Caspian Sea. International Journal of Aquatic Biology. 5(2), 108-113. Doi: 10.22034/ijab.v5i2.309 Asar, Ö., Ilk, O. and Dag, O., 2017. Estimating Box-Cox power transformation parameter via goodness-of-fit tests. Communications in Statistics-Simulation and Computation. 46(1), 91-105. Doi: 10.1080/03610918.2014.957839 Becerra-Muñoz, S., Buelna-Osben, H.R. and Catalán-Romero, J.M., 2003. Spatial patterns of ARIMA modeled rates of change of atherinids (Chirostoma spp.) and goodeid Chapalichthys encaustus from Lake Chapala, México. Ecological Modelling. 165(2-3), 237-250. Doi: 10.1016/S0304-3800(03)00073-5 Box, G.E., Jenkins, G.M., Reinsel, G.C. and Ljung, G.M., 2015. Time series analysis: forecasting and control. John Wiley and Sons. Doi: 10.4236/cs.2016.710283 Chatfield, C., 1993. Calculating interval forecasts. Journal of Business and Economic Statistics. 11(2), 121-135. Doi: 10.1080/07350015.1993.10509938 Coro, G., Large, S., Magliozzi, C. and Pagano, P., 2016. Analysing and forecasting fisheries time series: purse seine in Indian Ocean as a case study. ICES Journal of Marine Science. 73(10), 2552-2571. Doi: 10.1093/icesjms/fsw131 Czerwinski, I.A., Gutierrez-Estrada, J.C. and Hernando-Casal, J.A., 2007. Short-term forecasting of halibut CPUE: Linear and non-linear univariate approaches. Fisheries Research. 86(2-3), 120-128. Doi: 10.1016/j.fishres.2007.05.006 Eagderi, S., Mouludi-saleh, A., Esmaeili, H.R., Sayyadzadeh, G. and Nasri, M., 2022. Freshwater lamprey and fishes of Iran; a revised and updated annotated checklist-2022. Turkish Journal of Zoology. 46(6), 500-522. Doi: 10.55730/1300-0179.3104 Esmaeili, H.R., Babai, S., Gholamifard, A., Pazira, A. and Gholamhosseini, A., 2015. Fishes of the Persis region of Iran: an updated checklist and ichthyogeography. Iranian Journal of Ichthyology. 2(3), 201-223. Farmer, N.A. and Froeschke, J.T., 2015. Forecasting for recreational fisheries management: what's the catch? North American Journal of Fisheries Management. 35(4), 720-735. Doi: 10.22034/iji.v2i3.84 Fazli, H., Zhang, C.I., Hay, D.E. and Lee, C.W., 2009. Stock assessment and management implications of anchovy kilka (Clupeonella engrauliformis) in Iranian waters of the Caspian Sea. Fisheries Research. 100(2), 103-108. Doi: 10.1016/j.fishres.2009.06.018 Fogarty, M.J. and Miller, T.J., 2004. Impact of a change in reporting systems in the Maryland blue crab fishery. Fisheries Research. 68(1-3), 37-43. Doi: 10.1016/j.fishres.2004.02.006 Freeman, S.N. and Kirkwood, G.P., 1995. On a structural time series method for estimating stock biomass and recruitment from catch and effort data. Fisheries Research. 22(1-2), 77-98. Doi: 10.1016/0165-7836(94)00304-F Georgakarakos, S., Koutsoubas, D. and Valavanis, V., 2006. Time series analysis and forecasting techniques applied on loliginid and ommastrephid landings in Greek waters. Fisheries Research. 78(1), 55-71. Doi: 10.1016/j.fishres.2005.12.003 Ghani Nejhad, D., Moghim, M., Abdolmaleki, Sh. and Sayad Borani, M., 2000. Evaluation of bony fish stocks in the Caspian Sea at 1999 to 2000. Iranian Fisheries Research Centre of Guilan, Bandar Anzali. 98 p. (in Persian). Ghasemi, M., Zamani, H., Hosseini, S.M., Karsidani, S.H. and Bergmann, S.M., 2014. Caspian white fish (Rutilus frisii kutum) as a host for spring viraemia of carp virus. Veterinary Microbiology. 170(3-4), 408-413. Doi: 10.1016/j.vetmic.2014.02.032 Gutiérrez-Estrada, J.C., Silva, C., Yáñez, E., Rodríguez, N. and & Pulido-Calvo, I., 2007. Monthly catch forecasting of anchovy Engraulis ringens in the north area of Chile: non-linear univariate approach. Fisheries Research. 86(2-3), 188-200. Doi: 10.1016/j.fishres.2007.06.004 Holmes, E.E., 2001. Estimating risks in declining populations with poor data. Proceedings of the National Academy of Sciences. 98(9), 5072-5077. Doi: 10.1073/pnas.081055898 Hyndman, R., Athanasopoulos, G., Bergmeir, C., Caceres, G., Chhay, L., O'Hara-Wild, M., Petropoulos, F., Razbash, S., Wang, E. and Yasmeen, F., 2022. forecast: Forecasting functions for time series and linear models. R package version 8.21. Hyndman, R.J. and Athanasopoulos, G., 2014. Forecasting: principles and practice. OTexts [only textbook]. Available: https://www.otexts.org/fpp. (May 2015). Hyndman, R.J. and Kostenko, A.V., 2007. Minimum sample size requirements for seasonal forecasting models. Foresight. 6, 12-15. Ives, A.R., Abbott, K.C. and Ziebarth, N.L., 2010. Analysis of ecological time series with ARMA (p, q) models. Ecology. 91(3), 858-871. Doi:10.1890/09-0442.1 Karimzadeh, G., Gabrielyan, B. and Fazli, H., 2010. Population dynamics and biological characteristics of kilka species (Pisces: Clupeidae) in the southeastern coast of the Caspian Sea. Iranian Journal of Fisheries Sciences. 9(3), 422-433. Doi: 20.1001.1.15622916.2010.9.3.5.1 Koutroumanidis, T., Iliadis, L. and Sylaios, G.K., 2006. Time-series modeling of fishery landings using ARIMA models and Fuzzy Expected Intervals software. Environmental Modelling and Software. 21(12), 1711-1721. Doi: 10.1016/j.envsoft.2005.09.001 Lloret, J., Lleonart, J. and Solé, I., 2000. Time series modelling of landings in Northwest Mediterranean Sea. ICES Journal of Marine Science. 57(1), 171-184. Doi: 10.1006/jmsc.2000.0570 Makridakis, S., Wheelwright, S.C. and Hyndman, R.J., 2008. Forecasting methods and applications. Wiley, New York. Doi: 10.2307/2581936 Makwinja, R., Mengistou, S., Kaunda, E., Alemiew, T., Phiri, T.B., Kosamu, I.B.M. and Kaonga, C.C., 2021. Modeling of Lake Malombe annual fish landings and catch per unit effort (CPUE). Forecasting. 3(1), 39-55. Doi: 10.3390/forecast3010004 Maravelias, C.D. and Tsitsika, E.V., 2014. Fishers' targeting behaviour in Mediterranean: does vessel size matter? Fisheries Management and Ecology. 21(1), 68-74. Doi: 10.1111/fme.12053 Maynou, F., Demestre, M. and Sánchez, P., 2003. Analysis of catch per unit effort by multivariate analysis and generalised linear models for deep-water crustacean fisheries off Barcelona (NW Mediterranean). Fisheries Research. 65(1-3), 257-269. Doi: 10.1016/j.fishres.2003.09.018 Nagano, K., and Yamamura, O., 2023. Predicting catch of Giant Pacific octopus Enteroctopus dofleini in the Tsugaru Strait using a machine learning approach. Fisheries Research. 261, 106622. Doi: 10.1016/j.fishres.2023.106622 Prista, N., Diawara, N., Costa, M.J. and Jones, C.M., 2011. Use of SARIMA models to assess data-poor fisheries: a case study with a sciaenid fishery off Portugal. Fishery Bulletin, 109(2). Rabazanov, N.I., Orlov, A.M., Abdusamadov, А.S., Barkhalov, R.M. and Akhmedkhanov, K.M., 2019. Caspian Kutum Rutilus kutum: a long story of exploitation, survival, and revival. From catastrophe to recovery: stories of fishery management success. American Fisheries Society, Bethesda, 485-508. Doi: 10.47886/9781934874554 Raman, R.K., Suresh, V.R., Mohanty, S.K., Bhatta, K.S., Karna, S.K., Mohanty, B.P. and Das, B.K., 2019. Influence of seasonality, salinity and temperature on catch trend of Penaeus indicus H. Milne-Edwards, 1837 in a coastal lagoon, India. Indian Journal of Fisheries. 66(1), 34-42. Doi: 10.21077/ijf.2019.66.1.76413-05 Selvaraj, J.J., Arunachalam, V., Coronado-Franco, K.V., Romero-Orjuela, L.V. and Ramírez-Yara, Y.N., 2020. Time-series modeling of fishery landings in the Colombian Pacific Ocean using an ARIMA model. Regional Studies in Marine Science. 39, 101477. Doi: 10.1016/j.rsma.2020.101477 Shitan, M., Wee, P.M.J., Chin, L.Y. and Siew, L.Y., 2008. Arima and integrated arfima models for forecasting annual demersal and pelagic marine fish production in malaysia. Malaysian Journal of Mathematical Sciences. 2(2), 41-54. Stergiou, K.I. and Christou, E.D., 1996. Modelling and forecasting annual fisheries catches: comparison of regression, univariate and multivariate time series methods. Fisheries Research. 25(2), 105-138. Doi: 10.1016/0165-7836(95)00389-4 Stergiou, K.I., Christou, E.D. and Petrakis, G., 1997. Modelling and forecasting monthly fisheries catches: comparison of regression, univariate and multivariate time series methods. Fisheries Research. 29(1), 55-95. Doi: 10.1016/S0165-7836(96)00482-1 Trapletti, A and Hornik, K., 2022. tseries: Time Series Analysis and Computational Finance. R package version 0.10-51 Tsitsika, E.V., Maravelias, C.D. and Haralabous, J., 2007. Modeling and forecasting pelagic fish production using univariate and multivariate ARIMA models. Fisheries Science. 73, 979-988. Doi: 10.1111/j.1444-2906.2007.01426.x Ward, E.J., Holmes, E.E., Thorson, J.T. and Collen, B., 2014. Complexity is costly: a meta‐analysis of parametric and non‐parametric methods for short‐term population forecasting. Oikos. 123(6), 652-661. Doi: 10.1111/j.1600-0706.2014.00916.x Yadav, A.K., Borah, S., Das, K.K., Raman, R.K., Das, P. and Das, B.K., 2022. Modeling of Hilsa (Tenualosa ilisha) landings in the lower stretch of Brahmaputra River (Assam, India) under time series framework. Science Asia. 48(3), 367-372. Doi: 10.2306/scienceasia1513-1874.2023.042 | ||
|
آمار تعداد مشاهده مقاله: 8,380 تعداد دریافت فایل اصل مقاله: 4,079 |
||