2022,
Vol. 31
2. 大洋渔业资源可持续开发教育部重点实验室, 上海 201306
分布于东、黄海的日本鲭(Scomber japonicus)是一种非常重要的中上层渔业资源, 主要被中国、日本及韩国的灯光围网渔业所利用, 少量被拖网兼捕[1-2]。日本鲭为我国主要经济鱼种之一, 其资源现状和开发潜力日益受到重视。近年, 日本鲭的个体已呈小型化和低龄化, 其产量也呈下降趋势, 这表明日本鲭可能处于充分利用状态[3-5]。对东、黄海日本鲭进行资源评估是日本鲭科学管理与可持续利用的前提与基础, 相关学者为此进行了大量研究, 如陈卫忠等[6]及日本西海区水产研究所(http://abchan.fra.go.jp/)分别利用实际种群分析法对东、黄海日本鲭资源进行了评估, 而李纲[5]和王从军[7]则利用剩余产量模型评估了东、黄海日本鲭。但这些资源评估研究存在的问题是使用的东、黄海日本鲭产量数据不统一, 并且无法真实反映东、黄海日本鲭产量。如陈卫忠等[6]仅使用了中国东海三省一市的日本鲭产量, 日本西海区水产研究所则仅使用了日本与韩国的产量, 而李纲[5]的日本鲭产量数据虽然包含了韩国与日本的产量, 但其中国的日本鲭产量仅来自中国国营大型机轮灯光围网渔业与浙江群众围网渔业, 因此, 这些研究均低估了东、黄海日本鲭的实际产量, 这将影响日本鲭资源评估的结果与质量。
为此, 研究基于1979—2019年中国福建、浙江、上海、江苏、山东、河北、天津及辽宁6省2市(以下简称中国6省2市)与日本、韩国日本鲭捕捞产量以及相关文献的资源丰度指数数据, 利用贝叶斯动态产量模型对日本鲭进行资源评估, 以分析日本鲭的资源状况、讨论先验设置、数据质量及基于不同数据统计单元的种群结构假设对日本鲭资源评估的影响, 从而为东、黄海日本鲭的合理利用与科学管理提供依据。
1 材料与方法 1.1 数据来源1979—2019年中国6省2市日本鲭产量数据来自《中国渔业统计年鉴》[8]; 日本、韩国的东、黄海日本鲭产量来自网站(http://abchan.fra.go.jp/)。基于中国大型机轮灯光围网渔业的标准化单位捕捞努力量渔获量(catch per unit effort, CPUE)数据采用一般加性模型(generalized additive model, GAM)与空间加权方法构建, 即文献[9]中的I3, 数据的时间范围为1997—2015年, 简称为中国资源丰度指数; 同时, 将日本西海区水产研究所估计的日本鲭资源量作为另一个资源丰度指数(所有年份的资源量均除以了1973年的资源量), 该数据来自网站(http://abchan.fra.go.jp/), 时间范围为1979至2019年, 简称为日本资源丰度指数。
1.2 方法 1.2.1 动态产量模型动态产量模型方程如下:
(1)
(2)
式中: m为形状参数, 当m为2时, 公式(1)为Schaefer模型, 当m趋于1时, 公式(1)则为Fox模型(m为1本文表示Fox模型); By为y年的生物量; K为承载能力; r为内禀增长率; Cy为y年的总渔获量; ϕ为开始年份资源量与K的比值; ηy为处理误差, 其服从精度(即方差的倒数)为τη、均值为0的正态分布; γy为渔获量的观测误差, 其服从精度为τC、均值为0的正态分布; Plim为阈值, 以考虑资源量减少到一定程度后对补充量的影响[10-11], 本文设为0.25。
最大可持续产量(maximum sustainable yield, MSY)及在MSY下的生物量(BMSY)、开发率(FMSY)与r、m、K及Plim的关系如下:
(3)
(4)
(5)
资源丰度指数的观测模型为
(6)
式中: i可以为C或J, 分别表示中国或日本资源丰度指数; q为捕捞系数; εy, i为观测误差, 其服从精度为τε, i, 均值为0的正态分布。τε, i由二部分组成:
(7)
式中: τfix为固定精度, 设为44.44(即标准差为0.15)；τest, i由模型估计。
为简化, 仅考虑m为1或2的情形, 即Fox或Schaefer产量模型。因此, 模型需要估计的参数集为Θ={K, r, ϕ, qC, qJ, τη, τest, J, τest, C, τC}。
1.2.2 参数的先验设置(1) r、K、ϕ、qJ与qC的先验设置
假设r、K、ϕ、qJ与qC的先验分布服从对数正态分布, 在对数空间下的均值与方差的计算方法如下[11]:
(8)
(9)
式中: M与S分别为对数尺度下的均值与标准差。RL与RU分别为参数取值的下限与上限。
FROESE等[11]的结果表明, 利用初始渔获量(C0)与历史最大渔获量(Cmax)的关系可以确定ϕ的先验分布范围, 即: C0≤0.1Cmax, ϕ在0.9至1.0之间; 0.1Cmax < C0≤0.25Cmax, ϕ在0.8至1.0之间; 0.25Cmax < C0≤0.33Cmax, ϕ在0.6至1.0之间; 0.33Cmax < C0≤0.66Cmax, ϕ在0.4至0.8之间; 否则, ϕ在0.2至0.6之间。由于日本鲭的开发历史较长, 并且1979年产量(4.86×105 t)与最大产量之比值(约为0.44)大于0.33、小于0.66, 因此本文假设ϕ在0.4至0.8之间。近年, 国内外专家一致认为日本鲭资源处于过度捕捞或接近过度捕捞状态, 因此假设P2019的范围为0.2至0.6之间。
K的下限应大于最大日本鲭产量(1.12×106 t, 1996年), 因此假设K的下限为最大日本鲭产量的1.1倍即1.23×106 t; 结合已有日本鲭的资源评估结果[5, 7], 假设K的上限为最大日本鲭产量的10.5倍即1.18×107 t, 这远超所有评估结果的估计。依据FishBase(www.fishbase.org), 日本鲭的r范围为0.32至0.73之间(中等恢复力), 另据李纲[5]的经验估计r为0.88, 为考虑r的不确定性, 假设r的范围为0.32至1.5之间, 同时将r的范围分别设为0.32至0.73、0.6至1.5以进行敏感性分析。根据P2019、r范围及资源丰度指数, 按FROESE等[11]的方法分别设置qJ与qC的上、下限。
(2) τC的设置
假设τC的值分别为100、11.1与2.8(即标准差分别为0.1、0.3与0.6), 以考虑渔获量的观测误差。
(3) τη、τest, J与τest, C的先验设置
假设τη、τest, J与τest, C服从伽马分布, 其形状参数分别为4.0、2.0、2.0, 尺度参数的倒数均为0.01, 即: τη~gamma(4.0, 0.01), τest, J~gamma(2.0, 0.01)与τest, C~gamma(2.0, 0.01)。为比较先验分布对参数估计的影响, 同时假设上述3个参数均服从gamma(0.001, 0.001)分布, 即采用无信息先验[10], 以进行敏感性分析。
1.2.3 模型惩罚项由于Py应小于或等于1.0, 若Py大于1.0, 则py= log(Py)-log(0.99);当渔业存在时, Py不应小于0.001, 若Py小于0.001, 则py=log(Py)-log(0.001);若不存在上述两种情况, 则py=0.0;假设py服从均值为0, 精度为10 000的正态分布, 若py不等于0.0, 则会减少似然值, 从而对参数估计实现惩罚。
每次捕捞的渔获量不应大于90%的资源量, 若渔获量大于资源量的90%, 则cy=log(Cy)-log(0.9 By), 否则cy=0.0;假设cy服从均值为0, 精度为1 000的正态分布。
若P1979在ϕ的下限(ϕL)与上限(ϕU)之间, 则b1979为0.0;若P1979>ϕU, 则b1979=log(P1979)-log(ϕU); 若P1979<ϕL, 则b1979=log(P1979)-log(ϕL); 若P2019在下限(P2019, L)与上限(P2019, U)之间, b2019为0.0;若P2019>P2019, U, 则b2019=log(P2019)-log(P2019, U); 若P2019<P2019, L, 则b2019=log(P2019)-log(P2019, L); 假设b2019与b1979服从均值为0, 精度为100的正态分布。
1.2.4 总可捕捞量的确定总可捕劳量(total allowable catch, TAC)的计算规则如下[12]: (1)以2019年的渔获量为基准(5.67×105 t), 分别按其85%、87.5%、90%、92.5%、95%、97.5%、100%、102.5%、105.0%、107.5% 产生未来10年假设的渔获量; (2)根据估计的每一个参数Θ、假设的渔获量及其精度(τC)分别使用公式(1)至公式(4)计算FMSY、BMSY、B2029与F2029; (3)计算B2029>BMSY且F2029<FMSY的概率G; (4)当G大于60%时的最大渔获量作为TAC。
1.3 计算场景根据m、r的范围, τC的值、处理(τη)与观测(τest, J与τest, C)误差精度、产量及资源丰度指数等的先验或设置不同, 共计算9种场景, 见表 1。将场景S1(表 1)设为基本场景, 其他8种场景(即S2至S9, 表 1)用于敏感分析, 以比较模型、r的范围、τC的取值、处理与观测误差精度及基于不同数据统计单元的种群结构假设对资源评估的影响。
|
表 1 评估模型配置的场景 Tab.1 Scenarios of the assessment model configuration |
模型在R[13]中采用吉布斯采样器(just another gibbs sampler, JAGS)[14-15]实现参数估计, 模型迭代次数、丢去数、采样间隔分别为185 000、35 000和100。模型收敛诊断采用Gelman-Rubin统计量, 并以1.1为阈值, 即Gelman-Rubin统计量小于1.1, 则认为模型收敛[12]。本文仅对收敛模型进行分析。模型选择采用方差信息准则(deviance information criterion, DIC)标准[16]。
2 结果 2.1 基本场景下的参数与日本鲭资源状况估计r、K、τη与qJ的后验分布与先验分布存在较大差异, 而qC、ϕ、τest, J与τest, C的后验分布与先验分布较接近(图 1), 从后验分布的形态与分布范围可知, 模型估计的后验分布相对合理(图 1、表 2)。除个别点外, 模型能较好拟合中国与日本的资源丰度指数与渔获量, 模型预测的资源丰度指数能反映中、日两资源丰度指数及渔获量的变化趋势(图 2)。模型预测的开发率自2000年以来在高位波动, 而资源量则维持在较低水平(图 3)。MSY的平均值为6.39×105 t, 95%置信区间在5.67× 105 t至7.20×105 t(表 3)。P2019的平均值为0.33, 95%置信区间在0.15至0.48(表 3)。发生资源型过度捕捞(overfished)即B2019<BMSY的概率为68%, 发生捕捞型过度捕捞(overfishing)即F2019>FMSY的概率为54%, 两种过度捕捞同时发生的概率为52%。
|
r为内禀增长率; K为环境容量; ϕ为开始年份资源量与K的比值; τη、τest, J与τest, C分别为处理误差、日本资源丰度指数、中国资源丰度指数的精度; qC与qJ分别是对应中国、日本资源丰度指数的捕捞系数; 虚线为先验分布。 r is the intrinsic rate of increase; K is the carrying capacity; ϕ is the ratio of biomass in beginning yearto K; τη, τest, J and τ,est, C are the precisions of the process error and the observation errors of the Japanese abundance index and Chinese abundance index respectively; qC and qJ are the catch abilities of Chinese abundance index and Japanese abundance index respectively; the dash lines are the prior distributions. 图 1 在场景S1下参数的后验分布 Fig. 1 Posterior distribution of the parameters under scenario S1 |
|
表 2 不同场景的参数估计及DIC值 Tab.2 Parameter estimates and DIC sunder different scenarios |
|
点为观测数据; 实线为模型估计的平均值; 虚线表示估计值95%的置信区间。 The points are the observed data; the solid lines are the mean values of the estimate; the dash lines denote the 95% confidence interval of the estimate. 图 2 在场景S1下观测的资源丰度指数或渔获量及模型估计的结果 Fig. 2 Observed abundance index or catch and their estimates from the model under scenario S1 |
|
实线为模型估计的平均值; 虚线表示估计值95%的置信区间。 The solid lines are the mean values of the estimate; the dash lines denote the 95% confidence interval of the estimate. 图 3 在场景S1下模型估计的开发率与生物量 Fig. 3 Harvest rate and biomass estimated from the model under scenario S1 |
|
表 3 不同场景下的管理参数估计 Tab.3 Management parameter estimates under different scenarios |
在Schaefer模型(场景S2)下, 除r的估计存在较大差异外, 其他参数的后验分布及对资源丰度指数、渔获量的拟合效果与基本场景(即S1)类似(表 2，表 3)。但在Schaefer模型下, 发生资源型过度捕捞的概率为95%, 发生捕捞型过度捕捞的概率为76%, 两种过度捕捞同时发生的概率为76%。
2.3 r先验对参数估计的影响当r的范围设置为0.32至0.73时(场景S3), 相对于场景S1, r的后验估计偏低, 但K的后验估计有较大幅度的增大(表 2); 此时P2019与MSY均有小幅提高(表 3), 这使得发生过度捕捞的概率有小幅下降: 如发生资源型过度捕捞的概率下降为57%, 发生捕捞型过度捕捞的概率下降为43%, 两种过度捕捞同时发生的概率下降为40%。当r的范围设置为0.6至1.5时(场景S4), r的后验估计则明显变大, 而K的估计则明显减少(表 2), P2019与MSY的后验估计与场景S3类似(表 3), 而发生过度捕捞的概率相对于场景S3则有所提高, 即发生资源型过度捕捞、捕捞型过度捕捞及两种过度捕捞同时发生的概率分别为63%、50%与49%。
2.4 处理与观测误差精度先验分布的影响当处理与观测误差精度的先验分布设置不同时, 即场景S1与S5, τη、τest, J与τest, C的后验分布存在明显不同(图 1，图 4), 但对其他参数的估计, 如r, K, MSY及日本鲭资源状态的判断等影响均较小(表 2，表 3)。
|
τη、τest, J与τest, C分别为处理误差、日本资源丰度指数、中国资源丰度指数的精度; 虚线为先验分布。 τη, τest, J and τest, C are the precisions of the process error and the observation errors of the Japanese abundance index and Chinese abundance index respectively; the dash lines are the prior distributions. 图 4 场景S5下参数的后验分布 Fig. 4 Posterior distribution of the parameter under scenario S5 |
渔获量观测误差对参数估计具有较大影响, 随τC的减少(S6, S1, S7), r与P2019的估计具有减少趋势, 而K的估计具有增大趋势(表 2，表 3), 评估的过度捕捞状态趋于严重, 如在场景S6下, 发生资源型过度捕捞、捕捞型过度捕捞及两种过度捕捞同时发生的概率分别为63%、50%与45%, 但在场景S7下, 则分别为74%、59%与58%。
2.6 不同数据统计单元对资源评估的影响当使用中国产量与资源丰度指数进行资源评估(S8)时, 日本鲭有68%的可能性未被过度捕捞, 而当使用日、韩产量与日本资源丰度指数进行资源评估(S9)时, 日本鲭仅有5%的可能性未被过度捕捞。在场景S8与S9下, 平均MSY分别为4.13×105 t与3.22×105 t, 两者合计7.35×105 t, 远大于在场景S1下的6.39×105 t(表 3)。在场景S8下, 估计的r平均值不在S9下估计的95%置信区间内(表 2), r估计差异明显。此外, 受资源丰度指数数据时间系列长度及先验分布的影响, 在场景S8与S9下, ϕ的后验分布也显著不同(表 2)。
2.7 模型选择及日本鲭的资源状况与TAC按DIC标准(由于数据不同, 不考虑场景S8与S9), 场景S1为最优评估场景, 但场景S2、S7与S1没有显著差异(即DIC差异小于2.0, 表 2)。相对于场景S1, 场景S2与S7估计的过度捕捞程度较高。综合上述3个场景的结果表明, 发生资源型、捕捞型及两类型同时发生的过度捕捞概率分别为80%、74%与68%, 日本鲭已被过度捕捞。若采用场景S1的评估结果估计TAC, 在有或没有产量数据观测误差的情况下, 其值分别约为5.39×105 t与5.96×105 t; 若考虑上述3个场景, 则上述2个值分别约为4.82×105 t与5.53×105 t(表 4)。
|
表 4 不同渔获量下日本鲭未被过度捕捞的概率 Tab.4 Probability of the chub mackerel not being overfished and not undergoing overfishing for different catches |
当前, 大多数渔业资源评估模型(如动态产量模型)均基于单种群假设, 并要求满足资源量与外界没有交换[17], 但东、黄海日本鲭种群结构的划分仍存在争议[1], 这将对东、黄海日本鲭的资源评估产生较大的负面影响。中国学者基于20世纪50年代、70年代的日本鲭标志放流与渔业调查数据将东、黄海日本鲭划分为3个种群, 即: 东海西部种群、五岛西部种群和闽南-粤东近海地方种群(基本在闽南-粤东近海栖息, 不作长距离洄游)[1]。但东海西部群与五岛西部群或九州西部群与东海西部群是否为一个群系即东海群系或对马暖流群系仍无定论[1], 甚至有学者认为这2个种群构成了复合种群[18]。渔业资源的种群结构对其评估与管理具有重要影响, 不同的种群结构影响渔业数据的收集、评估模型及其配置的选择以及管理策略的制定[18-19]。如本文, 将中国与日本、韩国捕捞的日本鲭假设为2个种群分别进行资源评估(即场景S8与S9)时, 由于日本与韩国的历史最大捕捞量较大(1996年, 达到8.21×105 t), 而近年渔获量长期偏低, 同时其CPUE指数一直呈下降趋势, 这使其r估计偏小, 而K估计偏大, 其种群恢复力表现较弱(S9);而中国历史最大捕捞量相对较小(最大为2008年, 5.44×105 t)，但近年渔获量相对较大, 这使其r估计偏大, 而K估计偏小, 种群恢复力表现较强(S8);这造成2个场景估计的过度捕捞发生的概率存在较大差异。同时, 由于场景S8与S9的渔获量对应的渔场存在重叠, 场景S8与S9的种群结构假设不能满足动态产量模型没有流入或流出资源量的基本假设, 这也将使得2模型估计的总MSY与单种群假设(如场景S1)的评估结果存在明显差异。因此, 未来仍需利用标志放流等方法加强对东、黄海日本鲭种群结构的研究[1], 以使日本鲭的资源评估与管理建立在更加科学的基础上。
由于东、黄海日本鲭种群结构的划分仍存在争议, 根据GUAN等[20]的模拟结果, 当渔业资源混合而无法区分种群结构时, 应合并为一个种群进行资源评估以满足资源量与外界没有交换的假设, 这将使结果更为合理。据此, 将中国及日本、韩国在东、黄海捕捞的日本鲭归为一个种群(如东海群系)进行评估可能更合适。并且研究结果表明, 假设一个种群进行资源评估的结果更为保守, 这在渔业资源评估存在较多不确定性的条件下有利于渔业资源的保护。
3.2 渔业数据的不确定性本文假设来自中国6省2市以及日本与韩国捕捞的日本鲭均为东海群系或对马暖流群系(仅从评估角度划分), 而将中国台湾、广东与广西等省区捕捞的日本鲭排除在东海群系之外, 这使得东海群系日本鲭产量数据存在较大的不确定性。广东省、广西壮族自治区与海南省捕捞的日本鲭主要来自东海的闽南-粤东近海地方种群或南海, 其东海群系日本鲭的产量占比一般较低, 而浙江、上海、江苏、山东、河北、天津及辽宁的日本鲭产量主要来自东海群系, 但福建省捕捞的日本鲭可能有较大部分属于闽南-粤东近海地方种群, 中国台湾省捕捞的日本鲭则有部分为东海群系。由于缺少中国台湾省日本鲭产量的空间分布资料以及加入中国台湾省日本鲭产量后结果类似, 因此本文未提供使用中国台湾省日本鲭产量数据的结果。
此外, 日本鲭与澳洲鲐(Scomber australasicus)在渔业统计中也可能存在混淆的情况[21], 这将进一步增加渔获量数据的不确定性。
为考虑日本鲭渔获量数据的不确定性, 在模型中加入了渔获量数据的观测误差。随观测误差精度的减少(即标准差增大), 日本鲭被过度捕捞的概率随之增大, 观测误差的精度设置直接影响日本鲭资源的评估结果。但观测误差的精度较难直接估计, 为此假设了大、中、小3种精度进行分析, 以获得相对合理的值, 但从DIC结果看, 观测误差精度的选择仍存在不确定性。因此, 要提高东、黄海日本鲭资源评估质量, 当前首先应提高日本鲭渔业数据的统计质量。考虑到东海西部群与五岛西部群划分的困难, 可先将东、黄海日本鲭按东海群系与闽南-粤东近海地方种群划分, 进而统计相关渔业数据。在渔获物中应加强日本鲭与澳洲鲐的区分或加强对渔获物的采样以估计两种渔获物的比例从而进一步提高渔业数据的质量。
3.3 日本鲭资源丰度指数及其影响中国、日本与韩国日本鲭渔业捕捞位置的时空分布等存在差异, 基于不同渔业数据或资源调查的资源丰度指数也会不同, 选择不同资源丰度指数用于渔业资源评估将会对评估结果产生较大影响, 但如何合理选择渔业资源丰度指数仍是一个难点[19]。一般而言, 采用多个渔业资源丰度指数可以避免极端情况、获得较为稳健的资源评估结果, 尽管该结果不一定最佳[19]。由于韩国日本鲭资源丰度指数无法获得, 仅采用了中国与日本的日本鲭资源丰度指数数据。中国日本鲭资源丰度指数为中国大型机轮灯光围网渔业的标准化CPUE。尽管日本的资源丰度指数无法直接获取, 但该指数与基于该指数估计的日本鲭资源量呈正比关系, 因此将日本西海区水产研究所估计的日本鲭资源量进行了归一化处理, 并以此作为日本的日本鲭资源丰度指数。从图 2看, 这2个资源丰度指数存在差异, 但具有类似的变化趋势(相关系数为0.79, P < 0.05), 这表明2个资源丰度指数数据具有一致性, 进而能体现其合理性(均反映同一资源量的变化趋势)。进一步讨论、分析资源丰度指数数据及其选择对日本鲭资源评估的影响极为重要与关键, 但鉴于当前数据获取困难, 这仍需留待以后做进一步的细致分析与研究。
3.4 先验设置结果表明, 部分参数(如内禀增长率)的先验设置对日本鲭资源评估结果具有非常重要的影响, 这与渔业数据的质量有关, 也受模型及其参数化方式的影响。在动态产量模型中, 2个重要参数即r与K一般存在显著的负相关关系, 因为大的环境容量与低的生产率或小的环境容量与高的生产率均能提供类似的渔获量时间系列[11]。r与K存在显著的负相关关系使得r或K一般无法同时获得准确的估计, 若能利用相关生物学信息与方法(如Euler-Lotka方法)提高r或K的先验估计, 将能提高渔业资源评估质量[22]。尽管在动态产量模型中, MSY等生物参考点为r与K的乘积, 从而减少了r与K由于负相关引起估计不准确的影响, 但r与K估计的不确定性仍会影响渔业管理者对种群恢复力等的判断, r或K估计不准确不利于渔业的科学管理。
根据经验, 设置某些年份资源量比例(如本文的ϕ与P2019)范围有利于提高数据缺乏状况下渔业资源评估的质量[11]。根据日本、韩国及中国日本鲭捕捞数据估计, 1973至1978年东、黄海日本鲭平均产量约为5.04×105 t, 而1978年产量约为6.60×105 t, 已超过MSY(表 3), 因而假设ϕ为0.4~0.8比较合理。根据近年日本鲭生物学与渔获量数据[3-4, 23-24]及资源评估结果[6-7, 25], 日本鲭已被过度捕捞, 将P2019设置为0.2~0.6较为合理。因此, 本文没有对上述参数进行敏感性分析。
4 结语当前, 东、黄海日本鲭的年龄组成主要以低龄鱼为主, 3龄及以上日本鲭比重较少。同时, 中国缺少相关年龄组成资料, 再加上渔业数据存在较大的不确定性, 因此, 采用基于贝叶斯的动态产量模型对东、黄海日本鲭进行资源评估较为合理。当前, 东、黄海日本鲭种群结构划分的主要争议是东海西部群与五岛西部群是否为同一种群或为复合种群。但鉴于当前条件, 建议将东海西部群与五岛西部群作为同一个种群处理, 并将其产量与闽南-粤东近海地方种群分开, 以提高渔获量数据的质量, 并满足渔业资源评估模型的基本假设。当前, 不应基于数据统计单元分别对东、黄海日本鲭进行资源评估, 因为其无法满足渔业资源评估模型所要求的单位种群(unit stock)假设。从本文结果看, 这可能会进一步加剧日本鲭的过度捕捞。综合场景S1、S2及S7的评估结果: 目前, 东、黄海日本鲭已被过度捕捞, 若要使日本鲭在10年后未被过度捕捞的概率大于60%, TAC应低于4.82×105 t, 即在2019年产量的基础上再减少0.85×105 t。
| [1] |
严利平, 张辉, 李圣法, 等. 东、黄海日本鲭种群鉴定和划分的研究进展[J]. 海洋渔业, 2012, 34(2): 217-221. YAN L P, ZHANG H, LI S F, et al. Progress of population identification and classification of chub mackerel (Scomber japonicus) in the East China Sea and the Yellow Sea[J]. Marine Fisheries, 2012, 34(2): 217-221. DOI:10.3969/j.issn.1004-2490.2012.02.015 |
| [2] |
GUAN W J, CHEN X J, GAO F, et al. Linkages between the biomass of Scomber japonicus and net primary production in the southern East China Sea[J]. Acta Oceanologica Sinica, 2014, 33(10): 43-48. DOI:10.1007/s13131-014-0540-4 |
| [3] |
刘勇, 严利平, 程家骅. 东海北部和黄海南部鲐鱼生长特性及合理利用[J]. 中国水产科学, 2006, 13(5): 814-822. LIU Y, YAN L P, CHENG J H. Growth characteristics and rational exploitation of Scomber japonicus in the north of the East China Sea and the north of the Yellow Sea[J]. Journal of Fishery Sciences of China, 2006, 13(5): 814-822. DOI:10.3321/j.issn:1005-8737.2006.05.019 |
| [4] |
程家骅, 林龙山. 东海区鲐鱼生物学特征及其渔业现状的分析研究[J]. 海洋渔业, 2004, 26(2): 73-78. CHENG J H, LIN L S. Study on the biological characteristics and status of common mackerel (Scomber japonicus Houttuyn) fishery in the East China Sea region[J]. Marine Fisheries, 2004, 26(2): 73-78. DOI:10.3969/j.issn.1004-2490.2004.02.001 |
| [5] |
李纲. 东、黄海鲐鱼资源评估及其管理策略风险分析[D]. 上海: 上海海洋大学, 2008. LI G. Stock assessment and risk analysis of alternative management strategies for chub mackerel (Scomber japonicus) in the East China Sea and the Yellow Sea[D]. Shanghai: Shanghai Ocean University, 2008. |
| [6] |
陈卫忠, 李长松, 俞连福. 用剩余产量模型专家系统(CLIMPROD)评估东海鲐鲹鱼类最大持续产量[J]. 水产学报, 1997, 21(4): 404-408. CHEN W Z, LI C S, YU L F. Estimation of the maximum sustainable yield for chub mackerel and round scad in the East China Sea by the surplus production models fitting expert system[J]. Journal of Fisheries of China, 1997, 21(4): 404-408. |
| [7] |
王从军. 东、黄海鲐鱼贝叶斯生物经济模型及管理策略评价[D]. 上海: 上海海洋大学, 2014. WANG C J. Bayesian Bio-economic Model and management strategy evaluation of chub mackerel (Scomber japonicus) in the East China Sea and Yellow Sea[D]. Shanghai: Shanghai Ocean University, 2014. |
| [8] |
农业农村部渔业渔政管理局, 全国水产技术推广总站, 中国水产学会. 中国渔业统计年鉴(1980—2020)[M]. 北京: 中国农业出版社, 1980-2020. Fishery Administration of the Ministry of Agriculture and Rural Areas, National Aquatic Technology Promotion Station, China Fisheries Society. China fishery statistical Yearbook (1980-2020)[M]. Beijing: China Agriculture Press, 1980-2020. |
| [9] |
吴佳文. 基于空间加权的东、黄海日本鲐CPUE标准化及其资源评估研究[D]. 上海: 上海海洋大学, 2020. WU J W. Study on the spatial weighted CPUE standardization and stock assessment of chub mackerel in the East China Sea and Yellow Sea[D]. Shanghai: Shanghai Ocean University, 2020. |
| [10] |
WINKER H, CARVALHO F, KAPUR M. JABBA: Just Another Bayesian biomass assessment[J]. Fisheries Research, 2018, 204: 275-288. DOI:10.1016/j.fishres.2018.03.010 |
| [11] |
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. DOI:10.1111/faf.12190 |
| [12] |
官文江, 吴佳文, 曹友华. 利用后向预报方法分析印度洋黄鳍金枪鱼资源评估模型[J]. 中国海洋大学学报, 2020, 50(2): 52-59. GUAN W J, WU J W, CAO Y H. Evaluating the stock assessment and management quality of Indian Ocean Yellowfin Tuna with hindcasting method[J]. Periodical of Ocean University of China, 2020, 50(2): 52-59. |
| [13] |
R Core Team. R: A language and environment for statistical computing[M]. Vienna: R Foundation for Statistical Computing, 2015.
|
| [14] |
PLUMMER M, BEST N, COWLES K, et al. CODA: convergence diagnosis and output analysis for MCMC[J]. R News, 2006, 6(1): 7-11. |
| [15] |
SU Y S, YAJIMA M. R2jags: Using R to Run 'JAGS'[CP/OL]. [2022-01-06]. https://CRAN.R-project.org/package=R2jags.
|
| [16] |
SPIEGELHALTER D J, BEST N G, CARLIN B P, et al. Bayesian measures of model complexity and fit[J]. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 2002, 64(4): 583-639. DOI:10.1111/1467-9868.00353 |
| [17] |
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 W J, TIAN S Q, ZHU J F, et al. A review of fisheries stock assessment models[J]. Journal of Fishery Sciences of China, 2013, 20(5): 1112-1120. |
| [18] |
官文江, 高峰, 李纲, 等. 复合种群管理的风险评估——以日本鲐为例[J]. 生态学报, 2014, 34(13): 3682-3692. GUAN W J, GAO F, LI G, et al. Risk evaluation for meta-population management: a case study using chub mackerel[J]. Acta Ecologica Sinica, 2014, 34(13): 3682-3692. |
| [19] |
GUAN W J, WU J W, TIAN S Q. Evaluation of the performance of alternative assessment configurations to account for the spatial heterogeneity in age-structure: a simulation study based on Indian Ocean albacore tuna[J]. Acta Oceanologica Sinica, 2019, 38(10): 9-19. DOI:10.1007/s13131-019-1485-4 |
| [20] |
GUAN W J, CAO J, CHEN Y, et al. Impacts of population and fishery spatial structures on fishery stock assessment[J]. Canadian Journal of Fisheries and Aquatic Sciences, 2013, 70(8): 1178-1189. DOI:10.1139/cjfas-2012-0364 |
| [21] |
HIYAMA Y, YODA M, OHSHIMO S. Stock size fluctuations in chub mackerel (Scomber japonicus) in the East China Sea and the Japan/East Sea[J]. Fisheries Oceanography, 2002, 11(6): 347-353. DOI:10.1046/j.1365-2419.2002.00217.x |
| [22] |
GUAN W J, TANG L, ZHU J F, et al. Application of a Bayesian method to data-poor stock assessment by using Indian Ocean albacore (Thunnus alalunga) stock assessment as an example[J]. Acta Oceanologica Sinica, 2016, 35(2): 117-125. DOI:10.1007/s13131-016-0814-0 |
| [23] |
李建生, 严利平, 胡芬. 东海日本鲭繁殖群体生物学特征的年代际变化[J]. 中国水产科学, 2015, 22(6): 1253-1259. LI J S, YAN L P, HU F. Inter-decadal changes in biological characteristics of reproductive stocks of chub mackerel, Scomber japonicus, in the East China Sea[J]. Journal of Fishery Sciences of China, 2015, 22(6): 1253-1259. |
| [24] |
周翰林, 李建生, 严利平. 日本鲭种群生态学及繁殖生物学研究进展[J]. 海洋渔业, 2021, 43(6): 751-760. ZHOU H L, LI J S, YAN L P. Research progress on biological characteristics of reproductive stocks and population ecology of Scomber japonicus[J]. Marine Fisheries, 2021, 43(6): 751-760. DOI:10.3969/j.issn.1004-2490.2021.06.011 |
| [25] |
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 G, CHEN X J, GUAN W J. 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. |
2. Key Laboratory of Sustainable Exploitation of Oceanic Fisheries Resources, Ministry of Education, Shanghai 201306, China