بررسی پارامترهای مؤثر بر پیش‌بینی مقدار صید ماهی تن زرد‌باله (Bonnaterre, 1788) Thunnus albacares در اقیانوس هند با سیستم فازی مبتنی بر قواعد

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه شیلات، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران.

2 گروه جنگلداری و اقتصاد جنگل، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران.

چکیده

برای ارتقاء وضعیت صید ناوگان صیادی ماهیان تن لازم است تا محل‌های مستعد صید این ماهیان مشخص گردد. از این‌رو، این مطالعه، به‌منظور پیش‌بینی قابلیت صید ماهی تن ماهی زرد در پنج سال آینده با استفاده از یک مدل سیستم فازی به‌اجرا درآمد. برای تعیین مکان پیش‌بینی شده برای بیشترین صید در منطقه ۵۱ اقیانوس هند، اطلاعات مربوط به تن ماهی زردباله اقیانوس هند از کمیسیون تن ماهی اقیانوس هند (IOTC) به‌دست آمد. مدل از پارامترهای محیطی سال ۲۰۰۵ و توزیع مکانی صید تن ماهی زرد در سال ۲۰۱۰ ساخته شد. مقدار صید در سال ۲۰۱۰ به‌عنوان متغیر وابسته در نظر گرفته شد در حالی که پارامترهای محیطی سال ۲۰۰۵ به‌عنوان متغیرهای مستقل در نظر گرفته شدند. مدل با استفاده از ۷۰٪ از داده‌ها آموزش دیده شده و داده‌های باقیمانده برای تست استفاده شدند. کیفیت مدل با استفاده از ضریب توضیح و ریشه مجموع مربعات باقی‌مانده ارزیابی شد. به‌نظر می‌رسد که مدل قابلیت پیش‌بینی ضعیفی دارد و مدل‌های مبتنی بر قوانین فازی برای مدل‌سازی پیش‌بینی صید ماهی تن زردباله در اقیانوس هند توصیه نمی‌شود. با این حال، عمق لایه ایزوترم ۲۰ درجه سانتی‌گراد به‌عنوان مهم‌ترین پارامتر محیطی در پیش‌بینی صید ماهی تن زردباله شناسایی شد.

کلیدواژه‌ها

عنوان مقاله [English]

Investigating the effective parameters on predicting the catch of Yellowfin tuna Thunnus albacares (Bonnaterre, 1788) in the Indian Ocean using a rule-based fuzzy system

نویسندگان [English]

  • Narjes Bakhtiari 1
  • Hadi Poorbagher 1
  • Soheil Eagderi 1
  • Jahangir Feghhi 2
1 Department of Fisheries, Faculty of Natural Resources, University of Tehran, Karaj, Iran.
2 Department of Forestry and Forest Economics, Faculty of Natural Resources, University of Tehran, Karaj, Iran.
چکیده [English]

To improve the catch status of tuna fishing fleets, it is necessary to identify suitable fishing grounds for these fish. Therefore, this study aimed to predict the catchability of yellowfin tuna over the next five years using a rule-based fuzzy system model. To determine the predicted location for the highest catch in the Indian Ocean region 51, data on Indian Ocean yellowfin tuna were obtained from the Indian Ocean Tuna Commission (IOTC). The model was constructed using environmental parameters from 2005 and the spatial distribution of yellowfin tuna catches in 2010. The catch amount in 2010 was considered as the dependent variable, while the environmental parameters from 2005 were considered as independent variables. The model was trained using 70% of the data and the remaining data was used for testing. The quality of the model was evaluated using the coefficient of determination and the root mean square error. The study found that the model had poor predictive ability and that rule-based fuzzy models are not recommended for predicting yellowfin tuna catches in the Indian Ocean. However, the isotherm layer depth of 20 °C was identified as the most important environmental parameter in predicting yellowfin tuna catches.

کلیدواژه‌ها [English]

  • Fuzzy System
  • Catch
  • Prediction
  • Indian Ocean
  • Yellowfin Tuna

مراجع

Borland M.E., Bailey M. 2019. A tale of two standards: A case study of the Fair Trade USA certified Maluku handline yellowfin tuna (Thunnus albacares) fishery. Marine Policy 100, 353-360.
Chen C.F., Son N.T., Chang N. Bin, Chen C.R., Chang L.Y., Valdez M., Centeno G., Thompson C.A., Aceituno J.L. 2013. Multi-decadal mangrove forest change detection and prediction in Honduras, Central America, with landsat imagery and a markov chain model. Remote Sensing 5(12), 6408–6426.
Chen Z., Hu C., Muller-Karger F. 2007. Monitoring turbidity in Tampa Bay using MODIS/Aqua 250-m imagery. Remote Sensing of Environment 109(2), 207-220.
Davies T.K., Mees C.C., Milner-Gulland E. 2014. The past, present and future use of drifting fish aggregating devices (FADs) in the Indian Ocean. Marine Policy 45, 163-170.
Erauskin‐Extramiana M., Arrizabalaga H., Hobday A. J., Cabré A., Ibaibarriaga L., Arregui I., Chust G. 2019. Large‐scale distribution of tuna species in a warming ocean. Global Change Biology 25(6), 2043-2060.
FAO 2020. FAO Major Fishing Areas Indian Ocean, Western (Major Fishing Area 51). Retrieved from http://www.fao.org/fishery/area/Area51/en.
Hoyle S.D. 2018. Indian Ocean tropical tuna regional scaling factors that allow for seasonality and cell areas: IOTC-2018-WPM09-13. Indian Ocean Tuna Commission, 9th Working Party.
Jokar Arsanjani J., Helbich M., Kainz W., Darvishi Boloorani A. 2013. Integration of logistic regression, Markov chain and cellular automata models to simulate urban expansion, International Journal of Applied Earth Observation and Geoinformation 21, 265-275.
Karimpour M., Harlioglu M.M., Khanipour A.A., Abdolmalaki S., Aksu Ö. 2013. Present status of fisheries in Iran. Journal of Fisheries Sciences 7(2), 161-177.
Kuhn M., Johnson K. 2013. Applied predictive modeling. Springer. 600 p.
Lan K.W., Evans K., Lee M.A. 2013. Effects of climate variability on the distribution and fishing conditions of yellowfin tuna (Thunnus albacares) in the western Indian Ocean. Climate Change, 1-15.
Last P.R., White W.T., Gledhill D.C., Hobday A.J., Pecl G. 2011. Long-term shifts in abundance and distribution of a temperate Fish fauna: a response to climate change and fishing practices. Global Ecology and Biogeography 20(1), 58-72.
Lee M.A., Weng J.S.,  Lan K.W., Vayghan A.H., Wang Y.C.,  Chan J.W. 2020. Empirical habitat suitability model for immature albacore tuna in the North Pacific Ocean obtained using multisatellite remote sensing data. International Journal of Remote Sensing 41(15), 5819-5837.
Mankad B. M., Sharma R., Pal P.K., Basu S. 2012. Estimating depth of the 20°C isotherm from sea level in the Arabian Sea. Remote Sensing Letters 3(5), 413-421.
Michael P.E., Wilcox C., Tuck G.N., Hobdayb A.J., Struttona P.G. 2017. Japanese and Taiwanese pelagic longline fleet dynamics and the impacts of climate change in the southern Indian Ocean. Deep Sea Research Part II: Topical Studies in Oceanography 140(2), 242-250.
Nimit K., Masuluri N.K., Berger A.M., Bright R.P., Prakash S., TVS U., Kumaar S., Rohit P.,  AT., Ghosh S., Varghese S.P. 2020. Oceanographic preferences of yellowfin tuna (Thunnus albacares) in warm stratified oceans: a remote sensing approach. International Journal of Remote Sensing 41(15), 5785-5805.
R Core Team.2021. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. Https://www.R-project.org.
Riza L.S., Bergmeir C.N., Herrera F., Benítez Sánchez J.M. 2015. frbs: Fuzzy rule-based systems for classification and regression in R. Journal of Statistical Software 65(6), 1-30.
Salas-Eljatib C., Fuentes-Ramirez A., Gregoire T.G., Altamirano A., Yaitul V. 2018. A study on the effects of unbalanced data when fitting logistic regression models in ecology. Ecological Indicators 85: 502-508.
Setiawati M.D., Sambah A.B., Miura F., Tanaka T., As-syakur A.R. 2015. Characterization of bigeye tuna habitat in the Southern Waters off Java–Bali using remote sensing data. Advances in Space Research 55: 732-746.
مجله علوم آبزی پروری
دوره 11، شماره 1
فروردین 1402
صفحه 152-162

فایل ها

هم رسانی

ارجاع به این مقاله

آمار