- 2 次围观
渔业依赖型丰度指数常用于为种群评估提供信息，但捕捞努力通常并非随机分布。渔民会将采样集中于预期具有较高盈利的地点，从而形成一种偏好性抽样，并可能导致基于模型的丰度指数产生偏差。我们表明，当偏好性抽样的强度随时间保持不变时，它仅会造成指数尺度上的偏差，而在大多数种群评估中，这种偏差会被估计的可捕性参数所吸收。更值得关注的情况是，偏好性抽样的强度随时间发生变化；在此情况下，指数趋势可能产生传统可捕性估计无法校正的偏差。基于美国西海岸短棘鲉（Sebastolobus alascanus）长期拖网调查数据构建模拟，我们评估了两种结构上不同的、用于校正随时间变化的趋势偏差的方法：密度过程与抽样过程的联合时空模型，以及渔民位置选择的离散选择模型。我们的模拟包含两种产生偏好性偏差的机制：捕捞努力跟踪局部密度，以及捕捞努力响应于一种具有空间结构但未被观测到的异常，而该异常同时会使渔获量增加。我们表明，估计方法校正偏差的能力取决于导致捕捞努力集中的机制；联合模型对这两种数据生成机制均具有稳健性，而离散选择模型仅能在偏差由异常驱动时进行校正。作为现实案例研究，我们将这些校正方法应用于模拟的偏好性抽样数据，并将所得指数纳入短棘鲉种群评估模型。我们发现，未经校正的、随时间变化的偏好性抽样会对一次重大补充事件的估计产生正偏差，并在较小程度上对未捕捞状态下补充量的估计产生正偏差。该偏差进一步传导至过度捕捞限额的偏差，并且随着种群向未来推演而不断增大。尽管经过偏差校正的指数仍会导致过度捕捞限额出现一定程度的正偏差，但与朴素方法相比，这些偏差已大幅降低。鉴于偏好性抽样的机制通常无法预先确定，我们的结果表明，联合模型可作为校正渔业依赖型丰度指数的一种稳健默认方法。
渔业依赖型丰度指数常被用于为种群评估提供信息，但捕捞努力通常并非随机分布。渔民会将采样集中在预期能够获利的地点，从而形成一种偏好性抽样，这可能导致基于模型的丰度指数产生偏差。我们表明，当偏好性抽样的强度随时间保持不变时，它只会影响指数的量级，而在大多数种群评估中，这种影响可由估计的可捕性参数吸收。更为复杂的情形是偏好性抽样的强度随时间发生变化；在这种情况下，指数趋势可能产生常规可捕性估计无法校正的偏差。我们利用美国西海岸短刺鲉（Sebastolobus alascanus）长期拖网调查数据构建模拟，评估了两种结构上不同的、用于校正随时间变化的趋势偏差的方法：密度过程与抽样过程的联合时空模型，以及渔民位置选择的离散选择模型。我们的模拟包括产生偏好性偏差的两种机制：捕捞努力跟随局部密度变化，以及捕捞努力响应一种具有空间结构但未被观测到的异常，而该异常同时会使渔获量增加。我们表明，各估计方法校正偏差的能力取决于导致捕捞努力集中的机制；联合模型对这两种数据生成机制均具有稳健性，而离散选择模型只有在偏差由异常驱动时才能校正偏差。作为现实案例研究，我们将这些校正方法应用于模拟的偏好性抽样数据，并将所得指数纳入短刺鲉种群评估模型。我们发现，未经校正的随时间变化的偏好性抽样会使重大补充事件的估计值产生正偏差，并在较小程度上使未捕捞状态下的补充量产生正偏差。该偏差进一步传递至过度捕捞限额的估计中，并且随着种群向未来进行预测而不断增大。尽管经过偏差校正的指数仍会导致过度捕捞限额出现一定程度的正偏差，但与朴素方法相比，这些偏差已显著降低。由于偏好性抽样的机制通常无法事先确定，我们的结果表明，联合模型可作为校正渔业依赖型丰度指数的一种稳健默认方法。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.30.755768v1?rss=1
🏷️ 渔业依赖型丰度指数 偏好性抽样 种群评估 时空联合模型 离散选择模型 捕捞努力