Rekomendasi
Rekomendasi 4: Rekomendasi 4: Lihat di luar kesesuaian saat mengevaluasi kinerja model
Dampak pemanasan laut terhadap pengelolaan perikanan berkelanjutan menginformasikan Pendekatan Ekosistem terhadap Perikanan. Laporan Ilmiah 7:13438 https://doi.org/10.1038/s41598-017-13220-7
4. Lihat Gambar Tambahan 3 di Bentley et al. 2024 5.
ICES. 2016. Laporan Kelompok Kerja Metode Penilaian Multispesies (WGSAM), 9–13 November 2015, Woods Hole, AS. ICES CM 2015/SSGEPI:20. 206 hal.
7. Walters CJ, Christensen V, Martell SJ, Kitchell JF. 2005. Kemungkinan dampak ekosistem akibat penerapan kebijakan MSY dari penilaian spesies tunggal. ICES Journal of Marine Science 62:558 -
568. https://doi.org/10.1016/j.icesjms.2004.12.005 CJFAS. https://doi.org/10.1139/cjfas-2013-0173)
ekosistem dan menimbulkan pertanyaan mengenai apa yang membuat kinerja model ekosistem kredibel?
6. ICES. 2019b. Kelompok kerja tentang metode penilaian multispesies (WGSAM). Laporan Ilmiah ICES.
1:320. Doi: 10.17895/ices.pub.5758
• Mengembangkan dan memahami tentang dampak pengemudi yang hilang
Untuk ini, kami menggunakan model ekosistem Anchovy Bay yang kami bangun dalam tutorial sebelumnya (unduh). Saat mengumpulkan deret waktu untuk digunakan dalam Ecosim, kami membuat lembar kerja, dan menyimpannya sebagai file nilai yang dipisahkan koma (CSV) yang dapat dibaca oleh modul dinamis waktu EwE, Ecosim.
Tujuan latihan ini adalah untuk mengeksplorasi cara menyesuaikan model ekosistem dengan data deret waktu.
File CSV harus memiliki format tertentu, lihat Tabel 1. Anda dapat menyalin tabel ini ke Excel dan menyimpannya sebagai file CSV.
• Mengembangkan dan memahami perbedaan antara driver dan referensi seri waktu
data seri
• Memperoleh pengalaman dengan prosedur penyesuaian model ekosistem terhadap waktu
Tabel 1. Berkas deret waktu untuk tutorial Anchovy Bay. Anda dapat menyalin konten di bawah ini, menempelkannya (Tempel Spesial > Teks) ke MS Excel, lalu menyimpannya sebagai berkas csv. Impor berkas csv ke EwE seperti yang dijelaskan dalam tutorial.
Tujuan pembelajaran
Tutorial: Penyesuaian deret waktu
angka 0
tahun 1989 0.7
angka 0 angka 0
16.7 1.103
1
tahun 1982
1
Tahun 1975
0,75
1 1
Kode kolam renang
1
18.2 2.183
1
tahun 1996
2
Kapur sirih
16.6
angka 0
16.3 1.551
angka 0
16.9 1.05
3
Tahun 1981
1 1
angka 0
2.735
1
tahun 1974
1
2.079
angka 0
tahun 1995
B
angka 0
16.6 16.1
1 1.477
Tahun 1988
4
angka 0
Penyegel Udang
angka 0 angka 0
16.1
1 1.71
1.216
tahun 1991
1
angka 0
16.6
Tahun 1976
1 0.5
6
2.846 1
1
Jenis
0.8
18.7 17 2.407
16.4 1.629
1.158
tahun 1990
angka 0
2
angka 0
17 1
tahun 1983
2.79
1 5
Kode kolam renang 2
1
18.6 16.8 2.292
angka 0
tahun 1997 0.6
B
angka 0
1
Tahun 1971
6
17.6 2.577
1.886
contoh T
bawah B
angka 0
16.2 1
Tahun 1985
angka 0
1 16.4 2 1
tahun 1978
1
angka 0
2
2.961 2
17.2 2.527
Kapal pukat
C Segel
angka 0
16 1.796
angka 0
1.276
tahun 1992
1 0.3
angka 0
tahun 1984 Tahun 1977
1 0,25
1
2.903
2 3
tahun 1970
18.6 4
1
tahun 1980
angka 0
1 1 10
7
tahun 1973
Berat
1
18 2.682
1 Ikan kod
angka 0
16.5 16.3 1.407
tahun 1994 tahun 1987
1
angka 0
1 17
1 1
angka 0
1
tahun 1972
0.8 Judul
17.8 1
2.629 1.98
1
1.34
tahun 1993 tahun 1986
1
angka 0
16.2
1 17.1 3
4
tahun 1979
1
Perhatikan bahwa faktor pendorong (usaha dan kematian akibat penangkapan ikan) harus diberikan untuk semua tahun, (atau usaha akan ditetapkan ke 0 untuk tahun yang hilang), sedangkan deret waktu referensi dapat untuk beberapa tahun saja.
Baris pertama memberikan judul deret waktu, baris kedua bersifat opsional dan memberikan bobot yang akan digunakan sebagai faktor pembobotan untuk estimasi residual kuadrat terjumlah (SS). Kode kumpulan adalah nomor armada (untuk upaya, di sini Sealers dan Trawlers), nomor kelompok fungsional (untuk biomassa dan mortalitas, di sini Seal, Cod, Whiting, dan Shrimp), atau nomor fungsi pemaksaan, (di sini "dummy"). Jenisnya adalah kode, dijelaskan dalam bab deret waktu dari Panduan Pengguna – dapat diganti dengan singkatan deskriptif seperti yang dijelaskan dalam Panduan Pengguna, misalnya, BiomassRel, bukan tipe 0.
Baris berikut memberikan data deret waktu menurut tahun.
Jika Anda mengunduh berkas CSV atau menambahkan/menghapus grup dalam model Anda, harap
diperhatikan: berkas CSV menggunakan angka untuk merujuk ke grup dan armada. Anda harus memeriksa berkas CSV untuk memastikan bahwa nomor grup dan armada dalam berkas CSV dan model Anda sesuai.
Untuk tutorial ini, Anda memerlukan file deret waktu, jadi salin data dalam Tabel 1 ke lembar kerja Excel kosong dan simpan sebagai file CSV.
Buka EwE, lalu buka (Menu > File > Buka model) database dan model Anchovy Bay di Eco-path. Lanjutkan ke Ecosim > Input >
Time series di mana Anda dapat mengimpor file time series Anda dengan 4
1 18.5 19
angka 0
tahun 2003
1 1
3.6 3.269
Tahun 2010 Tahun 2007
2
19.2 3.08
2.4
1
angka 0
3.5 3.334
angka 0
18.7 1
angka 0
tahun 2000
3
3.65
1
3.5
angka 0
Tahun 2008
1 19.2
tahun 2004
angka 0
1
18.6 3.401
angka 0
19 3.142
angka 0
tahun 2001
18
1
tahun 1998
3.55
angka 0
1
1 1
19
angka 0
tahun 2005
18.9
angka 0
tahun 2002
1
Tahun 2009
3.205
1 18.6 0.4
3.02
tahun 2006
19.3
tahun 1999
angka 0
18 3.469
angka 0
Periksa plotnya dan terutama kerjakan Ecosim > Output > Plot grup Ecosim.
Untuk mengilustrasikan apa yang harus dicari, periksa anjing laut. Anda akan melihat bahwa rangkaian Ecosim (garis) menunjukkan sedikit peningkatan dalam biomassa anjing laut, sementara rangkaian waktu (titik-titik) menunjukkan bahwa anjing laut telah berlipat empat. Ini menunjukkan bahwa pengaturan kerentanan untuk anjing laut terlalu rendah, yaitu anjing laut dengan kerentanan default 2 diasumsikan terlalu dekat dengan daya dukungnya. [Baca bab ketergantungan kepadatan untuk informasi lebih lanjut].
Anda dapat mencoba meningkatkan kerentanan anjing laut sebagai predator dan melihat apa yang terjadi, dan Anda harus kembali menjalankan Ecosim sesekali, sambil melakukan penyesuaian untuk mencari tahu apa yang terjadi.
1. Ecosim > Input > Formulir kerentanan, klik sel kiri atas untuk memilih semua sel. Kemudian masukkan 2 di kolom kanan atas di sebelah kiri tempat yang bertuliskan Terapkan, lalu klik Terapkan, untuk mengatur ulang semua kerentanan ke nilai default 2.
Saat tab time series terbuka, periksa setiap time series (lihat thumbnail di bagian bawah). Kita memiliki upaya, biomassa relatif, dan seri tangkapan.
Pengaturan pengali kerentanan default (2.0) memberi tahu Ecosim bahwa anjing laut paling banyak dapat menggandakan tingkat kematian akibat pemangsaan yang mereka sebabkan pada mangsanya, sementara rangkaian waktu mengatakan bahwa mereka telah meningkatkan biomassa mereka empat kali lipat. Dapatkah Anda melihat perbedaannya?
Sebelum Anda mulai menyesuaikan model, jalankan Ecosim (Ecosim > Keluaran > Jalankan Ecosim > Jalankan.
pilih Impor, dan telusuri file anchovybay.csv. (Jika diperlukan, Anda dapat mengunduh file CSV dari tautan ini).
2. Untuk menemukan pengali kerentanan yang memiliki dampak terbesar pada kecocokan model (jumlah residual kuadrat, SS, lihat bab estimasi kerentanan ), buka Ecosim > Alat > Sesuaikan dengan deret waktu, atur Jumlah blok ke 1, lalu klik Kepekaan SS terhadap V (V adalah pengali kerentanan, lihat bab kerentanan dan pengali kerentanan ). Biarkan predator dicentang, lalu klik Cari. Rutin pencarian akan menemukan kelompok yang parameter kerentanannya memiliki dampak terbesar pada SS. Klik OK, dan informasi ini akan diteruskan ke formulir pencarian.
3. Pada form pencarian, klik Cari, tunggu hingga rutin pencarian konvergen, klik tidak untuk pencarian lebih lanjut. Perhatikan estimasi SS dan AICc .
Hingga saat ini, kami telah mengevaluasi efek yang bergantung pada kepadatan, termasuk bagaimana faktor ekologi dan perikanan memengaruhi kecocokan, selanjutnya adalah menambahkan efek lingkungan dengan memperkirakan 'anomali produksi primer' yang memungkinkan produktivitas sistem bervariasi dari waktu ke waktu. Kami dapat melakukannya
dengan mencari titik spline. Untuk ini, kami memerlukan fungsi pemaksaan, dan kami dapat menggunakan "dummy", buka Ecosim >
Ulangi langkah-langkah di atas dengan meningkatkan jumlah blok pencarian dan parameter hingga Anda mencari semua predator, lalu coba mencari kombinasi predator-mangsa, dan lanjutkan hingga Anda menemukan suatu pola.
Di Ecosim sekarang lakukan hal berikut,
2. Klik tab Pencarian Anomali di bagian atas. Kemudian atur jumlah titik spline menjadi 2.
3. Kemudian klik Cari, dan tunggu sampai rutin pencarian telah konvergen, klik tidak untuk melanjutkan.
Ulangi langkah-langkah di atas dengan jumlah titik spline yang semakin banyak, misalnya 2, 3, 5, 10, dan 20. Cobalah juga untuk memperkirakan anomali produksi primer untuk semua tahun dengan menetapkan jumlah titik spline ke 0.
Jika pencarian awal untuk parameter tidak membuatnya menjauh dari titik awal (garis datar), maka ulangi (klik ya saat ditanya).
Saat menyesuaikan banyak parameter, Anda mungkin menemukan bahwa pengaturan pengganda kerentanan untuk paus ditetapkan sangat tinggi. Hal ini mungkin membuat paus menjadi dua kali lipat jumlahnya, dan prosedur penyesuaian kemungkinan memilih hasil ini karena efek sekunder yang dimiliki paus terhadap spesies lain melalui pemangsaan. Hal ini mungkin benar atau mungkin tidak benar, dan hal ini tentu menunjukkan pentingnya memeriksa hasil tersebut, dan nilai dari memiliki informasi di tangan.
Kembali ke Ecosim > Output > Tools > Fit to time series form, hapus centang pada pencarian kerentanan dan centang pada pencarian anomali. Sekarang,
mencari saat diminta. Perhatikan estimasi SS dan AICc .
1. Klik tab fungsi Forcing . Lalu klik Reset all untuk mereset fungsi forcing.
Input > Fungsi pemaksaan > Terapkan FF (produsen utama) , lalu klik baris fitoplankton. Kemudian pilih “dummy” dan gunakan panah hijau untuk memindahkannya ke fungsi yang diterapkan.
Sekali lagi, kumpulkan hasilnya, periksa SS dan AICc, dan pertimbangkan.
Jadi, pelajaran apa yang dapat Anda petik dari latihan ini? Salah satu yang penting adalah mudahnya melakukan over-fitting pada suatu model. Jika Anda memeriksa beberapa kecocokan yang banyak parameternya telah diestimasikan, Anda akan melihat bahwa kelompok yang tidak memiliki deret waktu memiliki kerentanan yang berubah secara radikal. Ketika tidak ada informasi deret waktu, tidak ada penalti untuk prosedur pemasangan, jadi untuk kelompok tersebut tidak ada penghentiannya.
Apakah masuk akal?
Terakhir, coba lakukan pencarian kerentanan dan pencarian anomali gabungan. Pertama-tama atur ulang seperti sebelumnya, lalu atur jumlah titik spline menjadi 3, dan coba cari 2-8 parameter kerentanan, menggunakan opsi pencarian berdasarkan predator .
Jika Anda memeriksa kecocokan untuk ikan kod dan ikan whiting, ingatlah bahwa keduanya ditangkap oleh armada yang sama, dan mengalami perubahan upaya yang sama. Ikan kod diperkirakan memiliki kerentanan yang rendah, sedangkan ikan whiting memiliki kerentanan yang tinggi. Mengapa? Keduanya telah menurun secara signifikan menurut rangkaian waktu, tetapi jika Anda memeriksa plot grup Ecosim > Output > Ecosim, Anda akan melihat bahwa mortalitas pemangsaan relatif lebih penting untuk ikan whiting daripada untuk ikan kod (dan mortalitas penangkapan, sebaliknya). Jadi, karena upaya penangkapan ikan pukat meningkat secara signifikan, hal ini akan berdampak terbesar pada ikan kod. Untuk mempertahankan hal ini, rutinitas pencarian memilih pengaturan kerentanan yang rendah untuk ikan kod.
Tentang AIC dan AICc