Lagrangian Analysis of Satellite Data for the Pacific Cod Biomass Estimation in the West Bering Sea Zone

Capa

Citar

Texto integral

Acesso aberto Acesso aberto
Acesso é fechado Acesso está concedido
Acesso é fechado Somente assinantes

Resumo

Based on satellite altimetry data on the velocity of geostrophic currents for each day from 2000 to 2021, the trajectories of passive tracers distributed over a grid in the Bering Sea were calculated. The Lagrangian indicators, the length of the propagation paths of these particles (L) and the Lyapunov exponent (Λ), have been calculated for the month in the past prior to reaching the sites of scientific bottom trawling (BT). It is shown that the "random forest" machine learning method, among other bagging and boosting methods, best predicts the logarithm of the pacific cod density in scientific BT (t/km2) with Lagrangian indicators, describing more than 51% of the variance in the validation set. The standard vector autoregressive spatiotemporal model for calculating the dynamics of cod biomass in the West Bering Sea zone describes 6% less variance in identical testing, and the generalized additive model describes 20% less variance. All tested models in their optimal configurations included a significantly positive effect of L and a nonlinear effect of Λ in addition to the known dome-shaped effect of the depth of the BT site and the threshold effect of temperature of water at the bottom.

Sobre autores

V. Kulik

Pacific branch of Russian Research Federal Institute for Fishery and Oceanography (TINRO)

Email: vladimir.kulik@tinro.vniro.ru
Vladivostok, Russia

M. Budyansky

V.I. Il'ichev Pacific Oceanological Institute, FEB RAS

Vladivostok, Russia

M. Uleysky

V.I. Il'ichev Pacific Oceanological Institute, FEB RAS

Vladivostok, Russia

S. Prants

V.I. Il'ichev Pacific Oceanological Institute, FEB RAS

Vladivostok, Russia

Bibliografia

  1. Будянский М.В., Пранц С.В., Самко Е.В., Улейский М.Ю. Выявление и лагранжев анализ океанографических структур перспективных для промысла кальмара Бартрама (Ommastrephes bartramii) в районе Южных Курил // Океанология. 2017. № 5. С. 720–730.
  2. Budyansky M.V., Prants S.V., Samko E.V., Uleysky M.Yu. Vyyavlenie i lagranzhev analiz okeanograficheskikh struktur perspektivnykh dlya promysla kal’mara Bartrama (Ommastrephes bartramii) v rayone Yuzhnykh Kuril [Identification and Lagrangian analysis of oceanographic structures promising for the fishery of the Bartram squid (Ommastrephes bartramii) in the South Kuriles] // Okeanologiya. 2017. № 5. P. 720–730. (In Russian).
  3. Кулик В.В., Савин А.Б. Векторные авторегрессионные пространственно-временные (VAST) модели распределения биомассы трески Gadus macrocephalus (Gadidae) с учетом придонной температуры воды в Западно-Беринговоморской зоне // Изв. ТИНРО. 2024. Т. 204, вып. 3. С. 722–744. https://doi.org/10.26428/1606-9919-2024-204-722-744
  4. Kulik V.V., Savin A.B. Vector Autoregressive Spatio-Temporal (VAST) models for biomass distribution of pacific cod Gadus macrocephalus (Gadidae) considering water temperature at the sea bottom in the West Bering Sea zone // Izv. TINRO. 2024. V. 204. Vyp. 3. P. 722–744. (In Russian with English abstract). https://doi.org/10.26428/1606-9919-2024-204-722-744
  5. Савин А.Б. Запасы и промысел трески (Gadus macrocephalus, Gadidae) северо-западной части Берингова моря в 1965–2022 гг. // Изв. ТИНРО. 2023. Т. 203. № 3. С. 465–489. https://doi.org/10.26428/1606-9919-2023-203-465-489
  6. Savin A.B. Resources of fish in bottom biotopes on the shelf and the upper continental slope in the northwestern Bering Sea // Izv. TINRO. 2018. V. 192. P. 15–36. (In Russian with English abstract). https://doi.org/10.26428/1606-9919-2018-192-15-36
  7. Пранц С.В., Будянский М.В., Улейский М.Ю. Лагранжевы фронты в океане // Изв. РАН. Физика атмосферы и океана. 2014. Т. 50. № 3. C. 323–330.
  8. Prants S.V., Budyanskiy M.V., Uleyskiy M.Yu. Lagranzhevy fronty v okeane [Lagrangian fronts in the ocean] // Izv. RAN. Fizika atmosfery i okeana. 2014. V. 50. № 3. P. 323–330. (In Russian).
  9. Пранц С.В., Кулик В.В., Будянский М.В., Улейский М.Ю. О связи мест промысла сайры с крупномасштабными когерентными структурами в океане по спутниковым данным // Исслед. Земли из космоса. 2020. № 4. С. 18–26. https://doi.org/10.31857/S0205961420040053
  10. Prants S.V., Kulik V.V., Budyanskiy M.V., Uleyskiy M.Yu. O svyazi mest promysla sayry s krupnomasshtabnymi kogerentnymi strukturami v okeane po sputnikovym dannym [On the connection of saury fishing grounds with large-scale coherent structures in the ocean according to satellite data] // Issled. Zemli iz kosmosa. 2020. № 4. P. 18–26. (In Russian).
  11. Пранц С.В., Улейский М.Ю., Будянский М.В. Лагранжевы когерентные структуры в океане благоприятные для рыбного промысла // Доклады АН. 2012. Т. 447. № 1. С. 93–97.
  12. Prants S.V., Uleyskiy M.Yu., Budyanskiy M.V. Lagranzhevy kogerentnye struktury v okeane blagopriyatnye dlya rybnogo promysla [Lagrangian coherent structures in the ocean favorable for fisheries] // Doklady AN. 2012. V. 447. № 1. P. 93–97. (In Russian).
  13. Budyansky M.V., Kulik V.V., Kivva K.K., Uleysky M.Yu, Prants S.V. Lagrangian Analysis of Pacific Waters in the Sea of Okhotsk Based on Satellite Data in Application to the Alaska Pollock Fishery // Izv., Atmos. Ocean. Phys. 2022. V. 58. № 12. P. 1427–1437. https://doi.org/10.1134/S0001433822120088
  14. Chen T., He T., Benesty M., Khotilovich V., Tang Y., Cho H., Chen K., Mitchell R., Cano I., Zhou T., Li M., Xie J., Lin M., Geng Y., Li Y., Yuan J. xgboost: Extreme Gradient Boosting. 2024. R package version 1.7.8.1. https://CRAN.R-project.org/package=xgboost
  15. Dorogush A., Ershov V., Gulin A. CatBoost: gradient boosting with categorical features support. 2018. https://arxiv.org/abs/1810.11363
  16. Hastie T., Tibshirani R. Generalized Additive Models // Statist. Sci. 1986. V. 1. №. 3. P. 297–318. https://doi.org/10.1214/ss/1177013604
  17. Kearney K., Hermann A., Cheng W., Ortiz I., Aydin K. A coupled pelagic-benthic-sympagic biogeochemical model for the Bering Sea: documentation and validation of the BESTNPZ model (v2019.08.23) within a high-resolution regional ocean model // Geosci. Model Dev. 2020. V. 13. № 2. P. 597–650. https://doi.org/10.5194/gmd-13-597-2020
  18. Kulik V., Prants S.V., Uleysky M.Yu., Budyansky M.V. Lagrangian characteristics in the western North Pacific help to explain variability in Pacific saury fishery // Fisheries Research. V. 252. 2022. 106361. https://doi.org/10.1016/j.fishres.2022.106361
  19. Kursa M.B., Rudnicki W.R. Feature Selection with the Boruta Package // J. of Statistical Software. 2010. V. 36. № 11. P. 2–12. https://doi.org/10.18637/jss.v036.i11
  20. Prants S.V. Chaotic Lagrangian transport and mixing in the ocean // The European Phys. J. Special Topics. 2014. V. 223. № 13. P. 2723–2743. https://doi.org/10.1140/epjst/e2014-02288-5
  21. Prants S.V., Budyansky M.V., Ponomarev V.I., Uleysky M.Y. Lagrangian study of transport and mixing in a mesoscale eddy street // Ocean modeling. 2011. V. 38. № 1–2. P. 114–125. https://doi.org/10.1016/j.ocemod.2011.02.008
  22. Prants S.V., Budyansky M.V., Uleysky M.Yu. Identifying Lagrangian fronts with favourable fishery conditions // Deep Sea Research I. 2014. V. 90. P. 27–35. https://doi.org/10.1016/j.dsr.2014.04.012
  23. Prants S.V., Uleysky M.Y., Budyansky M.V. Lagrangian Oceanography: Large-scale Transport and Mixing in the Ocean. Physics of Earth and Space Environments. NY: Springer, 2017. 273 p.
  24. Prants S.V. Marine life at Lagrangian fronts // Progress in Oceanography. 2022. V. 204. 102790. https://doi.org/10.1016/j.pocean.2022.102790
  25. Prants S.V. Fisheries at Lagrangian fronts // Fisheries Research. 2024. V. 279. 107125. https://doi.org/10.1016/j.fishres.2024.107125
  26. R Core Team. R: A Language and Environment for Statistical Computing. Vienna, Austria. 2024. https://www.R-project.org/
  27. Ruczyński H., Kozak A., Słowakiewicz P., Grudzień A., Biecek P. forester: Quick and Simple Tools for Training and Testing of Tree-Based Models. R package version 1.6.1. 2024. commit c9762775ff31ae0268bbd1bca915bfb485ef4a78, https://github.com/ModelOriented/forester
  28. Sakamoto Y., Ishiguro M., Kitagawa G. Akaike Information Criterion Statistics. 1986. D. Reidel Publishing Company.
  29. Shi Y., Ke G., Soukhavong D., Lamb J., Meng Q., Finley T., Wang T., Chen W., Ma W., Ye Q., Liu T., Titov N., Cortes D. lightgbm: Light Gradient Boosting Machine. R package version 4.5.0. 2024. https://CRAN.R-project.org/package=lightgbm
  30. Venables W.N., Dichmont C.M. GLMs, GAMs and GLMMs: an overview of theory for applications in fisheries research // Fish. Res. 2004. Vol. 70. Iss. 2–3. P. 319–337. https://doi.org/10.1016/j.fishres.2004.08.011
  31. Wood S.N. Thin plate regression splines // J. R. Stat. Soc. Ser. B (Statistical Methodol.). 2003. V. 65. Iss. 1. P. 95–114. https://doi.org/10.1111/1467-9868.00374
  32. Wood S.N. Stable and Efficient Multiple Smoothing Parameter Estimation for Generalized Additive Models // J. Am. Stat. Assoc. 2004. V. 99. Iss. 467. P. 673–686. https://doi.org/10.1198/016214504000000980
  33. Wood S.N. Generalized Additive Models: An Introduction with R (2nd edition). London: Chapman and Hall/CRC Press, 2017. 496 p.
  34. Wright M.N., Ziegler A. ranger: A Fast Implementation of Random Forests for High Dimensional Data in C++ and R // Journal of Statistical Software. 2017. V. 77(1). P. 1–17. https://doi.org/10.18637/jss.v077.i01

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar

Declaração de direitos autorais © Russian Academy of Sciences, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».