[논문]붉은대게(Chinonoecetes japonicus) 자원평가를 위한 잉여생산량모델의 비교 분석

최지훈; 김도훈; 오택윤; 서영일; 강희중

doi:10.5657/kfas.2020.0925

붉은대게(Chinonoecetes japonicus) 자원평가를 위한 잉여생산량모델의 비교 분석
Comparative Analysis on Surplus Production Models for Stock Assessment of Red Snow Crab Chinonoecetes japonicus 원문보기

한국수산과학회지 = Korean journal of fisheries and aquatic sciences, v.53 no.6, 2020년, pp.925 - 933

최지훈 (국립수산과학원 연근해자원과) , 김도훈 (부경대학교 해양수산경영학과) , 오택윤 (국립수산과학원 수산자원연구센터) , 서영일 (국립수산과학원 연근해자원과) , 강희중 (국립수산과학원 연근해자원과)

Abstract ▼ AI-Helper

This study is aimed to compare stock assessment models which are effective in assessing red snow crab Chinonoecetes japonicus resources and to select and apply an effective stock assessment model in the future. In order to select an effective stock assessment model, a process-error model, observation-error model, and a Bayesian state-space model were estimated. Analytical results show that the least error is observed between the estimated CPUE (catch per unit effort) and the observed CPUE when using the Bayesian state-space model. For the Bayesian state-space model, the 95% credible interval(CI) ranges for the maximum sustainable yield (MSY), carrying capacity (K), catchability coefficient (q), and intrinsic growth (r) are estimated to be 10,420-47,200 tons, 185,200-444,800 tons, 3.81E-06-9.02E-06, and 0.14-0.66, respectively. The results show that the Bayesian state-space model was most reliable among models.

주제어

표/그림 (11)

그림 Fig. 1. Change of catch amount of red snow crab Chinonoecetes japonicus from 2000-2018.
표 Table 1. Changes of catch and fishing efforts of red snow crab Chinonoecetes japonicus offshore pot fishery from 2000-2018
표 Table 2. Results of OLS regression (Process-error model)
그림 Fig. 2. Trace plots of biomass, r, q, K and MSY. r, intrinsic growth; q, catchability coefficient; K, carrying capacity; MSY, maximum sustainable yield.
표 Table 3. Model estimates of red snow crab Chinonoecetes japonicus by the process-error model (Schaefer model)
표 Table 4. Model estimates of red snow crab Chinonoecetes japonicus by the observation-error model
그림 Fig. 3. Posterior densities of r, q, K, MSY, B (2000) and B (2018). r, intrinsic growth; q, catchability coefficient; K, carrying capacity; MSY, maximum sustainable yield.
표 Table 5. Standard error and MC error of r, q, K, MSY and biomass
표 Table 6. Model estimates of red snow crab Chinonoecetes japonicus by the Bayesian state-space model
그림 Fig. 4. Observed CPUE from the posterior predictive distribution of CPUE. CPUE, catch per unit effort.
표 Table 7. Comparison of model estimates for red snow crab Chinonoecetes japonicus

AI 본문요약
AI-Helper

문제 정의

이러한 배경 하에 본 연구에서는 붉은대게의 자원 회복 및 관리를 위해 과정오차 모델, 관측오차 모델, 그리고 Bayesian state-space 모델을 각각 적용하고, 그 결과들을 비교·분석하고자 한다.

제안 방법

과정오차 모델, 관측오차 모델, 그리고 Bayesian state-space 모델 결과의 비교를 위해 연도별 실제 CPUE와 추정된 CPUE 변화를 평가해 보았다. 분석 결과, Fig.
본 연구에서는 보다 정확한 붉은대게의 자원 평가를 위해 어획비율이 가장 높은 근해통발어업을 대상으로 다양한 자원평가 모델들을 활용하고, 모델 결과를 비교하여 붉은대게 자원상태를 평가해 보았다.

대상 데이터

다음으로 연안자망 4%로 그리고 연안통발 3%로 순으로 파악되었다. 본 연구에서는 붉은대게 어획비율이 가장 높은 근해통발어업을 대상으로 분석하였다.

이론/모형

분석에 사용된 붉은대게 자원평가모델은 과정오차 모델, 관측오차 모델, 그리고 Bayesian state-space 모델 3가지 모델을 사용하였다. 과정오차 모델 분석 결과, MSY는 39,097톤, K는 155,807톤, q는 0.

성능/효과

39 수준으로 분석되었다. Bayesian state-space 모델 분석 결과, 붉은대게의 추정계수들의 95% 신뢰구간 범위는 MSY는 10,420-47,200톤, K는 185,200-444,800톤, q는 3.81E-06-9.02E-06, 그리고 r은 0.14-0.66의 범위를 갖는 것으로 분석되었다.
분석에 사용된 붉은대게 자원평가모델은 과정오차 모델, 관측오차 모델, 그리고 Bayesian state-space 모델 3가지 모델을 사용하였다. 과정오차 모델 분석 결과, MSY는 39,097톤, K는 155,807톤, q는 0.0000283, 그리고 r은 1.00 수준으로 분석되 었다. r 값의 경우 비현실적으로 높은 수준으로 추정되었으며, 실제 CPUE와 추정된 CPUE 간의 오차범위가 아주 큰 것으로 분석되었다.
r 값의 경우 비현실적으로 높은 수준으로 추정되었으며, 실제 CPUE와 추정된 CPUE 간의 오차범위가 아주 큰 것으로 분석되었다. 관측오차 모델 분석 결과, MSY는 27,044톤, K는 185,726톤, q는 0.00003, 그리고 r은 0.39 수준으로 분석되었다. Bayesian state-space 모델 분석 결과, 붉은대게의 추정계수들의 95% 신뢰구간 범위는 MSY는 10,420-47,200톤, K는 185,200-444,800톤, q는 3.
Bayesian state-space 모델의 검증 방법 중 하나는 시도표를 확인하는 것으로 추정하는 변수의 값들이 일정한 형태나 경향성을 보이지 않고, 백색잡음의 형태를 가지면 모델이 적합하다고 판단한다. 붉은대게에 대한 Bayesian state-space 모델의 추정 결과, B과 K, r, q 그리고 MSY의 모든 주요 변수들의 시도표가 일정한 형태를 보이지 않고 백색잡음의 형태를 보여 적합한 것으로 평가되었다(Fig. 2).
이에 반해, 관측오차 모델과 Bayesian state-space 모델의 경우 연도별 CPUE의 관측치들을 비교적 잘 반영하고 있는 것으로 나타났다. 하지만 오차범위를 평가해 봤을 때 Bayesian state-space 모델이 관측오차 모델에 비해 관측치를 보다 잘 반영하는 것으로 분석되었다(Fig. 4).

참고문헌 (27)

Clarke R, Yoshimoto S and Pooley S. 1992. A bioeconomic analysis of the Northwestern Hawaiian Islands lobster fishery. Mar Resour Econ 7, 115-140. https://doi.org/10.1086/mre.7.3.42629029.

상세보기
Choi YM, Zhang CI, Lee JB, Kim JY and Cha HK. 2004. Stock assessment and management implications of chub mackerel, Scomber japonicus in Korean waters. Korean J Fish Aquat Soc 6, 90-100. https://doi.org/10.3796/KSFT.2016.52.2.130.

원문보기 상세보기
Choi MJ, Kim DH and Choi JH. 2019. Comparing surplus production models for analyzing potential yield of fishery resources in West sea, Republic of Korea. J Kor Soc Fish Tech 55, 206-216. https://doi.org/10.4217/OPR.2019.41.3.183.

원문보기 상세보기
Choi MJ, Kim DH, Lee HW, Seo YI and Lee SI. 2020. Assessing stock biomass and analyzing management effects regarding the black scraper Thamnaconus modestus using bayesian state-space model. Ocean Polar Res 42, 63-76. https://doi.org/10.4217/OPR.2020.42.1.063.

원문보기 상세보기
de Valpine P and Hilborn R. 2005. State-space likelihoods for nonlinear fisheries time-series. Can J Fish Aquat Sci 62, 1937-1952. https://doi.org/10.1139/f05-116.

상세보기
Fox W. 1970. An exponential surplus-yield model for optimizing exploited fish populations. T Am Fish Soc 99, 80-88. https://doi.org/10.1577/1548-8659(1970)99 2.0.CO;2.

상세보기
Haddon M. 2010. Modelling and quantitative methods in fisheries. CRC press, Boca Raton, FL, U.S.A., 1-465.
Hilborn R and Walters C. 1992. Quantitative fisheries stock assessment: choice, dynamics and uncertainty. Rev Fish Biol Fish 2, 177-178.

상세보기
Kim DH. 2013. Bayesian statistics using R and WinBUGS. Freedom Academy, Paju, Korea, 1-384.
Kim DH. 2015. Evaluating the TAC policy in the sandfish stock rebuilding plan. J Fish Bus Adm 46, 029-039. https://doi.org/10.12939/FBA.2015.46.1.029.

원문보기 상세보기
Kim HA, Seo YI, Cha HK, Kang HJ and Zhang CI. 2018. A study on the estimation of potential yield for Korean west coast fisheries using the holistic production method (HPM). J Kor Soc Fish Tech 54, 38-53. https://doi.org/10.3796/KSFOT.2018.54.1.038

원문보기 상세보기
Korea Fisheries Resources. 2019. Fish production information (TAC), FIRA-IR-19-005. Busan, Korea, 79.
KOSIS (Korean Statistical Information Service). 2019. Fishery production survey. Retrieved from http://kosis.kr on Feb 22, 2019.
Kwon YJ, Zhang CI, Pyo HD and Seo YI. 2013. Comparison of models for estimating surplus productions and methods for estimating their parameters. J Kor Soc Fish Tech 49, 18-28. https://doi.org/10.3796/KSFT.2013.49.1.018.

원문보기 상세보기
McAllister M. 2014. A generalized Bayesian surplus production stock assessment software (BSP2). Collect Vol Sci Pap ICCAT 70, 1725-1757.
Meyer R and RB Millar. 1999. BUGS in Bayesian stock assessments. Can J Aquat Sci 56, 1078-1087. https://doi.org/10.1139/f99-043.

상세보기
Millar R and Meyer R. 2000. Non-linear state space modelling of fisheries biomass dynamics by using Metropolis-Hastings within-Gibbs sampling. J Roy Stat Soc C-App 49, 327-342. https://doi.org/10.1111/1467-9876.00195.

상세보기
Polacheck T, Hilborn R and Punt A. 1993. Fitting surplus production models: comparing methods and measuring uncertainty. Can J Fish Aquat Sci 50, 2597-2607. https://doi.org/10.1139/f93-284

상세보기
Punt A. 1990. Is B1K an appropriate assumption when applying an observation error production-model estimator to catch-effort data?. S Afr J Marine Sci 9, 249-259. https://doi.org/10.2989/025776190784378925
Schaefer M. 1954. Some aspects of the dynamics of populations important to the management of the commercial marine fisheries. Sr Imter Amer Trop T 1, 23-56.
Schnute J. 1977. Improved estimates from the Schaefer production model: theoretical considerations. J Fish Board Can 34, 583-603.

상세보기
Sohn MH, Yang JH, Park JH, Lee HW, Choi YM, Lee JB. 2013. Stock assessment and optimal catch of blackfin flounder Glyptocephalus stelleri in the east sea, Korea. Korean J Fish Aquat Sci 46, 598-606. http://dx.doi.org/10.5657/KFAS.2013.0598.

원문보기 상세보기
Spiegelhalter D, Thomas A, Best N and Lunn D. 2003. Win-BUGS user manual, version 1.4. Medical Research Council Biostatistics Unit, Cambridge, U.K., 60.
Uhler R. 1980. Least squares regression estimates of the Schaefer production model: some Monte Carlo simulation results. Can J Fish Aquat Sci 37, 1284-1294. https://doi.org/10.1139/f80-164.

상세보기
Walters CJ and Hilborn R. 1976. Adaptive control of fishing systems. Can J Aquat Sci 33, 145-159. https://doi.org/10.1139/f76-017.

상세보기
Winker H, Carvalho F and Kapur M. 2018. JABBA: just an - other bayesian biomass assessment. Fish Res 204, 275-288. https://doi.org/10.1016/j.fishres.2018.03.010.

상세보기
Zhang CI, Kim SA and Yoon SB. 1992. Stock assessment and management implications of small yellow croker in Korean waters. Korean J Fish Aquat Sci 25, 282-290.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증