探討空間異值性對於估計魚類豐度之影響

由本所博士班學生許蓁，本所老師張以杰副教授，及美國國家海洋漁業局（NOAA）太平洋島嶼漁業科學中心Nicholas D. Ducharme-Barth博士的國際合作團隊，發展利用漁業資料進行估計魚類豐度指標（fish abundance index）的研究方法。研究成果於2022年8月發表在Fisheries Research期刊。（https://doi.org/10.1016/j.fishres.2022.106440）

魚類豐度指標的時間變動對於資源評估及漁業管理是不可或缺的科學數據，由於研究船調查資料（survey data）通常不易取得，漁業資料（fishery-dependent data）則常用來進行魚類豐度指標的估計。然而，使用漁業資料（例如，單位努力漁獲量，CPUE）進行估計時，往往需要校正漁撈方法、漁船行為改變、船長經驗等對CPUE影響，即所謂CPUE標準化。此外，魚類密度在空間上不均勻的分布亦造成漁業資料有採樣誤差。因此，探討漁業資料空間異值性（spatial heterogeneity）對於魚類豐度指標估計之影響是漁業研究上一門重要的課題。

該團隊利用台灣秋刀魚漁業資料，透過統計方法廣義線性混合模型（Generalized Linear Mixed Models，GLMMs）探討五種空間處理方法（圖一）：目視法（Ad hoc）、二元遞迴分法（Binary）、空間集群分析法（Spatial clustering；考慮兩種密度權重），及向量自迴歸時空模型（Vector Autoregressive Spatio-Temporal，VAST）對於秋刀魚豐度估計結果之影響。此外，使用電腦模擬（computer simulation）在假設“真實”魚類豐度指標已知的情況下，探討兩種採樣情境下：隨機（random sampling）和優先（優先採樣於高豐度海域， preferential sampling）空間採樣（圖二），五種空間處理方法之優劣。

研究結果指出，秋刀魚的豐度受GLMM模型中所考慮的時空效應（spatio-temporal effect）之影響最大，這可能是漁撈活動或魚群分布隨著時間而在空間上改變所造成的。無論在實際漁業資料或電腦模擬研究中，VAST在統計上都優於其他方法，並且VAST所估計的豐度與已知的“真值”相比，誤差和偏差皆為所有方法中最小（圖三，黑色盒狀圖）。電腦模擬結果也指出當漁業資料來自優先採樣時，空間集群分析法（Spatial0.1，魚類密度權重高）會導致估計的豐度產生明顯的誤差及偏差（圖三右邊橘色盒狀圖）。但是另一個空間集群分析法（Spatial1，魚類密度權重低），其所估計豐度結果的準確性和VAST不相上下（圖三右邊綠色盒狀圖）。本研究建議未來估計魚類豐度研究，在VAST無法使用時，Spatial1是一個可接受的替代方法。

此外，該研究發展一個診斷分析工具探討GLMM模型中各項效應對於校正前後魚類豐度指標的年間變動影響（influence analysis），並公開該方法原始程式碼於GitHub 平台供其他學者使用。雖然該項研究是以秋刀魚為例，但研究方法可廣泛適用於其他漁業。因此，可以被作為進行魚類估計豐度的標準工具。

延伸閱讀：Hsu, J., Chang, Y. J., and Ducharme-Barth, N. D. (2022). Evaluation of the influence of spatial treatments on catch-per-unit-effort standardization: A fishery application and simulation study of Pacific saury in the Northwestern Pacific Ocean. Fisheries Research, 255, 106440. (DOI: https://doi.org/10.1016/j.fishres.2022.106440)

原始程式碼分享連結：https://github.com/jhenhsuNTU/spatial.treatment.influ.analysis.manuscript

台灣遠洋秋刀魚棒受網漁船的作業情況（行政院農委會漁業署提供）。