Skip to main content

A regional meta-model for stock–recruitment analysis using an empirical Bayesian approach

Buy Article:

$50.00 plus tax (Refund Policy)


A regional stock–recruitment meta-model is developed using a hierarchical Bayesian framework to combine information from multiple fish populations. The use of the meta-model is illustrated through analysis of the regional stock–recruitment parameters of the coho salmon (Oncorhynchus kisutch) within two large fisheries management units in southern and northern British Columbia. We construct our regional prior distribution from an analysis of all stock-recruitment data rather than by the more usual approach of assuming a prior distribution. That preliminary analysis indicated that the regional prior distribution for the two parameters of the Ricker model was bivariate normal–lognormal (NLN) with a high degree of correlation between the two Ricker parameters. Because this distribution had not been fully developed, we formulated the density function for the NLN distribution and proved some of its important properties. An empirical Bayesian approach was then used to estimate the regional distributions of the Ricker parameters and derived management parameters. Characterization of the distributional properties of productivity within management regions is a necessary step for resource managers seeking to prosecute mixed-stock fisheries while conserving population diversity.

Nous avons mis au point un métamodèle de stock–recrutement régional à l'aide d'un cadre hiérarchique Bayésien dans le but de combiner les renseignements provenant de plusieurs populations de poissons. Nous proposons en exemple de notre méta-modèle une analyse des paramètres régionaux de stock–recrutement de saumons coho (Oncorhynchus kisutch) provenant de deux grandes unités de gestion de la pêche dans le sud et le nord de la Colombie-Britannique. Nous avons basé la distribution régionale a priori sur une analyse de toutes les données de stock–recrutement au lieu de simplement assumer une distribution a priori comme on le fait couramment. Cette analyse préliminaire a révélé que la distribution régionale a priori des deux paramètres du modèle de Ricker est de type normal–lognormal (NLN) à deux variables avec un fort degré de corrélation entre les deux paramètres. Parce que la distribution n'avait pas été complètement décrite, nous avons calculé la fonction de densité de la distribution NLN et mis en lumière certaines de ses propriétés importantes. Une méthode empirique Bayésienne nous a ensuite permis d'estimer les distributions régionales des paramètres de Ricker et d'obtenir les paramètres de gestion. La caractérisation des propriétés de la distribution de la productivité dans une unité de gestion est une opération essentielle lorsque les gestionnaires d'une ressource cherchent à maintenir l'exploitation d'une pêche commerciale comprenant plusieurs stocks tout en conservant la diversité de la population.[Traduit par la Rédaction]

Document Type: Research Article

Publication date: September 1, 2002

More about this publication?
  • Published continuously since 1901 (under various titles), this monthly journal is the primary publishing vehicle for the multidisciplinary field of aquatic sciences. It publishes perspectives (syntheses, critiques, and re-evaluations), discussions (comments and replies), articles, and rapid communications, relating to current research on cells, organisms, populations, ecosystems, or processes that affect aquatic systems. The journal seeks to amplify, modify, question, or redirect accumulated knowledge in the field of fisheries and aquatic science. Occasional supplements are dedicated to single topics or to proceedings of international symposia.
  • Information for Authors
  • Submit a Paper
  • Subscribe to this Title
  • Terms & Conditions
  • Sample Issue
  • Reprints & Permissions
  • Ingenta Connect is not responsible for the content or availability of external websites

Access Key

Free Content
Free content
New Content
New content
Open Access Content
Open access content
Partial Open Access Content
Partial Open access content
Subscribed Content
Subscribed content
Free Trial Content
Free trial content
Cookie Policy
Cookie Policy
Ingenta Connect website makes use of cookies so as to keep track of data that you have filled in. I am Happy with this Find out more