Skip to main content

Estimating reference fishing mortality rates from noisy spawner–recruit data

Buy Article:

$50.00 plus tax (Refund Policy)

Abstract:

We review and evaluate methods of estimating reference fishing mortality rates from spawner–recruit (SR) data to obtain maximum sustainable yield. Using Monte Carlo simulations, we found that a reference fishing mortality rate derived from the maximum likelihood estimates of the SR parameters was less biased than reference fishing mortality rates obtained using the mode of the marginal probability distribution for the maximum rate that spawners produce recruits or by finding the fishing mortality rate that maximizes the expected yield. However, the maximum likelihood method produced the most variable estimates, at times leading to substantial under- or over-exploitation of the population. In contrast, the decision theoretic method of maximizing the expected yield exhibited less variability, produced higher yields, and substantially reduced the risk of overexploiting the population. We show how these methods can be extended to include information from other populations. Bayesian priors for the SR parameters, obtained through meta-analyses of population dynamics at some higher organizational level (e.g., the species), may be used to assess the plausibility of parameter estimates obtained for a single population or combined with the data for the population of interest. Reference fishing mortality rates are then estimated from the resulting joint posterior distribution.

Nous examinons et évaluons les méthodes pour estimer les taux de référence de la mortalité due à la pêche à partir des données de reproducteurs–recrues (SR) afin d'obtenir le rendement maximal soutenable. L'utilisation de simulations de Monte Carlo indiquent qu'un taux de référence de la mortalité due à la pêche dérivé d'estimations de vraisemblance maximale des paramètres SR comporte moins d'erreur qu'un taux obtenu en utilisant le mode de la distribution de la probabilité marginale du taux de production maximale de recrues par les reproducteurs ou alors en trouvant le taux de mortalité due à la pêche qui maximise le rendement attendu. Cependant, la méthode de vraisemblance maximale produit les estimations les plus variables, ce qui quelquefois mène à d'importantes surexploitations ou sous-exploitations de la population. En revanche, la méthode basée sur la théorie de décision qui maximise le rendement attendu produit moins de variabilité, donne des rendements plus élevés et réduit de façon importante le risque de surexploiter la population. Nous montrons que ces méthodes peuvent être étendues de manière à inclure de l'information provenant d'autres populations. Les distributions bayésiennes a priori des variables SR, obtenues par méta-analyse de la dynamique de population à un niveau d'organisation supérieur (e.g., l'espèce), peuvent servir à évaluer la vraisemblance des estimations des variables obtenues pour une seule population ou combinées avec des données de la population en question. Les taux de référence de mortalité due à la pêche sont ensuite estimés à partir de la distribution jointe a posteriori obtenue.[Traduit par la Rédaction]

Document Type: Research Article

Publication date: September 1, 2004

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
X
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