Skip to main content

Performance of artificial neural networks and discriminant analysis in predicting fishing tactics from multispecific fisheries

Buy Article:

$50.00 plus tax (Refund Policy)

Abstract:

In the Mediterranean, bottom trawlers are multispecific and frequently apply different fishing tactics (FTs) even during the same fishing trip. Up to four individual FTs were distinguished in the study area where fishermen usually use mixtures of different FTs in daily fishing trips. Identifying the FTs actually performed is a key issue in traditional stock assessment methods. In this paper, we compare the performance of discriminant analysis and artificial neural networks for predicting FTs from the species composition of daily sale bills. We used data on the landings of each vessel from daily sale bills along with information on the FT actually performed, which was obtained by onboard observers who interviewed skippers about the FTs that they planned to employ. Discriminant analysis and artificial neural networks achieved comparable overall results and the success of predictions depended on both the sample size of the different data subsets (balancing) and the similarity between the species composition of different FTs (overlapping). Although the percentage of correct predictions was high for FTs with more than 25 cases, success decreased when the sample sizes were small. In addition, success in predicting mixtures of two different FTs increased with increasing dissimilarity between their corresponding species compositions.

Dans la Méditerranée, les chalutiers de fond sont multispécifiques et ils utilisent fréquemment différentes tactiques de pêche (FTs) même durant une seule sortie en mer. Nous avons identifié jusqu’à quatre FTs différentes dans la zone d’étude où les pêcheurs utilisent une combinaison de FTs différentes dans leurs sorties journalières de pêche. L’identification des FTs effectivement utilisées est une donnée essentielle pour les méthodes traditionnelles d’évaluation des stocks. Dans notre étude, nous comparons la performance de l’analyse discriminante et des réseaux de neurones artificiels pour prédire les FTs à partir des compositions d’espèces des factures quotidiennes de vente. Nous utilisons des données sur les débarquements de chaque navire tirées des factures de vente, ainsi que des informations sur les FTs effectivement utilisées obtenues par des observateurs à bord qui ont interrogé les capitaines sur les FTs qu’ils comptaient utiliser. L’analyse discriminante et les réseaux de neurones artificiels fournissent globalement des résultats comparables et le succès des prédictions dépend à la fois de la taille de l’échantillon des différents sous-ensembles de données (équilibrage) et de la similarité de la composition spécifique des différentes FTs (chevauchement). Bien que le pourcentage de prédictions justes soit élevé pour les FTs représentées par plus de 25 cas, le succès décroît lorsque la taille des échantillons est petite. De plus, le succès de la prédiction pour des mélanges de deux FTs différentes augmente en fonction directe de la dissemblance entre leurs compositions spécifiques respectives.

Document Type: Research Article

Publication date: February 1, 2009

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
nrc/cjfas/2009/00000066/00000002/art00006
dcterms_title,dcterms_description,pub_keyword
6
5
20
40
5

Access Key

Free Content
Free content
New Content
New content
Open Access Content
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