Skip to main content

Evaluating the performance of Gulf of Alaska walleye pollock (Theragra chalcogramma) recruitment forecasting models using a Monte Carlo resampling strategy

Buy Article:

$50.00 plus tax (Refund Policy)

Abstract:

Multiple linear regressions (MLRs), generalized additive models (GAMs), and artificial neural networks (ANNs) were compared as methods to forecast recruitment of Gulf of Alaska walleye pollock (Theragra chalcogramma). Each model, based on a conceptual model, was applied to a 41-year time series of recruitment, spawner biomass, and environmental covariates. A subset of the available time series, an in-sample data set consisting of 35 of the 41 data points, was used to fit an environment-dependent recruitment model. Influential covariates were identified through statistical variable selection methods to build the best explanatory recruitment model. An out-of-sample set of six data points was retained for model validation. We tested each model’s ability to forecast recruitment by applying them to an out-of-sample data set. For a more robust evaluation of forecast accuracy, models were tested with Monte Carlo resampling trials. The ANNs outperformed the other techniques during the model fitting process. For forecasting, the ANNs were not statistically different from MLRs or GAMs. The results indicated that more complex models tend to be more susceptible to an overparameterization problem. The procedures described in this study show promise for building and testing recruitment forecasting models for other fish species.

Nous avons comparé les régressions linéaires multiples (MLRs), les modèles additifs généralisés (GAMs) et les modèles statistiques de réseaux de neurones artificiels (ANNs) comme méthodes pour prédire le recrutement de la goberge de l’Alaska (Theragra chalcogramma) dans le golfe de l’Alaska. Nous avons appliqué chaque modèle, basé sur un modèle conceptuel, à une série chronologique de 41 années de données sur le recrutement, la biomasse des reproducteurs et les covariables de l’environnement. Un sous-ensemble de la série chronologique disponible, soit un ensemble de données provenant de l’échantillon consistant en 35 des 41 points de données, a servi à ajuster un modèle de recrutement dépendant de l’environnement. Des méthodes statistiques de sélection des variables ont permis d’identifier les covariables les plus influentes afin de bâtir le meilleur modèle explicatif du recrutement. Un ensemble de six points de données hors de l’échantillon a été gardé pour la validation des modèles. Nous avons testé la capacité de chaque modèle à prédire le recrutement en appliquant le modèle à un ensemble de données hors de l’échantillon. Pour une évaluation plus robuste de la justesse de la prédiction, nous avons testé les modèles avec des essais de rééchantillonnage de Monte Carlo. Les ANNs surpassent les autres techniques durant le processus d’ajustement des modèles. Pour ce qui est de la prédiction, les ANNs ne sont pas statistiquement différents des MLRs et des GAMs. Les résultats indiquent que les modèles plus complexes ont plus tendance à souffrir de problèmes de surparamétrisation. Les procédures que nous décrivons sont prometteuses pour l’élaboration et l’ajustement des modèles de prédiction du recrutement chez d’autres espèces de poissons.

Document Type: Research Article

Publication date: March 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
  • ingentaconnect is not responsible for the content or availability of external websites
nrc/cjfas/2009/00000066/00000003/art00002
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
ingentaconnect 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