Skip to main content

Incorporating temporal variation in the growth of red abalone (Haliotis rufescens) using hierarchical Bayesian growth models

Buy Article:

$50.00 plus tax (Refund Policy)

Abstract:

Many marine species exhibit temporal variation in individual growth. Yearly variation in growth has been identified for red abalone (Haliotis rufescens) in southern California, USA, but has not been previously incorporated into growth models. In this study, Bayesian hierarchical models were developed to describe variability in growth rates for the Johnsons Lee red abalone population. Although the Bayesian hierarchical modeling estimates are close to estimates of the nonhierarchical highly parameterized model that assigns an estimate of parameters to each data period when the sample sizes are high, the hyperparameters in the hierarchical model are more useful in incorporating the temporal variability into the stock assessment. By ignoring temporal variability, confidence intervals of the estimates of growth can be unrealistically narrow, possibly leading to bias when these models are used for developing biological reference points such as F0.1, Fmax, or Fx%. The use of a Bayesian hierarchical approach is generally suggested for future growth modeling and for per-recruitment models that include growth when determining precautionary management decisions.

Plusieurs espèces marines accusent des variations temporelles dans leur croissance individuelle. Des variations annuelles de croissance ont été signalées chez les ormeaux rouges (Haliotis rufescens) dans le sud de la Californie, É.-U., mais elles n’ont jamais été incorporées aux modèles de croissance. Nous avons mis au point, dans notre étude, des modèles hiérarchiques bayésiens pour décrire la variation des taux de croissance dans la population d’ormeaux rouges de Johnsons Lee. Bien que les estimations produites par la modélisation hiérarchique bayésienne soient proches des estimations d’un modèle non hiérarchique fortement paramétrisé qui assigne une estimation des paramètres à chaque période de données lorsque les tailles des échantillons sont fortes, les hyperparamètres du modèle hiérarchique sont plus commodes pour incorporer la variabilité temporelle dans l’évaluation des stocks. Lorsqu’on néglige la variabilité temporelle, les intervalles de confiance des estimations de la croissance peuvent être de façon irréaliste trop étroits, ce qui peut mener à des erreurs lorsque ces modèles servent à la détermination de points de référence biologiques, tels que F0,1, Fmax ou Fx%. Nous suggérons donc d’utiliser de façon générale une méthode hiérarchique bayésienne pour la modélisation de la croissance et dans les modèles par recrutement qui incluent la croissance lorsqu’on prend des décisions préventives de gestion.

Document Type: Research Article

Publication date: April 1, 2010

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