مدل سازی سری زمانی صید ماهی سفید دریای خزر (rutilus frisii) با استفاده از مدل sarima

سابقه و هدف:  ماهی سفید (rutilus frisii) مهمترین گونه اقتصادی ماهیان استخوانی دریای خزر است که از ارزش حفاظتی و تجاری بالایی برخوردار می‌باشد. در سال های اخیر میزان صید این گونه روندی کاهشی را نشان داده است. شناخت الگوهای زمانی موجود در مقادیر صید این ماهی می تواند در اتخاذ برنامه های مناسب برای حفظ ذخایر و بهره برداری پایدار موثر واقع شود. بدین منظور در مطالعه حاضر به مدلسازی سر ی های زمانی صید این گونه در طول یک دوره 10 ساله پرداخته شد .مواد و روش‌ها: دادهای صید تجاری ماهی سفید به صورت صید در واحد تلاش صیادی (cpue) در بازه زمانی فصول صید 3.2002 تا 12.2011 در در صیدگاه های پره ساحلی در شمال ایران مورد استفاده قرار گرفت. در صیدگاه های پره ساحلی در شمال ایران مورد استفاده قرار گرفت. میانگین متحرک مکانی 5-نقطه ای جهت تفکیک نقاط صید در بازه های اپتیمم (مقادیر cpue نرمال شده ≥ 0.6) و غیراپتیمم (مقادیر cpue نرمال شده < 0.6) بکار گرفته شد. از مدل میانگین متحرک خودهمبسته یکپارچه فصلی (sarima) بر مبنای فواصل فصلی سه ماهه جهت مدلسازی سری های زمانی داده های صید استفاده گردید. مجموعه ای از شاخص ها شامل معیار اطلاعاتی آکایکه (aic)، معیار اطلاعاتی بیژین (bic)، ریشه میانگین مربعات خطا (rmse)، ریشه میانگین مربعات خطای نرمال شده (nrmse)، میانگین خطای مطلق (mae)، میانگین خطای مطلق نرمال شده (nmae) و ضریب همبستگی پیرسون (r) جهت ارزیابی عملکرد مدل ها و دقت پیش بینی های حاصل از آن ها مورد استفاده قرار گرفتند. روند تغییرات میزان صید در طول دوره پنج ساله 2013 تا 2017 نیز با استفاده از مدل های sarima با بهترین عملکرد برای بازه های صیدگاهی پیش بینی شد.نتایج و بحث: در مجموعه نقاط صیدگاهی (wr)، پنج بازه اپتیمم (hr) و شش بازه غیراپتیمم (cr) تشخیص داده شد. مدل های سری زمانی sarima برازش یافته بر مبنای داده های کل صیدگاه ها و داده های تفکیک شده برای بازه های اپتیمم و غیراپتیمم، فاقد مولفه های معنی دار خود همبسته و میانگین متحرک برای تغییرات غیرفصلی بودند به طوریکه هیچ روند کاهشی یا افزایشی مشخصی برای مقادیر cpue وجود نداشت، در حالیکه در برخی از بازه های نقاط صید مولفه های معنی دار خود همبسته و میانگین متحرک در ارتباط با نوسانات فصلی ثابت افزایشی مشاهده شد. روند کلی صید در بیشتر بازه های صیدگاهی نشان دهنده افزایش مقادیر cpue از سال 2002 تا 2006 و سپس روند کاهشی از سال 2009 تا 2013 بود. در سری های زمانی دارای نوسانات ناگهانی، برآوردهای بدست آمده از دقت کمتری برخوردار بودند، اما بازه های صیدگاهی فاقد نوسانات ناگهانی در داده ها، بیشترین سطوح دقت برآوردها و پیش بینی روندها را نشان دادند. بیشتر پیش بینی های بدست آمده برای دوره زمانی 2013 تا 2017 نیز تغییرات ایستایی کلی همراه با روندهای فصلی افزایشی مشابه را نشان دادند .نتیجه‌گیری: مدلسازی سری‌های زمانی صید ماهی سفید (r. frisii) با استفاده از مدل sarima بیانگر وجود الگوهای فصلی افزایشی مشهود و عدم نوسانات کلی در گستره زمانی مورد مطالعه برای تمامی نواحی صیدگاهی بود. سادگی مدل های بدست آمده بر اساس مولفه های فصلی و غیرفصلی، عمدتاً ناشی از بازه زمانی کوتاه و تعداد کم مشاهدات بوده است، هر چند تفکیک مکانی نواحی صید به مدل هایی نسبتاً دقیق تر و قابلیت تشخیص بهتر منتج گردید. یافته های حاصل از این پژوهش می تواند در شناخت بهتر روندهای تغییرات زمانی سطوح صید ماهی سفید و بکارگیری آن توسط مدیران شیلاتی جهت اتخاذ برنامه های مدیریتی کارآمد در ارتباط با ذخایر این گونه در آینده مفید واقع گردد .

time series modelling of the caspian kutum (rutilus frisii) catch using sarima model

introduction: the caspian kutum (rutilus frisii) is one of the most important bony fish speciesof the caspian sea and has high conservation and commercial value. there were decreasingtrends in its catch levels in the last years. identifying temporal trends of its catch could helpadopt proper plans to maintain the stocks of this important species and achieve sustainableexploitation goals. in the present study, we conducted a time-series analysis for catch data ofthe species over a decadal period.material and methods: the commercial catch data of caspian kutum, over the seine netfishing points of the northern coastal regions of iran during catch seasons 2002/03 to 2011/12,were used as catch-per-unit-of-effort (cpue). a 5-point moving average of cpue was used todistinguish the fishing points as optimum (with normalized cpues ≥ 0.6) and non-optimum(with normalized cpues < 0.6) fishing locations. time series modeling was conducted usingthe seasonal autoregressive integrated moving average (sarima) model based on seasonal 3-month intervals. the performance and predictive ability of the models were assessed using aset of indices, including akaike’s information criteria (aic), bayesian information criterion(bic), root mean squared error (rmse), normalized root mean squared error (nrmse), meanabsolute error (mae), normalized mean absolute error (nmae) and the pearson correlationcoefficient (r). cpue trends over the five years of 2013 to 2017 were predicted using the bestfittedsarima models.results and discussion: five optimum (hr) and six non-optimum ranges (cr) were identifiedover the whole fishing points range (wr). the fitted sarima models based on the whole dataof all fishing locations as well as classified optimum and non-optimum ranges of fishinglocations did not have significant non-seasonal autoregressive and moving averagecomponents, indicating no increasing nor decreasing trends for cpue over the study period,while for some of the ranges of fishing points, there were significant autoregressive and movingaverage components with clear seasonal increasing trends. the overall trend of cpues showedmainly an increase from 2002 to 2006, and then after relatively constant levels, there weredecreases from 2009 to 2013. the obtained predictions from the models for data sets havingsudden temporal fluctuations were less accurate. in contrast, higher accuracy levels ofpredictions and trends were observed for fish catch time series with no sudden alterations incpue levels over the studied period. most of the obtained predictions for 2013-2017 similarlypresented stationary fluctuation trends with apparent seasonal increases in cpues.conclusion: time-series modeling for r. frisii using the sarima method mainly indicatedclear increasing seasonal trends without any general trend of change over the whole fishingpoints. the simplicity of the obtained models considering the obtained seasonal and nonseasonalcomponents could be explained by the short time frame and the low number of datapoints. however, spatial classification of fishing points resulted in more detailed models andhigher recognition potential of them. the findings of this research could lead to a betterunderstanding of the temporal trends in catch levels of caspian kutum and use them by fisheriesmanagers to adopt efficient management plans regarding the available stocks of this species inthe future.