پیش‌بینی روند تغییرات صید ماهی یال اسبی سر بزرگ (trichiurus lepturus linnaeus, 1758 ) در آب‌های جنوب کشور (خلیج‌فارس و دریای عمان)

هدف از این مطالعه، توسعه چارچوبی است که از روش‌های مختلف پیش‌بینی استفاده کرده و بهترین گزینه را با حداقل خطاهای احتمالی پیش‌بینی می‌کند تا برداشت از ذخایر ماهی یال اسبی در خلیج‌فارس و دریای عمان را پیش‌بینی کند. در این تحقیق، یازده روش‌ پیش‌بینی مختلف شامل روش تجزیه (چندگانه و تجمعی)، میانگین متحرک، هموارسازی تصاعدی (تکی و جفتی)، روند آنالیز (خطی، تصاعدی، درجه دو و منحنی شکل)، روش وینتر (چندگانه و تجمعی) جهت پیش‌بینی روند تغییرات ماهی یال اسبی انجام گرفت. نتایج حاصل از مدل آنالیز روند درجه دو (mape = 2.77، mad = 0.10,،msd = 0.01,) بهتر از سایر مدل‌ها پیش‌بینی غیرترکیبی بر اساس مقادیر خطای کمتر بود و در نهایت پیش‌بینی در مدت پنج سال با استفاده از همان مدل انجام شد. مدل‌های پیش‌بینی ترکیبی مختلف اریما (arima, (p , d, q)) بر اساس شاخص bic, aic امتحان شد و اریما مدل (0و1و1) بهترین تناسب را با روند تغییرات ماهی یال اسبی در آب‌های ساحلی جنوب کشور داشت. به نظر می‌رسد مدل پیش‌بینی ترکیبی بهتر از مدل پیش‌بینی غیرترکیبی، بازگوکننده آینده باشند و اعداد پیش‌بینی آن، نشان‌دهنده نوسانات صید کم این گونه در آب‌های جنوب کشور است.

Catch changes trend prediction of the Largehead hairtail (Trichiurus lepturus Linnaeus, 1758) in Iranian southern waters (Persian Gulf and Oman Sea)

The purpose of this study was to develop a framework that uses different forecasting methods and selects the best one with the least possible forecasting errors to predict harvesting of Largehead Hairtail (Trichiurus lepturus) stocks in the Persian Gulf and Sea of Oman. In this study, eleven different forecasting techniques including decomposition method (Multiplicative and Additive), moving average, exponential smoothing (Single, Double), trend an analysis (Linear, Exponential, Quadratic, SCurve), and Winters method (Multiplicative and Additive) were performed by statistical technique to predict harvesting of T. lepturus stocks in the Persian Gulf and Sea of Oman. The results of model Quadratic Trend Analysis (MAPE=2.77, MAD=0.10, MSD=0.01) were better than other noncombined prediction models based on fewer error values and therefore a prediction was accomplished by using the same model for a period of five years. Various models used to identify orders of the autoregressive integrated moving average, ARIMA, (p, d, q) based on the AIC and BIC, and ARIMA (0, 1, 1) had the best fit with the process of changing T. lepturus annual landings in the southern coastal waters based on the selection criteria. According to the results, the combined prediction model seems to be better than the noncombined prediction model, which predicts the future and its predictive numbers, indicating a low catch fluctuation of this species in Iranian southern waters.