每年有多少條魚出生？

了解特定年份有多少魚產卵（一種稱為“年級強度”的衡量標準，意味著在特定產卵年份存活下來的魚類數量）對於做出有關管理魚類種群的明智決策至關重要。但由於繁殖的自然波動、死亡率的變化和捕撈水平的不同，檢測這一點可能會很複雜。密歇根州自然資源部的 Ji He 博士和美國地質調查局的 Charles Madenjian 博士進行的一項新研究表明，估計這些魚類數量的兩種主要方法會產生非常相似且可靠的結果。該研究發表在《魚類》雜誌上。

何博士和馬登堅博士使用數十年的魚類研究數據比較了兩種方法。這兩種方法都使用一種稱為線性混合效應模型的統計模型來區分魚齡、捕獲年份和出生年份的影響。 “利用多年的數據收集和線性混合效應模型，我們能夠研究魚類產量、魚類行為和捕撈壓力每年的變化情況。”何博士解釋道。

第一種方法稱為縱向分析，在幾個連續的年齡中使用重複測量，並且不依賴於魚類數量隨年齡下降的模式。根據稱為 Akaian 信息標準的統計評估系統，在多種可能的數據擬合方法中，有一種模型被選為最佳模型。該模型最初關注放養魚類和野生魚類的出生年份。另一種模型受到另一種稱為貝葉斯信息準則的統計工具的青睞，它首先關注魚的年齡。儘管這些模型看待數據的方式略有不同，但它們得出了幾乎相同的結果，並對數據進行了類似的解釋。

第二種方法稱為捕獲量曲線回歸，它使用廣泛的魚齡以及魚類數量隨年齡下降的模式。這種方法通常用於估計死亡率，假設從特定年份的數據收集中，年齡組之間所有可能的年級強度差異都可以忽略不計，He 博士和 Madenjian 博士沒有使用不切實際的假設。相反，他們利用給定時間段內多年的數據，在相似的環境條件、捕撈實踐和管理的情況下，將年份強度估計與死亡率估計結合到捕撈曲線回歸的廣義應用中。對於兩個不同時間段中的每一個，基於 AIC 或 BIC 比較的最佳模型再次不相同，但給出了相似的結果。 “根據 Akaike 的標準，將出生年份作為最佳模型中的固定因素來估計的年份類別模式和趨勢與根據 Schwarz 的標準，將出生年份作為最佳模型中的隨機因素來估計的年份類別模式和趨勢是一致的，”Madenjian 博士說。

何博士和馬登堅博士的研究結果尤為重要，因為了解魚類種群的補充動態一直面臨挑戰。魚類補充通常以單個年齡的魚類豐度來衡量，但很難維持基於調查的補充指數，特別是在生態系統發生巨大而快速變化的情況下，例如休倫湖的湖鱒魚歷史。何博士和馬登健博士的研究強調了另一種可能更有效的方法。正如Madenjian博士指出的，“可以充分探索年度生物數據收集，以可靠地重建年級活力”，在已發表的研究中，使用基本的、免費的統計軟件，特別是管理人員和生物學家方法都可以使用的R包“nlme”，進行了縱向分析和捕獲曲線回歸的廣義應用。專業資源。何博士補充道：“這兩種方法都可以提供對年級強度的可靠估計，儘管當年級魚類經歷兩個成年死亡率差異較大的時期時，第一種方法比第二種方法更準確。”