REPORT OF THE 2009 SAILFISH STOCK ASSESSMENT

SCRS/2009/012
Collect. Vol. Sci. Pap. ICCAT, 65(5): 1507-1632 (2010)
REPORT OF THE 2009 SAILFISH STOCK ASSESSMENT
(Recife, Brazil, June 1-5, 2009)
SUMMARY
The Meeting was held in Recife, Brazil from June 1 to 5, 2009. The objective of the meeting was
to carry out stock assessments of the Atlantic sailfish.
RESUME
La réunion s’est tenue à Recife (Brésil) du 1er au 5 juin 2009. Celle-ci avait pour objectif de
réaliser des évaluations du stock de voiliers de l’Atlantique.
RESUMEN
La reunión se celebró en Recife, Brasil, del 1 al 5 de junio de 2009. El objetivo de la reunión
era realizar evaluaciones de stock de pez vela del Atlántico.
1. Opening, adoption of Agenda and meeting arrangements
Dr. Fabio Hazin, Chairman of the Commission, and Dr. Sergio Mattos, of the Brazilian Special Secretariat for
Aquaculture and Fisheries, welcomed participants and offered to do anything necessary to facilitate an efficient
meeting. Dr. Victor Restrepo (ICCAT Secretariat) thanked the Brazilian hosts for the excellent arrangements
made for the meeting.
The meeting was chaired by Dr. David Die (USA). Dr. Die welcomed Working Group participants and reviewed
the objectives of the meeting in the context of the work-plan for the billfish species group (Appendix 4). The
Agenda (Appendix 1) was adopted with a minor change in the order of items. The List of Participants is
attached as Appendix 2. The List of Documents presented at the meeting is attached as Appendix 3.
The following participants served as rapporteurs for various sections of the report:
Section
1, 8
2
3
3.1
3.2
3.3
4
5-7
Rapporteurs
V. Restrepo
C. Wor, F. Arocha, M. Ortiz, G. Diaz
D. Die, V. Restrepo
E. Prince and F. Hazin
M. Ortiz, V. Restrepo, H. Andrade, D. Die
G. Scott, P. Goodyear, F. Arocha
P. Goodyear, J. Hoolihan
D. Die
2. Update of data for assessment
2.1 Catch estimates
The group spent considerable effort to split historical SAI/SPF catches into the two species for those fleets that
required it because for many years they reported sailfish and spearfish together: Japan, Korea and Chinese
Taipei. Analyses were conducted on the proportion of sailfish in the sailfish/spearfish aggregate reported by
scientific observers for all longline fleets. Although sailfish and spearfish spatial distributions broadly overlap,
there are significant differences in relative concentrations by location and fleet (Figures 1-3). Inspection of the
1507
proportion of sailfish indicates that sailfish represent higher proportions of the total along coastal areas and in the
tropics, while spearfish proportions are higher in mid-ocean to the north and south of the tropics.
Ratios of sailfish counts versus the sum of sailfish and spearfish counts from observer data by 5x5 degree grid
have a very uneven distribution in time, space (Table 1) and between fleets (Figures 1-3). The same can be said
about the relative distribution of longline catch of the aggregate of sailfish and spearfish (Table 2). A review of
the ratio of observer counts per reported ton caught by 5x5 degree square also showed an unbalanced distribution
(Table 3). Most of the equatorial areas have a larger number of observer counts per ton, while the temperate and
higher latitudes have very few observations relative to the catch of SAI and SPF (Table 3). A binomial model
(Appendix 5) was used to smooth these differences and obtain predictions of the proportion of sailfish for each
location where some data were available for a given fleet. Such model predictions reflect the effects of the
factors incorporated in the model, fleet, quarter, area (coastal/equatorial, or elsewhere) and distance from the
equatorial convergence zone (3 degrees North). Predictions by quarter can only be made for those fleets where
data by quarter is available, namely USA, Taipei, Spain, Venezuela and Brazil. In the case of the Japanese fleet,
and because the only data available to the group for such fleet is aggregated for the entire year, predictions are
made for the entire year and not by quarter. For a given fleet these predictions were only made for the grid and
quarter combinations for which there were at least 20 observations for a given quarter.
In order to develop predicted ratios for quarter-grids where no observer data was available a combined ratio was
calculated for each grid. This combined ratio was calculated as the average of the model predictions available for
such grid from all fleets and all quarters. This ratio therefore represents an average of the predictions for a grid
and does not vary with quarter. For the Korean fleet only these ratios are used. For those grids where there were
no predictions available because there was no observer data, an average of the neighboring cell-ratios was used.
Any grids at latitudes greater than those in the matrix (~ 50 degrees) are assumed to have 0% sailfish.
The resulting ratios were then used to separate the catches of SAI and SPF for the fleets that had reported them
as combined (Table 4).
The Secretariat updated the Task I SAI/SPF dataset through 2007 based on the latest reported data and the
catches of longliners calculated during the meeting. For those fleets that had recent catches but no reported catch
for 2007, the group decided to use the average 2004-2006 catch. The resulting catches by flag and stock (Table
5) were used in the assessment to estimate the total catches by stock (Figure 4).
2.2 Biology
2.2.1 Sex ratio
New information on the seasonality of sex ratio-at-size was presented for the western central Atlantic from the
Venezuelan pelagic longline fishery and artisanal drift gillnet fishery (SCRS/2009/025). The overall sex ratio of
sailfish caught by the two Venezuelan fisheries was 0.346, indicating a strong dominance by males. Seasonal
(quarterly) sex ratio by size for the combined fisheries throughout most of the season was at its lowest for sizes
<165 cm LJFL. Sex ratio at size increased steadily up to 185 cm LJFL, where it levels or stops at 0.75, for
sizes >165 cm LJFL. Seasonal (quarterly) sex ratio by size and by fishery displayed different trend patterns. In
the pelagic longline fishery the trend reversed in comparison to the combined fisheries trend and that of the
artisanal fishery. Males were more dominant at larger sizes (>170 cm LJFL). It can be concluded that the
findings presented in relation to the proportion of female-at-size suggests that fishing mortality may differ by
sex, dependent on gear and season, but its patterns are not yet fully understood.
2.2.2 Tagging data
SCRS/2009/47 presented an update on the US conventional tagging data for the Atlantic sailfish, spanning over
55 years, comprising 92,201 tagged sailfish and 1,896 recaptures. No trans-Atlantic or trans-equatorial
movements were registered, suggesting that sailfish in the western North Atlantic have a rather coastal
distribution with no evident movement to the eastern Atlantic and South Atlantic Ocean.
Depth and temperatures preferences based on data from PSAT tags were presented for both western North and
South Atlantic Ocean (SCRC/2009/048, and SCRS/2009/063, respectively). Data from the western North
Atlantic referred to 16 sailfish tagged in the southern Gulf of Mexico and the Straits of Florida. The results
demonstrated a close association of sailfish with the warm shallow layers (<20 m), although presenting
numerous repeated short-duration vertical movements below the local thermocline to depths of 50-150 m. The
PSAT temperature data showed that sailfish spent over 90% of their time in waters ranging from 25°C to 29°C.
1508
The information obtained from two sailfish tagged in the western South Atlantic, off the Brazilian southeast
coast, showed a similar pattern to those tagged in the North Atlantic; that is, both fish spent most of their time in
the upper ten meters, displaying occasional deep dives.
2.2.3 Behavior
A reference paper (Mourato et al., in review) presented a Generalized Regression Analysis and Spatial
Prediction (GRASP) model, applied to catch and effort data from the Brazilian tuna longline fleet (1998-2006)
and size (lower jaw-fork length) data from ICCAT. The results suggested that the spatial catch probabilities are
related to distance from coast; and, that larger specimens are more frequent to the west of 40oW, as well as to the
east of 25oW. The largest proportion of the sailfish caught off the Brazilian coast, from 25oW to 40oW, is
comprised of individuals <155.0 cm LJFL.
2.3 Catch rates and relative abundance estimates
Three documents were presented to the Group that were related to catch rate issues but did not provide estimates
of indices of abundance. These are described below.
Document SCRS/2009/048 presented the characterization of sailfish habitat utilization based on data collected
from 16 PSATs deployed in the southern Gulf of Mexico between 2005 and 2007 aboard a commercial longline
vessel. The results indicated the sailfish were primarily associated with surface waters less than 20 m depth. But,
they exhibited numerous repeated vertical movements below the local thermocline to depths of 50-150m. These
results indicated that sailfish vertical distribution coincides with the depths fished by shallow-set pelagic
longlines and that the repeated deep dives may still allow for interactions with deep-set longlines to occur.
However, the Group discussed that because the data were collected from short-term deployments (10 days), the
results might not fully reflect normal sailfish behavior. It has been suggested that after a catch-release event
sailfish behavior may be erratic for up to 10 days.
Document SCRS/2009/049 applied a habitat-based standardization methodology (statHBS), which is based on
assumptions about temperature preferences of species and the depth distribution of longline hooks, to develop
relative abundance indices of sailfish based on U.S. longline observer data. Inspection of the observer data
indicated that sailfish were almost never caught by the U.S. longline fleet east of 73°W and declined rapidly at
surface temperatures less than 24°C. Most encounters by the US longline fleet were along the eastern coast of
the US and in the Gulf of Mexico. The analyses of catch per unit of effort were restricted to those areas and to
the months when sea surface temperature was ≥24°C. The time series of observer data available for analysis was
from 1992 to 2006, with preliminary data from 2007 also available. The statHBS methodology is based on
matching preferred habitat variables for the species to the depths of the longline hooks recorded in the longline
observer database. Observed temperatures occupied by sailfish from PSAT data were used to form priors of their
habitat preferences. The CPUE fitted with statHBS was similar to the nominal CPUE. Both series showed wide
variation in relative abundance that was probably a result of low sample sizes and annual variations in the
distributions of the fishery, as a result of time-area closures implemented in 2001. More detailed computations of
hook depths and spatial treatment may improve the results, but the paucity of the data suggests this may not lead
to useful results.
Document SCRS/2009/051 analyzed billfish catches obtained during a survey conducted on the Spanish
commercial surface longline in which three types of hooks and two types of baits were tested in the inter-tropical
areas of the Atlantic using 263,210 hook-bait observations. The catch rates and proportion of positive sets were
analyzed using a GLM (Delta-lognormal) at the species level. Zone was the most important factor (alone or in
interaction with others) in explaining the catch rates and/or the proportion of positive sets of most billfish species
caught. The factors tested (hook and bait) were not significant for any of the billfish species. Despite the lack of
significance found for both factors, the results suggest that alternative hooks could produce changes in the mean
CPUE of billfish of between –13% and +9% depending on the species and hook type used. The alternative bait
(squid) might also produce changes in mean CPUE from around –7% to +18%. The interaction between the
alternative hooks and bait could lead to changes in mean CPUE of between –24% to +45% depending on the
combination of both factor and species considered. The model assumed was appropriate for both BUM and SPF
but for other billfish species alternative error distributions could be explored. The selection of the area and the
experimental design could play a decisive role when predicting the advantages or disadvantages of using certain
elements in a fishing gear, particularly in the case of species with low prevalence in which the proportion of zero
observations tends to be high.
1509
2.3.1 Relative abundance estimates
Document SCRS/2009/032 presented standardized catch rate from the Côte d’Ivoire artisanal fishery. This
artisanal gillnet fishery was very active between 1988 and 2008 and landings include large tuna, tuna like,
billfishes and swordfish. A generalized linear model was used to provide standardized CPUE indexes for
Atlantic sailfish. The model included three explanatory factors, namely “year”, “month” and “quarter” with
interaction between them. The standardized CPUE, for the period considered, showed a strong downward trend.
Document SCRS/2009/054 presents the updated version of the analyses of the Senegalese artisanal fishery that
were presented originally during the 2008 sailfish data preparatory meeting. It contains estimates of relative
abundance indices for the period (1989-2006) and suggests a slight downward trend in abundance albeit in the
presence of high inter-annual variability.
Document SCRS/2009/033 presented standardized catch rates from the Venezuelan pelagic longline fleet
(kg/1000 hooks) estimated using data collected by scientific observers. The period covered by the index was
1991-2007. The standardization procedure used a GLM model with a delta-lognormal error assumption.
Variables included in the analysis were year, vessel, area, season, bait, and fishing depth. The estimated index
showed a declining and highly variable trend from 1991 through 2001, when it reached the lowest value of the
time series, and a clear increasing trend from 2001 through 2007.
Document SCRS/2009/045 presented standardized CPUE estimates for the US pelagic longline fleet for the
period 1986 through 2008. Standardization was performed using a GLM approach assuming a delta lognormal
error distribution. Standardization procedures included the variables location, season, and year. Other variables
that were included to reflect different fishing practices were hook type, number of lightsticks, target species,
mainline length and a categorical classification of US vessels based on a predefined set of variables (e.g., size
and type of vessel, area of operation, etc.). Indexes of abundance were estimated from mandatory logbook
records (in number of fish and weight / 1000 hooks) and from data collected by scientific observers (weight /
1000 hooks). All three indexes showed similar trends with a decline from 1992 through about 2005 and an
increase in the last 2 years of the time series. It was indicated that in the last 2 years the US greatly increased the
observer coverage in the Gulf of Mexico to 75-80% (of the number of fishing sets). Therefore, the increasing
trend observed in those 2 years could be an artifact reflecting better coverage and reporting.
Document SCRS/2009/046 presented standardized indexes of abundance for the U.S. recreational fishery
estimated from (1) fishing tournaments during 1973-2008 (RBS), and (2) a data collection survey of recreational
fisheries during 1981-2008 (MRFSS). Catch rates were estimated as the number of fish / 1000 fishing hours.
Only data from tournaments targeting sailfish using live bait were used in the estimation of catch rates. A GLM
approach was used and the variables included were year and season. Location was not included because all
tournaments were located in the same US domestic management area (Florida East Coast). Because more than
95% of the records (catch and effort per day) showed catches of sailfish, only one model was fitted (catch rate)
assuming a lognormal error distribution. In the case of the index estimated from the data collection survey, a
GLM assuming a delta lognormal error distribution was used. Separate models were fitted to the proportion of
positive trips (proportion of recreational fishing trips that caught at least one sailfish – binomial error
distribution) and the catch rate of positive trips (lognormal error distribution). The variables included were area,
season, type of trip, and inshore vs. offshore waters. Although both indexes were estimated using data covering
different geographic ranges and data collection systems, they showed remarkably similar abundance trends. The
lowest value of both indexes corresponded to year 1982 and an increasing trend was observed from 1982 through
the late 1990s. A sharp drop was observed in the period 2000-2001 and an increasing trend since then.
Document SCRS/2009/066 presented standardized catch rates for the Brazilian longline fishery for the period
1978-2008. A GLM approach with a delta lognormal error assumption was used to estimate two standardized
indexes. Both indexes included the factors year, area, and quarter in the standardization procedure. One index
also included a ‘target’ factor estimated through cluster analysis. Both indexes showed similar trends but the
index that included the factor ‘target’ was much more variable. For that reason, in the assessment, the Group
decided to use the index without the ‘factor’ target.
Document SCRS/2009/067 presented standardized CPUEs for sailfish caught by Japanese longliners in the
Atlantic for the period 1994-2007. The sensitivity test conducted with the Habitat model for the vertical
distribution pattern of sailfish revealed that the model was very robust to changes in the distribution of
probability of presence in shallower layers but sensitive to the changes in the distribution in deeper layers.
Estimates of standardized CPUE obtained with the GLM approach for data off West Africa were similar to those
1510
obtained by the Habitat model that used vertical distribution patterns from swordfish but applied to the sailfish
data.
The group agreed that the lack of an uninterrupted time series of relative abundance for the Japanese longline
and the Chinese Taipei longline would compromise the assessment process. Thus an attempt was made to
calculate such indices during the meeting by analyzing 5x5 CATDIS data available at ICCAT (Appendix 6).
The Group reached the same conclusion regarding the lack of an index for the Ghanaian fishery, and similarly
decided to make an attempt to use the available data at the meeting to develop an index for such fishery
(Appendix 7).
The final list of indices of abundance (Table 6) that were available to the Group included those reported earlier
in this section plus a few available from previous assessments: the Venezuelan recreational (Alio and Marcano,
2001), Japanese longline (Yokawa and Takeuchi, 2002) and Chinese Taipei (Anon. 2002) from the 2001
assessment, and the Venezuelan Gillnet (Arocha et al. 2009) and Brazil sport (Mourato, et al. 2009) from the
2008 data preparatory meeting. Annual values for each index are available on Table 7 and Table 8 and are
displayed in Figure 5.
2.3.2 Calculation of combined indexes of abundance
The combined indices were estimated using a GLM approach assuming a log-error for the CPUE and the factors
included in the model were ’fleet’ and ‘year’. Final estimates were obtained by back-transforming the least
square means (LSMEANS) and correcting for bias using the standard error of the final model. Three alternative
combined indexes were estimated: 1) un-weighted, 2) weighted by the annual catch of each fleet, and 3)
weighted by the number of 5x5 degree grids fished by each fleet in each year. Combined indexes of abundance
were estimated for the western and eastern stocks, respectively.
Western stock
The indexes used for the western stock were the JPN LL-1, JPN LL-2, TAI LL-1, TAI LL-2, TAI LL-3, US RRRBS, US LL-PLL (kg), VEN RR, VEN GIL, VEN LL, BRZ RR, and BRZ LL.
In the case of the recreational fisheries of Brazil and the United States, catches of 0.1 t were assigned for those
years when recreational catches were not included in the Task I table (Brazil 1996-2007 and US 2003-2007).
The number of 5x5 degree grids fished by each commercial fishery was obtained from CATDIS, which provides
the catch of each fleet by grid and by quarter. For each fleet, the quarter with the largest number of grids fished
was identified for each year and that number of grids was assigned to the entire year.
In the case of the Brazil longline fishery, which had no information in CATDIS for the last six years of the time
series (2003-2008), the average number of grids fished during the period 2000-2002 was assigned to the missing
years. For the recreational fisheries the Group used a number of grids estimated using the knowledge and
experience of national scientists. The number of grids for the Brazil, Venezuela, and U.S. recreational fisheries
was estimated to be 2, 4, and 5, respectively. The estimated combined indexes of abundance are shown in Table
9 and Figure 6.
Eastern stock
The combined index for the eastern stock was estimated using the indexes CIV GIL, GHN ART, SEN ART, JPN
LL-1, and JPN LL-2. Combined indexes were estimated using the same statistical models and weighting
schemes used for the western stock and are shown in Table 9 and Figure 6.
3. Assessment
The group agreed to use several methods, focusing primarily on production model analyses. Several variants of
these were used: ASPIC (Prager, 1994, assuming a Schaefer production function), Schaefer-type and Fox-type
models programmed in Excel, and a Bayesian Schaefer-type model (Andrade and Kinas, 2007). In addition,
there were other analyses with less data demands: Two analyses based on CPUE trends (without taking catch
into account), and an analysis of trends in mean sizes and the spread of size distributions.
1511
3.1 Stock structure: alternative scenarios
The initial analyses for defining Atlantic sailfish stock structure were first conducted at the Second ICCAT
Billfish Workshop in Miami, FL, in 1992 (Anon. 1994). At this meeting, the billfish working group examined
three kinds of data for this purpose: genetic analyses (Graves and McDowell (1994), tagging data (Bayley and
Prince, 1994), and average size of the landings in the western and eastern Atlantic (Anon. 1994). There were no
indications of multiple genetic stock structures, nor were there tag recapture evidence indicating trans-Atlantic or
trans-equatorial movements. However, the 1992 billfish working group did find that there were highly
significant differences in average size (in length, lower jaw fork length, cm) of sailfish landings between
east/west and thus a east/west management unit was considered appropriate at that time (Anon. 1994). There was
a recommendation during the current meeting that these three protocols might be a basis for choosing alternative
stock structure hypotheses provided time constraints permit this option.
It was concluded that for consistency/continuity with past sailfish assessments, the working group, at a
minimum, should proceed under a two stock structure hypothesis; i.e. West and East Atlantic. Discussions on
possible exploratory runs with alternative stock structure hypotheses were discussed and most of the comments
had a caveat that in a 5 day assessment meeting, it was unlikely that the working group would have time to make
additional runs. Opinions ranged from recommending no exploratory runs to running a possible South West or
East/South West aggregate alternative (because of the geographical proximity of the eastern tip of Brazil and
West /Africa).
Orbesen et al. (SCRS2009/047) updated conventional tagging data on sailfish and pointed out that even though
conventional tag deployments for sailfish were nearly twice as high as any of the other major target species
(almost 100,000), no trans-Atlantic nor trans-equatorial movements have been documented over the past 55
years. Given the total number of deployments and sailfish having the highest recovery rate among istiophorid
billfish (second highest recovery rate among target species), the fact that sailfish are the only species that has not
had a documented trans-Atlantic nor trans-equatorial movements was significant. Orbesen et al.
(SCRS/2009/047) suggested that this further demonstrates the more coastal distribution of this species compared
to the marlins and spearfish. The longest confirmed sailfish displacement movement was about 2,100 nautical
miles (Orbesen et al. SCRS/2009/047), so this species can move long horizontal distances but the exact route of
this movement cannot be determined with conventional tagging. SCRS/2009/047 also offered other insights on
data that might be considered in selecting alternative stock structure hypotheses. For example, it was pointed out
that the eastern edge of the hypoxic plume that extends eastward off the West African coast (Prince and
Goodyear, 2006) comes within 148 nm of coastal Brazil and thus this dominant oceanographic feature might be
shared between the these two groups of sailfish (SW and E). The authors felt that this might support combining
these groups. In addition, the geographical proximity of Brazil to the West coast of Africa (about 1,500 nautical
miles) suggests it might be more likely that sailfish trans-Atlantic movements could eventually be documented
with sufficient tag release efforts, rather than from the western North Atlantic to the African coast (~ 3,500
nautical miles) or to the south Atlantic (about 3,000 nautical miles). Mourato et al. (SCRS/2009/067) reported on
2 PSAT deployments off southern Brazil and also hypothesized that trans-Atlantic movements of sailfish might
be most probable between Brazil and west Africa, although the tracks of these fish did not necessarily support
such movements. Mourato et al., (in review) discussed their findings and found that sailfish in the East Atlantic
off the West coast of Africa were larger than those in the SW Atlantic off Brazil. These findings confirm
previous reports that eastern Atlantic sailfish landings are larger than in the western Atlantic (Beardsley 1980,
Anon. 1994, Prince and Goodyear 2006).
At the end of the discussion, the working group felt that an alternative to the currently accepted two-stock
east/west scenario would be to consider two stock scenarios but with a northwest stock and a South and East
stock. Nevertheless, due to time constraints, it was decided that alternative hypotheses should only be made after
the initial model runs were done if time allowed it. At the end, there was no time available during the meeting to
conduct assessments for the alternative stock scenario.
3.2 Production model assessments
Production models were fitted with ASPIC, to Schaefer-type and Fox-type models programmed in EXCEL, and
to a Bayesian Schaefer-type model (Andrade and Kinas 2007). A large number of different combinations of
models and relative abundance sets were fitted by various scientists present at the meeting. After all results were
made available, the group jointly developed a synthesis of production model results.
1512
3.2.1 ASPIC model runs
Production models were fitted for the eastern and western sailfish stock units using different combinations of the
available indices of abundance and different versions of the ASPIC package. All runs were conducted with
ASPIC 5. Details of the many combinations of indices attempted are presented in Appendix 9, but they ranged
from using only combined indices developed by the group to using combinations of single indices. Cases that
used combinations of indices varied from those that used all available indices, to some cases where only the
indices of certain type of fishery were used (e.g. only longline indices, only artisanal etc.). Some cases used
different versions of a given index, such as the different versions of the Japanese longline index or the US
recreational indices. All together there were 9 cases considered for the East and 15 for the West. Many of the
estimations used the standard FIT procedure in ASPIC while others provided bootstrapped estimates. Iterative
reweighting was only attempted in two cases. In all cases it was necessary to constraint the initial biomass to K
for ASPIC to converge. Initial parameter guesses were provided for the carrying capacity K, MSY, and the
catchability (q) coefficients for each index series used.
Results of the various fits were widely variable, especially for the eastern stock where the number of data series
and temporal range is shorter. Management parameters (MSY, Biomass ratios and Fishing mortality ratios) and
population productivity parameters (r and K) showed great variation among cases. For both stocks, however,
there were cases that produced parameter estimates that were not likely to be plausible, indicating that certain
combinations of abundance indices do not contain enough information for a reasonable fit.
If one uses the bootstrap estimates of parameter uncertainty to evaluate the quality of the fit it is clear that those
cases that have less uncertainty in the estimates were obtained when all available indices were used without been
combined into a single index (Figure 7 and Figure 8).
The resulting biomass and fishing mortality patterns predicted by these fits varied greatly, and sometimes
indicated severe depletion of biomass whilst others suggested little effects of fishing. The same can be said about
fishing mortality with some cases indicating large increases leading to strong overfishing whilst others did not
(Table 10).
Estimates of current stock status are generally highly uncertain for any given case, as shown by the distribution
of estimates produced by the bootstrap for the most recent values of fishing mortality rates and biomass (Figure
9), and the estimates of recent biomass and fishing mortality ratios are highly correlated. Also correlated are the
estimates of FMSY and BMSY (Figure 10).
3.2.2 Effects of down-weighting of historical data and of the choice of surplus production function
The effect of down-weighting the earlier CPUE data in the production model using the combined index was
examined by implementing a production model in EXCEL. The combined index (obtained by weighting the
available series in proportion to their catch) was used in the production model, with equal weights by year in one
case, and with a tri-cubic down-weighting of the data in the other case. The corresponding weights in a given
year (yi) were either equal to 1.0, or given by:
1
2007
47
The effect of model choice was examined by fitting either a Schaefer or a Fox-type model:
1
1
for the Schaefer model, and
for the Fox model.
In all cases, the initial (1956) biomass was assumed to equal K (Figure 11 and Table 11). Not surprisingly, for a
given surplus production function, results obtained with the down-weighted CPUEs were more optimistic than
were those obtained with equal weighting. And, generally, for a given choice of weights, the Fox model gave
more optimistic results. The only exception to this was the current ratio of F/FMSY estimated with the Fox model
with equal weighting, which was higher than the same ratio estimated with the Schaefer model (5.40 vs 4.25).
1513
During discussion, the Group noted that production model fits obtained with downweighting historical data and
using a single CPUE index were similar to the fits obtained using multiple indices with equal weighting. This
phenomenon has been observed with other assessment tools as well.
3.2.3 Bayesian production model
A Bayesian production model, as described in Appendix 8, was applied to combined indices weighted by catch.
After some discussion two priors (informative and non-informative) were built using multivariate student
distributions. Marginal densities of the priors used in both Bayesian models for the West and East Atlantic are
shown in Figure 12.
Preliminary results showed that the mixed importance functions obtained using adaptive importance sampling
(AIS) were similar to the posteriors as indicated by entropy calculations. Empirical distributions, obtained using
SIR after the AIS approximation to the posterior, showed to be different than the priors. This was encouraging in
the sense the data appears to be somewhat informative. Nevertheless, the fit of models as evaluated by
comparing the observations and the predictions were very poor. The model was not able to track down the
indices for the early years. Therefore the group decided to also try the following weighting function in order to
assign heavier weights to indices for recent years:
  max y   yi  3 
wi = 1  
 
n
 
 
3
where y is the vector with the years, w i is the weight for the ith year and n is the number of years that has
information about the index of abundance. The results obtained with the weighting function were similar to those
gathered by not using it, hence only the results as calculated with the original indices are shown here.
Western stock
Fittings of the models are poor to the large indices observed in the early years and the decrease in the 1970's no
matter if a penalty function was applied (Figure 13). Biomass decreased from the beginning of the data series.
Finally linear models fitted to the predictions for the more recent years suggest negative slopes though the slope
of linear models fitted to observed indices are close to zero.
A summary of the parameters and of reference points as calculated using the posterior estimations are in Table
12. All estimations points to pessimistic scenarios. If we rely on the median estimations (50% quantiles) the
actual biomass is close to half the BMSY, while the catch in the last year of the time series is 1.3 times the catch in
the MSY. Nevertheless, one might keep in mind that those estimations are from a model that do not fit well the
observed data.
Eastern stock
Fittings of the models were poor just like for the analysis of the West Atlantic. The large indices and variability
observed in the early years cannot be fitted by the model (Figure 14 - left panels). Biomass decreased from the
beginning of the data series. Finally linear models fitted to the predictions for the more recent years tends to be
negative though the slope of linear models fitted to observed indices are close to zero.
A summary of the parameters and of reference points as calculated using the posterior estimations are in Table
13. All estimations points that depends on biomass estimations are even more pessimistic than those gathered for
the west. If we rely on the median estimations (50% quantiles) the actual biomass is close to 0.15 times BMSY.
Although the catch in the last year of the time series analyzed (2007) is bellow the CMSY but, notice that most of
the catches in the last decade were larger than CMSY. Like in the analysis for the West, one might keep in mind
that those estimations are from a model that did not fit well with the observed data.
3.2.4 Summary of production model analyses
Examination of the estimates of r and K for the different cases suggested that not all cases provided satisfactory
fits. Three cases in particular produced results that are clearly no plausible, cases O3, O4 and O11 with the first
two estimating r values of 4.0 for the eastern stock and the last one estimating a carrying capacity of close to
900,000 t for the western stock. These cases are not considered in further analyses. Of the remaining cases some
1514
produced parameter estimates that were also unlikely to be plausible. To identify such cases the values of r and
K for all production model fits were plotted together (Figure 15). Most estimates line up along a curve of the
type shown in the estimates obtained through bootstrapping an individual case, but a few clearly depart from
such a pattern. Cases G3, G4 for the East and G1 and W3 for the West produced estimates of r ≤0.01 and case
O2 and the tri cubic Fox EXCEL fit for the west produced r values ≥ 0.9. These six cases were also not
considered in subsequent analyses leaving a total of six useful cases for the Eastern stock and nineteen for the
western stock.
It is important to note the type of parameter/model combinations that these excluded cases represent (Table 14).
In general, ASPIC, had difficulty fitting to the combined indices for the eastern stock and tended towards a
solution with very low r, often smaller than 0.01. As expected, the Bayesian production model was able to
provide solutions with more reasonable values of r, in spite of the fact that it did use the combined index for the
East. Although a similar result was observed for a few of the cases that used the combined indices for the West,
more often than not ASPIC was able to find reasonable solutions when combined indices were used for the
western stock. In those cases where only one type of fleet index was used, (e.g. only recreational indices or only
longline indices in the West), again ASPIC again tended not to converge to reasonable solutions. In summary,
simple production models, such as ASPIC or the EXCEL implementation developed by the group successfully
provided estimates of population parameters for many, but not all cases where different combination of indices
were attempted. On the other hand, the Bayesian production model provided more consistent results, most likely
helped by the establishment of reasonable, albeit not always informative, priors for these population parameters.
Still, it is clear that the choice of indices used often changed the estimates of production model parameters. This
included those having management implications such as the ratios of biomass and fishing mortality that inform
us about present stock status.
Once these non-plausible solutions are excluded from the analysis a clearer picture appears on the condition of
these stocks. First, the group examined the uncertainty associated with process error: here considered only as the
choice of production model (ASPIC, EXCEL or Bayesian) and relative abundance index (Figure 15). There is
large uncertainty in the values of r for both stocks, but there is a tendency for those of the eastern stock (0.1-0.6)
to be greater than those for the western stock (0.02-0.3), suggesting the eastern stock is more productive. This is
consistent with other observations related more directly to productivity (Prince and Goodyear 2006). The range
of sizes of the virgin stock is also wide, from 20,000 to 60,000 t, however, it is not clear whether the eastern
stock is larger than the western stock.
The estimates of MSY and K are strongly correlated for the different cases of the eastern stock (Figure 16). This
may reflect the fact that there are a fewer number of indices for the East and those available are often shorter in
time. Therefore there was less of an opportunity to establish different hypotheses, explaining the lower number
of ASPIC cases for the East. All cases attempted did not find a unique estimate of MSY because the response
surface had no clear overall maximum. The MSY estimates obtained for the eastern stock range from 1,300 to
2,500 t. Estimates of MSY and K for the western stock are more variable. K has a similar range than that for the
East, but MSY estimates are lower, varying mostly from 500 to 1,200 t but with two low estimates of 100 and
300 t respectively (Figure 16).
All except one of the estimates of the recent biomass ratio (B2006/BMSY) and fishing mortality ratios (F2007/FMSY)
for the eastern stock indicate overfishing is taking place and the stock is overfished (Figure 17). For the western
stock results are again more variable, with 9 cases indicating that there is overfishing and that the stock is
overfished and 7 indicating that there is either no overfishing, or that the stock is not overfished or both (Figure
17). In general the most pessimistic cases in the West are those using combined indices, and the most optimistic
cases are those that using various combinations of single indices.
To examine the uncertainty associated with “observation error” the group used the results of the bootstrapped
estimations from ASPIC and the posterior estimates from the Bayesian model. Estimates of uncertainty for
model parameters were also greater for the eastern stock than for the western stock, but they remain large for
both (Tables 10, 12 and 13). For example, the ratio of B2006/BMSY estimated from the Bayesian model with
informative priors for the eastern stock and with a combined index was 0.15, but 25% and 75% percentiles
corresponded to 0.11 and 0.22, respectively. For the western stock equivalent numbers were 0.47, for the
estimate and 0.36 and 0.60 respectively for the same percentiles. Estimates of the same ratio obtained from
bootstraps of ASPIC fits to an eastern combined index (case F1) were 0.24, for the estimate and 0.12 and 0.39
for the 25% and 75% percentiles. Similarly ASPIC fits to a complete set of available indices for the West (case
O9) provided a best estimate of 1.01, and estimates of 0.91 and 1.24 for the 25% and 75% percentiles (Figure
18). In general, cases that used individual indices exhibited less uncertainty than those that used combined
1515
indices. Bootstrap and Bayesian estimates of uncertainty showed considerable uncertainty for the recent biomass
and fishing mortality ratios, with some solutions differing completely on the questions of whether there is
overfishing or the stock is overfished, as illustrated in Figure 18.
3.3 Other assessment analyses
In addition to production model fits additional analyses were conducted to provide insight on stock status. These
included examination of recent trends in relative abundance on the basis of CPUE indices alone, development of
model free reference points and an analysis of changes in size structure of the catch.
3.3.1 Recent trends in abundance
Analyses of CPUE indices were conducted to investigate the trends in abundance that do not make any
assumption of whether there is an underlying production model or any other population model. Additionally,
other analyses following the procedures outline in Anon. (2007) were conducted to determine recent changes in
abundance.
In order to compare the recent abundance trends (1990-2006) that can be inferred from CPUE indices these
indices were scaled to the mean of each index (Table 15, Figure 19). These scaled indices were smoothed using
Generalized Additive Models with a Loess function (GAMLoess). Most of these indices fluctuate without a
trend during this period and only few show a clear declining trend such as the US Pelagic longline indices for the
western stock or a clear increasing trend such as the US MRFSS index, also for the western stock (Figures 20
and 21).
3.3.2 Correlations between indices
Robust estimates of the correlation between the various available recent CPUE indices for SAI-West and SAIEast (1990-2007) were obtained using the Pearson method (Table 16). Generally, there was poor correlation
between the twelve available indices except for the Japanese Longline and the US MRFSS indices for the
western stock that are strongly positively correlated. These latter indices fluctuate without a trend over the period
1990-2006.
3.3.3 Median changes in relative abundance
Another approach applied to examine relative changes in abundance as evidenced by the available CPUE indices
was a robust procedure to estimate confidence intervals for the median ratios of the indices of one year relative
to the indices for another year. We estimated the 95% confidence intervals using the binomial distribution for the
median of the CPUE ratios relative to the standard year 2000, following the procedures described by Conover
(1980). Ten indices were used for SAI-West and four for SAI-East. For each index in a given year, the ratio of
that index value relative to year 2000 was computed. Then, estimates of the confidence interval for the ratio each
year were obtained from the relative values (Figure 22 and Figure 23).
3.3.4 Model-free reference points
Estimates of B/BMSY were made for each of the three combined indices for the eastern and western stock using
the methods in Goodyear (2003). The method exploits the change in relative abundance (CPUE) between the
beginning and ending of the available time series. It was also assumed that a Beverton-Holt stock recruitment
relation was appropriate for sailfish. For the eastern stock, the average relative abundance at the beginning of the
time series was estimated as the average of the first five years of CPUE (1967-1971) and the most recent relative
abundance was estimated as the average for the last five years of available CPUE (2003-2007). The resulting
estimates of B/BMSY for the eastern stock ranged from 0.08 to 0.19 with a mean of 0.13 for the unweighted, and
the two weighted CPUE time series (Table 17). Restricting the analysis to begin with the 1980 data which omits
the early years of high abundance estimates resulted in a more optimistic range for B/BMSY of 0.43 to 0.71 with a
mean of 0.54.
B/BMSY was similarly estimated for the western stock using the 1961-1965 mean CPUE for the beginning of the
time series and the mean for the last five years of available data (2004-2008) as a measure of recent relative
abundance. These assumptions lead to B/BMSY estimates for the western stock that ranged from 0.58 to 1.83 with
a mean of 0.77 (Table 17). Restricting the analysis to begin with the 1973 data which omits the early years of
high abundance estimates resulted in a more optimistic range for B/BMSY of 0.80 to 1.99 with a mean of 1.32.
1516
3.3.5 Size data trends
Using the length frequency information (centimeters, lower jaw-fork length) for six fleets from SAI-West and
five fleets from SAI-East, we looked for signals suggesting change in year-class strength over the period 19702007. In addition, basic statistical information (25% quartile, median and 75% quartile) was calculated for each
fleet by year to elicit any possible trend of catch-at-size. The lengths of the individual fleet time series varied
greatly and were often sparse.
The size frequency quartiles are illustrated for the western stock are presented in Figure 24 and Table 18. Both
the Brazil and Venezuela long-term plots had slight variability, but overall were largely flat and stable. On the
other hand, the Japanese data indicated high variability, a factor possibly attributable to the spatial distribution of
fishing effort. The Chinese Taipei series was too short (1980-1983) to suggest a trend.
The size frequency quartiles for the eastern stock are illustrated in Figure 25 and Table 19. Here, the Cote
d’Ivoire gillnet data suggested a slight variability in year-class strength, but was largely stable over the period
1984-2006. The Japanese longline data were highly variable for the period spanning 1974 to 2005. Again, this
may be associated with the spatial distribution of fishing effort. The data from Ghana gillnet, Brazil longline, and
Chinese Taipei longline all suggested year-class variability, but the time series were too short to conclude any
trends.
3.4 Summary of assessment results
It is the first time that ICCAT has been able to conduct a full assessment of both Atlantic sailfish stocks through
a range of models and by using different combinations of data sources. It is clear that there remains considerable
uncertainty regarding the stock status of these two stocks, however, many assessment model results present
evidence of overfishing and of evidence that the stocks are overfished, more so in the east than in the west.
Although some of the results suggest a healthy stock in the west, few suggest the same for the east. The eastern
stock is also assessed to be more productive than the western stock, probably providing a greater MSY. The
eastern stock is likely to be suffering stronger overfishing and most probably has been reduced further below the
level that would produce the MSY than the western stock. Reference points obtained with model free methods
reach similar conclusions.
Examination of recent trends in abundance suggest that both the eastern and western stocks suffered their
greatest declines in abundance prior to 1990; and, since then no strong evidence suggests an increase, or
decrease, in abundance for either of them. In general there is low correlation between individual indices for this
period, although some individual indices clearly decline or increase.
Examination of available length frequencies provide similar results to those obtained previously for marlins,
namely, that average lengths or length distributions have not changed much during the period where there are
observations, thus reducing the value of using length as an indicator of fishing pressure.
4. Management implications
Both the eastern and western stocks of sailfish may have been reduced to stock sizes below BMSY in recent years,
but there is considerable uncertainty, particularly for the west as various production model fits indicated the
biomass ratio B/ BMSY both above and below 1.0. The results for the eastern stock were more pessimistic in that
more of the results indicated recent stock biomass below BMSY.
4.1 Eastern stock
East Atlantic sailfish appear to have declined markedly since the 1970s, reaching a low in the early 1990s. The
biomass of the stock shows little, if any, signs of recovery. Inspection of smoothed trends of the individual
relative abundances for the most recent years does not reveal a consistent shift in the recent population
trajectory. Based on the available information, the Group recommends that catches should be reduced from
current levels. It should be noted, however, that artisanal fishermen harvest a large part of the sailfish catch along
the West African coast. The Commission should consider practical and alternative methods to reduce fishing
mortality and to assure data collection systems and timely reporting of catch and effort.
1517
4.2 Western stock
The current western Atlantic assessment suggests that the stock declined over the available time series but has
remained relatively stable since the 1980s. Inspection of the smoothed trends in the individual relative
abundance time series for the last 18 years indicates differences amongst the time series which foster uncertainty
with respect to the current trajectory of this stock. These observations lead the Group to recommend that the
West Atlantic sailfish catches should not exceed current levels. It should be noted however, that the recreational
fisheries in this area are almost entirely a catch and release fishery. Also this component of the fishery for
sailfish has been adopting technologies in recent years to minimize the mortality of released sailfish, even
without management intervention. Commercial landings are prohibited in the US. Also, artisanal fishermen
harvest a large part of the western sailfish catch.
4.3 Other issues
The distribution of sailfish indicates a relatively high concentration extending across the tropical Atlantic from
Brazil to the western coast of Africa. This relatively continuous band strongly suggests genetic exchange
between the eastern and western stocks, and may also imply that at least some of the sailfish biomass of the
Eastern stock is supported by production from the southern component of the western stock off Brazil. Whether
this connection is sufficiently important that mixing between the eastern and western stock should be explicitly
considered for assessment and management purposes is uncertain. However, the current relative biomass of the
eastern stock appears to be lower than that in the west. This observation supports the notion that the eastern and
western stocks should be considered separate management units.
5. Executive Summary for sailfish
This item was postponed to be addressed during the 2009 Species Group meetings.
6. Other matters SAI
The group agreed that the SAI stock assessment work carried out during the meeting was to be used as the basis
for 2009 SCRS advice and, as such, no more model runs would be conducted during the Species Group or SCRS
plenary meetings.
7. Other matters, all billfish
The group reviewed progress of the billfish work plan as well as the Enhanced Research Program for Billfish.
Suggestions were made to modify both. It was agreed to circulate these after the meeting to interested scientists,
with a view to having further discussion during SCRS 2009.
8. Report adoption and closure
The report was adopted by correspondence. The Chairman thanked participants for their hard work and the
meeting hosts for their excellent logistical support provided; and then declared the meeting closed.
9. References
Alio, J.J. and Marcano, L.A. 2001, Contrast between the trends of billfish abundance recorded from the sport
fishing activity off Playa Grande Yachting Club and from sport fishing tournaments in the central
Venezuelan coast, during the period 1984-1999. Collect. Vol. Sci. Pap. ICCAT, 53: 291-297.
Anon. 1994, Report of the Second ICCAT Billfish Workshop (Miami. Florida, July 22-29, 1992). Collect. Vol.
Sci. Pap. ICCAT, 41: 13-166.
Anon. 2002, Report of the 2001 Billfish Species Group Session (Madrid, Spain, October 1 to 7, 2001). Collect.
Vol. Sci. Pap. ICCAT, 54(3): 649-754.
1518
Anon. 2007. Report of the 2007 Meeting of the Working Group on Stock Assessment Methods (Madrid, Spain,
March 19 to 23, 2007). Collect. Vol. Sci. Pap. ICCAT, 62(6): 1892-1972.
Andrade, H.E. and Kinas, P.G. 2007, Decision analysis on the introduction of a new fishing fleet for skipjack
tuna in the Southwest Atlantic. Pan-American Journal of Aquatic Sciences (2007) 2 (2): 131-148.
Arocha, F., Ortiz, M., Barrios, A., Debrot, D. and Marcano, L.A. 2009, catch rates for sailfish (Istiophorus
albicans) from the small-scale fishery off Guaira, Venezuela: Period 1991-2007. Collect. Vol. Sci. Pap.,
ICAT 64(6): 1844-1853.
Bayley, R.E., and Prince, E.D. 1994, Billfish tag-recapture rates in the western Atlantic and the ICCAT billfish
tagging program. Collect. Vol. Sci. Pap. ICCAT 42(2): 362-368.
Beardsley, G.L. 1980, Size and possible origin of sailfish, Istiophorus platypterus, from the eastern Atlantic
Ocean. Fish. Bull., 78: 805-808.
Conover, W.J. 1980, Practical Nonparametric Statistics John Wiley and Sons, New York. 493 pp.
Goodyear P. 2003, Biological reference points without models. Collect. Vol. Sci. Pap. ICCAT, 55(2): 633-648
Graves, J.E. and J.R. McDowell. 1994. Genetic analysis of billfish population structure. Report of the second
ICCAT Billfish Workshop. Collect. Vol. Sci. Pap. ICCAT, 41: 505-515.
Mourato, B.L., Hazin, H.G., Lima, C.W., Travassos, P., Arfelli, C.A., Amorim, A.F., Hazin, F.H.V. 2009, Catch
possibilities of sailfish (Istiophorus platypterus) based on environmental factors in the southwestern
Atlantic Ocean. In review. Aqua. Liv. Res. 31 pp.
Mourato, B.L., Amorim, A.F., Arfelli, C.A., Hazin, H.G., Hazin, F.H.V., Wor, C. 2009, Standardized CPUE of
Atlantic sailfish (Istiophorus platypterus) caught by the recreational fishery in southern Brazil (19962007). Collect. Vol. Sci. Pap. ICCAT, 64(6): 1941-1950.
Orbesen, E.S., Hoolihan, J.P., Serafy, J.E., Snodgrass, D., Peel, E.M. and Prince, E.D. 2008, Transboundary
movement of Atlantic istiophorid billfishes among international and U.S. domestic management areas
inferred from mark-recapture studies. Mar. Fish. Rev., 70(1): 14-23.
Orbesen, E.S., Snodgrass, D., Hoolihan, J. P. and Prince, E.D. 2010, Updated U.S. conventional tagging database
for Atlantic sailfish (1956-2009), with comments on potential stock structure. Collect. Vol. Sci. Pap.
ICCAT, 65. In press. (SCRS/2009/047).
Prager, M.H. 1994, A suite of extensions to a non-equilibrium surplus-production model. Fish. Bull. 92: 374389.
Prince, E.D., and Goodyear, C.P. 2006, Hypoxia based habitat compression of tropical pelagic fishes. Fish.
Oceanogr. 15: 451-464.
Yokawa, K., Takeuchi, Y. 2002, Standardization of CPUE for sailfish caught by Japanese longline in the
Atlantic Ocean. Collect. Vol. Sci. Pap, 54(3): 817-825.
1519
RAPPORT DE LA SESSION D’ÉVALUATION
DU STOCK DE VOILIER DE 2009
(Recife, Brésil, 1-5 juin 2009)
1. Ouverture, adoption de l’ordre du jour et organisation des sessions
Dr. Fabio Hazin, Président de la Commission, et Dr. Sergio Mattos, du Secrétariat Spécial de l’Aquaculture et
des Pêches du Brésil, ont souhaité la bienvenue aux participants et ont assuré qu’ils feraient tout le nécessaire
aux fins de l’efficacité de la réunion. Dr. Victor Restrepo (Secrétariat de l’ICCAT) a remercié les hôtes brésiliens
pour l’excellente logistique de cette réunion.
La réunion a été présidée par Dr David Die (Etats-Unis). Dr Die a souhaité la bienvenue aux participants du
Groupe de travail et a examiné les objectifs de la réunion dans le cadre du plan de travail du Groupe d’espèces
des istiophoridés (Appendice 4). L’ordre du jour (Appendice 1) a été adopté avec un changement mineur dans
l’ordre des points. La liste des participants est jointe en tant qu’Appendice 2. La liste des documents présentés à
la réunion est jointe en tant qu’Appendice 3.
Les participants suivants ont assumé la tâche de Rapporteurs pour diverses sections du rapport:
Section
Rapporteurs
1, 8
2
3
3.1
3.2
3.3
4
5-7
V. Restrepo
C. Wor, F. Arocha, M. Ortiz, G. Diaz
D. Die, V. Restrepo
E. Prince et F. Hazin
M. Ortiz, V. Restrepo, H. Andrade, D. Die
G. Scott, P. Goodyear, F. Arocha
P. Goodyear, J. Hoolihan
D. Die
2. Actualisation des données pour l’évaluation
2.1 Estimations des prises
Le Groupe a déployé des efforts considérables afin de séparer les prises historiques de SAI/SPF en ces deux
espèces pour les flottilles qui avaient sollicité cette séparation, après avoir déclaré conjointement les voiliers et
les makaires-bécunes pendant de nombreuses années (Japon, Corée et Taïpei chinois). Des analyses ont été
conduites sur la proportion de voiliers dans le total de voiliers/makaires-bécunes déclaré par les observateurs
scientifiques pour toutes les flottilles palangrières. Bien que la répartition spatiale des voiliers et des makairesbécunes se chevauche largement, il existe de grandes différences dans les concentrations relatives par lieu et
flottille (Figures 1-3). L’examen de la proportion de voiliers indique que la proportion de voiliers est plus élevée
dans toutes les zones côtières et dans les tropiques, alors que la proportion de makaire-bécune est plus élevée au
milieu de l’océan au nord et au sud des tropiques.
La distribution des ratios de nombres de voiliers par rapport au total de voiliers et de makaires-bécunes, d’après
les données d’observateurs, par carrés de 5x5º, est très irrégulière en temps, espace (Tableau 1) et entre les
flottilles (Figures 1-3). Ceci est également le cas pour la distribution relative de la prise palangrière du total de
voiliers et de makaires-bécunes (Tableau 2). Un examen du ratio de nombres par tonne capturés et déclarés par
carrés de 5x5º par les observateurs montrait également une distribution déséquilibrée (Tableau 3). Il y a un
grand nombre d’observations de nombres par tonne capturés dans la plupart des zones équatoriales, alors que les
latitudes tempérées et plus élevées ont bien moins d’observations sur les prises de SAI et de SPF (Tableau 3).
Un modèle binomial (Appendice 5) a été utilisé pour lisser ces différences et obtenir des prédictions sur la
proportion de voiliers pour chaque zone pour laquelle on disposait de données sur une flottille donnée. Ces
prédictions du modèle reflètent les effets des facteurs inclus dans le modèle : la flottille, le trimestre, la zone
(côtière/équatoriale, ou ailleurs) et la distance depuis la zone de convergence équatoriale (3 degrés Nord). Les
prédictions par trimestre ne peuvent être réalisées que pour les flottilles pour lesquelles des données par trimestre
étaient disponibles, à savoir les Etats-Unis, le Taïpei chinois, l’Espagne, le Venezuela et le Brésil. Dans le cas de
la flottille japonaise, et étant donné que les seules données mises à la disposition du Groupe pour cette flottille
sont regroupées pour toute l’année, les prédictions ont été réalisées pour toute l’année et non par trimestre. Pour
1520
une flottille donnée, ces prédictions ont seulement été réalisées pour les combinaisons de grille et de trimestre
pour lesquelles on disposait, au moins, de 20 observations pour un trimestre donné.
Afin de développer des ratios prévus pour les trimestres-grilles ne disposant pas de données d’observateurs, un
ratio combiné a été calculé pour chaque grille. Ce ratio combiné a été calculé comme la moyenne des prédictions
du modèle disponibles pour cette grille à partir de toutes les flottilles et tous les trimestres. Ce ratio représente
donc une moyenne des prédictions pour une grille et ne varie pas en fonction des trimestres. Pour la flottille
coréenne, seuls ces ratios ont été utilisés. Pour les grilles ne disposant pas de prédictions, en l’absence de
données des observateurs, une moyenne des cellules-ratios avoisinantes a été employée. Il a été postulé que
toutes les grilles à des latitudes supérieures à celles de la matrice (~ 50º) ont 0% de voilier.
Les ratios en résultant ont ensuite été utilisés pour séparer les prises de SAI et de SPF pour les flottilles ayant
déclaré ces espèces de façon combinée (Tableau 4).
Le Secrétariat a actualisé le jeu de données de SAI/SPF de la Tâche I jusqu’en 2007, sur la base des dernières
données déclarées et des prises des palangriers calculées lors de la réunion. Pour les flottilles ayant des prises
récentes mais n’ayant pas déclaré de prises en 2007, le groupe a décidé d’utiliser la moyenne des prises de 20042006. Les prises en résultant par pavillon et stock (Tableau 5) ont été utilisées dans l’évaluation pour estimer les
prises totales par stock (Figure 4).
2.2 Biologie
2.2.1 Sex-ratio
De nouvelles informations sur le caractère saisonnier du sex-ratio par taille ont été présentées pour la pêcherie
palangrière pélagique et la pêcherie artisanale de filet maillant dérivant du Venezuela dans l’Atlantique Centre
Ouest (SCRS/2009/025). Le sex-ratio global du voilier capturé par ces deux pêcheries vénézuéliennes
s’établissait à 0,346, indiquant une forte prédominance des mâles. Le sex-ratio saisonnier (trimestriel) par taille
pour les pêcheries combinées pendant la plupart de la saison se situait à son minimum pour les tailles <165 cm
LJFL. Le sex-ratio par taille augmentait de façon constante jusqu’à 185 cm LJFL, où il atteignait ou s’arrêtait à
0.75, pour les tailles >165 cm LJFL. Le sex-ratio saisonnier (trimestriel) par taille et par pêcherie présentait des
schémas différents dans les tendances. Dans la pêcherie palangrière pélagique, la tendance était l’inverse de celle
des pêcheries combinées et de la pêcherie artisanale. Les mâles étaient davantage prédominants aux tailles plus
grandes (>170 cm LJFL). D’après les résultats de la proportion de femelles par taille, on peut déduire que la
mortalité par pêche peut être différente selon le sexe, peut dépendre de l’engin et de la saison mais ses schémas
ne sont pas encore tout à fait compris.
2.2.2 Données de marquage
Le SCRS/2009/047 présentait une actualisation des données de marquage conventionnel des Etats-Unis pour le
voilier de l’Atlantique, sur 55 ans, incluant 92.201 voiliers marqués et 1.896 recapturés. Aucun déplacement
transatlantique ou transéquatorial n’a été enregistré, ce qui suggère que le voilier de l’Atlantique Nord-Ouest a
une distribution plutôt côtière sans mouvement apparent vers l’Atlantique Est ni l’Atlantique Sud.
Les préférences en matière de profondeur et de températures, fondées sur les données provenant de marques
PSAT, ont été présentées pour l’Atlantique Nord-Ouest et Sud-Ouest (SCRS/2009/048 et SCRS/2009/063,
respectivement). Les données de l’Atlantique Nord-Ouest portaient sur 16 voiliers marqués dans le sud du Golfe
du Mexique et le Détroit de Floride. Les résultats ont montré une étroite association du voilier aves les couches
chaudes peu profondes (<20 m), tout en présentant de nombreux déplacements verticaux répétés de courte durée,
en dessous de la thermocline locale jusqu’à des profondeurs de 50-150 m. Les données de température PSAT
montraient que le voilier passait plus de 90% du temps dans les eaux allant de 25°C à 29°C. L’information
obtenue de deux voiliers marqués dans l’Atlantique Sud-Ouest, au large de la côte Sud-Est du Brésil, montrait un
schéma similaire aux voiliers marqués dans l’Atlantique Nord, c’est-à-dire que les poissons passaient la plupart
de leur temps dans les dix mètres supérieurs, plongeant parfois à des profondeurs importantes.
2.2.3 Comportement
Un document de référence (Mourato et al., en cours de révision) présentait un modèle GRASP (Generalized
Regression Analysis and Spatial Prediction), appliqué aux données de prise et d’effort de la flottille palangrière
brésilienne ciblant les thonidés (1998-2006) et aux données de taille (longueur maxillaire inférieur-fourche) de
1521
l’ICCAT. Les résultats donnaient à penser que les probabilités spatiales de capture sont liées à la distance de la
côte et que les spécimens plus grands sont plus fréquent à l’ouest de 40oW, ainsi qu’à l’Est de 25oW. La plus
grande proportion de voiliers capturés au large de la côte brésilienne, de 25oW à 40oW, est composée de
spécimens de <155,0 cm LJFL.
2.3 Taux de capture et estimations de l’abondance relative
Trois documents ont été présentés, lesquels portaient sur les taux de capture mais ne donnaient pas d’estimations
des indices d’abondance. Ces documents sont décrits plus en détail ci-après.
Le document SCRS/2009/048 présentait la caractérisation de l’utilisation de l’habitat du voilier, sur la base des
données collectées de 16 PSAT déployées dans le sud du Golfe du Mexique, entre 2005 et 2007, à bord d’un
palangrier commercial. Les résultats indiquaient que les voiliers étaient surtout associés aux eaux de surface de
moins de 20 m de profondeur. Ils montraient, toutefois, de nombreux déplacements verticaux répétés, de courte
durée, en dessous de la thermocline locale, jusqu’à des profondeurs de 50-150 m. Ces résultats indiquaient que la
distribution verticale du voilier coïncide avec les profondeurs pêchées par les palangres pélagiques peu
profondes et que les plongées répétées vers de plus grandes profondeurs pourraient permettre des interactions
avec les palangres de profondeur. Le Groupe a cependant discuté de cette question étant donné que ces données
provenaient de déploiements à court terme (10 jours) et que les résultats pourraient ne pas refléter totalement le
comportement normal du voilier. Il a été suggéré qu’après une capture et une remise à l’eau, le comportement
des voiliers pourrait être irrégulier pendant 10 jours.
Le document SCRS/2009/049 appliquait une méthodologie de standardisation basée sur l’habitat (statHBS),
fondée sur des postulats sur les préférences de cette espèce en matière de température et de la distribution en
profondeur des hameçons de palangre afin de développer des indices d’abondance relative du voilier, sur la base
des données des observateurs de la pêcherie palangrière des Etats-Unis. L’examen des données des observateurs
indiquait que les voiliers n’étaient pratiquement jamais capturés par la flottille palangrière américaine à l’est de
73°W et que la capture de cette espèce déclinait rapidement à des températures de surface de moins de 24°C. La
plupart des spécimens rencontrés par la flottille palangrière américaine se trouvait le long de la côte Est des
Etats-Unis et dans le Golfe du Mexique. Les analyses de la capture par unité d’effort se limitaient aux zones et
aux mois où la température de la surface de la mer était ≥24°C. La série temporelle des données des observateurs
disponible pour l’analyse allait de 1992 à 2006, et les données préliminaires de 2007 étaient aussi disponibles. La
méthodologie statHBS se base sur la correspondance entre les variables d’habitat préféré de cette espèce et les
profondeurs des hameçons de palangre enregistrés dans la base de données des observateurs. Les températures
observées dans lesquelles les voiliers évoluaient, d’après les données PSAT, ont été utilisées pour former des
distributions à priori de leurs préférences en matière d’habitat. La CPUE ajustée avec statHBS était similaire à la
CPUE nominale. Les deux séries présentaient une grande variation dans l’abondance relative, qui était
probablement le résultat de tailles d’échantillons réduites et de variations annuelles des distributions de la
pêcherie, en raison de fermetures spatio-temporelles instaurées en 2001. Des calculs plus détaillés de la
profondeur des hameçons et du traitement spatial pourraient améliorer les résultats, mais le manque de données
suggère que ceci ne produirait pas de résultats utiles.
Le document SCRS/2009/051 analysait les prises d’istiophoridés obtenues durant une enquête menée par la
pêcherie palangrière commerciale de surface espagnole dans laquelle trois types d’hameçons et deux types
d’appâts étaient testés dans les zones intertropicales de l’Atlantique, en utilisant 263.210 observations hameçonsappâts. Les taux de capture et la proportion d’opérations positives ont été analysés en utilisant un GLM (Deltalognormal) au niveau des espèces. La zone était le facteur le plus important (seul ou en interaction avec d’autres
facteurs) pour expliquer les taux de capture et/ou la proportion d’opérations positives de la plupart des espèces
d’istiophoridés capturés. Les facteurs testés (hameçon et appât) n’étaient pas significatifs pour aucune espèce
d’istiophoridés. En dépit du manque d’importance trouvée pour ces deux facteurs, les résultats suggèrent que des
hameçons alternatifs pourraient produire des changements dans la CPUE moyenne des istiophoridés pouvant
aller de –13% à +9%, en fonction de l’espèce et du type d’hameçon utilisé. L’appât alternatif (calmar) pourrait
également produire des changements dans la CPUE moyenne de près de –7% à +18%. L’interaction entre les
hameçons et les appâts alternatifs pourrait donner lieu à des changements de la CPUE moyenne entre –24% à
+45% en fonction de la combinaison du facteur et de l’espèce considérés. Le modèle postulé était pertinent pour
le BUM et le SPF, mais des distributions d’erreur alternatives pourraient être explorées pour les autres espèces
d’istiophoridés. La sélection de la zone et de la conception expérimentale pourrait jouer un rôle décisif lorsque
l’on prévoit les avantages ou les inconvénients d’utiliser certains éléments d’un engin de pêche, notamment dans
le cas d’espèces peu fréquentes pour lesquelles la proportion d’observations nulles tend à être élevée.
1522
2.3.1 Estimations de l’abondance relative
Le document SCRS/2009/032 présentait les taux de capture standardisés de la pêcherie artisanale de Côte
d’Ivoire. Cette pêcherie artisanale de filets maillants a été très active entre 1988 et 2008, débarquant des grands
thonidés, des espèces apparentées, des istiophoridés et de l’espadon. Un Modèle Linéaire Généralisé a été utilisé
pour obtenir des indices standardisés de CPUE pour le voilier de l’Atlantique. Le modèle incluait trois facteurs
explicatifs (année, mois et trimestre) avec interaction entre eux. Tout au long de cette période d’observation, les
CPUE standardisées suggèrent une très forte tendance à la baisse.
Le document SCRS/2009/054 présentait la version actualisée des analyses de la pêcherie artisanale du Sénégal
qui avaient été soumises précédemment au cours de la réunion préparatoire des données pour le voilier de 2008.
Il comportait des estimations des indices d’abondance relative pour la période 1989-2006, suggérant une légère
tendance à la baisse de l’abondance malgré la présence d’une forte variabilité interannuelle.
Le document SCRS/2009/033 présentait les taux de capture standardisés de la flottille palangrière pélagique du
Venezuela (kg/1000 hameçons) estimés à l’aide des données collectées par les observateurs scientifiques. La
période couverte par les indices allait de 1991 à 2007. La procédure de standardisation utilisait un modèle GLM
avec un postulat d’erreur delta-lognormal. Les variables incluses dans l’analyse étaient l’année, le navire, la
zone, la saison, l’appât et la profondeur de pêche. L’indice estimé affichait une tendance à la baisse très variable
de 1991 à 2001, lorsqu’il a atteint la valeur la plus faible de la série temporelle, puis une claire tendance à la
hausse de 2001 jusqu’en 2007.
Le document SCRS/2009/045 faisait état des estimations de la CPUE standardisée pour la flottille palangrière
pélagique américaine de 1986 à 2008. La standardisation a été réalisée en utilisant une approche GLM, postulant
une distribution d’erreur delta-lognormale. Les procédures de standardisation incluaient les variables lieu, saison
et année. Les autres variables incluses pour refléter les différentes pratiques de pêche étaient le type d’hameçon,
le nombre de baguettes lumineuses, l’espèce cible, la longueur de la ligne principale et une classification de
catégorie des navires américains, d’après un jeu prédéfini de variables (par exemple, taille et type de navire, zone
d’opération, etc.). Les indices d’abondance ont été estimés d’après les registres obligatoires des livres de bord
(en nombre de poissons et poids/1000 hameçons) et d’après les données collectées par les observateurs
scientifiques (poids/1000 hameçons). Les trois indices présentaient des tendances similaires avec un déclin à
partir de 1992 jusqu’à 2005 environ, puis une augmentation les deux dernières années de la série temporelle. Il a
été indiqué qu’au cours de ces deux dernières années les Etats-Unis ont considérablement accru la couverture par
les observateurs dans le Golfe du Mexique se situant à 75-80% (du nombre d’opérations de pêche). Par
conséquent, la tendance à la hausse observée ces deux années pourrait refléter une meilleure couverture et une
meilleure déclaration.
Le document SCRS/2009/046 incluait les indices standardisés d’abondance de la pêcherie récréative américaine,
estimés d’après 1) les tournois de pêche en 1973-2008 (RBS) et 2) une enquête de collecte de données des
pêcheries récréatives de 1981 à 2008 (MRFSS). Les taux de capture ont été estimés comme le nombre de
poissons/1000 heures de pêche. Seules les données des tournois ciblant le voilier à l’aide d’appât vivant ont été
utilisées dans l’estimation des taux de capture. Une approche GLM a été utilisée et les variables incluses étaient
l’année et la saison. Le lieu n’a pas été inclus car tous les tournois se déroulaient dans la même unité de gestion
nationale des Etats-Unis (Côte Est de la Floride). Etant donné que plus de 95% des registres (prise et effort par
jour) affichaient des prises de voilier, un seul modèle a été ajusté (taux de capture) en postulant une distribution
d’erreur lognormale. Dans le cas de l’indice estimé d’après l’enquête de collecte de donnés, un GLM postulant
une distribution d’erreur delta-lognormale a été utilisé. Différents modèles ont été ajustés à la proportion des
sorties de pêche positives (proportion des sorties de pêche récréatives positives ayant capturé au moins un voilier
– distribution d’erreur binomiale) et au taux de capture des sorties de pêche positives (distribution d’erreur
lognormale). Les variables incluses étaient la zone, la saison, le type de sortie de pêche et les eaux côtières par
rapport à la haute mer. Bien que les deux indices aient été estimés à l’aide de données couvrant différentes
gammes géographiques et différents systèmes de collecte de données, ils affichaient des tendances d’abondance
extrêmement similaires. La valeur la plus faible de ces deux indices correspondait à l’année 1982 et une
tendance à la hausse se dégageait à partir de 1982 jusqu’à la fin des années 1990. Une brusque diminution a été
constatée dans la période 2000-2001, suivie d’une tendance à la hausse depuis lors.
Le document SCRS/2009/066 présentait les taux de capture standardisés de la pêcherie palangrière brésilienne
pour la période 1978-2008. Une approche GLM avec un postulat d’erreur delta-lognormal a été employée pour
estimer deux indices standardisés. Ces deux indices incluaient les facteurs année, zone et trimestre dans la
procédure de standardisation. Un indice incluait également un facteur « cible » estimé par une analyse de
1523
regroupement. Les deux indices présentaient des tendances similaires mais l’indice incluant le facteur « cible »
était bien plus variable. Le Groupe a donc décidé d’utiliser, dans l’évaluation, l’indice ne comportant pas le
facteur « cible ».
Le document SCRS/2009/067 faisait état des CPUE standardisées du voilier capturé par les palangriers japonais
dans l’Atlantique de 1994 à 2007. Le test de sensibilité réalisé avec le modèle d’habitat pour le schéma de la
distribution verticale du voilier a révélé que le modèle était très robuste aux changements dans la distribution de
la probabilité de la présence de cette espèce dans les eaux peu profondes mais qu’il était sensible aux
changements de sa distribution dans les couches plus profondes. Les estimations de la CPUE standardisée
obtenues par une approche GLM pour les données au large de l’Afrique occidentale étaient similaires à celles
obtenues avec le modèle d’habitat utilisant les schémas de distribution verticale de l’espadon mais appliqué aux
données sur le voilier.
Le Groupe a convenu que l’absence de série temporelle ininterrompue de l’abondance relative pour la palangre
japonaise et la palangre du Taïpei chinois compromettrait le processus d’évaluation. On a donc tenté de calculer
ces indices, pendant la réunion, en analysant les données 5x5 de CATDIS disponibles à l’ICCAT (Appendice 6).
Le Groupe est parvenu à la même conclusion en ce qui concerne le manque d’indice de la pêcherie ghanéenne et
il a aussi décidé de tenter d’utiliser les données disponibles à la réunion en vue de développer un indice pour
cette pêcherie (Appendice 7).
La liste finale des indices d’abondance (Tableau 6) mise à la disposition du Groupe comportait les indices
communiqués auparavant dans cette section ainsi que quelques indices issus des évaluations précédentes:
pêcherie récréative du Venezuela (Alio et Marcano, 2001), palangre du Japon (Yokawa et Takeuchi, 2002) et du
Taïpei chinois (Anon. 2002) provenant de l’évaluation de 2001, filet maillant du Venezuela (Arocha et al. 2009)
et pêcherie sportive du Brésil (Mourato, et al. 2009) de la réunion préparatoire des données de 2008. Les valeurs
annuelles pour chaque indice figurent aux Tableaux 7 et 8 ainsi qu’à la Figure 5.
2.3.2 Calcul des indices combinés d’abondance
Les indices combinés ont été estimés à l’aide d’une approche GLM postulant une erreur logarithmique pour la
CPUE et incluant les facteurs flottille et année dans le modèle. Les estimations finales ont été obtenues en
retransformant la moyenne des moindres carrés (LSMEANS) et en corrigeant le biais en utilisant une erreur
standard du modèle final. Trois indices combinés alternatifs ont été estimés: (1) non pondéré, (2) pondéré par la
prise annuelle de chaque flottille et (3) pondéré par le nombre de carrés de 5x5º pêché par chaque flottille chaque
année. Les indices d’abondance combinés ont été estimés pour les stocks Ouest et Est, respectivement.
Stock Ouest
Les indices utilisés pour le stock Ouest étaient JPN LL-1, JPN LL-2, TAI LL-1, TAI LL-2, TAI LL-3, US RRRBS, US LL-PLL (kg), VEN RR, VEN GIL, VEN LL, BRZ RR et BRZ LL.
Dans le cas des pêcheries récréatives du Brésil et des Etats-Unis, des prises de 0,1 t ont été attribuées aux années
où les prises de la pêcherie récréative n’étaient pas incluses dans le Tableau de la Tâche I (Brésil 1996-2007 et
Etats-Unis 2003-2007). Le nombre de carrés de 5x5º pêchés par chaque pêcherie commerciale a été obtenu
d’après CATDIS, qui donnait la prise de chaque flottille par carré et trimestre. On a identifié, pour chaque
flottille, le trimestre ayant le plus grand nombre de carrés pêchés pour chaque année et on a attribué ce nombre
de carrés à toute l’année.
Dans le cas de la pêcherie palangrière brésilienne, qui ne comptait pas de données dans CATDIS pour les six
dernières années de la série temporelle (2003-2008), on a attribué le nombre moyen de carrés pêchés pendant la
période 2000-2002 aux années manquantes. Pour les pêcheries récréatives, le Groupe a utilisé le nombre de
carrés estimé à l’aide des connaissances et de l’expérience des scientifiques nationaux. Le nombre de carrés pour
les pêcheries récréatives du Brésil, du Venezuela et des Etats-Unis a été estimé à 2, 4 et 5, respectivement. Les
indices d’abondance combinés estimés sont présentés au Tableau 9 et à la Figure 6.
Stock Est
L’indice combiné pour le stock Est a été estimé en utilisant les indices CIV GIL, GHN ART, SEN ART, JPN
LL-1 et JPN LL-2. Les indices combinés ont été estimés en utilisant les mêmes modèles statistiques et les mêmes
schémas de pondération que ceux utilisés pour le stock Ouest et sont présentés au Tableau 9 et à la Figure 6.
1524
3. Evaluation
Le Groupe a convenu d’utiliser diverses méthodes, en se concentrant surtout sur les analyses du modèle de
production. Plusieurs variantes ont été utilisées: ASPIC (Prager, 1994, postulant une fonction de production de
Schaefer), des modèles de type Schaefer et Fox programmés en EXCEL, ainsi qu’un modèle de type Schaefer
bayésien (Andrade et Kinas, 2007). On a réalisé, en outre, d’autres analyses nécessitant moins de données: deux
analyses basées sur les tendances de CPUE (sans tenir compte des prises) et une analyse des tendances des tailles
moyennes et la gamme des distributions de tailles.
3.1 Structure du stock : scénarios alternatifs
Les analyses initiales visant à la définition de la structure du stock de voilier de l’Atlantique avaient été
conduites à la deuxième Réunion de l’ICCAT sur les Istiophoridés tenue à Miami, en Floride, en 1992 (Anon.
1994). A cette réunion, le Groupe de travail sur les istiophoridés avait examiné trois types de données à cette fin:
des analyses génétiques (Graves et McDowell 1994), des données de marquage (Bayley et Prince 1994) et la
taille moyenne des débarquements dans l’Atlantique Ouest et Est (Anon. 1994). Il n’y avait pas de signes de
structures de stocks génétiques multiples, ni de preuve du marquage-recapture indiquant des déplacements
transatlantiques ou transéquatoriaux. Cependant, le Groupe de travail sur les istiophoridés de 1992 avait détecté
de très grandes différences dans la taille moyenne (longueur, longueur maxillaire inférieur-fourche, cm) des
débarquements de voiliers entre l’Est/Ouest. Une unité de gestion Est/Ouest avait donc été considérée appropriée
à ce moment-là (Anon. 1994). A la présente réunion, il a été recommandé que ces trois protocoles servent de
base au choix d’hypothèses alternatives sur la structure des stocks, dans la mesure des contraintes temporelles.
Il a été conclu qu’à des fins de cohérence/continuité avec les évaluations du voilier précédemment réalisées, le
Groupe de travail devrait travailler au moins dans le cadre d’une hypothèse de structure de deux stocks :
Atlantique Ouest et Est. Des discussions ont été tenues sur de possibles scénarios exploratoires avec des
hypothèses alternatives sur la structure des stocks. On a toutefois estimé que le Groupe de travail ne disposerait
probablement pas du temps suffisant pour réaliser des scénarios supplémentaires pendant cette réunion
d’évaluation de cinq jours. Les opinions étaient diverses, certains participants recommandaient de ne pas utiliser
de scénarios exploratoires et d’autres recommandaient de réaliser une alternative regroupée Sud-Ouest ou
Est/Sud-Ouest (en raison de la proximité géographique de la pointe orientale du Brésil et de l’Afrique/Ouest).
Orbesen et al. (SCRS/2009/047) ont actualisé les données de marquage conventionnel sur le voilier et ont
souligné que même si les déploiements de marques conventionnelles pour le voilier étaient près du double que
pour les autres principales espèces cibles (100.000 environ), aucun déplacement transatlantique ni
transéquatorial n’avait été constaté au cours de ces 55 dernières années. Au vu du nombre total de déploiements
et étant donné que le voilier a le taux de récupération le plus élevé parmi les istiophoridés (second taux de
récupération le plus élevé parmi les espèces cibles), le fait que le voilier était la seule espèce sans déplacement
transatlantique ni transéquatorial était significatif. Orbesen et al. (SCRS/2009/047) ont suggéré que cet élément
étayait encore davantage la répartition très côtière de cette espèce par rapport au makaire et au makaire-bécune.
Le déplacement le plus long confirmé pour le voilier était de près de 2.100 miles nautiques (Orbesen et al.,
SCRS/2009/047) : cette espèce peut donc parcourir de longues distances horizontales mais le trajet exact de ce
déplacement ne peut pas être déterminé avec le marquage conventionnel. Le SCRS/2009/047 incluait aussi
d’autres informations qui pourraient être prises en compte pour choisir des hypothèses alternatives de la structure
du stock. A titre d’exemple, il a été signalé que la pointe orientale de la zone hypoxique qui s’étend vers l’est au
large de la côte de l’Afrique occidentale (Prince et Goodyear, 2006) se trouve à 148 mn du littoral brésilien et
que cette caractéristique océanographique importante pourrait être partagée entre les deux groupes de voiliers
(SO et E). Les auteurs ont estimé que ceci pourrait expliquer la combinaison de ces deux groupes. En outre, la
proximité géographique du Brésil de la côte occidentale africaine (près de 1.500 miles nautiques) suggère que les
déplacements transatlantiques du voilier pourraient être documentés avec des efforts de marquage suffisants
plutôt que de l’Atlantique Nord-Ouest vers la côte africaine (~ 3.500 miles nautiques) ou vers l’Atlantique sud
(près de 3.000 miles nautiques). Mourato et al. (SCRS/2009/067) ont fait état de deux déploiements PSAT au
sud du Brésil et ont également émis l’hypothèse que des déplacements transatlantiques du voilier pourraient être
plus probables entre le Brésil et l’Afrique occidentale, même si le suivi de ces poissons n’a pas nécessairement
étayé ces déplacements. Mourato et al., (en révision) ont discuté de leurs conclusions et ont conclu que le voilier
de l’Atlantique Est, au large de la côte occidentale de l’Afrique, étaient plus grands que ceux de l’Atlantique
Sud-Ouest, au large du Brésil. Ces conclusions confirment les déclarations passées selon lesquelles les voiliers
débarqués dans l’Atlantique Est sont plus grands que ceux de l’Atlantique Ouest (Beardsley 1980, Anon. 1994,
Prince et Goodyear 2006).
1525
A l’issue de la discussion, le Groupe de travail a estimé qu’il conviendrait de prendre en considération une
alternative au scénario actuellement accepté de deux stocks Est/Ouest, consistant en un scénario de deux stocks
(un stock Nord-Ouest et un stock Sud et Est). Toutefois, compte tenu de contraintes temporelles, il a été décidé
que les hypothèses alternatives ne devraient être faites qu’après avoir exécuté les scénarios initiaux des modèles,
si le temps le permet. Il n’a finalement pas été possible, par manque de temps, de conduire des évaluations du
scénario alternatif de la structure du stock.
3.2 Evaluations des modèles de production
Les modèles de production ont été ajustés avec ASPIC, aux modèles de type Schaefer et de type Fox
programmés dans EXCEL, ainsi qu’à un modèle bayésien de type Schaefer (Andrade et Kinas 2007). Divers
scientifiques présents à la réunion ont ajusté un grand nombre de différentes combinaisons de modèles et de jeux
d’abondance relative. Après la publication de tous les résultats, le Groupe a conjointement développé une
synthèse des résultats des modèles de production.
3.2.1 Scénarios du modèle ASPIC
Les modèles de production ont été ajustés pour les unités de stock de voilier de l’Est et de l’Ouest en utilisant
différentes combinaisons d’indices d’abondance disponibles et différentes versions du logiciel ASPIC. Tous les
scénarios ont été exécutés avec ASPIC 5. L’Appendice 9 présente les détails des nombreuses combinaisons des
indices testés (des indices combinés développés par le Groupe ainsi que des combinaisons d’indices seuls). Les
combinaisons d’indices incluaient des cas utilisant tous les indices disponibles ainsi que des cas utilisant
uniquement les indices d’un certain type de pêcherie (par exemple, seuls les indices de la palangre, seule la
pêcherie artisanale, etc.). Certains cas utilisaient différentes versions d’un indice donné (par exemple, différentes
versions de l’indice palangrier japonais ou les indices de la pêcherie récréative des Etats-Unis). Au total, neuf cas
ont été étudiés pour l’Est et 15 pour l’Ouest. De nombreuses estimations utilisaient la procédure standard FIT
dans ASPIC alors que d’autres fournissaient des estimations par bootstrap. La repondération itérative n’a été
tentée que dans deux cas. Dans tous les cas, il a été nécessaire de limiter la biomasse initiale à la capacité de
transport (K) pour ASPIC aux fins de convergence. On a émis des suppositions sur les paramètres initiaux pour
K, la PME, et les coefficients de capturabilité (q) pour chaque série d’indice utilisée.
Les résultats des divers ajustements variaient fortement, notamment pour le stock Est pour lequel le nombre de
séries de données et la gamme temporelle sont plus réduits. Les paramètres de gestion (PME, ratios de biomasse
et de mortalité par pêche) et les paramètres de productivité de la population (r et K) présentaient de forte
variation entre les différents cas. Cependant, pour les deux stocks, certains cas produisaient des estimations des
paramètres qui ne pouvaient pas être plausibles, ce qui indique que certaines combinaisons d’indices
d’abondance ne contiennent pas suffisamment d’information aux fins d’un ajustement raisonnable.
Si on utilise les estimations par bootstrap du paramètre d’incertitude pour évaluer la qualité de l’ajustement, il est
évident que les cas ayant moins d’incertitude dans les estimations ont été obtenus lorsque tous les indices
disponibles ont été utilisés sans avoir été combinés en un seul indice (Figure 7 et Figure 8).
Les schémas la biomasse et de la mortalité par pêche prévus par ces ajustements variaient dans une grande
mesure et indiquaient parfois une grave décimation de la biomasse alors que d’autres suggéraient que les
activités de pêche n’avaient que peu d’impact. Ceci est également le cas pour la mortalité par pêche, certains cas
indiquant de grandes augmentations menant à une forte surpêche contrairement à d’autres cas (Tableau 10).
Les estimations de l’état actuel des stocks sont généralement très incertaines pour tout cas donné, comme le
montre la distribution des estimations générées par bootstrap pour les valeurs les plus récentes des taux de
mortalité par pêche et de la biomasse (Figure 9). Les estimations des ratios de mortalité par pêche et de
biomasse récents sont fortement corrélées, tout comme les estimations de FPME et de BPME (Figure 10).
3.2.2
Effets d’une sous-pondération
productionexcédentaire
des
données
historiques
et
du
choix
d’une
fonction
de
On a étudié l’effet d’une sous-pondération des premières données de CPUE dans le modèle de production à
l’aide de l’indice combiné, en appliquant un modèle de production dans EXCEL. L’indice combiné (obtenu en
pondérant la série disponible proportionnellement à la capture) a été utilisé dans le modèle de production avec
des pondérations égales par an dans un cas, et avec une sous-pondération tricubique des données dans l’autre cas.
Les pondérations correspondantes pour une année donnée (yi) étaient égales à 1,0 ou correspondaient à :
1526
1
2007
47
On a examiné l’effet du choix du modèle en ajustant un modèle de type Schaefer ou un modèle de type Fox :
1
1
pour le modèle de type Schaefer et
pour le modèle de type Fox.
Dans tous les cas, il a été postulé que la biomasse initiale (1956) était égale à K (Figure 11 et Tableau 11). De
façon peu surprenante, pour une fonction de production excédentaire donnée, les résultats obtenus en souspondérant la CPUE étaient plus optimistes que ceux obtenus avec une pondération égale. En règle générale, pour
un choix donné de pondérations, le modèle de Fox donnait des résultats plus optimistes. La seule exception était
le ratio actuel de F/FPME estimé avec le modèle de Fox avec une pondération égale, qui était plus élevé que le
même ratio estimé avec le modèle de Schaefer (5,40 vs 4,25).
Au cours de la discussion, le Groupe a constaté que les ajustements des modèles de production obtenus en souspondérant les données historiques et en utilisant un seul indice de CPUE étaient similaires aux ajustements
obtenus en utilisant des indices multiples avec une pondération égale. Ce phénomène a également été observé
avec d’autres instruments d’évaluation.
3.2.3 Modèle de production de type bayésien
Un modèle de production de type bayésien, décrit à l’Appendice 8, a été appliqué aux indices combinés
pondérés par la capture. Au terme de quelques discussions, deux distributions à priori (informative et noninformative) ont été élaborées en utilisant les distributions plurivariables de Student. La Figure 12 illustre les
densités marginales des distributions à priori utilisées dans les deux modèles bayésiens pour l’Atlantique Ouest
et Est.
Les résultats préliminaires montraient que les fonctions d’importance mixtes obtenues en utilisant un « Adaptive
Importance Sampling » (AIS) étaient similaires aux distributions à posteriori, comme indiqué par les calculs
entropiques. Les distributions empiriques, obtenues en utilisant SIR après l’approximation AIS de la distribution
à posteriori, s’avéraient différentes des distributions à priori. Ceci était encourageant dans le sens que les
données semblent être quelque peu informatives. Toutefois, l’ajustement des modèles, tel qu’évalué en
comparant les observations et les prédictions, était très médiocre. Le modèle ne pouvait pas localiser les indices
pour les premières années. Le Groupe a donc décidé d’essayer également la fonction de pondération suivante
afin d’assigner des pondérations plus élevées aux indices des années récentes :
  max y   yi  3 
wi = 1  
 
n
 
 
3
où y est le vecteur avec les années, w i est la pondération pour l’année ith et n est le nombre d’années
comportant des informations sur l’indice d’abondance. Les résultats obtenus avec la fonction de pondération
étaient similaires à ceux collectés en n’utilisant pas cette fonction. Par conséquent, seuls les résultats calculés
avec les indices d’origine sont donc présentés ici.
Stock Ouest
Les ajustements des modèles aux grands indices observés les premières années et à la diminution dans les années
1970 sont médiocres même en appliquant une fonction de pénalisation (Figure 13). La biomasse diminuait à
partir du début de la série temporelle. Finalement, les modèles linéaires ajustés aux prédictions des années les
plus récentes suggèrent des pentes négatives même si la pente des modèles linéaires ajustés aux indices observés
est proche de zéro.
Le Tableau 12 inclut un résumé des paramètres et des points de référence calculés en utilisant les estimations à
posteriori. Toutes les estimations suggèrent des scénarios pessimistes. Si nous nous basons sur les estimations de
la médiane (quantiles de 50%), la biomasse réelle est près de la moitié de BPME, alors que la capture de la
dernière année de la série temporelle est 1,3 fois la prise correspondant à la PME. Il convient toutefois de garder
à l’esprit que ces estimations ont été obtenues à partir d’un modèle qui n’ajuste pas bien les données observées.
1527
Stock Est
Les ajustements des modèles étaient médiocres, tout comme pour l’analyse de l’Atlantique Ouest. Les grands
indices et la variabilité observés les premières années ne peuvent pas être ajustés par le modèle (Figure 14 –
panneau de gauche). La biomasse déclinait dès le début de la série temporelle. Finalement, les modèles linéaires
ajustés aux prédictions pour les dernières années tendaient à être négatifs même si la pente des modèles linéaires
ajustés aux indices observés est proche de zéro.
Le Tableau 13 inclut un résumé des paramètres et des points de référence calculés en utilisant les estimations à
posteriori. Tous les points des estimations qui dépendent des estimations de la biomasse sont encore plus
pessimistes que ceux regroupés pour l’Ouest. Si nous nous basons sur les estimations de la médiane (quantiles de
50%), la biomasse réelle est proche de 0,15 fois BPME. Bien que la prise de la dernière année de la série
temporelle analysée (2007) soit en-deçà de CPME, il convient de noter que la plupart des prises de la dernière
décennie étaient supérieures à CPME. Tout comme dans l’analyse de l’Ouest, il convient de garder à l’esprit que
ces estimations ont été obtenues à partir d’un modèle qui n’ajuste pas bien les données observées.
3.2.4 Résumé des analyses des modèles de production
L’examen des estimations de r et de K pour les différents cas a suggéré que tous les cas ne donnaient pas des
ajustements satisfaisants. Trois cas ont notamment produit des résultats qui ne sont clairement pas plausibles : les
cas O3, O4 et O11, les deux premiers estimant des valeurs de r de 4,0 pour le stock Est et le dernier estimant une
capacité de transport de près de 900.000 t pour le stock Ouest. Ces cas n’ont pas été pris en considération dans
les analyses réalisées ultérieurement. Parmi les autres cas restants, certains produisaient des estimations des
paramètres qui n’avaient que peu de chances d’être plausibles. Afin d’identifier ces cas, les valeurs de r et K
pour tous les ajustements des modèles de production ont été représentées conjointement sur un graphique
(Figure 15). La plupart des estimations s’alignaient le long d’une courbe du type montré dans les estimations
d’un cas individuel obtenues par bootstrap, mais quelques unes s’éloignaient clairement de ce schéma. Les cas
G3, G4 pour l’Est et G1 et W3 pour l’Ouest produisaient des estimations de r ≤0,01 et le cas O2 et l’ajustement
du modèle de Fox tricubique sous EXCEL pour l’Ouest produisait des valeurs de r ≥ 0,9. Ces six cas n’ont pas
non plus été pris en considération dans les analyses réalisées ultérieurement. Il ne restait finalement que six cas
utiles pour le stock Est et dix-neuf pour le stock Ouest.
Il est important de noter le type de combinaisons de paramètres/modèles que les cas ayant été exclus représentent
(Tableau 14). En règle générale, ASPIC s’ajustait difficilement aux indices combinés pour le stock Est et tendait
vers une solution avec une valeur de r très faible, souvent inférieure à 0,01. Comme prévu, le modèle de
production bayésien pouvait fournir des solutions avec des valeurs de r plus raisonnables, même s’il utilisait
l’indice combiné pour l’Est. Bien qu’un résultat similaire ait été observé pour quelques cas utilisant les indices
combinés pour l’Ouest, le plus souvent, ASPIC pouvait trouver des solutions raisonnables lorsque les indices
combinés étaient utilisés pour le stock Ouest. Dans les cas où l’indice d’un seul type de flottille était utilisé (par
exemple, seuls les indices de la pêcherie récréative ou de la palangre à l’Ouest), ASPIC tendait à ne pas
converger vers des solutions raisonnables. En résumé, des modèles de production simples, tels qu’ASPIC ou
l’application EXCEL développée par le groupe, donnaient des estimations réussies des paramètres de population
pour de nombreux cas, mais pas pour tous (lorsque différentes combinaisons d’indices étaient testées). Par
ailleurs, le modèle de production bayésien donnait des résultats plus cohérents, probablement grâce à
l’établissement de distributions a priori raisonnables, mais pas toujours informatives, pour ces paramètres de
population. Il est néanmoins évident que le choix des indices utilisés modifiait souvent les estimations des
paramètres des modèles de production, dont les modèles ayant des implications de gestion, tels que les ratios de
biomasse et de mortalité par pêche qui nous informent sur l’état actuel du stock.
Après avoir exclu les solutions non-plausibles de l’analyse, une représentation plus claire de l’état des stocks est
apparue. Le groupe a tout d’abord examiné l’incertitude associée à l’erreur de procédure, qui n’est considérée ici
que comme le choix du modèle de production (ASPIC, EXCEL ou Bayésien) et l’indice d’abondance relative
(Figure 15). Il existe une grande incertitude dans les valeurs de r pour les deux stocks, mais les valeurs du stock
Est (0,1-0,6) tendent à être plus élevées que celles du stock Ouest (0,02-0,3), ce qui suggère que le stock Est est
plus productif. Ceci est en ligne avec d’autres observations portant davantage sur la productivité (Prince et
Goodyear 2006). La gamme de la taille du stock vierge est également vaste, allant de 20.000 à 60.000 t, bien que
l’on ne sache pas avec précision si le stock Est est plus grand que le stock Ouest.
Les estimations de la PME et de K sont fortement corrélées pour les différents cas du stock Est (Figure 16). Ceci
pourrait refléter le fait qu’il existe un plus petit nombre d’indices pour l’Est et que les indices disponibles ont une
1528
durée souvent plus courte. Il a donc été moins possible d’établir différentes hypothèses, expliquant le plus petit
nombre de cas ASPIC pour l’Est. Tous les cas testés ne trouvaient pas d’estimation unique de la PME car la
surface des réponses n’avait pas de valeur maximale nette. Les estimations de la PME obtenues pour le stock Est
vont de 1.300 à 2.500 t. Les estimations de la PME et de K pour le stock Ouest sont plus variables. K a une
gamme similaire à celle de l’Est, mais les estimations de la PME sont inférieures, variant de 500 à 1.200 t mais
avec deux estimations faibles (100 et 300 t respectivement) (Figure 16).
Toutes les estimations, à l’exception d’une seule, des ratios de biomasse (B2006/BPME) et de mortalité par pêche
(F2007/FPME) récents pour le stock Est indiquent qu’il se produit une surpêche et que le stock est surpêché (Figure
17). Pour le stock Ouest, les résultats sont également plus variables : neuf cas indiquent qu’il se produit une
surpêche et que le stock est surpêché et sept autres indiquent soit qu’il n’y a pas de surpêche, soit que le stock
n’est pas surpêché ou les deux à la fois (Figure 17). En général, les cas les plus pessimistes de l’Ouest sont ceux
utilisant les indices combinés, et les cas les plus optimistes sont ceux utilisant diverses combinaisons d’indices
seuls.
Afin d’examiner l’incertitude associée à « l’erreur d’observation », le Groupe a utilisé les résultats des
estimations par bootstrap d’ASPIC et des estimations à posteriori du modèle bayésien. Les estimations de
l’incertitude pour les paramètres du modèle étaient également plus importantes pour le stock Est que pour le
stock Ouest, mais elles restaient considérables pour les deux stocks (Tableaux 10, 12 et 13). A titre d’exemple,
le ratio de B2006/BPME estimé d’après le modèle bayésien avec des distributions à priori informatives pour le stock
Est et un indice combiné s’élevait à 0,15, les percentiles de 25% et 75% correspondant à 0,11 et 0,22
respectivement. Pour le stock Ouest, les nombres équivalents se situaient à 0,47 pour l’estimation et à 0,36 et
0,60, respectivement, pour les mêmes percentiles. Les estimations du même ratio obtenu par bootstraps des
ajustements d’ASPIC à un indice combiné pour l’Est (cas F1) étaient de 0,24, pour l’estimation et de 0,12 et 0,39
pour les percentiles de 25% et 75%. De la même manière, les ajustements d’ASPIC au jeu complet d’indices
disponibles pour l’Ouest (cas O9) donnaient une meilleure estimation de 1,01, et des estimations de 0,91 et 1,24
pour les percentiles 25% et 75% (Figure 18). En général, les cas qui utilisaient les indices individuels
présentaient moins d’incertitude que ceux utilisant des indices combinés. Les estimations de l’incertitude par
bootstrap et avec le modèle bayésien montraient une grande incertitude pour les ratios de biomasse et de
mortalité par pêche récents, avec certaines solutions complètement différentes quant à savoir s’il se produisait
une surpêche ou si le stock était surpêché, comme illustré à la Figure 18.
3.3 Autres analyses d’évaluation
En plus des ajustements des modèles de production, d’autres analyses ont été conduites pour donner un aperçu
de l’état des stocks : l’examen des tendances récentes de l’abondance relative sur la base des indices de CPUE
uniquement, le développement de points de référence ne se basant pas sur un modèle ainsi qu’une analyse des
changements de la structure des tailles de la capture.
3.3.1 Tendances récentes de l’abondance
On a réalisé des analyses des indices de la CPUE pour chercher à déterminer des tendances de l’abondance qui
ne formulent pas de postulat sur l’existence d’un modèle de production sous-jacent ou de tout autre modèle de
population. D’autres analyses suivant les procédures communiquées dans Anon. (2007) ont aussi été conduites
en vue de déterminer les récents changements dans l’abondance.
Afin de comparer les tendances récentes de l’abondance (1990-2006) qui peuvent être déduites des indices de
CPUE, ces indices ont été ajustés à la moyenne de chaque indice (Tableau 15, Figure 19). Ces indices ajustés
ont été lissées à l’aide de modèles additifs généralisés (GAM) avec une fonction de Loess (GAMLoess). La
plupart de ces indices varient sans dégager de tendance pendant cette période et seuls quelques-uns montrent une
claire tendance à la baisse (indices de la palangre pélagique américaine pour le stock Ouest par exemple) ou une
claire tendance à la hausse (indice du MRFSS américain, également pour le stock Ouest, par exemple) (Figures
20 et 21).
3.3.2 Corrélations entre les indices
Nous avons obtenu des estimations robustes de la corrélation entre les divers indices récemment disponibles de
la CPUE pour le SAI-Ouest et le SAI-Est (1990-2007) en utilisant la méthode de Pearson (Tableau 16). La
corrélation était généralement médiocre entre les 12 indices disponibles, à l’exception des indices de la palangre
1529
japonaise et du MRFSS américain pour le stock Ouest, qui avaient une forte corrélation positive. Ces derniers
indices fluctuaient sans dégager de tendance sur la période 1990-2006.
3.3.3 Changements de la médiane de l’abondance relative
Une autre approche appliquée pour examiner les changements de l’abondance relative, tels que révélés par les
indices de CPUE disponibles, consistait en une procédure robuste visant à estimer les intervalles de confiance
des ratios de la médiane des indices d’une année donnée par rapport aux indices d’une autre année. Nous avons
estimé les intervalles de confiance de 95% en utilisant la distribution binomiale pour la médiane des ratios de
CPUE par rapport à l’année standard 2000, en suivant les procédures décrites par Conover (1980). Dix indices
ont été employés pour le SAI-Ouest et quatre autres pour le SAI-Est. Pour chaque indice d’une année donnée, le
ratio de la valeur de cet indice a été calculé par rapport à l’année 2000. Les estimations des intervalles de
confiance ont ensuite été obtenues pour le ratio de chaque année d’après les valeurs relatives (Figure 22 et
Figure 23).
3.3.4 Points de référence ne se basant pas sur un modèle
Les estimations de B/BPME ont été réalisées pour chacun des trois indices combinés pour le stock Est et Ouest en
utilisant les méthodes de Goodyear (2003). Cette méthode exploite le changement de l’abondance relative
(CPUE) entre le début et la fin de la série temporelle disponible. Il a également été assumé qu’une relation de
stock-recrutement de Beverton-Holt était adéquate pour le voilier. Pour le stock Est, l’abondance relative
moyenne au début de la série temporelle était estimée comme la moyenne des cinq premières années de CPUE
(1967-1971) et l’abondance relative la plus récente a été estimée comme la moyenne des cinq dernières années
disponibles de CPUE (2003-2007). Les estimations de B/BPME en résultant pour le stock Est allaient de 0,08 à
0,19 avec une moyenne de 0,13 pour la série temporelle de CPUE non-pondérée et les deux séries temporelles de
CPUE pondérées (Tableau 17). En limitant l’analyse de telle sorte qu’elle commence avec les données de 1980,
omettant les premières années des estimations de forte abondance, on obtenait une gamme plus optimiste pour
B/BPME de 0,43 à 0,71 avec une moyenne de 0,54.
La B/BPME a été estimée de la même façon pour le stock Ouest à l’aide de la CPUE moyenne de 1961 à 1965
pour le début de la série temporelle et la moyenne des cinq dernières années des données disponibles (20042008) comme mesure de l’abondance relative récente. Ces postulats ont donné des estimations de B/BPME de
0,58 à 1,83, avec une moyenne de 0,77, pour le stock Ouest (Tableau 17). En limitant l’analyse de telle sorte
qu’elle commence avec les données de 1973, omettant les premières années des estimations de forte abondance,
on obtenait une gamme plus optimiste pour B/BPME de 0,80 à 1,99 avec une moyenne de 1,32.
3.3.5 Tendances des données de tailles
En utilisant les données de fréquence de tailles (centimètres, longueur maxillaire inférieur-fourche) de six
flottilles de SAI-Ouest et de cinq flottilles de SAI-Est, nous avons cherché des indices suggérant un changement
dans la force de la classe d’âge sur la période 1970-2007. De plus, des données statistiques de base (quartile de
25%, médiane et quartile de 75%) ont été calculées pour chaque flottille par année pour obtenir toute tendance
possible de la prise par taille. Les tailles des séries temporelles des flottilles individuelles variaient fortement et
étaient souvent rares.
La Figure 24 et le Tableau 18 présentent les quartiles de fréquences de tailles pour le stock Ouest. Les deux
diagrammes à long terme du Brésil et du Venezuela affichaient une légère variabilité mais, dans l’ensemble,
étaient très plats et stables. Par ailleurs, les données japonaises indiquaient une forte variabilité, facteur
possiblement dû à la répartition spatiale de l’effort de pêche. La série du Taïpei chinois était trop courte (19801983) pour suggérer de tendance.
La Figure 25 et le Tableau 19 présentent les quartiles de fréquences de tailles pour le stock Est. Les données de
la pêcherie de filet maillant de Côte d’Ivoire suggéraient une légère variabilité de la force de la classe d’âge mais
elles étaient très stables sur la période 1984-2006. Les données de la palangre japonaise étaient très variables de
1974 à 2005. Ceci pourrait également être lié à la répartition spatiale de l’effort de pêche. Les données de la
pêcherie de filet maillant du Ghana, de la palangre du Brésil et de la palangre du Taïpei chinois suggéraient une
variabilité de la cohorte mais la série temporelle était trop courte pour pouvoir tirer de conclusion sur une
éventuelle tendance.
1530
3.4 Résumé des résultats de l’évaluation
L’ICCAT a été en mesure, pour la première fois, de réaliser une évaluation exhaustive des deux stocks de
voiliers de l’Atlantique avec toute une gamme de modèles et diverses combinaisons de sources de données. Il est
indéniable que de grandes incertitudes demeurent en ce qui concerne l’état de ces deux stocks, mais de
nombreux résultats du modèle d’évaluation montrent des signes d’une surpêche et des preuves que les stocks
sont surpêchés, et dans une plus grande mesure à l’Est qu’à l’Ouest. Bien que certains résultats donnent à penser
que le stock de l’Ouest est en bonne santé, peu de résultats indiquent la même chose pour le stock de l’Est. Le
stock de l’Est a également été évalué comme étant plus productif que le stock de l’Ouest, générant probablement
une PME supérieure. Il est probable que le stock de l’Est fasse l’objet d’une plus forte surpêche et qu’il ait été
ramené en-deçà du niveau qui permettrait la PME, bien davantage que le stock de l’Ouest. Les points de
référence obtenus avec les méthodes ne se basant sur un modèle parviennent à des conclusions similaires.
L’examen des tendances récentes de l’abondance suggèrent que les stocks de l’Est et de l’Ouest ont connu le
plus fort déclin de l’abondance avant 1990. Depuis lors, il n’existe pas d’élément de preuve catégorique
suggérant une augmentation ou une diminution de l’abondance pour ces deux stocks. En général, la corrélation
est faible entre les indices individuels pour cette période, même si certains indices individuels diminuent ou
augmentent clairement.
L’examen des fréquences de tailles disponibles donne des résultats semblables à ceux obtenus précédemment
pour les makaires, à savoir que les tailles moyennes ou les distributions par tailles n’ont pas beaucoup changé au
cours de la période pour laquelle il existe des observations, limitant donc la valeur d’utiliser la taille en tant
qu’indicateur de la pression de pêche.
4. Implications de gestion
La taille des stocks de l’Est et de l’Ouest pourrait avoir été réduite à un niveau en-deçà de BPME ces dernières
années mais de grandes incertitudes demeurent, notamment pour l’Ouest. Plusieurs ajustements du modèle de
production indiquent en effet que le ratio de biomasse B/BPME se situe à la fois au-dessus et en-deçà de 1,0. Les
résultats pour le stock de l’Est sont plus pessimistes, la plupart des résultats indiquant que la récente biomasse du
stock se situe en-deçà de BPME.
4.1 Stock de l’Est
Le stock de voilier de l’Atlantique Est semble s’être nettement réduit depuis les années 1970, atteignant le
chiffre le plus faible au début des années 1990. La biomasse du stock ne montre que peu, voire aucun signe de
rétablissement. L’examen des tendances lissées des séries temporelles de l’abondance relative individuelles de
ces dernières années ne révèle pas de changement dans la récente trajectoire de la population. Sur la base des
données disponibles, le Groupe recommande de réduire les prises par rapport aux niveaux actuels. Il est à noter,
toutefois, que les pêcheurs artisanaux capturent une grande partie de la prise de voiliers le long de la côte de
l’Afrique occidentale. La Commission devrait envisager des méthodes pratiques et alternatives visant à réduire la
mortalité par pêche et à garantir des systèmes de collecte de donnés et une déclaration de la prise et effort en
temps opportun.
4.2 Stock de l’Ouest
L’évaluation actuelle du stock de l’Atlantique Ouest suggère que le stock a diminué au cours de la série
temporelle disponible mais qu’il est resté relativement stable depuis les années 1980. L’examen des tendances
lissées des séries temporelles de l’abondance relative individuelles de ces 18 dernières années indique des
différences dans la série temporelle qui donnent lieu à des incertitudes en ce qui concerne la trajectoire actuelle
de ce stock. Ces observations ont incité le Groupe à recommander que les prises de voilier de l’Atlantique Ouest
ne dépassent pas les niveaux actuels. Il est à noter, toutefois, que presque toutes les pêcheries récréatives dans
cette zone consistent en une pêcherie de capture et de remise à l’eau. Cette composante de la pêcherie de voilier
a récemment adopté des technologies destinées à réduire la mortalité du voilier après remise à l’eau, même sans
intervention de gestion. Les débarquements commerciaux sont interdits aux Etats-Unis. Les pêcheurs artisanaux
capturent également une grande partie de la prise de voilier du stock Ouest.
1531
4.3 Autres questions
La répartition du voilier indique une concentration relativement élevée de cette espèce dans tout l’Atlantique
tropical, du Brésil jusqu’à la côte occidentale africaine. Cette bande relativement continue donne à penser qu’il
se produit un échange génétique entre les stocks de l’Est et de l’Ouest et pourrait impliquer qu’au moins une
certaine partie de la biomasse de voilier du stock de l’Est est soutenue par la production de la composante Sud du
stock de l’Ouest au large du Brésil. On ne sait pas avec certitude si cette relation est suffisamment importante
pour prendre explicitement en compte ce mélange entre le stock de l’Est et de l’Ouest à des fins d’évaluation et
de gestion. Néanmoins, la biomasse relative actuelle du stock de l’Est semble être inférieure à celle de l’Ouest.
Cette observation étaye l’idée que les stocks de l’Est et de l’Ouest devraient être considérés comme des unités de
gestion distinctes.
5. Résumé exécutif du voilier
Cette question a été renvoyée à la réunion du Groupe d’espèces de 2009.
6. Autres questions, voilier
Le Groupe a convenu que les travaux d’évaluation du stock de voiliers réalisés pendant la réunion devaient être
utilisés comme base de l’avis du SCRS de 2009 et que, par conséquent, aucun autre scénario de modèles ne
serait effectué pendant les réunions du Groupe d’espèces ou de la plénière du SCRS.
7. Autres questions, tous les istiophoridés
Le Groupe a examiné les progrès du plan de travail pour les istiophoridés et du Programme de recherche
intensive sur les istiophoridés. Des suggestions ont été émises en vue de les modifier. Il a été décidé de diffuser
ces changements aux scientifiques intéressés, à l’issue de la réunion, aux fins de discussions supplémentaires lors
de la réunion du SCRS de 2009.
8. Adoption du rapport et clôture
Le rapport a été adopté par correspondance. Le Président a remercié les participants pour tout le travail réalisé. Il
a également adressé ses remerciements aux hôtes de la réunion pour l’excellente logistique fournie. La réunion a
été levée.
9. Références
Alio, J.J. and Marcano, L.A. 2001, Contrast between the trends of billfish abundance recorded from the sport
fishing activity off Playa Grande Yachting Club and from sport fishing tournaments in the central
Venezuelan coast, during the period 1984-1999. Collect. Vol. Sci. Pap. ICCAT, 53: 291-297.
Anon. 1994, Report of the Second ICCAT Billfish Workshop (Miami. Florida, July 22-29, 1992). Collect. Vol.
Sci. Pap. ICCAT, 41: 13-166.
Anon. 2002, Report of the 2001 Billfish Species Group Session (Madrid, Spain, October 1 to 7, 2001). Collect.
Vol. Sci. Pap. ICCAT, 54(3): 649-754.
Anon. 2007. Report of the 2007 Meeting of the Working Group on Stock Assessment Methods (Madrid, Spain,
March 19 to 23, 2007). Collect. Vol. Sci. Pap. ICCAT, 62(6): 1892-1972.
Andrade, H.E. and Kinas, P.G. 2007, Decision analysis on the introduction of a new fishing fleet for skipjack
tuna in the Southwest Atlantic. Pan-American Journal of Aquatic Sciences (2007) 2 (2): 131-148.
Arocha, F., Ortiz, M., Barrios, A., Debrot, D. and Marcano, L.A. 2009, catch rates for sailfish (Istiophorus
albicans) from the small-scale fishery off Guaira, Venezuela: Period 1991-2007. Collect. Vol. Sci. Pap.,
ICAT 64(6): 1844-1853.
1532
Bayley, R.E., and Prince, E.D. 1994, Billfish tag-recapture rates in the western Atlantic and the ICCAT billfish
tagging program. Collect. Vol. Sci. Pap. ICCAT 42(2): 362-368.
Beardsley, G.L. 1980, Size and possible origin of sailfish, Istiophorus platypterus, from the eastern Atlantic
Ocean. Fish. Bull., 78: 805-808.
Conover, W.J. 1980, Practical Nonparametric Statistics John Wiley and Sons, New York. 493 pp.
Goodyear P. 2003, Biological reference points without models. Collect. Vol. Sci. Pap. ICCAT, 55(2): 633-648
Graves, J.E. and J.R. McDowell. 1994. Genetic analysis of billfish population structure. Report of the second
ICCAT Billfish Workshop. Collect. Vol. Sci. Pap. ICCAT, 41: 505-515.
Mourato, B.L., Hazin, H.G., Lima, C.W., Travassos, P., Arfelli, C.A., Amorim, A.F., Hazin, F.H.V. 2009, Catch
possibilities of sailfish (Istiophorus platypterus) based on environmental factors in the southwestern
Atlantic Ocean. In review. Aqua. Liv. Res. 31 pp.
Mourato, B.L., Amorim, A.F., Arfelli, C.A., Hazin, H.G., Hazin, F.H.V., Wor, C. 2009, Standardized CPUE of
Atlantic sailfish (Istiophorus platypterus) caught by the recreational fishery in southern Brazil (19962007). Collect. Vol. Sci. Pap. ICCAT, 64(6): 1941-1950.
Orbesen, E.S., Hoolihan, J.P., Serafy, J.E., Snodgrass, D., Peel, E.M. and Prince, E.D. 2008, Transboundary
movement of Atlantic istiophorid billfishes among international and U.S. domestic management areas
inferred from mark-recapture studies. Mar. Fish. Rev., 70(1): 14-23.
Orbesen, E.S., Snodgrass, D., Hoolihan, J. P. and Prince, E.D. 2010, Updated U.S. conventional tagging database
for Atlantic sailfish (1956-2009), with comments on potential stock structure. Collect. Vol. Sci. Pap.
ICCAT, 65. In press. (SCRS/2009/047).
Prager, M.H. 1994, A suite of extensions to a non-equilibrium surplus-production model. Fish. Bull. 92: 374389.
Prince, E.D., and Goodyear, C.P. 2006, Hypoxia based habitat compression of tropical pelagic fishes. Fish.
Oceanogr. 15: 451-464.
Yokawa, K., Takeuchi, Y. 2002, Standardization of CPUE for sailfish caught by Japanese longline in the
Atlantic Ocean. Collect. Vol. Sci. Pap, 54(3): 817-825.
1533
INFOºRME DE LA REUNIÓN DE EVALUACIÓN
DEL STOCK DE PEZ VELA DE 2009
(Recife, Brasil, 1-5 de junio de 2009)
1. Apertura, adopción del orden del día y disposiciones para la reunión
El Dr. Fabio Hazin, Presidente de la Comisión, y el Dr. Sergio Mattos, de la Secretaría Especial de Acuicultura y
Pesca de Brasil, dieron la bienvenida a los participantes y se ofrecieron a hacer cualquier cosa que pudiera
facilitar una reunión eficaz. El Dr. Víctor Restrepo (Secretaría de ICCAT) dio las gracias a los anfitriones
brasileños por la excelente preparación de la reunión.
La reunión fue presidida por el Dr. David Die (Estados Unidos). El Dr. Die dio la bienvenida a los participantes
en el grupo de trabajo y revisó los objetivos de la reunión en el contexto del plan de trabajo del Grupo de
especies de istiofóridos (Apéndice 4). El orden del día (Apéndice 1) fue adoptado con un pequeño cambio en el
orden de los puntos. La lista de participantes se adjunta como Apéndice 2. La lista de los documentos
presentados a la reunión se adjunta como Apéndice 3.
Los siguientes participantes actuaron como relatores de las diferentes secciones del informe:
Sección
Relatores
1, 8
2
3
3.1
3.2
3.3
4
5-7
V. Restrepo
C. Wor, F. Arocha, M. Ortiz, G. Diaz
D. Die, V. Restrepo
E. Prince y F. Hazin
M. Ortiz, V. Restrepo, H. Andrade, D. Die
G. Scott, P. Goodyear, F. Arocha
P. Goodyear, J. Hoolihan
D. Die
2. Actualización de los datos para la evaluación
2.1 Estimaciones de captura
El grupo dedicó considerables esfuerzos a separar las capturas históricas de SAI/SPF entre las dos especies para
aquellas flotas que lo requerían, ya que durante muchos años habían comunicado juntas las capturas de pez vela
y Tetrapturus spp.: Japón, Corea y Taipei Chino. Se llevaron a cabo análisis sobre la proporción de pez vela en
las capturas agregadas de pez vela/Tetrapturus spp. declaradas por los observadores científicos de todas las
flotas palangreras. Aunque las distribuciones espaciales del pez vela y Tetrapturus spp. están ampliamente
solapadas, hay diferencias significativas en las concentraciones relativas por localización y flota (Figuras 1-3).
La inspección de la proporción de pez vela indica que el pez vela presenta mayores proporciones del total a lo
largo de las zonas costeras y en los trópicos, mientras que las proporciones de Tetrapturus spp. son mayores en
mitad del océano, al Norte y al Sur de los trópicos.
Los recuentos de las ratios de pez vela frente a la suma de los recuentos de pez vela y Tetrapturus spp. a partir de
los datos de observadores por cuadrículas de 5x5 tienen una distribución muy desigual en el tiempo, el espacio
(Tabla 1) y entre flotas (Figuras 1-3). Lo mismo puede decirse de la distribución relativa de la captura de
palangre del total de pez vela y Tetrapturus spp. (Tabla 2). Un examen de la ratio de los recuentos de
observadores por tonelada declarada capturada por cuadrícula de 5x5 también mostraba una distribución
desequilibrada (Tabla 3). La mayoría de las zonas ecuatoriales tienen un gran número de recuentos de
observadores por tonelada, mientras que las latitudes templadas y superiores tienen pocas observaciones
relacionadas con la captura de SAI y SPF (Tabla 3). Se utilizó un modelo binomial (Apéndice 5) para alisar
estas diferencias y obtener predicciones de la proporción de pez vela para cada localización para la que se
disponía de algunos datos para una flota determinada. Dichas predicciones del modelo reflejan los efectos de los
factores incorporados en el modelo, la flota, el trimestre, la zona (costera/ecuatorial u otra parte) y la distancia de
la zona de convergencia ecuatorial (3 grados Norte). Las predicciones por trimestre solo pueden realizarse para
aquellas zonas en las que están disponibles los datos por trimestre, es decir, Estados Unidos, Taipei Chino,
España, Venezuela y Brasil. En el caso de la flota japonesa y dado que los únicos datos disponibles para el grupo
para dicha flota estaban agregados por año completo, las predicciones se realizan para todo el año y no por
1534
trimestre. Para una flota determinada, estas predicciones se hicieron solo para las combinaciones de cuadrícula y
trimestre para las que había, al menos, 20 observaciones para un trimestre determinado.
Para desarrollar las ratios predichas para los trimestres-cuadrículas para los que no se disponía de datos de
observadores se calculó una ratio combinada para cada cuadrícula. Esta ratio combinada se calculó como la
media de las predicciones del modelo, disponible para dicha cuadrícula, de todas las flotas y todos los trimestres.
Por lo tanto, esta ratio representa una media de las predicciones para una cuadrícula y no varía con el trimestre.
Para la flota coreana sólo se utilizaron estas ratios. Para aquellas cuadrículas para las que no se disponía de
predicciones porque no había datos de observadores, se utilizó una media de las ratios de las cuadrículas vecinas.
Cualquier cuadrícula en latitudes superiores a las de la matriz (~ 50 grados) se asume que tiene 0% de pez vela.
Las ratios resultantes se utilizaron posteriormente para separar las capturas de pez vela y Tetrapturus spp. para
las flotas que las habían declarado combinadas (Tabla 4).
La Secretaría actualizó el conjunto de datos de SAI/SPF de Tarea I en todo 2007 basándose en los últimos datos
declarados y en las capturas de los palangreros calculadas durante la reunión. Para aquellas flotas que contaban
con capturas recientes pero ninguna captura declarada para 2007, el Grupo decidió utilizar la captura media de
2004-2006. Las capturas resultantes por pabellón y stock (Tabla 5) fueron utilizadas en la evaluación para
estimar las capturas totales por stock (Figura 4).
2.2 Biología
2.2.1 Ratio de sexos
Se presentó nueva información sobre la estacionalidad de la ratio de sexos por talla para el Atlántico central
occidental de la pesquería de palangre pelágico y de redes de enmalle artesanales venezolanas (SCRS/2009/025).
La ratio total de sexos del pez vela capturado por las dos pesquerías venezolanas fue de 0,346, lo que indica un
fuerte predominio de machos. La ratio de sexos estacional (trimestral) por talla para las pesquerías combinadas
durante la mayor parte de la temporada se encontraba en su cifra más baja para las tallas <165 cm LJFL. La ratio
de sexos por talla aumentó constantemente hasta 185 cm LJFL, cifra en la que se nivela o se detiene en ≤ 0,75,
para las tallas >165 cm LJFL. La ratio de sexos estacional (trimestral) por talla y por pesquería mostraba
diferentes patrones de tendencias. En la pesquería de palangre pelágico la tendencia se invertía en comparación
con la tendencia de las pesquerías combinadas y la de la de la pesquería artesanal. Los machos eran dominantes
en las tallas más grandes (>170 cm LJFL). Puede concluirse que los hallazgos presentados en relación con la
proporción de hembras por talla sugieren que la mortalidad por pesca puede ser diferente por sexo, dependiendo
del arte y la temporada, pero sus patrones no se comprenden aún completamente.
2.2.2 Datos de marcado
El documento SCRS/2009/047 presentaba una actualización de los datos de marcado convencional
estadounidenses para el pez vela del Atlántico, que abarcaba más de 55 años e incluía 92.201 peces vela
marcados y 1.896 recapturas. No se habían registrado movimientos transatlánticos o transecuatoriales, lo que
sugiere que los peces vela del Atlántico norte occidental tienen una distribución más bien costera sin
movimientos evidentes hacia el Atlántico oriental y el Atlántico sur.
Se presentaron las preferencias de profundidad y temperatura basadas en datos de marcas PSAT tanto para el
océano Atlántico norte occidental como para el Atlántico sur occidental (SCRS/2009/048 y SCRS/2009/63,
respectivamente). Los datos del Atlántico norte occidental se referían a 16 peces vela marcados en la parte
meridional del Golfo de México y en los Estrechos de Florida. Los resultados demostraron una estrecha
asociación del pez vela con las capas cálidas superficiales (<20 m), aunque presentaban numerosos movimientos
verticales repetidos de corta duración por debajo de la termoclina local, hasta profundidades de 50-150 m. Los
datos de temperatura de las PSAT mostraban que el pez vela pasa más del 90% de su tiempo en aguas que
oscilan entre 25 y 29 ºC. La información obtenida de dos peces vela marcados en el Atlántico sur occidental, en
aguas de la costa sudoriental brasileña, mostraba un patrón similar a la obtenida de los peces marcados en el
Atlántico norte; es decir, ambos peces pasaron la mayor parte de su tiempo en los diez metros superiores,
presentando inmersiones profundas ocasionales.
1535
2.2.3 Comportamiento
Un documento de referencia (Mourato et al., en revisión) presentaba un modelo de análisis de regresión
generalizado y de predicción espacial (GRASP) aplicado a datos de captura y esfuerzo de la flota de palangre
atunera de Brasil (1998-2006) y a datos de talla (LJFL) de ICCAT. Los resultados sugerían que las
probabilidades espaciales de captura están relacionadas con la distancia desde la costa y que los ejemplares más
grandes son más frecuentes al Oeste de 40ºW así como al Este de 25ºW. La mayor proporción de peces vela
capturados a lo largo de la costa brasileña, entre 25ºW y 40ºW, está compuesta por ejemplares de <155,0 LJFL.
2.3 Tasas de captura y estimaciones de abundancia relativa
Se presentaron al Grupo tres documentos que estaban relacionados con temas de tasas de captura pero que no
proporcionaban estimaciones de índices de abundancia. Estos documentos se describen a continuación.
El documento SCRS/2009/048 presentaba la descripción de la utilización del hábitat del pez vela basada en datos
recopilados en 16 PSAT desplegadas en el Golfo de México meridional entre 2005 y 2007 a bordo de un
palangrero comercial. Los resultados indicaban que el pez vela se asociaba principalmente con las aguas
superficiales inferiores a 20 metros de profundidad. Pero presentan numerosos movimientos verticales repetidos
por debajo de la termoclina local hasta profundidades de 50-150 m. Estos resultados indicaban que la
distribución vertical del pez vela coincide con las profundidades en las que pesca el palangre pelágico calado
superficialmente y que las repetidas inmersiones profundas pueden permitir que se produzcan interacciones con
palangres calados a profundidad. Sin embargo, el Grupo discutió este asunto porque los datos fueron recopilados
en despliegues cortos (10 días), y los resultados podrían no reflejar plenamente el comportamiento normal del
pez vela. Se ha sugerido que tras un suceso de captura-liberación el comportamiento del pez vela podría ser
errático durante un periodo de hasta 10 días.
El documento SCRS/2009/049 aplicaba una metodología de estandarización basada en el hábitat (statHBS), que
se basa en supuestos acerca de preferencias de temperatura de las especies y en la distribución de profundidad de
los anzuelos del palangre, para desarrollar índices de abundancia relativa del pez vela basados en los datos de
observadores del palangre estadounidense. El examen de los datos de los observadores indicó que la flota de
palangre estadounidense no captura casi nunca peces vela al Este de 73ºW y que la captura desciende
rápidamente a temperaturas de superficie inferiores a 24ºC. La mayoría de los encuentros con la flota de palangre
estadounidense se produjeron a lo largo de la costa oriental de Estados Unidos y en el Golfo de México. Los
análisis de la captura por unidad de esfuerzo se restringieron a aquellas zonas y meses en los que la temperatura
de la superficie del mar era de ≥ 24ºC. La serie temporal de los datos de observadores disponibles para el análisis
era desde 1992 hasta 2006, con datos preliminares de 2007 también disponibles. La metodología statHBS se basa
en la correspondencia entre las variables del hábitat preferido de las especies y las profundidades de los anzuelos
de palangre registradas en la base de datos de observadores de palangre. Las temperaturas observadas que ocupa
el pez vela a partir de los datos de PSAT fueron utilizadas para elaborar distribuciones previas de sus
preferencias de hábitat. La CPUE ajustada con statHBS era similar a la CPUE nominal. Ambas series mostraban
amplias variaciones en la abundancia relativa que eran probablemente resultado del poco tamaño de la muestra y
variaciones anuales en las distribuciones de la pesquería como resultado de vedas espacio-temporales
implementadas en 2001. Cálculos más detallados de las profundidades de anzuelos y el tratamiento espacial
podrían mejorar los resultados, pero la escasez de datos sugiere que esto podría no producir resultados útiles.
El documento SCRS/2009/051 analizaba las capturas de marlines obtenidas durante una campaña llevada a cabo
en el palangre de superficie comercial español en la que se probaron tres tipos de anzuelo y dos tipos de cebo en
las áreas intertropicales del Atlántico utilizando 263.210 observaciones anzuelo-cebo. Las tasas de captura y la
proporción de lances positivos se analizaron utilizando un GLM (delta-lognormal) a nivel de las especies. La
zona era el factor más importante (solo o en interacción con otros) al explicar las tasas de captura y/o la
proporción de lances positivos de la mayoría de las especies de istiofóridos capturadas. Los factores probados
(anzuelo y cebo) no eran significativos para ninguna de las especies de istiofóridos. A pesar de la falta de
significación (estadística) descubierta para ambos factores, los resultados sugieren que anzuelos alternativos
podrían producir cambios en la CPUE media de los istiofóridos de entre -13% y +9% dependiendo de las
especies y del tipo de anzuelo utilizado. El cebo alternativo (calamar) podría producir también cambios en la
CPUE media de entre el -7% y el +18%. La interacción entre anzuelos y cebo alternativos podría conducir a
cambios en la CPUE media de entre el -24% y el +45%, dependiendo de la combinación de ambos factores y de
las especies consideradas. El modelo asumido era adecuado tanto para BUM como para SPF pero para otras
especies podrían explorarse distribuciones de error alternativas. La selección de la zona y el diseño experimental
podrían desempeñar un papel decisivo a la hora de predecir las ventajas o desventajas de utilizar ciertos
1536
elementos en un arte pesquero, especialmente en el caso de especies poco frecuentes en las que la proporción de
observaciones cero tiende a ser elevada.
2.3.1 Estimaciones de abundancia relativa
El documento SCRS/2009/032 presentaba la tasa de captura estandarizada de la pesquería artesanal de Côte
d’Ivoire. Esta pesquería artesanal de redes de enmalle fue muy activa entre 1988 y 2008 y los desembarques
incluyen grandes túnidos, especies afines, istiofóridos y pez espada. Se utilizó un modelo lineal generalizado
para facilitar índices de CPUE estandarizada para el pez vela del Atlántico. El modelo incluía tres factores
explicativos, a saber “año”, “mes” y “trimestre” con interacción entre ellos. La CPUE estandarizada, para el
periodo considerado, mostraba una fuerte tendencia descendente.
El documento SCRS/2009/054 presentaba la versión actualizada de los análisis de la pesquería artesanal
senegalesa que fueron presentados originalmente durante la reunión de 2008 de preparación de datos de pez vela.
Contiene estimaciones de índices de abundancia relativa para el periodo de 1989-2006 y sugiere una ligera
tendencia descendente en la abundancia aunque en presencia de una elevada variabilidad interanual.
El documento SCRS/2009/033 presentaba las tasas de captura estandarizadas de la flota de palangre pelágico
venezolana (kg/1000 anzuelos) estimadas utilizando datos recopilados por observadores científicos. El periodo
cubierto por el índice era 1991-2007. El procedimiento de estandarización utilizaba un modelo GLM con un
supuesto de error delta-lognormal. Las variables incluidas en el análisis fueron año, buque, área, temporada,
cebo y profundidad de pesca. El índice estimado mostraba una tendencia descendente y altamente variable desde
1991 hasta 2001, cuando alcanzó el menor valor de la serie temporal, y una tendencia claramente ascendente
desde 2001 hasta 2007.
El documento SCRS/2009/045 presentaba las estimaciones de la CPUE estandarizada de la flota de palangre
pelágico estadounidense para el periodo de 1986 hasta 2008. La estandarización se llevó a cabo utilizando un
enfoque de GLM asumiendo una distribución de error delta lognormal. Los procedimientos de estandarización
incluían las variables localización, temporada y año. Otras variables que se incluyeron para reflejar las diferentes
prácticas de pesca fueron el tipo de anzuelo, el número de bastones de luz, la especie objetivo, la longitud de la
línea madre y una clasificación de categorías de los buques estadounidenses basada en un conjunto predefinido
de variables (por ejemplo, tamaño y tipo del buque, área de operación, etc.). Los índices de abundancia se
estimaron a partir de registros obligatorios de los cuadernos de pesca (en número de peces y peso/1000 anzuelos)
y a partir de datos recopilados por observadores científicos (peso/1000 anzuelos). Los tres índices mostraban
tendencias similares, con un descenso desde 1992 hasta aproximadamente 2005 y un aumento en los dos últimos
años de la serie temporal. Se indicó que en los dos últimos años Estados Unidos aumentó enormemente la
cobertura de observadores en el Golfo de México, hasta el 75-80% (del número de lances de pesca). Por lo tanto,
la tendencia creciente observada en estos 2 años podría reflejar una mejor cobertura y comunicación.
El documento SCRS/2009/046 presentaba los índices de abundancia estandarizados para la pesquería recreativa
estadounidense estimados a partir de: 1) torneos de pesca durante 1973-2008 (RBS) y 2) una campaña de
recopilación de datos de las pesquerías de recreo durante 1981-2008 (MRFSS). Las tasas de captura fueron
estimadas como el número de peces/1000 horas de pesca. En la estimación de las tasas de captura se utilizaron
sólo los datos de los torneos dirigidos al pez vela utilizando cebo vivo. Se utilizó un enfoque GLM y las
variables incluidas fueron año y temporada. La localización no se incluyó porque todos los torneos estaban
situados en la misma zona de ordenación nacional de Estados Unidos (costa Este de Florida). Dado que más del
95% de los registros (captura y esfuerzo por día) mostraban capturas de pez vela, sólo se ajustó un modelo (tasa
de captura) asumiendo una distribución de error lognormal. En el caso del índice estimado a partir de la campaña
de recopilación de datos, se utilizó un GLM asumiendo una distribución de error delta lognormal. Se ajustaron
modelos separados a la proporción de mareas positivas (proporción de mareas recreativas que capturaron al
menos un pez vela – distribución de error binomial) y a la tasa de captura de mareas positivas (distribución de
error lognormal). Las variables incluidas fueron área, temporada, tipo de marea y aguas cercanas a la costa frente
a alta mar. Aunque ambos índices se estimaron utilizando datos que cubrían diferentes rangos geográficos y
sistemas de recopilación de datos, mostraron tendencias de abundancia notablemente similares. El menor valor
de ambos índices correspondía al año 1982 y desde 1982 hasta finales de los 90 se observó una tendencia
ascendente. En el periodo 2000-2001 se observó una brusca caída y a partir de entonces una tendencia
ascendente.
El documento SCRS/2009/066 presentaba tasas de captura estandarizadas para la pesquería de palangre brasileña
para el periodo 1978-2008. Se utilizó un enfoque GLM con un supuesto de error delta lognormal para estimar
1537
dos índices estandarizados. Ambos índices incluían los factores año, área y trimestre en el procedimiento de
estandarización. Un índice incluía también un factor “objetivo” estimado mediante un análisis de conglomerado.
Ambos índices mostraban tendencias similares pero el índice que incluía el factor “objetivo” era mucho más
variable. Por esta razón, en la evaluación, el Grupo decidió utilizar el índice sin el factor “objetivo”.
El documento SCRS/2009/067 presentaba las CPUE estandarizadas para el pez vela capturado por palangreros
japoneses en el Atlántico para el periodo 1994-2007. La prueba de sensibilidad llevada a cabo con el modelo
Hábitat para el patrón de distribución vertical del pez vela reveló que el modelo era muy robusto ante los
cambios en la distribución de probabilidad de presencia en las capas más superficiales, pero sensible a los
cambios en la distribución de las capas más profundas. Las estimaciones de la CPUE estandarizada obtenidas
con el enfoque GLM para los datos de aguas de África occidental eran similares a las obtenidas por el modelo
Hábitat que utilizaba patrones de distribución vertical a partir del pez espada pero aplicados a los datos de pez
vela.
El Grupo acordó que la falta de una serie temporal ininterrumpida de abundancia relativa para el palangre de
Japón y el palangre de Taipei Chino comprometería el proceso de evaluación. Por lo tanto se intentó calcular
dichos índices durante la reunión analizando los datos de CATDIS de 5x5 disponibles en ICCAT (Apéndice 6).
El Grupo llegó a la misma conclusión respecto a la falta de un índice para la pesquería de Ghana, e igualmente
decidió intentar utilizar los datos disponibles en la reunión para desarrollar un índice para esta pesquería
(Apéndice 7).
La lista final de índices de abundancia (Tabla 6) que estaban disponibles para el Grupo incluía los comunicados
anteriormente en esta sección más unos pocos disponibles de evaluaciones previas: el de recreo de Venezuela
(Alio y Marcano, 2001), el de palangre japonés (Yokawa y Takeuchi, 2002) y el de Taipei Chino (Anon. 2002)
de la evaluación de 2001, así como el de red de enmalle de Venezuela (Arocha, et al. 2009) y el deportivo de
Brasil (Mourato, et al. 2009) de la reunión de preparación de datos de 2008. Los valores anuales para cada índice
están disponibles en la Tabla 7 y la Tabla 8 y se presentan en la Figura 5.
2.3.2 Cálculo de índices de abundancia combinados
Los índices combinados se estimaron utilizando un enfoque GLM asumiendo un error logarítmico para la CPUE
y los factores incluidos en el modelo fueron “flota” y “año”. Las estimaciones finales se obtuvieron retransformando (back-transforming) la media de cuadrados mínimos (LSMEANS) y corrigiendo el sesgo
utilizando el error estándar del modelo final. Se estimaron tres índices combinados alternativos: 1) sin ponderar,
2) ponderado por la captura anual de cada flota y 3) ponderado por el número de cuadrículas de 5x5 pescadas por
cada flota en cada año. Se estimaron índices de abundancia combinados para los stocks oriental y occidental
respectivamente.
Stock occidental
Los índices utilizados para el stock occidental fueron JPN LL-1, JPN LL-2, TAI LL-1, TAI LL-2, TAI LL-3, US
RR-RBS, US LL-PLL (kg), VEN RR, VEN GIL, VEN LL, BRZ RR y BRZ LL.
En el caso de las pesquerías recreativas de Brasil y Estados Unidos, se asignaron capturas de 0,1 t a aquellos
años en los que las capturas recreativas no estaban incluidas en la tabla de Tarea I (Brasil 1996-2007 y Estados
Unidos 2003-2007). El número de cuadrículas de 5x5 pescadas por cada pesquería comercial se obtuvo de
CATDIS, que proporciona la captura de cada flota por cuadrícula y por trimestre. Para cada flota, se identificó
para cada año el trimestre con el mayor número de cuadrículas pescadas y este número de cuadrículas se asignó
al año entero.
En el caso de la pesquería de palangre de Brasil, que no tenía información en CATDIS para los últimos seis años
de la serie temporal (2003-2008), el número medio de cuadrículas pescadas durante el periodo 2000-2002 se
asignó a los años que faltaban. Para las pesquerías de recreo, el Grupo utilizó varias cuadrículas estimadas
utilizando los conocimientos y la experiencia de los científicos nacionales. El número de cuadrículas para las
pesquerías de recreo de Brasil, Venezuela y Estados Unidos se estimó en 2, 4 y 5 respectivamente. Los índices
de abundancia combinados estimados se muestran en la Tabla 9 y en la Figura 6.
1538
Stock oriental
El índice combinado para el stock oriental se estimó utilizando los índices CIV GIL, GHN ART, SEN ART, JPN
LL-1 y JPN LL-2. Los índices combinados se estimaron utilizando los mismos modelos estadísticos y esquemas
de ponderación utilizados para el stock occidental y se muestran en la Tabla 9 y en la Figura 6.
3. Evaluación
El Grupo acordó utilizar varios métodos, centrándose principalmente en los análisis del modelo de producción.
Se utilizaron diversas variantes de estos: ASPIC (Praeger, 1994, asumiendo una función de producción
Schaefer), modelos tipo Schaefer y tipo Fox programados en Excel, y un modelo Bayesiano tipo Schaefer
(Andrade y Kinas, 2007). Además, se realizaron otros análisis que demandan menos datos: dos análisis basados
en tendencias de CPUE (sin tener en cuenta la captura) y un análisis de tendencias de las tallas medias y de la
dispersión de las distribuciones de talla.
3.1 Estructura del stock: escenarios alternativos
Los análisis iniciales para definir la estructura de stock del pez vela del Atlántico se llevaron a cabo por primera
vez en las Segundas Jornadas de trabajo de ICCAT sobre istiofóridos celebradas en Miami, Florida en 1992
(Anon. 1994). En esa reunión, el Grupo de trabajo sobre istiofóridos examinó tres tipos de datos para este fin:
análisis genéticos (Graves y McDowell, 1994), datos de marcado (Bayley y Prince, 1994) y talla media de los
desembarques en el Atlántico occidental y oriental (Anon. 1994). No había indicaciones de múltiples estructuras
genéticas del stock, ni tampoco había evidencias procedentes del marcado-recaptura que indicaran movimientos
transatlánticos o transecuatoriales. Sin embargo, el Grupo de trabajo de 1992 descubrió que había diferencias
altamente significativas en la talla media (en longitud, LJFL, cm) de los desembarques de pez vela entre el
este/oeste y, por tanto, en aquel momento se consideró adecuada una unidad de ordenación este/oeste (Anon.
1994). Durante la reunión actual se formuló una recomendación respecto a que estos tres protocolos podrían
servir de base para elegir hipótesis alternativas sobre la estructura del stock siempre que las limitaciones de
tiempo permitan esta opción.
Se concluyó que, en aras de la coherencia/continuidad con evaluaciones pasadas de pez vela, el Grupo de
trabajo, como mínimo, debería proceder en base a dos hipótesis sobre la estructura del stock: es decir Atlántico
este y oeste. Se discutieron posibles ensayos exploratorios con hipótesis alternativas sobre la estructura del stock
y, de forma general, se estimó que en una reunión de evaluación de 5 días era poco probable que el Grupo de
trabajo tuviera tiempo para hacer ensayos adicionales. Las opiniones variaban entre no recomendar ensayos
exploratorios y ensayar una posible alternativa agregada Sur Oeste o Este/Sur Oeste (a causa de la proximidad
geográfica de la punta oriental de Brasil y de África/Oeste).
Orbesen et al. (SCRS/2009/047) actualizaron los datos de marcado convencional sobre pez vela y señalaron que
aunque las colocaciones de marcas convencionales en peces vela eran casi el doble que las de cualquier otra
especie objetivo principal (casi 100.000), en los últimos 55 años no se habían documentado movimientos
transatlánticos ni transecuatoriales. Dado el número total de colocaciones y dado que el pez vela tiene la mayor
tasa de recuperación entre los istiofóridos (segunda mayor tasa de recuperación entre las especies objetivo), el
hecho de que el pez vela sea la única especie que no ha tenido movimientos transatlánticos ni transecuatoriales
documentados es significativo. Orbesen et al. (SCRS/2009/047) sugirieron que esto demuestra aún más la mayor
distribución costera de esta especie en comparación con los marlines y Tetrapturus spp. El desplazamiento más
largo confirmado de un pez vela fue de aproximadamente 2.100 millas náuticas (Orbesen et al. SCRS/2009/047),
por lo que esta especie puede moverse en largas distancias horizontales pero la ruta exacta de este movimiento
no puede determinarse con el marcado convencional. El SCRS/2009/047 ofrecía también otra información sobre
los datos que podrían considerarse al seleccionar hipótesis alternativas sobre la estructura del stock. Por ejemplo
se señaló que el borde oriental de la columna hipóxica que se extiende hacia el Este en la costa africana
occidental (Prince y Goodyear, 2006) llega hasta 148 millas náuticas de la costa de Brasil y por lo tanto esta
característica oceanográfica dominante podría ser compartida por los dos grupos de pez vela (SW y E). Los
autores consideraron que esto podría respaldar la combinación de estos grupos. Además, la proximidad
geográfica de Brasil a la costa occidental de África (aproximadamente 1.500 millas náuticas) sugiere que podría
ser más probable documentar los movimientos transatlánticos del pez vela con suficientes esfuerzos en cuanto a
liberación de marcas que probarlos desde el Atlántico norte occidental hacia la costa africana (~3.500 millas
náuticas) o hacia el Atlántico sur (aproximadamente 3.000 millas náuticas). Mourato et al. (SCRS/2009/067)
informaron sobre 2 colocaciones de marcas PSAT en aguas meridionales de Brasil y también formularon la
1539
hipótesis de que los movimientos transatlánticos del pez vela podrían ser más probables entre Brasil y África
occidental, aunque el seguimiento de estos peces no respalda necesariamente dichos movimientos. Mourato et al.
(en revisión) discutieron sus hallazgos y descubrieron que los peces vela del Atlántico oriental en aguas de la
costa occidental de África eran más grandes que los peces vela del Atlántico sudoccidental en aguas de Brasil.
Estos hallazgos confirman informes previos de que los desembarques de pez vela del Atlántico oriental son
mayores que los del Atlántico occidental (Beardsley, 1980, Anon. 1994, Prince y Goodyear, 2006).
Al final de la discusión, el Grupo de trabajo consideró que una alternativa al escenario actualmente aceptado de
dos stocks Este/Oeste sería considerar el escenario de dos stocks pero con un stock noroccidental y un stock del
Sur y del Este.
No obstante, debido a limitaciones de tiempo, se decidió que las hipótesis alternativas deberían realizarse
únicamente después de que se hicieran los ensayos iniciales del modelo, si había tiempo para ello. Al final, no se
dispuso de tiempo durante la reunión para llevar a cabo evaluaciones para el escenario alternativo sobre el stock.
3.2 Evaluaciones del modelo de producción
Los modelos de producción se ajustaron con ASPIC a modelos tipo Schaefer y tipo Fox programados en Excel, y
a un modelo Bayesiano tipo Schaefer (Andrade y Kinas, 2007). Los diversos científicos presentes en la reunión
ajustaron un gran número de diferentes combinaciones de modelos y conjuntos de abundancia relativa. Después
de que todos los resultados estuvieran disponibles, el Grupo desarrolló conjuntamente una síntesis de los
resultados del modelo de producción.
3.2.1 Ensayos del modelo ASPIC
Los modelos de producción de las unidades de stock oriental y occidental de pez vela fueron ajustados utilizando
diferentes combinaciones de los índices de abundancia disponibles y diferentes versiones del paquete ASPIC.
Todos los ensayos se llevaron a cabo con ASPIC 5. Los detalles de las diversas combinaciones de índices
intentadas se presentan en el Apéndice 9, pero abarcaban desde utilizar sólo índices combinados desarrollados
por el Grupo hasta utilizar combinaciones de índices únicos. Los casos que utilizaban combinaciones de índices
variaban entre los que utilizaban todos los índices disponibles y algunos casos en los que sólo se utilizaron los
índices de cierto tipo de pesquería (por ejemplo, solo índices de palangre, sólo artesanales, etc.). Algunos casos
usaban diferentes versiones de un índice determinado, como las diferentes versiones del índice del palangre
japonés o los índices recreativos de Estados Unidos. En total, se consideraron 9 casos para el Este y 15 para el
Oeste. Muchas de las estimaciones utilizaron el procedimiento FIT estándar en ASPIC mientras que otras
facilitaron estimaciones de bootstrap. La reponderación iterativa sólo se intentó en dos casos. En todos los casos
fue necesario limitar la biomasa inicial a K para que ASPIC convergiera. Se facilitaron estimaciones de los
parámetros iniciales para la capacidad de transporte K, RMS y los coeficientes de capturabilidad (q) para cada
serie de índices utilizada.
Los resultados de los diversos ajustes fueron muy variables, especialmente para el stock oriental, donde el
número de series de datos y el rango temporal es menor. Los parámetros de ordenación (RMS, ratios de biomasa
y ratios de mortalidad por pesca) y los parámetros de productividad de la población (r y K) mostraron una gran
variación entre los diferentes casos. No obstante, para ambos stocks, hubo casos que produjeron estimaciones de
parámetros que no era probable que fueran verosímiles, lo que indica que ciertas combinaciones de índices de
abundancia no contienen información suficiente para un ajuste razonable.
Si se utilizan las estimaciones de bootstrap de la incertidumbre de los parámetros para evaluar la cualidad del
ajuste, está claro que aquellos casos que tienen menos incertidumbre en las estimaciones se obtuvieron cuando se
utilizaron todos los índices disponibles sin ser combinados en un único índice (Figura 7 y Figura 8).
Los patrones resultantes de biomasa y mortalidad por pesca predichos por estos ajustes variaban enormemente, y
a veces indicaban una grave merma de la biomasa mientras que otras veces sugerían pocos efectos de la pesca.
Lo mismo puede decirse de la mortalidad por pesca, ya que algunos casos indicaban grandes aumentos que
conducían a una sobrepesca fuerte y otros no (Tabla 10).
Las estimaciones de la situación actual del stock son por lo general muy inciertas para algún caso determinado,
tal y como muestra la distribución de estimaciones producida por el bootstrap para los valores más recientes de
tasas de mortalidad por pesca y biomasa (Figura 9) y las estimaciones de las ratios recientes de biomasa y
1540
mortalidad por pesca están altamente correlacionadas. También están correlacionadas las estimaciones de Frms y
Brms (Figura 10).
3.2.2 Efectos de subponderar los datos históricos y de elegir la función de producción excedente
Implementando un modelo de producción en Excel, se examinó el efecto de subponderar los primeros datos de
CPUE en el modelo de producción que utiliza el índice combinado. El índice combinado (obtenido ponderando
la serie disponible en proporción a sus capturas) se utilizó en el modelo de producción, con ponderaciones
iguales por año en un caso y con una subponderación tricúbica de los datos en el otro caso. Las ponderaciones
correspondientes en un año determinado (yi) eran bien iguales a 1,0 o bien determinadas por:
1
2007
47
El efecto de la elección del modelo fue examinado ajustando un modelo tipo Schaefer o uno tipo Fox:
1
1
para el modelo Schaefer, y
para el modelo Fox.
En todos los casos, se asumió que la biomasa inicial (1956) era igual a K (Figura 11 y Tabla 11). No es
sorprendente, para una función determinada de producción excedente, que los resultados obtenidos al
subponderar las CPUE fueran más optimistas que los obtenidos con una ponderación igual. Y, por lo general,
para una elección determinada de ponderaciones, el modelo Fox producía resultados más optimistas. La única
excepción era la ratio actual de F/Frms estimada con el modelo Fox con una ponderación igual, que era mayor que
la misma ratio estimada con el modelo Schaefer (5,40 frente a 4,25).
Durante las discusiones, el Grupo indicó que los ajustes del modelo de producción obtenidos con la
subponderación de los datos históricos y usando un índice de CPUE único eran similares a los ajustes obtenidos
utilizando múltiples índices con ponderación igual. Este fenómeno se ha observado también con otras
herramientas de evaluación.
3.2.3 Modelo de producción bayesiano
Se aplicó un modelo de producción bayesiano, tal y como se describe en el Apéndice 8, a los índices
combinados ponderados por captura. Tras algunas discusiones se elaboraron dos distribuciones previas
(informativas y no informativas) utilizando distribuciones multivariables de Student. Las densidades marginales
de las distribuciones previas utilizadas en ambos modelos bayesianos para el Atlántico este y oeste se muestran
en la Figura 12.
Los resultados preliminares mostraron que las funciones de importancia mixtas obtenidas utilizando un muestreo
de importancia adaptativo (AIS) eran similares a las distribuciones posteriores tal y como indicaban los cálculos
de entropía. Las distribuciones empíricas, obtenidas utilizando SIR después de la aproximación AIS a la
distribución posterior resultaron ser diferentes a las distribuciones previas. Esto era alentador en el sentido de
que los datos parecían ser algo informativos. No obstante, el ajuste de los modelos, evaluado comparando las
observaciones y las predicciones, era muy pobre. El modelo no pudo hacer un seguimiento de los índices de los
primeros años. Por lo tanto, el Grupo decidió intentar también la siguiente función de ponderación con el fin de
asignar ponderaciones mayores a los índices para años recientes:
  max y   yi  3 
wi = 1  
 
n
 
 
3
donde y es el vector con los años, w i es la ponderación para el año ith y n es el número de años que contienen
información acerca del índice de abundancia. Los resultados obtenidos con la función de ponderación eran
similares a los reunidos sin usarlo, por tanto, aquí solo se muestran los resultados calculados con los índices
originales.
1541
Stock occidental
Los ajustes de los modelos a los grandes índices observados en los primeros años y al descenso de los 70 son
pobres incluso aplicando una función de penalización (Figura 13). La biomasa descendió desde el principio de
la serie de datos. Por último, los modelos lineales ajustados a las predicciones para los años más recientes
sugieren pendientes negativas aunque la pendiente de los modelos lineales ajustada a los índices observados es
cercana a cero.
En la Tabla 12 se presenta un resumen de los parámetros y los puntos de referencia tal y como se calcularon
utilizando las estimaciones posteriores. Todas las estimaciones apuntan a escenarios pesimistas. Si dependemos
de las estimaciones de la mediana (cuantiles del 50%) la biomasa real es cercana a la mitad de Brms, mientras que
la captura en el último año de la serie temporal es 1,3 veces la captura en RMS. No obstante, debería tenerse en
cuenta que estas estimaciones proceden de un modelo que no ajusta bien los datos observados.
Stock oriental
Los ajustes de los modelos eran pobres al igual que para el análisis del stock occidental. Los grandes índices y la
variabilidad observada en los primeros años no pueden ser ajustados por el modelo (Figura 14 – paneles
izquierdos). La biomasa descendió desde el principio de la serie de datos. Por último, los modelos lineales
ajustados a las predicciones para los años más recientes tienden a ser negativos aunque la pendiente de los
modelos lineales ajustada a los índices observados es cercana a cero.
En la Tabla 13 se presenta un resumen de los parámetros y los puntos de referencia tal y como se calcularon
utilizando las estimaciones posteriores. Todos los puntos de estimaciones que dependen de las estimaciones de
biomasa son aún más pesimistas que los reunidos para el Oeste. Si dependemos de las estimaciones de la
mediana (cuantiles del 50%) la biomasa real es de aproximadamente 0,15 veces Brms. Aunque la captura en el
último año de la serie temporal analizado (2007) es inferior a Crms, cabe señalar que la mayoría de las capturas en
la última década eran superiores a Crms. Al igual que en el análisis para el Oeste, debería tenerse en cuenta que
estas estimaciones proceden de un modelo que no ajusta bien los datos observados.
3.2.4 Resumen de los análisis del modelo de producción
El examen de las estimaciones de r y K para los diferentes casos sugería que no todos los casos proporcionaban
ajustes satisfactorios. Tres casos en particular produjeron resultados que claramente no son probables, los casos
O3, O4 y O11, en los que los dos primeros estimaban valores de r de 4,0 para el stock oriental y el último
estimaba una capacidad de transporte de aproximadamente 900.000 t para el stock occidental. Estos casos no se
consideran en análisis posteriores. De los casos restantes, algunos producían estimaciones de parámetros que
tampoco era probable que fueran posibles. Para identificar dichos casos, los valores de r y K para todos los
ajustes del modelo de producción se representaron conjuntamente (Figura 15). La mayoría de las estimaciones
se alinean a lo largo de una curva del tipo mostrado en las estimaciones obtenidas al hacer un bootstrap de un
caso individual, pero algunas se alejan claramente de dicho patrón. Los casos G3 y G4 para el Este y G1 y W3
para el Oeste produjeron estimaciones de r ≤ 0,01 y el caso O2 y el ajuste de Excel del Fox tricúbico para el
Oeste produjeron valores de r ≥ 0,9. Estos seis casos tampoco se consideraron en análisis posteriores, lo que deja
un total de seis casos útiles para el stock oriental y diecinueve para el stock occidental.
Es importante señalar el tipo de combinaciones de modelo/parámetro que representan estos casos excluidos
(Tabla 14). En general, ASPIC tenía dificultades para ajustarse a los índices combinados para el stock oriental y
tendía hacia una solución con una r muy baja, a menudo inferior a 0,01. Como se esperaba, el modelo de
producción bayesiano pudo facilitar soluciones con valores más razonables de r, a pesar de que utilizaba el
índice combinado para el Este. Aunque se observó un resultado similar para algunos de los casos que utilizaban
índices combinados para el Oeste, muy a menudo ASPIC podía encontrar soluciones razonables cuando se
utilizaban índices combinados para el stock occidental. En aquellos casos en los que se utilizaba el índice de un
sólo tipo de flota (por ejemplo sólo índices de recreo o sólo índices de palangre en el Oeste), una vez más ASPIC
tendía a no llegar a soluciones razonables. En resumen, los modelos de producción simples, como ASPIC o la
implementación en EXCEL desarrollada por el Grupo, tenían éxito a la hora de facilitar estimaciones de
parámetros de la población para muchos casos, pero no todos, en los que se intentaban diferentes combinaciones
de índices. Por otra parte, el modelo de producción bayesiano facilitaba resultados más coherentes,
probablemente ayudado por el establecimiento de distribuciones previas razonables, aunque no siempre
informativas, para estos parámetros de población. Aún así, está claro que la elección de los índices utilizados a
menudo cambiaba las estimaciones de los parámetros del modelo de producción. Esto incluía a los que tienen
1542
implicaciones en cuanto a ordenación, como las ratios de biomasa y mortalidad por pesca que nos informan
acerca de la situación actual del stock.
Una vez que estas soluciones no probables son excluidas del análisis aparece una imagen más clara de la
condición de estos stocks. En primer lugar, el Grupo examinó la incertidumbre asociada con el error de proceso:
considerado aquí únicamente como la elección del modelo de producción (ASPIC, EXCEL o Bayesiano) y el
índice de abundancia relativa (Figura 15). Existe una gran incertidumbre en los valores de r para ambos stocks,
pero existe la tendencia en los del stock oriental (0,1-0,6) de ser mayores que los del stock occidental (0,02-0,3),
lo que sugiere que el stock oriental es más productivo. Esto es coherente con otras observaciones relacionadas
más directamente con la productividad (Prince y Goodyear, 2006). El rango de tamaños del stock virgen es
también amplio, desde 20.000 hasta 60.000 t, sin embargo, no está claro si el stock oriental es más grande que el
stock occidental.
Las estimaciones de RMS y K están estrechamente correlacionadas para los diferentes casos del stock oriental
(Figura 16). Esto podría reflejar el hecho de que hay pocos índices para el Este y los que están disponibles son a
menudo cortos en el tiempo. Por lo tanto, había menos oportunidad de establecer diferentes hipótesis explicando
el escaso número de casos de ASPIC para el Este. Todos los casos que se intentaron no descubrieron una
estimación única de RMS porque la superficie de la respuesta no tenía un máximo global claro. Las estimaciones
de RMS obtenidas para el stock oriental oscilan entre 1.300 y 2.500 t. Las estimaciones de RMS y K para el
stock occidental son más variables. K tiene un rango similar al del Este, pero las estimaciones de RMS son
inferiores, variando en su mayoría entre 500 y 1.200 t, pero con dos estimaciones bajas de 100 y 300 t,
respectivamente (Figura 16).
Todas las estimaciones de la ratio de la biomasa reciente (B2006/Brms) y las ratios de mortalidad por pesca
(F2007/Frms) para el stock oriental, excepto una, indican que se está produciendo sobrepesca y que el stock está
sobrepescado (Figura 17). Para el stock occidental los resultados son, una vez más, más variables, con 9 casos
que indican que se está produciendo sobrepesca y que el stock está sobrepescado y 7 que indican que no existe
sobrepesca o que el stock no está sobrepescado o ambos (Figura 17). En general, los casos más pesimistas en el
Oeste son aquellos que utilizan índices combinados y los casos más optimistas son aquellos que utilizan diversas
combinaciones de índices únicos.
Para examinar la incertidumbre asociada con el “error de observación”, el Grupo utilizó los resultados de las
estimaciones de bootstrap procedentes de ASPIC y las estimaciones posteriores del modelo bayesiano. Las
estimaciones de incertidumbre para los parámetros del modelo fueron también mayores para el stock oriental que
para el stock occidental pero siguen siendo grandes para ambos (Tablas 10, 12 y 13). Por ejemplo, la ratio de
B2006/Brms estimada a partir del modelo bayesiano con distribuciones previas informativas para el stock oriental y
con un índice combinado era de 0,15, pero los percentiles del 25% y 75% correspondían a 0,11 y 0,22
respectivamente. Para el stock occidental las cifras equivalentes eran 0,47 para la estimación y 0,36 y 0,60
respectivamente para los mismos percentiles. Las estimaciones de la misma ratio obtenidas mediante bootstraps
de los ajustes de ASPIC a un índice combinado oriental (caso F1) eran de 0,24 para la estimación y 0,12 y 0,39
para los percentiles del 25% y 75%. De forma similar, los ajustes de ASPIC a un conjunto completo de índices
disponibles para el Oeste (caso O9) facilitaron la mejor estimación de 1,01, y estimaciones de 0,91 y 1,24 para
los percentiles del 25% y 75% (Figura 18). En general, los casos que utilizaban índices individuales presentaban
menos incertidumbre que los que utilizaban índices combinados. Las estimaciones de bootstrap y bayesianas de
incertidumbre mostraban una incertidumbre considerable para las ratios recientes de biomasa y de mortalidad
por pesca, con algunas soluciones que diferían completamente en las cuestiones de si existe sobrepesca o el stock
está sobrepescado, tal y como refleja la Figura 18.
3.3 Otros análisis de evaluación
Además de los ajustes del modelo de producción, se llevaron a cabo análisis adicionales para facilitar una
perspectiva de la situación del stock. Estos análisis incluían el examen de las tendencias recientes en la
abundancia basándose únicamente en los índices de CPUE, el desarrollo de puntos de referencia sin basarse en
un modelo y un análisis de los cambios en la estructura de tallas de la captura.
3.3.1 Tendencias recientes en la abundancia
Se llevaron a cabo análisis de los índices de CPUE para investigar las tendencias en la abundancia que no hacen
ningún supuesto respecto a si existe un modelo de producción subyacente o cualquier otro modelo de población.
1543
Además, se realizaron otros análisis que seguían los procedimientos descritos en Anon. (2007) para determinar
cambios recientes en la abundancia.
Con el fin de comparar las tendencias recientes de la abundancia (1990-2006) que pueden deducirse de los
índices de CPUE, estos índices se escalaron a la media de cada índice (Tabla 15, Figura 19). Estos índices
escalados se alisaron utilizando modelos aditivos generalizados con una función Loess (GAMLoess). La mayoría
de estos índices fluctúan sin una tendencia durante este periodo y sólo unos pocos muestran una clara tendencia
descendente como los índices del palangre pelágico estadounidense para el stock occidental o una clara
tendencia ascendente como el índice de MRFSS estadounidense, también para el stock occidental (Figuras 20 y
21).
3.3.2 Correlaciones entre índices
Se obtuvieron estimaciones robustas de la correlación entre los diversos índices de CPUE recientes disponibles
para SAI-Oeste y SAI-Este (1990-2007) utilizando el método Pearson (Tabla 16). Por lo general, existía una
correlación pobre entre los doce índices disponibles excepto para los índices del palangre japonés y del MRFSS
estadounidense para el stock occidental, que estaban estrecha y positivamente correlacionados. Estos últimos
índices fluctúan sin una tendencia a lo largo del periodo 1990-2006.
3.3.3 Cambios de la mediana de la abundancia relativa
Otro enfoque aplicado para examinar cambios relativos en la abundancia tal y como evidencian los índices de
CPUE disponibles fue un procedimiento robusto para estimar intervalos de confianza para las ratios de la
mediana de los índices de un año en relación con los índices de otro año. Se estimaron los intervalos de
confianza del 95% utilizando la distribución binomial para la mediana de las ratios de CPUE relativas al año
estándar 2000 siguiendo los procedimientos descritos por Conover (1980). Se utilizaron diez índices para SAIOeste y cuatro para SAI-Este. Para cada índice en un año determinado, se calculó la ratio del valor de ese índice
en relación al año 2000. Posteriormente, las estimaciones del intervalo de confianza para la ratio de cada año se
obtuvieron a partir de valores relativos (Figura 22 y Figura 23).
3.3.4 Puntos de referencia sin basarse en un modelo
Se hicieron estimaciones de B/BRMS para cada uno de los tres índices combinados para el stock oriental y
occidental utilizando los métodos de Goodyear (2003). El método explota el cambio en la abundancia relativa
(CPUE) entre el inicio y el fin de la serie temporal disponible. Se asumió también que una relación de stock
reclutamiento de Beverton-Holt era adecuada para el pez vela. Para el stock oriental, la abundancia relativa
media al inicio de la serie temporal se estimó como la media de los 5 primeros años de CPUE (1967-1971) y la
abundancia relativa más reciente se estimó como la media de los 5 últimos años de la CPUE disponible (20032007). Las estimaciones resultantes de B/BRMS para el stock oriental oscilaron entre 0,08 y 0,19 con una media
de 0,13 para la no ponderada y las dos series temporales de CPUE ponderadas (Tabla 17). Restringir el análisis
para que empezara con los datos de 1980, que omiten los primeros años de estimaciones de abundancia elevada,
dio como resultado un rango más optimista para B/BRMS, de 0,43 a 0,71, con una media de 0,54.
B/BRMS fue estimada de forma similar para el stock occidental, utilizando la CPUE media de 1961-1965 para el
inicio de la serie temporal y la media de los últimos 5 años de datos disponibles (2004-2008) como medida de la
abundancia relativa reciente. Estos supuestos condujeron a estimaciones de B/BRMS para el stock occidental que
oscilaban entre 0,58 y 1,83 con una media de 0,77 (Tabla 17). Restringir el análisis para que empezara con los
datos de 1973, que omiten los primeros años de estimaciones de abundancia elevada, dio como resultado un
rango más optimista para B/BRMS, de 0,80 a 1,99 con una media de 1,32.
3.3.5 Tendencias en los datos de talla
Utilizando la información sobre frecuencia de tallas (longitud mandíbula inferior a la horquilla, centímetros) para
seis flotas del SAI-Oeste y cinco flotas del SAI-Este, se buscaron señales que sugirieran un cambio en la fuerza
de la clase anual durante el periodo 1970-2007. Además, se calculó la información estadística básica (cuartil
25%, mediana y cuartil 75%) para cada flota por año para obtener cualquier posible tendencia de la captura por
talla. Las tallas de las series temporales de las flotas individuales variaban enormemente y eran a menudo
escasas.
1544
Los cuartiles de la frecuencia de tallas para el stock occidental se presentan en la Figura 24 y la Tabla 18. Los
diagramas a largo plazo tanto de Brasil como de Venezuela tenían una ligera variabilidad, pero en general eran
muy planos y estables. Por otra parte, los datos japoneses indicaban una elevada variabilidad, un factor
posiblemente atribuible a la distribución espacial del esfuerzo pesquero. La serie de Taipei Chino (1980-1983)
era demasiado corta para sugerir una tendencia.
Los cuartiles de la frecuencia de tallas para el stock oriental se presentan en la Figura 25 y la Tabla 19. En
estos, los datos de las redes de enmalle de Côte d’Ivoire sugieren una ligera variabilidad en la fuerza de la clase
anual, pero eran bastante estables durante el periodo 1984-2006. Los datos del palangre japonés eran muy
variables para el periodo desde 1974 hasta 2005. Una vez más, esto podría estar asociado con la distribución
espacial del esfuerzo pesquero. Los datos de las redes de enmalle de Ghana, del palangre brasileño y del
palangre de Taipei Chino sugerían variabilidad de la clase anual, pero la serie temporal era demasiado corta para
deducir ninguna tendencia.
3.4 Resumen de los resultados de la evaluación
Es la primera vez que ICCAT ha podido realizar una evaluación completa de ambos stocks de pez vela del
Atlántico mediante varios modelos y utilizando diferentes combinaciones de fuentes de datos. Está claro que
sigue existiendo una considerable incertidumbre respecto a la situación de estos dos stocks, sin embargo, muchos
resultados de los modelos de evaluación presentan pruebas de sobrepesca y de que estos stocks están
sobrepescados, más en el Este que en el Oeste. Aunque algunos de los resultados sugieren un stock saludable en
el Oeste, pocos sugieren lo mismo para el Este. El stock oriental ha resultado ser más productivo en la
evaluación que el stock occidental, proporcionando probablemente un RMS mayor. Es probable que el stock
oriental esté sufriendo mayor sobrepesca y lo más probable es que se haya reducido, más que el stock occidental,
por debajo del nivel que produciría el RMS. Los puntos de referencia obtenidos con métodos sin basarse en
modelos llegan a conclusiones similares.
El examen de las tendencias recientes en la abundancia sugiere que ambos stocks, el del Este y el del Oeste,
sufrieron sus mayores descensos en la abundancia antes de 1990 y, desde entonces, ninguna evidencia prueba un
aumento, o descenso, en la abundancia de ninguno de ellos. En general, existe poca correlación entre los índices
individuales para este periodo, aunque algunos índices individuales descienden o aumentan claramente.
El examen de las frecuencias de talla disponibles proporciona resultados similares a los obtenidos previamente
para los marlines, a saber, que las tallas medias o las distribuciones de talla no han cambiado mucho durante el
periodo para el que existen observaciones, reduciendo así el valor de usar la talla como un indicador de la
presión pesquera.
4. Implicaciones en cuanto a ordenación
Los stocks de pez vela tanto del Este como del Oeste podrían haberse visto reducidos a tamaños inferiores a
BRMS en años recientes, pero existe una incertidumbre considerable, especialmente para el Oeste, ya que varios
ajustes del modelo de producción indicaron que la ratio de biomasa B/BRMS se sitúa tanto por encima como por
debajo de 1,0. Los resultados para el stock oriental eran más pesimistas ya que más resultados indicaban que la
reciente biomasa del stock está por debajo de BRMS.
4.1 Stock oriental
El pez vela del Atlántico este parece haber descendido marcadamente desde los 70, alcanzando el punto más
bajo a principios de los 90. La biomasa del stock muestra pocos signos de recuperación, si es que muestra
alguno. El examen de las tendencias alisadas de la abundancia relativa individual para los años más recientes no
revela un cambio coherente en la trayectoria reciente de la población. Basándose en la información disponible, el
Grupo recomienda que las capturas se reduzcan respecto a los niveles actuales. Cabe señalar, no obstante, que
los pescadores artesanales capturan una gran parte de la captura de pez vela a lo largo de la costa Oeste africana.
La Comisión debería considerar métodos prácticos y alternativos para reducir la mortalidad por pesca y asegurar
los sistemas de recopilación de datos y la comunicación oportuna de los datos de captura y esfuerzo.
1545
4.2 Stock occidental
La evaluación actual del stock del Atlántico occidental sugiere que el stock descendió a lo largo de la serie
temporal disponible pero que ha permanecido relativamente estable desde los 80. El examen de las tendencias
alisadas en la serie temporal individual de abundancia relativa para los últimos 18 años indica diferencias entre
las series temporales que alimentan la incertidumbre respecto a la trayectoria actual de este stock. Estas
observaciones condujeron al Grupo a recomendar que las capturas de pez vela del Atlántico oeste no superen los
niveles actuales. Cabe señalar, no obstante, que las pesquerías recreativas en esta zona son casi en su totalidad
pesquerías de captura y liberación. Además, en años recientes este componente de la pesquería de pez vela ha
ido adoptando tecnologías para minimizar la mortalidad de los peces vela liberados, incluso sin intervención de
ordenación. Los desembarques comerciales están prohibidos en Estados Unidos. Además, los pescadores
artesanales capturan una gran parte de la captura de pez vela del Oeste.
4.3 Otros asuntos
La distribución del pez vela indica una concentración relativamente elevada que se extiendo en todo el Atlántico
tropical, desde Brasil hasta la costa occidental de África. Esta banda relativamente continua sugiere firmemente
un intercambio genético entre los stocks oriental y occidental, y podría también implicar que al menos parte de la
biomasa de pez vela del stock oriental está respaldada por la producción del componente meridional del stock
occidental en aguas de Brasil. No se sabe con certeza si esta conexión es lo suficientemente importante para que
la mezcla entre el stock occidental y el stock oriental sea explícitamente considerada para fines de evaluación y
ordenación. Sin embargo, la biomasa relativa actual del stock oriental parece ser inferior que la del stock
occidental. Esta observación respalda la noción de que los dos stocks, occidental y oriental, deberían
considerarse unidades de ordenación separadas.
5. Resumen ejecutivo de pez vela
Este punto fue aplazado para ser tratado durante las reuniones de los Grupos de especies de 2009.
6. Otros asuntos
El Grupo acordó que el trabajo de evaluación del stock de pez vela llevado a cabo durante la reunión se utilizara
como base para el asesoramiento del SCRS de 2009 y, por lo tanto, no se llevarían a cabo más ensayos del
modelo durante los Grupos de especies o las sesiones plenarias del SCRS.
7. Otros asuntos, todos los istiofóridos
El Grupo examinó el progreso realizado en el plan de trabajo de istiofóridos así como en el Programa de
investigación intensiva sobre marlines. Se hicieron sugerencias para modificar ambos. Se acordó circularlos
después de la reunión a los científicos interesados, con el objetivo de discutirlos más a fondo durante el SCRS de
2009.
8. Adopción del informe y clausura
El Informe fue adoptado por correspondencia. El Presidente dio las gracias a los participantes por el duro trabajo
realizado y a los anfitriones de la reunión por el excelente apoyo logístico, tras ello, declaró clausurada la
reunión.
9. Referencias
Alio, J.J. and Marcano, L.A. 2001, Contrast between the trends of billfish abundance recorded from the sport
fishing activity off Playa Grande Yachting Club and from sport fishing tournaments in the central
Venezuelan coast, during the period 1984-1999. Collect. Vol. Sci. Pap. ICCAT, 53: 291-297.
1546
Anon. 1994, Report of the Second ICCAT Billfish Workshop (Miami. Florida, July 22-29, 1992). Collect. Vol.
Sci. Pap. ICCAT, 41: 13-166.
Anon. 2002, Report of the 2001 Billfish Species Group Session (Madrid, Spain, October 1 to 7, 2001). Collect.
Vol. Sci. Pap. ICCAT, 54(3): 649-754.
Anon. 2007. Report of the 2007 Meeting of the Working Group on Stock Assessment Methods (Madrid, Spain,
March 19 to 23, 2007). Collect. Vol. Sci. Pap. ICCAT, 62(6): 1892-1972.
Andrade, H.E. and Kinas, P.G. 2007, Decision analysis on the introduction of a new fishing fleet for skipjack
tuna in the Southwest Atlantic. Pan-American Journal of Aquatic Sciences (2007) 2 (2): 131-148.
Arocha, F., Ortiz, M., Barrios, A., Debrot, D. and Marcano, L.A. 2009, catch rates for sailfish (Istiophorus
albicans) from the small-scale fishery off Guaira, Venezuela: Period 1991-2007. Collect. Vol. Sci. Pap.,
ICAT 64(6): 1844-1853.
Bayley, R.E., and Prince, E.D. 1994, Billfish tag-recapture rates in the western Atlantic and the ICCAT billfish
tagging program. Collect. Vol. Sci. Pap. ICCAT 42(2): 362-368.
Beardsley, G.L. 1980, Size and possible origin of sailfish, Istiophorus platypterus, from the eastern Atlantic
Ocean. Fish. Bull., 78: 805-808.
Conover, W.J. 1980, Practical Nonparametric Statistics John Wiley and Sons, New York. 493 pp.
Goodyear P. 2003, Biological reference points without models. Collect. Vol. Sci. Pap. ICCAT, 55(2): 633-648
Graves, J.E. and J.R. McDowell. 1994. Genetic analysis of billfish population structure. Report of the second
ICCAT Billfish Workshop. Collect. Vol. Sci. Pap. ICCAT, 41: 505-515.
Mourato, B.L., Hazin, H.G., Lima, C.W., Travassos, P., Arfelli, C.A., Amorim, A.F., Hazin, F.H.V. 2009, Catch
possibilities of sailfish (Istiophorus platypterus) based on environmental factors in the southwestern
Atlantic Ocean. In review. Aqua. Liv. Res. 31 pp.
Mourato, B.L., Amorim, A.F., Arfelli, C.A., Hazin, H.G., Hazin, F.H.V., Wor, C. 2009, Standardized CPUE of
Atlantic sailfish (Istiophorus platypterus) caught by the recreational fishery in southern Brazil (19962007). Collect. Vol. Sci. Pap. ICCAT, 64(6): 1941-1950.
Orbesen, E.S., Hoolihan, J.P., Serafy, J.E., Snodgrass, D., Peel, E.M. and Prince, E.D. 2008, Transboundary
movement of Atlantic istiophorid billfishes among international and U.S. domestic management areas
inferred from mark-recapture studies. Mar. Fish. Rev., 70(1): 14-23.
Orbesen, E.S., Snodgrass, D., Hoolihan, J. P. and Prince, E.D. 2010, Updated U.S. conventional tagging database
for Atlantic sailfish (1956-2009), with comments on potential stock structure. Collect. Vol. Sci. Pap.
ICCAT, 65. In press. (SCRS/2009/047).
Prager, M.H. 1994, A suite of extensions to a non-equilibrium surplus-production model. Fish. Bull. 92: 374389.
Prince, E.D., and Goodyear, C.P. 2006, Hypoxia based habitat compression of tropical pelagic fishes. Fish.
Oceanogr. 15: 451-464.
Yokawa, K., Takeuchi, Y. 2002, Standardization of CPUE for sailfish caught by Japanese longline in the
Atlantic Ocean. Collect. Vol. Sci. Pap, 54(3): 817-825.
1547
TABLEAUX
Tableau 1. Proportion nominale de voiliers dans le regroupement de voiliers-makaires bécunes par 5º de latitude
et de longitude pour toutes les flottilles palangrières et années combinées pour lesquelles les espèces ont été
identifiées séparément: a), pourcentage de voiliers, b), nombre total d’observations, toutes les flottilles toutes les
années.
Tableau 2. Prise totale (t) de voiliers (SAI) makaires bécunes (SPF) par 5x5º, toutes les flottilles palangrières
combinées, estimées d’après la base de données CATDIS de l’ICCAT.
Tableau 3. Proportion du ratio d’échantillonnage (nombre d’observations par tonne de prises de SAI+SPF des
flottilles palangrières) pour estimer les ratios de SAI/SPF par carrés de 5x5º. Il est à noter que dans cette
estimation du ratio d’échantillonnage la prise du carré de latitude 0 et de longitude 0 a été exclue, se référant
probablement à une localisation inconnue pour la prise déclarée.
Tableau 4. Prises (t) de voilier (SAI) et de makaire bécune (SPF) par stock (Est=E et Ouest = W) calculées pour
les flottilles palangrières du Taïpei chinois, du Japon et de la Corée d’après les prises regroupées déclarées de
voilier/makaire bécune et en utilisant les ratios estimés d’après l’ajustement des données des nombres
comptabilisés par les observateurs au modèle binomial présenté à l’Appendice 5.
Tableau 5. Prises estimées (t) de voilier de l’Atlantique (Istiophorus albicans) par stock (Est et Ouest) et
pavillon. Les pavillons mixtes représentent les navires de l’UE France et Espagne.
Tableau 6. Indices de CPUE disponibles pour l’évaluation du voilier.
Tableau 7. Indices standardisés de l’abondance pour le stock de l’Ouest du voilier. Les indices sont dénommés
comme suit: USLL1 = observateurs de la palangre des Etats-Unis, USLL2 = livres de bord de la palangre des
Etats-Unis (kg), USLL3 = nombres de poissons consignés dans les libres de bord de la palangre des Etats-Unis,
USRR1 = tournois de la pêcherie récréative des Etats-Unis (RBS), USRR2 = enquêtes de la pêcherie récréative
des Etats-Unis (MRFSS), VENRR = pêcherie récréative du Venezuela, VENGL = pêcherie de filet maillant du
Venezuela, BRZLL = palangre brésilienne, BRZ = pêcherie récréative brésilienne, JPNLL1 = palangre japonaise
première période, JPNLL2 = palangre japonaise période récente, JPNLL3 = palangre japonaise de la Tâche II.
Tableau 8. Indices standardisés de l’abondance pour le stock de l’Est du voilier. Voir le texte pour la description
de chaque indice. Les indices sont dénommés comme suit: CIVAR = pêcherie artisanale de Côte d’Ivoire,
SENAR, pêcherie artisanale du Sénégal, JPNLL1 = palangre japonaise première période, JPNLL2 = palangre
japonaise période récente, JPNLL3 = palangre japonaise de la Tâche II, KORLL = palangre coréenne.
Tableau 9. Indices d’abondance combinés estimés pour les stocks de l’Est et de l’Ouest. Les indices diffèrent en
raison de la différente pondération utilisée dans le processus de combinaison: “pondéré à la capture ” correspond
à une pondération proportionnelle à la prise déclarée associée à la flottille correspondant à l’indice, “pondéré à la
zone ” à une pondération proportionnelle à la zone de la pêcherie mesurée par le nombre de carrés de 5º dans
lesquelles une prise a été déclarée pour la flottille associée à l’indice.
Tableau 10. Paramètres de gestion obtenus de différents cas ajustés à ASPIC pour les stocks de l’Est et de
l’Ouest du voilier de l’Atlantique. Les valeurs affichées correspondent aux estimations qui n’ont pas été
obtenues par bootstrap de la PME (t), le ratio de la dernière mortalité par pêche de 2007 par rapport à la mortalité
par pêche correspondant à la PME, et le ratio de l’estimation la plus récente de la biomasse de 2006 par rapport à
la biomasse correspondant à la PME. Pour les ajustements par boostrap, les percentiles de 50ème, 25 ème et 75 ème
sont présentés. La description des cas est incluse à l’Appendice 9.
Tableau 11. Résultats des modèles de production sous EXCEL. Estimations de l’état actuel du stock de l’Ouest,
en postulant différentes fonctions de production excédentaire de Schaefer ou de Fox et en utilisant différentes
options de pondération pour l’indice combiné de CPUE.
Tableau 12. Modèle de production bayésien pour le stock de l’Ouest. Résumé des estimations à posteriori, telles
que calculées en utilisant des distributions à priori informatives et non-informatives.
Tableau 13. Modèle de production bayésien pour le stock de l’Est. Résumé des estimations à posteriori, telles
que calculées en utilisant des distributions à priori informatives et non-informatives.
Tableau 14. Description des scénarios du modèle de production exclus des analyses sur la base des valeurs
extrêmes de r ou de K. Les indices représentés sont les suivants: CAW= indice combiné pondéré à la zone,
CCW= indice combiné pondéré à la capture, CUW= indice combiné non-pondéré, JAPLL1 = palangre japonaise
première période, JAPLL2 = palangre japonaise période récente, JAPLL3 = palangre japonaise de la Tâche II,
CIVAR = pêcherie artisanale de Côte d’Ivoire, SENAR = pêcherie artisanale du Sénégal, GHNGL = pêcherie de
1548
filet maillant du Ghana, USLL2 = livres de bord de la palangre des Etats-Unis (kg), USRR1 = tournois de la
pêcherie récréative des Etats-Unis (RBS), USRR2 = enquêtes de la pêcherie récréative des Etats-Unis (MRFSS),
VENRR = pêcherie récréative du Venezuela, VENGL = pêcherie de filet maillant du Venezuela, BRZLL =
palangre brésilienne, BRZ = pêcherie récréative brésilienne, KORLL= palangre coréenne, TAILL = palangre du
Taïpei chinois. * JAPLL1 & JLL2 combiné en un seul indice.
Tableau 15. Indices de CPUE mis à l’échelle, disponibles pour l’estimation des récentes tendances d’abondance,
1990-2007.
Tableau 16. Estimations de Pearson du coefficient de corrélation r au-dessus de la diagonale et valeurs de
probabilité p en-deçà de la diagonale entre les indices disponibles pour le stock Est et Ouest pour 1990-2007. Les
valeurs p représentent la probabilité que r=0. Les indices ombrés correspondent au stock Est.
Tableau 17. Estimations de B/BPME pour divers traitements de la série temporelle de CPUE combinée pour le
voilier de l’Atlantique Est et Ouest en utilisant la méthode présentée dans Goodyear (2003).
Tableau 18. SAI-Ouest: Statistiques des fréquences des tailles, quartile de 75%, médiane et quartile de 25% par
année, 1971-2007, capturées par la flottille palangrière brésilienne, la flottille palangrière japonaise, la flottille
palangrière du Taïpei chinois, la flottille palangrière japonaise en haute mer, la flottille artisanale du Venezuela
et la flottille de filet maillant du Venezuela. Les tailles sont exprimées en longueur maxillaire inférieur-fourche
(cm).
Tableau 19. SAI-Est: Statistiques des fréquences des tailles, quartile de 75%, médiane et quartile de 25% par
année, 1974-2007 capturées par la flottille palangrière brésilienne, la flottille de filet maillant de Côte d’Ivoire, la
flottille palangrière du Taïpei chinois, la flottille de filet maillant du Ghana et la flottille palangrière japonaise.
Les tailles sont exprimées en longueur maxillaire inférieur-fourche (cm).
TABLAS
Tabla 1. Proporción nominal de pez vela en la agregación de pez vela-Tetrapturus spp. por 5 grados de latitud y
longitud para todas las flotas de palangre y todos los años combinados para los que las especies fueron
identificadas por separado: a) porcentaje de pez vela, b) número total de observaciones, todas las flotas y todos
los años.
Tabla 2. Captura total (t) de SAI+SPF por cuadrículas de 5x5, todas las flotas de palangre combinadas,
estimadas a partir de la base de datos de CATDIS de ICCAT.
Tabla 3. Proporción de la ratio de muestreo (número de observaciones por tonelada de captura de SAI+SPF de
las flotas de palangre) para estimar las ratios SAI/SPF por cuadrículas de 5x5. Cabe señalar que en esta
estimación de la ratio de muestreo fue excluida la captura de la cuadrícula lat 0 y lon 0, ya que probablemente se
refiere a una ubicación desconocida para la captura declarada.
Tabla 4. Capturas (t) de pez vela (SAI) y Tetrapturus spp. (SPF) por stock (Este=E y Oeste=W) calculadas para
las flotas de palangre de Taipei Chino, Japón y Corea a partir de la captura agregada declarada de pez vela/
Tetrapturus spp. y utilizando las ratios estimadas a partir del ajuste de los datos de recuento de los observadores
al modelo binomial presentado en el Apéndice 5.
Tabla 5. Capturas estimadas (t) de pez vela del Atlántico (Istiophorus albicans) por stock (Este y Oeste) y
pabellón. Los pabellones mezclados representan buques de CE-Francia y CE-España.
Tabla 6. Índices de CPUE disponibles para la evaluación de pez vela.
Tabla 7. Índices de abundancia estandarizados para el stock occidental de pez vela. Los índices se denominan:
USLL1 = observadores de palangre estadounidense, USLL2 = cuadernos de pesca de palangre estadounidense
(kg), USLL3 = cuadernos de pesca de palangre estadounidense (número de peces), USRR1 = principales torneos
recreativos estadounidenses (RBS), USRR2 = encuestas recreativas estadounidenses (MRFSS), VENRR =
recreativo de Venezuela, VENGL = redes de enmalle de Venezuela, BRZLL = palangre de Brasil, BRZ =
recreativo de Brasil, JPNLL1 = palangre japonés periodo inicial, JPNLL2 = palangre japonés periodo reciente,
JPNLL3 = palangre japonés de Tarea II.
Tabla 8. Índices de abundancia estandarizados para el stock oriental de pez vela. Consultar el texto para la
descripción de cada índice. Los índices se denominan: CIVAR = artesanal de Côte d’Ivoire, SENAR= artesanal
de Senegal, JPNLL1 = palangre japonés periodo inicial, JPNLL2 = palangre japonés periodo reciente, JPNLL3 =
palangre japonés de Tarea II, KORLL = palangre de Corea.
1549
Tabla 9. Índices de abundancia combinados estimados para los stocks del Este y el Oeste. Los índices son
distintos a causa de la diferente ponderación utilizada en el proceso de combinación: “ponderado por captura”
corresponde a una ponderación proporcional a la captura declarada asociada con la flota que corresponde al
índice, “ponderada por área” a una ponderación proporcional al área de la pesquería medida por el número de
cuadrículas de 5 grados en las que la captura fue declarada para la flota asociada con el índice.
Tabla 10. Parámetros de ordenación obtenidos a partir de diferentes casos ajustados a ASPIC para los stocks
occidental y oriental de pez vela del Atlántico. Los valores mostrados corresponden a estimaciones no obtenidas
por bootstrap de RMS (t), la ratio entre la última mortalidad por pesca, 2007, la mortalidad por pesca en RMS, la
ratio entre la estimación más reciente de biomasa, 2006, y la biomasa en RMS. Para los ajustes hechos con
bootstrap, se muestran los percentiles 50, 25 y 75. La descripción de los casos se facilita en el Apéndice 9.
Tabla 11. Resultados de los modelos de producción de EXCEL. Estimaciones actuales de la situación del stock
occidental asumiendo diferentes funciones de producción excedente Schaefer o Fox y utilizando diferentes
opciones de ponderación para el índice de CPUE combinado.
Tabla 12. Modelo de producción bayesiano para el stock occidental. Resumen de las estimaciones posteriores
calculadas utilizando distribuciones previas informativas y no informativas.
Tabla 13. Modelo de producción bayesiano para el stock oriental. Resumen de las estimaciones posteriores
calculadas utilizando distribuciones previas informativas y no informativas.
Tabla 14. Descripción de los ensayos del modelo de producción excluidos de los análisis en base a valores
extremos estimados para r o K. Los índices representados son: CAW = índice combinado ponderado por área,
CCW= índice combinado ponderado por captura, CUW = índice combinado sin ponderar, JAPLL1 = palangre
japonés periodo inicial, JAPLL2 = palangre japonés periodo reciente, JAPLL3 = palangre japonés de Tarea II,
CIVAR = artesanal de Côte d’Ivoire, SENAR = artesanal de Senegal, GHNGL = redes de enmalle de Ghana,
USLL2 = cuadernos de pesca de palangre estadounidense (kg), USRR1 = torneos recreativos estadounidenses
(RBS), USRR2 = encuestas recreativas estadounidenses (MRFSS), VENRR = recreativo de Venezuela, VENGL
= redes de enmalle de Venezuela, BRZLL = palangre de Brasil, BRZ = recreativo de Brasil, KORLL= palangre
de Corea, TAILL = palangre de Taipei Chino. * JAPLL1 & JLL2 combinados como un índice único.
Tabla 15. Índices de CPUE escalados disponibles para la estimación de las tendencias de abundancia reciente
para 1990-2007.
Tabla 16. Estimaciones de Pearson del coeficiente de correlación r por encima de la diagonal y valores de
probabilidad p o por debajo de la diagonal entre los índices disponibles para el stock occidental y oriental para
1990-2007. Los valores p representan la probabilidad de que r = 0. Los índices sombreados corresponden al
stock oriental.
Tabla 17. Estimaciones de B/BRMS para varios tratamientos de la serie temporal de CPUE combinada para el pez
vela del Atlántico este y oeste utilizando el método presentado en Goodyear (2003).
Tabla 18. SAI-Oeste: estadísticas de frecuencia de tallas del cuartil del 75%, la mediana y el cuartil del 25% por
año para 1971-2007 capturadas por la flota de palangre brasileño, la flota de palangre japonés, la flota de
palangre de Taipei Chino, la flota de palangre japonesa de aguas distantes, la flota artesanal de Venezuela y la
flota de redes de enmalle de Venezuela. Las tallas están en longitud mandíbula inferior a la horquilla (cm).
Tabla 19. SAI-Este: estadísticas de frecuencia de tallas del cuartil del 75%, la mediana y el cuartil del 25% por
año para 1974-2007 capturadas por la flota de palangre brasileño, la flota de redes de enmalle de Côte d’Ivoire,
la flota de palangre de Taipei Chino, la flota de redes de enmalle de Ghana y la flota de palangre japonesa. Las
tallas están en longitud mandíbula inferior a la horquilla (cm).
FIGURES
Figure 1. Ratios de voiliers/voiliers+makaires-bécunes pour la Corée, estimés d’après les données des
observateurs. Les ratios sont estimés avec un modèle GLM qui regroupe les données temporelles et utilise les
facteurs suivants: trimestre, flottille, zone (côte-océan) et distance à partir de 5º nord de latitude. Les données
trimestrielles n’étaient pas disponibles pour la Corée au moment de l’analyse.
Figure 2. Ratios de voiliers/voiliers+makaires-bécunes pour le Japon, estimés d’après les données des
observateurs. Les ratios sont estimés avec un modèle GLM qui regroupe les données temporelles et utilise les
facteurs suivants: trimestre, flottille, zone (côte-océan) et distance à partir de 5º nord de latitude. Les données
trimestrielles n’étaient pas disponibles pour le Japon au moment de l’analyse.
1550
Figure 3. Ratios de voiliers/voiliers+makaires-bécunes pour le Taïpei chinois, obtenus d’après les données
estimées. Les ratios sont estimés avec un modèle GLM qui regroupe les données temporelles et utilise les
facteurs suivants: trimestre, flottille, zone (côte-océan) et distance à partir de 5º nord de latitude. Chaque cercle
dans un carré représente les estimations pour chaque trimestre.
Figure 4. Prises totales de voilier estimées pour chaque stock. Les estimations incluent les prises des flottilles
palangrières qui ont été séparées de celles de makaires-bécunes.
Figure 5. Indices d’abondance relative obtenus en standardisant les données de CPUE de diverses flottilles. Tous
les indices ont été mis à l’échelle à la moyenne de chaque série avant la représentation graphique.
Figure 6. Indices d’abondance combinés estimés pour a) le stock de l’Ouest et b) le stock de l’Est. Les indices
diffèrent en raison de la différente pondération utilisée dans le processus de combinaison: “pondéré à la capture ”
correspond à une pondération proportionnelle à la prise déclarée associée à la flottille correspondant à l’indice,
“pondéré à la zone ” à une pondération proportionnelle à la zone de la pêcherie (mesurée par le nombre de carrés
de 5º) dans lesquelles une prise a été déclarée pour la flottille associée à l’indice.
Figure 7. Résultats de l’ajustement du modèle ASPIC du cas F2 pour le stock de l’Est. Chaque panneau
correspond à l’ajustement du modèle de chaque indice de CPUE, en haut à gauche, LL1 JAP et LL2 JAP, en haut
à droite, ART CIV, en bas à gauche ART SEN et en bas à droite GIL GHA.
Figure 8. Résultats de l’ajustement du modèle ASPIC du cas O9 pour le stock de l’Ouest, à tous les indices
disponibles. Les tendances temporelles des ratios de pêche et de biomasse sont représentées dans un diagramme
à phases indiquant lorsque les points de référence de surpêche ou de situation surpêchée sont atteints. Les
nombres près des losanges indiquent l’année de l’estimation.
Figure 9. Résultats de l’ajustement du modèle ASPIC du cas O9 pour le stock de l’Ouest (ligne du haut) et du
cas O7 pour le stock Est (ligne du bas). Distribution de probabilité et distribution cumulative (cercles) pour la
dernière année (2008) des taux totaux de biomasse du stock (panneau de gauche) et de mortalité par pêche
(panneau de droite). La description des cas est incluse à l’Appendice 9.
Figure 10. Résultats de l’ajustement du modèle ASPIC du cas O7 pour le stock de l’Est. Les contours
représentent des quantiles de densité non-paramétriques de 500 scénarios par bootstrap, les points pour chaque
scénario sont également affichés. Panneau de gauche : ratios de mortalité par pêche et de biomasse, panneau de
droite : mortalité par pêche et biomasse correspondant à la PME. La description des cas est incluse à
l’Appendice 9.
Figure 11. Résultats du modèle de production pour les données de l’Atlantique Ouest (indice combiné, pondéré
à la capture) ajustés avec EXCEL. Les résultats montrent les trajectoires de F/FPME (ligne du haut) ou de B/BPME
(ligne du bas). A gauche : résultats du modèle de Schaefer, à droite : résultats du modèle de Fox. Chaque
panneau montre les ajustements obtenus avec une pondération égale des observations de la CPUE ou avec une
pondération inverse des données historiques.
Figure 12. Modèle de production de type bayésien, distributions à priori marginales pour r, k et q. Les lignes en
pointillé représentent les distributions à priori non-informatives, les lignes pleines représentent les distributions à
priori informatives.
Figure 13. Modèle de production de type bayésien, indices et profils de biomasse, calculés en utilisant des
distributions à priori informatives (ligne du haut) et des distributions à priori non-informatives (ligne du bas)
pour le stock de l’Ouest.
Figure 14. Modèle de production de type bayésien, indices et profils de biomasse, calculés en utilisant des
distributions à priori informatives (ligne du haut) et des distributions à priori non-informatives (ligne du bas)
pour le stock de l’Est.
Figure 15. Incertitude dans les estimations de r et de K pour divers cas de modèles de production, qui diffèrent
en fonction de la combinaison du modèle/données utilisée. Trois cas ayant produit des estimations de r de 4 ou
une estimation de K de près de 900.000 t sont exclus de ce graphique. En outre, les cas indiqués par des couleurs
vives représentent les cas additionnels non pris en compte dans les analyses ultérieures car les valeurs de r
étaient soient inférieures à 0,01 soit supérieures à 0,9.
Figure 16. Incertitude dans les estimations de K et de la PME pour divers cas de modèles de production, qui
diffèrent en fonction de la combinaison du modèle/données utilisée.
Figure 17. Incertitude dans les estimations des ratios de biomasse et de mortalité par pêche récents pour divers
cas de modèles de production, qui diffèrent en fonction de la combinaison du modèle/données utilisée.
1551
Figure 18. Résultats de l’ajustement ASPIC du cas O9. Estimations par boostrap des ratios de biomasse et de
mortalité par pêche de l’année terminale avec la valeur de la médiane (cercle rouge).
Figure 19. Tendances de l’abondance récente (1990-2007) d’après les indices de CPUE disponibles. a) stock de
l’Ouest b) stock de l’Est. La colonne à gauche représente les indices mis à l’échelle, la colonne à droite
représente les même indices mais avec lissage par LOESS.
Figure 20. Ajustements du modèle additif généralisé des indices de CPUE disponibles pour le SAI-Ouest (19902007).
Figure 21. Ajustements du modèle additif généralisé des indices de CPUE disponibles pour le SAI-Est (19902007).
Figure 22. Intervalles de confiance estimés pour la médiane des ratios de CPUE, par rapport à l’année standard
2000 pour le SAI-Ouest.
Figure 23. Intervalles de confiance estimés pour la médiane des ratios de CPUE, par rapport à l’année standard
2000 pour le SAI-Est.
Figure 24. SAI-Ouest: statistiques de fréquence de tailles – quartile de 75%, médiane, quartile de 25% capturées dans l’Océan Atlantique (1971-2007) par les flottilles palangrières en haute mer du Brésil, du Japon,
du Taïpei chinois ainsi que par la flottille artisanale du Venezuela et la flottille de filet maillant du Venezuela.
Les tailles sont exprimées en longueur maxillaire inférieur-fourche (cm).
Figure 25. SAI-Est: statistiques de fréquence des tailles – quartile de 75%, médiane, quartile de 25% - capturées
dans l’Océan Atlantique (1971-2007) par les flottilles palangrières du Brésil, du Japon, du Taïpei chinois ainsi
que par les flottilles de filet maillant du Ghana et de la Côte d’Ivoire. Les tailles sont exprimées en longueur
maxillaire inférieur-fourche (cm).
FIGURAS
Figura 1. Ratios de pez vela/(pez vela+ Tetrapturus spp.) para Corea estimadas a partir de datos de
observadores. Las ratios se han estimado con un GLM que agrega los datos temporales y utiliza los siguientes
factores: trimestre, flota, área (costera-oceánica) y distancia desde la latitud 5 grados Norte. En el momento del
análisis no había disponibles datos trimestrales para Corea.
Figura 2. Ratios de pez vela/(pez vela+ Tetrapturus spp.) para Japón estimadas a partir de datos de
observadores. Las ratios se han estimado con un GLM que agrega los datos temporales y utiliza los siguientes
factores: trimestre, flota, área (costera-oceánica) y distancia desde la latitud 5 grados Norte. En el momento del
análisis no había disponibles datos trimestrales para Japón.
Figura 3. Ratios de pez vela/(pez vela+ Tetrapturus spp.) para Taipei Chino obtenidas a partir de datos
estimados. Las ratios se han estimado con un GLM que agrega los datos temporales y utiliza los siguientes
factores: trimestre, flota, área (costera-oceánica) y distancia desde la latitud 5 grados Norte. Cada círculo dentro
de una cuadrícula representa las estimaciones para cada trimestre.
Figura 4. Capturas totales de pez vela estimadas para cada stock. Las estimaciones incluyen las capturas de las
flotas de palangre que fueron separadas de las de Tetrapturus spp.
Figura 5. Índices de abundancia relativa obtenidos estandarizando los datos de CPUE para diversas flotas.
Todos los índices fueron escalados a la media de cada serie antes de hacer los gráficos.
Figura 6. Índices de abundancia combinados estimados para el stock: a) occidental y b) oriental. Los índices son
distintos a causa de la diferente ponderación utilizada en el proceso de combinación: “ponderada por captura”
corresponde a una ponderación proporcional a la captura declarada asociada con la flota que corresponde al
índice, “ponderada por área” corresponde a una ponderación proporcional al área de la pesquería (medida por el
número de cuadrículas de 5 grados) en las que la captura fue declarada para la flota asociada con el índice.
Figura 7. Resultados del ajuste de ASPIC del caso F2 para el stock oriental. Cada panel corresponde al ajuste
del modelo a cada uno de los índices de CPUE, arriba a la izquierda, Japan LL1 y Jap LL2, arriba a la derecha,
CIV ART, abajo a la izquierda, SEN ART, y abajo a la derecha, GHA GIL.
Figura 8. Resultados del ajuste de ASPIC del caso O9 para el ajuste del stock occidental a todos los índices
disponibles. Tendencias en el tiempo de las ratios de pesca y biomasa representadas en un diagrama de fase que
indica cuando se han alcanzado los puntos de referencia de sobrepesca y sobrepescado. Los números cercanos a
los rombos indican el año de la estimación.
1552
Figura 9. Resultados del ajuste de ASPIC del caso O9 para el stock occidental (fila superior) y del O7 para el
stock oriental (fila inferior). Distribución de probabilidad y distribución acumulativa (círculos) para el último
año (2008) de la biomasa total del stock (panel izquierdo) y tasas de mortalidad por pesca (panel derecho). La
descripción de los casos se facilita en el Apéndice 9.
Figura 10. Resultados del ajuste de ASPIC del caso O7 para el stock oriental. Los contornos representan los
cuantiles de densidad no paramétrica de los 500 ensayos de bootstrap. También se muestran los puntos para cada
uno de los ensayos. Panel izquierdo: ratios de mortalidad por pesca y biomasa, panel derecho: mortalidad por
pesca y biomasa en RMS. La descripción de los casos se facilita en el Apéndice 9.
Figura 11. Resultados del modelo de producción para los datos del Atlántico occidental (índice combinado,
ponderado por captura) ajustados con Excel. Los resultados muestran bien las trayectorias de F/FRMS (fila
superior) o B/BRMS (fila inferior). A la izquierda están los resultados para un modelo Schaefer, y a la derecha los
resultados para un modelo Fox. Cada panel muestra los ajustes obtenidos bien con una ponderación igual de las
observaciones de CPUE o con una subponderación de los datos históricos.
Figura 12. Modelo de producción bayesiano, distribuciones previas marginales para r, k y q. Las líneas
discontinuas representan las distribuciones previas no informativas mientras que las líneas continuas representan
las informativas.
Figura 13. Modelo de producción bayesiano, índices y perfiles de biomasa calculados utilizando distribuciones
previas informativas (fila superior) y no informativas (fila inferior) para el stock occidental.
Figura 14. Modelo de producción bayesiano, índices y perfiles de biomasa calculados utilizando distribuciones
previas informativas (fila superior) y no informativas (fila inferior) para el stock oriental.
Figura 15. Incertidumbre en las estimaciones de r y K para los diferentes casos de los modelos de producción
que difieren según la combinación modelo/datos utilizada. Tres casos que produjeron estimaciones de r de 4 o
una estimación de K de casi 900.000 t han sido excluidos de este gráfico. Además, los casos representados por
colores claros representan casos adicionales no considerados en análisis posteriores porque los valores de r eran
inferiores a 0,01 o superiores a 0,9.
Figura 16. Incertidumbre en las estimaciones de K y RMS para diferentes casos de los modelos de producción
que difieren según la combinación modelo/datos utilizada.
Figura 17. Incertidumbre en las estimaciones de las recientes ratio de biomasa y ratio de mortalidad por pesca
para diferentes casos de los modelos de producción que difieren según la combinación modelo/datos utilizada.
Figura 18. Resultados del ajuste de ASPIC del caso O9. Estimaciones de bootstrap de las ratios de biomasa y
mortalidad por pesca del año terminal con el valor de la mediana (círculo rojo).
Figura 19. Tendencias en la abundancia reciente (1990-2007) de acuerdo con los índices de CPUE disponibles.
A) Stock occidental y B) stock oriental. La columna izquierda representa los índices escalados, la columna
derecha representa los mismos índices pero alisados mediante LOESS.
Figura 20. Ajustes del modelo aditivo generalizado de los índices de CPUE disponibles de SAI-Oeste (19902007).
Figura 21. Ajustes del modelo aditivo generalizado de los índices de CPUE disponibles de SAI-Este (19902007).
Figura 22. Intervalos de confianza estimados para la mediana de las ratios de CPUE, relativos al año estándar
2000 para SAI-Oeste.
Figura 23. Intervalos de confianza estimados para la mediana de las ratios de CPUE, relativos al año estándar
2000 para SAI-Este.
Figura 24. SAI-Oeste: estadísticas de frecuencia de tallas del cuartil del 75%, la mediana y el cuartil del 25%
capturadas en el Atlántico (1971-2007) por las flotas de palangre de Brasil, Japón, Taipei Chino y de aguas
distantes de Japón, y las flotas artesanal y de redes de enmalle de Venezuela. Las tallas están en longitud
mandíbula inferior a la horquilla (cm).
Figura 25. SAI-Este: estadísticas de frecuencia de tallas del cuartil del 75%, la mediana y el cuartil del 25%
capturadas en el Atlántico (1971-2007) por las flotas de palangre de Brasil, Japón, Taipei Chino, y las flotas de
redes de enmalle de Ghana y Côte d’Ivoire. Las tallas están en longitud mandíbula inferior a la horquilla (cm).
1553
APPENDICES
Appendice 1. Ordre du jour
Appendice 2. Liste des participants
Appendice 3. Liste des documents
Appendice 4. Plan de travail pour les istiophoridés
Appendice 5. Modèle Linéaire Généralisé pour le ratio de voiliers-makaires bécunes dans les prises palangrières
de l’Atlantique
Appendice 6. Analyses des données de CPUE pour plusieurs pêcheries palangrières
Appendice 7. Calcul de la CPUE standardisée de la pêcherie du Ghana
Appendice 8. Modèle de production de type bayésien pour le voilier de l’Atlantique
Appendice 9. Modèles de production pour les stocks de l’Est et de l’Ouest de l’Atlantique avec des modèles
ASPIC
APÉNDICES
Apéndice 1. Orden del día
Apéndice 2. Lista de participantes
Apéndice 3. Lista de documentos
Apéndice 4. Plan de trabajo de istiofóridos
Apéndice 5. Modelo lineal generalizado para la ratio entre pez vela y Tetrapturus spp. en las capturas de
palangre del Atlántico
Apéndice 6. Análisis de los datos de CPUE para diversas pesquerías de palangre
Apéndice 7. Cálculo de una CPUE estandarizada para la pesquería de Ghana
Apéndice 8. Modelo de producción bayesiano para el pez vela del Atlántico
Apéndice 9. Modelos de producción para los stocks del Atlántico oriental y occidental con modelos ASPIC
1554
Table 1. Nominal proportion of sailfish in the sailfish-spearfish aggregate by 5 degrees of latitude and longitude for all longline fleets and years combined where the species were
identified separately: a), percentage sailfish, b), total number of observations, all fleets all years.
a)
Average of Lon5
Lat5
‐95
45
40
35
30
25 100%
20
15
10
5
0
‐5
‐10
‐15
‐20
‐25
‐30
‐35
‐40
‐50
‐90
95%
78%
‐85
92%
50%
‐80
100%
100%
98%
99%
‐75
‐70
‐65
‐60
100%
94%
93%
58%
11%
7%
83%
100%
34%
0%
27%
42%
56%
34%
19%
69%
0%
0%
3%
19%
21%
69%
93%
95%
‐55
‐50
0%
0%
0%
2%
2%
27%
69%
85%
2%
4%
34%
30%
58%
82%
100%
0%
100%
‐45
0%
0%
0%
2%
2%
28%
4%
51%
65%
100%
33%
11%
0%
‐40
0%
0%
0%
0%
0%
2%
6%
78%
90%
0%
2%
0%
‐35
‐30
0%
0%
0%
0%
12%
29%
41%
68%
63%
70%
50%
58%
49%
4%
0%
4%
7%
2%
21%
57%
88%
100%
26%
0%
0%
50%
33%
100%
100%
1555
‐25
‐20
17%
4%
11%
40%
91%
87%
66%
70%
47%
44%
31%
2%
0%
2%
60%
19%
62%
94%
96%
81%
65%
46%
58%
21%
0%
‐15
0%
0%
0%
19%
58%
97%
99%
66%
57%
41%
33%
0%
25%
‐10
0%
‐5
0
5
10
96%
82%
25%
100%
86%
81%
34%
11%
31%
11%
50%
100%
100%
99%
89%
35%
11%
20%
0%
100%
100%
100%
50%
15
0%
0%
100%
71%
72%
21%
44%
0%
0%
0%
0%
97%
0%
0%
b)
um of Nfish Lon5
Lat5
‐95
55
50
45
40
35
30
25
114
20
15
10
5
0
‐5
‐10
‐15
‐20
‐25
‐30
‐35
‐40
‐45
‐50
‐90
755
9
‐85
198
4
‐80
18
29
83
89
‐75
2
358
345
1367
213
‐70
‐65
50
613
2938
22
23
235
1
244
12
1581
129
408
1468
‐60
59
6
2065
358
518
435
‐55
‐50
1
3
833
246
25
86
559
440
0
391
161
37
189
182
538
1
‐45
‐40
12
4
5
221
185
18
268
78
530
219
28
4
6
76
119
196
473
523
856
0
4
20
10
33
22
1
33
34
‐35
‐30
‐25
‐20
‐15
‐10
‐5
0
5
10
3265
2653
882
17
8290
2378
795
582
55
249
8
8
393
728
1075
357
44
50
4
1
181
434
23
15
1
1
82
103
182
483
502
14262
4
34
10
4
22
4
9
4
11
7
50
941
1010
678
9193
2850
469
370
46
42
6
0
1
1556
4
23
58
909
915
1416
2287
1038
367
1236
475
51
0
0
10
59
20
357
208
930
2879
1134
3011
245
161
71
2
0
1
3
13
95
423
338
1664
2872
2671
483
28
35
40
0
0
4
1
22
2237
1481
596
128
18
17
4
2
65
12
20
Table 2. Total catch (t) of SAI+SPF by 5x5 degree, all longline fleets combined, estimated from the CATDIS ICCAT database.
of Catch_t lon
Lat
‐95
55
50
45
40
35
30
25
1628
20
109
15
12
10
5
0
‐5
‐10
‐15
‐20
‐25
‐30
‐35
‐40
‐45
‐90
143
177
186
18
‐85
1258
356
114
48
‐80
26
4303
2672
36
107
32
‐75
211
128
575
5
27
180
123
‐70
1
71
27
8
29
17
890
‐65
2
43
14
8
133
760
921
‐60
7
22
12
10
28
77
5533
3
‐55
13
3
3
15
7
17
15
230
209
1
‐50
8
1
10
11
45
14
81
317
0
82
3
0
‐45
‐40
‐35
‐30
‐25
‐20
‐15
‐10
2
1
7
8
9
34
49
352
225
0
1
6
3
11
13
15
35
45
257
660
1
2840
519
19
71
0
0
4
5
10
30
6
38
284
254
745
856
692
297
214
84
12
13
0
1
1
2
2
11
40
221
269
458
691
760
719
201
35
42
5
0
4
14
6
3
15
69
176
374
388
324
833
728
329
6
32
12
0
7
10
10
2
4
26
9661
1863
785
1954
472
1216
732
157
19
6
2
0
7
10
5
3
1
199
659
60
5
0
0
6
37
29
10
14
77
263
152
943
4
148
244
460
272
27
11
1557
516
878
1859
262
292
436
117
9
7
1
‐5
0
5
10
15
44
37852
677
291
335
152
17
399
10
3365
405
74
28
82
74
82
66
197
283
76
96
142
125
60
56
1
1
1
8
1
0
1
1353
274
79
21
26
11
26
0
1
21
149
0
Table 3. Sampling ratio (number of observations per ton of catch SAI+SPF from longline fleets) proportion to estimate the SAI/SPF ratios by 5x5 degree squares. Note, in
this estimate of sampling ratio the catch of the square lat. 0 and lon. 0 was excluded, as likely it refers to unknown location for the reported catch.
Lat5
‐95
55
50
45
40
35
30
25
20
15
10
5
0
‐5
‐10
‐15
‐20
‐25
‐30
‐35
‐40
‐45
‐50
1.381%
‐90
0.993%
0.012%
‐85
0.525%
0.003%
‐80
0.576%
0.577%
0.066%
0.021%
‐75
0.003%
0.340%
1.475%
1.828%
0.194%
‐70
0.026%
0.122%
0.181%
0.005%
0.003%
1.556%
‐65
‐60
‐55
‐50
‐45
0.000%
0.077% 0.010%
0.001% 0.001%
0.091% 0.151%
0.128% 0.076%
2.307% 0.296%
10.055% 17.906%
0.000%
0.000%
0.095%
0.014%
0.003%
0.009%
0.955%
0.684%
0.030%
0.014%
0.012%
0.020%
0.110%
1.267%
0.000%
0.000%
0.000%
0.012%
0.011%
0.001%
0.067%
0.028%
1.388%
0.366%
0.000%
0.000%
0.049%
0.015%
0.001%
‐40
0.000%
0.000%
0.000%
‐35
‐30
‐25
‐20
‐15
‐10
‐5
0
5
10
9.839%
2.192%
0.592%
0.075%
0.027%
0.027%
0.002%
0.001%
0.381%
0.245%
0.016%
15
0.000%
0.000%
0.007% 0.006%
0.013% 0.011%
0.051% 0.104%
0.159% 0.945%
1.001% 0.569%
4.201% 100.000%
0.000%
0.037%
0.018%
0.021% 0.014%
0.128% 0.044%
0.005% 0.001%
0.001%
1558
0.000%
0.001%
0.002%
0.002%
0.264%
2.131%
1.283%
50.981%
18.138%
2.414%
0.818%
0.073%
0.026%
0.001%
0.000%
0.000%
0.000%
0.000%
0.000%
0.005%
0.268%
1.506%
2.836%
7.788%
5.339%
2.076%
6.609%
0.711%
0.013%
0.000%
0.000%
0.001%
0.000%
0.003%
0.000%
0.001% 0.000%
0.040% 0.018%
0.106% 30.401%
1.218% 4.684%
8.009% 9.720% 0.144%
3.270% 41.753% 30.935% 32.871% 23.343%
7.252% 9.370% 2.891% 5.410% 11.973%
1.518% 4.368% 1.296% 0.518% 1.720%
0.872% 0.152% 0.415% 0.003% 1.452%
0.174% 0.041% 0.016%
0.062%
0.000% 0.006% 0.001% 0.000% 0.032%
0.000% 0.000% 0.000%
0.024%
0.000%
0.001%
0.060%
0.002%
0.022%
Table 4. Catches (tons) of sailfish (SAI) and spearfish (SPF) by stock (East=E and West = W) calculated for the longline fleets of Chinese Taipei, Japan and Korea from the
reported aggregate of sailfish/spearfish and by using the ratios estimated from the fit of observer count data to the binomial model presented in Appendix 5.
Year 1957 1958 1959 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 Chinese Taipei SAI‐E
2
3
2
1
11
54
421
333
122
370
252
226
36
11
29
8
2
5
1
3
19
6
2
3
0
1
2
3
5
4
80
157
38
58
24
56
44
66
Japan
Korea
SAI‐W
SPE‐E SPE‐W SAI‐E
SAI‐W
SPE‐E
SPE‐W
1
14
74
60
80
34
94
7
37
36
9
29
1
3
6
11
25
7
9
14
12
20
9
92
86
42
37
17
112
117
19
19
2
65
17
0 1 0 0 4 17 136 90 174 156 533 265 63 14 188 51 5 14 4 9 48 14 6 6 1 4 4 4 8 6 135 263 63 97 41 94 73 112 0 6 32 26 99 77 76 10 70 44 19 97 4 7 12 25 56 15 22 31 27 44 22 208 85 41 36 16 111 116 19 18 2 64 16 71
32
4
50
173
216
215
238
745
458
229
293
124
42
54
40
20
5
11
1
5
3
8
13
17
16
23
32
41
32
16
26
26
31
6
15
27
45
52
47
19
58
16
24
66
5
65
21
63
105
244
586
234
58
117
125
205
234
93
60
78
90
103
14
4
4
3
26
85
15
23
16
8
2
5
12
12
27
0
1
8
2
4
17
3
10
19
7
8
41
131
241
280
277
586
779
175
255
106
53
71
49
46
14
27
3
19
8
11
20
33
22
24
31
43
39
21
31
31
32
10
27
31
36
26
25
30
22
33
4
13
11
59
36
80
135
411
554
374
216
305
103
294
87
39
18
40
22
30
9
5
16
19
18
50
7
11
22
20
4
17
10
13
46
1
1
2
3
4
1
8
11
SAI‐E
0
2
23
86
26
311
257
253
246
43
36
29
108
29
13
4
27
17
23
2
24
20
2
8
11
12
12
22
2
2
5
5
11
4
SAI‐W
1
3
45
64
83
176
253
249
241
54
45
44
45
45
10
12
30
28
8
18
24
33
10
1
1
12
16
1
2
3
4
4
12
4
1559
SPE‐E 1 3 39 145 23 84 69 68 66 26 22 17 57 17 5 1 7 7 10 1 10 9 0 12 4 5 4 8 1 1 1 1 3 1 SPE‐W
1
3
42
59
77
140
200
197
192
42
36
19
19
20
4
7
21
13
11
18
28
39
4
0
2
5
9
0
1
2
4
4
10
4
2000 2001 2002 2003 2004 2005 2006 2007 45
50
62
49
15
25
36
109
11
33
31
13
8
21
5
14
75 52 62 25 15 25 37 22 11 24 39 12 11 20 17 20 26
6
20
21
70
50
62
149
12
3
3
8
5
22
4
1
29
20
0
0
0
0
0
0
11
3
0
1560
Table 5. Estimated Catches (t) of Atlantic sailfish (Istiophorus albicans) by stock (East and West) and flag. Mix flags represent vessels from EC-France and Spain.
1956 1957 1958 1959 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 ATE Benin 36 Ch. Taipei 2 Cuba 3 2 1 11 54 421 333 122 370 252 226 10 20 43 31 371 56 52 42 21 13 42 96 110 185 65 69 40 79 79 2 3040 4726 4517 764 1885 2691 1191 891 Ghana Japan 71 32 4 50 173 216 215 Korea Rep. 2 Mix. flags 32 4 50 8 2 5 1 3 745 458 229 293 124 42 54 40 20 5 11 1 5 3 8 13 17 2 23 86 26 311 257 253 246 43 36 29 108 29 13 4 27 17 4 4 11 18 36 46 67 93 143 148 235 256 327 400 405 375 432 504 15 31 9 7 41 13 4 76 76 81 87 112 122 144 107 122 189 160 143 107 325 498 3230 2069 2082 3 5 14 13 14 11 14 39 14 9 7 1 13 5 173 218 230 264 797 540 848 920 962 628 916 870 670 3573 5278 5398 1457 2529 10 10 20 20 30 30 30 30 159 91 46 46 46 46 23 57 27 21 43 64 37 78 76 186 287 246 201 231 64 1 14 74 60 80 34 94 7 37 36 9 29 1 3 6 11 25 13 29 59 44 151 258 19 58 30 17 58 133 152 122 91 51 151 119 134 31 37 40 31 36 U.S.S.R. 71 29 0 Senegal 0 11 238 Panama Total ATE 36 37 ATW Aruba Brasil Chi. Taipei Cuba Grenada Japan 1 24 66 5 65 21 63 105 Korea Rep. 244 586 234 58 117 125 205 234 93 60 78 90 103 14 4 4 3 26 1 3 45 64 83 176 253 249 241 54 45 44 45 45 10 12 30 28 28 28 28 28 21 21 21 21 18 3 2 308 308 308 308 533 Neth. Antilles 28 28 28 28 20 44 13 9 227 233 240 248 254 Panama U.S.A. 111 126 Venezuela 142 157 173 188 194 201 207 214 220 261 44 68 33 40 96 72 123 90 111 440 338 101 91 84 60 59 56 66 93 58 72 Total ATW 1 24 66 5 176 350 364 354 533 979 649 693 871 752 1258 1243 804 649 753 732 852 900 779 867 841 968 Total Atlantic 1 95 99 9 226 523 581 585 798 1776 1189 1541 1792 1714 1886 2160 1675 1319 4326 6011 6250 2357 3308 4097 2910 3050 1561
1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 48 51 53 50 25 32 40 8 21 20 21 20 20 20 19 6 4 5 5 12 2 2 5 3 3 4 3 3 3 3 4 9 4 5 11 4 4 8 ATE Benin Cape Verde 3 China P.R. Chi. Taipei 19 6 Côte D'Ivoire Cuba EC.España 2 3 0 1 2 3 5 4 80 157 38 58 24 56 44 66 45 50 62 49 15 25 36 109 40 40 40 40 66 55 58 38 69 40 54 66 91 65 35 80 45 47 65 121 73 93 78 52 200 77 83 72 533 3 42 8 13 42 38 15 20 8 150 209 183 148 177 200 257 1 2 1 2 1 2 27 53 11 3 7 13 19 10 136 43 3 3 110 218 2 158 200 115 19 55 50 22 53 61 184 10 7 4 7 9 19 28 14 0 13 EC.Portugal EC.UK 1 Gabon Ghana 1426 2408 1658 1485 925 1392 Japan 16 23 32 41 32 16 26 26 Korea Rep. 23 2 24 20 2 8 11 12 837 465 395 0 4 463 297 693 450 353 303 196 351 305 275 568 592 566 521 542 282 420 31 6 15 27 45 52 47 19 58 16 26 6 20 21 70 50 62 149 12 22 2 2 5 5 11 4 33 85 43 56 133 127 106 122 118 115 Liberia 0 136 122 154 Maroc Mix. flags 15 521 499 354 364 403 394 408 432 595 174 150 NEI (ETRO) 182 160 128 97 110 138 131 98 44 39 44 41 35 32 36 27 51 57 69 86 127 120 77 43 3 2 16 7 8 10 Russian Federation 1 S. Tomé e Pr. Senegal 572 510 163 241 572 596 78 86 97 84 78 81 88 92 96 139 141 141 136 136 136 136 515 346 292 384 587 552 1092 546 917 936 260 678 610 556 270 412 412 266 138 361 263 254 292 737 1 5 St. Vinc. & Gr. 4 Togo U.S.A. U.S.S.R. Total ATE ATW Aruba 8 1 4 1 1 3 1 9 22 36 23 62 55 95 135 47 31 71 1448 1476 1731 1932 1735 1575 2399 2 5 4 4 2796 3706 2445 2269 2065 2553 2109 1710 2367 1556 1837 2290 1270 1745 2252 1334 1373 1516 1320 30 30 30 30 30 23 20 16 13 9 5 10 10 10 10 10 10 10 10 1562
Barbados 69 45 29 42 50 46 74 25 71 58 44 44 42 26 27 26 Belize 42 58 5 Brasil 153 60 121 187 292 174 152 147 301 90 351 243 China P.R. Ch. Taipei Cuba 129 245 310 137 184 356 598 412 547 585 534 416 3 3 3 3 3 9 4 3 0 0 1 0 12 140 123 0 7 9 14 12 20 9 92 86 42 37 17 112 117 19 19 2 65 17 11 33 31 13 8 21 5 14 181 28 169 130 50 171 78 55 126 83 70 42 46 37 37 40 28 196 208 68 32 18 50 72 47 56 5 3 3 3 Dominica Dominican R. 42 22 50 49 46 18 40 44 EC. España 1 44 40 31 98 50 90 40 40 101 89 27 67 81 260 91 144 165 133 147 0 0 8 13 13 19 36 5 30 42 7 14 354 449 196 181 113 148 184 7 0 2 12 12 110 19 53 Grenada EC.Portugal 27 37 66 164 211 104 114 98 218 316 310 246 151 119 56 83 151 148 164 187 151 171 112 147 159 174 Japan 85 15 23 16 8 2 5 12 12 27 0 1 8 2 4 17 3 10 12 3 3 8 5 22 4 1 8 18 24 33 10 1 1 12 16 1 2 3 4 4 12 4 2 19 19 10 9 65 40 118 36 34 45 51 55 42 47 23 1 1 9 4 4 6 2 164 3 86 73 59 18 Korea Rep. Mexico NEI (ETRO) Neth. Ant. 21 21 21 10 10 10 10 10 10 10 10 15 27 30 36 46 67 64 41 15 15 15 15 15 15 15 15 Seychelles 3 St. Vin. & Gre. 2 1 4 4 4 2 1 3 1 Sta. Lucia 0 Trin. &Tob. U.S.A. 452 64 58 14 25 35 24 11 9 4 4 56 101 101 103 10 7 4 3 7 6 8 10 9 17 13 734 495 282 462 496 508 381 304 406 330 265 207 374 300 406 294 234 121 69 110 5 7 4 5 9 UK.BVI 0 Venezuela 57 119 81 81 77 80 22 24 24 65 71 206 162 93 155 175 248 169 83 126 159 133 158 178 184 248 Total ATW 1042 1185 1151 1004 1212 1146 1071 964 1162 1116 1327 1332 1158 1224 1141 1163 1328 1349 1523 1451 1981 1316 1396 1435 1028 1151 Total Atlantic 3838 4891 3596 3273 3277 3699 3180 2674 3530 2672 3163 3622 2429 2969 3393 2496 2701 2865 2843 2899 3457 3047 3328 3169 2603 3550 1563
Table 6. Available CPUE indices for the sailfish assessment.
Index
Western stock
US-LL index kg/1000 hooks
US-LL index kg/1000 hooks
US-LL index fish/1000 hooks
Data source
Period
ID
Data collected by scientific observers (SCRS/2009/046)
1992-2008
1986-2008
1986-2008
US LL_POP.
US LL_PLL.
US LL_PLL
US-RR recreational index
fish/1000 hooks
US-RR recreational index
fish/1000 hooks
Data collected by the Recreational Billfish Survey
(SCRS/2009/046)
Data collected by the Recreational Marine Recreational
Fishery Statistical Survey (SCRS/2009/046)
1973-2008
US RR-RBS.
1973-2008
US RRMRFSS
Venezuela-RR recreational
index fish/1000 hooks
Venezuela GIL index kg
From port landing reports (Alio and Marcano, 2001)
1961-1995
VEN RR.
Data from scientific sampling of landings (Arocha et al.
2009)
Data from scientific observers (SCRS/2009/033)
1991-2007
VEN GIL.
1991-2007
VEN LL.
Brazil RR recreational index
fish/1000 hooks
Brazil LL fish/1000 hooks
Data from tournament reports (Mourato, et al. 2009)
1996-2007
BRZ RR.
Data from logbooks (SCRS/2009/066)
1978-2008.
Japan LL index fish/1000
hooks
Japan LL index fish/1000
hooks
Japan LL index kg
Estimated with a GLM for the 2001 assessment (Yokawa
and Takeuchi, 2002)
Estimated with a GLM for the 2009 assessment
(SCRS/2009/067)
Estimated during the meeting from the T2CE (see
Appendix 6)
1967-1993
JPN LL1.
1994-2007
JPN LL2.
1960-2007
JPN LL-3;
Korea LL index kg
Estimated during the meeting from the T2CE (see
Appendix 6)
1967-1969, 1975, 1978-1994,
1996,1997,1999
KOR LL.
Chinese Taipei LL index
Prepared at the 2001 assessment (Anon. 2002, Table 4)
1967-1975, 1979- and 19931999. The indexes for each
time period were treated as
separate fleets
TAI_LL_1/
TAI_LL_2/
TAI_LL_3
Venezuela LL index kg
Data collected by mandatory logbooks (SCRS/2009/045)
1564
Eastern stock
Côte d’Ivoire artisanal index
number of fish
Data correspond to number of fish landed by gillnet vessels
(SCRS/2009/032)
1988-2007
CIV ART.
Senegal artisanal index kg
The gears included in this index were gillnet, troll and
handline, the data represents weight of landings
(SCRS/2009/054)
1989-2006.
SEN ART
Japan LL index fish/1000
hooks
Estimated with a GLM. This index was prepared for the
2001 assessment (Yokawa and Takeuchi, 2002)
1967-1999.
JPN LL-1.
Japanese LL index
Estimated with a GLM prepared for the 2009 stock
assessment (SCRS/2009/067)
Estimated during the meeting from the T2CE (see
Appendix 6)
Estimated during the meeting from the T2CE (see
Appendix 6)
1994-2007
JPN LL-2.
1960-2007
JPN LL-3.
1967-1969, 1975, 1978-1994,
1996,1997,1999
KOR LL.
Calculated during the meeting (see Appendix 7).
1993-2007
GHN GIL
Japan LL index kg
Korea LL index kg
Ghanaian gillnet
1565
Table 7. Standardized indexes of abundance for the SAI western stock. Indices are denoted as: USLL1 = U.S Longline observers, USLL2 = US Longline logbooks kg,
USLL3 = U.S. Longline logbooks numbers of fish, USRR1 = U.S. recreational tournaments RBS, USRR2 = U.S. recreational surveys MRFSS, VENRR = Venezuela
recreational, VENGL = Venezuela Gillnet, BRZLL = Brazil longline, BRZ = Brazil recreational, JPNLL1 = Japan longline early period, JPNLL2 = Japan longline recent
period, JPNLL3 = Japan longline from Task II.
US
LL1
1960
1961
1962
1963
1964
1965
1966
1967
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
2.028
1.675
0.942
US
LL2
1.083
0.685
1.280
1.328
1.454
1.759
2.402
1.908
1.385
US
LL3
1.172
0.684
1.253
1.353
1.546
1.813
2.578
1.883
1.230
US
RR1
1.009
0.774
1.031
0.792
1.211
1.120
1.061
1.223
1.181
0.260
0.253
0.561
0.428
0.561
0.536
0.793
0.550
0.865
1.038
1.373
0.900
1.423
US
RR2
0.486
0.252
0.905
0.591
0.502
0.687
0.416
0.660
0.578
0.648
1.037
1.364
1.045
0.975
VEN
RR
0.475
0.462
0.162
0.369
0.259
0.803
0.583
0.560
1.183
0.609
0.518
0.390
0.284
0.419
0.243
0.270
0.130
0.082
0.128
0.147
0.096
0.055
0.151
0.259
0.214
0.127
0.206
0.101
0.193
0.028
0.040
0.006
0.039
VEN
GL
VEN
LL
BRZ
LL
BRZ
RR
JPN
LL-1
JPN
LL-2
11.340
10.643
12.989
10.921
12.74
16.44
27.53
31.28
15.36
11.68
8.61
11.82
0.432
0.378
0.373
0.330
0.163
0.126
0.174
0.069
0.164
0.263
0.253
0.493
0.107
0.312
0.339
0.774
0.081
1566
0.714
0.661
0.989
0.249
0.244
1.167
0.193
0.411
0.335
0.0067
JPN
LL-3
0.804
1.103
1.397
1.355
1.525
1.867
1.973
2.215
3.308
2.272
2.159
1.435
1.182
1.397
1.377
0.750
0.754
1.665
1.252
1.145
0.925
1.291
1.305
1.350
1.001
0.752
0.844
0.926
0.690
0.506
0.376
0.611
0.519
0.467
0.414
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
0.644
1.190
0.808
0.569
1.497
2.124
0.490
0.363
0.511
0.699
0.916
0.371
0.688
1.501
0.874
0.874
1.396
0.994
1.297
0.922
0.313
0.384
0.385
0.541
0.223
0.241
0.426
0.846
0.820
0.856
1.170
0.980
1.244
0.939
0.335
0.463
0.430
0.578
0.284
0.248
0.389
0.752
1.265
1.366
1.499
1.727
0.999
0.753
0.824
1.035
1.267
0.919
0.996
1.113
1.028
2.205
1.246
0.966
0.706
1.351
1.636
1.228
0.749
1.361
1.381
1.128
2.017
1.095
1.179
1.813
0.011
34.45
31.47
37.53
41.32
48.72
31.27
25.44
20.32
31.12
44.24
41.82
30.43
40.82
11.75
5.72
8.57
5.05
24.49
6.39
4.17
6.40
5.30
7.44
5.58
7.83
16.83
0.252
0.381
0.331
0.295
0.185
0.246
0.430
0.307
0.233
0.359
0.522
0.343
0.439
0.657
1567
0.858
0.772
0.887
0.475
0.724
0.701
0.590
0.435
0.508
0.527
0.716
0.472
0.0044
0.0034
0.0047
0.0040
0.0073
0.0063
0.0036
0.0036
0.0088
0.0043
0.0124
0.0066
0.0041
0.482
0.333
0.383
0.399
0.431
0.444
0.250
0.358
0.406
0.386
0.509
0.345
0.369
Table 8. Standardized indexes of abundance for the SAI eastern stock. Refer to the text for description of each index. Indices are denoted as: CIVAR = Côte
d’Ivoire artisanal, SENAR, Senegal artisanal, JPNLL1 = Japan longline early period, JPNLL2 = Japan longline recent period, JPNLL3 = Japan longline from
Task II, KORLL = Korea longline.
CIV
AR
1960
1961
1962
1963
1964
1965
1966
1967
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
SEN
AR
GHN
AR
JPN
LL1
5.645
2.482
2.682
3.306
0.365
0.963
1.707
0.156
0.155
2.959
0.61
0.30
0.35
0.40
1.60
2.10
0.30
0.526
0.534
1.051
0.953
0.617
0.769
0.379
0.956
0.633
0.267
0.148
0.191
0.155
JPN
LL2
JPN
LL3
0.736
5.036
1.080
0.778
2.405
2.028
1.951
0.660
1.799
2.846
4.269
1.086
1.007
0.579
0.470
0.449
0.612
0.375
0.686
0.262
0.527
0.325
1.078
0.421
1.147
0.635
0.670
0.485
0.483
0.398
0.250
0.198
1568
KOR
LL
0.902
0.628
1.677
1.240
2.040
0.360
0.153
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
0.18
0.18
0.24
0.12
0.11
0.19
0.16
0.25
0.11
0.18
0.20
0.10
0.20
0.20
0.20
0.25
0.55
0.40
0.40
0.25
0.55
1.20
1.70
0.65
1.40
1.20
0.50
3.20
0.65
0.60
0.45
0.015
0.014
0.006
0.018
0.007
0.007
0.004
0.003
0.008
0.014
0.016
0.006
0.010
0.005
0.006
0.171
0.440
0.182
0.162
0.177
0.135
0.226
0.185
0.083
0.049
0.243
0.169
0.097
0.083
0.117
0.248
0.212
0.379
0.476
0.176
0.332
0.736
0.988
0.511
0.693
0.788
0.775
1.663
0.313
0.944
1.398
1.887
1569
Table 9. Estimated combined Indexes of abundance for the western and eastern stocks. Indices differ because of the different weighting used in the process of combination:
“weighted-catch” correspond to weighting proportional to the reported catch associated with the fleet corresponding to the index, “weighted area” to weighting proportional to
area of the fishery measured by the number of 5 degree grids where catch was reported for the fleet associated with the index.
Un-weighted
1961
1962
1963
1964
1965
1966
1967
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
0.347
0.337
0.118
0.269
0.189
0.586
0.350
0.604
0.879
0.436
0.661
0.250
0.148
0.154
0.142
0.102
0.087
0.072
0.056
0.078
0.079
0.035
0.045
0.047
0.030
0.058
0.056
0.059
0.073
0.037
0.055
0.045
Western stock
Weighted
Weighted by area
by catch
0.187
0.321
0.182
0.313
0.064
0.110
0.145
0.250
0.102
0.175
0.316
0.543
0.205
0.590
0.316
0.780
0.386
0.935
0.225
0.400
0.356
0.847
0.128
0.211
0.073
0.156
0.058
0.171
0.064
0.154
0.046
0.082
0.070
0.090
0.069
0.077
0.058
0.045
0.066
0.073
0.064
0.077
0.017
0.039
0.016
0.045
0.030
0.034
0.018
0.023
0.031
0.066
0.034
0.049
0.056
0.049
0.046
0.060
0.039
0.042
0.060
0.081
0.070
0.079
Un-weighted
EasternsStock
Weighted by
Weighted by area
catch
2.805
1.233
1.332
1.642
0.181
0.479
0.848
0.078
0.077
5.644
2.481
2.681
3.305
0.365
0.963
1.707
0.156
0.155
4.075
1.792
1.936
2.386
0.263
0.695
1.232
0.113
0.112
1.470
2.958
2.136
0.261
0.265
0.522
0.473
0.307
0.382
0.188
0.475
0.315
0.236
0.163
0.205
0.104
0.101
0.525
0.534
1.051
0.953
0.617
0.769
0.379
0.955
0.633
0.303
0.215
0.288
0.050
0.083
0.379
0.386
0.759
0.688
0.446
0.555
0.274
0.690
0.457
0.198
0.111
0.144
0.111
0.120
1570
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
0.044
0.055
0.063
0.055
0.063
0.070
0.057
0.051
0.043
0.044
0.043
0.053
0.047
0.048
0.060
0.101
0.084
0.067
0.066
0.062
0.079
0.078
0.053
0.048
0.065
0.054
0.047
0.072
0.088
0.061
0.088
0.063
0.094
0.074
0.064
0.054
0.061
0.079
0.047
0.052
0.037
0.046
0.039
0.051
0.042
0.043
0.060
0.095
0.149
0.161
0.095
0.149
0.157
0.185
0.113
0.100
0.149
0.140
0.219
0.117
0.135
0.098
0.128
0.104
0.128
0.048
0.108
0.144
0.135
0.080
0.102
0.115
0.143
0.234
0.084
0.113
0.069
0.078
1571
0.292
0.125
0.064
0.115
0.134
0.139
0.100
0.088
0.132
0.124
0.194
0.103
0.120
0.087
0.112
Table 10. Management parameters obtained from different cases fitted to ASPIC for the eastern and western stocks of Atlantic sailfish. Values shown correspond to the nonbootstrapped estimates of MSY (t), the ratio of the latest fishing mortality 2007 to the fishing mortality at MSY and the ratio of the most recent estimate of biomass 2006 to
the biomass at MSY. For boostrapped fits the 50th, 25Th and 75th percentile are shown. Description of cases is provided in Appendix 9.
Stock
East
West
Case
Estimate
g3
g4
g6
o3
o4
o7
o8
f1
f2
2340
76
2105
5072
4949
2247
1868
2106
2460
g1
g2
g5
o1
o2
o5
o6
o9
o10
o11
o12
o13
w1
w2
w3
100
873
284
1220
1455
1062
1163
1027
844
18690
1220
663
118
858
140
MSY (t)
25%
2131
455
1713
2179
75%
Estimate
2359
1897
2341
2481
3.77
185.90
2.51
0.27
0.17
0.62
1.58
3.89
2.26
1198
291
1550
1154
563
1198
3.07
1.40
8.63
0.67
0.59
0.81
0.74
1.01
1.48
0.03
0.75
1.67
1.28
0.07
1.02
Fratio
25%
0.57
1.17
2.64
1.71
75%
0.76
27.81
5.65
2.76
0.47
0.51
0.90
1.43
0.74
1.62
Estimate
Bratio
25%
75%
0.14
0.09
0.28
1.73
1.83
1.15
0.53
0.24
0.26
1.00
0.00
0.12
0.17
1.25
0.62
0.39
0.34
0.93
0.92
1.41
1.49
0.91
1.24
0.35
0.94
0.45
1.25
1.25
1.19
1.19
1.10
0.91
1.97
1.13
1.03
0.39
0.95
0.41
1572
Table 11. Results of EXCEL production models. Current status estimates for the western stock assuming different surplus production functions Schaefer or Fox and using
different weighting options for the combined CPUE index.
F2007/FMSY
B2008/BMSY
Equal weight
4.25
0.44
Schaefer
Down-weighted
1.64
0.90
Equal weight
5.40
0.49
Fox
Down-weighted
0.94
1.16
Table 12. Bayesian production model for western stock. Summary of the posterior estimations as calculated using informative and non-informative priors.
Infomative prior estimations
Quantiles
5%
25%
50%
75%
95%
R
0.07
0.12
0.16
0.21
0.31
K
14300.37
18867.77
22556.09
27135.48
34597.32
Q
4.40E-06
5.66E-06
6.71E-06
8.04E-06
1.05E-05
C msy
622.82
789.87
888.14
981.60
1110.36
B msy
7150.19
9433.89
11278.05
13567.74
17298.66
B last
2496.54
4023.73
5313.12
6995.76
10152.69
ER msy
0.04
0.06
0.08
0.10
0.15
B last/B msy
0.24
0.36
0.47
0.60
0.84
C last/C msy
1.03
1.17
1.29
1.45
1.84
ER last
0.11
0.16
0.22
0.29
0.46
ER last/ER msy
1.29
2.02
2.82
4.07
6.61
r
0.04
0.07
0.10
0.14
0.25
k
16921.34
24561.25
29971.76
35845.21
45878.09
q
3.13E-06
4.22E-06
5.15E-06
6.39E-06
8.87E-06
Non-Informative Prior
C msy
421.16
594.53
736.39
858.30
1061.26
B msy
8460.67
12280.63
14985.88
17922.60
22939.04
B last
3000.63
4817.13
6716.01
9270.89
14729.77
ER msy
0.02
0.03
0.05
0.07
0.12
B last/B msy
0.24
0.35
0.47
0.59
0.84
C last/C msy
1.08
1.34
1.56
1.93
2.73
ER last
0.08
0.12
0.17
0.24
0.38
ER_last/ER_msy
1.40
2.52
3.54
5.34
8.72
Table 13. Bayesian production model for the eastern stock. Summary of the posterior estimations as calculated using informative and non-informative priors.
Infomative prior
estimations
Quantiles
5%
25%
50%
75%
95%
R
0.09
0.10
0.12
0.16
0.23
k
33932.98
41923.28
48266.65
53163.40
57335.94
q
1.28E-05
1.54E-05
1.75E-05
1.99E-05
2.53E-05
C_msy
1254.78
1369.19
1509.60
1711.73
1949.20
B_msy
16966.49
20961.64
24133.33
26581.70
28667.97
B_last
1316.22
2520.94
3621.83
5150.18
8302.47
ER_msy
0.04
0.05
0.06
0.08
0.11
B_last/B_msy
0.06
0.11
0.15
0.22
0.36
C_last/C_msy
0.54
0.61
0.69
0.76
0.83
ER_last
0.13
0.20
0.29
0.42
0.80
ER_last/ER_msy
1.78
3.02
4.46
6.47
12.02
r
0.07
0.08
0.10
0.13
0.16
k
41811.99
48105.48
53632.09
58523.89
63889.35
q
1.20E-005
1.45E-005
1.64E-005
1.87E-005
2.25E-005
C_msy
1062.84
1194.15
1348.75
1511.57
1709.30
B_msy
20905.99
24052.74
26816.04
29261.95
31944.68
B_last
1398.16
2529.31
3705.68
5129.38
7921.48
ER_msy
0.03
0.04
0.05
0.06
0.08
B_last/B_msy
0.05
0.10
0.14
0.19
0.28
C_last/C_msy
0.61
0.69
0.78
0.88
0.98
ER_last
0.13
0.20
0.28
0.41
0.75
ER_last/ER_msy
2.56
4.01
5.61
8.06
14.61
Non-informative prior
1574
Table 14. Description of production model runs excluded from analyses on the basis of the extreme values estimated for r or K. Indices represented are: CAW=Combined
area weighted, CCW= Combined catch weighted, CUW= Combined unweighted, JAPLL1 = Japanese longline early period, JAPLL2 = Japanese longline recent period,
JAPLL3 = Japanese longline – Task II, CIVAR = Cote d’Ivoire artisanal, SENAR = Senegal Artisanal, GHNGL = Ghana gillnet, USLL2 = US Longline logbooks kg, USRR1
= US recreational tournaments RBS, USRR2 = US recreational surveys MRFSS, VENRR = Venezuela recreational, VENGL = Venezuela Gillnet, BRZLL = Brazil longline,
BRZ = Brazil recreational, KORLL= Korea longline, TAILL = China Taipei longline. * JAPLL1 & JLL2 combined as a single index.
Model
Case
Version
Stock
Indices used
Excluded because
ASPIC
G3
5.16
E
CAW
r < 0.01
ASPIC
G4
5.16
E
CCW
r < 0.01
ASPIC
O3
5.33
E
JAPLL1, JAPLL2, CIVAR, SENAR, GHNGL
r=4.0
ASPIC
O4
5.33
E
JAPLL1, JAPLL2
r=4.0
ASPIC
O11
5.33
W
USRR1, USRR2, BRZRR, VENRR
ASPIC
O2
5.33
W
JAPLL3, USLL2, BRZLL, VENLL, KORLL
ASPIC
W3
5.33
W
CUW
r < 0.01
EXCEL
Fox
Tricubic
W
CCW
r>0.9
ASPIC
G1
5.16
W
CAW
r < 0.01
K ≈ 900,000
1575
r>0.9
Table 15. Scaled CPUE indices available for estimation of recent abundance trends 1990-2007.
Eastern stock
Western stock
Year
VEN
Gill
VEN
LL
BRA
LL
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
–
0.40
0.51
0.86
0.97
1.07
0.98
1.17
1.28
1.51
0.97
0.79
0.63
0.97
1.38
1.30
0.95
1.27
–
1.60
1.22
0.90
1.23
1.23
0.60
0.89
0.53
2.55
0.67
0.43
0.67
0.55
0.78
0.58
0.82
1.76
0.337
0.986
1.071
2.446
0.255
0.798
1.205
1.046
0.933
0.584
0.777
1.358
0.969
0.735
1.134
1.650
1.085
1.387
BRA
RR
–
–
–
–
–
–
1.231
0.829
1.056
0.486
1.354
1.030
1.089
0.940
1.179
0.914
0.551
1.341
US
RBS
US
MRFSS
US
PLL
0.865
1.038
1.373
0.9
1.423
1.265
1.366
1.499
1.727
0.999
0.753
0.824
1.035
1.267
0.919
0.996
1.113
1.028
0.648
1.037
1.364
1.045
0.975
1.246
0.966
0.706
1.351
1.636
1.228
0.749
1.361
1.381
1.128
2.017
1.095
1.179
1.454
1.759
2.402
1.908
1.385
0.874
0.874
1.396
0.994
1.297
0.922
0.313
0.384
0.385
0.541
0.223
0.241
0.426
JPN
LL
–
–
–
–
1.170
0.768
0.594
0.820
0.698
1.274
1.100
0.628
0.628
1.536
0.751
2.165
1.152
0.716
1576
CIV
Gill
SEN
Art
1.545
1.766
0.795
0.795
1.060
0.530
0.486
0.839
0.706
1.104
0.486
0.795
0.883
0.442
0.883
0.883
0.883
1.104
2.136
0.305
0.559
0.407
0.407
0.254
0.559
1.220
1.729
0.661
1.424
1.220
0.508
3.254
0.661
0.610
0.458
–
JPN
LL
–
–
–
–
1.182
1.052
1.149
0.877
1.468
1.201
0.539
0.318
1.578
1.097
0.630
0.539
0.760
1.610
GHN
Gill
–
–
–
1.634
1.555
0.656
1.900
0.801
0.748
0.467
0.342
0.810
1.456
1.734
0.643
1.087
0.552
0.614
Table 16. Pearson estimates of the correlation coefficient r above diagonal and probability values p below diagonal between available indices for the western and
eastern stock for 1990-2007. The p values represent the probability that r=0. Shaded indices correspond to the eastern stock.
VEN
Gill
VEN LL BRA LL BRA RR US RBS
VEN
Gill
0.177
US
US PLL JPN LL
MRFSS
CIV
Gill
SEN
Art
JPN
LL
-0.070
-0.216
0.069
0.316
-0.379
0.273
-0.221
0.162 0.040 -0.491
-0.257
-0.370
-0.086
0.162
0.389
0.038
0.582
-0.380 0.384 -0.340
0.278
-0.234
0.127
-0.034
0.037
-0.190 -0.305 -0.295 0.184
-0.138
-0.207
-0.147
-0.397
-0.366
0.140 0.097 0.166
0.014
0.207
-0.158
-0.259
0.069 0.498 0.253
-0.231
0.703
-0.222 -0.103 0.119 -0.082
-0.178
0.323
-0.201 0.223 0.160
0.067
0.181 -0.307 0.081
VEN LL
0.497
BRA LL
0.790
0.318
BRA RR
0.498
0.235
0.379
US RBS
US
MRFSS
0.792
0.742
0.350
0.668
0.215
0.533
0.615
0.516
0.957
US PLL
0.132
0.122
0.893
0.647
0.408
0.356
JPN LL
0.344
0.898
0.900
0.198
0.588
0.005
0.541
CIV Gill
0.393
0.014
0.450
0.2339
0.298
0.374
0.190
0.819
SEN Gill 0.549
0.145
0.234
0.681
0.791
0.694
0.439
0.552
0.474
JPN LL
0.892
0.174
0.305
0.763
0.068
0.685
0.443
0.284
0.466
0.960
GHN
0.062
0.214
0.510
0.605
0.361
0.771
0.569
0.783
0.381
0.772 0.326
-0.186 0.212 -0.243
0.015 0.104
Table 17. Estimates of B./BMSY for various treatments of the combined CPUE time series for east and west Atlantic sailfish using the
method presented in Goodyear (2003).
CPUE Time Series
East
West
GHN
Gill
Period
Unweighted
Weighted
by Catch
Weighted
by Area
Mean
2003-07/1967-71
2003-07/1980-84
2004-08/1961-65
2004-08/1973-77
0.192
0.708
0.651
1.157
0.079
0.487
1.083
1.988
0.117
0.430
0.577
0.799
0.129
0.542
0.770
1.315
1577
0.283
Table 18. SAI-West: length frequency statistics 75% quartile, median, and 25% quartile by year 1971-2007 taken by the Brazilian longline fleet, Japanese longline fleet,
Chinese Taipei longline fleet, Japanese Far Seas longline fleet, Venezuelan artisanal fleet, and Venezuelan gillnet fleet. Lengths are lower jaw-fork length cm.
1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007
BRA-LL
75% 178
167
167
167
172
172
172
172
172
161
167
167
167
167
–
161
167
167
161
–
–
162
–
–
–
–
–
–
181
171
174
–
–
–
176
172
median 167
161
161
156
161
167
161
161
167
156
156
156
156
161
–
151
156
156
151
–
–
162
–
–
–
–
–
–
174
166
167
–
–
–
162
164
177
170
25% 156
156
156
151
156
156
156
156
160
145
145
151
151
156
–
140
151
151
151
–
–
162
–
–
–
–
–
–
167
160
160
–
–
–
146
152
160
–
TAI-LL
75%
–
–
–
–
–
–
–
–
–
145
143
–
258
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
median
–
–
–
–
–
–
–
–
–
118
140
–
258
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
25%
–
–
–
–
–
–
–
–
–
118
140
–
221
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
JPN-LL
75% 161
161
156
163
167
167
199
188
–
172
–
140
163
188
194
–
–
–
172
163
–
124
–
–
–
–
–
173
173
138
–
153
–
146
–
–
median 156
156
145
154
161
156
188
188
–
172
–
134
154
183
191
–
–
–
167
153
–
124
–
–
–
–
–
163
163
136
–
152
–
144
–
–
–
25% 148
145
140
145
156
151
188
188
–
172
–
129
145
178
183
–
–
–
161
144
–
124
–
–
–
–
–
149
149
133
–
151
–
143
–
–
–
–
JPNF-LL
75%
–
–
–
–
–
–
–
–
–
–
–
190
95
140
128
195
150
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
median
–
–
–
–
–
–
–
–
–
–
–
157
90
125
125
145
150
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
25%
–
–
–
–
–
–
–
–
–
–
–
110
85
114
123
131
150
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
173
VEN-Art
75%
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
173
167
176
176
172
175
176
174
176
177
175
174
172
174
174
174
174
176
175
173
median
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
166
160
165
173
168
170
170
167
170
171
172
171
170
172
170
172
173
174
170
170
172
25%
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
158
156
159
166
162
163
165
160
163
162
170
167
160
168
163
170
170
172
163
166
169
173
VEN-GN
75%
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
170
175
173
173
173
175
174
174
173
173
173
173
173
173
172
170
median
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
165
168
168
169
168
169
168
168
167
168
168
167
168
167
166
165
168
25%
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
159
165
164
165
164
164
163
163
162
163
162
162
162
161
160
160
162
1578
Table 19..SAI-East: length frequency statistics 75% quartile, median, and 25% quartile by year 1974-2007 taken by the Brazilian longline fleet, Côte d’Ivoire gillnet fleet,
Chinese Taipei longline fleet, Ghanaian gillnet fleet, and Japanese longline fleet. Lengths are lower jaw-fork length cm.
1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007
BRA-LL
75%
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
164
179
median
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
150
170
191
182
25%
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
137
164
173
–
CIV-LL
75%
–
–
–
–
–
–
–
–
–
–
175
180
170
180
185
185
185
185
180
180
185
180
180
180
185
185
180
180
185
185
185
–
187
median
–
–
–
–
–
–
–
–
–
–
165
175
165
175
175
175
175
175
175
175
175
175
170
175
180
180
175
175
175
175
175
–
178
–
25%
–
–
–
–
–
–
–
–
–
–
150
165
154
170
170
170
170
170
170
170
170
170
155
170
175
175
165
170
170
170
170
–
171
–
–
TAI-LL
75%
–
–
–
–
–
–
–
181
226
178
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
median
–
–
–
–
–
–
–
167
226
167
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
25%
–
–
–
–
–
–
–
154
226
161
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
190
GHN-GN
75%
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
220
190
190
–
–
–
186
185
190
190
median
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
185
180
185
–
–
–
175
175
178
180
180
25%
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
–
175
175
180
–
–
–
170
170
170
171
175
–
JPN-LL
75% 194
199
160
209
210
221
172
189
194
145
199
215
–
199
188
191
151
183
–
–
–
180
–
–
171
180
152
178
185
178
162
161
–
median 194
188
151
194
210
199
172
183
188
145
188
188
–
199
188
172
151
183
–
–
–
178
–
–
160
162
139
178
136
172
158
156
–
–
25% 194
172
134
179
199
194
166
178
170
140
178
178
–
199
178
161
151
170
–
–
–
175
–
–
150
142
135
178
126
160
153
146
–
–
1579
0 to 1E-005
1E-005 to 0.2
0.20001 to 0.4
0.40001 to 0.6
0.60001 to 0.8
0.80001 to 1
100°
90°
80°
70°
60°
50°
40°
30°
20°
10°
0°
10°
20°
30°
50°
50°
45°
45°
40°
40°
35°
35°
30°
30°
25°
25°
20°
20°
15°
15°
10°
10°
5°
5°
0°
0°
5°
5°
10°
10°
15°
15°
20°
20°
25°
25°
30°
30°
35°
35°
40°
40°
45°
45°
50°
50°
100°
90°
80°
70°
60°
50°
40°
30°
20°
10°
0°
10°
20°
30°
Figure 1. Sailfish/(sailfish+spearfish) ratios for Korea estimated from observer data. Ratios are estimated with a
GLM model that aggregates temporal data and uses the following factors: quarter, fleet, area (costal-oceanic) and
distance from the 5 degree north latitude. Quarterly data was not available for Korea at the time of analysis.
1580 0 to 1E-005
1E-005 to 0.2
0.20001 to 0.4
0.40001 to 0.6
0.60001 to 0.8
0.80001 to 1
100°
90°
80°
70°
60°
50°
40°
30°
20°
10°
0°
10°
20°
30°
50°
50°
45°
45°
40°
40°
35°
35°
30°
30°
25°
25°
20°
20°
15°
15°
10°
10°
5°
5°
0°
0°
5°
5°
10°
10°
15°
15°
20°
20°
25°
25°
30°
30°
35°
35°
40°
40°
45°
45°
50°
50°
100°
90°
80°
70°
60°
50°
40°
30°
20°
10°
0°
10°
20°
30°
Figure 2. Sailfish/(sailfish+spearfish) ratios for Japan estimated from observer data. Ratios are estimated with a
GLM model that aggregates temporal data and uses the following factors: quarter, fleet, area (costal-oceanic) and
distance from the 5 degree north latitude. Quarterly data was not available for Japan at the time of analysis.
1581 0 to 1E-005
1E-005 to 0.2
0.20001 to 0.4
0.40001 to 0.6
0.60001 to 0.8
0.80001 to 1
100°
90°
80°
70°
60°
50°
40°
30°
20°
10°
0°
10°
20°
30°
50°
50°
45°
45°
40°
40°
35°
35°
30°
30°
25°
25°
20°
20°
15°
15°
10°
10°
5°
5°
0°
0°
5°
5°
10°
10°
15°
15°
20°
20°
25°
25°
30°
30°
35°
35°
40°
40°
45°
45°
50°
50°
100°
90°
80°
70°
60°
50°
40°
30°
20°
10°
0°
10°
20°
30°
Figure 3. Sailfish/(sailfish+spearfish) ratios for Chinese Taipei obtained from estimated data. Ratios are
estimated with a GLM model that aggregates temporal data and uses the following factors: quarter, fleet, area
(costal-oceanic) and distance from the 5 degree north latitude. Each circle within a grid represents estimates for
each quarter.
1582 6000
WEST
Catch (tons)
5000
EAST
4000
3000
2000
1000
0
1957
1966
1975
1984
1993
2002
Figure 4. Total catches of sailfish estimated for each stock. Estimates include catches from longline fleets that
were separated from those of spearfish.
1583 3.5
3
3
2.5
JPN LL‐3
2.5
US LL1
JPN LL‐1
2
JPN LL‐2
2
1.5
1.5
1
1
0.5
0.5
0
1950
1960
1970
1980
1990
2000
2010
US LL2
US LL3
US RR1
US RR2
0
1950
1960
1970
West – Japan
1980
1990
2000
2010
West - USA
5
3
4.5
4
2.5
VEN RR
3.5
BRZ LL
VEN GL
3
2
BRZ RR
VEN LL
2.5
1.5
2
1.5
1
1
0.5
0.5
0
1950
1960
1970
1980
1990
2000
2010
0
1950
1960
West – Venezuela
1970
1980
1990
2000
2010
West - Brasil
6
3.5
JPN LL2
5
3
JPN LL3
4
CIV AR
2.5
JPN LL‐1
GHN AR
2
SEN AR
3
1.5
2
1
1
0.5
0
1950
0
1960
1970
1980
1990
2000
2010
East - Japan
1950
1960
1970
1980
1990
2000
East – Artisanal
Figure 5. Relative abundance indices obtained by standardizing CPUE data for various fleets. All indices were
scaled to the mean of each series prior to graphing.
1584 2010
1
Western stock
0.9
0.8
a)
Combined CPUE
0.7
0.6
Un‐weighted
weighted‐catch
weighted‐area
0.5
0.4
0.3
0.2
0.1
1961
1963
1965
1967
1969
1971
1973
1975
1977
1979
1981
1983
1985
1987
1989
1991
1993
1995
1997
1999
2001
2003
2005
2007
0
6
Eastern stock
b)
Combined CPUE
5
4
3
Un‐weighted
weighted‐catch
2
Weighted‐area
1
2007
2005
2003
2001
1999
1997
1995
1993
1991
1989
1987
1985
1983
1981
1979
1977
1975
1973
1971
1969
1967
0
Figure 6. Estimated combined indexes of abundance for the a) western and b) eastern stocks. Indices differ
because of the different weighting used in the process of combination: “weighted-catch” correspond to weighting
proportional to the reported catch associated with the fleet corresponding to the index, “weighted area” to
weighting proportional to area of the fishery (measured by the number of 5 degree grids) where catch was
reported for the fleet associated with the index.
1585 Figure 7. ASPIC fit model results of case F2 fpr the eastern stock. Each panel correspond to the fit of the model
to each of the cpue indices, from top left, Japan LL1 and Jap LL2, top right, CIV ART, bottom left SEN ART
and bottom right GHA GIL.
Phase plot trayectory SAI West 2
1.8
1.6
1.4
F/Fmsy
1.2
04
01
07
1
98
95 92
0.8
86
83
71
89
0.6
8077
74
68
65
0.4
62
0.2
59
56
0
0.50 0.70 0.90 1.10 1.30 1.50 1.70 1.90 B/Bmsy
Figure 8. Results of ASPIC fit of case O9 for the western stock fit to all available indices. Trends in time of
fishing and biomass ratios plotted in a phase plot that indicates when overfishing and overfished reference points
are reached. Numbers next to diamonds denote the year of the estimate.
1586 Precision of 2008 Estimates of Biomass
F:\Sailfish09\SAI\AspicRunMaO\case3east.bio
100.00
18.00
90.00
16.00
80.00
14.00
70.00
12.00
60.00
10.00
50.00
8.00
40.00
6.00
30.00
4.00
20.00
2.00
10.00
0.00
Cumulative Probability
Percent Frequency
20.00
0.00
9000
12000
15000
18000
Total Stock Biomass (mt)
Percent Frequency
21000
24000
Cumulative Probability
Figure 9. Results of fits for ASPIC case O9 for the western stock (top row) and O7 for the eastern stock (lower
row). Probability distribution and cumulative distribution (circles) for the last year (2008) of total stock biomass
(left panel) and fishing mortality rates (right panel). Description of cases provided in Appendix 9.
1587 Bivariate phase plot of F2007/Fmsy By B2007/Bmsy East SAI case 3
Bivariate relationship between PM parameters East SAI Case 3
2
0.4
1.8
1.6
0.35
1.4
0.3
Fmsy
F2007/Fmsy
1.2
1
0.25
0.8
0.2
0.6
0.15
0.4
0.2
0.1
0
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
10000
20000
B2007/Bmsy
.1 .2 .3 .4 .5 .6 .7 .8 .9
Bmsy
Quantile Density Contours
.1 .2 .3 .4 .5 .6 .7 .8 .9
Quantile Density Contours
Figure 10. Results of ASPIC fit of case O7 for the eastern stock. Contours represent non-parametric density
quantiles of the 500 bootstrap runs and points each of the runs. Left panel Fishing mortality and biomass ratios,
right panel Fishing mortality and biomass at MSY. Description of cases provided in Appendix 9.
SCHAEFER
FOX
6
Equal
DownWt
5
4
F/Fmsy
F/Fmsy
5
6
3
2
1
Year
1990
3
2010
2
1950
2
1.5
1
0.5
1970
Year
1990
3
Equal
DownWt
2010
Equal
DownWt
2.5
B/Bmsy
B/Bmsy
3
0
1970
2.5
2
1.5
1
0.5
0
1950
4
1
0
1950
Equal
DownWt
0
1970
Year
1990
2010
1950
1970
Year
1990
2010
Figure 11. Production model results for the western Atlantic data (combined index, catch-weighted) fitted with
EXCEL.The results show either the trajectories of F/FMSY (top row) or B/BMSY (bottom row). On the left are the
results for a Schaefer model, and on the right, the results for a Fox model. Each panel shows the fits obtained
either with equal weighting of the CPUE observations, or down-weighting the historical data.
1588 Figure 12. Bayesian production model, marginal priors for r, k and q. Dashed lines stand for the noninformative, while continuous lines stand for the informative prior.
Figure 13. Bayesian production model, indices and biomass profiles as calculated using informative (upper row)
and non-informative priors (lower row) for the western stock.
1589 Figure 14. Bayesian production model, indices and biomass profiles as calculated using informative (upper row)
and non-informative priors (lower row) for the eastern stock.
1590 1
0.9
E
W
E
W
0.8
0.7
r
0.6
0.5
0.4
0.3
0.2
0.1
0
0
20000
40000
60000
80000
100000
K
Figure 15. Uncertainty in estimates of r and K for different cases of production models that differ according to
the model/data combination used. Three cases that produced r estimates of 4 or a K estimate of almost 900,000
tons are excluded from this graph. Furthermore, cases denoted by light colors represent additional cases not
considered in further analyses because values of r were either smaller than 0.01 or larger than 0.9.
70000
EAST
60000
WEST
50000
K
40000
30000
20000
10000
0
0
500
1000
1500
2000
2500
3000
MSY
Figure 16. Uncertainty in estimates of K and MSY for different cases of production models that differ according
to the model/data combination used.
1591 10
9
EAST
8
WEST
F2007/Fmsy
7
6
5
4
3
2
1
0
0
0.2
0.4
0.6
0.8
1
1.2
1.4
B2006/Bmsy
Figure 17. Uncertainty in estimates of recent biomass ratio and fishing mortality ratio for different cases of
production models that differ according to the model/data combination used.
SAI West All index
5
4.5
4
F2007/Fmsy
3.5
3
2.5
2
1.5
1
0.5
0
0
0.2
0.4
0.6
0.8
1
1.2
B2007/Bmsy
1.4
1.6
1.8
2
Figure 18. Results of ASPIC fit of case O9. Boostratpped estimates of Biomass and fishing mortality ratios of
terminal year with the median value (red-circle).
1592 a)
Western Stock
3.00
2.50
VEN-RR
VEN-GN
VEN-LL
BRA-LL
US-RBS
US-MRFSS
US-PLL
BRA-RR
2.5
JPN-LL
2.00
US PLOP kg (span = 0.5)
US PLL kg (span = 0.5)
US PLL fish (span = 0.5)
US RBS fish (span = 0.5)
US MRFSS fish (span = 0.5)
VEN RR fish (span = 1.3)
VEN gill kg (span = 0.5)
VEN LL kg (span = 0.5)
BRA LL fish (span = 0.5)
BRA RR fish span = 0.5)
JPN LL fish (span = 0.5)
CPUE
2.0
CPUE (Loess smoothed)
1.50
1.00
1.5
1.0
0.50
0.5
0.00
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007
Year
0.0
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
Year
b) Eastern Stock
2.0
3.5
SEN Art fish
CIV gill fish
JPN LL fish
2.5
CPUE
GHA gill kg
2.0
1.5
CIV gill fish (span = 0.5)
SEN Art fish (span = 0.5)
GHA gill kg (span = 0.5)
1.5
S m o o th e d In d e x
3.0
JPN LL fish (span = 0.5)
1.0
0.5
1.0
0.5
0.0
0.0
1990
1992
1994
1996
1998
Year
2000
2002
2004
2006
1990
1992
1994
1996
1998
2000
2002
2004
2006
Figure 19. Trends in recent (1990-2007) abundance according to CPUE indices available. A) western stock b)
eastern stock. Left hand column represent scaled indices, right hand column the same indices but smoothed
through LOESS.
1593 Figure 20. Generalized additive model fits of the available CPUE indices from SAI-West (1990-2007).
1594 Figure 21. Generalized additive model fits of the available CPUE indices from SAI-East (1990-2007).
1595 1.6
1.4
Ratio Index
1.2
1.0
0.8
0.6
0.4
0.2
0.0
2000
2001
2002
2003
2004
2005
2006
2007
Year
Figure 22. Estimated confidence intervals for median of the CPUE ratios, relative to the standard year 2000 for
SAI-West.
2.5
Ratio Index
2.0
1.5
1.0
0.5
0.0
2000
2001
2002
2003
2004
2005
2006
2007
Year
Figure 23. Estimated confidence intervals for median of the CPUE ratios, relative to the standard year 2000 for
SAI-East.
1596 19
71
19
73
19
75
19
77
19
79
19
81
19
83
19
85
19
87
19
89
19
91
19
93
19
95
19
97
19
99
20
01
20
03
20
05
20
07
19
71
19
73
19
75
19
77
19
79
19
81
19
83
19
85
19
87
19
89
19
91
19
93
19
95
19
97
19
99
20
01
20
03
20
05
20
07
Lower jaw-fork length (cm
19
71
19
73
19
75
19
77
19
79
19
81
19
83
19
85
19
87
19
89
19
91
19
93
19
95
19
97
19
99
20
01
20
03
20
05
20
07
19
71
19
73
19
75
19
77
19
79
19
81
19
83
19
85
19
87
19
89
19
91
19
93
19
95
19
97
19
99
20
01
20
03
20
05
20
07
250
19
71
19
73
19
75
19
77
19
79
19
81
19
83
19
85
19
87
19
89
19
91
19
93
19
95
19
97
19
99
20
01
20
03
20
05
20
07
19
71
19
73
19
75
19
77
19
79
19
81
19
83
19
85
19
87
19
89
19
91
19
93
19
95
19
97
19
99
20
01
20
03
20
05
20
07
BRA - LL
250
200
200
150
150
100
100
50
50
0
0
JPN - LL
200
200
150
150
100
100
50
50
0
0
VEN - Art
200
200
150
150
100
100
50
50
0
0
1597 TAI - LL
250
250
JPNF - LL
250
250
VEN - GN
Figure 24. SAI-West: length frequency statistics- 75% quartile, median, 25% quartile taken in the Atlantic
Ocean (1971-2007) by the Brazilian, Japanese, Chinese Taipei, Japanese Far Seas longline fleets, and
Venezuelan artisanal and Venezuelan gillnet fleets. Lengths are lower jaw-fork length (cm).
Year
19
71
19
73
19
75
19
77
19
79
19
81
19
83
19
85
19
87
19
89
19
91
19
93
19
95
19
97
19
99
20
01
20
03
20
05
20
07
250
19
71
19
73
19
75
19
77
19
79
19
81
19
83
19
85
19
87
19
89
19
91
19
93
19
95
19
97
19
99
20
01
20
03
20
05
20
07
19
71
19
73
19
75
19
77
19
79
19
81
19
83
19
85
19
87
19
89
19
91
19
93
19
95
19
97
19
99
20
01
20
03
20
05
20
07
Lower jaw-fork length (cm
19
71
19
73
19
75
19
77
19
79
19
81
19
83
19
85
19
87
19
89
19
91
19
93
19
95
19
97
19
99
20
01
20
03
20
05
20
07
19
71
19
73
19
75
19
77
19
79
19
81
19
83
19
85
19
87
19
89
19
91
19
93
19
95
19
97
19
99
20
01
20
03
20
05
20
07
250
BRA - LL
250
200
200
CIV - GN
150
150
100
100
50
50
0
0
TAI - LL
250
200
200
GHA - GN
150
150
100
100
50
50
0
0
250
200
JPN - LL
150
100
50
0
Year
Figure 25. SAI-East: length frequency statistics- 75% quartile, median, 25% quartile taken in the Atlantic Ocean
(1971-2007) by the Brazilian, Japanese, Chinese Taipei, longline fleets, and Ghanaian and Côte d’Ivoire gillnet
fleets. Lengths are lower jaw-fork length (cm).
1598 Appendix 1
AGENDA
1. Opening, adoption of the Agenda and meeting arrangements
2. Update of data for assessment
2.1. Biology
2.2 Catch estimates
2.2.1 Separation of sailfish and spearfish catch in longline fleets
2.3 Relative Abundance estimates
3. Assessment
3.1 Review of methods for assessment
3.2 Production model assessments
3.2.1 Stock structure: alternative scenarios
3.3 Other assessment models
4. Management implications of stock status determination
5. Executive summary for sailfish
6. Other matters, sailfish
7. Other matters, all billfish
7.1 Progress of billfish work plan
7.2 Enhanced research program for billfish
8. Report adoption and closure
Appendix 2
LIST OF PARTICIPANTS
SCRS CHAIRMAN
Scott, Gerald P.
NOAA Fisheries, Southeast Fisheries Science Center Sustainable Fisheries Division, 75 Virginia Beach Drive, Miami,
Florida 33149,
Tel: +1 305 361 4261, Fax: +1 305 361 4219, E-Mail: gerry.scott@noaa.gov
CONTRACTING PARTIES
BRAZIL
Agrelli Andrade, Humber
UFRPE/DEPAq, Laboratorio de Oceanografía Pesqueira (LOP), Rua Dom Manuel de Medeiros, s/n, Dois Irmaos, Recife-PE
Tel: +55 81 3320 6500, Fax: +55 81 3320 6501, E-Mail: humber.andrade@gmail.com
Ferreira de Amorim, Alberto
Centro de Pesquisa Pesqueira Marinha do Instituto de Pesca, Avenida Bartholomeu de Guzmao, 192, Santos, Sâo Paulo
Tel: +55 13 3261 5529, Fax: +55 13 3261 1900, E-Mail: crisamorim@uol.com.br
Hazin, Fabio H.V.
Commission Chairman, Universidade Federal Rural de Pernambuco-UFRPE, Departamento de Pesca e AqüiculturaDEPAq, Rua Desembargador Célio de Castro Montenegro, 32-Apto 1702, Monteiro Recife, Pernambuco
Tel: +55 81 3320 6500, Fax: +55 81 3320 6512, E-Mail: fabio.hazin@depaq.ufrpe.br
Hazin, Humberto
UFRPE/DEPAq, Laboratorio de Oceanografía Pesqueira (LOP), Rua Dom Manuel de Medeiros, s/n, Dois Irmaos, Recife-PE
Tel: +55 81 3320 6500, Fax: +55 81 3320 6501, E-Mail: hghazin@hotmail.com
Leite Mourato, Bruno
Rua Dom Manoel de Medeiros s/n - Dois Irmaos, Recife, Pernambuco
Tel: +55 81 33206512, E-Mail: bruno.pesca@gmail.com
1599
Macedo Gomes De Mattos, Sergio
Secretaria Especial de Aquicultura e Pesca, Escritorio no Estado de Pernambuco, Av. Gal.San Martin, 1000 - Bongi, Recife,
Pernambuco
Tel: +55 81 3228 4492, Fax: +55 81 3227 9630
Wor, Catarina
Universidade Federal rural de Pernambuco-UFRPE, Departamento de Pesca e Aqüicultura-DEPAq, Rua Dom Manoel de
Medeiros, s/n - Dois Irmaos, 52171-900, Recife, Pernambuco
Tel: +55 81 3320 6511, Fax: +55 81 3320 6512, E-Mail: catarinawor@gmail.com
SENEGAL
Ngom Sow, Fambaye
Chargé de Recherches, Centre de Recherches Océanographiques de Dakar Thiaroye-CRODT/ISRA, LNERV-Route du
Front de Terre, BP 2241, Dakar
Tel: +221 33 823 8265, Fax: +221 33 832 8262, E-Mail: famngom@yahoo.com
UNITED STATES
Díaz, Guillermo
NOAA/Fisheries, Office of Science and Technology, National Marine Fisheries Service, 1315 East-West Highway, Silver
Spring, MD, 20910
Tel: +1 301 713 2363, Fax: +1 301 713 1875
Die, David
Cooperative Unit for Fisheries Education & Research, University of Miami, 4600 Rickenbacker Causeway, Miami, Florida
33149
Tel: +1 305 421 4607, Fax: +1 305 421 4221
Fitchett, Mark
University of RSMAS, 4600 Rickenbacker Causeway, Miami, Florida 33149
Tel: +1 305 989 8308, Fax: +1 305 421 4600, E-Mail: mfitchett@rsmas.miami.edu
Goodyear, Phil
1214 North Lakeshore Drive, Niceville, Florida 32518
Tel: +1 850 897 2666, Fax: +1 850897 2666, E-Mail: philgoodyear@cox.net
Hoolihan, John
NOAA Fisheries, Southeast Fisheries Science Center, 75 Virginia Beach Drive, Miami, Florida 33149
Tel: +1 305 365 4116, Fax: +1 305 361 4562, E-Mail: john.hoolihan@noaa.gov
Ortiz, Mauricio
NOAA Fisheries, Southeast Fisheries Science Center, 75 Virginia Beach Drive, Miami, Florida 33149
Tel: +1 305 361 4288, Fax: +1 305 361 4562, E-Mail: mauricio.ortiz@noaa.gov
Prince, Eric D.
NOAA Fisheries, Southeast Fisheries Science Center, 75 Virginia Beach Drive, Miami, Florida 33149
Tel: +1 305 361 4248, Fax: +1 305 361 4219, E-Mail: eric.prince@noaa.gov
VENEZUELA
Arocha, Freddy
Instituto Oceanográfico de Venezuela Universidad de Oriente, , A.P. 204, 6101, Cumaná, Estado Sucre
Tel: +58293 400 2111- movil: 58 416 693 0389, Fax: , E-Mail: farochap@gmail.com
**********
ICCAT SECRETARIAT
C/ Corazón de María, 8 - 6 Planta, 28002 Madrid, Spain
Tel: + 34 91 416 5600, Fax: +34 91 415 2612, E-Mail: info@iccat.int
Restrepo, Victor
1600
Appendix 3
LIST OF DOCUMENTS
SCRS/2009/025
Sex ratio at size of sailfish (Istiophorus albicans) from the Venezuelan fishery off the
Caribbean Sea and adjacent areas. F. Arocha, L. Marcano and J. Silva.
SCRS/2009/032
Exploitation des poissons porte-épées par la pêcherie artisanale maritime en Côte d’Ivoire.
I: CPUE standardisée des voiliers de l’Atlantique, Istiophorus albicans. N’Da K., G.R.
Dedo.
SCRS/2009/033
Standardized catch rates for sailfish (Istiophorus albicans) from the Venezuelan pelagic
longline fishery off the Caribbean Sea and adjacent areas: An update for 1991-2007. F.
Arocha and M. Ortiz.
SCRS/2009/045
Updated sailfish (Istiophorus platypterus) catch rates from the U.S. pelagic longline fishery
in the northwest Atlantic and Gulf of Mexico 1986-2008. M. Ortiz, G.A. Diaz and J.P.
Hoolihan.
SCRS/2009/046
Updated estimates of sailfish catch-per-unit-effort for the U.S. Recreational Billfish
Tournaments and U.S. recreational fishery (1973-2008). J.P. Hoolihan, M. Ortiz, G.A. Diaz,
and E.D. Prince.
SCRS/2009/047
U.S. conventional tagging results for Atlantic sailfish (1954-2008), with comments on
possible stock structures. E. Orbesen, D. Snodgrass, J. Hoolihan and E. Prince.
SCRS/2009/048
Sailfish (Istiophorus platypterus) habitat utilization in the southern Gulf of Mexico and
Florida Straits, with implications on vulnerability to shallow-set pelagic longline gear. D.W.
Kerstetter, S.M. Bayse and J.E. Graves.
SCRS/2009/049
CPUE standardization of the U.S. longline observer data using StatHBS C. P. Goodyear.
SCRS/2009/051
Changes in billfish catch rates due to the use of different hooks and baits in the
configuration of the surface longline gear targeting swordfish (Xiphias gladius) in the
Atlantic ocean. J. Mejuto, J. Ortiz de Urbina, A. Ramos-Cartelle and B. García-Cortés.
SCRS/2009/052
Prevalence of istiophorids (fam. Istiophoridae) on the basis of observations of the Spanish
surface longline fleet targeting swordfish (Xiphias gladius) in the Atlantic Ocean. B. GarcíaCortés, J. Fernández, A. Ramos-Cartelle and J. Mejuto.
SCRS/2009/054
Relative abundance indices for sailfish from the artisanal fleet from Senegal. Y. Diatta, D.J.
Die and M.D. Fitchett.
SCRS/2009/063
First observations of migratory movements and habitat preference of Atlantic sailfish,
Istiophorus platypterus, in the southwestern Atlantic Ocean. B. L. Mourato, F.C. Carvalho,
F.H.V. Hazin, J.C. Pacheco, H.G. Hazin, P. Travassos and A.F. Amorim.
SCRS/2009/064
Estimating the sailfish and spearfish catch ratios based on Brazilian longline observer data
in the equatorial and south Atlantic Ocean. C. Wor, B.L. Mourato, F.H.V. Hazin, H.G.
Hazin and P. Travassos.
SCRS/2009/065
Ratios of sailfish and spearfish in longline observer data. D. Die.
SCRS/2009/066
Standardized catch rate of sailfish (Istiophorus platypterus) caught by Brazilian longliners
in the Atlantic ocean (1978-2008). C. Wor, B.L. Mourato, H.G. Hazin, F.H.V. Hazin, P.
Travassos and H. Andrade, H.
SCRS/2009/067
Update of standardized CPUE for sailfish caught by Japanese longline in the Atlantic
Ocean. K. Yokawa.
1601
Appendix 4
BILLFISH WORK PLAN
Summary
The Working Group proposed to conduct the next assessment of sailfish in 2009.
The Working Group is planning new assessments for blue marlin and white marlin in 2011, with a preceding
data preparatory meeting to be held in 2010. To achieve this, the Working Group needs to continue with
developing methods to better interpret the historical changes in billfish CPUE from longline data; and, the
continued improvement of biological parameters, catch and relative abundance of marlins.
Background
The last stock assessments for blue marlin and white marlin were conducted in 2006 (Anon. 2007b). No
assessments have ever been conducted on spearfish. The last attempted assessment for sailfish (Anon. 2002) was
unable to estimate biological reference points such as maximum sustainable yield or the current state of the
stock, mainly because of the uncertainty in the basic data required in the assessment. ICCAT has invested in
billfish research for the purpose of improving the quality of data needed for stock assessments. However,
additional information is still required to elucidate biological characteristics (e.g. defining essential habitat,
survival, and growth), catch statistics (particularly for artisanal fisheries), and relative abundance indices.
Work completed in 2008
− A data preparatory meeting for the sailfish assessment was held in May 2008.
− The estimation of age and growth parameters has been completed for white marlin. Work is in progress on an
equivalent study of blue marlin, while new studies are just getting underway for sailfish and longbill
spearfish.
− A study on blue marlin reproduction off West Africa was completed, but similar work on sailfish in the same
area requires an additional year for completion.
− A research project is underway to identify genetic biomarkers for Atlantic billfishes, with emphasis on
delineating the genetic stock structure of white marlin and roundscale spearfish. The project is supported
through international collaboration and facilitated by members of the ICCAT Billfish Species Group.
− Research on vertical habitat of sailfish and white marlin expanded in 2008, whereas equivalent research on
blue marlin was conducted in earlier years.
− The review of billfish catches from artisanal fleets continued, especially in West Africa; however, a more
recent smaller initiative has started in the Caribbean with a study in the Dominican Republic.
− New relative abundance indices for sailfish were obtained from several recreational, artisanal and longline
fleets. Several previously available sailfish indices were updated. A new index was obtained for West
African blue marlin.
− A review of Atlantic-wide sailfish catches was conducted, however, there is still a need to separate spearfish
from some of the historical longline catches. To that extent, preliminary ratios of sailfish/spearfish have been
developed by 5 degree grid.
Proposed work for 2009
Work can be separated into two major programs, one aimed at preparing the next sailfish assessment, and the
other at preparing for future blue marlin and white marlin assessments.
In preparation for the 2009 sailfish assessment the following analyses are required:
− Continue the collection and analysis of biological samples to study the age, growth and reproduction of
sailfish in Côte d’Ivoire.
− Continue the efforts of reviewing catch estimates, especially for those countries that are known to land
sailfish but do not report it to ICCAT.
1602
− The relative abundance indices of the following fleets need to be updated to provide estimates that include
the year 2007:
- Japanese longline
- Chinese Taipei longline
− Analyses of data from the following artisanal fleets need to be initiated, or completed, to obtain new relative
abundance indices for all important artisanal fleets:
- Côte d’Ivoire
- Ghana
- Sao Tomé and Principe
− If possible, updates should be conducted for those indices presented before the 2009 sailfish assessment so
that they include data through year 2007. Additionally, a summary of all available size frequency data should
be provided for all fleets.
− In order to prepare for an assessment of blue marlin and white marlin in 2011 the Working Group should
prepare and plan for a marlin data preparatory meeting in 2010 that focuses on:
- developing methods and data analyses that can facilitate the interpretation of historical longline CPUE
indices;
− accounting for under-reporting in the fleets that have been required to release marlins;
- recovering and compiling statistics on marlin catches made by FAD fisheries from the Caribbean;
- Use genetic analyses to review the reliability of species identification for marlins and spearfish, as
reported by the various fleets and observer programs;
- Post-release survival of marlins.
Appendix 5
A GENERALISED LINEAR MODEL FOR THE RATIO OF SAILFISH
TO SPEARFISH IN ATLANTIC LONGLINE CATCHES
By Humber Andrade
The selection of the generalized linear model used to predict the ratio sailfish/(sailfish + spearfish) was based on
Akaike Information Criteria and chi-square tests on the deviance table (Table 1). In spite of the model
appearing overparameterized, it was accepted because the intention was to derive a prediction that closely
resembled the observed data. The main factors explaining the variance are “areaf” (fishing area), “lav” (distance
from equatorial area) and “Fleet”.
The summary of the coefficients estimated using the model are shown in Table 2. Fleets that really differ from
the intercept (Brazilian fleet) are Chinese Taipei (TAI) and Venezuela (VEN). Coastal area (areaf1) has a strong
positive effect if compared with the intercept (oceanic areas). The distance from the equatorial area, as measured
by covariate “lav” also showed a positive effect. Hence, the models predictions suggest that the ratio
sailfish/(sailfish+spearfish) are greater in coastal and equatorial areas than in other scenarios.
Comparisons between predicted and observed data are in Figure 1. Overall, the predictions seem biased,
although the prediction errors were deemed acceptable given the available data for the analysis. Nevertheless,
future efforts to use these predictions models are encouraged by the group.
1603
Table 1. Deviance table for the generalized model used to predict the ratio sailfish/(sailfish + spearfish) for the
Atlantic Ocean. Besides “Fleet”, “qf” and “areaf” are also factors standing for quarter and area (oceanic or
coastal) effects. “lav” is a continuous variable representing the distance of fishing set with respect to the
equatorial area. Akaike’s Information Criterion was 28161.64 and the proportion of variance explained by the
model is 0.61. Column entitled “Dev.Exp1” stands for the proportion of total explained variance (0.61) that are
due to the inclusion of each term in the model. Column “Dev.Exp2” stands for the proportion of data variance
explained by each factor or covariate.
NULL
Fleet
qf
areaf
lav
Fleet:qf
Fleet:areaf
Fleet:lav
qf:areaf
qf:lav
areaf:lav
Df
Deviance
5
3
1
1
12
5
5
3
3
1
8422.32
528.87
16641.87
12884.71
1141.26
878.96
634.51
8.04
65.14
153.75
Resid. Df
1206
1201
1198
1197
1196
1184
1179
1174
1171
1168
1167
Resid. Dev
67636.65
59214.33
58685.46
42043.59
29158.88
28017.61
27138.66
26504.14
26496.1
26430.96
26277.2
P(>|Chi|)
Dev.Exp1
Dev.Exp2
0
2.64E-114
0
0
7.66E-237
9.54E-188
7.04E-135
0.05
4.68E-014
2.62E-035
20.36
1.28
40.24
31.15
2.76
2.13
1.53
0.02
0.16
0.37
12.45
0.78
24.6
19.05
1.69
1.3
0.94
0.01
0.1
0.23
Table 2. Summary of the coefficients estimated using the model.
Estimate
(Intercept)
FleetJapan
FleetSpain
FleetTAIP
FleetUSA
FleetVzla
qf2
qf3
qf4
areaf1
lav
FleetJapan:qf2
FleetSpain:qf2
FleetTAIP:qf2
FleetUSA:qf2
FleetVzla:qf2
FleetJapan:qf3
FleetSpain:qf3
FleetTAIP:qf3
FleetUSA:qf3
FleetVzla:qf3
FleetJapan:qf4
FleetSpain:qf4
FleetTAIP:qf4
FleetUSA:qf4
FleetVzla:qf4
Std.
0.75
-0.09
0.21
5.09
-0.15
-3.73
0.07
0.2
0.06
1.04
-0.05
NA
0.37
-1.76
2.14
0.54
NA
2.3
-3.15
4.69
2.06
NA
0.02
-2.49
1.81
1.05
Error
0.17
0.13
0.29
0.23
0.37
0.27
0.18
0.18
0.17
0.17
0.01
NA
0.29
0.19
0.28
0.13
NA
0.32
0.19
0.32
0.12
NA
0.3
0.19
0.32
0.11
z
4.36
-0.67
0.72
22.36
-0.39
-14.04
0.39
1.14
0.37
6.3
-7.61
NA
1.3
-9.16
7.72
4.08
NA
7.09
-16.28
14.49
17.56
NA
0.06
-13.26
5.58
9.67
1604
value
1.31E-005
0.5
0.47
<2E-016
0.69
<2E-016
0.7
0.25
0.71
2.95E-010
2.80E-014
NA
0.19
<2E-016
1.17E-014
4.59E-005
NA
1.33E-012
<2E-016
<2E-016
<2E-016
NA
0.95
<2E-016
2.36E-008
<2E-016
FleetJapan:areaf1
FleetSpain:areaf1
FleetTAIP:areaf1
FleetUSA:areaf1
FleetVzla:areaf1
FleetJapan:lav
FleetSpain:lav
FleetTAIP:lav
FleetUSA:lav
FleetVzla:lav
qf2:areaf1
qf3:areaf1
qf4:areaf1
qf2:lav
qf3:lav
qf4:lav
areaf1:lav
0.59
-0.12
1.95
2.65
2.64
-0.09
-0.08
-0.22
-0.04
0.04
-0.04
-0.79
-0.22
-0.01
-0.06
0
-0.06
0.12
0.16
0.1
0.25
0.17
0.01
0.01
0.01
0.02
0.02
0.17
0.16
0.16
0.01
0.01
0.01
0
4.91
-0.73
19.48
10.68
15.18
-13.83
-7.95
-24.15
-2.31
2
-0.23
-4.84
-1.39
-1.8
-7
0.43
-12.41
9.15E-007
0.46
<2E-016
<2E-016
<2E-016
<2E-016
1.80E-015
<2E-016
0.02
0.05
0.82
1.32E-006
0.17
0.07
2.53E-012
0.67
<2E-016
Figure 1. Scatterplot for predicted and observed sailfish/(sailfish+spearfish) ratio (left panel), boxplot for the
difference between observed and predicted ratio (mid panel), and estimated proportion of predictions that result
in error larger than those showed in the x-axis (right panel). Calculations were for cells in which the number of
fish observed was greater than 10.
1605
Appendix 6
ANALYSES OF CPUE DATA FOR SEVERAL LONGLINE FISHERIES
By Gerry Scott and Mauricio Ortiz
Through more than half of the time allocated for the sailfish assessment Working Group meeting, no updated,
standardized catch rates time series were available from two of the fleets upon which previous sailfish stock
assessments were based. This lack of information severely hampered the progress the Working Group could
make in assessing the stock status and advising the Commission, since much effort was directed toward
attempting to recover and analyze this information through the ICCAT data bases. While partial information
from the Japanese fleet was sent to the WG late in the meeting, no new analysis was forthcoming from scientists
having access to a full time series of catch-effort data from the Chinese Taipei fleet. Recognizing the lack of
information, the Working Group decided to analyze the available catch-effort information available at the
Secretariat from the Japanese, Chinese Taipei, and Korean fleets using aggregated catch-effort data. Two
approaches were used.
The first approach relied on the CATDIS and longline effort estimates data files, which provide information on
longline catch and effort at a 5x5xcalendar quarter spatial-temporal scale. The CATDIS catch estimates used
were those resulting from the Working Group separation of sailfish from spearfish for Japanese, ChineseTaipei, and Korean longline fleets, as described in Section 2.a of this report. For these analyses, simple GLMs of
the natural log-transformed catch kg / 1000 hooks by 5x5 cell were modeled across the entire area of fishing,
controlling for each 5x5 lat-lon, calendar quarter, and year in the analysis. To some degree this approach
accounts for targeting effects to a level whereby the fine spatial scale of the analysis is a proxy for targeting.
Below the model formulation and summary outputs. Figure 1 draws comparison between the standardized catch
rate patterns resulting from this analysis and those used in the 2001 assessment and an update which became
available to the Working Group late in the meeting. The spatial extent of the data used in the analysis conducted
by the Working Group was broader than used in the 2001 analysis, as only 5x5 degree aggregated data were
available to the Working Group. SAS Code used to generate catch rate patterns from CATDIS and Hook
estimates.is available at the ICCAT Secretariat.
Figure 1. Comparison of sailfish catch rates resulting from analysis of CATDIS and hooks data sets for
Japanese (left) and Chinese Taipei (right) longline with those available in 2001 or updated by national scientists.
1606
Appendix 7
CALCULATION OF A STANDARDIZED CPUE FOR THE FISHERY OF GHANA
By Mark Fitchett
Artisanal fisheries from Ghana have had documented catch and effort on a monthly time scale from 1974 to
2007. Data was collected in metric tons (mt) and effort in trips taken. Gear and methodology is gillnet using
small-scale canoes. CPUE was analyzed by implementing a GLM approach using Statistical Analystical
Software (SAS). Data from years 1983, 1988, 1990, and 1991 were omitted due to perceived sampling errors
during a time period of economic hardship in Ghana. A preliminary GLM using data from 1974 to 2007 was run
using log-transformed and box-cox powers data (powers = 0.227) assuming a Gaussian error distribution
(passing tests for normality).
The preliminary GLM used year, fishing season (high and low), and a year*season interaction. High season
included months October to May while a low season included months June to September.
An apparent discontinuity in CPUE is observed and the model fit was poor. Upon review of effort reported, it is
noted that from 1974 to 1990, data was report in area units of 1x1 degree grid squares and in 5x5 grid squares
from 1991 to 2007. In addition, further review of effort patterns of the number of canoes in the fishery versus
total trips reported suggests that effort was reported on a different scale or possibly different units prior to 1990
when trips were the unit of effort, such as hours fished (Figure 2).
For the development of an index of abundance, years 1992 to 2007 were used (figure 3). Effort used in trips per
month and catch in metric tons (mt) per month. Zero catch made up less than 3.5%, but were not discarded. A
small constant of 1x10-8 was added to CPUE. Data was transformed in the R program to normality using BoxCox Powers (power=0.2292) and passed a test of normality using a CVM test.
CPUE was analyzed by implementing a GLM approach using Statistical Analystical Software (SAS). The GLM
used effects of year, season, and a year*season interaction. Season (four month periods) were defined as
January-April, May-August, and September-December (Table 1).
The Ghana starndardised CPUE series (Table 2 and Figure 4) shows a slightly declining trend from 1993 to
2007, with a peak in 1996 and 2003 and a minimum in 2000 and 2006. In addition, further analyses of the
Ghana gillnet fishery suggests a need to explore environmental impacts such as the effects of upwelling depicted
in figure 5.
Table 1. ANOVA Table for GLM using CPUE = Year + Season+ Year* Season
Source
Year
Season
Year*Season
df
15
2
28
Sum Squares
0.29460662
0.50612532
0.27287553
Mean Square
0.01964044
0.25306266
0.00974555
F Value
3.72
47.94
1.85
R-Square
0.597521
Coeff Var
21.62864
Root MSE
0.07265
Response
Mean
0.335914
1607
Pr > F
<.0001
<.0001
0.0111
Table 2. Relative abundance of sailfish from the Ghana gillnet fishery.
Year
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
Mean
0.015182
0.01445
0.006098
0.017662
0.007446
0.006951
0.004339
0.003182
0.007527
0.013536
0.016116
0.005979
0.010101
0.005128
0.00571
Lower
0.009207
0.008711
0.003264
0.010906
0.004106
0.003795
0.002198
0.001527
0.004158
0.008094
0.009845
0.003191
0.005814
0.002671
0.003025
Upper
0.023777
0.022741
0.010534
0.027261
0.012569
0.011825
0.007813
0.005966
0.01269
0.021441
0.025094
0.010353
0.01649
0.009045
0.009941
0.03
0.025
LSMEAN
Upper 95% CI
Lower 95% CI
Nominal CPUE
0.02
0.015
0.01
0.005
0
1971
1974
1977
1980
1983
1986
1989
1992
1995
1998
Figure 1. Preliminary CPUE index of sailfish for Ghana gillnet fishery.
1608
2001
2004
2007
2010
160000
140000
1974 to 1990
Trips reported
120000
1991 to 2007
100000
80000
60000
40000
20000
0
0
50
100
150
200
250
300
350
400
450
No. of Canoes
Figure 2. Relationship of canoes in the Ghana gillnet fishery versus trip reported (by month) from 1974-1990
and 1991-2007.
Figure 3. Histogram of data from 1993-2007 Transformed CPUE data using Box-Cox Powers method and a
simulated normal curve.
1609
0.03
LSMeans
Lower 95% C.I.
0.025
Upper 95% C.I.
Nominal CPUE
0.02
0.015
0.01
0.005
0
2008
2007
2006
2005
2004
2003
2002
2001
2000
1999
1998
1997
1996
1995
1994
1993
1992
Figure 4. Standardized Ghana CPUE Index from years 1993 to 2007.
Figure 5. Map of montly altimetry sea surface height anomaly (SSHA) of the West African coast during an
exceptionally poor fishing month. (left) and an exceptionally successful fishing month (right).
1610
Appendix 8
A BAYESIAN PRODUCTION MODEL FOR ATLANTIC SAILFISH
By Humber Andrade
A biomass dynamic model was used because only catch and catch rate times series were available. Despite
simple models lacking realism, the result gathered with them are in many situations as useful as those obtained
with more complex, more data demanding models (Ludwig & Walters 1985).
We used the following version of the Schaefer model.
(1)
Bt = Bt 1  C t 1 + r  Bt 1 1  Bt 1 / k   e u
where C and B are the catch and the biomass, and time is indexed by t . The parameter r is the population
growth rate, k is the carrying capacity biomass, and u is normally distributed random process noise with
variance W . The observation error in C
t
is assumed to be negligible. The relationship between the biomass
B t and an observable index I t of abundance is
(2)
I t = q  Bt  e v
where v is a normally distributed random variable with variance V
q is the catchability coefficient.
accounting for observational noise, and
We assumed q approximately constant relying on the “standardization” of the catch rates as calculated using
generalized linear models (GLM).
In the state-space model as described in equations 2 and 1, besides the nuisance parameters W and V , there
are three parameters of interest, r, k and q. Because it is mathematically more convenient to deal with
parameters defined over the real line, we define   log r, log k, log q  as the three dimensional parameter
vector of interest in the Bayesian approach.
Bayesian approach to the assessment model
Bayesian inference of θ
is obtained using prior probability density distribution π θ

and likelihood
L θ  = p data | θ  after the data have been sampled. The posterior density distribution for θ is
(3)
p θ | data  =
π θ   L θ 
 π θ   L θ 
We first describe the likelihood function, and then we explain how we built the prior and posterior probability
distributions.
Likelihood
In order to estimate θ only the observational error was considered. The solution is summarized below. After
taking the logarithm of equation 2 and for notational convenience, we define Y t = log I t
μt θ  = logq  Bt  . The probability model for data point Y t is
(4)
and
p Yt | θ,V  ~ N  μ t θ ,V 
where N  μ t θ ,V

is an one-dimensional normal distribution with mean μ t θ  and variance V. Let the


complete data set be Y τ  = Y 1,. .. ,Y τ , hence the joint likelihood is L θ,V  = p Y τ  | θ,V  . If
independent prior distributions are assumed for θ and for V, say π θ, V  = π θ   π V  , then the likelihood
L θ  is obtained by marginalization with respect to V
1611
L θ  =
(5)
 p Y τ  | θ, V π V dV
If the prior for V is an inverse-gamma density distribution, say π V  ~ IG α, β  , the solution is
τ
 
2 
Lθ   2β / 2 + β  Yt  μt θ   
t=1

 
(6)
α+τ / 2
That choice is convenient because the inverse-gamma is conjugated with the normal probability in equation (5).
The resulting likelihood equation is simple in the sense that it only depends on the residuals with respect to
μ θ  and on the prior parameters for V. The first and the second central moments for the posterior inversegamma distribution of V are
τ


1
2
E p θ|Y(τ(   2 + β  Yt  μt θ   / 2β  and
α + τ / 2 1
t=1



(7)
E V | Y(τ( =
(8)
2
τ


2




+
β
Y
μ
θ
2



t
t
 
1

t=1
E V 2 | Y(τ( =
E p θ|Y(τ(   
  where E 
α + τ / 2  1  α + τ / 2  2 
2β
 


 

 

and



E p θ|Y  τ    represent the expectation and the expectation over the posterior.
In order to calculate the likelihood (eq. 6), biomasses are estimated recursively using equation 1. Hence an
initial value, the biomass for the first year, needs to be defined in advance.
Prior
The prior may strongly affect the posterior distribution when database is non-informative. Therefore, it is very
important to show how the priors have been built. We shall use a three dimensional non-central student
distribution for θ = log r, log k, log q , so that π θ  ~ T3 df, m, c  , where df is the degree of freedom, m
is the mean vector and c is the main diagonal of the (3x3) covariance matrix of the three dimensional student
density function T 3   . We assumed independence among the parameters so that all off-diagonal terms of the
covariance matrix are zero. The impact on the posterior was evaluated by using two different prior distributions.
In the “informative” prior we summarized all available knowledge on the parameters to the best of our
knowledge. In the “diffusive” prior we exaggerated our ignorance by inflating variances. In order to define these
prior distributions we first build suitable independent normal distributions for each component of the vector ,
then we used the means and the variances of these three distributions to build vector m and the main diagonal of
the covariance matrix c in the three dimensional student prior.
Posterior
In order to draw a sample from the posterior distributions using the Monte Carlo methods the initial step is the
choice of a suitable importance function. A good importance function must be easy to sample from and should
be similar to the true posterior density distribution function. The standard importance function is a multivariate
normal or student distribution centered at the maximum likelihood estimates and with covariance matrix
proportional to the Hessian matrix (Gelman et al. 1995). Some improvement in the method of choosing
importance function when using the sampling importance resampling (SIR) algorithm has been developed by
McAllister and Ianelli(1997). The mixture of student distributions is another alternative to improve the first
importance function (West 1992, 1993). This procedure called adaptive importance sampling (AIS) can be
followed by a SIR when drawing the final sample, and was the method we chose. Relative entropy (RE) as
suggested by West (1993) was the diagnostic measurement we used in the AIS/SIR procedure to assess the
convergence. RE approximates 1 as g   approaches p  | data  . The adaptive updating procedure of
g   is performed recursively until a target minimum relative entropy has been reached. Further details on
AIS algorithm and it’s technical issues are in Kinas (1993).
1612
Application of the model to sailfish data
Only combined indices weighted by catch were used to fit the bayesian production model. After some
discussion two priors (informative and non-informative) were built using multivariate student distributions.
Marginal densities of the priors used in both bayesian models for the West and East Atlantic are in Figure 1.
Figure 1. Marginal priors for r, k and q. Dashed lines stand for the non-informative, while continuous lines
stand for the informative prior.
Preliminary results showed that the mixed importance functions obtained using adaptive importance sampling
(AIS) were similar to the posteriors as indicated by entropy calculations. Empirical distributions as obtained
using SIR after the AIS approximation to the posterior showed to be different than the priors. This was
encouraging in the sense the data appears to be somewhat informative. Nevertheless, the fit of models as
evaluated by comparing the observations and the predictions were very poor. The model was not able to track
down the indices for the early years. Therefore the group decided to also try a “penalty” function in the model in
order to assign heavier weights to recent years indices. The results were similar to those gathered by not using
the penalty function, hence only the results as calculated with the original indices are shown.
West
Marginal posteriors distributions are in Figure 2. The posteriors as calculated using informative and noninformative priors showed some small differences. Posteriors for r and q calculated with informative prior are
shifted to the right if compared to those gathered with non-informative prior. In opposition the posterior for k as
calculated using the informative prior is shifted to the left.
Figure 2. Posteriors as calculated using informative (continuous line) and non-informative priors for r, k and q.
Upper row stand for the results gathered with the original indices, while the results obtained assigning heavy
weights for indices of the more recent years are in the bottom row.
Fittings of the models are poor in the sense the large indices observed in the early years and the decrease in the
1970's no matter if penalty function was applied (Figure 3 - left panels). Biomass profiles decreases all across
the year since the very beginning of the data series. Finally linear models fitted to the predictions for the more
recent years suggest negative slopes though the slope of linear models fitted to observed indices are close to
zero.
1613
Figure 3. Indices and biomass profiles as calculated using informative (upper row) and non-informative priors
(bottom row). The slope of linear models fitted to the observed and predicted indices of the most recent years
are in the left panels. Histograms stands for the predictions while the vertical continuous line stand for the slope
calculated for the observed data.
A summary of the parameters and of reference points as calculated using the posterior estimations are in Table
1. All estimations points to pessimistic scenarios. If we rely on the median estimations (50% quantiles) the
actual biomass is close to half the Bmsy, while the catch in the last year of the time series is 1.3 times the catch
in the MSY. Nevertheless, one might keep in mind that those estimations are from a model that did not fit well
the observed data.
Figure 4. Posteriors as calculated using informative (continuous line) and non-informative priors for r, k and q.
Upper row stand for the results gathered with the original indices, while the results obtained assigning heavy
weights for indices of the more recent years are in the bottom row.
East
Marginal posteriors distributions are shown in Figure 4. The posteriors as calculated using informative and noninformative priors showed some small differences just like the analysis for the West Atlantic. Actually the
results for the East are similar to those of the West in several ways. Posteriors for r and q calculated with
1614
informative prior are shifted to the right if compared to those gathered with non-informative prior. In opposition
the posterior for k as calculated using the informative prior is shifted to the left.
Fittings of the models are poor just like in the analysis for the West Atlantic. The large indices and variability
observed in the early years can not be fitted by the model (Figure 5 - left panels). Biomass profiles decreases all
across the year since the very beginning of the data series. Finally linear models fitted to the predictions for the
more recent years tends to be negative though the slope of linear models fitted to observed indices are close to
zero.
Table 1. Summary of the posterior estimations as calculated using informative and non-informative priors.
Infomative Prior
Quantiles
Estimations
5%
25%
50%
75%
95%
r
0.07
0.12
0.16
0.21
0.31
k
14300.37 18867.77
22556.09
27135.48
34597.32
q
4.40E-06 5.66E-06
6.71E-06
8.04E-06
1.05E-05
C_msy
622.82
789.87
888.14
981.60
1110.36
B_msy
7150.19
9433.89
11278.05
13567.74
17298.66
B_last
2496.54
4023.73
5313.12
6995.76
10152.69
ER_msy
0.04
0.06
0.08
0.10
0.15
B_last/B_msy
0.24
0.36
0.47
0.60
0.84
C_last/C_msy
1.03
1.17
1.29
1.45
1.84
ER_last
0.11
0.16
0.22
0.29
0.46
ER_last/ER_msy
1.29
2.02
2.82
4.07
6.61
r
0.04
0.07
0.10
0.14
0.25
k
16921.34 24561.25
29971.76
35845.21
45878.09
q
3.13E-06 4.22E-06
5.15E-06
6.39E-06
8.87E-06
C_msy
421.16
594.53
736.39
858.30
1061.26
B_msy
8460.67
12280.63
14985.88
17922.60
22939.04
B_last
3000.63
4817.13
6716.01
9270.89
14729.77
ER_msy
0.02
0.03
0.05
0.07
0.12
B_last/B_msy
0.24
0.35
0.47
0.59
0.84
C_last/C_msy
1.08
1.34
1.56
1.93
2.73
ER_last
0.08
0.12
0.17
0.24
0.38
ER_last/ER_msy
1.40
2.52
3.54
5.34
8.72
Non-Informative Prior
1615
A summary of the parameters and of reference points as calculated using the posterior estimations are in Table
2. All estimations points that depends on biomass estimations are even more pessimistic than those gathered for
the West. If we rely on the median estimations (50% quantiles) the actual biomass is close to 0.15 times Bmsy.
Although the catch in the last year of the time series analyzed (2007) is below the Cmsy most catches in the last
decade were larger than Cmsy. Like in the analysis for the west, one might keep in mind that those estimations
are from a model that do not fit well the observed data.
Table 2. Summary of the posterior estimations as calculated using informative and non-informative priors.
Infomative Prior
Quantiles
Estimations
5%
25%
50%
75%
95%
r
0.09
0.10
0.12
0.16
0.23
k
33932.98
41923.28
48266.65
53163.40
57335.94
q
1.28E-05
1.54E-05
1.75E-05
1.99E-05
2.53E-05
C_msy
1254.78
1369.19
1509.60
1711.73
1949.20
B_msy
16966.49
20961.64
24133.33
26581.70
28667.97
B_last
1316.22
2520.94
3621.83
5150.18
8302.47
ER_msy
0.04
0.05
0.06
0.08
0.11
B_last/B_msy
0.06
0.11
0.15
0.22
0.36
C_last/C_msy
0.54
0.61
0.69
0.76
0.83
ER_last
0.13
0.20
0.29
0.42
0.80
ER_last/ER_msy
1.78
3.02
4.46
6.47
12.02
r
0.07
0.08
0.10
0.13
0.16
k
41811.99
48105.48
53632.09
58523.89
63889.35
q
1.20E-005 1.45E-005
1.64E-005
1.87E-005
2.25E-005
C_msy
1062.84
1194.15
1348.75
1511.57
1709.30
B_msy
20905.99
24052.74
26816.04
29261.95
31944.68
B_last
1398.16
2529.31
3705.68
5129.38
7921.48
ER_msy
0.03
0.04
0.05
0.06
0.08
B_last/B_msy
0.05
0.10
0.14
0.19
0.28
C_last/C_msy
0.61
0.69
0.78
0.88
0.98
ER_last
0.13
0.20
0.28
0.41
0.75
ER_last/ER_msy
2.56
4.01
5.61
8.06
14.61
Non-Informative Prior
1616
Figure 5. Indices and biomass profiles as calculaled using informative (upper row) and non-informative priors
(bottom row). The slope of linear models fitted to the observed and predicted indices of the most recent years
are in the left panels. Histograms represent predictions while the vertical line represents the slope calculated for
the observed data.
References
Gelman, A., Carlin, J.B., Stern, H.S. and Rubin, D.B. 1995, Bayesian Data Analysis. Chapman & Hall, London,
526 p.
Kinas, P.G. 1993. Bayesian statistics for fishery stock assessment and management. Ph.D. Thesis. University of
British Columbia, Vancouver, Canada, 143 pp.
Ludwig, D. and Walters, C.J. 1985, Are age-structured models appropriate for catch-effort data? Canadian
Journal of Fisheries and Aquatic Sciences, 42: 1066-1072.
West, M. 1992, Modeling with mixtures. Pp. 503-524. In: Bernardo, J.M., Berger, J.O., Dawid, A.P. and Smith,
A.F.M. (Eds.). Bayesian Statistics 4: Proceedings of the Fourth Valencia International Meeting, Valencia,
Spain. Clarendon Press, Oxford, 880 p.
West, M. 1993, Approximating posterior distributions by mixtures. Journal of the Royal Statistic Society: Series
B, 55: 409-422.
1617
Appendix 9
PRODUCTION MODELS FOR THE EASTERN AND WESTERN ATLANTIC
STOCKS WITH ASPIC MODELS
By Mauricio Ortiz, Phil Goodyear, Katerina Wor, Mark Fitchett and David Die
Production model evaluations were evaluated for east and west SAI stock units using different combinations of
the available indices of abundance and different versions of the ASPIC package (Table D1). Some of the
estimates obtained were nom-boostrapped and others were boostrapped. In all cases it was necessary to
constraint the initial biomass to K for the ASPIC to be able to converge. The ASPIC version 5.33 used is part of
the NFT toolbox http://nft.nefsc.noaa.gov). Initial parameter guess were provided for the carrying capacity K,
MSY, and the catchability (q) coefficients for each index series used.
Table 1. Description of ASPIC runs for the Eastern and Western stock. ASPIC options correspond to: FIT =
normal fit, BOT =Bootstrapped fit, IRF = Iterative reweighting. Indices used were: CAW=Combined area
weighted, CCW= Combined catch weighted, CUW= Combined unweighted, JAPLL1 = Japanese longline early
period, JAPLL2 = Japanese llongline recent period, JAPLL3 = Japanese longline – task II, CIVAR = Cote
d’Ivoire artisanal, SENAR = Senegal Artisanal, GHNGL = Ghana gillnet, USLL2 = US Longline logbooks kg,
USRR1 = US recreational tournaments (RBS), USRR2 = US recreational surveys (MRFSS), VENRR =
Venezuela recreational, VENGL = Venezuela Gillnet, BRZLL = Brazil longline, BRZ = Brazil recreational,
KORLL= Korea longline, TAILL = China Taipei longline. (*) JAPLL1 & JLL2 combined as a single index.
Author
Case
Version
Option
Goodyear
Goodyear
Goodyear
Goodyear
Goodyear
Goodyear
Ortiz
Ortiz
Ortiz
Ortiz
Ortiz
Ortiz
Ortiz
Ortiz
Ortiz
Ortiz
Ortiz
Ortiz
Ortiz
Wor
Wor
Wor
Fitchett
Fitchett
G1
G2
G3
G4
G5
G6
O1
O2
O3
O4
O5
O6
O7
O8
O9
O10
O11
O12
O13
W1
W2
W3
F1
F2
5.16
5.16
5.16
5.16
5.16
5.16
5.33
5.33
5.33
5.33
5.33
5.33
5.33
5.33
5.33
5.33
5.33
5.33
5.33
5.33
5.33
5.33
5.24
5.24
FIT
FIT
FIT
FIT
FIT
FIT
FIT
BOT
BOT
FIT
BOT
FIT
BOT
BOT
BOT
FIT
IRF
IRF
FIT
FIT
FIT
FIT
BOT
BOT
Stock
W
W
E
E
W
E
W
W
E
E
W
W
E
E
W
W
W
W
W
W
W
W
E
E
Indices used
CAW
CCW
CAW
CCW
CUW
CUW
JAPLL3
JAPLL3, USLL2, BRZLL, VENLL, KORLL
JAPLL1, JAPLL2, CIVAR, SENAR, GHNGL
JAPLL1, JAPLL2
USRR1, USRR2, BRZRR, VENRR
JAPLL3, USLL2, BRZLL, VENLL, KORLL, USRR1, USRR2, BRZRR, VENRR
JAPLL3, CIVAR, SENAR, GHNGL
CIVAR, SENAR, GHNGL
JAPLL2, USLL2, BRZLL, VENLL, USRR1, BRZRR, VENRR, VENGN, TAILL
JAPLL1, USLL2, BRZLL, VENLL, USRR1, BRZRR, VENRR, VENGN, TAILL
USRR1, USRR2, BRZRR, VENRR
JAPLL3, USLL2, BRZLL, VENLL, KORLL
JAPLL1, JAPLL2, USLL2, BRZLL, VENLL, USRR1, BRZRR, VENRR, VENGN, TAILL
CAW
CCW
CUW
CUW
JAPLL1/JAPLL2, CIVAR, SENAR, GHNGL (*)
The group decided to leave the choice of ASPIC version and initial estimates up to the individual scientists
running ASPIC. This lead to the different choices of ASPIC version seen in Table 1, however, because they all
used only different subversions of ASPIC 5 it is believed that the mathematical algorithm used in the fit is the
same, so results should not be affected by such choices. The choice of initial parameter estimates clearly does
affect the final parameter estimates, especially when the data used in the fit is not informative enough to produce
precise solutions, as it was the case in many of the cases fitted. In order to quantify such differences a sensitivity
analysis was run on the effects of different initial parameter estimates on one of the most uncertain cases that
uses a combined index, case F1. The results of such sensitivity analysis suggest that most of the differences in
estimates were driven by the combination of relative abundance indices used, not by the choice of initial
estimates (Table 2).
1618
Table 2. Sensitivity of ASPIC results to initial parameters estimates for case F1 that used an Area-Weighted
combined CPUE Index for the East Atlantic stock. Values in the table correspond to final estimates of model
parameters and goodness of fit measures.
Final estimates
Intitial
MSY, K
1000, 7500
2000, 15000
3000, 25000
4000, 45000
MSY
2388
2373
2373
2388
K
20240
20580
20580
20240
B2006/BMSY
0.193
0.193
0.193
0.193
F2007/FMSY
2.171
2.187
2.171
2.172
F2007
0.512
0.504
0.512
0.513
r2
0.227
0.227
0.227
0.228
MSE
0.619
0.619
0.619
0.636
Results were more variable for fits of the data from the eastern stock were the number of data series is smaller
and their historical extend is shorter, however, there were cases that produced parameter estimates that were not
likely to be plausible for both stocks, indicating that certain combinations of abundance indices do not contain
enough information for a reasonable fit to a production model. For the eastern stock estimated values of K
ranged from 4,929 tons to 81,720 tons and for r ranged from 0.00374 to 4.0. For the western stock estimated
values of K ranged from 5,519 tons to 891,000 tons and for r ranged from 0.0072 to 0.93. Some of these values,
especially the very high and low values of r and k, probably indicate some of these fits represent solutions where
the chosen indices are not sufficient to produce a biologically plausible set of estimates (Table 3).
Management parameters showed similar variation (Table 4). For the eastern stock estimated values of MSY
ranged from 76 tons to 5,072 tons, for the biomass ratio B2006/Bmsy ranged from 0.09 to 1.83 and for the fishing
mortality ratio F2006/Bmsy ranged from 0.27 to 186. For the western stock estimated values of MSY ranged from
100 tons to 18,690 tons, for the biomass ratio B2006/Bmsy ranged from 0.35 to 1.97 and for the fishing mortality
ratio F2006/Bmsy ranged from 0.03 to 8.63. As mentioned before it is likely that several of these estimates
represent unlikely estimates because of the limited information provided by the chosen combination of indices.
If one uses the bootstrap estimates of parameter uncertainty to evaluate the quality of the fit it is clear that those
cases that have less uncertainty in the estimates were obtained when all available indices were used without
been combined, cases F2 and O7 for the east and case 09 for the West.
The resulting biomass and fishing mortality patterns predicted by these fits vary greatly and sometimes indicate
severe depletion of biomass whilst others suggest little effects of fishing. The same can be said about fishing
mortality with some cases indicating large increases leading to strong overfishing whilst others do not. Figures
1to 12 show these patterns as well as the quality of the fits of biomass to each index for some of the cases in
Table 1.
Estimates of current stock status are generally highly uncertain as shown by the distribution of estimates
produced by the boostrap for the most recent values of fishing mortality rates and biomass (Figure 13), and the
estimates of recent biomass and fishing mortality ratios are highly correlated and so are the estimates of Fmsy
and Bmsy (Figures 14 to 16).
As expected, the uncertainty in biomass and fishing mmortality ratios increases for the most recent years when
compared to the years at the begining of the time series (Figure 17). It must be remember, however, that all
these fits assume that the initial biomass ratio is equal to two, thus reducing the calculated uncertainty in this
ratio for the earlier years.
1619
Table 3: Productivity parameters obtained from different cases fitted to ASPIC for the eastern and western
stock of Atlantic sailfish. Values shown correspond to the non- bootstrapped estimates of K and r. For
boostrapped fits the 50th, 25Th and 75th percentile are shown.
K
Stock
Case
Estimate
g3
25%
r
75%
Estimate
25%
75%
18520
0.0072
0
0
g4
81720
0.00374
0
0
g6
24140
0.348
0
0
o3
5072
4.0
0
0
o4
4949
4.0
0
0
o7
20900
18290
24470
0.43
0.346
0.516
o8
32200
27600
109200
0.232
0.03
0.278
f1
24320
18560
37260
0.346
0.182
0.504
f2
16210
15830
22370
0.606
0.39
0.626
g1
5519
0.0072
0
0
g2
38444
0.09
0
0
g5
50630
0.0224
0
0
o1
37400
0.1304
0
0
o2
6252
2291
18380
0.93
0.326
2.7
o5
43850
31350
109300
0.096
0.014
0.116
o6
34510
o9
38290
0.058
0.212
o10
39430
0.086
o11
891000
0.084
o12
22910
0.214
o13
60030
0.044
w1
62520
0.007536
w2
45460
0.0755
w3
62400
0.0074
East
West
0.134
9194
49220
1620
0.108
Table 4. Management parameters obtained from different cases fitted to ASPIC for the eastern and western
stock of Atlantic sailfish. Values shown correspond to the non- bootstrapped estimates of MSY, the ratio of the
latest fishing mortality (2007) to the fishing mortality at MSY and the ratio of the most recent estimate of
biomass (2006) to the biomass at MSY. For boostrapped fits the 50th, 25Th and 75th percentile are shown.
MSY
Stock
25%
Fratio
75%
Estimate
25%
Bratio
Case
Estimate
75%
Estimate
g3
2340
3.77
0.14
g4
76.25
185.9
0.09
g6
2105
2.51
0.28
o3
5072
0.27
1.73
o4
4949
0.174
1.83
25%
75%
East
o7
2247
2131
2359
0.62
0.57
0.76
1.15
0.997
1.246
o8
1868
455
1897
1.58
1.17
27.81
0.53
0
0.62
f1
2106
1713
2341
3.89
2.64
5.65
0.241
0.12
0.391
f2
2460
2179
2481
2.26
1.71
2.76
0.261
0.172
0.341
1.247
0.93
1.41
1.189
0.918
1.49
0.91
1.24
West
g1
99.6
3.07
0.35
g2
873
1.4
0.94
g5
284
8.63
0.45
o1
1220
o2
1455
1198
1550
o5
1062
291
1154
o6
1163
o9
1027
o10
844
1.48
0.913
o11
18690
0.028
1.967
o12
1220
0.75
1.13
o13
663
1.67
1.029
w1
117.8
1.28
0.3914
w2
858.1
0.0736
0.9506
w3
140.2
1.02
0.4136
0.673
1.25
0.593
0.47
0.9
0.814
0.51
1.43
0.74
563
1198
1.189
1.015
0.74
1621
1.62
1.099
Figure 1. ASPIC fit model results of case 01 a): standard index of abundance (squares) and model predicted
CPUE trends (circles) and b) trends of relative biomass (circles) and fishing mortality (squares).
Figure 2. ASPIC fit model results of case 02. Upper left panel presents trends of relative biomass (circles) and fishing
mortality (squares). All other panels show fits of model (circles) to each standardized longline index (squares): Japan
(upper right), Venezuela (middle left), US (middle right), Korea (bottom left) and Brazil (bottom right)..
1622
Figure 3. ASPIC fit model results of case 05. ASPIC fit model results plots. Upper left panel presents trends of relative
biomass (circles) and fishing mortality (squares). All other panels show fits of model (circles) to each standardized sport
index (squares): Venezuela (upper right), US tournaments (middle left), US MRFSS (middle right) and Brazil (bottom
center).
1623
Figure 4. ASPIC fit model results of case 06. ASPIC fit model results plots. Upper left panel presents trends of
relative biomass (circles) and fishing mortality squares). All other panels show fits of model (circles) to each
standardized index (squares): Japan longline (upper right), Venezuela longline (second row left), US longline (second
row right), Korea longline (third row left), Brazil longline (third row right), Venezuela sport;(fourth roow left), US
sport tournaments (fourth row right), US MRFSS (bottom left) and Brazil sport (bottom right). .
1624
Figure 5. ASPIC fit model results of case O13. Upper left panel presents trends of relative biomass (circles) and
fishing mortality (squares). All other panels show fits of model (circles) to each standardized index (squares):
Venezuela sport (upper right), US longline (second row left), US sport (second row right), Venezuela gillnet (third row
left), Venezuela longline (third row right), Brazil longline;(fourth row left), Brazil sport (fourth row right), Chinese
Taipei longline (fifth row left), Japan longline (bottom right).
1625
Figure 6. ASPIC fit model results of case 03. ASPIC fit model results plots. Upper panel presents trends of
relative biomass (circles) and fishing mortality (squares). Other panels show fits of model (circles) to Japanese
longline standardized indices(squares) for the early period (bottom left and recent period (bottom right).
Figure 7. ASPIC fit model results of case 04. ASPIC fit model results plots. Upper left panel presents trends of
relative biomass (circles) and fishing mortality (squares). Other panels show fits of model (circles) to artisanal
standardized indices(squares): Cote d’Ivoire (upper right), Senegal (bottom left) and Ghana (bottom right).
1626
Figure 8. ASPIC fit model results of case 07. ASPIC fit model results plots. Upper left panel presents trends of
relative biomass (circles) and fishing mortality (squares). Other panels show fits of model (circles) to artisanal
standardized indices(squares): Cote d’Ivoire (upper right), Senegal (bottom left) and Ghana (bottom right).
Phase plot trayectory SAI West 2
1.8
1.6
1.4
F/Fmsy
1.2
04
01
07
1
98
95 92
0.8
86
83
71
89
0.6
8077
74
68
65
0.4
62
0.2
59
56
0
0.50 0.70 0.90 1.10 1.30 1.50 1.70 1.90 B/Bmsy
Figure 9. Results of ASPIC fit of case O9. Trends in time of fishing and biomass ratios plotted in a phase plot
that indicates when overfishing and overfished reference points are reached. Numbers next to diamonds denote
the year of the estimate.
1627
Figure 10. ASPIC fit model results of case F1. Fishing and biomass ratios (left panel) and estimated biomass
and observed cpue (right panel).
Figure 11. ASPIC fit model results of case F2. Each panel correspond to the fit of the model to each of the cpue
indices, Japan LL1 and Jap LL2 (top left), CIV ART (top right), SEN ART (bottom left) and GHA GIL (bottom
right).
1628
3
0.50
F/Fmsy
obs CPUE
0.40
B/Bmsy
CPUE
2
1
est CPUE
0.30
0.20
0.10
0.00
0
1961 1966 1971 1976 1981 1986 1991 1996 2001 2006
1961
1971
1981
1991
2001
Figure 12. ASPIC fit model results of case W2. Left panel presents the estimated biomass ratio and fishing
mortality ratios and the right panel the fit of the estimated cpue to the observed cpue.
1629
1630
Percent Frequency
Percent Frequency
Inverse of Cumulative Probability
Cumulative Probability
Figure 13. Results of fits for ASPIC cases O9 (top row) and O7 (lower row). Probability distribution and
cumulative distribution (circles) for the last year (2008) of total stock biomass (left panel) and fishing mortality
rates (right panel).
SAI West All index
5
4.5
4
F2007/Fmsy
3.5
3
2.5
2
1.5
1
0.5
0
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
B2007/Bmsy
Figure 14. Results of ASPIC fit of case O9. Boostratpped estimates of biomass and fishing mortality ratios of
terminal year with the median value (red-circle).
Bivariate Fit of Fmsy By Bmsy
.1 .2 .3 .4 .5 .6 .7 .8 .9
Quantile Density Contours
3
Fmsy
2
1
F2007/Fmsy
2
1
0
0
10000
20000
30000
40000
50000
60000
70000
Bmsy
.1 .2 .3 .4 .5 .6 .7 .8 .9
Quantile Density Contours
Nonparametric Bivariate Density
Variable
Bmsy
Fmsy
Kerne l Std
4057.339
0.114105
Slide r
4057.339
0.114105
0
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
B2007/Bmsy
Figure 15. Results of ASPIC fit of case O9. Countours represent non-parametric density quantiles of the 500
bootstrap runs and points for each of the runs. Frequency distribution histograms are also shown at the side of
corresponding variables. Left panel fishing mortality and biomass ratios, while right panel shows fishing
mortality and biomass at msy.
1631
Bivariate phase plot of F2007/Fmsy By B2007/Bmsy East SAI case 3
Bivariate relationship between PM parameters East SAI Case 3
2
0.4
1.8
1.6
0.35
1.4
0.3
Fmsy
F2007/Fmsy
1.2
1
0.25
0.8
0.2
0.6
0.15
0.4
0.2
0.1
0
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
10000
B2007/Bmsy
.1 .2 .3 .4 .5 .6 .7 .8 .9
20000
Bmsy
Quantile Density Contours
.1 .2 .3 .4 .5 .6 .7 .8 .9
Quantile Density Contours
Figure 16. Results of ASPIC fit of case O7. Countours represent non-parametric density quantiles of the 500
bootstrap runs and points for each of the runs. Left panel shows fishing mortality and biomass ratios, while right
panel shows fishing mortality and biomass at msy.
Figure 17. Results of ASPIC fits of cases O9 (upper panels) and O7 (lower panels). Trends of biomass ratios
(left panels) and fishing mortality ratios (right panels) from 500 non-parametric bootstraps. Lines with markers
reflect the median results and single lines the estimated 80% confidence bounds.
1632