Modelización de la captura y fases de desarrollo de la pesquería de la jaiba azul (Callinectes sapidus) en la Laguna Madre, Tamaulipas, México
DOI:
https://doi.org/10.29059/cienciauat.v12i1.775Palabras clave:
criterio de información de Akaike, criterio de información Bayesiano, inferencia-multimodelo, captura pesquera, Callinectes sapidus.Resumen
La captura promedio anual de la pesquería de la jaiba azul (Callinectes sapidus) (JA) en Tamaulipas, México se estima en 2 733 T, de la cual, el 82 % se pesca en la Laguna Madre, sitio que se considera aprovechado al máximo de su capacidad. El objetivo de la presente investigación fue modelar la captura anual de la JA en la Laguna Madre, Tamaulipas, mediante el ajuste de funciones matemáticas de tipo lineal y no lineal (o curvilínea), a la serie de tiempo de 1998 a 2012, además de identificar las fases de desarrollo de la pesquería, de acuerdo a varios modelos generalizados. Se utilizó el enfoque de la teoría de la información y el procedimiento de la inferencia multimodelo (IMM). Se ajustaron 11 modelos de regresión lineal y no lineal. Para la selección de modelos se utilizaron los criterios de información Akaike corregido (CIAc) y bayesiano (CIB). Para el IMM se consideró el nivel ∆i < 2 de plausibilidad de CIAc y CIB. Los modelos elegidos para el IMM fueron compuesto, crecimiento, exponencial, logístico, potencial y el sigmoideo, considerándose como más adecuados los primeros cuatro modelos citados. Los modelos promedio del IMM presentaron valores de β0 y β1 de 0.939 y 0.377 respectivamente, según CIAc; y de 0.952 y 0.344 respectivamente, de acuerdo al CIB. Solo los modelos compuesto y logístico mostraron significancia estadística en sus dos parámetros de re-gresión (β0 y β1). El índice de sustentabilidad pesquera reveló seis periodos de la captura y una disminución en magnitud de los cambios de la captura. La serie de datos analizada incluye dos ciclos de vida de acuerdo a los modelos de Csirke y Caddy. Los resultados mostraron que al final del periodo estudiado la pesquería se encontraba en colapso y decadencia.
Citas
Akaike, H. (1973). Maximum likelihood identification of Gaussian autoregressive moving average models. Biometrika. 60(2): 255-265.
Aragón-Noriega, E. A. (2013). Modelación del crecimiento individual del callo de hacha Atrina maura (Bivalvia: Pinnidae) a partir de la inferencia multimodelo. Revista de Biología Tropical. 61(3): 1167-1174.
Arreguín-Sánchez, F. y Arcos-Huitrón, E. (2011). La pesca en México: estado de la explotación y uso de los ecosistemas. Hidrobiológica. 21(3): 431-462.
Bello, L. D. y Martínez, S. (2007). Una metodología de series de tiempo para el área de la salud; caso práctico. Revista Facultad Nacional de Salud Pública. 25(2): 118-122.
Burnham, K. P. and Anderson, D. R. (2002). Model Selection and Multimodel Inference: A Practical Information Theoretic Approach. New York: Springer. 488 Pp.
Burnham, K. P. and Anderson, D. R. (2004). Multimodel inference understanding AIC and BIC in model selection. Sociological methods & research. 33(2): 261-304.
Caddy, J. F. (1984). An alternative to equilibrium theory for management of fisheries. Food and Agricultural Organization (FAO), in Papers presented at the Expert Consultation on the regulation of Fishing Effort (fishing mortality). [En línea]. Disponible en: http://www.fao.org/3/a-ac749e/AC749E15.htm.Fecha de consulta: 25 de mayo de 2014.
Cadima, E. L. (2003). Manual de evaluación de recursos pesqueros. FAO Documento Técnico de Pesca. No. 393. Roma: FAO.162 Pp.
Cailliet, G. M., Smith, W. D., Mollet, H. F., and Goldman, K. J. (2006). Age and growth studies of chondrichthyan fishes: the need for consistency in terminology, verification, validation, and growth function fitting. Environmental Biology of Fishes. 77: 211-228.
Csirke, J. (1984). Report of the working Group on fisheries management, implications and interactions, in FAO Fisheries Report, Food and Agriculture Organization of the United Nations. [En línea]. Disponible en: http://www.fao.org/docrep/005/x6849e/X6849E06. htm#ch5. Fecha de consulta: 9 de septiembre de 2015.
Domínguez-Viveros, J., Rodríguez-Almeida, F. A., Ortega-Gutiérrez, J. A. y Flores-Mariñelarena, A. (2009). Selección de modelos, parámetros genéticos y tendencias genéticas en las evaluaciones genéticas nacionales de bovinos Brangus y Salers. Agrociencia. 43(2): 107-117.
FAO, Food and Agriculture Organization of the United Nations (1999). La ordenación pesquera. FAO orientaciones Técnicas para la Pesca Responsable. 4(1): 1-12.
FAO, Food and Agriculture Organization of the United Nations (2010). The State of World Fisheries and Aquaculture 2010. A Report of the Food and Agriculture Organization of the United Nations. Food and Agriculture Organization of the United Nations, Roma. FAO Fisheries and Aquaculture Department. 197 Pp.
Froese, R. and Kesner-Reyes, K. (2002). Impact of fishing on the abundance of marine species. Council Meetings Report. International Council for the Exploration of the Sea. Conpenhagen, Denmark. [En línea]. Disponible en: http://www.ices.dk/sites/pub/CM%20Doccuments/2002/L/L1202.pdf. Fecha de consulta: 10 de septiembre de 2015.
Froese, R. and Kesner-Reyes, K. (2009). Out of new stocks in 2020: a comment on “Not all fisheries will be collapsed in 2048”. Marine Policy. 33(1): 180–181.
Froese, R. and Pauly, D. (2003). Dynamik der Überfischung. In J. I. Lozan, E. Rachor, K. Reise, J. Sündermann, and H. V. Westernhagen (Eds.), Warnsignale aus Nordsee and Wattenmeer – Eine aktuelle Umweltbilanz (pp. 288–295). Auswertungen, Hamburg: Geo, Wissenschaftliche.
Garibaldi, L. (2012). The FAO global capture production database: a six-decade effort to catch the trend. Marine Policy. 36(3): 760–768.
Gelfand, A. E. and Dey, D. K. (1994). Bayesian model choice: asymptotic and exact calculations. Journal of the Royal Statistical Society. 56(3): 501–514.
Grainger, R. J. R. and Garcia, S. M. (1996). Chronicles of marine fishery landings (1950-1994): trend analysis and fisheries potential Rome: FAO. 51 Pp.
Griffiths, S. P., Fry, G. C., Manson, F. J., and Loü, D. C. (2010). Age and growth of long tail tuna (Thunnus tonggol) in tropical and temperate waters of the central Indo-Pacific. ICES Journal of Marine Science. 67(1): 125-134.
Gulland, J. A. (1971). Manual de métodos para la evaluación de las poblaciones de peces. Zaragoza, España: Acribia. 271 Pp.
Guzmán-Castellanos, A. B., Morales-Bojórquez, E. y Balart, E. F. (2014). Estimación del crecimiento individual en elasmobranquios: la inferencia con modelos múltiples. Hidrobiológica. 24(2): 137-150.
Katsanevakis, S. (2006). Modelling fish growth: Model selection, multi-model inference and model selection uncertainty. Fisheries Research. 81(2): 229-235.
Katsanevakis, S. and Maravelias, C. D. (2008). Modelling fish growth: multi-model inference as a better alternative to a priori using von Bertalanffy equation. Fish and Fisheries. 9(2): 178-187.
Katsanevakis, S., Thessalou-Legaki, M., Karlou-Riga, S., Lefkaditou, E. Dimitriou, E., and Verriopoülos, G. (2007). Information-theory approach to allometric growth of marine organisms. Marine biology. 151(3): 949-959.
Kleisner, K. and Pauly, D. (2011). Stock-catch status plots of fisheries for Regional Seas. In The state of biodiversity and fisheries in Regional Seas. Fisheries Centre Research Report. 19(3): 37-40.
Pauly, D., Alder, J., Booth, S., Cheung, W. W. L., Christensen, V., Close, A., and Wood, L. (2008). Fisheries in large marine ecosystems: descriptions and diagnoses. The UNEP Large Marine Ecosystem Report: a Perspective on Changing Conditions in LMEs of the World’s Regional Seas. UNEP Regional Seas Reports and Studies.(182): 23-40.
Ponce, D. G., Arreguín, F., Beltrán, L. F., Beltrán, M. L. F., Urciaga, J. y Ortega, A. (2006). Indicadores de sustentabilidad y pesca: casos en Baja California Sur, México. En L. F. Beltrán-Morales, J. Urciaga-García y A. Ortega-Rubio (Eds.), Desarrollo sustentable: ¿Mito o realidad?. (pp. 183-272). La Paz. B.C.S., México: Centro de Investigaciones Biológicas del Noroeste, S.C.
Rodríguez-Castro, J. H., Adame-Garza, J. A. y Olmeda-de-la-Fuente, S. E. (2010). La actividad pesquera en Tamaulipas: Ejemplo Nacional. CienciaUAT. 4(4): 28-35.
Romine, J. G., Grübbs, R. D., and Müsick, J. A. (2006). Age and growth of the sandbar shark, Carcharhinusplumbeus, in Hawaiian waters through vertebralanalysis. Environmental Biology of Fishes. 77(3-4): 229-239.
SAGARPA, Secretaría de Agricultura, Ganadería, Desarrollo Rural, Pesca y Alimentación (2012). Acuerdo por el que se da a conocer la Actualización de la Carta Nacional Pesquera, en Diario Oficial de la Federación. [En línea]. Disponible en: http://www.inapesca.gob.mx/portal/documentos/publicaciones/CARTA%20NACIONAL%20PESQUERA/24082012%20SAGARPA.pdf. Fecha de consulta: 22 de mayo de 2014.
Schwarz, G. (1978). Estimating the dimension of a model. The annals of statistics. 6(2): 461-464.
Velásquez, J. D. y Franco, C. J. (2012). Pronóstico de series de tiempo con tendencia y ciclo estacional usando el modelo airline y redes neuronales artificiales. Ingeniería y Ciencia. 8(15): 171-189.
Wagenmakers, E. J. and Farrell, S. (2004). AIC model selection using Akaike weights. Psychonomic bulletin & review. 11(1): 192-196.
Worm, B., Barbier, E. B., Beaumont, N., Duffy, J. E., Folke, C., Halpern, B. S., …, and Watson, R. (2006). Impacts of biodiversity loss on ocean ecosystem services. Science. 314(5800): 787-790.
Worm, B., Barbier, E. B., Beaumont, N., Duffy, J. E., Folke, C., Halpern, B. S., ..., and Watson, R. (2007). Response to comments on ‘‘Impacts of biodiversity loss on ocean ecosystem services’’. Science. 316(5829): 1285d-1285d.
Zeller, D., Cheung, W., Close, C., and Pauly, D. (2009). Trends in global marine fisheriesa critical view. In Fisheries, trade and development. Royal Swedish Academy of Agriculture and Forestry, Stockholm. 87–107 Pp.
Zucchini, W. (2000). An introduction to model selection. Journal of mathematical psychology. 44(1): 41–61.
Zhu, L., Li, L., and Liang, Z. (2009). Comparison of six statistical approaches in the selection of appropiate fish growth models. Chinese Journal of Oceanology and Limnology. 27(3): 457-467.
