Please use this identifier to cite or link to this item: http://hdl.handle.net/2067/2400
Title: Trends and processes in Large Marine Ecosystems fisheries
Other Titles: Tendenze e processi nella pesca nei Large Marine Ecosystems
Authors: Conti, Lorenza
Keywords: Large Marine Ecosystems;Fisheries;Time series;Artificial neural network;Pesca;Serie storiche;Reti neurali artificiali;BIO/07
Issue Date: 10-Feb-2011
Publisher: Università degli studi della Tuscia - Viterbo
Series/Report no.: Tesi di dottorato di ricerca. 23. ciclo
Abstract: 
This study aimed at exploring the dynamics of large marine ecosystems (LMEs) fisheries and the relationships between catches and potential drivers, taking into account both ecological and economic processes. Data analyses were based on fisheries landings time series provided by the Sea Around Us Project (SAUP) and time series of environmental and economic variables from different sources. Artificial neural networks (ANNs) have been extensively applied both for modeling and data analysis purposes.
A general introduction is provided in Chapter I, where the state-of-the-art in modern fisheries science is described, together with a general framework within which the aims and scopes of the thesis are presented.
In Chapter II the relationship between primary productivity (PP) and fish yield was investigated through PP estimates based on satellite observations and reported fisheries landings from 14 selected LMEs. Correspondence analysis performed on yield data outlined the role played by different trophic levels (TLs) in LMEs catches. PP temporal variability was significantly and positively correlated to average trophic level of catches (TLc) so that high yields in less variable ecosystems were characterized by low TLc. The percentage primary productivity required to sustain catches (%PPR) and TLc were used to assess fisheries impact on ecosystems and the PP model choice emerged as a critical step affecting the assessment of exploitation levels. A more conservative estimation of PP could contribute to a more precautionary approach to fisheries management where high levels of exploitation are more easily attained (Conti & Scardi, 2010).
In Chapter III the regional dynamics of industrial fisheries within the LMEs boundaries were investigated by means of an historical-descriptive approach. An unsupervised artificial neural network (Self Organizing Map, SOM) was proposed as a tool for analyzing changes in composition of fisheries landings over five decades in 51 LMEs. From the analysis of LMEs fishing histories a broad distinction emerged between two main types of fisheries, based on different exploitation strategies: (1) pelagic dominated landings showed stable or cyclic compositions, mainly driven by intrinsic oscillation in exploited populations of target species and are located in LMEs sharing specific features (e.g. productive regimes, upwelling) and (2) trawl fisheries seemed to be more affected by economic drivers (e.g. investments in fishing gears and new technologies), and tended to cluster in the northern hemisphere, where fishing pressures and investments have been historically higher. It could be further suggested that northern hemisphere LMEs are also generally characterized by wider continental shelves, which represent a critical feature for demersal exploitation.
In Chapter IV fisheries yields and landings composition by functional groups were predicted for 51 LMEs by means of an artificial neural network. Input variables selected for the two models described both ecological and economic features of each LME, and no assumptions on inter-variables relationships were made. The neural network provided accurate estimates of total fisheries yields and catches composition, overcoming the restrictive assumptions imposed by linear models. New insights into underlying processes governing fisheries harvests were provided by the sensitivity analysis carried out on the two models. Both economic and ecological predictors were strictly linked to fisheries landings. Catches composition seemed to be influenced by intrinsic ecosystems dynamics, while total yields seemed to be mainly driven by latitude and factors related to the economy of the fishing countries.
General conclusions and future perspectives are provided in Chapter V.

Questa tesi ha avuto come obiettivo l’analisi delle dinamiche della pesca Large Marine Ecosystems (LMEs) e delle relazioni tra le catture e i loro potenziali descrittori, prendendo in considerazione sia i processi ecologici che economici alla base di questi sistemi complessi. Le analisi dei dati sono state condotte sulle serie storiche degli sbarchi della pesca fornite dal Sea Around Us Project (SAUP), mentre le serie riferite alle variabili ambientali ed economiche derivano da fonti differenti. Le reti neurali artificiali sono state selezionate quale strumento di modellizzazione e analisi dei dati.
Nel Capitolo I è fornito un inquadramento generale della tematica affrontata nella tesi, con particolare riferimento alle recenti pubblicazioni nell’ambito della biologia della pesca dei sistemi oceanici. In questo contesto, vengono inseriti gli obiettivi del presente lavoro.
Nel Capitolo II, le relazioni tra stime di produzione primaria (PP) basate su dati telerilevati e i dati di sbarco della pesca sono state analizzate in 14 ecosistemi selezionati. Dall’Analisi delle Corrispondenze condotta sui dati di rendimento della pesca si deduce che la composizione delle catture in termini di livelli trofici ha una particolare importanza nel definire la relazione tra pesca e produzione primaria. La variabilità temporale della produzione primaria, infatti, risulta significativamente e positivamente correlata con il livello trofico medio delle catture (TLc), in modo tale che alti rendimenti di pesca in ecosistemi poco variabili dal punto di vista produttivo sono caratterizzati da livelli trofici medi più bassi. La percentuale di produzione primaria riochiesta per sostenere le catture (%PPR) e il TLc sono state poi utilizzate per valutare l’impatto della pesca sugli ecosistemi; da quest’analisi è emersa l’importanza della scelta del modello di stima della PP, un passaggio critico che influenza la valutazione dei livelli di sfruttamento. Una stima più conservativa della PP può infatti contribuire ad un approccio precauzionale alla gestione della pesca, dove elevati livelli di sfruttamento vengono raggiunti più facilmente (Conti & Scardi, 2010).
Nel Capitolo III viene presentata l’analisi descrittiva delle dinamiche regionali della pesca industriale in 51 LMEs. Una rete neurale artificiale non supervisionata (Self Organizing Map, SOM) viene proposta come strumento per l’analisi dei cambiamenti nella composizione degli sbarchi della pesca nel corso di 55 anni. Dall’analisi degli andamenti di questa “storie” regionali è stato possibile distinguere due tipi principali di sfruttamento, basati su differenti strategie di prelievo: (1) gli sbarchi dominati dai pelagici mostrano composizioni stabili o cicliche, determinate principalmente da oscillazioni intrinseche delle popolazioni delle specie tartget e sono localizzate in LMEs che condivisono caratteristiche specifiche (ad es., regimi produttivi, presenza di upwelling) e (2) la pesca demersale sembra essere influenzata maggiormente da forzanti economiche (ad es., dagli investimenti negli strumenti di pesca e dalle nuove tecnologie), e tendono a raggrupparsi nell’emisfero settentrionale, dove le pressioni di prelievo e gli investimenti industriali sono stati storicamente più elevati. Inoltre, si può impotizzare che i LMEs boreali caratterizzati da una dominanza della pesca demersale sono anche caratterizzati da una più ampia piattaforma continentale, condizione necessaria per lo sfruttamento di questo tipo di risorsa.
Un ulteriore approfondimento viene proposto nel Capitolo IV, nel quale viene descritto l’addestramento di un modello predittivo basato su una rete neurale artificiale, per la previsione dei rendimenti totali e della composizione delle catture ripartite per gruppi funzionali nei 51 LMEs analizzati nella tesi. Le variabili di input selezionate per l’addestramento del modello descrivono sia fattori ambientali che economici per ciascun LME, e grazie all’utilizzo della rete neurale, non è stato necessario fare alcuna assunzione a priori riguardo le relazioni tra le variabili in input. La rete neurale ha fornito delle stime accurate dei rendimenti totali della pesca così come della composizione delle catture, superando gli assunti restrittivi imposti dai modelli lineari. L’analisi della sensibilità condotta sui due modelli evidenzia alcune caratteristiche sul funzionamento dei processi che governano l’entità dei prelievi della pesca. Infatti, sebbene entrambe le categorie di descrittori risultano fortemente correlate con le grandezze predette, è stato osservato che la composizione delle catture è maggiormente influenzata dalle dinamiche intrinseche dell’escosistema, mentre i rendimenti totalil sembrano essere determinati da fattori legati alla latitudine e all’economia dei paesi pescanti.
Alcune considerazioni conclusive e suggerimenti per quanto riguarda i possibili sviluppi di questo studio sono presentati nel Capitolo V.
Description: 
Dottorato di ricerca in Ecologia e gestione delle risorse biologiche
URI: http://hdl.handle.net/2067/2400
Appears in Collections:Archivio delle tesi di dottorato di ricerca

Files in This Item:
File Description SizeFormat
lconti_tesid.pdf3.76 MBAdobe PDFView/Open
Show full item record

Page view(s)

1
Last Week
0
Last month
0
checked on Dec 4, 2020

Download(s)

4
checked on Dec 4, 2020

Google ScholarTM

Check


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.