可用于估计相对招募水平的新方法

想象一下，您负责确定明年可以从密歇根湖北部捕捞多少条湖鳟鱼，而不会对种群的长期可持续性产生不利影响。不幸的是，您没有可靠的数据来作为决策依据。您不确定如何准确预测有多少幼年湖鳟鱼会成熟，从而取代那些您允许渔民捕捞的鱼。您有一些历史数据，但您知道每年的补充水平可能有很大差异。去年发生的事情——甚至是过去几年发生的事情——不一定能很好地预示明年会发生什么。这很难，对吧？

角度

现在想象一下，您有两个新的、经过验证的计算机模型，它们不仅可以帮助您预测生活在湖泊特定区域的整个混合湖鳟鱼种群的补充水平，还可以预测每个参与混合的产卵种群的补充水平。更妙的是，新模型允许补充的最小和最大变化。这难道不会让您的决定更容易吗？

得益于最近的 GLFT 项目，渔业管理人员现在拥有了两个这样的模型，它们是由一组研究人员开发的，他们想知道他们能否找到一种更好的方法来确定混合环境中产卵种群的相对招募量。研究人员坚持认为，如果他们能够确定某些脆弱种群的招募水平正在下降，那么渔业管理人员就可以更好地采取适当的保护措施。

细节

为了开发估算招募量的模型，研究人员首先编写了自己的遗传种群识别 (GSI) 软件。接下来，他们将自己的软件与其他知名的 GSI 软件进行了比较，以确保其质量和可靠性。然后，他们扩展了模型，不仅包括遗传数据，还包括种群动态数据，例如年龄（以及在年龄未知时以身长作为替代）。这些额外的数据使团队能够更准确地估计源种群随时间推移的招募量，无论水平是否稳定。

为了测试他们的模型，研究小组对三个种群进行了广泛的模拟，并对计算机生成的数据和实际数据进行了比较：（1）密歇根湖格林湾的湖鲟（包括五个产卵种群），（2）密歇根湖北部的湖鳟鱼（包括四个孵化场品系），和（3）休伦湖萨吉诺湾的角膜白斑鱼（包括两个产卵种群）。

结果如下……

通过应用和模拟，研究团队确信其用于估计招募的模型是有效的。这两种方法都提供了在各种条件下相对招募水平的合理准确测量。但研究团队认为这项工作是第一次尝试，还需要更多的应用和进一步的探索。

这一切意味着什么？

渔业管理人员面临的最大挑战之一是预测某些鱼类种群将如何随时间变化，以及因此要采用哪些管理策略来确保其长期可持续性。因此，管理人员可以使用新的、准确的、可靠的工具来指导他们的决策，这非常有价值。得益于最近完成的 GLFT 项目，管理人员现在有了另一种可用的工具。

进一步阅读

预测在共同区域内混合的不同种群的产卵鱼的相对补充水平有点类似于试图预测共同基金中个别股票的表现——需要考虑的变量太多，很难确定哪些股票会繁荣。因此，当一种新工具出现，帮助专家分析信息和做出决策时，这是一个重要而令人兴奋的发展。由于最近的大湖渔业信托 (GLFT) 项目，渔业管理人员现在有了另一种这样的工具。

密歇根州立大学 (MSU) 副教授、密歇根州立大学定量渔业中心副主任、GLFT 项目首席研究员之一 Travis Brenden 表示：“补充以及增长和死亡率决定了可持续性。因此，我们需要更好的方法来确定某些年轻种群何时出现补充问题——也就是说，它们中没有足够的鱼达到成熟期来取代被钓鱼者捕获或因自然原因死亡的老鱼。”

但再次，估计混合环境中单个产卵种群的相对招募量并不容易。

“我们整个项目的目的是试图找到一种方法来观察混合种群中的个体，并根据招募情况推断出种群的健康状况，”布兰登说。“如果我们知道，或者至少怀疑，某些为混合种群贡献个体的种群招募水平正在下降，那么可能需要采取某些保护措施。”

相反，如果管理者知道其他种群正在高速度繁殖和存活，则可能需要采取不同的管理策略。

GLFT 资助经理乔恩·比尔德 (Jon Beard) 表示：“通过常规评估或收获数据，可以识别鱼类和群体对混合开放水域渔业的贡献的模型可以帮助管理人员更好地决定收获水平，以及系统特定的放养计划和栖息地恢复工作。”

开发和验证模型

为了开发估算招募的方法，Brenden 和研究团队首先编写了自己的遗传种群识别 (GSI) 软件。然后，他们将自己的软件与其他知名且广泛使用的 GSI 软件进行了比较，看看它的效果是比现有软件更好、一样好还是更差。从本质上讲，研究人员发现各种系统的表现相似（也就是说，没有一个程序似乎在所有情况下都表现最佳）。

在知道他们的 GSI 模型有效后，研究人员将其扩展为不仅包括遗传数据，还包括人口动态数据，例如年龄（当年龄未知时，以身长作为替代）。

“人们一直认为，个体种群的贡献取决于很多因素，例如招募、迁移率和死亡率，”Brenden 解释道。“由于这些比率不同，贡献率也不同。我们所做的就是尝试想出方法来明确表示这些动态并将其与贡献联系起来。”

为此，研究团队开发了两种不同的模型来表示不同的招聘动态。

“第一个模型是为长寿鱼设计的，其招募前死亡率高，招募后死亡率低，该模型假设招募的变化将随着时间的推移保持相当一致，”Brenden 说。“不会出现大的波动。”

这与第二种模型形成了对比，第二种模型适用于寿命较短的物种，例如大眼鲶鱼，这些物种的招募量在年度间存在相当大的变化。

“众所周知，梭鱼会不时地排出大量的年级鱼（特定年份孵化的鱼的数量）。”布伦登解释道。“你可能会经历多个低招募年份，然后突然出现一个巨大的高峰，招募量是前几年的十倍。这两种方法的不同之处在于我们假设年级鱼的数量会有所不同，但目标仍然是一样的——试图确定源种群的招募水平随着时间的推移如何变化。”

Brenden 表示，这种扩展方法的优点在于“它可以在任何地方使用——五大湖、海洋系统和其他淡水系统。它基本上没有限制。任何时候，对于任何混合渔业中的任何物种，只要你有遗传学和年龄或长度信息，我们的方法就可以使用。”

将模型付诸实践

为了确定这些模型在实践中是否有效，研究小组将产卵种群和混合个体的遗传信息与年龄或长度数据相结合，并使用其两个模型来估计贡献种群的相对补充量。该团队对三个种群进行了此操作：(1) 来自密歇根湖格林湾的湖鲟（包括五个产卵种群），(2) 来自密歇根湖北部的湖鳟鱼（包括四个孵化场品系），以及 (3) 来自休伦湖萨吉诺湾的角膜白斑鱼（包括两个产卵种群）。

• 湖鲟鱼的数据表明，三条河流（马尼斯蒂河、马斯基根河和佩什蒂戈河）的相对补充水平正在上升，而两条河流（福克斯河和梅诺米尼河）的补充水平正在下降。由于这一发现具有潜在的管理意义，因此可能需要进一步研究。
• 对于湖鳟鱼来说，相对补充量的估计模式在某些时间段与实际放养水平相符，但在其他时间段则不相符。
• 在某些年份，估计的梭鱼种群相对补充水平与预测补充水平密切相关，但在其他年份则不然。

通过应用和模拟，研究团队确信其用于估计招聘的模型是有效的。该团队的结果与其他来源的结果之间的任何差异并不表明该方法存在问题，只是做出了不同的假设。

“我认为我们已经能够证明我们的方法是有效的，”布伦登说。

根据最终的拨款报告，这两种方法都提供了在各种条件下相对招募水平的合理准确测量。但 Brenden 认为这项工作是第一次尝试。他坚持认为，需要更多的应用和进一步的探索（关于模型的效果如何以及它们在什么情况下效果最好）。

例如，布伦登认为这些模型有助于了解五大湖地区当前的奇努克鲑鱼状况。

“目前，人们正在考虑的一件大事是奇努克鲑从休伦湖迁徙到密歇根湖的程度，因为那里有鲱鱼——奇努克鲑的主要猎物来源，”布伦登说。“这是一个重要的案例，我们有不同的产卵种群混合在一起。”

该团队的新模型可用于阐明两个群体的相对贡献及其健康状况。

对于那些有兴趣进一步探索模型的人来说，Brenden 和研究团队开发的估算代码现在可以通过科学数据存储库 Figshare 免费获取。