Новый метод улучшает прогнозы для ценного промысла лосося в Канаде
Мощный метод анализа и прогнозирования динамических и взаимосвязанных природных систем теперь предоставляет новые инструменты для прогнозирования и управления главным рыбным промыслом Канады.
В статье, опубликованной в Proceedings of the National Academy of Sciences, аспирант Скриппс Хао Йе, профессор Скриппс Джордж Сугихара и их коллеги-рыболовы из Канады описывают, как метод, называемый эмпирическим динамическим моделированием (EDM), улучшил прогнозирование для нерки реки Фрейзер — высоко ценного промысла в Британской Колумбии.
Новый метод, разработанный в Океанографическом институте Скриппс Калифорнийского университета в Сан-Диего профессором Сугихарой, использует архивы полевых данных для построения прогнозов.
Популяции лосося в этом промысле могут демонстрировать резкие и, казалось бы, непредсказуемые изменения ежегодного пополнения (также известного как "возвраты" при подсчете популяций рыб). Например, в 2009 году численность лосося составила всего 1.4 миллиона, а затем резко возросла до 28.3 миллиона в 2010 году. Исследователи применили методы EDM перед пополнением 2014 года для Late Shuswap — доминирующего района пополнения в 2014 году — и превзошли традиционные прогнозы с меньшей погрешностью. Метод EDM предсказал возврат от 4.5 до 9.1 миллиона рыб, в то время как официальный прогноз указывал на гораздо более широкий диапазон — от 6.9 до 20 миллионов. Фактический подсчет составил (приблизительно) 8.8 миллиона рыб.
"Мои коллеги и я настроены оптимистично, что наш новый подход будет принят в официальные прогнозы после тщательного рассмотрения политиками", — сказал Йе.
"Министерство рыболовства и океанов Канады приветствует возможности изучить альтернативные подходы, которые могут улучшить прогноз возврата лосося в Британской Колумбии", — сказала соавтор исследования Сью Грант из Министерства рыболовства и океанов Канады.
Сугихара отмечает, что EDM продвигает прогнозирование экосистем, потому что использует реальные полевые данные вместе со сложной математической моделью, которая учитывает запутанные взаимодействия переменных и компонентов в экосистеме. Традиционные научные уравнения делают предположения о процессах в экосистеме, и такие предположения могут быстро привести к ошибочным результатам.
"Несмотря на то, что мы узнаем о сложности морских экосистем, модели экосистем с заданными уравнениями предполагают, что мы понимаем, как работают природные экосистемы, и их неудача в реальном прогнозировании показывает, что это не так", — сказал Сугихара. "Наша статья предлагает простую альтернативу: математическое моделирование без уравнений. Этот подход позволяет данным говорить самим за себя, вместо того чтобы втискивать плохо подходящие данные в предвзятые уравнения. Суть в том, что подход EDM точно прогнозирует в реальном времени".
Сугихара впервые применил EDM к более чем 65-летним данным, архивированным Калифорнийской кооперативной программой по океаническим рыбным исследованиям (CalCOFI), а затем использовал этот метод для тем от изменения климата до космических лучей.