پیشبینی روند تغییرات صید ماهی تون زرد باله (Thunnus albacares Bonnaterre, 1788) در آبهای جنوبی کشور براساس مدلهای آریما (ARIMA) و شبکة عصبی (NN) | ||
| شیلات | ||
| دوره 76، شماره 4، زمستان 1402، صفحه 579-591 اصل مقاله (1.11 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jfisheries.2023.360328.1390 | ||
| نویسندگان | ||
| سید احمد رضا هاشمی* 1؛ مسطوره دوستدار2 | ||
| 1مرکز تحقیقات شیلاتی آبهای دور، موسسه تحقیقات علوم شیلاتی کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، چابهار، ایران | ||
| 2موسسه تحقیقات علوم شیلاتی کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران | ||
| چکیده | ||
| هدف از این مطالعه، توسعة مدلهای مختلف پیشبینی آبزیان بوده و تلاش شده میزان صید ماهی تون باله زرد (گیدر) در آبهای جنوبی کشور با حداقل خطاهای احتمالی را پیشبینی نماید. میانگین صید (Yi±S.D) و لگاریتم صید (LogYi±S.D) برای سالهای 1376 تا 1400 بهترتیب 13744±35378 تن (95% حدود اطمینان 49129–21634 تن) و 0/18±4/51 تن (95% حدود اطمینان 4/69-4/33 تن) بود. براساس آزمون منکندال، میانگین صید بهصورت معنیداری طی دورة یاد شده (بیش از دو دهة گذشته) افزایش یافته است (3/8, Z= P<0.05). مدلها پیشبینی ترکیبی مختلف آریما (ARIMA, (p, d, q)) براساس شاخص AIC امتحان شد و آریما مدل (0و 0 و1) بهترین تناسب را با روند تغییرات ماهی تون زرد باله یا گیدر در آبهای جنوب کشور داشت (24-=AIC). نتایج و خطای مدلهای شبکة عصبی (NN) نشان میدهد که شبکههای عصبی پیشخور (FFNN) نسبت به سایر مدلها عملکرد بهتری داشته و مقادیر صید ماهی گیدر را با خطای کمتری شبیهسازی و پیشبینی میکند (0/02 MAE= و 0/03=RMSE). همچنین با توجه به نتایج مدلهای سری زمانی آریما و شبکة عصبی میتوان نتیجه گرفت که شبکههای عصبی پیشخور با دقت بالاتری نسبت به مدلهای سری زمانی میزان صید ماهی گیدر را شبیهسازی میکنند و بازگو کنندة آیندة صید ماهی گیدر باشند. بهنظر میرسد پیشبینی روند صید آبزیان میتواند ابزار مهم مدیران و برنامهریزان شیلاتی برای مدیریت بهتر و پایدار در ذخایر آبزیان بوده و بایستی بیشتر به آن توجه داشت. | ||
| کلیدواژهها | ||
| ماهی گیدر؛ دریای عمان؛ مدل آریما؛ مدل شبکة عصبی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 630 تعداد دریافت فایل اصل مقاله: 436 |
||