SCRS/2009/012 Collect. Vol. Sci. Pap. ICCAT, 65(5): 1507-1632 (2010)

1507

REPORT OF THE 2009 SAILFISH STOCK ASSESSMENT

(Recife, Brazil, June 1-5, 2009)

SUMMARY

The Meeting was held in Recife, Brazil from June 1 to 5, 2009. The objective of the meeting was to carry out stock assessments of the Atlantic sailfish.

RESUME

La réunion s’est tenue à Recife (Brésil) du 1er au 5 juin 2009. Celle-ci avait pour objectif de réaliser des évaluations du stock de voiliers de l’Atlantique.

RESUMEN

La reunión se celebró en Recife, Brasil, del 1 al 5 de junio de 2009. El objetivo de la reunión era realizar evaluaciones de stock de pez vela del Atlántico.

1. Opening, adoption of Agenda and meeting arrangements Dr. Fabio Hazin, Chairman of the Commission, and Dr. Sergio Mattos, of the Brazilian Special Secretariat for Aquaculture and Fisheries, welcomed participants and offered to do anything necessary to facilitate an efficient meeting. Dr. Victor Restrepo (ICCAT Secretariat) thanked the Brazilian hosts for the excellent arrangements made for the meeting. The meeting was chaired by Dr. David Die (USA). Dr. Die welcomed Working Group participants and reviewed the objectives of the meeting in the context of the work-plan for the billfish species group (Appendix 4). The Agenda (Appendix 1) was adopted with a minor change in the order of items. The List of Participants is attached as Appendix 2. The List of Documents presented at the meeting is attached as Appendix 3. The following participants served as rapporteurs for various sections of the report:

Section Rapporteurs

1, 8 V. Restrepo 2 C. Wor, F. Arocha, M. Ortiz, G. Diaz 3 D. Die, V. Restrepo 3.1 E. Prince and F. Hazin 3.2 M. Ortiz, V. Restrepo, H. Andrade, D. Die 3.3 G. Scott, P. Goodyear, F. Arocha 4 P. Goodyear, J. Hoolihan

5-7 D. Die 2. Update of data for assessment 2.1 Catch estimates The group spent considerable effort to split historical SAI/SPF catches into the two species for those fleets that required it because for many years they reported sailfish and spearfish together: Japan, Korea and Chinese Taipei. Analyses were conducted on the proportion of sailfish in the sailfish/spearfish aggregate reported by scientific observers for all longline fleets. Although sailfish and spearfish spatial distributions broadly overlap, there are significant differences in relative concentrations by location and fleet (Figures 1-3). Inspection of the

1508

proportion of sailfish indicates that sailfish represent higher proportions of the total along coastal areas and in the tropics, while spearfish proportions are higher in mid-ocean to the north and south of the tropics. Ratios of sailfish counts versus the sum of sailfish and spearfish counts from observer data by 5x5 degree grid have a very uneven distribution in time, space (Table 1) and between fleets (Figures 1-3). The same can be said about the relative distribution of longline catch of the aggregate of sailfish and spearfish (Table 2). A review of the ratio of observer counts per reported ton caught by 5x5 degree square also showed an unbalanced distribution (Table 3). Most of the equatorial areas have a larger number of observer counts per ton, while the temperate and higher latitudes have very few observations relative to the catch of SAI and SPF (Table 3). A binomial model (Appendix 5) was used to smooth these differences and obtain predictions of the proportion of sailfish for each location where some data were available for a given fleet. Such model predictions reflect the effects of the factors incorporated in the model, fleet, quarter, area (coastal/equatorial, or elsewhere) and distance from the equatorial convergence zone (3 degrees North). Predictions by quarter can only be made for those fleets where data by quarter is available, namely USA, Taipei, Spain, Venezuela and Brazil. In the case of the Japanese fleet, and because the only data available to the group for such fleet is aggregated for the entire year, predictions are made for the entire year and not by quarter. For a given fleet these predictions were only made for the grid and quarter combinations for which there were at least 20 observations for a given quarter. In order to develop predicted ratios for quarter-grids where no observer data was available a combined ratio was calculated for each grid. This combined ratio was calculated as the average of the model predictions available for such grid from all fleets and all quarters. This ratio therefore represents an average of the predictions for a grid and does not vary with quarter. For the Korean fleet only these ratios are used. For those grids where there were no predictions available because there was no observer data, an average of the neighboring cell-ratios was used. Any grids at latitudes greater than those in the matrix (~ 50 degrees) are assumed to have 0% sailfish. The resulting ratios were then used to separate the catches of SAI and SPF for the fleets that had reported them as combined (Table 4). The Secretariat updated the Task I SAI/SPF dataset through 2007 based on the latest reported data and the catches of longliners calculated during the meeting. For those fleets that had recent catches but no reported catch for 2007, the group decided to use the average 2004-2006 catch. The resulting catches by flag and stock (Table 5) were used in the assessment to estimate the total catches by stock (Figure 4). 2.2 Biology 2.2.1 Sex ratio New information on the seasonality of sex ratio-at-size was presented for the western central Atlantic from the Venezuelan pelagic longline fishery and artisanal drift gillnet fishery (SCRS/2009/025). The overall sex ratio of sailfish caught by the two Venezuelan fisheries was 0.346, indicating a strong dominance by males. Seasonal (quarterly) sex ratio by size for the combined fisheries throughout most of the season was at its lowest for sizes <165 cm LJFL. Sex ratio at size increased steadily up to 185 cm LJFL, where it levels or stops at 0.75, for sizes >165 cm LJFL. Seasonal (quarterly) sex ratio by size and by fishery displayed different trend patterns. In the pelagic longline fishery the trend reversed in comparison to the combined fisheries trend and that of the artisanal fishery. Males were more dominant at larger sizes (>170 cm LJFL). It can be concluded that the findings presented in relation to the proportion of female-at-size suggests that fishing mortality may differ by sex, dependent on gear and season, but its patterns are not yet fully understood. 2.2.2 Tagging data SCRS/2009/47 presented an update on the US conventional tagging data for the Atlantic sailfish, spanning over 55 years, comprising 92,201 tagged sailfish and 1,896 recaptures. No trans-Atlantic or trans-equatorial movements were registered, suggesting that sailfish in the western North Atlantic have a rather coastal distribution with no evident movement to the eastern Atlantic and South Atlantic Ocean. Depth and temperatures preferences based on data from PSAT tags were presented for both western North and South Atlantic Ocean (SCRC/2009/048, and SCRS/2009/063, respectively). Data from the western North Atlantic referred to 16 sailfish tagged in the southern Gulf of Mexico and the Straits of Florida. The results demonstrated a close association of sailfish with the warm shallow layers (<20 m), although presenting numerous repeated short-duration vertical movements below the local thermocline to depths of 50-150 m. The PSAT temperature data showed that sailfish spent over 90% of their time in waters ranging from 25°C to 29°C.

1509

The information obtained from two sailfish tagged in the western South Atlantic, off the Brazilian southeast coast, showed a similar pattern to those tagged in the North Atlantic; that is, both fish spent most of their time in the upper ten meters, displaying occasional deep dives. 2.2.3 Behavior A reference paper (Mourato et al., in review) presented a Generalized Regression Analysis and Spatial Prediction (GRASP) model, applied to catch and effort data from the Brazilian tuna longline fleet (1998-2006) and size (lower jaw-fork length) data from ICCAT. The results suggested that the spatial catch probabilities are related to distance from coast; and, that larger specimens are more frequent to the west of 40oW, as well as to the east of 25oW. The largest proportion of the sailfish caught off the Brazilian coast, from 25oW to 40oW, is comprised of individuals <155.0 cm LJFL. 2.3 Catch rates and relative abundance estimates Three documents were presented to the Group that were related to catch rate issues but did not provide estimates of indices of abundance. These are described below. Document SCRS/2009/048 presented the characterization of sailfish habitat utilization based on data collected from 16 PSATs deployed in the southern Gulf of Mexico between 2005 and 2007 aboard a commercial longline vessel. The results indicated the sailfish were primarily associated with surface waters less than 20 m depth. But, they exhibited numerous repeated vertical movements below the local thermocline to depths of 50-150m. These results indicated that sailfish vertical distribution coincides with the depths fished by shallow-set pelagic longlines and that the repeated deep dives may still allow for interactions with deep-set longlines to occur. However, the Group discussed that because the data were collected from short-term deployments (10 days), the results might not fully reflect normal sailfish behavior. It has been suggested that after a catch-release event sailfish behavior may be erratic for up to 10 days. Document SCRS/2009/049 applied a habitat-based standardization methodology (statHBS), which is based on assumptions about temperature preferences of species and the depth distribution of longline hooks, to develop relative abundance indices of sailfish based on U.S. longline observer data. Inspection of the observer data indicated that sailfish were almost never caught by the U.S. longline fleet east of 73°W and declined rapidly at surface temperatures less than 24°C. Most encounters by the US longline fleet were along the eastern coast of the US and in the Gulf of Mexico. The analyses of catch per unit of effort were restricted to those areas and to the months when sea surface temperature was ≥24°C. The time series of observer data available for analysis was from 1992 to 2006, with preliminary data from 2007 also available. The statHBS methodology is based on matching preferred habitat variables for the species to the depths of the longline hooks recorded in the longline observer database. Observed temperatures occupied by sailfish from PSAT data were used to form priors of their habitat preferences. The CPUE fitted with statHBS was similar to the nominal CPUE. Both series showed wide variation in relative abundance that was probably a result of low sample sizes and annual variations in the distributions of the fishery, as a result of time-area closures implemented in 2001. More detailed computations of hook depths and spatial treatment may improve the results, but the paucity of the data suggests this may not lead to useful results. Document SCRS/2009/051 analyzed billfish catches obtained during a survey conducted on the Spanish commercial surface longline in which three types of hooks and two types of baits were tested in the inter-tropical areas of the Atlantic using 263,210 hook-bait observations. The catch rates and proportion of positive sets were analyzed using a GLM (Delta-lognormal) at the species level. Zone was the most important factor (alone or in interaction with others) in explaining the catch rates and/or the proportion of positive sets of most billfish species caught. The factors tested (hook and bait) were not significant for any of the billfish species. Despite the lack of significance found for both factors, the results suggest that alternative hooks could produce changes in the mean CPUE of billfish of between –13% and +9% depending on the species and hook type used. The alternative bait (squid) might also produce changes in mean CPUE from around –7% to +18%. The interaction between the alternative hooks and bait could lead to changes in mean CPUE of between –24% to +45% depending on the combination of both factor and species considered. The model assumed was appropriate for both BUM and SPF but for other billfish species alternative error distributions could be explored. The selection of the area and the experimental design could play a decisive role when predicting the advantages or disadvantages of using certain elements in a fishing gear, particularly in the case of species with low prevalence in which the proportion of zero observations tends to be high.

1510

2.3.1 Relative abundance estimates Document SCRS/2009/032 presented standardized catch rate from the Côte d’Ivoire artisanal fishery. This artisanal gillnet fishery was very active between 1988 and 2008 and landings include large tuna, tuna like, billfishes and swordfish. A generalized linear model was used to provide standardized CPUE indexes for Atlantic sailfish. The model included three explanatory factors, namely “year”, “month” and “quarter” with interaction between them. The standardized CPUE, for the period considered, showed a strong downward trend. Document SCRS/2009/054 presents the updated version of the analyses of the Senegalese artisanal fishery that were presented originally during the 2008 sailfish data preparatory meeting. It contains estimates of relative abundance indices for the period (1989-2006) and suggests a slight downward trend in abundance albeit in the presence of high inter-annual variability. Document SCRS/2009/033 presented standardized catch rates from the Venezuelan pelagic longline fleet (kg/1000 hooks) estimated using data collected by scientific observers. The period covered by the index was 1991-2007. The standardization procedure used a GLM model with a delta-lognormal error assumption. Variables included in the analysis were year, vessel, area, season, bait, and fishing depth. The estimated index showed a declining and highly variable trend from 1991 through 2001, when it reached the lowest value of the time series, and a clear increasing trend from 2001 through 2007. Document SCRS/2009/045 presented standardized CPUE estimates for the US pelagic longline fleet for the period 1986 through 2008. Standardization was performed using a GLM approach assuming a delta lognormal error distribution. Standardization procedures included the variables location, season, and year. Other variables that were included to reflect different fishing practices were hook type, number of lightsticks, target species, mainline length and a categorical classification of US vessels based on a predefined set of variables (e.g., size and type of vessel, area of operation, etc.). Indexes of abundance were estimated from mandatory logbook records (in number of fish and weight / 1000 hooks) and from data collected by scientific observers (weight / 1000 hooks). All three indexes showed similar trends with a decline from 1992 through about 2005 and an increase in the last 2 years of the time series. It was indicated that in the last 2 years the US greatly increased the observer coverage in the Gulf of Mexico to 75-80% (of the number of fishing sets). Therefore, the increasing trend observed in those 2 years could be an artifact reflecting better coverage and reporting. Document SCRS/2009/046 presented standardized indexes of abundance for the U.S. recreational fishery estimated from (1) fishing tournaments during 1973-2008 (RBS), and (2) a data collection survey of recreational fisheries during 1981-2008 (MRFSS). Catch rates were estimated as the number of fish / 1000 fishing hours. Only data from tournaments targeting sailfish using live bait were used in the estimation of catch rates. A GLM approach was used and the variables included were year and season. Location was not included because all tournaments were located in the same US domestic management area (Florida East Coast). Because more than 95% of the records (catch and effort per day) showed catches of sailfish, only one model was fitted (catch rate) assuming a lognormal error distribution. In the case of the index estimated from the data collection survey, a GLM assuming a delta lognormal error distribution was used. Separate models were fitted to the proportion of positive trips (proportion of recreational fishing trips that caught at least one sailfish – binomial error distribution) and the catch rate of positive trips (lognormal error distribution). The variables included were area, season, type of trip, and inshore vs. offshore waters. Although both indexes were estimated using data covering different geographic ranges and data collection systems, they showed remarkably similar abundance trends. The lowest value of both indexes corresponded to year 1982 and an increasing trend was observed from 1982 through the late 1990s. A sharp drop was observed in the period 2000-2001 and an increasing trend since then. Document SCRS/2009/066 presented standardized catch rates for the Brazilian longline fishery for the period 1978-2008. A GLM approach with a delta lognormal error assumption was used to estimate two standardized indexes. Both indexes included the factors year, area, and quarter in the standardization procedure. One index also included a ‘target’ factor estimated through cluster analysis. Both indexes showed similar trends but the index that included the factor ‘target’ was much more variable. For that reason, in the assessment, the Group decided to use the index without the ‘factor’ target. Document SCRS/2009/067 presented standardized CPUEs for sailfish caught by Japanese longliners in the Atlantic for the period 1994-2007. The sensitivity test conducted with the Habitat model for the vertical distribution pattern of sailfish revealed that the model was very robust to changes in the distribution of probability of presence in shallower layers but sensitive to the changes in the distribution in deeper layers. Estimates of standardized CPUE obtained with the GLM approach for data off West Africa were similar to those

1511

obtained by the Habitat model that used vertical distribution patterns from swordfish but applied to the sailfish data. The group agreed that the lack of an uninterrupted time series of relative abundance for the Japanese longline and the Chinese Taipei longline would compromise the assessment process. Thus an attempt was made to calculate such indices during the meeting by analyzing 5x5 CATDIS data available at ICCAT (Appendix 6). The Group reached the same conclusion regarding the lack of an index for the Ghanaian fishery, and similarly decided to make an attempt to use the available data at the meeting to develop an index for such fishery (Appendix 7). The final list of indices of abundance (Table 6) that were available to the Group included those reported earlier in this section plus a few available from previous assessments: the Venezuelan recreational (Alio and Marcano, 2001), Japanese longline (Yokawa and Takeuchi, 2002) and Chinese Taipei (Anon. 2002) from the 2001 assessment, and the Venezuelan Gillnet (Arocha et al. 2009) and Brazil sport (Mourato, et al. 2009) from the 2008 data preparatory meeting. Annual values for each index are available on Table 7 and Table 8 and are displayed in Figure 5. 2.3.2 Calculation of combined indexes of abundance The combined indices were estimated using a GLM approach assuming a log-error for the CPUE and the factors included in the model were ’fleet’ and ‘year’. Final estimates were obtained by back-transforming the least square means (LSMEANS) and correcting for bias using the standard error of the final model. Three alternative combined indexes were estimated: 1) un-weighted, 2) weighted by the annual catch of each fleet, and 3) weighted by the number of 5x5 degree grids fished by each fleet in each year. Combined indexes of abundance were estimated for the western and eastern stocks, respectively. Western stock The indexes used for the western stock were the JPN LL-1, JPN LL-2, TAI LL-1, TAI LL-2, TAI LL-3, US RR-RBS, US LL-PLL (kg), VEN RR, VEN GIL, VEN LL, BRZ RR, and BRZ LL. In the case of the recreational fisheries of Brazil and the United States, catches of 0.1 t were assigned for those years when recreational catches were not included in the Task I table (Brazil 1996-2007 and US 2003-2007). The number of 5x5 degree grids fished by each commercial fishery was obtained from CATDIS, which provides the catch of each fleet by grid and by quarter. For each fleet, the quarter with the largest number of grids fished was identified for each year and that number of grids was assigned to the entire year. In the case of the Brazil longline fishery, which had no information in CATDIS for the last six years of the time series (2003-2008), the average number of grids fished during the period 2000-2002 was assigned to the missing years. For the recreational fisheries the Group used a number of grids estimated using the knowledge and experience of national scientists. The number of grids for the Brazil, Venezuela, and U.S. recreational fisheries was estimated to be 2, 4, and 5, respectively. The estimated combined indexes of abundance are shown in Table 9 and Figure 6. Eastern stock The combined index for the eastern stock was estimated using the indexes CIV GIL, GHN ART, SEN ART, JPN LL-1, and JPN LL-2. Combined indexes were estimated using the same statistical models and weighting schemes used for the western stock and are shown in Table 9 and Figure 6. 3. Assessment The group agreed to use several methods, focusing primarily on production model analyses. Several variants of these were used: ASPIC (Prager, 1994, assuming a Schaefer production function), Schaefer-type and Fox-type models programmed in Excel, and a Bayesian Schaefer-type model (Andrade and Kinas, 2007). In addition, there were other analyses with less data demands: Two analyses based on CPUE trends (without taking catch into account), and an analysis of trends in mean sizes and the spread of size distributions.

1512

3.1 Stock structure: alternative scenarios The initial analyses for defining Atlantic sailfish stock structure were first conducted at the Second ICCAT Billfish Workshop in Miami, FL, in 1992 (Anon. 1994). At this meeting, the billfish working group examined three kinds of data for this purpose: genetic analyses (Graves and McDowell (1994), tagging data (Bayley and Prince, 1994), and average size of the landings in the western and eastern Atlantic (Anon. 1994). There were no indications of multiple genetic stock structures, nor were there tag recapture evidence indicating trans-Atlantic or trans-equatorial movements. However, the 1992 billfish working group did find that there were highly significant differences in average size (in length, lower jaw fork length, cm) of sailfish landings between east/west and thus a east/west management unit was considered appropriate at that time (Anon. 1994). There was a recommendation during the current meeting that these three protocols might be a basis for choosing alternative stock structure hypotheses provided time constraints permit this option. It was concluded that for consistency/continuity with past sailfish assessments, the working group, at a minimum, should proceed under a two stock structure hypothesis; i.e. West and East Atlantic. Discussions on possible exploratory runs with alternative stock structure hypotheses were discussed and most of the comments had a caveat that in a 5 day assessment meeting, it was unlikely that the working group would have time to make additional runs. Opinions ranged from recommending no exploratory runs to running a possible South West or East/South West aggregate alternative (because of the geographical proximity of the eastern tip of Brazil and West /Africa). Orbesen et al. (SCRS2009/047) updated conventional tagging data on sailfish and pointed out that even though conventional tag deployments for sailfish were nearly twice as high as any of the other major target species (almost 100,000), no trans-Atlantic nor trans-equatorial movements have been documented over the past 55 years. Given the total number of deployments and sailfish having the highest recovery rate among istiophorid billfish (second highest recovery rate among target species), the fact that sailfish are the only species that has not had a documented trans-Atlantic nor trans-equatorial movements was significant. Orbesen et al. (SCRS/2009/047) suggested that this further demonstrates the more coastal distribution of this species compared to the marlins and spearfish. The longest confirmed sailfish displacement movement was about 2,100 nautical miles (Orbesen et al. SCRS/2009/047), so this species can move long horizontal distances but the exact route of this movement cannot be determined with conventional tagging. SCRS/2009/047 also offered other insights on data that might be considered in selecting alternative stock structure hypotheses. For example, it was pointed out that the eastern edge of the hypoxic plume that extends eastward off the West African coast (Prince and Goodyear, 2006) comes within 148 nm of coastal Brazil and thus this dominant oceanographic feature might be shared between the these two groups of sailfish (SW and E). The authors felt that this might support combining these groups. In addition, the geographical proximity of Brazil to the West coast of Africa (about 1,500 nautical miles) suggests it might be more likely that sailfish trans-Atlantic movements could eventually be documented with sufficient tag release efforts, rather than from the western North Atlantic to the African coast (~ 3,500 nautical miles) or to the south Atlantic (about 3,000 nautical miles). Mourato et al. (SCRS/2009/067) reported on 2 PSAT deployments off southern Brazil and also hypothesized that trans-Atlantic movements of sailfish might be most probable between Brazil and west Africa, although the tracks of these fish did not necessarily support such movements. Mourato et al., (in review) discussed their findings and found that sailfish in the East Atlantic off the West coast of Africa were larger than those in the SW Atlantic off Brazil. These findings confirm previous reports that eastern Atlantic sailfish landings are larger than in the western Atlantic (Beardsley 1980, Anon. 1994, Prince and Goodyear 2006). At the end of the discussion, the working group felt that an alternative to the currently accepted two-stock east/west scenario would be to consider two stock scenarios but with a northwest stock and a South and East stock. Nevertheless, due to time constraints, it was decided that alternative hypotheses should only be made after the initial model runs were done if time allowed it. At the end, there was no time available during the meeting to conduct assessments for the alternative stock scenario. 3.2 Production model assessments Production models were fitted with ASPIC, to Schaefer-type and Fox-type models programmed in EXCEL, and to a Bayesian Schaefer-type model (Andrade and Kinas 2007). A large number of different combinations of models and relative abundance sets were fitted by various scientists present at the meeting. After all results were made available, the group jointly developed a synthesis of production model results.

1513

3.2.1 ASPIC model runs Production models were fitted for the eastern and western sailfish stock units using different combinations of the available indices of abundance and different versions of the ASPIC package. All runs were conducted with ASPIC 5. Details of the many combinations of indices attempted are presented in Appendix 9, but they ranged from using only combined indices developed by the group to using combinations of single indices. Cases that used combinations of indices varied from those that used all available indices, to some cases where only the indices of certain type of fishery were used (e.g. only longline indices, only artisanal etc.). Some cases used different versions of a given index, such as the different versions of the Japanese longline index or the US recreational indices. All together there were 9 cases considered for the East and 15 for the West. Many of the estimations used the standard FIT procedure in ASPIC while others provided bootstrapped estimates. Iterative reweighting was only attempted in two cases. In all cases it was necessary to constraint the initial biomass to K for ASPIC to converge. Initial parameter guesses were provided for the carrying capacity K, MSY, and the catchability (q) coefficients for each index series used. Results of the various fits were widely variable, especially for the eastern stock where the number of data series and temporal range is shorter. Management parameters (MSY, Biomass ratios and Fishing mortality ratios) and population productivity parameters (r and K) showed great variation among cases. For both stocks, however, there were cases that produced parameter estimates that were not likely to be plausible, indicating that certain combinations of abundance indices do not contain enough information for a reasonable fit. If one uses the bootstrap estimates of parameter uncertainty to evaluate the quality of the fit it is clear that those cases that have less uncertainty in the estimates were obtained when all available indices were used without been combined into a single index (Figure 7 and Figure 8). The resulting biomass and fishing mortality patterns predicted by these fits varied greatly, and sometimes indicated severe depletion of biomass whilst others suggested little effects of fishing. The same can be said about fishing mortality with some cases indicating large increases leading to strong overfishing whilst others did not (Table 10). Estimates of current stock status are generally highly uncertain for any given case, as shown by the distribution of estimates produced by the bootstrap for the most recent values of fishing mortality rates and biomass (Figure 9), and the estimates of recent biomass and fishing mortality ratios are highly correlated. Also correlated are the estimates of FMSY and BMSY (Figure 10). 3.2.2 Effects of down-weighting of historical data and of the choice of surplus production function The effect of down-weighting the earlier CPUE data in the production model using the combined index was examined by implementing a production model in EXCEL. The combined index (obtained by weighting the available series in proportion to their catch) was used in the production model, with equal weights by year in one case, and with a tri-cubic down-weighting of the data in the other case. The corresponding weights in a given year (yi) were either equal to 1.0, or given by:

1 200747

The effect of model choice was examined by fitting either a Schaefer or a Fox-type model:

1 for the Schaefer model, and

1 

  for the Fox model.

In all cases, the initial (1956) biomass was assumed to equal K (Figure 11 and Table 11). Not surprisingly, for a given surplus production function, results obtained with the down-weighted CPUEs were more optimistic than were those obtained with equal weighting. And, generally, for a given choice of weights, the Fox model gave more optimistic results. The only exception to this was the current ratio of F/FMSY estimated with the Fox model with equal weighting, which was higher than the same ratio estimated with the Schaefer model (5.40 vs 4.25).

1514

During discussion, the Group noted that production model fits obtained with downweighting historical data and using a single CPUE index were similar to the fits obtained using multiple indices with equal weighting. This phenomenon has been observed with other assessment tools as well. 3.2.3 Bayesian production model A Bayesian production model, as described in Appendix 8, was applied to combined indices weighted by catch. After some discussion two priors (informative and non-informative) were built using multivariate student distributions. Marginal densities of the priors used in both Bayesian models for the West and East Atlantic are shown in Figure 12. Preliminary results showed that the mixed importance functions obtained using adaptive importance sampling (AIS) were similar to the posteriors as indicated by entropy calculations. Empirical distributions, obtained using SIR after the AIS approximation to the posterior, showed to be different than the priors. This was encouraging in the sense the data appears to be somewhat informative. Nevertheless, the fit of models as evaluated by comparing the observations and the predictions were very poor. The model was not able to track down the indices for the early years. Therefore the group decided to also try the following weighting function in order to assign heavier weights to indices for recent years:

33

1

n

yymax=w i

i

where y is the vector with the years, wi is the weight for the ith year and n is the number of years that has information about the index of abundance. The results obtained with the weighting function were similar to those gathered by not using it, hence only the results as calculated with the original indices are shown here. Western stock Fittings of the models are poor to the large indices observed in the early years and the decrease in the 1970's no matter if a penalty function was applied (Figure 13). Biomass decreased from the beginning of the data series. Finally linear models fitted to the predictions for the more recent years suggest negative slopes though the slope of linear models fitted to observed indices are close to zero. A summary of the parameters and of reference points as calculated using the posterior estimations are in Table 12. All estimations points to pessimistic scenarios. If we rely on the median estimations (50% quantiles) the actual biomass is close to half the BMSY, while the catch in the last year of the time series is 1.3 times the catch in the MSY. Nevertheless, one might keep in mind that those estimations are from a model that do not fit well the observed data. Eastern stock Fittings of the models were poor just like for the analysis of the West Atlantic. The large indices and variability observed in the early years cannot be fitted by the model (Figure 14 - left panels). Biomass decreased from the beginning of the data series. Finally linear models fitted to the predictions for the more recent years tends to be negative though the slope of linear models fitted to observed indices are close to zero. A summary of the parameters and of reference points as calculated using the posterior estimations are in Table 13. All estimations points that depends on biomass estimations are even more pessimistic than those gathered for the west. If we rely on the median estimations (50% quantiles) the actual biomass is close to 0.15 times BMSY. Although the catch in the last year of the time series analyzed (2007) is bellow the CMSY but, notice that most of the catches in the last decade were larger than CMSY. Like in the analysis for the West, one might keep in mind that those estimations are from a model that did not fit well with the observed data. 3.2.4 Summary of production model analyses Examination of the estimates of r and K for the different cases suggested that not all cases provided satisfactory fits. Three cases in particular produced results that are clearly no plausible, cases O3, O4 and O11 with the first two estimating r values of 4.0 for the eastern stock and the last one estimating a carrying capacity of close to 900,000 t for the western stock. These cases are not considered in further analyses. Of the remaining cases some

1515

produced parameter estimates that were also unlikely to be plausible. To identify such cases the values of r and K for all production model fits were plotted together (Figure 15). Most estimates line up along a curve of the type shown in the estimates obtained through bootstrapping an individual case, but a few clearly depart from such a pattern. Cases G3, G4 for the East and G1 and W3 for the West produced estimates of r ≤0.01 and case O2 and the tri cubic Fox EXCEL fit for the west produced r values ≥ 0.9. These six cases were also not considered in subsequent analyses leaving a total of six useful cases for the Eastern stock and nineteen for the western stock. It is important to note the type of parameter/model combinations that these excluded cases represent (Table 14). In general, ASPIC, had difficulty fitting to the combined indices for the eastern stock and tended towards a solution with very low r, often smaller than 0.01. As expected, the Bayesian production model was able to provide solutions with more reasonable values of r, in spite of the fact that it did use the combined index for the East. Although a similar result was observed for a few of the cases that used the combined indices for the West, more often than not ASPIC was able to find reasonable solutions when combined indices were used for the western stock. In those cases where only one type of fleet index was used, (e.g. only recreational indices or only longline indices in the West), again ASPIC again tended not to converge to reasonable solutions. In summary, simple production models, such as ASPIC or the EXCEL implementation developed by the group successfully provided estimates of population parameters for many, but not all cases where different combination of indices were attempted. On the other hand, the Bayesian production model provided more consistent results, most likely helped by the establishment of reasonable, albeit not always informative, priors for these population parameters. Still, it is clear that the choice of indices used often changed the estimates of production model parameters. This included those having management implications such as the ratios of biomass and fishing mortality that inform us about present stock status. Once these non-plausible solutions are excluded from the analysis a clearer picture appears on the condition of these stocks. First, the group examined the uncertainty associated with process error: here considered only as the choice of production model (ASPIC, EXCEL or Bayesian) and relative abundance index (Figure 15). There is large uncertainty in the values of r for both stocks, but there is a tendency for those of the eastern stock (0.1-0.6) to be greater than those for the western stock (0.02-0.3), suggesting the eastern stock is more productive. This is consistent with other observations related more directly to productivity (Prince and Goodyear 2006). The range of sizes of the virgin stock is also wide, from 20,000 to 60,000 t, however, it is not clear whether the eastern stock is larger than the western stock. The estimates of MSY and K are strongly correlated for the different cases of the eastern stock (Figure 16). This may reflect the fact that there are a fewer number of indices for the East and those available are often shorter in time. Therefore there was less of an opportunity to establish different hypotheses, explaining the lower number of ASPIC cases for the East. All cases attempted did not find a unique estimate of MSY because the response surface had no clear overall maximum. The MSY estimates obtained for the eastern stock range from 1,300 to 2,500 t. Estimates of MSY and K for the western stock are more variable. K has a similar range than that for the East, but MSY estimates are lower, varying mostly from 500 to 1,200 t but with two low estimates of 100 and 300 t respectively (Figure 16). All except one of the estimates of the recent biomass ratio (B2006/BMSY) and fishing mortality ratios (F2007/FMSY) for the eastern stock indicate overfishing is taking place and the stock is overfished (Figure 17). For the western stock results are again more variable, with 9 cases indicating that there is overfishing and that the stock is overfished and 7 indicating that there is either no overfishing, or that the stock is not overfished or both (Figure 17). In general the most pessimistic cases in the West are those using combined indices, and the most optimistic cases are those that using various combinations of single indices. To examine the uncertainty associated with “observation error” the group used the results of the bootstrapped estimations from ASPIC and the posterior estimates from the Bayesian model. Estimates of uncertainty for model parameters were also greater for the eastern stock than for the western stock, but they remain large for both (Tables 10, 12 and 13). For example, the ratio of B2006/BMSY estimated from the Bayesian model with informative priors for the eastern stock and with a combined index was 0.15, but 25% and 75% percentiles corresponded to 0.11 and 0.22, respectively. For the western stock equivalent numbers were 0.47, for the estimate and 0.36 and 0.60 respectively for the same percentiles. Estimates of the same ratio obtained from bootstraps of ASPIC fits to an eastern combined index (case F1) were 0.24, for the estimate and 0.12 and 0.39 for the 25% and 75% percentiles. Similarly ASPIC fits to a complete set of available indices for the West (case O9) provided a best estimate of 1.01, and estimates of 0.91 and 1.24 for the 25% and 75% percentiles (Figure 18). In general, cases that used individual indices exhibited less uncertainty than those that used combined

1516

indices. Bootstrap and Bayesian estimates of uncertainty showed considerable uncertainty for the recent biomass and fishing mortality ratios, with some solutions differing completely on the questions of whether there is overfishing or the stock is overfished, as illustrated in Figure 18. 3.3 Other assessment analyses In addition to production model fits additional analyses were conducted to provide insight on stock status. These included examination of recent trends in relative abundance on the basis of CPUE indices alone, development of model free reference points and an analysis of changes in size structure of the catch. 3.3.1 Recent trends in abundance Analyses of CPUE indices were conducted to investigate the trends in abundance that do not make any assumption of whether there is an underlying production model or any other population model. Additionally, other analyses following the procedures outline in Anon. (2007) were conducted to determine recent changes in abundance. In order to compare the recent abundance trends (1990-2006) that can be inferred from CPUE indices these indices were scaled to the mean of each index (Table 15, Figure 19). These scaled indices were smoothed using Generalized Additive Models with a Loess function (GAMLoess). Most of these indices fluctuate without a trend during this period and only few show a clear declining trend such as the US Pelagic longline indices for the western stock or a clear increasing trend such as the US MRFSS index, also for the western stock (Figures 20 and 21). 3.3.2 Correlations between indices Robust estimates of the correlation between the various available recent CPUE indices for SAI-West and SAI-East (1990-2007) were obtained using the Pearson method (Table 16). Generally, there was poor correlation between the twelve available indices except for the Japanese Longline and the US MRFSS indices for the western stock that are strongly positively correlated. These latter indices fluctuate without a trend over the period 1990-2006. 3.3.3 Median changes in relative abundance Another approach applied to examine relative changes in abundance as evidenced by the available CPUE indices was a robust procedure to estimate confidence intervals for the median ratios of the indices of one year relative to the indices for another year. We estimated the 95% confidence intervals using the binomial distribution for the median of the CPUE ratios relative to the standard year 2000, following the procedures described by Conover (1980). Ten indices were used for SAI-West and four for SAI-East. For each index in a given year, the ratio of that index value relative to year 2000 was computed. Then, estimates of the confidence interval for the ratio each year were obtained from the relative values (Figure 22 and Figure 23). 3.3.4 Model-free reference points Estimates of B/BMSY were made for each of the three combined indices for the eastern and western stock using the methods in Goodyear (2003). The method exploits the change in relative abundance (CPUE) between the beginning and ending of the available time series. It was also assumed that a Beverton-Holt stock recruitment relation was appropriate for sailfish. For the eastern stock, the average relative abundance at the beginning of the time series was estimated as the average of the first five years of CPUE (1967-1971) and the most recent relative abundance was estimated as the average for the last five years of available CPUE (2003-2007). The resulting estimates of B/BMSY for the eastern stock ranged from 0.08 to 0.19 with a mean of 0.13 for the unweighted, and the two weighted CPUE time series (Table 17). Restricting the analysis to begin with the 1980 data which omits the early years of high abundance estimates resulted in a more optimistic range for B/BMSY of 0.43 to 0.71 with a mean of 0.54. B/BMSY was similarly estimated for the western stock using the 1961-1965 mean CPUE for the beginning of the time series and the mean for the last five years of available data (2004-2008) as a measure of recent relative abundance. These assumptions lead to B/BMSY estimates for the western stock that ranged from 0.58 to 1.83 with a mean of 0.77 (Table 17). Restricting the analysis to begin with the 1973 data which omits the early years of high abundance estimates resulted in a more optimistic range for B/BMSY of 0.80 to 1.99 with a mean of 1.32.

1517

3.3.5 Size data trends Using the length frequency information (centimeters, lower jaw-fork length) for six fleets from SAI-West and five fleets from SAI-East, we looked for signals suggesting change in year-class strength over the period 1970-2007. In addition, basic statistical information (25% quartile, median and 75% quartile) was calculated for each fleet by year to elicit any possible trend of catch-at-size. The lengths of the individual fleet time series varied greatly and were often sparse. The size frequency quartiles are illustrated for the western stock are presented in Figure 24 and Table 18. Both the Brazil and Venezuela long-term plots had slight variability, but overall were largely flat and stable. On the other hand, the Japanese data indicated high variability, a factor possibly attributable to the spatial distribution of fishing effort. The Chinese Taipei series was too short (1980-1983) to suggest a trend. The size frequency quartiles for the eastern stock are illustrated in Figure 25 and Table 19. Here, the Cote d’Ivoire gillnet data suggested a slight variability in year-class strength, but was largely stable over the period 1984-2006. The Japanese longline data were highly variable for the period spanning 1974 to 2005. Again, this may be associated with the spatial distribution of fishing effort. The data from Ghana gillnet, Brazil longline, and Chinese Taipei longline all suggested year-class variability, but the time series were too short to conclude any trends. 3.4 Summary of assessment results It is the first time that ICCAT has been able to conduct a full assessment of both Atlantic sailfish stocks through a range of models and by using different combinations of data sources. It is clear that there remains considerable uncertainty regarding the stock status of these two stocks, however, many assessment model results present evidence of overfishing and of evidence that the stocks are overfished, more so in the east than in the west. Although some of the results suggest a healthy stock in the west, few suggest the same for the east. The eastern stock is also assessed to be more productive than the western stock, probably providing a greater MSY. The eastern stock is likely to be suffering stronger overfishing and most probably has been reduced further below the level that would produce the MSY than the western stock. Reference points obtained with model free methods reach similar conclusions. Examination of recent trends in abundance suggest that both the eastern and western stocks suffered their greatest declines in abundance prior to 1990; and, since then no strong evidence suggests an increase, or decrease, in abundance for either of them. In general there is low correlation between individual indices for this period, although some individual indices clearly decline or increase. Examination of available length frequencies provide similar results to those obtained previously for marlins, namely, that average lengths or length distributions have not changed much during the period where there are observations, thus reducing the value of using length as an indicator of fishing pressure. 4. Management implications Both the eastern and western stocks of sailfish may have been reduced to stock sizes below BMSY in recent years, but there is considerable uncertainty, particularly for the west as various production model fits indicated the biomass ratio B/ BMSY both above and below 1.0. The results for the eastern stock were more pessimistic in that more of the results indicated recent stock biomass below BMSY. 4.1 Eastern stock East Atlantic sailfish appear to have declined markedly since the 1970s, reaching a low in the early 1990s. The biomass of the stock shows little, if any, signs of recovery. Inspection of smoothed trends of the individual relative abundances for the most recent years does not reveal a consistent shift in the recent population trajectory. Based on the available information, the Group recommends that catches should be reduced from current levels. It should be noted, however, that artisanal fishermen harvest a large part of the sailfish catch along the West African coast. The Commission should consider practical and alternative methods to reduce fishing mortality and to assure data collection systems and timely reporting of catch and effort.

1518

4.2 Western stock The current western Atlantic assessment suggests that the stock declined over the available time series but has remained relatively stable since the 1980s. Inspection of the smoothed trends in the individual relative abundance time series for the last 18 years indicates differences amongst the time series which foster uncertainty with respect to the current trajectory of this stock. These observations lead the Group to recommend that the West Atlantic sailfish catches should not exceed current levels. It should be noted however, that the recreational fisheries in this area are almost entirely a catch and release fishery. Also this component of the fishery for sailfish has been adopting technologies in recent years to minimize the mortality of released sailfish, even without management intervention. Commercial landings are prohibited in the US. Also, artisanal fishermen harvest a large part of the western sailfish catch. 4.3 Other issues The distribution of sailfish indicates a relatively high concentration extending across the tropical Atlantic from Brazil to the western coast of Africa. This relatively continuous band strongly suggests genetic exchange between the eastern and western stocks, and may also imply that at least some of the sailfish biomass of the Eastern stock is supported by production from the southern component of the western stock off Brazil. Whether this connection is sufficiently important that mixing between the eastern and western stock should be explicitly considered for assessment and management purposes is uncertain. However, the current relative biomass of the eastern stock appears to be lower than that in the west. This observation supports the notion that the eastern and western stocks should be considered separate management units. 5. Executive Summary for sailfish This item was postponed to be addressed during the 2009 Species Group meetings. 6. Other matters SAI The group agreed that the SAI stock assessment work carried out during the meeting was to be used as the basis for 2009 SCRS advice and, as such, no more model runs would be conducted during the Species Group or SCRS plenary meetings. 7. Other matters, all billfish The group reviewed progress of the billfish work plan as well as the Enhanced Research Program for Billfish. Suggestions were made to modify both. It was agreed to circulate these after the meeting to interested scientists, with a view to having further discussion during SCRS 2009. 8. Report adoption and closure The report was adopted by correspondence. The Chairman thanked participants for their hard work and the meeting hosts for their excellent logistical support provided; and then declared the meeting closed. 9. References Alio, J.J. and Marcano, L.A. 2001, Contrast between the trends of billfish abundance recorded from the sport

fishing activity off Playa Grande Yachting Club and from sport fishing tournaments in the central Venezuelan coast, during the period 1984-1999. Collect. Vol. Sci. Pap. ICCAT, 53: 291-297.

Anon. 1994, Report of the Second ICCAT Billfish Workshop (Miami. Florida, July 22-29, 1992). Collect. Vol.

Sci. Pap. ICCAT, 41: 13-166. Anon. 2002, Report of the 2001 Billfish Species Group Session (Madrid, Spain, October 1 to 7, 2001). Collect.

Vol. Sci. Pap. ICCAT, 54(3): 649-754.

1519

Anon. 2007. Report of the 2007 Meeting of the Working Group on Stock Assessment Methods (Madrid, Spain, March 19 to 23, 2007). Collect. Vol. Sci. Pap. ICCAT, 62(6): 1892-1972.

Andrade, H.E. and Kinas, P.G. 2007, Decision analysis on the introduction of a new fishing fleet for skipjack

tuna in the Southwest Atlantic. Pan-American Journal of Aquatic Sciences (2007) 2 (2): 131-148. Arocha, F., Ortiz, M., Barrios, A., Debrot, D. and Marcano, L.A. 2009, catch rates for sailfish (Istiophorus

albicans) from the small-scale fishery off Guaira, Venezuela: Period 1991-2007. Collect. Vol. Sci. Pap., ICAT 64(6): 1844-1853.

Bayley, R.E., and Prince, E.D. 1994, Billfish tag-recapture rates in the western Atlantic and the ICCAT billfish

tagging program. Collect. Vol. Sci. Pap. ICCAT 42(2): 362-368. Beardsley, G.L. 1980, Size and possible origin of sailfish, Istiophorus platypterus, from the eastern Atlantic

Ocean. Fish. Bull., 78: 805-808. Conover, W.J. 1980, Practical Nonparametric Statistics John Wiley and Sons, New York. 493 pp. Goodyear P. 2003, Biological reference points without models. Collect. Vol. Sci. Pap. ICCAT, 55(2): 633-648 Graves, J.E. and J.R. McDowell. 1994. Genetic analysis of billfish population structure. Report of the second

ICCAT Billfish Workshop. Collect. Vol. Sci. Pap. ICCAT, 41: 505-515. Mourato, B.L., Hazin, H.G., Lima, C.W., Travassos, P., Arfelli, C.A., Amorim, A.F., Hazin, F.H.V. 2009, Catch

possibilities of sailfish (Istiophorus platypterus) based on environmental factors in the southwestern Atlantic Ocean. In review. Aqua. Liv. Res. 31 pp.

Mourato, B.L., Amorim, A.F., Arfelli, C.A., Hazin, H.G., Hazin, F.H.V., Wor, C. 2009, Standardized CPUE of

Atlantic sailfish (Istiophorus platypterus) caught by the recreational fishery in southern Brazil (1996-2007). Collect. Vol. Sci. Pap. ICCAT, 64(6): 1941-1950.

Orbesen, E.S., Hoolihan, J.P., Serafy, J.E., Snodgrass, D., Peel, E.M. and Prince, E.D. 2008, Transboundary

movement of Atlantic istiophorid billfishes among international and U.S. domestic management areas inferred from mark-recapture studies. Mar. Fish. Rev., 70(1): 14-23.

Orbesen, E.S., Snodgrass, D., Hoolihan, J. P. and Prince, E.D. 2010, Updated U.S. conventional tagging database

for Atlantic sailfish (1956-2009), with comments on potential stock structure. Collect. Vol. Sci. Pap. ICCAT, 65. In press. (SCRS/2009/047).

Prager, M.H. 1994, A suite of extensions to a non-equilibrium surplus-production model. Fish. Bull. 92: 374-

389. Prince, E.D., and Goodyear, C.P. 2006, Hypoxia based habitat compression of tropical pelagic fishes. Fish.

Oceanogr. 15: 451-464. Yokawa, K., Takeuchi, Y. 2002, Standardization of CPUE for sailfish caught by Japanese longline in the

Atlantic Ocean. Collect. Vol. Sci. Pap, 54(3): 817-825.

1520

RAPPORT DE LA SESSION D’ÉVALUATION DU STOCK DE VOILIER DE 2009

(Recife, Brésil, 1-5 juin 2009) 1. Ouverture, adoption de l’ordre du jour et organisation des sessions Dr. Fabio Hazin, Président de la Commission, et Dr. Sergio Mattos, du Secrétariat Spécial de l’Aquaculture et des Pêches du Brésil, ont souhaité la bienvenue aux participants et ont assuré qu’ils feraient tout le nécessaire aux fins de l’efficacité de la réunion. Dr. Victor Restrepo (Secrétariat de l’ICCAT) a remercié les hôtes brésiliens pour l’excellente logistique de cette réunion. La réunion a été présidée par Dr David Die (Etats-Unis). Dr Die a souhaité la bienvenue aux participants du Groupe de travail et a examiné les objectifs de la réunion dans le cadre du plan de travail du Groupe d’espèces des istiophoridés (Appendice 4). L’ordre du jour (Appendice 1) a été adopté avec un changement mineur dans l’ordre des points. La liste des participants est jointe en tant qu’Appendice 2. La liste des documents présentés à la réunion est jointe en tant qu’Appendice 3. Les participants suivants ont assumé la tâche de Rapporteurs pour diverses sections du rapport:

Section Rapporteurs

1, 8 V. Restrepo 2 C. Wor, F. Arocha, M. Ortiz, G. Diaz 3 D. Die, V. Restrepo 3.1 E. Prince et F. Hazin 3.2 M. Ortiz, V. Restrepo, H. Andrade, D. Die 3.3 G. Scott, P. Goodyear, F. Arocha 4 P. Goodyear, J. Hoolihan 5-7 D. Die

2. Actualisation des données pour l’évaluation 2.1 Estimations des prises Le Groupe a déployé des efforts considérables afin de séparer les prises historiques de SAI/SPF en ces deux espèces pour les flottilles qui avaient sollicité cette séparation, après avoir déclaré conjointement les voiliers et les makaires-bécunes pendant de nombreuses années (Japon, Corée et Taïpei chinois). Des analyses ont été conduites sur la proportion de voiliers dans le total de voiliers/makaires-bécunes déclaré par les observateurs scientifiques pour toutes les flottilles palangrières. Bien que la répartition spatiale des voiliers et des makaires-bécunes se chevauche largement, il existe de grandes différences dans les concentrations relatives par lieu et flottille (Figures 1-3). L’examen de la proportion de voiliers indique que la proportion de voiliers est plus élevée dans toutes les zones côtières et dans les tropiques, alors que la proportion de makaire-bécune est plus élevée au milieu de l’océan au nord et au sud des tropiques. La distribution des ratios de nombres de voiliers par rapport au total de voiliers et de makaires-bécunes, d’après les données d’observateurs, par carrés de 5x5º, est très irrégulière en temps, espace (Tableau 1) et entre les flottilles (Figures 1-3). Ceci est également le cas pour la distribution relative de la prise palangrière du total de voiliers et de makaires-bécunes (Tableau 2). Un examen du ratio de nombres par tonne capturés et déclarés par carrés de 5x5º par les observateurs montrait également une distribution déséquilibrée (Tableau 3). Il y a un grand nombre d’observations de nombres par tonne capturés dans la plupart des zones équatoriales, alors que les latitudes tempérées et plus élevées ont bien moins d’observations sur les prises de SAI et de SPF (Tableau 3). Un modèle binomial (Appendice 5) a été utilisé pour lisser ces différences et obtenir des prédictions sur la proportion de voiliers pour chaque zone pour laquelle on disposait de données sur une flottille donnée. Ces prédictions du modèle reflètent les effets des facteurs inclus dans le modèle : la flottille, le trimestre, la zone (côtière/équatoriale, ou ailleurs) et la distance depuis la zone de convergence équatoriale (3 degrés Nord). Les prédictions par trimestre ne peuvent être réalisées que pour les flottilles pour lesquelles des données par trimestre étaient disponibles, à savoir les Etats-Unis, le Taïpei chinois, l’Espagne, le Venezuela et le Brésil. Dans le cas de la flottille japonaise, et étant donné que les seules données mises à la disposition du Groupe pour cette flottille sont regroupées pour toute l’année, les prédictions ont été réalisées pour toute l’année et non par trimestre. Pour

1521

une flottille donnée, ces prédictions ont seulement été réalisées pour les combinaisons de grille et de trimestre pour lesquelles on disposait, au moins, de 20 observations pour un trimestre donné. Afin de développer des ratios prévus pour les trimestres-grilles ne disposant pas de données d’observateurs, un ratio combiné a été calculé pour chaque grille. Ce ratio combiné a été calculé comme la moyenne des prédictions du modèle disponibles pour cette grille à partir de toutes les flottilles et tous les trimestres. Ce ratio représente donc une moyenne des prédictions pour une grille et ne varie pas en fonction des trimestres. Pour la flottille coréenne, seuls ces ratios ont été utilisés. Pour les grilles ne disposant pas de prédictions, en l’absence de données des observateurs, une moyenne des cellules-ratios avoisinantes a été employée. Il a été postulé que toutes les grilles à des latitudes supérieures à celles de la matrice (~ 50º) ont 0% de voilier. Les ratios en résultant ont ensuite été utilisés pour séparer les prises de SAI et de SPF pour les flottilles ayant déclaré ces espèces de façon combinée (Tableau 4). Le Secrétariat a actualisé le jeu de données de SAI/SPF de la Tâche I jusqu’en 2007, sur la base des dernières données déclarées et des prises des palangriers calculées lors de la réunion. Pour les flottilles ayant des prises récentes mais n’ayant pas déclaré de prises en 2007, le groupe a décidé d’utiliser la moyenne des prises de 2004-2006. Les prises en résultant par pavillon et stock (Tableau 5) ont été utilisées dans l’évaluation pour estimer les prises totales par stock (Figure 4). 2.2 Biologie 2.2.1 Sex-ratio De nouvelles informations sur le caractère saisonnier du sex-ratio par taille ont été présentées pour la pêcherie palangrière pélagique et la pêcherie artisanale de filet maillant dérivant du Venezuela dans l’Atlantique Centre Ouest (SCRS/2009/025). Le sex-ratio global du voilier capturé par ces deux pêcheries vénézuéliennes s’établissait à 0,346, indiquant une forte prédominance des mâles. Le sex-ratio saisonnier (trimestriel) par taille pour les pêcheries combinées pendant la plupart de la saison se situait à son minimum pour les tailles <165 cm LJFL. Le sex-ratio par taille augmentait de façon constante jusqu’à 185 cm LJFL, où il atteignait ou s’arrêtait à 0.75, pour les tailles >165 cm LJFL. Le sex-ratio saisonnier (trimestriel) par taille et par pêcherie présentait des schémas différents dans les tendances. Dans la pêcherie palangrière pélagique, la tendance était l’inverse de celle des pêcheries combinées et de la pêcherie artisanale. Les mâles étaient davantage prédominants aux tailles plus grandes (>170 cm LJFL). D’après les résultats de la proportion de femelles par taille, on peut déduire que la mortalité par pêche peut être différente selon le sexe, peut dépendre de l’engin et de la saison mais ses schémas ne sont pas encore tout à fait compris. 2.2.2 Données de marquage Le SCRS/2009/047 présentait une actualisation des données de marquage conventionnel des Etats-Unis pour le voilier de l’Atlantique, sur 55 ans, incluant 92.201 voiliers marqués et 1.896 recapturés. Aucun déplacement transatlantique ou transéquatorial n’a été enregistré, ce qui suggère que le voilier de l’Atlantique Nord-Ouest a une distribution plutôt côtière sans mouvement apparent vers l’Atlantique Est ni l’Atlantique Sud. Les préférences en matière de profondeur et de températures, fondées sur les données provenant de marques PSAT, ont été présentées pour l’Atlantique Nord-Ouest et Sud-Ouest (SCRS/2009/048 et SCRS/2009/063, respectivement). Les données de l’Atlantique Nord-Ouest portaient sur 16 voiliers marqués dans le sud du Golfe du Mexique et le Détroit de Floride. Les résultats ont montré une étroite association du voilier aves les couches chaudes peu profondes (<20 m), tout en présentant de nombreux déplacements verticaux répétés de courte durée, en dessous de la thermocline locale jusqu’à des profondeurs de 50-150 m. Les données de température PSAT montraient que le voilier passait plus de 90% du temps dans les eaux allant de 25°C à 29°C. L’information obtenue de deux voiliers marqués dans l’Atlantique Sud-Ouest, au large de la côte Sud-Est du Brésil, montrait un schéma similaire aux voiliers marqués dans l’Atlantique Nord, c’est-à-dire que les poissons passaient la plupart de leur temps dans les dix mètres supérieurs, plongeant parfois à des profondeurs importantes. 2.2.3 Comportement Un document de référence (Mourato et al., en cours de révision) présentait un modèle GRASP (Generalized Regression Analysis and Spatial Prediction), appliqué aux données de prise et d’effort de la flottille palangrière brésilienne ciblant les thonidés (1998-2006) et aux données de taille (longueur maxillaire inférieur-fourche) de

1522

l’ICCAT. Les résultats donnaient à penser que les probabilités spatiales de capture sont liées à la distance de la côte et que les spécimens plus grands sont plus fréquent à l’ouest de 40oW, ainsi qu’à l’Est de 25oW. La plus grande proportion de voiliers capturés au large de la côte brésilienne, de 25oW à 40oW, est composée de spécimens de <155,0 cm LJFL. 2.3 Taux de capture et estimations de l’abondance relative Trois documents ont été présentés, lesquels portaient sur les taux de capture mais ne donnaient pas d’estimations des indices d’abondance. Ces documents sont décrits plus en détail ci-après. Le document SCRS/2009/048 présentait la caractérisation de l’utilisation de l’habitat du voilier, sur la base des données collectées de 16 PSAT déployées dans le sud du Golfe du Mexique, entre 2005 et 2007, à bord d’un palangrier commercial. Les résultats indiquaient que les voiliers étaient surtout associés aux eaux de surface de moins de 20 m de profondeur. Ils montraient, toutefois, de nombreux déplacements verticaux répétés, de courte durée, en dessous de la thermocline locale, jusqu’à des profondeurs de 50-150 m. Ces résultats indiquaient que la distribution verticale du voilier coïncide avec les profondeurs pêchées par les palangres pélagiques peu profondes et que les plongées répétées vers de plus grandes profondeurs pourraient permettre des interactions avec les palangres de profondeur. Le Groupe a cependant discuté de cette question étant donné que ces données provenaient de déploiements à court terme (10 jours) et que les résultats pourraient ne pas refléter totalement le comportement normal du voilier. Il a été suggéré qu’après une capture et une remise à l’eau, le comportement des voiliers pourrait être irrégulier pendant 10 jours. Le document SCRS/2009/049 appliquait une méthodologie de standardisation basée sur l’habitat (statHBS), fondée sur des postulats sur les préférences de cette espèce en matière de température et de la distribution en profondeur des hameçons de palangre afin de développer des indices d’abondance relative du voilier, sur la base des données des observateurs de la pêcherie palangrière des Etats-Unis. L’examen des données des observateurs indiquait que les voiliers n’étaient pratiquement jamais capturés par la flottille palangrière américaine à l’est de 73°W et que la capture de cette espèce déclinait rapidement à des températures de surface de moins de 24°C. La plupart des spécimens rencontrés par la flottille palangrière américaine se trouvait le long de la côte Est des Etats-Unis et dans le Golfe du Mexique. Les analyses de la capture par unité d’effort se limitaient aux zones et aux mois où la température de la surface de la mer était ≥24°C. La série temporelle des données des observateurs disponible pour l’analyse allait de 1992 à 2006, et les données préliminaires de 2007 étaient aussi disponibles. La méthodologie statHBS se base sur la correspondance entre les variables d’habitat préféré de cette espèce et les profondeurs des hameçons de palangre enregistrés dans la base de données des observateurs. Les températures observées dans lesquelles les voiliers évoluaient, d’après les données PSAT, ont été utilisées pour former des distributions à priori de leurs préférences en matière d’habitat. La CPUE ajustée avec statHBS était similaire à la CPUE nominale. Les deux séries présentaient une grande variation dans l’abondance relative, qui était probablement le résultat de tailles d’échantillons réduites et de variations annuelles des distributions de la pêcherie, en raison de fermetures spatio-temporelles instaurées en 2001. Des calculs plus détaillés de la profondeur des hameçons et du traitement spatial pourraient améliorer les résultats, mais le manque de données suggère que ceci ne produirait pas de résultats utiles. Le document SCRS/2009/051 analysait les prises d’istiophoridés obtenues durant une enquête menée par la pêcherie palangrière commerciale de surface espagnole dans laquelle trois types d’hameçons et deux types d’appâts étaient testés dans les zones intertropicales de l’Atlantique, en utilisant 263.210 observations hameçons-appâts. Les taux de capture et la proportion d’opérations positives ont été analysés en utilisant un GLM (Delta-lognormal) au niveau des espèces. La zone était le facteur le plus important (seul ou en interaction avec d’autres facteurs) pour expliquer les taux de capture et/ou la proportion d’opérations positives de la plupart des espèces d’istiophoridés capturés. Les facteurs testés (hameçon et appât) n’étaient pas significatifs pour aucune espèce d’istiophoridés. En dépit du manque d’importance trouvée pour ces deux facteurs, les résultats suggèrent que des hameçons alternatifs pourraient produire des changements dans la CPUE moyenne des istiophoridés pouvant aller de –13% à +9%, en fonction de l’espèce et du type d’hameçon utilisé. L’appât alternatif (calmar) pourrait également produire des changements dans la CPUE moyenne de près de –7% à +18%. L’interaction entre les hameçons et les appâts alternatifs pourrait donner lieu à des changements de la CPUE moyenne entre –24% à +45% en fonction de la combinaison du facteur et de l’espèce considérés. Le modèle postulé était pertinent pour le BUM et le SPF, mais des distributions d’erreur alternatives pourraient être explorées pour les autres espèces d’istiophoridés. La sélection de la zone et de la conception expérimentale pourrait jouer un rôle décisif lorsque l’on prévoit les avantages ou les inconvénients d’utiliser certains éléments d’un engin de pêche, notamment dans le cas d’espèces peu fréquentes pour lesquelles la proportion d’observations nulles tend à être élevée.

1523

2.3.1 Estimations de l’abondance relative Le document SCRS/2009/032 présentait les taux de capture standardisés de la pêcherie artisanale de Côte d’Ivoire. Cette pêcherie artisanale de filets maillants a été très active entre 1988 et 2008, débarquant des grands thonidés, des espèces apparentées, des istiophoridés et de l’espadon. Un Modèle Linéaire Généralisé a été utilisé pour obtenir des indices standardisés de CPUE pour le voilier de l’Atlantique. Le modèle incluait trois facteurs explicatifs (année, mois et trimestre) avec interaction entre eux. Tout au long de cette période d’observation, les CPUE standardisées suggèrent une très forte tendance à la baisse. Le document SCRS/2009/054 présentait la version actualisée des analyses de la pêcherie artisanale du Sénégal qui avaient été soumises précédemment au cours de la réunion préparatoire des données pour le voilier de 2008. Il comportait des estimations des indices d’abondance relative pour la période 1989-2006, suggérant une légère tendance à la baisse de l’abondance malgré la présence d’une forte variabilité interannuelle. Le document SCRS/2009/033 présentait les taux de capture standardisés de la flottille palangrière pélagique du Venezuela (kg/1000 hameçons) estimés à l’aide des données collectées par les observateurs scientifiques. La période couverte par les indices allait de 1991 à 2007. La procédure de standardisation utilisait un modèle GLM avec un postulat d’erreur delta-lognormal. Les variables incluses dans l’analyse étaient l’année, le navire, la zone, la saison, l’appât et la profondeur de pêche. L’indice estimé affichait une tendance à la baisse très variable de 1991 à 2001, lorsqu’il a atteint la valeur la plus faible de la série temporelle, puis une claire tendance à la hausse de 2001 jusqu’en 2007. Le document SCRS/2009/045 faisait état des estimations de la CPUE standardisée pour la flottille palangrière pélagique américaine de 1986 à 2008. La standardisation a été réalisée en utilisant une approche GLM, postulant une distribution d’erreur delta-lognormale. Les procédures de standardisation incluaient les variables lieu, saison et année. Les autres variables incluses pour refléter les différentes pratiques de pêche étaient le type d’hameçon, le nombre de baguettes lumineuses, l’espèce cible, la longueur de la ligne principale et une classification de catégorie des navires américains, d’après un jeu prédéfini de variables (par exemple, taille et type de navire, zone d’opération, etc.). Les indices d’abondance ont été estimés d’après les registres obligatoires des livres de bord (en nombre de poissons et poids/1000 hameçons) et d’après les données collectées par les observateurs scientifiques (poids/1000 hameçons). Les trois indices présentaient des tendances similaires avec un déclin à partir de 1992 jusqu’à 2005 environ, puis une augmentation les deux dernières années de la série temporelle. Il a été indiqué qu’au cours de ces deux dernières années les Etats-Unis ont considérablement accru la couverture par les observateurs dans le Golfe du Mexique se situant à 75-80% (du nombre d’opérations de pêche). Par conséquent, la tendance à la hausse observée ces deux années pourrait refléter une meilleure couverture et une meilleure déclaration. Le document SCRS/2009/046 incluait les indices standardisés d’abondance de la pêcherie récréative américaine, estimés d’après 1) les tournois de pêche en 1973-2008 (RBS) et 2) une enquête de collecte de données des pêcheries récréatives de 1981 à 2008 (MRFSS). Les taux de capture ont été estimés comme le nombre de poissons/1000 heures de pêche. Seules les données des tournois ciblant le voilier à l’aide d’appât vivant ont été utilisées dans l’estimation des taux de capture. Une approche GLM a été utilisée et les variables incluses étaient l’année et la saison. Le lieu n’a pas été inclus car tous les tournois se déroulaient dans la même unité de gestion nationale des Etats-Unis (Côte Est de la Floride). Etant donné que plus de 95% des registres (prise et effort par jour) affichaient des prises de voilier, un seul modèle a été ajusté (taux de capture) en postulant une distribution d’erreur lognormale. Dans le cas de l’indice estimé d’après l’enquête de collecte de donnés, un GLM postulant une distribution d’erreur delta-lognormale a été utilisé. Différents modèles ont été ajustés à la proportion des sorties de pêche positives (proportion des sorties de pêche récréatives positives ayant capturé au moins un voilier – distribution d’erreur binomiale) et au taux de capture des sorties de pêche positives (distribution d’erreur lognormale). Les variables incluses étaient la zone, la saison, le type de sortie de pêche et les eaux côtières par rapport à la haute mer. Bien que les deux indices aient été estimés à l’aide de données couvrant différentes gammes géographiques et différents systèmes de collecte de données, ils affichaient des tendances d’abondance extrêmement similaires. La valeur la plus faible de ces deux indices correspondait à l’année 1982 et une tendance à la hausse se dégageait à partir de 1982 jusqu’à la fin des années 1990. Une brusque diminution a été constatée dans la période 2000-2001, suivie d’une tendance à la hausse depuis lors. Le document SCRS/2009/066 présentait les taux de capture standardisés de la pêcherie palangrière brésilienne pour la période 1978-2008. Une approche GLM avec un postulat d’erreur delta-lognormal a été employée pour estimer deux indices standardisés. Ces deux indices incluaient les facteurs année, zone et trimestre dans la procédure de standardisation. Un indice incluait également un facteur « cible » estimé par une analyse de

1524

regroupement. Les deux indices présentaient des tendances similaires mais l’indice incluant le facteur « cible » était bien plus variable. Le Groupe a donc décidé d’utiliser, dans l’évaluation, l’indice ne comportant pas le facteur « cible ». Le document SCRS/2009/067 faisait état des CPUE standardisées du voilier capturé par les palangriers japonais dans l’Atlantique de 1994 à 2007. Le test de sensibilité réalisé avec le modèle d’habitat pour le schéma de la distribution verticale du voilier a révélé que le modèle était très robuste aux changements dans la distribution de la probabilité de la présence de cette espèce dans les eaux peu profondes mais qu’il était sensible aux changements de sa distribution dans les couches plus profondes. Les estimations de la CPUE standardisée obtenues par une approche GLM pour les données au large de l’Afrique occidentale étaient similaires à celles obtenues avec le modèle d’habitat utilisant les schémas de distribution verticale de l’espadon mais appliqué aux données sur le voilier. Le Groupe a convenu que l’absence de série temporelle ininterrompue de l’abondance relative pour la palangre japonaise et la palangre du Taïpei chinois compromettrait le processus d’évaluation. On a donc tenté de calculer ces indices, pendant la réunion, en analysant les données 5x5 de CATDIS disponibles à l’ICCAT (Appendice 6). Le Groupe est parvenu à la même conclusion en ce qui concerne le manque d’indice de la pêcherie ghanéenne et il a aussi décidé de tenter d’utiliser les données disponibles à la réunion en vue de développer un indice pour cette pêcherie (Appendice 7). La liste finale des indices d’abondance (Tableau 6) mise à la disposition du Groupe comportait les indices communiqués auparavant dans cette section ainsi que quelques indices issus des évaluations précédentes: pêcherie récréative du Venezuela (Alio et Marcano, 2001), palangre du Japon (Yokawa et Takeuchi, 2002) et du Taïpei chinois (Anon. 2002) provenant de l’évaluation de 2001, filet maillant du Venezuela (Arocha et al. 2009) et pêcherie sportive du Brésil (Mourato, et al. 2009) de la réunion préparatoire des données de 2008. Les valeurs annuelles pour chaque indice figurent aux Tableaux 7 et 8 ainsi qu’à la Figure 5. 2.3.2 Calcul des indices combinés d’abondance Les indices combinés ont été estimés à l’aide d’une approche GLM postulant une erreur logarithmique pour la CPUE et incluant les facteurs flottille et année dans le modèle. Les estimations finales ont été obtenues en retransformant la moyenne des moindres carrés (LSMEANS) et en corrigeant le biais en utilisant une erreur standard du modèle final. Trois indices combinés alternatifs ont été estimés: (1) non pondéré, (2) pondéré par la prise annuelle de chaque flottille et (3) pondéré par le nombre de carrés de 5x5º pêché par chaque flottille chaque année. Les indices d’abondance combinés ont été estimés pour les stocks Ouest et Est, respectivement. Stock Ouest Les indices utilisés pour le stock Ouest étaient JPN LL-1, JPN LL-2, TAI LL-1, TAI LL-2, TAI LL-3, US RR-RBS, US LL-PLL (kg), VEN RR, VEN GIL, VEN LL, BRZ RR et BRZ LL. Dans le cas des pêcheries récréatives du Brésil et des Etats-Unis, des prises de 0,1 t ont été attribuées aux années où les prises de la pêcherie récréative n’étaient pas incluses dans le Tableau de la Tâche I (Brésil 1996-2007 et Etats-Unis 2003-2007). Le nombre de carrés de 5x5º pêchés par chaque pêcherie commerciale a été obtenu d’après CATDIS, qui donnait la prise de chaque flottille par carré et trimestre. On a identifié, pour chaque flottille, le trimestre ayant le plus grand nombre de carrés pêchés pour chaque année et on a attribué ce nombre de carrés à toute l’année. Dans le cas de la pêcherie palangrière brésilienne, qui ne comptait pas de données dans CATDIS pour les six dernières années de la série temporelle (2003-2008), on a attribué le nombre moyen de carrés pêchés pendant la période 2000-2002 aux années manquantes. Pour les pêcheries récréatives, le Groupe a utilisé le nombre de carrés estimé à l’aide des connaissances et de l’expérience des scientifiques nationaux. Le nombre de carrés pour les pêcheries récréatives du Brésil, du Venezuela et des Etats-Unis a été estimé à 2, 4 et 5, respectivement. Les indices d’abondance combinés estimés sont présentés au Tableau 9 et à la Figure 6. Stock Est L’indice combiné pour le stock Est a été estimé en utilisant les indices CIV GIL, GHN ART, SEN ART, JPN LL-1 et JPN LL-2. Les indices combinés ont été estimés en utilisant les mêmes modèles statistiques et les mêmes schémas de pondération que ceux utilisés pour le stock Ouest et sont présentés au Tableau 9 et à la Figure 6.

1525

3. Evaluation Le Groupe a convenu d’utiliser diverses méthodes, en se concentrant surtout sur les analyses du modèle de production. Plusieurs variantes ont été utilisées: ASPIC (Prager, 1994, postulant une fonction de production de Schaefer), des modèles de type Schaefer et Fox programmés en EXCEL, ainsi qu’un modèle de type Schaefer bayésien (Andrade et Kinas, 2007). On a réalisé, en outre, d’autres analyses nécessitant moins de données: deux analyses basées sur les tendances de CPUE (sans tenir compte des prises) et une analyse des tendances des tailles moyennes et la gamme des distributions de tailles. 3.1 Structure du stock : scénarios alternatifs Les analyses initiales visant à la définition de la structure du stock de voilier de l’Atlantique avaient été conduites à la deuxième Réunion de l’ICCAT sur les Istiophoridés tenue à Miami, en Floride, en 1992 (Anon. 1994). A cette réunion, le Groupe de travail sur les istiophoridés avait examiné trois types de données à cette fin: des analyses génétiques (Graves et McDowell 1994), des données de marquage (Bayley et Prince 1994) et la taille moyenne des débarquements dans l’Atlantique Ouest et Est (Anon. 1994). Il n’y avait pas de signes de structures de stocks génétiques multiples, ni de preuve du marquage-recapture indiquant des déplacements transatlantiques ou transéquatoriaux. Cependant, le Groupe de travail sur les istiophoridés de 1992 avait détecté de très grandes différences dans la taille moyenne (longueur, longueur maxillaire inférieur-fourche, cm) des débarquements de voiliers entre l’Est/Ouest. Une unité de gestion Est/Ouest avait donc été considérée appropriée à ce moment-là (Anon. 1994). A la présente réunion, il a été recommandé que ces trois protocoles servent de base au choix d’hypothèses alternatives sur la structure des stocks, dans la mesure des contraintes temporelles. Il a été conclu qu’à des fins de cohérence/continuité avec les évaluations du voilier précédemment réalisées, le Groupe de travail devrait travailler au moins dans le cadre d’une hypothèse de structure de deux stocks : Atlantique Ouest et Est. Des discussions ont été tenues sur de possibles scénarios exploratoires avec des hypothèses alternatives sur la structure des stocks. On a toutefois estimé que le Groupe de travail ne disposerait probablement pas du temps suffisant pour réaliser des scénarios supplémentaires pendant cette réunion d’évaluation de cinq jours. Les opinions étaient diverses, certains participants recommandaient de ne pas utiliser de scénarios exploratoires et d’autres recommandaient de réaliser une alternative regroupée Sud-Ouest ou Est/Sud-Ouest (en raison de la proximité géographique de la pointe orientale du Brésil et de l’Afrique/Ouest). Orbesen et al. (SCRS/2009/047) ont actualisé les données de marquage conventionnel sur le voilier et ont souligné que même si les déploiements de marques conventionnelles pour le voilier étaient près du double que pour les autres principales espèces cibles (100.000 environ), aucun déplacement transatlantique ni transéquatorial n’avait été constaté au cours de ces 55 dernières années. Au vu du nombre total de déploiements et étant donné que le voilier a le taux de récupération le plus élevé parmi les istiophoridés (second taux de récupération le plus élevé parmi les espèces cibles), le fait que le voilier était la seule espèce sans déplacement transatlantique ni transéquatorial était significatif. Orbesen et al. (SCRS/2009/047) ont suggéré que cet élément étayait encore davantage la répartition très côtière de cette espèce par rapport au makaire et au makaire-bécune. Le déplacement le plus long confirmé pour le voilier était de près de 2.100 miles nautiques (Orbesen et al., SCRS/2009/047) : cette espèce peut donc parcourir de longues distances horizontales mais le trajet exact de ce déplacement ne peut pas être déterminé avec le marquage conventionnel. Le SCRS/2009/047 incluait aussi d’autres informations qui pourraient être prises en compte pour choisir des hypothèses alternatives de la structure du stock. A titre d’exemple, il a été signalé que la pointe orientale de la zone hypoxique qui s’étend vers l’est au large de la côte de l’Afrique occidentale (Prince et Goodyear, 2006) se trouve à 148 mn du littoral brésilien et que cette caractéristique océanographique importante pourrait être partagée entre les deux groupes de voiliers (SO et E). Les auteurs ont estimé que ceci pourrait expliquer la combinaison de ces deux groupes. En outre, la proximité géographique du Brésil de la côte occidentale africaine (près de 1.500 miles nautiques) suggère que les déplacements transatlantiques du voilier pourraient être documentés avec des efforts de marquage suffisants plutôt que de l’Atlantique Nord-Ouest vers la côte africaine (~ 3.500 miles nautiques) ou vers l’Atlantique sud (près de 3.000 miles nautiques). Mourato et al. (SCRS/2009/067) ont fait état de deux déploiements PSAT au sud du Brésil et ont également émis l’hypothèse que des déplacements transatlantiques du voilier pourraient être plus probables entre le Brésil et l’Afrique occidentale, même si le suivi de ces poissons n’a pas nécessairement étayé ces déplacements. Mourato et al., (en révision) ont discuté de leurs conclusions et ont conclu que le voilier de l’Atlantique Est, au large de la côte occidentale de l’Afrique, étaient plus grands que ceux de l’Atlantique Sud-Ouest, au large du Brésil. Ces conclusions confirment les déclarations passées selon lesquelles les voiliers débarqués dans l’Atlantique Est sont plus grands que ceux de l’Atlantique Ouest (Beardsley 1980, Anon. 1994, Prince et Goodyear 2006).

1526

A l’issue de la discussion, le Groupe de travail a estimé qu’il conviendrait de prendre en considération une alternative au scénario actuellement accepté de deux stocks Est/Ouest, consistant en un scénario de deux stocks (un stock Nord-Ouest et un stock Sud et Est). Toutefois, compte tenu de contraintes temporelles, il a été décidé que les hypothèses alternatives ne devraient être faites qu’après avoir exécuté les scénarios initiaux des modèles, si le temps le permet. Il n’a finalement pas été possible, par manque de temps, de conduire des évaluations du scénario alternatif de la structure du stock. 3.2 Evaluations des modèles de production Les modèles de production ont été ajustés avec ASPIC, aux modèles de type Schaefer et de type Fox programmés dans EXCEL, ainsi qu’à un modèle bayésien de type Schaefer (Andrade et Kinas 2007). Divers scientifiques présents à la réunion ont ajusté un grand nombre de différentes combinaisons de modèles et de jeux d’abondance relative. Après la publication de tous les résultats, le Groupe a conjointement développé une synthèse des résultats des modèles de production. 3.2.1 Scénarios du modèle ASPIC Les modèles de production ont été ajustés pour les unités de stock de voilier de l’Est et de l’Ouest en utilisant différentes combinaisons d’indices d’abondance disponibles et différentes versions du logiciel ASPIC. Tous les scénarios ont été exécutés avec ASPIC 5. L’Appendice 9 présente les détails des nombreuses combinaisons des indices testés (des indices combinés développés par le Groupe ainsi que des combinaisons d’indices seuls). Les combinaisons d’indices incluaient des cas utilisant tous les indices disponibles ainsi que des cas utilisant uniquement les indices d’un certain type de pêcherie (par exemple, seuls les indices de la palangre, seule la pêcherie artisanale, etc.). Certains cas utilisaient différentes versions d’un indice donné (par exemple, différentes versions de l’indice palangrier japonais ou les indices de la pêcherie récréative des Etats-Unis). Au total, neuf cas ont été étudiés pour l’Est et 15 pour l’Ouest. De nombreuses estimations utilisaient la procédure standard FIT dans ASPIC alors que d’autres fournissaient des estimations par bootstrap. La repondération itérative n’a été tentée que dans deux cas. Dans tous les cas, il a été nécessaire de limiter la biomasse initiale à la capacité de transport (K) pour ASPIC aux fins de convergence. On a émis des suppositions sur les paramètres initiaux pour K, la PME, et les coefficients de capturabilité (q) pour chaque série d’indice utilisée. Les résultats des divers ajustements variaient fortement, notamment pour le stock Est pour lequel le nombre de séries de données et la gamme temporelle sont plus réduits. Les paramètres de gestion (PME, ratios de biomasse et de mortalité par pêche) et les paramètres de productivité de la population (r et K) présentaient de forte variation entre les différents cas. Cependant, pour les deux stocks, certains cas produisaient des estimations des paramètres qui ne pouvaient pas être plausibles, ce qui indique que certaines combinaisons d’indices d’abondance ne contiennent pas suffisamment d’information aux fins d’un ajustement raisonnable. Si on utilise les estimations par bootstrap du paramètre d’incertitude pour évaluer la qualité de l’ajustement, il est évident que les cas ayant moins d’incertitude dans les estimations ont été obtenus lorsque tous les indices disponibles ont été utilisés sans avoir été combinés en un seul indice (Figure 7 et Figure 8). Les schémas la biomasse et de la mortalité par pêche prévus par ces ajustements variaient dans une grande mesure et indiquaient parfois une grave décimation de la biomasse alors que d’autres suggéraient que les activités de pêche n’avaient que peu d’impact. Ceci est également le cas pour la mortalité par pêche, certains cas indiquant de grandes augmentations menant à une forte surpêche contrairement à d’autres cas (Tableau 10). Les estimations de l’état actuel des stocks sont généralement très incertaines pour tout cas donné, comme le montre la distribution des estimations générées par bootstrap pour les valeurs les plus récentes des taux de mortalité par pêche et de la biomasse (Figure 9). Les estimations des ratios de mortalité par pêche et de biomasse récents sont fortement corrélées, tout comme les estimations de FPME et de BPME (Figure 10). 3.2.2 Effets d’une sous-pondération des données historiques et du choix d’une fonction de

productionexcédentaire On a étudié l’effet d’une sous-pondération des premières données de CPUE dans le modèle de production à l’aide de l’indice combiné, en appliquant un modèle de production dans EXCEL. L’indice combiné (obtenu en pondérant la série disponible proportionnellement à la capture) a été utilisé dans le modèle de production avec des pondérations égales par an dans un cas, et avec une sous-pondération tricubique des données dans l’autre cas. Les pondérations correspondantes pour une année donnée (yi) étaient égales à 1,0 ou correspondaient à :

1527

1 200747

On a examiné l’effet du choix du modèle en ajustant un modèle de type Schaefer ou un modèle de type Fox :

1 pour le modèle de type Schaefer et

1 

  pour le modèle de type Fox.

Dans tous les cas, il a été postulé que la biomasse initiale (1956) était égale à K (Figure 11 et Tableau 11). De façon peu surprenante, pour une fonction de production excédentaire donnée, les résultats obtenus en sous-pondérant la CPUE étaient plus optimistes que ceux obtenus avec une pondération égale. En règle générale, pour un choix donné de pondérations, le modèle de Fox donnait des résultats plus optimistes. La seule exception était le ratio actuel de F/FPME estimé avec le modèle de Fox avec une pondération égale, qui était plus élevé que le même ratio estimé avec le modèle de Schaefer (5,40 vs 4,25). Au cours de la discussion, le Groupe a constaté que les ajustements des modèles de production obtenus en sous-pondérant les données historiques et en utilisant un seul indice de CPUE étaient similaires aux ajustements obtenus en utilisant des indices multiples avec une pondération égale. Ce phénomène a également été observé avec d’autres instruments d’évaluation. 3.2.3 Modèle de production de type bayésien Un modèle de production de type bayésien, décrit à l’Appendice 8, a été appliqué aux indices combinés pondérés par la capture. Au terme de quelques discussions, deux distributions à priori (informative et non-informative) ont été élaborées en utilisant les distributions plurivariables de Student. La Figure 12 illustre les densités marginales des distributions à priori utilisées dans les deux modèles bayésiens pour l’Atlantique Ouest et Est. Les résultats préliminaires montraient que les fonctions d’importance mixtes obtenues en utilisant un « Adaptive Importance Sampling » (AIS) étaient similaires aux distributions à posteriori, comme indiqué par les calculs entropiques. Les distributions empiriques, obtenues en utilisant SIR après l’approximation AIS de la distribution à posteriori, s’avéraient différentes des distributions à priori. Ceci était encourageant dans le sens que les données semblent être quelque peu informatives. Toutefois, l’ajustement des modèles, tel qu’évalué en comparant les observations et les prédictions, était très médiocre. Le modèle ne pouvait pas localiser les indices pour les premières années. Le Groupe a donc décidé d’essayer également la fonction de pondération suivante afin d’assigner des pondérations plus élevées aux indices des années récentes :

33

1

n

yymax=w i

i

où y est le vecteur avec les années, wi est la pondération pour l’année ith et n est le nombre d’années comportant des informations sur l’indice d’abondance. Les résultats obtenus avec la fonction de pondération étaient similaires à ceux collectés en n’utilisant pas cette fonction. Par conséquent, seuls les résultats calculés avec les indices d’origine sont donc présentés ici. Stock Ouest Les ajustements des modèles aux grands indices observés les premières années et à la diminution dans les années 1970 sont médiocres même en appliquant une fonction de pénalisation (Figure 13). La biomasse diminuait à partir du début de la série temporelle. Finalement, les modèles linéaires ajustés aux prédictions des années les plus récentes suggèrent des pentes négatives même si la pente des modèles linéaires ajustés aux indices observés est proche de zéro. Le Tableau 12 inclut un résumé des paramètres et des points de référence calculés en utilisant les estimations à posteriori. Toutes les estimations suggèrent des scénarios pessimistes. Si nous nous basons sur les estimations de la médiane (quantiles de 50%), la biomasse réelle est près de la moitié de BPME, alors que la capture de la dernière année de la série temporelle est 1,3 fois la prise correspondant à la PME. Il convient toutefois de garder à l’esprit que ces estimations ont été obtenues à partir d’un modèle qui n’ajuste pas bien les données observées.

1528

Stock Est Les ajustements des modèles étaient médiocres, tout comme pour l’analyse de l’Atlantique Ouest. Les grands indices et la variabilité observés les premières années ne peuvent pas être ajustés par le modèle (Figure 14 – panneau de gauche). La biomasse déclinait dès le début de la série temporelle. Finalement, les modèles linéaires ajustés aux prédictions pour les dernières années tendaient à être négatifs même si la pente des modèles linéaires ajustés aux indices observés est proche de zéro. Le Tableau 13 inclut un résumé des paramètres et des points de référence calculés en utilisant les estimations à posteriori. Tous les points des estimations qui dépendent des estimations de la biomasse sont encore plus pessimistes que ceux regroupés pour l’Ouest. Si nous nous basons sur les estimations de la médiane (quantiles de 50%), la biomasse réelle est proche de 0,15 fois BPME. Bien que la prise de la dernière année de la série temporelle analysée (2007) soit en-deçà de CPME, il convient de noter que la plupart des prises de la dernière décennie étaient supérieures à CPME. Tout comme dans l’analyse de l’Ouest, il convient de garder à l’esprit que ces estimations ont été obtenues à partir d’un modèle qui n’ajuste pas bien les données observées. 3.2.4 Résumé des analyses des modèles de production L’examen des estimations de r et de K pour les différents cas a suggéré que tous les cas ne donnaient pas des ajustements satisfaisants. Trois cas ont notamment produit des résultats qui ne sont clairement pas plausibles : les cas O3, O4 et O11, les deux premiers estimant des valeurs de r de 4,0 pour le stock Est et le dernier estimant une capacité de transport de près de 900.000 t pour le stock Ouest. Ces cas n’ont pas été pris en considération dans les analyses réalisées ultérieurement. Parmi les autres cas restants, certains produisaient des estimations des paramètres qui n’avaient que peu de chances d’être plausibles. Afin d’identifier ces cas, les valeurs de r et K pour tous les ajustements des modèles de production ont été représentées conjointement sur un graphique (Figure 15). La plupart des estimations s’alignaient le long d’une courbe du type montré dans les estimations d’un cas individuel obtenues par bootstrap, mais quelques unes s’éloignaient clairement de ce schéma. Les cas G3, G4 pour l’Est et G1 et W3 pour l’Ouest produisaient des estimations de r ≤0,01 et le cas O2 et l’ajustement du modèle de Fox tricubique sous EXCEL pour l’Ouest produisait des valeurs de r ≥ 0,9. Ces six cas n’ont pas non plus été pris en considération dans les analyses réalisées ultérieurement. Il ne restait finalement que six cas utiles pour le stock Est et dix-neuf pour le stock Ouest. Il est important de noter le type de combinaisons de paramètres/modèles que les cas ayant été exclus représentent (Tableau 14). En règle générale, ASPIC s’ajustait difficilement aux indices combinés pour le stock Est et tendait vers une solution avec une valeur de r très faible, souvent inférieure à 0,01. Comme prévu, le modèle de production bayésien pouvait fournir des solutions avec des valeurs de r plus raisonnables, même s’il utilisait l’indice combiné pour l’Est. Bien qu’un résultat similaire ait été observé pour quelques cas utilisant les indices combinés pour l’Ouest, le plus souvent, ASPIC pouvait trouver des solutions raisonnables lorsque les indices combinés étaient utilisés pour le stock Ouest. Dans les cas où l’indice d’un seul type de flottille était utilisé (par exemple, seuls les indices de la pêcherie récréative ou de la palangre à l’Ouest), ASPIC tendait à ne pas converger vers des solutions raisonnables. En résumé, des modèles de production simples, tels qu’ASPIC ou l’application EXCEL développée par le groupe, donnaient des estimations réussies des paramètres de population pour de nombreux cas, mais pas pour tous (lorsque différentes combinaisons d’indices étaient testées). Par ailleurs, le modèle de production bayésien donnait des résultats plus cohérents, probablement grâce à l’établissement de distributions a priori raisonnables, mais pas toujours informatives, pour ces paramètres de population. Il est néanmoins évident que le choix des indices utilisés modifiait souvent les estimations des paramètres des modèles de production, dont les modèles ayant des implications de gestion, tels que les ratios de biomasse et de mortalité par pêche qui nous informent sur l’état actuel du stock. Après avoir exclu les solutions non-plausibles de l’analyse, une représentation plus claire de l’état des stocks est apparue. Le groupe a tout d’abord examiné l’incertitude associée à l’erreur de procédure, qui n’est considérée ici que comme le choix du modèle de production (ASPIC, EXCEL ou Bayésien) et l’indice d’abondance relative (Figure 15). Il existe une grande incertitude dans les valeurs de r pour les deux stocks, mais les valeurs du stock Est (0,1-0,6) tendent à être plus élevées que celles du stock Ouest (0,02-0,3), ce qui suggère que le stock Est est plus productif. Ceci est en ligne avec d’autres observations portant davantage sur la productivité (Prince et Goodyear 2006). La gamme de la taille du stock vierge est également vaste, allant de 20.000 à 60.000 t, bien que l’on ne sache pas avec précision si le stock Est est plus grand que le stock Ouest. Les estimations de la PME et de K sont fortement corrélées pour les différents cas du stock Est (Figure 16). Ceci pourrait refléter le fait qu’il existe un plus petit nombre d’indices pour l’Est et que les indices disponibles ont une

1529

durée souvent plus courte. Il a donc été moins possible d’établir différentes hypothèses, expliquant le plus petit nombre de cas ASPIC pour l’Est. Tous les cas testés ne trouvaient pas d’estimation unique de la PME car la surface des réponses n’avait pas de valeur maximale nette. Les estimations de la PME obtenues pour le stock Est vont de 1.300 à 2.500 t. Les estimations de la PME et de K pour le stock Ouest sont plus variables. K a une gamme similaire à celle de l’Est, mais les estimations de la PME sont inférieures, variant de 500 à 1.200 t mais avec deux estimations faibles (100 et 300 t respectivement) (Figure 16). Toutes les estimations, à l’exception d’une seule, des ratios de biomasse (B2006/BPME) et de mortalité par pêche (F2007/FPME) récents pour le stock Est indiquent qu’il se produit une surpêche et que le stock est surpêché (Figure 17). Pour le stock Ouest, les résultats sont également plus variables : neuf cas indiquent qu’il se produit une surpêche et que le stock est surpêché et sept autres indiquent soit qu’il n’y a pas de surpêche, soit que le stock n’est pas surpêché ou les deux à la fois (Figure 17). En général, les cas les plus pessimistes de l’Ouest sont ceux utilisant les indices combinés, et les cas les plus optimistes sont ceux utilisant diverses combinaisons d’indices seuls. Afin d’examiner l’incertitude associée à « l’erreur d’observation », le Groupe a utilisé les résultats des estimations par bootstrap d’ASPIC et des estimations à posteriori du modèle bayésien. Les estimations de l’incertitude pour les paramètres du modèle étaient également plus importantes pour le stock Est que pour le stock Ouest, mais elles restaient considérables pour les deux stocks (Tableaux 10, 12 et 13). A titre d’exemple, le ratio de B2006/BPME estimé d’après le modèle bayésien avec des distributions à priori informatives pour le stock Est et un indice combiné s’élevait à 0,15, les percentiles de 25% et 75% correspondant à 0,11 et 0,22 respectivement. Pour le stock Ouest, les nombres équivalents se situaient à 0,47 pour l’estimation et à 0,36 et 0,60, respectivement, pour les mêmes percentiles. Les estimations du même ratio obtenu par bootstraps des ajustements d’ASPIC à un indice combiné pour l’Est (cas F1) étaient de 0,24, pour l’estimation et de 0,12 et 0,39 pour les percentiles de 25% et 75%. De la même manière, les ajustements d’ASPIC au jeu complet d’indices disponibles pour l’Ouest (cas O9) donnaient une meilleure estimation de 1,01, et des estimations de 0,91 et 1,24 pour les percentiles 25% et 75% (Figure 18). En général, les cas qui utilisaient les indices individuels présentaient moins d’incertitude que ceux utilisant des indices combinés. Les estimations de l’incertitude par bootstrap et avec le modèle bayésien montraient une grande incertitude pour les ratios de biomasse et de mortalité par pêche récents, avec certaines solutions complètement différentes quant à savoir s’il se produisait une surpêche ou si le stock était surpêché, comme illustré à la Figure 18. 3.3 Autres analyses d’évaluation En plus des ajustements des modèles de production, d’autres analyses ont été conduites pour donner un aperçu de l’état des stocks : l’examen des tendances récentes de l’abondance relative sur la base des indices de CPUE uniquement, le développement de points de référence ne se basant pas sur un modèle ainsi qu’une analyse des changements de la structure des tailles de la capture. 3.3.1 Tendances récentes de l’abondance On a réalisé des analyses des indices de la CPUE pour chercher à déterminer des tendances de l’abondance qui ne formulent pas de postulat sur l’existence d’un modèle de production sous-jacent ou de tout autre modèle de population. D’autres analyses suivant les procédures communiquées dans Anon. (2007) ont aussi été conduites en vue de déterminer les récents changements dans l’abondance. Afin de comparer les tendances récentes de l’abondance (1990-2006) qui peuvent être déduites des indices de CPUE, ces indices ont été ajustés à la moyenne de chaque indice (Tableau 15, Figure 19). Ces indices ajustés ont été lissées à l’aide de modèles additifs généralisés (GAM) avec une fonction de Loess (GAMLoess). La plupart de ces indices varient sans dégager de tendance pendant cette période et seuls quelques-uns montrent une claire tendance à la baisse (indices de la palangre pélagique américaine pour le stock Ouest par exemple) ou une claire tendance à la hausse (indice du MRFSS américain, également pour le stock Ouest, par exemple) (Figures 20 et 21). 3.3.2 Corrélations entre les indices Nous avons obtenu des estimations robustes de la corrélation entre les divers indices récemment disponibles de la CPUE pour le SAI-Ouest et le SAI-Est (1990-2007) en utilisant la méthode de Pearson (Tableau 16). La corrélation était généralement médiocre entre les 12 indices disponibles, à l’exception des indices de la palangre

1530

japonaise et du MRFSS américain pour le stock Ouest, qui avaient une forte corrélation positive. Ces derniers indices fluctuaient sans dégager de tendance sur la période 1990-2006. 3.3.3 Changements de la médiane de l’abondance relative Une autre approche appliquée pour examiner les changements de l’abondance relative, tels que révélés par les indices de CPUE disponibles, consistait en une procédure robuste visant à estimer les intervalles de confiance des ratios de la médiane des indices d’une année donnée par rapport aux indices d’une autre année. Nous avons estimé les intervalles de confiance de 95% en utilisant la distribution binomiale pour la médiane des ratios de CPUE par rapport à l’année standard 2000, en suivant les procédures décrites par Conover (1980). Dix indices ont été employés pour le SAI-Ouest et quatre autres pour le SAI-Est. Pour chaque indice d’une année donnée, le ratio de la valeur de cet indice a été calculé par rapport à l’année 2000. Les estimations des intervalles de confiance ont ensuite été obtenues pour le ratio de chaque année d’après les valeurs relatives (Figure 22 et Figure 23). 3.3.4 Points de référence ne se basant pas sur un modèle Les estimations de B/BPME ont été réalisées pour chacun des trois indices combinés pour le stock Est et Ouest en utilisant les méthodes de Goodyear (2003). Cette méthode exploite le changement de l’abondance relative (CPUE) entre le début et la fin de la série temporelle disponible. Il a également été assumé qu’une relation de stock-recrutement de Beverton-Holt était adéquate pour le voilier. Pour le stock Est, l’abondance relative moyenne au début de la série temporelle était estimée comme la moyenne des cinq premières années de CPUE (1967-1971) et l’abondance relative la plus récente a été estimée comme la moyenne des cinq dernières années disponibles de CPUE (2003-2007). Les estimations de B/BPME en résultant pour le stock Est allaient de 0,08 à 0,19 avec une moyenne de 0,13 pour la série temporelle de CPUE non-pondérée et les deux séries temporelles de CPUE pondérées (Tableau 17). En limitant l’analyse de telle sorte qu’elle commence avec les données de 1980, omettant les premières années des estimations de forte abondance, on obtenait une gamme plus optimiste pour B/BPME de 0,43 à 0,71 avec une moyenne de 0,54. La B/BPME a été estimée de la même façon pour le stock Ouest à l’aide de la CPUE moyenne de 1961 à 1965 pour le début de la série temporelle et la moyenne des cinq dernières années des données disponibles (2004-2008) comme mesure de l’abondance relative récente. Ces postulats ont donné des estimations de B/BPME de 0,58 à 1,83, avec une moyenne de 0,77, pour le stock Ouest (Tableau 17). En limitant l’analyse de telle sorte qu’elle commence avec les données de 1973, omettant les premières années des estimations de forte abondance, on obtenait une gamme plus optimiste pour B/BPME de 0,80 à 1,99 avec une moyenne de 1,32. 3.3.5 Tendances des données de tailles En utilisant les données de fréquence de tailles (centimètres, longueur maxillaire inférieur-fourche) de six flottilles de SAI-Ouest et de cinq flottilles de SAI-Est, nous avons cherché des indices suggérant un changement dans la force de la classe d’âge sur la période 1970-2007. De plus, des données statistiques de base (quartile de 25%, médiane et quartile de 75%) ont été calculées pour chaque flottille par année pour obtenir toute tendance possible de la prise par taille. Les tailles des séries temporelles des flottilles individuelles variaient fortement et étaient souvent rares. La Figure 24 et le Tableau 18 présentent les quartiles de fréquences de tailles pour le stock Ouest. Les deux diagrammes à long terme du Brésil et du Venezuela affichaient une légère variabilité mais, dans l’ensemble, étaient très plats et stables. Par ailleurs, les données japonaises indiquaient une forte variabilité, facteur possiblement dû à la répartition spatiale de l’effort de pêche. La série du Taïpei chinois était trop courte (1980-1983) pour suggérer de tendance. La Figure 25 et le Tableau 19 présentent les quartiles de fréquences de tailles pour le stock Est. Les données de la pêcherie de filet maillant de Côte d’Ivoire suggéraient une légère variabilité de la force de la classe d’âge mais elles étaient très stables sur la période 1984-2006. Les données de la palangre japonaise étaient très variables de 1974 à 2005. Ceci pourrait également être lié à la répartition spatiale de l’effort de pêche. Les données de la pêcherie de filet maillant du Ghana, de la palangre du Brésil et de la palangre du Taïpei chinois suggéraient une variabilité de la cohorte mais la série temporelle était trop courte pour pouvoir tirer de conclusion sur une éventuelle tendance.

1531

3.4 Résumé des résultats de l’évaluation L’ICCAT a été en mesure, pour la première fois, de réaliser une évaluation exhaustive des deux stocks de voiliers de l’Atlantique avec toute une gamme de modèles et diverses combinaisons de sources de données. Il est indéniable que de grandes incertitudes demeurent en ce qui concerne l’état de ces deux stocks, mais de nombreux résultats du modèle d’évaluation montrent des signes d’une surpêche et des preuves que les stocks sont surpêchés, et dans une plus grande mesure à l’Est qu’à l’Ouest. Bien que certains résultats donnent à penser que le stock de l’Ouest est en bonne santé, peu de résultats indiquent la même chose pour le stock de l’Est. Le stock de l’Est a également été évalué comme étant plus productif que le stock de l’Ouest, générant probablement une PME supérieure. Il est probable que le stock de l’Est fasse l’objet d’une plus forte surpêche et qu’il ait été ramené en-deçà du niveau qui permettrait la PME, bien davantage que le stock de l’Ouest. Les points de référence obtenus avec les méthodes ne se basant sur un modèle parviennent à des conclusions similaires. L’examen des tendances récentes de l’abondance suggèrent que les stocks de l’Est et de l’Ouest ont connu le plus fort déclin de l’abondance avant 1990. Depuis lors, il n’existe pas d’élément de preuve catégorique suggérant une augmentation ou une diminution de l’abondance pour ces deux stocks. En général, la corrélation est faible entre les indices individuels pour cette période, même si certains indices individuels diminuent ou augmentent clairement. L’examen des fréquences de tailles disponibles donne des résultats semblables à ceux obtenus précédemment pour les makaires, à savoir que les tailles moyennes ou les distributions par tailles n’ont pas beaucoup changé au cours de la période pour laquelle il existe des observations, limitant donc la valeur d’utiliser la taille en tant qu’indicateur de la pression de pêche. 4. Implications de gestion La taille des stocks de l’Est et de l’Ouest pourrait avoir été réduite à un niveau en-deçà de BPME ces dernières années mais de grandes incertitudes demeurent, notamment pour l’Ouest. Plusieurs ajustements du modèle de production indiquent en effet que le ratio de biomasse B/BPME se situe à la fois au-dessus et en-deçà de 1,0. Les résultats pour le stock de l’Est sont plus pessimistes, la plupart des résultats indiquant que la récente biomasse du stock se situe en-deçà de BPME. 4.1 Stock de l’Est Le stock de voilier de l’Atlantique Est semble s’être nettement réduit depuis les années 1970, atteignant le chiffre le plus faible au début des années 1990. La biomasse du stock ne montre que peu, voire aucun signe de rétablissement. L’examen des tendances lissées des séries temporelles de l’abondance relative individuelles de ces dernières années ne révèle pas de changement dans la récente trajectoire de la population. Sur la base des données disponibles, le Groupe recommande de réduire les prises par rapport aux niveaux actuels. Il est à noter, toutefois, que les pêcheurs artisanaux capturent une grande partie de la prise de voiliers le long de la côte de l’Afrique occidentale. La Commission devrait envisager des méthodes pratiques et alternatives visant à réduire la mortalité par pêche et à garantir des systèmes de collecte de donnés et une déclaration de la prise et effort en temps opportun. 4.2 Stock de l’Ouest L’évaluation actuelle du stock de l’Atlantique Ouest suggère que le stock a diminué au cours de la série temporelle disponible mais qu’il est resté relativement stable depuis les années 1980. L’examen des tendances lissées des séries temporelles de l’abondance relative individuelles de ces 18 dernières années indique des différences dans la série temporelle qui donnent lieu à des incertitudes en ce qui concerne la trajectoire actuelle de ce stock. Ces observations ont incité le Groupe à recommander que les prises de voilier de l’Atlantique Ouest ne dépassent pas les niveaux actuels. Il est à noter, toutefois, que presque toutes les pêcheries récréatives dans cette zone consistent en une pêcherie de capture et de remise à l’eau. Cette composante de la pêcherie de voilier a récemment adopté des technologies destinées à réduire la mortalité du voilier après remise à l’eau, même sans intervention de gestion. Les débarquements commerciaux sont interdits aux Etats-Unis. Les pêcheurs artisanaux capturent également une grande partie de la prise de voilier du stock Ouest.

1532

4.3 Autres questions La répartition du voilier indique une concentration relativement élevée de cette espèce dans tout l’Atlantique tropical, du Brésil jusqu’à la côte occidentale africaine. Cette bande relativement continue donne à penser qu’il se produit un échange génétique entre les stocks de l’Est et de l’Ouest et pourrait impliquer qu’au moins une certaine partie de la biomasse de voilier du stock de l’Est est soutenue par la production de la composante Sud du stock de l’Ouest au large du Brésil. On ne sait pas avec certitude si cette relation est suffisamment importante pour prendre explicitement en compte ce mélange entre le stock de l’Est et de l’Ouest à des fins d’évaluation et de gestion. Néanmoins, la biomasse relative actuelle du stock de l’Est semble être inférieure à celle de l’Ouest. Cette observation étaye l’idée que les stocks de l’Est et de l’Ouest devraient être considérés comme des unités de gestion distinctes. 5. Résumé exécutif du voilier Cette question a été renvoyée à la réunion du Groupe d’espèces de 2009. 6. Autres questions, voilier Le Groupe a convenu que les travaux d’évaluation du stock de voiliers réalisés pendant la réunion devaient être utilisés comme base de l’avis du SCRS de 2009 et que, par conséquent, aucun autre scénario de modèles ne serait effectué pendant les réunions du Groupe d’espèces ou de la plénière du SCRS. 7. Autres questions, tous les istiophoridés Le Groupe a examiné les progrès du plan de travail pour les istiophoridés et du Programme de recherche intensive sur les istiophoridés. Des suggestions ont été émises en vue de les modifier. Il a été décidé de diffuser ces changements aux scientifiques intéressés, à l’issue de la réunion, aux fins de discussions supplémentaires lors de la réunion du SCRS de 2009. 8. Adoption du rapport et clôture Le rapport a été adopté par correspondance. Le Président a remercié les participants pour tout le travail réalisé. Il a également adressé ses remerciements aux hôtes de la réunion pour l’excellente logistique fournie. La réunion a été levée. 9. Références Alio, J.J. and Marcano, L.A. 2001, Contrast between the trends of billfish abundance recorded from the sport

fishing activity off Playa Grande Yachting Club and from sport fishing tournaments in the central Venezuelan coast, during the period 1984-1999. Collect. Vol. Sci. Pap. ICCAT, 53: 291-297.

Anon. 1994, Report of the Second ICCAT Billfish Workshop (Miami. Florida, July 22-29, 1992). Collect. Vol.

Sci. Pap. ICCAT, 41: 13-166. Anon. 2002, Report of the 2001 Billfish Species Group Session (Madrid, Spain, October 1 to 7, 2001). Collect.

Vol. Sci. Pap. ICCAT, 54(3): 649-754. Anon. 2007. Report of the 2007 Meeting of the Working Group on Stock Assessment Methods (Madrid, Spain,

March 19 to 23, 2007). Collect. Vol. Sci. Pap. ICCAT, 62(6): 1892-1972. Andrade, H.E. and Kinas, P.G. 2007, Decision analysis on the introduction of a new fishing fleet for skipjack

tuna in the Southwest Atlantic. Pan-American Journal of Aquatic Sciences (2007) 2 (2): 131-148. Arocha, F., Ortiz, M., Barrios, A., Debrot, D. and Marcano, L.A. 2009, catch rates for sailfish (Istiophorus

albicans) from the small-scale fishery off Guaira, Venezuela: Period 1991-2007. Collect. Vol. Sci. Pap., ICAT 64(6): 1844-1853.

1533

Bayley, R.E., and Prince, E.D. 1994, Billfish tag-recapture rates in the western Atlantic and the ICCAT billfish

tagging program. Collect. Vol. Sci. Pap. ICCAT 42(2): 362-368. Beardsley, G.L. 1980, Size and possible origin of sailfish, Istiophorus platypterus, from the eastern Atlantic

Ocean. Fish. Bull., 78: 805-808. Conover, W.J. 1980, Practical Nonparametric Statistics John Wiley and Sons, New York. 493 pp. Goodyear P. 2003, Biological reference points without models. Collect. Vol. Sci. Pap. ICCAT, 55(2): 633-648 Graves, J.E. and J.R. McDowell. 1994. Genetic analysis of billfish population structure. Report of the second

ICCAT Billfish Workshop. Collect. Vol. Sci. Pap. ICCAT, 41: 505-515. Mourato, B.L., Hazin, H.G., Lima, C.W., Travassos, P., Arfelli, C.A., Amorim, A.F., Hazin, F.H.V. 2009, Catch

possibilities of sailfish (Istiophorus platypterus) based on environmental factors in the southwestern Atlantic Ocean. In review. Aqua. Liv. Res. 31 pp.

Mourato, B.L., Amorim, A.F., Arfelli, C.A., Hazin, H.G., Hazin, F.H.V., Wor, C. 2009, Standardized CPUE of

Atlantic sailfish (Istiophorus platypterus) caught by the recreational fishery in southern Brazil (1996-2007). Collect. Vol. Sci. Pap. ICCAT, 64(6): 1941-1950.

Orbesen, E.S., Hoolihan, J.P., Serafy, J.E., Snodgrass, D., Peel, E.M. and Prince, E.D. 2008, Transboundary

movement of Atlantic istiophorid billfishes among international and U.S. domestic management areas inferred from mark-recapture studies. Mar. Fish. Rev., 70(1): 14-23.

Orbesen, E.S., Snodgrass, D., Hoolihan, J. P. and Prince, E.D. 2010, Updated U.S. conventional tagging database

for Atlantic sailfish (1956-2009), with comments on potential stock structure. Collect. Vol. Sci. Pap. ICCAT, 65. In press. (SCRS/2009/047).

Prager, M.H. 1994, A suite of extensions to a non-equilibrium surplus-production model. Fish. Bull. 92: 374-

389. Prince, E.D., and Goodyear, C.P. 2006, Hypoxia based habitat compression of tropical pelagic fishes. Fish.

Oceanogr. 15: 451-464. Yokawa, K., Takeuchi, Y. 2002, Standardization of CPUE for sailfish caught by Japanese longline in the

Atlantic Ocean. Collect. Vol. Sci. Pap, 54(3): 817-825.

1534

INFOºRME DE LA REUNIÓN DE EVALUACIÓN DEL STOCK DE PEZ VELA DE 2009

(Recife, Brasil, 1-5 de junio de 2009) 1. Apertura, adopción del orden del día y disposiciones para la reunión El Dr. Fabio Hazin, Presidente de la Comisión, y el Dr. Sergio Mattos, de la Secretaría Especial de Acuicultura y Pesca de Brasil, dieron la bienvenida a los participantes y se ofrecieron a hacer cualquier cosa que pudiera facilitar una reunión eficaz. El Dr. Víctor Restrepo (Secretaría de ICCAT) dio las gracias a los anfitriones brasileños por la excelente preparación de la reunión. La reunión fue presidida por el Dr. David Die (Estados Unidos). El Dr. Die dio la bienvenida a los participantes en el grupo de trabajo y revisó los objetivos de la reunión en el contexto del plan de trabajo del Grupo de especies de istiofóridos (Apéndice 4). El orden del día (Apéndice 1) fue adoptado con un pequeño cambio en el orden de los puntos. La lista de participantes se adjunta como Apéndice 2. La lista de los documentos presentados a la reunión se adjunta como Apéndice 3. Los siguientes participantes actuaron como relatores de las diferentes secciones del informe:

Sección Relatores

1, 8 V. Restrepo 2 C. Wor, F. Arocha, M. Ortiz, G. Diaz 3 D. Die, V. Restrepo 3.1 E. Prince y F. Hazin 3.2 M. Ortiz, V. Restrepo, H. Andrade, D. Die 3.3 G. Scott, P. Goodyear, F. Arocha 4 P. Goodyear, J. Hoolihan 5-7 D. Die

2. Actualización de los datos para la evaluación 2.1 Estimaciones de captura El grupo dedicó considerables esfuerzos a separar las capturas históricas de SAI/SPF entre las dos especies para aquellas flotas que lo requerían, ya que durante muchos años habían comunicado juntas las capturas de pez vela y Tetrapturus spp.: Japón, Corea y Taipei Chino. Se llevaron a cabo análisis sobre la proporción de pez vela en las capturas agregadas de pez vela/Tetrapturus spp. declaradas por los observadores científicos de todas las flotas palangreras. Aunque las distribuciones espaciales del pez vela y Tetrapturus spp. están ampliamente solapadas, hay diferencias significativas en las concentraciones relativas por localización y flota (Figuras 1-3). La inspección de la proporción de pez vela indica que el pez vela presenta mayores proporciones del total a lo largo de las zonas costeras y en los trópicos, mientras que las proporciones de Tetrapturus spp. son mayores en mitad del océano, al Norte y al Sur de los trópicos. Los recuentos de las ratios de pez vela frente a la suma de los recuentos de pez vela y Tetrapturus spp. a partir de los datos de observadores por cuadrículas de 5x5 tienen una distribución muy desigual en el tiempo, el espacio (Tabla 1) y entre flotas (Figuras 1-3). Lo mismo puede decirse de la distribución relativa de la captura de palangre del total de pez vela y Tetrapturus spp. (Tabla 2). Un examen de la ratio de los recuentos de observadores por tonelada declarada capturada por cuadrícula de 5x5 también mostraba una distribución desequilibrada (Tabla 3). La mayoría de las zonas ecuatoriales tienen un gran número de recuentos de observadores por tonelada, mientras que las latitudes templadas y superiores tienen pocas observaciones relacionadas con la captura de SAI y SPF (Tabla 3). Se utilizó un modelo binomial (Apéndice 5) para alisar estas diferencias y obtener predicciones de la proporción de pez vela para cada localización para la que se disponía de algunos datos para una flota determinada. Dichas predicciones del modelo reflejan los efectos de los factores incorporados en el modelo, la flota, el trimestre, la zona (costera/ecuatorial u otra parte) y la distancia de la zona de convergencia ecuatorial (3 grados Norte). Las predicciones por trimestre solo pueden realizarse para aquellas zonas en las que están disponibles los datos por trimestre, es decir, Estados Unidos, Taipei Chino, España, Venezuela y Brasil. En el caso de la flota japonesa y dado que los únicos datos disponibles para el grupo para dicha flota estaban agregados por año completo, las predicciones se realizan para todo el año y no por

1535

trimestre. Para una flota determinada, estas predicciones se hicieron solo para las combinaciones de cuadrícula y trimestre para las que había, al menos, 20 observaciones para un trimestre determinado. Para desarrollar las ratios predichas para los trimestres-cuadrículas para los que no se disponía de datos de observadores se calculó una ratio combinada para cada cuadrícula. Esta ratio combinada se calculó como la media de las predicciones del modelo, disponible para dicha cuadrícula, de todas las flotas y todos los trimestres. Por lo tanto, esta ratio representa una media de las predicciones para una cuadrícula y no varía con el trimestre. Para la flota coreana sólo se utilizaron estas ratios. Para aquellas cuadrículas para las que no se disponía de predicciones porque no había datos de observadores, se utilizó una media de las ratios de las cuadrículas vecinas. Cualquier cuadrícula en latitudes superiores a las de la matriz (~ 50 grados) se asume que tiene 0% de pez vela. Las ratios resultantes se utilizaron posteriormente para separar las capturas de pez vela y Tetrapturus spp. para las flotas que las habían declarado combinadas (Tabla 4). La Secretaría actualizó el conjunto de datos de SAI/SPF de Tarea I en todo 2007 basándose en los últimos datos declarados y en las capturas de los palangreros calculadas durante la reunión. Para aquellas flotas que contaban con capturas recientes pero ninguna captura declarada para 2007, el Grupo decidió utilizar la captura media de 2004-2006. Las capturas resultantes por pabellón y stock (Tabla 5) fueron utilizadas en la evaluación para estimar las capturas totales por stock (Figura 4). 2.2 Biología 2.2.1 Ratio de sexos Se presentó nueva información sobre la estacionalidad de la ratio de sexos por talla para el Atlántico central occidental de la pesquería de palangre pelágico y de redes de enmalle artesanales venezolanas (SCRS/2009/025). La ratio total de sexos del pez vela capturado por las dos pesquerías venezolanas fue de 0,346, lo que indica un fuerte predominio de machos. La ratio de sexos estacional (trimestral) por talla para las pesquerías combinadas durante la mayor parte de la temporada se encontraba en su cifra más baja para las tallas <165 cm LJFL. La ratio de sexos por talla aumentó constantemente hasta 185 cm LJFL, cifra en la que se nivela o se detiene en ≤ 0,75, para las tallas >165 cm LJFL. La ratio de sexos estacional (trimestral) por talla y por pesquería mostraba diferentes patrones de tendencias. En la pesquería de palangre pelágico la tendencia se invertía en comparación con la tendencia de las pesquerías combinadas y la de la de la pesquería artesanal. Los machos eran dominantes en las tallas más grandes (>170 cm LJFL). Puede concluirse que los hallazgos presentados en relación con la proporción de hembras por talla sugieren que la mortalidad por pesca puede ser diferente por sexo, dependiendo del arte y la temporada, pero sus patrones no se comprenden aún completamente. 2.2.2 Datos de marcado El documento SCRS/2009/047 presentaba una actualización de los datos de marcado convencional estadounidenses para el pez vela del Atlántico, que abarcaba más de 55 años e incluía 92.201 peces vela marcados y 1.896 recapturas. No se habían registrado movimientos transatlánticos o transecuatoriales, lo que sugiere que los peces vela del Atlántico norte occidental tienen una distribución más bien costera sin movimientos evidentes hacia el Atlántico oriental y el Atlántico sur. Se presentaron las preferencias de profundidad y temperatura basadas en datos de marcas PSAT tanto para el océano Atlántico norte occidental como para el Atlántico sur occidental (SCRS/2009/048 y SCRS/2009/63, respectivamente). Los datos del Atlántico norte occidental se referían a 16 peces vela marcados en la parte meridional del Golfo de México y en los Estrechos de Florida. Los resultados demostraron una estrecha asociación del pez vela con las capas cálidas superficiales (<20 m), aunque presentaban numerosos movimientos verticales repetidos de corta duración por debajo de la termoclina local, hasta profundidades de 50-150 m. Los datos de temperatura de las PSAT mostraban que el pez vela pasa más del 90% de su tiempo en aguas que oscilan entre 25 y 29 ºC. La información obtenida de dos peces vela marcados en el Atlántico sur occidental, en aguas de la costa sudoriental brasileña, mostraba un patrón similar a la obtenida de los peces marcados en el Atlántico norte; es decir, ambos peces pasaron la mayor parte de su tiempo en los diez metros superiores, presentando inmersiones profundas ocasionales.

1536

2.2.3 Comportamiento Un documento de referencia (Mourato et al., en revisión) presentaba un modelo de análisis de regresión generalizado y de predicción espacial (GRASP) aplicado a datos de captura y esfuerzo de la flota de palangre atunera de Brasil (1998-2006) y a datos de talla (LJFL) de ICCAT. Los resultados sugerían que las probabilidades espaciales de captura están relacionadas con la distancia desde la costa y que los ejemplares más grandes son más frecuentes al Oeste de 40ºW así como al Este de 25ºW. La mayor proporción de peces vela capturados a lo largo de la costa brasileña, entre 25ºW y 40ºW, está compuesta por ejemplares de <155,0 LJFL. 2.3 Tasas de captura y estimaciones de abundancia relativa Se presentaron al Grupo tres documentos que estaban relacionados con temas de tasas de captura pero que no proporcionaban estimaciones de índices de abundancia. Estos documentos se describen a continuación. El documento SCRS/2009/048 presentaba la descripción de la utilización del hábitat del pez vela basada en datos recopilados en 16 PSAT desplegadas en el Golfo de México meridional entre 2005 y 2007 a bordo de un palangrero comercial. Los resultados indicaban que el pez vela se asociaba principalmente con las aguas superficiales inferiores a 20 metros de profundidad. Pero presentan numerosos movimientos verticales repetidos por debajo de la termoclina local hasta profundidades de 50-150 m. Estos resultados indicaban que la distribución vertical del pez vela coincide con las profundidades en las que pesca el palangre pelágico calado superficialmente y que las repetidas inmersiones profundas pueden permitir que se produzcan interacciones con palangres calados a profundidad. Sin embargo, el Grupo discutió este asunto porque los datos fueron recopilados en despliegues cortos (10 días), y los resultados podrían no reflejar plenamente el comportamiento normal del pez vela. Se ha sugerido que tras un suceso de captura-liberación el comportamiento del pez vela podría ser errático durante un periodo de hasta 10 días. El documento SCRS/2009/049 aplicaba una metodología de estandarización basada en el hábitat (statHBS), que se basa en supuestos acerca de preferencias de temperatura de las especies y en la distribución de profundidad de los anzuelos del palangre, para desarrollar índices de abundancia relativa del pez vela basados en los datos de observadores del palangre estadounidense. El examen de los datos de los observadores indicó que la flota de palangre estadounidense no captura casi nunca peces vela al Este de 73ºW y que la captura desciende rápidamente a temperaturas de superficie inferiores a 24ºC. La mayoría de los encuentros con la flota de palangre estadounidense se produjeron a lo largo de la costa oriental de Estados Unidos y en el Golfo de México. Los análisis de la captura por unidad de esfuerzo se restringieron a aquellas zonas y meses en los que la temperatura de la superficie del mar era de ≥ 24ºC. La serie temporal de los datos de observadores disponibles para el análisis era desde 1992 hasta 2006, con datos preliminares de 2007 también disponibles. La metodología statHBS se basa en la correspondencia entre las variables del hábitat preferido de las especies y las profundidades de los anzuelos de palangre registradas en la base de datos de observadores de palangre. Las temperaturas observadas que ocupa el pez vela a partir de los datos de PSAT fueron utilizadas para elaborar distribuciones previas de sus preferencias de hábitat. La CPUE ajustada con statHBS era similar a la CPUE nominal. Ambas series mostraban amplias variaciones en la abundancia relativa que eran probablemente resultado del poco tamaño de la muestra y variaciones anuales en las distribuciones de la pesquería como resultado de vedas espacio-temporales implementadas en 2001. Cálculos más detallados de las profundidades de anzuelos y el tratamiento espacial podrían mejorar los resultados, pero la escasez de datos sugiere que esto podría no producir resultados útiles. El documento SCRS/2009/051 analizaba las capturas de marlines obtenidas durante una campaña llevada a cabo en el palangre de superficie comercial español en la que se probaron tres tipos de anzuelo y dos tipos de cebo en las áreas intertropicales del Atlántico utilizando 263.210 observaciones anzuelo-cebo. Las tasas de captura y la proporción de lances positivos se analizaron utilizando un GLM (delta-lognormal) a nivel de las especies. La zona era el factor más importante (solo o en interacción con otros) al explicar las tasas de captura y/o la proporción de lances positivos de la mayoría de las especies de istiofóridos capturadas. Los factores probados (anzuelo y cebo) no eran significativos para ninguna de las especies de istiofóridos. A pesar de la falta de significación (estadística) descubierta para ambos factores, los resultados sugieren que anzuelos alternativos podrían producir cambios en la CPUE media de los istiofóridos de entre -13% y +9% dependiendo de las especies y del tipo de anzuelo utilizado. El cebo alternativo (calamar) podría producir también cambios en la CPUE media de entre el -7% y el +18%. La interacción entre anzuelos y cebo alternativos podría conducir a cambios en la CPUE media de entre el -24% y el +45%, dependiendo de la combinación de ambos factores y de las especies consideradas. El modelo asumido era adecuado tanto para BUM como para SPF pero para otras especies podrían explorarse distribuciones de error alternativas. La selección de la zona y el diseño experimental podrían desempeñar un papel decisivo a la hora de predecir las ventajas o desventajas de utilizar ciertos

1537

elementos en un arte pesquero, especialmente en el caso de especies poco frecuentes en las que la proporción de observaciones cero tiende a ser elevada. 2.3.1 Estimaciones de abundancia relativa El documento SCRS/2009/032 presentaba la tasa de captura estandarizada de la pesquería artesanal de Côte d’Ivoire. Esta pesquería artesanal de redes de enmalle fue muy activa entre 1988 y 2008 y los desembarques incluyen grandes túnidos, especies afines, istiofóridos y pez espada. Se utilizó un modelo lineal generalizado para facilitar índices de CPUE estandarizada para el pez vela del Atlántico. El modelo incluía tres factores explicativos, a saber “año”, “mes” y “trimestre” con interacción entre ellos. La CPUE estandarizada, para el periodo considerado, mostraba una fuerte tendencia descendente. El documento SCRS/2009/054 presentaba la versión actualizada de los análisis de la pesquería artesanal senegalesa que fueron presentados originalmente durante la reunión de 2008 de preparación de datos de pez vela. Contiene estimaciones de índices de abundancia relativa para el periodo de 1989-2006 y sugiere una ligera tendencia descendente en la abundancia aunque en presencia de una elevada variabilidad interanual. El documento SCRS/2009/033 presentaba las tasas de captura estandarizadas de la flota de palangre pelágico venezolana (kg/1000 anzuelos) estimadas utilizando datos recopilados por observadores científicos. El periodo cubierto por el índice era 1991-2007. El procedimiento de estandarización utilizaba un modelo GLM con un supuesto de error delta-lognormal. Las variables incluidas en el análisis fueron año, buque, área, temporada, cebo y profundidad de pesca. El índice estimado mostraba una tendencia descendente y altamente variable desde 1991 hasta 2001, cuando alcanzó el menor valor de la serie temporal, y una tendencia claramente ascendente desde 2001 hasta 2007. El documento SCRS/2009/045 presentaba las estimaciones de la CPUE estandarizada de la flota de palangre pelágico estadounidense para el periodo de 1986 hasta 2008. La estandarización se llevó a cabo utilizando un enfoque de GLM asumiendo una distribución de error delta lognormal. Los procedimientos de estandarización incluían las variables localización, temporada y año. Otras variables que se incluyeron para reflejar las diferentes prácticas de pesca fueron el tipo de anzuelo, el número de bastones de luz, la especie objetivo, la longitud de la línea madre y una clasificación de categorías de los buques estadounidenses basada en un conjunto predefinido de variables (por ejemplo, tamaño y tipo del buque, área de operación, etc.). Los índices de abundancia se estimaron a partir de registros obligatorios de los cuadernos de pesca (en número de peces y peso/1000 anzuelos) y a partir de datos recopilados por observadores científicos (peso/1000 anzuelos). Los tres índices mostraban tendencias similares, con un descenso desde 1992 hasta aproximadamente 2005 y un aumento en los dos últimos años de la serie temporal. Se indicó que en los dos últimos años Estados Unidos aumentó enormemente la cobertura de observadores en el Golfo de México, hasta el 75-80% (del número de lances de pesca). Por lo tanto, la tendencia creciente observada en estos 2 años podría reflejar una mejor cobertura y comunicación. El documento SCRS/2009/046 presentaba los índices de abundancia estandarizados para la pesquería recreativa estadounidense estimados a partir de: 1) torneos de pesca durante 1973-2008 (RBS) y 2) una campaña de recopilación de datos de las pesquerías de recreo durante 1981-2008 (MRFSS). Las tasas de captura fueron estimadas como el número de peces/1000 horas de pesca. En la estimación de las tasas de captura se utilizaron sólo los datos de los torneos dirigidos al pez vela utilizando cebo vivo. Se utilizó un enfoque GLM y las variables incluidas fueron año y temporada. La localización no se incluyó porque todos los torneos estaban situados en la misma zona de ordenación nacional de Estados Unidos (costa Este de Florida). Dado que más del 95% de los registros (captura y esfuerzo por día) mostraban capturas de pez vela, sólo se ajustó un modelo (tasa de captura) asumiendo una distribución de error lognormal. En el caso del índice estimado a partir de la campaña de recopilación de datos, se utilizó un GLM asumiendo una distribución de error delta lognormal. Se ajustaron modelos separados a la proporción de mareas positivas (proporción de mareas recreativas que capturaron al menos un pez vela – distribución de error binomial) y a la tasa de captura de mareas positivas (distribución de error lognormal). Las variables incluidas fueron área, temporada, tipo de marea y aguas cercanas a la costa frente a alta mar. Aunque ambos índices se estimaron utilizando datos que cubrían diferentes rangos geográficos y sistemas de recopilación de datos, mostraron tendencias de abundancia notablemente similares. El menor valor de ambos índices correspondía al año 1982 y desde 1982 hasta finales de los 90 se observó una tendencia ascendente. En el periodo 2000-2001 se observó una brusca caída y a partir de entonces una tendencia ascendente. El documento SCRS/2009/066 presentaba tasas de captura estandarizadas para la pesquería de palangre brasileña para el periodo 1978-2008. Se utilizó un enfoque GLM con un supuesto de error delta lognormal para estimar

1538

dos índices estandarizados. Ambos índices incluían los factores año, área y trimestre en el procedimiento de estandarización. Un índice incluía también un factor “objetivo” estimado mediante un análisis de conglomerado. Ambos índices mostraban tendencias similares pero el índice que incluía el factor “objetivo” era mucho más variable. Por esta razón, en la evaluación, el Grupo decidió utilizar el índice sin el factor “objetivo”. El documento SCRS/2009/067 presentaba las CPUE estandarizadas para el pez vela capturado por palangreros japoneses en el Atlántico para el periodo 1994-2007. La prueba de sensibilidad llevada a cabo con el modelo Hábitat para el patrón de distribución vertical del pez vela reveló que el modelo era muy robusto ante los cambios en la distribución de probabilidad de presencia en las capas más superficiales, pero sensible a los cambios en la distribución de las capas más profundas. Las estimaciones de la CPUE estandarizada obtenidas con el enfoque GLM para los datos de aguas de África occidental eran similares a las obtenidas por el modelo Hábitat que utilizaba patrones de distribución vertical a partir del pez espada pero aplicados a los datos de pez vela. El Grupo acordó que la falta de una serie temporal ininterrumpida de abundancia relativa para el palangre de Japón y el palangre de Taipei Chino comprometería el proceso de evaluación. Por lo tanto se intentó calcular dichos índices durante la reunión analizando los datos de CATDIS de 5x5 disponibles en ICCAT (Apéndice 6). El Grupo llegó a la misma conclusión respecto a la falta de un índice para la pesquería de Ghana, e igualmente decidió intentar utilizar los datos disponibles en la reunión para desarrollar un índice para esta pesquería (Apéndice 7). La lista final de índices de abundancia (Tabla 6) que estaban disponibles para el Grupo incluía los comunicados anteriormente en esta sección más unos pocos disponibles de evaluaciones previas: el de recreo de Venezuela (Alio y Marcano, 2001), el de palangre japonés (Yokawa y Takeuchi, 2002) y el de Taipei Chino (Anon. 2002) de la evaluación de 2001, así como el de red de enmalle de Venezuela (Arocha, et al. 2009) y el deportivo de Brasil (Mourato, et al. 2009) de la reunión de preparación de datos de 2008. Los valores anuales para cada índice están disponibles en la Tabla 7 y la Tabla 8 y se presentan en la Figura 5. 2.3.2 Cálculo de índices de abundancia combinados Los índices combinados se estimaron utilizando un enfoque GLM asumiendo un error logarítmico para la CPUE y los factores incluidos en el modelo fueron “flota” y “año”. Las estimaciones finales se obtuvieron re-transformando (back-transforming) la media de cuadrados mínimos (LSMEANS) y corrigiendo el sesgo utilizando el error estándar del modelo final. Se estimaron tres índices combinados alternativos: 1) sin ponderar, 2) ponderado por la captura anual de cada flota y 3) ponderado por el número de cuadrículas de 5x5 pescadas por cada flota en cada año. Se estimaron índices de abundancia combinados para los stocks oriental y occidental respectivamente. Stock occidental Los índices utilizados para el stock occidental fueron JPN LL-1, JPN LL-2, TAI LL-1, TAI LL-2, TAI LL-3, US RR-RBS, US LL-PLL (kg), VEN RR, VEN GIL, VEN LL, BRZ RR y BRZ LL. En el caso de las pesquerías recreativas de Brasil y Estados Unidos, se asignaron capturas de 0,1 t a aquellos años en los que las capturas recreativas no estaban incluidas en la tabla de Tarea I (Brasil 1996-2007 y Estados Unidos 2003-2007). El número de cuadrículas de 5x5 pescadas por cada pesquería comercial se obtuvo de CATDIS, que proporciona la captura de cada flota por cuadrícula y por trimestre. Para cada flota, se identificó para cada año el trimestre con el mayor número de cuadrículas pescadas y este número de cuadrículas se asignó al año entero. En el caso de la pesquería de palangre de Brasil, que no tenía información en CATDIS para los últimos seis años de la serie temporal (2003-2008), el número medio de cuadrículas pescadas durante el periodo 2000-2002 se asignó a los años que faltaban. Para las pesquerías de recreo, el Grupo utilizó varias cuadrículas estimadas utilizando los conocimientos y la experiencia de los científicos nacionales. El número de cuadrículas para las pesquerías de recreo de Brasil, Venezuela y Estados Unidos se estimó en 2, 4 y 5 respectivamente. Los índices de abundancia combinados estimados se muestran en la Tabla 9 y en la Figura 6.

1539

Stock oriental El índice combinado para el stock oriental se estimó utilizando los índices CIV GIL, GHN ART, SEN ART, JPN LL-1 y JPN LL-2. Los índices combinados se estimaron utilizando los mismos modelos estadísticos y esquemas de ponderación utilizados para el stock occidental y se muestran en la Tabla 9 y en la Figura 6. 3. Evaluación El Grupo acordó utilizar varios métodos, centrándose principalmente en los análisis del modelo de producción. Se utilizaron diversas variantes de estos: ASPIC (Praeger, 1994, asumiendo una función de producción Schaefer), modelos tipo Schaefer y tipo Fox programados en Excel, y un modelo Bayesiano tipo Schaefer (Andrade y Kinas, 2007). Además, se realizaron otros análisis que demandan menos datos: dos análisis basados en tendencias de CPUE (sin tener en cuenta la captura) y un análisis de tendencias de las tallas medias y de la dispersión de las distribuciones de talla. 3.1 Estructura del stock: escenarios alternativos Los análisis iniciales para definir la estructura de stock del pez vela del Atlántico se llevaron a cabo por primera vez en las Segundas Jornadas de trabajo de ICCAT sobre istiofóridos celebradas en Miami, Florida en 1992 (Anon. 1994). En esa reunión, el Grupo de trabajo sobre istiofóridos examinó tres tipos de datos para este fin: análisis genéticos (Graves y McDowell, 1994), datos de marcado (Bayley y Prince, 1994) y talla media de los desembarques en el Atlántico occidental y oriental (Anon. 1994). No había indicaciones de múltiples estructuras genéticas del stock, ni tampoco había evidencias procedentes del marcado-recaptura que indicaran movimientos transatlánticos o transecuatoriales. Sin embargo, el Grupo de trabajo de 1992 descubrió que había diferencias altamente significativas en la talla media (en longitud, LJFL, cm) de los desembarques de pez vela entre el este/oeste y, por tanto, en aquel momento se consideró adecuada una unidad de ordenación este/oeste (Anon. 1994). Durante la reunión actual se formuló una recomendación respecto a que estos tres protocolos podrían servir de base para elegir hipótesis alternativas sobre la estructura del stock siempre que las limitaciones de tiempo permitan esta opción. Se concluyó que, en aras de la coherencia/continuidad con evaluaciones pasadas de pez vela, el Grupo de trabajo, como mínimo, debería proceder en base a dos hipótesis sobre la estructura del stock: es decir Atlántico este y oeste. Se discutieron posibles ensayos exploratorios con hipótesis alternativas sobre la estructura del stock y, de forma general, se estimó que en una reunión de evaluación de 5 días era poco probable que el Grupo de trabajo tuviera tiempo para hacer ensayos adicionales. Las opiniones variaban entre no recomendar ensayos exploratorios y ensayar una posible alternativa agregada Sur Oeste o Este/Sur Oeste (a causa de la proximidad geográfica de la punta oriental de Brasil y de África/Oeste). Orbesen et al. (SCRS/2009/047) actualizaron los datos de marcado convencional sobre pez vela y señalaron que aunque las colocaciones de marcas convencionales en peces vela eran casi el doble que las de cualquier otra especie objetivo principal (casi 100.000), en los últimos 55 años no se habían documentado movimientos transatlánticos ni transecuatoriales. Dado el número total de colocaciones y dado que el pez vela tiene la mayor tasa de recuperación entre los istiofóridos (segunda mayor tasa de recuperación entre las especies objetivo), el hecho de que el pez vela sea la única especie que no ha tenido movimientos transatlánticos ni transecuatoriales documentados es significativo. Orbesen et al. (SCRS/2009/047) sugirieron que esto demuestra aún más la mayor distribución costera de esta especie en comparación con los marlines y Tetrapturus spp. El desplazamiento más largo confirmado de un pez vela fue de aproximadamente 2.100 millas náuticas (Orbesen et al. SCRS/2009/047), por lo que esta especie puede moverse en largas distancias horizontales pero la ruta exacta de este movimiento no puede determinarse con el marcado convencional. El SCRS/2009/047 ofrecía también otra información sobre los datos que podrían considerarse al seleccionar hipótesis alternativas sobre la estructura del stock. Por ejemplo se señaló que el borde oriental de la columna hipóxica que se extiende hacia el Este en la costa africana occidental (Prince y Goodyear, 2006) llega hasta 148 millas náuticas de la costa de Brasil y por lo tanto esta característica oceanográfica dominante podría ser compartida por los dos grupos de pez vela (SW y E). Los autores consideraron que esto podría respaldar la combinación de estos grupos. Además, la proximidad geográfica de Brasil a la costa occidental de África (aproximadamente 1.500 millas náuticas) sugiere que podría ser más probable documentar los movimientos transatlánticos del pez vela con suficientes esfuerzos en cuanto a liberación de marcas que probarlos desde el Atlántico norte occidental hacia la costa africana (~3.500 millas náuticas) o hacia el Atlántico sur (aproximadamente 3.000 millas náuticas). Mourato et al. (SCRS/2009/067) informaron sobre 2 colocaciones de marcas PSAT en aguas meridionales de Brasil y también formularon la

1540

hipótesis de que los movimientos transatlánticos del pez vela podrían ser más probables entre Brasil y África occidental, aunque el seguimiento de estos peces no respalda necesariamente dichos movimientos. Mourato et al. (en revisión) discutieron sus hallazgos y descubrieron que los peces vela del Atlántico oriental en aguas de la costa occidental de África eran más grandes que los peces vela del Atlántico sudoccidental en aguas de Brasil. Estos hallazgos confirman informes previos de que los desembarques de pez vela del Atlántico oriental son mayores que los del Atlántico occidental (Beardsley, 1980, Anon. 1994, Prince y Goodyear, 2006). Al final de la discusión, el Grupo de trabajo consideró que una alternativa al escenario actualmente aceptado de dos stocks Este/Oeste sería considerar el escenario de dos stocks pero con un stock noroccidental y un stock del Sur y del Este. No obstante, debido a limitaciones de tiempo, se decidió que las hipótesis alternativas deberían realizarse únicamente después de que se hicieran los ensayos iniciales del modelo, si había tiempo para ello. Al final, no se dispuso de tiempo durante la reunión para llevar a cabo evaluaciones para el escenario alternativo sobre el stock. 3.2 Evaluaciones del modelo de producción Los modelos de producción se ajustaron con ASPIC a modelos tipo Schaefer y tipo Fox programados en Excel, y a un modelo Bayesiano tipo Schaefer (Andrade y Kinas, 2007). Los diversos científicos presentes en la reunión ajustaron un gran número de diferentes combinaciones de modelos y conjuntos de abundancia relativa. Después de que todos los resultados estuvieran disponibles, el Grupo desarrolló conjuntamente una síntesis de los resultados del modelo de producción. 3.2.1 Ensayos del modelo ASPIC Los modelos de producción de las unidades de stock oriental y occidental de pez vela fueron ajustados utilizando diferentes combinaciones de los índices de abundancia disponibles y diferentes versiones del paquete ASPIC. Todos los ensayos se llevaron a cabo con ASPIC 5. Los detalles de las diversas combinaciones de índices intentadas se presentan en el Apéndice 9, pero abarcaban desde utilizar sólo índices combinados desarrollados por el Grupo hasta utilizar combinaciones de índices únicos. Los casos que utilizaban combinaciones de índices variaban entre los que utilizaban todos los índices disponibles y algunos casos en los que sólo se utilizaron los índices de cierto tipo de pesquería (por ejemplo, solo índices de palangre, sólo artesanales, etc.). Algunos casos usaban diferentes versiones de un índice determinado, como las diferentes versiones del índice del palangre japonés o los índices recreativos de Estados Unidos. En total, se consideraron 9 casos para el Este y 15 para el Oeste. Muchas de las estimaciones utilizaron el procedimiento FIT estándar en ASPIC mientras que otras facilitaron estimaciones de bootstrap. La reponderación iterativa sólo se intentó en dos casos. En todos los casos fue necesario limitar la biomasa inicial a K para que ASPIC convergiera. Se facilitaron estimaciones de los parámetros iniciales para la capacidad de transporte K, RMS y los coeficientes de capturabilidad (q) para cada serie de índices utilizada. Los resultados de los diversos ajustes fueron muy variables, especialmente para el stock oriental, donde el número de series de datos y el rango temporal es menor. Los parámetros de ordenación (RMS, ratios de biomasa y ratios de mortalidad por pesca) y los parámetros de productividad de la población (r y K) mostraron una gran variación entre los diferentes casos. No obstante, para ambos stocks, hubo casos que produjeron estimaciones de parámetros que no era probable que fueran verosímiles, lo que indica que ciertas combinaciones de índices de abundancia no contienen información suficiente para un ajuste razonable. Si se utilizan las estimaciones de bootstrap de la incertidumbre de los parámetros para evaluar la cualidad del ajuste, está claro que aquellos casos que tienen menos incertidumbre en las estimaciones se obtuvieron cuando se utilizaron todos los índices disponibles sin ser combinados en un único índice (Figura 7 y Figura 8). Los patrones resultantes de biomasa y mortalidad por pesca predichos por estos ajustes variaban enormemente, y a veces indicaban una grave merma de la biomasa mientras que otras veces sugerían pocos efectos de la pesca. Lo mismo puede decirse de la mortalidad por pesca, ya que algunos casos indicaban grandes aumentos que conducían a una sobrepesca fuerte y otros no (Tabla 10). Las estimaciones de la situación actual del stock son por lo general muy inciertas para algún caso determinado, tal y como muestra la distribución de estimaciones producida por el bootstrap para los valores más recientes de tasas de mortalidad por pesca y biomasa (Figura 9) y las estimaciones de las ratios recientes de biomasa y

1541

mortalidad por pesca están altamente correlacionadas. También están correlacionadas las estimaciones de Frms y Brms (Figura 10). 3.2.2 Efectos de subponderar los datos históricos y de elegir la función de producción excedente Implementando un modelo de producción en Excel, se examinó el efecto de subponderar los primeros datos de CPUE en el modelo de producción que utiliza el índice combinado. El índice combinado (obtenido ponderando la serie disponible en proporción a sus capturas) se utilizó en el modelo de producción, con ponderaciones iguales por año en un caso y con una subponderación tricúbica de los datos en el otro caso. Las ponderaciones correspondientes en un año determinado (yi) eran bien iguales a 1,0 o bien determinadas por:

1 200747

El efecto de la elección del modelo fue examinado ajustando un modelo tipo Schaefer o uno tipo Fox:

1 para el modelo Schaefer, y

1 

  para el modelo Fox.

En todos los casos, se asumió que la biomasa inicial (1956) era igual a K (Figura 11 y Tabla 11). No es sorprendente, para una función determinada de producción excedente, que los resultados obtenidos al subponderar las CPUE fueran más optimistas que los obtenidos con una ponderación igual. Y, por lo general, para una elección determinada de ponderaciones, el modelo Fox producía resultados más optimistas. La única excepción era la ratio actual de F/Frms estimada con el modelo Fox con una ponderación igual, que era mayor que la misma ratio estimada con el modelo Schaefer (5,40 frente a 4,25). Durante las discusiones, el Grupo indicó que los ajustes del modelo de producción obtenidos con la subponderación de los datos históricos y usando un índice de CPUE único eran similares a los ajustes obtenidos utilizando múltiples índices con ponderación igual. Este fenómeno se ha observado también con otras herramientas de evaluación. 3.2.3 Modelo de producción bayesiano Se aplicó un modelo de producción bayesiano, tal y como se describe en el Apéndice 8, a los índices combinados ponderados por captura. Tras algunas discusiones se elaboraron dos distribuciones previas (informativas y no informativas) utilizando distribuciones multivariables de Student. Las densidades marginales de las distribuciones previas utilizadas en ambos modelos bayesianos para el Atlántico este y oeste se muestran en la Figura 12. Los resultados preliminares mostraron que las funciones de importancia mixtas obtenidas utilizando un muestreo de importancia adaptativo (AIS) eran similares a las distribuciones posteriores tal y como indicaban los cálculos de entropía. Las distribuciones empíricas, obtenidas utilizando SIR después de la aproximación AIS a la distribución posterior resultaron ser diferentes a las distribuciones previas. Esto era alentador en el sentido de que los datos parecían ser algo informativos. No obstante, el ajuste de los modelos, evaluado comparando las observaciones y las predicciones, era muy pobre. El modelo no pudo hacer un seguimiento de los índices de los primeros años. Por lo tanto, el Grupo decidió intentar también la siguiente función de ponderación con el fin de asignar ponderaciones mayores a los índices para años recientes:

33

1

n

yymax=w i

i

donde y es el vector con los años, wi es la ponderación para el año ith y n es el número de años que contienen información acerca del índice de abundancia. Los resultados obtenidos con la función de ponderación eran similares a los reunidos sin usarlo, por tanto, aquí solo se muestran los resultados calculados con los índices originales.

1542

Stock occidental Los ajustes de los modelos a los grandes índices observados en los primeros años y al descenso de los 70 son pobres incluso aplicando una función de penalización (Figura 13). La biomasa descendió desde el principio de la serie de datos. Por último, los modelos lineales ajustados a las predicciones para los años más recientes sugieren pendientes negativas aunque la pendiente de los modelos lineales ajustada a los índices observados es cercana a cero. En la Tabla 12 se presenta un resumen de los parámetros y los puntos de referencia tal y como se calcularon utilizando las estimaciones posteriores. Todas las estimaciones apuntan a escenarios pesimistas. Si dependemos de las estimaciones de la mediana (cuantiles del 50%) la biomasa real es cercana a la mitad de Brms, mientras que la captura en el último año de la serie temporal es 1,3 veces la captura en RMS. No obstante, debería tenerse en cuenta que estas estimaciones proceden de un modelo que no ajusta bien los datos observados. Stock oriental Los ajustes de los modelos eran pobres al igual que para el análisis del stock occidental. Los grandes índices y la variabilidad observada en los primeros años no pueden ser ajustados por el modelo (Figura 14 – paneles izquierdos). La biomasa descendió desde el principio de la serie de datos. Por último, los modelos lineales ajustados a las predicciones para los años más recientes tienden a ser negativos aunque la pendiente de los modelos lineales ajustada a los índices observados es cercana a cero. En la Tabla 13 se presenta un resumen de los parámetros y los puntos de referencia tal y como se calcularon utilizando las estimaciones posteriores. Todos los puntos de estimaciones que dependen de las estimaciones de biomasa son aún más pesimistas que los reunidos para el Oeste. Si dependemos de las estimaciones de la mediana (cuantiles del 50%) la biomasa real es de aproximadamente 0,15 veces Brms. Aunque la captura en el último año de la serie temporal analizado (2007) es inferior a Crms, cabe señalar que la mayoría de las capturas en la última década eran superiores a Crms. Al igual que en el análisis para el Oeste, debería tenerse en cuenta que estas estimaciones proceden de un modelo que no ajusta bien los datos observados. 3.2.4 Resumen de los análisis del modelo de producción El examen de las estimaciones de r y K para los diferentes casos sugería que no todos los casos proporcionaban ajustes satisfactorios. Tres casos en particular produjeron resultados que claramente no son probables, los casos O3, O4 y O11, en los que los dos primeros estimaban valores de r de 4,0 para el stock oriental y el último estimaba una capacidad de transporte de aproximadamente 900.000 t para el stock occidental. Estos casos no se consideran en análisis posteriores. De los casos restantes, algunos producían estimaciones de parámetros que tampoco era probable que fueran posibles. Para identificar dichos casos, los valores de r y K para todos los ajustes del modelo de producción se representaron conjuntamente (Figura 15). La mayoría de las estimaciones se alinean a lo largo de una curva del tipo mostrado en las estimaciones obtenidas al hacer un bootstrap de un caso individual, pero algunas se alejan claramente de dicho patrón. Los casos G3 y G4 para el Este y G1 y W3 para el Oeste produjeron estimaciones de r ≤ 0,01 y el caso O2 y el ajuste de Excel del Fox tricúbico para el Oeste produjeron valores de r ≥ 0,9. Estos seis casos tampoco se consideraron en análisis posteriores, lo que deja un total de seis casos útiles para el stock oriental y diecinueve para el stock occidental. Es importante señalar el tipo de combinaciones de modelo/parámetro que representan estos casos excluidos (Tabla 14). En general, ASPIC tenía dificultades para ajustarse a los índices combinados para el stock oriental y tendía hacia una solución con una r muy baja, a menudo inferior a 0,01. Como se esperaba, el modelo de producción bayesiano pudo facilitar soluciones con valores más razonables de r, a pesar de que utilizaba el índice combinado para el Este. Aunque se observó un resultado similar para algunos de los casos que utilizaban índices combinados para el Oeste, muy a menudo ASPIC podía encontrar soluciones razonables cuando se utilizaban índices combinados para el stock occidental. En aquellos casos en los que se utilizaba el índice de un sólo tipo de flota (por ejemplo sólo índices de recreo o sólo índices de palangre en el Oeste), una vez más ASPIC tendía a no llegar a soluciones razonables. En resumen, los modelos de producción simples, como ASPIC o la implementación en EXCEL desarrollada por el Grupo, tenían éxito a la hora de facilitar estimaciones de parámetros de la población para muchos casos, pero no todos, en los que se intentaban diferentes combinaciones de índices. Por otra parte, el modelo de producción bayesiano facilitaba resultados más coherentes, probablemente ayudado por el establecimiento de distribuciones previas razonables, aunque no siempre informativas, para estos parámetros de población. Aún así, está claro que la elección de los índices utilizados a menudo cambiaba las estimaciones de los parámetros del modelo de producción. Esto incluía a los que tienen

1543

implicaciones en cuanto a ordenación, como las ratios de biomasa y mortalidad por pesca que nos informan acerca de la situación actual del stock. Una vez que estas soluciones no probables son excluidas del análisis aparece una imagen más clara de la condición de estos stocks. En primer lugar, el Grupo examinó la incertidumbre asociada con el error de proceso: considerado aquí únicamente como la elección del modelo de producción (ASPIC, EXCEL o Bayesiano) y el índice de abundancia relativa (Figura 15). Existe una gran incertidumbre en los valores de r para ambos stocks, pero existe la tendencia en los del stock oriental (0,1-0,6) de ser mayores que los del stock occidental (0,02-0,3), lo que sugiere que el stock oriental es más productivo. Esto es coherente con otras observaciones relacionadas más directamente con la productividad (Prince y Goodyear, 2006). El rango de tamaños del stock virgen es también amplio, desde 20.000 hasta 60.000 t, sin embargo, no está claro si el stock oriental es más grande que el stock occidental. Las estimaciones de RMS y K están estrechamente correlacionadas para los diferentes casos del stock oriental (Figura 16). Esto podría reflejar el hecho de que hay pocos índices para el Este y los que están disponibles son a menudo cortos en el tiempo. Por lo tanto, había menos oportunidad de establecer diferentes hipótesis explicando el escaso número de casos de ASPIC para el Este. Todos los casos que se intentaron no descubrieron una estimación única de RMS porque la superficie de la respuesta no tenía un máximo global claro. Las estimaciones de RMS obtenidas para el stock oriental oscilan entre 1.300 y 2.500 t. Las estimaciones de RMS y K para el stock occidental son más variables. K tiene un rango similar al del Este, pero las estimaciones de RMS son inferiores, variando en su mayoría entre 500 y 1.200 t, pero con dos estimaciones bajas de 100 y 300 t, respectivamente (Figura 16). Todas las estimaciones de la ratio de la biomasa reciente (B2006/Brms) y las ratios de mortalidad por pesca (F2007/Frms) para el stock oriental, excepto una, indican que se está produciendo sobrepesca y que el stock está sobrepescado (Figura 17). Para el stock occidental los resultados son, una vez más, más variables, con 9 casos que indican que se está produciendo sobrepesca y que el stock está sobrepescado y 7 que indican que no existe sobrepesca o que el stock no está sobrepescado o ambos (Figura 17). En general, los casos más pesimistas en el Oeste son aquellos que utilizan índices combinados y los casos más optimistas son aquellos que utilizan diversas combinaciones de índices únicos. Para examinar la incertidumbre asociada con el “error de observación”, el Grupo utilizó los resultados de las estimaciones de bootstrap procedentes de ASPIC y las estimaciones posteriores del modelo bayesiano. Las estimaciones de incertidumbre para los parámetros del modelo fueron también mayores para el stock oriental que para el stock occidental pero siguen siendo grandes para ambos (Tablas 10, 12 y 13). Por ejemplo, la ratio de B2006/Brms estimada a partir del modelo bayesiano con distribuciones previas informativas para el stock oriental y con un índice combinado era de 0,15, pero los percentiles del 25% y 75% correspondían a 0,11 y 0,22 respectivamente. Para el stock occidental las cifras equivalentes eran 0,47 para la estimación y 0,36 y 0,60 respectivamente para los mismos percentiles. Las estimaciones de la misma ratio obtenidas mediante bootstraps de los ajustes de ASPIC a un índice combinado oriental (caso F1) eran de 0,24 para la estimación y 0,12 y 0,39 para los percentiles del 25% y 75%. De forma similar, los ajustes de ASPIC a un conjunto completo de índices disponibles para el Oeste (caso O9) facilitaron la mejor estimación de 1,01, y estimaciones de 0,91 y 1,24 para los percentiles del 25% y 75% (Figura 18). En general, los casos que utilizaban índices individuales presentaban menos incertidumbre que los que utilizaban índices combinados. Las estimaciones de bootstrap y bayesianas de incertidumbre mostraban una incertidumbre considerable para las ratios recientes de biomasa y de mortalidad por pesca, con algunas soluciones que diferían completamente en las cuestiones de si existe sobrepesca o el stock está sobrepescado, tal y como refleja la Figura 18. 3.3 Otros análisis de evaluación Además de los ajustes del modelo de producción, se llevaron a cabo análisis adicionales para facilitar una perspectiva de la situación del stock. Estos análisis incluían el examen de las tendencias recientes en la abundancia basándose únicamente en los índices de CPUE, el desarrollo de puntos de referencia sin basarse en un modelo y un análisis de los cambios en la estructura de tallas de la captura. 3.3.1 Tendencias recientes en la abundancia Se llevaron a cabo análisis de los índices de CPUE para investigar las tendencias en la abundancia que no hacen ningún supuesto respecto a si existe un modelo de producción subyacente o cualquier otro modelo de población.

1544

Además, se realizaron otros análisis que seguían los procedimientos descritos en Anon. (2007) para determinar cambios recientes en la abundancia. Con el fin de comparar las tendencias recientes de la abundancia (1990-2006) que pueden deducirse de los índices de CPUE, estos índices se escalaron a la media de cada índice (Tabla 15, Figura 19). Estos índices escalados se alisaron utilizando modelos aditivos generalizados con una función Loess (GAMLoess). La mayoría de estos índices fluctúan sin una tendencia durante este periodo y sólo unos pocos muestran una clara tendencia descendente como los índices del palangre pelágico estadounidense para el stock occidental o una clara tendencia ascendente como el índice de MRFSS estadounidense, también para el stock occidental (Figuras 20 y 21). 3.3.2 Correlaciones entre índices Se obtuvieron estimaciones robustas de la correlación entre los diversos índices de CPUE recientes disponibles para SAI-Oeste y SAI-Este (1990-2007) utilizando el método Pearson (Tabla 16). Por lo general, existía una correlación pobre entre los doce índices disponibles excepto para los índices del palangre japonés y del MRFSS estadounidense para el stock occidental, que estaban estrecha y positivamente correlacionados. Estos últimos índices fluctúan sin una tendencia a lo largo del periodo 1990-2006. 3.3.3 Cambios de la mediana de la abundancia relativa Otro enfoque aplicado para examinar cambios relativos en la abundancia tal y como evidencian los índices de CPUE disponibles fue un procedimiento robusto para estimar intervalos de confianza para las ratios de la mediana de los índices de un año en relación con los índices de otro año. Se estimaron los intervalos de confianza del 95% utilizando la distribución binomial para la mediana de las ratios de CPUE relativas al año estándar 2000 siguiendo los procedimientos descritos por Conover (1980). Se utilizaron diez índices para SAI-Oeste y cuatro para SAI-Este. Para cada índice en un año determinado, se calculó la ratio del valor de ese índice en relación al año 2000. Posteriormente, las estimaciones del intervalo de confianza para la ratio de cada año se obtuvieron a partir de valores relativos (Figura 22 y Figura 23). 3.3.4 Puntos de referencia sin basarse en un modelo Se hicieron estimaciones de B/BRMS para cada uno de los tres índices combinados para el stock oriental y occidental utilizando los métodos de Goodyear (2003). El método explota el cambio en la abundancia relativa (CPUE) entre el inicio y el fin de la serie temporal disponible. Se asumió también que una relación de stock reclutamiento de Beverton-Holt era adecuada para el pez vela. Para el stock oriental, la abundancia relativa media al inicio de la serie temporal se estimó como la media de los 5 primeros años de CPUE (1967-1971) y la abundancia relativa más reciente se estimó como la media de los 5 últimos años de la CPUE disponible (2003-2007). Las estimaciones resultantes de B/BRMS para el stock oriental oscilaron entre 0,08 y 0,19 con una media de 0,13 para la no ponderada y las dos series temporales de CPUE ponderadas (Tabla 17). Restringir el análisis para que empezara con los datos de 1980, que omiten los primeros años de estimaciones de abundancia elevada, dio como resultado un rango más optimista para B/BRMS, de 0,43 a 0,71, con una media de 0,54. B/BRMS fue estimada de forma similar para el stock occidental, utilizando la CPUE media de 1961-1965 para el inicio de la serie temporal y la media de los últimos 5 años de datos disponibles (2004-2008) como medida de la abundancia relativa reciente. Estos supuestos condujeron a estimaciones de B/BRMS para el stock occidental que oscilaban entre 0,58 y 1,83 con una media de 0,77 (Tabla 17). Restringir el análisis para que empezara con los datos de 1973, que omiten los primeros años de estimaciones de abundancia elevada, dio como resultado un rango más optimista para B/BRMS, de 0,80 a 1,99 con una media de 1,32. 3.3.5 Tendencias en los datos de talla Utilizando la información sobre frecuencia de tallas (longitud mandíbula inferior a la horquilla, centímetros) para seis flotas del SAI-Oeste y cinco flotas del SAI-Este, se buscaron señales que sugirieran un cambio en la fuerza de la clase anual durante el periodo 1970-2007. Además, se calculó la información estadística básica (cuartil 25%, mediana y cuartil 75%) para cada flota por año para obtener cualquier posible tendencia de la captura por talla. Las tallas de las series temporales de las flotas individuales variaban enormemente y eran a menudo escasas.

1545

Los cuartiles de la frecuencia de tallas para el stock occidental se presentan en la Figura 24 y la Tabla 18. Los diagramas a largo plazo tanto de Brasil como de Venezuela tenían una ligera variabilidad, pero en general eran muy planos y estables. Por otra parte, los datos japoneses indicaban una elevada variabilidad, un factor posiblemente atribuible a la distribución espacial del esfuerzo pesquero. La serie de Taipei Chino (1980-1983) era demasiado corta para sugerir una tendencia. Los cuartiles de la frecuencia de tallas para el stock oriental se presentan en la Figura 25 y la Tabla 19. En estos, los datos de las redes de enmalle de Côte d’Ivoire sugieren una ligera variabilidad en la fuerza de la clase anual, pero eran bastante estables durante el periodo 1984-2006. Los datos del palangre japonés eran muy variables para el periodo desde 1974 hasta 2005. Una vez más, esto podría estar asociado con la distribución espacial del esfuerzo pesquero. Los datos de las redes de enmalle de Ghana, del palangre brasileño y del palangre de Taipei Chino sugerían variabilidad de la clase anual, pero la serie temporal era demasiado corta para deducir ninguna tendencia. 3.4 Resumen de los resultados de la evaluación Es la primera vez que ICCAT ha podido realizar una evaluación completa de ambos stocks de pez vela del Atlántico mediante varios modelos y utilizando diferentes combinaciones de fuentes de datos. Está claro que sigue existiendo una considerable incertidumbre respecto a la situación de estos dos stocks, sin embargo, muchos resultados de los modelos de evaluación presentan pruebas de sobrepesca y de que estos stocks están sobrepescados, más en el Este que en el Oeste. Aunque algunos de los resultados sugieren un stock saludable en el Oeste, pocos sugieren lo mismo para el Este. El stock oriental ha resultado ser más productivo en la evaluación que el stock occidental, proporcionando probablemente un RMS mayor. Es probable que el stock oriental esté sufriendo mayor sobrepesca y lo más probable es que se haya reducido, más que el stock occidental, por debajo del nivel que produciría el RMS. Los puntos de referencia obtenidos con métodos sin basarse en modelos llegan a conclusiones similares. El examen de las tendencias recientes en la abundancia sugiere que ambos stocks, el del Este y el del Oeste, sufrieron sus mayores descensos en la abundancia antes de 1990 y, desde entonces, ninguna evidencia prueba un aumento, o descenso, en la abundancia de ninguno de ellos. En general, existe poca correlación entre los índices individuales para este periodo, aunque algunos índices individuales descienden o aumentan claramente. El examen de las frecuencias de talla disponibles proporciona resultados similares a los obtenidos previamente para los marlines, a saber, que las tallas medias o las distribuciones de talla no han cambiado mucho durante el periodo para el que existen observaciones, reduciendo así el valor de usar la talla como un indicador de la presión pesquera. 4. Implicaciones en cuanto a ordenación Los stocks de pez vela tanto del Este como del Oeste podrían haberse visto reducidos a tamaños inferiores a BRMS en años recientes, pero existe una incertidumbre considerable, especialmente para el Oeste, ya que varios ajustes del modelo de producción indicaron que la ratio de biomasa B/BRMS se sitúa tanto por encima como por debajo de 1,0. Los resultados para el stock oriental eran más pesimistas ya que más resultados indicaban que la reciente biomasa del stock está por debajo de BRMS. 4.1 Stock oriental El pez vela del Atlántico este parece haber descendido marcadamente desde los 70, alcanzando el punto más bajo a principios de los 90. La biomasa del stock muestra pocos signos de recuperación, si es que muestra alguno. El examen de las tendencias alisadas de la abundancia relativa individual para los años más recientes no revela un cambio coherente en la trayectoria reciente de la población. Basándose en la información disponible, el Grupo recomienda que las capturas se reduzcan respecto a los niveles actuales. Cabe señalar, no obstante, que los pescadores artesanales capturan una gran parte de la captura de pez vela a lo largo de la costa Oeste africana. La Comisión debería considerar métodos prácticos y alternativos para reducir la mortalidad por pesca y asegurar los sistemas de recopilación de datos y la comunicación oportuna de los datos de captura y esfuerzo.

1546

4.2 Stock occidental La evaluación actual del stock del Atlántico occidental sugiere que el stock descendió a lo largo de la serie temporal disponible pero que ha permanecido relativamente estable desde los 80. El examen de las tendencias alisadas en la serie temporal individual de abundancia relativa para los últimos 18 años indica diferencias entre las series temporales que alimentan la incertidumbre respecto a la trayectoria actual de este stock. Estas observaciones condujeron al Grupo a recomendar que las capturas de pez vela del Atlántico oeste no superen los niveles actuales. Cabe señalar, no obstante, que las pesquerías recreativas en esta zona son casi en su totalidad pesquerías de captura y liberación. Además, en años recientes este componente de la pesquería de pez vela ha ido adoptando tecnologías para minimizar la mortalidad de los peces vela liberados, incluso sin intervención de ordenación. Los desembarques comerciales están prohibidos en Estados Unidos. Además, los pescadores artesanales capturan una gran parte de la captura de pez vela del Oeste. 4.3 Otros asuntos La distribución del pez vela indica una concentración relativamente elevada que se extiendo en todo el Atlántico tropical, desde Brasil hasta la costa occidental de África. Esta banda relativamente continua sugiere firmemente un intercambio genético entre los stocks oriental y occidental, y podría también implicar que al menos parte de la biomasa de pez vela del stock oriental está respaldada por la producción del componente meridional del stock occidental en aguas de Brasil. No se sabe con certeza si esta conexión es lo suficientemente importante para que la mezcla entre el stock occidental y el stock oriental sea explícitamente considerada para fines de evaluación y ordenación. Sin embargo, la biomasa relativa actual del stock oriental parece ser inferior que la del stock occidental. Esta observación respalda la noción de que los dos stocks, occidental y oriental, deberían considerarse unidades de ordenación separadas. 5. Resumen ejecutivo de pez vela Este punto fue aplazado para ser tratado durante las reuniones de los Grupos de especies de 2009. 6. Otros asuntos El Grupo acordó que el trabajo de evaluación del stock de pez vela llevado a cabo durante la reunión se utilizara como base para el asesoramiento del SCRS de 2009 y, por lo tanto, no se llevarían a cabo más ensayos del modelo durante los Grupos de especies o las sesiones plenarias del SCRS. 7. Otros asuntos, todos los istiofóridos El Grupo examinó el progreso realizado en el plan de trabajo de istiofóridos así como en el Programa de investigación intensiva sobre marlines. Se hicieron sugerencias para modificar ambos. Se acordó circularlos después de la reunión a los científicos interesados, con el objetivo de discutirlos más a fondo durante el SCRS de 2009. 8. Adopción del informe y clausura El Informe fue adoptado por correspondencia. El Presidente dio las gracias a los participantes por el duro trabajo realizado y a los anfitriones de la reunión por el excelente apoyo logístico, tras ello, declaró clausurada la reunión. 9. Referencias Alio, J.J. and Marcano, L.A. 2001, Contrast between the trends of billfish abundance recorded from the sport

fishing activity off Playa Grande Yachting Club and from sport fishing tournaments in the central Venezuelan coast, during the period 1984-1999. Collect. Vol. Sci. Pap. ICCAT, 53: 291-297.

1547

Anon. 1994, Report of the Second ICCAT Billfish Workshop (Miami. Florida, July 22-29, 1992). Collect. Vol. Sci. Pap. ICCAT, 41: 13-166.

Anon. 2002, Report of the 2001 Billfish Species Group Session (Madrid, Spain, October 1 to 7, 2001). Collect.

Vol. Sci. Pap. ICCAT, 54(3): 649-754. Anon. 2007. Report of the 2007 Meeting of the Working Group on Stock Assessment Methods (Madrid, Spain,

March 19 to 23, 2007). Collect. Vol. Sci. Pap. ICCAT, 62(6): 1892-1972. Andrade, H.E. and Kinas, P.G. 2007, Decision analysis on the introduction of a new fishing fleet for skipjack

tuna in the Southwest Atlantic. Pan-American Journal of Aquatic Sciences (2007) 2 (2): 131-148. Arocha, F., Ortiz, M., Barrios, A., Debrot, D. and Marcano, L.A. 2009, catch rates for sailfish (Istiophorus

albicans) from the small-scale fishery off Guaira, Venezuela: Period 1991-2007. Collect. Vol. Sci. Pap., ICAT 64(6): 1844-1853.

Bayley, R.E., and Prince, E.D. 1994, Billfish tag-recapture rates in the western Atlantic and the ICCAT billfish

tagging program. Collect. Vol. Sci. Pap. ICCAT 42(2): 362-368. Beardsley, G.L. 1980, Size and possible origin of sailfish, Istiophorus platypterus, from the eastern Atlantic

Ocean. Fish. Bull., 78: 805-808. Conover, W.J. 1980, Practical Nonparametric Statistics John Wiley and Sons, New York. 493 pp. Goodyear P. 2003, Biological reference points without models. Collect. Vol. Sci. Pap. ICCAT, 55(2): 633-648 Graves, J.E. and J.R. McDowell. 1994. Genetic analysis of billfish population structure. Report of the second

ICCAT Billfish Workshop. Collect. Vol. Sci. Pap. ICCAT, 41: 505-515. Mourato, B.L., Hazin, H.G., Lima, C.W., Travassos, P., Arfelli, C.A., Amorim, A.F., Hazin, F.H.V. 2009, Catch

possibilities of sailfish (Istiophorus platypterus) based on environmental factors in the southwestern Atlantic Ocean. In review. Aqua. Liv. Res. 31 pp.

Mourato, B.L., Amorim, A.F., Arfelli, C.A., Hazin, H.G., Hazin, F.H.V., Wor, C. 2009, Standardized CPUE of

Atlantic sailfish (Istiophorus platypterus) caught by the recreational fishery in southern Brazil (1996-2007). Collect. Vol. Sci. Pap. ICCAT, 64(6): 1941-1950.

Orbesen, E.S., Hoolihan, J.P., Serafy, J.E., Snodgrass, D., Peel, E.M. and Prince, E.D. 2008, Transboundary

movement of Atlantic istiophorid billfishes among international and U.S. domestic management areas inferred from mark-recapture studies. Mar. Fish. Rev., 70(1): 14-23.

Orbesen, E.S., Snodgrass, D., Hoolihan, J. P. and Prince, E.D. 2010, Updated U.S. conventional tagging database

for Atlantic sailfish (1956-2009), with comments on potential stock structure. Collect. Vol. Sci. Pap. ICCAT, 65. In press. (SCRS/2009/047).

Prager, M.H. 1994, A suite of extensions to a non-equilibrium surplus-production model. Fish. Bull. 92: 374-

389. Prince, E.D., and Goodyear, C.P. 2006, Hypoxia based habitat compression of tropical pelagic fishes. Fish.

Oceanogr. 15: 451-464. Yokawa, K., Takeuchi, Y. 2002, Standardization of CPUE for sailfish caught by Japanese longline in the

Atlantic Ocean. Collect. Vol. Sci. Pap, 54(3): 817-825.

1548

TABLEAUX

Tableau 1. Proportion nominale de voiliers dans le regroupement de voiliers-makaires bécunes par 5º de latitude et de longitude pour toutes les flottilles palangrières et années combinées pour lesquelles les espèces ont été identifiées séparément: a), pourcentage de voiliers, b), nombre total d’observations, toutes les flottilles toutes les années.

Tableau 2. Prise totale (t) de voiliers (SAI) makaires bécunes (SPF) par 5x5º, toutes les flottilles palangrières combinées, estimées d’après la base de données CATDIS de l’ICCAT.

Tableau 3. Proportion du ratio d’échantillonnage (nombre d’observations par tonne de prises de SAI+SPF des flottilles palangrières) pour estimer les ratios de SAI/SPF par carrés de 5x5º. Il est à noter que dans cette estimation du ratio d’échantillonnage la prise du carré de latitude 0 et de longitude 0 a été exclue, se référant probablement à une localisation inconnue pour la prise déclarée.

Tableau 4. Prises (t) de voilier (SAI) et de makaire bécune (SPF) par stock (Est=E et Ouest = W) calculées pour les flottilles palangrières du Taïpei chinois, du Japon et de la Corée d’après les prises regroupées déclarées de voilier/makaire bécune et en utilisant les ratios estimés d’après l’ajustement des données des nombres comptabilisés par les observateurs au modèle binomial présenté à l’Appendice 5.

Tableau 5. Prises estimées (t) de voilier de l’Atlantique (Istiophorus albicans) par stock (Est et Ouest) et pavillon. Les pavillons mixtes représentent les navires de l’UE France et Espagne.

Tableau 6. Indices de CPUE disponibles pour l’évaluation du voilier.

Tableau 7. Indices standardisés de l’abondance pour le stock de l’Ouest du voilier. Les indices sont dénommés comme suit: USLL1 = observateurs de la palangre des Etats-Unis, USLL2 = livres de bord de la palangre des Etats-Unis (kg), USLL3 = nombres de poissons consignés dans les libres de bord de la palangre des Etats-Unis, USRR1 = tournois de la pêcherie récréative des Etats-Unis (RBS), USRR2 = enquêtes de la pêcherie récréative des Etats-Unis (MRFSS), VENRR = pêcherie récréative du Venezuela, VENGL = pêcherie de filet maillant du Venezuela, BRZLL = palangre brésilienne, BRZ = pêcherie récréative brésilienne, JPNLL1 = palangre japonaise première période, JPNLL2 = palangre japonaise période récente, JPNLL3 = palangre japonaise de la Tâche II.

Tableau 8. Indices standardisés de l’abondance pour le stock de l’Est du voilier. Voir le texte pour la description de chaque indice. Les indices sont dénommés comme suit: CIVAR = pêcherie artisanale de Côte d’Ivoire, SENAR, pêcherie artisanale du Sénégal, JPNLL1 = palangre japonaise première période, JPNLL2 = palangre japonaise période récente, JPNLL3 = palangre japonaise de la Tâche II, KORLL = palangre coréenne.

Tableau 9. Indices d’abondance combinés estimés pour les stocks de l’Est et de l’Ouest. Les indices diffèrent en raison de la différente pondération utilisée dans le processus de combinaison: “pondéré à la capture ” correspond à une pondération proportionnelle à la prise déclarée associée à la flottille correspondant à l’indice, “pondéré à la zone ” à une pondération proportionnelle à la zone de la pêcherie mesurée par le nombre de carrés de 5º dans lesquelles une prise a été déclarée pour la flottille associée à l’indice.

Tableau 10. Paramètres de gestion obtenus de différents cas ajustés à ASPIC pour les stocks de l’Est et de l’Ouest du voilier de l’Atlantique. Les valeurs affichées correspondent aux estimations qui n’ont pas été obtenues par bootstrap de la PME (t), le ratio de la dernière mortalité par pêche de 2007 par rapport à la mortalité par pêche correspondant à la PME, et le ratio de l’estimation la plus récente de la biomasse de 2006 par rapport à la biomasse correspondant à la PME. Pour les ajustements par boostrap, les percentiles de 50ème, 25 ème et 75 ème sont présentés. La description des cas est incluse à l’Appendice 9.

Tableau 11. Résultats des modèles de production sous EXCEL. Estimations de l’état actuel du stock de l’Ouest, en postulant différentes fonctions de production excédentaire de Schaefer ou de Fox et en utilisant différentes options de pondération pour l’indice combiné de CPUE.

Tableau 12. Modèle de production bayésien pour le stock de l’Ouest. Résumé des estimations à posteriori, telles que calculées en utilisant des distributions à priori informatives et non-informatives.

Tableau 13. Modèle de production bayésien pour le stock de l’Est. Résumé des estimations à posteriori, telles que calculées en utilisant des distributions à priori informatives et non-informatives.

Tableau 14. Description des scénarios du modèle de production exclus des analyses sur la base des valeurs extrêmes de r ou de K. Les indices représentés sont les suivants: CAW= indice combiné pondéré à la zone, CCW= indice combiné pondéré à la capture, CUW= indice combiné non-pondéré, JAPLL1 = palangre japonaise première période, JAPLL2 = palangre japonaise période récente, JAPLL3 = palangre japonaise de la Tâche II, CIVAR = pêcherie artisanale de Côte d’Ivoire, SENAR = pêcherie artisanale du Sénégal, GHNGL = pêcherie de

1549

filet maillant du Ghana, USLL2 = livres de bord de la palangre des Etats-Unis (kg), USRR1 = tournois de la pêcherie récréative des Etats-Unis (RBS), USRR2 = enquêtes de la pêcherie récréative des Etats-Unis (MRFSS), VENRR = pêcherie récréative du Venezuela, VENGL = pêcherie de filet maillant du Venezuela, BRZLL = palangre brésilienne, BRZ = pêcherie récréative brésilienne, KORLL= palangre coréenne, TAILL = palangre du Taïpei chinois. * JAPLL1 & JLL2 combiné en un seul indice.

Tableau 15. Indices de CPUE mis à l’échelle, disponibles pour l’estimation des récentes tendances d’abondance, 1990-2007.

Tableau 16. Estimations de Pearson du coefficient de corrélation r au-dessus de la diagonale et valeurs de probabilité p en-deçà de la diagonale entre les indices disponibles pour le stock Est et Ouest pour 1990-2007. Les valeurs p représentent la probabilité que r=0. Les indices ombrés correspondent au stock Est.

Tableau 17. Estimations de B/BPME pour divers traitements de la série temporelle de CPUE combinée pour le voilier de l’Atlantique Est et Ouest en utilisant la méthode présentée dans Goodyear (2003).

Tableau 18. SAI-Ouest: Statistiques des fréquences des tailles, quartile de 75%, médiane et quartile de 25% par année, 1971-2007, capturées par la flottille palangrière brésilienne, la flottille palangrière japonaise, la flottille palangrière du Taïpei chinois, la flottille palangrière japonaise en haute mer, la flottille artisanale du Venezuela et la flottille de filet maillant du Venezuela. Les tailles sont exprimées en longueur maxillaire inférieur-fourche (cm).

Tableau 19. SAI-Est: Statistiques des fréquences des tailles, quartile de 75%, médiane et quartile de 25% par année, 1974-2007 capturées par la flottille palangrière brésilienne, la flottille de filet maillant de Côte d’Ivoire, la flottille palangrière du Taïpei chinois, la flottille de filet maillant du Ghana et la flottille palangrière japonaise. Les tailles sont exprimées en longueur maxillaire inférieur-fourche (cm).

TABLAS

Tabla 1. Proporción nominal de pez vela en la agregación de pez vela-Tetrapturus spp. por 5 grados de latitud y longitud para todas las flotas de palangre y todos los años combinados para los que las especies fueron identificadas por separado: a) porcentaje de pez vela, b) número total de observaciones, todas las flotas y todos los años.

Tabla 2. Captura total (t) de SAI+SPF por cuadrículas de 5x5, todas las flotas de palangre combinadas, estimadas a partir de la base de datos de CATDIS de ICCAT.

Tabla 3. Proporción de la ratio de muestreo (número de observaciones por tonelada de captura de SAI+SPF de las flotas de palangre) para estimar las ratios SAI/SPF por cuadrículas de 5x5. Cabe señalar que en esta estimación de la ratio de muestreo fue excluida la captura de la cuadrícula lat 0 y lon 0, ya que probablemente se refiere a una ubicación desconocida para la captura declarada.

Tabla 4. Capturas (t) de pez vela (SAI) y Tetrapturus spp. (SPF) por stock (Este=E y Oeste=W) calculadas para las flotas de palangre de Taipei Chino, Japón y Corea a partir de la captura agregada declarada de pez vela/ Tetrapturus spp. y utilizando las ratios estimadas a partir del ajuste de los datos de recuento de los observadores al modelo binomial presentado en el Apéndice 5.

Tabla 5. Capturas estimadas (t) de pez vela del Atlántico (Istiophorus albicans) por stock (Este y Oeste) y pabellón. Los pabellones mezclados representan buques de CE-Francia y CE-España.

Tabla 6. Índices de CPUE disponibles para la evaluación de pez vela.

Tabla 7. Índices de abundancia estandarizados para el stock occidental de pez vela. Los índices se denominan: USLL1 = observadores de palangre estadounidense, USLL2 = cuadernos de pesca de palangre estadounidense (kg), USLL3 = cuadernos de pesca de palangre estadounidense (número de peces), USRR1 = principales torneos recreativos estadounidenses (RBS), USRR2 = encuestas recreativas estadounidenses (MRFSS), VENRR = recreativo de Venezuela, VENGL = redes de enmalle de Venezuela, BRZLL = palangre de Brasil, BRZ = recreativo de Brasil, JPNLL1 = palangre japonés periodo inicial, JPNLL2 = palangre japonés periodo reciente, JPNLL3 = palangre japonés de Tarea II.

Tabla 8. Índices de abundancia estandarizados para el stock oriental de pez vela. Consultar el texto para la descripción de cada índice. Los índices se denominan: CIVAR = artesanal de Côte d’Ivoire, SENAR= artesanal de Senegal, JPNLL1 = palangre japonés periodo inicial, JPNLL2 = palangre japonés periodo reciente, JPNLL3 = palangre japonés de Tarea II, KORLL = palangre de Corea.

1550

Tabla 9. Índices de abundancia combinados estimados para los stocks del Este y el Oeste. Los índices son distintos a causa de la diferente ponderación utilizada en el proceso de combinación: “ponderado por captura” corresponde a una ponderación proporcional a la captura declarada asociada con la flota que corresponde al índice, “ponderada por área” a una ponderación proporcional al área de la pesquería medida por el número de cuadrículas de 5 grados en las que la captura fue declarada para la flota asociada con el índice.

Tabla 10. Parámetros de ordenación obtenidos a partir de diferentes casos ajustados a ASPIC para los stocks occidental y oriental de pez vela del Atlántico. Los valores mostrados corresponden a estimaciones no obtenidas por bootstrap de RMS (t), la ratio entre la última mortalidad por pesca, 2007, la mortalidad por pesca en RMS, la ratio entre la estimación más reciente de biomasa, 2006, y la biomasa en RMS. Para los ajustes hechos con bootstrap, se muestran los percentiles 50, 25 y 75. La descripción de los casos se facilita en el Apéndice 9.

Tabla 11. Resultados de los modelos de producción de EXCEL. Estimaciones actuales de la situación del stock occidental asumiendo diferentes funciones de producción excedente Schaefer o Fox y utilizando diferentes opciones de ponderación para el índice de CPUE combinado.

Tabla 12. Modelo de producción bayesiano para el stock occidental. Resumen de las estimaciones posteriores calculadas utilizando distribuciones previas informativas y no informativas.

Tabla 13. Modelo de producción bayesiano para el stock oriental. Resumen de las estimaciones posteriores calculadas utilizando distribuciones previas informativas y no informativas.

Tabla 14. Descripción de los ensayos del modelo de producción excluidos de los análisis en base a valores extremos estimados para r o K. Los índices representados son: CAW = índice combinado ponderado por área, CCW= índice combinado ponderado por captura, CUW = índice combinado sin ponderar, JAPLL1 = palangre japonés periodo inicial, JAPLL2 = palangre japonés periodo reciente, JAPLL3 = palangre japonés de Tarea II, CIVAR = artesanal de Côte d’Ivoire, SENAR = artesanal de Senegal, GHNGL = redes de enmalle de Ghana, USLL2 = cuadernos de pesca de palangre estadounidense (kg), USRR1 = torneos recreativos estadounidenses (RBS), USRR2 = encuestas recreativas estadounidenses (MRFSS), VENRR = recreativo de Venezuela, VENGL = redes de enmalle de Venezuela, BRZLL = palangre de Brasil, BRZ = recreativo de Brasil, KORLL= palangre de Corea, TAILL = palangre de Taipei Chino. * JAPLL1 & JLL2 combinados como un índice único.

Tabla 15. Índices de CPUE escalados disponibles para la estimación de las tendencias de abundancia reciente para 1990-2007.

Tabla 16. Estimaciones de Pearson del coeficiente de correlación r por encima de la diagonal y valores de probabilidad p o por debajo de la diagonal entre los índices disponibles para el stock occidental y oriental para 1990-2007. Los valores p representan la probabilidad de que r = 0. Los índices sombreados corresponden al stock oriental.

Tabla 17. Estimaciones de B/BRMS para varios tratamientos de la serie temporal de CPUE combinada para el pez vela del Atlántico este y oeste utilizando el método presentado en Goodyear (2003).

Tabla 18. SAI-Oeste: estadísticas de frecuencia de tallas del cuartil del 75%, la mediana y el cuartil del 25% por año para 1971-2007 capturadas por la flota de palangre brasileño, la flota de palangre japonés, la flota de palangre de Taipei Chino, la flota de palangre japonesa de aguas distantes, la flota artesanal de Venezuela y la flota de redes de enmalle de Venezuela. Las tallas están en longitud mandíbula inferior a la horquilla (cm).

Tabla 19. SAI-Este: estadísticas de frecuencia de tallas del cuartil del 75%, la mediana y el cuartil del 25% por año para 1974-2007 capturadas por la flota de palangre brasileño, la flota de redes de enmalle de Côte d’Ivoire, la flota de palangre de Taipei Chino, la flota de redes de enmalle de Ghana y la flota de palangre japonesa. Las tallas están en longitud mandíbula inferior a la horquilla (cm).

FIGURES

Figure 1. Ratios de voiliers/voiliers+makaires-bécunes pour la Corée, estimés d’après les données des observateurs. Les ratios sont estimés avec un modèle GLM qui regroupe les données temporelles et utilise les facteurs suivants: trimestre, flottille, zone (côte-océan) et distance à partir de 5º nord de latitude. Les données trimestrielles n’étaient pas disponibles pour la Corée au moment de l’analyse.

Figure 2. Ratios de voiliers/voiliers+makaires-bécunes pour le Japon, estimés d’après les données des observateurs. Les ratios sont estimés avec un modèle GLM qui regroupe les données temporelles et utilise les facteurs suivants: trimestre, flottille, zone (côte-océan) et distance à partir de 5º nord de latitude. Les données trimestrielles n’étaient pas disponibles pour le Japon au moment de l’analyse.

1551

Figure 3. Ratios de voiliers/voiliers+makaires-bécunes pour le Taïpei chinois, obtenus d’après les données estimées. Les ratios sont estimés avec un modèle GLM qui regroupe les données temporelles et utilise les facteurs suivants: trimestre, flottille, zone (côte-océan) et distance à partir de 5º nord de latitude. Chaque cercle dans un carré représente les estimations pour chaque trimestre.

Figure 4. Prises totales de voilier estimées pour chaque stock. Les estimations incluent les prises des flottilles palangrières qui ont été séparées de celles de makaires-bécunes.

Figure 5. Indices d’abondance relative obtenus en standardisant les données de CPUE de diverses flottilles. Tous les indices ont été mis à l’échelle à la moyenne de chaque série avant la représentation graphique.

Figure 6. Indices d’abondance combinés estimés pour a) le stock de l’Ouest et b) le stock de l’Est. Les indices diffèrent en raison de la différente pondération utilisée dans le processus de combinaison: “pondéré à la capture ” correspond à une pondération proportionnelle à la prise déclarée associée à la flottille correspondant à l’indice, “pondéré à la zone ” à une pondération proportionnelle à la zone de la pêcherie (mesurée par le nombre de carrés de 5º) dans lesquelles une prise a été déclarée pour la flottille associée à l’indice.

Figure 7. Résultats de l’ajustement du modèle ASPIC du cas F2 pour le stock de l’Est. Chaque panneau correspond à l’ajustement du modèle de chaque indice de CPUE, en haut à gauche, LL1 JAP et LL2 JAP, en haut à droite, ART CIV, en bas à gauche ART SEN et en bas à droite GIL GHA.

Figure 8. Résultats de l’ajustement du modèle ASPIC du cas O9 pour le stock de l’Ouest, à tous les indices disponibles. Les tendances temporelles des ratios de pêche et de biomasse sont représentées dans un diagramme à phases indiquant lorsque les points de référence de surpêche ou de situation surpêchée sont atteints. Les nombres près des losanges indiquent l’année de l’estimation.

Figure 9. Résultats de l’ajustement du modèle ASPIC du cas O9 pour le stock de l’Ouest (ligne du haut) et du cas O7 pour le stock Est (ligne du bas). Distribution de probabilité et distribution cumulative (cercles) pour la dernière année (2008) des taux totaux de biomasse du stock (panneau de gauche) et de mortalité par pêche (panneau de droite). La description des cas est incluse à l’Appendice 9.

Figure 10. Résultats de l’ajustement du modèle ASPIC du cas O7 pour le stock de l’Est. Les contours représentent des quantiles de densité non-paramétriques de 500 scénarios par bootstrap, les points pour chaque scénario sont également affichés. Panneau de gauche : ratios de mortalité par pêche et de biomasse, panneau de droite : mortalité par pêche et biomasse correspondant à la PME. La description des cas est incluse à l’Appendice 9.

Figure 11. Résultats du modèle de production pour les données de l’Atlantique Ouest (indice combiné, pondéré à la capture) ajustés avec EXCEL. Les résultats montrent les trajectoires de F/FPME (ligne du haut) ou de B/BPME (ligne du bas). A gauche : résultats du modèle de Schaefer, à droite : résultats du modèle de Fox. Chaque panneau montre les ajustements obtenus avec une pondération égale des observations de la CPUE ou avec une pondération inverse des données historiques.

Figure 12. Modèle de production de type bayésien, distributions à priori marginales pour r, k et q. Les lignes en pointillé représentent les distributions à priori non-informatives, les lignes pleines représentent les distributions à priori informatives.

Figure 13. Modèle de production de type bayésien, indices et profils de biomasse, calculés en utilisant des distributions à priori informatives (ligne du haut) et des distributions à priori non-informatives (ligne du bas) pour le stock de l’Ouest.

Figure 14. Modèle de production de type bayésien, indices et profils de biomasse, calculés en utilisant des distributions à priori informatives (ligne du haut) et des distributions à priori non-informatives (ligne du bas) pour le stock de l’Est.

Figure 15. Incertitude dans les estimations de r et de K pour divers cas de modèles de production, qui diffèrent en fonction de la combinaison du modèle/données utilisée. Trois cas ayant produit des estimations de r de 4 ou une estimation de K de près de 900.000 t sont exclus de ce graphique. En outre, les cas indiqués par des couleurs vives représentent les cas additionnels non pris en compte dans les analyses ultérieures car les valeurs de r étaient soient inférieures à 0,01 soit supérieures à 0,9.

Figure 16. Incertitude dans les estimations de K et de la PME pour divers cas de modèles de production, qui diffèrent en fonction de la combinaison du modèle/données utilisée.

Figure 17. Incertitude dans les estimations des ratios de biomasse et de mortalité par pêche récents pour divers cas de modèles de production, qui diffèrent en fonction de la combinaison du modèle/données utilisée.

1552

Figure 18. Résultats de l’ajustement ASPIC du cas O9. Estimations par boostrap des ratios de biomasse et de mortalité par pêche de l’année terminale avec la valeur de la médiane (cercle rouge).

Figure 19. Tendances de l’abondance récente (1990-2007) d’après les indices de CPUE disponibles. a) stock de l’Ouest b) stock de l’Est. La colonne à gauche représente les indices mis à l’échelle, la colonne à droite représente les même indices mais avec lissage par LOESS.

Figure 20. Ajustements du modèle additif généralisé des indices de CPUE disponibles pour le SAI-Ouest (1990-2007).

Figure 21. Ajustements du modèle additif généralisé des indices de CPUE disponibles pour le SAI-Est (1990-2007).

Figure 22. Intervalles de confiance estimés pour la médiane des ratios de CPUE, par rapport à l’année standard 2000 pour le SAI-Ouest.

Figure 23. Intervalles de confiance estimés pour la médiane des ratios de CPUE, par rapport à l’année standard 2000 pour le SAI-Est.

Figure 24. SAI-Ouest: statistiques de fréquence de tailles – quartile de 75%, médiane, quartile de 25% - capturées dans l’Océan Atlantique (1971-2007) par les flottilles palangrières en haute mer du Brésil, du Japon, du Taïpei chinois ainsi que par la flottille artisanale du Venezuela et la flottille de filet maillant du Venezuela. Les tailles sont exprimées en longueur maxillaire inférieur-fourche (cm).

Figure 25. SAI-Est: statistiques de fréquence des tailles – quartile de 75%, médiane, quartile de 25% - capturées dans l’Océan Atlantique (1971-2007) par les flottilles palangrières du Brésil, du Japon, du Taïpei chinois ainsi que par les flottilles de filet maillant du Ghana et de la Côte d’Ivoire. Les tailles sont exprimées en longueur maxillaire inférieur-fourche (cm).

FIGURAS

Figura 1. Ratios de pez vela/(pez vela+ Tetrapturus spp.) para Corea estimadas a partir de datos de observadores. Las ratios se han estimado con un GLM que agrega los datos temporales y utiliza los siguientes factores: trimestre, flota, área (costera-oceánica) y distancia desde la latitud 5 grados Norte. En el momento del análisis no había disponibles datos trimestrales para Corea.

Figura 2. Ratios de pez vela/(pez vela+ Tetrapturus spp.) para Japón estimadas a partir de datos de observadores. Las ratios se han estimado con un GLM que agrega los datos temporales y utiliza los siguientes factores: trimestre, flota, área (costera-oceánica) y distancia desde la latitud 5 grados Norte. En el momento del análisis no había disponibles datos trimestrales para Japón.

Figura 3. Ratios de pez vela/(pez vela+ Tetrapturus spp.) para Taipei Chino obtenidas a partir de datos estimados. Las ratios se han estimado con un GLM que agrega los datos temporales y utiliza los siguientes factores: trimestre, flota, área (costera-oceánica) y distancia desde la latitud 5 grados Norte. Cada círculo dentro de una cuadrícula representa las estimaciones para cada trimestre.

Figura 4. Capturas totales de pez vela estimadas para cada stock. Las estimaciones incluyen las capturas de las flotas de palangre que fueron separadas de las de Tetrapturus spp.

Figura 5. Índices de abundancia relativa obtenidos estandarizando los datos de CPUE para diversas flotas. Todos los índices fueron escalados a la media de cada serie antes de hacer los gráficos.

Figura 6. Índices de abundancia combinados estimados para el stock: a) occidental y b) oriental. Los índices son distintos a causa de la diferente ponderación utilizada en el proceso de combinación: “ponderada por captura” corresponde a una ponderación proporcional a la captura declarada asociada con la flota que corresponde al índice, “ponderada por área” corresponde a una ponderación proporcional al área de la pesquería (medida por el número de cuadrículas de 5 grados) en las que la captura fue declarada para la flota asociada con el índice.

Figura 7. Resultados del ajuste de ASPIC del caso F2 para el stock oriental. Cada panel corresponde al ajuste del modelo a cada uno de los índices de CPUE, arriba a la izquierda, Japan LL1 y Jap LL2, arriba a la derecha, CIV ART, abajo a la izquierda, SEN ART, y abajo a la derecha, GHA GIL.

Figura 8. Resultados del ajuste de ASPIC del caso O9 para el ajuste del stock occidental a todos los índices disponibles. Tendencias en el tiempo de las ratios de pesca y biomasa representadas en un diagrama de fase que indica cuando se han alcanzado los puntos de referencia de sobrepesca y sobrepescado. Los números cercanos a los rombos indican el año de la estimación.

1553

Figura 9. Resultados del ajuste de ASPIC del caso O9 para el stock occidental (fila superior) y del O7 para el stock oriental (fila inferior). Distribución de probabilidad y distribución acumulativa (círculos) para el último año (2008) de la biomasa total del stock (panel izquierdo) y tasas de mortalidad por pesca (panel derecho). La descripción de los casos se facilita en el Apéndice 9.

Figura 10. Resultados del ajuste de ASPIC del caso O7 para el stock oriental. Los contornos representan los cuantiles de densidad no paramétrica de los 500 ensayos de bootstrap. También se muestran los puntos para cada uno de los ensayos. Panel izquierdo: ratios de mortalidad por pesca y biomasa, panel derecho: mortalidad por pesca y biomasa en RMS. La descripción de los casos se facilita en el Apéndice 9.

Figura 11. Resultados del modelo de producción para los datos del Atlántico occidental (índice combinado, ponderado por captura) ajustados con Excel. Los resultados muestran bien las trayectorias de F/FRMS (fila superior) o B/BRMS (fila inferior). A la izquierda están los resultados para un modelo Schaefer, y a la derecha los resultados para un modelo Fox. Cada panel muestra los ajustes obtenidos bien con una ponderación igual de las observaciones de CPUE o con una subponderación de los datos históricos.

Figura 12. Modelo de producción bayesiano, distribuciones previas marginales para r, k y q. Las líneas discontinuas representan las distribuciones previas no informativas mientras que las líneas continuas representan las informativas.

Figura 13. Modelo de producción bayesiano, índices y perfiles de biomasa calculados utilizando distribuciones previas informativas (fila superior) y no informativas (fila inferior) para el stock occidental.

Figura 14. Modelo de producción bayesiano, índices y perfiles de biomasa calculados utilizando distribuciones previas informativas (fila superior) y no informativas (fila inferior) para el stock oriental.

Figura 15. Incertidumbre en las estimaciones de r y K para los diferentes casos de los modelos de producción que difieren según la combinación modelo/datos utilizada. Tres casos que produjeron estimaciones de r de 4 o una estimación de K de casi 900.000 t han sido excluidos de este gráfico. Además, los casos representados por colores claros representan casos adicionales no considerados en análisis posteriores porque los valores de r eran inferiores a 0,01 o superiores a 0,9.

Figura 16. Incertidumbre en las estimaciones de K y RMS para diferentes casos de los modelos de producción que difieren según la combinación modelo/datos utilizada.

Figura 17. Incertidumbre en las estimaciones de las recientes ratio de biomasa y ratio de mortalidad por pesca para diferentes casos de los modelos de producción que difieren según la combinación modelo/datos utilizada.

Figura 18. Resultados del ajuste de ASPIC del caso O9. Estimaciones de bootstrap de las ratios de biomasa y mortalidad por pesca del año terminal con el valor de la mediana (círculo rojo).

Figura 19. Tendencias en la abundancia reciente (1990-2007) de acuerdo con los índices de CPUE disponibles. A) Stock occidental y B) stock oriental. La columna izquierda representa los índices escalados, la columna derecha representa los mismos índices pero alisados mediante LOESS.

Figura 20. Ajustes del modelo aditivo generalizado de los índices de CPUE disponibles de SAI-Oeste (1990-2007).

Figura 21. Ajustes del modelo aditivo generalizado de los índices de CPUE disponibles de SAI-Este (1990-2007).

Figura 22. Intervalos de confianza estimados para la mediana de las ratios de CPUE, relativos al año estándar 2000 para SAI-Oeste.

Figura 23. Intervalos de confianza estimados para la mediana de las ratios de CPUE, relativos al año estándar 2000 para SAI-Este.

Figura 24. SAI-Oeste: estadísticas de frecuencia de tallas del cuartil del 75%, la mediana y el cuartil del 25% capturadas en el Atlántico (1971-2007) por las flotas de palangre de Brasil, Japón, Taipei Chino y de aguas distantes de Japón, y las flotas artesanal y de redes de enmalle de Venezuela. Las tallas están en longitud mandíbula inferior a la horquilla (cm).

Figura 25. SAI-Este: estadísticas de frecuencia de tallas del cuartil del 75%, la mediana y el cuartil del 25% capturadas en el Atlántico (1971-2007) por las flotas de palangre de Brasil, Japón, Taipei Chino, y las flotas de redes de enmalle de Ghana y Côte d’Ivoire. Las tallas están en longitud mandíbula inferior a la horquilla (cm).

1554

APPENDICES

Appendice 1. Ordre du jour

Appendice 2. Liste des participants

Appendice 3. Liste des documents

Appendice 4. Plan de travail pour les istiophoridés

Appendice 5. Modèle Linéaire Généralisé pour le ratio de voiliers-makaires bécunes dans les prises palangrières de l’Atlantique

Appendice 6. Analyses des données de CPUE pour plusieurs pêcheries palangrières

Appendice 7. Calcul de la CPUE standardisée de la pêcherie du Ghana

Appendice 8. Modèle de production de type bayésien pour le voilier de l’Atlantique

Appendice 9. Modèles de production pour les stocks de l’Est et de l’Ouest de l’Atlantique avec des modèles ASPIC

APÉNDICES

Apéndice 1. Orden del día

Apéndice 2. Lista de participantes

Apéndice 3. Lista de documentos

Apéndice 4. Plan de trabajo de istiofóridos

Apéndice 5. Modelo lineal generalizado para la ratio entre pez vela y Tetrapturus spp. en las capturas de palangre del Atlántico

Apéndice 6. Análisis de los datos de CPUE para diversas pesquerías de palangre

Apéndice 7. Cálculo de una CPUE estandarizada para la pesquería de Ghana

Apéndice 8. Modelo de producción bayesiano para el pez vela del Atlántico

Apéndice 9. Modelos de producción para los stocks del Atlántico oriental y occidental con modelos ASPIC

1555

Table 1. Nominal proportion of sailfish in the sailfish-spearfish aggregate by 5 degrees of latitude and longitude for all longline fleets and years combined where the species were identified separately: a), percentage sailfish, b), total number of observations, all fleets all years.

a)

Average of Lon5Lat5 ‐95 ‐90 ‐85 ‐80 ‐75 ‐70 ‐65 ‐60 ‐55 ‐50 ‐45 ‐40 ‐35 ‐30 ‐25 ‐20 ‐15 ‐10 ‐5 0 5 10 15

45 0% 0% 0%40 0% 0% 0% 0% 0% 0%35 100% 58% 27% 0% 0% 0% 0% 0% 0% 0% 0%30 94% 11% 42% 0% 0% 2% 2% 0% 17% 2% 0%25 100% 95% 92% 100% 93% 7% 56% 3% 2% 4% 2% 0% 4% 0% 4% 60% 0%20 78% 50% 100% 83% 34% 19% 2% 34% 28% 0% 7% 12% 11% 19% 19%15 100% 19% 21% 27% 30% 4% 2% 2% 29% 40% 62% 58%10 98% 93% 34% 69% 69% 69% 58% 51% 6% 21% 41% 91% 94% 97%5 99% 95% 85% 82% 65% 78% 57% 68% 87% 96% 99% 100%0 100% 100% 90% 88% 63% 66% 81% 66% 71% 96% 86% 100% 100%‐5 100% 70% 70% 65% 57% 72% 82% 81% 99% 100%

‐10 26% 50% 47% 46% 41% 21% 25% 34% 89% 100%‐15 0% 58% 44% 58% 33% 44% 100% 11% 35% 50%‐20 0% 0% 49% 31% 21% 0% 0% 31% 11%‐25 33% 2% 50% 4% 2% 0% 25% 0% 0% 11% 20% 97%‐30 11% 0% 33% 0% 0% 50% 0% 0%‐35 0% 0% 100% 100% 0%‐40 100%‐50 100%

1556

b)

um of Nfish Lon5Lat5 ‐95 ‐90 ‐85 ‐80 ‐75 ‐70 ‐65 ‐60 ‐55 ‐50 ‐45 ‐40 ‐35 ‐30 ‐25 ‐20 ‐15 ‐10 ‐5 0 5 10 15

555045 12 28 140 1 1 3 4 4 135 2 50 244 59 5 6 1 4 10 3 430 358 613 12 6 833 391 221 11 4 59 125 114 755 198 18 345 2938 1581 2065 246 161 185 76 82 7 23 20 1320 9 4 29 22 129 358 25 37 18 119 103 50 58 357 9515 23 408 518 86 189 268 196 182 941 909 208 42310 83 1367 235 1468 435 559 182 78 473 483 1010 915 930 3385 89 213 440 538 530 523 502 678 1416 2879 1664 220 0 1 219 856 14262 9193 2287 1134 2872 2237 3265 8290 393 1‐5 4 2850 1038 3011 2671 1481 2653 2378 728 181

‐10 0 34 469 367 245 483 596 882 795 1075 434‐15 10 370 1236 161 28 128 17 582 357 23‐20 1 4 46 475 71 35 18 55 44‐25 10 33 22 42 51 2 40 17 2 249 50 65‐30 33 34 4 6 0 0 0 4 8 4 12‐35 4 22 9 0 0 0 8 20‐40 20‐45‐50 1

1557

Table 2. Total catch (t) of SAI+SPF by 5x5 degree, all longline fleets combined, estimated from the CATDIS ICCAT database.

of Catch_t lonLat ‐95 ‐90 ‐85 ‐80 ‐75 ‐70 ‐65 ‐60 ‐55 ‐50 ‐45 ‐40 ‐35 ‐30 ‐25 ‐20 ‐15 ‐10 ‐5 0 5 10 15

55 1350 0 045 1 0 0 0 0 7 740 1 2 7 3 8 2 6 6 4 1 4 10 10 135 211 71 43 22 3 1 1 3 37 5 1 14 10 5 830 143 1258 26 128 27 14 12 15 10 7 11 29 10 2 6 2 3 125 1628 177 356 4303 575 8 8 10 7 11 8 13 10 30 2 3 4 120 109 186 114 2672 5 29 133 28 17 45 9 15 14 6 11 15 2615 12 18 48 36 27 17 760 77 15 14 34 35 77 38 40 69 966110 107 180 890 921 5533 230 81 49 45 263 284 221 176 1863 516 05 32 123 3 209 317 352 257 152 254 269 374 785 878 1 440 0 225 660 943 745 458 388 1954 1859 1353 37852 3365 197 1‐5 0 1 4 856 691 324 472 262 274 677 405 283 1‐10 148 692 760 833 1216 292 79 291 74 76‐15 244 297 719 728 732 436 21 335 28 96‐20 199 2840 460 214 201 329 157 117 26 152 82 142‐25 659 519 272 84 35 6 19 9 11 17 74 125 1‐30 82 60 19 27 12 42 32 6 7 26 399 82 60 21‐35 1 3 5 71 11 13 5 12 2 1 0 10 66 56 149‐40 0 0 0 0‐45

1558

Table 3. Sampling ratio (number of observations per ton of catch SAI+SPF from longline fleets) proportion to estimate the SAI/SPF ratios by 5x5 degree squares. Note, in this estimate of sampling ratio the catch of the square lat. 0 and lon. 0 was excluded, as likely it refers to unknown location for the reported catch.

Lat5 ‐95 ‐90 ‐85 ‐80 ‐75 ‐70 ‐65 ‐60 ‐55 ‐50 ‐45 ‐40 ‐35 ‐30 ‐25 ‐20 ‐15 ‐10 ‐5 0 5 10 15555045 0.000% 0.000%40 0.000% 0.000% 0.000% 0.000% 0.000% 0.000%35 0.003% 0.026% 0.077% 0.010% 0.000% 0.000% 0.000% 0.000% 0.001% 0.000% 0.000%30 0.340% 0.122% 0.001% 0.001% 0.095% 0.030% 0.012% 0.001% 0.000% 0.003% 0.000%25 1.381% 0.993% 0.525% 0.576% 1.475% 0.181% 0.091% 0.151% 0.014% 0.014% 0.011% 0.007% 0.006% 0.002% 0.000% 0.001% 0.000%20 0.012% 0.003% 0.577% 0.005% 0.128% 0.076% 0.003% 0.012% 0.001% 0.013% 0.011% 0.002% 0.005% 0.040% 0.018%15 0.003% 2.307% 0.296% 0.009% 0.020% 0.067% 0.051% 0.104% 0.264% 0.268% 0.106% 30.401%10 0.066% 1.828% 1.556% 10.055% 17.906% 0.955% 0.110% 0.028% 0.159% 0.945% 2.131% 1.506% 1.218% 4.684%5 0.021% 0.194% 0.684% 1.267% 1.388% 1.001% 0.569% 1.283% 2.836% 8.009% 9.720% 0.144%0 0.000% 0.366% 4.201% 100.000% 50.981% 7.788% 3.270% 41.753% 30.935% 32.871% 23.343% 9.839% 0.001%‐5 0.000% 18.138% 5.339% 7.252% 9.370% 2.891% 5.410% 11.973% 2.192% 0.381%‐10 0.037% 2.414% 2.076% 1.518% 4.368% 1.296% 0.518% 1.720% 0.592% 0.245%‐15 0.018% 0.818% 6.609% 0.872% 0.152% 0.415% 0.003% 1.452% 0.075% 0.016%‐20 0.021% 0.014% 0.073% 0.711% 0.174% 0.041% 0.016% 0.062% 0.027%‐25 0.049% 0.128% 0.044% 0.026% 0.013% 0.000% 0.006% 0.001% 0.000% 0.032% 0.027% 0.060%‐30 0.015% 0.005% 0.001% 0.001% 0.000% 0.000% 0.000% 0.000% 0.024% 0.002% 0.002%‐35 0.000% 0.001% 0.001% 0.000% 0.000% 0.000% 0.001% 0.022%‐40 0.000%‐45‐50

1559

Table 4. Catches (tons) of sailfish (SAI) and spearfish (SPF) by stock (East=E and West = W) calculated for the longline fleets of Chinese Taipei, Japan and Korea from the reported aggregate of sailfish/spearfish and by using the ratios estimated from the fit of observer count data to the binomial model presented in Appendix 5.

  Chinese Taipei  Japan KoreaYear  SAI‐E SAI‐W SPE‐E  SPE‐W  SAI‐E SAI‐W SPE‐E SPE‐W SAI‐E SAI‐W SPE‐E  SPE‐W

1957      71 24 19 4  1958      32 66 7 13  1959      4 5 8 11  1960      50 65 41 59  1961      173 21 131 36  1962  2 0    216 63 241 80  1963  3 1    215 105 280 135  1964  2 0    238 244 277 411 0 1 1  11965  1 1 0  0  745 586 586 554 2 3 3  31966  11 14 4  6  458 234 779 374 23 45 39  421967  54 74 17  32  229 58 175 216 86 64 145  591968  421 60 136  26  293 117 255 305 26 83 23  771969  333 80 90  99  124 125 106 103 311 176 84  1401970  122 34 174  77  42 205 53 294 257 253 69  2001971  370 94 156  76  54 234 71 87 253 249 68  1971972  252 7 533  10  40 93 49 39 246 241 66  1921973  226 37 265  70  20 60 46 18 43 54 26  421974  36 36 63  44  5 78 14 40 36 45 22  361975  11 9 14  19  11 90 27 22 29 44 17  191976  29 29 188  97  1 103 3 30 108 45 57  191977  8 1 51  4  5 14 19 9 29 45 17  201978  2 3 5  7  3 4 8 5 13 10 5  41979  5 6 14  12  8 4 11 16 4 12 1  71980  1 11 4  25  13 3 20 19 27 30 7  211981  3 25 9  56  17 26 33 18 17 28 7  131982  19 7 48  15  16 85 22 50 23 8 10  111983  6 9 14  22  23 15 24 7 2 18 1  181984  2 14 6  31  32 23 31 11 24 24 10  281985  3 12 6  27  41 16 43 22 20 33 9  391986  0 20 1  44  32 8 39 20 2 10 0  41987  1 9 4  22  16 2 21 4 8 1 12  01988  2 92 4  208  26 5 31 17 11 1 4  21989  3 86 4  85  26 12 31 10 12 12 5  51990  5 42 8  41  31 12 32 13 12 16 4  91991  4 37 6  36  6 27 10 46 22 1 8  01992  80 17 135  16  15 0 27 1 2 2 1  11993  157 112 263  111  27 1 31 1 2 3 1  21994  38 117 63  116  45 8 36 2 5 4 1  41995  58 19 97  19  52 2 26 3 5 4 1  41996  24 19 41  18  47 4 25 4 11 12 3  101997  56 2 94  2  19 17 30 1 4 4 1  41998  44 65 73  64  58 3 22 8  1999  66 17 112  16  16 10 33 11  

1560

2000  45 11 75  11  26 12 29 11 0  2001  50 33 52  24  6 3 20 3  2002  62 31 62  39  20 3 0  2003  49 13 25  12  21 8 0  2004  15 8 15  11  70 5 0  2005  25 21 25  20  50 22 0  2006  36 5 37  17  62 4 0  2007  109 14 22  20  149 1 0  

1561

 

Table 5. Estimated Catches (t) of Atlantic sailfish (Istiophorus albicans) by stock (East and West) and flag. Mix flags represent vessels from EC-France and Spain.

1956  1957  1958  1959  1960  1961  1962  1963  1964  1965  1966  1967  1968  1969  1970  1971  1972  1973  1974  1975  1976  1977  1978  1979  1980  1981 

ATE 

Benin  36 

Ch. Taipei  2  3  2  1  11  54  421  333  122  370  252  226  36  11  29  8  2  5  1  3 

Cuba  10  20  43  31  371  56  52  42  21  13  42  96  110  185  65  69  40  79  79 

Ghana  2  3040  4726  4517  764  1885  2691  1191  891 

Japan  71  32  4  50  173  216  215  238  745  458  229  293  124  42  54  40  20  5  11  1  5  3  8  13  17 

Korea Rep.  0  2  23  86  26  311  257  253  246  43  36  29  108  29  13  4  27  17 

Mix. flags   2  4  4  11  18  36  46  67  93  143  148  235  256  327  400  405  375  432  504 

Panama  15  31  9  7  41  13  4 

Senegal  76  76  81  87  112  122  144  107  122  189  160  143  107  325  498 

U.S.S.R.  3  5  14  13  14  11  14  39  14  9  7  1  13  5  37 

Total ATE  0  71  32  4  50  173  218  230  264  797  540  848  920  962  628  916  870  670  3573  5278  5398  1457  2529  3230  2069  2082 

ATW 

Aruba  10  10  20  20  30  30  30  30 

Brasil  159  91  46  46  46  46  23  57  27  21  43  64  37  78  76  186  287  246  201  231  64 

Chi. Taipei  1  14  74  60  80  34  94  7  37  36  9  29  1  3  6  11  25 

Cuba  13  29  59  44  151  258  19  58  30  17  58  133  152  122  91  51  151  119  134 

Grenada  31  37  40  31  36 

Japan  1  24  66  5  65  21  63  105  244  586  234  58  117  125  205  234  93  60  78  90  103  14  4  4  3  26 

Korea Rep.  1  3  45  64  83  176  253  249  241  54  45  44  45  45  10  12  30  28 

Neth. Antilles  28  28  28  28  28  28  28  28  21  21  21  21 

Panama  20  44  13  9  18  3  2 

U.S.A.  111  126  142  157  173  188  194  201  207  214  220  227  233  240  248  254  261  308  308  308  308  533 

Venezuela  44  68  33  40  96  72  123  90  111  440  338  101  91  84  60  59  56  66  93  58  72 

Total ATW  1  24  66  5  176  350  364  354  533  979  649  693  871  752  1258  1243  804  649  753  732  852  900  779  867  841  968 

Total Atlantic  1  95  99  9  226  523  581  585  798  1776  1189  1541  1792  1714  1886  2160  1675  1319  4326  6011  6250  2357  3308  4097  2910  3050 

1562

1982  1983  1984  1985  1986  1987  1988  1989  1990  1991  1992  1993  1994  1995  1996  1997  1998  1999  2000  2001  2002  2003  2004  2005  2006  2007 

ATE 

Benin  48  51  53  50  25  32  40  8  21  20  21  20  20  20  19  6  4  5  5  12  2  2  5  3  3  4 

Cape Verde  3 

China P.R.  3  3  3  3  4  9  4  5  11  4  4  8  8 

Chi. Taipei  19  6  2  3  0  1  2  3  5  4  80  157  38  58  24  56  44  66  45  50  62  49  15  25  36  109 

Côte D'Ivoire  40  40  40  40  66  55  58  38  69  40  54  66  91  65  35  80  45  47  65  121  73  93  78  52 

Cuba  158  200  115  19  55  50  22  53  61  184  200  77  83  72  533 

EC.España  10  7  4  7  9  19  28  14  0  13  3  42  8  13  42  38  15  20  8  150  209  183  148  177  200  257 

EC.Portugal  1  2  1  2  1  2  27  53  11  3  7  13  19  10  136  43 

EC.UK  1 

Gabon  3  3  110  218  2  0  4 

Ghana  1426  2408  1658  1485  925  1392  837  465  395  463  297  693  450  353  303  196  351  305  275  568  592  566  521  542  282  420 

Japan  16  23  32  41  32  16  26  26  31  6  15  27  45  52  47  19  58  16  26  6  20  21  70  50  62  149 

Korea Rep.  23  2  24  20  2  8  11  12  12  22  2  2  5  5  11  4  0 

Liberia  33  85  43  136  122  154  56  133  127  106  122  118  115 

Maroc  15 

Mix. flags  521  499  354  364  403  394  408  432  595  174  150  182  160  128  97  110  138  131  98  44  39  44  41  35  32  36 

NEI (ETRO)  27  51  57  69  86  127  120  77  43  3  2  16  7  8  10 

Russian Federation  1 

S. Tomé e Pr.  78  86  97  84  78  81  88  92  96  139  141  141  136  136  136  136  515  346  292  384 

Senegal  572  510  163  241  572  596  587  552  1092  546  917  936  260  678  610  556  270  412  412  266  138  361  263  254  292  737 

St. Vinc. & Gr.  4  1  5 

Togo  9  22  36  23  62  55  95  135  47  31  71 

U.S.A.  1  4  1  1  3  1 

U.S.S.R.  2  5  4  4 

Total ATE  2796  3706  2445  2269  2065  2553  2109  1710  2367  1556  1837  2290  1270  1745  2252  1334  1373  1516  1320  1448  1476  1731  1932  1735  1575  2399  ATW 

Aruba  30  30  30  30  30  23  20  16  13  9  5  10  10  10  10  10  10  10  10 

1563

Barbados  69  45  29  42  50  46  74  25  71  58  44  44  42  26  27  26  42  58  42 

Belize  5  12 

Brasil  153  60  121  187  292  174  152  147  301  90  351  243  129  245  310  137  184  356  598  412  547  585  534  416  140  123 

China P.R.  3  3  3  3  3  9  4  3  0  0  1  0  0 

Ch. Taipei  7  9  14  12  20  9  92  86  42  37  17  112  117  19  19  2  65  17  11  33  31  13  8  21  5  14 

Cuba  181  28  169  130  50  171  78  55  126  83  70  42  46  37  37  40  28  196  208  68  32  18  50  72  47  56 

Dominica  5  3  1  3  3 

Dominican R.  22  50  49  46  18  40  44  44  40  31  98  50  90  40  40  101  89  27  67  81  260  91  144  165  133  147 

EC. España  0  0  8  13  13  19  36  5  30  42  7  14  354  449  196  181  113  148  184 

EC.Portugal  7  0  2  12  12  110  19  53 

Grenada  27  37  66  164  211  104  114  98  218  316  310  246  151  119  56  83  151  148  164  187  151  171  112  147  159  174 

Japan  85  15  23  16  8  2  5  12  12  27  0  1  8  2  4  17  3  10  12  3  3  8  5  22  4  1 

Korea Rep.  8  18  24  33  10  1  1  12  16  1  2  3  4  4  12  4 

Mexico  2  19  19  10  9  65  40  118  36  34  45  51  55  42  47 

NEI (ETRO)  15  27  30  36  46  67  64  41  23  1  1  9  4  4  6 

Neth.  Ant.  21  21  21  10  10  10  10  10  10  10  10  15  15  15  15  15  15  15  15 

Seychelles  3 

St. Vin. & Gre.  2  1  4  4  4  2  1  3  1  2  164  3  86  73  59  18 

Sta. Lucia  0 

Trin.  &Tob.  64  58  14  25  35  24  11  9  4  4  56  101  101  103  10  7  4  3  7  6  8  10  9  17  13 

U.S.A.  452  734  495  282  462  496  508  381  304  406  330  265  207  374  300  406  294  234  121  69  110  5  7  4  5  9 

UK.BVI  0 

Venezuela  57  119  81  81  77  80  22  24  24  65  71  206  162  93  155  175  248  169  83  126  159  133  158  178  184  248 

Total ATW  1042  1185  1151  1004  1212  1146  1071  964  1162  1116  1327  1332  1158  1224  1141  1163  1328  1349  1523  1451  1981  1316  1396  1435  1028  1151 

Total Atlantic  3838  4891  3596  3273  3277  3699  3180  2674  3530  2672  3163  3622  2429  2969  3393  2496  2701  2865  2843  2899  3457  3047  3328  3169  2603  3550  

1564

Table 6. Available CPUE indices for the sailfish assessment. Index Data source Period ID Western stock US-LL index kg/1000 hooks Data collected by scientific observers (SCRS/2009/046) 1992-2008 US LL_POP. US-LL index kg/1000 hooks

Data collected by mandatory logbooks (SCRS/2009/045)

1986-2008 US LL_PLL. US-LL index fish/1000 hooks 1986-2008 US LL_PLL

US-RR recreational index fish/1000 hooks

Data collected by the Recreational Billfish Survey (SCRS/2009/046)

1973-2008 US RR-RBS.

US-RR recreational index fish/1000 hooks

Data collected by the Recreational Marine Recreational Fishery Statistical Survey (SCRS/2009/046)

1973-2008 US RR-MRFSS

Venezuela-RR recreational index fish/1000 hooks

From port landing reports (Alio and Marcano, 2001) 1961-1995 VEN RR.

Venezuela GIL index kg Data from scientific sampling of landings (Arocha et al. 2009)

1991-2007 VEN GIL.

Venezuela LL index kg Data from scientific observers (SCRS/2009/033) 1991-2007 VEN LL.

Brazil RR recreational index fish/1000 hooks

Data from tournament reports (Mourato, et al. 2009) 1996-2007 BRZ RR.

Brazil LL fish/1000 hooks Data from logbooks (SCRS/2009/066) 1978-2008.

Japan LL index fish/1000 hooks

Estimated with a GLM for the 2001 assessment (Yokawa and Takeuchi, 2002)

1967-1993 JPN LL1.

Japan LL index fish/1000 hooks

Estimated with a GLM for the 2009 assessment (SCRS/2009/067)

1994-2007 JPN LL2.

Japan LL index kg Estimated during the meeting from the T2CE (see Appendix 6)

1960-2007 JPN LL-3;

Korea LL index kg Estimated during the meeting from the T2CE (see Appendix 6)

1967-1969, 1975, 1978-1994, 1996,1997,1999

KOR LL.

Chinese Taipei LL index Prepared at the 2001 assessment (Anon. 2002, Table 4) 1967-1975, 1979- and 1993-1999. The indexes for each time period were treated as separate fleets

TAI_LL_1/ TAI_LL_2/ TAI_LL_3

   

1565

Eastern stock Côte d’Ivoire artisanal index number of fish

Data correspond to number of fish landed by gillnet vessels (SCRS/2009/032)

1988-2007 CIV ART.

Senegal artisanal index kg The gears included in this index were gillnet, troll and handline, the data represents weight of landings (SCRS/2009/054)

1989-2006. SEN ART

Japan LL index fish/1000 hooks

Estimated with a GLM. This index was prepared for the 2001 assessment (Yokawa and Takeuchi, 2002)

1967-1999. JPN LL-1.

Japanese LL index Estimated with a GLM prepared for the 2009 stock assessment (SCRS/2009/067)

1994-2007 JPN LL-2.

Japan LL index kg Estimated during the meeting from the T2CE (see Appendix 6)

1960-2007 JPN LL-3.

Korea LL index kg Estimated during the meeting from the T2CE (see Appendix 6)

1967-1969, 1975, 1978-1994, 1996,1997,1999

KOR LL.

Ghanaian gillnet Calculated during the meeting (see Appendix 7). 1993-2007 GHN GIL

1566

Table 7. Standardized indexes of abundance for the SAI western stock. Indices are denoted as: USLL1 = U.S Longline observers, USLL2 = US Longline logbooks kg, USLL3 = U.S. Longline logbooks numbers of fish, USRR1 = U.S. recreational tournaments RBS, USRR2 = U.S. recreational surveys MRFSS, VENRR = Venezuela recreational, VENGL = Venezuela Gillnet, BRZLL = Brazil longline, BRZ = Brazil recreational, JPNLL1 = Japan longline early period, JPNLL2 = Japan longline recent period, JPNLL3 = Japan longline from Task II.

US US US US US VEN VEN VEN BRZ BRZ JPN JPN JPN LL1 LL2 LL3 RR1 RR2 RR GL LL LL RR LL-1 LL-2 LL-3

1960 0.804 1961 0.475 1.103 1962 0.462 1.397 1963 0.162 1.355 1964 0.369 1.525 1965 0.259 1.867 1966 0.803 1.973 1967 0.583 11.340 2.215 1968 0.560 10.643 3.308 1969 1.183 12.989 2.272 1970 0.609 2.159 1971 0.518 10.921 1.435 1972 0.390 1.182 1973 1.009 0.284 1.397 1974 0.774 0.419 1.377 1975 1.031 0.243 0.750 1976 0.792 0.270 0.754 1977 1.211 0.130 1.665 1978 1.120 0.082 0.432 1.252 1979 1.061 0.128 0.378 1.145 1980 1.223 0.147 0.373 0.925 1981 1.181 0.486 0.096 0.330 0.714 1.291 1982 0.260 0.252 0.055 0.163 0.661 1.305 1983 0.253 0.905 0.151 0.126 0.989 1.350 1984 0.561 0.591 0.259 0.174 0.249 1.001 1985 0.428 0.502 0.214 0.069 0.244 0.752 1986 1.083 1.172 0.561 0.687 0.127 0.164 1.167 0.844 1987 0.685 0.684 0.536 0.416 0.206 0.263 0.926 1988 1.280 1.253 0.793 0.660 0.101 0.253 0.193 0.690 1989 1.328 1.353 0.550 0.578 0.193 0.493 0.411 0.506 1990 1.454 1.546 0.865 0.648 0.028 0.107 0.335 0.376 1991 1.759 1.813 1.038 1.037 0.040 12.74 15.36 0.312 0.611 1992 2.028 2.402 2.578 1.373 1.364 0.006 16.44 11.68 0.339 0.519 1993 1.675 1.908 1.883 0.900 1.045 27.53 8.61 0.774 0.467 1994 0.942 1.385 1.230 1.423 0.975 0.039 31.28 11.82 0.081 0.0067 0.414

1567

1995 0.644 0.874 0.820 1.265 1.246 0.011 34.45 11.75 0.252 0.0044 0.482 1996 1.190 0.874 0.856 1.366 0.966 31.47 5.72 0.381 0.858 0.0034 0.333 1997 0.808 1.396 1.170 1.499 0.706 37.53 8.57 0.331 0.772 0.0047 0.383 1998 0.569 0.994 0.980 1.727 1.351 41.32 5.05 0.295 0.887 0.0040 0.399 1999 1.497 1.297 1.244 0.999 1.636 48.72 24.49 0.185 0.475 0.0073 0.431 2000 2.124 0.922 0.939 0.753 1.228 31.27 6.39 0.246 0.724 0.0063 0.444 2001 0.490 0.313 0.335 0.824 0.749 25.44 4.17 0.430 0.701 0.0036 0.250 2002 0.363 0.384 0.463 1.035 1.361 20.32 6.40 0.307 0.590 0.0036 0.358 2003 0.511 0.385 0.430 1.267 1.381 31.12 5.30 0.233 0.435 0.0088 0.406 2004 0.699 0.541 0.578 0.919 1.128 44.24 7.44 0.359 0.508 0.0043 0.386 2005 0.916 0.223 0.284 0.996 2.017 41.82 5.58 0.522 0.527 0.0124 0.509 2006 0.371 0.241 0.248 1.113 1.095 30.43 7.83 0.343 0.716 0.0066 0.345 2007 0.688 0.426 0.389 1.028 1.179 40.82 16.83 0.439 0.472 0.0041 0.369 2008 1.501 0.846 0.752 2.205 1.813 0.657

1568

Table 8. Standardized indexes of abundance for the SAI eastern stock. Refer to the text for description of each index. Indices are denoted as: CIVAR = Côte d’Ivoire artisanal, SENAR, Senegal artisanal, JPNLL1 = Japan longline early period, JPNLL2 = Japan longline recent period, JPNLL3 = Japan longline from Task II, KORLL = Korea longline.

CIV SEN GHN JPN JPN JPN KOR AR AR AR LL1 LL2 LL3 LL

1960 0.736 1961 5.036 1962 1.080 1963 0.778 1964 2.405 1965 2.028 1966 1.951 1967 5.645 0.660 1968 2.482 1.799 1969 2.682 2.846 0.902 1970 3.306 4.269 1971 0.365 1.086 1972 0.963 1.007 1973 1.707 0.579 1974 0.156 0.470 1975 0.155 0.449 1976 0.612 1977 2.959 0.375 1978 0.686 1979 0.526 0.262 0.628 1980 0.534 0.527 1.677 1981 1.051 0.325 1.240 1982 0.953 1.078 2.040 1983 0.617 0.421 1984 0.769 1.147 1985 0.379 0.635 0.360 1986 0.956 0.670 0.153 1987 0.633 0.485 1988 0.61 0.267 0.483 1989 0.30 1.60 0.148 0.398 1990 0.35 2.10 0.191 0.250 1991 0.40 0.30 0.155 0.198

1569

1992 0.18 0.55 0.171 0.212 1993 0.18 0.40 0.015 0.440 0.379 1994 0.24 0.40 0.014 0.182 0.476 1995 0.12 0.25 0.006 0.162 0.176 1996 0.11 0.55 0.018 0.177 0.332 1997 0.19 1.20 0.007 0.135 0.736 1998 0.16 1.70 0.007 0.226 0.988 1999 0.25 0.65 0.004 0.185 0.511 2000 0.11 1.40 0.003 0.083 0.693 2001 0.18 1.20 0.008 0.049 0.788 2002 0.20 0.50 0.014 0.243 0.775 2003 0.10 3.20 0.016 0.169 1.663 2004 0.20 0.65 0.006 0.097 0.313 2005 0.20 0.60 0.010 0.083 0.944 2006 0.20 0.45 0.005 0.117 1.398 2007 0.25 0.006 0.248 1.887 2008

1570

Table 9. Estimated combined Indexes of abundance for the western and eastern stocks. Indices differ because of the different weighting used in the process of combination: “weighted-catch” correspond to weighting proportional to the reported catch associated with the fleet corresponding to the index, “weighted area” to weighting proportional to area of the fishery measured by the number of 5 degree grids where catch was reported for the fleet associated with the index.

Western stock EasternsStock Un-weighted Weighted

by catch Weighted by area Un-weighted Weighted by

catch Weighted by area

1961 0.347 0.187 0.321 1962 0.337 0.182 0.313 1963 0.118 0.064 0.110 1964 0.269 0.145 0.250 1965 0.189 0.102 0.175 1966 0.586 0.316 0.543 1967 0.350 0.205 0.590 2.805 5.644 4.075 1968 0.604 0.316 0.780 1.233 2.481 1.792 1969 0.879 0.386 0.935 1.332 2.681 1.936 1970 0.436 0.225 0.400 1.642 3.305 2.386 1971 0.661 0.356 0.847 0.181 0.365 0.263 1972 0.250 0.128 0.211 0.479 0.963 0.695 1973 0.148 0.073 0.156 0.848 1.707 1.232 1974 0.154 0.058 0.171 0.078 0.156 0.113 1975 0.142 0.064 0.154 0.077 0.155 0.112 1976 0.102 0.046 0.082 1977 0.087 0.070 0.090 1.470 2.958 2.136 1978 0.072 0.069 0.077 1979 0.056 0.058 0.045 0.261 0.525 0.379 1980 0.078 0.066 0.073 0.265 0.534 0.386 1981 0.079 0.064 0.077 0.522 1.051 0.759 1982 0.035 0.017 0.039 0.473 0.953 0.688 1983 0.045 0.016 0.045 0.307 0.617 0.446 1984 0.047 0.030 0.034 0.382 0.769 0.555 1985 0.030 0.018 0.023 0.188 0.379 0.274 1986 0.058 0.031 0.066 0.475 0.955 0.690 1987 0.056 0.034 0.049 0.315 0.633 0.457 1988 0.059 0.056 0.049 0.236 0.303 0.198 1989 0.073 0.046 0.060 0.163 0.215 0.111 1990 0.037 0.039 0.042 0.205 0.288 0.144 1991 0.055 0.060 0.081 0.104 0.050 0.111 1992 0.045 0.070 0.079 0.101 0.083 0.120

1571

1993 0.044 0.084 0.094 0.149 0.104 0.292 1994 0.055 0.067 0.074 0.161 0.128 0.125 1995 0.063 0.066 0.064 0.095 0.048 0.064 1996 0.055 0.062 0.054 0.149 0.108 0.115 1997 0.063 0.079 0.061 0.157 0.144 0.134 1998 0.070 0.078 0.079 0.185 0.135 0.139 1999 0.057 0.053 0.047 0.113 0.080 0.100 2000 0.051 0.048 0.052 0.100 0.102 0.088 2001 0.043 0.065 0.037 0.149 0.115 0.132 2002 0.044 0.054 0.046 0.140 0.143 0.124 2003 0.043 0.047 0.039 0.219 0.234 0.194 2004 0.053 0.072 0.051 0.117 0.084 0.103 2005 0.047 0.088 0.042 0.135 0.113 0.120 2006 0.048 0.061 0.043 0.098 0.069 0.087 2007 0.060 0.088 0.060 0.128 0.078 0.112 2008 0.101 0.063 0.095

 

   

1572

 

Table 10. Management parameters obtained from different cases fitted to ASPIC for the eastern and western stocks of Atlantic sailfish. Values shown correspond to the non- bootstrapped estimates of MSY (t), the ratio of the latest fishing mortality 2007 to the fishing mortality at MSY and the ratio of the most recent estimate of biomass 2006 to the biomass at MSY. For boostrapped fits the 50th, 25Th and 75th percentile are shown. Description of cases is provided in Appendix 9.

MSY (t) Fratio Bratio Stock Case Estimate 25% 75% Estimate 25% 75% Estimate 25% 75%East

g3 2340 3.77 0.14g4 76 185.90 0.09g6 2105 2.51 0.28o3 5072 0.27 1.73o4 4949 0.17 1.83o7 2247 2131 2359 0.62 0.57 0.76 1.15 1.00 1.25o8 1868 455 1897 1.58 1.17 27.81 0.53 0.00 0.62f1 2106 1713 2341 3.89 2.64 5.65 0.24 0.12 0.39f2 2460 2179 2481 2.26 1.71 2.76 0.26 0.17 0.34

West g1 100 3.07 0.35g2 873 1.40 0.94g5 284 8.63 0.45o1 1220 0.67 1.25o2 1455 1198 1550 0.59 0.47 0.90 1.25 0.93 1.41o5 1062 291 1154 0.81 0.51 1.43 1.19 0.92 1.49o6 1163 0.74 1.19o9 1027 563 1198 1.01 0.74 1.62 1.10 0.91 1.24o10 844 1.48 0.91o11 18690 0.03 1.97o12 1220 0.75 1.13o13 663 1.67 1.03w1 118 1.28 0.39w2 858 0.07 0.95w3 140 1.02 0.41

Table 11. Results of EXCEL production models. Current status estimates for the western stock assuming different surplus production functions Schaefer or Fox and using different weighting options for the combined CPUE index.

Schaefer Fox Equal weight Down-weighted Equal weight Down-weighted

F2007/FMSY 4.25 1.64 5.40 0.94

B2008/BMSY 0.44 0.90 0.49 1.16

 

Table 12. Bayesian production model for western stock. Summary of the posterior estimations as calculated using informative and non-informative priors. Infomative prior estimations Quantiles

5% 25% 50% 75% 95%

R 0.07 0.12 0.16 0.21 0.31

K 14300.37 18867.77 22556.09 27135.48 34597.32

Q 4.40E-06 5.66E-06 6.71E-06 8.04E-06 1.05E-05

C msy 622.82 789.87 888.14 981.60 1110.36

B msy 7150.19 9433.89 11278.05 13567.74 17298.66

B last 2496.54 4023.73 5313.12 6995.76 10152.69

ER msy 0.04 0.06 0.08 0.10 0.15

B last/B msy 0.24 0.36 0.47 0.60 0.84

C last/C msy 1.03 1.17 1.29 1.45 1.84

ER last 0.11 0.16 0.22 0.29 0.46

ER last/ER msy 1.29 2.02 2.82 4.07 6.61

Non-Informative Prior

r 0.04 0.07 0.10 0.14 0.25

k 16921.34 24561.25 29971.76 35845.21 45878.09

q 3.13E-06 4.22E-06 5.15E-06 6.39E-06 8.87E-06

C msy 421.16 594.53 736.39 858.30 1061.26

B msy 8460.67 12280.63 14985.88 17922.60 22939.04

B last 3000.63 4817.13 6716.01 9270.89 14729.77

ER msy 0.02 0.03 0.05 0.07 0.12

B last/B msy 0.24 0.35 0.47 0.59 0.84

C last/C msy 1.08 1.34 1.56 1.93 2.73

ER last 0.08 0.12 0.17 0.24 0.38

ER_last/ER_msy 1.40 2.52 3.54 5.34 8.72

1574

Table 13. Bayesian production model for the eastern stock. Summary of the posterior estimations as calculated using informative and non-informative priors. Infomative prior Quantiles

estimations 5% 25% 50% 75% 95%

R 0.09 0.10 0.12 0.16 0.23

k 33932.98 41923.28 48266.65 53163.40 57335.94

q 1.28E-05 1.54E-05 1.75E-05 1.99E-05 2.53E-05

C_msy 1254.78 1369.19 1509.60 1711.73 1949.20

B_msy 16966.49 20961.64 24133.33 26581.70 28667.97

B_last 1316.22 2520.94 3621.83 5150.18 8302.47

ER_msy 0.04 0.05 0.06 0.08 0.11

B_last/B_msy 0.06 0.11 0.15 0.22 0.36

C_last/C_msy 0.54 0.61 0.69 0.76 0.83

ER_last 0.13 0.20 0.29 0.42 0.80

ER_last/ER_msy 1.78 3.02 4.46 6.47 12.02

Non-informative prior

r 0.07 0.08 0.10 0.13 0.16

k 41811.99 48105.48 53632.09 58523.89 63889.35

q 1.20E-005 1.45E-005 1.64E-005 1.87E-005 2.25E-005

C_msy 1062.84 1194.15 1348.75 1511.57 1709.30

B_msy 20905.99 24052.74 26816.04 29261.95 31944.68

B_last 1398.16 2529.31 3705.68 5129.38 7921.48

ER_msy 0.03 0.04 0.05 0.06 0.08

B_last/B_msy 0.05 0.10 0.14 0.19 0.28

C_last/C_msy 0.61 0.69 0.78 0.88 0.98

ER_last 0.13 0.20 0.28 0.41 0.75

ER_last/ER_msy 2.56 4.01 5.61 8.06 14.61

1575

Table 14. Description of production model runs excluded from analyses on the basis of the extreme values estimated for r or K. Indices represented are: CAW=Combined area weighted, CCW= Combined catch weighted, CUW= Combined unweighted, JAPLL1 = Japanese longline early period, JAPLL2 = Japanese longline recent period, JAPLL3 = Japanese longline – Task II, CIVAR = Cote d’Ivoire artisanal, SENAR = Senegal Artisanal, GHNGL = Ghana gillnet, USLL2 = US Longline logbooks kg, USRR1 = US recreational tournaments RBS, USRR2 = US recreational surveys MRFSS, VENRR = Venezuela recreational, VENGL = Venezuela Gillnet, BRZLL = Brazil longline, BRZ = Brazil recreational, KORLL= Korea longline, TAILL = China Taipei longline. * JAPLL1 & JLL2 combined as a single index.

Model Case Version Stock Indices used Excluded because

ASPIC

G3 5.16 E CAW

r < 0.01

ASPIC G4 5.16 E CCW r < 0.01

ASPIC O3 5.33 E JAPLL1, JAPLL2, CIVAR, SENAR, GHNGL r=4.0

ASPIC O4 5.33 E JAPLL1, JAPLL2 r=4.0

ASPIC O11 5.33 W USRR1, USRR2, BRZRR, VENRR K ≈ 900,000

ASPIC O2 5.33 W JAPLL3, USLL2, BRZLL, VENLL, KORLL r>0.9

ASPIC W3 5.33 W CUW r < 0.01

EXCEL Fox Tricubic W CCW r>0.9

ASPIC G1 5.16 W CAW r < 0.01

 

1576

Table 15. Scaled CPUE indices available for estimation of recent abundance trends 1990-2007.

Western stock

Eastern stock

YearVEN Gill

VEN LL

BRA LL

BRA RR

US RBS

US MRFSS

US PLL

JPN LL

CIV Gill

SEN Art

JPNLL

GHN Gill

1990 – – 0.337 – 0.865 0.648 1.454 – 1.545 2.136 – –

1991 0.40 1.60 0.986 – 1.038 1.037 1.759 – 1.766 0.305 – –

1992 0.51 1.22 1.071 – 1.373 1.364 2.402 – 0.795 0.559 – –

1993 0.86 0.90 2.446 – 0.9 1.045 1.908 – 0.795 0.407 – 1.634

1994 0.97 1.23 0.255 – 1.423 0.975 1.385 1.170 1.060 0.407 1.182 1.555

1995 1.07 1.23 0.798 – 1.265 1.246 0.874 0.768 0.530 0.254 1.052 0.656

1996 0.98 0.60 1.205 1.231 1.366 0.966 0.874 0.594 0.486 0.559 1.149 1.900

1997 1.17 0.89 1.046 0.829 1.499 0.706 1.396 0.820 0.839 1.220 0.877 0.801

1998 1.28 0.53 0.933 1.056 1.727 1.351 0.994 0.698 0.706 1.729 1.468 0.748

1999 1.51 2.55 0.584 0.486 0.999 1.636 1.297 1.274 1.104 0.661 1.201 0.467

2000 0.97 0.67 0.777 1.354 0.753 1.228 0.922 1.100 0.486 1.424 0.539 0.342

2001 0.79 0.43 1.358 1.030 0.824 0.749 0.313 0.628 0.795 1.220 0.318 0.810

2002 0.63 0.67 0.969 1.089 1.035 1.361 0.384 0.628 0.883 0.508 1.578 1.456

2003 0.97 0.55 0.735 0.940 1.267 1.381 0.385 1.536 0.442 3.254 1.097 1.734

2004 1.38 0.78 1.134 1.179 0.919 1.128 0.541 0.751 0.883 0.661 0.630 0.643

2005 1.30 0.58 1.650 0.914 0.996 2.017 0.223 2.165 0.883 0.610 0.539 1.087

2006 0.95 0.82 1.085 0.551 1.113 1.095 0.241 1.152 0.883 0.458 0.760 0.552

2007 1.27 1.76 1.387 1.341 1.028 1.179 0.426 0.716 1.104 – 1.610 0.614

1577

Table 16. Pearson estimates of the correlation coefficient r above diagonal and probability values p below diagonal between available indices for the western and eastern stock for 1990-2007. The p values represent the probability that r=0. Shaded indices correspond to the eastern stock.

VEN Gill

VEN LL BRA LL BRA RR US RBSUS

MRFSS US PLL JPN LL

CIV Gill

SEN Art

JPN LL

GHN Gill

VEN Gill 0.177 -0.070 -0.216 0.069 0.316 -0.379 0.273 -0.221 0.162 0.040 -0.491

VEN LL 0.497 -0.257 -0.370 -0.086 0.162 0.389 0.038 0.582 -0.380 0.384 -0.340

BRA LL 0.790 0.318 0.278 -0.234 0.127 -0.034 0.037 -0.190 -0.305 -0.295 0.184

BRA RR 0.498 0.235 0.379 -0.138 -0.207 -0.147 -0.397 -0.366 0.140 0.097 0.166

US RBS 0.792 0.742 0.350 0.668 0.014 0.207 -0.158 -0.259 0.069 0.498 0.253 US MRFSS 0.215 0.533 0.615 0.516 0.957 -0.231 0.703 -0.222 -0.103 0.119 -0.082

US PLL 0.132 0.122 0.893 0.647 0.408 0.356 -0.178 0.323 -0.201 0.223 0.160

JPN LL 0.344 0.898 0.900 0.198 0.588 0.005 0.541 0.067 0.181 -0.307 0.081

CIV Gill 0.393 0.014 0.450 0.2339 0.298 0.374 0.190 0.819 -0.186 0.212 -0.243

SEN Gill 0.549 0.145 0.234 0.681 0.791 0.694 0.439 0.552 0.474 0.015 0.104

JPN LL 0.892 0.174 0.305 0.763 0.068 0.685 0.443 0.284 0.466 0.960 0.283

GHN 0.062 0.214 0.510 0.605 0.361 0.771 0.569 0.783 0.381 0.772 0.326 Table 17. Estimates of B./BMSY for various treatments of the combined CPUE time series for east and west Atlantic sailfish using the method presented in Goodyear (2003).

CPUE Time Series

Period Unweighted Weighted by Catch

Weighted by Area

Mean

East 2003-07/1967-71 0.192 0.079 0.117 0.129 2003-07/1980-84 0.708 0.487 0.430 0.542

West 2004-08/1961-65 0.651 1.083 0.577 0.770 2004-08/1973-77 1.157 1.988 0.799 1.315

1578

Table 18. SAI-West: length frequency statistics 75% quartile, median, and 25% quartile by year 1971-2007 taken by the Brazilian longline fleet, Japanese longline fleet, Chinese Taipei longline fleet, Japanese Far Seas longline fleet, Venezuelan artisanal fleet, and Venezuelan gillnet fleet. Lengths are lower jaw-fork length cm.

1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007

BRA-LL

75% 178 167 167 167 172 172 172 172 172 161 167 167 167 167 – 161 167 167 161 – – 162 – – – – – – 181 171 174 – – – 176 172 177

median 167 161 161 156 161 167 161 161 167 156 156 156 156 161 – 151 156 156 151 – – 162 – – – – – – 174 166 167 – – – 162 164 170

25% 156 156 156 151 156 156 156 156 160 145 145 151 151 156 – 140 151 151 151 – – 162 – – – – – – 167 160 160 – – – 146 152 160

TAI-LL

75% – – – – – – – – – 145 143 – 258 – – – – – – – – – – – – – – – – – – – – – – – –

median – – – – – – – – – 118 140 – 258 – – – – – – – – – – – – – – – – – – – – – – – –

25% – – – – – – – – – 118 140 – 221 – – – – – – – – – – – – – – – – – – – – – – – –

JPN-LL

75% 161 161 156 163 167 167 199 188 – 172 – 140 163 188 194 – – – 172 163 – 124 – – – – – 173 173 138 – 153 – 146 – – –

median 156 156 145 154 161 156 188 188 – 172 – 134 154 183 191 – – – 167 153 – 124 – – – – – 163 163 136 – 152 – 144 – – –

25% 148 145 140 145 156 151 188 188 – 172 – 129 145 178 183 – – – 161 144 – 124 – – – – – 149 149 133 – 151 – 143 – – –

JPNF-LL

75% – – – – – – – – – – – 190 95 140 128 195 150 – – – – – – – – – – – – – – – – – – – –

median – – – – – – – – – – – 157 90 125 125 145 150 – – – – – – – – – – – – – – – – – – – –

25% – – – – – – – – – – – 110 85 114 123 131 150 – – – – – – – – – – – – – – – – – – – –

VEN-Art

75% – – – – – – – – – – – – – – – – 173 167 176 176 172 175 176 174 176 177 175 174 172 174 174 174 174 176 175 173 173

median – – – – – – – – – – – – – – – – 166 160 165 173 168 170 170 167 170 171 172 171 170 172 170 172 173 174 170 170 172

25% – – – – – – – – – – – – – – – – 158 156 159 166 162 163 165 160 163 162 170 167 160 168 163 170 170 172 163 166 169

VEN-GN

75% – – – – – – – – – – – – – – – – – – – – 170 175 173 173 173 175 174 174 173 173 173 173 173 173 172 170 173

median – – – – – – – – – – – – – – – – – – – – 165 168 168 169 168 169 168 168 167 168 168 167 168 167 166 165 168

25% – – – – – – – – – – – – – – – – – – – – 159 165 164 165 164 164 163 163 162 163 162 162 162 161 160 160 162

1579

Table 19..SAI-East: length frequency statistics 75% quartile, median, and 25% quartile by year 1974-2007 taken by the Brazilian longline fleet, Côte d’Ivoire gillnet fleet, Chinese Taipei longline fleet, Ghanaian gillnet fleet, and Japanese longline fleet. Lengths are lower jaw-fork length cm.

1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007

BRA-LL

75% – – – – – – – – – – – – – – – – – – – – – – – – – – – – – – – 164 179 191

median – – – – – – – – – – – – – – – – – – – – – – – – – – – – – – – 150 170 182

25% – – – – – – – – – – – – – – – – – – – – – – – – – – – – – – – 137 164 173

CIV-LL

75% – – – – – – – – – – 175 180 170 180 185 185 185 185 180 180 185 180 180 180 185 185 180 180 185 185 185 – 187 –

median – – – – – – – – – – 165 175 165 175 175 175 175 175 175 175 175 175 170 175 180 180 175 175 175 175 175 – 178 –

25% – – – – – – – – – – 150 165 154 170 170 170 170 170 170 170 170 170 155 170 175 175 165 170 170 170 170 – 171 –

TAI-LL

75% – – – – – – – 181 226 178 – – – – – – – – – – – – – – – – – – – – – – – –

median – – – – – – – 167 226 167 – – – – – – – – – – – – – – – – – – – – – – – –

25% – – – – – – – 154 226 161 – – – – – – – – – – – – – – – – – – – – – – – –

GHN-GN

75% – – – – – – – – – – – – – – – – – – – – – – – 220 190 190 – – – 186 185 190 190 190

median – – – – – – – – – – – – – – – – – – – – – – – 185 180 185 – – – 175 175 178 180 180

25% – – – – – – – – – – – – – – – – – – – – – – – 175 175 180 – – – 170 170 170 171 175

JPN-LL

75% 194 199 160 209 210 221 172 189 194 145 199 215 – 199 188 191 151 183 – – – 180 – – 171 180 152 178 185 178 162 161 – –

median 194 188 151 194 210 199 172 183 188 145 188 188 – 199 188 172 151 183 – – – 178 – – 160 162 139 178 136 172 158 156 – –

25% 194 172 134 179 199 194 166 178 170 140 178 178 – 199 178 161 151 170 – – – 175 – – 150 142 135 178 126 160 153 146 – –

1580 

 

Figure 1. Sailfish/(sailfish+spearfish) ratios for Korea estimated from observer data. Ratios are estimated with a GLM model that aggregates temporal data and uses the following factors: quarter, fleet, area (costal-oceanic) and distance from the 5 degree north latitude. Quarterly data was not available for Korea at the time of analysis.

0 to 1E-005 1E-005 to 0.2 0.20001 to 0.4 0.40001 to 0.6 0.60001 to 0.8 0.80001 to 1

100° 90° 80° 70° 60° 50° 40° 30° 20° 10° 0° 10° 20° 30°

100° 90° 80° 70° 60° 50° 40° 30° 20° 10° 0° 10° 20° 30°

50°

45°

40°

35°

30°

25°

20°

15°

10°

5°

0°

5°

10°

15°

20°

25°

30°

35°

40°

45°

50°

50°

45°

40°

35°

30°

25°

20°

15°

10°

5°

0°

5°

10°

15°

20°

25°

30°

35°

40°

45°

50°

1581 

Figure 2. Sailfish/(sailfish+spearfish) ratios for Japan estimated from observer data. Ratios are estimated with a GLM model that aggregates temporal data and uses the following factors: quarter, fleet, area (costal-oceanic) and distance from the 5 degree north latitude. Quarterly data was not available for Japan at the time of analysis.

0 to 1E-005 1E-005 to 0.2 0.20001 to 0.4 0.40001 to 0.6 0.60001 to 0.8 0.80001 to 1

100° 90° 80° 70° 60° 50° 40° 30° 20° 10° 0° 10° 20° 30°

100° 90° 80° 70° 60° 50° 40° 30° 20° 10° 0° 10° 20° 30°

50°

45°

40°

35°

30°

25°

20°

15°

10°

5°

0°

5°

10°

15°

20°

25°

30°

35°

40°

45°

50°

50°

45°

40°

35°

30°

25°

20°

15°

10°

5°

0°

5°

10°

15°

20°

25°

30°

35°

40°

45°

50°

1582 

Figure 3. Sailfish/(sailfish+spearfish) ratios for Chinese Taipei obtained from estimated data. Ratios are estimated with a GLM model that aggregates temporal data and uses the following factors: quarter, fleet, area (costal-oceanic) and distance from the 5 degree north latitude. Each circle within a grid represents estimates for each quarter.

0 to 1E-005 1E-005 to 0.2 0.20001 to 0.4 0.40001 to 0.6 0.60001 to 0.8 0.80001 to 1

100° 90° 80° 70° 60° 50° 40° 30° 20° 10° 0° 10° 20° 30°

100° 90° 80° 70° 60° 50° 40° 30° 20° 10° 0° 10° 20° 30°

50°

45°

40°

35°

30°

25°

20°

15°

10°

5°

0°

5°

10°

15°

20°

25°

30°

35°

40°

45°

50°

50°

45°

40°

35°

30°

25°

20°

15°

10°

5°

0°

5°

10°

15°

20°

25°

30°

35°

40°

45°

50°

1583 

Figure 4. Total catches of sailfish estimated for each stock. Estimates include catches from longline fleets that were separated from those of spearfish.

0

1000

2000

3000

4000

5000

6000

1957 1966 1975 1984 1993 2002

Catch (ton

s)

WEST

EAST

1584 

West – Japan

West - USA

West – Venezuela West - Brasil

East - Japan

East – Artisanal

Figure 5. Relative abundance indices obtained by standardizing CPUE data for various fleets. All indices were scaled to the mean of each series prior to graphing.

0

0.5

1

1.5

2

2.5

3

3.5

1950 1960 1970 1980 1990 2000 2010

JPN LL‐3

JPN LL‐1

JPN LL‐2

0

0.5

1

1.5

2

2.5

3

1950 1960 1970 1980 1990 2000 2010

US LL1

US LL2

US LL3

US RR1

US RR2

0

0.5

1

1.5

2

2.5

3

3.5

4

4.5

5

1950 1960 1970 1980 1990 2000 2010

VEN RR

VEN GL

VEN LL

0

0.5

1

1.5

2

2.5

3

1950 1960 1970 1980 1990 2000 2010

BRZ LL

BRZ RR

0

1

2

3

4

5

6

1950 1960 1970 1980 1990 2000 2010

JPN LL2

JPN LL3

JPN LL‐1

0

0.5

1

1.5

2

2.5

3

3.5

1950 1960 1970 1980 1990 2000 2010

CIV AR

GHN AR

SEN AR

1585 

a)  

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

1961

1963

1965

1967

1969

1971

1973

1975

1977

1979

1981

1983

1985

1987

1989

1991

1993

1995

1997

1999

2001

2003

2005

2007

Combine

d CP

UE

Western stock

Un‐weightedweighted‐catchweighted‐area

 

b)

0

1

2

3

4

5

6

1967

1969

1971

1973

1975

1977

1979

1981

1983

1985

1987

1989

1991

1993

1995

1997

1999

2001

2003

2005

2007

Combine

d CP

UE

Eastern stock

Un‐weighted

weighted‐catch

Weighted‐area

  Figure 6. Estimated combined indexes of abundance for the a) western and b) eastern stocks. Indices differ because of the different weighting used in the process of combination: “weighted-catch” correspond to weighting proportional to the reported catch associated with the fleet corresponding to the index, “weighted area” to weighting proportional to area of the fishery (measured by the number of 5 degree grids) where catch was reported for the fleet associated with the index.  

1586 

 

 

Figure 7. ASPIC fit model results of case F2 fpr the eastern stock. Each panel correspond to the fit of the model to each of the cpue indices, from top left, Japan LL1 and Jap LL2, top right, CIV ART, bottom left SEN ART and bottom right GHA GIL.

 

Figure 8. Results of ASPIC fit of case O9 for the western stock fit to all available indices. Trends in time of fishing and biomass ratios plotted in a phase plot that indicates when overfishing and overfished reference points are reached. Numbers next to diamonds denote the year of the estimate.  

5659

62

6568

71

747780

8386

89

929598

0104

07

0

0.2

0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

2

0.50  0.70  0.90  1.10  1.30  1.50  1.70  1.90 

F/Fm

sy

B/Bmsy

Phase plot trayectory SAI West 

1587 

Figure 9. Results of fits for ASPIC case O9 for the western stock (top row) and O7 for the eastern stock (lower row). Probability distribution and cumulative distribution (circles) for the last year (2008) of total stock biomass (left panel) and fishing mortality rates (right panel). Description of cases provided in Appendix 9.  

Percent Frequency Cumulative Probability

0.00

2.00

4.00

6.00

8.00

10.00

12.00

14.00

16.00

18.00

20.00

Per

cen

t F

req

ue

ncy

0.00

10.00

20.00

30.00

40.00

50.00

60.00

70.00

80.00

90.00

100.00

Cum

ulative

Probability

9000 12000 15000 18000 21000 24000Total Stock Biomass (mt)

Precision of 2008 Estimates of BiomassF:\Sailfish09\SAI\AspicRunMaO\case3east.bio

1588 

Figure 10. Results of ASPIC fit of case O7 for the eastern stock. Contours represent non-parametric density quantiles of the 500 bootstrap runs and points each of the runs. Left panel Fishing mortality and biomass ratios, right panel Fishing mortality and biomass at MSY. Description of cases provided in Appendix 9.

Figure 11. Production model results for the western Atlantic data (combined index, catch-weighted) fitted with EXCEL.The results show either the trajectories of F/FMSY (top row) or B/BMSY (bottom row). On the left are the results for a Schaefer model, and on the right, the results for a Fox model. Each panel shows the fits obtained either with equal weighting of the CPUE observations, or down-weighting the historical data.  

0

0.2

0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

2F

2007

/Fm

sy

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2

B2007/Bmsy

.1 .2 .3 .4 .5 .6 .7 .8 .9 Quantile Density Contours

Bivariate phase plot of F2007/Fmsy By B2007/Bmsy East SAI case 3

0.1

0.15

0.2

0.25

0.3

0.35

0.4

Fm

sy

10000 20000

Bmsy

.1 .2 .3 .4 .5 .6 .7 .8 .9 Quantile Density Contours

Bivariate relationship between PM parameters East SAI Case 3

SCHAEFER FOX

0

1

2

3

4

5

6

1950 1970 1990 2010

F/Fm

sy

Year

EqualDownWt

0

0.5

1

1.5

2

2.5

3

1950 1970 1990 2010

B/Bm

sy

Year

Equal

DownWt

0

1

2

3

4

5

6

1950 1970 1990 2010

F/Fm

sy

Year

EqualDownWt

0

0.5

1

1.5

2

2.5

3

1950 1970 1990 2010

B/Bm

sy

Year

Equal

DownWt

1589 

Figure 12. Bayesian production model, marginal priors for r, k and q. Dashed lines stand for the non-informative, while continuous lines stand for the informative prior.

Figure 13. Bayesian production model, indices and biomass profiles as calculated using informative (upper row) and non-informative priors (lower row) for the western stock.    

1590 

Figure 14. Bayesian production model, indices and biomass profiles as calculated using informative (upper row) and non-informative priors (lower row) for the eastern stock.

1591 

 Figure 15. Uncertainty in estimates of r and K for different cases of production models that differ according to the model/data combination used. Three cases that produced r estimates of 4 or a K estimate of almost 900,000 tons are excluded from this graph. Furthermore, cases denoted by light colors represent additional cases not considered in further analyses because values of r were either smaller than 0.01 or larger than 0.9.  

  Figure 16. Uncertainty in estimates of K and MSY for different cases of production models that differ according to the model/data combination used.    

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

0 20000 40000 60000 80000 100000

r

K

EWEW

0

10000

20000

30000

40000

50000

60000

70000

0 500 1000 1500 2000 2500 3000

K

MSY

EAST

WEST

1592 

  Figure 17. Uncertainty in estimates of recent biomass ratio and fishing mortality ratio for different cases of production models that differ according to the model/data combination used.   

  Figure 18. Results of ASPIC fit of case O9. Boostratpped estimates of Biomass and fishing mortality ratios of terminal year with the median value (red-circle).     

0

1

2

3

4

5

6

7

8

9

10

0 0.2 0.4 0.6 0.8 1 1.2 1.4

F200

7/Fm

sy

B2006/Bmsy

EAST WEST

0

0.5

1

1.5

2

2.5

3

3.5

4

4.5

5

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2

F200

7/Fm

sy

B2007/Bmsy

SAI West All index

1593 

 a) Western Stock

b) Eastern Stock

Figure 19. Trends in recent (1990-2007) abundance according to CPUE indices available. A) western stock b) eastern stock. Left hand column represent scaled indices, right hand column the same indices but smoothed through LOESS.    

0.00

0.50

1.00

1.50

2.00

2.50

3.00

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007

Year

CP

UE

VEN-RR VEN-GN

VEN-LL BRA-LL

US-RBS US-MRFSS

US-PLL BRA-RR

JPN-LL

0.0

0.5

1.0

1.5

2.0

2.5

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007

Year

CP

UE

(Loess

sm

ooth

ed)

US PLOP kg (span = 0.5) US PLL kg (span = 0.5) US PLL fish (span = 0.5)

US RBS fish (span = 0.5) US MRFSS fish (span = 0.5) VEN RR fish (span = 1.3)

VEN gill kg (span = 0.5) VEN LL kg (span = 0.5) BRA LL fish (span = 0.5)

BRA RR fish span = 0.5) JPN LL fish (span = 0.5)

0.0

0.5

1.0

1.5

2.0

2.5

3.0

3.5

1990 1992 1994 1996 1998 2000 2002 2004 2006Year

CP

UE

SEN Art fish

CIV gill fish

JPN LL fish

GHA gill kg

0.0

0.5

1.0

1.5

2.0

1990 1992 1994 1996 1998 2000 2002 2004 2006

Sm

oo

the

d In

de

x

JPN LL fish (span = 0.5) CIV gill fish (span = 0.5)

SEN Art fish (span = 0.5) GHA gill kg (span = 0.5)

1594 

Figure 20. Generalized additive model fits of the available CPUE indices from SAI-West (1990-2007).

1595 

Figure 21. Generalized additive model fits of the available CPUE indices from SAI-East (1990-2007).

1596 

Figure 22. Estimated confidence intervals for median of the CPUE ratios, relative to the standard year 2000 for SAI-West.

Figure 23. Estimated confidence intervals for median of the CPUE ratios, relative to the standard year 2000 for SAI-East.    

0.0

0.2

0.4

0.6

0.8

1.0

1.2

1.4

1.6

2000 2001 2002 2003 2004 2005 2006 2007Year

Rat

io I

ndex

0.0

0.5

1.0

1.5

2.0

2.5

2000 2001 2002 2003 2004 2005 2006 2007

Year

Rat

io I

ndex

1597 

 

 

Figure 24. SAI-West: length frequency statistics- 75% quartile, median, 25% quartile taken in the Atlantic Ocean (1971-2007) by the Brazilian, Japanese, Chinese Taipei, Japanese Far Seas longline fleets, and Venezuelan artisanal and Venezuelan gillnet fleets. Lengths are lower jaw-fork length (cm).

0

50

100

150

200

250

1971

1973

1975

1977

1979

1981

1983

1985

1987

1989

1991

1993

1995

1997

1999

2001

2003

2005

2007

VEN - GN

0

50

100

150

200

250

1971

1973

1975

1977

1979

1981

1983

1985

1987

1989

1991

1993

1995

1997

1999

2001

2003

2005

2007

BRA - LL

0

50

100

150

200

250

1971

1973

1975

1977

1979

1981

1983

1985

1987

1989

1991

1993

1995

1997

1999

2001

2003

2005

2007

VEN - Art

0

50

100

150

200

250

1971

1973

1975

1977

1979

1981

1983

1985

1987

1989

1991

1993

1995

1997

1999

2001

2003

2005

2007

JPN - LL

0

50

100

150

200

250

1971

1973

1975

1977

1979

1981

1983

1985

1987

1989

1991

1993

1995

1997

1999

2001

2003

2005

2007

TAI - LL

0

50

100

150

200

250

1971

1973

1975

1977

1979

1981

1983

1985

1987

1989

1991

1993

1995

1997

1999

2001

2003

2005

2007

JPNF - LL

Year

Low

er ja

w-f

ork

leng

th (c

m

1598 

 

 

Figure 25. SAI-East: length frequency statistics- 75% quartile, median, 25% quartile taken in the Atlantic Ocean (1971-2007) by the Brazilian, Japanese, Chinese Taipei, longline fleets, and Ghanaian and Côte d’Ivoire gillnet fleets. Lengths are lower jaw-fork length (cm).  

0

50

100

150

200

250

1971

1973

1975

1977

1979

1981

1983

1985

1987

1989

1991

1993

1995

1997

1999

2001

2003

2005

2007

CIV - GN

0

50

100

150

200

250

1971

1973

1975

1977

1979

1981

1983

1985

1987

1989

1991

1993

1995

1997

1999

2001

2003

2005

2007

JPN - LL

0

50

100

150

200

250

1971

1973

1975

1977

1979

1981

1983

1985

1987

1989

1991

1993

1995

1997

1999

2001

2003

2005

2007

TAI - LL

0

50

100

150

200

250

1971

1973

1975

1977

1979

1981

1983

1985

1987

1989

1991

1993

1995

1997

1999

2001

2003

2005

2007

GHA - GN

0

50

100

150

200

250

1971

1973

1975

1977

1979

1981

1983

1985

1987

1989

1991

1993

1995

1997

1999

2001

2003

2005

2007

BRA - LL

Year

Low

er ja

w-fork

length

(cm

1599

Appendix 1

AGENDA 1. Opening, adoption of the Agenda and meeting arrangements

2. Update of data for assessment 2.1. Biology

2.2 Catch estimates

2.2.1 Separation of sailfish and spearfish catch in longline fleets

2.3 Relative Abundance estimates

3. Assessment

3.1 Review of methods for assessment

3.2 Production model assessments

3.2.1 Stock structure: alternative scenarios

3.3 Other assessment models

4. Management implications of stock status determination

5. Executive summary for sailfish

6. Other matters, sailfish

7. Other matters, all billfish

7.1 Progress of billfish work plan

7.2 Enhanced research program for billfish

8. Report adoption and closure

Appendix 2

LIST OF PARTICIPANTS SCRS CHAIRMAN Scott, Gerald P. NOAA Fisheries, Southeast Fisheries Science Center Sustainable Fisheries Division, 75 Virginia Beach Drive, Miami, Florida 33149, Tel: +1 305 361 4261, Fax: +1 305 361 4219, E-Mail: gerry.scott@noaa.gov CONTRACTING PARTIES BRAZIL Agrelli Andrade, Humber UFRPE/DEPAq, Laboratorio de Oceanografía Pesqueira (LOP), Rua Dom Manuel de Medeiros, s/n, Dois Irmaos, Recife-PE Tel: +55 81 3320 6500, Fax: +55 81 3320 6501, E-Mail: humber.andrade@gmail.com

Ferreira de Amorim, Alberto Centro de Pesquisa Pesqueira Marinha do Instituto de Pesca, Avenida Bartholomeu de Guzmao, 192, Santos, Sâo Paulo Tel: +55 13 3261 5529, Fax: +55 13 3261 1900, E-Mail: crisamorim@uol.com.br

Hazin, Fabio H.V. Commission Chairman, Universidade Federal Rural de Pernambuco-UFRPE, Departamento de Pesca e Aqüicultura- DEPAq, Rua Desembargador Célio de Castro Montenegro, 32-Apto 1702, Monteiro Recife, Pernambuco Tel: +55 81 3320 6500, Fax: +55 81 3320 6512, E-Mail: fabio.hazin@depaq.ufrpe.br

Hazin, Humberto UFRPE/DEPAq, Laboratorio de Oceanografía Pesqueira (LOP), Rua Dom Manuel de Medeiros, s/n, Dois Irmaos, Recife-PE Tel: +55 81 3320 6500, Fax: +55 81 3320 6501, E-Mail: hghazin@hotmail.com

Leite Mourato, Bruno Rua Dom Manoel de Medeiros s/n - Dois Irmaos, Recife, Pernambuco Tel: +55 81 33206512, E-Mail: bruno.pesca@gmail.com

1600

Macedo Gomes De Mattos, Sergio Secretaria Especial de Aquicultura e Pesca, Escritorio no Estado de Pernambuco, Av. Gal.San Martin, 1000 - Bongi, Recife, Pernambuco Tel: +55 81 3228 4492, Fax: +55 81 3227 9630

Wor, Catarina Universidade Federal rural de Pernambuco-UFRPE, Departamento de Pesca e Aqüicultura-DEPAq, Rua Dom Manoel de Medeiros, s/n - Dois Irmaos, 52171-900, Recife, Pernambuco Tel: +55 81 3320 6511, Fax: +55 81 3320 6512, E-Mail: catarinawor@gmail.com SENEGAL Ngom Sow, Fambaye Chargé de Recherches, Centre de Recherches Océanographiques de Dakar Thiaroye-CRODT/ISRA, LNERV-Route du Front de Terre, BP 2241, Dakar Tel: +221 33 823 8265, Fax: +221 33 832 8262, E-Mail: famngom@yahoo.com UNITED STATES Díaz, Guillermo NOAA/Fisheries, Office of Science and Technology, National Marine Fisheries Service, 1315 East-West Highway, Silver Spring, MD, 20910 Tel: +1 301 713 2363, Fax: +1 301 713 1875 Die, David Cooperative Unit for Fisheries Education & Research, University of Miami, 4600 Rickenbacker Causeway, Miami, Florida 33149 Tel: +1 305 421 4607, Fax: +1 305 421 4221 Fitchett, Mark University of RSMAS, 4600 Rickenbacker Causeway, Miami, Florida 33149 Tel: +1 305 989 8308, Fax: +1 305 421 4600, E-Mail: mfitchett@rsmas.miami.edu Goodyear, Phil 1214 North Lakeshore Drive, Niceville, Florida 32518 Tel: +1 850 897 2666, Fax: +1 850897 2666, E-Mail: philgoodyear@cox.net Hoolihan, John NOAA Fisheries, Southeast Fisheries Science Center, 75 Virginia Beach Drive, Miami, Florida 33149 Tel: +1 305 365 4116, Fax: +1 305 361 4562, E-Mail: john.hoolihan@noaa.gov Ortiz, Mauricio NOAA Fisheries, Southeast Fisheries Science Center, 75 Virginia Beach Drive, Miami, Florida 33149 Tel: +1 305 361 4288, Fax: +1 305 361 4562, E-Mail: mauricio.ortiz@noaa.gov Prince, Eric D. NOAA Fisheries, Southeast Fisheries Science Center, 75 Virginia Beach Drive, Miami, Florida 33149 Tel: +1 305 361 4248, Fax: +1 305 361 4219, E-Mail: eric.prince@noaa.gov VENEZUELA Arocha, Freddy Instituto Oceanográfico de Venezuela Universidad de Oriente, , A.P. 204, 6101, Cumaná, Estado Sucre Tel: +58293 400 2111- movil: 58 416 693 0389, Fax: , E-Mail: farochap@gmail.com

**********

ICCAT SECRETARIAT C/ Corazón de María, 8 - 6 Planta, 28002 Madrid, Spain

Tel: + 34 91 416 5600, Fax: +34 91 415 2612, E-Mail: info@iccat.int

Restrepo, Victor

1601

Appendix 3

LIST OF DOCUMENTS SCRS/2009/025 Sex ratio at size of sailfish (Istiophorus albicans) from the Venezuelan fishery off the

Caribbean Sea and adjacent areas. F. Arocha, L. Marcano and J. Silva. SCRS/2009/032 Exploitation des poissons porte-épées par la pêcherie artisanale maritime en Côte d’Ivoire.

I: CPUE standardisée des voiliers de l’Atlantique, Istiophorus albicans. N’Da K., G.R. Dedo.

SCRS/2009/033 Standardized catch rates for sailfish (Istiophorus albicans) from the Venezuelan pelagic

longline fishery off the Caribbean Sea and adjacent areas: An update for 1991-2007. F. Arocha and M. Ortiz.

SCRS/2009/045 Updated sailfish (Istiophorus platypterus) catch rates from the U.S. pelagic longline fishery

in the northwest Atlantic and Gulf of Mexico 1986-2008. M. Ortiz, G.A. Diaz and J.P. Hoolihan.

SCRS/2009/046 Updated estimates of sailfish catch-per-unit-effort for the U.S. Recreational Billfish

Tournaments and U.S. recreational fishery (1973-2008). J.P. Hoolihan, M. Ortiz, G.A. Diaz, and E.D. Prince.

SCRS/2009/047 U.S. conventional tagging results for Atlantic sailfish (1954-2008), with comments on

possible stock structures. E. Orbesen, D. Snodgrass, J. Hoolihan and E. Prince. SCRS/2009/048 Sailfish (Istiophorus platypterus) habitat utilization in the southern Gulf of Mexico and

Florida Straits, with implications on vulnerability to shallow-set pelagic longline gear. D.W. Kerstetter, S.M. Bayse and J.E. Graves.

SCRS/2009/049 CPUE standardization of the U.S. longline observer data using StatHBS C. P. Goodyear. SCRS/2009/051 Changes in billfish catch rates due to the use of different hooks and baits in the

configuration of the surface longline gear targeting swordfish (Xiphias gladius) in the Atlantic ocean. J. Mejuto, J. Ortiz de Urbina, A. Ramos-Cartelle and B. García-Cortés.

SCRS/2009/052 Prevalence of istiophorids (fam. Istiophoridae) on the basis of observations of the Spanish

surface longline fleet targeting swordfish (Xiphias gladius) in the Atlantic Ocean. B. García-Cortés, J. Fernández, A. Ramos-Cartelle and J. Mejuto.

SCRS/2009/054 Relative abundance indices for sailfish from the artisanal fleet from Senegal. Y. Diatta, D.J.

Die and M.D. Fitchett. SCRS/2009/063 First observations of migratory movements and habitat preference of Atlantic sailfish,

Istiophorus platypterus, in the southwestern Atlantic Ocean. B. L. Mourato, F.C. Carvalho, F.H.V. Hazin, J.C. Pacheco, H.G. Hazin, P. Travassos and A.F. Amorim.

SCRS/2009/064 Estimating the sailfish and spearfish catch ratios based on Brazilian longline observer data

in the equatorial and south Atlantic Ocean. C. Wor, B.L. Mourato, F.H.V. Hazin, H.G. Hazin and P. Travassos.

SCRS/2009/065 Ratios of sailfish and spearfish in longline observer data. D. Die. SCRS/2009/066 Standardized catch rate of sailfish (Istiophorus platypterus) caught by Brazilian longliners

in the Atlantic ocean (1978-2008). C. Wor, B.L. Mourato, H.G. Hazin, F.H.V. Hazin, P. Travassos and H. Andrade, H.

SCRS/2009/067 Update of standardized CPUE for sailfish caught by Japanese longline in the Atlantic

Ocean. K. Yokawa.

1602

Appendix 4

BILLFISH WORK PLAN Summary The Working Group proposed to conduct the next assessment of sailfish in 2009.

The Working Group is planning new assessments for blue marlin and white marlin in 2011, with a preceding data preparatory meeting to be held in 2010. To achieve this, the Working Group needs to continue with developing methods to better interpret the historical changes in billfish CPUE from longline data; and, the continued improvement of biological parameters, catch and relative abundance of marlins. Background The last stock assessments for blue marlin and white marlin were conducted in 2006 (Anon. 2007b). No assessments have ever been conducted on spearfish. The last attempted assessment for sailfish (Anon. 2002) was unable to estimate biological reference points such as maximum sustainable yield or the current state of the stock, mainly because of the uncertainty in the basic data required in the assessment. ICCAT has invested in billfish research for the purpose of improving the quality of data needed for stock assessments. However, additional information is still required to elucidate biological characteristics (e.g. defining essential habitat, survival, and growth), catch statistics (particularly for artisanal fisheries), and relative abundance indices. Work completed in 2008

− A data preparatory meeting for the sailfish assessment was held in May 2008.

− The estimation of age and growth parameters has been completed for white marlin. Work is in progress on an equivalent study of blue marlin, while new studies are just getting underway for sailfish and longbill spearfish.

− A study on blue marlin reproduction off West Africa was completed, but similar work on sailfish in the same area requires an additional year for completion.

− A research project is underway to identify genetic biomarkers for Atlantic billfishes, with emphasis on delineating the genetic stock structure of white marlin and roundscale spearfish. The project is supported through international collaboration and facilitated by members of the ICCAT Billfish Species Group.

− Research on vertical habitat of sailfish and white marlin expanded in 2008, whereas equivalent research on blue marlin was conducted in earlier years.

− The review of billfish catches from artisanal fleets continued, especially in West Africa; however, a more recent smaller initiative has started in the Caribbean with a study in the Dominican Republic.

− New relative abundance indices for sailfish were obtained from several recreational, artisanal and longline fleets. Several previously available sailfish indices were updated. A new index was obtained for West African blue marlin.

− A review of Atlantic-wide sailfish catches was conducted, however, there is still a need to separate spearfish from some of the historical longline catches. To that extent, preliminary ratios of sailfish/spearfish have been developed by 5 degree grid.

Proposed work for 2009

Work can be separated into two major programs, one aimed at preparing the next sailfish assessment, and the other at preparing for future blue marlin and white marlin assessments. In preparation for the 2009 sailfish assessment the following analyses are required: − Continue the collection and analysis of biological samples to study the age, growth and reproduction of

sailfish in Côte d’Ivoire.

− Continue the efforts of reviewing catch estimates, especially for those countries that are known to land sailfish but do not report it to ICCAT.

1603

− The relative abundance indices of the following fleets need to be updated to provide estimates that include the year 2007:

- Japanese longline - Chinese Taipei longline

− Analyses of data from the following artisanal fleets need to be initiated, or completed, to obtain new relative abundance indices for all important artisanal fleets:

- Côte d’Ivoire - Ghana - Sao Tomé and Principe

− If possible, updates should be conducted for those indices presented before the 2009 sailfish assessment so that they include data through year 2007. Additionally, a summary of all available size frequency data should be provided for all fleets.

− In order to prepare for an assessment of blue marlin and white marlin in 2011 the Working Group should prepare and plan for a marlin data preparatory meeting in 2010 that focuses on:

- developing methods and data analyses that can facilitate the interpretation of historical longline CPUE indices;

− accounting for under-reporting in the fleets that have been required to release marlins;

- recovering and compiling statistics on marlin catches made by FAD fisheries from the Caribbean;

- Use genetic analyses to review the reliability of species identification for marlins and spearfish, as reported by the various fleets and observer programs;

- Post-release survival of marlins.

Appendix 5

A GENERALISED LINEAR MODEL FOR THE RATIO OF SAILFISH TO SPEARFISH IN ATLANTIC LONGLINE CATCHES

By Humber Andrade

The selection of the generalized linear model used to predict the ratio sailfish/(sailfish + spearfish) was based on Akaike Information Criteria and chi-square tests on the deviance table (Table 1). In spite of the model appearing overparameterized, it was accepted because the intention was to derive a prediction that closely resembled the observed data. The main factors explaining the variance are “areaf” (fishing area), “lav” (distance from equatorial area) and “Fleet”. The summary of the coefficients estimated using the model are shown in Table 2. Fleets that really differ from the intercept (Brazilian fleet) are Chinese Taipei (TAI) and Venezuela (VEN). Coastal area (areaf1) has a strong positive effect if compared with the intercept (oceanic areas). The distance from the equatorial area, as measured by covariate “lav” also showed a positive effect. Hence, the models predictions suggest that the ratio sailfish/(sailfish+spearfish) are greater in coastal and equatorial areas than in other scenarios. Comparisons between predicted and observed data are in Figure 1. Overall, the predictions seem biased, although the prediction errors were deemed acceptable given the available data for the analysis. Nevertheless, future efforts to use these predictions models are encouraged by the group.

1604

Table 1. Deviance table for the generalized model used to predict the ratio sailfish/(sailfish + spearfish) for the Atlantic Ocean. Besides “Fleet”, “qf” and “areaf” are also factors standing for quarter and area (oceanic or coastal) effects. “lav” is a continuous variable representing the distance of fishing set with respect to the equatorial area. Akaike’s Information Criterion was 28161.64 and the proportion of variance explained by the model is 0.61. Column entitled “Dev.Exp1” stands for the proportion of total explained variance (0.61) that are due to the inclusion of each term in the model. Column “Dev.Exp2” stands for the proportion of data variance explained by each factor or covariate.

Df Deviance Resid. Df Resid. Dev P(>|Chi|) Dev.Exp1 Dev.Exp2

NULL 1206 67636.65 Fleet 5 8422.32 1201 59214.33 0 20.36 12.45

qf 3 528.87 1198 58685.46 2.64E-114 1.28 0.78

areaf 1 16641.87 1197 42043.59 0 40.24 24.6

lav 1 12884.71 1196 29158.88 0 31.15 19.05

Fleet:qf 12 1141.26 1184 28017.61 7.66E-237 2.76 1.69

Fleet:areaf 5 878.96 1179 27138.66 9.54E-188 2.13 1.3

Fleet:lav 5 634.51 1174 26504.14 7.04E-135 1.53 0.94

qf:areaf 3 8.04 1171 26496.1 0.05 0.02 0.01

qf:lav 3 65.14 1168 26430.96 4.68E-014 0.16 0.1

areaf:lav 1 153.75 1167 26277.2 2.62E-035 0.37 0.23 Table 2. Summary of the coefficients estimated using the model.

Estimate Std. Error z value

(Intercept) 0.75 0.17 4.36 1.31E-005FleetJapan -0.09 0.13 -0.67 0.5

FleetSpain 0.21 0.29 0.72 0.47

FleetTAIP 5.09 0.23 22.36 <2E-016

FleetUSA -0.15 0.37 -0.39 0.69

FleetVzla -3.73 0.27 -14.04 <2E-016

qf2 0.07 0.18 0.39 0.7

qf3 0.2 0.18 1.14 0.25

qf4 0.06 0.17 0.37 0.71

areaf1 1.04 0.17 6.3 2.95E-010

lav -0.05 0.01 -7.61 2.80E-014

FleetJapan:qf2 NA NA NA NA

FleetSpain:qf2 0.37 0.29 1.3 0.19

FleetTAIP:qf2 -1.76 0.19 -9.16 <2E-016

FleetUSA:qf2 2.14 0.28 7.72 1.17E-014

FleetVzla:qf2 0.54 0.13 4.08 4.59E-005

FleetJapan:qf3 NA NA NA NA

FleetSpain:qf3 2.3 0.32 7.09 1.33E-012

FleetTAIP:qf3 -3.15 0.19 -16.28 <2E-016

FleetUSA:qf3 4.69 0.32 14.49 <2E-016

FleetVzla:qf3 2.06 0.12 17.56 <2E-016

FleetJapan:qf4 NA NA NA NA

FleetSpain:qf4 0.02 0.3 0.06 0.95

FleetTAIP:qf4 -2.49 0.19 -13.26 <2E-016

FleetUSA:qf4 1.81 0.32 5.58 2.36E-008

FleetVzla:qf4 1.05 0.11 9.67 <2E-016

1605

FleetJapan:areaf1 0.59 0.12 4.91 9.15E-007

FleetSpain:areaf1 -0.12 0.16 -0.73 0.46

FleetTAIP:areaf1 1.95 0.1 19.48 <2E-016

FleetUSA:areaf1 2.65 0.25 10.68 <2E-016

FleetVzla:areaf1 2.64 0.17 15.18 <2E-016

FleetJapan:lav -0.09 0.01 -13.83 <2E-016

FleetSpain:lav -0.08 0.01 -7.95 1.80E-015

FleetTAIP:lav -0.22 0.01 -24.15 <2E-016

FleetUSA:lav -0.04 0.02 -2.31 0.02

FleetVzla:lav 0.04 0.02 2 0.05

qf2:areaf1 -0.04 0.17 -0.23 0.82

qf3:areaf1 -0.79 0.16 -4.84 1.32E-006

qf4:areaf1 -0.22 0.16 -1.39 0.17

qf2:lav -0.01 0.01 -1.8 0.07

qf3:lav -0.06 0.01 -7 2.53E-012

qf4:lav 0 0.01 0.43 0.67

areaf1:lav -0.06 0 -12.41 <2E-016

Figure 1. Scatterplot for predicted and observed sailfish/(sailfish+spearfish) ratio (left panel), boxplot for the difference between observed and predicted ratio (mid panel), and estimated proportion of predictions that result in error larger than those showed in the x-axis (right panel). Calculations were for cells in which the number of fish observed was greater than 10.

1606

Appendix 6

ANALYSES OF CPUE DATA FOR SEVERAL LONGLINE FISHERIES

By Gerry Scott and Mauricio Ortiz Through more than half of the time allocated for the sailfish assessment Working Group meeting, no updated, standardized catch rates time series were available from two of the fleets upon which previous sailfish stock assessments were based. This lack of information severely hampered the progress the Working Group could make in assessing the stock status and advising the Commission, since much effort was directed toward attempting to recover and analyze this information through the ICCAT data bases. While partial information from the Japanese fleet was sent to the WG late in the meeting, no new analysis was forthcoming from scientists having access to a full time series of catch-effort data from the Chinese Taipei fleet. Recognizing the lack of information, the Working Group decided to analyze the available catch-effort information available at the Secretariat from the Japanese, Chinese Taipei, and Korean fleets using aggregated catch-effort data. Two approaches were used. The first approach relied on the CATDIS and longline effort estimates data files, which provide information on longline catch and effort at a 5x5xcalendar quarter spatial-temporal scale. The CATDIS catch estimates used were those resulting from the Working Group separation of sailfish from spearfish for Japanese, Chinese-Taipei, and Korean longline fleets, as described in Section 2.a of this report. For these analyses, simple GLMs of the natural log-transformed catch kg / 1000 hooks by 5x5 cell were modeled across the entire area of fishing, controlling for each 5x5 lat-lon, calendar quarter, and year in the analysis. To some degree this approach accounts for targeting effects to a level whereby the fine spatial scale of the analysis is a proxy for targeting. Below the model formulation and summary outputs. Figure 1 draws comparison between the standardized catch rate patterns resulting from this analysis and those used in the 2001 assessment and an update which became available to the Working Group late in the meeting. The spatial extent of the data used in the analysis conducted by the Working Group was broader than used in the 2001 analysis, as only 5x5 degree aggregated data were available to the Working Group. SAS Code used to generate catch rate patterns from CATDIS and Hook estimates.is available at the ICCAT Secretariat.

Figure 1. Comparison of sailfish catch rates resulting from analysis of CATDIS and hooks data sets for Japanese (left) and Chinese Taipei (right) longline with those available in 2001 or updated by national scientists.

1607

Appendix 7

CALCULATION OF A STANDARDIZED CPUE FOR THE FISHERY OF GHANA

By Mark Fitchett Artisanal fisheries from Ghana have had documented catch and effort on a monthly time scale from 1974 to 2007. Data was collected in metric tons (mt) and effort in trips taken. Gear and methodology is gillnet using small-scale canoes. CPUE was analyzed by implementing a GLM approach using Statistical Analystical Software (SAS). Data from years 1983, 1988, 1990, and 1991 were omitted due to perceived sampling errors during a time period of economic hardship in Ghana. A preliminary GLM using data from 1974 to 2007 was run using log-transformed and box-cox powers data (powers = 0.227) assuming a Gaussian error distribution (passing tests for normality). The preliminary GLM used year, fishing season (high and low), and a year*season interaction. High season included months October to May while a low season included months June to September. An apparent discontinuity in CPUE is observed and the model fit was poor. Upon review of effort reported, it is noted that from 1974 to 1990, data was report in area units of 1x1 degree grid squares and in 5x5 grid squares from 1991 to 2007. In addition, further review of effort patterns of the number of canoes in the fishery versus total trips reported suggests that effort was reported on a different scale or possibly different units prior to 1990 when trips were the unit of effort, such as hours fished (Figure 2). For the development of an index of abundance, years 1992 to 2007 were used (figure 3). Effort used in trips per month and catch in metric tons (mt) per month. Zero catch made up less than 3.5%, but were not discarded. A small constant of 1x10-8 was added to CPUE. Data was transformed in the R program to normality using Box-Cox Powers (power=0.2292) and passed a test of normality using a CVM test. CPUE was analyzed by implementing a GLM approach using Statistical Analystical Software (SAS). The GLM used effects of year, season, and a year*season interaction. Season (four month periods) were defined as January-April, May-August, and September-December (Table 1). The Ghana starndardised CPUE series (Table 2 and Figure 4) shows a slightly declining trend from 1993 to 2007, with a peak in 1996 and 2003 and a minimum in 2000 and 2006. In addition, further analyses of the Ghana gillnet fishery suggests a need to explore environmental impacts such as the effects of upwelling depicted in figure 5. Table 1. ANOVA Table for GLM using CPUE = Year + Season+ Year* Season

Source df Sum Squares Mean Square F Value Pr > F Year 15 0.29460662 0.01964044 3.72 <.0001 Season 2 0.50612532 0.25306266 47.94 <.0001 Year*Season 28 0.27287553 0.00974555 1.85 0.0111

R-Square Coeff Var Root MSE Response Mean

0.597521 21.62864 0.07265 0.335914

1608

Table 2. Relative abundance of sailfish from the Ghana gillnet fishery.

Year Mean Lower Upper 1993 0.015182 0.009207 0.023777 1994 0.01445 0.008711 0.022741 1995 0.006098 0.003264 0.010534 1996 0.017662 0.010906 0.027261 1997 0.007446 0.004106 0.012569 1998 0.006951 0.003795 0.011825 1999 0.004339 0.002198 0.007813 2000 0.003182 0.001527 0.005966 2001 0.007527 0.004158 0.01269 2002 0.013536 0.008094 0.021441 2003 0.016116 0.009845 0.025094 2004 0.005979 0.003191 0.010353 2005 0.010101 0.005814 0.01649 2006 0.005128 0.002671 0.009045 2007 0.00571 0.003025 0.009941

Figure 1. Preliminary CPUE index of sailfish for Ghana gillnet fishery.

0

0.005

0.01

0.015

0.02

0.025

0.03

1971 1974 1977 1980 1983 1986 1989 1992 1995 1998 2001 2004 2007 2010

LSMEAN

Upper 95% CI

Lower 95% CI

Nominal CPUE

1609

Figure 2. Relationship of canoes in the Ghana gillnet fishery versus trip reported (by month) from 1974-1990 and 1991-2007.

Figure 3. Histogram of data from 1993-2007 Transformed CPUE data using Box-Cox Powers method and a simulated normal curve.

0

20000

40000

60000

80000

100000

120000

140000

160000

0 50 100 150 200 250 300 350 400 450

No. of Canoes

Tri

ps

re

po

rte

d

1974 to 1990

1991 to 2007

1610

Figure 4. Standardized Ghana CPUE Index from years 1993 to 2007.

Figure 5. Map of montly altimetry sea surface height anomaly (SSHA) of the West African coast during an exceptionally poor fishing month. (left) and an exceptionally successful fishing month (right).

0

0.005

0.01

0.015

0.02

0.025

0.03

19

92

19

93

19

94

19

95

19

96

19

97

19

98

19

99

20

00

20

01

20

02

20

03

20

04

20

05

20

06

20

07

20

08

LSMeans

Lower 95% C.I.

Upper 95% C.I.

Nominal CPUE

1611

Appendix 8

A BAYESIAN PRODUCTION MODEL FOR ATLANTIC SAILFISH

By Humber Andrade

A biomass dynamic model was used because only catch and catch rate times series were available. Despite simple models lacking realism, the result gathered with them are in many situations as useful as those obtained with more complex, more data demanding models (Ludwig & Walters 1985).

We used the following version of the Schaefer model.

(1) uttttt ekBBr+CB=B /1 1111

where C and B are the catch and the biomass, and time is indexed by t . The parameter r is the population

growth rate, k is the carrying capacity biomass, and u is normally distributed random process noise with

variance W . The observation error in tC is assumed to be negligible. The relationship between the biomass

tB and an observable index tI of abundance is

(2) v

tt eBq=I

where v is a normally distributed random variable with variance V accounting for observational noise, and q is the catchability coefficient.

We assumed q approximately constant relying on the “standardization” of the catch rates as calculated using generalized linear models (GLM).

In the state-space model as described in equations 2 and 1, besides the nuisance parameters W and V , there are three parameters of interest, r, k and q. Because it is mathematically more convenient to deal with

parameters defined over the real line, we define qk,r, log log log as the three dimensional parameter vector of interest in the Bayesian approach.

Bayesian approach to the assessment model

Bayesian inference of θ is obtained using prior probability density distribution θπ and likelihood θ|p=θL data after the data have been sampled. The posterior density distribution for θ is

(3)

θLθπ

θLθπ=|θp data

We first describe the likelihood function, and then we explain how we built the prior and posterior probability distributions.

Likelihood

In order to estimate θ only the observational error was considered. The solution is summarized below. After

taking the logarithm of equation 2 and for notational convenience, we define tt I=Y log and

tt Bq=θμ log . The probability model for data point tY is

(4) V,θμNVθ,|Yp tt ~

where V,θμN t is an one-dimensional normal distribution with mean θμ t and variance V. Let the

complete data set be τY,Y=τY ..1,. , hence the joint likelihood is Vθ,|τYp=Vθ,L . If

independent prior distributions are assumed for θ and for V, say Vπθπ=Vθ,π , then the likelihood θL is obtained by marginalization with respect to V

1612

(5) dVVπVθ,|τYp=θL

If the prior for V is an inverse-gamma density distribution, say βα,IGVπ ~ , the solution is

(6) 2/

1

22/2β

τα+τ

=ttt θμYβ+θL

That choice is convenient because the inverse-gamma is conjugated with the normal probability in equation (5). The resulting likelihood equation is simple in the sense that it only depends on the residuals with respect to θμ and on the prior parameters for V. The first and the second central moments for the posterior inverse-

gamma distribution of V are

(7)

2β/212/

1

1

2τ

=ttt

Y(τ(θ|p θμYβ+Eτ+α

=Y(τ(|VE and

(8)

2

1

2

2

2β

2

22/12/

1

τ

=ttt

Y(τ(|θp

θμYβ+E

τ+ατ+α=Y(τ(|VE where E

and τY|θpE represent the expectation and the expectation over the posterior.

In order to calculate the likelihood (eq. 6), biomasses are estimated recursively using equation 1. Hence an initial value, the biomass for the first year, needs to be defined in advance.

Prior

The prior may strongly affect the posterior distribution when database is non-informative. Therefore, it is very important to show how the priors have been built. We shall use a three dimensional non-central student

distribution for qk,r,=θ logloglog , so that cm,df,Tθπ 3~ , where df is the degree of freedom, m is the mean vector and c is the main diagonal of the (3x3) covariance matrix of the three dimensional student

density function 3T . We assumed independence among the parameters so that all off-diagonal terms of the covariance matrix are zero. The impact on the posterior was evaluated by using two different prior distributions. In the “informative” prior we summarized all available knowledge on the parameters to the best of our knowledge. In the “diffusive” prior we exaggerated our ignorance by inflating variances. In order to define these prior distributions we first build suitable independent normal distributions for each component of the vector , then we used the means and the variances of these three distributions to build vector m and the main diagonal of the covariance matrix c in the three dimensional student prior.

Posterior In order to draw a sample from the posterior distributions using the Monte Carlo methods the initial step is the choice of a suitable importance function. A good importance function must be easy to sample from and should be similar to the true posterior density distribution function. The standard importance function is a multivariate normal or student distribution centered at the maximum likelihood estimates and with covariance matrix proportional to the Hessian matrix (Gelman et al. 1995). Some improvement in the method of choosing importance function when using the sampling importance resampling (SIR) algorithm has been developed by McAllister and Ianelli(1997). The mixture of student distributions is another alternative to improve the first importance function (West 1992, 1993). This procedure called adaptive importance sampling (AIS) can be followed by a SIR when drawing the final sample, and was the method we chose. Relative entropy (RE) as suggested by West (1993) was the diagnostic measurement we used in the AIS/SIR procedure to assess the

convergence. RE approximates 1 as g approaches datap | . The adaptive updating procedure of g is performed recursively until a target minimum relative entropy has been reached. Further details on

AIS algorithm and it’s technical issues are in Kinas (1993).

1613

Application of the model to sailfish data Only combined indices weighted by catch were used to fit the bayesian production model. After some discussion two priors (informative and non-informative) were built using multivariate student distributions. Marginal densities of the priors used in both bayesian models for the West and East Atlantic are in Figure 1.

Figure 1. Marginal priors for r, k and q. Dashed lines stand for the non-informative, while continuous lines stand for the informative prior. Preliminary results showed that the mixed importance functions obtained using adaptive importance sampling (AIS) were similar to the posteriors as indicated by entropy calculations. Empirical distributions as obtained using SIR after the AIS approximation to the posterior showed to be different than the priors. This was encouraging in the sense the data appears to be somewhat informative. Nevertheless, the fit of models as evaluated by comparing the observations and the predictions were very poor. The model was not able to track down the indices for the early years. Therefore the group decided to also try a “penalty” function in the model in order to assign heavier weights to recent years indices. The results were similar to those gathered by not using the penalty function, hence only the results as calculated with the original indices are shown. West Marginal posteriors distributions are in Figure 2. The posteriors as calculated using informative and non-informative priors showed some small differences. Posteriors for r and q calculated with informative prior are shifted to the right if compared to those gathered with non-informative prior. In opposition the posterior for k as calculated using the informative prior is shifted to the left.

Figure 2. Posteriors as calculated using informative (continuous line) and non-informative priors for r, k and q. Upper row stand for the results gathered with the original indices, while the results obtained assigning heavy weights for indices of the more recent years are in the bottom row. Fittings of the models are poor in the sense the large indices observed in the early years and the decrease in the 1970's no matter if penalty function was applied (Figure 3 - left panels). Biomass profiles decreases all across the year since the very beginning of the data series. Finally linear models fitted to the predictions for the more recent years suggest negative slopes though the slope of linear models fitted to observed indices are close to zero.

1614

Figure 3. Indices and biomass profiles as calculated using informative (upper row) and non-informative priors (bottom row). The slope of linear models fitted to the observed and predicted indices of the most recent years are in the left panels. Histograms stands for the predictions while the vertical continuous line stand for the slope calculated for the observed data. A summary of the parameters and of reference points as calculated using the posterior estimations are in Table 1. All estimations points to pessimistic scenarios. If we rely on the median estimations (50% quantiles) the actual biomass is close to half the Bmsy, while the catch in the last year of the time series is 1.3 times the catch in the MSY. Nevertheless, one might keep in mind that those estimations are from a model that did not fit well the observed data.

Figure 4. Posteriors as calculated using informative (continuous line) and non-informative priors for r, k and q. Upper row stand for the results gathered with the original indices, while the results obtained assigning heavy weights for indices of the more recent years are in the bottom row. East Marginal posteriors distributions are shown in Figure 4. The posteriors as calculated using informative and non-informative priors showed some small differences just like the analysis for the West Atlantic. Actually the results for the East are similar to those of the West in several ways. Posteriors for r and q calculated with

1615

informative prior are shifted to the right if compared to those gathered with non-informative prior. In opposition the posterior for k as calculated using the informative prior is shifted to the left. Fittings of the models are poor just like in the analysis for the West Atlantic. The large indices and variability observed in the early years can not be fitted by the model (Figure 5 - left panels). Biomass profiles decreases all across the year since the very beginning of the data series. Finally linear models fitted to the predictions for the more recent years tends to be negative though the slope of linear models fitted to observed indices are close to zero. Table 1. Summary of the posterior estimations as calculated using informative and non-informative priors.

Infomative Prior Quantiles

Estimations 5% 25% 50% 75% 95%

r 0.07 0.12 0.16 0.21 0.31

k 14300.37 18867.77 22556.09 27135.48 34597.32

q 4.40E-06 5.66E-06 6.71E-06 8.04E-06 1.05E-05

C_msy 622.82 789.87 888.14 981.60 1110.36

B_msy 7150.19 9433.89 11278.05 13567.74 17298.66

B_last 2496.54 4023.73 5313.12 6995.76 10152.69

ER_msy 0.04 0.06 0.08 0.10 0.15

B_last/B_msy 0.24 0.36 0.47 0.60 0.84

C_last/C_msy 1.03 1.17 1.29 1.45 1.84

ER_last 0.11 0.16 0.22 0.29 0.46

ER_last/ER_msy 1.29 2.02 2.82 4.07 6.61

Non-Informative Prior

r 0.04 0.07 0.10 0.14 0.25

k 16921.34 24561.25 29971.76 35845.21 45878.09

q 3.13E-06 4.22E-06 5.15E-06 6.39E-06 8.87E-06

C_msy 421.16 594.53 736.39 858.30 1061.26

B_msy 8460.67 12280.63 14985.88 17922.60 22939.04

B_last 3000.63 4817.13 6716.01 9270.89 14729.77

ER_msy 0.02 0.03 0.05 0.07 0.12

B_last/B_msy 0.24 0.35 0.47 0.59 0.84

C_last/C_msy 1.08 1.34 1.56 1.93 2.73

ER_last 0.08 0.12 0.17 0.24 0.38

ER_last/ER_msy 1.40 2.52 3.54 5.34 8.72

1616

A summary of the parameters and of reference points as calculated using the posterior estimations are in Table 2. All estimations points that depends on biomass estimations are even more pessimistic than those gathered for the West. If we rely on the median estimations (50% quantiles) the actual biomass is close to 0.15 times Bmsy. Although the catch in the last year of the time series analyzed (2007) is below the Cmsy most catches in the last decade were larger than Cmsy. Like in the analysis for the west, one might keep in mind that those estimations are from a model that do not fit well the observed data. Table 2. Summary of the posterior estimations as calculated using informative and non-informative priors.

Infomative Prior Quantiles

Estimations 5% 25% 50% 75% 95%

r 0.09 0.10 0.12 0.16 0.23

k 33932.98 41923.28 48266.65 53163.40 57335.94

q 1.28E-05 1.54E-05 1.75E-05 1.99E-05 2.53E-05

C_msy 1254.78 1369.19 1509.60 1711.73 1949.20

B_msy 16966.49 20961.64 24133.33 26581.70 28667.97

B_last 1316.22 2520.94 3621.83 5150.18 8302.47

ER_msy 0.04 0.05 0.06 0.08 0.11

B_last/B_msy 0.06 0.11 0.15 0.22 0.36

C_last/C_msy 0.54 0.61 0.69 0.76 0.83

ER_last 0.13 0.20 0.29 0.42 0.80

ER_last/ER_msy 1.78 3.02 4.46 6.47 12.02

Non-Informative Prior

r 0.07 0.08 0.10 0.13 0.16

k 41811.99 48105.48 53632.09 58523.89 63889.35

q 1.20E-005 1.45E-005 1.64E-005 1.87E-005 2.25E-005

C_msy 1062.84 1194.15 1348.75 1511.57 1709.30

B_msy 20905.99 24052.74 26816.04 29261.95 31944.68

B_last 1398.16 2529.31 3705.68 5129.38 7921.48

ER_msy 0.03 0.04 0.05 0.06 0.08

B_last/B_msy 0.05 0.10 0.14 0.19 0.28

C_last/C_msy 0.61 0.69 0.78 0.88 0.98

ER_last 0.13 0.20 0.28 0.41 0.75

ER_last/ER_msy 2.56 4.01 5.61 8.06 14.61

1617

Figure 5. Indices and biomass profiles as calculaled using informative (upper row) and non-informative priors (bottom row). The slope of linear models fitted to the observed and predicted indices of the most recent years are in the left panels. Histograms represent predictions while the vertical line represents the slope calculated for the observed data.

References

Gelman, A., Carlin, J.B., Stern, H.S. and Rubin, D.B. 1995, Bayesian Data Analysis. Chapman & Hall, London, 526 p.

Kinas, P.G. 1993. Bayesian statistics for fishery stock assessment and management. Ph.D. Thesis. University of British Columbia, Vancouver, Canada, 143 pp.

Ludwig, D. and Walters, C.J. 1985, Are age-structured models appropriate for catch-effort data? Canadian Journal of Fisheries and Aquatic Sciences, 42: 1066-1072.

West, M. 1992, Modeling with mixtures. Pp. 503-524. In: Bernardo, J.M., Berger, J.O., Dawid, A.P. and Smith, A.F.M. (Eds.). Bayesian Statistics 4: Proceedings of the Fourth Valencia International Meeting, Valencia, Spain. Clarendon Press, Oxford, 880 p.

West, M. 1993, Approximating posterior distributions by mixtures. Journal of the Royal Statistic Society: Series B, 55: 409-422.

1618

Appendix 9

PRODUCTION MODELS FOR THE EASTERN AND WESTERN ATLANTIC STOCKS WITH ASPIC MODELS

By Mauricio Ortiz, Phil Goodyear, Katerina Wor, Mark Fitchett and David Die

Production model evaluations were evaluated for east and west SAI stock units using different combinations of the available indices of abundance and different versions of the ASPIC package (Table D1). Some of the estimates obtained were nom-boostrapped and others were boostrapped. In all cases it was necessary to constraint the initial biomass to K for the ASPIC to be able to converge. The ASPIC version 5.33 used is part of the NFT toolbox http://nft.nefsc.noaa.gov). Initial parameter guess were provided for the carrying capacity K, MSY, and the catchability (q) coefficients for each index series used. Table 1. Description of ASPIC runs for the Eastern and Western stock. ASPIC options correspond to: FIT = normal fit, BOT =Bootstrapped fit, IRF = Iterative reweighting. Indices used were: CAW=Combined area weighted, CCW= Combined catch weighted, CUW= Combined unweighted, JAPLL1 = Japanese longline early period, JAPLL2 = Japanese llongline recent period, JAPLL3 = Japanese longline – task II, CIVAR = Cote d’Ivoire artisanal, SENAR = Senegal Artisanal, GHNGL = Ghana gillnet, USLL2 = US Longline logbooks kg, USRR1 = US recreational tournaments (RBS), USRR2 = US recreational surveys (MRFSS), VENRR = Venezuela recreational, VENGL = Venezuela Gillnet, BRZLL = Brazil longline, BRZ = Brazil recreational, KORLL= Korea longline, TAILL = China Taipei longline. (*) JAPLL1 & JLL2 combined as a single index.

Author Case Version

Option Stock Indices used

Goodyear G1 5.16

FIT W CAW

Goodyear G2 5.16 FIT W CCW Goodyear G3 5.16 FIT E CAW Goodyear G4 5.16 FIT E CCW Goodyear G5 5.16 FIT W CUW Goodyear G6 5.16 FIT E CUW Ortiz O1 5.33 FIT W JAPLL3

Ortiz O2 5.33 BOT W JAPLL3, USLL2, BRZLL, VENLL, KORLL Ortiz O3 5.33 BOT E JAPLL1, JAPLL2, CIVAR, SENAR, GHNGL Ortiz O4 5.33 FIT E JAPLL1, JAPLL2 Ortiz O5 5.33 BOT W USRR1, USRR2, BRZRR, VENRR Ortiz O6 5.33 FIT W JAPLL3, USLL2, BRZLL, VENLL, KORLL, USRR1, USRR2, BRZRR, VENRR Ortiz O7 5.33 BOT E JAPLL3, CIVAR, SENAR, GHNGL Ortiz O8 5.33 BOT E CIVAR, SENAR, GHNGL Ortiz O9 5.33 BOT W JAPLL2, USLL2, BRZLL, VENLL, USRR1, BRZRR, VENRR, VENGN, TAILL Ortiz O10 5.33 FIT W JAPLL1, USLL2, BRZLL, VENLL, USRR1, BRZRR, VENRR, VENGN, TAILL Ortiz O11 5.33 IRF W USRR1, USRR2, BRZRR, VENRR Ortiz O12 5.33 IRF W JAPLL3, USLL2, BRZLL, VENLL, KORLL Ortiz O13 5.33 FIT W JAPLL1, JAPLL2, USLL2, BRZLL, VENLL, USRR1, BRZRR, VENRR, VENGN, TAILL Wor W1 5.33 FIT W CAW Wor W2 5.33 FIT W CCW Wor W3 5.33 FIT W CUW Fitchett F1 5.24 BOT E CUW Fitchett F2 5.24 BOT E JAPLL1/JAPLL2, CIVAR, SENAR, GHNGL (*)

The group decided to leave the choice of ASPIC version and initial estimates up to the individual scientists running ASPIC. This lead to the different choices of ASPIC version seen in Table 1, however, because they all used only different subversions of ASPIC 5 it is believed that the mathematical algorithm used in the fit is the same, so results should not be affected by such choices. The choice of initial parameter estimates clearly does affect the final parameter estimates, especially when the data used in the fit is not informative enough to produce precise solutions, as it was the case in many of the cases fitted. In order to quantify such differences a sensitivity analysis was run on the effects of different initial parameter estimates on one of the most uncertain cases that uses a combined index, case F1. The results of such sensitivity analysis suggest that most of the differences in estimates were driven by the combination of relative abundance indices used, not by the choice of initial estimates (Table 2).

1619

Table 2. Sensitivity of ASPIC results to initial parameters estimates for case F1 that used an Area-Weighted combined CPUE Index for the East Atlantic stock. Values in the table correspond to final estimates of model parameters and goodness of fit measures.

Intitial Final estimates MSY, K MSY K B2006/BMSY F2007/FMSY F2007 r2 MSE 1000, 7500 2388 20240 0.193 2.171 0.512 0.227 0.619 2000, 15000 2373 20580 0.193 2.187 0.504 0.227 0.619 3000, 25000 2373 20580 0.193 2.171 0.512 0.227 0.619 4000, 45000 2388 20240 0.193 2.172 0.513 0.228 0.636

Results were more variable for fits of the data from the eastern stock were the number of data series is smaller and their historical extend is shorter, however, there were cases that produced parameter estimates that were not likely to be plausible for both stocks, indicating that certain combinations of abundance indices do not contain enough information for a reasonable fit to a production model. For the eastern stock estimated values of K ranged from 4,929 tons to 81,720 tons and for r ranged from 0.00374 to 4.0. For the western stock estimated values of K ranged from 5,519 tons to 891,000 tons and for r ranged from 0.0072 to 0.93. Some of these values, especially the very high and low values of r and k, probably indicate some of these fits represent solutions where the chosen indices are not sufficient to produce a biologically plausible set of estimates (Table 3). Management parameters showed similar variation (Table 4). For the eastern stock estimated values of MSY ranged from 76 tons to 5,072 tons, for the biomass ratio B2006/Bmsy ranged from 0.09 to 1.83 and for the fishing mortality ratio F2006/Bmsy ranged from 0.27 to 186. For the western stock estimated values of MSY ranged from 100 tons to 18,690 tons, for the biomass ratio B2006/Bmsy ranged from 0.35 to 1.97 and for the fishing mortality ratio F2006/Bmsy ranged from 0.03 to 8.63. As mentioned before it is likely that several of these estimates represent unlikely estimates because of the limited information provided by the chosen combination of indices. If one uses the bootstrap estimates of parameter uncertainty to evaluate the quality of the fit it is clear that those cases that have less uncertainty in the estimates were obtained when all available indices were used without been combined, cases F2 and O7 for the east and case 09 for the West. The resulting biomass and fishing mortality patterns predicted by these fits vary greatly and sometimes indicate severe depletion of biomass whilst others suggest little effects of fishing. The same can be said about fishing mortality with some cases indicating large increases leading to strong overfishing whilst others do not. Figures 1to 12 show these patterns as well as the quality of the fits of biomass to each index for some of the cases in Table 1. Estimates of current stock status are generally highly uncertain as shown by the distribution of estimates produced by the boostrap for the most recent values of fishing mortality rates and biomass (Figure 13), and the estimates of recent biomass and fishing mortality ratios are highly correlated and so are the estimates of Fmsy and Bmsy (Figures 14 to 16). As expected, the uncertainty in biomass and fishing mmortality ratios increases for the most recent years when compared to the years at the begining of the time series (Figure 17). It must be remember, however, that all these fits assume that the initial biomass ratio is equal to two, thus reducing the calculated uncertainty in this ratio for the earlier years.

1620

Table 3: Productivity parameters obtained from different cases fitted to ASPIC for the eastern and western stock of Atlantic sailfish. Values shown correspond to the non- bootstrapped estimates of K and r. For boostrapped fits the 50th, 25Th and 75th percentile are shown.

K r

Stock Case Estimate 25% 75% Estimate 25% 75%

East

g3 18520 0.0072 0 0

g4 81720 0.00374 0 0

g6 24140 0.348 0 0

o3 5072 4.0 0 0

o4 4949 4.0 0 0

o7 20900 18290 24470 0.43 0.346 0.516

o8 32200 27600 109200 0.232 0.03 0.278

f1 24320 18560 37260 0.346 0.182 0.504

f2 16210 15830 22370 0.606 0.39 0.626

West

g1 5519 0.0072 0 0

g2 38444 0.09 0 0

g5 50630 0.0224 0 0

o1 37400 0.1304 0 0

o2 6252 2291 18380 0.93 0.326 2.7

o5 43850 31350 109300 0.096 0.014 0.116

o6 34510 0.134

o9 38290 9194 49220 0.108 0.058 0.212

o10 39430 0.086

o11 891000 0.084

o12 22910 0.214

o13 60030 0.044

w1 62520 0.007536

w2 45460 0.0755

w3 62400 0.0074

1621

Table 4. Management parameters obtained from different cases fitted to ASPIC for the eastern and western stock of Atlantic sailfish. Values shown correspond to the non- bootstrapped estimates of MSY, the ratio of the latest fishing mortality (2007) to the fishing mortality at MSY and the ratio of the most recent estimate of biomass (2006) to the biomass at MSY. For boostrapped fits the 50th, 25Th and 75th percentile are shown.

MSY Fratio Bratio

Stock Case Estimate 25% 75% Estimate 25% 75% Estimate 25% 75%

East

g3 2340 3.77 0.14

g4 76.25 185.9 0.09

g6 2105 2.51 0.28

o3 5072 0.27 1.73

o4 4949 0.174 1.83

o7 2247 2131 2359 0.62 0.57 0.76 1.15 0.997 1.246

o8 1868 455 1897 1.58 1.17 27.81 0.53 0 0.62

f1 2106 1713 2341 3.89 2.64 5.65 0.241 0.12 0.391

f2 2460 2179 2481 2.26 1.71 2.76 0.261 0.172 0.341

West

g1 99.6 3.07 0.35

g2 873 1.4 0.94

g5 284 8.63 0.45

o1 1220 0.673 1.25

o2 1455 1198 1550 0.593 0.47 0.9 1.247 0.93 1.41

o5 1062 291 1154 0.814 0.51 1.43 1.189 0.918 1.49

o6 1163 0.74 1.189

o9 1027 563 1198 1.015 0.74 1.62 1.099 0.91 1.24

o10 844 1.48 0.913

o11 18690 0.028 1.967

o12 1220 0.75 1.13

o13 663 1.67 1.029

w1 117.8 1.28 0.3914

w2 858.1 0.0736 0.9506

w3 140.2 1.02 0.4136

1622

Figure 1. ASPIC fit model results of case 01 a): standard index of abundance (squares) and model predicted CPUE trends (circles) and b) trends of relative biomass (circles) and fishing mortality (squares).

Figure 2. ASPIC fit model results of case 02. Upper left panel presents trends of relative biomass (circles) and fishing mortality (squares). All other panels show fits of model (circles) to each standardized longline index (squares): Japan (upper right), Venezuela (middle left), US (middle right), Korea (bottom left) and Brazil (bottom right)..

1623

Figure 3. ASPIC fit model results of case 05. ASPIC fit model results plots. Upper left panel presents trends of relative biomass (circles) and fishing mortality (squares). All other panels show fits of model (circles) to each standardized sport index (squares): Venezuela (upper right), US tournaments (middle left), US MRFSS (middle right) and Brazil (bottom center).

1624

Figure 4. ASPIC fit model results of case 06. ASPIC fit model results plots. Upper left panel presents trends of relative biomass (circles) and fishing mortality squares). All other panels show fits of model (circles) to each standardized index (squares): Japan longline (upper right), Venezuela longline (second row left), US longline (second row right), Korea longline (third row left), Brazil longline (third row right), Venezuela sport;(fourth roow left), US sport tournaments (fourth row right), US MRFSS (bottom left) and Brazil sport (bottom right). .

1625

Figure 5. ASPIC fit model results of case O13. Upper left panel presents trends of relative biomass (circles) and fishing mortality (squares). All other panels show fits of model (circles) to each standardized index (squares): Venezuela sport (upper right), US longline (second row left), US sport (second row right), Venezuela gillnet (third row left), Venezuela longline (third row right), Brazil longline;(fourth row left), Brazil sport (fourth row right), Chinese Taipei longline (fifth row left), Japan longline (bottom right).

1626

Figure 6. ASPIC fit model results of case 03. ASPIC fit model results plots. Upper panel presents trends of relative biomass (circles) and fishing mortality (squares). Other panels show fits of model (circles) to Japanese longline standardized indices(squares) for the early period (bottom left and recent period (bottom right).

Figure 7. ASPIC fit model results of case 04. ASPIC fit model results plots. Upper left panel presents trends of relative biomass (circles) and fishing mortality (squares). Other panels show fits of model (circles) to artisanal standardized indices(squares): Cote d’Ivoire (upper right), Senegal (bottom left) and Ghana (bottom right).

1627

Figure 8. ASPIC fit model results of case 07. ASPIC fit model results plots. Upper left panel presents trends of relative biomass (circles) and fishing mortality (squares). Other panels show fits of model (circles) to artisanal standardized indices(squares): Cote d’Ivoire (upper right), Senegal (bottom left) and Ghana (bottom right).

Figure 9. Results of ASPIC fit of case O9. Trends in time of fishing and biomass ratios plotted in a phase plot that indicates when overfishing and overfished reference points are reached. Numbers next to diamonds denote the year of the estimate.

5659

62

6568

71

747780

8386

89

929598

0104

07

0

0.2

0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

2

0.50  0.70  0.90  1.10  1.30  1.50  1.70  1.90 

F/Fm

sy

B/Bmsy

Phase plot trayectory SAI West 

1628

Figure 10. ASPIC fit model results of case F1. Fishing and biomass ratios (left panel) and estimated biomass and observed cpue (right panel).

Figure 11. ASPIC fit model results of case F2. Each panel correspond to the fit of the model to each of the cpue indices, Japan LL1 and Jap LL2 (top left), CIV ART (top right), SEN ART (bottom left) and GHA GIL (bottom right).

1629

Figure 12. ASPIC fit model results of case W2. Left panel presents the estimated biomass ratio and fishing mortality ratios and the right panel the fit of the estimated cpue to the observed cpue.

0

1

2

3

1961 1966 1971 1976 1981 1986 1991 1996 2001 2006

F/Fmsy

B/Bmsy

0.00

0.10

0.20

0.30

0.40

0.50

1961 1971 1981 1991 2001

CPUE

obs CPUE

est CPUE

1630

Figure 13. Results of fits for ASPIC cases O9 (top row) and O7 (lower row). Probability distribution and cumulative distribution (circles) for the last year (2008) of total stock biomass (left panel) and fishing mortality rates (right panel).

Per

cen

t F

req

ue

ncy

Cum

ula

tiveP

rob

ab

ility

Per

cen

t F

req

ue

ncy

Inverseo

fC

umu

lative

Pro

ba

bility

1631

Figure 14. Results of ASPIC fit of case O9. Boostratpped estimates of biomass and fishing mortality ratios of terminal year with the median value (red-circle).

Figure 15. Results of ASPIC fit of case O9. Countours represent non-parametric density quantiles of the 500 bootstrap runs and points for each of the runs. Frequency distribution histograms are also shown at the side of corresponding variables. Left panel fishing mortality and biomass ratios, while right panel shows fishing mortality and biomass at msy.

0

0.5

1

1.5

2

2.5

3

3.5

4

4.5

5

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2

F200

7/Fm

sy

B2007/Bmsy

SAI West All index

.1 .2 .3 .4 .5 .6 .7 .8 .9 Quantile Density Contours

0

1

2

3

F20

07/F

msy

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2

B2007/Bmsy

0

1

2Fm

sy

0 10000 20000 30000 40000 50000 60000 70000

Bmsy

.1 .2 .3 .4 .5 .6 .7 .8 .9 Quantile Density Contours

Bmsy

Fmsy

Variable

4057.339

0.114105

Kernel Std

4057.339

0.114105

Slider

Nonparametric Bivariate Density

Bivariate Fit of Fmsy By Bmsy

1632

Figure 16. Results of ASPIC fit of case O7. Countours represent non-parametric density quantiles of the 500 bootstrap runs and points for each of the runs. Left panel shows fishing mortality and biomass ratios, while right panel shows fishing mortality and biomass at msy.

Figure 17. Results of ASPIC fits of cases O9 (upper panels) and O7 (lower panels). Trends of biomass ratios (left panels) and fishing mortality ratios (right panels) from 500 non-parametric bootstraps. Lines with markers reflect the median results and single lines the estimated 80% confidence bounds.

0

0.2

0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

2

F20

07/F

msy

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2

B2007/Bmsy

.1 .2 .3 .4 .5 .6 .7 .8 .9 Quantile Density Contours

Bivariate phase plot of F2007/Fmsy By B2007/Bmsy East SAI case 3

0.1

0.15

0.2

0.25

0.3

0.35

0.4

Fm

sy

10000 20000

Bmsy

.1 .2 .3 .4 .5 .6 .7 .8 .9 Quantile Density Contours

Bivariate relationship between PM parameters East SAI Case 3