Modelos avanzados en evaluación de recursos pesqueros


Dr. Giancarlo M. Correa


Cousteau Consultant Group

Stock Synthesis

Archivos de entrada

Son cuatro principales:

  • starter.ss: nombres de archivos de datos y parámetros, y parámetros relacionados a la ejecución del modelo.
  • forecast.ss: proyecciones y puntos de referencias.
  • data.ss (ó data.dat): datos de entrada e información del stock y pesquerías.
  • control.ss (ó control.ctl): valores iniciales de los parámetros del modelo.

Archivos de entrada

Importante

Los archivos de datos y control son los únicos que pueden cambiar de nombre (e.g., my_data.ss, my_control.ss). Si se cambian estos nombres, se debe especificar en starter.ss.

Archivos opcionales:

  • ss.par: contiene parámetros estimados por SS. Por lo tanto, se crea después de ejecutar SS. Puede usarse como valores de parámetros iniciales y reemplazar a control.ss.
  • wtatage.ss: contiene información de peso y/o fecundidad a la edad.

Archivos de salida

Se crean muchos archivos de salida después de ejecutar SS, pero lo más imporantes son:

  • echoinput.sso: importante para hacer debugging. Nos muestra cómo SS va leyendo los archivos de entrada paso a paso.
  • warning.sso: muestra adventencias
  • Report.sso: guarda todos los parámetros estimados y cantidades calculadas (e.g. estimados de biomasa, F, SSB, etc).

Estructura de carpeta de trabajo

└───Mod_Avanzados_Evaluacion
    ├───ss_models
    │   ├───sardine
    │   │   ├───starter.ss
    │   │   ├───forecast.ss
    │   │   ├───data.ss
    │   │   └───control.ss
    │   ├───cod
    │   │   ├───starter.ss
    │   │   ├───forecast.ss
    │   │   ├───data.ss
    │   │   └───control.ss
    │   └───simple
    │       ├───starter.ss
    │       ├───forecast.ss
    │       ├───data.ss
    │       └───control.ss
    └───...

Ejecutar un modelo en SS

Usaremos la libería r4ss y el modelo de ejemplo que pueden encontrar en SS Virtual Lab.

Vamos a asumir que mi directorio de trabajo es Mod_Avanzados_Evaluacion, luego ejecutamos:

# Definir path donde SS exe esta ubicado:
path_to_exe = "C:/Users/moroncog/Documents/Mod_Avanzados_Evaluacion"
# Correr el modelo:
r4ss::run(dir = 'ss_models/simple', # ruta a la carpeta del modelo
          exe = file.path(path_to_exe, 'ss3_win.exe'), # path and exe name
          extras = '-nohess') # ADMB commands, ver SS manual

Cuando el modelo termine de ejecutarse, veremos que varios archivos de salida serán creados en ss_models/simple.

Obtener ayuda sobre SS


  • Manual
  • Preguntarle a Giancarlo
  • Otros modelos implementados encontrados en reportes de evaluación (e.g., NOAA)
  • Preguntar a otros usuarios
  • Abrir un issue en el Github repository de SS

Archivo de entrada: starter.ss

starter.ss

  • Es el primer archivo que SS lee al correr el modelo.
  • Nos permite especificar el nombre de los archivos control y data.
  • Controlar el nivel de detalle en los resultados obtenidos (mayor detalle puede conllevar un mayor tiempo de computación).
  • Especificar información para Markov Chain runs.
  • Alguna información relevante para el modelo (e.g., depletion denominator, summary biomass).

starter.ss


  • Explorar el archivo Excel starter-forecast-helper.xlsx (STARTER sheet) (obtenido de Stock Synthesis Virtual Lab).

  • Explorar SS Manual (sección Starter File).

Archivo de entrada: data.ss

Preparación del modelo

Antes de preparar los datos para SS, debemos tener en claro algunas preguntas clave:

  • Disponibilidad de datos (tipos, serie de tiempo, etc.)
  • Máxima edad a modelar
  • Mínima y máxima talla
  • Mes de desove
  • ¿Cuántas seasons quiero modelar?
  • ¿Cuántas flotas quiero modelar?

Preparación del modelo

Recuerda

En SS, le decimos flotas a las pesquerías y a los índices de abundancia (e.g., surveys, CPUE, etc.).

  • Unidades de captura e índices de abundancia (e.g., kg o número)
  • Año de inicio y término del modelo
  • ¿Uno o dos sexos?
  • ¿Una ó múltiple áreas?

Preparación del modelo

Una vez tengo en claro las preguntas anteriores, recomiendo realizar una tabla resumen sobre las flotas que quiero modelar.


Ejemplo 1:

Nombre Index Tipo Unidades Área
CercoIndus 1 Pesquería Biomasa 1
SurveyAcus 2 Survey Biomasa 1

Preparación del modelo


Ejemplo 2:

Nombre Index Tipo Unidades Área
CercoIndus 1 Pesquería Biomasa 1
Arrastre 2 Pesquería Biomasa 1
Artesanal 3 Pesquería Número 1
SurveyAcus 4 Survey Biomasa 1
SurveyAereo 5 Survey Número 1

Preparación del modelo

Respecto a la resolución temporal, SS siempre asume que el paso de tiempo es anual, pero podemos modelar seasons dentro de un año.

Por ejemplo:

  • 1 season: Enero a diciembre
  • 2 seasons: Enero a junio, julio a diciembre
  • 4 seasons: Enero a marzo, abril a junio, julio a septiembre, octubre a diciembre

Preparación del modelo


Importante

  • La información de captura es especificada por cada season dentro de un año, por lo que modelar seasons es particularmente importante cuando la pesquería no opera homogeneamente a lo largo del año.

  • SS asume a la edad 0 como la primera edad. Individuos de edad 0 se les llama reclutas.

  • Una cohorte siempre avanza a la siguiente edad el 1 de enero, independientemente del mes de desove.

  • Desove sucede una vez al año, pero se puede modelar varios reclutamientos por año.

Captura

Se necesitan datos de captura y su error de observación (i.e., se asume que la captura no es totalmente precisa) ordenados por:

  • Año
  • Season
  • Flota

Solo valores positivos de captura son necesarios (i.e., para observaciones faltantes se asume captura cero).

Unidades


Los datos deben ser reportados en estas unidades:

  • Biomasa: toneladas métricas
  • Peso corporal: kilogramos
  • Talla: centímetros
  • Número: miles de peces

Índices de abundancia

Los índices de abundancia y su error de observación son reportados para cada:

  • Año
  • Mes (independientemente si modelamos seasons)
  • Flota

No es necesario introducir observaciones para todos los años.

Índices de abundancia


Existen otros tipos de surveys que podemos incluir:

  • Spawning biomass
  • Recruitment
  • Depletion
  • Survey deviation
  • Recruitment deviation

Composición por tallas

Proporción en número para cada marca de clase. Para cada observación necesitamos la siguiente información:

  • Año
  • Mes (independientemente si modelamos seasons)
  • Flota
  • Sexo
  • Partition: importante cuando modelamos descartes
  • Nsamp: esfuerzo de muestreo (e.g., número de embarcaciones muestreadas). Ver Hulson et al. (2024).

Composición por edad

Proporción en número para cada edad. Para cada observación necesitamos la misma información reportada para los datos de composición por tallas, y además:

  • Age Err: Matriz de error a utilizar
  • Lbin lo y Lbin hi: Rango de tallas de donde esta observación ha sido tomada

Otros datos

También podemos incluir:

  • Conditional age-at-length (CAAL)
  • Descartes
  • Peso o longitud media
  • Peso o longitud media a la edad
  • Datos ambientales
  • Datos marcado-recaptura

data.ss


  • Explorar el archivo Excel data-helper.xlsx (Data_typical sheet) (obtenido de Stock Synthesis Virtual Lab).

  • Explorar SS Manual (sección Data File).

Laboratorio

Preparación de datos


Preparar los datos en formato para SS. Ayudarse con data-preparation-template.xlsx.


Podemos hacerlo en tres principales formas:

  1. Modificando el archivo data.ss directamente.

  2. Utilizando las funciones SS_readdat y SS_writedat de r4ss.

  3. Utilizando el SS GUI (interfaz gráfica).

Preparación de datos

Ejemplo de cómo utilizar SS_readdat y SS_writedat.

# Leer el achivo de datos:
data_file = SS_readdat(file = 'ss_models/simple/data.ss')
# Explorar la lista:
data_file$fleetinfo
data_file$catch
data_file$lencomp
# Hacer modificaciones si es necesario
# Volver escribir el archivo de datos:
SS_writedat(datlist = data_file, outfile = 'ss_models/simple/data.ss')

Recomendación

Es preferible utilizar las funciones SS_readdat y SS_writedat cuando estemos algo familiarizados con SS. Recomiendo comenzar a aprender SS interactuando directamente con los arhivos data.ss y control.ss.

Referencias

Hulson, P.-J.F., Williams, B.C., Bryan, M.D., Conner, J., and Siskey, M.R. 2024. Reductions in sampling effort for fishery-independent age and length composition: Balancing sampling efficiency, data uncertainty, and workforce health. Canadian Journal of Fisheries and Aquatic Sciences 81: 63–78. Canadian Science Publishing. doi:10.1139/cjfas-2023-0164.