Dødlighet og migrasjon hos gjedde NFR-prosjekt: Population dynamics of aquatic top predators: effects of harvesting regimes and environmental factors Prosjektansvarlig:

Presentasjon om: "Dødlighet og migrasjon hos gjedde NFR-prosjekt: Population dynamics of aquatic top predators: effects of harvesting regimes and environmental factors Prosjektansvarlig:"— Utskrift av presentasjonen:

1 Dødlighet og migrasjon hos gjedde NFR-prosjekt: Population dynamics of aquatic top predators: effects of harvesting regimes and environmental factors Prosjektansvarlig: Professor Nils Chr. Stenseth Post-doc: Dr. Scient. Thrond O Haugen

2 Hvem er involvert? Centre for Ecology and Hydrology Ian Winfield Universitetet i Oslo Leif Asbjørn Vøllestad Per Aass (Zoologisk museum) Forvaltningapparatet Tore Qvenild (Hedmark) Ola Hegge (Oppland) NIVA Gösta Kjellberg

3 Formål med prosjektet Øke kunnskapen om akvatiske toppredatorers populasjonsdynamikk På hvilke måter er disse artenes populasjonsdynamikk påvirka av: Abiotiske faktorer (temperatur og eutrofiering) Biotiske faktorer (byttetilgjengilighet, tetthet) Beskatningsregime (kvalitativt og kvantitativt) Estimater av viktige demografiske rater Overlevelse (alder-, stadium-, kjønnsavhengige, miljøavhengige, tetthetsavhengige, områdeavhengige) Rekruttering (populasjonsvekstrate)

4 Populasjonsdynamikk F = effektiv fekunditet = s i-1 * m i, hvor m i = stadiumspesifikk fekunditet S i = sannsynliheten for å overleve fra stadium i til i+1 Lesliematrise N t+1 NtNt Lesliematrise N t+1 NtNt

5 Dataseriene: merking-gjenfangst Aure fra Mjøsa (n = 7002; 1966–2001); gjedde fra Windermere (n = 5560; 1949–2001) Kombinerte data Døde tilbakerapporteringer levende gjenfangster Svært gode miljødata (kovariater) Eutrofiering, temperatur, byttedyrtetthet Fiskeinnsats Til fisk å være, gode gjenfangstrater 62,3 % for gjedda 42,2 % for auren Svakheter Nesten bare modne fisk

6 Gjenfangstandeler

7 FMG statistisk modellering: Skjebnediagram Merka og satt ut Død eller emigrert I live 1-p p 1-   I live og gjenfanga I live og ikke gjenfanga  er overlevelse p er fangstsannsynlighet Cormack-Jolly-Seber (CJS)

8 Fangsthistorier og de demografiske parameterne Fangst merking utsetting 11 55 44 33 22 Tidsinterval p2p2 p5p5 p4p4 p3p3 p6p6 Fangsthistorie: 100100, med sannsynlighet:  1 (1-p 2 )  2 (1-p 3 )  3 p 4  4  4 er sannsynligheten for ikke å fanges etter 4 de fangstomgang [= (1-  4 )+(1-p 5 )  4 (1- p 6  5 )] Parameterne estimeres ved maximum likelihood metodikk Fangstomganger 100001

9 MLE: et eksempel 33 p1p1 t1t1 t2t2 t3t3 p2p2 p3p3 22 33 Para- meters Likelihood: L= (  1 p 2  3 ) X 111 [  1 p 2 (1-  3 )] X 110 [  1 (1- p 2 )  3 ] X 101 (  1 ) X 100 lnL(  1, p 2,  3 )= 4ln(  1 p 2  3 )+7ln[  1 p 2 (1-  3 )]+2ln[  1 (1- p 2 )  3 ]+9ln(  1 )

10 Modellseleksjon I hovedsak baser på AIC (=deviance + 2np) Korrigert for overdispersjon Nøstede modeller kan også evalueres vha Likelihood-Ratio tester Tester hvorvidt fjerning av en prediktor medfører en signifikant økning i deviansen

11 Multistate-modeller Kan anvendes i situasjoner der individene endrer tilstand i løpet av studien Tilstand kan f eks være: område størrelse modningsstatus levende eller død …

12 Parametere for multistatemodeller Overlevelse/migrasjonsannsynlighet State 1, 2 eller 3  i (1,1)  i (1,2)  i (1,3)  i (2,1)  i (2,2)  i (2,3)  i (3,1)  i (3,2)  i (3,3) Fangstsannsynligheter State 1 State 2 State 3 p i+1 (1,1) p i+1 (1,2) p i+1 (1,3) p i+1 (1) p i+1 (2) p i+1 (3) or Fra Til JMV-parameterisering CAS-parameterisering

13 Separat transisjonsparameter Kan estimere transisjonsparameter (  ) separat dersom kondisjonerer denne til overlevelse  i,j =  i,j /F i F = fidelity-survival i = fra-state j = til-state

14 Programvare Finnes mange merke-gjenfangstpakker MARK (http://www.cnr.colostate.edu/~gwhite/mark/mark.htm) MS-SURVIV (http://www.mbr-pwrc.usgs.gov/software.html#mssurv) M-SURGE (ftp://ftp.cefe.cnrs-mop.fr/biom/Soft-CR/) GOF-pakker U-CARE (ftp://ftp.cefe.cnrs-mop.fr/biom/Soft-CR/) RELEASE (ftp://ftp.cnr.colostate.edu/pub/release/) Alt er gratis!

15 Over til England...

16 Gjeddestudien Har gjedda i de to bassengene ulik demografi? Sør mer produktivt enn nord Fisketrykket har variert over tid Hvilken effekt har dette hatt på naturlig overlevelse migrasjon Kan i så fall dette tilskrives tetthetseffekter?

17 Endring i fiskeinnsats

18 Analysedisposisjon 1.Standard CJS-analyse der kun levende gjenfangster analyseres Naturlig dødlighet Merk: sørdata vil dominere resultatene 2.MS-analyse med døde gjenfangster inkludert Estimering av migrasjon og fangstdødlighet

19 Abborruser (PT) – til merking Gjeddegarn (PGN) – alt drepes Garn (GN) – til merking MAMJJASONDFJ MAFJ M p GN (t) p PT (t) p GN (t+2) p PT (t+2) p PGN (t+1) Høyre-censorering  (t)  (t+1) 7 mnd 5 mnd Diskretisering av data

20 Resultater fra CJS-analysene Goodness-of-fit tester viser at CJS- modeller er egna til å beskrive dataene Ingen signifikante avvik fra forutsetningene Uavhengige individer Individer i samme gruppe oppfører seg likt Uavhengighet mellom fangstomgangene

21 Størrelseselektiv redskap

22 Lengdespesifikk fangstsannsynlighet

23 Tidsvariasjon i årlig naturlig overlevelse

24 Fiskeinnsats og naturlig overlevelse

25 Hvor godt egna er MS-modeller til å beskrive data (GOF)? Pradel et al 2003, Biometrics

26 GOF II

27 Bassengspesifikk overlevelse

28 Migrasjon og tetthet

29 Effekt av innsats på fangstdødlighet

30 Lengdespesifikk rekruttering til garnfisket

31 Should I stay or should I go?