No abstract

No abstract

Changes in fish year-class strength have been attributed to year-to-year variability in environmental conditions and spawning stock biomass (SSB). In particular, sea temperature has been shown to be linked to fish recruitment. In the present study,

Standardized catch per unit effort (CPUE) is a fundamental component of fishery stock assessment. In multispecies fisheries, catchability can differ depending on which species is being targeted, and so the yearly trend extracted from the standardized CPUE is likely to be biased. We have, therefore, developed a method for predicting the unobserved variable related to targeted species from among multispecies composition data using a mixture regression model for the transformed residuals. In contrast with traditional methods, the proposed method predicts the target variable in CPUE standardization without removing a subset of the data. Keeping the entire data set avoids information loss, and so CPUE standardization with the predicted target variable should yield an unbiased estimate of the yearly trend. Simple simulation tests demonstrate that our method outperforms traditional methods. We illustrate the use of our method by applying it to CPUE data on arabesque greenling (Pleurogrammus azonus) caught in multispecies trawl fisheries in Hokkaido, Japan.Résumé : La capture par unité d'effort (CPUE) normalisée est une composante fondamentale de l'évaluation des stocks de poissons. Dans les pêches plurispécifiques, la capturabilité peut varier selon l'espèce ciblée, de sorte que la tendance annuelle obtenue à partir de la CPUE normalisée est susceptible d'être biaisée. C'est pourquoi nous avons mis au point une méthode de prédiction de la variable non observée associée aux espèces ciblées à partir de données sur la composition spécifique en utilisant un modèle de régression de mélanges pour les résidus transformés. Contrairement aux méthodes traditionnelles, la méthode proposée prédit la variable cible dans la normalisation de la CPUE sans retirer un sous-ensemble des données. Le fait de conserver l'entièreté de l'ensemble de données évite une perte d'information, de sorte que la normalisation de la CPUE avec la variable cible prédite devrait produire une estimation non biaisée de la tendance annuelle. Des essais de simulation simples démontrent que notre méthode donne de meilleurs résultats que les méthodes traditionnelles. Nous illustrons l'utilisation de notre méthode en l'appliquant à des données de CPUE pour des maquereaux atkas (Pleurogrammus azonus) pris dans une pêche plurispécifique au chalut à Hokkaido (Japon). [Traduit par la Rédaction]

No abstract