Biologinen tieto palvelemaan tehokkaammin kalakantojen arviointia Atso Romakkaniemi, Sakari Kuikka, Henni Pulkkinen ja Rebecca Whitlock EU:n 7 puiteohjelman ECOKNOWS-projekti
1,2,3,4,...
Eläinten, varsinkaan kalojen määrää luonnossa ei koskaan tunneta täysin tarkasti 15 859 kalaa 0 10 000 20 000 30 000 Kalojen määrä ajankohtana X alueella Y
Mitä vaihteluväli määräarviossa tarkoittaa? Mihin se perustuu? 11 074 26 793 kalaa 0 10 000 20 000 30 000 Kalojen määrä ajankohtana X alueella Y
Todennäköisyys Mitäpä jos arvion määrästä voisi esittää näin: Todellinen 10%:n 50:50 mahdollisuudet lukumäärä todennäköisyys on että todennäköisimmin todellinen määrä että todellinen on näillä tätä tienoilla suurempi tai lukumäärä pienempi on (mediaani) tätä pienempi Todennäköisyysjakauma 0 10 000 20 000 30 000 Kalojen määrä ajankohtana X alueella Y
Perinteiset kalakantojen arviointimenetelmät tiukasti standardoituja + Menetelmä tunnetaan ja tiedetään aina ilman erillisiä selityksiä + Aineistojen muokkaaminen kanta-arviota varten selkeää ja rutiininomaista - Kohteena olevasta kalakannasta vain tietyt aineistot käytössä (yleensä saalis jaettuna vuosittain ikäryhmäkohtaisiksi kplmääriksi) muut aineistot joko hyvin vähän tai ei ollenkaan käytössä - Muu relevantti biologinen tieto esim. läheisten alueiden samanlaisista kalakannoista täysin hyödyntämättä - Tuloksiin sisältyvää epävarmuutta ei kyetä arvioimaan
Miksi arviointimenetelmiin tarvitaan muutosta ja miksi juuri nyt? E P Ä V A R M U U S Y H T D I I E S T T O ÄM J E I N NE N TEK NII KKA Epäonnistumiset perinteisillä menetelmillä (toisinaan ) Epävarmuuden (riskien) huomioon ottaminen tullut yhä ajankohtaisemmaksi: varovaisuusperiaate, vähimmäistavoitteet kantojen tilaan, heikosti tunnettujen lajien sivusaaliit, ekosysteemivaikutusten huomioon ottaminen jne. Enemmän ja useammanlaista käyttökelpoista tietoa on kertynyt Esim. kalastuslain uudistus: miten vastata haasteeseen kestävän kalastuksen määrittämiseksi Suomen 187 888 järvessä/lammessa ja niitä yhdistävissä joissa? Tilastollinen menetelmä on olemassa Tietokoneiden laskentateho alkaa olla riittävä
Bayesilainen tilastotiede Teoreettinen pohja ~ yhtä vanha ja tutkittu kuin ns. klassisella tilastotieteellä Tilastollista päättelyä aineistoista taustatietojen avulla: ennakkotiedon ja havaintojen yhdistäminen Monenlaista informaatiota voidaan formaalisti yhdistää samaan analyysiin Tuloksena todennäköisyyksiä eri hypoteeseille: todennäköisyysjakauma, todennäköisyyksien/riskien kvantifiointi Soveltaminen mm. kalakantamalleissa
Ennakkotieto Malli siitä mitä havainnot kertovat Tiedon määrä kasvaa Päivitetty tieto Ennakkotieto Päivitetty tieto Ennakkotieto Päivitetty tieto Uusia havaintoja Malli siitä mitä havainnot kertovat Uusia havaintoja Malli siitä mitä havainnot kertovat Uusia havaintoja 1. tutkimus 2. tutkimus 3. tutkimus
ECOKNOWS-projekti (2010-2014) kehittää kalakantamallitusta Bayeslaskennalla Parannetaan ekosysteemi- ja biologisen tiedon käyttöä kalataloustieteessä ja kalakantojen hoidossa Vahvistetaan perinteisen biologisen tietämyksen ja kalakanta-arvioinnin yhteyttä (esim. ennakkotiedot kalojen kasvusta, lisääntymisestä, eliniän pituudesta ja näiden välisistä yhteyksistä) Lisätään laajojen biologisten ja ympäristöaineistojen sekä tutkimusjulkaisuista tehtyjen tietokantojen, mm. FishBase (www.fishbase.org) ja ICESin tietokannat, suoraa hyödyntämistä Etsitään parempia ratkaisuja helposti ymmärrettäviksi, yleistettäviksi kalakantojen tavoitetiloiksi
ECOKNOWS -tutkimuskonsortio Helsingin yliopisto (koordinaattori) RKTL Kansainvälinen merentutkimusneuvosto eli ICES FishBase Information and Research Group, Inc., Filippiinit/Saksa Aristotle University, Kreikka Consejo Superior de Investigaciones Científicas, Espanja Instituto Español de Oceanografía, Espanja Marine Institute, Irlanti Imperial College London, Iso-Britannia Department of Fisheries and Oceans, Kanada Svenska Lantbruksuniversitet, Ruotsi Institut National de la Recherche Agronomique, Ranska Agrocampus OUEST, Ranska 12
Projektin työpaketit (WP) WP1: Projektin hallinnointi WP2: Kirjallisuuskatsaus kalakanta-arvionnista: nykymenetelmien ongelmakohdat ja uusien ratkaisumallien suuntaviivat WP3: Uusien arviointimenetelmien kehittäminen WP4: Esimerkkitapaukset joihin sovelletaan uusia menetelmiä WP5: Uusien menetelmien mukanaan tuomien vaikutusten arviointi päätöksenteossa WP6: Nettipohjaisten tiedon arkistoinnin ja analyysityökalujen kehittäminen ennakkotiedon kokoamiseksi WP7: Tiedotus 13
Silakka ja silli Katkarapu Lohi Kummeliturska Sekalajikalastukset Itämerellä (kuha, siika, taimen, hauki, ahven) ja Välimerellä Sardelli
Selkämeren silakka Uuden populaatiomallin käyttö klassisessa tapauksessa, laajempi ennakkotietojen hyväksikäyttö ja silakkakantaan vaikuttavien ympäristö- ym. tekijöiden huomioon ottaminen Eri pyydysten selektiivisyydet Kaikuluotaus- ja koetroolausaineistot Hylkeiden aiheuttama predaatio Ennakkotieto kutukannan ja jälkeläisten välisistä yhteyksistä (muut silakka/sillikannat) Ympäristöolosuhteiden (meriveden lämpötila ja eläinplanktonin määrä) vaikutus lisääntymistulokseen 15
Sekalajikalastus Saaristomerellä Uuden populaatiomallin yhtäaikainen käyttö usealle lajille: pyynnin voimakkuuden ja eri pyydysten selektiivisyyden yleisvaikutukset eri lajeista saataville saalistasoille, kestävän kalastuksen tunnusmerkit Vähän tutkimusaineistoja ainakin osasta lajeja kaiken olemassa olevan tiedon käyttö tärkeää Eri pyydysten selektiivisyydet lajikohtaisten kasvuerojen eliniän pituuden vaikutus siihen mitä populaation osaa kalastetaan, miten suhteutuu MSY:iin Eri lajeilla eri koko ja ikä sukukypsymiseen lajikohtaisia vaikutuksia lisääntyvän populaation runsauteen Ympäristöolosuhteiden vaikutus lisääntymistulokseen Voidaanko löytää hyviä toimintamalleja sekalajikalastukselle 16
Lohi Pääpaino Pohjois-Atlantin lohikanta-arvioinnin kehittämisessä: P- Atlantin lohiarviointi samankaltaisemmaksi Itämeren arvioinnin kanssa P-Atlantin lohelle uusi populaatiomalli, jossa otetaan huomioon lohen elinkierto, kantadynamiikka ja epävarmuudet aiempaa paremmin Itämeren lohikantamallia kehitetään hieman eteenpäin, yhteisiä ratkaisuja samanlaisiin ongelmiin P-Atlantin kanssa Lisääntymisdynamiikasta meta-analyysi hyödynnetään samaa ennakkotietoa lisääntymisjokien lohen tuotantokyvystä ja siihen liittyvistä tekijöistä
Kiitokset! EU:n 7 puiteohjelman ECOKNOWS-projekti www.ecoknows.eu