Utilize este identificador para referenciar este registo:
https://hdl.handle.net/1822/92189
Título: | Modelos geoestatísticos no estudo da dstribuição de espécies |
Autor(es): | Gonçalves, Francisco Leandro Miranda |
Orientador(es): | Menezes, Raquel |
Palavras-chave: | Geoestatística Modelos de distribuição de espécies Áreas de recrutamento Estrutura bayesiana Geostatistics Species distribution models Recruitment areas Bayesian framework |
Data: | 28-Dez-2023 |
Resumo(s): | Os modelos de distribuição de espécies (SDM) desempenham um papel crucial na gestão e
conservação de espécies marinhas comercialmente importantes. O interesse crescente nos SDMs
decorre da necessidade de assegurar a sustentabilidade das pescas, apoiada por modelos
geoestatísticos que abordam as especificidades inerentes a este tipo de dados.
Este trabalho centra-se na investigação de modelos geoestatísticos multivariados que associam
observações de ocorrência ou abundância de espécies a covariáveis ambientais num número limitado
de locais, permitindo a previsão da presença e extensão das espécies em áreas não observadas. Os
principais objectivos deste estudo são a identificação de hotspots de riqueza juvenil e mapear áreas e
épocas de recrutamento. A nossa análise incide em informação sobre desembarque por unidade de
esforço (LP UE) de sardinha pequena (11 a 15 cm de comprimento) (Sardina pilchardus) ao longo da
costa norte de Portugal, durante um período com menos restrições administrativas à pesca
(2007-2011). Adoptando um quadro Bayesiano-INLA, temos em conta a complexidade associada a
modelos geoestatísticos hierárquicos capazes de lidar com dados recolhidos nas dimensões temporais e
espaciais. A abordagem INLA é utilizada para construir múltiplos modelos, incorporando um campo
espacial gerado através dos métodos de Equação Diferencial Parcial Estocástica (SPDE).
Relativamente à avaliação e comparação de modelos, os indicadores DIC e CP O baseados na
qualidade do ajuste e na complexidade, são utilizados para selecionar as covariáveis ambientais mais
influentes. Os resultados deste estudo, melhora a nossa compreensão da distribuição dos juvenis de
sardinha e identifica com exatidão os hotspots podendo contribuir para a sustentabilidade dos
ecossistemas marinhos e a preservação de espécies comercialmente importantes. Species distribution models (SDMs) play a crucial role in the management and conservation of commercially important marine species. The growing interest in SDMs stems from the necessity to ensure fisheries’ sustainability, supported by geostatistical models that address the specificities inherent to this type of data. This work focuses on investigating multivariate geostatistical models that associate species occurrence or abundance observations with environmental covariates in a limited number of locations, enabling the prediction of species presence and extent in unobserved areas. The primary objectives of this study are to identify hotspots of juvenile richness and map recruitment areas and seasons. Our analysis focuses on the landing per unit of effort (LPUE) of small (size T4) sardine (Sardinapilchardus) along the northern Portuguese coast, during a period with fewer administrative fishing restrictions (2007-2011). Adopting a Bayesian-INLA framework, we account for the complexity associated with hierarchical geostatistical models capable of handling temporally collected data. The INLA approach is employed to construct multiple models, incorporating a spatial field generated through the Stochastic Partial Differential Equation (SPDE) methods. Regarding model evaluation and comparison, the DIC and CPO metrics based on goodness of fit and complexity are utilized to select the most influential environmental covariates. The outcomes of this study, enhancing our understanding of juvenile sardine distributions and accurately identifying hotspots, will hopefully contribute to the sustainability of marine ecosystems and the preservation of commercially important species. |
Tipo: | Dissertação de mestrado |
Descrição: | Dissertação de mestrado em Estatística para Ciência de Dados |
URI: | https://hdl.handle.net/1822/92189 |
Acesso: | Acesso aberto |
Aparece nas coleções: | BUM - Dissertações de Mestrado DMAT - Dissertações de Mestrado |
Ficheiros deste registo:
Ficheiro | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Francisco Leandro Miranda Goncalves.pdf | Dissertação de mestrado | 1,39 MB | Adobe PDF | Ver/Abrir |
Este trabalho está licenciado sob uma Licença Creative Commons