Dødlighet og migrasjon hos gjedde

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. Nt+1 Nt+1 Lesliematrise Lesliematrise Nt Nt Populasjonsdynamikk F = effektiv fekunditet = si-1* mi, hvormi = stadiumspesifikk fekunditet Si = sannsynliheten for å overleve fra stadium i til i+1

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

8. Fangst merking utsetting Fangstomganger Tidsinterval 1 0 0 1 0 0 f1 f2 f3 f4 f5 p2 p3 p4 p5 p6 Fangsthistorier og de demografiske parameterne Fangsthistorie: 100100, med sannsynlighet: f1(1-p2)f2(1-p3)f3p4c4 c4 er sannsynligheten for ikke å fanges etter 4de fangstomgang [= (1-f4)+(1-p5)f4(1- p6f5)] Parameterne estimeres vedmaximum likelihoodmetodikk

9. t1 t2 t3 b3 f2 f3 Para- meters p1 p2 p3 MLE: et eksempel Likelihood: L= (f1p2b3)X111[f1p2(1-b3)]X110[f1 (1-p2)b3]X101 (c1)X100 lnL(f1, p2, b3)= 4ln(f1p2b3)+7ln[f1p2(1-b3)]+2ln[f1 (1-p2)b3]+9ln(c1)

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. 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) Parametere for multistatemodeller Til State 1 State 2 State 3 Fra Fangstsannsynligheter pi+1 (1,1) pi+1 (1,2) pi+1 (1,3) or JMV-parameterisering pi+1 (1) pi+1 (2) pi+1 (3) CAS-parameterisering

13. Separat transisjonsparameter • Kan estimere transisjonsparameter (y) separat dersom kondisjonerer denne til overlevelse • yi,j = fi,j/Fi 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 • Standard CJS-analyse der kun levende gjenfangster analyseres • Naturlig dødlighet • Merk: sørdata vil dominere resultatene • MS-analyse med døde gjenfangster inkludert • Estimering av migrasjon og fangstdødlighet

19. Abborruser (PT) – til merking Garn (GN) – til merking Gjeddegarn (PGN) – alt drepes J F M A M J J A S O N D M J F M A f(t) f(t+1) 5 mnd 7 mnd pGN(t) pPT(t) pPGN(t+1) pGN(t+2) pPT(t+2) Diskretisering av data Høyre-censorering

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?