Explorando TropFishR I: Preparación de datos

Explorando TropFishR I: ELEFAN

Luis Cubillos

24/4/2018

Primera parte: presentación

¿Qué es TropFishR? Mildenberg et al. (2017) publicaron el paquete TropFishR, que incorpora métodos para el análisis de pesquerías, particularmente aquellos disponibles en el programa FiSAT II (Gayanilo et al. 1996), basados en datos de frecuencia de tallas. Después Taylor y Mildenberg (2017) publicó la implementación de dos algoritmos de optimización adicionales para estimar los parámetros de crecimiento estacional de Von Bertalanffy con ELEFAN (Electronic LEngth-Frequency ANalysis). Los algoritmos están disponibles con las funciones ELEFAN_SA and ELEFAN_GA, las cuales están basadas en los algoritmos de simulación annealing de Xiang et al. (2013) y los algoritmos genéticos de Scrucca (2013), respectivamente.

Personalmente, utilice ELEFAN para estudiar el crecimiento estacional de la sardina común, Strangomera bentincki, y anchoveta, Engraulis ringens con datos de frecuencia de tallas que cubrieron desde julio de 1990 a enero de 1992 (Cubillos y Arancibia 1993). En esta nota, mi objetivo es explorar la aplicación de los nuevos algoritmos del método ELEFAN, utilizando los datos de sardina común del periodo noviembre de 1990 a octubre de 1991.

Preparación de los datos de frecuencia de tallas

Los datos pueden ser leidos a partir de un archivo de texto separado por coma, en el cual la primera columna contiene las clases de tallas, y tantas columnas como sean necesarias para identificar las frecuencias en el tiempo, por ejemplo:

head(lfq.imp)

##   LC X1990.15.11 X1990.15.12 X1991.15.01 X1991.15.02 X1991.15.03
## 1  3           0           5           0           0           0
## 2  4           0          91           2           0           0
## 3  5          88         415          26           7           1
## 4  6         284         731         174         110          31
## 5  7          80         504         504         427          54
## 6  8          10         119         722         543         193
##   X1991.15.04 X1991.15.05 X1991.15.06 X1991.15.07 X1991.15.08 X1991.15.09
## 1           0           0           0           0           0           0
## 2           0           0           0           0           0           0
## 3           0           0           0           1           0           0
## 4           0           0           0           1           1           0
## 5           2           0           2           7           0           0
## 6          19          16          29          33           3           0
##   X1991.15.10
## 1           0
## 2           0
## 3           0
## 4           0
## 5           0
## 6           0

Luego se debe adecuar las fechas, por ejemplo:

fechas <- colnames(lfq.imp)[2:13]
fechas <- strsplit(fechas,"X")
fechas <- unlist(lapply(fechas, function(x) x[2]))
fechas <- as.Date(fechas,"%Y.%d.%m")
fechas

##  [1] "1990-11-15" "1990-12-15" "1991-01-15" "1991-02-15" "1991-03-15"
##  [6] "1991-04-15" "1991-05-15" "1991-06-15" "1991-07-15" "1991-08-15"
## [11] "1991-09-15" "1991-10-15"

Por último, se debe preparar los datos de frecuencia de tallas como un objeto lfq, i.e.,

lfqsc <- list(midLengths=lfq.imp$LC,dates=fechas,catch=as.matrix(lfq.imp[,-1]))
class(lfqsc) <- "lfq"
summary(lfqsc)

##            Length Class  Mode   
## midLengths  17    -none- numeric
## dates       12    Date   numeric
## catch      204    -none- numeric

Esto permitirá observar una serie de tiempo de frecuencia de tallas con plot(lfsq,Fname="catch"), tal que partir del examen visual se pueda identificar la progresión de modas en el tiempo e inferir el crecimiento en longitud.

Referencias

1. Cubillos, L., & Arancibia, H., 1993. On the seasonal growth of common sardine ( Strangomera bentincki ) and anchovy ( Engraulis ringens) off Talcahuano, Chile. Rev. Biol. Mar., Valparaíso 28(1): 43-49.

2. Gayanilo, F.C.Jr, Sparre, P. & Pauly, P., 1996. FiSAT: FAO‐ICLARM stock assessment tools. User’s manual. FAO.

3. Mildenberger, T. K., Taylor, M. H. and Wolff, M., 2017. TropFishR: an R package for fisheries analysis with length-frequency data. Methods in Ecology and Evolution, 8: 1520-1527.

4. Scrucca, L. (2013). GA: a package for genetic algorithms in R. Journal of Statistical Software, 53(4), 1-37.

5. Taylor, M. H., and Mildenberger, T. K., 2017. Extending electronic length frequency analysis in R. Fisheries Management and Ecology, 24:330-338

6. Xiang, Y., Gubian, S., Suomela, B., & Hoeng, J., 2013. Generalized simulated annealing for global optimization: the GenSA Package. R Journal, 5(1), 13-28.