Cluster analysis of linear model coefficients under contiguity constraints for identifying spatial and temporal fishing effort patterns

Other titles Classification des coefficients de modèle linéaire avec des contraintes de contiguité spatiale et temporelle pour identifier l'effort de pêche
Type Article
Date 2008-09
Language English
Author(s) Mahevas Stephanie1, Bellanger Lise2, Trenkel VerenaORCID1
Affiliation(s) 1 : IFREMER, Dept EMH, F-44311 Nantes 03, France.
2 : Univ Nantes, Lab Math Jean Leray, CNRS, UMR 6629, F-44322 Nantes, France.
Source Fisheries Research (0165-7836) (Elsevier), 2008-09 , Vol. 93 , N. 1-2 , P. 29-38
DOI 10.1016/j.fishres.2008.02.008
WOS© Times Cited 3
French abstract Dans un objectif de gestion des pêcheries, pour établir un diagnostic fiable de l'impact de la pêche sur la ressource, il est nécessaire d'intégrer les spécificités spatiales et temporelles de l'activité de pêche. Ce papier présente une nouvelle méthode pour décrire des structures spatiales et temporelles de l'effort de pêche. La distribution spatiale et saisonnière des chalutiers français pêchant en mer Celtique entre 1991 et 1998 est analysée en modélisant l'effort de pêche (temps de pêche) à l'aide d'un modèle linéaire généralisé. Le modèle décrivant la variabilité de l'effort de pêche incluait des effets fixes spatiaux (à l'échelle du rectangle statistique) et temporels (à l'échelle du mois). Les corrélations spatiales à un mois donné étaient modélisées par une fonction exponentielle décroissante de la distance et pour tenir compte des corrélations temporelles nous avons introduit, pour une unité spatiale donnée, l'effort de pêche du mois précédent comme variable explicative dans le modèle. Une méthode de classification des effets fixes spatiaux (respectivement temporels) du modèle statistique est alors proposée pour construire des groupes d'unités spatiales (respectivement des groupes
Please note that this is an author-produced PDF of an article accepted for publication following peer review. The definitive publisher-authenticated version is available on the publisher Web site
2
d'unités temporelles). Des contraintes de contiguïté spatiale et temporelle sont imposées dans l'algorithme de classification pour s'assurer que seules les unités spatiales voisines et que seules les unités temporelles successives soient groupées. L'application de cette méthode de classification a permis d'identifier 22 zones et 9 saisons. Les mois d'hiver et de printemps ressortent comme étant plus hétérogènes que les autres. La taille des zones est très variable et généralement plus grande au large qu'à la côte. La méthode proposée est générique et pourrait être par exemple utilisée pour identifier des structures spatiales et temporelles des données de capture ou de taux de capture.
Keyword(s) Fleet dynamics, Allocation of Fishing effort, Spatial and seasonal pattern, Statistics for spatial data, Cluster analysis under contiguity constraints, Generalised linear model
Abstract For fisheries management purposes, it is essential to take into account spatial and seasonal characteristics of fishing activities to allow a reliable assessment of fishing impact on resource. This paper presents a novel technique for describing spatial and temporal patterns in fishing effort. The spatial and seasonal fishing activity patterns of the French trawler fleet in the Celtic Sea during the period 1991–1998 were analysed by modelling fishing effort (fishing time) with generalised linear models. The linear model for fishing effort included fixed effects for both spatial (statistical rectangles) and temporal units (months). In addition, spatial correlations in any given month were modelled by an exponentially decreasing function. Temporal correlations were included using the previous month's fishing effort for a given spatial unit as predictor. A method based on cluster analysis of estimated model coefficients of spatial or temporal fixed effects is proposed for identifying groups of similar spatial and temporal units. A contiguity constraint is imposed in the clustering algorithm, ensuring that only neighbouring spatial units or consecutive temporal units are grouped. The cluster analysis identified 22 spatial and 9 temporal groups. Winter and spring months stood out as being more variable than the remaining months. Spatial groups were of varying size, and generally larger offshore. The proposed method is generic and could for example be used to analyse temporal and spatial patterns in catch or catch rate data.
Full Text
File Pages Size Access
publication-4302.pdf 19 668 KB Open access
Top of the page