Guide User JJM IFOP 2022

Author

Departamento Evaluación de Recursos (DER)

Published

June 24, 2022

INTRODUCCIÓN

Varias piezas nuevas de información, además de otros aspectos técnicos que ameritan revisión, han surgido con relación a la evaluación de stock de Jurel desde que se realizó el 2018 el último taller técnico de referencia (benchmark assessment) en el contexto de la Organización Regional de Pesca del Pacífico Sur (SPRFMO) en el año 2018. Debido a la pandemia ocurrida en el año 2021, el taller programado para ese año no pudo ser efectuado y consecuentemente está ahora programado para inicios de julio 2022. En particular, Chile actualizó la metodología para asignar la edad introduciendo significativos cambios en las composiciones de edades de las capturas comerciales y de los cruceros de evaluación directa. La nueva información de composición de edades también implica cambios en parámetros demográficos importantes, tales como la mortalidad natural, el crecimiento y la probabilidad de madurez sexual a la edad. En su novena reunión (SC9), el Comité Científico de la SPRFMO también observó respecto de la captura por unidad de esfuerzo (CPUE) estimada con datos de la pesquería Chilena Sur, que la utilización de lances de pesca como unidad de esfuerzo podría mejorar esta serie como indicador de la abundancia relativa, considerando que en años recientes el recurso se ha distribuido más próximo a la costa y por ello se encuentra más disponible a la acción de esta flota. De acuerdo con lo anterior, y con miras al próximo taller técnico de referencia de la SPRFMO para esta evaluación, la Subsecretaria de Pesca en conjunto con el Instituto de Fomento Pesquero (IFOP) han considerado realizar un taller técnico nacional para revisar y discutir los impactos de estos y otros cambios en la actual evaluación de stock de jurel.

MÉTODOS

Como escenario base se consideró el modelo ajustado en el SC9 (h1_1.01), el cual fue usado para la recomendación de cuota de captura 2022. Como primer escenario se implementó el modelo con los nuevos datos de edad, mortalidad natural y fecundidad a la edad (C@A). Luego, se ejecutaron diferentes escenarios, que ponderan los impactos de tres aspectos: (i) las series de CPUE, (ii) las selectividades de las composiciones de edades, y (iii) el peso de las composiciones., incluyendo o excluyendo las series de CPUE CS Chile, aumentando o bajando el cv de la CPUE off-shore , forzando la selectividad dome-shape para los nuevos datos de edad y modificando el peso de las composiciones de edad de la captura. Durante el taller se presentaron los resultados obtenidos previamente por el equipo de IFOP y se ejecutó un número reducido de otros escenarios de sensibilidad que surgieron durante la discusión. Tanto la ejecución del modelo de evaluación como las salidas graficos se obtuvieron utilizando el paquete en R llamdo jjmR de Oliveros-Ramos et al. 2020. El taller técnico de referencia nacional de la evaluación de jurel se desarrolló los días 23 y 24 de junio, utilizando la plataforma Google Meets vía el siguiente vinculo: meet.google.com/hep-dstm-com.

Convención de la OROP-PS para nombrar modelos

Las convenciones de nombres de archivos se han cambiado para reflejar las hipótesis de estructura de stock asociadas con cada ejecución. El h1 denota la hipótesis de una sola acción, mientras que h2 denota la de dos acciones.

Tabla con descripción y configuración de Modelos
Modelo	Descripción
Modelos s1.x	Modelo actualizado y Sensibilidades
1.00	Modelo actualizado a 2021 (cambios de selectividad, reclutamiento); archivo de datos 0.10.dat
1.01	Como 1.00 pero usa las series de datos revisadas “antiguo” de la composición de edad y pesos a la edad, tanto para las pesquerías chilenas como para los cruceros(assessment/NewAgeData/AgeDataInAssessment.csv). Usado para definir la cuota de captura 2022.
1.02	Como 1.00 pero usa las series de datos con la nueva asignación de edad “Validación” para la composición de edad y pesos a la edad, tanto para las pesquerías chilenas como para los cruceros. Incluye una función de madurez recalculada a la edad, y M=0.25 (Zhang & Megrey 2006). M recomendada por Francisco Cerna.
1.03	Como 1.02 pero con M=0.37 (Hoening).
1.04	Como 1.02 pero con M=0.92 (Pauly). Modelo no convergió
1.05	Como 1.02 pero con M=1.37 (Rikhter & Efanov). Modelo no convergió
1.06	Como 1.02 pero con “steeepness” alto h=0.8
1.07	Como 1.06 pero con CPUE por lance. Pendiente
1.08	Como 1.06 pero con cambios en los ponderadores de los datos e indices. Pendiente

ARCHIVOS

Los archivos del modelo están alojados en el siguiente link:

Repo JJM DER IFOP

RUN JJM MODEL

Librerías y lectura de archivos

install.packages("devtools")
devtools::install_github("SPRFMO/jjmR")

library(jjmR)
library(here)
library(dplyr)
library(foreach)
library(doParallel)
registerDoParallel(6)

Asumiendo que estamos en jjm/assessment folder

path = where control files are stored
input = where data files are stored
output = where model output files are stored; default is “results”

file.path()
path.1<- file.path("~/JJM/src")
path.2<- file.path("~/JJM/assessment/config") # config
path.3<- file.path("~/JJM/assessment/input") # input
path.4<- file.path("~/JJM/assessment/results") #results

ESCENARIOS TESTEADOS

N#	ID	CASO	M	Referencia	Estructura, VBGF, madurez y M
1	h1_1.01	Uses revised data series “antiguo” of age composition and weight at age data for both Chilean fisheries and both Chilean acoustic surveys (assessment/NewAgeData/AgeDataInAssessment.csv)	0,23		Antiguo
2	h1_1.02	Igual a 1.01 pero incluyendo nuevos parametros de crecimiento, ojiva de madurez y valor de M	0,25	Zhang & Megrey	Validacion
3	h1_1.03	Igual a 1.02 pero con valor de M alternativo	0,37	Hoening	Validacion
4	h1_1.04	Igual a 1.02 pero con valor de M alternativo	0,92	Pauly	Validacion
5	h1_1.05	Igual a 1.02 pero con valor de M alternativo	1,37	Rikhter & Efanov	Validacion
6	h1_1.06	Igual a 1.02 pero incluyendo un valor de steepness igual a 0.8 (high)	0,25	Zhang & Megrey	Validacion
7	h1_1.07	Igual a 1.06 pero considerando ademas una mortalidad igual a 0.37	0,37	Valor Stock 2 en jjm h2	Validacion
8	h1_1.08	Igual a 1.02 pero incluye la nueva cpue basada en operciones de pesca (y no viajes)	0,25	Zhang & Megrey	Validacion
9	h1_1.09	Igual a 1.02 pero incluye la antigua (captura x viajes) y la nueva (captura x lance) cpue con un cambio en q en 2010	0,25	Zhang & Megrey	Validacion
10	h1_1.10	Igual a 1.02 pero el ponderador de la curvatura de la selectividad es igual a 25 para N _Chile (igual a la CS_Chile)	0,25	Zhang & Megrey	Validacion
11	h1_1.11	Igual a 1.02 pero el ponderador de la curvatura de la selectividad es igual a 15 para CS_Chile	0,25	Zhang & Megrey	Validacion
12	h1_1.12	Igual a 1.02 pero el ponderador de la curvatura de la selectividad es igual a 15 para CS_Chile y 25 para N_Chile	0,25	Zhang & Megrey	Validacion

correr los modelos señalados en TOR, desde el h1_1.01al h1_1.12

No leer casos con M alta dado que no convergen, en este caso h1_1.04al h1_1.05

Selecciono casos para correr.

casos <- list.files(path=path.2,"*.ctl")
casos  <- as.character(strsplit(casos, split=".ctl"))
casosr <- casos[c(13,14, 15, 22, 23, 24, 25, 26, 27, 28)];casosr

 [1] "h1_1.01" "h1_1.02" "h1_1.03" "h1_1.06" "h1_1.07" "h1_1.08" "h1_1.09"
 [8] "h1_1.10" "h1_1.11" "h1_1.12"

Correr todos los casos selecionados a la ves

# Uses revised data series "antiguo" of age composition and weight at age data for both Chilean fisheries and both Chilean acoustic surveys (assessment/NewAgeData/AgeDataInAssessment.csv)
modh1_1.01 <- jjmR::runit(mod="h1_1.01", est=T, pdf=T,  
                          exec=file.path(path.1,"jjms"), 
                          path=path.2, 
                          input=path.3, 
                          output=path.4)
# Igual a 0.02 pero incluyendo nuevos parametros de crecimiento, ojiva de madurez y valor de M
modh1_1.02 <- jjmR::runit(mod="h1_1.02", est=T, pdf=T,  
                          exec=file.path(path.1,"jjms"), 
                          path=path.2, 
                          input=path.3, 
                          output=path.4)
#Igual a 0.03 pero con valor de M alternativo
modh1_1.03 <- jjmR::runit(mod="h1_1.03", est=T, pdf=T,
                          exec=file.path(path.1,"jjms"),
                          path=path.2,
                          input=path.3,
                          output=path.4)
# #Igual a 0.04 pero con valor de M alternativo
# modh1_1.04 <- jjmR::runit(mod="h1_1.04", est=T, pdf=T,  
#                           exec=file.path(path.1,"jjms"), 
#                           path=path.2, 
#                           input=path.3, 
#                           output=path.4)
# 
# #Igual a 0.05 pero con valor de M alternativo
# modh1_1.05 <- jjmR::runit(mod="h1_1.05", est=T, pdf=T,  
#                           exec=file.path(path.1,"jjms"), 
#                           path=path.2, 
#                           input=path.3, 
#                           output=path.4)
#
modh1_1.06 <- jjmR::runit(mod="h1_1.06", est=T, pdf=T,  
                          exec=file.path(path.1,"jjms"), 
                          path=path.2, 
                          input=path.3, 
                          output=path.4)

# Nuevo Renzo CPUE
modh1_1.07 <- jjmR::runit(mod="h1_1.07", est=T, pdf=T,  
                          exec=file.path(path.1,"jjms"), 
                          path=path.2, 
                          input=path.3, 
                          output=path.4)

# Nuevo Renzo CPUE
modh1_1.08 <- jjmR::runit(mod="h1_1.08", est=T, pdf=T,  
                          exec=file.path(path.1,"jjms"), 
                          path=path.2, 
                          input=path.3, 
                          output=path.4)

# Nuevo Renzo CPUE
modh1_1.09 <- jjmR::runit(mod="h1_1.09", est=T, pdf=T,  
                          exec=file.path(path.1,"jjms"), 
                          path=path.2, 
                          input=path.3, 
                          output=path.4)
# Nuevo Renzo CPUE
modh1_1.10 <- jjmR::runit(mod="h1_1.10", est=T, pdf=T,  
                          exec=file.path(path.1,"jjms"), 
                          path=path.2, 
                          input=path.3, 
                          output=path.4)
# Nuevo Renzo CPUE
modh1_1.11 <- jjmR::runit(mod="h1_1.11", est=T, pdf=T,  
                          exec=file.path(path.1,"jjms"), 
                          path=path.2, 
                          input=path.3, 
                          output=path.4)
# Nuevo Renzo CPUE
modh1_1.12 <- jjmR::runit(mod="h1_1.12", est=T, pdf=T,  
                          exec=file.path(path.1,"jjms"), 
                          path=path.2, 
                          input=path.3, 
                          output=path.4)

LEER OUTPUTS

Diagnósticos genéricos

Modelo modh1_1_01

modh1_1.01 <- jjmR::readJJM("h1_1.01", path = "config", input = "input")
h2.diag <- diagnostics(modh1_1.01, plot=F)
b <-plot(h2.diag, var = "fishedUnfishedBiomass")

plot(h2.diag, var = "summarySheet")

Kobe Plot Modelo modh1_1_01

jjmR::kobe(modh1_1.01)

Modelo modh1_1_07 con CPUE corregida en Benchamrk

modh1_1.07 <- jjmR::readJJM("h1_1.07", path = "config", input = "input")
h7.diag <- diagnostics(modh1_1.07, plot=F)
b <-plot(h7.diag, var = "fishedUnfishedBiomass")

plot(h7.diag, var = "summarySheet")

plot(modh1_1.07,combine=T,what="biomass",stack=F,main="Biomass")

plot(modh1_1.07,combine=T,what="recruitment",stack=F,main="Recruitment")

plot(modh1_1.07,combine=T,what="ftot",stack=F,main="ftot")

Kobe Plot Modelo modh1_1_07

jjmR::kobe(modh1_1.07)

Comparar los modelos evaluados h1_1.02 y h1_1.07

# compare models
# h1_1.02 h1_1.07
mods2compare <- casos[c(3,8)]
comp.plots <- compareModels(mods2compare)
plot(comp.plots,combine=T,what="biomass",stack=F,main="Biomass")

plot(comp.plots,combine=T,what="recruitment",stack=F,main="Recruitment")

plot(comp.plots,combine=T,what="ftot",stack=F,main="Fishing mortality")

Comparar los modelos evaluados de los escenarios propuestos en benchmark 23 de Julio.

# compare models todos los es
mods10compare <- casosr
## comp.plots <- compareModels(casos)
comp.plots10 <- compareModels(mods10compare)

Biomasas

plot(comp.plots10,combine=T,what="biomass",stack=F,main="Biomass")

Reclutamientos

plot(comp.plots10,combine=T,what="recruitment",stack=F,main="Recruitment")

Mortalidad por Pesca

plot(comp.plots10,combine=T,what="ftot",stack=F,main="ftot")

RESUMEN

Tabla resumen de los principales

LL <- cbind(summary(modh1_1.01)$like,
            summary(modh1_1.02)$like,
            summary(modh1_1.03)$like,
            summary(modh1_1.06)$like, 
            #summary(h1_1.04.mod)$like,# not run Model
            summary(modh1_1.07)$like,
            summary(modh1_1.08)$like, 
            summary(modh1_1.09)$like,
            summary(modh1_1.10)$like,
            summary(modh1_1.11)$like, 
            summary(modh1_1.12)$like)
LL

                 h1_1.01 h1_1.02 h1_1.03 h1_1.06 h1_1.07 h1_1.08 h1_1.09
catch_like          1.07    0.98    0.50    1.00    0.50    1.15    1.18
age_like_fsh      377.70  235.72  228.50  235.18  228.38  236.46  238.09
length_like_fsh   463.42  393.15  393.58  392.89  393.61  390.70  391.91
sel_like_fsh      271.53  206.03  200.38  205.79  200.24  210.89  208.61
ind_like          265.54  186.16  176.19  185.99  176.37  186.26  180.71
age_like_ind      109.94   49.58   50.49   49.62   50.57   49.73   49.32
length_like_ind     0.00    0.00    0.00    0.00    0.00    0.00    0.00
sel_like_ind       15.88   14.67   14.79   14.78   14.86   14.08   14.93
rec_like            0.86    6.27   -1.41    7.18   -0.51    4.58    7.22
fpen                0.01    0.01    0.01    0.01    0.01    0.04    0.01
post_priors_indq    0.24    0.18    0.19    0.18    0.19    0.20    0.90
post_priors         0.00    0.00    0.00    0.00    0.00    0.00    0.00
residual            0.01    0.03    0.00    0.00    0.01    0.03    0.03
total            1506.18 1092.79 1063.22 1092.62 1064.21 1094.12 1092.91
                 h1_1.10 h1_1.11 h1_1.12
catch_like          0.97    0.98    0.97
age_like_fsh      233.86  235.72  233.86
length_like_fsh   393.41  393.15  393.41
sel_like_fsh      205.92  206.03  205.92
ind_like          186.86  186.16  186.86
age_like_ind       49.49   49.58   49.49
length_like_ind     0.00    0.00    0.00
sel_like_ind       14.38   14.67   14.38
rec_like            5.20    6.27    5.20
fpen                0.01    0.01    0.01
post_priors_indq    0.18    0.18    0.18
post_priors         0.00    0.00    0.00
residual            0.03    0.03    0.03
total            1090.32 1092.79 1090.32

knitr::kable(LL) %>% kableExtra::kable_styling()

Notas Benchmark DER-IFOP 23 de Junio

(Mañana)

Modelo M=0.37 Reclutamiento LL negativa. Mirar detalle. Es posible no convergencia.
La mayor flota proviene de la captura chilena, por ende el impacto de los datos peruanos es marginal.
C. Gatica pregunta lo relacionado con los análisis de sensibilidad. Tienen visualizado realizar a futuro análisis de desempeño de los modelos y configuraciones vía simulación (datos simulados). En este sentido, plantea la posibilidad de evaluar sesgo.
No se tiene una funcionalidad para JJM en términos de simulación.
M. Artega plantea la posibilidad de plantear un MSE , pero el contexto de este taller no tiene esos objetivos que van mas allá del scope mismo.
V. Espejo plantea correr un escenario con el mismo M que flota peruana. (M=0.33)
Considerar M como rangos de sensibilidad para ver el escalamiento del reclutamiento.
R. Galleguillos plantea ir con un enfoque basado en metaanalisis para la Mortalidad Natural, para no dejar flancos subjetivos a escenarios alternativos del parámetros que pudiesen tener incidencia sobre los reclutamientos, y por ende la biomasa.
Se determina (Payá) que el M está determinando las variables mas que el steepness (h)
Quedá planteado identificar desde donde proviene el valor de M=0.23. A. Sepúlveda indica que R. Serra podría ser consultado.
Otra discusión es respecto al método bioanalógico utilizado por Perú para estimar M en 0.33
JC Quiroz plantea probar escenarios de sensibilidad y R. Tascheri describe los tres tipos de selectividad utiliados en JJM. (logística, domo y random coefficient), sin embargo, el fundamento de probar escenarios de selectividad debe tener relación con el conocimiento de operación de la flota, lo cual, no es tan claro.
R. Tascheri plantea una sesión de “perilleo” con los settings del modelo en términos de selectividad y otros parámetros.
J. Oliva indica que los patrones de selectividad de zona norte son plausibles, dado que la flota era costera y tenía objetivos a ind. menores.

(Tarde)

Acuerdo para probar M. Se discutirá en la jornada del 24 de Junio.
Acuerdos respecto a la Madurez a la edad.
Acuerdos a la selectividad.
Períodos mas reciente para Norte Chile. Se puede cada 3 años en el norte sin afectar otras?
CPUE. Aspectos relacionados a las series de CPUE que usa el lance como variable de esfuerzo es dudosa en origen. el nivel de agotamiento es distinto entre stryr y endyr. Esto tiene impactos en la estimación. La idea es presentar una postura de acuerdo a como y desde cuando usar esta señal.

Aun no se está en condiciones de utilizar esa serie (viajes/lance) y por lo tanto no se puede utilizar. Testear segmentos de la serie con datos que soporten la deficiencia de los datos al inicio.

Análisis de ponderadores de Francis. Se plantea usar Francis o McAllister por R.T. Esto podría tener implicancias con la nueva asignación de edades, lo cual fue cambiado en el último benchmark del 2018.

Notas Benchmark DER-IFOP 24 de Junio

Revisión de los escenarios y los criterios utilizados en cada caso.
Revisión de impactos en las variables poblacionales mas importantes (F, reclutamiento y biomasas)

DISCUSIÓN

Este documento contiene los principales aspectos recopilados en el Taller Técnico de Referencia (benchmark) Nacional para la Evaluación de Stock de Jurel (Trachurus murphyi) 2022 que realizó el Departamento de Evaluación de Recursos (DER) del Instituto de Fomento Pesquero. El taller se realizó entre los días 23 y 24 de Julio y se presentaron los principales componentes del proceso de evaluación de stock dentro y fuera del área de la convención del SPRFMO (South Pacific Regional Fisheries Management Organisation). El modelo de evaluación de stock ha sido desarrollado sobre la base del framework llamado JJM implementado en ADBM y depurado dentro del comité científico para ajustarse a los datos disponibles y los supuestos de estructura de stock dentro del área.

En este benchmark, se discutieron aspectos relativos a; información de asignación de edades, selectividad, mortalidad natural y rendimientos de pesca. Para ello se establecieron 12 escenarios que fueron testeados sobre el modelo base, el cual cconsideró el modelo ajustado en el SC9, usado para la recomendación de cuota de captura 2022. En particular, Chile actualizó la metodología para asignar la edad introduciendo significativos cambios en las composiciones de edades de las capturas comerciales y de los cruceros de evaluación directa. La nueva información de composición de edades también implica cambios en parámetros demográficos importantes, tales como la mortalidad natural, el crecimiento y la probabilidad de madurez sexual a la edad.

Uno de los aspectos que mas controversiales que se discutieron en el taller fueron los métodos y origenes de la mortalidad natural utilizada en el modelo. Para ello se plantean escenarios que cubrieron las dudas relativas a estas estimaciones.

Los escenarios testeados en función de los rendimientos de pesca (CPUE) fueron discutidos desde 2 frentes. El primero fue respecto al uso de las series con distintas medidas de esfuerzo, es decir, viaje v/s lance y cuan válida en terminos de representar la señal de abundancia y credibilidad de información utilizada para su obtención. Se indica que el indice con esfuerzo por lances se encuentra en una fase de estudio y desarrollo, por lo que su uso para aspectos de modelación debe ser cuidadosamente atendido. De todas formas se elaboran dos escenarios alternativos y se evaluan sus impactos en las variables poblacionales y las verosimilitudes.

En terminós de edades, se probaron distintos escenarios de asignación significativos cambios en las composiciones de edades de las capturas comerciales y de los cruceros de evaluación directa. La nueva información de composición de edades también implica cambios en parámetros demográficos importantes, tales como la mortalidad natural, el crecimiento y la probabilidad de madurez sexual a la edad. Uno de los resultados es que se mejoran los ajustes en función de estos escenarios de asignación.

En este benchmark no se consideró revisar ni plantear escenarios alternativos al uso de pesos relativos de las piezas de información.

En resumen, este benchmark se hizo cargo de las aristas abiertas por parte de la delegación chilena y se tradujeron en escenarios alternativos, los cuales fueron implementados y probados en la modelación. Esta información será vital para el futuro benchmark con todos los stakeholders internacionales comprometidos en la evaluación y manejo de jurel en la SPRFMO que se realizará en los próximos días.

CONCLUSIÓN

La importancia de los distintos valores de M en las estimaciones fue comprobada a través de todos los escenarios testeados. El impacto en las variables poblacionales es significativo y debe ser atendido con profundidad. También destacar que los escenarios con mortalidades altas no presentan convergencia.
La CPUE por lance muestra señales de abundancia discutibles, por lo cual debe ser analizada en profundidad y es un trabajo en progreso.
Se plantea que las formas de selectividad son flexibles y están implementadas en el modelo, y recogen de buena forma la operación de las flotas.
Frente a todos los cambios testeados, el status de explotacion del recurso se mantiene en los niveles productivos altos para los ultimós años.

--- title: "Guide User JJM IFOP 2022" author: "Departamento Evaluación de Recursos (DER)" date: "`r format(Sys.time(), '%d %B, %Y')`" toc: true format: html: theme: cosmo fontsize: 0.9em linestretch: 1.7 html-math-method: katex self-contained: true code-tools: true execute: warning: false --- ## INTRODUCCIÓN Varias piezas nuevas de información, además de otros aspectos técnicos que ameritan revisión, han surgido con relación a la evaluación de stock de Jurel desde que se realizó el 2018 el último taller técnico de referencia (benchmark assessment) en el contexto de la Organización Regional de Pesca del Pacífico Sur (SPRFMO) en el año 2018. Debido a la pandemia ocurrida en el año 2021, el taller programado para ese año no pudo ser efectuado y consecuentemente está ahora programado para inicios de julio 2022. En particular, Chile actualizó la metodología para asignar la edad introduciendo significativos cambios en las composiciones de edades de las capturas comerciales y de los cruceros de evaluación directa. La nueva información de composición de edades también implica cambios en parámetros demográficos importantes, tales como la mortalidad natural, el crecimiento y la probabilidad de madurez sexual a la edad. En su novena reunión (SC9), el Comité Científico de la SPRFMO también observó respecto de la captura por unidad de esfuerzo (CPUE) estimada con datos de la pesquería Chilena Sur, que la utilización de lances de pesca como unidad de esfuerzo podría mejorar esta serie como indicador de la abundancia relativa, considerando que en años recientes el recurso se ha distribuido más próximo a la costa y por ello se encuentra más disponible a la acción de esta flota. De acuerdo con lo anterior, y con miras al próximo taller técnico de referencia de la SPRFMO para esta evaluación, la Subsecretaria de Pesca en conjunto con el Instituto de Fomento Pesquero (IFOP) han considerado realizar un taller técnico nacional para revisar y discutir los impactos de estos y otros cambios en la actual evaluación de stock de jurel. ## MÉTODOS Como escenario base se consideró el modelo ajustado en el SC9 (`h1_1.01`), el cual fue usado para la recomendación de cuota de captura 2022. Como primer escenario se implementó el modelo con los nuevos datos de edad, mortalidad natural y fecundidad a la edad (C\@A). Luego, se ejecutaron diferentes escenarios, que ponderan los impactos de tres aspectos: (i) las series de CPUE, (ii) las selectividades de las composiciones de edades, y (iii) el peso de las composiciones., incluyendo o excluyendo las series de CPUE CS Chile, aumentando o bajando el cv de la CPUE off-shore , forzando la selectividad dome-shape para los nuevos datos de edad y modificando el peso de las composiciones de edad de la captura. Durante el taller se presentaron los resultados obtenidos previamente por el equipo de IFOP y se ejecutó un número reducido de otros escenarios de sensibilidad que surgieron durante la discusión. Tanto la ejecución del modelo de evaluación como las salidas graficos se obtuvieron utilizando el paquete en R llamdo jjmR de Oliveros-Ramos et al. 2020. El taller técnico de referencia nacional de la evaluación de jurel se desarrolló los días 23 y 24 de junio, utilizando la plataforma Google Meets vía el siguiente vinculo: meet.google.com/hep-dstm-com. ### Convención de la OROP-PS para nombrar modelos Las convenciones de nombres de archivos se han cambiado para reflejar las hipótesis de estructura de stock asociadas con cada ejecución. El h1 denota la hipótesis de una sola acción, mientras que h2 denota la de dos acciones. +--------------+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+ | **Modelo** | **Descripción** | +--------------+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+ | Modelos s1.x | Modelo actualizado y Sensibilidades | +--------------+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+ | 1.00 | Modelo actualizado a 2021 (cambios de selectividad, reclutamiento); archivo de datos 0.10.dat | +--------------+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+ | 1.01 | Como 1.00 pero usa las series de datos revisadas "antiguo" de la composición de edad y pesos a la edad, tanto para las pesquerías chilenas como para los cruceros(assessment/NewAgeData/AgeDataInAssessment.csv). Usado para definir la cuota de captura 2022. | +--------------+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+ | 1.02 | Como 1.00 pero usa las series de datos con la nueva asignación de edad "Validación" para la composición de edad y pesos a la edad, tanto para las pesquerías chilenas como para los cruceros. Incluye una función de madurez recalculada a la edad, y M=0.25 (Zhang & Megrey 2006). M recomendada por Francisco Cerna. | +--------------+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+ | 1.03 | Como 1.02 pero con M=0.37 (Hoening). | +--------------+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+ | 1.04 | Como 1.02 pero con M=0.92 (Pauly). Modelo no convergió | +--------------+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+ | 1.05 | Como 1.02 pero con M=1.37 (Rikhter & Efanov). Modelo no convergió | +--------------+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+ | 1.06 | Como 1.02 pero con "steeepness" alto h=0.8 | +--------------+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+ | 1.07 | Como 1.06 pero con CPUE por lance. Pendiente | +--------------+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+ | 1.08 | Como 1.06 pero con cambios en los ponderadores de los datos e indices. Pendiente | +--------------+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+ : Tabla con descripción y configuración de Modelos ## ARCHIVOS Los archivos del modelo están alojados en el siguiente link: [Repo JJM DER IFOP](https://drive.google.com/drive/folders/1HZzsPoY9G-hRlUcpH501hp87d6RobQkz) ## RUN JJM MODEL Librerías y lectura de archivos ```{r eval=FALSE} install.packages("devtools") devtools::install_github("SPRFMO/jjmR") ``` ```{r} library(jjmR) library(here) library(dplyr) library(foreach) library(doParallel) registerDoParallel(6) ``` ```{r setup, include=FALSE, cache = FALSE} require("knitr") ## setting working directory opts_knit$set(root.dir = "~/IFOP/Cursos_Congresos/JJM/assessment") ``` Asumiendo que estamos en jjm/assessment folder - path = where control files are stored - input = where data files are stored - output = where model output files are stored; default is "results" ```{r echo=FALSE} path.1<- file.path("~/IFOP/Cursos_Congresos/JJM/src") path.2<- file.path("~/IFOP/Cursos_Congresos/JJM/assessment/config") # config path.3<- file.path("~/IFOP/Cursos_Congresos/JJM/assessment/input") # input path.4<- file.path("~/IFOP/Cursos_Congresos/JJM/assessment/results") #results ``` ```{r eval=FALSE} file.path() path.1<- file.path("~/JJM/src") path.2<- file.path("~/JJM/assessment/config") # config path.3<- file.path("~/JJM/assessment/input") # input path.4<- file.path("~/JJM/assessment/results") #results ``` ## ESCENARIOS TESTEADOS +--------+-------------+-------------------------------------------------------------------------+-------+-------------------------+-----------------------------------+ | **N#** | **ID** | **CASO** | **M** | **Referencia** | **Estructura, VBGF, madurez y M** | +--------+-------------+-------------------------------------------------------------------------+-------+-------------------------+-----------------------------------+ | 1 | **h1_1.01** | Uses revised data series "antiguo" of age composition and | 0,23 | | Antiguo | | | | weight at age data for both Chilean fisheries and both Chilean acoustic | | | | | | | surveys (assessment/NewAgeData/AgeDataInAssessment.csv) | | | | +--------+-------------+-------------------------------------------------------------------------+-------+-------------------------+-----------------------------------+ | 2 | **h1_1.02** | Igual a 1.01 pero incluyendo nuevos parametros de crecimiento, ojiva | 0,25 | Zhang & Megrey | Validacion | | | | de madurez y valor de M | | | | +--------+-------------+-------------------------------------------------------------------------+-------+-------------------------+-----------------------------------+ | 3 | **h1_1.03** | Igual a 1.02 pero con valor de M alternativo | 0,37 | Hoening | Validacion | +--------+-------------+-------------------------------------------------------------------------+-------+-------------------------+-----------------------------------+ | 4 | **h1_1.04** | Igual a 1.02 pero con valor de M alternativo | 0,92 | Pauly | Validacion | +--------+-------------+-------------------------------------------------------------------------+-------+-------------------------+-----------------------------------+ | 5 | **h1_1.05** | Igual a 1.02 pero con valor de M alternativo | 1,37 | Rikhter & Efanov | Validacion | +--------+-------------+-------------------------------------------------------------------------+-------+-------------------------+-----------------------------------+ | 6 | **h1_1.06** | Igual a 1.02 pero incluyendo un valor de steepness igual a 0.8 (high) | 0,25 | Zhang & Megrey | Validacion | +--------+-------------+-------------------------------------------------------------------------+-------+-------------------------+-----------------------------------+ | 7 | **h1_1.07** | Igual a 1.06 pero considerando ademas una mortalidad igual a 0.37 | 0,37 | Valor Stock 2 en jjm h2 | Validacion | +--------+-------------+-------------------------------------------------------------------------+-------+-------------------------+-----------------------------------+ | 8 | **h1_1.08** | Igual a 1.02 pero incluye la nueva cpue basada en operciones de pesca | 0,25 | Zhang & Megrey | Validacion | | | | (y no viajes) | | | | +--------+-------------+-------------------------------------------------------------------------+-------+-------------------------+-----------------------------------+ | 9 | **h1_1.09** | Igual a 1.02 pero incluye la antigua (captura x viajes) y la nueva | 0,25 | Zhang & Megrey | Validacion | | | | (captura x lance) cpue con un cambio en q en 2010 | | | | +--------+-------------+-------------------------------------------------------------------------+-------+-------------------------+-----------------------------------+ | 10 | **h1_1.10** | Igual a 1.02 pero el ponderador de la curvatura de la selectividad es | 0,25 | Zhang & Megrey | Validacion | | | | igual a 25 para N \_Chile (igual a la CS_Chile) | | | | +--------+-------------+-------------------------------------------------------------------------+-------+-------------------------+-----------------------------------+ | 11 | **h1_1.11** | Igual a 1.02 pero el ponderador de la curvatura de la selectividad es | 0,25 | Zhang & Megrey | Validacion | | | | igual a 15 para CS_Chile | | | | +--------+-------------+-------------------------------------------------------------------------+-------+-------------------------+-----------------------------------+ | 12 | **h1_1.12** | Igual a 1.02 pero el ponderador de la curvatura de la selectividad es | 0,25 | Zhang & Megrey | Validacion | | | | igual a 15 para CS_Chile y 25 para N_Chile | | | | +--------+-------------+-------------------------------------------------------------------------+-------+-------------------------+-----------------------------------+ correr los modelos señalados en TOR, desde el `h1_1.01`al `h1_1.12` No leer casos con M alta dado que no convergen, en este caso `h1_1.04`al `h1_1.05` Selecciono casos para correr. ```{r} casos <- list.files(path=path.2,"*.ctl") casos <- as.character(strsplit(casos, split=".ctl")) casosr <- casos[c(13,14, 15, 22, 23, 24, 25, 26, 27, 28)];casosr ``` Correr todos los casos selecionados a la ves ```{r eval=FALSE, message=FALSE} # Uses revised data series "antiguo" of age composition and weight at age data for both Chilean fisheries and both Chilean acoustic surveys (assessment/NewAgeData/AgeDataInAssessment.csv) modh1_1.01 <- jjmR::runit(mod="h1_1.01", est=T, pdf=T, exec=file.path(path.1,"jjms"), path=path.2, input=path.3, output=path.4) # Igual a 0.02 pero incluyendo nuevos parametros de crecimiento, ojiva de madurez y valor de M modh1_1.02 <- jjmR::runit(mod="h1_1.02", est=T, pdf=T, exec=file.path(path.1,"jjms"), path=path.2, input=path.3, output=path.4) #Igual a 0.03 pero con valor de M alternativo modh1_1.03 <- jjmR::runit(mod="h1_1.03", est=T, pdf=T, exec=file.path(path.1,"jjms"), path=path.2, input=path.3, output=path.4) # #Igual a 0.04 pero con valor de M alternativo # modh1_1.04 <- jjmR::runit(mod="h1_1.04", est=T, pdf=T, # exec=file.path(path.1,"jjms"), # path=path.2, # input=path.3, # output=path.4) # # #Igual a 0.05 pero con valor de M alternativo # modh1_1.05 <- jjmR::runit(mod="h1_1.05", est=T, pdf=T, # exec=file.path(path.1,"jjms"), # path=path.2, # input=path.3, # output=path.4) # modh1_1.06 <- jjmR::runit(mod="h1_1.06", est=T, pdf=T, exec=file.path(path.1,"jjms"), path=path.2, input=path.3, output=path.4) # Nuevo Renzo CPUE modh1_1.07 <- jjmR::runit(mod="h1_1.07", est=T, pdf=T, exec=file.path(path.1,"jjms"), path=path.2, input=path.3, output=path.4) # Nuevo Renzo CPUE modh1_1.08 <- jjmR::runit(mod="h1_1.08", est=T, pdf=T, exec=file.path(path.1,"jjms"), path=path.2, input=path.3, output=path.4) # Nuevo Renzo CPUE modh1_1.09 <- jjmR::runit(mod="h1_1.09", est=T, pdf=T, exec=file.path(path.1,"jjms"), path=path.2, input=path.3, output=path.4) # Nuevo Renzo CPUE modh1_1.10 <- jjmR::runit(mod="h1_1.10", est=T, pdf=T, exec=file.path(path.1,"jjms"), path=path.2, input=path.3, output=path.4) # Nuevo Renzo CPUE modh1_1.11 <- jjmR::runit(mod="h1_1.11", est=T, pdf=T, exec=file.path(path.1,"jjms"), path=path.2, input=path.3, output=path.4) # Nuevo Renzo CPUE modh1_1.12 <- jjmR::runit(mod="h1_1.12", est=T, pdf=T, exec=file.path(path.1,"jjms"), path=path.2, input=path.3, output=path.4) ``` ```{r eval=T, echo=FALSE} modh1_1.01 <- jjmR::readJJM("h1_1.01", path = "config", input = "input") modh1_1.02 <- jjmR::readJJM("h1_1.02", path = "config", input = "input") modh1_1.03 <- jjmR::readJJM("h1_1.03", path = "config", input = "input") #modh1_1.04 <- jjmR::readJJM("h1_1.04", path = "config", input = "input") #modh1_1.05 <- jjmR::readJJM("h1_1.05", path = "config", input = "input") modh1_1.06 <- jjmR::readJJM("h1_1.06", path = "config", input = "input") modh1_1.07 <- jjmR::readJJM("h1_1.07", path = "config", input = "input") modh1_1.08 <- jjmR::readJJM("h1_1.08", path = "config", input = "input") modh1_1.09 <- jjmR::readJJM("h1_1.09", path = "config", input = "input") modh1_1.10 <- jjmR::readJJM("h1_1.10", path = "config", input = "input") modh1_1.11 <- jjmR::readJJM("h1_1.11", path = "config", input = "input") modh1_1.12 <- jjmR::readJJM("h1_1.12", path = "config", input = "input") ``` ## LEER OUTPUTS Diagnósticos genéricos Modelo `modh1_1_01` ```{r eval=T} modh1_1.01 <- jjmR::readJJM("h1_1.01", path = "config", input = "input") h2.diag <- diagnostics(modh1_1.01, plot=F) b <-plot(h2.diag, var = "fishedUnfishedBiomass") plot(h2.diag, var = "summarySheet") ``` Kobe Plot Modelo `modh1_1_01` ```{r} jjmR::kobe(modh1_1.01) ``` Modelo `modh1_1_07` con CPUE corregida en Benchamrk ```{r eval=T} modh1_1.07 <- jjmR::readJJM("h1_1.07", path = "config", input = "input") h7.diag <- diagnostics(modh1_1.07, plot=F) b <-plot(h7.diag, var = "fishedUnfishedBiomass") plot(h7.diag, var = "summarySheet") ``` ```{r eval=T} plot(modh1_1.07,combine=T,what="biomass",stack=F,main="Biomass") plot(modh1_1.07,combine=T,what="recruitment",stack=F,main="Recruitment") plot(modh1_1.07,combine=T,what="ftot",stack=F,main="ftot") ``` Kobe Plot Modelo `modh1_1_07` ```{r} jjmR::kobe(modh1_1.07) ``` Comparar los modelos evaluados `h1_1.02` y `h1_1.07` ```{r eval=T} # compare models # h1_1.02 h1_1.07 mods2compare <- casos[c(3,8)] comp.plots <- compareModels(mods2compare) plot(comp.plots,combine=T,what="biomass",stack=F,main="Biomass") plot(comp.plots,combine=T,what="recruitment",stack=F,main="Recruitment") plot(comp.plots,combine=T,what="ftot",stack=F,main="Fishing mortality") ``` Comparar los modelos evaluados de los escenarios propuestos en benchmark 23 de Julio. ```{r eval=T} # compare models todos los es mods10compare <- casosr ## comp.plots <- compareModels(casos) comp.plots10 <- compareModels(mods10compare) ``` Biomasas ```{r eval=t} plot(comp.plots10,combine=T,what="biomass",stack=F,main="Biomass") ``` Reclutamientos ```{r eval=t} plot(comp.plots10,combine=T,what="recruitment",stack=F,main="Recruitment") ``` Mortalidad por Pesca ```{r eval=t} plot(comp.plots10,combine=T,what="ftot",stack=F,main="ftot") ``` ## RESUMEN Tabla resumen de los principales ```{r} LL <- cbind(summary(modh1_1.01)$like, summary(modh1_1.02)$like, summary(modh1_1.03)$like, summary(modh1_1.06)$like, #summary(h1_1.04.mod)$like,# not run Model summary(modh1_1.07)$like, summary(modh1_1.08)$like, summary(modh1_1.09)$like, summary(modh1_1.10)$like, summary(modh1_1.11)$like, summary(modh1_1.12)$like) LL ``` ```{r eval=FALSE} knitr::kable(LL) %>% kableExtra::kable_styling() ``` ## Notas Benchmark DER-IFOP 23 de Junio (Mañana) - Modelo M=0.37 Reclutamiento LL negativa. Mirar detalle. Es posible no convergencia. - La mayor flota proviene de la captura chilena, por ende el impacto de los datos peruanos es marginal. - C. Gatica pregunta lo relacionado con los análisis de sensibilidad. Tienen visualizado realizar a futuro análisis de desempeño de los modelos y configuraciones vía simulación (datos simulados). En este sentido, plantea la posibilidad de evaluar sesgo. - No se tiene una funcionalidad para JJM en términos de simulación. - M. Artega plantea la posibilidad de plantear un MSE , pero el contexto de este taller no tiene esos objetivos que van mas allá del scope mismo. - V. Espejo plantea correr un escenario con el mismo M que flota peruana. (`M=0.33`) - Considerar M como rangos de sensibilidad para ver el escalamiento del reclutamiento. - R. Galleguillos plantea ir con un enfoque basado en metaanalisis para la Mortalidad Natural, para no dejar flancos subjetivos a escenarios alternativos del parámetros que pudiesen tener incidencia sobre los reclutamientos, y por ende la biomasa. - Se determina (Payá) que el M está determinando las variables mas que el steepness (`h`) - Quedá planteado identificar desde donde proviene el valor de M=0.23. A. Sepúlveda indica que R. Serra podría ser consultado. - Otra discusión es respecto al método bioanalógico utilizado por Perú para estimar M en `0.33` - JC Quiroz plantea probar escenarios de sensibilidad y R. Tascheri describe los tres tipos de selectividad utiliados en JJM. (logística, domo y random coefficient), sin embargo, el fundamento de probar escenarios de selectividad debe tener relación con el conocimiento de operación de la flota, lo cual, no es tan claro. - R. Tascheri plantea una sesión de *"perilleo"* con los *settings* del modelo en términos de selectividad y otros parámetros. - J. Oliva indica que los patrones de selectividad de zona norte son plausibles, dado que la flota era costera y tenía objetivos a ind. menores. (Tarde) - Acuerdo para probar M. Se discutirá en la jornada del 24 de Junio. - Acuerdos respecto a la Madurez a la edad. - Acuerdos a la selectividad. - Períodos mas reciente para Norte Chile. Se puede cada 3 años en el norte sin afectar otras? - CPUE. Aspectos relacionados a las series de CPUE que usa el lance como variable de esfuerzo es dudosa en origen. el nivel de agotamiento es distinto entre `stryr` y `endyr`. Esto tiene impactos en la estimación. La idea es presentar una postura de acuerdo a como y desde cuando usar esta señal. Aun no se está en condiciones de utilizar esa serie (viajes/lance) y por lo tanto no se puede utilizar. Testear segmentos de la serie con datos que soporten la deficiencia de los datos al inicio. - Análisis de ponderadores de Francis. Se plantea usar Francis o McAllister por R.T. Esto podría tener implicancias con la nueva asignación de edades, lo cual fue cambiado en el último benchmark del 2018. ## Notas Benchmark DER-IFOP 24 de Junio - Revisión de los escenarios y los criterios utilizados en cada caso. - Revisión de impactos en las variables poblacionales mas importantes (F, reclutamiento y biomasas) ## DISCUSIÓN Este documento contiene los principales aspectos recopilados en el Taller Técnico de Referencia (benchmark) Nacional para la Evaluación de Stock de Jurel (*Trachurus murphyi*) 2022 que realizó el Departamento de Evaluación de Recursos (DER) del Instituto de Fomento Pesquero. El taller se realizó entre los días 23 y 24 de Julio y se presentaron los principales componentes del proceso de evaluación de stock dentro y fuera del área de la convención del SPRFMO (South Pacific Regional Fisheries Management Organisation). El modelo de evaluación de stock ha sido desarrollado sobre la base del framework llamado *JJM* implementado en ADBM y depurado dentro del comité científico para ajustarse a los datos disponibles y los supuestos de estructura de stock dentro del área. En este benchmark, se discutieron aspectos relativos a; información de asignación de edades, selectividad, mortalidad natural y rendimientos de pesca. Para ello se establecieron 12 escenarios que fueron testeados sobre el modelo base, el cual cconsideró el modelo ajustado en el SC9, usado para la recomendación de cuota de captura 2022. En particular, Chile actualizó la metodología para asignar la edad introduciendo significativos cambios en las composiciones de edades de las capturas comerciales y de los cruceros de evaluación directa. La nueva información de composición de edades también implica cambios en parámetros demográficos importantes, tales como la mortalidad natural, el crecimiento y la probabilidad de madurez sexual a la edad. Uno de los aspectos que mas controversiales que se discutieron en el taller fueron los métodos y origenes de la mortalidad natural utilizada en el modelo. Para ello se plantean escenarios que cubrieron las dudas relativas a estas estimaciones. Los escenarios testeados en función de los rendimientos de pesca (CPUE) fueron discutidos desde 2 frentes. El primero fue respecto al uso de las series con distintas medidas de esfuerzo, es decir, viaje v/s lance y cuan válida en terminos de representar la señal de abundancia y credibilidad de información utilizada para su obtención. Se indica que el indice con esfuerzo por lances se encuentra en una fase de estudio y desarrollo, por lo que su uso para aspectos de modelación debe ser cuidadosamente atendido. De todas formas se elaboran dos escenarios alternativos y se evaluan sus impactos en las variables poblacionales y las verosimilitudes. En terminós de edades, se probaron distintos escenarios de asignación significativos cambios en las composiciones de edades de las capturas comerciales y de los cruceros de evaluación directa. La nueva información de composición de edades también implica cambios en parámetros demográficos importantes, tales como la mortalidad natural, el crecimiento y la probabilidad de madurez sexual a la edad. Uno de los resultados es que se mejoran los ajustes en función de estos escenarios de asignación. En este benchmark no se consideró revisar ni plantear escenarios alternativos al uso de pesos relativos de las piezas de información. En resumen, este benchmark se hizo cargo de las aristas abiertas por parte de la delegación chilena y se tradujeron en escenarios alternativos, los cuales fueron implementados y probados en la modelación. Esta información será vital para el futuro benchmark con todos los stakeholders internacionales comprometidos en la evaluación y manejo de jurel en la SPRFMO que se realizará en los próximos días. ## CONCLUSIÓN - La importancia de los distintos valores de M en las estimaciones fue comprobada a través de todos los escenarios testeados. El impacto en las variables poblacionales es significativo y debe ser atendido con profundidad. También destacar que los escenarios con mortalidades altas no presentan convergencia. - La CPUE por lance muestra señales de abundancia discutibles, por lo cual debe ser analizada en profundidad y es un trabajo en progreso. - Se plantea que las formas de selectividad son flexibles y están implementadas en el modelo, y recogen de buena forma la operación de las flotas. - Frente a todos los cambios testeados, el status de explotacion del recurso se mantiene en los niveles productivos altos para los ultimós años.