Rutina, análisis, y salidas de evaluación de stock de erizo L. albus X-XI regiones 2021 con serie histórica Modelo base
Documento de insumo para el Reporte 2021
1. RESUMEN EJECUTIVO
El presente documento corresponde a un extracto del segundo Reporte de Gestión considerado en el proyecto “Programa de Seguimiento de las Pesquerías Bentónicas Bajo Planes de Manejo, Año 2019”, en el marco del Convenio de Desempeño D. Ex. N°170/2018 del MINECOM, entre el Instituto de Fomento Pesquero y el Ministerio de Economía y Empresas de Menor Tamaño.
Este documento contiene la evaluación de stock para la determinación del estatus de erizo (Loxechinus albus) en las denominadas Décima Región Norte, Décima Región Sur y Úndécima Región, que no presentan cambios notables con respecto a la evaluación del periodo anterior. El punto biológico de referencia propuesto, un 40% de reducción de la Biomasa Desovante Virginal, señala para la zona X Norte una reducción a un nivel de 20% la Biomasa Desovante, a un 43,1% la situación de la población en la zona X Sur y a un 20,8% la condición de la zona XI. Los resultados fueron presentados al Comité Científico Técnico Bentónico como antecedente para la recomendación manejo para el año 2022 en la macrozona X y XI regiones.
A su vez se realizaron observaciones y mejoras comprometidas como parte del proceso de revisión por pares que durante el año se realizó para el proceso de evaluación de stock de esta pesquería y que llevo a cabo el CAPES-UC (Centre of Applied Ecology & Sustainability) entre los meses de Mayo y Diciembre del 2020.
library(tidyverse)
library(stringr)
library(lattice)
library(ggplot2)
library(reshape)
library(dplyr)
library(ggthemes)
library(stringr)
library(patchwork)
library(kableExtra)
# FIGURAS
dir.Fig <-"Figuras/"
fig <-c("pdf","bmp")
#DIRECTORIOS
carpetabase <-getwd()
dir.0 <-carpetabase
dir.1 <-paste(dir.0,"/codigos_admb",sep="")
dir.fun <-paste(dir.0,"/funciones/",sep="")
dir.pbr <-paste(dir.0,"/PBRs_Analisys",sep="")Evaluar M en el perfil y ver la influencia de ello en la estimación
Aqui probé otro set de valores de M
source(paste(dir.fun,"Fn_Frms.R",sep=""))
dir.pbr <-paste(dir.0,"/PBR_Analisys",sep="")
admb <- "PBRmodbento"
Carpeta<-"/Frms_XN"
years <- rep1$years
nyears <- length(years)
M<-dat1$Loo_k_Lo_cv_M[5]
h<-dat1$h
dt<-dat1$dts[1]
Dat<-list()
# M_h_dtspawning
Dat$Mhdt<- c(M, h, dt)
# Number_%BRP
Dat$npbr<- 2
# SSB/SSBo
Dat$pbrs<-c(0.2, 0.4)
# Number_ages
Dat$nage<- 12
# Maturity_at_age
Dat$madurez_age<-c(0.069, 0.243, 0.583, 0.859, 0.964, 0.991, 0.998, 1, 1, 1 ,1, 1)
# Wt_at_age
Dat$Wt_age<- c(103.9503252, 138.1316778, 172.9477424, 207.3058951, 240.4212378, 271.7660199, 301.0155275, 328.0003793, 352.6699672, 375.0527626, 395.2273356, 413.32399870)
# yrs_of_selectivity
Dat$nyears<-nyears
# Selectivity
Dat$sel_f <- rep1$Sel_f
fn_Frms(admb,dir.0,dir.pbr,Carpeta,Dat)
dir_pbrXN <- paste(dir.0,Carpeta,sep="")
setwd(dir_pbrXN)
rep_pbr1 <- reptoRlist("PBRmodbento.rep")source(paste(dir.fun,"Fn_Frms.R",sep=""))
dir.pbr <-paste(dir.0,"/PBR_Analisys",sep="")
admb <- "PBRmodbento"
Carpeta<-"/Frms_XS"
years <- rep2$years
nyears <- length(years)
M<-dat1$Loo_k_Lo_cv_M[5]
h<-dat2$h
dt<-dat2$dts[1]
Dat<-list()
# M_h_dtspawning
Dat$Mhdt<- c(M, h, dt)
# Number_%BRP
Dat$npbr<- 2
# SSB/SSBo
Dat$pbrs<-c(0.2, 0.4)
# Number_ages
Dat$nage<- 12
# Maturity_at_age
Dat$madurez_age<-c(0.069, 0.243, 0.583, 0.859, 0.964, 0.992, 1, 1.003, 1.005, 1.008, 1.012, 1.017)
# Wt_at_age
Dat$Wt_age<- c(65.47584468, 95.48639075, 127.5619035, 160.3247821, 192.7228914, 223.9979339, 253.6364726, 281.31982, 306.8802903, 330.2630854, 351.4798174, 370.6309927)
# yrs_of_selectivity
Dat$nyears<-nyears
# Selectivity
Dat$sel_f <- rep2$Sel_f
fn_Frms(admb,dir.0,dir.pbr,Carpeta,Dat)
dir_pbrXS <- paste(dir.0,Carpeta,sep="")
setwd(dir_pbrXS)
rep_pbr2 <- reptoRlist("PBRmodbento.rep") source(paste(dir.fun,"Fn_Frms.R",sep=""))
dir.pbr <-paste(dir.0,"/PBR_Analisys",sep="")
admb <- "PBRmodbento"
Carpeta<-"/Frms_XI"
years <- rep3$years
nyears <- length(years)
M<-dat1$Loo_k_Lo_cv_M[5]
h<-dat3$h
dt<-dat3$dts[1]
Dat<-list()
# M_h_dtspawning
Dat$Mhdt<- c(M, h, dt)
# Number_%BRP
Dat$npbr<- 2
# SSB/SSBo
Dat$pbrs<-c(0.2, 0.4)
# Number_ages
Dat$nage<- 12
# Maturity_at_age
Dat$madurez_age<-c(0.069, 0.243, 0.583, 0.859, 0.964, 0.992, 1, 1.003, 1.005, 1.008, 1.012, 1.017)
# Wt_at_age
Dat$Wt_age<- c(65.47584468, 95.48639075, 127.5619035, 160.3247821, 192.7228914, 223.9979339, 253.6364726, 281.31982, 306.8802903, 330.2630854, 351.4798174, 370.6309927)
# yrs_of_selectivity
Dat$nyears<-nyears
# Selectivity
Dat$sel_f <- rep3$Sel_f
fn_Frms(admb,dir.0,dir.pbr,Carpeta,Dat)
dir_pbrXI <- paste(dir.0,Carpeta,sep="")
setwd(dir_pbrXI)
rep_pbr3 <- reptoRlist("PBRmodbento.rep")2. OBJETIVOS
2.1. Objetivo General
Efectuar el análisis de la situación actualizada del recurso erizo Loxechinus albus y su pesquería sobre la base de la información generada y disponible a la fecha, con la realización de una evaluación de stock y recomendaciones para el manejo.
2.2. Análisis de los desembarques
De acuerdo a un consenso establecido en el año 2016, los desembarques oficiales de erizo en las regiones X y XI han sido corregidos en función del juicio experto. Los criterios de corrección son presentados en el Anexo 1, y la siguiente tabla (Tabla 2), muestra los desembarques corregidos de los últimos 5 años;
(poner la tabla en crudo)
Los antecedentes de las capturas corregidos son presentados en la Figura 2 y muestran la importancia de la XI Región en los desembarques totales del erizo.
# Desembarques por zona
deszon <- cbind(years, data1$Ind[,2], data2$Ind[,2], data3$Ind[,2])
deszon <- as.data.frame(deszon)
#biot <-fortify(biot)
desembarque<- ggplot(deszon) +
geom_line(aes(x=years, y=data1$Ind[,2], colour = 'X Norte'), size=1.3)+
geom_line(aes(x=years, y=data2$Ind[,2], color = 'X Sur'), size=1.3)+
geom_line(aes(x=years, y=data3$Ind[,2], color = 'XI'), size=1.3)+
labs(x = '', y = 'Desembarques corregidos (t.)') +
scale_x_continuous(breaks = seq(from = years[1], to = years[nyears], by = 4)) +
#scale_colour_manual("",
# breaks = c('X Norte','X Sur','XI'),
# values = c("red", "green", "blue")) +
scale_color_brewer("",
palette = "YlOrRd",
breaks = c('X Norte','X Sur','XI'))+
theme_classic(base_size=12) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),
axis.text.x = element_text(angle=90))
desembarque
cpueXN_obs <- data.frame(rep1$CPUE_obs)
cpueXS_obs <- data.frame(rep2$CPUE_obs)
cpueXI_obs <- data.frame(rep3$CPUE_obs)
obscpueXN <- as.data.frame(cpueXN_obs) %>%
mutate(years=years) %>%
melt(id.vars='years') %>%
mutate(type='CPUE_XNorte')
obscpueXS <- as.data.frame(cpueXS_obs) %>%
mutate(years=years) %>%
melt(id.vars='years') %>%
mutate(type='CPUE_XSur')
obscpueXI <- as.data.frame(cpueXI_obs) %>%
mutate(years=years) %>%
melt(id.vars='years') %>%
mutate(type='CPUE_XI')
Ind2 <-rbind(obscpueXN,obscpueXS,obscpueXI)
p2 <- ggplot() +
geom_line(data=Ind2, aes(x=years, y =value), fill='gray66',
color = 'gray28') +
geom_smooth(method = "loess")+
facet_wrap(.~type,scale="free",dir = 'h', as.table = TRUE) +
labs(x="Años", y="Nominal CPUE (kg/hora*Buzo)")+
theme(panel.background = element_rect(fill ="gray99")) +
theme(panel.grid=element_line(color="gray66"))+
scale_x_continuous(breaks = seq(from = 1995, to = 2022, by = 1))+
theme(axis.text.x = element_text(angle = 90, hjust = 2))+
theme_bw()+
xlim(1995,2022)+
ylim(50, 200)
p2
3. RESULTADOS
Los resultados muestran que el modelo base actual recoge la variabilidad general de las señales poblacionales para las tres zonas evaluadas, al igual que las estructuras de longitudes de la flota (Figura 10) son bien reproducidas por el modelo de evaluación, capturando su variabilidad general.
El uso de patrones de explotación variables en el tiempo, aunque mejora las tallas medias predichas, no generó variaciones en los ajustes de las composiciones de longitudes respecto del modelo base previo.
A continuación se presentan los diagnosticos de residuales de tallas para las tres macrozonas evaluados de erizo.
3.1.1. Diagnóstico del modelo
Ajustes del modelo a los datos observados
yrs <- rep1$years
nyrs <- length(yrs)
lasty <- yrs[nyrs]
cvcpue <-0.20
cvdes <-0.05
# Erizo X Norte
ind_obsXN <- cbind(rep1$CPUE_obs, rep1$Desemb_obs);
ind_obsXN[ind_obsXN==0] <- NA
colnames(ind_obsXN) <- c('CPUE', 'Desembarques')
indXN <- data.frame(ind_obsXN) %>% mutate(Asesoria='observado') %>% mutate (yrs= yrs) %>% melt(id.var=c('yrs', 'Asesoria'))
ind_predXN <- cbind(c(rep1$CPUE_pred), c(rep1$Desemb_pred))
colnames(ind_predXN) <- c('CPUE', 'Desembarques')
predXN <- data.frame(ind_predXN) %>% mutate (Asesoria='Índices') %>% mutate (yrs= yrs) %>% melt(id.var=c('yrs', 'Asesoria'))
baseXN <- data.frame(rbind(indXN, predXN))
# Erizo X Sur
ind_obsXS <- cbind(rep2$CPUE_obs, rep2$Desemb_obs); ind_obsXS[ind_obsXS==0] <- NA
colnames(ind_obsXS) <- c('CPUE', 'Desembarques')
indXS <- data.frame(ind_obsXS) %>% mutate(Asesoria='observado') %>% mutate (yrs= yrs) %>% melt(id.var=c('yrs', 'Asesoria'))
ind_predXS <- cbind(c(rep2$CPUE_pred), c(rep2$Desemb_pred))
colnames(ind_predXS) <- c('CPUE', 'Desembarques')
predXS <- data.frame(ind_predXS) %>% mutate (Asesoria='Índices') %>% mutate (yrs= yrs) %>% melt(id.var=c('yrs', 'Asesoria'))
baseXS <- data.frame(rbind(indXS, predXS))
# Erizo XI
ind_obsXI <- cbind(rep3$CPUE_obs, rep3$Desemb_obs); ind_obsXI[ind_obsXI==0] <- NA
colnames(ind_obsXI) <- c('CPUE', 'Desembarques')
indXI <- data.frame(ind_obsXI) %>% mutate(Asesoria='observado') %>% mutate (yrs= yrs) %>% melt(id.var=c('yrs', 'Asesoria'))
ind_predXI <- cbind(c(rep3$CPUE_pred), c(rep3$Desemb_pred))
colnames(ind_predXI) <- c('CPUE', 'Desembarques')
predXI <- data.frame(ind_predXI) %>% mutate (Asesoria='Índices') %>% mutate (yrs= yrs) %>% melt(id.var=c('yrs', 'Asesoria'))
baseXI <- data.frame(rbind(indXI, predXI)) cpueXN <- ggplot(baseXN %>% filter(Asesoria!='observado', variable=='CPUE'),
aes(yrs,value)) +
geom_line(aes(colour=Asesoria), size=0.8) +
scale_colour_manual(values=c('black')) +
geom_point(data = baseXN %>% filter(Asesoria=='observado', variable=='CPUE'),
aes(yrs,value), shape = 19, colour = 'gray30') +
geom_errorbar(data = baseXN %>% filter(Asesoria=='observado', variable=='CPUE'),
aes(ymin = value*exp(-1.96*cvcpue), ymax = value*exp(1.96*cvcpue)), color = 'gray30') +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 5)) +
labs(x = '', y = 'Kg/hora') +
theme_bw(base_size=9) +
ggtitle('CPUE zona X Norte')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
desXN <- ggplot(baseXN %>% filter(Asesoria!='observado', variable=='Desembarques'),
aes(yrs,value)) +
geom_line(aes(colour=Asesoria), size=0.8) +
scale_colour_manual(values=c('black')) +
geom_point(data = baseXN %>% filter(Asesoria=='observado', variable=='Desembarques'),
aes(yrs,value), shape = 19, colour = 'gray30') +
geom_errorbar(data = baseXN %>% filter(Asesoria=='observado', variable=='Desembarques'),
aes(ymin = value*exp(-1.96*cvcpue), ymax = value*exp(1.96*cvcpue)), color = 'gray30') +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 5)) +
labs(x = '', y = 'Toneladas') +
theme_bw(base_size=12) +
ggtitle('Desembarques zona X Norte')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
cpueXN/desXN + plot_layout(guides="collect")
age <-rep1$Tallas
nage<-length(age)
etcf1_obs <- data.frame(rep1$pobs)
etcf1_pre <- rbind(rep1$ppred)
yearc1 <- rep1$years
nyearc1 <- length(yearc1)
obs <- as.data.frame(etcf1_obs) %>%
mutate(year=yearc1) %>%
melt(id.vars='year') %>%
mutate(edad = rep(age, each=nyearc1)) %>%
mutate(type='obs')
pred_sep <- as.data.frame(etcf1_pre) %>%
mutate(year=yearc1) %>%
melt(id.vars='year') %>%
mutate(edad = rep(age, each=nyearc1)) %>%
mutate(type='')
mat <- rbind(obs,pred_sep)
fig1 <- ggplot(filter(mat, type=='obs')) +
geom_bar(aes(x = edad, y = value), stat="identity", fill='gray95', color = 'gray68') +
facet_wrap(~year, dir = 'v', as.table = TRUE) +
labs(x = 'Longitud', y = 'Proporción') +
geom_line(data = mat %>% filter(type != 'obs'), aes(x = edad, y = value, colour=type)) +
scale_colour_manual(values=c('red'),name="") +
theme(panel.background = element_rect(fill ="gray99")) +
theme(panel.grid=element_line(color=NA)) +
ggtitle("FLOTA Zona XNorte") + theme(plot.title = element_text(size = 12))
fig1
Análisis de residuos
predcpue <- rep1$CPUE_pred
obscpue <- rep1$CPUE_obs ;obscpue[obscpue<=1] <-NA
Res_cpue <- log(obscpue)-log(predcpue)
obsD <- rep1$Desemb_obs
predD <- rep1$Desemb_pred
Res_Desemb <- log(obsD)-log(predD)
par(mfcol=c(3,2),mar=c(4,4,1,1)+0.5)
plot(yrs,Res_cpue,cex.axis=0.8,type="h",main="CPUE zona X norte",ylab="Residuales (escala log)",xlab="")
abline(h=0,col="darkgray")
plot(log(predcpue),Res_cpue, main="Residuales vs ajustado",ylab="Residuales",xlab="Valor ajustado")
abline(h=0,col="darkgray")
qqnorm(Res_cpue); qqline(Res_cpue, col = 2)
plot(yrs,Res_Desemb,cex.axis=0.8,ylim=c(-0.01,0.01),type="h",main="Desembarques zona X norte",ylab="Residuales (escala log)",xlab="")
abline(h=0,col="darkgray")
plot(log(predD),Res_Desemb, ylim=c(-0.01,0.01),main="Residuales vs ajustado",ylab="Residuales",xlab="Valor ajustado")
abline(h=0,col="darkgray")
qqnorm(Res_Desemb,ylim=c(-0.01,0.01)); qqline(Res_Desemb, col = 2)
ppredF <-rep1$ppred[37:63,]
anos <-yrs[37:63]
obsF <-rep1$pobs[37:63,]
preF <-ppredF
resF <-obsF-preF
rng <-range(resF,na.rm=T)
dd <-dim(resF)
est <-matrix(NA,nrow=dd[1],ncol=dd[2])
for(j in 1:dd[1]){for(k in 1:dd[2]){val<-resF[j,k]
if(val>0){est[j,k]<-val/rng[2]}
else{est[j,k]<-val/rng[1]*-1}}}
par(mfrow=c(1,1),mar=c(5.4,6.7,2,1),cex.axis=1,cex.lab=1.1)
fig1<-image(age,anos,t(est),col=0,yaxt="n",xlab="",ylab="")
ee <-dim(est)
for(n in 1:ee[1]){for(m in 1:ee[2]){vol<-est[n,m]
if(is.na(vol)==FALSE){
if(vol>0){points(age[m],anos[n],pch=19,cex=2.82*sqrt(vol),col=5)}
if(vol<0){points(age[m],anos[n],pch=19,cex=2.82*sqrt(vol*-1),col=1)}
}}}
mtext("Residuos Flota zona X norte",side=3,cex=1.2)
mtext("Edades",side=1,line=3.2,cex=1.1);posi<-seq(1,57,by=4)
axis(2,at=anos,labels=anos,las=2)
mtext("Años",side=2,line=4.7,cex=1.1)
mtext("a)",side=3,line=0.25,adj=-0.15,cex=1.5)
box()
Análisis retrospectivo
#Retrospectivo tradicional
Rt <- ggplot(Rt_retro) +
geom_ribbon(aes(ymin=lower, ymax=upper, x=x, fill = "Intervalo de confianza asintótico"), alpha = 0.2)+
geom_line(aes(y=y1, x=x, colour = year_retros[nretros]), size=0.5)+
geom_line(aes(y=y2, x=x, colour = year_retros[nretros-1]), size=0.5)+
geom_line(aes(y=y3, x=x, colour = year_retros[nretros-2]), size=0.5)+
geom_line(aes(y=y4, x=x, colour = year_retros[nretros-3]), size=0.5)+
geom_line(aes(y=y5, x=x, colour = year_retros[nretros-4]), size=0.5)+
labs(x = '', y = 'Reclutamientos',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 10)) +
scale_colour_manual("",values=c("orange","green","blue","red","black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="top")
BD <- ggplot(BD_retro) +
geom_ribbon(aes(ymin=lower, ymax=upper, x=x, fill = ""), alpha = 0.2)+
geom_line(aes(y=y1, x=x, colour = year_retros[nretros]), size=0.5)+
geom_line(aes(y=y2, x=x, colour = year_retros[nretros-1]), size=0.5)+
geom_line(aes(y=y3, x=x, colour = year_retros[nretros-2]), size=0.5)+
geom_line(aes(y=y4, x=x, colour = year_retros[nretros-3]), size=0.5)+
geom_line(aes(y=y5, x=x, colour = year_retros[nretros-4]), size=0.5)+
labs(x = '', y = 'Biomasa desovante',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 10)) +
scale_colour_manual("",values=c("orange","green","blue","red","black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
Ft <- ggplot(Ft_retro) +
geom_line(aes(y=y1, x=x, colour = year_retros[nretros]), size=0.5)+
geom_line(aes(y=y2, x=x, colour = year_retros[nretros-1]), size=0.5)+
geom_line(aes(y=y3, x=x, colour = year_retros[nretros-2]), size=0.5)+
geom_line(aes(y=y4, x=x, colour = year_retros[nretros-3]), size=0.5)+
geom_line(aes(y=y5, x=x, colour = year_retros[nretros-4]), size=0.5)+
labs(x = '', y = 'Mortalidad por pesca',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 10)) +
scale_colour_manual("",values=c("orange","green","blue","red","black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
#Retrospectivo relativo
Rtrel <- ggplot(Rt_retroRel) + lims(y=c(-1,1)) +
geom_line(aes(y=y1, x=x, colour = year_retros[nretros]), size=0.5)+
geom_line(aes(y=y2, x=x, colour = year_retros[nretros-1]), size=0.5)+
geom_line(aes(y=y3, x=x, colour = year_retros[nretros-2]), size=0.5)+
geom_line(aes(y=y4, x=x, colour = year_retros[nretros-3]), size=0.5)+
geom_line(aes(y=y5, x=x, colour = year_retros[nretros-4]), size=0.5)+
annotate("text", x=2000, y=0.5,label=paste("Rho =",round(ave.mohn.r,2))) +
labs(x = '', y = 'Diferencia porcentual del último año',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 10)) +
scale_colour_manual("",values=c("orange","green","blue","red","black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
BDrel <- ggplot(BD_retroRel) + lims(y=c(-1,1)) +
geom_line(aes(y=y1, x=x, colour = year_retros[nretros]), size=0.5)+
geom_line(aes(y=y2, x=x, colour = year_retros[nretros-1]), size=0.5)+
geom_line(aes(y=y3, x=x, colour = year_retros[nretros-2]), size=0.5)+
geom_line(aes(y=y4, x=x, colour = year_retros[nretros-3]), size=0.5)+
geom_line(aes(y=y5, x=x, colour = year_retros[nretros-4]), size=0.5)+
annotate("text", x=2000, y=0.5,label=paste("Rho =",round(ave.mohn.ssb,2))) +
labs(x = '', y = 'Diferencia porcentual del último año',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 10)) +
scale_colour_manual("",values=c("orange","green","blue","red","black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
Ftrel <- ggplot(Ft_retroRel) + lims(y=c(-1,1)) +
geom_line(aes(y=y1, x=x, colour = year_retros[nretros]), size=0.5)+
geom_line(aes(y=y2, x=x, colour = year_retros[nretros-1]), size=0.5)+
geom_line(aes(y=y3, x=x, colour = year_retros[nretros-2]), size=0.5)+
geom_line(aes(y=y4, x=x, colour = year_retros[nretros-3]), size=0.5)+
geom_line(aes(y=y5, x=x, colour = year_retros[nretros-4]), size=0.5)+
annotate("text", x=2000, y=0.5,label=paste("Rho =",round(ave.mohn.f,2))) +
labs(x = '', y = 'Diferencia porcentual del último año',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 10)) +
scale_colour_manual("",values=c("orange","green","blue","red","black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
Rt/BD/Ft |Rtrel/BDrel/Ftrel
Perfil de verosimilitud
source(paste(dir.fun,"functions.R",sep=""))
dir <-paste(dir.0,"/VerosimilitudXN",sep="")
setwd(dir)
casos <-23
logRo <- rep(0,casos)
likeval <- matrix(ncol=5,nrow=casos)
slikeval <- matrix(ncol=6,nrow=casos)
for(i in 1:casos){
report <- reptoRlist(paste(dir,"//MAETXNs",i,".rep",sep=""))
logRo[i] <- report$Ro
likeval[i,] <- report$likeval}
like <- data.frame(round(likeval,3),Total=apply(likeval,1,sum))
minLik <- apply(like,2,min) # busca el mínimo
for(i in 1:6){slikeval[,i]<-like[,i]-minLik[i]} # Estandarización
names<-c("Ro","cpue","desembarque","propF","devRo","log_F","Total")
# Tabla verosimilitud
TLk1 <- data.frame(exp(logRo),like);colnames(TLk1)<-names
# Tabla estandarizada
TLk2 <- data.frame(exp(logRo),slikeval);colnames(TLk2)<-names
par(mar=c(4,4,1,1))
plot(TLk2$Ro,TLk2$Total,type="l",lwd=3,ylim=c(0,3),xlim=c(0.5,45),xaxs="i",ylab="L-min(L)",xlab="Ro",las=1,main='Erizo zona X norte',cex.axis=0.7,cex.main=0.8,cex.lab=0.8)
lines(c(0,TLk2$Ro),rep(2,casos+1),lty=2,lwd=2)
for(i in 2:6){lines(TLk2$Ro,TLk2[,i],col=i,lty=2,lwd=2)}
legend(30,3,names[c(7,2:6)],col=1:7,lty=c(1,rep(2,6)),lwd=2,bty="n",cex=0.7)
Análisis de sensibilidad
a. Mortalidad natural
BT <- ggplot() +
geom_ribbon(data=VarPob, aes(ymin=lowerBT1, ymax=upperBT1, x=x, fill = "IC"), alpha = 0.2)+
geom_line(data=dataBT, aes(y=value, x=year, colour = variable), size=0.5)+
geom_line(data=VarPob,aes(y=BT1, x=years), colour=1, size=0.5)+
labs(x = '', y = 'Biomasa total',colour='Mortalidad natural') +
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 10)) +
scale_fill_manual("IC",values=c("grey45"))+
scale_color_viridis_d(option = "C",breaks=paste("y",seq(1,4,1),sep=""),
labels=c(0.2, 0.21, 0.22, 0.28))+
theme_bw(base_size=8) +
ggtitle('Sensibilidad a la Mortalidad natural')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
BD <- ggplot() +
geom_ribbon(data=VarPob,aes(ymin=lowerBD1, ymax=upperBD1, x=x, fill = ""), alpha = 0.2)+
geom_line(data=dataBD,aes(y=value, x=year, colour = variable), size=0.5)+
geom_line(data=VarPob,aes(y=BD1, x=years), colour=1, size=0.5)+
labs(x = '', y = 'Biomasa desovante',colour='Mortalidad natural') +
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 10)) +
scale_fill_manual("",values=c("grey45"))+
scale_color_viridis_d(option = "C",breaks=paste("y",seq(1,4,1),sep=""),
labels=c(0.2, 0.21, 0.22, 0.28))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5))
Ft <- ggplot() +
geom_ribbon(data=VarPob,aes(ymin=lowerFt1, ymax=upperFt1, x=x, fill = ""), alpha = 0.2)+
geom_line(data=dataF, aes(y=value, x=year, colour = variable), size=0.5)+
geom_line(data=VarPob,aes(y=Ft1, x=years), colour=1, size=0.5)+
labs(x = '', y = 'Mortalidad por pesca',colour='Mortalidad natural')+
#scale_color_brewer(palette = "Greens")+
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 10)) +
scale_fill_manual("",values=c("grey45"))+
scale_color_viridis_d(option = "C",breaks=paste("y",seq(1,4,1),sep=""),
labels=c(0.2, 0.21, 0.22, 0.28))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
BT/BD/Ft
b. Longitud asintótica
BT <- ggplot() +
geom_ribbon(data=VarPob, aes(ymin=lowerBT1, ymax=upperBT1, x=x, fill = "IC"), alpha = 0.2)+
geom_line(data=VarPob,aes(y=BT1, x=years), colour=1, size=0.5)+
geom_line(data=dataBT, aes(y=value, x=year, colour = variable), size=0.5)+
labs(x = '', y = 'Biomasa total',colour='Loo') +
scale_color_viridis_d(option = "C",breaks = seq(from = 1960, to = 2020, by = 2)) +
scale_fill_manual("",values=c("grey45"))+
theme_bw(base_size=8) +
ggtitle('Sensibilidad a la Longitud asintótica (Loo)')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
BD <- ggplot() +
geom_ribbon(data=VarPob,aes(ymin=lowerBD1, ymax=upperBD1, x=x, fill = ""), alpha = 0.2)+
geom_line(data=VarPob,aes(y=BD1, x=years), colour=1, size=0.5)+
geom_line(data=dataBD,aes(y=value, x=year, colour = variable), size=0.5)+
labs(x = '', y = 'Biomasa desovante',colour='Loo') +
scale_color_viridis_d(option = "C",breaks=paste("y",seq(1,nretros,1),sep=""),
labels=seq(128, 136, 0.5)) +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 2)) +
scale_fill_manual("IC",values=c("grey45"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5))
Ft <- ggplot() +
geom_line(data=dataF, aes(y=value, x=year, colour = variable), size=0.5)+
geom_line(data=VarPob,aes(y=Ft1, x=years), colour=1, size=0.5)+
labs(x = '', y = 'Mortalidad por pesca',colour='Loo') +
scale_color_viridis_d(option = "C",breaks = seq(from = 1960, to = 2022, by = 2)) +
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
BT/BD/Ft
3.1.2. Variables de estado
Rt <- ggplot(VarPob) +
geom_line(aes(y=Rt1, x=x, colour = "Estimado Zona X Norte"), size=0.5)+
geom_ribbon(aes(ymin=lowerRt1, ymax=upperRt1, x=x,
fill = "Intervalo de confianza asintótico"), alpha = 0.2, fill=5)+
labs(x = '', y = 'Reclutamientos',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 5)) +
scale_colour_manual("",values=c("black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="top")
BT <- ggplot(VarPob) +
geom_line(aes(y=BT1, x=x, colour = "Estimado Zona X Norte"), size=0.5)+
geom_ribbon(aes(ymin=lowerBT1, ymax=upperBT1, x=x, fill = ""), alpha = 0.2, fill=4)+
labs(x = '', y = 'Biomasa total',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 5)) +
scale_colour_manual("",values=c("black"))+
scale_fill_manual("",values=c("grey45"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
BD <- ggplot(VarPob) +
geom_line(aes(y=BD1, x=x, colour = "Estimado Zona X Norte"), size=0.5)+
geom_ribbon(aes(ymin=lowerBD1, ymax=upperBD1, x=x,
fill = "Intervalo de confianza asintótico"), alpha = 0.2, fill=6)+
labs(x = '', y = 'Biomasa desovante',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 5)) +
scale_colour_manual("",values=c("black"))+
scale_fill_manual("",values=c("grey45"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="top")
Ft <- ggplot(VarPob) +
geom_line(aes(y=Ft1, x=x, colour = "Estimado Zona X Norte"), size=0.5)+
geom_ribbon(aes(ymin=lowerFt1, ymax=upperFt1, x=x, fill = ""), alpha = 0.2, fill=7)+
labs(x = '', y = 'Mortalidad por pesca',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 5)) +
scale_colour_manual("",values=c("black"))+
scale_fill_manual("",values=c("grey45"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
Rt/BT | (BD/Ft)
# ASESORIA DE SEPTIEMBRE
age<-rep1$Edades
par(mfrow=c(1,1),mar=c(4,4,1,1))
plot(age,rep1$Sel_f[1,],type="l",lwd=2,las=1,ylim=c(0,1.1),ylab="Selectividad",xlab="Edad (año)")
lines(age,rep1$Sel_f[26,],type="o",pch="o")
legend (6,0.5,c("sel_bloque (1960-2002)","sel_bloque (2003-2022)"),pch=c("","o"),lwd=c(2,1),bty='n',cex=0.8)
3.1.3. Puntos Biológicos de Referencia
Frms<-rep_pbr1$`F(%SSBo)`[2,]
BDo<-rep1$BDo
BDrms35<-BDo*0.35
BDrms<-BDo*0.4
BDrms45<-BDo*0.45
BDlim<-BDrms/2
BD <- ggplot(VarPob) +
geom_line(aes(y=BD1, x=x, colour = "Estimado Zona X Norte"), size=0.5)+
geom_ribbon(aes(ymin=lowerBD1, ymax=upperBD1, x=x,
fill = "Intervalo de confianza asintótico"), alpha = 0.2)+
geom_hline(yintercept=c(BDrms35,BDrms,BDrms45, BDlim,BDo),
colour=c('black','green','black','red','blue'),
linetype = c(2,1,2,1,1))+
annotate("text", x=c(rep(2012,5)), y=c(BDrms35,BDrms,BDrms45, BDlim,BDo),
label=c(expression("BD"[RMS35]),
expression("BD"[RMS]),
expression("BD"[RMS45]),
expression("BD"[LIM]),
expression("BD"[0]))) +
labs(x = '', y = 'Biomasa desovante',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 5)) +
scale_colour_manual("",values=c("black"))+
scale_fill_manual("",values=c("grey45"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="top")
Ft <- ggplot(VarPob) +
geom_line(aes(y=Ft1, x=x, colour = "Estimado Zona X Norte"), size=0.5)+
geom_line(aes(y=Frms, x=x), colour="green",size=0.5)+
geom_ribbon(aes(ymin=lowerFt1, ymax=upperFt1, x=x, fill = ""), alpha = 0.2)+
annotate("text", x=c(2011), y=c(Frms[nyears]),label=c(expression("F"[RMS]))) +
labs(x = '', y = 'Mortalidad por pesca',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 5)) +
scale_colour_manual("",values=c("black")) +
scale_fill_manual("",values=c("grey45")) +
theme_bw(base_size=8) +
ggtitle('') +
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
BD/Ft
3.1.4. Estatus del erizo de la zona norte de la Región de Los Lagos
Zona<- "Erizo Zona X Norte"
Frms<-rep_pbr1$`F(%SSBo)`[2,]
BDo<-rep1$BDo
BDrms<-BDo*0.4
BDlim<-BDrms/2
bd_bdrms<-(VarPob$BD1/BDrms)
f_frms<-(VarPob$Ft1/Frms)
Qmult<- -qnorm((1-(80/100))/2.0)
sb95min <-BD1[nyears]-Qmult*BD1std[nyears]/BDrms
sb95max <-BD1[nyears]+Qmult*BD1std[nyears]/BDrms
F95min <- exp(Ft1[nyears])*exp(-Qmult*Ft1std[nyears])/Frms
F95max <-exp(Ft1[nyears])*exp(Qmult*Ft1std[nyears])/Frms
x.bottom.left <- c(1, 0, 1, 1)
x.top.left <- c(1, 0, 1, 1)
x.bottom.right<- c(0, 1, 3, 3)
x.top.right <- c(0, 1, 3, 3)
y.bottom.left <- c(0, 1, 0, 1)
y.bottom.right<- c(0, 1, 0, 1)
y.top.left <- c( 1, 10, 1, 10)
y.top.right <- c( 1, 10, 1, 10)
# declare a vector of values
values <- c("1_Sobreexplotación","2_Sobreexplotación","3_Subexplotación","4_Sobrepesca")
# create a data frame containing values and ids
values.df <- data.frame(value = values, id = c(1, 2, 3, 4))
# create the x and y vectors containing the coordinates of each polygon in the correct order
x.coords <- unlist(lapply(1:length(x.bottom.left), function(i) {
c(x.bottom.left[i],
x.bottom.right[i],
x.top.right[i], x.top.left[i])
}))
y.coords <- unlist(lapply(1:length(y.bottom.left), function(i) {
c(y.bottom.left[i],
y.bottom.right[i],
y.top.right[i],
y.top.left[i])
}))
# create a coordinates data frame
coords.df <- data.frame(id = rep(c(1, 2, 3, 4), each = 4), x = x.coords, y = y.coords)
# merge the data frames
data.df <- merge(values.df, coords.df, by = c("id"))
# plot
ggplot() +
geom_polygon(data = data.df,
aes(x = x, y = y, fill = factor(value), group = id,alpha = 0.9)) +
scale_fill_grey(start=0.4, end=0.9) +
scale_alpha(guide="none")+
geom_hline(yintercept = 1) +
geom_vline(xintercept = c(0.5,1),colour=c(2,1)) +
annotate("text", x=c(0.5,1,3.07), y=c(10.07,10.07,1.07),
label=c(expression("BD"[LIM]),
expression("BD"[RMS]),
expression("F"[RMS]))) +
geom_path(aes(x=bd_bdrms,y=f_frms)) +
geom_point(aes(x=bd_bdrms,y=f_frms),
shape = 21, colour = "black", fill = "white", size = 2.5, stroke = 1)+
geom_point(aes(x=bd_bdrms[c(nyears,1)],y=f_frms[c(nyears,1)]),
shape =c(21,21), colour = c("blue","green"),
fill =c("blue4","green4"), size =c(4,4), stroke =c(1,1)) +
geom_text(aes(x=bd_bdrms,y=f_frms,label=years),
angle = 45,nudge_y = 0.15,size = 3) +
labs(x = expression("BD/BD"[RMS]),
y = expression("F/F"[RMS]),fill='Estados de explotación') +
theme_bw(base_size=15) +
ggtitle(Zona)
3.2.1. Diagnóstico del modelo
Ajustes del modelo a los datos observados
cpueXS <- ggplot(baseXS %>% filter(Asesoria!='observado', variable=='CPUE'),
aes(yrs,value)) +
geom_line(aes(colour=Asesoria), size=0.8) +
scale_colour_manual(values=c('black')) +
geom_point(data = baseXS %>% filter(Asesoria=='observado', variable=='CPUE'),
aes(yrs,value), shape = 19, colour = 'gray30') +
geom_errorbar(data = baseXS %>% filter(Asesoria=='observado', variable=='CPUE'),
aes(ymin = value*exp(-1.96*cvcpue), ymax = value*exp(1.96*cvcpue)), color = 'gray30') +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 5)) +
labs(x = '', y = ' Kg/hora') +
theme_bw(base_size=9) +
ggtitle('CPUE zona X Sur')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
desXS <- ggplot(baseXS %>% filter(Asesoria!='observado', variable=='Desembarques'),
aes(yrs,value)) +
geom_line(aes(colour=Asesoria), size=0.8) +
scale_colour_manual(values=c('black')) +
geom_point(data = baseXS %>% filter(Asesoria=='observado', variable=='Desembarques'),
aes(yrs,value), shape = 19, colour = 'gray30') +
geom_errorbar(data = baseXS %>% filter(Asesoria=='observado', variable=='Desembarques'),
aes(ymin = value*exp(-1.96*cvcpue), ymax = value*exp(1.96*cvcpue)), color = 'gray30') +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 5)) +
labs(x = '', y = 'Toneladas') +
theme_bw(base_size=9) +
ggtitle('Desembarques zona X Sur')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
cpueXS/desXS + plot_layout(guides="collect")
age <-rep2$Tallas
nage<-length(age)
etcf1_obs <- data.frame(rep2$pobs)
etcf1_pre <- rbind(rep2$ppred)
yearc1 <- rep2$years
nyearc1 <- length(yearc1)
obs <- as.data.frame(etcf1_obs) %>% mutate(year=yearc1) %>% melt(id.vars='year') %>%
mutate(edad = rep(age, each=nyearc1)) %>% mutate(type='obs')
pred_sep <- as.data.frame(etcf1_pre) %>% mutate(year=yearc1) %>% melt(id.vars='year') %>%
mutate(edad = rep(age, each=nyearc1)) %>% mutate(type='')
mat <- rbind(obs,pred_sep)
fig1 <- ggplot(filter(mat, type=='obs')) +
geom_bar(aes(x = edad, y = value), stat="identity", fill='gray98', color = 'gray68') +
facet_wrap(~year, dir = 'v', as.table = TRUE) + labs(x = 'Edad', y = 'Proporción') +
geom_line(data = mat %>% filter(type != 'obs'), aes(x = edad, y = value, colour=type)) +
scale_colour_manual(values=c('red'),name="") +
theme(panel.background = element_rect(fill ="gray99")) + theme(panel.grid=element_line(color=NA)) +
ggtitle("FLOTA Zona X Sur") + theme(plot.title = element_text(size = 12))
fig1
Análisis de residuos de erizo zona X sur
predcpue <- rep2$CPUE_pred
obscpue <- rep2$CPUE_obs ;obscpue[obscpue<=1] <-NA
Res_cpue <- log(obscpue)-log(predcpue)
obsD <- rep2$Desemb_obs
predD <- rep2$Desemb_pred
Res_Desemb <- log(obsD)-log(predD)
par(mfcol=c(3,2),mar=c(4,4,1,1)+0.5)
plot(yrs,Res_cpue,cex.axis=0.8,type="h",main="CPUE zona X sur",ylab="Residuales (escala log)",xlab="")
abline(h=0,col="darkgray")
plot(log(predcpue),Res_cpue, main="Residuales vs ajustado",ylab="Residuales",xlab="Valor ajustado")
abline(h=0,col="darkgray")
qqnorm(Res_cpue); qqline(Res_cpue, col = 2)
plot(yrs,Res_Desemb,cex.axis=0.8,ylim=c(-0.01,0.01),type="h",main="Desembarques zona X sur",ylab="Residuales (escala log)",xlab="")
abline(h=0,col="darkgray")
plot(log(predD),Res_Desemb, ylim=c(-0.01,0.01),main="Residuales vs ajustado",ylab="Residuales",xlab="Valor ajustado")
abline(h=0,col="darkgray")
qqnorm(Res_Desemb,ylim=c(-0.01,0.01)); qqline(Res_Desemb, col = 2)
ppredF <-rep2$ppred[37:63,]
anos <-yrs[37:63]
obsF <-rep2$pobs[37:63,]
preF <-ppredF
resF <-obsF-preF
rng <-range(resF,na.rm=T)
dd <-dim(resF)
est <-matrix(NA,nrow=dd[1],ncol=dd[2])
for(j in 1:dd[1]){for(k in 1:dd[2]){val<-resF[j,k]
if(val>0){est[j,k]<-val/rng[2]}
else{est[j,k]<-val/rng[1]*-1}}}
par(mfrow=c(1,1),mar=c(5.4,6.7,2,1),cex.axis=1,cex.lab=1.1)
fig1<-image(age,anos,t(est),col=0,yaxt="n",xlab="",ylab="")
ee <-dim(est)
for(n in 1:ee[1]){for(m in 1:ee[2]){vol<-est[n,m]
if(is.na(vol)==FALSE){
if(vol>0){points(age[m],anos[n],pch=19,cex=2.82*sqrt(vol),col=7)}
if(vol<0){points(age[m],anos[n],pch=19,cex=2.82*sqrt(vol*-1),col="grey78")}
}}}
mtext("Residuos Flota zona X sur",side=3,cex=1.2)
mtext("Edades",side=1,line=3.2,cex=1.1);posi<-seq(1,57,by=4)
axis(2,at=anos,labels=anos,las=2)
mtext("Años",side=2,line=4.7,cex=1.1)
mtext("a)",side=3,line=0.25,adj=-0.15,cex=1.5)
box()
Análisis retrospectivo de erizo zona X sur
Rt <- ggplot(Rt_retro) +
geom_line(aes(y=y1, x=x, colour = year_retros[nretros]), size=0.5)+
geom_line(aes(y=y2, x=x, colour = year_retros[nretros-1]), size=0.5)+
geom_line(aes(y=y3, x=x, colour = year_retros[nretros-2]), size=0.5)+
geom_line(aes(y=y4, x=x, colour = year_retros[nretros-3]), size=0.5)+
geom_line(aes(y=y5, x=x, colour = year_retros[nretros-4]), size=0.5)+
geom_ribbon(aes(ymin=lower, ymax=upper, x=x, fill = "Intervalo de confianza asintótico"), alpha = 0.2)+
labs(x = '', y = 'Reclutamientos',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 10)) +
scale_colour_manual("",values=c("orange","green","blue","red","black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="top")
BD <- ggplot(BD_retro) +
geom_line(aes(y=y1, x=x, colour = year_retros[nretros]), size=0.5)+
geom_line(aes(y=y2, x=x, colour = year_retros[nretros-1]), size=0.5)+
geom_line(aes(y=y3, x=x, colour = year_retros[nretros-2]), size=0.5)+
geom_line(aes(y=y4, x=x, colour = year_retros[nretros-3]), size=0.5)+
geom_line(aes(y=y5, x=x, colour = year_retros[nretros-4]), size=0.5)+
geom_ribbon(aes(ymin=lower, ymax=upper, x=x, fill = ""), alpha = 0.2)+
labs(x = '', y = 'Biomasa desovante',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 10)) +
scale_colour_manual("",values=c("orange","green","blue","red","black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
Ft <- ggplot(Ft_retro) +
geom_line(aes(y=y1, x=x, colour = year_retros[nretros]), size=0.5)+
geom_line(aes(y=y2, x=x, colour = year_retros[nretros-1]), size=0.5)+
geom_line(aes(y=y3, x=x, colour = year_retros[nretros-2]), size=0.5)+
geom_line(aes(y=y4, x=x, colour = year_retros[nretros-3]), size=0.5)+
geom_line(aes(y=y5, x=x, colour = year_retros[nretros-4]), size=0.5)+
geom_ribbon(aes(ymin=lower, ymax=upper, x=x, fill = ""), alpha = 0.2)+
labs(x = '', y = 'Mortalidad por pesca',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 10)) +
scale_colour_manual("",values=c("orange","green","blue","red","black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
#Retrospectivo relativo
Rtrel <- ggplot(Rt_retroRel) + lims(y=c(-1,1)) +
geom_line(aes(y=y1, x=x, colour = year_retros[nretros]), size=0.5)+
geom_line(aes(y=y2, x=x, colour = year_retros[nretros-1]), size=0.5)+
geom_line(aes(y=y3, x=x, colour = year_retros[nretros-2]), size=0.5)+
geom_line(aes(y=y4, x=x, colour = year_retros[nretros-3]), size=0.5)+
geom_line(aes(y=y5, x=x, colour = year_retros[nretros-4]), size=0.5)+
annotate("text", x=2000, y=0.5,label=paste("Rho =",round(ave.mohn.r,2))) +
labs(x = '', y = 'Diferencia porcentual del último año',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 10)) +
scale_colour_manual("",values=c("orange","green","blue","red","black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
BDrel <- ggplot(BD_retroRel) + lims(y=c(-1,1)) +
geom_line(aes(y=y1, x=x, colour = year_retros[nretros]), size=0.5)+
geom_line(aes(y=y2, x=x, colour = year_retros[nretros-1]), size=0.5)+
geom_line(aes(y=y3, x=x, colour = year_retros[nretros-2]), size=0.5)+
geom_line(aes(y=y4, x=x, colour = year_retros[nretros-3]), size=0.5)+
geom_line(aes(y=y5, x=x, colour = year_retros[nretros-4]), size=0.5)+
annotate("text", x=2000, y=0.5,label=paste("Rho =",round(ave.mohn.ssb,2))) +
labs(x = '', y = 'Diferencia porcentual del último año',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 10)) +
scale_colour_manual("",values=c("orange","green","blue","red","black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
Ftrel <- ggplot(Ft_retroRel) + lims(y=c(-1,1)) +
geom_line(aes(y=y1, x=x, colour = year_retros[nretros]), size=0.5)+
geom_line(aes(y=y2, x=x, colour = year_retros[nretros-1]), size=0.5)+
geom_line(aes(y=y3, x=x, colour = year_retros[nretros-2]), size=0.5)+
geom_line(aes(y=y4, x=x, colour = year_retros[nretros-3]), size=0.5)+
geom_line(aes(y=y5, x=x, colour = year_retros[nretros-4]), size=0.5)+
annotate("text", x=2000, y=0.5,label=paste("Rho =",round(ave.mohn.f,2))) +
labs(x = '', y = 'Diferencia porcentual del último año',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 10)) +
scale_colour_manual("",values=c("orange","green","blue","red","black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
Rt/BD/Ft |Rtrel/BDrel/Ftrel
Perfil de verosimilitud de erizo zona X sur
source(paste(dir.fun,"functions.R",sep=""))
dir <-paste(dir.0,"/VerosimilitudXS",sep="")
setwd(dir)
casos <-36
logRo <- rep(0,casos)
likeval <- matrix(ncol=10,nrow=casos)
slikeval <- matrix(ncol=11,nrow=casos)
for(i in 1:casos){
report <- reptoRlist(paste(dir,"//MAETXSs",i,".rep",sep=""))
logRo[i] <- report$Ro
likeval[i,] <- report$likeval}
like <- data.frame(round(likeval,3),Total=apply(likeval,1,sum))
minLik <- apply(like,2,min) # busca el mínimo
for(i in 1:11){slikeval[,i]<-like[,i]-minLik[i]} # Estandarización
names<-c("Ro","cpue","desembarque","propF","devRo","log_F","Total")
# Tabla verosimilitud
TLk1 <- data.frame(exp(logRo),like);colnames(TLk1)<-names
# Tabla estandarizada
TLk2 <- data.frame(exp(logRo),slikeval);colnames(TLk2)<-names
par(mar=c(4,4,1,1))
plot(TLk2$Ro,TLk2[,12],type="l",lwd=3,ylim=c(0,3),xlim=c(0.5,200),xaxs="i",ylab="L-min(L)",xlab="Ro",las=1,main='Erizo zona X sur',cex.axis=0.7,cex.main=0.8,cex.lab=0.8)
lines(c(0,TLk2$Ro),rep(2,casos+1),lty=2,lwd=2)
for(i in 2:11){lines(TLk2$Ro,TLk2[,i],col=i,lty=2,lwd=2)}
legend(30,3,names[c(7,2:6)],col=1:7,lty=c(1,rep(2,6)),lwd=2,bty="n",cex=0.7)
Análisis de sensibilidad
a. Mortalidad natural
BT <- ggplot() +
geom_ribbon(data=VarPob, aes(ymin=lowerBT2, ymax=upperBT2, x=x, fill = "IC"), alpha = 0.2)+
geom_line(data=dataBT, aes(y=value, x=year, colour = variable), size=0.5)+
geom_line(data=VarPob,aes(y=BT2, x=years), colour=1, size=0.5)+
labs(x = '', y = 'Biomasa total',colour='Mortalidad natural') +
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 10)) +
scale_fill_manual("IC",values=c("grey45"))+
scale_color_viridis_d(option = "A",breaks=paste("y",seq(1,4,1),sep=""),
labels=c(0.2, 0.21, 0.22, 0.28))+
theme_bw(base_size=8) +
ggtitle('Sensibilidad a la Mortalidad natural')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
BD <- ggplot() +
geom_ribbon(data=VarPob,aes(ymin=lowerBD2, ymax=upperBD2, x=x, fill = ""), alpha = 0.2)+
geom_line(data=dataBD,aes(y=value, x=year, colour = variable), size=0.5)+
geom_line(data=VarPob,aes(y=BD2, x=years), colour=1, size=0.5)+
labs(x = '', y = 'Biomasa desovante',colour='Mortalidad natural') +
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 10)) +
scale_fill_manual("",values=c("grey45"))+
scale_color_viridis_d(option = "A",breaks=paste("y",seq(1,4,1),sep=""),
labels=c(0.2, 0.21, 0.22, 0.28))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5))
Ft <- ggplot() +
geom_line(data=dataF, aes(y=value, x=year, colour = variable), size=0.5)+
geom_ribbon(data=VarPob,aes(ymin=lowerFt2, ymax=upperFt2, x=x, fill = ""), alpha = 0.2)+
geom_line(data=VarPob,aes(y=Ft2, x=years), colour=1, size=0.5)+
labs(x = '', y = 'Mortalidad por pesca',colour='Mortalidad natural')+
#scale_color_brewer(palette = "Greens")+
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 10)) +
scale_fill_manual("",values=c("grey45"))+
scale_color_viridis_d(option = "A",breaks=paste("y",seq(1,4,1),sep=""),
labels=c(0.2, 0.21, 0.22, 0.28))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
BT/BD/Ft
b. Longitud asintótica
BT <- ggplot() +
geom_ribbon(data=VarPob, aes(ymin=lowerBT2, ymax=upperBT2, x=x, fill = "IC"), alpha = 0.2)+
geom_line(data=dataBT, aes(y=value, x=year, colour = variable), size=0.5)+
geom_line(data=VarPob,aes(y=BT2, x=years), colour=1, size=0.5)+
labs(x = '', y = 'Biomasa total',colour='Loo') +
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 10)) +
scale_fill_manual("IC",values=c("grey45"))+
theme_bw(base_size=8) +
ggtitle('Sensibilidad a la Longitud asintótica (Loo)')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
BD <- ggplot() +
geom_ribbon(data=VarPob,aes(ymin=lowerBD2, ymax=upperBD2, x=x, fill = ""), alpha = 0.2)+
geom_line(data=dataBD,aes(y=value, x=year, colour = variable), size=0.5)+
geom_line(data=VarPob,aes(y=BD2, x=years), colour=1, size=0.5)+
labs(x = '', y = 'Biomasa desovante',colour='Loo') +
scale_colour_discrete(breaks=paste("y",seq(1,nretros,1),sep=""),
labels=seq(116, 128, 0.5)) +
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 10)) +
scale_fill_manual("IC",values=c("grey45"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5))
Ft <- ggplot() +
geom_ribbon(data=VarPob,aes(ymin=lowerFt2, ymax=upperFt2, x=x, fill = ""), alpha = 0.2)+
geom_line(data=dataF, aes(y=value, x=year, colour = variable), size=0.5)+
geom_line(data=VarPob,aes(y=Ft2, x=years), colour=1, size=0.5)+
labs(x = '', y = 'Mortalidad por pesca',colour='Loo') +
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 10)) +
scale_fill_manual("IC",values=c("grey45"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
BT/BD/Ft
3.2.2. Variables de estado de erizo Zona X sur.
Rt <- ggplot(VarPob) +
geom_line(aes(y=Rt2, x=x, colour = "Estimado Zona X sur"), size=0.5)+
geom_ribbon(aes(ymin=lowerRt2, ymax=upperRt2, x=x, fill = "Intervalo de confianza asintótico"), alpha = 0.2, fill=3)+
labs(x = '', y = 'Reclutamientos',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 5)) +
scale_colour_manual("",values=c("black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="top")
BT <- ggplot(VarPob) +
geom_line(aes(y=BT2, x=x, colour = "Estimado Zona X sur"), size=0.5)+
geom_ribbon(aes(ymin=lowerBT2, ymax=upperBT2, x=x, fill = ""), alpha = 0.2, fill=5)+
labs(x = '', y = 'Biomasa total',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 5)) +
scale_colour_manual("",values=c("black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
BD <- ggplot(VarPob) +
geom_line(aes(y=BD2, x=x, colour = "Estimado Zona X sur"), size=0.5)+
geom_ribbon(aes(ymin=lowerBD2, ymax=upperBD2, x=x, fill = "Intervalo de confianza asintótico"), alpha = 0.2, fill=6)+
labs(x = '', y = 'Biomasa desovante',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 5)) +
scale_colour_manual("",values=c("black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="top")
Ft <- ggplot(VarPob) +
geom_line(aes(y=Ft2, x=x, colour = "Estimado Zona X sur"), size=0.5)+
geom_ribbon(aes(ymin=lowerFt2, ymax=upperFt2, x=x, fill = ""), alpha = 0.2, fill=7)+
labs(x = '', y = 'Mortalidad por pesca',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 5)) +
scale_colour_manual("",values=c("black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
Rt/BT | BD/Ft
# ASESORIA DE SEPTIEMBRE
age<-rep2$Edades
par(mfrow=c(1,1),mar=c(4,4,1,1))
plot(age,rep2$Sel_f[1,],type="l",lwd=2,las=1,ylim=c(0,1.1),ylab="Selectividad",xlab="Edad (año)")
legend (6,0.5,c("sel_bloque (1960-2022)"),pch=c(""),lwd=c(2),bty='n',cex=0.8)
3.2.3. Puntos Biológicos de Referencia
Frms<-rep_pbr2$`F(%SSBo)`[2,]
BDo<-rep2$BDo
BDrms35<-BDo*0.35
BDrms<-BDo*0.4
BDrms45<-BDo*0.45
BDlim<-BDrms/2
BD <- ggplot(VarPob) +
geom_line(aes(y=BD2, x=x, colour = "Estimado Zona X Norte"), size=0.5)+
geom_ribbon(aes(ymin=lowerBD2, ymax=upperBD2, x=x,
fill = "Intervalo de confianza asintótico"), alpha = 0.2)+
geom_hline(yintercept=c(BDrms35,BDrms,BDrms45, BDlim,BDo),
colour=c('black','green','black','red','blue'),
linetype = c(2,1,2,1,1))+
annotate("text", x=c(rep(2012,5)), y=c(BDrms35,BDrms,BDrms45, BDlim,BDo),
label=c(expression("BD"[RMS35]),
expression("BD"[RMS]),
expression("BD"[RMS45]),
expression("BD"[LIM]),
expression("BD"[0]))) +
labs(x = '', y = 'Biomasa desovante',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 5)) +
scale_colour_manual("",values=c("black"))+
scale_fill_manual("",values=c("grey45"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="top")
Ft <- ggplot(VarPob) +
geom_line(aes(y=Ft2, x=x, colour = "Estimado Zona X Norte"), size=0.5)+
geom_line(aes(y=Frms, x=x), colour="green",size=0.5)+
geom_ribbon(aes(ymin=lowerFt2, ymax=upperFt2, x=x, fill = ""), alpha = 0.2)+
annotate("text", x=c(2011), y=c(Frms[nyears]),label=c(expression("F"[RMS]))) +
labs(x = '', y = 'Mortalidad por pesca',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 5)) +
scale_colour_manual("",values=c("black")) +
scale_fill_manual("",values=c("grey45")) +
theme_bw(base_size=8) +
ggtitle('') +
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
BD/Ft
3.2.4. Estatus del erizo de la zona sur de la Región de Los Lagos
Zona<- "Erizo Zona X Sur"
Frms<-rep_pbr2$`F(%SSBo)`[2,]
BDo<-rep2$BDo
BDrms<-BDo*0.4
BDlim<-BDrms/2
bd_bdrms<-VarPob$BD2/BDrms
f_frms<-VarPob$Ft2/Frms
x.bottom.left <- c(1, 0, 1, 1)
x.top.left <- c(1, 0, 1, 1)
x.bottom.right<- c(0, 1, 3, 3)
x.top.right <- c(0, 1, 3, 3)
y.bottom.left <- c(0, 1, 0, 1)
y.bottom.right<- c(0, 1, 0, 1)
y.top.left <- c( 1, 10, 1, 10)
y.top.right <- c( 1, 10, 1, 10)
# declare a vector of values
values <- c("1_Sobreexplotación","2_Sobreexplotación","3_Subexplotación","4_Sobrepesca")
# create a data frame containing values and ids
values.df <- data.frame(value = values, id = c(1, 2, 3, 4))
# create the x and y vectors containing the coordinates of each polygon in the correct order
x.coords <- unlist(lapply(1:length(x.bottom.left), function(i) {
c(x.bottom.left[i], x.bottom.right[i], x.top.right[i], x.top.left[i])
}))
y.coords <- unlist(lapply(1:length(y.bottom.left), function(i) {
c(y.bottom.left[i], y.bottom.right[i], y.top.right[i], y.top.left[i])
}))
# create a coordinates data frame
coords.df <- data.frame(id = rep(c(1, 2, 3, 4), each = 4), x = x.coords, y = y.coords)
# merge the data frames
data.df <- merge(values.df, coords.df, by = c("id"))
# plot
ggplot() +
geom_polygon(data = data.df, aes(x = x, y = y, fill = factor(value), group = id,alpha = 0.9)) +
scale_fill_grey(start=0.4, end=0.9) +
scale_alpha(guide="none")+
geom_hline(yintercept = 1) + geom_vline(xintercept = c(0.5,1),colour=c(2,1)) +
annotate("text", x=c(0.5,1,3.07), y=c(10.07,10.07,1.07),
label=c(expression("BD"[LIM]),expression("BD"[RMS]),expression("F"[RMS]))) +
geom_path(aes(x=bd_bdrms,y=f_frms)) +
geom_point(aes(x=bd_bdrms,y=f_frms),shape = 21, colour = "black", fill = "white", size = 2.5, stroke = 1)+
geom_point(aes(x=bd_bdrms[c(nyears,1)],y=f_frms[c(nyears,1)]),shape =c(21,21), colour = c("blue","green"), fill =c("blue4","green4"), size =c(4,4), stroke =c(1,1)) +
geom_text(aes(x=bd_bdrms,y=f_frms,label=years),angle = 45,nudge_y = 0.15,size = 3) +
labs(x = expression("BD/BD"[RMS]), y = expression("F/F"[RMS]),fill='Estados de explotación') +
theme_bw(base_size=15) +
ggtitle(Zona)
3.3.1. Diagnóstico del modelo
Ajustes del modelo a los datos observados
cpueXI <- ggplot(baseXI %>% filter(Asesoria!='observado', variable=='CPUE'),
aes(yrs,value)) +
geom_line(aes(colour=Asesoria), size=0.8) +
scale_colour_manual(values=c('black')) +
geom_point(data = baseXI %>% filter(Asesoria=='observado', variable=='CPUE'),
aes(yrs,value), shape = 19, colour = 'gray30') +
geom_errorbar(data = baseXI %>% filter(Asesoria=='observado', variable=='CPUE'),
aes(ymin = value*exp(-1.96*cvcpue), ymax = value*exp(1.96*cvcpue)), color = 'gray30') +
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 5)) +
labs(x = '', y = 'Kg/hora') +
theme_bw(base_size=9) +
ggtitle('CPUE zona XI')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
desXI <- ggplot(baseXI %>% filter(Asesoria!='observado', variable=='Desembarques'),
aes(yrs,value)) +
geom_line(aes(colour=Asesoria), size=0.8) +
scale_colour_manual(values=c('black')) +
geom_point(data = baseXI %>% filter(Asesoria=='observado', variable=='Desembarques'),
aes(yrs,value), shape = 19, colour = 'gray30') +
geom_errorbar(data = baseXI %>% filter(Asesoria=='observado', variable=='Desembarques'),
aes(ymin = value*exp(-1.96*cvcpue), ymax = value*exp(1.96*cvcpue)), color = 'gray30') +
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 5)) +
labs(x = '', y = 'Toneladas') +
theme_bw(base_size=9) +
ggtitle('Desembarques zona XI')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
cpueXI/desXI + plot_layout(guides="collect")
age <-rep3$Tallas
nage<-length(age)
etcf1_obs <- data.frame(rep3$pobs)
etcf1_pre <- rbind(rep3$ppred)
yearc1 <- rep3$years
nyearc1 <- length(yearc1)
obs <- as.data.frame(etcf1_obs) %>% mutate(year=yearc1) %>% melt(id.vars='year') %>%
mutate(edad = rep(age, each=nyearc1)) %>% mutate(type='obs')
pred_sep <- as.data.frame(etcf1_pre) %>% mutate(year=yearc1) %>% melt(id.vars='year') %>%
mutate(edad = rep(age, each=nyearc1)) %>% mutate(type='')
mat <- rbind(obs,pred_sep)
fig1 <- ggplot(filter(mat, type=='obs')) +
geom_bar(aes(x = edad, y = value), stat="identity", fill='gray98', color = 'gray66') +
facet_wrap(~year, dir = 'v', as.table = TRUE) + labs(x = 'Edad', y = 'Proporción') +
geom_line(data = mat %>% filter(type != 'obs'), aes(x = edad, y = value, colour=type)) +
scale_colour_manual(values=c('red'),name="") +
theme(panel.background = element_rect(fill ="gray99")) + theme(panel.grid=element_line(color=NA)) +
ggtitle("FLOTA zona XI") + theme(plot.title = element_text(size = 12))
fig1
Análisis de residuos de erizo zona XI
predcpue <- rep3$CPUE_pred
obscpue <- rep3$CPUE_obs ;obscpue[obscpue<=1] <-NA
Res_cpue <- log(obscpue)-log(predcpue)
obsD <- rep3$Desemb_obs
predD <- rep3$Desemb_pred
Res_Desemb <- log(obsD)-log(predD)
par(mfcol=c(3,2),mar=c(4,4,1,1)+0.5)
plot(yrs,Res_cpue,cex.axis=0.8,type="h",main="CPUE zona XI",ylab="Residuales (escala log)",xlab="")
abline(h=0,col="darkgray")
plot(log(predcpue),Res_cpue, main="Residuales vs ajustado",ylab="Residuales",xlab="Valor ajustado")
abline(h=0,col="darkgray")
qqnorm(Res_cpue); qqline(Res_cpue, col = 2)
plot(yrs,Res_Desemb,cex.axis=0.8,ylim=c(-0.01,0.01),type="h",main="Desembarques zona XI",ylab="Residuales (escala log)",xlab="")
abline(h=0,col="darkgray")
plot(log(predD),Res_Desemb, ylim=c(-0.01,0.01),main="Residuales vs ajustado",ylab="Residuales",xlab="Valor ajustado")
abline(h=0,col="darkgray")
qqnorm(Res_Desemb,ylim=c(-0.01,0.01)); qqline(Res_Desemb, col = 2)
ppredF <-rep3$ppred[37:63,]
anos <-yrs[37:63]
obsF <-rep3$pobs[37:63,]
preF <-ppredF
resF <-obsF-preF
rng <-range(resF,na.rm=T)
dd <-dim(resF)
est <-matrix(NA,nrow=dd[1],ncol=dd[2])
for(j in 1:dd[1]){for(k in 1:dd[2]){val<-resF[j,k]
if(val>0){est[j,k]<-val/rng[2]}
else{est[j,k]<-val/rng[1]*-1}}}
par(mfrow=c(1,1),mar=c(5.4,6.7,2,1),cex.axis=1,cex.lab=1.1)
fig1<-image(age,anos,t(est),col=0,yaxt="n",xlab="",ylab="")
ee <-dim(est)
for(n in 1:ee[1]){for(m in 1:ee[2]){vol<-est[n,m]
if(is.na(vol)==FALSE){
if(vol>0){points(age[m],anos[n],pch=19,cex=2.82*sqrt(vol),col="grey67")}
if(vol<0){points(age[m],anos[n],pch=19,cex=2.82*sqrt(vol*-1),col=2)}
}}}
mtext("Residuos Flota zona XI",side=3,cex=1.2)
mtext("Edades",side=1,line=3.2,cex=1.1);posi<-seq(1,57,by=4)
axis(2,at=anos,labels=anos,las=2)
mtext("Años",side=2,line=4.7,cex=1.1)
mtext("a)",side=3,line=0.25,adj=-0.15,cex=1.5)
box()
Análisis retrospectivo de erizo zona XI
Rt <- ggplot(Rt_retro) +
geom_line(aes(y=y1, x=x, colour = year_retros[nretros]), size=0.5)+
geom_line(aes(y=y2, x=x, colour = year_retros[nretros-1]), size=0.5)+
geom_line(aes(y=y3, x=x, colour = year_retros[nretros-2]), size=0.5)+
geom_line(aes(y=y4, x=x, colour = year_retros[nretros-3]), size=0.5)+
geom_line(aes(y=y5, x=x, colour = year_retros[nretros-4]), size=0.5)+
geom_ribbon(aes(ymin=lower, ymax=upper, x=x, fill = "Intervalo de confianza asintótico"), alpha = 0.2)+
labs(x = '', y = 'Reclutamientos',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 10)) +
scale_colour_manual("",values=c("orange","green","blue","red","black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="top")
BD <- ggplot(BD_retro) +
geom_line(aes(y=y1, x=x, colour = year_retros[nretros]), size=0.5)+
geom_line(aes(y=y2, x=x, colour = year_retros[nretros-1]), size=0.5)+
geom_line(aes(y=y3, x=x, colour = year_retros[nretros-2]), size=0.5)+
geom_line(aes(y=y4, x=x, colour = year_retros[nretros-3]), size=0.5)+
geom_line(aes(y=y5, x=x, colour = year_retros[nretros-4]), size=0.5)+
geom_ribbon(aes(ymin=lower, ymax=upper, x=x, fill = ""), alpha = 0.2)+
labs(x = '', y = 'Biomasa desovante',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 10)) +
scale_colour_manual("",values=c("orange","green","blue","red","black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
Ft <- ggplot(Ft_retro) +
geom_line(aes(y=y1, x=x, colour = year_retros[nretros]), size=0.5)+
geom_line(aes(y=y2, x=x, colour = year_retros[nretros-1]), size=0.5)+
geom_line(aes(y=y3, x=x, colour = year_retros[nretros-2]), size=0.5)+
geom_line(aes(y=y4, x=x, colour = year_retros[nretros-3]), size=0.5)+
geom_line(aes(y=y5, x=x, colour = year_retros[nretros-4]), size=0.5)+
geom_ribbon(aes(ymin=lower, ymax=upper, x=x, fill = ""), alpha = 0.2)+
labs(x = '', y = 'Mortalidad por pesca',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 10)) +
scale_colour_manual("",values=c("orange","green","blue","red","black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
#Retrospectivo relativo
Rtrel <- ggplot(Rt_retroRel) + lims(y=c(-1,1)) +
geom_line(aes(y=y1, x=x, colour = year_retros[nretros]), size=0.5)+
geom_line(aes(y=y2, x=x, colour = year_retros[nretros-1]), size=0.5)+
geom_line(aes(y=y3, x=x, colour = year_retros[nretros-2]), size=0.5)+
geom_line(aes(y=y4, x=x, colour = year_retros[nretros-3]), size=0.5)+
geom_line(aes(y=y5, x=x, colour = year_retros[nretros-4]), size=0.5)+
annotate("text", x=2000, y=0.5,label=paste("Rho =",round(ave.mohn.r,2))) +
labs(x = '', y = 'Diferencia porcentual del último año',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 10)) +
scale_colour_manual("",values=c("orange","green","blue","red","black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
BDrel <- ggplot(BD_retroRel) + lims(y=c(-1,1)) +
geom_line(aes(y=y1, x=x, colour = year_retros[nretros]), size=0.5)+
geom_line(aes(y=y2, x=x, colour = year_retros[nretros-1]), size=0.5)+
geom_line(aes(y=y3, x=x, colour = year_retros[nretros-2]), size=0.5)+
geom_line(aes(y=y4, x=x, colour = year_retros[nretros-3]), size=0.5)+
geom_line(aes(y=y5, x=x, colour = year_retros[nretros-4]), size=0.5)+
annotate("text", x=2000, y=0.5,label=paste("Rho =",round(ave.mohn.ssb,2))) +
labs(x = '', y = 'Diferencia porcentual del último año',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 10)) +
scale_colour_manual("",values=c("orange","green","blue","red","black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
Ftrel <- ggplot(Ft_retroRel) + lims(y=c(-1,1)) +
geom_line(aes(y=y1, x=x, colour = year_retros[nretros]), size=0.5)+
geom_line(aes(y=y2, x=x, colour = year_retros[nretros-1]), size=0.5)+
geom_line(aes(y=y3, x=x, colour = year_retros[nretros-2]), size=0.5)+
geom_line(aes(y=y4, x=x, colour = year_retros[nretros-3]), size=0.5)+
geom_line(aes(y=y5, x=x, colour = year_retros[nretros-4]), size=0.5)+
annotate("text", x=2000, y=0.5,label=paste("Rho =",round(ave.mohn.f,2))) +
labs(x = '', y = 'Diferencia porcentual del último año',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 10)) +
scale_colour_manual("",values=c("orange","green","blue","red","black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
Rt/BD/Ft |Rtrel/BDrel/Ftrel
Perfil de verosimilitud de erizo zona XI
source(paste(dir.fun,"functions.R",sep=""))
dir <-paste(dir.0,"/VerosimilitudXI",sep="")
setwd(dir)
casos <-21
logRo <- rep(0,casos)
likeval <- matrix(ncol=5,nrow=casos)
slikeval <- matrix(ncol=6,nrow=casos)
for(i in 1:casos){
report <- reptoRlist(paste(dir,"//MAETXIs",i,".rep",sep=""))
logRo[i] <- report$Ro
likeval[i,] <- report$likeval}
like <- data.frame(round(likeval,3),Total=apply(likeval,1,sum))
minLik <- apply(like,2,min) # busca el mínimo
for(i in 1:6){slikeval[,i]<-like[,i]-minLik[i]} # Estandarización
names<-c("Ro","cpue","desembarque","propF","devRo","log_F","Total")
# Tabla verosimilitud
TLk1 <- data.frame(exp(logRo),like);colnames(TLk1)<-names
# Tabla estandarizada
TLk2 <- data.frame(exp(logRo),slikeval);colnames(TLk2)<-names
par(mar=c(4,4,1,1))
plot(TLk2$Ro,TLk2$Total,type="l",lwd=3,ylim=c(0,3),xlim=c(0.5,200),xaxs="i",ylab="L-min(L)",xlab="Ro",las=1,main='Erizo zona XI',cex.axis=0.7,cex.main=0.8,cex.lab=0.8)
#lines(c(0,TLk2$Ro),rep(2,casos+1),lty=2,lwd=2)
#for(i in 2:6){lines(TLk2$Ro,TLk2[,i],col=i,lty=2,lwd=2)}
#legend(30,3,names[c(7,2:6)],col=1:7,lty=c(1,rep(2,6)),lwd=2,bty="n",cex=0.7)Análisis de sensibilidad de erizo zona XI
a. Mortalidad natural
BT <- ggplot() +
geom_ribbon(data=VarPob, aes(ymin=lowerBT3, ymax=upperBT3, x=x, fill = "IC"), alpha = 0.2)+
geom_line(data=dataBT, aes(y=value, x=year, colour = variable), size=0.5)+
geom_line(data=VarPob,aes(y=BT3, x=years), colour=1, size=0.5)+
labs(x = '', y = 'Biomasa total',colour='Mortalidad natural') +
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 10)) +
scale_fill_manual("IC",values=c("grey45"))+
scale_color_viridis_d(option = "A",breaks=paste("y",seq(1,4,1),sep=""),
labels=c(0.2, 0.21, 0.22, 0.28))+
theme_bw(base_size=8) +
ggtitle('Sensibilidad a la Mortalidad natural')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
BD <- ggplot() +
geom_ribbon(data=VarPob,aes(ymin=lowerBD3, ymax=upperBD3, x=x, fill = ""), alpha = 0.2)+
geom_line(data=dataBD,aes(y=value, x=year, colour = variable), size=0.5)+
geom_line(data=VarPob,aes(y=BD3, x=years), colour=1, size=0.5)+
labs(x = '', y = 'Biomasa desovante',colour='Mortalidad natural') +
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 10)) +
scale_fill_manual("",values=c("grey45"))+
scale_color_viridis_d(option = "A",breaks=paste("y",seq(1,4,1),sep=""),
labels=c(0.2, 0.21, 0.22, 0.28))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5))
Ft <- ggplot() +
geom_line(data=dataF, aes(y=value, x=year, colour = variable), size=0.5)+
geom_ribbon(data=VarPob,aes(ymin=lowerFt3, ymax=upperFt3, x=x, fill = ""), alpha = 0.2)+
geom_line(data=VarPob,aes(y=Ft3, x=years), colour=1, size=0.5)+
labs(x = '', y = 'Mortalidad por pesca',colour='Mortalidad natural')+
#scale_color_brewer(palette = "Greens")+
scale_x_continuous(breaks = seq(from = 1960, to = 2022, by = 10)) +
scale_fill_manual("",values=c("grey45"))+
scale_color_viridis_d(option = "A",breaks=paste("y",seq(1,4,1),sep=""),
labels=c(0.2, 0.21, 0.22, 0.28))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
BT/BD/Ft
b. Longitud asintótica
BT <- ggplot() +
geom_ribbon(data=VarPob, aes(ymin=lowerBT3, ymax=upperBT3, x=x, fill = "IC"), alpha = 0.2)+
geom_line(data=dataBT, aes(y=value, x=year, colour = variable), size=0.5)+
geom_line(data=VarPob,aes(y=BT3, x=years), colour=1, size=0.5)+
labs(x = '', y = 'Biomasa total',colour='Loo') +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 10)) +
scale_fill_manual("IC",values=c("grey45"))+
theme_bw(base_size=8) +
ggtitle('Sensibilidad a la Longitud asintótica (Loo)')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
BD <- ggplot() +
geom_ribbon(data=VarPob,aes(ymin=lowerBD3, ymax=upperBD3, x=x, fill = ""), alpha = 0.2)+
geom_line(data=dataBD,aes(y=value, x=year, colour = variable), size=0.5)+
geom_line(data=VarPob,aes(y=BD3, x=years), colour=1, size=0.5)+
labs(x = '', y = 'Biomasa desovante',colour='Loo') +
scale_colour_discrete(breaks=paste("y",seq(1,nretros,1),sep=""),
labels=seq(128, 136, 0.5)) +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 10)) +
scale_fill_manual("IC",values=c("grey45"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5))
Ft <- ggplot() +
geom_ribbon(data=VarPob,aes(ymin=lowerFt3, ymax=upperFt3, x=x, fill = ""), alpha = 0.2)+
geom_line(data=dataF, aes(y=value, x=year, colour = variable), size=0.5)+
geom_line(data=VarPob,aes(y=Ft3, x=years), colour=1, size=0.5)+
labs(x = '', y = 'Mortalidad por pesca',colour='Loo') +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 10)) +
scale_fill_manual("IC",values=c("grey45"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
BT/BD/Ft
3.3.2. Variables de estado
Rt <- ggplot(VarPob) +
geom_line(aes(y=Rt3, x=x, colour = "Estimado Zona XI"), size=0.5)+
geom_ribbon(aes(ymin=lowerRt3, ymax=upperRt3, x=x, fill = "Intervalo de confianza asintótico"), alpha = 0.2)+
labs(x = '', y = 'Reclutamientos',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = years[1], to = years[nyears], by = 5)) +
scale_colour_manual("",values=c("black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="top")
BT <- ggplot(VarPob) +
geom_line(aes(y=BT3, x=x, colour = "Estimado Zona XI"), size=0.5)+
geom_ribbon(aes(ymin=lowerBT3, ymax=upperBT3, x=x, fill = ""), alpha = 0.2)+
labs(x = '', y = 'Biomasa total',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = years[1], to = years[nyears], by = 5)) +
scale_colour_manual("",values=c("black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
BD <- ggplot(VarPob) +
geom_line(aes(y=BD3, x=x, colour = "Estimado Zona XI"), size=0.5)+
geom_ribbon(aes(ymin=lowerBD3, ymax=upperBD3, x=x, fill = "Intervalo de confianza asintótico"), alpha = 0.2)+
labs(x = '', y = 'Biomasa desovante',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = years[1], to = years[nyears], by = 5)) +
scale_colour_manual("",values=c("black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="top")
Ft <- ggplot(VarPob) +
geom_line(aes(y=Ft3, x=x, colour = "Estimado Zona XI"), size=0.5)+
geom_ribbon(aes(ymin=lowerFt3, ymax=upperFt3, x=x, fill = ""), alpha = 0.2)+
labs(x = '', y = 'Mortalidad por pesca',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = years[1], to = years[nyears], by = 5)) +
scale_colour_manual("",values=c("black"))+
scale_fill_manual("",values=c("grey30"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
Rt/BT|BD/Ft
age<-rep3$Edades
par(mfrow=c(1,1),mar=c(4,4,1,1))
plot(age,rep3$Sel_f[1,],type="l",lwd=2,las=1,ylim=c(0,1.1),ylab="Selectividad",xlab="Edad (año)")
lines(age,rep3$Sel_f[26,],type="o",pch="o")
legend (6,0.5,c("sel_bloque (1960-2003)","sel_bloque (2004-2020)"),pch=c("","o"),lwd=c(2,1),bty='n',cex=0.8)
3.3.3. Puntos Biológicos de Referencia
Frms<-rep_pbr3$`F(%SSBo)`[2,]
BDo<-rep3$BDo
BDrms35<-BDo*0.35
BDrms<-BDo*0.4
BDrms45<-BDo*0.45
BDlim<-BDrms/2
BD <- ggplot(VarPob) +
geom_line(aes(y=BD3, x=x, colour = "Estimado Zona X Norte"), size=0.5)+
geom_ribbon(aes(ymin=lowerBD3, ymax=upperBD3, x=x,
fill = "Intervalo de confianza asintótico"), alpha = 0.2)+
geom_hline(yintercept=c(BDrms35,BDrms,BDrms45, BDlim,BDo),
colour=c('black','green','black','red','blue'),
linetype = c(2,1,2,1,1))+
annotate("text", x=c(rep(2012,5)), y=c(BDrms35,BDrms,BDrms45, BDlim,BDo),
label=c(expression("BD"[RMS35]),
expression("BD"[RMS]),
expression("BD"[RMS45]),
expression("BD"[LIM]),
expression("BD"[0]))) +
labs(x = '', y = 'Biomasa desovante',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 5)) +
scale_colour_manual("",values=c("black"))+
scale_fill_manual("",values=c("grey45"))+
theme_bw(base_size=8) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),legend.position="top")
Ft <- ggplot(VarPob) +
geom_line(aes(y=Ft3, x=x, colour = "Estimado Zona X Norte"), size=0.5)+
geom_line(aes(y=Frms, x=x), colour="green",size=0.5)+
geom_ribbon(aes(ymin=lowerFt3, ymax=upperFt3, x=x, fill = ""), alpha = 0.2)+
annotate("text", x=c(2011), y=c(Frms[nyears]),label=c(expression("F"[RMS]))) +
labs(x = '', y = 'Mortalidad por pesca',colour='Asesorías') +
scale_x_continuous(breaks = seq(from = 1960, to = 2020, by = 5)) +
scale_colour_manual("",values=c("black")) +
scale_fill_manual("",values=c("grey45")) +
theme_bw(base_size=8) +
ggtitle('') +
theme(plot.title = element_text(hjust = 0.5),legend.position="none")
BD/Ft
3.3.4. Estatus del erizo de la Región de Aysén
Zona<- "Erizo Zona XI"
Frms<-rep_pbr3$`F(%SSBo)`[2,]
BDo<-rep3$BDo
BDrms<-BDo*0.4
BDlim<-BDrms/2
bd_bdrms<-VarPob$BD3/BDrms
f_frms<-VarPob$Ft3/Frms
x.bottom.left <- c(1, 0, 1, 1)
x.top.left <- c(1, 0, 1, 1)
x.bottom.right<- c(0, 1, 3, 3)
x.top.right <- c(0, 1, 3, 3)
y.bottom.left <- c(0, 1, 0, 1)
y.bottom.right<- c(0, 1, 0, 1)
y.top.left <- c( 1, 10, 1, 10)
y.top.right <- c( 1, 10, 1, 10)
# declare a vector of values
values <- c("1_Sobreexplotación","2_Sobreexplotación","3_Subexplotación","4_Sobrepesca")
# create a data frame containing values and ids
values.df <- data.frame(value = values, id = c(1, 2, 3, 4))
# create the x and y vectors containing the coordinates of each polygon in the correct order
x.coords <- unlist(lapply(1:length(x.bottom.left), function(i) {
c(x.bottom.left[i], x.bottom.right[i], x.top.right[i], x.top.left[i])
}))
y.coords <- unlist(lapply(1:length(y.bottom.left), function(i) {
c(y.bottom.left[i], y.bottom.right[i], y.top.right[i], y.top.left[i])
}))
# create a coordinates data frame
coords.df <- data.frame(id = rep(c(1, 2, 3, 4), each = 4), x = x.coords, y = y.coords)
# merge the data frames
data.df <- merge(values.df, coords.df, by = c("id"))
# plot
ggplot() +
geom_polygon(data = data.df, aes(x = x, y = y, fill = factor(value), group = id,alpha = 0.9)) +
scale_fill_grey(start=0.4, end=0.9) +
scale_alpha(guide="none")+
geom_hline(yintercept = 1) + geom_vline(xintercept = c(0.5,1),colour=c(2,1)) +
annotate("text", x=c(0.5,1,3.07), y=c(10.07,10.07,1.07),
label=c(expression("BD"[LIM]),expression("BD"[RMS]),expression("F"[RMS]))) +
geom_path(aes(x=bd_bdrms,y=f_frms)) +
geom_point(aes(x=bd_bdrms,y=f_frms),shape = 21, colour = "black", fill = "white", size = 2.5, stroke = 1)+
geom_point(aes(x=bd_bdrms[c(nyears,1)],y=f_frms[c(nyears,1)]),shape =c(21,21), colour = c("blue","green"), fill =c("blue4","green4"), size =c(4,4), stroke =c(1,1)) +
geom_text(aes(x=bd_bdrms,y=f_frms,label=years),angle = 45,nudge_y = 0.15,size = 3) +
labs(x = expression("BD/BD"[RMS]), y = expression("F/F"[RMS]),fill='Estados de explotación') +
theme_bw(base_size=15) +
ggtitle(Zona)
4. ANÁLISIS INTEGRADO TRES ZONAS
Finalmente se presentan los resultados dde las biomasas totales, ya sean estas por zona y sumando todo. Primero la biomass desovante y luego la total. De acuerdo a lo estimado, el mayor reservorio de biomasa lo contiene la XI regiòn, lo cual ha sido consistente con las evaluaciones previas, y que tambièn es la zona que muestra mas rapidos signos de decaimiento poblacional (Figura X)
# Grafico de Biomasas Desovantes
bd<- ggplot(biod) +
geom_line(aes(x=years, y=BD1, colour = 'X Norte'), size=0.5)+
geom_line(aes(x=years, y=BD2, color = 'X Sur'), size=0.5)+
geom_line(aes(x=years, y=BD3, color = 'XI'), size=0.5)+
labs(x = '', y = 'Biomasas desovantes (t.)') +
scale_x_continuous(breaks = seq(from = years[1], to = years[nyears], by = 5)) +
scale_colour_manual("",
breaks = c('X Norte','X Sur','XI'),
values = c("red", "green", "blue")) +
theme_bw(base_size=12) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),
axis.text.x = element_text(angle=90))
# Grafico de Biomasas Totales
bt<- ggplot(biot) +
geom_line(aes(x=years, y=BT1, colour = 'X Norte'), size=0.5)+
geom_line(aes(x=years, y=BT2, colour = 'X Sur'), size=0.5)+
geom_line(aes(x=years, y=BT3, colour = 'XI'), size=0.5)+
labs(x = '', y = 'Biomasas totales (t.)') +
scale_x_continuous(breaks = seq(from = years[1], to = years[nyears], by = 5)) +
scale_colour_manual("",
breaks = c('X Norte','X Sur','XI'),
values = c("red", "green", "blue")) +
theme_bw(base_size=12) +
ggtitle('')+
theme(plot.title = element_text(hjust = 0.5),
axis.text.x = element_text(angle=90))
bd+bt 
A su vez, se presentan los valores estimados de cada variable de biomasas para cada zona a través de los años.
biodm <- as.matrix(biod)
biodm years BD1 BD2 BD3 totd
[1,] 1960 16205.0 53695 111940 181840.0
[2,] 1961 15325.0 53753 111380 180458.0
[3,] 1962 14089.0 53831 110660 178580.0
[4,] 1963 12896.0 53923 109810 176629.0
[5,] 1964 11589.0 54031 108850 174470.0
[6,] 1965 11157.0 54153 107780 173090.0
[7,] 1966 10861.0 54293 106600 171754.0
[8,] 1967 10557.0 54408 105280 170245.0
[9,] 1968 10023.0 54454 103810 168287.0
[10,] 1969 9543.4 54123 102240 165906.4
[11,] 1970 9802.1 53712 100550 164064.1
[12,] 1971 10464.0 52220 98716 161400.0
[13,] 1972 9419.2 52626 96690 158735.2
[14,] 1973 9361.9 53539 94501 157401.9
[15,] 1974 10622.0 54162 92140 156924.0
[16,] 1975 11446.0 54739 89610 155795.0
[17,] 1976 8540.2 52917 86817 148274.2
[18,] 1977 8660.5 50088 83408 142156.5
[19,] 1978 9405.7 48418 80294 138117.7
[20,] 1979 10165.0 42218 77310 129693.0
[21,] 1980 8969.8 38411 74954 122334.8
[22,] 1981 9697.8 32723 72665 115085.8
[23,] 1982 9888.7 31118 71076 112082.7
[24,] 1983 10602.0 30267 70328 111197.0
[25,] 1984 7937.9 31567 71403 110907.9
[26,] 1985 7688.2 32987 65331 106006.2
[27,] 1986 8073.5 33262 55491 96826.5
[28,] 1987 8368.8 30565 54382 93315.8
[29,] 1988 8700.8 30874 59953 99527.8
[30,] 1989 8423.3 28223 56661 93307.3
[31,] 1990 8838.7 26689 56058 91585.7
[32,] 1991 8944.3 24566 53025 86535.3
[33,] 1992 7956.6 20875 46047 74878.6
[34,] 1993 7115.7 19037 47887 74039.7
[35,] 1994 6176.2 16856 52070 75102.2
[36,] 1995 4514.6 15757 49792 70063.6
[37,] 1996 4134.1 17078 47314 68526.1
[38,] 1997 3662.8 15669 64634 83965.8
[39,] 1998 3514.5 18932 68199 90645.5
[40,] 1999 4413.4 17906 67620 89939.4
[41,] 2000 4783.4 15462 58616 78861.4
[42,] 2001 5296.0 14474 41023 60793.0
[43,] 2002 5226.8 13072 30346 48644.8
[44,] 2003 5595.2 15954 27600 49149.2
[45,] 2004 5901.2 17005 27694 50600.2
[46,] 2005 6522.4 18450 25395 50367.4
[47,] 2006 7904.8 21392 21541 50837.8
[48,] 2007 7869.9 19623 24401 51893.9
[49,] 2008 6901.0 18921 24322 50144.0
[50,] 2009 5814.0 16116 28451 50381.0
[51,] 2010 5185.9 14106 31828 51119.9
[52,] 2011 4966.7 14051 32184 51201.7
[53,] 2012 4522.4 15770 31922 52214.4
[54,] 2013 3782.2 16589 27765 48136.2
[55,] 2014 3364.7 17369 25447 46180.7
[56,] 2015 4235.1 17129 22120 43484.1
[57,] 2016 5473.2 16070 24347 45890.2
[58,] 2017 5725.4 17377 23411 46513.4
[59,] 2018 6153.8 17275 23281 46709.8
[60,] 2019 6823.2 18779 21543 47145.2
[61,] 2020 6735.0 16880 21006 44621.0
[62,] 2021 4448.9 16332 22675 43455.9
[63,] 2022 2247.1 16392 24318 42957.15. DISCUSIÓN
Con respecto a la evaluación de stock de erizo, se presenta el diseño e implementación del modelo base a partir del cual se determina el estatus y posibilidades de explotación del recurso para el año 2020, así como un primer diagnóstico de la condición del recurso con la mejor información disponible. Las principales fuentes de información corresponden a: i) Información biológico-pesquera, proveniente del monitoreo de la pesquería, el cual es realizado a partir del convenio Asesoría Integral para la toma de decisiones en pesca y acuicultura (ASIPA), encargado por SUBPESCA a IFOP, ii) Estadísticas de desembarques, provenientes de la sistematización de la información de control cuota registrada por el SERNAPESCA y proporcionada por SUBPESCA y iii) parámetros de historia de vida, los cuales son obtenidos de la literatura científica y también estimados en el estudio.
5.1. Generalidades
En el modelado de la dinámica poblacional de las especies bentónicas, aún existen problemáticas que, si son resueltas, estas irían en directo beneficio en las estimaciones de las variables de interés. Una de ellas es la de dimensionar correctamente las unidades de stock en el espacio. Si bien en esta evaluación y las anteriores Barahona et al. (2017) se realizaron algunas consideraciones para ello en función a la dinámica del recurso, sería importante y útil seguir discutiendo acerca de este aspecto en las evaluaciones posteriores, incluso considerar otro tipo de zonificación para la evaluación de stock (zonas frecuentes de captura, bancos o parches históricos, etc.). A pesar de ello, y de acuerdo con Hilborns & Walters (1992) los análisis de cualquier tipo respecto a la dinámica de este tipo de recursos, debe considerar como válidos los supuestos de una población estacionaria y que actúa como una población cerrada, pero especificando que las estrategias de manejo deben tener consideración de esto. Con este argumento teórico y conceptual se estructuran tres unidades de stock ubicadas entre las regiones de Los Lagos y Aysén y que sumado a argumentos oceanográficos e hidrodinámicos se generan los limites geográficos para definir las tres zonas, a saber; Zona X Norte, X Sur y XI. Los desembarques son vectores de información que contienen una gran incertidumbre, ya que, de acuerdo con la historia de este recurso, muchos de sus valores observados no representan la veracidad de extracción en ciertos años. Como solución a este problema, se generó una serie de desembarques corregida con el fin de consensuar sus valores y que no sea otra una fuente más de variación dentro del modelo. De acuerdo con estas correcciones y monitoreos de la pesquería por parte de IFOP, este año 2020 se evidenció el aumento de desembarques provenientes de la zona X Sur, lo cual es muy probable que se deba a dificultades del monitoreo y fiscalización por efecto de la condición sanitaria mundial COVID 19. En virtud de ello, los registros monitoreados de IFOP fueron realizados principalmente realizados en la comuna de Quellón, y una baja cantidad efectuados en la zona de la región de Aysén, que es la zona de mayor actividad pesquera durante los últimos 10 años para este recurso. Esta situación fue advertida en los talleres previos y existe consenso de los actores respecto al problema, y que, por la misma razón, las correcciones de desembarques cobran sentido para los efectos de evaluación de la población. El diagnóstico de las tres unidades (zonas) analizadas consideró como referentes valores “proxies” del Rendimiento Máximo Sostenido (RMS), y que se refieren a una reducción de biomasa virginal al 40%. Para todos los efectos se consideró un nivel de “steepness” h=0.8 para la relación S/R. Para estos efectos se calcularon los niveles de mortalidad por pesca de referencia en base a un análisis de equilibrio por recluta considerando las particularidades de cada unidad de stock y las variaciones anuales de la selectividad. Además de esto, y como un adicional a estos análisis, se calculó el PBR de F40% para cada una de las zonas de evaluación. La biomasa desovante virginal se calculó en base al valor de reclutamiento de largo plazo sin explotación, mientras la reducción de esta variable se estableció en base a la razón entre la biomasa desovante de cada año respecto a su condición inicial. De acuerdo con lo anterior se determinó que la reducción poblacional alcanza el 19%, 36% y 22% y con niveles de biomasa de 2778 t., 17441 t. y 23763 t. en zonas X Norte, X Sur y XI respectivamente. Analizando los resultados a la luz de las evaluaciones anteriores, las macrozonas X Sur y XI se determinan niveles de biomasa menores a los resultados del 2019. Se puede observar a través de los resultados que la macrozona XI es la que soporta actualmente la pesquería de erizo en toda el área de estudio, y a su vez, que la tendencia general de la población de erizos en la XI Región es a la baja, y las proyecciones a largo plazo son arriesgadas. Cabe destacar que esta macrozona de evaluación es la que está soportando gran parte de la pesquería del recurso, con niveles de biomasa poblacional de 57% respecto al total de la integración de las zonas.
5.2. Análisis de sensibilidad
Uno de los parámetros claves para la evaluación de stock con modelos estructurados a la edad es la Mortalidad Natural (M) y la Longitud Asintótica Loo (Fukuda et al., 2012; Mannini et al., 2020). Es por ello que se presenta un análisis de sensibilidad para las tres macrozonas de evaluación con respecto a diferentes escenarios de estos parámetros. En este caso se probó el desempeño del modelo frente a un rango de 10 escenarios para M y 16 escenarios para Loo. Los resultados sugieren que el escenario base para cada zona fue mas sensible para M en la zona X Sur al igual que para Loo. Cabe señalar que para Loo en la zona X Norte los rangos de datos probados estaban fuera del escenario base (Loo = 119.85 mm) por lo que los efectos en la modelación fueron sensibles. Cabe mencionar que este ejercicio fue realizado para evidenciar los cambios en la modelación desde un punto de vista cuantitativo, dado que la selección de rangos de parámetros en M y Loo fueron arbitrarios. En la medida que surjan nuevos estudios para la estimación de parámetros de historia de vida para el erizo de estas latitudes, serán incorporados al análisis de sensibilidad de las tres zonas y evaluar su desempeño.
5.3. Datos de AMERB para incorporar en el proceso de evaluación de stock de erizo
La mayor cantidad de modelos estructurados están basados predominantemente en datos reportados desde la pesquería y su monitoreo como lo es el modelo de evaluación de erizo de las regiones de Los Lagos y Aysén. La actual preocupación sobre la confiabilidad de los datos utilizados en este modelo sugiere que este tipo de evaluación podría generar problemas en el asesoramiento científico para el manejo (Beare et al., 2005) dado que errores en el ingreso de datos de pesquería se trasladan directamente dentro de similares errores en estimaciones de abundancias del stock (Quinn and Deriso 1999). Esta situación es advertida principalmente en la XI región, en donde el monitoreo de la pesquería no es optimo por las condiciones extremas de la región. Por esta razón, es importante que los métodos de evaluación integren datos de muestreos y cruceros (Benoit et al., 2009) luego de un análisis riguroso de pertinencia. La integración de información independiente a la modelación pesquera es vital para tener contraste de los datos y mejorar las estimaciones. Es por ello que en funciòn de los antecedentes cientificos y recomendaciones de expertos, se ha buscado integrar diferentes tipos de datos a la evaluación. En la zona de evaluaciòn del recurso erizo se distribuyen también las AMERB que tienen como recurso principal el erizo y sobre las cuales se realizan estudios poblacionales año a año por entidades cientificas (consultoras) que levantan informaciòn biologica pesquera para determinar los niveles de extracción posibles para el proximo periódo. En esta ocasión se exploraron estructuras de tallas, indicadores y variables poblacionales (capturas, desembarques) de esta figura de administración con la finalidad de identificar patrones espaciales y/o temporales para integrar en la evaluación. Para ello se analizaron los datos de 177 AMERB ubicadas entre las regiones de Los Lagos y Aysén contenidos en los informes ITA y la base de datos que adminstra el Programa de Seguimiento de Areas de Manejo de IFOP entre los años 2000 y 2019. Por un lado se identificó que los datos de las AMERB estan sesgados y/o con información incompleta por lo cual se deben corregir datos de cosecha y abundancia. Por otro lado se pudieron configurar estructuras de tallas para cada zona y para todos los años. Si bien se debe seguir explorando estos datos y sus respectivas correcciones de datos faltantes en la base, existe una alta suficiencia de datos a través de todo el periodo analizado. Sin embargo, imputar estos datos a los asessment actuales implicaría tomar decisiones respecto a que tipo de indicadores tomar y si las zonas en donde estan las AMERB. Sin embargo, integrar esta información al proceso de evaluación de stock de erizo requiere pasar por un proceso de trabajo mayor. Este es el primer análisis exploratorio de datos AMERB con fines de integración al assessment. Sin embargo, surjen preguntas relevantes a la hora de realizar esa integración y como adminstrar esta nueva información. Actualmente el manejo de las AMERB y de los Planes de manejo tienen reglamentos y aspectos administrativos distintos, por lo que una evaluaciòn integrada requerie decisiones de manejo conjunta, como por ejemplo, la asignaciòn de cuotas para una u otra figura de adminstración.
5.4. Proceso de Revisión de Pares (CAPES, 2020)
Durante este año el proceso de evaluación de stock atravesó un proceso de revisión por pares en el marco del Programa de Seguimiento de las Pesquerías Bentónicas bajo Planes de Manejo para la evaluación de stock de erizo (Loxechinus albus) en las regiones de Los Lagos y Aysén, año 2019. Esta revisión consideró la participación del experto internacional Dr. James Ianelli quien se desempeña como evaluador de stock senior del NOAA Fisheries Alaska Fishery Science Center (USA). Las pesquerías de invertebrados poseen múltiples desafíos para su evaluación de stock, debido principalmente a la dificultad de observación de la edad, dinámicas poblacionales poco estudiadas y compleja estructura espacial, lo que dificulta tanto el marco teórico de modelación como monitoreo y obtención de datos relevantes para el manejo. Esta situación manifiesta la necesidad de implementación de metodologías de evaluación de stock y toma de decisiones acorde a las singularidades de este tipo de pesquerías (Wiff et al., 2020). Los procedimientos de evaluación de stock deben estar basados en rigurosidad científica y es en este marco, que el proceso de revisión por pares se hace necesario como mecanismo de validación, transparencia y verificación técnica. El escrutinio independiente de los procedimientos de evaluación de stock, garantiza que las decisiones de manejo se tomen en base a la mejor información científica disponible. Por este motivo y con la iniciativa de IFOP en conjunto con CAPES-UC, se desarrolló esta revisión por pares experta para la evaluación de stocks de Erizo en la X y XI regiones de Chile. Acorde a los términos técnicos de referencia (TTR) emanados por IFOP, existen 5 tópicos generales donde se concentró la revisión de la evaluación de stock: (1) unidades de stock, (2) parámetros de historia de vida (3) índice de abundancia y estructuras de tallas (2) modelo de evaluación de stock (5) puntos biológicos de referencia (PBR). Dentro de las principales recomendaciones respecto de las unidades de stock, se indica que se deben realizar análisis de sensibilidad que consideren niveles de agregación alternativo a los que ya existen. Acorde a los parámetros de historia de vida usados en la evaluación, se hacen recomendaciones respecto de análisis de sensibilidad para los parámetros de crecimiento y mortalidad natural. Si bien en este análisis se incorporaron algunas recomendaciones de los expertos, el informe final y el plan de trabajo aun no está definido, dado que este proceso de revisión termino en Diciembre del 2020.
5.5. Implicancias del stock assessment en el manejo de la pesquería de erizo zona sur austral de Chile
La pesquería del erizo en las regiones de Los Lagos y Aysén ya demuestra problemas derivados de una creciente explotación de erizos bajo talla y una baja en el rendimiento (Consejo Zonal de Pesca X y XI, 2005). En este sentido, se han descrito síntomas de su sobrexplotación (Botsford et al., 2004; Moreno et al., 2007; Roa-Ureta et al., 2015; Stotz, 2007) e impactos de la intensa actividad pesquera en las comunidades asociadas (Contreras et al., 2019). Esto se suma a ciertas deficiencias en el manejo, como, por ejemplo, la ausencia de objetivos operacionales específicos que puedan ser medibles ni cuantificables (Techeira et al, 2018; 2019) y las escalas espaciales de aplicación ha dificultado la transferencia de acuerdos a comunidades locales distribuidas a lo largo del área de aplicación del plan (Nielsen et al., 2004; Weigel and de Monbrison, 2003). En este escenario y con interacciones de miles de pescadores distribuidos en cientos de kilómetros de actividad pesquera los acuerdos se han centrado en aspectos políticos administrativos que se reducen a fijar vedas y cuotas (ver Acuerdo Zona Contigua). Es por ello que los stakeholders han expresado la necesidad de contar con herramientas cuantitativas a través de un enfoque de modelo-basado para conocer los niveles de las variables poblacionales y estado de explotación del recurso, así como también, para corroborar la efectividad de las medidas de manejo adoptadas. Sin embargo, para proponer recomendaciones bajo un enfoque modelo-basado, se debe establecer un marco de referencia biológico para la pesquería del erizo. En este sentido, la mayoría de los marcos de referencia internacionales de ordenación pesquera modernos y actualmente vigentes, se sustentan en el concepto del Rendimiento Máximo Sostenible (RMS). En este aspecto se propone la utilización de Puntos Biológicos de Referencias (PBR) que tiendan al RMS, de acuerdo a lo expresado por la comunidad científica pesquera mundial. Mayormente se han aplicado PBR proxies dada la dificulta de estimación del MRS (Hilborn, 2002; Payá et al., 2014). Por ejemplo, inicialmente para evitar la sobrepesca por crecimiento usando como PBR objetivo F0.1 y el PBR límite Fmax, basados en el rendimiento por recluta (Gulland y Boerema 1973). Luego, para prevenir la sobrepesca por reclutamiento se propone el uso de un PBR objetivo F40%BDPR y como PBR límite F20%BDPR, basados en la biomasa desovante por recluta (Clark 1991 y 1993, Mace 1994, Mace y Sissenwine 1993). Más recientemente también ha usado como PBR objetivo 40%BD0 (biomasa desovante que corresponde al 40% de la biomasa desovante virginal) y como límite 20%BD0 (cita). A nivel mundial, se han propuesto marcos de referencia para pesquerías de erizo. Por ejemplo en Maine, se estimó usar como referencia el F0,1(Chen et al., 2003; Chen and Hunter, 2003; Perry et al., 2002). (Botsford et al., 2004) proponen el uso de PBR basado en el potencial reproductivo (SPR) como un proxy del MRS de acuerdo a lo establecido por (Gabriel and Mace, 1975; Goodyear, 1993) para las pesquerías del erizo de California. En función de los antecedentes, consideramos que un modelo de dinámica poblacional para la población de erizos debería proporcionar estimaciones fiables de los parámetros del modelo con métodos estadísticos adecuados (Hilborn y Walters, 1992; Chen y Paloheimo, 1998; Walters, 1998) y de las variables de estado (biomasa, abundancia) y flujo (mortalidad por pesca o tasas de explotación) en el área de distribución del recurso y la pesquería, las cuales deben contener referencias basadas en los proxis del RMS anteriormente descritos. Para esto, implementamos un protocolo de evaluación de stock, cuyo objetivo es recomendar un marco biológico de referencia basado en un enfoque modelobasado para determinar Fmrs y Bmrs con un modelo estructurado en tallas con dinámica en edad y desarrollar una estrategia de manejo adecuada. Si bien, las críticas al co-manejo son difíciles de realizar, quizás por sus profusas credenciales científicas, se ha identificado que los enfoques de co-manejo carece de un objetivo de manejo operacional (Murray, 2007; Nielsen et al., 2004; Payá et al., 2014), y que se ha evidenciado en esta pesquería, por lo cual es necesario contar con un marco de referencia biológica para la toma de decisiones basado en rigor científico y propender a una pesquería sustentable. A su vez, los críticos de los fundamentos racionalistas de la cogestión señalan una falta de arraigo cultural o político que limita la comprensión de cómo se distribuye y se distribuye el poder y la responsabilidad. da forma al comportamiento colectivo. Otros sugieren que la polémica del debate CPT / cogestión ha resultado en el descuido de las características empíricas clave de los bienes comunes de la pesca, lo que es más crítico, las complejas causas y consecuencias del cambio en el esfuerzo pesquero. En las últimas décadas, la cogestión se ha convertido en una forma cada vez más popular de reforma de la gobernanza en muchos países en desarrollo. Considerado como un medio para promover la gestión sostenible y equitativa de los recursos naturales, ha tenido una amplia aplicación en la pesca continental en pequeña escala. Sin embargo, tal vez por sus valiosas credenciales, no ha habido suficientes evaluación de los resultados (Murray, 2007). Este artículo comienza con una revisión del procedimiento de manejo en la pesqueria del erizo del sur para explorar las razones de fracaso del plan de manejo. En el estudio de caso de Sri Lanka, se hace hincapié en comprender impulsores ambientales, técnicos y socioeconómicos del cambio de esfuerzo. Las iniciativas de cogestión se llevaron a cabo en dos embalses de tamaño pequeño-mediano (788ha y 1546ha) en la provincia Noroeste. Estos apoyan la pesca artesanal con redes de enmalle, predominantemente para tilapias exóticas comercializadas sobre una base muy local. La estrategia de cogestión que involucró a los oficiales de pesca locales y las cooperativas de pesca, se centró en las restricciones de pesca diseñadas para mantener los rendimientos y aumentar el tamaño medio de las capturas. A pesar del entusiasmo inicial, las restricciones colapsó después de 4-5 meses con el inicio del oportunismo oportunista. Esto era debido a; falta de capacidad de ejecución, las dificultades desproporcionadas que enfrentan los grupos de pescadores con menor movilidad económica y relaciones de patrocinio político. Además, como socios cumplidores, las cooperativas tenían un apalancamiento débil en el proceso de toma de decisiones. A pesar de la corta duración de las restricciones efectivas, el análisis simultáneo de Las tendencias del mercado local demostraron un repunte notable en los rendimientos que apuntan a la capacidad de recuperación resiliente de la pesquería de tilapia. Además histórico Los datos de los precios de las materias primas revelan la estabilidad del precio de la tilapia a largo plazo entre la demanda y la oferta incluso cuando la presión pesquera ha aumentado. A pesar de impactos negativos en la biodiversidad indígena, estas características sugieren temores de la sobreexplotación son infundadas y cuestionan la premisa subyacente de la intervenciones de cogestión. Finalmente, los resultados se utilizan para resaltar las diferencias contextuales con las pesquerías de las llanuras aluviales en Bangladesh, donde la disminución de las cosechas silvestres y el surgimiento de una industria acuícola vibrante presentan desafíos muy diferentes. Los resultados advierten contra la dependencia excesiva de la cogestión como enfoque de proyecto. En cambio, existe la necesidad de análisis contextuales detallados que vayan más allá una visión de las pesquerías como sistemas cerrados para incorporar medios de subsistencia más amplios perspectivas.
6. CONCLUSIÓN
Con respecto a la evaluación de stock de erizo, se presenta el diseño e implementación del modelo base a partir del cual se determina el estatus y posibilidades de explotación del recurso para el año 2020, así como un primer diagnóstico de la condición del recurso con la mejor información disponible. Las principales fuentes de información corresponden a: i) Información biológico-pesquera, proveniente del monitoreo de la pesquería, el cual es realizado a partir del convenio Asesoría Integral para la toma de decisiones en pesca y acuicultura (ASIPA), encargado por SUBPESCA a IFOP, ii) Estadísticas de desembarques, provenientes de la sistematización de la información de control cuota registrada por el SERNAPESCA y proporcionada por SUBPESCA y iii) parámetros de historia de vida, los cuales son obtenidos de la literatura científica y también estimados en el estudio.
6.1. Generalidades
En el modelado de la dinámica poblacional de las especies bentónicas, aún existen problemáticas que, si son resueltas, estas irían en directo beneficio en las estimaciones de las variables de interés. Una de ellas es la de dimensionar correctamente las unidades de stock en el espacio. Si bien en esta evaluación y las anteriores (Barahona et al., 2015, 2016; Techeira et al., 2017) se realizaron algunas consideraciones para ello en función a la dinámica del recurso, sería importante y útil seguir discutiendo acerca de este aspecto en las evaluaciones posteriores, incluso considerar otro tipo de zonificación para la evaluación de stock (zonas frecuentes de captura, bancos o parches históricos, etc.). A pesar de ello, y de acuerdo con Hilborns & Walters (1992) los análisis de cualquier tipo respecto a la dinámica de este tipo de recursos, debe considerar como válidos los supuestos de una población estacionaria y que actúa como una población cerrada, pero especificando que las estrategias de manejo deben tener consideración de esto. Con este argumento teórico y conceptual se estructuran tres unidades de stock ubicadas entre las regiones de Los Lagos y Aysén y que sumado a argumentos oceanográficos e hidrodinámicos se generan los limites geográficos para definir las tres zonas, a saber; Zona X Norte, X Sur y XI. Los desembarques son vectores de información que contienen una gran incertidumbre, ya que, de acuerdo con la historia de este recurso, muchos de sus valores observados no representan la veracidad de extracción en ciertos años. Como solución a este problema, se generó una serie de desembarques corregida con el fin de consensuar sus valores y que no sea otra una fuente más de variación dentro del modelo. De acuerdo con estas correcciones y monitoreos de la pesquería por parte de IFOP, este año 2020 se evidenció el aumento de desembarques provenientes de la zona X Sur, lo cual es muy probable que se deba a dificultades del monitoreo y fiscalización por efecto de la condición sanitaria mundial COVID 19. En virtud de ello, los registros monitoreados de IFOP fueron realizados principalmente realizados en la comuna de Quellón, y una baja cantidad efectuados en la zona de la región de Aysén, que es la zona de mayor actividad pesquera durante los últimos 10 años para este recurso. Esta situación fue advertida en los talleres previos y existe consenso de los actores respecto al problema, y que, por la misma razón, las correcciones de desembarques cobran sentido para los efectos de evaluación de la población. El diagnóstico de las tres unidades (zonas) analizadas consideró como referentes valores “proxies” del Rendimiento Máximo Sostenido (RMS), y que se refieren a una reducción de biomasa virginal al 40%. Para todos los efectos se consideró un nivel de “steepness” h=0.8 para la relación S/R. Para estos efectos se calcularon los niveles de mortalidad por pesca de referencia en base a un análisis de equilibrio por recluta considerando las particularidades de cada unidad de stock y las variaciones anuales de la selectividad. Además de esto, y como un adicional a estos análisis, se calculó el PBR de F40% para cada una de las zonas de evaluación. La biomasa desovante virginal se calculó en base al valor de reclutamiento de largo plazo sin explotación, mientras la reducción de esta variable se estableció en base a la razón entre la biomasa desovante de cada año respecto a su condición inicial. De acuerdo con lo anterior se determinó que la reducción poblacional alcanza el 19%, 36% y 22% y con niveles de biomasa de 2778 t., 17441 t. y 23763 t. en zonas X Norte, X Sur y XI respectivamente. Analizando los resultados a la luz de las evaluaciones anteriores, las macrozonas X Sur y XI se determinan niveles de biomasa menores a los resultados del 2019. Se puede observar a través de los resultados que la macrozona XI es la que soporta actualmente la pesquería de erizo en toda el área de estudio, y a su vez, que la tendencia general de la población de erizos en la XI Región es a la baja, y las proyecciones a largo plazo son arriesgadas. Cabe destacar que esta macrozona de evaluación es la que está soportando gran parte de la pesquería del recurso, con niveles de biomasa poblacional de 57% respecto al total de la integración de las zonas.
6.2. Análisis de sensibilidad
Uno de los parámetros claves para la evaluación de stock con modelos estructurados a la edad es la Mortalidad Natural (M) y la Longitud Asintótica Loo (Fukuda et al., 2012; Mannini et al., 2020). Es por ello que se presenta un análisis de sensibilidad para las tres macrozonas de evaluación con respecto a diferentes escenarios de estos parámetros. En este caso se probó el desempeño del modelo frente a un rango de 10 escenarios para M y 16 escenarios para Loo. Los resultados sugieren que el escenario base para cada zona fue mas sensible para M en la zona X Sur al igual que para Loo. Cabe señalar que para Loo en la zona X Norte los rangos de datos probados estaban fuera del escenario base (Loo = 119.85 mm) por lo que los efectos en la modelación fueron sensibles. Cabe mencionar que este ejercicio fue realizado para evidenciar los cambios en la modelación desde un punto de vista cuantitativo, dado que la selección de rangos de parámetros en M y Loo fueron arbitrarios. En la medida que surjan nuevos estudios para la estimación de parámetros de historia de vida para el erizo de estas latitudes, serán incorporados al análisis de sensibilidad de las tres zonas y evaluar su desempeño.
6.3. Datos de AMERB para incorporar en el proceso de evaluación de stock de erizo
La mayor cantidad de modelos estructurados están basados predominantemente en datos reportados desde la pesquería y su monitoreo como lo es el modelo de evaluación de erizo de las regiones de Los Lagos y Aysén. La actual preocupación sobre la confiabilidad de los datos utilizados en este modelo sugiere que este tipo de evaluación podría generar problemas en el asesoramiento científico para el manejo (Beare et al., 2005) dado que errores en el ingreso de datos de pesquería se trasladan directamente dentro de similares errores en estimaciones de abundancias del stock (Quinn and Deriso 1999). Esta situación es advertida principalmente en la XI región, en donde el monitoreo de la pesquería no es optimo por las condiciones extremas de la región. Por esta razón, es importante que los métodos de evaluación integren datos de muestreos y cruceros (Benoit et al., 2009) luego de un análisis riguroso de pertinencia. La integración de información independiente a la modelación pesquera es vital para tener contraste de los datos y mejorar las estimaciones. Es por ello que en funciòn de los antecedentes cientificos y recomendaciones de expertos, se ha buscado integrar diferentes tipos de datos a la evaluación. En la zona de evaluaciòn del recurso erizo se distribuyen también las AMERB que tienen como recurso principal el erizo y sobre las cuales se realizan estudios poblacionales año a año por entidades cientificas (consultoras) que levantan informaciòn biologica pesquera para determinar los niveles de extracción posibles para el proximo periódo. En esta ocasión se exploraron estructuras de tallas, indicadores y variables poblacionales (capturas, desembarques) de esta figura de administración con la finalidad de identificar patrones espaciales y/o temporales para integrar en la evaluación. Para ello se analizaron los datos de 177 AMERB ubicadas entre las regiones de Los Lagos y Aysén contenidos en los informes ITA y la base de datos que adminstra el Programa de Seguimiento de Areas de Manejo de IFOP entre los años 2000 y 2019. Por un lado se identificó que los datos de las AMERB estan sesgados y/o con información incompleta por lo cual se deben corregir datos de cosecha y abundancia. Por otro lado se pudieron configurar estructuras de tallas para cada zona y para todos los años. Si bien se debe seguir explorando estos datos y sus respectivas correcciones de datos faltantes en la base, existe una alta suficiencia de datos a través de todo el periodo analizado. Sin embargo, imputar estos datos a los asessment actuales implicaría tomar decisiones respecto a que tipo de indicadores tomar y si las zonas en donde estan las AMERB. Sin embargo, integrar esta información al proceso de evaluación de stock de erizo requiere pasar por un proceso de trabajo mayor. Este es el primer análisis exploratorio de datos AMERB con fines de integración al assessment. Sin embargo, surjen preguntas relevantes a la hora de realizar esa integración y como adminstrar esta nueva información. Actualmente el manejo de las AMERB y de los Planes de manejo tienen reglamentos y aspectos administrativos distintos, por lo que una evaluaciòn integrada requerie decisiones de manejo conjunta, como por ejemplo, la asignaciòn de cuotas para una u otra figura de adminstración.
6.4. Proceso de Revisión de Pares (CAPES, 2020)
Durante este año el proceso de evaluación de stock atravesó un proceso de revisión por pares en el marco del Programa de Seguimiento de las Pesquerías Bentónicas bajo Planes de Manejo para la evaluación de stock de erizo (Loxechinus albus) en las regiones de Los Lagos y Aysén, año 2019. Esta revisión consideró la participación del experto internacional Dr. James Ianelli quien se desempeña como evaluador de stock senior del NOAA Fisheries Alaska Fishery Science Center (USA). Las pesquerías de invertebrados poseen múltiples desafíos para su evaluación de stock, debido principalmente a la dificultad de observación de la edad, dinámicas poblacionales poco estudiadas y compleja estructura espacial, lo que dificulta tanto el marco teórico de modelación como monitoreo y obtención de datos relevantes para el manejo. Esta situación manifiesta la necesidad de implementación de metodologías de evaluación de stock y toma de decisiones acorde a las singularidades de este tipo de pesquerías (Wiff et al., 2020). Los procedimientos de evaluación de stock deben estar basados en rigurosidad científica y es en este marco, que el proceso de revisión por pares se hace necesario como mecanismo de validación, transparencia y verificación técnica. El escrutinio independiente de los procedimientos de evaluación de stock, garantiza que las decisiones de manejo se tomen en base a la mejor información científica disponible. Por este motivo y con la iniciativa de IFOP en conjunto con CAPES-UC, se desarrolló esta revisión por pares experta para la evaluación de stocks de Erizo en la X y XI regiones de Chile. Acorde a los términos técnicos de referencia (TTR) emanados por IFOP, existen 5 tópicos generales donde se concentró la revisión de la evaluación de stock: (1) unidades de stock, (2) parámetros de historia de vida (3) índice de abundancia y estructuras de tallas (2) modelo de evaluación de stock (5) puntos biológicos de referencia (PBR). Dentro de las principales recomendaciones respecto de las unidades de stock, se indica que se deben realizar análisis de sensibilidad que consideren niveles de agregación alternativo a los que ya existen. Acorde a los parámetros de historia de vida usados en la evaluación, se hacen recomendaciones respecto de análisis de sensibilidad para los parámetros de crecimiento y mortalidad natural. Si bien en este análisis se incorporaron algunas recomendaciones de los expertos, el informe final y el plan de trabajo aun no está definido, dado que este proceso de revisión termino en Diciembre del 2020. 6.5. Implicancias del stock assessment en el manejo de la pesquería de erizo zona sur austral de Chile La pesquería del erizo en las regiones de Los Lagos y Aysén ya demuestra problemas derivados de una creciente explotación de erizos bajo talla y una baja en el rendimiento (Consejo Zonal de Pesca X y XI, 2005). En este sentido, se han descrito síntomas de su sobrexplotación (Botsford et al., 2004; Moreno et al., 2007; Roa-Ureta et al., 2015; Stotz, 2007) e impactos de la intensa actividad pesquera en las comunidades asociadas (Contreras et al., 2019). Esto se suma a ciertas deficiencias en el manejo, como, por ejemplo, la ausencia de objetivos operacionales específicos que puedan ser medibles ni cuantificables (Techeira et al, 2018; 2019) y las escalas espaciales de aplicación ha dificultado la transferencia de acuerdos a comunidades locales distribuidas a lo largo del área de aplicación del plan (Nielsen et al., 2004; Weigel and de Monbrison, 2003). En este escenario y con interacciones de miles de pescadores distribuidos en cientos de kilómetros de actividad pesquera los acuerdos se han centrado en aspectos políticos administrativos que se reducen a fijar vedas y cuotas (ver Acuerdo Zona Contigua). Es por ello que los stakeholders han expresado la necesidad de contar con herramientas cuantitativas a través de un enfoque de modelo-basado para conocer los niveles de las variables poblacionales y estado de explotación del recurso, así como también, para corroborar la efectividad de las medidas de manejo adoptadas. Sin embargo, para proponer recomendaciones bajo un enfoque modelo-basado, se debe establecer un marco de referencia biológico para la pesquería del erizo. En este sentido, la mayoría de los marcos de referencia internacionales de ordenación pesquera modernos y actualmente vigentes, se sustentan en el concepto del Rendimiento Máximo Sostenible (RMS). En este aspecto se propone la utilización de Puntos Biológicos de Referencias (PBR) que tiendan al RMS, de acuerdo a lo expresado por la comunidad científica pesquera mundial. Mayormente se han aplicado PBR proxies dada la dificulta de estimación del MRS (Hilborn, 2002; Payá et al., 2014). Por ejemplo, inicialmente para evitar la sobrepesca por crecimiento usando como PBR objetivo F0.1 y el PBR límite Fmax, basados en el rendimiento por recluta (Gulland y Boerema 1973). Luego, para prevenir la sobrepesca por reclutamiento se propone el uso de un PBR objetivo F40%BDPR y como PBR límite F20%BDPR, basados en la biomasa desovante por recluta (Clark 1991 y 1993, Mace 1994, Mace y Sissenwine 1993). Más recientemente también ha usado como PBR objetivo 40%BD0 (biomasa desovante que corresponde al 40% de la biomasa desovante virginal) y como límite 20%BD0 (cita). A nivel mundial, se han propuesto marcos de referencia para pesquerías de erizo. Por ejemplo en Maine, se estimó usar como referencia el F0,1(Chen et al., 2003; Chen and Hunter, 2003; Perry et al., 2002). (Botsford et al., 2004) proponen el uso de PBR basado en el potencial reproductivo (SPR) como un proxy del MRS de acuerdo a lo establecido por (Gabriel and Mace, 1975; Goodyear, 1993) para las pesquerías del erizo de California. En función de los antecedentes, consideramos que un modelo de dinámica poblacional para la población de erizos debería proporcionar estimaciones fiables de los parámetros del modelo con métodos estadísticos adecuados (Hilborn y Walters, 1992; Chen y Paloheimo, 1998; Walters, 1998) y de las variables de estado (biomasa, abundancia) y flujo (mortalidad por pesca o tasas de explotación) en el área de distribución del recurso y la pesquería, las cuales deben contener referencias basadas en los proxis del RMS anteriormente descritos. Para esto, implementamos un protocolo de evaluación de stock, cuyo objetivo es recomendar un marco biológico de referencia basado en un enfoque modelobasado para determinar Fmrs y Bmrs con un modelo estructurado en tallas con dinámica en edad y desarrollar una estrategia de manejo adecuada. Si bien, las críticas al co-manejo son difíciles de realizar, quizás por sus profusas credenciales científicas, se ha identificado que los enfoques de co-manejo carece de un objetivo de manejo operacional (Murray, 2007; Nielsen et al., 2004; Payá et al., 2014), y que se ha evidenciado en esta pesquería, por lo cual es necesario contar con un marco de referencia biológica para la toma de decisiones basado en rigor científico y propender a una pesquería sustentable. A su vez, los críticos de los fundamentos racionalistas de la cogestión señalan una falta de arraigo cultural o político que limita la comprensión de cómo se distribuye y se distribuye el poder y la responsabilidad. da forma al comportamiento colectivo. Otros sugieren que la polémica del debate CPT / cogestión ha resultado en el descuido de las características empíricas clave de los bienes comunes de la pesca, lo que es más crítico, las complejas causas y consecuencias del cambio en el esfuerzo pesquero. En las últimas décadas, la cogestión se ha convertido en una forma cada vez más popular de reforma de la gobernanza en muchos países en desarrollo. Considerado como un medio para promover la gestión sostenible y equitativa de los recursos naturales, ha tenido una amplia aplicación en la pesca continental en pequeña escala. Sin embargo, tal vez por sus valiosas credenciales, no ha habido suficientes evaluación de los resultados (Murray, 2007). Este artículo comienza con una revisión del procedimiento de manejo en la pesqueria del erizo del sur para explorar las razones de fracaso del plan de manejo. En el estudio de caso de Sri Lanka, se hace hincapié en comprender impulsores ambientales, técnicos y socioeconómicos del cambio de esfuerzo. Las iniciativas de cogestión se llevaron a cabo en dos embalses de tamaño pequeño-mediano (788ha y 1546ha) en la provincia Noroeste. Estos apoyan la pesca artesanal con redes de enmalle, predominantemente para tilapias exóticas comercializadas sobre una base muy local. La estrategia de cogestión que involucró a los oficiales de pesca locales y las cooperativas de pesca, se centró en las restricciones de pesca diseñadas para mantener los rendimientos y aumentar el tamaño medio de las capturas. A pesar del entusiasmo inicial, las restricciones colapsó después de 4-5 meses con el inicio del oportunismo oportunista. Esto era debido a; falta de capacidad de ejecución, las dificultades desproporcionadas que enfrentan los grupos de pescadores con menor movilidad económica y relaciones de patrocinio político. Además, como socios cumplidores, las cooperativas tenían un apalancamiento débil en el proceso de toma de decisiones. A pesar de la corta duración de las restricciones efectivas, el análisis simultáneo de Las tendencias del mercado local demostraron un repunte notable en los rendimientos que apuntan a la capacidad de recuperación resiliente de la pesquería de tilapia. Además histórico Los datos de los precios de las materias primas revelan la estabilidad del precio de la tilapia a largo plazo entre la demanda y la oferta incluso cuando la presión pesquera ha aumentado. A pesar de impactos negativos en la biodiversidad indígena, estas características sugieren temores de la sobreexplotación son infundadas y cuestionan la premisa subyacente de la intervenciones de cogestión. Finalmente, los resultados se utilizan para resaltar las diferencias contextuales con las pesquerías de las llanuras aluviales en Bangladesh, donde la disminución de las cosechas silvestres y el surgimiento de una industria acuícola vibrante presentan desafíos muy diferentes. Los resultados advierten contra la dependencia excesiva de la cogestión como enfoque de proyecto. En cambio, existe la necesidad de análisis contextuales detallados que vayan más allá una visión de las pesquerías como sistemas cerrados para incorporar medios de subsistencia más amplios perspectivas.
Las razones del fracaso o la cogestión problemática se relacionan con mayor frecuencia con el tamaño de la zona en cuestión, debilidad de acompañamiento al proceso, a por proyecto enfoque demasiado corto, falta de una estrategia clara, falta de comunicación, estructuración inadecuada de comunidades, la falta de empoderamiento de las partes interesadas y la falta de de devolución de medios inancieros (Fargier, 2012; MEM, 2011; recuadros 4 y 5) El comanejo es una herramienta de gestión pesquera que ha recibido mucha atención en los últimos años. Si bien existen grandes esperanzas sobre lo que puede lograr, también existen serias dudas, interrogantes y críticas sobre su aplicabilidad general. Creemos que muchas de estas preocupaciones son válidas. Sin embargo, muchas de las predicciones negativas reflejan perspectivas demasiado estrechas sobre el papel y la naturaleza de las instituciones. Otras presuposiciones, no menos válidas, conducen a hipótesis más optimistas sobre los resultados de los acuerdos de cogestión. Los problemas (Jentoft et al., 1998) institucionales asociados a la cogestión se han analizado desde la perspectiva de la elección racional. Ofrecemos otra perspectiva al analizar estos problemas desde el punto de vista de cómo las instituciones están integradas en la comunidad humana. El comanejo en estas pesquerías se ha dificultado debido a las grandes extensiones y grandes cantidades extraídas. Si bien el manejo de recursos no se ha establecido en relación a un marco de referencia biológico, hoy en día, por lo antes descrito, se hace cada vez más necesario una mirada cuantitativa para el manejo de este tipo de recursos. La intensa presión extractiva supera todos los intentos de lograr acuerdos para lograr una pesquería sustentable Esto se traduce en que los planes de manejo de estas pesquerías no incorporan indicadores ni menos referencias objetivas para lograr una pesquería que tienda a la sustentabilidad (Techeira, 2017, 2019) Esto concuerda con lo planteado por Punt et al (2016) que señala que de no existir objetivos claros y precisos, las pesquerías están proclives a fallar en su manejo. En la misma línea, recomendaciones de asesoría basada en evidencia científica han logrado mejorar los sistemas pesqueros alrededor del mundo (Hilborn et al, 2020) A su vez, las herramientas metodológicas para la evaluación de stock de especies invertebrados bentónicos han avanzado, deben contener particularidades propias de dinámica e historia de vida de este tipo de recursos.
Sin embargo, en el caso de especies sedentarias como el erizo, ciertas características intrínsecas poblacionales imponen restricciones adicionales a la aplicación de modelos convencionales de evaluación de stocks, mas aun considerando las escalas de evaluación, ya sea esta macro, meso o micro escala (Molinet et al, 2014). La dinámica poblacional es altamente sensible a las condiciones ambientales locales, lo que puede generar gradientes espaciales en escalas reducidas que pueden afectar las tasas de crecimiento y los procesos de reclutamiento y mortalidad (Caddy & Defeo, 2003), además los procesos de denso-dependencia tales como inhibición del reclutamiento o mortalidad postasentamiento debido a la presencia de adultos (Defeo, 1996; Orensanz et al. 2006) deben ser explícitamente considerados. experimentación y se están produciendo nuevos desarrollos institucionales como consejos conjuntos de toda la bahía, que tienen como objetivo proporcionar representación para las diferentes comunidades de la mayor grupo de pescadores en el área de la bahía. En Bangladesh, el caso de la pesca de Beel es un buen ejemplo de éxito de la cogestión a gran escala donde se encuentran miles de beels o cuerpos de agua cerrados gestionado conjuntamente por ONG que representan la pesca hogares. Nuevos arreglos institucionales entre Han surgido gobiernos y ONG. Usuarios de recursos establecer objetivos de gestión y participar en la gestión con el apoyo del Departamento de Pesca. Resultados de la evaluación de stock Para proponer recomendaciones modelo-basadas para la pesquería del erizo, es necesario entender la evaluación de stock en este tipo de recursos espacialmente estructurados, dado que el desarrollo de modelos clásicos en la teoría de la dinámica de las poblaciones explotadas ha sido motivado principalmente en el campo de los vertebrados, y por su parte, pesquerías de invertebrados como el erizo han mostrado un lento proceso de evaluación formal alrededor del mundo (Cheng & Berek, 2003, Cheng, 2002, Hilborn and Walters, 1992). Para poder aplicar modelos de evaluación de stock en invertebrados, ciertas consideraciones deben ser atendidas, como por ejemplo, considerar el conjunto de poblaciones relacionadas con una fuerte y persistente estructuración espacial (Jamieson, 1995) y la redistribución del esfuerzo de pesca a través de la entidad poblacional analizada (Caddy and Defeo, 2003). Desde este punto de vista se de- ben tomar en cuenta los PBR que tiendan a evitar una eventual sobrepesca por reclutamiento, consi- derando aquellos PBR que entreguen un diagnósti- co respecto a la biomasa desovante disponible cada año para la renovación poblacional. En este contex- to, aquí se utilizaron los PBR provenientes de la biomasa desovante por recluta (BPR). Al respecto se puede señalar, que la mortalidad por pesca 2003 (Fact), se encuentra muy cercana al criterio de F40% (Fig. 4). Además, la curva de BPR presenta ausen- cia de elasticidad, en el sentido que a niveles bajos de mortalidad por pesca, la curva cambia rápida- mente desde un nivel de F66% a F45% , pero cuando se aumentan los niveles de mortalidad por pesca por sobre F33% , los niveles de BPR son estables. Bajo el esquema selectivo actual, esto produciría (indepen- diente de las altas mortalidades por pesca que po- drían existir en la población) el escape de una frac- ción de desovantes, permitiendo sustentar la pobla- ción, aunque a niveles bajos de stock y por lo tanto no recomendable como política pesquera. El diagnóstico de las tres unidades (zonas) analizadas consideró como referentes valores “proxies” del Rendimiento Máximo Sostenido (RMS), y que se refieren a una reducción de biomasa virginal al 40%. Para todos los efectos se consideró un nivel de “steepness” h=0.8 para la relación S/R. Para estos efectos se calcularon los niveles de mortalidad por pesca de referencia en base a un análisis de equilibrio por recluta considerando las particularidades de cada unidad de stock y las variaciones anuales de la selectividad. La biomasa desovante virginal se calculó en base al valor de reclutamiento de largo plazo sin explotación, mientras la reducción de esta variable se estableció en base a la razón entre la biomasa desovante de cada año respecto a su condición inicial. De acuerdo a lo anterior se determinó que la reducción poblacional alcanza el 23.1%, 15% y 24% en zonas X Norte, X Sur y XI respectivamente. Analizando los resultados a la luz de las evaluaciones anteriores, en la zona X Norte, el nivel de reducción poblacional alcanza un 23.1%, muy por debajo del enfoque precautorio del 40% de BD/BDo y 6.7% por encima de la última evaluación realizada el año 2015. Esta situación se debe a la baja en los niveles de esfuerzo realizado en la zona X Norte y un alza en el reclutamiento para el año 2016. En la zona X Sur también la reducción poblacional es de 15%, un 10.4% debajo de la última evaluación de stock realizada el año 2015. Al igual que en Xnor esta zona se encuentra bajo un nivel de sobre-explotación. En XI también la reducción poblacional se estimó en un 24%, una disminución de un 20.8% respecto a la última evaluación de stock realizada el año 2015, esto podría deberse al desplazamiento de la flota hacia zonas australes de la región, causando un aumento del esfuerzo de pesca. Los resultados para X Norte mostraron que desde el 2006 la mortalidad por pesca se ubica significativamente por sobre el criterio de referencia FMRS=F40% pero con tendencia decreciente en los últimos 3 años, mientras la biomasa desovante ha estado por casi 10 años por debajo de la biomasa en el BMRS. El diagrama de fase ubica la condición actual en situación de sobre-explotación (B<Brms) (Figura 47). Por su parte, en la zona X Sur también se estimó una condición similar de sobre-explotación con un nivel de mortalidad por pesca alto en los últimos años, por sobre el criterio FMRS=F40%, y por ende con evidencias de sobre-pesca (Figura 50), con niveles de reducción de la biomasa desovante bajo los objetivos de manejo tentativos desde el comienzo de la pesquería (década del 80). Finalmente, en XI región los resultados mostraron que las variables biomasa y mortalidad por pesca se ubican bajo los objetivos de manejo, sin embargo, este continua siendo stock en mejor condición de estatus (Figura 53). Gran parte de la reducción poblacional en toda la X Región se habría debido a extensos períodos de fuertes anomalías en los reclutamientos junto al crecimiento del esfuerzo de pesca sobre especies de menor longitud. Esta situación también ha comenzado a suceder en la XI, en donde los altos niveles de mortalidad por pesca, han situado al recurso en una situación de vulnerabilidad. La tendencia general de la población de erizos en la X y XI región es a la baja, y las proyecciones a largo plazo son arriesgadas. De acuerdo a esto, se recomiendan las CBA para el año 2017 con enfoque precautorio para cada una de las zonas con distintos niveles de riesgo. Considerando un riesgo medio (30%) en función de los un objetivo de manejo en torno al MRS, para la zona X Norte se tienen 844 tons., para la zona X Sur se proponen 3010 tons. Por ultimo para la zona XI, se proponen 8711 tons. De acuerdo a los análisis de sensibilidad, y considerando los distintos escenarios probados (steepness y parámetros de crecimiento), no se encontraron mayores diferencias en los estatus del erizo en las 3 zonas evaluadas. Sin embargo, las piezas de información referentes a las estructuras de tallas son las que mayor ponderan en este modelo. Esto se comprueba mediante los resultados de la última evaluación en la zona XI.