Hidden Markov models with serial correlation for identifying stock-recruitment regime shifts
Addressing changes in productivity is essential for effective fisheries management, as shifts in the stock-recruitment (SR) relationship determine sustainable harvest limits. Hidden Markov models (HMMs) and state-space models serve as complementary approaches for representing discrete regime shifts and continuous changes in fisheries stock productivity, respectively. This study combines the strengths of both methodologies by developing HMMs with serial correlation and optimizing their implementation. To capture the interactions between SR parameters and other elements of stock assessment models, we incorporate hidden Markov SR models into a comprehensive stock assessment framework. Further, covariates are introduced into the HMM transition probabilities to address non-stationarity and significantly reduce model complexity. Simulations and case studies demonstrate the effective performance of this novel approach.
Modèles de Markov cachés avec corrélation en série pour l'identification des changements de régime de recrutement des stocks
La prise en compte des changements de productivité est essentielle pour une gestion efficace des pêcheries, car les changements dans la relation stock-recrutement (SR) déterminent les limites d'exploitation durable. Les modèles de Markov cachés (HMM) et les modèles espace-état constituent des approches complémentaires pour représenter respectivement les changements de régime discrets et les changements continus dans la productivité des stocks halieutiques. Cette étude combine les forces des deux méthodologies en développant des HMM avec corrélation en série et en optimisant leur mise en œuvre. Pour saisir les interactions entre les paramètres SR et d'autres éléments des modèles d'évaluation des stocks, nous incorporons des modèles SR de Markov cachés dans un cadre global d'évaluation des stocks. En outre, des covariables sont intégrées dans les probabilités de transition des HMM pour traiter la non-stationnarité et réduire de manière importante la complexité du modèle. Des simulations et des études de cas démontrent l'efficacité de cette nouvelle approche.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais