SCRS/2016/008 Collect. Vol. Sci. Pap. ICCAT, 73(5): 1579-1684 (2017)

1579

REPORT OF THE 2016 SAILFISH STOCK ASSESSMENT (Miami, USA – 30 May to 3 June 2016)

SUMMARY

The meeting was held in Miami, United States, 30 May to 3 June 2016. A revision of new

information on the species was carried out, leading to important improvements in the biological

parameters required for stock assessment modelling.

RÉSUME

La réunion a été tenue à Miami (États-Unis) du 30 mai au 3 juin 2016. Une révision des nouvelles

informations sur cette espèce a été réalisée, débouchant sur d'importantes améliorations

apportées aux paramètres biologiques requis pour la modélisation de l'évaluation des stocks.

RESUMEN

La reunión se celebró del 30 de mayo al 3 de junio de 2016, en Miami, Estados Unidos. Se llevó

a cabo una revisión de la nueva información sobre esta especie, lo que generó importantes

mejoras en los parámetros biológicos para la modelación de la evaluación de stock.

1. Opening, adoption of Agenda and meeting arrangements

The Meeting was held at the Rosenstiel School of Marine and Atmospheric Science, University of Miami, Miami,

USA from 30 May - 3 June 2016. Local arrangements were made by Dr. David Die with financial support of

NOAA through the Cooperative Institute of Marine and Atmospheric Studies (CIMAS). Dr. Paul de Bruyn, on

behalf of the ICCAT Executive Secretary, thanked the University of Miami for hosting the meeting and providing

all logistical arrangements.

Dr. Freddy Arocha, the Billfish Species Group Rapporteur, chaired the meeting. Dr. Arocha welcomed the meeting

participants (hereinafter “the Group”) and proceeded to review the Agenda which was adopted with minor changes

(Appendix 1).

The List of Participants is included as Appendix 2. The List of documents presented at the meeting is attached

as Appendix 3.

The following participants served as Rapporteurs for various sections of the report:

Section Rapporteurs

1 P. de Bruyn

2 J. Hoolihan, P. de Bruyn, G. Diaz, H. Perryman

3 M. Schirripa, R. Sharma, M. Lauretta, M. Fitchett, E. Babcock, B. Mourato

4 R. Sharma, C. Brown

5 F. Forrestal, J. Costa, F. Arocha

6 M. Perez Moreno, F. Arocha

7 P. de Bruyn

2. Summary of available data for assessment

2.1 Biology

2.1.1 Genetics

SCRS/2016/P/025 described preliminary results of a study investigating genetic differentiation among groups of

Atlantic sailfish. Mitochondrial DNA was compared using a 645 base pair sequence from the control region. So

far, analyses have been undertaken on samples from the western North Atlantic (Florida), Senegal, and Brazil

1580

(Figure 1). An AMOVA comparison indicated a moderate to strong (Φst = 0.1020, p = 0.011) differentiation

between northern and southern hemispheres, and moderate differentiation (Φst = 0.0783, P = 0.010) between

eastern and western Atlantic samples. In pairwise comparisons, the largest population differentiation was observed

between the western North Atlantic (Florida) and African (Senegal) groups, and the smallest differentiation

between the Brazil and African (Senegal) groups (Table 1). Preliminary results suggest genetic stock structure

between both the eastern and western Atlantic, and northern and southern hemispheres. Further work is needed to

elucidate and confirm the presence of stock structure. Additional collection and analyses of samples from Côte

d’Ivoire, EU-Portugal, E-U-Spain, d Uruguay and Venezuela, are anticipated.

2.1.2 Distribution

SCRS/2016/099 used general additive models (GAMs) to predict the spatial distribution of sailfish across the Gulf

of Mexico (GOM) using data from the U.S. PLL Observer Program (2005-2010).

A delta approach fitting a Bernoulli GAM with binomial data, and a Gamma GAM with zero-truncated catch rate data (fish/100 hooks) was used. Model factors included year, season, day/night, sea bottom depth, altimetry, sea surface temperature, and minimum distance from a front. Results indicated that both the probability of catching a sailfish and the CPUE are most influenced by sea bottom depth and sea surface temperature. Seasonal distribution profiles were developed across the GOM by predicting across grids of NCEI and AVISO environmental data (Figure 2). Profiles indicated a seasonal flux, with increased sailfish CPUE between April and September, and higher catch rates associated to fronts. 2.1.3 Age, Growth, Natural Mortality and Maturity at size

The Group reviewed and compared growth parameters based on relevant information compiled from sailfish age

and growth studies conducted in the Atlantic and Pacific Oceans. Discussion and comparison of growth curve

estimates (Table 2, Figure 3) resulted in the Group’s conclusion that the growth trajectory estimated by

Cerdenares-Ladrón et al. (2011) was the most plausible, and agreement to use the following growth parameters in

the exploratory assessment model runs: Linf = 206.83; K = 0.36; T0 = -0.24.;

The Group discussed the estimate of M. It was noted that appropriate methods to estimate M based on tag-recapture

and maximum age were those described in Hoenig (1983) and in Then et al. (2015). Considering that the estimates

of M were high, the Group considered applying the estimate of M obtained using the method by Hoenig (1983)

and to be consistent with prior billfish stock assessments (BUM). Therefore, an estimate of M = 0.35 (based on

Hoenig equation from 1983) and a mean maximum age of 12 years was selected based on information available

from age and growth, and tagging information reviewed during the meeting.

It was noted to the Group that a new estimate of maturity at size was presented and discussed in the 2014

Intersessional meeting of the 2014 Billfish Species Group held in Mexico (Anon. 2015), and during the 2015 SCRS

Species Groups meeting (Anon. 2016), which resulted in an new L50 estimate of 142.12 cm LJFL (@ 3 years) by

the combination of Brazilian and Venezuelan reproductive samples to produce the new L50 estimate for west

sailfish.

2.2 Catch, effort, and size

The Task I nominal catch (T1NC) statistics of sailfish by stock, flag and gear, are presented in Table 3 and by

stock in Figure 4. The Secretariat informed the Group that updates were made to the historical catch series for

Venezuela (Longline artisanal).

The Group noted that for two key fisheries, data was either absent (Grenada) or the reported catches were extremely

low (Mixed flags (FR+ES)) in recent years. In the case of Grenada, the Group decided that for the assessment, an

average of the catch reported between 2007 and 2009 (the final three years of reported data from that CPC) would

be carried over for the years 2010 to 2014 (191t per year). For the Mixed flags fleet, estimates of the eastern stock

of sailfish caught as by-catch in the EU tropical tuna purse seine fleet were made by the Group using the stratified

ratio estimator method and the EU Purse Seine observer database. The observed sailfish by-catch were linearly

related to the observed tuna catch in both FAD and free sets. Observed sets and the tropical tuna catch from the

Task II database were stratified by year and fishing mode. By-catch ratio estimators for sailfish were calculated

using the mean observed sailfish by-catch in each stratum divided by the mean observed tuna catch for each

stratum. This ratio estimator was then applied to the total reported tuna catch for each stratum, yielding total

estimates of sailfish by-catch. The results from this analysis are presented in Tables 4a and b for FAD and free

school catches, respectively. The Group noted that this analysis indicates that the catches reported in the Task I

1581

data are almost certainly lower than the true catches. As such, the Group decided for assessment purposes to use

the average of the catches reported between 2008 and 2010 as a carry over for the years 2011 to 2014 (275 t per

year).

The Group noted the strong decline in total reported sailfish catches since 2010. Although it was not clear how

accurate total captures were prior to this period, several potential factors may have resulted in decreased reporting

in recent years. For example, these reduced captures could potentially be a product of management actions or

changes in fishing operations (such as switches in targeting for many commercial longline vessels). With regards

to management, there may have been some reduction in sailfish captures due to the Billfish rebuilding plan which

was enacted in 2005. It was noted that this plan was only focused on marlin species but there was speculation that

this may have had an effect on sailfish catches as well. Related to this management action, the Group noted that

live release information is not provided and, thus, if management has discouraged retaining any billfish catches,

these potential releases have not been recorded. Very few fleets report any dead discard information for sailfish

and this makes the quantification of these potential captures impossible. The Group considered the possibility that

the recent decline of catches could be a result of increased, but unrecorded live releases and dead discards. Overall,

the Group expressed its concern that high uncertainty still remains with respect to total removals.

During the 2009 Sailfish Stock Assessment Session (Anon. 2010), it was reported that the catch and effort data

from Ghana used in the standardization of CPUE for the gillnet fishery had very different patterns in the

relationships between CPUE, trips and number of canoes when you compared data prior or after 1992. Such

differences led the Group in 2009 to exclude the Ghana CPUE data prior to 1992. Such pattern was also seen again

when the data were standardized in preparation for the current assessment (SCRS/P/2016/027). Furthermore, catch

levels prior and after 1990 are very different and prior to 1992 the species composition of billfish landings reported

by Ghana is very different to that prior to 1989. The Group concluded that catches of sailfish for Ghana between

1956 and 1989 may have been incorrectly estimated.

To test the sensitivity of assessment results to the estimates of sailfish catch from Ghana, an alternative catch series

of sailfish catches for Ghana for the period 1957-1989 was developed during the meeting (Appendix 4).

The data catalogues for sailfish regarding Task II catch and effort (T2CE) and Task II size information (T2SZ),

were presented to the Group for the Atlantic West and East stocks. This information is presented in Tables 5a and

5b respectively. The Group noted that many gaps exist in these datasets which limits the ability of the Group to

use integrated stock assessment models. The Group noted, however, that much data regarding size information

exists (especially for Venezuela) from the Enhanced Program for Billfish Research and the JDMIP (Arocha et al.

2016) and this data is being compiled for inclusion in the ICCAT database even though it is not official Task II

data submitted by the CPC. In addition, the Task II CE data is not often used in sailfish stock assessments as CPCs

usually provide standardised CPUE indices using more comprehensive data than is available in the Task II dataset.

The sailfish conventional tagging data available in the ICCAT database is presented in Table 6. There are a total

of 115,743 sailfish individuals released between 1950 and 2011. The total number of individuals recovered is

2,020, which represents on average a recovery ratio of about 1.7%. The apparent movement (straight displacements

between release and recovery positions) shown in Figure 5 (complemented by the release and recovery density

maps of Figure 6) indicates that the largest amount of the sailfish tagging took place in the western Atlantic. The

Group acknowledged the important work (national scientists and the Secretariat) behind the ICCAT tagging

database on sailfish and noted the large number of individuals that had been tagged. The Group recommended in

the future exploring methodologies to include this important information into the stock assessments framework.

2.3 Relative Indices of Abundance

The following documents with indices of abundance for the western stock were presented to the Group during

the meeting:

Document SCRS/2016/075 indicated that catches of sailfish (Istiophorus albicans), white marlin (Tetrapturus

albidus) and blue marlin (Makaira nigricans) and effort data were available from the recreational rod and reel

fishery based at the Playa Grande Yacht Club, Central Venezuela, from 1961 to 2001. Data were also available

from an artisanal drift-gillnet fishery in the same area from 1991 to 2014. Each dataset was standardized

independently using a generalized linear mixed model (GLMM). The two datasets were also combined in a GLMM

analysis that included the year, season, fishery and some two-way interactions as potential explanatory variables.

The combined analysis produced a CPUE index of abundance that runs from 1961 to 2014. The index shows a

decline followed by a period of stability for both sailfish and white marlin.

1582

The Group inquired if trips with no catches were included in the analysis. It was indicated that the data for both

gears (recreational rod and reel and gillnet) corresponded to monthly summaries and that nearly all the monthly

summaries have positive catches. It was also discussed that since both fisheries are conducted in an area considered

to be a ‘hot spot’, the possibility of trip with no sailfish catch was extremely low. The Group noticed that some of

the model diagnostics showed some deviance from the assumptions. It was discussed that adding a constant value

to the model might have created the pattern seen in the residuals. Following the advice from the authors, the Group

agreed to use the individual indices instead of the combined index, as it was initially suggested in Babcock and

Arocha, 2015.

Document SCRS/2016/093 presented an index of abundance for sailfish from the United States recreational billfish

tournament fishery for the period 1972-2014 and for non-tournament recreational fisheries for the period 1981-

2014. Tournament catch-per-unit-effort (number of fish caught per 100 hours fishing) was estimated from catch

and effort data submitted by recreational tournament coordinators and U.S. National Marine Fisheries Service

observers under the Recreational Billfish Survey program. A selection process was applied to restrict the data to

tournaments that primarily target sailfish, using live bait only, along the Florida East coast. Non-tournament

recreational data was compiled from the Marine Recreational Fisheries Statistical Survey (MRFSS). The catch per

unit effort standardization procedure included the variables year, area, and season. Standardized indices were

estimated using Generalized Linear Mixed Models under a Delta lognormal model approach.

The authors explained that the data from MRFSS covered a larger area (the data included covered from the State

of North Carolina through Texas) than the tournament data, and therefore it was used to see if there was any

indication of the stock moving or expanding further north as it has been hypothesized for North Atlantic swordfish.

However, the authors indicated that there was no evidence of this being the case. The Group discussed the

difficulties in identifying the target species in the MRFSS data, which could affect the number of trips with zero

catches included in the analysis. It was also noted by the Group that the model diagnostics for the MRFSS index

showed strong evidence that the assumption of normality was violated. Therefore, the Group supported the

decision made in the 2009 Sailfish Stock Assessment Session (Anon. 2010) of not including the MRFSS index in

the 2016 Sailfish Stock Assessment and only including the tournament index.

Document SCRS/2016/092 catch and effort data from 73,810 sets done by the Brazilian tuna longline fleet,

including both national and chartered vessels, in the equatorial and southwestern Atlantic Ocean, from 1978 to

2012, were analyzed. The fished area was distributed along a wide area of the equatorial and South Atlantic Ocean,

ranging from 3º W to 52º W of longitude, and from 11º N to 40º S of latitude. The CPUE of the sailfish was

standardized by a Generalized Linear Mixed Model (GLMM) using a Delta Lognormal approach. The factors used

in the model were: year, fishing strategy, quarter, area, sea surface temperature, and the interactions year:strategy,

year:quarter and year:area. The standardized CPUE series of the sailfish showed a gradual decreasing trend,

particularly after the year 2000.

The Group asked the author how was the SST data used in the standardization obtained and it was indicated that

it was from satellite data. The Group also suggested that it is preferably to incorporate SST data into the models

as a categorical variable (bins) instead of as a continuous variable because many species have a range of preferred

temperatures and their response to temperature is not linear. As it was the cases with other species groups, the

Group held an extensive discussion with regard to the methodology used to define the three fishing strategies (FS).

The Group was concerned that the FS:Year interaction was significant which means that the catchability of those

3 FS changed with time. It was discussed that such effect might be masking true changes in stock abundance. As

a potential fix, the Group suggested to estimate individual CPUEs for each FS, or to do so only for the FS with the

highest mean CPUE. Alternatively, the Group also suggested to exclude the FS:Year interaction from the model.

If the nominal and the standardized CPUEs are similar then keeping the interaction in the model should not raise

much of a concern.

- The following documents with indices of abundance for the eastern stock were presented to the Group during the

meeting:

Presentation SCRS/P/2016/026 introduced a standardized index of abundance for the artisanal fishery in Senegal

for the period 1981-2015. The main gears in the fishery are troll, handline, and gillnet which incidentally catches

sailfish. The catch and effort data used corresponded to monthly summaries of catch and effort (n=1076). The

standardized index was estimated using a GLMM. The main factors tested in the model were year, area, month

and gear. Two models were considered, one with only the main factors and a second one with the main factors and

the interactions. Model selection was based on the AIC. The final model used to estimate the standardized index

1583

included the factors year, area, gear, and month and the interactions year:area, year:gear, area:gear, and

gear:month. The estimated standardized index showed no discernible trend in the first 20 years of the time series

and a declining trend after year 2000.

The Group noted that monthly aggregated data was used in the analysis and the data used in the model

corresponded to the positive observations (N=1072 positive observations). The examination of the mean CPUE

by factor showed a consistency among the results and what is known about the fishery. More specifically, troll

gear has higher catches than seine gear (which targets sardines), and that highest catches occur during the

upwelling months. The significant Year:Month interaction supports the anecdotal observation that the length of

the period when sailfish are present in the area of the study has shortened. The Group noted that the estimated

CPUE for years 2013 and 2014 were significantly lower than the rest of the time series and the author indicated

that was the result of new management regulations. Therefore, the Group requested that the index be re-estimated

without including the last two years of data (2014-2015). A new estimated index without the last two years of data

was provided by the author during the meeting.

Presentation SCRS/P/2016/027 introduced a standardized index of abundance for the Ghanaian drift gillnet

artisanal fishery for the period 1974-2013. The data used corresponded to monthly summaries of catch and effort

data. No data for years 1983 and 2010 were included as part of the time series. The standardization procedure used

a GLM. The factors tested in the model were year, quarter, fishing season, number of canoes, and the interactions

Year:Quarter and Year:Fishing Season. The factors included in the final model were year, quarter, and the

interaction year:quarter. Although variable, highest CPUE values were observed in the late 80s and in the 90s. The

index values for the last three years of the time series (2011-2013) were the lowest since 1991. The Group requested

that a new split index for the periods 1974-1990 and 1991-2013 be estimated. Such indices were provided during

the meeting.

Document SCRS/2016/098 analyzed the catch, effort, and standardized CPUE trends for the eastern stock of

Atlantic sailfish (Istiophorus albicans) captured by the Portuguese pelagic longline fleet between 1999 and 2015.

Nominal annual CPUEs were calculated as kg/1000 hooks and were standardized with Generalized Linear Models

(GLM) with Tweedie distribution and using year, quarter, area, and targeting effects (ratios) as explanatory

variables. Model goodness-of-fit was determined with AIC and the pseudo coefficient of determination, and model

validation was analyzed with residual analysis. The final standardized CPUE series shows a general decrease in

the initial years, between 1999 and 2010, followed by a general increase in the more recent years, until 2015, with

some inter-annual oscillations. This paper presents the first index of abundance for Atlantic sailfish estimated from

captures from the Portuguese pelagic longline fleet in the east Atlantic and can be used for future stock assessments

of the species.

It was recommended by the Group that future versions of this index also include the estimated mean CPUE for

each factor in the model.

- The following documents with indices of abundance for both the eastern and western stocks were presented to

the Group during the meeting:

Document SCRS/2016/071 introduced standardized catch rates of the sailfish (Istiophorus albicans) obtained from

10,615 trip observations of EU-Spain surface longline fishing targeting swordfish during the period 2001-2014. In

roughly 28% of these trips at least one individual belonging to this species was found. Because of the low

prevalence of this species in this fishery, the standardized CPUE was developed using a Generalized Linear Mixed

Model assuming a delta-lognormal error distribution. The results obtained indicate that the overall trend of the

standardized CPUE was similar for the total Atlantic areas and for the East and West stocks. An overall increasing

trend was identified for the total Atlantic areas and for the East and West stock for the whole 2001-2014 period

with some fluctuations in the most recent years.

The Group inquired what was the rationale used to define the different areas used in the CPUEs standardization.

It was pointed out that the areas defined were similar to those used for the analysis of the same fleet for target and

other species, and they represent an approximation of the sea temperatures at 50 m depth. Other elements that were

also taken into consideration to define the spatial structure for the analysis included the current stock boundaries

assumed by ICCAT for this species, and environmental conditions in the surface layers between East and West

areas as well as North and South were also considered. Moreover, the distribution of the fleet in the respective

areas throughout the year and observations available also plays an important role in deciding the spatial-temporal

definitions for analysis. The Group agreed to use in the assessment the individual indices presented for each stock

(East and West) instead of the index also presented for the entire Atlantic.

1584

Document SCRS/2016/094 presented estimated standardized CPUEs for sailfish caught by Japanese tuna longline

fishery in the western and eastern Atlantic Ocean using logbook data during 1994-2014. Delta lognormal model

was used to standardize the nominal CPUEs. Annual changes in the standardized CPUEs for the western Atlantic

stock showed a large fluctuation. The time series had a slight decreasing trend from 1994 to 2007 and after that

the time series had sharply increased and maintained at higher values. Annual changes in the standardized CPUEs

for the eastern Atlantic stock were considerably stable. The time series had a slight decreasing trend during 1994

and 2001, while the time series showed an increasing trend since then. The 95% confidence intervals were not

wide for the western and eastern Atlantic sailfish stocks. These results suggest that the current adult stock level of

sailfish in the western and eastern Atlantic increased in recent years compared with those in the 1990s and 2000s.

It was indicated by the authors that the use of the habitat model should be dismissed due to the lack of vertical

distribution information for sailfish. However, the Group noted that vertical distribution information has been

available since 2009 and recommended that this information be incorporated in the future. The Group noted that

the standardized index for the western stock was below the nominal index for the entire time series. It was discussed

that the indices start in 1994 because prior to that year the data did not separate catches of sailfish and spearfish.

In the 2009 Sailfish Stock Assessment Session (Anon. 2010), a JPN index that covered the period 1960-2007 was

included in the analysis. It was indicated to the Group that such index was developed during the assessment

meeting using CATDIS data and the estimated sailfish/spearfish ratios in the catch. The Group inquired if the

presence of spearfish in the estimated ratios was significant and it was informed that in some areas up to 30-40%

of the catches were spearfish. The Group noted that in eastern Atlantic, the Japanese longline fleet of yellowfin

catches in numbers were higher than bigeye catches when less than 15 hooks–between-float were used, while the

opposite was true when more than 15 hooks–between-float were used. However, the same trend was not evident

in the western Atlantic. The Group discussed the implication of these observations, but it was agreed that there

was not enough information available to interpret this particular results. The Group agreed to use in the assessment

the newly estimated index for each stock for the period 1994-2014 and use (as a separate index) the historical

CPUE estimated by the Group in the 2009 Sailfish Stock Assessment Session (Anon. 2010), only for the period

1960-1993. The Group noted that the strong year:area interaction and notably an apparent increase of catches in

the western Caribbean might require a finer spatial partitioning than the current coarse areas used in the model;

this could be the areas chosen by the adaptive partition method originally proposed in the document. To address

this concern, the index was split into two different periods in the stock synthesis model (see Section 3.2.3 for

details).

Document SCRS/2016/102 introduced catch and effort data of sailfish (Istiophorus platypterus) collected and

analyzed for the Chinese-Taipei distant-water longline fishery in the Atlantic Ocean for the period 2009-2015.

Catch in number observed in logbooks and that estimated using catch ratio of sailfish over the two species (sailfish

and spearfish Tetrapturus pfluegeri) were used to calculate nominal CPUE (catch per unit of effort), and then

CPUE was standardized using generalized linear models (GLMs). Two separate eastern and western stocks of

sailfish were considered in the standardization, with information on operation type (i.e., hooks per basket) included

as a potential effect in the models. All of the main effects were statistically significant in the GLM analyses, except

for month and longitude in the standardization of the western stock. However, relative abundance indices showed

similar and consistent trends for the two scenarios on catch data. The standardized CPUE of eastern Atlantic

sailfish increased from 2009 to a higher level but then dropped in recent two years (2014-2015), while for the

western stock the CPUE showed a decreasing trend during 2010 and 2014 with a slightly increase in 2015.

The Group noted that the data used did not include observations with zero catches. The author indicated that about

19% of the observations had sailfish positive catches and that the percentage was fairly constant. The Group

inquired how stable was the ratio sailfish-spearfish. It was indicated that the ratio was very variable since catches

for these species are a rare event. The author indicated that Logbook data was used to estimate the ratios by area

and it was assumed that the ratios remained constant with time. The Group indicated that the ratios might not have

been constant throughout the entire time series. However, with that assumption it should be possible to use the

ratios to estimate CPUE series prior to 2009.

The Group discussed the possibility of combining the data from the EU-Spain and EU-Portugal longline fisheries

to estimate a combined index for eastern sailfish, and potentially expand this approach to combine data from other

fleets. This approach of combining data from different fleets to estimate indexes of abundance is currently being

explored for other species like bluefin tuna. The Group acknowledged the importance of having standardized

indices from the artisanal fisheries of Senegal and Ghana, and those from EU-Spain and EU- Portugal longline

fisheries. The Group thanked the authors of these documents and their significant contribution to the assessment

process.

1585

The Group also have available other indices of abundance that were presented at the 2014 Intersessional meeting

of the Billfish Group (Anon. 2015) and the 2015 SCRS Species Groups meeting (Madrid, 21-25 September 2015).

Tables 7 and 8 (and Figures 7 and 8) show the indices of abundance used for the western and eastern stocks,

respectively.

3. Stock Assessment

3.1 Eastern stock

3.1.1 Bayesian production models

Methods

For the eastern Atlantic population, Bayesian production models were run using both the BSP model that is

available from the ICCAT catalog of methods (BSP-VB, Babcock 2007, McAllister and Babcock 2003) and a

JAGS version of the same model based on Millar and Meyer (1999, BSP-JAGS). See Appendix 5 for details on

model specification, diagnostics and sensitivity analyses.

For all model runs, the prior for biomass in the first year relative to K (Bo/K) was lognormal with mean of 1 and

a CV of 0.2, except for a sensitivity that fixed Bo/K at 1. The prior for K was uniform on log(K) between log(10)

and log(1E6). The prior for r was calculated using the demographic method of Carruthers and McAllister (2011),

as shown in Appendix 6. Because the annual time step was used, the input parameters were a mean of 0.57, and

CV of 0.3. In a sensitivity analysis, the mean was set equal to 0.3 with a CV of 0.3. Uninformative priors were

used for the catchability coefficient for each CPUE index (q), using a uniform distribution in BSP-VP and an

inverse gamma distribution in BSP-JAGS. The same priors were used for the residual variance, in cases where

sigma was estimated.

None of the BSP-VB models included process error. For the BSP-JAGS models, process error was fixed at 0.05,

except in sensitivity runs in which sigma was set to either 0.00001 or 0 to evaluate the effect of removing process

error. The models varied in which indices were included, how the indices were weighted, and the priors for r and

Bo/K (Table 9). The indices included were either those that had an increasing trend (Chinese Taipei, EU- Japan-

early, Japan-late, Spain) or those that had decreasing trend (Côte d’Ivoire, EU-Portugal, Ghana, Japan-early,

Senegal). Indices were weighted equally with an estimated variance, or weighted by catch (input precision equal

to the fraction of the total catch associated with each index), or each index had its own estimated residual variance.

Results

The BSP-VB models without process error did not converge well, particularly for the case with an estimated

variance for each series. The Hessian estimate of variance for some parameters was near zero, although the

importance sampling estimated very wide distributions for the parameters indicating that the model may not have

accurately estimated the mode of the posterior distribution. The model posteriors were very similar to the priors

for both K and r, even though K had an uninformative prior. Thus, the mean values of K were orders of magnitude

higher than the values from other models applied to the same dataset. Because the model was unable to find any

information in the data, these model results are not credible. See Appendix 5 for details.

The BSP-JAGS models with process error provided better convergence diagnostics. The catch weighted models

gave posterior distributions for r that were quite similar to the priors (see Appendix 5), probably because the data

were given very low weights relative to the priors. Because of this, the results were highly uncertain, and the 95%

confidence intervals for B/BMSY included a range from near zero to more than 4 for some years (Table 10, Figure

9). The models that estimated residual variance provided more narrow credible intervals for B/BMSY and F/FMSY.

All the models other than the catch-weighted ones estimated a posterior mean of r that was higher than the prior;

these high r values may not be biologically realistic.

All of the models estimated a starting biomass that was below BMSY, probably because the models attempted to fit the large variability in the Japanese longline series in the 1960s combined with very low catches. All the runs were similar during the early part of the time series, but the runs with increasing versus decreasing indices diverged in recent years as the median biomass trajectory follows the indices. Estimates of MSY were between 5,000 t and 13,000 t, and the current stock status was below BMSY in all runs. That the population was depleted despite the fact that catches were never above MSY was surprising, but may be explained by the fact that the process error allowed the model to follow the decreasing trend in the indices despite the relatively low catches. Incorporating process

1586

error implies that biomass is allowed to vary randomly, without necessarily following the catch time series exactly. Thus, the population estimates could decline if the indices are declining, even if reported catches are low. Three possible scenarios that may explain this are: (1) that the reported catches are lower than real catches, (2) there is a decline in abundance not caused by catch, and/or (3) the actual MSY may be lower than the model estimate due to data uncertainty.

Current fishing mortality is below FMSY in some of the runs with increasing indices, and far above FMSY in the

models with decreasing indices. In general, the BSP-JAGS runs are consistent with a population that has declined,

and may or may not be rebuilding depending on which indices, if any, are tracking abundance. However, these

results are highly uncertain.

3.1.2 ASPIC

During the 2009 assessment ASPIC 5.0 was used for fitting production models for sailfish in the eastern Atlantic.

In this assessment, ASPIC 7.0 was used. Although ASPIC 7.0 allows for input of priors for initial parameters, this

option was not used in the present assessment for sailfish in the eastern Atlantic.

After examining the different indices available for the assessment of the eastern stock the Group agreed, similarly

to the approach used for the western stock, to group the indices into two different scenarios. One scenario contains

the indices that showed positive trends in the last years of the time series and the other scenario the indices that

showed negative trends. Additionally the Group agreed that the relative abundance index for Ghana should be split

into two series Ghana1 (1974-1987) and Ghana2 (1992-2014).

The following scenarios of CPUE indices were used in ASPIC runs:

E1) Recent trends in indices is negative: Japan1, Ghana1, Ghana2, Senegal, Côte d’Ivoire, EU-Portugal

(‘Neg’)

E2) Recent trends in indices is positive: Japan1, Japan2, Ghana1, EU-Spain, Chinese Taipei (‘Pos’)

E3) All indices: Chinese Taipei, Côte d’Ivoire, EU-Spain, Ghana1, Ghana2, Japan1, Japan2, Portugal,

Senegal

E4) Like E1 but with a recalculated catch for Ghana prior to 1990

E5) Like E3 but with a recalculated catch for Ghana prior to 1990

E6) Like E1 but with the Ghana CPUE as a single uninterrupted series

In all cases, CPUE indices were given equal weighting in the fit. As part of model diagnostics, retrospective

patterns were run by using data up to 2013, 2011, 2009 and 2007. Uncertainty was assessed by running 500

bootstraps in ASPIC.

Results

Estimates for FMSY, MSY, and K appear highly sensitive to the CPUE trends used, Therefore, results for different

scenarios were significantly different (e.g. E1 vs E2). ASPIC fits better the scenarios that omit data for the

period1988-1990 from the Ghana1 index and separate the Ghana series into two indices (E1-E5). ASPIC have

problem converging, or didn’t converge, for the scenarios with a single Ghana series (E6).

Runs that use CPUE with positive trends yielded different estimates of current biomass and exploitation than runs

that use CPUE with negative trends or all indices combined. However, fits and parameter estimates for FMSY, K,

and MSY with positive trajectories were highly sensitive to which catch series was used (Task 1 or alternative

Task I series) and fit observed indices quite poorly. Runs with alternative catch either did not converge or bounded

out at the upper limit of FMSY (1.5). Runs that use CPUE with negative trends and both Ghana series appeared the

least sensitive to the use of different catch series and exhibited the highest value of contrast in ASPIC. Furthermore,

historical trends of B/BMSY and F/FMSY for the period up to 2007 for scenarios are consistent with results from the

previous 2009 assessment.

Scenarios (E2 and E5) with recent positive trends did not fit the model and solutions kept hitting the upper

constraint of FMSY (1.5) (Table 11). It was considered that such high values are not biologically plausible and,

therefore, results for these scenarios were not considered any further.

The other two scenarios (E1 and E4) allowed the model to converge and both suggested that the stock is overfished

and is undergoing overfishing. Scenario E4 is more optimistic and suggested that in the last two years overfishing

is not occurring; while Scenario E1 indicated that overfishing continues.

1587

For scenarios E2 and E5, deterministic results suggest the stock was previously overfished in prior decades and is

not presently undergoing overfishing, ASPIC Run E3 suggests that overfishing may have stopped over the last two

years and the stock is recovering.

Unfortunately, scenario E3 was not able to be bootstrapped so the only bootstrap results available are those for E1.

Retrospective analyses for E1 show what is expected from the addition of the recent CPUE data that show increases

in the index and catch data that show decreases (Figure 10). As data are added the Biomass estimates become

larger and the fishing mortality smaller. Boostraps for E1 converged for 100% of runs and yielded reasonable

intervals for parameters (Table 12).

E3 exhibits a retrospective pattern with great inconsistencies in the use of all indices for the recent 7 years. The

ASPIC run E3 produced results consistent to E1; however, using all indices create issues with consistency for

estimates of FMSY, B/BMSY, and F/FMSY (Figure 11).

3.2 Western stock

3.2.1 ASPIC

Production models were fitted for western sailfish using different combinations of the available indices of

abundance. The first model included all indices and was run with both ASPIC 5 and ASPIC 7 using the least

squares estimation method. Both software versions solved to the same solution; however, the estimates of FMSY

were not biologically plausible (FMSY>1.2). ASPIC 7 was used for all other model runs, using maximum likelihood

estimation or maximum a posterior with priors. Uniform priors were included for MSY and fleet catchabilities

across a range of logical values. A beta prior was included on FMSY (alpha=2, beta=8; Figure 12), based on the

prior developed for the Bayesian Surplus Production model for r. Multiple model runs were conducted using this

parameterization, which included multiple scenarios of selected indices: (1) all indices, (2) those which showed an

increasing trend in recent period, versus (3) those that showed a decreasing trend in the recent period, and (4) catch

weighting versus (5) equal indices weighting. A base model was selected by the Group which included all available

indices except the Brazilian rod and reel which was excluded due to concerns about extremely low samples sizes

in 2009. Multiple sensitivity runs were conducted on the base model, including an indices jackknife, model

bootstrap, and retrospective analysis. An additional run was made with the Japan longline index split at 2008 to

account for a change in spatial distribution (see section 2.3), consistent with the stock synthesis assessment model.

The base deterministic model runs showed poor model fit to the indices and a lack of convergence without prior

on FMSY, hitting the upper bounds on either FMSY or MSY. To better understand model convergence, the negative

log-likelihood objective function was profiled across the range of hypothesized MSY (200 to 4,000 t) and FMSY

(0.01 to 1.0) values. The profile surface indicated a flat contour at the upper ranges of MSY, and little gradient

across the range of FMSY (Figure 13). This profile across the range of logical parameter values demonstrated that

the ability to estimate FMSY was poor, and that values of MSY greater than 1,400 t are plausible. The scaled

likelihood surface (Figure 13) indicated the maximum likelihood at the upper bound of FMSY, which believed to

be biologically implausible.

Estimates of MSY and FMSY varied greatly between the different model runs, with little agreement between the

base model and alternative positive and negative indices models. Estimates of current stock status were also highly

variable with no agreement across models. Bootstrap estimates of parameter uncertainty were evaluated to

determine the quality of the fit of the base model. Many bootstrap runs bounded at the upper limit of MSY or FMSY;

however, these runs were overwritten with runs that solved within the bounds, until 500 valid bootstraps were

completed. Overall convergence was approximately 72% of trials. The resulting bootstrap estimate of FMSY and

MSY showed a wide distribution across the range of parameter bounds (Figure 14), indicating poor model

performance and lack of convergence to a stable solution. It was concluded that the ASPIC model for western

sailfish did not produce reliable estimates of FMSY or current stock status. The information in the data did indicate

that MSY is not likely to be less than 1,400 t; however, the determination of stock status was highly uncertain.

3.2.2 Bayesian state space surplus production model

SCRS/2016/103 presented initial results of the stock assessment of the western Atlantic sailfish. The assessment model was implemented in JAGS (Just Another Gibbs Sampler) and consisted of fitting a Bayesian state-space surplus production model to CPUE data for western Atlantic sailfish. The catch time series is derived from the Task I table in the 2015 SCRS Report (Anon. 2016) and relative abundance indices consisted of standardized catch-per-unit effort (CPUE) for Brazil, Chinese Taipei, EU-Spain, Japan, United States and Venezuela, including longline, recreational and gillnet fisheries. One run that included all input CPUE series (9 indices) and prior mean

1588

values was developed. The full specifications of the initial model presented are detailed in this SCRS document. Based on model outputs the western Atlantic sailfish population biomass has slightly declined over the available time series but it is above BMSY and has remained stable since middle 1980s. The estimated harvest rate in 2014 was 0.025, which is lower than the estimated HMSY of 0.065. Several assumptions regarding data weighting, including equal weights, weights proportional to the catches and

weights developed by applying the Francis method (Francis, 2011) were considered. However, none of the models

could converge. A model with all indices together (except Brazilian recreational rod and reel fishery) was also

tested, but it did not converge either. This lack of convergence might be related to the presence of conflicting trends

in the CPUE. Thus, additional runs were performed to address the conflicting trends in the CPUEs in a similar way

as agreed for the Stock Synthesis model (see Section 3.2.3) which also resulted in a lack of convergence in all runs.

Also, the Group noted that the available data did not provide sufficient information for any of these models to

reliably estimate the model parameters.

3.2.3 Stock Synthesis (ASPM) 3 parameters, steepness, R0 and M

The initial model was presented (SCRS/2016/100) with the following details. Comparisons were made with the

old and new models on data used in the previous assessment and what was used in current years. In the 2009

assessment of the western stock, a composite index that was averaged across all series (weighted by-catch and

area) was used. In the current examination of the Age Structured Production Model (ASMP), 11 fleets were

modelled assuming full selectivity. It was noted that the CPUE series had conflicting trends, as five of the series

were increasing, and five were decreasing. This would cause conflicting results based on alternative trends. In the

model presented, no Brazilian Rod & Reel catches were available in recent years. A combined index was generated

based on catches and landings across fisheries (so larger fisheries got more weight). Four models/approaches were

examined, (1) unweighted CPUE with no recruitment deviates, (2) use all CPUEs with no recruitment deviates,

(3) add catch weighted with no recruitment deviates, and (4) add catch weighted CPUE and recruitment deviates.

It was noted that the results of model 1, 2 and 3 were not convincingly plausible, and model 4 results were more

consistent with the known history of the fishery. Likelihood profiling approaches were used, and the data were

found to be non-informative on natural mortality or steepness. It was noted that the Japanese and Spanish CPUE’s

were informative, though steepness very large or very low if it were fit to those series. Possible reasons for this are

that the CPUE data are not informative, and mostly a one way trip is evident. A new set of length/age structured

models were used, where the growth was modified as Priors, and size at age 1 was fixed at 100 cm LJFL. However,

trying to introduce more uncertainty with growth, provided an unrealistic answer.

Additional work was accomplished following that described in SCRS/2016/100. With the length composition data,

five models were examined that combined CPUE weighted by catch, 3 gears selectivity, gillnet, rod and reel and

longline, with bias correction to the stock-recruitment function used. The Dome shaped selectivity was used for

gillnet, the longline and rod and reel was fixed as a logistic. As per the 2009 assessment, one CPUE series was

generated where the combined CPUE was applied across all fisheries. The Length Composition data resulted in a

better fit to the gillnet fleet than longline fleet, due mostly to the larger sample size of the gillnet fishery which

resulted in that data series getting a higher weighting (based on the Francis weighting scheme; Francis, 2011).

Mean length fits to the gillnet gear and longline gear were acceptable, but not so much for the Rod & Reel fishery

(again because of the low sample size). Profiling on steepness indicated the overall data/model ‘preferred’ a very

high steepness and natural mortality values (M). In addition, the posteriors were similar to MLE’s analyzed.

The Group discussed the different inputs of the model and particularly whether the western sailfish catches were

recorded completely and/or accurately. In addition, it was noted that in previous sailfish meetings the Group have

not adopted growth and M estimates, and that additional time should be used by the Group to decide on an

appropriate estimate of M and a growth curve. It was also noted that fixing M and steepness (h) would have a

strong influence on the outcome of the estimates of stock productivity. As a result, the posteriors distributions of

the –MCMC may be misleading and should be viewed with appropriate skepticism. For example, the steepness

appeared to be estimated at the upper bound. In addition, all information on ASPM comes from the CPUE’s.

Given the conflicting CPUE time series and no means to objectively discern which of the trends were more accurate, it was suggested that two separate models for the two separate scenarios (alternative hypothesis) be constructed, one represented by only the CPUE’s with increasing trends (Model_1) and another by only the CPUE’s with decreasing trends (Model_2). While the size frequency data was seen as informative, improving the fit was not a worthwhile pursuit. The Group agreed that the use of a combined index (across all conflicting CPUE time series) would be hiding the uncertainty associated to the different CPUEs trends and that models should be constructed that use data across all CPUE series, rather than one series, and be transparent with the datasets being used.

1589

A long discussion ensued and the Group agreed to group the CPUEs based on the prevailing trend in the time

series, which resulted in the following groupings (Figure 15):

1. Those with increasing trends:

a) Japan longline, 1994-2015

b) US rod and reel tournaments

c) Venezuela gillnet

d) Spanish longline

2. Those with decreasing trends:

a) Brazil rod and reel

b) Brazil longline

c) US longline (observer)

d) Venezuela longline

e) Chinese Taipei recent (2009-2014)

3. Those used in both data sets based on being the only long term time series:

a) Japan longline 1960-1993

b) Venezuela Rod and Reel

The input biological population parameters for the SS model are those discussed and agreed in Section 2.1 under

the item on Age, Growth, Natural Mortality and Maturity at Size.

Model_1.0 and Model_2.0

The Group examined two scenarios, one based on positive (Model_1.0) and another on negative (Model_2.0)

trending CPUEs. The standard deviation on the steepness prior was tightened from 20% to 10%. Both scenarios

were considered plausible with different datasets. It was noted that the fits to the survey index (CPUEs) were

comparable across the two different scenarios (Figure 15). Estimated and observed mean lengths from gillnet and

rod and reel fisheries were comparable, but were better for the longline fishery from Model_1 (Figure 16). It was

noted that the average size of fish in the gillnet fishery declined (Figure 17). A larger sample and less variable

sizes were observed and as such, created tighter fits of the selectivity to the length information. Longline fleets

changing selectivity over time are a possible reason why the model was not fitting the data very well.

It was noted that the two models agreed in the stock biomass trend fairly well up until the year 2005. This was

because the last few data points of the CPUE time series had a large influence on biomass trajectories. One model

(Model_1) suggests a high fishing mortality and lower biomass, and the other (Model_2) vice-versa (Figure 18).

As a mean to further differentiate between the two scenarios a retrospective analysis was suggested for each as a

diagnostic. An examination of the retrospective analysis showed no retrospective pattern or bias apparent for

Model_1. However, Model_2 showed a strong difference in biomass estimates when excluding data after 2010.

However, it was noted that recent upward trend in Model_1 was being driven by the Japanese (recent) CPUE as

well as the U.S. rod and reel index. The recent declining trend in Model_2 was being driven almost entirely by

the Brazilian rod and reel index (Figure 19).

Model_1.1 and Model_2.1

Given the strong influence on the current perception of stock status driven by the Japanese longline index

(Model_1.0) and the Brazilian rod and reel index (Model_2.0) the Group revisited the fundamentals of these two

CPUE time series.

Model_1.1. Two observations were made regarding the Japanese CPUE times series. The first observation was

that there was a marked increase in the index between 2007 and 2008. The second observation was that the CV’s

associated with the second stanza of this index (2008-2014) were much smaller than the first stanza (1994-

2007). These two aspects resulted in the assessment model making a large jump in the estima tes of biomass

between 2007 and 2008. The small CV’s for the second stanza accentuated the fit to this jump. The Group

determined that it would be appropriate to let catchability change between the two periods by using time blocks

in CPUE series for the Japanese series (in effect breaking it into two surveys). Effects of having a catchability

change indicates that the models performed better than the previous models, and recruitment deviates are not

exceedingly large (Figure 20).

1590

Model_2.1. The Group then discussed the sudden drop in biomass in recent years as estimated by the Brazilian rod

and reel index. Closer examination of this index revealed that the 2009 data point was being estimated from only

three sampling days. The Group concluded that this point was unlikely to be representative and also influenced the

standardization of the other annual estimates of relative biomass. In addition, the Group was unable to estimate an

alternative index excluding the 2009 data during this meeting and, therefore, decided to exclude the entire index

from further analysis. Once removed, no retrospective patterns or bias was evident (Figure 21). Furthermore, the

two scenarios were much more in agreement with each other, at least with regard to the current status of the stock

(Figure 20). The Group made a final examination of the four candidate models (Model_1, 2, 1.1, and 2.1), and

made the determination to adopt Model_1.1 and Model_2.1 as two plausible scenarios to represent the current

status of the stock.

In an effort to further refine the plausibility of the two candidate models chosen above, MCMC analysis was

conducted on each of the estimated parameters and the deterministic estimate of stock status (i.e. F/FMSY and

B/BMSY) compared to the distribution of stock status evaluations from the MCMC analysis. A total of 501,000

MCMC runs were made with the first 1,000 runs being discarded as a “burn in” period. The remaining runs were

thinned by 1,000 resulting in a total of 5000 runs for analysis. Examination of the MCMC distributions of

Model_1.1 showed that the median of the posterior values of the steepness parameter was being estimated

considerably higher (approximately 0.90) than the informative prior value used (0.70) (Figure 22). The distribution

of the posteriors was rather tight relative to the distribution of the prior, suggesting a strong signal in the data for

a higher steepness value. Three of the gillnet selectivity parameters were well estimated, as evidenced from the

“normal” shape of the posterior distributions, while two were not, either resulting in a uniform distribution

(parameter number 1) or one highly skewed to the left (parameter number 6). The resulting Kobe plot from

Model_1.1 showed that while the point estimates of stock status were in the green zone (neither overfished or

under going over fishing), the MCMC cluster of points were 87% in the red zone (both overfished and under going

over fishing) (Figure 23). This disparity in results makes any perception of stock status highly uncertain.

Examination of the MCMC distributions of Model_2.1 posteriors suggested that the median value of steepness

was closer (approximately 0.8) to that of the prior (0.7) and had a shape that would be expected from that parameter

(beta-like) (Figure 24). The estimates of the gillnet selectivity parameters were similar to those of Model_1.1. The

resulting Kobe status plot had more desirable diagnostics than Model_1.1 in that the point estimate of the 2014

status was within the 95% confidence intervals of the MCMC, however not within the 75% confidence intervals

(Figure 25). The point estimate of stock status from Model_2.1 suggested the stock is neither overfished or under

going over fishing; however, the centroid of the MCMC cluster suggests the stock is in the red zone (both

overfished and under going over fishing) (Figure 24). This disparity in results makes any perception of stock status

from Model_2.1 also uncertain.

3.3. SRA Section (Catch-MSY Methods)

In standard stock assessments conducted in the Atlantic, indices of abundance are essential elements to capture

trends in biomass over time. For Sailfish in the Atlantic, CPUE data showed conflicting trends in both the eastern

and the western stocks and, therefore, the Group attempted a catch only method. The primary method used is a

technique called Stock reduction Analysis (Zhou et al. 2012, Walters et al. 2006, Martell and Froese 2012, Kimura

and Tagart 1982) which required assumptions about initial biomass, biomass level at the middle of the time series,

and what the biomass depletion levels range for the last year. The technique builds on simple surplus production

models (like Shaefer, 1954), that use removal data and some estimate of carrying capacity and r. Ideally, these

models should have some measure of the changes in abundance over time, but as shown in Martell and Froese

(2012) and Walters et al. (2006), a narrow range of r-K parameter can be obtained through simulation techniques

that maintain the population, so that it neither collapses nor exceeds the carrying capacity K. This is the primary

basis of the method that was developed and used during the assessment. Methods

This method of Martell and Froese (2012) is based on catch data and does not require fishing effort or CPUE data.

The method involves several steps. It applies a simple population dynamics model, starts with wide prior ranges

for the key parameters, and includes the available catch data in the model. The model systematically searches

through possible parameter spaces and retains feasible parameter values. Mathematically and biologically

unfeasible values are excluded from the large pool of data. The model progressively derives basic parameters and

carry out stochastic simulations using these base parameters to get biomass trajectories and additional parameters.

This simple model has two unknown parameters, r and K. The Group set reasonably wide prior range, for example,

K between Cmax and 500 * Cmax. The Group used the approach proposed in Martell and Froese (2012) for

1591

“resiliency” estimates that tied to the productivity parameter r (low resiliency levels indicated r between 0.05-0.5,

medium resiliency indicated a r between 0.2-1, and high between 0.5-1.5). These were compared to values obtained

in the literature and alternative methods.

The Group run model (1) to find all mathematically feasible r values by searching through wide range of Ks for

all depletion levels. If the feasible choice of r and K chosen meets the intermediate (0.1 and 1 level of depletion in

1980), and last point depletion levels (the range specified was 0.3-0.7 level of depletion for these billfish stocks)

it is kept. The summary of all runs which meet these criteria are then used, and geometric mean values are reported

to be the better representation of yield targets (Martell and Froese 2012). Biological parameters, including K, r,

MSY, are derived from the retained pool of [r, K] values. The geometric mean values of these are then used to

assess the stock dynamics over time and reported using a plot.

SRA West

The catch only method for western sailfish estimates an MSY equal to 1,317 t (95% confidence interval is 1,130

to 1,534) and FMSY equal to 0.18 (95% confidence interval was 0.09 to 0.33). Figure 26 shows the posterior

distributions of r, K, and MSY. A summary of the parameter estimates is provided in Table 13. Stock status was

estimated to be overfished (B2014/BMSY =0.46, 95% confidence interval of 0.23 to 0.61) and overfishing occurring

(F2014/FMSY=1.37, 95% confidence interval of 0.69 to 2.45). The large uncertainty in current fishing status is noted,

while the confidence intervals of biomass status were below 1 indicating that the stock is currently overfished. The

catch and overall stock biomass trajectory is shown in Figure 27.

SRA East

The catch only method for eastern sailfish estimated MSY equal to 1,977 t (95% confidence interval was 1,812 to

2,157) and FMSY equal to 0.13 (95% confidence interval was 0.10 to 0.18). Figure 28 shows the posterior

distributions of r, K, and MSY. A summary of the parameter estimates is provided in Table 14. Stock status was

estimated to be overfished (B2014/BMSY =0.49, 95% confidence interval of 0.22 to 0.70), but overfishing not

occurring (F2014/FMSY=0.96, 95% confidence interval of 0.16 to 2.42). Similar to western sailfish, it was noted that

the estimates of stock biomass status were much less uncertain the fishing mortality rate in relation to FMSY. The

catch and overall stock biomass trajectory is shown in Figure 29.

3.4 Summary of assessment results

Both the eastern and western stocks of sailfish may have been reduced to stock sizes below BMSY in recent years,

but there is considerable uncertainty, as many models examined had convergence problems, and the maximum

likelihood surfaces were flat and not well defined.

Western Atlantic Ocean

In the ASPIC models examined in the west was heavily influenced by the priors used in the models. They couldn’t

provide stock status due to large uncertainty in estimates of benchmarks, and general poor model convergence.

The BSPM model did not converge in the western Atlantic Ocean. Integrated models were equally inconclusive

as the ASPIC and BSPM models as to the status of the stock. Although the MLE estimates indicated that the stock

was not overfished nor overfishing was occurring, the MCMC diagnostics indicated otherwise. Alternative models

using data limited methods suggested that the stock in the western Atlantic was overfished with overfishing

occurring. There is a large uncertainty in these results, and these results should be interpreted with caution.

Eastern Atlantic Ocean

The BSPM, ASPIC and SRA models in the east showed similar trends in biomass trajectories and fishing mortality

levels; trends in abundance suggest that the eastern stocks suffered their greatest declines in abundance prior to

1990. Different model runs indicate a declining/increasing trend in recent years depending on the CPUE series

selected. The majority of the models examined in the BSPM/ASPIC/SRA indicate that the stock is overfished, but

overfishing status is uncertain.

1592

4. Management recommendations

Considerable uncertainty still remains in the assessments of both the eastern and western stocks. Available

abundance indices demonstrate conflicting trends for both stocks, and there are concerns that reported catches,

including dead discards, may be incomplete. Nevertheless, it should be noted that there have been significant

improvements since the last assessment. There are more abundance indices available, and the standardizations

have seen general improvement, fostered in part by the CPUE workshop held in advance of this meeting. In

addition, this assessment incorporated new data and new modelling approaches. As it was the case during the 2009

Sailfish Stock Assessment Session (Anon. 2010), the results for the eastern stock were more pessimistic than the

western stock in that more of the results indicated recent stock biomass below BMSY.

4.1 Eastern stock

East Atlantic sailfish appear to have declined markedly since the 1970s, reaching a low in the early 1990s. There

is broad agreement across model results that the stock is currently overfished. Since 2010, catches appear to have

declined substantially. However, models disagree over whether or not overfishing is occurring and whether the

stock is recovering. Based on the assessment results, and considering the associated uncertainty, the Group

recommends at a minimum that catches should not exceed current levels. Furthermore, taking into account the

possibility that overfishing may be occurring, the Commission may consider reductions in catch levels.

4.2 Western stock

The assessment models agreed on MSY estimates between 1,200 – 1,400 t. Although current catches are well

below this level, it is possible that the biomass is below BMSY – in which case overfishing could be occurring.

Based on the assessment results, and considering the associated uncertainty, the Group recommends that the West

Atlantic sailfish catches should not exceed current levels. One approach to reduce fishing mortality could be the

use of non-offset circle hooks as terminal gear. Recent research has demonstrated that in some longline fisheries

the use of non-offset circle hooks resulted in a reduction of marlin mortality, while the catch rates of several of the

target species remained the same or were greater than the catch rates observed with the use of conventional J hooks

or offset circle hooks. Currently, three ICCAT Contracting Parties (Brazil, Canada, and the United States) already

mandate or encourage the use of circle hooks on their pelagic longline fleets.

5. Recommendations on research and statistics

1. The Group examined available life history parameters, and noted that several new life history parameters have

been estimated in recent years. The Group recommended that the sailfish section in the ICCAT Manual reflect

those new estimates.

2. The Group noted that robust growth estimates for Atlantic sailfish are not available. The Group recommended

that growth parameters be estimated for the Atlantic sailfish stocks.

3. The Group recommended that new information about stock structure be considered prior to future assessments.

4. The Group examined the available tagging data for sailfish, and noted that over 118,000 tag releases are

documented for the species. The majority of releases have occurred off the east coast of the U.S., but tagging

has also occurred off Venezuela and Brazil. The Group recommended that the data be further evaluated prior

to the next assessment to determine if the data can be formatted for inclusion in Stock Synthesis models for

western sailfish.

5. The Group continues to express concern regarding the quality and completeness of the Task I and II data.

Therefore, the Group recommends that all CPCs report dead discards as well as complete landings, and

representative size samples from all their fisheries.

6. The Group recommended that sailfish catches reported by Ghana be reviewed due to differences in time

periods.

7. The Group recommended that future assessments of billfish stock status include combined indices of fleets

with similar operational characteristics.

1593

8. Noting the severe difficulties in interpreting and fitting indices within stock assessment model, the Group

recommends work to consider how to reconcile divergent CPUE patterns that may be a function of changes in

fleet spatial distribution, oceanography, or targeting.

6. Other matters

Document SCRS/2016/095 (The Caribbean Billfish Management and Conservation Plan) was available to the

Group since the deadline for document submission to the ICCAT Secretariat. Due to time constraint during the

assessment meeting, the document was not presented during the meeting. Any comments and information on the

document can be addressed to the author.

7. Adoption of the report and closure

The report was adopted during the meeting. The Rapporteur thanked the local organizers for the excellent meeting

arrangements and the participants for their efficiency and hard work. The Secretariat reiterated it’s thanks to the

hosts for the exceptional organization of the meeting and for the warm support provided to participants. The

meeting was adjourned.

References

Anon. 2010. Report of the 2009 ICCAT Sailfish Stock Assessment Session (Recife, Brazil, June 1 to 5, 2009).

ICCAT Collect. Vol. Sci. Pap. 65(5): 1507-1632.

Anon. 2015. 2014 Intersessional meeting of the Billfish Species Group (Veracruz, Mexico, 2-6 June 2014). ICCAT

Collect. Vol. Sci. Pap. 71(5): 2139-2202.

Anon. 2016. Report of the Biennial Period, 2014-15, Part II (2015) – Vol. 2. English version. 351 pp.

Arocha, F., Narvaez M., Laurent C., Silva J. and Marcano L.A. 2016. Spatial and temporal distribution patterns of

sailfish (Istiophorus albicans) in the Caribbean Sea and adjacent waters of the western Central Atlantic, from

observer data of the Venezuelan fisheries. ICCAT Collect. Vol. Sci. Pap. 72(8): 2102-2116.

Babcock, E. and Arocha, F. 2015. Standardized CPUE from the rod and reel and small scale gillnet fisheries of

La Guaira, Venezuela. ICCAT Collect. Vol. Sci. Pap. 71(5): 2239-2255.

Babcock, EA 2007. Application of a Bayesian surplus production model to Atlantic white marlin. Col. Vol. Sci.

Pap. ICCAT, 60(5): 1643-1651.

Carruthers, T. and McAllister, M. 2011. Computing prior probability distributions for the intrinsic rate of increase

for Atlantic tuna and billfish using demographic methods. Collect. Vol. Sci. Pap. ICCAT, 66(5): 2202-2205.

Cerdenares-Ladrón De Guevara, G., Morales-Bojórquez, E., and Rodríguez-Sánchez, R. 2011. Age and growth of

the sailfish Istiophorus platypterus (Istiophoridae) in the Gulf of Tehuantepec, Mexico, Marine Biology

Research, 7:5, 488-499.

Hoenig, J.M. 1983. Empirical use of longevity data to estimate mortality rates. Fish. Bull., 82: 898–903.

Kimura, D.K., and Tagart, J.V. 1982. Stock reduction analysis, another solution to the catch equations. Can. J.

Fish. Aquat. Sci. 39: 1467-1472.

Martell, S. and Froese, R. 2012. A simple method for estimating MSY from catch and resilience. Fish and

Fisheries. doi: 10.1111/j.1467-2979.2012.00485.x

McAllister, MK and EA Babcock, EA. 2003. Bayesian surplus production model with the Sampling Importance

Resampling algorithm (BSP): a user’s guide. Available from www.iccat.int/en/AssessCatalog.htm

1594

McAllister, MK, EK Pikitch, and EA Babcock. 2001. Using demographic methods to construct Bayesian priors

for the intrinsic rate of increase in the Schaefer model and implications for stock rebuilding. Can. J. Fish.

Aquat. Sci. 58: 1871–1890.

Meyer, R. and R. B. Millar 1999. BUGS in Bayesian stock assessments. Canadian Journal of Fisheries and Aquatic

Sciences 56(6): 1078-1087.

Schaefer, M.B. 1954. Some aspects of the dynamics of populations important to the management of commercial

marine fisheries. Bulletin, Inter-American Tropical Tuna Commission 1:27-56.

Then, A. Y., J. Hoenig, N.G. Hall, D.A. Hewitt. 2015. Evaluating the predictive performance of empirical

estimators of natural mortality rate using information on over 200 fish species. ICES Journal of Marine

Science, 72:82-92.

Walters, C. Martell, S., and Korman, J. 2006. A stochastic approach to stock reduction analysis. Can. J. Fish.

Aquat. Sci. 63: 212-223.

Zhou, S., Yin, S., Thorson, J.T., Smith, A.D.M., Fuller, M. 2012. Linking fishing mortality reference points to life

history traits: an empirical study. Canadian Journal of Fisheries and Aquatic Science, 69: 1292–1301.

1595

RAPPORT DE L’ÉVALUATION DE 2016 DE L’ICCAT DU STOCK DE VOILIERS (Miami, États-Unis – 30 mai - 3 juin 2016)

1 Ouverture, adoption de l’ordre du jour et organisation des sessions

La réunion s'est tenue à l'Université de Miami, Rosenstiel School of Marine and Atmospheric Science, à Miami

(États-Unis) du 30 mai au 3 juin 2016. Le Dr David Die s'est occupé de la logistique au niveau local avec l'appui

financier de NOAA par le biais du Cooperative Institute of Marine and Atmospheric Studies (CIMAS). Le Dr Paul

de Bruyn, au nom du Secrétaire exécutif de l'ICCAT, a remercié l'Université de Miami d'accueillir la réunion et

de fournir toute la logistique.

Le Dr Freddy Arocha, le rapporteur du groupe d’espèces sur les istiophoridés, a présidé la réunion. Le Dr Arocha

a souhaité la bienvenue aux participants de la réunion (ci-après dénommé le « groupe ») et a passé en revue l’ordre

du jour qui avait été adopté avec quelques légères modifications (Appendice 1).

La liste des participants se trouve à l’Appendice 2. La liste des documents présentés à la réunion est jointe à

l’Appendice 3.

Les participants suivants ont assumé la tâche de rapporteur des divers points du rapport :

Point Rapporteur(s)

8 P. de Bruyn

9 J. Hoolihan, P. de Bruyn, G. Diaz, H. Perryman

10 M. Schirripa, R. Sharma, M. Lauretta, M. Fitchett, E. Babcock, B. Mourato

11 R. Sharma, C. Brown

12 F. Forrestal, J. Costa, F. Arocha

13 M. Perez Moreno, F. Arocha

14 P. de Bruyn

2 Résumé des données disponibles pour l’évaluation

2.2 Biologie

2.1.1 Génétique

La présentation SCRS/2016/P/025 décrivait les résultats préliminaires d'une étude portant sur la différenciation

génétique existant entre les groupes de voilier de l'Atlantique. L'ADN mitochondrial a été comparé en utilisant une

séquence de 645 paires de base de la région de contrôle. Jusqu'à présent, les analyses ont été effectuées en utilisant

des échantillons de l'Atlantique Nord-Ouest (Floride), du Sénégal et du Brésil (figure 1). Une comparaison

AMOVA a indiqué une différenciation modérée à forte (Φst = 0,1020, p = 0,011) entre les hémisphères Nord et

Sud et une différenciation modérée (Φst = 0,0783, P = 0,010) entre les échantillons de l'Atlantique Est et Ouest.

Dans les comparaisons par paires, la plus grande différenciation de la population a été observée entre groupes de

l'Atlantique Nord-Ouest (Floride) et de l'Afrique (Sénégal), et la plus petite différenciation est apparue entre les

groupes du Brésil et de l'Afrique (Sénégal) (tableau 1). Les résultats préliminaires suggèrent une structure

génétique du stock tant pour l'Atlantique Est et Ouest que pour les hémisphères Nord et Sud. Des travaux

supplémentaires sont nécessaires pour élucider et confirmer la présence de la structure des stocks. Une collecte et

des analyses supplémentaires d'échantillons en provenance de Côte d’Ivoire, de l’UE-Portugal, de l’UE-Espagne,

du Venezuela et de l'Uruguay sont prévues.

2.1.2 Distribution

Le document SCRS/2016/099 utilisait des modèles additifs généralisés (GAM) pour prédire la distribution spatiale

du voilier dans le golfe du Mexique (GOM) en utilisant des données du Programme d'observateurs PLL des États-

Unis (2005-2010).

1596

Une approche delta ajustant un GAM Bernoulli avec des données binomiales et un GAM Gamma avec des données

de taux de capture tronquées à zéro (poisson / 100 hameçons) a été utilisée. Les facteurs de modèle incluaient:

année, saison, jour / nuit, profondeur du fond marin, altimétrie, température de surface de la mer et distance

minimale par rapport au front. Les résultats indiquaient que tant la probabilité de capturer un voilier que la CPUE

sont principalement influencées par la profondeur du fond marin et la température de surface de la mer. Des profils

de distribution saisonnière ont été élaborés pour l'ensemble du golfe du Mexique au moyen d'une prévision dans

les grilles des données environnementales de NCEI et AVISO (figure 2). Les profils indiquaient un flux saisonnier,

avec une augmentation de la CPUE du voilier entre avril et septembre, et des taux de capture plus élevés associés

aux fronts.

2.1.3 Âge, croissance, mortalité naturelle et maturité par taille

Le groupe a examiné et comparé les paramètres de croissance sur la base des informations pertinentes compilées,

issues des études sur la croissance et l'âge du voilier réalisées dans les océans Atlantique et Pacifique. À la suite

des discussions tenues et de la comparaison des estimations de la courbe de croissance (tableau 2 et figure 3), le

groupe a conclu que la trajectoire de croissance estimée par Cerdenares et al. (2001) était la plus plausible et a

convenu d'utiliser les paramètres de croissance suivants dans les scénarios du modèle d'évaluation exploratoire :

Linf = 206,83; K = 0,36; T0 = -0,24.

Le groupe a examiné l'estimation de M. Il a été noté que les méthodes appropriées pour estimer M sur la base du

marquage/de la récupération et de l'âge maximal étaient ceux décrites dans Hoenig (1983) et Then et al. (2015).

Considérant que les estimations de M étaient élevées, le groupe a envisagé d'appliquer l'estimation de M obtenue

en utilisant la méthode de Hoenig (1983) afin d’être cohérent avec les évaluations antérieures des stocks

d'istiophoridés (BUM). Par conséquent, une estimation de M = 0,35 (sur la base de sur l'équation de Hoenig de

1983) et un âge maximal moyen de 12 ans ont été sélectionnés sur la base des informations disponibles provenant

des études sur l'âge et la croissance, et des informations de marquage examinées lors de la réunion.

Il a été signalé au groupe qu'une nouvelle estimation de la maturité par taille avait été présentée et discutée lors de

la réunion intersessions du groupe d'espèces sur les istiophoridés tenue au Mexique en 2014 (Anon. 2015), et lors

de la réunion du groupe d'espèces en 2015 (Anon. 2016), qui a abouti à une nouvelle estimation de L50 de 142,12

cm LJFL (@ 3 ans) en combinant des échantillons de reproduction brésiliens et vénézuéliens pour produire la

nouvelle estimation de L50 pour le voilier de l'Ouest.

2.2 Prise, effort et taille

Les statistiques de la prise nominale de la tâche I (T1NC) du voilier par stock, pavillon et engin sont présentées au

tableau 3 et par stock à la figure 4. Le Secrétariat a indiqué au groupe que la série historique de capture a été mise

à jour pour le Venezuela (pêcherie artisanale palangrière).

Le groupe a noté que, pour les deux pêcheries principales, les données étaient absentes (Grenade) ou que les prises

déclarées étaient extrêmement faibles (pavillons mixtes FR+ES) ces dernières années. Dans le cas de la Grenade,

le groupe a décidé que, pour l'évaluation, une moyenne de la capture déclarée entre 2007 et 2009 (les trois dernières

années de données déclarées de cette CPC) serait reportée pour les années 2010 à 2014 (191 t par année). Pour la

flottille de pavillons mixtes, le groupe a réalisé des estimations du stock du voilier de l'Est capturé en tant que prise

accessoire par la flottille de senneurs ciblant les thonidés tropicaux à l'aide de la méthode d'estimation du ratio

stratifié et de la base de données des observateurs déployés à bord des senneurs de l'UE. Les prises accessoires

observées de voilier étaient reliées de façon linéaire à la prise thonière observée tant sous DCP que sur bancs libres.

Les données concernant les opérations observées et la prise de thonidés tropicaux provenant de la base de données

de la tâche II étaient stratifiées par année et mode de pêche. Des estimateurs du ratio des prises accessoires de

voilier ont été calculés en utilisant la prise accessoire moyenne observée de voilier dans chaque strate divisée par

la prise thonière moyenne observée pour chaque strate. Cet estimateur de ratio a ensuite été appliqué à la prise

totale de thonidés déclarée pour chaque strate en produisant des estimations totales de la prise accessoire du voilier.

Les résultats de cette analyse sont présentés dans les tableaux 4a et 4b, pour les prises sous DCP et sur bancs

libres, respectivement. Le groupe a signalé que cette analyse indique que les prises déclarées dans les données de

tâche I sont très probablement inférieures aux prises réelles. Par conséquent, le groupe a décidé, à des fins

d'évaluation, d’utiliser la moyenne des prises déclarées de 2008 à 2010 reportée pour les années 2011 à 2014 (275

t par an).

1597

Le groupe a observé la forte baisse des prises totales déclarées de voilier depuis 2010. Même le niveau de précision

des prises totales n'était pas clair avant cette période, plusieurs facteurs pourraient avoir donné lieu à une

déclaration à la baisse ces dernières années. Par exemple, cette réduction des prises pourrait éventuellement être le

résultat de mesures de gestion ou de changements d'opérations de pêche (tels que modification du ciblage de

nombreux palangriers commerciaux). En ce qui concerne la gestion, une légère réduction des prises de voilier

pourrait s'être produite en raison du programme de rétablissement des istiophoridés qui a été adopté en 2005. Il a

été fait remarquer que ce programme ne concernait que les espèces d'istiophoridés, mais certains supposent que

cela pourrait avoir également eu un effet sur les prises de voilier. En ce qui concerne cette mesure de gestion, le

groupe a fait remarquer que les informations sur les remises à l'eau de spécimens vivants ne sont pas fournies et,

dès lors, si la gestion a découragé la rétention des prises d'istiophoridés, ces remises à l'eau éventuelles n'ont pas

été enregistrées. Très peu de flottilles déclarent les rejets morts de spécimens de voilier, ce qui rend impossible la

quantification de ces prises potentielles. Le groupe a envisagé la possibilité que la baisse récente des prises puisse

être le fait d'une augmentation des remises à l’eau de spécimens vivants et de rejets morts (non déclarés). De

manière générale, le groupe a fait part de sa préoccupation quant au fait qu'une incertitude élevée entoure toujours

les ponctions totales.

Lors de la réunion d'évaluation de 2009 des stocks de voilier (Anon., 2010), il a été déclaré que les données de

prise et d'effort du Ghana utilisées pour standardiser la CPUE de la pêcherie au filet maillant présentaient des

schémas très différents en ce qui concerne les relations entre la CPUE, les sorties et le nombre de canoës, par

rapport aux données antérieures ou ultérieures à 1992. Ces différences ont amené le groupe à exclure en 2009 les

données de CPUE du Ghana antérieures à 1992. Ce schéma a également été observé lorsque les données étaient

standardisées dans le cadre de la préparation de l'évaluation actuelle (SCRS/P/2016/027). De plus, les niveaux de

capture antérieurs et ultérieurs à 1990 étaient très différents. Avant 1992, la composition des espèces des

débarquements d'istiophoridés déclarés par le Ghana était très différente de celle antérieure à 1989. Le groupe a

conclu que les prises de voilier réalisées entre 1956 et 1989 par le Ghana pourraient avoir été mal estimées.

Afin de tester la sensibilité des résultats de l’évaluation aux estimations des captures de voilier réalisées par le

Ghana, une série de capture alternative de prises de voilier du Ghana pour la période 1957-1989 a été réalisée

pendant la réunion (Appendice 4).

Les catalogues de données de prise et d’effort de tâche II (T2CE) et les informations sur les tailles de tâche II

(T2SZ) concernant le voilier ont été présentés au groupe pour les stocks de l'Atlantique Ouest et Est. Ces

informations sont présentées dans les tableaux 5a et 5b, respectivement. Le groupe a constaté que de nombreuses

lacunes existent dans ces jeux de données, ce qui limite la capacité du groupe d'utiliser des modèles d’évaluation

des stocks intégrés. Le groupe a toutefois noté que de nombreuses données concernant les informations sur les

tailles existent (notamment dans le cas du Venezuela) issues du programme de Recherche intensive sur les

istiophoridés et du JDMIP (Arocha et al., 2016) et ces données sont actuellement rassemblées afin de les inclure

dans la base de données de l'ICCAT, même s'il ne s'agit pas des données officielles de tâche II soumises par la

CPC. En outre, les données de tâche II de prise et d'effort ne sont généralement pas utilisées dans les évaluations

de stocks de voiliers, car les CPC fournissent habituellement des indices de CPUE standardisés employant des

données plus exhaustives que celles disponibles dans le jeu de données de tâche II.

Les données de marquage conventionnel du voilier disponibles dans la base de données de l'ICCAT sont présentées

dans le tableau 6. Au total, 115.743 spécimens de voilier marqués ont été remis à l'eau entre 1950 et 2011. Le

nombre total de spécimens récupérés s'élève à 2.020, ce qui représente un taux de récupération moyen d'environ

1,7%. Le mouvement apparent (déplacements en ligne droit entre les positions de remise à l'eau et de récupération),

présenté à la figure 5 (complété par les cartes de densité de remise à l'eau et de récupération de la figure 6), indique

que la plus grande partie du marquage de voilier a eu lieu dans l'Atlantique Ouest. Le groupe a souligné le travail

considérable (réalisé par les scientifiques nationaux et le Secrétariat) nécessaire à la base de données de marquage

de l'ICCAT sur le voilier et a pris note de la grande quantité de spécimens marqués. Le groupe a recommandé

d'explorer à l'avenir des méthodologies permettant d'inclure ces importantes informations dans le cadre des

évaluations de stocks.

2.3 Indices d'abondance relative

Les documents suivants comprenant des indices d'abondance du stock de l'Ouest ont été présentés au groupe

pendant la réunion :

1598

Le document SCRS/2016/075 indiquait qu'il existe des données disponibles de prise et d'effort de voilier

(Istiophorus albicans), de makaire blanc (Tetrapturus albidus) et de makaire bleu (Makaira nigricans) de la

pêcherie récréative à la canne et moulinet basée à Playa Grande Yacht Club, centre du Venezuela pour la période

1961-2001. On disposait également de données provenant d'une pêcherie artisanale au filet maillant dérivant dans

la même région couvrant la période 1991-2014. Chaque jeu de données a été standardisé de manière indépendante,

au moyen d'un modèle linéaire généralisé mixte (GLMM). Les deux jeux de données ont également été combinés

dans une analyse GLMM qui incluait l'année, la saison, la pêcherie et quelques interactions à double sens comme

variables explicatives potentielles. L'analyse combinée produit un indice d'abondance de la CPUE qui s'étend de

1961 à 2014. L’indice affiche une baisse, suivie d'une période de stabilité tant pour le voilier que le makaire blanc.

Le groupe a souhaité savoir si les sorties sans prise avaient été incluses dans l'analyse. Il a été indiqué que les

données des deux engins (canne et moulinet récréatif et filet maillant) correspondaient aux résumés mensuels et

que presque tous les résumés mensuels présentaient des prises positives. On a également parlé du fait qu'étant

donné que les deux pêcheries ont lieu dans une zone considérée comme un « point chaud », une sortie non

accompagnée de prise de voilier était extrêmement peu probable. Le groupe a constaté que quelques diagnostics

du modèle présentaient un léger écart par rapport aux postulats. On a discuté du fait que l'ajout d'une valeur

constante dans le modèle pourrait avoir créé le schéma observé dans les valeurs résiduelles. Conformément à l'avis

des auteurs, le groupe a convenu d'utiliser les indices individuels au lieu de l'indice combiné, comme cela avait été

initialement suggéré dans le document Babcock et Arocha, 2015.

Le document SCRS/2016/093 présentait un indice d’abondance pour les voiliers provenant de la pêche de tournois

récréatifs d'istiophoridés aux États-Unis au titre de la période 1972-2014 et pour les pêches récréatives sans

tournois au titre de la période 1981-2014. La capture par unité d’effort des tournois (nombre de poissons capturés

en 100 heures de pêche) a été estimée à partir des données de prise et d’effort soumises par les coordinateurs des

tournois récréatifs et les observateurs du Service National des Pêches Maritimes des États-Unis dans le cadre du

Programme de prospection de la pêcherie récréative ciblant les istiophoridés. Un processus de sélection a été

appliqué en vue de restreindre les données aux tournois qui ciblent principalement les voiliers, en utilisant

uniquement l’appât vivant, menés le long de la côte orientale de la Floride. Les données de la pêcherie récréative

hors tournoi ont été compilées au moyen de l’enquête statistique des pêcheries récréatives marines des États-Unis

(MFRSS). La procédure de standardisation de la capture par unité d'effort incluait les variables année, zone et

saison. Les indices standardisés ont été estimés à l’aide de modèles mixtes linéaires généralisés selon une approche

du modèle delta-lognormale.

Les auteurs ont expliqué que les données de MRFSS couvraient une zone plus grande (les données couvraient la

zone comprise entre l'État de Caroline du Nord et le Texas) que celle des données des tournois, c'est pourquoi elles

ont été utilisées pour détecter une indication du déplacement du stock ou de son ampliation plus au Nord comme

cela a été postulé pour l'espadon de l’Atlantique Nord. Néanmoins, les auteurs ont indiqué qu'il n'existait aucune

preuve le démontrant. Le groupe s'est penché sur les difficultés d'identification de l'espèce cible dans les données

MRFSS, ce qui pourrait affecter le nombre de sorties sans prise incluses dans l'analyse. Le groupe a également fait

remarquer que les diagnostics du modèle pour l'indice MRFSS démontraient que le postulat de normalité avait été

enfreint. Par conséquent, le groupe a appuyé la décision prise lors de la réunion d'évaluation des stocks de voiliers

de 2009 (Anon., 2010) de ne pas inclure l'indice MRFSS dans l'évaluation des stocks de voilier de 2016 et d'inclure

uniquement l'indice des tournois.

Le document SCRS/2016/092 analysait les données de prise et d'effort provenant de 73.810 opérations de la

flottille palangrière brésilienne (nationale et affrétée) ciblant les thonidés dans l'océan Atlantique équatorial et du

Sud-Ouest entre 1978 et 2012. La zone de pêche a été distribuée sur une vaste zone de l'océan Atlantique équatorial

et du Sud, s'étendant de 3ºW à 52ºW de longitude et de 11ºN à 40ºS de latitude. La CPUE du voilier a été

standardisée en utilisant un modèle mixte linéaire généralisé (GLMM) au moyen d'une approche delta log-normale.

Les facteurs utilisés dans le modèle étaient : année, stratégie de pêche, trimestre, zone, température de surface de

la mer et les interactions année:stratégie, année:trimestre et année:zone. La série de CPUE standardisée du voilier

a montré une tendance descendante progressive, surtout après l'an 2000.

Le groupe a demandé à l'auteur comment les données SST utilisées dans la standardisation avaient été obtenues et

il a été signalé qu'il s'agissait de données satellitaires. Le groupe a également suggéré qu'il était préférable

d'incorporer des données SST dans le modèle en tant que variable catégorique (intervalles) au lieu d'une variable

continue, car de nombreuses espèces se déplacent dans une gamme de températures de préférence et leur réponse

à la température n'est pas linéaire. À l'instar d'autres groupes d’espèces, le groupe a tenu une longue discussion au

sujet de la méthodologie utilisée pour définir les trois stratégies de pêche. Le groupe était préoccupé par le fait que

l'interaction stratégie de pêche:année était significative, ce qui signifie que la capturabilité de ces trois stratégies

1599

de pêche avait changé au cours du temps. On a discuté du fait que cet effet pourrait masquer les changements réels

de l'abondance du stock. Le groupe a suggéré, comme solution potentielle, d'estimer des CPUE individuelles pour

chaque stratégie de pêche ou uniquement pour celle présentant la CPUE moyenne la plus élevée. Alternativement,

le groupe a également suggéré d'exclure l'interaction stratégie de pêche:année du modèle. Si les CPUE nominales

et standardisées sont semblables, le maintien de l'interaction dans le modèle ne devrait pas susciter beaucoup de

préoccupation.

Les documents suivants comprenant des indices d'abondance du stock de l'Est ont été présentés au groupe pendant

la réunion:

La présentation SCRS/P/2016/026 faisait état d'un indice standardisé d'abondance de la pêcherie artisanale du

Sénégal pour la période 1981-2015. Les principaux engins utilisés dans le cadre de cette pêcherie sont la ligne de

traîne, la ligne à main et le filet maillant avec lesquels le voilier est capturé accidentellement. Les données de prise

et d’effort utilisées correspondaient aux résumés mensuels de prise et d’effort (n=1076). L’indice standardisé a été

estimé au moyen d'un GLMM. Les principaux facteurs testés dans le modèle étaient les suivants : année, zone,

mois et engin. Deux modèles ont été considérés, le premier se limitant aux principaux facteurs et le second

englobant les principaux facteurs et les interactions. La sélection du modèle était fondée sur l'AIC. Le modèle final

utilisé pour estimer l'indice standardisé incluaient les facteurs année, zone, engin et mois ainsi que les interactions

année:zone, année:engin, zone:engin et engin:mois. L'indice standardisé estimé n'affichait aucune tendance claire

pour les 20 premières années de la série temporelle et une tendance à la baisse après l'année 2000.

Le groupe a constaté que des données mensuellement agrégées ont été utilisées dans l’analyse et que les données

utilisées dans le modèle correspondaient aux observations positives (N = 1.072 observations positives). L’examen

de la CPUE moyenne par facteur a fait apparaître une cohérence entre les résultats et ce que l'on sait de la pêcherie.

Plus précisément, l'engin de ligne traînante obtient des prises plus élevées que l'engin de senne (qui vise les

sardines) et les plus fortes captures se produisent au cours des mois de remontée d’eau. L’interaction importante

année:mois étaye l’observation anecdotique selon laquelle la durée de la période de présence des voiliers dans la

zone à l'étude s'est raccourcie. Le groupe a noté que les CPUE estimées pour les années 2013 et 2014 étaient

considérablement plus faibles que le reste de la série temporelle et l’auteur a indiqué que c’était le résultat de

nouvelles réglementations de gestion. Le groupe a donc demandé que l’indice soit ré-estimé sans inclure les deux

dernières années de données (2014-2015). Pendant la réunion, l'auteur a fourni un nouvel indice estimé sans les

deux dernières années de données.

La présentation SCRS/P/2016/027 a décrit un indice standardisé d’abondance pour la pêcherie artisanale

ghanéenne opérant au filet maillant dérivant pour la période 1974-2013. Les données utilisées correspondaient aux

résumés mensuels des données de capture et d’effort. Aucune donnée pour les années 1983 et 2010 n'a été incluse

dans le cadre de la série temporelle. La procédure de standardisation a utilisé un GLM. Les facteurs testés dans le

modèle étaient année, trimestre, saison de pêche, nombre de pirogues et les interactions étaient année : trimestre

et année : saison de pêche. Les facteurs inclus dans le modèle final étaient année et trimestre et l’interaction année

: trimestre. Bien que variables, les valeurs de CPUE les plus élevées ont été observées à la fin des années 80 et

dans les années 90. Les valeurs de l'indice pour les trois dernières années de la série temporelle (2011-2013) étaient

les plus basses depuis 1991. Le groupe a demandé qu’un nouvel indice scindé soit estimé pour les périodes 1974-

1990 et 1991-2013. Ces indices ont été fournis pendant la réunion.

Le document SCRS/2016/098 analysait les tendances de la prise, de l'effort et de la CPUE standardisée pour le

stock oriental de voiliers de l’Atlantique (Istiophorus albicans) capturés par la flottille palangrière pélagique

portugaise entre 1999 et 2015. Des CPUE annuelles nominales ont été calculées comme kg/1.000 hameçons et ont

été standardisées avec des modèles linéaires généralisés (GLM) avec une distribution Tweedie et en utilisant

l’année, le trimestre, la zone et les effets de ciblage (ratios) comme variables explicatives. La qualité de

l'ajustement du modèle a été déterminée au moyen de AIC et du pseudo coefficient de détermination et la validation

du modèle a été analysée avec une analyse résiduelle. La série finale des CPUE standardisées montre une baisse

générale au cours des premières années, entre 1999 et 2010, suivie d'une augmentation générale ces dernières

années, jusqu’en 2015, avec quelques oscillations interannuelles. Ce document présente le premier indice

d'abondance pour les voiliers de l’Atlantique estimé à partir des captures de la flottille palangrière pélagique

portugaise opérant dans l'Atlantique Est et il peut être utilisé dans de futures évaluations de stocks de cette espèce.

Le groupe a recommandé que les versions futures de cet indice comprennent également la moyenne estimée de la

CPUE pour chaque facteur dans le modèle.

1600

Les documents suivants présentant des indices d’abondance à la fois pour les stocks de l'Est et de l'Ouest ont été

présentés au groupe lors de la réunion :

Le document SCRS/2016/071 présentait des taux de capture standardisés du voilier (Istiophorus albicans) obtenus

à partir de 10.615 observations réalisées lors des sorties des palangriers de surface de UE-Espagne ciblant l'espadon

au cours de la période 2001-2014. On a trouvé au moins un spécimen de cette espèce dans environ 28% de ces

sorties. En raison de la faible prévalence de cette espèce dans cette pêcherie, la standardisation de la CPUE a été

réalisée au moyen d'un modèle mixte linéaire généralisé postulant une distribution d’erreur delta-lognormale. Les

résultats obtenus indiquent que la tendance globale de la CPUE standardisée était similaire pour toutes les zones

de l'Atlantique et pour les stocks de l’Est et de l’Ouest. Une tendance globale à la hausse a été identifiée pour

toutes les zones de l’Atlantique et pour les stocks de l’Est et de l’Ouest pour l’ensemble de la période 2001-2014

avec quelques fluctuations au cours de ces dernières années.

Le groupe a demandé sur quel raisonnement on s'était fondé pour définir les différentes zones utilisées dans la

standardisation des CPUE. On a fait observer que les zones définies étaient similaires à celles utilisées pour

l’analyse de la même flottille pour les espèces cibles et les autres espèces, et elles représentent une idée

approximative des températures de la mer à 50 m de profondeur. Au nombre des autres éléments qui ont également

été pris en considération pour définir la structure spatiale pour l’analyse, on peut citer les limites de stocks actuelles

postulées par l'ICCAT pour cette espèce et les conditions environnementales dans les couches superficielles entre

les zones Est et Ouest ainsi que Nord et Sud. En outre, la répartition de la flottille dans les zones respectives tout

au long de l’année et les observations disponibles jouent également un rôle important pour décider les définitions

spatio-temporelles pour l'analyse. Le groupe a décidé d’utiliser dans l’évaluation les indices individuels présentés

pour chaque stock (Est et Ouest) plutôt que l’indice présenté aussi pour l’ensemble de l’Atlantique.

Le document SCRS/2016/094 présentait les CPUE standardisées estimées des voiliers capturés par les palangriers

thoniers japonais dans l’océan Atlantique Ouest et Est à l’aide des données des carnets de pêche pendant la période

1994-2014. Un modèle delta lognormal a été utilisé pour standardiser les CPUE nominales. Les changements

annuels dans les CPUE standardisées pour le stock de l’Atlantique Ouest ont montré une grande fluctuation. La

série temporelle dégageait une légère tendance décroissante de 1994 à 2007, après quoi la série temporelle a

brusquement augmenté et s'est maintenue à des valeurs plus élevées. Les changements annuels dans les CPUE

standardisées pour le stock de l’Atlantique Est ont été considérablement faibles. Les séries temporelles dégageaient

une légère tendance à la baisse entre 1994 et 2001 ; depuis lors, elles dégagent une tendance à la hausse. Les

intervalles de confiance de 95 % n’étaient pas larges pour les stocks de voiliers de l'Atlantique Ouest et Est. Ces

résultats suggèrent que le niveau actuel du stock de voiliers adultes dans l’Atlantique Ouest et Est a augmenté au

cours de ces dernières années par rapport au niveau des années 90 et 2000.

Les auteurs ont indiqué qu'il faudrait s'abstenir d'utiliser le modèle d'habitat en raison du manque d’information

sur la distribution verticale des voiliers. Toutefois, le groupe a noté que l'information sur la distribution verticale

est disponible depuis 2009 et il a recommandé que cette information soit incorporée à l'avenir. Le groupe a noté

que l’indice standardisé pour le stock occidental était inférieur à l’indice nominal pour toute la série temporelle.

On a signalé que les indices commencent en 1994, car avant cette date, les données ne séparaient pas les captures

de voiliers de celles des Tetrapturus spp. À la session d’évaluation du stock de voiliers de 2009 (Anon. 2010), un

indice japonais qui couvrait la période 1960-2007 a été inclus dans l’analyse. On a fait savoir au groupe que cet

indice a été élaboré au cours de la réunion d’évaluation à l’aide des données CATDIS et des ratios estimés

voiliers/Tetrapturus spp. dans les prises. Le groupe a demandé si la présence des Tetrapturus spp. dans les ratios

estimés était importante et on lui a répondu que, dans certaines zones, jusqu'à 30 à 40 % des captures étaient

constituées de Tetrapturus spp. Le groupe a noté que, dans l’Atlantique Est, les captures numériques d'albacore de

la flottille palangrière japonaise dépassaient celles de thon obèse lorsque moins de 15 hameçons entre flotteurs

étaient utilisés, tandis que l’inverse était vrai si l'on utilisait plus de 15 hameçons entre flotteurs. Cependant, la

même tendance n’était pas si manifeste dans l’Atlantique Ouest. Le groupe a examiné les implications de ces

observations, mais il a été convenu qu’il ne disposait pas de suffisamment d’informations pour interpréter ces

résultats particuliers. Le groupe a décidé d’utiliser dans l’évaluation les nouvelles estimations de l’indice pour

chaque stock pour la période 1994-2014 et d’utiliser (comme un indice distinct) les CPUE historiques estimées

par le groupe à la session d’évaluation du stock de voiliers de 2009 (Anon. 2010), uniquement pour la période

1960-1993. Le groupe a noté que la forte interaction année:zone et notamment une apparente augmentation des

captures dans les Caraïbes occidentales pourraient exiger une séparation spatiale plus fine que les zones grossières

actuellement utilisées dans le modèle ; il pourrait s'agir des zones sélectionnées par la méthode de séparation

adaptative initialement proposée dans le document. Pour dissiper cette préoccupation, l’indice a été divisé en deux

périodes différentes dans le modèle Stock synthèse (cf. section 3.2.3 pour obtenir plus de détails).

1601

Le document SCRS/2016/102 présentait les données de prise et d’effort des voiliers (Istiophorus platypterus)

recueillies et analysées pour la pêcherie palangrière du Taipei chinois opérant en eaux lointaines dans l'océan

Atlantique au cours de la période 2009-2015. La capture numérique observée dans les carnets de pêche et celle

estimée à l’aide du ratio de capture des voiliers entre les deux espèces (voiliers et Tetrapturus pfluegeri) ont été

utilisées pour calculer la CPUE nominale (capture par unité d’effort) ; la CPUE a ensuite été standardisée en

utilisant des modèles linéaires généralisés (GLM). Deux stocks de voiliers distincts de l'Est et de l'Ouest ont été

pris en compte dans la standardisation, l'information sur le type d’opération (p. ex., hameçons par panier) ayant

été incluse comme un effet potentiel dans les modèles. Tous les effets principaux étaient statistiquement importants

dans les analyses du GLM, sauf pour le mois et la longitude dans la standardisation du stock occidental. Cependant,

les indices d’abondance relative ont montré des tendances similaires et constantes pour les deux scénarios sur les

données de capture. La CPUE standardisée des voiliers de l'Atlantique Est a augmenté à partir de 2009, atteignant

un niveau supérieur pour ensuite chuter au cours de ces deux dernières années (2014-2015), tandis que pour le

stock de l'Ouest, la CPUE a dégagé une tendance à la baisse entre 2010 et 2014 avec une légère augmentation en

2015.

Le groupe a noté que les données utilisées n’incluaient pas les observations avec les captures « zéro ». L’auteur a

indiqué qu’environ 19 % des observations avaient des prises positives de voiliers et que le pourcentage était assez

constant. Le groupe a demandé dans quelle mesure le ratio voiliers-Tetrapturus spp. était stable. Il a été indiqué

que le ratio était très variable, étant donné que les captures de ces espèces constituent un événement rare. L’auteur

a indiqué que l'on a utilisé les données des carnets de pêche pour estimer les ratios par zone et l'on a postulé que

les ratios demeuraient constants dans le temps. Le groupe a indiqué que les ratios pourraient ne pas avoir été

constants tout au long de toute la série temporelle. Mais, avec ce postulat, il devrait être possible d’utiliser les

ratios pour estimer les séries de CPUE antérieures à 2009.

Le groupe a examiné la possibilité de combiner les données des pêcheries palangrières de UE-Espagne et UE-

Portugal pour estimer un indice combiné pour les voiliers de l'Est et éventuellement élargir cette approche pour

combiner les données provenant d’autres flottilles. Cette approche consistant à combiner les données provenant

de différentes flottilles pour estimer les indices d’abondance est actuellement explorée pour d’autres espèces,

comme le thon rouge. Le groupe a reconnu l’importance de disposer des indices standardisés des pêcheries

artisanales du Sénégal et du Ghana et de ceux des pêcheries palangrières de UE-Espagne et UE-Portugal. Le groupe

a remercié les auteurs de ces documents et leur contribution importante au processus d’évaluation.

Le groupe dispose également d'autres indices d’abondance qui ont été présentés à la réunion intersessions du

groupe d’espèces sur les istiophoridés de 2014 (Anon., 2015) et à la réunion des groupes d’espèces du SCRS de

2015 (Madrid, 21-25 septembre 2015). Les tableaux 7 et 8 (et les figures 7 et 8) montrent les indices d’abondance

utilisés pour les stocks de l'Ouest et de l'Est, respectivement.

3 Évaluation des stocks

3.1 Stock de l’Est

3.1.1 Modèles de production bayésiens

Méthodes

Dans le cas de la population de l'Atlantique Est, les modèles de production bayésiens ont été exécutés au moyen

du modèle BSP qui est disponible dans le catalogue ICCAT des méthodes (BSP-VB, Babcock 2007, McAllister et

Babcock 2003) et une version JAGS du même modèle fondé sur Millar et Meyer (1999, BSP-JAGS). Veuillez

consulter l'Appendice 5 pour obtenir plus de détails sur la spécification, les diagnostics et les analyses de sensibilité

du modèle.

Pour tous les scénarios du modèle, le prior de la biomasse de la première année par rapport à K (Bo / K) était

lognormal avec une moyenne de 1 et un CV de 0,2, sauf pour une analyse de sensibilité qui fixait Bo / K à 1. Le

prior de K était uniforme sur log (K) entre log (10) et log (1E6). Le prior de r a été calculé selon la méthode

démographique de Carruthers et McAllister (2011), comme indiqué à l'Appendice 6. Étant donné que l'étape

annuelle a été utilisée, les paramètres d'entrée étaient une moyenne de 0,57 et un CV de 0,3. Dans une analyse de

sensibilité, la moyenne a été établie à 0,3 avec un CV de 0,3. Des priors non informatifs ont été utilisés pour le

coefficient de capturabilité de chaque indice de CPUE (q), en utilisant une distribution uniforme BSP-VP et une

1602

distribution gamma inverse dans BSP-JAGS. Les mêmes priors ont été utilisés pour la variance résiduelle, lorsque

sigma a été estimé.

Aucun des modèles BSP-VB n'incluait d'erreur de processus. En ce qui concerne les modèles BSP-JAGS, l'erreur

de processus a été fixée à 0,05, à l'exception des scénarios de sensibilité dans lesquels sigma a été fixé à 0,00001

ou 0 pour évaluer l'effet de la suppression de l'erreur de processus. Les modèles variaient en fonction des indices

ayant été inclus, la façon dont les indices ont été pondérés, et les priors pour r et Bo / K (tableau 9). Les indices

inclus étaient ceux qui avaient une tendance à la hausse (première partie - Japon, dernière partie - Japon, Taipei

chinois, UE-Espagne) ou ceux qui avaient une tendance à la baisse (première partie - Japon, Sénégal, Ghana, Côte

d' Ivoire, UE-Portugal). Les indices ont été pondérés de la même façon avec une variance estimée, ou pondérée

par prise (précision d'entrée égale à la fraction de la prise totale associée à chaque indice), ou chaque indice avait

sa propre variance résiduelle estimée.

Résultats

Les modèles BSP-VB sans erreur de processus ne convergeaient pas bien, en particulier dans le cas présentant une

variance estimée pour chaque série. L'estimation de la variance Hessian pour certains paramètres avoisinait zéro,

même si l'échantillonnage d'importance estimait des distributions très larges des paramètres, ce qui indiquait que

le modèle pourrait ne pas avoir estimé avec précision le mode de la distribution a posteriori. Les distributions a

posteriori du modèle étaient très semblables aux priors pour K et r, même si K avait un prior non informatif. Ainsi,

les valeurs moyennes de K ont des ordres de grandeur plus élevés que les valeurs des autres modèles appliquées

au même jeu de données. Étant donné que le modèle n'a pas pu trouver d’informations dans les données, les

résultats de ce modèle ne sont pas crédibles. Veuillez consulter l’Appendice 5 pour obtenir des informations

détaillées.

Les modèles BSP-JAGS avec une erreur de processus fournissent de meilleurs diagnostics de convergence. Les

modèles de pondération par prise ont donné des distributions a posteriori pour r qui étaient assez semblables aux

priors (voir Appendice 5), probablement car des pondérations très faibles par rapport aux priors ont été attribuées

aux données. De ce fait, les résultats étaient très incertains, et les intervalles de confiance de 95% pour B/BPME

incluaient une gamme oscillant entre près de zéro à plus de 4 pour quelques années (tableau 10, figure 9). Les

modèles qui ont estimé la variance résiduelle fournissaient davantage d'intervalles de confiance étroits pour B/BPME

et F/FPME. Tous les modèles autres que ceux de pondération par prise ont estimé une moyenne a posteriori de r plus

élevée que le prior; ces valeurs élevées de r peuvent ne pas être biologiquement réalistes.

Tous les modèles ont estimé une biomasse de départ inférieure à BPME, probablement car les modèles ont tenté

d'ajuster la variabilité élevée de la série palangrière japonaise dans les années 60 combinée avec de très faibles

captures. Tous les scénarios étaient similaires au cours de la première partie de la série temporelle, mais les

scénarios présentant des indices ascendants par opposition aux indices décroissants ont divergé ces dernières

années, car la trajectoire de la médiane de la biomasse suit les indices. Les estimations de la PME se situaient entre

5.000 t et 13.000 t, et l'état actuel des stocks était inférieur à BPME dans tous les scénarios. Le fait que la population

soit décimée, même si les prises n'avaient jamais dépassé la PME, était surprenant, mais pourrait s'expliquer par le

fait que l'erreur de processus permettait au modèle de suivre la tendance décroissante dans les indices, en dépit de

prises relativement faibles. L'intégration d'une erreur de processus implique que la biomasse peut varier

aléatoirement, sans suivre nécessairement la série temporelle de capture exactement. Par conséquent, les

estimations de la population pourraient baisser si les indices baissent, même les prises déclarées sont faibles. Les

trois scénarios susceptibles de pouvoir expliquer ceci sont les suivants : (1) les prises déclarées sont inférieures

aux prises réelles, (2) une baisse de l'abondance n'est pas causée par la capture et/ou (3) la PME réelle pourrait être

inférieure à l'estimation du modèle en raison de l’incertitude entourant les données.

La mortalité par pêche actuelle est inférieure à FPME dans certains des scénarios comprenant des indices ascendants,

et est largement supérieure à FPME dans les modèles comprenant des indices descendants. De manière générale, les

scénarios BSP-JAGS sont conformes à une population qui a baissé, et pourrait se rétablir, ou non, en fonction des

indices utilisés pour suivre l'abondance, s'il en existe. Ces résultats sont toutefois très incertains.

3.1.2 ASPIC

Lors de l'évaluation de 2009, ASPIC 5.0 a été utilisé pour ajuster les modèles de production pour le voilier de

l’Atlantique Est. Dans la présente évaluation, ASPIC 7.0 a été utilisé. Même si ASPIC 7.0 permet d'utiliser des

entrées de priors pour les paramètres initiaux, cette possibilité n'a pas été utilisée dans la présente évaluation du

voilier de l'Atlantique Est.

1603

Après avoir examiné les différents indices disponibles pour l'évaluation du stock de l'Est, le groupe a convenu, à

l'instar de l'approche appliquée au stock de l'Ouest, de regrouper les indices dans deux différents scénarios. Le

premier scénario contient les indices dégageant des tendances positives au cours des dernières années de la série

temporelle et le second scénario les indices dégageant des tendances négatives. De plus, le groupe a convenu que

l'indice d'abondance relative du Ghana devrait être divisé en deux séries, à savoir Ghana1 (1974-1987) et Ghana2

(1992-2014).

Les scénarios suivants des indices de CPUE ont été utilisés dans les scénarios ASPIC :

E1) Les tendances récentes des indices sont négatives: Japon1, Ghana1, Ghana2, Sénégal, Cote d’Ivoire,

UE-Portugal (« Neg »).

E2) Les tendances récentes des indices sont positives: Japon1, Japon2, Ghana1, UE-Espagne, Taipei

chinois (« Pos »).

E3) Tous les indices: Japon1, Japon2, Ghana1, Ghana2, Sénégal, Cote d’Ivoire, UE-Portugal, UE-

Espagne, Taipei chinois.

E4) Idem que E1, mais avec une prise recalculée pour le Ghana antérieure à 1990.

E5) Idem que E3, mais avec une prise recalculée pour le Ghana antérieure à 1990.

E6) Idem que E1, mais avec la CPUE du Ghana sous la forme d'une seule série non divisée.

Dans tous les cas, une pondération égale a été attribuée aux indices de CPUE dans l'ajustement. Dans le cadre des

diagnostics du modèle, des schémas rétrospectifs ont été exécutés en utilisant des données allant jusque 2013,

2011, 2009 et 2007. L'incertitude a été évaluée en exécutant 500 bootstraps dans ASPIC.

Résultats

Les estimations de FPME, PME et K semblent très sensibles aux tendances de CPUE utilisées. Par conséquent, les

résultats des différents scénarios étaient significativement différents (par exemple E1 par rapport à E2). ASPIC

ajuste mieux les scénarios qui omettent des données pour la période 1988-1990 de l'indice Ghana1 et divisent la

série du Ghana en deux indices (E1-E5). ASPIC présente des problèmes de convergence, ou ne converge pas, pour

les scénarios comprenant la série non divisée du Ghana (E6).

Les scénarios qui utilisent une CPUE dégageant des tendances positives ont donné lieu à différentes estimations

de la biomasse et de l'exploitation actuelle que les scénarios qui utilisent une CPUE dégageant des tendances

négatives ou tous les indices combinés. Cependant, les ajustements et les estimations des paramètres pour FPME, K

et PME présentant des trajectoires positives étaient très sensibles à la série de capture utilisée (tâche 1 ou série

alternative de tâche I) et ajustaient assez mal les indices observés. Des scénarios incluant une prise alternative n'ont

pas convergé ou atteignaient la limite supérieure de FPME (1,5). Les scénarios qui utilisent des CPUE dégageant

des tendances négatives et les deux séries du Ghana semblaient les moins sensibles à l'utilisation de différentes

séries de capture et présentaient la valeur la plus élevée de contraste dans ASPIC. En outre, les tendances

historiques de B/BPME et F/FPME pour la période allant jusqu'à 2007 pour les scénarios sont cohérentes avec les

résultats de l'évaluation précédente de 2009.

Le modèle ne s’ajustait pas aux scénarios (E2 et E5) dégageant des tendances positives récentes et les solutions

atteignaient constamment la limite supérieure de FPME (1,5) (tableau 11). Il a été considéré que ces valeurs élevées

ne sont biologiquement pas plausibles et, par conséquent, les résultats de ces scénarios n'ont plus été pris en compte.

Les deux autres scénarios (E1 et E4) ont permis au modèle de converger et suggéraient que le stock est surexploité

et est victime de surpêche. Le scénario E4 est plus optimiste et suggérait qu'aucune surpêche n'a eu lieu ces deux

dernières années, alors que le scénario E1 indiquait qu'une surpêche a toujours lieu.

Pour les scénarios E2 et E5, les résultats déterministes suggèrent que le stock était déjà surexploité au cours des

décennies précédentes et qu'il ne fait actuellement pas l'objet de surpêche. Le scénario ASPIC E3 suggère que la

surpêche pourrait avoir cessé au cours des deux dernières années et que le stock est en train de se rétablir.

Malheureusement, le scénario E3 n'a pas pu être exécuté par bootstrap, de sorte que seuls les résultats par bootstrap

disponibles sont ceux concernant E1. Des analyses rétrospectives pour E1 affichent ce que l'on escomptait de l'ajout

des données récentes de CPUE présentant une augmentation de l'indice et des données de capture présentant une

diminution (figure 10). Au fur et à mesure que des données sont ajoutées, les estimations de la biomasse

augmentent et celles de la mortalité par pêche diminuent. Les boostraps dans le cas de E1 ont convergé pour

l'intégralité des scénarios et ont donné des intervalles raisonnables pour les paramètres (tableau 12).

1604

E3 présente une tendance rétrospective affichant des incohérences élevées quant à l'utilisation de tous les indices

pour les sept dernières années. Le scénario ASPIC E3 a dégagé des résultats coïncidant avec E1 ; cependant,

l'utilisation de tous les indices a suscité des problèmes de cohérence des estimations de FPME, B/BPME et F/FPME

(figure 11).

3.2 Stock de l’Ouest

3.2.1 ASPIC

Les modèles de production ont été ajustés dans le cas du voilier de l'Ouest en utilisant différentes combinaisons

des indices d’abondance disponibles. Le premier modèle incluait tous les indices et a été exécuté avec ASPIC 5 et

ASPIC 7 en utilisant la méthode d'estimation des moindres carrés. Les deux versions du programme ont donné lieu

à la même solution. Néanmoins, les estimations de FPME n'étaient pas biologiquement plausibles (FPME >1,2).

ASPIC 7 a été utilisé pour tous les autres scénarios du modèle en utilisant une estimation de vraisemblance

maximale ou une distribution a posteriori maximale avec des priors. Des priors uniformes ont été inclus pour la

PME et des capturabilités des flottilles pour un ensemble de valeurs logiques. Un prior beta a été inclus dans FPME

(alpha = 2, beta= 8 ; figure 12), sur la base du prior élaboré pour le modèle bayésien de production excédentaire

pour r. Plusieurs scénarios du modèle ont été effectués en utilisant cette paramétrisation, qui incluait de multiples

scénarios des indices sélectionnés : (1) tous les indices, (2) ceux qui affichaient une tendance à la hausse au cours

de la période récente, par rapport à (3) ceux qui ont montré une tendance à la baisse au cours de la période récente,

et (4) une pondération par prise par rapport à (5) une pondération égale. Le groupe a retenu un modèle de base qui

englobait tous les indices disponibles à l'exception de l'indice de canne et moulinet du Brésil qui a été exclu en

raison de préoccupations au sujet de la très faible taille des échantillons en 2009. Plusieurs scénarios de sensibilité

ont été réalisés sur le modèle de base, comprenant un indice jackknife, un bootstrap du modèle et une analyse

rétrospective. Un scénario supplémentaire a été exécuté en divisant l'indice palangrier du Japon en 2008 pour tenir

compte d'un changement de la distribution spatiale (voir section 2.3) cohérent avec le modèle d'évaluation Stock

Synthèse.

Les scénarios du modèle de base déterministe présentaient un mauvais ajustement du modèle aux indices et une

absence de convergence sans prior pour FPME, atteignant les limites supérieures à FPME ou PME. Pour mieux

comprendre la convergence du modèle, la fonction objective de vraisemblance log-négative a été profilée dans

l'ensemble de la PME postulée (200 à 4.000 t) et des valeurs de FPME (0,01 à 1,0). La surface de profil indiquait un

contour plat dans les gammes supérieures de la PME et peu de gradient dans l'ensemble de la gamme de FPME

(figure 13). Ce profil dans la gamme de valeurs des paramètres logiques a démontré que la capacité d'estimer FPME

était mauvaise, et que des valeurs de PME supérieures à 1.400 t sont plausibles. La surface de vraisemblance

échelonnée (figure 13) indiquait une probabilité maximale à la limite supérieure de FPME, ce que l'on estime être

biologiquement non plausible.

Les estimations de PME et FPME variaient considérablement d'un scénario du modèle à l'autre et le modèle de base

et les modèles alternatifs incluant des indices positifs et négatifs concordaient peu entre eux. Les estimations de

l'état actuel des stocks étaient également très variables, et les modèles ne concordaient pas entre eux. Les

estimations par bootstrap de l'incertitude des paramètres ont été évaluées afin de déterminer la qualité de

l'ajustement du modèle de référence. Beaucoup de scénarios par bootstrap atteignaient la limite supérieure de PME

ou FPME. Cependant, ces scénarios ont été supplantés par des scénarios qui ont apporté des solutions dans les

limites, et 500 bootstraps valides maximums ont été réalisés. Une convergence totale a été obtenue dans environ

72% des essais. L'estimation obtenue par bootstrap de FPME et PME présentait une vaste distribution dans

l'ensemble de la gamme des limites des paramètres (figure 14), ce qui reflète une mauvaise performance du modèle

et l'absence de convergence vers une solution stable. Il a été conclu que le modèle ASPIC appliqué au voilier de

l'Ouest ne produisait pas d'estimations fiables de FPME ou de l'état actuel du stock. Les informations contenues dans

les données montrent que la PME n'est probablement pas inférieure à 1.400 t. Toutefois, la détermination de l'état

du stock était très incertaine.

3.2.2 Modèle de production excédentaire état-espace de type bayésien

Le SCRS/2016/103 présentait les premiers résultats de l'évaluation du stock de voilier de l'Atlantique Ouest. Le

modèle d’évaluation a été exécuté en JAGS (Just Another Gibbs Sampler) et ajustait un modèle de production

excédentaire état-espace de type bayésien aux données de CPUE pour le voilier de l'Atlantique Ouest. La série

temporelle de capture provient du tableau de tâche 1 du rapport de la réunion de 2015 du SCRS (Anon., 2016) et

les indices d'abondance relative étaient composés de la capture par unité d'effort (CPUE) standardisée du Japon,

du Brésil, des États-Unis, du Venezuela, de l'UE-Espagne et du Taipei chinois, incluant les pêcheries palangrières,

récréatives et au filet maillant. Un scénario qui incluait l'ensemble des séries de CPUE d'entrée (9 indices) et les

valeurs moyennes préalables a été développé. Les spécifications complètes du modèle initial présenté sont

1605

détaillées dans ledit document du SCRS. Selon les résultats du modèle, la biomasse de la population de voilier de

l'Atlantique Ouest a légèrement baissé au cours de la série temporelle disponible, mais est supérieure à BPME et est

restée stable depuis le milieu des années 80. Le taux de capture estimé en 2014 s'élevait à 0,025, soit un niveau

inférieur au HPME estimé de 0,065.

Plusieurs postulats portant sur la pondération des données, incluant des pondérations égales, des pondérations

proportionnelles aux prises et des pondérations élaborées en appliquant la méthode de Francis (Francis, 2011) ont

été examinés. Cependant, aucun des modèles n'a pu converger. Un modèle incluant tous les indices (à l'exception

de la pêcherie brésilienne récréative de canne et moulinet) a également été testé, mais celui-ci n'a pas convergé

non plus. Cette absence de convergence pourrait avoir un lien avec la présence de tendances contradictoires de la

CPUE. Par conséquent, des scénarios supplémentaires ont été exécutés afin de résoudre les tendances

contradictoires des CPUE de la même façon que celle qui avait été convenue pour le modèle Stock Synthèse (cf.

point 3.2.3) qui a également débouché sur une absence de convergence dans tous les scénarios. De plus, le groupe

a fait remarquer que les données disponibles ne fournissaient pas suffisamment d’informations pour que l'un des

modèles estime de manière fiable les paramètres du modèle.

3.2.3 Stock Synthèse (ASPM) 3 paramètres, steepness, R0 et M

Le modèle initial a été présenté (SCRS/2016/100) avec les détails suivants. On a comparé les données utilisées

dans l’évaluation précédente et celles utilisées au cours de ces dernières années avec les anciens et les nouveaux

modèles. L’évaluation du stock de l'Ouest réalisée en 2009 a eu recours à un indice composite qui représentait la

moyenne entre toutes les séries (pondéré par capture et zone). Dans l’examen actuel du modèle de production

structuré par âge (ASPM), 11 flottilles ont été modélisées en postulant une sélectivité totale. Il a été noté que les

séries de CPUE avaient des tendances contradictoires, cinq séries augmentant tandis que cinq séries diminuaient.

Cela entraînerait des résultats contradictoires basés sur des tendances alternatives. Dans le modèle présenté, aucune

capture brésilienne de canne et moulinet n’était disponible ces dernières années. Un indice combiné a été créé en

se fondant sur les captures et les débarquements réalisés dans les pêcheries (les pêcheries plus importantes ont

donc eu plus de poids). Quatre modèles et approches ont été examinés, (1) CPUE non pondérée avec aucune

déviation du recrutement, (2) utilisation de toutes les CPUE avec aucune déviation du recrutement, (3) ajout de la

capture pondérée avec aucune déviation du recrutement, et (4) ajout de la CPUE pondérée par la capture et des

déviations du recrutement. Il a été noté que les résultats des modèles 1, 2 et 3 n’étaient pas plausibles de manière

convaincante et que les résultats du modèle 4 concordaient davantage avec l'historique de la pêcherie. Des

approches de profilage de la vraisemblance ont été utilisées, et les données se sont avérées non informatives sur la

mortalité naturelle ou la steepness. Il a été noté que les CPUE japonaises et espagnoles étaient informatives, même

si la steepness était très grande ou très faible si on incluait ces séries. De possibles raisons à cela sont que les

données de CPUE ne sont pas informatives et que seule la baisse de la biomasse est manifeste et non son

rétablissement. Un nouvel ensemble de modèles structurés par taille/âge a été utilisé, où la croissance a été

modifiée comme priors et la taille à l’âge 1 a été fixée à 100 cm LJFL. Cependant, l'essai visant à introduire

davantage d’incertitude avec la croissance a fourni une réponse irréaliste.

Des travaux supplémentaires ont été effectués à la suite de ceux décrits dans le SCRS/2016/100. Avec les données

de composition par taille, cinq modèles ont été examinés qui combinaient la CPUE pondérée par capture, la

sélectivité de trois engins, filets maillants, canne et moulinet et palangre, avec correction de biais à la fonction

stock-recrutement utilisée. La sélectivité en forme de cloche a été utilisée pour le filet maillant, la palangre et la

canne et moulinet ayant été fixées comme une fonction logistique. Comme pour l’évaluation de 2009, une série de

CPUE a été créée où la CPUE combinée a été appliquée à l’ensemble des pêcheries. Les données de composition

par taille ont donné lieu à un meilleur ajustement à la flottille de filets maillants par rapport à la flottille palangrière,

en raison notamment de la taille plus grande de l’échantillon de la pêcherie au filet maillant ; en conséquence, cette

série de données a obtenu plus de poids (sur la base du système de pondération de Francis ; Francis, 2011). Les

ajustements de la longueur moyenne à l’engin de pêche au filet maillant et à l'engin de palangre étaient acceptables,

mais pas autant à l'engin de pêche à la canne et moulinet (encore une fois à cause de la faible taille de l’échantillon).

Le profilage de la steepness indiquait que le modèle/données général « préférait » des valeurs très élevées de

mortalité naturelle (M) et de steepness. En outre, les distributions a posteriori étaient semblables aux MLE

analysées.

Le groupe a examiné les différentes entrées du modèle et s'est demandé en particulier si les prises de voiliers de

l'Ouest avaient été complètement enregistrées et/ou avec précision. En outre, il a été noté que lors de précédentes

réunions sur les voiliers, le groupe n’avait pas adopté les estimations de croissance et de M, et qu'il devrait

s'accorder un délai supplémentaire pour se prononcer sur une estimation appropriée de M et une courbe de

croissance. Il a également été noté que le fait de fixer M et la steepness (h) aurait une forte influence sur les résultats

des estimations de la productivité des stocks. Ainsi, les distributions a posteriori de MCMC pourraient prêter à

1606

confusion et devraient être considérées avec le scepticisme approprié. À titre d'exemple, la steepness semblait être

estimée à la limite supérieure. En outre, toutes les informations sur ASPM proviennent des CPUE.

Compte tenu des séries temporelles de CPUE contradictoires et de l'impossibilité de discerner objectivement

laquelle des tendances était plus exacte, il a été suggéré que deux modèles distincts pour les deux scénarios distincts

(hypothèse alternative) soient élaborés, l’un représenté uniquement par les CPUE dotées de tendances croissantes

(Modèle_1) et l’autre représenté uniquement par les CPUE dotées de tendances décroissantes (Modèle_2). Même

si les données de fréquence de taille étaient informatives, le fait d’améliorer l’ajustement ne s’est pas avéré un

exercice utile. Le groupe a convenu que l’utilisation d’un indice combiné (pour toutes les séries temporelles de

CPUE contradictoires) camouflerait l’incertitude associée aux différentes tendances de CPUE et qu'il faudrait créer

des modèles qui utilisent des données pour toutes les séries de CPUE, plutôt qu'une seule série, et qui soient

transparents avec les jeux de données utilisés.

Une longue discussion s'est ensuivie et le groupe a décidé de regrouper les CPUE en fonction de la tendance

dominante dans les séries temporelles, ce qui a entraîné les regroupements suivants (figure 15) :

1. Celles dotées de tendances croissantes :

a. palangre japonaise, 1994-2015

b. championnats de canne et moulinet des États-Unis

c. filet maillant du Venezuela

d. palangre espagnole

2. Celles dotées de tendances décroissantes :

a. canne et moulinet du Brésil

b. palangre brésilienne

c. palangre des États-Unis (observateur)

d. palangre du Venezuela

e. Taipei chinois époque récente (2009-2014)

3. Celles utilisées dans les deux jeux de données sur la base du fait qu'il s'agit de la seule série temporelle à long

terme :

a. palangre japonaise 1960-1993

b. canne et moulinet du Venezuela

Les paramètres de la population biologique d’entrée pour le modèle SS sont ceux qui ont été examinés et convenus

à la section 2.1 au titre du point sur l’âge, la croissance, la mortalité naturelle et la maturité par taille.

Modèle_1.0 et Modèle_2.0

Le groupe a examiné deux scénarios, l’un basé sur les tendances positives de la CPUE (Modèle_1.0) et l’autre basé

sur les tendances négatives de la CPUE (Modèle_2.0). L’écart-type dans la distribution a priori de la steepness a

été ramené de 20 à 10 %. Les deux scénarios ont été jugés plausibles avec différents jeux de données. Il a été noté

que les ajustements à l’indice de la prospection (CPUE) étaient comparables dans les deux différents scénarios

(figure 15). Les longueurs moyennes estimées et observées des pêcheries opérant au filet maillant et à la canne et

moulinet étaient comparables, mais elles étaient meilleures pour la pêcherie palangrière du Modèle_1 (figure 16).

Il a été noté que la taille moyenne des poissons dans la pêcherie de filets maillants a diminué (figure 17). On a

observé un plus grand échantillon et des tailles moins variables et à ce titre, l'on a créé des ajustements plus étroits

de la sélectivité aux informations de taille. Les changements de sélectivité des flottilles palangrières dans le temps

pourraient expliquer la raison pour laquelle le modèle ne s'est pas très bien ajusté aux données.

Il a été noté que les deux modèles ont assez bien concordé dans la tendance de la biomasse du stock jusqu'à l’année

2005. Cela s'explique par le fait que les quelques derniers points de données de la série temporelle de CPUE avaient

une grande influence sur les trajectoires de la biomasse. Un modèle (Modèle_1) suggère une mortalité par pêche

élevée et une biomasse plus faible et l’autre (Modèle_2) suggère le contraire (figure 18). Comme un moyen de

différencier davantage les deux scénarios, une analyse rétrospective a été proposée pour chacun des deux, en guise

de diagnostic. L’examen de l’analyse rétrospective n'a révélé aucun schéma rétrospectif ou biais apparent pour le

Modèle_1. Cependant, le Modèle_2 a fait apparaître une forte différence dans les estimations de la biomasse en

excluant les données postérieures à 2010. Toutefois, il a été noté que la récente tendance à la hausse dans le

Modèle_1 était due à l’indice de la (récente) CPUE japonaise ainsi qu'à l’indice de canne et moulinet des États-

Unis. La récente tendance à la baisse du Modèle_2 était presque entièrement due à l’indice brésilien de canne et

moulinet (figure 19).

1607

Modèle_1.1 et Modèle_2.1

Compte tenu de la forte influence sur la perception actuelle de l’état des stocks exercée par l'indice palangrier

japonais (Modèle_1.0) et par l'indice brésilien de canne et moulinet (Modèle_2.0) le groupe a revu les aspects

fondamentaux de ces deux séries temporelles de CPUE.

Modèle_1.1. Deux observations ont été faites au sujet de la série temporelle de la CPUE japonaise. Première

constatation, l'indice a connu une augmentation marquée entre 2007 et 2008. Deuxième constatation, les

coefficients de variation (CV) associés à la deuxième stance de cet indice (2008-2014) ont été bien plus faibles que

ceux de la première stance (1994-2007). En raison de ces deux aspects, le modèle d’évaluation a produit une forte

hausse dans les estimations de la biomasse entre 2007 et 2008. Les faibles CV pour la deuxième stance ont accentué

l’ajustement de cette hausse. Le groupe a déterminé qu’il serait opportun de permettre à la capturabilité de changer

entre les deux périodes en utilisant des blocs temporels dans les séries de CPUE pour la série japonaise (en fait en

la divisant en deux prospections). Les effets d’un changement de capturabilité indiquent que les modèles ont obtenu

de meilleurs résultats que les modèles précédents, et que les écarts de recrutement ne sont pas extrêmement

importants (figure 20).

Modèle_2.1. Le groupe a ensuite examiné la baisse soudaine de la biomasse au cours de ces dernières années, telle

qu’estimée par l'indice brésilien de canne et moulinet. Un examen plus attentif de cet indice a révélé que le point

de données de 2009 a été estimé à partir de seulement trois jours d’échantillonnage. Le groupe a conclu que ce

point était peu susceptible d’être représentatif et qu'il influençait également la standardisation des autres

estimations annuelles de la biomasse relative. En outre, le groupe n’a pas pu estimer un autre indice excluant les

données de 2009 au cours de cette réunion et il a par conséquent décidé d’exclure la totalité de l’indice de toute

analyse ultérieure. Une fois supprimé, aucun schéma ou biais rétrospectif n’était manifeste (figure 21). En outre,

les deux scénarios ont concordé bien davantage entre eux, au moins en ce qui concerne l’état actuel du stock

(figure 20). Le groupe a procédé à l'examen final des quatre modèles possibles (Modèles_1, 2, 1.1 et 2.1) et a

décidé d’adopter le Modèle_1.1 et le Modèle_2.1 comme deux scénarios plausibles pour représenter l’état actuel

du stock.

Dans le but d’affiner plus encore la plausibilité des deux modèles possibles choisis ci-dessus, une analyse MCMC

a été menée sur chacun des paramètres estimés et l'estimation déterministe de l’état du stock (p. ex. F/FPME et

B/BPME) a été comparée à la distribution des évaluations de l’état du stock à partir de l’analyse MCMC. Au total,

501.000 scénarios de MCMC ont été réalisés, les 1.000 premiers scénarios ayant été rejetés, s'agissant d'une période

de rodage. Les scénarios restants ont été réduits de 1.000, ce qui donne un total de 5.000 scénarios pour l'analyse.

L’examen des distributions MCMC du Modèle_1.1 a révélé que la médiane des valeurs de distributions a posteriori

du paramètre de steepness était estimée se trouver considérablement plus élevée (environ 0,90) que la valeur du

prior informatif utilisé (0,70) (figure 22). La distribution de la distribution a posteriori était plutôt étroite par

rapport à la distribution du prior, ce qui suggère un signal fort dans les données d’une valeur de steepness

supérieure. Trois des paramètres de sélectivité du filet maillant étaient bien estimées, comme en témoigne la forme

« normale » des distributions a posteriori, contrairement à deux d'entre, l'un entraînant une distribution uniforme

(numéro de paramètre 1) ou l'autre étant fortement incliné vers la gauche (paramètre numéro 6). Le diagramme de

Kobe résultant du Modèle_1.1 a montré que, tandis que les estimations ponctuelles de l’état des stocks se trouvaient

dans la zone verte (ni surpêché, ni faisant l'objet de surpêche), la grappe des points selon MCMC se trouvait à

hauteur de 87 % dans la zone rouge (à la fois surpêché et faisant l'objet de surpêche) (figure 23). Cette disparité

dans les résultats rend toute perception de l’état des stocks très incertaine.

L’examen des distributions MCMC des distributions a posteriori du Modèle_2.1 suggérait que la valeur médiane

de steepness était davantage proche (environ 0,8) de celle du prior (0,7) et avait une forme que l’on pourrait

escompter de ce paramètre (de type bêta) (figure 24). Les estimations des paramètres de sélectivité du filet maillant

étaient semblables à celles du Modèle_1.1. Le diagramme de Kobe résultant avait des diagnostics plus désirables

que le Modèle_1.1 en ce sens que l'estimation ponctuelle de l'état du stock en 2014 s'inscrivait dans les intervalles

de confiance de 95 % de MCMC, mais pas dans les intervalles de confiance de 75 % (figure 25). L’estimation

ponctuelle de l’état du stock du Modèle_2.1 suggérait que le stock n’est ni surpêché ni faisant l'objet de surpêche

; toutefois, le centroïde de la grappe MCMC suggère que le stock se trouve dans la zone rouge (à la fois surpêché

et faisant l'objet de surpêche) (figure 24). Cette disparité dans les résultats rend toute perception de l’état du stock

à partir du Modèle_2.1 également incertaine.

1608

3.3 Section SRA (Méthodes capture-PME)

Dans les évaluations de stock standard effectuées dans l’Atlantique, les indices d’abondance sont des éléments

essentiels pour capter les tendances de la biomasse dans le temps. Pour les voiliers de l’Atlantique, les données de

CPUE ont montré des tendances contradictoires dans les stocks de l'Est et de l’Ouest et, par conséquent, le groupe

a tenté une méthode basée uniquement sur la capture. La principale méthode utilisée est une technique appelée

« Analyse de réduction des stocks » (Zhou et al. 2012, Walters et al. 2006, Martell et Froese 2012, Kimura et

Tagart 1982) qui exigeait des postulats concernant la biomasse initiale, le niveau de biomasse au milieu de la série

temporelle, et la gamme de niveaux de raréfaction de la biomasse au titre de la dernière année. La technique

s’appuie sur de simples modèles de production excédentaire (comme Shaefer, 1954), qui utilisent des données de

capture et une estimation de la capacité de charge et de r. Idéalement, ces modèles devraient inclure une mesure

des changements survenus dans l’abondance au fil du temps, mais comme indiqué dans Martell et Froese (2012)

et Walters et. al., (2006), une gamme étroite de paramètres r-K peut être obtenue par des techniques de simulation

qui maintiennent la population, de façon à ce qu'elle ne s’effondre pas ni qu'elle dépasse la capacité de charge K.

C’est le principe de base de la méthode qui a été élaborée et utilisée lors de l’évaluation.

Méthodes

Cette méthode de Martell et Froese (2012) est basée sur les données de capture et n'a pas besoin de données sur

l’effort de pêche ou de données de CPUE. La méthode implique plusieurs étapes. Elle applique un simple modèle

de dynamique des populations, commence avec de vastes gammes de prior pour les paramètres clés et comprend

les données de capture disponibles dans le modèle. Le modèle parcourt systématiquement des espaces de

paramètres possibles et conserve les valeurs de paramètres viables. Les valeurs mathématiquement et

biologiquement non viables sont exclues du grand groupement de données. Le modèle obtient progressivement

des paramètres de base et réalise des simulations stochastiques en utilisant ces paramètres de base pour obtenir des

trajectoires de la biomasse et des paramètres supplémentaires. Ce simple modèle a deux paramètres inconnus, r et

K. Le groupe a établi une gamme raisonnablement large de priors, par exemple, K entre Cmax et 500 * Cmax. Le

groupe a utilisé l’approche proposée dans Martell et Froese (2012) pour obtenir des estimations de la « résilience »

liées au paramètre de productivité r (de faibles niveaux de résilience indiquaient un r entre 0,05 et 0,5, une

résilience moyenne indiquait un r entre 0,2 et 1 et une résilience élevée un r entre 0,5 et 1,5). Ceux-ci ont été

comparés aux valeurs obtenues dans les publications et les méthodes alternatives.

Le groupe a exécuté le modèle (1) pour trouver toutes les valeurs de r mathématiquement viables en cherchant

dans la vaste gamme de K pour tous les niveaux de raréfaction. Si le choix viable de r et K sélectionnés correspond

aux niveaux de raréfaction intermédiaires (niveau de raréfaction de 0,1 et 1 en 1980) et aux niveaux de raréfaction

finaux (la gamme spécifiée était un niveau de raréfaction de 0,3 à 0,7 pour ces stocks d'istiophoridés), celui-ci sera

conservé. Le résumé de tous les scénarios qui répondent à ces critères est ensuite utilisé, et les valeurs de la

moyenne géométrique sont signalées comme étant la meilleure représentation des objectifs de production (Martell

et Froese, 2012). Les paramètres biologiques, y compris K, r, PME, sont obtenus du groupement retenu des valeurs

[r, K]. Les valeurs de la moyenne géométrique de ceux-ci servent ensuite à évaluer la dynamique des stocks dans

le temps et elles sont représentées dans un diagramme.

SRA Ouest

La méthode fondée uniquement sur la capture des voiliers occidentaux a estimé une PME égale à 1.317 t

(l'intervalle de confiance de 95 % se situait entre 1.130 et 1.534) et FPME égale à 0,18 (l'intervalle de confiance de

95 % se situait entre 0,09 et 0,33). La figure 26 illustre les distributions a posteriori de r, K et PME. Un résumé

des estimations des paramètres est fourni au tableau 13. Selon les estimations, l'état des stocks serait surpêché

(B2014/BPME = 0,46, intervalle de confiance de 95 % de 0,23 à 0,61) et il y aurait surpêche (F2014/FPME = 1,37,

intervalle de confiance de 95 % de 0,69 à 2,45). On constate qu'une grande incertitude entoure l’état actuel de la

pêche, alors que les intervalles de confiance de l’état de la biomasse étaient inférieurs à 1, ce qui indique que le

stock est actuellement surpêché. La trajectoire de la capture et de la biomasse du stock global est illustrée à la

figure 27.

SRA Est

La méthode fondée uniquement sur la capture des voiliers orientaux a estimé une PME égale à 1.977 t (l'intervalle

de confiance de 95 % se situait entre 1.812 et 2.157) et FPME égale à 0,13 (l'intervalle de confiance de 95 % se

situait entre 0,10 et 0,18). La figure 28 illustre les distributions a posteriori de r, K et PME. Un résumé des

estimations des paramètres est fourni au tableau 14. Selon les estimations, l'état des stocks serait surpêché

1609

(B2014/BPME = 0,49, intervalle de confiance de 95 % de 0,22 à 0,70) mais il n'y aurait pas surpêche (F2014/FPME =

0,96, intervalle de confiance de 95 % de 0,16 à 2,42). Comme pour les voiliers occidentaux, il a été noté que les

estimations de l’état de la biomasse du stock ont été beaucoup moins incertaines que le taux de mortalité par pêche

par rapport à FPME. La trajectoire de la capture et de la biomasse du stock global est illustrée à la figure 29.

3.4 Résumé des résultats de l’évaluation

Il se pourrait que les stocks de voiliers aussi bien de l'Est que de l'Ouest aient été ramenés à des tailles en-dessous

de BPME au cours de ces dernières années, mais il plane une incertitude considérable, du fait que beaucoup de

modèles examinés avaient des problèmes de convergence et que les surfaces de vraisemblance maximum étaient

plates et n’étaient pas bien définies.

Océan Atlantique Ouest

Les priors utilisés dans les modèles ont exercé une forte influence dans les modèles ASPIC examinés dans l’Ouest.

Ils n'ont pas pu fournir l’état des stocks en raison de la grande incertitude entourant les estimations des points de

référence et de la convergence généralement insuffisante du modèle. Le modèle BSPM n’a pas convergé dans

l’océan Atlantique Ouest. Les modèles intégrés ont été aussi peu concluants que les modèles ASPIC et BSPM

quant à l’état des stocks. Même si les estimations MLE ont indiqué que le stock n’était pas surpêché et ne faisait

pas l'objet de surpêche, les diagnostics MCMC ont indiqué le contraire. Des modèles alternatifs employant des

méthodes limitées en données ont suggéré que le stock dans l’Atlantique Ouest était surpêché et qu'il y avait

surpêche. Il y a une grande incertitude dans ces résultats, et ces derniers doivent être interprétés avec prudence.

Océan Atlantique Est

Les modèles BSPM, ASPIC et SRA dans l’Est montraient des tendances semblables dans les trajectoires de la

biomasse et les niveaux de mortalité par pêche ; les tendances de l’abondance donnent à penser que les stocks de

l’Est ont subi leur plus forte chute en termes d’abondance avant 1990. Différents scénarios des modèles indiquent

une tendance descendante/ascendante au cours de ces dernières années en fonction des séries de CPUE

sélectionnées. La majorité des modèles examinés dans BSPM/ASPIC/SRA indiquent que le stock est surpêché,

mais que l'état de surpêche est incertain.

4 Recommandations de gestion

Une grande incertitude plane encore sur les évaluations des stocks de l'Est et de l'Ouest. Les indices d’abondance

disponibles montrent des tendances contradictoires pour les deux stocks et l'on craint que les prises déclarées,

rejets morts compris, puissent être incomplètes. Néanmoins, il est à noter que d'importantes améliorations ont eu

lieu depuis la dernière évaluation. Davantage d'indices d’abondance sont disponibles et les standardisations ont

fait l'objet d'une amélioration générale, favorisée en partie par l’atelier sur les CPUE tenu avant cette réunion. En

outre, cette évaluation a incorporé de nouvelles données et de nouvelles approches de modélisation. Comme ce fut

le cas lors de l’évaluation du stock de voiliers de 2009 (Anon. 2010), les résultats pour le stock de l'Est étaient plus

pessimistes que pour le stock de l'Ouest en ce sens que la plupart des résultats indiquaient que la récente biomasse

du stock se situait en-dessous de BPME.

4.1 Stock de l’Est

Les voiliers de l’Atlantique Est semblent avoir subi une nette diminution depuis les années 70, atteignant un creux

au début des années 90. Tous les résultats des modèles s'accordent pour affirmer que le stock est actuellement

surpêché. Depuis 2010, les prises semblent avoir diminué sensiblement. Cependant, les modèles sont en désaccord

sur la question de savoir s'il y a ou non surpêche et si le stock est en train de se rétablir. Basé sur les résultats de

l’évaluation et compte tenu de l’incertitude associée, le groupe recommande au minimum que les prises ne

dépassent pas les niveaux actuels. En outre, compte tenu de la possibilité que la surpêche puisse se produire, la

Commission pourrait envisager des réductions des niveaux de capture.

4.2 Stock de l’Ouest

Les modèles de l’évaluation concordent sur des estimations de la PME entre 1.200 et 1.400 t. Même si les prises

actuelles sont bien inférieures à ce niveau, il est possible que la biomasse soit en dessous de BPME, auquel cas la

surpêche pourrait se produire. Sur la base des résultats de l’évaluation et compte tenu de l’incertitude associée, le

1610

groupe recommande que les prises de voiliers de l’Atlantique Ouest ne dépassent pas les niveaux actuels.

L'utilisation d’hameçons circulaires à courbure dans l'axe comme engin terminal pourrait constituer une approche

visant à réduire la mortalité par pêche. De récents travaux de recherche ont démontré que, dans le cas de certaines

pêcheries palangrières, l’utilisation d’hameçons circulaires à courbure dans l'axe s’est traduite par une réduction

de la mortalité des makaires, alors que les taux de capture de plusieurs espèces cibles sont restés au même niveau

ou dépassaient les taux de capture observés avec l’utilisation d’hameçons traditionnels en forme de « J » ou des

hameçons circulaires à courbure désaxée. Actuellement, trois Parties contractantes de l'ICCAT (à savoir, le Brésil,

le Canada et les États-Unis) imposent déjà l’utilisation des hameçons circulaires à leurs flottilles palangrières

pélagiques ou encouragent leur emploi.

5 Recommandations sur la recherche et les statistiques

1. Le groupe a examiné les paramètres disponibles du cycle vital et a constaté que plusieurs nouveaux

paramètres du cycle vital ont été estimés au cours de ces dernières années. Le groupe a recommandé que la

section consacrée aux voiliers dans le manuel de l’ICCAT reflète ces nouvelles estimations.

2. Le groupe a remarqué que l'on ne disposait pas d'estimations de croissance solides des voiliers de l'Atlantique.

Le groupe a recommandé que des paramètres de croissance soient estimés pour les stocks de voiliers de

l’Atlantique.

3. Le groupe a recommandé que de nouvelles informations sur la structure des stocks soient prises en compte

avant de futures évaluations.

4. Le groupe a examiné les données de marquage disponibles pour les voiliers, constatant que plus de 118.000

remises à l’eau de marques sont documentées pour cette espèce. La majorité des remises à l’eau ont eu lieu

au large de la côte Est des États-Unis, mais le marquage a également eu lieu au large du Venezuela et du

Brésil. Le groupe a recommandé que les données soient davantage évaluées avant la prochaine évaluation

afin de déterminer si les données peuvent être formatées pour être incorporées dans les modèles de Stock

synthèse pour les voiliers de l'Ouest.

5. Le groupe continue d’exprimer ses préoccupations concernant la qualité et l’exhaustivité des données de la

tâche 1 et 2. Par conséquent, le groupe recommande que toutes les CPC déclarent les rejets morts, tout comme

les débarquements complets et des échantillons de taille représentatifs de toutes leurs pêcheries.

6. Le groupe a recommandé que les captures de voiliers déclarées par le Ghana soient révisées en raison de

différences dans les périodes temporelles.

7. Le groupe a recommandé que les futures évaluations de l’état des stocks d'istiophoridés incluent des indices

combinés des flottilles dotées de caractéristiques opérationnelles similaires.

8. Notant les graves difficultés rencontrées dans l’interprétation et l'ajustement des indices à l'intérieur du

modèle d’évaluation des stocks, le groupe recommande des travaux visant à envisager la manière de concilier

des schémas de CPUE divergents susceptibles d'être une fonction des changements dans la distribution

spatiale des flottilles, dans l'océanographie ou le ciblage.

6 Autres questions

Le document SCRS/2016/ 095 (Plan de conservation et de gestion des istiophoridés des Caraïbes) a été mis à la

disposition du groupe depuis la date limite de soumission des documents au Secrétariat de l'ICCAT. En raison des

contraintes de temps au cours de la réunion d’évaluation, le document n'a pas été présenté à la réunion. Tous les

commentaires et informations sur le document peuvent être adressés à l’auteur.

1611

7 Adoption du rapport et clôture

Le rapport a été adopté pendant la réunion. Le rapporteur a remercié les organisateurs locaux pour l'excellente

logistique de la réunion ainsi que les participants pour leur efficacité et le travail intense accompli. Le Secrétariat

a réitéré ses remerciements aux hôtes pour l'organisation exceptionnelle de la réunion et le chaleureux appui fourni

aux participants. La réunion a été levée.

1612

Bibliographie

Anon. 2010. Report of the 2009 ICCAT Sailfish Stock Assessment Session (Recife, Brazil, June 1 to 5, 2009).

ICCAT Collect. Vol. Sci. Pap. 65(5): 1507-1632.

Anon. 2015. 2014 Intersessional meeting of the Billfish Species Group (Veracruz, Mexico, 2-6 June 2014). ICCAT

Collect. Vol. Sci. Pap. 71(5): 2139-2202.

Anon. 2016. Report of the Biennial Period, 2014-15, Part II (2015) – Vol. 2. English version. 351 pp.

Arocha, F., Narvaez M., Laurent C., Silva J. and Marcano L.A. 2016. Spatial and temporal distribution patterns of

sailfish (Istiophorus albicans) in the Caribbean Sea and adjacent waters of the western Central Atlantic, from

observer data of the Venezuelan fisheries. ICCAT Collect. Vol. Sci. Pap. 72(8): 2102-2116.

Babcock, E. and Arocha, F. 2015. Standardized CPUE from the rod and reel and small scale gillnet fisheries of

La Guaira, Venezuela. ICCAT Collect. Vol. Sci. Pap. 71(5): 2239-2255.

Babcock, EA 2007. Application of a Bayesian surplus production model to Atlantic white marlin. Col. Vol. Sci.

Pap. ICCAT, 60(5): 1643-1651.

Carruthers, T. and McAllister, M. 2011. Computing prior probability distributions for the intrinsic rate of increase

for Atlantic tuna and billfish using demographic methods. Collect. Vol. Sci. Pap. ICCAT, 66(5): 2202-2205.

Cerdenares-Ladrón De Guevara, G., Morales-Bojórquez, E., and Rodríguez-Sánchez, R. 2011. Age and growth of

the sailfish Istiophorus platypterus (Istiophoridae) in the Gulf of Tehuantepec, Mexico, Marine Biology Research, 7:5, 488-499.

Hoenig, J.M. 1983. Empirical use of longevity data to estimate mortality rates. Fish. Bull., 82: 898–903. Kimura, D.K., and Tagart, J.V. 1982. Stock reduction analysis, another solution to the catch equations. Can. J.

Fish. Aquat. Sci. 39: 1467-1472. Martell, S. and Froese, R. 2012. A simple method for estimating MSY from catch and resilience. Fish and

Fisheries. doi: 10.1111/j.1467-2979.2012.00485.x McAllister, MK and Babcock, EA. 2003. Bayesian surplus production model with the Sampling Importance

Resampling algorithm (BSP): a user’s guide. Available from www.iccat.int/en/AssessCatalog.htm McAllister, MK, EK Pikitch, and EA Babcock. 2001. Using demographic methods to construct Bayesian priors

for the intrinsic rate of increase in the Schaefer model and implications for stock rebuilding. Can. J. Fish. Aquat. Sci. 58: 1871–1890.

Meyer, R. and R. B. Millar 1999. BUGS in Bayesian stock assessments. Canadian Journal of Fisheries and Aquatic

Sciences 56(6): 1078-1087. Schaefer, M.B. 1954. Some aspects of the dynamics of populations important to the management of commercial

marine fisheries. Bulletin, Inter-American Tropical Tuna Commission 1:27-56. Then, A. Y., J. Hoenig, N.G. Hall, D.A. Hewitt. 2015. Evaluating the predictive performance of empirical

estimators of natural mortality rate using information on over 200 fish species. ICES Journal of Marine Science, 72:82-92.

Walters, C. Martell, S., and Korman, J. 2006. A stochastic approach to stock reduction analysis. Can. J. Fish.

Aquat. Sci. 63: 212-223.

Zhou, S., Yin, S., Thorson, J.T., Smith, A.D.M., Fuller, M. 2012. Linking fishing mortality reference points to life

history traits: an empirical study. Canadian Journal of Fisheries and Aquatic Science, 69: 1292–1301.

1613

INFORME DE LA REUNIÓN DE EVALUACIÓN DEL STOCK DE PEZ VELA DE 2016

(Miami, Estados Unidos –30 de mayo al 3 de junio de 2016)

1 Apertura, adopción del orden del día y disposiciones para la reunión

La reunión se celebró en la Rosenstiel School of Marine and Atmospheric Science, Universidad de Miami, Miami,

Estados Unidos, del 30 de mayo al 3 de junio de 2016. Las disposiciones locales las llevó a cabo el Dr. David Die,

con el apoyo financiero de la NOAA, a través del Cooperative Institute of Marine and Atmospheric Studies

(CIMAS). El Dr. Paul de Bruyn, en nombre del Secretario Ejecutivo de ICCAT, expresó su agradecimiento a la

Universidad de Miami por acoger la reunión y facilitar sus disposiciones logísticas.

Presidió la reunión el Dr. Freddy Arocha, relator del Grupo de especies de istiofóridos. El Dr. Arocha dio la

bienvenida a los participantes (en lo sucesivo denominados, el Grupo) y procedió a revisar el orden del día que fue

adoptado con pequeños cambios (Apéndice 1).

La lista de participantes se adjunta como Apéndice 2. La lista de documentos presentados a la reunión se

adjunta como Apéndice 3.

Los siguientes participantes actuaron como relatores de las diversas secciones del informe:

Sección Relatores

15 P. de Bruyn

16 J. Hoolihan, P. de Bruyn, G. Diaz, H. Perryman

17 M. Schirripa, R. Sharma, M. Lauretta, M. Fitchett, E. Babcock, B. Mourato

18 R. Sharma, C. Brown

19 F. Forrestal, J. Costa, F. Arocha

20 M. Perez Moreno, F. Arocha

21 P. de Bruyn

2 Resumen de los datos disponibles para la evaluación

2.1 Biología

2.1.1 Genética

En la presentación SCRS/2016/P/025 se describían los resultados preliminares de un estudio que investiga la

diferenciación genética entre los grupos de pez vela del Atlántico. Se comparó el ADN mitocondrial utilizando las

secuencias de 645 pares de base de la región de control. Hasta la fecha, se han realizado análisis de las muestras

del Atlántico noroccidental (Florida), de Senegal y de Brasil (Figura 1). Una comparación AMOVA indicó una

diferencia de moderada a fuerte Φst = 0,1020, p = 0,011) entre el hemisferio norte y el sur, así como una diferencia

moderada (Φst = 0,0783, P = 0,010) entre las muestras del Atlántico este y del oeste. En las comparaciones por

pares, la mayor diferenciación de población se observó entre los grupos del Atlántico noroeste (Florida) y africano

(Senegal) y la menor entre los grupos brasileño y africano (Senegal) (Tabla 1). Los resultados preliminares

sugieren que existe una estructura genética de stock tanto para el Atlántico este y oeste como para los hemisferios

norte y sur. Es necesario profundizar en los trabajos para elucidar y confirmar la presencia de estructura del stock.

Se prevé recoger y analizar más muestras en Côte d'Ivoire, UE-Portugal, UE-España, Venezuela y Uruguay.

2.1.2 Distribución

En el documento SCRS/2016/099 se utilizaron modelos aditivos generales (GAM) para predecir la distribución

espacial del pez vela en el golfo de México (GOM) utilizando datos del programa de observadores (PLL) (2005-

2010).

Se utilizó un enfoque delta ajustando un GAM Bernoulli con datos binomiales y un GAM Gamma con datos de

tasa de captura truncados en cero (peces/100 anzuelos). Los factores del modelo fueron año, temporada, día/noche,

profundidad del fondo del mar, altimetría, temperatura de la superficie del mar, y distancia mínima desde un frente.

Los resultados indicaban que la profundidad del fondo del mar y la temperatura de la superficie del mar eran los

1614

factores que más influían tanto en la probabilidad de capturar un pez vela como en la CPUE. Se desarrollaron

perfiles de distribución estacional para el GOM mediante la predicción de las cuadrículas de los datos

medioambientales de NCEI y AVISO (Figura 2). Los perfiles apuntaban a un flujo estacional, con una mayor

CPUE de pez vela entre abril y septiembre y tasas de captura más elevadas asociadas con frentes.

2.1.3 Edad, crecimiento, mortalidad natural y madurez por talla

El Grupo examinó y comparó los parámetros de crecimiento basados en la información pertinente recopilada a

partir de estudios de edad y crecimiento de pez vela realizados en los océanos Atlántico y Pacífico. Los debates y

la comparación de las estimaciones de curvas de crecimiento (Tabla 2, Figura 3.) condujeron al Grupo a la

conclusión de que la trayectoria de crecimiento estimada por Cerdenares-Ladrón et al. (2011) era la más plausible,

y se acordó utilizar los siguientes parámetros de crecimiento en los ensayos del modelo de evaluación exploratorio:

Linf = 206,83; K = 0,36; T0 = -0,24.

El Grupo discutió la estimación de M. Se indicó que los métodos adecuados para estimar M basándose en el

marcado-recaptura y en la edad máxima eran los descritos en Hoenig (1983) y Then et al. (2015). Considerando

que las estimaciones de M eran elevadas, el Grupo consideró aplicar la estimación de M obtenida usando el método

de Hoenig (1983) y para ser coherente con anteriores evaluaciones de istiofóridos (BUM). Por tanto, se

seleccionaron una estimación de M=0,35 (basándose en la ecuación de Hoenig de 1983) y una edad máxima media

de 12 años basándose en la información disponible sobre edad y crecimiento, y en la información de marcado

revisada durante la reunión.

Se indicó al Grupo que en la Reunión intersesiones del Grupo de especies de istiofóridos celebrada en México en

2014 (Anón. 2015) y durante la Reunión del Grupo de especies de 2015 (Anón. 2016) se había presentado y

discutido una nueva estimación de madurez por talla y que tuvo como resultado una nueva estimación de L50 de

142,12 cm LJFL (@ 3 años) mediante la combinación de las muestras reproductivas brasileñas y venezolanas para

producir la nueva estimación de L50 para el pez vela occidental.

2.2. Captura, esfuerzo y talla

Las estadísticas de captura nominal de Tarea I (T1NC) de pez vela por stock, pabellón y arte, se presentan en la

Tabla 3 y por stock en la Figura 4. La Secretaría informó al Grupo de que se habían actualizado las series de

captura históricas para Venezuela (palangre artesanal).

El Grupo constató que en lo que concernía a dos pesquerías clave, o faltaban datos (Granada) o las capturas

declaradas eran muy bajas (pabellones combinados FR y ES) para los años recientes. En el caso de Granada, el

Grupo decidió que para la evaluación, se traspasaría el promedio de las capturas declaradas entre 2007 y 2009 (los

tres últimos años de datos declarados por la CPC) a los años 2010 a 2014 (191 t por año). Para la flota de pabellones

combinados, el Grupo estimó las capturas del stock de pez vela del este realizadas de forma fortuita por la flota de

cerco tropical de la UE mediante un método estimador de ratio estratificado y con la base de datos de observadores

de cerco de la UE. La captura fortuita de pez vela observada se relacionó linealmente con la captura de atún

observada en operaciones sobre bancos libres y sobre bancos asociados con DCP. Se estratificaron por año y modo

de pesca las operaciones observadas y la captura de túnidos tropicales de la base de datos de Tarea II. Se calcularon

los estimadores de ratio de captura fortuita de pez vela utilizando la media de captura fortuita de pez vela observada

en cada estrato y dividiéndola por la media de captura de atún observada en cada estrato. Este estimador de ratio

se aplicó a la captura de atún total comunicada para cada estrato, lo que produjo estimaciones totales de captura

fortuita de pez vela. Los resultados de este análisis se presentan en las Tablas 4 a y b para las capturas asociadas

con DCP y en bancos libres, respectivamente. El Grupo constató que este análisis indicaba casi con total seguridad

que las capturas comunicadas en los datos de Tarea I son muy probablemente inferiores a las capturas reales. Por

tanto, el Grupo decidió con fines de evaluación aplicar el traspaso del promedio de las capturas comunicadas entre

2008 y 2010 a los años 2011 a 2014 (275 t por año).

El Grupo constató el fuerte descenso que se había producido en las capturas totales declaradas de pez vela desde

2010. Aunque no está claro el nivel de precisión de las capturas totales antes de dicha fecha, varios factores

potenciales podrían haber dado lugar a un descenso en la comunicación de las capturas en los años recientes. Por

ejemplo, esta reducción en las capturas podría deberse a acciones de ordenación o a cambios en las operaciones de

pesca (como cambios en la estrategia de pesca en función de la especie objetivo para muchos buques palangreros

comerciales). En lo que concierne a la ordenación, podría haberse producido una cierta reducción en las capturas

de pez vela debida al plan de recuperación de istiofóridos promulgado en 2005. Se constató que este plan se

centraba solo en especies de marlines, pero se especuló si también podría haber afectado al pez vela. En lo que

1615

concierne a esta acción de ordenación, el Grupo constató que no se proporciona información sobre liberaciones de

ejemplares vivos y, por tanto, si la medida de ordenación ha fomentado que no se retengan las capturas de marlines,

estas liberaciones potenciales no se han declarado. Muy pocas flotas comunican información sobre descartes de

ejemplares muertos de pez vela, y esto hace que resulte imposible cuantificar estas capturas potenciales. El Grupo

consideró la posibilidad de que el reciente descenso en las capturas pueda deberse a que se haya producido un

incremento, aunque no declarado, de los descartes de ejemplares muertos y vivos. En general, el Grupo manifestó

su inquietud con respecto a la persistencia de un elevado nivel de incertidumbre en cuanto a las extracciones totales.

Durante la reunión de evaluación del stock de pez vela de 2009 (Anón 2010), se comunicó que los datos de captura

y esfuerzo de Ghana utilizados en la estandarización de la CPUE para la pesquería de redes de enmalle presentaban

patrones muy diferentes en las relaciones entre CPUE, mareas y número de canoas cuando se comparaban con

datos anteriores o posteriores a 1992. Dichas diferencias hicieron que, en 2009, el Grupo excluyera los datos de

CPUE de Ghana anteriores a 1992. Dicho patrón volvió a observarse al estandarizar los datos para preparar la

evaluación actual (SCRS/P/2016/027). Además, los niveles de captura anteriores y posteriores a 1990 son muy

diferentes, y antes de 1992 la composición por especies de los desembarques de marlines comunicada por Ghana

presenta importantes diferencias con respecto a la anterior a 1989. El Grupo llegó a la conclusión de que se habían

estimado de forma incorrecta las capturas de pez vela de Ghana entre 1956 y 1989.

Para probar la sensibilidad de los resultados de la evaluación a las estimaciones de captura de pez vela de Ghana,

durante la reunión se desarrolló una serie alternativa de capturas de pez vela para Ghana para el periodo 1957-1989

(Apéndice 4).

Se presentaron al Grupo los catálogos de datos de pez vela para los datos de captura y esfuerzo de Tarea II (T2CE)

y la información sobre tallas de Tarea II (T2SZ) para los stocks del Atlántico este y oeste. Esta información se

presenta en las Tablas 5a y 5b, respectivamente. El Grupo constató que había muchas lagunas en estos conjuntos

de datos lo que limita la capacidad del Grupo de utilizar modelos integrados de evaluación de stock. Sin embargo,

el Grupo constató que existen muchos datos relacionados con la información sobre talla (sobre todo para

Venezuela) procedentes del Programa de investigación intensiva sobre marlines y del JDMIP (Arocha et al. 2016),

y que dichos datos se están recopilando con miras a su inclusión en la base de datos de ICCAT aunque no sean

datos oficiales de Tarea II presentados por las CPC. Además los datos CE de Tarea II no suelen utilizarse en las

evaluaciones de stock de pez vela, ya que las CPC suelen proporcionar índices de CPUE estandarizados que utilizan

datos más exhaustivos que los disponibles en el conjunto de datos de Tarea II.

Los datos de marcado convencional de pez vela disponibles en la base de datos de ICCAT se presentan en la Tabla

6. Entre 1950 y 2011 se liberaron en total se 115.743 ejemplares marcados de pez vela. El número total de

ejemplares recuperados se sitúa en 2.020, lo que supone una ratio media de recuperación de aproximadamente el

1,7%. El movimiento aparente (desplazamientos rectos entre las posiciones de liberación y recuperación que se

presentan en la Figura 5 (completados con los mapas de densidad de liberación y recuperación de la Figura 6

indica que la mayor parte de las operaciones de marcado de pez vela tuvieron lugar en el Atlántico occidental. El

Grupo reconoció el importante trabajo (científicos nacionales y Secretaría) que hay tras la base de datos de marcado

de ICCAT de pez vela, y resaltó el elevado número de ejemplares que se había marcado. El Grupo recomendó que

en el futuro se exploren metodologías para incluir esta importante información en el marco de la evaluación de

stock.

2.3 Índices de abundancia relativa

Durante la reunión se presentaron al Grupo los siguientes documentos con índices de abundancia para el stock

occidental:

En el documento SCRS/2016/075 se indicaba que había datos disponibles de captura y esfuerzo de pez vela

(Istiophorus albicans), aguja blanca (Tetrapturus albidus) y aguja azul (Makaira nigricans) de la pesquería de

recreo de caña y carrete con base en el Playa Grande Yacht Club, Venezuela central, desde 1961 hasta 2001.

También hay datos disponibles de una pesquería artesanal de redes de enmalle en la misma zona para 1991-2014.

Cada conjunto de datos se estandarizó de forma independiente utilizando un modelo lineal mixto generalizado

(GLMM). Los dos conjuntos de datos se combinaron también en un análisis GLMM que incluía el año, la

temporada, la pesquería y algunas interacciones de dos direcciones como posibles variables explicativas. El

análisis combinado produjo un índice de abundancia de CPUE que va desde 1961 a 2014. El índice muestra un

descenso seguido de un periodo de estabilidad tanto para el pez vela como para la aguja blanca.

1616

El Grupo preguntó si en el análisis se habían incluido las mareas sin capturas. Se indicó que los datos para ambos

artes (caña y carrete de recreo y redes de enmalle) correspondían a resúmenes mensuales, y que casi todos los

resúmenes mensuales tenían capturas positivas. Se debatió la cuestión de que, dado que ambas pesquerías se

desarrollan en una zona considerada como un "punto álgido", la posibilidad de que haya mareas sin capturas de

pez vela es extremadamente baja. El Grupo constató que algunos diagnósticos del modelo mostraban cierta

desviación con respecto a los supuestos. Se debatió si el hecho de añadir un valor constante al modelo podría haber

creado el patrón observado en los residuos. Siguiendo el consejo de los autores, el Grupo convino en utilizar

índices individuales en vez del índice combinado, tal y como se sugirió inicialmente en Babcock y Arocha, 2015.

En el documento SCRS/2016/093 se presentaba un índice de abundancia para el pez vela de la pesquería de torneos

de recreo de marlines de Estados Unidos para el periodo 1972-2014, y para las pesquerías de recreo sin torneos

para el periodo 1981-2014. Se estimó la captura por unidad de esfuerzo de los torneos (número de ejemplares

capturados por 100 horas de pesca) a partir de los datos de captura y esfuerzo presentados por los coordinadores

de los torneos de recreo y por los observadores del Servicio nacional de pesquerías marinas de Estados Unidos, en

el marco del Programa de prospección de pesquerías de recreo de marlines. Se aplicó un proceso de selección para

restringir los datos a los torneos dirigidos sobre todo al pez vela, que utilizan solo cebo vivo, a lo largo de la costa

este de Florida. Los datos de pesquerías de recreo no procedentes de torneo fueron compilados por la Prospección

estadística de pesquerías marinas de recreo (MRFSS). En el procedimiento de estandarización de la captura por

unidad de esfuerzo se incluyeron las variables año, área y temporada. Los índices estandarizados se estimaron

utilizando modelos lineales mixtos generalizados con un enfoque de modelo delta lognormal.

Los autores explicaron que los datos de la MRFSS cubrían una zona más amplia (los datos incluidos abarcan una

zona que se extiende desde Carolina del norte hasta Texas) que los datos de los torneos y, por tanto, se utilizaron

para ver si había algún indicio de que el stock se estaba desplazando o expandiéndose hacia el norte, hipótesis que

se había planteado para el pez espada del Atlántico norte. Sin embargo, los autores indicaron que no existen

pruebas de que esto se esté produciendo. El Grupo debatió las dificultades que plantea identificar la especie

objetivo en los datos de la MRFSS, lo que podría afectar al número de mareas con capturas cero incluidas en el

análisis. El Grupo también indicó que los diagnósticos del modelo para el índice MRFSS mostraban una marcada

evidencia de que se había infringido el supuesto de normalidad. Por tanto, el Grupo respaldó la decisión que se

había adoptado en la Evaluación de stock de pez vela de 2009 (Anón. 2010) de no incluir el índice MRFSS en la

evaluación de stock de pez vela de 2016 y de incluir únicamente el índice de torneos.

En el documento SCRS/2016/092 se analizaban los datos de captura y esfuerzo de 73.810 lances realizados por la

flota atunera brasileña de palangre (de buques nacionales y fletados) en el Atlántico sudoccidental y ecuatorial

entre 1978 y 2012. La zona de pesca se distribuía a lo largo de una amplia zona del Atlántico meridional y

ecuatorial, entre 3ºW y 52ºW de longitud y 011ºN y 40ºS de latitud. Se estandarizó la CPUE del atún blanco

mediante modelos mixtos lineales generalizados (GLMM) utilizando un enfoque delta lognormal. Los factores

usados en el modelo fueron: año, estrategia de pesca, trimestre, área, temperatura de la superficie del mar, y las

interacciones año:estrategia, año:área y año:trimestre. La serie de CPUE estandarizada de pez vela presentaba una

tendencia decreciente gradual, especialmente después del año 2000.

El Grupo preguntó al autor cómo había obtenido los datos SST utilizados la estandarización, y se indicó que se

trataba de datos vía satélite. El Grupo sugirió también que era preferible incorporar los datos SST en los modelos

como variables categóricas (intervalos) en vez de como una variable continua, ya que muchas especies tienen una

gama de temperaturas preferidas y su respuesta a la temperatura no es lineal. Al igual que ha sucedido con otros

Grupos de especies, el Grupo mantuvo un largo debate sobre la metodología utilizada para definir las tres

estrategias de pesca (FS). El Grupo manifestó su preocupación por el hecho de que la interacción estrategia de

pesca:año fuera importante, lo que significa que la capturabilidad de estas 3FS cambia en el tiempo. Se debatió si

dicho efecto podría enmascarar los cambios reales en la abundancia del stock. Como posible solución, el Grupo

sugirió que se estimasen las CPUE individuales para cada estrategia de pesca o solo para la estrategia de pesca

(FS) que tuviese la CPUE media más elevada. Como alternativa, el Grupo sugirió excluir del modelo la interacción

estrategia de pesca: año. En el caso de que las CPUE nominales y estandarizadas sean similares, el mantenimiento

de esta interacción en el modelo no debería plantear muchas dificultades.

Durante la reunión se presentaron al Grupo los siguientes documentos con índices de abundancia para el stock

oriental:

La presentación SCRS/P/2016/026 presentaba un índice de abundancia estandarizado para la pesquería artesanal

de Senegal para el periodo 1981-2015. Los principales artes de la pesquería son curricán, liña de mano y red de

1617

enmalle que captura pez vela de forma incidental. Los datos de captura y esfuerzo utilizados corresponden a

resúmenes mensuales de captura y esfuerzo (n =1.076). El índice estandarizado se estimó utilizando un GLMM.

Los principales factores probados en el modelo fueron año, área, mes y arte. Se consideraron dos modelos, uno

solo con los factores principales y otro con los factores principales y las interacciones. La selección del modelo se

basó en AIC. El modelo final utilizado para estimar el índice estandarizado incluía los factores año, área, arte y

mes e interacciones año:área, año:arte; área:arte y arte:mes El índice estandarizado estimado no mostraba una

tendencia discernible en los primeros veinte años de la serie temporal y mostraba una tendencia descendente

después del año 2000.

El Grupo indicó que en el análisis se utilizaron datos agregados mensualmente, y que los datos usados en el modelo

correspondían a observaciones positivas (N=1.072 observaciones positivas). El examen de la CPUE media por

factor mostró que había coherencia entre los resultados y lo que se conoce sobre la pesquería. Más específicamente,

que el curricán realiza más capturas que el cerco (que se dirige a las sardinas) y que estas capturas mayores se

producen durante los meses de afloramiento. La importante interacción año:mes respalda la observación

anecdótica de que se ha acortado la duración del periodo en el que el pez vela está presente en la zona de estudio.

El Grupo observó que las CPUE estimadas para los años 2013 y 2014 eran notablemente menores que en el resto

de la serie temporal, y el autor indicó que esto era el resultado de nuevas reglamentaciones de ordenación. Por

tanto, el Grupo solicitó que se reestimara el índice sin incluir los dos últimos años de datos (2014 y 2015). Durante

la reunión, el autor facilitó un nuevo índice estimado sin los dos últimos años de datos.

La presentación SCRS/P/2016/027 incluía un índice estandarizado de abundancia para la pesquería artesanal de

redes de enmalle de deriva de Ghana para el periodo 1974-2013. Los datos utilizados correspondían a resúmenes

mensuales de datos de captura y esfuerzo. No se incluyeron, como parte de la serie temporal, datos para los años

1983 y 2010. El procedimiento de estandarización utilizó un GLM. Los factores probados en el modelo fueron

año, trimestre, temporada de pesca, número de canoas, y las interacciones año:trimestre y año:temporada de pesca.

Los factores incluidos en el modelo final fueron año, trimestre y la interacción año:trimestre. Aunque con

variaciones, los mayores valores de CPUE se observaron a finales de los 80 y en los 90. Los valores del índice

para los tres últimos años de la serie temporal (2011-2013) fueron los más bajos desde 1991. El Grupo solicitó que

se estimara un nuevo índice separado para los periodos 1974-1990 y 1991-2013. Dichos índices se facilitaron

durante la reunión.

El documento SCRS/2016/098 analizaba las tendencias de captura, esfuerzo y CPUE estandarizada para el stock

oriental de pez vela del Atlántico (Istiophorus albicans) capturado por la flota de palangre pelágico portuguesa

entre 1999 y 2015. Las CPUE nominales anuales se calcularon como kg/1.000 anzuelos, y fueron estandarizadas

con modelos lineales generalizados (GLM) con una distribución Tweedie y utilizando año, trimestre, área y efectos

de especie objetivo (ratios) como variables explicativas. La bondad del ajuste del modelo se determinó con AIC y

con el pseudo coeficiente de determinación, y la validación del modelo se realizó con un análisis residual. La serie

final de las CPUE estandarizadas muestra un descenso general en los años iniciales, entre 1999 y 2010, seguido

de un aumento general en los años más recientes, hasta 2015, con algunas oscilaciones interanuales. Este

documento presenta el primer índice de abundancia para el pez vela del Atlántico estimado a partir de capturas de

la flota de palangre pelágico portuguesa en el Atlántico este, y puede utilizarse en futuras evaluaciones de stock

de esta especie.

El Grupo recomendó que en futuras versiones de este índice se incluya también la CPUE media estimada para

cada factor del modelo.

Durante la reunión, se presentaron al Grupo los siguientes documentos con índices de abundancia para los stocks

oriental y occidental:

El documento SCRS/2016/071 presentaba tasas de captura estandarizadas del pez vela (Istiophorus albicans)

obtenidas a partir de 10.615 observaciones en mareas de la flota de palangre de superficie de UE- España que se

dirigió al pez espada durante el periodo 2001-2014. En aproximadamente el 28% de estas mareas, se halló al menos

un ejemplar de esta especie. Debido a la escasa prevalencia de esta especie en esta pesquería, se elaboró la CPUE

estandarizada usando un modelo lineal mixto generalizado asumiendo una distribución de error delta lognormal.

Los resultados obtenidos indican que la tendencia global de la CPUE estandarizada era similar para todas las zonas

atlánticas y para los stocks oriental y occidental. Se identificó una tendencia creciente global para todas las zonas

del Atlántico y para los stocks oriental y occidental para todo el periodo de 2001-2014, con algunas fluctuaciones

en los años más recientes.

1618

El Grupo preguntó por la razón de definir las diferentes áreas usadas en la estandarización de las CPUE. Se indicó

que las áreas definidas eran similares a las usadas para el análisis de la misma flota para la especie objetivo y otras

especies, y representan una aproximación de las temperaturas del mar a 50 m de profundidad. Otros elementos que

se tuvieron en cuenta para definir la estructura espacial para el análisis incluían los límites actuales del stock

asumidos por ICCAT para esta especie, y las condiciones medioambientales en las capas de la superficie entre las

zonas del este y el oeste, así como las del norte y sur. Además, la distribución de la flota en las zonas respectivas

durante todo el año y las observaciones disponibles también desempeñan un papel importante a la hora de decidir

las definiciones espaciales y temporales para el análisis. El Grupo acordó utilizar en la evaluación los índices

individuales presentados para cada stock (este y oeste) en lugar del índice presentado también para todo el

Atlántico.

El documento SCRS/2016/094 presentaba las CPUE estandarizadas estimadas para el pez vela capturado por la

pesquería atunera de palangre japonés en el Atlántico oriental y occidental utilizando los datos de los cuadernos

de pesca durante 1994-2014. Se usó un modelo delta lognormal para estandarizar la CPUE nominal. Los cambios

anuales en las CPUE estandarizadas para el stock del Atlántico occidental mostraban una fuerte fluctuación. La

serie temporal tenía una tendencia ligeramente descendente desde 1994 hasta 2007 y después de eso, la serie

temporal aumentaba bruscamente y se mantenía en niveles elevados. Los cambios anuales en las CPUE

estandarizadas para el stock del Atlántico oriental eran considerablemente débiles. La serie temporal presentaba

una tendencia ligeramente descendente entre 1994 y 2001, mientras que, tras dicho periodo, mostraba una

tendencia ascendente. Los intervalos de confianza del 95% no eran amplios para los stocks de pez vela del

Atlántico oriental y occidental. Estos resultados sugieren que el nivel actual del stock adulto de pez vela en el

Atlántico oriental y occidental ha aumentado en años recientes en comparación con el de los 90 y los 2000.

Los autores indicaron que el uso del modelo de hábitat debería descartarse debido a la falta de información sobre

distribución vertical para el pez vela. Sin embargo, el Grupo indicó que la información sobre distribución vertical

ha estado disponible desde 2009, y recomendó que dicha información se incorpore en el futuro. El Grupo observó

que el índice estandarizado para el stock occidental está por debajo del índice nominal para toda la serie temporal.

Se debatió el hecho de que el índice comenzase en 1994 debido a que antes de ese año los datos no separaban las

capturas de pez vela y Tetrapturus spp. En la Reunión de evaluación del stock de pez vela de 2009 (Anón. 2010),

se incluyó en el análisis un índice de Japón que cubría el periodo 1960-2007. Se indicó al Grupo que dicho índice

se había desarrollado durante la reunión de evaluación usando los datos de CATDIS y las ratios estimadas de pez

vela/Tetrapturus spp. en la captura. El Grupo preguntó si la presencia de Tetrapturus spp. en las ratios estimadas

era importante, y se le informó de que, en algunas zonas, hasta el 30-40% de las capturas eran de Tetrapturus spp.

El Grupo señaló que, en el Atlántico oriental, las capturas de rabil en número de la flota japonesa de palangre eran

superiores a las capturas de patudo cuando se utilizaban menos de 15 anzuelos entre flotadores, mientras que

ocurría lo contrario cuando se utilizaban más de 15 anzuelos entre flotadores. Sin embargo, en el Atlántico

occidental no era evidente la misma tendencia. El Grupo discutió la implicación de estas observaciones, pero se

llegó al acuerdo de que no hay suficiente información disponible para interpretar estos particulares resultados. El

Grupo convino en utilizar en la evaluación el índice recientemente estimado para cada stock para el periodo 1994-

2014 y en utilizar (como índice separado) la CPUE histórica estimada por el Grupo en la Reunión de evaluación

del stock de pez vela de 2009 (Anón. 2010) solo para el periodo 1960-1993. El Grupo indicó que la fuerte

interacción año:área y, sobre todo, un aparente aumento en las capturas del Caribe occidental podrían requerir una

partición espacial más fina que las toscas áreas actuales usadas en el modelo. Estas podrían ser las áreas elegidas

por el método de partición adaptativo originalmente propuesto en el documento. Para solucionar esta inquietud, el

índice se separó en dos periodos diferentes en el modelo Stock Synthesis (véase la sección 3.2.3 para más detalles).

El documento SCRS/2016/102 introducía los datos de captura y esfuerzo del pez vela (Istiophorus platypterus)

recopilados y analizados para la pesquería de palangre pelágico de aguas distantes de Taipei Chino en el Atlántico

para el periodo 2009-2015. La captura en número observada en los cuadernos de pesca y la estimada usando la

ratio de captura de pez vela entre las dos especies (pez vela y Tetrapturus pfluegeri) se usaron para calcular la

CPUE nominal (captura por unidad de esfuerzo) y, posteriormente, la CPUE se estandarizó usando modelos

lineales generalizados (GLM). En la estandarización se consideraron dos stocks separados de pez vela, oriental y

occidental, con información sobre el tipo de operación (es decir, anzuelos por cesta) incluida como un efecto

potencial en los modelos. Los principales efectos eran estadísticamente significativos en los análisis del GLM,

excepto el mes y la longitud en la estandarización del stock occidental. Sin embargo, los índices de abundancia

relativa mostraban tendencias similares y constantes para los dos escenarios sobre datos de captura. La CPUE

estandarizada del pez vela del Atlántico oriental aumentaba desde 2009 hasta un mayor nivel y posteriormente

caía en años recientes (2014-2015), mientras que para el stock occidental, la CPUE mostraba una tendencia

descendente entre 2010 y 2014 con un ligero aumento en 2015.

1619

El Grupo constató que los datos utilizados no incluían observaciones con capturas cero. El autor indicó que

aproximadamente el 19% de las observaciones tenían capturas positivas de pez vela, y que el porcentaje era

bastante constante. El Grupo preguntó cuán estable era la ratio pez vela - Tetrapturus spp.. Se observó que la ratio

era bastante variable, dado que las capturas de estas especies son poco frecuentes. El autor indicó que se usaron

los datos del cuaderno de pesca para estimar las ratios por área, y se asumió que las ratios permanecían constantes

en el tiempo. El Grupo indicó que las ratios podrían no haber sido constantes a lo largo de toda la serie temporal,

pero con este supuesto debería ser posible usar las ratios para estimar la serie de CPUE anterior a 2009.

El Grupo debatió la posibilidad de combinar los datos de las pesquerías de palangre de UE-España y UE- Portugal

para estimar un índice combinado para el pez vela oriental y, potencialmente, ampliar este enfoque para combinar

datos de otras flotas. Este enfoque de combinar datos de diferentes flotas para estimar los índices de abundancia

se está explorando actualmente para otras especies como el atún rojo. El Grupo reconoció la importancia de contar

con índices estandarizados de las pesquerías artesanales de Senegal y Ghana, y de las pesquerías de palangre de

UE-España y UE-Portugal. El Grupo agradeció a los autores estos documentos y su importante contribución al

proceso de evaluación.

El Grupo dispuso también de otros índices de abundancia que fueron presentados en la Reunión intersesiones del

Grupo de especies de istiofóridos de 2014 (Anón. 2015) y en las reuniones de los Grupos de especies del SCRS

de 2015 (Madrid, 21-25 de septiembre de 2015). Las Tablas 7 y 8 (y las Figuras 7 y 8) muestran los índices de

abundancia usados para los stocks occidental y oriental, respectivamente.

3 Evaluación de stock

3.1 Stock oriental

3.1.1 Modelos de producción bayesianos

Métodos

Para la población del Atlántico oriental, se ejecutaron modelos de producción Bayesianos usando tanto el modelo

BSP disponible en el catálogo de métodos de ICCAT (BSP-VB, Babcock 2007, McAllister y Babcock 2003) como

una versión JAGS del mismo modelo basada en Millar y Meyer (1999, BSP-JAGS). Véase el Apéndice 5 para

más detalles sobre las especificaciones, diagnósticos y análisis de sensibilidad del modelo.

Para todos los ensayos del modelo, la distribución previa para la biomasa en el primer año relativa a K (Bo/K) era

lognormal, con una media de 1 y un CV de 0,2 excepto para un análisis de sensibilidad que fijaba Bo/K en 1. La

distribución previa para K era uniforme en log(K) entre log(10) y log(1E6). La distribución previa para r se calculó

usando el método demográfico de Carruthers y McAllister (2011), como se muestra en el Apéndice 6. Dado que

se usó la fase temporal anual, los parámetros de entrada eran una media de 0,57 y un CV de 0,3. En un análisis de

sensibilidad, la media se estableció en igual a 0,3 con un CV de 0,3. Las distribuciones previas no informativas se

utilizaron para el coeficiente de capturabilidad para cada índice de CPUE (q), usando una distribución uniforme

en BSP-VP y una distribución de gama inversa en BSP-JAGS. Se usaron las mismas distribuciones previas para la

varianza residual en los casos en lo que sigma era estimada.

Ninguno de los modelos BSP-VB incluía error de proceso. Para los modelos BSP-JAGS, el error de proceso se fijó

en 0,05, excepto en los ensayos de sensibilidad en los que sigma se estableció o en 0,00001 o en 0 para evaluar el

efecto de eliminar el error de proceso. Los modelos variaban en los índices que se incluían, en cómo se ponderaban

los índices y en las distribuciones previas para r y Bo/K (Tabla 9). Los índices incluidos era bien aquellos con una

tendencia ascendente (Japón-temprano, Japón-tardío, Taipei Chino, y UE-España) o bien aquellos con una

tendencia descendente (Japón-temprano, Senegal, Ghana, Côte d'Ivoire, UE-Portugal). Los índices se ponderaron

igualmente con una varianza estimada o se ponderaron por captura (precisión de entrada igual a la fracción de la

captura total asociada con cada índice) o cada índice tenía su propia varianza residual estimada.

Resultados

Los modelos BSP-VB sin error de proceso no convergían bien, especialmente para el caso con una varianza

estimada para cada serie. La estimación Hessiana de la varianza para algunos parámetros era cercana a cero, aunque

el muestreo de importancia estimaba distribuciones muy amplias para los parámetros, lo que indica que el modelo

podría no haber estimado de forma precisa la moda de la distribución posterior. Las distribuciones posteriores del

1620

modelo eran muy similares a las distribuciones previas tanto para K como para r, incluso aunque K tenía una

distribución previa no informativa. Por tanto, los valores medios de K eran órdenes de magnitud mayores que los

valores procedentes de otros modelos aplicados al mismo conjunto de datos. Dado que el modelo no era capaz de

hallar ninguna información en los datos, estos resultados del modelo no son creíbles. Véase el Apéndice 5 para

más detalles.

Los modelos BSP-JAGS con error de proceso proporcionan mejores diagnósticos de convergencia. Los modelos

ponderados por captura producen mejores distribuciones posteriores para r que eran bastante similares a las

distribuciones previas (véase el Apéndice 5), probablemente a causa de que se asignaron a los datos ponderaciones

muy bajas en relación con las distribuciones previas. Debido a esto, los resultados eran muy inciertos, y los

intervalos de confianza del 95% para B/ BRMS incluían un rango desde casi cero a más de 4 para algunos años

(Tabla 10, Figura 9). Los modelos que estimaban la varianza residual proporcionaban intervalos creíbles más

estrechos para B/BRMS y F/ FRMS. Todos los modelos distintos a los de ponderación por captura estimaban una

media posterior de r que era superior que la previa; estos valores elevados de r podrían no ser biológicamente

realistas.

Todos los modelos estimaban una biomasa inicial que estaba por debajo de BRMS, probablemente porque los

modelos intentaban ajustar la gran variabilidad en la serie de palangre japonés en los 60 combinada con capturas

muy bajas. Todos los ensayos eran similares durante la primera parte de la serie temporal, pero los ensayos con

índices crecientes frente a los que tenían índices decrecientes divergían en los años recientes ya que la trayectoria

de la mediana de la biomasa sigue los índices. Las estimaciones de RMS estaban entre 5.000 t y 13.000 t y el estado

actual del stock estaba por debajo de BRMS en todos los ensayos. El hecho de que la población esté mermada a

pesar de que las capturas nunca hayan estado por encima del RMS es sorprendente, pero podría explicarse por el

hecho de que el error de proceso permitió al modelo seguir la tendencia descendente en los índices a pesar de las

capturas relativamente bajas. Incorporar el error de proceso implica que se permite a la biomasa variar

aleatoriamente, sin seguir necesariamente la serie temporal de captura exactamente. Por tanto, las estimaciones de

población podrían descender si los índices están descendiendo, incluso aunque las capturas declaradas sean bajas.

Los tres posibles escenarios que podrían explicar esto son: (1) que las capturas declaradas sean inferiores a las

capturas reales, (2) que exista un descenso en la abundancia no causado por las capturas y/o (3) el RMS real podría

ser inferior a la estimación del modelo debido a la incertidumbre en los datos.

La mortalidad por pesca actual está por debajo de FRMS en algunos de los ensayos con índices ascendentes, y muy

por encima de FRMS en los modelos con índices descendentes. En general, los ensayos BSP-JAGS son coherentes

con una población que ha descendido y podrían estar recuperándose o no dependiendo de cuáles índices, si hay

alguno, siguen la abundancia. Sin embargo, estos resultados son muy inciertos.

3.1.2 ASPIC

Durante la evaluación de 2009, se usó ASPIC 5.0 para ajustar los modelos de producción para el pez vela en el

Atlántico oriental. En esta evaluación se usó ASPIC 7.0. Aunque ASPIC 7.0 permite introducir distribuciones

previas para los parámetros iniciales, esta opción no se utilizó en esta evaluación para el pez vela del Atlántico

oriental.

Después de examinar los diferentes índices disponibles para la evaluación del stock oriental, el Grupo acordó, de

forma similar al enfoque usado para el stock occidental, agrupar los índices en dos escenarios diferentes. Un

escenario contiene los índices que presentaban tendencias positivas en los últimos años de la serie temporal y el

otro escenario los índices que presentaban tendencias negativas. Además, el Grupo acordó que el índice de

abundancia relativa para Ghana debería separarse en dos series, Ghana1 (1974-1987) y Ghana2 (1992-2014).

En los ensayos de ASPIC se usaron los siguientes escenarios de índices de CPUE:

E1) Las recientes tendencias en los índices son negativas: Japón1, Ghana1, Ghana2, Senegal, Cote

d’Ivoire, UE-Portugal (‘Neg’)

E2) Las recientes tendencias en los índices son positivas: Japón1, Japón2, Ghana1, UE-España, Taipei

Chino (‘Pos’)

E3) Todos los índices: Japón1, Japón2, Ghana1, Ghana2, Senegal, Cote d’Ivoire, UE-Portugal, UE-

España, Taipei Chino

E4) Como E1 pero con una captura para Ghana anterior a 1990 recalculada

E5) Como E3 pero con una captura para Ghana anterior a 1990 recalculada

E6) Como E1 pero con la CPUE de Ghana como una única serie ininterrumpida

1621

En todos los casos, los índices de CPUE recibieron una ponderación igual en el ajuste. Como parte de los

diagnósticos del modelo, los patrones retrospectivos se ejecutaron usando datos hasta 2013, 2011, 2009 y 2007.

La incertidumbre se evaluó ejecutando 500 bootstraps en ASPIC.

Resultados

Las estimaciones de FRMS, RMS y K parecían muy sensibles a las tendencias de CPUE utilizadas. Por lo tanto, los

resultados para los diferentes escenarios eran significativamente diferentes (por ejemplo, E1 frente a E2). ASPIC

ajusta mejor los escenarios que omiten datos para el periodo 1988-1990 del índice Ghana1 y separan las series de

Ghana en dos índices (E1-E5). ASPIC presenta problemas para converger, o no converge, para los escenarios con

una única serie de Ghana (E6).

Los ensayos que usan la CPUE con tendencias positivas producían estimaciones diferentes de la biomasa actual y

la explotación que los ensayos que usan la CPUE con tendencias negativas o todos los índices combinados. Sin

embargo, los ajustes y las estimaciones de parámetros para FRMS, K y RMS con trayectorias positivas eran muy

sensibles a la serie de captura utilizada (Tarea I o serie alternativa de Tarea I) y ajustaban los índices observados

muy pobremente. Los ensayos con captura alternativa bien no convergían o tocaban el límite superior de FRMS

(1,5). Los ensayos que usaban la CPUE con tendencias negativas y ambas series de Ghana parecían los menos

sensibles al uso de diferentes series de captura y presentaban el mayor valor de contraste en ASPIC. Además, las

tendencias históricas de B/ BRMS y F/ FRMS para el periodo hasta 2007 para los escenarios son coherentes con los

resultados de la evaluación de 2009.

El modelo no ajustaba con los escenarios (E2 y E5) con tendencias positivas recientes y las soluciones tocaban la

limitación superior de FRMS (1,5) (Tabla 11). Se consideró que dichos valores elevados no son biológicamente

plausibles y, por tanto, los resultados para estos escenarios no se consideraron más.

Los otros dos escenarios (E1 y E4) permitieron al modelo converger y ambos sugerían que el stock está

sobrepescado y experimentando sobrepesca. El escenario E4 es más optimista y sugería que en los dos últimos

años no se está produciendo sobrepesca, mientras que el escenario E1 indicaba que la sobrepesca continúa.

Para los escenarios E2 y E5, los resultados deterministas sugieren que el stock estaba previamente sobrepescado,

en décadas anteriores, y actualmente no está experimentando sobrepesca, el ensayo E3 de ASPIC sugiere que la

sobrepesca podría haber cesado en los dos últimos años y el stock se está recuperando.

Lamentablemente, al escenario E3 no pudo hacérsele el bootstrap por lo que los únicos resultados de bootstrap

disponibles son los del E1. Los análisis retrospectivos para el E1 muestran lo que se espera de añadir los datos de

CPUE recientes que presentan aumentos en el índice y los datos de captura que presentan descensos (Figura 10).

A medida que se añaden los datos, las estimaciones de biomasa se vuelven mayores y las de la mortalidad por

pesca menores. Los bootstraps para E1 convergieron para el 100% de los ensayos y produjeron intervalos

razonables para los parámetros (Tabla 12).

E3 presenta un patrón retrospectivo con grandes incoherencias en el uso de todos los índices para los 7 últimos

años. El ensayo E3 de ASPIC produjo resultados coherentes con el E1, sin embargo, utilizar todos los índices crea

problemas de coherencia para las estimaciones de FRMS, B/ BRMS y F/ FRMS (Figura 11).

3.2 Stock occidental

3.2.1 ASPIC

Los modelos de producción se ajustaron para el pez vela occidental usando diferentes combinaciones de los índices

de abundancia disponibles. El primer modelo incluía todos los índices y se ejecutó con ASPIC 5 y ASPIC 7, usando

el método de estimación de cuadrados mínimos. Ambas versiones del software llegaron a la misma solución, sin

embargo, las estimaciones de FRMS no eran biológicamente plausibles (FRMS >1,2). Para los demás ensayos del

modelo se utilizó ASPIC 7, usando la estimación de verosimilitud máxima o una distribución posterior con

distribuciones previas. Las distribuciones previas uniformes se incluyeron para el RMS y las capturabilidades de

la flota en todo un rango de valores lógicos. En FRMS (alpha=2, beta=8; Figure 12) se incluyó una distribución

previa beta, basada en la distribución previa desarrollada para el modelo de producción excedente bayesiano para

r. Se llevaron a cabo varios ensayos del modelo usando esta parametrización, que incluían múltiples escenarios de

índices seleccionados: (1) todos los índices, (2) aquellos que presentaban una tendencia creciente en el periodo

1622

reciente frente a (3) aquellos que presentaban una tendencia decreciente en el periodo reciente y (4) ponderación

por captura frente a (5) ponderación igual de los índices. El Grupo seleccionó un caso base del modelo que incluía

todos los índices disponibles excepto el de caña y carrete de Brasil, que fue excluido debido la inquietud respecto

a tamaños de muestra extremadamente pequeños en 2009. Se llevaron a cabo múltiples ensayos de sensibilidad

sobre el caso base del modelo, incluidos un jackknife de los índices, un bootstrap del modelo y un análisis

retrospectivo. Se llevó a cabo un ensayo adicional con el índice de palangre japonés separado en 2008 para tener

en cuenta un cambio en la distribución espacial (véase la sección 2.3), coherente con el modelo de evaluación

Stock Synthesis.

Los ensayos del caso base del modelo determinista presentaban un ajuste pobre a los índices y una falta de

convergencia sin distribución previa en FRMS, tocando los límites superiores bien en FRMS o en RMS. Para

comprender mejor la convergencia del modelo, la función objetivo de verosimilitud logarítmica negativa se perfiló

en el rango de valores hipotéticos de RMS (200 a 4.000 t) y FRMS (0,01 a 1,0). La superficie del perfil indicaba un

contorno plano en la gama superior de RMS y un pequeño gradiente en el rango de FRMS (Figura 13). Este perfil

en el rango de valores de parámetro lógicos demostró que la capacidad para estimar FRMS era pobre y que los

valores de RMS superiores a 1.400 t son plausibles. La superficie de verosimilitud escalada (Figura 13) indicaba

la verosimilitud máxima en el límite superior de FRMS, que se creía biológicamente no plausible.

Las estimaciones de RMS y FRMS variaban enormemente entre los diferentes ensayos del modelo con poco acuerdo

entre el caso base del modelo y modelos alternativos de índices positivos y negativos. Las estimaciones del estado

actual del stock eran también muy variables, sin acuerdo entre los modelos. Se evaluaron las estimaciones de

bootstrap de la incertidumbre de los parámetros para determinar la calidad del ajuste del caso base del modelo.

Muchos ensayos de bootstrap limitaban con el límite superior de RMS o FRMS, sin embargo estos ensayos se

sobrescribieron con ensayos que quedaban entre los límites, hasta que se completaron 500 bootstraps válidos. La

convergencia total fue de aproximadamente el 72% de los intentos. La estimación resultante del bootstrap de FRMS

y RMS presentaba una amplia distribución a lo largo del rango de límites de parámetros (Figura 14), indicando

un pobre rendimiento del modelo y una falta de convergencia hacia una solución estable. Se concluyó que el

modelo ASPIC para el pez vela occidental no producía estimaciones fiables de FRMS o del estado actual del stock.

La información en los datos indicaba que no es probable que RMS sea menos de 1.400 t, sin embargo, la

determinación del estado del stock era muy incierta.

3.2.2 Modelo de producción excedente bayesiano de estado espacio

El SCRS/2016/103 presentaba los resultados iniciales de la evaluación de stock del pez vela del Atlántico

occidental. El modelo de evaluación se implementó en JAGS (Just Another Gibbs Sampler) y consistía en ajustar

un modelo de producción excedente bayesiano de estado espacio a los datos de CPUE para el pez vela del Atlántico

occidental. La serie temporal de captura se deriva de la tabla de Tarea I en el informe del SCRS de 2015 (Anón.

2016) y los índices de abundancia relativa consisten en la captura por unidad de esfuerzo (CPUE) estandarizada

para Japón, Brasil, Estados Unidos, Venezuela, UE-España y Taipei Chino, incluyendo las pesquerías de palangre,

de recreo y de redes de enmalle. Se desarrolló un ensayo que incluía todas las series de CPUE (9 índices) de entrada

y los valores medios previos. Las especificaciones completas de los modelos iniciales se detallan en este documento

SCRS. Basándose en los resultados del modelo, la biomasa de la población del pez vela del Atlántico occidental

ha descendido ligeramente durante la serie temporal disponible, pero está por encima de BRMS y ha permanecido

estable desde mediados de los 80. La tasa de captura estimada en 2014 era de 0,025, cifra inferior a la HRMS

estimada de 0,065.

[A1]Se consideraron diversos supuestos relacionados con la ponderación de los datos, incluidas las ponderaciones

iguales, las ponderaciones proporcionales a las capturas y las ponderaciones desarrolladas aplicando el método de

Francis (Francis, 2011). Sin embargo, ninguno de los modelos pudo converger. Se probó también un modelo con

todos los índices juntos (exceptuando la pesquería de caña y carrete de recreo de Brasil) pero tampoco pudo

converger. Esta falta de convergencia podría estar relacionada con la presencia de tendencias contradictorias en la

CPUE. Por ello, se llevaron a cabo ensayos adicionales para solucionar las tendencias contradictorias en las CPUE

de una forma similar a la acordada para el modelo Stock Synthesis (véase la sección 3.2.3) que también tuvieron

como resultado una falta de convergencia en todos los ensayos. Además, el Grupo indicó que los datos disponibles

no proporcionaban información suficiente para que ninguno de estos modelos estime de forma fiable los

parámetros del modelo.

1623

3.2.3 Tres parámetros de Stock Shynthesis (ASPM), inclinación, R0 y M

Se presentó el modelo inicial (SCRS/2016/100) con los siguientes detalles. Se realizaron comparaciones de los

datos usados en la evaluación anterior y los usados en años recientes con los modelos nuevos y antiguos. En la

evaluación de 2009 del stock occidental, se utilizó un índice compuesto que fue promediado entre todas las series

(ponderado por captura y área). En el examen actual del modelo de producción estructurado por edad (ASPM) se

modelaron 11 flotas asumiendo una selectividad completa. Se indicó que la serie de CPUE tenía tendencias

contradictorias, ya que cinco de las series eran ascendentes y cinco eran descendentes. Esto causaría resultados

contradictorios basados en tendencias alternativas. En el modelo presentado, no se dispone en años recientes de

capturas de caña y carrete de Brasil. Se generó un índice combinado basado en las capturas y desembarques de las

pesquerías (por lo que las pesquerías más grandes obtuvieron más peso). Se examinaron cuatro modelos/enfoques,

(1) CPUE sin ponderar sin desviaciones de reclutamiento, (2) usar todas las CPUE sin desviaciones de

reclutamiento, (3) añadir la captura ponderada sin desviaciones de reclutamiento y (4) añadir la CPUE ponderada

por la captura y las desviaciones de reclutamiento. Se indicó que los resultados de los modelos 1, 2 y 3 no eran

suficientemente plausibles y los resultados del modelo 4 eran más coherentes con la historia conocida de la

pesquería. Se utilizaron enfoques de perfiles de verosimilitud y se halló que los datos no eran informativos sobre

la mortalidad natural o la inclinación. Se indicó que las CPUE japonesa y española eran informativas, pero la

inclinación muy grande o muy pequeña si se incluían estas series. Las posibles razones para esto son que los datos

de la CPUE no son informativos y es evidente solo el descenso de la biomasa, no la recuperación. Se utilizó un

nuevo conjunto de modelos estructurados por edad/talla, en los que el crecimiento se modificó como distribuciones

previas y la talla en la edad 1 se fijó en 100 cm LJFL. Sin embargo, tratar de introducir más incertidumbre con el

crecimiento demostró ser una respuesta irrealista.

Se llevaron a cabo más tareas siguiendo lo descrito en el documento SCRS/2016/100. Con los datos de composición

por tallas, se examinaron cinco modelos que combinaban la CPUE ponderada por captura, la selectividad de 3

artes, red de enmalle, caña y carrete y palangre, con corrección del sesgo a la función stock reclutamiento usada.

Para la red de enmalle se utilizó la selectividad con forma de cúpula, y el palangre y la caña y carrete se fijaron

como función logística. Como en la evaluación de 2009, se generó una serie de CPUE en la que la CPUE

combinada se aplicaba a todas las pesquerías. Los datos de composición por tallas tuvieron como resultado un

mejor ajuste a la flota de red de enmalle que a la flota de palangre, debido sobre todo a un mayor tamaño de la

muestra de la pesquería de redes de enmalle que tuvo como resultado una serie de datos que obtiene un mayor peso

(basándose en el esquema de ponderación de Francis, Francis, 2011). Los ajustes de la talla media a los artes de

redes de enmalle y de palangre eran aceptables pero no tanto para la pesquería de caña y carrete (una vez más a

causa del pequeño tamaño de la muestra). Los perfiles en la inclinación indicaban que el modelo/los datos globales

"preferían" valores muy elevados de mortalidad natural e inclinación. Además, las distribuciones posteriores eran

similares a las MLE analizadas.

El Grupo discutió los diferentes datos de entrada del modelo y particularmente si las capturas de pez vela occidental

estaban consignadas de forma completa y/o precisa. Además, se indicó que en reuniones anteriores sobre pez vela,

el Grupo no había adoptado estimaciones de crecimiento y de M, y que el Grupo debería dedicar más tiempo a

decidir una estimación adecuada de M y una curva de crecimiento. Se indicó también que fijar M y la inclinación

(h) tendría una gran influencia en el resultado de las estimaciones de la productividad del stock. Como resultado,

las distribuciones posteriores de la MCMC podrían ser engañosas y deben contemplarse con el escepticismo

adecuado. Por ejemplo, la inclinación parecía estimada en el límite superior. Además, toda la información sobre

ASPM procede de las CPUE.

Teniendo en cuenta las series temporales de CPUE contradictorias y que no hay forma de discernir objetivamente

cuáles de las tendencias son más precisas, se sugirió elaborar dos modelos separados para dos escenarios separados

(hipótesis alternativa), uno representado solo por las CPUE con tendencias crecientes (Modelo_1) y otro solo por

las CPUE con tendencias decrecientes (Modelo_2). Aunque los datos de frecuencia de tallas se veían como

informativos, mejorar el ajuste no merecía la pena. El Grupo se mostró de acuerdo en que el uso de un índice

combinado (en todas las series temporales de CPUE contradictorias) estaría camuflando la incertidumbre asociada

a las diferentes tendencias de CPUE y que deberían construirse modelos que usaran los datos de todas las series de

CPUE, en lugar de los de una serie, y ser transparentes con los conjuntos de datos que se están utilizando.

Se mantuvo una larga discusión y el Grupo acordó agrupar las CPUE basadas en la tendencia predominante en la

serie temporal, lo que tuvo como resultado las siguientes agrupaciones (Figura 15):

1624

1. Con tendencias crecientes:

a. Palangre de Japón, 1994-2015

b. Torneos de caña y carrete de Estados Unidos

c. Redes de enmalle de Venezuela

d. Palangre de UE-España

2. Con tendencias decrecientes:

a. Caña y carrete de Brasil

b. Palangre de Brasil

c. Palangre de Estados Unidos (observadores)

d. Palangre de Venezuela

e. Taipei Chino reciente (2009-2014)

3. Las utilizadas en ambos conjuntos de datos basándose que son las únicas series temporales largas:

a. Palangre de Japón, 1960-1993

b. Caña y carrete de Venezuela

Los parámetros biológicos de la población de entrada para el modelo SS son los discutidos y acordados en la

sección 2.1 en el punto sobre edad, crecimiento, mortalidad natural y madurez por talla.

Modelo_1.0 y Modelo_2.0

El Grupo examinó dos escenarios, uno basado en las CPUE con tendencias positivas (Modelo_1.0) y otro en las

CPUE con tendencias negativas (Modelo_2.0). La desviación estándar de la distribución previa de la inclinación

se ajustó de 20% a 10%. Ambos escenarios se consideraron plausibles con diferentes conjuntos de datos. Se indicó

que los ajustes al índice de prospección (CPUE) eran comparables en los dos escenarios diferentes (Figura 15).

Las tallas medias observadas y estimadas de las pesquerías de redes de enmalle y de caña y carrete eran

comparables, pero eran mejores para la pesquería de palangre del Modelo_1 (Figura 16). Se observó que la talla

media de los peces en la pesquería de redes de enmalle descendía (Figura 17). Se observó una muestra mayor y

tallas menos variables y por ello, se crearon ajustes más estrechos de la selectividad a la información sobre tallas.

Las flotas de palangre que cambian la selectividad a lo largo del tiempo son una posible razón de por qué el modelo

no estaba ajustando muy bien los datos.

Se indicó que los dos modelos concordaban en la tendencia de la biomasa del stock bastante bien hasta el año 2005.

Esto se explica porque los últimos puntos de datos de la serie temporal de CPUE tenían una gran influencia en las

trayectorias de la biomasa. Un modelo (Modelo_1) sugiere una elevada mortalidad por pesca y menor biomasa y

el otro (Modelo_2) sugiere lo contrario (Figura 18). Como medio de diferenciar más entre los dos escenarios, se

sugirió, como diagnóstico, un análisis retrospectivo para cada uno. Un examen de los análisis retrospectivos no

mostró ningún patrón retrospectivo ni sesgo aparente para el Modelo_1. Sin embargo, el Modelo_2 presentaba una

fuerte diferencia en las estimaciones de biomasa cuando se excluían los datos posteriores a 2010. Sin embargo, se

indicó que la reciente tendencia ascendente en el Modelo_1 estaba siendo producida por el índice de la CPUE

japonesa (reciente) y el de caña y carrete de Estados Unidos. La reciente tendencia decreciente en el Modelo_2

estaba siendo provocada casi completamente por el índice brasileño de caña y carrete (Figura 19).

Modelo_1.1 y Modelo_2.1

Teniendo en cuenta la fuerte influencia sobre la percepción actual del estado del stock provocada por el índice de

palangre japonés (Modelo_1.0) y el índice brasileño de caña y carrete (Modelo_2.0), el Grupo revisitó los

conceptos fundamentales de estos dos series temporales de CPUE.

Modelo_1.1. Se hicieron dos observaciones respecto a la serie temporal de CPUE japonesa. La primera observación

fue que había un marcado aumento en el índice entre 2007 y 2008. La segunda observación fue que los CV

asociados con la segunda estanza de este índice (2008-2014) era mucho menores que los de la primera estanza

(1994-2007). Estos dos aspectos tuvieron como resultado que el modelo de la evaluación produjera una fuerte

subida en las estimaciones de biomasa entre 2007 y 2008. Los pequeños CV para la segunda estanza acentuaban

el ajuste a esta subida. El Grupo determinó que sería adecuado dejar que la capturabilidad cambiara entre los dos

periodos usando bloques temporales en la serie de CPUE para la serie japonesa (rompiéndolo en efecto en dos

1625

prospecciones). Los efectos de tener un cambio en la capturabilidad indican que los modelos funcionaban mejor

que los modelos previos y las desviaciones de reclutamiento no son excesivamente grandes (Figura 20).

Modelo_2.1. El Grupo posteriormente discutió sobre la reciente caída en la biomasa en años recientes tal y como

fue estimada por el índice brasileño de caña y carrete. Un examen más profundo de este índice reveló que el punto

de datos de 2009 había sido estimado a partir de solo tres días de muestreo. El Grupo concluyó que este punto era

poco probable que fuera representativo y que también influía en la estandarización de las demás estimaciones

anuales de la biomasa relativa. Además, el Grupo no pudo estimar un índice alternativo excluyendo los datos de

2009 durante esta reunión y, por tanto, decidió excluir el índice de más análisis. Una vez eliminado, no fue evidente

ningún patrón ni sesgo retrospectivos (Figura 21). Además, los dos escenarios concordaban mejor uno con otro,

al menos respecto al estado actual del stock (Figura 20). El Grupo realizó un examen final de los cuatro posibles

modelos (Modelos_1, 2, 1.1, y 2.1) y tomó la determinación de adoptar el Modelo_1.1 y el Modelo_2.1 como dos

escenarios plausibles para representar el estado actual del stock.

En un esfuerzo para refinar aun más la plausibilidad de los dos modelos posibles elegidos anteriormente, se llevó

a cabo un análisis MCMC en cada uno de los parámetros estimados y la estimación determinista del estado del

stock (es decir F/ FRMS y B/ BRMS) se comparó con la distribución de las evaluaciones del estado del stock a partir

del análisis MCMC. Se realizó un total de 501.000 ensayos MCMC y los 1.000 primeros ensayos se descartaron

como periodo "de rodaje". El resto de los ensayos El examen de las distribuciones MCMC del Modelo_1.1 mostró

que la mediana de los valores posteriores del parámetro inclinación estaba siendo estimada considerablemente más

alta (aproximadamente 0,90) que el valor de la distribución previa informativa utilizado (0,70) (Figura 22). La

distribución de las distribuciones posteriores era bastante estrecha en relación a la distribución de las distribuciones

previas, lo que sugiere una fuerte señal en los datos para un valor de inclinación más elevado. Tres de los

parámetros de selectividad de la red de enmalle estaban bien estimados, como lo demuestra la forma "normal" de

las distribuciones posteriores, mientras que los otros dos no, bien como consecuencia de una distribución uniforme

(parámetro número 1) o una distribución muy desviada a la izquierda (parámetro número 6). El diagrama de Kobe

resultante del Modelo_1.1 mostraba que aunque las estimaciones puntuales del estado del stock se encontraban en

la zona verde (ni sobrepescado ni experimentando sobrepesca), el conglomerado de puntos MCMC se encontraba

un 87% en la zona roja (tanto sobrepescado como experimentando sobrepesca) (Figura 23). Esta disparidad en los

resultados convierte cualquier percepción del estado del stock en altamente incierta.

El examen de las distribuciones MCMC de las distribuciones posteriores del Modelo_2.1 sugería que el valor de

la mediana de la inclinación era más cercano (aproximadamente 0,8) al de la distribución previa (0,7) y tenía la

forma que cabría esperar de dicho parámetro (tipo beta) (Figura 24). Las estimaciones de los parámetros de

selectividad de la red de enmalle eran similares a los del Modelo_1.1. El diagrama de Kobe resultante del estado

tenía diagnósticos más deseables que el del Modelo_1.1 en el sentido de que la estimación puntual del estado de

2014 se encontraba dentro de los intervalos de confianza del 95% de MCMC, sin embargo, no dentro de los

intervalos de confianza del 75% (Figura 25). La estimación puntual del estado del stock a partir del Modelo_2.1

sugería que el stock ni está sobrepescado ni experimentando sobrepesca, sin embargo el centroide del

conglomerado MCMC sugiere que el stock se encuentra en la zona roja (tanto sobrepescado como experimentando

sobrepesca) (Figura 24). Esta disparidad en los resultados convierte cualquier percepción del estado del stock a

partir del Modelo_2.1 en altamente incierta.

3.3 Sección SRA (Métodos captura-RMS)

En las evaluaciones de stock estándar llevadas a cabo en el Atlántico, los índices de abundancia son elementos

esenciales para capturar las tendencias en la biomasa a lo largo del tiempo. Para el pez vela del Atlántico, los datos

de CPUE mostraban tendencias contradictorias en los stocks del este y del oeste y, por tanto, el Grupo intentó un

método de solo captura. El principal método utilizado es una técnica llamada análisis de reducción de stock (Zhou

et al. 2012, Walters et al. 2006, Martell y Froese 2012, Kimura y Tagart 1982) que requería supuestos acerca de

la biomasa inicial, el nivel de biomasa a mitad de la serie temporal y la gama de niveles de merma de la biomasa

para el último año. La técnica se basa en modelos de producción excedente simples (como Shaefer, 1954), que

usan datos de captura y alguna estimación de la capacidad de transporte y r. Idealmente, estos modelos deberían

incluir alguna medida de los cambios en la abundancia a lo largo del tiempo, pero como se muestra en Martell y

Froese (2012) y Walters et al. (2006), un rango estrecho del parámetro r-K puede obtenerse mediante técnicas de

simulación que mantengan la población, para que no colapse ni supere la capacidad de transporte K. Esta es la

base principal del método que se desarrolló y usó durante la evaluación.

1626

Métodos

Este método de Martell y Froese (2012) se basa en los datos de captura y no requiere datos del esfuerzo de pesca

o de CPUE. El método implica varios pasos. Se aplica un modelo de dinámica de población simple, se empieza

con rangos amplios de la distribución previa para los parámetros principales e incluye los datos de captura

disponibles en el modelo. El modelo busca sistemáticamente en posibles espacios de parámetros y retiene los

valores de parámetros viables. Los valores matemática y biológicamente inviables son excluidos del gran conjunto

de datos. El modelo deriva progresivamente los parámetros básicos y lleva a cabo simulaciones estocásticas usando

estos parámetros de base para obtener trayectorias de biomasa y parámetros adicionales. Este modelo simple tiene

dos parámetros desconocidos, r y K. El Grupo estableció un rango de distribución previa razonablemente amplio,

por ejemplo K entre Cmax y 500 * Cmax. El Grupo utilizó el enfoque propuesto en Martell y Froese (2012) para las

estimaciones de "resiliencia" vinculada al parámetro de productividad r (los niveles bajos de resiliencia indicaban

una r entre 0,05 y 0,5, una resiliencia media indicaba una r entre 0,2 y 1 y una elevada una r entre 0,5 y 1,5). Estos

valores se compararon con los valores obtenidos en la bibliografía y en métodos alternativos.

El Grupo ejecutó el modelo (1) para hallar valores de r matemáticamente viables buscando en una amplia gama de

K para todos los niveles de merma. Si la elección viable de r y K elegida llega al nivel intermedio (nivel de merma

0,1 y 1 en 1980) y al último punto de merma (el rango especificado era el nivel de merma 0,3-0,7 para estos stocks

de istiofóridos) se mantiene. Posteriormente se usa el resumen de todos los ensayos que cumplen estos criterios, y

los valores de media geométrica se declaran la mejor representación de los objetivos de rendimiento (Martell y

Froese 2012). Los parámetros biológicos, incluidos K, r y RMS, se derivan del conjunto retenido de valores de [K,

r]. Los valores de la media geométrica de estos se usan entonces para evaluar la dinámica del stock en el tiempo y

se representan en un diagrama.

SRA oeste

El método de solo captura para el pez vela occidental estimaba un RMS igual a 1317 t (el intervalo de confianza

del 95% es 1130 a 1534) y FRMS es igual a 0,18 (el intervalo de confianza del 95% es 0,09 a 0,33). La Figura 26

muestra las distribuciones posteriores de r, K y RMS. En la Tabla 13 se presenta un resumen de las estimaciones

de parámetros. Se estimó que el stock estaba sobrepescado (B2014/BRMS = 0,46, intervalo de confianza del 95% de

0,23 a 0,61) y experimentando sobrepesca (F2014/FRMS = 1,37, intervalo de confianza del 95% de 0,69 a 2,45). Se

observó la gran incertidumbre acerca del estado de pesca actual, mientras que los intervalos de confianza del estado

de la biomasa eran inferiores a 1 indicando que el stock está actualmente sobrepescado. En la Figura 27se muestran

las trayectorias de captura y de la biomasa del stock global.

SRA este

El método de solo captura para el pez vela oriental estimaba un RMS igual a 1977 t (el intervalo de confianza del

95% es 1812 a 2157) y FRMS es igual a 0,13 (el intervalo de confianza del 95% es 0,10 a 0,18). La Figura 28

muestra las distribuciones posteriores de r, K y RMS. En la Tabla 14 se presenta un resumen de las estimaciones

de parámetros. Se estimó que el stock estaba sobrepescado (B2014/BRMS = 0,49, intervalo de confianza del 95% de

0,22 a 0,70) pero no experimentando sobrepesca (F2014/FRMS=0,96, intervalo de confianza del 95% de 0,16 a 2,42).

De forma similar que para el pez vela occidental, se observó que las estimaciones del estado de la biomasa del

stock eran mucho menos inciertas que la tasa de mortalidad por pesca en relación con FRMS. En la Figura 29 se

muestran las trayectorias de captura y de la biomasa del stock global.

3.4 Síntesis de los resultados de la evaluación

Ambos stocks, oriental y occidental, de pez vela podrían haberse reducido a tamaños de stock por debajo de BRMS

en años recientes, pero existe una incertidumbre considerable, ya que muchos modelos examinados tenían

problemas de convergencia y las superficies de verosimilitud máxima eran planas y no bien definidas.

Océano Atlántico occidental

Los modelos de ASPIC examinados en el oeste estaban muy influidos por las distribuciones previas usadas en los

modelos. No podían proporcionar el estado del stock debido a la gran incertidumbre en las estimaciones de los

elementos de referencia y a una insuficiente convergencia general del modelo. El modelo BSPM no convergió en

el océano Atlántico occidental. Los modelos integrados eran igual de inconcluyentes que los modelos ASPIC y

BSPM en lo que se refiere al estado del stock. Aunque las estimaciones MLE indicaban que el stock no estaba

sobrepescado ni se estaba produciendo sobrepesca, los diagnósticos de MCMC indicaban lo contrario. Los

1627

modelos alternativos que usaban métodos con datos limitados sugerían que el stock del Atlántico occidental estaba

sobrepescado y se estaba produciendo sobrepesca. Existe una gran incertidumbre en estos resultados y dichos

resultados deben interpretarse con precaución.

Océano Atlántico oriental

Los modelos BSPM, ASPIC y SRA en el este presentaban tendencias similares en las trayectorias de la biomasa

y en los niveles de mortalidad por pesca, las tendencias en la abundancia sugieren que el stock oriental sufrió sus

mayores descensos en la abundancia antes de 1990. Los diferentes ensayos del modelo indican una tendencia

decreciente/creciente en años recientes, dependiendo de la serie de CPUE seleccionada. La mayoría de los modelos

examinados en BSPM/ASPIC/SRA indican que el stock está sobrepescado pero que la situación de sobrepesca es

incierta.

4 Recomendaciones sobre ordenación

En las evaluaciones de los stocks oriental y occidental sigue persistiendo una incertidumbre considerable. Los

índices de abundancia disponibles muestran tendencias contradictorias para ambos stocks, y existe cierta inquietud

respecto a que las capturas declaradas, lo que incluye los descartes de ejemplares muertos, sean incompletas. No

obstante, cabe señalar que se han producido mejoras sustanciales desde la última evaluación. Existen más índices

de abundancia disponibles y las estandarizaciones han mejorado en general, ayudadas en parte por el taller sobre

CPUE celebrado antes de esta reunión. Además, esta evaluación incorporaba nuevos datos y nuevos enfoques de

modelación. Como ocurrió durante la Reunión de evaluación del stock de pez vela de 2009 (Anón. 2010), los

resultados para el stock oriental fueron más pesimistas que para el stock occidental, ya que la mayoría de resultados

indicaban que la biomasa reciente del stock estaba por debajo de BRMS.

4.1. Stock oriental

El pez vela del Atlántico oriental parece haber descendido de forma marcada desde los setenta, alcanzando su

punto más bajo a principios de los noventa. Los resultados de los modelos coinciden en gran medida en que el

stock está actualmente sobrepescado. Desde 2010 las capturas parecen haber descendido notablemente. Sin

embargo, los modelos no coinciden en cuanto a si se está o no produciendo sobrepesca y en si el stock se está

recuperando. Basándose en los resultados de la evaluación y considerando la incertidumbre asociada, el Grupo

recomienda que, como mínimo, las capturas no superen los niveles actuales. Además, teniendo en cuenta la

posibilidad de que pueda estar produciéndose sobrepesca, la Comisión podría considerar reducciones en los niveles

de captura.

4.2 Stock occidental

Los modelos de evaluación concuerdan en estimaciones del RMS de entre 1.200 y 1.400 t. Aunque las capturas

actuales se sitúan muy por debajo de este nivel, es posible que la biomasa se sitúe en un nivel inferior al nivel de

BRMS, en cuyo caso podría estarse produciendo sobrepesca. Basándose en los resultados de la evaluación y

considerando la incertidumbre asociada, el Grupo recomienda que las capturas de pez vela del Atlántico oeste no

superen los niveles actuales. Un enfoque para reducir la mortalidad por pesca podría ser el uso de anzuelos

circulares alineados como arte terminal. Investigaciones recientes han demostrado que en algunas pesquerías de

palangre el uso de anzuelos circulares alineados ha tenido como resultado una reducción en la mortalidad de los

marlines, mientras que las tasas de captura de varias de las especies objetivo han permanecido iguales o han sido

superiores a las tasas de captura observadas con el uso de anzuelos en J convencionales o anzuelos circulares no

alineados. Actualmente, tres Partes contratantes de ICCAT (Brasil, Canadá y Estados Unidos) ya han establecido

la obligación de utilizar anzuelos circulares en sus flotas de palangre pelágico o están fomentando su utilización.

5 Recomendaciones sobre investigación y estadísticas

1. El Grupo examinó los parámetros del ciclo vital disponibles e indicó que, en años recientes, se han estimado

varios parámetros nuevos del ciclo vital. El Grupo recomendó que la sección sobre pez vela del Manual de

ICCAT refleje estas nuevas estimaciones.

2. El Grupo indicó que no se dispone de estimaciones de crecimiento robustas para el pez vela del Atlántico. El

Grupo recomendó que se estimen parámetros de crecimiento para los stocks de pez vela del Atlántico.

1628

3. El Grupo recomendó que, antes de futuras evaluaciones, se considere la nueva información acerca de la

estructura del stock.

4 El Grupo examinó los datos de marcado disponibles para el pez vela e indicó que, para esta especie, están

documentadas más de 118.000 colocaciones de marcas. La mayoría de las colocaciones de marcas se han

realizado en aguas de la costa este de Estados Unidos, pero también en aguas de Brasil y Venezuela. El Grupo

recomendó que los datos sean más evaluados antes de la próxima evaluación con el fin de determinar si los

datos pueden formatearse para su inclusión en los modelos de Stock Synthesis para el pez vela occidental.

5. El Grupo continúa manifestando su inquietud respecto a la calidad de datos de Tarea I y Tarea II y a si son

completos. Por lo tanto, el Grupo recomienda que todas las CPC declaren los descartes muertos, así como los

desembarques completos y muestras de talla representativas de todas sus pesquerías.

6. El Grupo recomendó que las capturas de pez vela declaradas por Ghana sean revisadas debido a diferencias

entre los periodos.

7. El Grupo recomendó que las futuras evaluaciones del estado de los stocks de istiofóridos incluyan índices

combinados de flotas con características operativas similares.

8. Constatando las graves dificultades a la hora de interpretar y ajustar índices en el modelo de evaluación de

stock, el Grupo recomienda que se realicen trabajos para considerar el modo de reconciliar patrones de CPUE

divergentes que podrían ser una función de cambios en la distribución espacial de la flota, en la oceanografía o

en la especie objetivo.

6 Otros asuntos

El documento SCRS/2016/095 (el Plan de conservación y ordenación de los istiofóridos del Caribe) estaba a

disposición del Grupo desde la fecha límite para el envío de documentos a la Secretaría de ICCAT. Debido a

limitaciones de tiempo durante la reunión de evaluación, dicho documento no se presentó durante la reunión.

Cualquier comentario e información sobre el documento pueden dirigirse al autor.

7 Adopción del informe y clausura

El informe fue adoptado durante la reunión. El relator expresó su agradecimiento a los organizadores locales por

el excelente trabajo de organización de la reunión y a los participantes por su eficacia y el gran trabajo realizado.

La Secretaría reiteró su agradecimiento a los anfitriones por la excepcional organización de la reunión y por el

cálido apoyo prestado a los participantes. La reunión fue clausurada.

1629

Referencias

Anon. 2010. Report of the 2009 ICCAT Sailfish Stock Assessment Session (Recife, Brazil, June 1 to 5, 2009).

ICCAT Collect. Vol. Sci. Pap. 65(5): 1507-1632.

Anon. 2015. 2014 Intersessional meeting of the Billfish Species Group (Veracruz, Mexico, 2-6 June 2014). ICCAT

Collect. Vol. Sci. Pap. 71(5): 2139-2202.

Anon. 2016. Report of the Biennial Period, 2014-15, Part II (2015) – Vol. 2. English version. 351 pp.

Arocha, F., Narvaez M., Laurent C., Silva J. and Marcano L.A. 2016. Spatial and temporal distribution patterns of

sailfish (Istiophorus albicans) in the Caribbean Sea and adjacent waters of the western Central Atlantic, from

observer data of the Venezuelan fisheries. ICCAT Collect. Vol. Sci. Pap. 72(8): 2102-2116.

Babcock, E. and Arocha, F. 2015. Standardized CPUE from the rod and reel and small scale gillnet fisheries of

La Guaira, Venezuela. ICCAT Collect. Vol. Sci. Pap. 71(5): 2239-2255.

Babcock, EA 2007. Application of a Bayesian surplus production model to Atlantic white marlin. Col. Vol. Sci.

Pap. ICCAT, 60(5): 1643-1651.

Carruthers, T. and M. McAllister, M. 2011. Computing prior probability distributions for the intrinsic rate of

increase for Atlantic tuna and billfish using demographic methods. Collect. Vol. Sci. Pap. ICCAT, 66(5): 2202-

2205

Cerdenares-Ladrón De Guevara, G., Morales-Bojórquez, E., and Rodríguez-Sánchez, R. 2011. Age and growth of

the sailfish Istiophorus platypterus (Istiophoridae) in the Gulf of Tehuantepec, Mexico, Marine Biology

Research, 7:5, 488-499.

Hoenig, J.M. 1983. Empirical use of longevity data to estimate mortality rates. Fish. Bull., 82: 898–903.

Kimura, D.K., and Tagart, J.V. 1982. Stock reduction analysis, another solution to the catch equations. Can. J.

Fish. Aquat. Sci. 39: 1467-1472.

Martell, S. and Froese, R. 2012. A simple method for estimating MSY from catch and resilience. Fish and

Fisheries. doi: 10.1111/j.1467-2979.2012.00485.x

McAllister, MK and Babcock, EA. 2003. Bayesian surplus production model with the Sampling Importance

Resampling algorithm (BSP): a user’s guide. Available from www.iccat.int/en/AssessCatalog.htm

McAllister, MK, EK Pikitch, and EA Babcock. 2001. Using demographic methods to construct Bayesian priors

for the intrinsic rate of increase in the Schaefer model and implications for stock rebuilding. Can. J. Fish.

Aquat. Sci. 58: 1871–1890.

Meyer, R. and R. B. Millar 1999. BUGS in Bayesian stock assessments. Canadian Journal of Fisheries and Aquatic

Sciences 56(6): 1078-1087.

Schaefer, M.B. 1954. Some aspects of the dynamics of populations important to the management of commercial

marine fisheries. Bulletin, Inter-American Tropical Tuna Commission 1:27-56.

Then, A. Y., J. Hoenig, N.G. Hall, D.A. Hewitt. 2015. Evaluating the predictive performance of empirical

estimators of natural mortality rate using information on over 200 fish species. ICES Journal of Marine

Science, 72:82-92.

Walters, C. Martell, S., and Korman, J. 2006. A stochastic approach to stock reduction analysis. Can. J. Fish.

Aquat. Sci. 63: 212-223.

Zhou, S., Yin, S., Thorson, J.T., Smith, A.D.M., Fuller, M. 2012. Linking fishing mortality reference points to life

history traits: an empirical study. Canadian Journal of Fisheries and Aquatic Science, 69: 1292–1301.

1630

TABLEAUX

Tableau 1. Différenciation d'ADN mitochondrial entre les groupes de voiliers de l’Atlantique affichant des valeurs

par paires de Fst (en dessous de la diagonale) et les valeurs respectives de p (au-dessus de la diagonale).

Tableau 2. Différentes études sur la croissance publiées sur le voilier utilisées pour évaluer la structure probable

du paramétrage.

Tableau 3. Prises estimées (t) de voiliers de l'Atlantique (Istiophorus albicans) par zone, engin et pavillon.

Tableau 4. Estimations du stock du voilier de l'Est capturé en tant que prise accessoire par la flottille de senneurs

ciblant les thonidés tropicaux de l'Union européenne a) sous DCP et b) sur bancs libres.

Tableau 5. Catalogues des données de la tâche II pour les stocks de voiliers de l'Ouest (a) et de l'Est (b).

Tableau 6. Appositions et récupérations de marques par année dans la base de données de marquage de l’ICCAT.

Tableau 7. Indices d’abondance utilisés pour l'évaluation du stock de voiliers de l'Ouest : US-LL (pêcherie

palangrière des États-Unis estimée à partir de données d'observateurs), US-RR (canne et moulinet des États-Unis,

tournois récréatifs), VEN-RR (pêcherie récréative de canne et moulinet du Venezuela), VEN-GILL (filet maillant

du Venezuela), VEN-LL (pêcherie palangrière du Venezuela), BRA-LL (pêcherie palangrière du Brésil), BRA-

RR (pêcherie brésilienne récréative de canne et moulinet), JPN-LL1 (pêcherie palangrière du Japon 1994-2014),

JPN-LL2 (pêcherie palangrière du Japon 1960-1993), SPA-LL (pêcherie palangrière de l'UE-Espagne), CH-T-LL

(pêcherie palangrière du Taipei chinois).

Tableau 8. Indices d’abondance utilisés pour l'évaluation du stock de voiliers de l'Est : CIV-ART (pêcherie

artisanale de Côte d’Ivoire), SEN-ART (pêcherie artisanale du Sénégal), GHA-ART (pêcherie artisanale du

Ghana), JPN-LL1 (pêcherie palangrière du Japon 1994-2014), JPN-LL2 (pêcherie palangrière du Japon 1960-

1993), SPA-LL (pêcherie palangrière de l'UE-Espagne), CH-T-LL (pêcherie palangrière du Taipei chinois), POR-

LL (pêcherie palangrière de l'UE-Portugal).

Tableau 9. Scénarios du modèle de production bayésien pour l'Est.

Tableau 10. Moyennes et coefficients de variation des paramètres des modèles BSP-JAGS pour l'Est.

Tableau 11. Résultats pour le voilier de l’Atlantique Est avec des scénarios de prise variable, indices utilisés,

division de la série du Ghana (Ghana1 et Ghana2) et omission de l'indice ghanéen de 1988 à 1990.

Tableau 12. Résultats par bootstrap des scénarios ASPIC pour le scénario ASPIC E1 incluant des indices de CPUE

présentant une tendance négative.

Tableau 13. Paramètres clés associés à l'analyse de production de stock pour le voilier de l'Ouest.

Tableau 14. Paramètres clés associés à l'analyse de production de stock pour le voilier de l'Est.

TABLAS

Tabla 1. Diferenciación en el ADN mitocondrial entre grupos de pez vela del Atlántico que muestran valores Fst

(encima de la diagonal) por pares y los valores de p respectivos (debajo de la diagonal).

Tabla 2. Diferentes estudios sobre crecimiento de pez vela publicados utilizados para evaluar la posible estructura

de la parametrización.

Tabla 3. Capturas estimadas (t) de pez vela del Atlántico (Istiophorus albicans) por área, arte y pabellón.

Tabla 4. Estimaciones de stock de pez vela oriental capturado de forma fortuita por la flota de cerco de túnidos

tropicales de la UE a) DCP y b) banco libre.

Tabla 5. Catálogos de datos para los datos de Tarea II para los stocks de a) pez vela del oeste y b) pez vela del

este.

1631

Tabla 6. Colocaciones y recuperaciones de marcas por año en la base de datos de marcado de ICCAT.

Tabla 7. Índices de abundancia utilizados para la evaluación del stock occidental de pez vela. US-LL (palangre

de Estados Unidos estimado a partir de datos de observadores), US-RR (caña y carrete de Estados de Unidos,

torneos de pesca de recreo), VEN-RR (caña y carrete de recreo de Venezuela), VEN-GILL (Red de enmalle de

Venezuela ), VEN-LL (palangre de Venezuela ), BRA-LL (palangre de Brasil), BRA-RR (caña y carrete de recreo

de Brasil), JPN-LL1 (palangre de Japón 1994-2014), JPN-LL2 (palangre de Japón 1960-1993), SPA-LL (palangre

UE-España), CH-T-LL (palangre de Taipei Chino).

Tabla 8. Índices de abundancia utilizados para la evaluación del stock oriental de pez vela. CIV-ART (artesanal

de Côte d’Ivoire), SEN-ART (artesanal de Senegal), GHA-ART (artesanal de Ghana), JPN-LL1 (palangre de

Japón 1994-2014), JPN-LL2 (palangre de Japón 1960-1993), SPA-LL (palangre UE-España), CH-T-LL (palangre

de Taipei Chino), POR-LL (palangre de UE-Portugal).

Tabla 9. Ensayos del modelo de producción bayesiano en el este.

Tabla 10. Medias y CV de los parámetros de los modelos BSP-JAGS en el este.

Tabla 11. Resultados para el pez vela del Atlántico este con escenarios de captura variables, índices utilizados,

separación de las series de Ghana (Ghana1 y Ghana 2) y omisión de los años 1988 a 1990 del índice de Ghana.

Tabla 12. Resultados del bootstrap para los ensayos ASPIC para el ensayo ASPIC E1 con índices de CPUE con

tendencia negativa.

Tabla 13. Parámetros clave asociados con los análisis de producción de stock para SAI oeste.

Tabla 14. Parámetros clave asociados con los análisis de producción de stock para SAI este.

FIGURES

Figure 1. Distribution spatiale de l'échantillonnage d'ADN mitochondrial de voiliers.

Figure 2. Indices d’abondance du voilier prédits à partir des modèles additifs généralisés delta ajustés pour janvier-

mars (a), avril-juin (b), juillet-septembre (c) et octobre-décembre (d). Les prévisions ont été obtenues sur la base

de quadrillages de cellules (0,1° latitude sur 0,1° longitude) représentant les moyennes saisonnières des

descripteurs numériques du modèle pour l'année 2010. Les quadrillages ont été élaborés au moyen des données de

NCEI et de la NOAA. Les diagrammes ont été élaborés à partir des quadrillages diurnes (les quadrillages nocturnes

affichaient des schémas similaires avec des indices d’abondance légèrement plus élevés).

Figure 3. Diagrammes de croissance Von Bertalanffy examinés pour déterminer les paramètres de croissance

appropriés du voilier à utiliser dans l'évaluation.

Figure 4. Prises nominales de tâche I du voilier (t) par an pour le stock de l'Ouest (ligne rouge) et de l'Est (ligne

bleue).

Figure 5. Déplacements en ligne droite entre les lieux de remise à l'eau et de récupération (mouvement apparent),

obtenus à partir des marques conventionnelles apposées sur des voiliers.

Figure 6. Densité (carrés de 5ºx5º) de remises à l’eau (à gauche) et de récupérations (à droite) de voilier.

Figure 7. Indices d’abondance utilisés pour l'évaluation du stock de voilier de l'Ouest.

Figure 8. Indices d’abondance utilisés pour l'évaluation du stock de voilier de l'Est.

Figure 9. Trajectoires de la biomasse et du taux de capture des modèles BSP-JAGS pour l'Est.

Figure 10. Analyse rétrospective pour le scénario ASPIC E1 pour F/FPME (panneau supérieur) et B/BPME (panneau

inférieur).

Figure 11. Analyse rétrospective pour le scénario ASPIC E3 pour F/FPME (panneau supérieur) et B/BPME (panneau

inférieur).

Figure 12. Prior dans FPME pour le modèle de production excédentaire ASPIC pour le voilier de l'Atlantique Ouest.

1632

Figure 13. Panneau supérieur : profil de surface de la fonction objective pour le modèle de base ASPIC du voilier

de l'Ouest. Le contour s'aplatit à une PME d'environ 1.600 t dans toute la gamme de FPME postulée. Panneau

inférieur : profil de vraisemblance échelonné à la vraisemblance maximale affichant une convergence du modèle

à la limite supérieure à FPME.

Figure 14. Estimations par bootstrap de FPME à partir du modèle de base ASPIC pour le voilier de l'Ouest. La

distribution des estimations s'étend entre les limites inférieures (0,01) et supérieures (0,8) définies dans le modèle.

Figure 15. Ajustement aux indices d'abondance utilisés dans Modèle_1 (à gauche) et Modèle_2 (à droite).

Figure 16. Poids moyen de la capture observé (barres) et escomptés (lignes bleues) obtenu à partir de trois types

d'engin pour le Modèle_1 (à gauche) et le Modèle_2 (à droite).

Figure 17. Ajustement global aux données de composition des tailles des trois types d'engins pour le Modèle_1

(en haut) et le Modèle_2 (en bas).

Figure 18. Tendances historiques estimées de la biomasse du stock reproducteur (en haut à gauche), du

recrutement (en haut à droite), de F/FPME (en bas à gauche) et de B/BPME (en bas à droite) pour le Modèle_1 (en

bleu) et Modèle_2 (en rouge).

Figure 19. Analyses rétrospectives du Modèle_1 (en haut) et du Modèle_2 (en bas)

Figure 20. Tendances historiques estimées de la biomasse du stock reproducteur (en haut à gauche), du

recrutement (en haut à droite), de F/FPME (en bas à gauche) et de B/BPME (en bas à droite) pour le Modèle_1 (en

bleu foncé) et Modèle_2 (en rouge foncé), Modèle_1.1 (en bleu clair) et Modèle_2.1 (en rouge clair).

Figure 21. Analyse rétrospective pour le Modèle_2.1.

Figure 22. Prior, vraisemblance maximale et distributions a posteriori à partir de l'analyse MCMC du Modèle_1.1.

Le triangle rouge représente la valeur de départ et la ligne en pointillés la valeur de la médiane de la distribution a

posteriori.

Figure 23. Diagramme de l'état du stock de Kobe pour le Modèle_1.1.

Figure 24. Prior, vraisemblance maximale et distributions a posteriori à partir de l'analyse MCMC du Modèle_2.1.

Le triangle rouge représente la valeur de départ et la ligne en pointillés la valeur de la médiane de la distribution a

posteriori.

Figure 25. Diagramme de l'état du stock de Kobe pour le Modèle_2.1.

Figure 26. Distributions a posteriori de r, K et PME pour le modèle SRA appliqué au voilier de l'Ouest.

Figure 27. Trajectoire de la médiane de la biomasse du voilier de l'Ouest.

Figure 28. Distributions a posteriori de r, K et PME pour le modèle SRA appliqué au voilier de l'Est.

Figure 29. Trajectoire de la médiane de la biomasse du voilier de l'Est.

FIGURAS

Figura 1. Distribución espacial del muestreo de ADN mitocondrial del pez vela.

Figura 2. Índices de abundancia de pez vela predichos a partir de los modelos aditivos generalizados delta

ajustados para enero-marzo (a), abril-junio (b), julio-sept. (c) y octubre- dic. (d). Las predicciones se generaron a

partir de cuadrículas (0,1° latitud por 0,1 de longitud), que representan los promedios estacionales de los

descriptores numéricos del modelo para el año 2010. Las cuadrículas se generaron utilizando los datos de NCEI

y NOAA. Los diagramas se generaron a partir de cuadrículas con datos de operaciones diurnas (las cuadrículas

con datos nocturnos mostraban patrones similares con índices de abundancia ligeramente superiores).

1633

Figura 3. Diagramas de crecimiento de von Bertalanffy examinados para determinar los parámetros de

crecimiento de pez vela apropiados para la evaluación.

Figura 4. Capturas nominales de pez vela de Tarea I (t) por año para el stock occidental (línea roja) y el stock

oriental (línea azul).

Figura 5. Desplazamientos rectos entre las posiciones de colocación y recuperación (movimiento aparente) a partir

del marcado convencional de pez vela.

Figura 6. Densidad (por cuadrículas de 5º x 5º) de liberaciones (izquierda) y recuperaciones (derecha) de pez vela.

Figura 7. Índices de abundancia utilizados para la evaluación del stock occidental de pez vela.

Figura 8. Índices de abundancia utilizados para la evaluación del stock oriental de pez vela.

Figura 9. Trayectorias de biomasa y tasa de captura para los modelos BSP-JAGS en el este.

Figura 10. Análisis retrospectivo para el ensayo ASPIC E1 para F/FRMS (panel superior) y B/BRMS (panel inferior).

Figura 11. Análisis retrospectivo para el ensayo ASPIC E3 para F/FRMS (panel superior) y B/BRMS (panel inferior).

Figura 12. Distribución previa en FRMS para el modelo de producción excedente ASPIC del stock de pez vela del

Atlántico occidental.

Figura 13. Panel superior: Perfil de superficie de la función objetiva para el caso base del modelo ASPIC del stock

de pez vela del Atlántico occidental. El contorno se aplana en un RMS de aproximadamente 1.600 ten toda la

gama de FRMS hipotéticas. Panel inferior: Perfil de verosimilitud escalado a la máxima verosimilitud que muestra

la convergencia del modelo al límite superior de FRMS.

Figura 14. Estimaciones de bootstrap de FRMS a partir del caso base del modelo ASPIC para el pez vela del oeste.

La distribución de estimaciones se extiende entre los límites inferior (0,01) y superior (0,8) definidos en el modelo.

Figura 15. Ajuste a los índices de abundancia utilizados en el Modelo 1 (izquierda) y en el Modelo 2 (derecha).

Figura 16. Peso medio observado (barras) y previsto (línea azul) de la captura de tres tipos de arte para el Modelo

1 (izquierda) y el Modelo 2 (derecha).

Figura 17. Ajuste global a los datos de composición por talla de cada uno de los tres tipos de arte para el Modelo

1 (arriba) y el Modelo 2 (abajo).

Figura 18. Tendencias históricas estimadas en la biomasa del stock reproductor (izquierda arriba), reclutamiento

(derecha arriba), F/FRMS (izquierda abajo) y B/BRMS (derecha abajo) para el Modelo 1 (azul) y el Modelo 2 (rojo).

Figura 19. Análisis retrospectivos Modelo 1 (arriba) y Modelo 2 (abajo).

Figura 20. Tendencias históricas estimadas en la biomasa del stock reproductor (izquierda arriba), reclutamiento

(derecha arriba), F/FRMS (izquierda abajo) y B/BRMS (derecha abajo) para el Modelo 1 (azul oscuro), el Modelo 2

(rojo oscuro), el Modelo 1.1. (azul claro) y el Modelo 2.1 (rojo claro).

Figura 21. Análisis retrospectivo para el Modelo 2.1.

Figura 22. Distribución previa, máxima verosimilitud y distribuciones posteriores del análisis MCMC del Modelo

1.1. El triángulo rojo representa el valor de inicio y la línea punteada el valor de la mediana de la distribución

posterior.

Figura 23. Diagrama de estado de Kobe para el Modelo 1.1.

Figura 24. Distribución previa, máxima verosimilitud y distribuciones posteriores del análisis MCMC del Modelo

2.1. El triángulo rojo representa el valor de inicio y la línea punteada el valor de la mediana de la distribución

posterior.

Figura 25. Diagrama de estado de Kobe para el Modelo 2.1.

Figura 26. Distribuciones posteriores de r, K y RMS para SRA SAI oeste.

Figura 27. Trayectoria de la mediana de la biomasa para SAI oeste.

1634

Figura 28. Distribuciones posteriores de r, K y RMS para SRA SAI este.

Figura 29. Trayectoria de la mediana de la biomasa para SAI este.

APPENDICES

Appendice 1. Ordre du jour.

Appendice 2. Liste des participants.

Appendice 3. Liste des documents.

Appendice 4. Estimations des données du Ghana.

Appendice 5. Modèles de production excédentaire de type bayésien pour l’Est.

Appendice 6. Estimation démographique de r.

APÉNDICES

Apéndice 1. Orden del día

Apéndice 2. Lista de participantes.

Apéndice 3. Lista de documentos.

Apéndice 4. Estimaciones de datos de Ghana.

Apéndice 5. Modelos de producción excedente bayesianos para el este.

Apéndice 6. Estimación demográfica de r.

1635

Table 1. Mitochondrial DNA differentiation among Atlantic sailfish groups showing pairwise Fst values (below

diagonal) and respective p values (above diagonal).

NW Atlantic (Miami) Brazil Africa (Senegal)

NW Atlantic (Miami) ̶ 0.8823 0.00430

Brazil 0.04049 ̶ 0.10523

Africa (Senegal) 0.14204 0.02774 ̶

Table 2. Different growth studies published on sailfish used to assess likely parameter structure.

Species t0 k LINF Sex Region Citation Measurement LINF LJFL LINF EFL Converted k

Sailfish -0.24 0.36 180.6 Combined Mazatlan Cerdenares-Ladrón De Guevara et al., 2011EFL 206.82 180.60 0.36

Sailfish -0.004 0.37 207.46 Combined Eastern PacificFitchett and Ehrhardt, 2016 (Disserrtation)EFL 236.26 207.46 0.37

Sailfish -3.312 0.1586 183 F Florida Hedgepeth and Jolley 1983 EFL 209.46 183.00 0.16

Sailfish -1.959 0.3014 147 M Florida Hedgepeth and Jolley 1983 EFL 170.00 147.00 0.30

Sailfish -0.0015 0.8 203.6 Combined Mexico Alvarado-Castillo and Felix-Uraga, 1998LJFL 203.60 178.92 0.73

Sailfish -4.207 0.11 261.4 F Taiwan Chiang et al 2004 LJFL 261.40 233.57 0.10

Sailfish -2.99 0.138 250.3 F Taiwan Chiang et al 2004 LJFL 250.30 223.30 0.13

Sailfish 0 0.617 221 F Atlantic US Ehrhardt and Deleveaux 2006 LJFL 221.00 196.17 0.57

Sailfish -1.08 0.18 251.4 F Tehauntepec Ramírez-Pérez et al., 2012 LJFL 251.40 224.31 0.17

Sailfish -3.916 0.115 252.6 M Taiwan Chiang et al 2004 LJFL 252.60 222.35 0.10

Sailfish -2.781 0.145 240.4 M Taiwan Chiang et al 2004 LJFL 240.40 211.26 0.13

Sailfish 0 0.583 160.8 M Atlantic US Ehrhardt and Deleveaux 2006 LJFL 160.80 138.90 0.53

Sailfish -1.37 0.16 256.7 M Tehauntepec Ramírez-Pérez et al., 2011 LJFL 256.70 226.08 0.15

Sailfish -1.246 0.1466 179.6 Combined NE Brazil Freire et al, 1999 EFL 205.73 179.60 0.13

1636

Table 3. Estimated catches (t) of Atlantic sailfish (Istiophorus albicans) by area, gear and flag.

1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015TOTAL 0 0 0 0 0 0 1 95 99 9 226 523 581 585 798 1776 1189 1541 1792 1714 1886 2160 1675 1319 4326 6011 6250 2357 3308 4097 2910 3050 3838 4892 3596 3274 3316 3746 3252 2762 3550 2701 3239 3228 2292 2445 3023 2604 2975 2922 3976 4603 4411 4137 4335 4058 3854 4137 3962 3753 2897 2411 2393 1825 1585 204

ATE 0 0 0 0 0 0 0 71 32 4 50 173 218 230 264 797 540 848 920 962 628 916 870 670 3573 5278 5398 1457 2529 3230 2069 2082 2796 3706 2445 2269 2065 2553 2109 1710 2315 1476 1780 1815 1172 1234 1881 1337 1362 1342 1978 2761 2313 2625 2587 2194 1901 2542 2196 2062 1821 1241 1258 1042 920 50ATW 0 0 0 0 0 0 1 24 66 5 176 350 364 354 533 979 649 693 871 752 1258 1243 804 649 753 732 852 900 779 867 841 968 1042 1186 1151 1004 1252 1193 1143 1052 1235 1225 1459 1413 1120 1211 1142 1267 1613 1580 1998 1842 2098 1512 1748 1864 1953 1595 1765 1691 1076 1170 1134 783 665 153

Landings ATE Longline 0 0 0 0 0 0 0 71 32 4 50 173 218 228 260 793 529 754 808 835 474 711 605 376 191 174 351 133 96 57 121 153 229 238 177 89 99 99 93 112 109 47 104 256 151 189 196 206 275 273 195 269 354 322 261 294 566 555 596 555 483 454 485 431 458 47Other surf. 0 0 0 0 0 0 0 0 0 0 0 0 0 2 4 4 11 18 36 46 67 93 143 150 3275 4982 4858 1164 2290 3066 1623 1432 1999 2962 2107 1940 1394 1870 1479 1153 1249 1000 983 1111 954 910 1504 644 859 883 1231 1725 1862 2022 2106 1756 1289 1798 1488 927 895 651 710 489 452Sport (HL+RR) 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 76 76 81 87 112 122 144 107 122 189 160 143 107 325 497 568 506 161 240 571 584 537 445 957 429 692 448 67 135 182 488 228 186 551 767 98 282 219 143 46 189 113 580 443 136 58 117 9 3

ATW Longline 0 0 0 0 0 0 1 24 66 5 65 217 217 195 356 788 444 482 653 516 998 976 533 376 460 436 476 363 263 342 294 320 395 310 442 417 460 473 406 405 392 268 491 619 407 425 360 427 765 731 1275 1368 1382 1066 1098 1492 1504 1130 1246 1220 978 1049 941 664 539 153Other surf. 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 28 28 28 28 38 38 110 198 178 175 179 87 173 141 173 274 295 187 208 238 514 521 599 498 468 410 482 433 553 615 602 402 603 440 642 368 442 452 502 457 92 101 154 86 106Sport (HL+RR) 0 0 0 0 0 0 0 0 0 0 111 133 147 159 177 191 205 211 218 236 232 239 243 245 255 258 266 339 338 350 368 561 475 735 536 313 496 491 472 352 267 371 333 233 217 348 230 350 267 163 76 60 106 0 0 0 2 6 7 4 2 10 19 20 9

Discards ATE Longline 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 5 4 1ATW Longline 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 42 57 57 62 64 36 63 28 29 69 57 27 72 45 11 7 5 7 3 5 8 9 10 4 10 20 13 11

Other surf. 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0Landings ATE Belize 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 24 0 0 0 0

Benin 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 36 48 51 53 50 25 32 40 8 21 20 21 20 20 20 19 6 4 5 5 12 2 2 5 3 3 4 0 0 0 0 0 0 0Cape Verde 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0China PR 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 3 3 3 5 9 4 5 11 4 4 8 16 8 1 4 5 2 4 1 1Chinese Taipei 0 0 0 0 0 0 0 0 0 0 0 0 2 3 2 1 11 54 421 333 122 370 252 226 36 11 29 8 2 5 1 3 19 6 2 3 0 1 2 3 5 4 80 157 38 58 24 56 44 66 45 50 62 49 15 25 36 109 121 80 21 51 54 42 51Cuba 0 0 0 0 0 0 0 0 0 0 0 0 0 10 20 43 31 371 56 52 42 21 13 42 96 110 185 65 69 40 79 79 158 200 115 19 55 50 22 53 61 184 200 77 83 72 533 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0Côte d'Ivoire 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 40 40 40 40 66 55 58 38 69 40 54 66 91 65 35 80 45 47 65 121 73 93 78 52 448 74 24 108 192 80 99EU.España 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 10 7 4 7 9 19 28 14 0 13 3 42 8 13 42 38 15 20 8 150 210 183 148 177 200 192 206 280 174 154 201 203 302EU.Portugal 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 2 1 2 1 2 27 53 11 3 8 13 19 31 136 43 49 103 170 121 70 109 33EU.United Kingdom 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0Gabon 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 3 110 218 2 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0Ghana 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 3040 4726 4517 764 1885 2691 1191 891 1426 2408 1658 1485 925 1392 837 465 395 463 297 693 450 353 303 196 351 305 275 568 592 566 521 542 282 420 342 358 417 299 201 220 191Guinea Ecuatorial 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 11 1 3Honduras 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0Japan 0 0 0 0 0 0 0 71 32 4 50 173 216 215 238 745 458 229 293 124 42 54 40 20 5 11 1 5 3 8 13 17 16 23 32 41 32 16 26 26 31 6 15 27 45 52 47 19 58 16 26 6 20 22 70 50 62 144 199 94 115 142 157 71 59 47Korea Rep. 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 23 86 26 311 257 253 246 43 36 29 108 29 13 4 27 17 23 2 24 20 2 8 11 12 12 22 2 2 5 5 11 4 0 0 0 0 0 0 0 0 0 0 0 1 0 5 0 6 10Liberia 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 33 85 43 136 122 154 56 133 127 106 122 118 115 0 0 0 0 0 0 0Maroc 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 15 0 0 0 0 0 0 0 0 0Mixed flags (FR+ES) 0 0 0 0 0 0 0 0 0 0 0 0 0 2 4 4 11 18 36 46 67 93 143 148 235 256 327 400 405 375 432 504 521 499 354 364 403 394 408 432 595 174 150 182 160 128 97 110 138 131 353 400 365 413 336 264 274 205 251 308 265 56 0 0 0NEI (BIL) 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 28 269 408 213 55 1 105 43 20 11 0 0 0 0 0NEI (ETRO) 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 27 51 57 69 86 127 120 77 43 3 2 16 7 8 10 0 0 0 0 0 0 0Panama 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 15 31 9 7 41 13 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0Russian Federation 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0S. Tomé e Príncipe 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 78 86 97 84 78 81 88 92 96 139 141 141 136 136 136 136 515 346 292 384 114 119 121 124 127 131 134Senegal 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 76 76 81 87 112 122 144 107 122 189 160 143 107 325 498 572 510 163 241 572 596 587 552 1040 466 860 462 162 167 240 560 260 238 786 953 240 673 567 463 256 737 446 630 484 174 247 165 37Sierra Leone 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0South Africa 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0St. Vincent and Grenadines 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0 1 5 0 0 0 0 0 0 0Togo 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 9 22 36 23 62 55 95 135 47 31 71 0 0 0 0 0 0 0U.S.A. 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 4 1 1 3 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0U.S.S.R. 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 5 14 13 14 11 14 39 14 9 7 1 13 5 0 0 37 0 0 0 0 2 5 4 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

ATW Aruba 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 10 10 20 20 30 30 30 30 30 30 30 30 30 23 20 16 13 9 5 10 10 10 10 10 10 10 10 0 0 0 0 0 0 0 0 0 0 0 0 0 0Barbados 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 69 45 29 42 50 46 74 25 71 58 44 44 42 26 27 26 42 58 42 0 0 18 36 36 39 44Belize 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 5 0 12 0 0 52 8 0 4 0Brazil 0 0 0 0 0 0 0 0 0 0 0 159 91 46 46 46 46 23 57 27 21 43 64 37 78 76 186 287 246 201 231 64 153 60 121 187 292 174 152 147 301 90 351 243 129 245 310 137 184 356 598 412 547 585 534 416 139 123 268 433 78 137 108 38 57China PR 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 3 3 3 3 9 4 3 1 0 1 0 0 0 1 2 1 1 1 0 1Chinese Taipei 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 14 74 60 80 34 94 7 37 36 9 29 1 3 6 11 25 7 9 14 12 20 9 92 86 42 37 17 112 117 19 19 2 65 17 11 33 31 13 8 21 5 14 10 11 6 9 26 6 9Cuba 0 0 0 0 0 0 0 0 0 0 0 0 0 13 29 59 44 151 258 19 58 30 17 58 133 152 122 91 51 151 119 134 181 28 169 130 50 171 78 55 126 83 70 42 46 37 37 40 28 196 208 68 32 18 50 72 47 56 0 0 0 0 0 0 0Curaçao 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 28 28 28 28 28 28 28 28 21 21 21 21 21 21 21 10 10 10 10 10 10 10 10 15 15 15 15 15 15 15 15 0 0 0 0 0 0 0 0 0 0 0 0 0 0Dominica 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 5 3 0 1 0 3 3 4 2 0 2 0 0 0Dominican Republic 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 22 50 49 46 18 40 44 44 40 31 98 50 90 40 40 101 89 27 67 81 260 91 144 165 133 147 0 0 0 0 0 0 0EU.España 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 8 13 13 19 36 5 30 42 7 14 354 449 196 181 113 148 248 393 451 306 233 239 229 244EU.Portugal 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 7 0 2 12 12 110 19 53 101 48 19 9 4 0 0Grenada 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 31 37 40 31 36 27 37 66 164 211 104 114 98 218 316 310 246 151 119 56 83 151 148 164 187 151 171 112 147 159 174 216 183 0 0 0 0 0Japan 0 0 0 0 0 0 1 24 66 5 65 21 63 105 244 586 234 58 117 125 205 234 93 60 78 90 103 14 4 4 3 26 85 15 23 16 8 2 5 12 12 27 0 1 8 2 4 17 3 10 12 3 3 10 5 22 4 1 33 43 36 13 16 7 11 12Korea Rep. 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 3 45 64 83 176 253 249 241 54 45 44 45 45 10 12 30 28 8 18 24 33 10 1 1 12 16 1 2 3 4 4 12 4 0 0 0 0 0 0 0 0 0 0 0 1 0 45 4 1 1Mexico 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 19 19 10 9 65 40 118 36 34 45 51 55 41 46 45 48 34 32 51 63 42NEI (BIL) 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 297 268 0 0 0 0 68 81 252 17 0 0 0 0 0NEI (ETRO) 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 15 27 30 36 46 67 64 41 23 1 1 9 4 4 6 0 0 0 0 0 0 0Panama 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 20 44 13 9 0 18 3 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0Seychelles 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0St. Vincent and Grenadines 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 1 4 4 4 2 1 3 0 1 0 2 164 3 86 73 59 18 13 8 7 4 4 3 4Sta. Lucia 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 2 2 3 2 3Trinidad and Tobago 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 65 58 14 25 35 24 10 7 3 3 1 2 1 4 10 25 37 3 7 6 8 10 9 17 13 32 16 16 38 72 34 29U.S.A. 0 0 0 0 0 0 0 0 0 0 111 126 142 157 173 188 194 201 207 214 220 227 233 240 248 254 261 308 308 308 308 533 452 734 495 282 462 454 451 324 242 343 294 202 179 345 231 349 267 163 76 58 103 0 0 0 0 0 3 3 0 0 7 3 2UK.British Virgin Islands 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0Venezuela 0 0 0 0 0 0 0 0 0 0 0 44 68 33 40 96 72 123 90 111 440 338 101 91 84 60 59 56 66 93 58 72 57 119 81 81 117 127 94 113 99 175 205 341 223 180 255 279 515 367 261 249 277 327 509 607 1042 549 382 416 498 590 543 341 210 142

Discards ATE Chinese Taipei 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 5 4 1Korea Rep. 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

ATW Brazil 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0Chinese Taipei 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0Korea Rep. 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0Mexico 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0U.S.A. 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 42 57 57 62 64 36 63 28 29 69 57 27 72 45 11 7 5 7 4 5 7 10 10 4 10 19 11 11

1637

Table 4. Estimates of the eastern stock of sailfish caught as bycatch in the EU tropical tuna purse seine fleet for

a) FAD and b) free school sets

a)

FAD Sets Sets Obs. (mt) Est. (mt) SD

2003 - - - -

2004 - - - -

2005 5 0.27 12.50 5.44

2006 3 0.65 11.40 8.06

2007 4 0.14 4.20 1.93

2008 3 1.17 24.77 16.67

2009 5 0.19 4.97 2.56

2010 4 0.14 2.11 1.13

2011 4 0.17 6.26 4.01

2012 7 0.24 8.29 3.48

2013 7 0.17 2.82 1.19

b)

Free Sets Sets Obs. (mt) Est. (mt) SD

2003 16 0.86 98.57 37.45

2004 - - - -

2005 8 0.72 38.06 18.86

2006 7 1.40 56.37 30.41

2007 15 4.99 98.64 48.81

2008 19 1.00 11.54 3.14

2009 22 1.46 34.35 9.18

2010 46 3.22 30.81 7.95

2011 43 6.36 131.84 38.55

2012 43 3.69 113.44 42.73

2013 32 2.38 223.89 88.24

1638

Table 5. Data catalogues for Task II data for the a) Western and b) Eastern Sailfish stocks.

a)

Species Stock Status FlagName

GearGr

p DSet

199

0

199

1

199

2

199

3

199

4

199

5

199

6

199

7

199

8

199

9

200

0

200

1

200

2

200

3

200

4

200

5

200

6

200

7

200

8

200

9 2010

201

1

201

2

201

3

201

4 2015

SAI

AT

W CP Venezuela LL t1 94

12

9

17

0

27

1

14

8

13

9

16

7

16

5

33

3

22

7

19

0

18

6

18

8

23

3

38

7

47

6

90

7

36

3

26

9

32

0 409

49

8

40

4

26

2

11

2 142

SAI

AT

W CP Venezuela LL t2 -1 b ab ab ab ab ab ab ab ab a -1 -1 a a a a a a a a a a a a -1

SAI

AT

W CP Brazil LL t1 98 65

28

5

20

1 60 97 76 69

10

6

27

8

53

1

41

2

32

5

34

7

20

8

41

5 82 59 75 73 76

13

5

10

6 25 57

SAI

AT

W CP Brazil LL t2 a a ab a a a a a a ab ab ab a a a ab ab ab ab ab ab ab ab a a

SAI

AT

W CP

EU.Españ

a LL t1 0 8 13 13 19 36 5 30 42 7 14

35

4

44

9

19

6

18

1

11

3

14

8

24

8

39

3

45

1 306

23

3

23

9

22

9

24

4

SAI

AT

W CP

EU.Españ

a LL t2 -1 -1 -1 b b -1 b b -1 b b b b b -1 b b -1 b b b -1 -1 -1 -1

SAI

AT

W CP U.S.A. RR t1

24

2

34

1

29

0

20

1

17

9

34

2

23

0

34

9

26

7

16

3 76 58

10

3 0 0 0 0 3 3 0 0 7 3 2

SAI

AT

W CP U.S.A. RR t2 ab ab ab ab ab b ab b ab b b -1 b b b b b b b ab b b b b b

SAI

AT

W CP Venezuela GN t1 41 25 60 65 41 88

11

4

18

2

14

0 71 64 88 93

12

2

13

1

13

5

18

6

11

3 96 89 92

13

9 79 98

SAI

AT

W CP Venezuela GN t2 ab ab ab ab ab ab ab ab ab a ab -1 -1 -1 -1 -1 -1 -1 -1 a a a a a

SAI

AT

W NCO Grenada UN t1

21

8

31

6

31

0

24

6

15

1

11

9 56 83

15

1

14

8

16

4

18

7

SAI

AT

W NCO Grenada UN t2 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1

SAI

AT

W NCO

Dominica

n

Republic SU t1 40 31 98 50 90 40 40

10

1 89 27 67 81

26

0 91

14

4

16

5

13

3

14

7

SAI

AT

W NCO

Dominica

n

Republic SU t2 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1

SAI

AT

W NCO Grenada LL t1

15

1

17

1

11

2

14

7

15

9

17

4

21

6

18

3

SAI

AT

W NCO Grenada LL t2 -1 a a a a a a -1

SAI

AT

W CP Brazil SU t1

18

4 33 21 41

14

3

22

4 67 78 78 67

32

6 0

SAI

AT

W CP Brazil SU t2 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1

SAI

AT

W CP Brazil UN t1

22

2

23

8 58 60

19

3

36

0 1 0 0

SAI

AT

W CP Brazil UN t2 -1 -1 -1 -1 -1 -1 -1 -1 -1

1639

SAI

AT

W NCO Cuba UN t1 83 70 42 46 37 37 40 28

19

6

20

8 68 32 18 50 72 47 56

SAI

AT

W NCO Cuba UN t2 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1

SAI

AT

W CP Mexico LL t1 2 19 19 10 9 65 40

11

8 36 34 45 51 55 42 47 45 48 34 32 51 63 42

SAI

AT

W CP Mexico LL t2 a a -1 a a a a a -1 -1 a a a a

ab

c a a a a a a a

SAI

AT

W CP Barbados LL t1 74 25 71 58 44 44 42 26 27 26 42 58 42 16 29 25 35 37

SAI

AT

W CP Barbados LL t2 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 a a a a

SAI

AT

W NCO NEI (BIL) LL t1

29

7

26

7 81 59 17

SAI

AT

W NCO NEI (BIL) LL t2 -1 -1 -1 -1 -1

SAI

AT

W CP U.S.A. LL t1 62 66 40 64 29 30 69 57 27 72 45 11 7 5 7 3 5 7 9 10 4 10 18 11 11

SAI

AT

W CP U.S.A. LL t2 a a a a a a a a a ab a a ac a a a a a a a ab ab ab ab ab

SAI

AT

W NCC

Chinese

Taipei LL t1 42 37 17

11

2

11

7 19 19 2 65 17 11 33 31 13 8 21 5 14 10 11 6 9 27 7 9

SAI

AT

W NCC

Chinese

Taipei LL t2 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 a a a a a a -1 -1 a ab ab ab ab ab ab a

SAI

AT

W CP

St.

Vincent

and

Grenadine

s LL t1 2

16

4 3 86 73 59 18 13 8 7 4 4 3 4

SAI

AT

W CP

St.

Vincent

and

Grenadine

s LL t2 -1 a a a -1 a a a a a a a a a

SAI

AT

W CP

EU.Portug

al LL t1 7 0 2 12 12

11

0 19 53

10

1 48 19 9 4

SAI

AT

W CP

EU.Portug

al LL t2 a a -1 -1 a a a a a ab a a ab ab ab ab

SAI

AT

W NCO

NEI

(ETRO) LL t1 15 27 30 36 46 67 64 41 23 1 1 9 4 4 6

SAI

AT

W NCO

NEI

(ETRO) LL t2 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1

SAI

AT

W CP

Trinidad

and

Tobago LL t1 4 1 1 2 1 4 10 25 37 3 7 6 7 10 9 17 13 32 16 16 32 60 28 23

SAI

AT

W CP

Trinidad

and

Tobago LL t2 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 a a a a a a a a a a a a

1640

SAI

AT

W CP Japan LL t1 12 27 0 1 8 2 4 17 3 10 12 3 3 10 5 22 4 1 33 43 36 13 16 7 11 12

SAI

AT

W CP Japan LL t2 b -1 b -1 a a a a ab ab ab a ab a ab a ab ab ab ab ab ab a a a -1

b)

Sp.

Stoc

k Status FlagName

Gear

Grp

D

Set

199

0

199

1

199

2

199

3

199

4

199

5

199

6

199

7

199

8

199

9

200

0

200

1

200

2

200

3

200

4

200

5

200

6

200

7

200

8

200

9

201

0

201

1

201

2

201

3

201

4 2015

SAI

AT

E CP Ghana GN t1

39

5

46

3

29

7

69

3

45

0

35

3

30

3

19

6

35

1

30

5

27

5

56

8

59

2

56

6

52

1

54

2

28

2

42

0

34

2

35

8

41

7

29

9

20

1

22

0

19

1

SAI

AT

E CP Ghana GN t2 -1 -1 -1 -1 a -1 -1 b ab b ab ab ab ab ab ab ab ab a ab a a a a a

SAI

AT

E CP Senegal HL t1

95

7

42

9

69

2

44

8 67

13

5

18

2

48

8

22

8

18

6

55

1

76

7 98

28

2

21

9

14

3 46

18

9

10

8

49

7

35

7

12

2 30

11

4 5

SAI

AT

E CP Senegal HL t2 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 ab ab ab ab ab a -1 -1 b b -1 a

SAI

AT

E NCO

Mixed

flags

(FR+ES) PS t1

59

5

17

4

15

0

18

2

16

0

12

8 97

11

0

13

8

13

1

35

3

40

0

36

5

41

3

33

6

26

4

27

4

20

5

25

1

30

8

26

5 56

SAI

AT

E NCO

Mixed

flags

(FR+ES) PS t2 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1

SAI

AT

E CP Senegal TR t1 53 27

14

1 11 90 29 52 59 24 44

21

3

15

5

12

3

33

7

34

3

29

6

17

7

51

2

15

8 18

10

4 25

SAI

AT

E CP Senegal TR t2 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 ab -1 b b a

SAI

AT

E CP

EU.Españ

a LL t1 0 13 3 42 8 13 42 38 15 20 8

15

0

21

0

18

3

14

8

17

7

20

0

19

2

20

6

28

0

17

4

15

4

20

1

20

3

30

2

SAI

AT

E CP

EU.Españ

a LL t2 -1 -1 -1 b b b b b b b b b b b b b b -1 -1 -1 b b -1 -1 b

SAI

AT

E CP

S. Tomé e

Príncipe TR t1 92 96

13

9

14

1

14

1

13

6

13

6

13

6

13

6

51

5

34

6

29

2

38

4 8 8 10

SAI

AT

E CP

S. Tomé e

Príncipe TR t2 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1

SAI

AT

E CP

Côte

d'Ivoire GN t1 58 38 69 40 54 66 91 65 35 80 45 47 65

12

1 73 93 78 52

44

8 74 24

10

8

19

2 80 99

SAI

AT

E CP

Côte

d'Ivoire GN t2 ab ab ab ab ab ab ab ab ab ab ab ab ab ab ab -1 -1 a -1 -1 -1 a a a ab

SAI

AT

E CP Japan LL t1 31 6 15 27 45 52 47 19 58 16 26 6 20 22 70 50 62

14

4

19

9 94

11

5

14

2

15

7 71 59 47

SAI

AT

E CP Japan LL t2 b b -1 -1 a ab a a ab ab ab ab ab ab ab ab ab a ab ab ab ab ab ab ab -1

SAI

AT

E NCC

Chinese

Taipei LL t1 5 4 80

15

7 38 58 24 56 44 66 45 50 62 49 15 25 36

10

9

12

1 80 21 52 59 46 53

1641

SAI

AT

E NCC

Chinese

Taipei LL t2 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 a a a a a a -1 -1 a ab ab ab ab ab ab a

SAI

AT

E CP Liberia GN t1 33 85 43

13

6

12

2

15

4 56

13

3

12

7

10

6

12

2

11

8

11

5

SAI

AT

E CP Liberia GN t2 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1

SAI

AT

E NCO Cuba UN t1

18

4

20

0 77 83 72

53

3

SAI

AT

E NCO Cuba UN t2 -1 -1 -1 -1 -1 -1

SAI

AT

E CP

EU.

Portugal LL t1 27 42 6 1 2 10 6 11

13

6 43 49 84

14

2 96 68

10

8 33

SAI

AT

E CP

EU.

Portugal LL t2 -1 a a a a a a a a a ab a a ab ab ab ab

SAI

AT

E NCO NEI (BIL) SU t1

25

5

36

5

16

2 53

SAI

AT

E NCO NEI (BIL) SU t2 -1 -1 -1 -1

SAI

AT

E CP

S. Tomé e

Príncipe PS t1

10

1

10

6

10

6

12

4 127

13

1

13

4

SAI

AT

E CP

S. Tomé e

Príncipe PS t2 -1 -1 -1 -1 -1 -1 -1

SAI

AT

E NCO

NEI

(ETRO) LL t1 27 51 57 69 86

12

7

12

0 77 43 3 2 16 7 8 10

SAI

AT

E NCO

NEI

(ETRO) LL t2 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1

SAI

AT

E CP Senegal GN t1 30 10 14 2 3 3 6 3 5 0 8 28 19 15 1 22 27 28

18

0 35 45 38 85 21 26

SAI

AT

E CP Senegal GN t2 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 a -1 -1 b b b a

SAI

AT

E NCO Togo GN t1 9 22 36 23 62 55 95

13

5 47 31 71

SAI

AT

E NCO Togo GN t2 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1

SAI

AT

E CP

S. Tomé e

Príncipe UN t1 97 84 78 81 88

SAI

AT

E CP

S. Tomé e

Príncipe UN t2 -1 -1 -1 -1 -1

SAI

AT

E CP Gabon GN t1 3 3

11

0

21

8 2 0 4

SAI

AT

E CP Gabon GN t2 -1 -1 -1 -1 -1 -1 -1

1642

Table 6. Tag releases and recaptures by year in the ICCAT tagging database.

Years at liberty

Year Releases Recaptures < 1 1 - 2 2 - 3 3 - 4 4 - 5 5 - 10 10+ 15+ ERROR % recapt*

1950 2 1 1 50.0%

1951 1 1 1 100.0%

1952 2 2 2 100.0%

1953 1 1 1 100.0%

1954 3 0

1955 13 2 2 15.4%

1956 2 1 1 50.0%

1957 59 2 1 1 3.4%

1958 31 2 1 1 6.5%

1959 252 1 1 0.4%

1960 926 5 3 2 0.5%

1961 1303 7 5 2 0.5%

1962 1497 10 7 3 0.7%

1963 1423 8 8 0.6%

1964 1305 6 6 0.5%

1965 1316 9 8 1 0.7%

1966 1277 17 13 2 1 1 1.3%

1967 877 13 12 1 1.5%

1968 847 10 8 2 1.2%

1969 819 7 5 1 1 0.9%

1970 632 2 1 1 0.3%

1971 1074 4 2 1 1 0.4%

1972 920 6 3 3 0.7%

1973 914 17 7 8 1 1 1.9%

1974 870 10 4 4 2 1.1%

1975 1017 17 14 3 1.7%

1976 1464 22 15 7 1.5%

1977 1391 32 24 4 1 2 1 2.3%

1978 1549 32 18 11 2 1 2.1%

1979 1860 37 23 4 5 2 1 2 2.0%

1980 2125 49 24 9 2 1 1 11 1 2.3%

1981 1853 43 34 4 4 1 2.3%

1982 1643 32 20 7 2 2 1 1.9%

1983 1824 13 8 4 1 0.7%

1984 2212 32 16 7 4 2 1 2 1.4%

1985 1912 41 26 8 3 2 2 2.1%

1986 2238 44 32 8 4 2.0%

1987 1999 46 24 10 6 3 3 2.3%

1988 2487 50 30 7 4 4 2 3 2.0%

1989 2183 50 24 18 7 1 2.3%

1990 3403 85 48 23 6 6 1 1 2.5%

1991 4912 140 75 41 17 2 3 2 2.9%

1992 5878 147 87 41 13 2 1 3 2.5%

1643

1993 5540 124 80 29 11 1 3 2.2%

1994 5708 93 57 16 9 7 1 3 1.6%

1995 6512 96 57 23 7 6 1 2 1.5%

1996 4933 118 63 31 17 2 3 2 2.4%

1997 5454 106 58 26 13 5 2 2 1.9%

1998 5021 106 56 30 12 5 1 1 1 2.1%

1999 7174 127 83 24 12 5 1 2 1.8%

2000 5148 54 36 9 7 2 1.0%

2001 3866 43 27 8 2 2 3 1 1.1%

2002 4186 31 21 6 1 2 1 0.7%

2003 2977 17 12 4 1 0.6%

2004 447 17 8 7 1 1 3.8%

2005 448 23 17 6 5.1%

2006 8 8 7 1 100.0%

2011 5 1 1 20.0%

Grand Total 115743 2020 1222 471 181 63 28 32 13 3 7 1.7%

1644

Table 7. Indices of abundance used for the assessment of SAI western stock: US-LL (US longline estimated from

observer data), US-RR (US rod and reel, recreational tournaments), VEN-RR (Venezuela recreational rod and

reel), VEN-GILL (Venezuela gillnet), VEN-LL (Venezuela longline), BRA-LL (Brazil longline), BRA-RR (Brazil

recreational rod and reel), JPN-LL1 (Japan longline 1994-2014), JPN-LL2 (Japan longline 1960-1993), SPA-LL

(E.U. Spain longline), CH-T-LL (China-Taipei longline).

US-LL US-RR

VEN-

RR

VEN-

GILL

VEN-

LL

BRA-

LL

BRA-

RR

JPN-

LL1

JPN-

LL2 SPA-LL

CH-T-

LL

Units number number number weight number number number number number weight number

Source

SC

RS

/20

15

/18

5

SC

RS

/20

16

/09

3

SC

RS

/20

14

/06

5

SC

RS

/20

16

/07

5

SC

RS

/20

15

/08

4

SC

RS

/20

16

/09

2

SC

RS

/20

15

/20

9

SC

RS

/20

16

/09

4

20

09

ass

essm

ent

SC

RS

/20

16

/07

1

SC

RS

/20

16

/10

2

1960 0.804

1961 0.33 1.103

1962 0.27 1.397

1963 0.12 1.355

1964 0.16 1.525

1965 0.18 1.867

1966 0.38 1.973

1967 0.22 2.215

1968 0.3 3.308

1969 0.3 2.272

1970 0.25 2.159

1971 0.37 1.435

1972 0.49 0.31 1.182

1973 0.97 0.26 1.397

1974 0.55 0.25 1.377

1975 1.4 0.15 0.75

1976 1.02 0.2 0.754

1977 1.39 0.09 1.665

1978 1.4 0.06 0.35 1.252

1979 1.29 0.06 0.501 1.145

1980 1.41 0.09 0.411 0.925

1981 1.13 0.08 0.389 1.291

1982 0.35 0.04 0.232 1.305

1983 0.36 0.12 0.435 1.35

1984 0.54 0.21 0.153 1.001

1985 0.4 0.17 0.089 0.752

1986 0.77 0.1 0.13 0.844

1987 0.62 0.17 5.627 0.334 0.926

1988 0.61 0.09 2.118 0.277 0.69

1989 0.5 0.12 1.575 0.483 0.506

1990 0.67 0.931 0.094 0.376

1991 0.62 0.04 16.04 0.899 0.296 0.611

1992 1.965 0.6 0.07 29.02 0.742 0.213 0.519

1993 1.645 0.73 24.03 0.271 0.476 0.467

1994 0.913 1.12 0.08 22.21 0.759 0.081 0.079

1995 0.681 0.94 0.05 23.24 0.664 0.258 0.029

1996 0.707 1.09 0.02 20.16 0.75 0.236 0.19 0.053

1997 0.906 1.06 0.01 29.17 0.676 0.246 0.38 0.127

1998 0.666 1.11 0.02 28.55 0.933 0.225 0.29 0.075

1999 1.854 0.66 0.01 28.92 2.397 0.16 0.17 0.152

1645

2000 2.689 0.61 0.06 23.83 0.693 0.218 0.45 0.094

2001 1.002 0.74 0.06 22.42 0.431 0.304 0.23 0.017 0.61356

2002 0.661 0.83 20.51 0.507 0.154 0.26 0.047 0.78549

2003 0.456 0.94 19.74 0.314 0.241 0.42 0.098 0.68082

2004 0.791 0.99 21.12 0.347 0.213 0.29 0.046 0.35385

2005 1.011 0.97 25.17 0.405 0.443 0.43 0.118 0.66841

2006 0.521 1.14 28.43 0.726 0.186 0.58 0.082 0.62019

2007 0.608 0.97 31.02 1.84 0.152 0.62 0.017 0.81285

2008 1.105 1.57 31.75 0.462 0.077 0.46 0.227 1.18685

2009 0.796 1.74 32.35 0.526 0.271 0.02 0.223 1.40152 0.054

2010 0.877 1.79 31.56 0.511 0.05 0.16 0.213 1.39395 0.083

2011 0.768 2.03 37.75 0.724 0.179 0.11 0.272 1.238 0.068

2012 1.087 2.08 36.13 0.946 0.033 0.14 0.122 1.22106 0.086

2013 0.631 1.45 37.8 0.784 0.19 0.105 1.86786 0.058

2014 0.658 1.33 40.24 0.442 0.07 0.234 1.15559 0.027

1646

Table 8. Indices of abundance used for the assessment of SAI eastern stock: CIV-ART (Cote d’Ivoire artisanal),

SEN-ART (Senegal artisanal), GHA-ART (Ghana artisanal), JPN-LL1 (Japan longline 1994-2014), JPN-LL2

(Japan longline 1960-1993), SPA-LL (E.U. Spain longline), CH-T-LL (China-Taipei longline), POR-LL (E.U.

Portugal longline).

CIV-ART

SEN-

ART GHA-ART JPN-LL1 JPN-LL2

SPA-LL CH-T-LL POR-LL

Units number weight weight number number weight number weight

Source

Ko

nan

et

al.

20

10

SC

RS

/P/2

01

6/0

26

SC

RS

/P/2

01

6/0

27

SC

RS

/20

16

/09

4

no

cu

rren

t p

ap

er

SC

RS

/20

16

/07

1

SC

RS

/20

16

/10

2

SC

RS

/20

16

/09

8

1960 0.736 1961 5.036 1962 1.080 1963 0.778 1964 2.405 1965 2.028 1966 1.951 1967 0.660 1968 1.799 1969 2.846 1970 4.269 1971 1.086 1972 1.007 1973 0.579 1974 0.211895562 0.470 1975 0.861368814 0.449 1976 0.957747662 0.612 1977 0.112948668 0.375 1978 0.163621417 0.686 1979 0.212812227 0.262 1980 0.180083326 0.527 1981 0.748 0.086482684 0.325 1982 1.104 0.935583116 1.078 1983 0.695

0.421 1984 0.480 0.201801942 1.147 1985 0.975 0.175561492 0.635 1986 1.127 0.509489735 0.670 1987 1.526 0.262844857 0.485 1988 0.610 1.268 4.668112227 0.483 1989 0.300 1.904 0.028988173 0.398 1990 0.350 1.479 1.526036311 0.250 1991 0.400 1.491 3.314307472 0.198 1992 0.180 1.293 1.931277986 0.212 1993 0.180 0.780 1.863091017 0.379 1994 0.240 0.335 1.626846167 0.046

1995 0.120 0.612 0.775487009 0.048

1996 0.110 1.263 2.386733581 0.040

1997 0.190 1.892 1.294619842 0.028

1998 0.160 1.244 0.823348625 0.038

1999 0.250 0.951 0.564210346 0.029 3.980

1647

2000 0.110 1.133 0.36950505 0.037 1.520

2001 0.180 1.847 0.93782419 0.013 0.136 1.400

2002 0.200 1.448 1.756970257 0.029 0.725 2.120

2003 0.100 2.116 2.219196392 0.035 0.483 0.740

2004 0.200 0.692 0.818136506 0.072 0.471 1.280

2005 0.200 0.811 1.327515512 0.078 0.574 1.180

2006 0.200 0.523 0.70223582 0.062 0.672 0.410

2007 0.250 0.609 0.645313986 0.094 0.812 0.470

2008 0.741 0.611763543 0.115 1.066 0.290

2009 0.556 1.526725834 0.071 1.187 0.054 0.370

2010 0.382 0.073 0.874 0.050 0.080

2011 0.296 0.496332575 0.122 0.773 0.056 0.900

2012 0.412 0.712631818 0.104 1.408 0.078 0.830

2013 0.269 0.200548261 0.114 2.339 0.090 0.710

2014 0.076 2.480 0.056 1.770

Table 9. Bayesian production model runs in the East.

Number Index trend Weighting Software

Process

error Bo/K

r prior

mean converged

1a up equal BSP-VB 0 prior 0.54 yes

1b up catch BSP-VB 0 prior 0.54 yes

1c up by series BSP-VB 0 prior 0.54 no

2a down equal BSP-VB 0 prior 0.54 yes

2b down catch BSP-VB 0 prior 0.54 yes

2c down by series BSP-VB 0 prior 0.54 no

1a up equal JAGS 0.05 prior 0.54 yes

1b up catch JAGS 0.05 prior 0.54 yes

1c up by series JAGS 0.05 prior 0.54 yes

2a down equal JAGS 0.05 prior 0.54 yes

2b down catch JAGS 0.05 prior 0.54 yes

2c down by series JAGS 0.05 prior 0.54 yes

3a down, 2 GHN equal JAGS 0.05 prior 0.54 yes

3b down, GHN 92+ equal JAGS 0.05 prior 0.54 yes

1d up equal JAGS 0.05 prior 0.3 yes

2d down equal JAGS 0.05 prior 0.3 yes

1e up equal JAGS 0.05 fixed=1 0.54 yes

2e down equal JAGS 0.05 fixed=1 0.54 yes

1f up equal JAGS 1E-06 prior 0.54 yes

1g up equal JAGS 0 prior 0.54 no

1648

Table 10. Means and CVs of parameters from BSP-JAGS models in the east.

Model

K

(1000) r Bo/K MSY (1000)

Bcur/

Bmsy

HRcur/

HRmsy

E-up-equal wt

23.41

(0.96) 1.23 (0.22)

0.45

(1.1)

6.8

(0.75) 0.67 (0.43)

0.33

(0.33)

E-up-catch wt.

66.35

(1.18) 0.59 (0.31) 0.45 (1.57)

8.98

(1.1)

0.4

(2.07)

2.85

(2.44)

E-up-series wt.

27.04

(0.48) 1.17 (0.22) 0.45 (1.12)

7.67

(0.41) 0.41 (0.38)

0.45

(0.29)

E-down-equal wt.

15.7

(0.77) 1.39 (0.24) 0.44 (1.07)

5.08

(0.57) 0.71 (0.86)

0.61

(0.81)

E-down-catch wt.

71.94

(1.27) 0.59 (0.31) 0.43 (1.56)

9.6

(1.16) 0.36 (1.61)

2.85

(2.51)

E-down-series wt.

18.94

(0.5) 1.28 (0.22) 0.46 (1.08)

5.79

(0.42) 0.32 (0.94)

1.35

(1.19)

E-down-equal-2

GHN

24.23

(2.99)

1.6

(0.2)

0.40

(1.13)

8.58

(2.36) 0.41 (0.62)

0.61

(0.52)

E-down-equal-

GHN 92+

20.94

(1.58) 1.42 (0.21)

0.42

(1.1)

7.03

(1.21) 0.41 (0.62)

0.62

(0.55)

E-up-prior.3

91.08

(2.14)

0.7

(0.27) 0.56 (1.17) 13.48 (2.01) 0.52 (0.59)

0.51

(0.37)

E-down-prior.3

62.43

(2.22) 0.63 (0.28) 0.61 (1.15)

8.58

(2.08) 0.14 (2.46)

63.97

(3.23)

E-up-Bo=K

21.68

(0.37) 1.22 (0.22) 1

6.4

(0.33)

0.66

(0.4)

0.34

(0.33)

E-down-B0=K

17.25

(0.82) 1.21 (0.25) 1

4.83

(0.6) 0.29 (2.16)

38.58

(3.74)

E-up-low process

22.73

(0.62) 1.22 (0.22)

0.46

(1.1)

6.65

(0.49) 0.66 (0.42)

0.34

(0.33)

Table 11. Results for sailfish eastern Atlantic with varying catch scenarios, indices used, separation of Ghana

series (Ghana1 and Ghana2), and omission of 1988-1990 from Ghana index.

1649

Table 12. Bootstrap results for ASPIC runs for ASPIC Run E1 with CPUE Indices Exhibiting a Negative Trend.

Parameter Estimate

80%

lower

80%

upper

50%

lower

50%

upper

Interquartile

range

Relative

IQ Range

B1/K 1.00 NA NA NA NA NA NA

MSY 1657.00 1152.00 1951.00 1448.00 1855.00 406.80 0.25

Fmsy 0.08 0.03 0.13 0.06 0.11 0.05 0.70

Ye(2015) 780.30 518.10 1260.00 685.10 1040.00 354.50 0.45

Y.(Fmsy) 464.60 291.50 849.70 388.50 655.00 266.50 0.57

Bmsy

21480.0

0 14900.00 33580.00 16800.00 26150.00 9343.00 0.44

B./Bmsy 0.27 0.16 0.43 0.21 0.34 0.14 0.51

F./Fmsy 2.55 1.41 3.92 1.86 3.00 1.15 0.45

Ye./MSY 0.47 0.30 0.68 0.37 0.57 0.20 0.43

Table 13. Key parameters associated with the stock production analysis for SAI_west.

Parameter Lower 80% CI Geometric Mean Upper 80% CI

r 0.18 0.35 0.67

K 10233 15250 25592

MSY 1130 1317 1534

BMSY 18727 36470 71025

B2014/BMSY * 0.23 0.42 0.61

F2014/FMSY * 0.69 1.37 2.45

*Based on Shaefer models

Table 14. Key parameters associated with the stock production analysis for SAI_east.

Parameter Lower 80% CI Geometric Mean Upper 80% CI

r 0.194 0.263 0.356

K 18727 36470 71025

MSY 1812 1977 2157

BMSY 9363 18235 35513

B2014/BMSY * 0.22 0.49 0.70

F2014/FMSY * 0.16 0.96 2.42

*median est (other pars Gem. Mean)

1650

Figure 1. Spatial distribution of sailfish mitochondrial DNA sampling.

Figure 2. Sailfish abundance indices predicted from the fitted delta generalized additive models for Jan. – Mar.

(a), Apr. – Jun. (b), Jul. – Sep. (c), and Oct. – Dec. (d). Predictions were generated from data fishnets (0.1° latitude

by 0.1° longitude) representing seasonal averages of numerical model descriptors for the year 2010. Fishnets were

generated using data from NCEI and NOAA. Plots were generated from the daytime fishnets (nighttime fishnets

displayed similar patterns with slightly larger abundance indices).

1651

0

50

100

150

200

250

0 2 4 6 8 10 12

Lo

we

r-J

aw

Fo

rkle

ng

th (

CM

)

Age

Cerdenares-Ladrón De Guevara et al., 2011

Fitchett and Ehrhardt, 2016 (Dissertation)

Hedgepeth and Jolley 1983 Female

Hedgepeth and Jolley 1983 Male

Alvarado-Castillo and Felix-Uraga, 1998

Freire et al, 1999

Ehrhardt and Deleveaux 2006 Female

Ehrhardt and Deleveaux 2006 Male

Figure 3. Von Bertalanffy growth plots examined to determine appropriate sailfish growth parameters to be used

in assessment.

Figure 4. Sailfish Task I nominal catches (t) by year for western (red line) and eastern stock (blue line).

0

1000

2000

3000

4000

5000

6000

19

50

19

53

19

56

19

59

19

62

19

65

19

68

19

71

19

74

19

77

19

80

19

83

19

86

19

89

19

92

19

95

19

98

20

01

20

04

20

07

20

10

20

13

ATE

ATW

1652

Figure 5. Straight displacements between release and recovery positions (apparent movement), from conventional

tagging of sailfish.

Figure 6. Density (5 by 5 degrees squares) of SAI releases (left) and recoveries (right).

1653

Figure 7. Indices of abundance used for the western sailfish stock.

Figure 8. Indices of abundance used for the eastern sailfish stock.

1654

Figure 9. Biomass and harvest rate trajectories for the BSP-JAGS models in the east.

Figure 10. Retrospective Analyses for ASPIC run E1 for F/FMSY (upper panel) and B/BMSY (lower panel).

1960 1970 1980 1990 2000 2010

01

23

4

E-up-equal wt

1960 1970 1980 1990 2000 2010

01

23

4

E-up-catch wt.

1960 1970 1980 1990 2000 2010

01

23

4

E-up-series wt.

1960 1970 1980 1990 2000 2010

01

23

4

E-down-equal wt.

1960 1970 1980 1990 2000 2010

01

23

4

E-down-catch wt.

1960 1970 1980 1990 2000 2010

01

23

4

E-down-series wt.

1960 1970 1980 1990 2000 2010

01

23

4

E-down-equal-2 GHN

1960 1970 1980 1990 2000 2010

01

23

4

E-down-equal-GHN2

1960 1970 1980 1990 2000 2010

01

23

4

E-up-prior.3

1960 1970 1980 1990 2000 2010

01

23

4

E-down-prior.3

1960 1970 1980 1990 2000 2010

01

23

4

E-up-Bo=K

1960 1970 1980 1990 2000 2010

01

23

4

E-down-B0=K

B/B

msy(r

ed

), H

/Hm

sy (

blu

e)

Year

1655

Figure 11. Retrospective Analyses for ASPIC run E3 for F/FMSY (upper panel) and B/BMSY (lower panel).

Figure 12. Prior on FMSY for ASPIC surplus production model of western Atlantic sailfish.

Beta prior on Fmsy

Fmsy

De

nsity

0.0 0.2 0.4 0.6

01

23

1656

Figure 13. Upper panel: Surface profile of the objective function for the ASPIC base model of western sailfish.

The contour flattens at a MSY of approximately 1,600 t across the full range of hypothesized FMSY. Lower panel:

Likelihood profile scaled to the maximum likelihood showing the model convergence to the upper bound on FMSY.

0.10.3

0.50.7

0.9

0.00E+00

1.00E+08

2.00E+08

3.00E+08

4.00E+08

5.00E+08

6.00E+08

7.00E+08

8.00E+08

9.00E+08

20

04

00

60

0

80

0

10

00

12

00

14

00

16

00

18

00

20

00

22

00

24

00

26

00

28

00

30

00

Ne

gati

ve L

ogL

ike

liho

od

MSY

West Sailfish ASPIC Model Objective Function Surface

0.10.3

0.50.7

0.9

0.00E+00

2.00E-01

4.00E-01

6.00E-01

8.00E-01

1.00E+00

20

04

00

60

0

80

0

10

00

12

00

14

00

16

00

18

00

20

00

22

00

24

00

26

00

28

00

30

00

Ne

gati

ve L

ogL

ike

liho

od

MSY

West Sailfish ASPIC Model Likelihood Surface

1657

Figure 14. Bootstrap estimates of FMSY from the ASPIC base model for western sailfish. The distribution of

estimates is spread across the lower (0.01) and upper bounds (0.8) defined in the model.

Figure 15. Fit to indices of abundance used in each of Model_1 (left) and Model_2 (right).

Fmsy Bootstrap Estimates

Fmsy

Fre

qu

en

cy

0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7

05

10

15

20

25

30

1658

Figure 16. Observed (bars) and expected (blue line) mean weight of catch from the three gear types for Model_1

(left) and Model_2 (right).

1659

Figure 17. Overall fit to length composition data from each of the three gear types for Model_1 (top) and Model_2

(bottom).

1660

Figure 18. Estimated historic trends in spawning stock biomass (upper left), recruitment (upper right), F/FMSY

(lower left) and B/BMSY (lower right) for Model_1 (blue) and Model_2 (red).

1661

Figure 19. Retrospective analysis Model_1 (top) and Model_2 (bottom).

1662

Figure 20. Estimated historic trends in spawning stock biomass (upper left), recruitment (upper right), F/FMSY

(lower left) and B/BMSY (lower right) for Model_1 (dark blue) and Model_2 (dark red), Model_1.1 (light blue) and

Model_2.1 (light red).

Figure 21. Retrospective analysis for Model_2.1.

1663

Figure 22. Prior, maximum likelihood, and posterior distributions from MCMC analysis of Model_1.1. Red

triangle represents the starting value and the dotted line the posterior median value.

1664

Figure 23. Kobe status plot for Model_1.1

1665

Figure 24. Prior, maximum likelihood, and posterior distributions from MCMC analysis of Model_2.1. Red

triangle represents the starting value and the dotted line the posterior median value.

1666

Figure 25. Kobe status plot for Model_2.1

Figure 26. Posterior distributions of r, K, and MSY for SRA SAI_west.

1667

Figure 27. Median Biomass trajectory for SAI_west.

Figure 28. Posterior distributions of r, K, and MSY for SRA SAI_east.

1668

Figure 29. Median Biomass trajectory for SAI_east.

1669

Appendix 1

Agenda

1. Opening, adoption of the Agenda and meeting arrangements.

2. Summary of available data for assessment

2.1. Biology

2.2. Catch, effort, and size

2.3. Relative abundance estimates (CPUEs)

3. Stock Assessment

3.1. SAI east

3.2. SAI west

4. Management recommendations 4.1. SAI east

4.2. SAI west

5. Recommendations on research and statistics

6. Other matters

7. Adoption of the report and closure

1670

Appendix 2

List of Participants

BRAZIL

Leite Mourato, Bruno Profesor Adjunto, Departamento de Ciências do Mar, Universidade Federal de São Paulo Avenida Almirante Saldanha da

Gama, 89. Ponta da Praia, 11030-400 Santos, SP, Brazil

Tel: +55 61 2023 3540, Fax: +55 61 2023 3909, E-Mail: bruno.pesca@gmail.com;mouratobr@gmail.com

CÔTE D'IVOIRE

Konan, Kouadio Justin Chercheur Hidrobiologiste, Centre de Recherches Océanologiques (CRO), 29 Rue des Pêcheurs, BP V 18, Abidjan 01, Côte

d'Ivoire

Tel: +225 07 625 271, Fax: +225 21 351155, E-Mail: konankouadjustin@yahoo.fr

EUROPEAN UNION

Fernández Costa, Jose Ramón Ministerio de Economía y Competitividad, Instituto Español de Oceanografía - C. Costero de A Coruña, Paseo Marítimo

Alcalde Francisco Vázquez, 10 - P.O. Box 130, 15001 A Coruña, Spain

Tel: +34 981 218 151, Fax: +34 981 229 077, E-Mail: jose.costa@co.ieo.es

GHANA

Ayivi, Sylvia Sefakor Awo Fisheries Directorate of the Ministry of Food and Agriculture, Marine Fisheries Research Division P.O. Box BT 62, Tema,

Ghana

Tel: + 233 2441 76300, Fax: +233 3032 008048, E-Mail: asmasus@yahoo.com

S. TOMÉ E PRÍNCIPE

Da Conceiçao, Ilair Chef du Département de Recherche, Statistiques et de l'aquaculture, Direcçao das Pescas, Responsavel pelo serviço de

Estatística Pesqueira Bairro 3 de Fevereiro - PB 59, Sao Tomé, São Tomé and Príncipe

Tel: +239 990 9315, Fax: +239 12 22 414, E-Mail: ilair1984@gmail.com

SENEGAL

Sow, Fambaye Ngom Chercheur Biologiste des Pêches, Centre de Recherches Océanographiques de Dakar Thiaroye, CRODT/ISRALNERV -

Route du Front de Terre - BP 2241, Dakar, Senegal

Tel: +221 3 0108 1104; +221 77 502 67 79, Fax: +221 33 832 8262, E-Mail: famngom@yahoo.com

UNITED STATES

Babcock, Elizabeth Rosenstiel School of Marine and Atmospheric Science, University of Miami, 4600 Rickenbacker Causeway, Miami, Florida

33133, United States

Tel: +1 305 421 4852, Fax: +1 305 421 4600, E-Mail: ebabcock@rsmas.miami.edu

Brown, Craig A. Chief, Highly Migratory Species Branch, Sustainable Fisheries Division, NOAA Fisheries Southeast Fisheries Science Center,

75 Virginia Beach Drive, Miami Florida 33149, United States

Tel: +1 305 586 6589, Fax: +1 305 361 4562, E-Mail: craig.brown@noaa.gov

Díaz, Guillermo NOAA-Fisheries, Southeast Fisheries Science Center, 75 Virginia Beach Drive, Miami Florida 33139, United States

Tel: +1 305 361 4277, E-Mail: guillermo.diaz@noaa.gov

Die, David SCRS Chairman, Cooperative Institute of Marine and Atmospheric Studies, University of Miami, 4600 Rickenbacker

Causeway, Miami Florida 33149, United States

Tel: +1 305 421 4607, Fax: +1 305 421 4221, E-Mail: ddie@rsmas.miami.edu

1671

Fitchett, Mark University of RSMAS, 4600 Rickenbacker Causeway, Miami Florida 33149, United States Tel: +1 305 989 8308, Fax: +1 305 421 4600, E-Mail: mfitchett@rsmas.miami.edu

Forrestal, Francesca Cooperative Institute of Marine and Atmospheric Studies, University of Miami, RSMAS/CIMAS4600 Rickenbacker Causeway, Miami Florida 33149, United States

Tel: +1 305 421 4831, E-Mail: fforrestal@rsmas.miami.edu

Hoolihan, John

NOAA Fisheries, Southeast Fisheries Science Center75 Virginia Beach Drive, Miami Florida 33149, United States

Tel: +1 305 282 8376, Fax: +1 305 361 4562, E-Mail: john.hoolihan@noaa.gov

Lauretta, Matthew

NOAA Fisheries Southeast Fisheries Center, 75 Virginia Beach Drive, Miami, Florida 33149, United States

Tel: +1 305 361 4481, E-Mail: matthew.lauretta@noaa.gov

Perryman, Holly

CSWY, 4600 Rickenbacker CSWY, Miami, FL 33165, United States

Tel: +1 305 421 4924, E-Mail: hperryman@rsmas.miami.edu

Prince, Eric

33 Senner Court, Shalimar Florida 32579, United States

Tel: +1 305 298 5849, E-Mail: drmarlin1947@gmail.com

Schirripa, Michael

NOAA Fisheries, Southeast Fisheries Science Center75 Virginia Beach Drive, Miami Florida 33149, United States

Tel: +1 305 361 4568, Fax: +1 305 361 4562, E-Mail: michael.schirripa@noaa.gov

Sharma, Rishi

SEFSC, 75 Virginia Beach Drive, Miami, Florida 33149, United States

Tel: +1 203 501 0577, E-Mail: rishi.sharma@noaa.gov

Walter, John

NOAA Fisheries, Southeast Fisheries Center, Sustainable Fisheries Division75 Virginia Beach Drive, Miami, Florida 33149,

United States

Tel: +305 365 4114, Fax: +1 305 361 4562, E-Mail: john.f.walter@noaa.gov

VENEZUELA

Arocha, Freddy Instituto Oceanográfico de Venezuela Universidad de Oriente, A.P. 204, 6101 Cumaná Estado Sucre, Venezuela Tel: +58-293-400-2111 ; mobile +58 416 693 0389, E-Mail: farocha@udo.edu.ve; farochap@gmail.com

OBSERVERS FROM COOPERATING NON-CONTRACTING PARTIES, ENTITIES, FISHING ENTITIES

CHINESE TAIPEI

Su, Nan-Jay

Assistant Professor, Department of Environmental Biology and Fisheries Science, No. 2 Pei-Ning Rd. Keelung, Taiwan,

Chinese Taipei

Tel: +886 2 2462-2192 #5046, E-Mail: nanjay@ntou.edu.tw

OBSERVERS FROM INTERGOVERNMENTAL ORGANIZATIONS

FOOD AND AGRICULTURE ORGANIZATION - FAO

Pérez Moreno, Manuel

United Nations House, Christ Church, BB11000 Bridgetown, Barbados

Tel: +1 246 426 7110, E-Mail: manuel.perezmoreno@fao.org

ICCAT De Bruyn, Paul ICCAT Secretariat,

Mail: paul.debruyn@iccat.int

1672

Appendix 3

List of documents

SCRS/2016/071

Standardized catch rates of sailfish (Istiophorus albicans)

caught as bycatch of the Spanish surface longline fishery

targeting swordfish (Xiphias gladius) in the Atlantic

Ocean

García-Cortés B., Ramos-Cartelle A.,

Fernández-Costa J., and Mejuto J.

SCRS/2016/075

Standardized CPUE from the Rod and Reel and artisanal

drift-gillnet fisheries off La Guaira, Venezuela, updated

through 2014.

Babcock E.A., and Arocha F.

SCRS/2016/092

Standardized catch rates of sailfish caught by the Brazilian

fleet (1978-2012) using a Generalized Linear Mixed Model

(GLMM), with a delta log approach

Mourato B.L., Hazin H., Carvalho F.,

and Hazin F.

SCRS/2016/093

Estimated sailfish catch-per-unit-effort for the U.S.

recreational billfish tournaments and U.S. recreational

fishery (1972-2014)

Hoolihan J.P., and Lauretta M.

SCRS/2016/094

Standardized CPUE for sailfish caught by the Japanese

tuna longline fishery in the Atlantic Ocean from 1994 to

2014

Kai M., and Okamoto H.

SCRS/2016/095 Regional Caribbean Billfish Management and

Conservation Plan Perez-Moreno M.

SCRS/2016/098

Characterization and standardization of the Atlantic

sailfish (Istiophorus albicans) catch rates in the East

Atlantic from the Portuguese pelagic longline fishery

Coelho R., Lino P.G., and Santos

M.N.

SCRS/2016/099

Generalized additive models for predicting the spatial

distribution of billfishes and tunas across the Gulf of

Mexico

Perryman H.A., and Babcock E.A.

SCRS/2016/100 An assessment of Western Atlantic sailfish for 2016 Schirripa M.J.

SCRS/2016/101 Maximum sizes in the Atlantic sailfish catch Goodyear C.P., and Schirripa M.J.

SCRS/2016/102

CPUE standardization of sailfish (Istiophorus platypterus)

for the Taiwanese distant-water longline fishery in the

Atlantic Ocean

Su, N-J and Sun, C-L

SCRS/2016/103

Stock Assessment of Western Atlantic Sailfish

(Istiophorus platypterus) Using a Bayesian State-Space

Surplus Production Model

Mourato, B. L. and Carvalho, F.

Presentations

SCRS/P/2016/025 Genetic stock delimitation of sailfish (Istiophorus

platypterus) in the Atlantic Ocean

Ferrette B.P.L.S., Mourato B.,

Coelho R., Santos M.N., Oliveira

C., Foresti F., Amorim A.F.,

Arocha F., Hoolihan J.,

Constance D., Ngom-Sow F.,

Mendonça F.

SCRS/P/2016/026

Relative Abundance Indices for Atlantic Sailfish

(Istiophorus albicans) from the Artisanal Fleet from

Senegal

Ngom-Sow, F. N.

SCRS/P/2016/027 Standardization of CPUE Series for the Ghanaian

Artisanal Sailfish Fishery Ayivi, S.

1673

Appendix 4

Ghana data estimations

During the 2009 assessment it was reported that the catch and effort data from Ghana used in the standardization

of CPUE for the gillnet fishery had very different patterns in the relationships between CPUE, trips and number

of canoes when you compared data prior or after 1992. Such differences led the group in 2009 to disregard the

Ghana CPUE data prior to 1992. Such pattern was also seen again when the data were standardized in preparation

for the current assessment (SCRS/P/2016/027).

At the current assessment it was pointed out that the reported catch of Ghana changed greatly prior an after 1992.

Catches from the 1970s contain values five to ten times greater than those after 1992. During the mid 1970s the

Ghana catch represent more than 80% of all Atlantic catch. Such high catches prior to 1992 occurred at a time

when the number of canoes was not very different to levels post 1992, so they cannot be explained by simply the

presence of a larger fleet in the historical period (Figure 1). Furthermore, prior to 1992 the species composition

of billfish landings reported by Ghana is very different to that post 1989 (Figure 2). The post 1989 species

composition is, however, similar to the species composition of the gillnet fishery of neighboring Cote d’Ivoire

(Figure 3), except that Ghanaian catches have relatively more sailfish than Côte d’Ivoire.

All these observations suggest that the Task I reported catch of billfish for Ghana may not be accurate. The Group

recommends that Ghanaian landings prior to 1972 should be reviewed thoroughly, however, the group agreed the

reported catches from task 1 were to be used for the assessment.

The Group, however, estimated an alternative series of Ghanaian landings of billfish for the period 1956-1989 to

be used as a sensitivity analysis. Alternative catches were obtained by estimating an average species composition

of billfish for the period 1990-1999 and calculating the average catch of each billfish per canoe from the data for

that same period. The billfish catch for each year was then calculated as the product of the number of canoes that

year and the average annual catch per canoe for each species.

The alternative catch estimated for Ghana from 1973-1989 (Table 1, Figure 4) is much lower than that reported

to ICCAT in Task I but similar to catches in the 1990s, however, the catch estimated prior to 1973 is significant,

even though no catch was reported to ICCAT. It is important to note that these calculations assume that the catch

composition does not change through time, that annual catch per canoe was constant and that the number of canoes

is a good index of gillnet effort. Nunoo et al. 2015 point out that the Ghanaian fishing fleet existed long before it

started being mechanized in the 1940s, so it is possible that the catches of sailfish extend back to the 1950s and

possibly earlier.

References

Nunoo F.K.E., Asiedu B., Amador K., Blhabib D. and D. Pauly. 2015. Reconstruction of marine fisheries catches

for Ghana, 1950-2010. Fisheries Center, the University of British Columbia. Working paper Series 2015-10.

26 p.

1674

Table 1. Alternative time series of billfish catch for Ghana gillnet. Catch is calculated as the product of the average

catch per canoe (1991-1999) and the number of canoes. Bold number of canoes are those reported (Nunoo et al.

2015). Other number of canoes were calculated with linear interpolation for years were there was no canoe census.

SAI BUM SWO WHM Canoes SAI BUM SWO WHM Canoes

1955 4800

1956 216 211 55 6 4940 1973 361 351 92 10 8238

1957 223 222 57 6 5080 1974 363 354 93 10 8297

1958 229 217 59 6 5220 1975 366 356 94 10 8355

1959 237 229 60 6 5360 1976 369 359 94 10 8414

1960 241 235 62 7 5500 1977 371 361 95 10 8472

1961 257 250 66 7 5859 1978 354 345 91 10 8089

1962 272 265 70 7 6217 1979 337 329 86 9 7705

1963 288 281 74 8 6576 1980 321 312 82 9 7322

1964 304 296 78 8 6935 1981 304 296 78 8 6938

1965 319 311 82 9 7293 1982 315 307 81 9 7193

1966 335 326 86 9 7652 1983 326 318 84 9 7448

1967 351 342 90 10 8011 1984 337 329 86 9 7704

1968 367 357 94 10 8369 1985 349 339 89 10 7959

1969 382 372 98 10 8728 1986 360 350 92 10 8214

1970 377 367 97 10 8606 1987 357 348 92 10 8160

1971 372 362 95 10 8483 1988 355 346 91 10 8106

1972 366 357 94 10 8361 1989 353 343 90 10 8052

1675

(a) (b)

Figure 1. Canoes and landings. Ghanaian artisanal ocean-going fleet (a) Number of canoes reported by Nunoo et

al. 2015 (red dots) and lineary interpolated values (blue dots). (b) Relationship between number of canoes and

sailfish landings from task I for two periods prior to 1992 (yellow dots) and after 1991 (blackdots).

(a) (b)

Figure 2. Species composition (a) and total billfish landings (b) of task I artisanal gillnets of Ghana.

1676

Figure 3. Comparison of species of composition of gillnet landings for billfish for 1990-1999 from Ghana and Cote d’Ivoire.

Figure 4. Reported Task I catches of Ghana gillnet (red) and alternative catch for 1956-1989. Alternative catch developed as the product of the number of canoes and the average catch per canoe for 1990-1999.

1677

Appendix 5

Bayesian surplus production models in the East

For the eastern Atlantic population, Bayesian production models were run using both the BSP model that is

cataloged in the ICCAT catalog of methods (BSP-VB, Babcock 2007, McAllister and Babcock 2003) and a JAGS

version of the same model based on Millar and Meyer (BSP-JAGS, Meyer and Millar 1999). The JAGS version

differed from the Millar and Meyer formulation in that it included a boundary condition by which combinations

of parameter values that caused the biomass to be lower than the catch in any year were down-weighted in the

likelihood. This was implemented using the ones trick (Lunn et al. 2013). The BSP-VB model similarly throws

out parameter draws that crash the population.

The BSP-VB did not converge at all for the series weighted models, since the percent of the importance weight on

a single draw was larger than 0.5%. For the other models, the convergence diagnostics were adequate, but the

Hessian estimates of variance and covariance were not believable (Table 1). The catch weighting series put very

high weights on the Japanese longline series, and then on the Ghana series (Figure 1). The models appeared to fit

the CPUE series fairly well (Figure 2). However, the posterior distributions of both r and K were nearly identical

to the prior (Figure 3) implying that the data did not provide any information on the values of the parameters.

Because of the very wide posterior distribution of K, the population was estimated to be very large and not heavily

fished (Figure 4).

The JAGS models applied to the same datasets had much better convergence diagnostics (Table 2). Except for the

runs with catch weighting, all the runs estimated posterior distributions of r that were higher than the prior (Figure

5). The posteriors of K were fairly well estimated.

References

Babcock, EA 2007. Application of a Bayesian surplus production model to Atlantic white marlin. Col. Vol. Sci.

Pap. ICCAT, 60(5): 1643-1651

Lunn, D., Jackson, C., Best, N., Thomas, A. and Spiegelhalter, D. 2013. The BUGS Book: A Practical Introduction

to Bayesian Analysis. CRC Press. 381 pp.

McAllister, MK and Babcock, EA. 2003. Bayesian surplus production model with the Sampling Importance

Resampling algorithm (BSP): a user’s guide. Available from www.iccat.int/en/AssessCatalog.htm

McAllister, MK, Pikitch, EK and Babcock, EA. 2001. Using demographic methods to construct Bayesian priors

for the intrinsic rate of increase in the Schaefer model and implications for stock rebuilding. Can. J. Fish.

Aquat. Sci. 58: 1871–1890.

Meyer, R. and Millar, R. B. 1999. BUGS in Bayesian stock assessments. Canadian Journal of Fisheries and Aquatic

Sciences 56(6): 1078-1087.

1678

Table 1. Convergence diagnostics for BSP-VP models. The percent maximum weight diagnostic should be less

than 0.5. The Hessian variance of K should be large (i.e. 1000s).

Diagnostic E-up-equal E-up-catch E-up-series E-down-equal E-down-catch E-down-series

% max wt 0.49 0.02 49.82 0.29 0.09 45.00

var(K) 3.98E-03 9.97E-07 8.80E-17 9.55E-17 5.08E-02 9.52E-17

Table 2. Convergence diagnostics for the BSP-JAGS runs in the Eastern Atlantic.

Number Description Rhat n.eff converged

1a E-up-equal wt 1.01 1800 yes

1b E-up-catch wt. 1.00 920 yes

1c E-up-series wt. 1.02 200 yes

2a E-down-equal wt. 1.12 180 yes

2b E-down-catch wt. 1.00 1300 yes

2c E-down-series wt. 1.00 990 yes

3a E-down-equal-2 GHN 1.01 1500 yes

3b E-down-equal-GHN2 302.75 2 no

1d E-up-prior.3 1.61 6 no

2d E-down-prior.3 1.15 35 yes

1e E-up-Bo=K 1.01 230 yes

2e E-down-B0=K 1.00 900 yes

1f E-up-low process 1.04 99 yes

1g E-up-no process 8.08 2 no

1679

Figure 1. Catches (a), indices (b), and catch weighing (c).

Figure 2. Fit at mode of posterior distribution for the BSP-VP model for the east.

1960 1970 1980 1990 2000 2010

02000

4000

Catc

h(a)

1960 1970 1980 1990 2000 2010

01

23

4

Rela

tive C

PU

E

(b)

1960 1970 1980 1990 2000 2010

0.0

0.2

0.4

0.6

0.8

1.0

Catc

h w

eig

hts

(c)

CIVSENGHNJPN.early

JPN.lateSPNCHTPOR

1960 1970 1980 1990 2000 2010

020000

40000

60000 E-up-equal wt.

1960 1970 1980 1990 2000 2010

020000

40000

60000 E-up-catch wt.

1960 1970 1980 1990 2000 2010

020000

40000

60000

E-down-equal wt.

1960 1970 1980 1990 2000 2010

020000

60000

E-down-catch wt.

Year

Bio

ma

ss

1680

Figure 3. Priors (red dashed) and posteriors (solid black) or K and r from the BSP-VP model for the East.

Figure 4. Fishing mortality (red) and biomass (blue) with 80% credible intervals.

0 1000000 2000000

0.0

0.2

0.4

0.6

0.8

K

E-up-equal wt.

0.0 0.4 0.8 1.2

0.0

00.0

20.0

40.0

60.0

80.1

00.1

2

r0 1000000 2000000

0.0

0.1

0.2

0.3

0.4

0.5

0.6

K

E-up-catch wt.

0.0 0.4 0.8 1.2

0.0

00.0

20.0

40.0

60.0

80.1

0

r

0 1000000 2000000

0.0

0.2

0.4

0.6

0.8

K

E-down-equal wt.

0.0 0.4 0.8 1.2

0.0

00.0

20.0

40.0

60.0

80.1

0

r0 1000000 2000000

0.0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

K

E-down-catch wt.

0.0 0.4 0.8 1.2

0.0

00.0

20.0

40.0

60.0

80.1

0

r

Pro

ba

bility

1960 1970 1980 1990 2000 2010

0.0

0.5

1.0

1.5

2.0

E-up-equal wt.

1960 1970 1980 1990 2000 2010

0.0

0.5

1.0

1.5

2.0

E-up-catch wt.

1960 1970 1980 1990 2000 2010

0.0

0.5

1.0

1.5

2.0

E-down-equal wt.

1960 1970 1980 1990 2000 2010

0.0

0.5

1.0

1.5

2.0

E-down-catch wt.

Year

B/B

msy (

red

) a

nd

F/F

msy (

blu

e)

1681

Figure 5. Priors (dashed red) and posteriors (solid black) for K and r from the BSP-JAGS models in the East.

0 50000 150000

0e+00

K

E-up-equal wt

0.0 0.5 1.0 1.5 2.0

0.0

r

0 50000 150000

0.0

e+00

K

E-up-catch wt.

0.0 0.5 1.0 1.5 2.0

0.0

r

0 50000 150000

0e+00

K

E-up-series wt.

0.0 0.5 1.0 1.5 2.0

0.0

r

0 50000 150000

0e+00

K

E-down-equal wt.

0.0 0.5 1.0 1.5 2.0

0.0

r

0 50000 1500000.0

e+00

K

E-down-catch wt.

0.0 0.5 1.0 1.5 2.0

0.0

r

0 50000 150000

0e+00

K

E-down-series wt.

0.0 0.5 1.0 1.5 2.0

0.0

r

0 50000 150000

0e+00

K

E-down-equal-2 GHN

0.0 0.5 1.0 1.5 2.0

0.0

r

0 50000 150000

0e+00

K

E-down-equal-GHN2

0.0 0.5 1.0 1.5 2.0

0.0

r

0 50000 1500000.0

e+00

K

E-up-prior.3

0.0 0.5 1.0 1.5 2.0

04

r

0 50000 1500000e+00

K

E-down-prior.3

0.0 0.5 1.0 1.5 2.0

04

r

0 50000 150000

0e+00

K

E-up-Bo=K

0.0 0.5 1.0 1.5 2.0

0.0

r

0 50000 150000

0e+00

K

E-down-B0=K

0.0 0.5 1.0 1.5 2.0

0.0

r

1682

Appendix 6

Demographic estimate of r

For the Bayesian production models used in the 2009 assessment, the prior for the intrinsic rate of population

growth (r) had a mean of 0.3, implying a moderately productive stock. Carruthers and McAllister (2010) used a

demographic method to estimate a prior distribution of r, and found a mean value of 0.08, implying the population

was less production. There have been some updates to the demographic information for sailfish since the last

assessment. Therefore, the working group used the Carruthers and McAllister method with the updated values of

the biological parameters (Table 1) to produce a new demographic prior for r.

The demographic method uses estimates of the survival to each age (la), and the fecundity at each age (ma) to

calculate the population growth rate at low population sizes (r), using the Euler-Lotka equation. Assuming the

natural mortality (M) is constant, the survival to each age is calculated as exp(-Ma). Fecundity at age is calculated

from the fraction mature at age times the weight at age (calculated from length at age) times the expected number

of age 1 recruits per kg of SSB at low population size, which is calculated from steepness. The life history

parameters at age calculated from the mean values of the parameters shown in Table 1 are shown in Figure 1.

A Monte Carlo method was used to develop a prior distribution for r. Each input parameter was given a distribution

(Table 1), with the mean agreed to be the working group, and a distribution and variance that gave a reasonable

range of values. Values of each input parameter were drawn from the specified distributions (Figure 2), and each

set of parameters was used to calculate r. The resulting distribution of r values (Figure 3) is well described by a

lognormal distribution with a mean of 0.45 and CV of 0.30. This implies a much more productive stock than was

assumed in the 2009 assessment.

The Euler-Lotka method gives a value of r as an instantaneous rate. For models that use an annual time step, the

mean value of r would be exp(0.45)-1=0.57.

References

Carruthers, T. and M. McAllister. 2011. Computing prior probability distributions for the intrinsic rate of increase

for Atlantic tuna and billfish using demographic methods. Collect. Vol. Sci. Pap. ICCAT, 66(5): 2202-2205

(2011).

1683

Table 1. Parameters used in the demographic analysis of r.

Parameter mean cv distribution Source Description

M 0.35 0.2 norm working group Natural mortality (1/year)

Linf 206.8 0.05 norm working group Von Bertalanffy Asymptotic length

K 0.36 0.05 norm working group Von Bertalanffy growth parameter

t0 -0.24 0.05 norm working group Von Bertalanffy age at zero length

a 1.00E-06 0 fixed manual Weight at length parameter

b 3.2683 0 fixed manual Weight at length parameter

h 0.7 0.2 beta SS model Steepness h=0.2 + 0.8 Beta()

a50 3 0.1 norm SCRS/2015/SAI Age at 50% maturity

d95 3.4 0.1 norm SCRS/2015/SAI Age at 95% maturity

amax 12 0 na manual Maximum age

Figure 1. Length (L), weight (W), natural mortality (M), survival to age (la), maturity (G), and fecundity at

age(ma), at mean values of the input parameters.

2 4 6 8 10 12

80

120

180

a

L

2 4 6 8 10 12

10

20

30

a

W

2 4 6 8 10 12

0.1

50.2

5

a

M

2 4 6 8 10 12

0.2

0.6

a

la

2 4 6 8 10 12

0.0

0.4

0.8

a

G

2 4 6 8 10 12

020

40

60

a

ma

1684

Figure 2. Distributions of parameters used in the demographic analysis.

Figure 3. Histogram of r from Monte Carlo simulations. Red solid line is a lognormal distribution with the same

mean and variance, used as a prior for r.

M

M

Density

0.1 0.2 0.3 0.4 0.5 0.6

01

23

45

Linf

Linf

Density

170 190 210 230

0.0

00.0

20.0

4 K

K

Density

0.30 0.34 0.38 0.42

05

10

20

t0

t0

Density

-0.28 -0.24 -0.20

010

20

30

a

a

Density

0e+00 4e-07 8e-07

0e+00

6e+05

b

b

Density

2.0 2.5 3.0 3.5 4.0

0.0

0.2

0.4

h

h

Density

0.3 0.5 0.7 0.9

01

23

a50

a50

Density

2.0 2.5 3.0 3.5 4.0

0.0

0.4

0.8

1.2

d95

d95

Density

2.0 2.5 3.0 3.5 4.0 4.5 5.00.0

0.4

0.8

1.2

r

r

De

nsity

0.0 0.5 1.0 1.5 2.0

0.0

0.5

1.0

1.5

2.0

2.5

3.0