Project
Neural network stock assessment simulator
Fisheries stock assessments are routinely used to evaluate the status of a range of ICES stocks and provide advice in the short term. The evaluation of the long-term management for a stock is done using so called Management Strategy Evaluation (MSE), a process that evaluates performances of management strategies prior to selection and implementation. Recently, MSE is taking more importance as it is becoming the highest standard in evaluating the sustainability of a stock (e.g., for obtaining the Marine Stewardship Council (MSC) certification under the updated version). An MSE is in essence a simulation of the fishery system, stock and fleet dynamics, scientific advice, and management process. This simulation consists in computing a large set of iterations, representing possible futures stock trajectories, that are randomly drawn from historic observations of parameter, model, and observation uncertainty. These simulations are carried out under a range of biological scenarios and fisheries management procedures, that are set to explore a wide range of strategies for management to achieve certain objectives for stock conservation and fishery success.
The basis for MSE simulations is the Operating Model (OM). The OM is a population and fishery model, often like those used in stock assessment models, in which uncertainty and variability is explicitly considered. The inclusion of these uncertainties in the OM is called conditioning. OM conditioning poses challenges that often limit the scoping of MSE scenarios. Such conditioning often includes the parametrization for the use of full stock assessment models, used in the OM to evaluate stock status. Given the large number of iterations required for accurate representation of the effect of uncertainties on management outcomes, this step in the simulation quickly becomes computationally expensive, which is detrimental to the MSE process as it limits its scope.
Bestandschattingen worden routinematig gebruikt om de status van verschillende ICES-bestanden te evalueren en advies te geven op korte termijn. De evaluatie van het lange-termijnbeheer voor een bestand gebeurt met behulp van een zogenaamde Management Strategy Evaluation (MSE), een proces dat de prestaties van beheerstrategieën evalueert voordat ze worden geselecteerd en geïmplementeerd. Recent, krijgt MSE steeds belangrijkere rol omdat het de hoogste standaard wordt bij het evalueren van de duurzaamheid van een bestand (benodigd voor MSC accreditatie).
Vaak wordt een 'shortcut-benadering' gebruikt om het gebruik van de bestandsschattingsmodellen in MSE's te omzeilen, waardoor de rekenlast wordt verminderd en er grotere scoping mogelijk is. Deze benadering vereist echter sterke aannames en presteert vaak slecht. Dit project tracht een nieuwe shortcut-benadering te ontwikkelen. De gebruikte methode bestaat uit het trainen van een Neuraal Netwerk (NN, meer specifiek een Neuraal Ordinaire Differentiaalvergelijkingen) op veel gesimuleerde datasets van input gegevens voor bestandbeoordelingen. Hiermee wordt een geavanceerdere emulator voor visbestandbeoordeling gecreëerd. Vervolgens zou deze emulator ingezet worden in de MSE-simulaties om realistische niveaus van fouten en afwijkingen te genereren, terwijl tegelijkertijd de rekenvereisten worden geminimaliseerd.