Pronóstico de corto plazo de zonas de pesca de anchoveta (engraulis ringens) en el norte de Chile.

Abstract

En esta tesis se pronosticó zonas potenciales de pesca de E. ringens en el corto plazo en el norte de Chile, utilizando un modelo de redes neuronales. Se determinaron las variables que explicaron mejor la distribución espacial de E. ringens, y se las utilizó para entrenar el modelo de redes neuronales. Luego se estudió el impacto de la utilización de los pronósticos de zonas de pesca de E. ringens en la eficiencia de la flota cerquera anchovetera industrial del norte de Chile.

E. ringens (anchoveta) es una especie de pez pelágico pequeño perteneciente a la familia Engraulidae, que habita en la zona nerítico-costera y se distribuye desde el norte de Perú (3°N) hasta la isla de Chiloé en el sur de Chile (43°S). La distribución geográfica y batimétrica de esta especie está condicionada por fluctuaciones en las condiciones oceanográficas a diferentes escalas temporales (diaria, semanal, mensual, anual, supra-anual) y por la pesca. En el norte de Chile, E. ringens es un recurso pesquero de gran importancia y es capturado principalmente por el sector industrial, que representa hasta el 80% de los desembarques totales anuales de la flota de cerco. La historia de esta pesquería (1985-2023) muestra una fuerte disminución en los desembarques industriales anuales, especialmente durante eventos extremos del fenómeno El Niño Oscilación del Sur (1997–1998 (muy intenso), 2002–2003 (moderado) y 2015–2016 (muy intenso)). Las mayores caídas en los desembarques en las últimas dos décadas ocurrieron en 2015 (El Niño) y 2020 (La Niña), disminuyendo 65% y 88% en relación a la media histórica, respectivamente.

Dada la disminución de los desembarques de E. ringens en el norte de Chile durante eventos ENSO, principalmente durante El Niño 2015 y La Niña 2020, las flotas pesqueras deben destinar mayor esfuerzo pesquero para la localización de los cardúmenes de E. ringens que sean accesibles a las artes de pesca. Se ha observado una disminución de la captura con relación al esfuerzo de pesca ejercido en años con condiciones típicas de eventos ENSO. La captura por viaje disminuyó con respecto a la media histórica entre 9% y 33% durante el período 2006-2010, caracterizado por condiciones frías típicas de La Niña; también la captura disminuyó 12% durante el evento El Niño 2015 y 46% durante La Niña 2020. También la captura por lance decreció entre 5% y 13% durante el período 2006-2010 y 40% durante La Niña 2020. La captura con respecto a la distancia recorrida por las naves cerqueras industriales cayó entre 13% y 40% durante el período 2006-2010, 53% durante el Niño 2015 y 78% durante La Niña 2020. Esto conduce a aumentar el esfuerzo (viajes, lances, distancia recorrida) para mantener los niveles promedio de captura.

Actualmente, el principal problema de la flota industrial cerquera del norte de Chile consiste en encontrar la forma de reducir costos en las operaciones de localización y captura de E. ringens, y aumentar así la rentabilidad económica. Para esto se requiere optimizar/reducir los viajes de pesca. Una alternativa interesante de explorar es identificar zonas potenciales de pesca y, junto con ello, conocer cómo cambia la probabilidad de captura de E. ringens en función de la variabilidad oceanográfica inlcuyendo eventos ENSO, y determinar si esta probabilidad tiene alguna relación con los desembarques anuales de E. ringens en el área de estudio. Consecuentemente, esta tesis doctoral se enfoca en estudiar el impacto de la utilización de pronósticos de zonas de pesca de E. ringens en la eficiencia de la flota anchovetera del norte de Chile. Las hipótesis planteadas en esta tesis sostienen que si la distribución espacial de E.ringens en el norte de Chile está determinada principalmente por variables oceanográficas y estas relaciones son capturadas correctamente por un modelo de redes neuronales, entonces el modelo desarrollado pronosticaría adecuadamente las zonas de pesca de E. ringens en el norte de Chile en el corto plazo, permitiendo con su aplicación que aumente el rendimiento de la flota industrial cerquera anchovetera. Los resultados obtenidos en esta investigación se presentan en tres capítulos, los que son descritos brevemente a continuación.

En el primer capítulo se analizó la distribución espacial de E.ringens en la zona norte de Chile (18°21” S−27° S) y su asociación con variables oceanográficas disponibles para es zona en el período 2003 a 2020. Como información de presencia de E. ringens se utilizaron los datos georreferenciados de capturas de esta especie disponibles en la base de datos de la empresa pesquera Corpesca S.A. Se consideró como registros de ausencia de la especie las zonas donde transitó la flota y no se capturó E. ringens. Las variables oceanográficas se obtuvieron del modelo Nemo del programa Copernicus, el cual proporciona datos históricos y datos de pronósticos diarios de variables oceanográficas. Se aplicó un modelo de redes neuronales para abordar la relación entre las variables oceanográficas y la distribución de E. ringens, determinando las variables que mejor explican la ubicación de las zonas de pesca de esta especie en el período estudiado. En cuanto al porcentaje de la varianza explicada, la longitud geográfica (23%) fue la variable más relevante para identificar posibles zonas de pesca, seguida de la profundidad de la capa de mezcla (18%), la latitud geográfica (15%), la temperatura superficial del mar (12%), el mes (12%), la altura del mar (9%), la salinidad (9%) y las componentes zonales y meridionales de la velocidad de las corrientes (1% cada una).

En el segundo capítulo de esta tesis se implementó un modelo predictivo de zonas de pesca basado en redes neuronales, el que fue entrenado con datos georreferenciados de capturas diarias de naves cerqueras industriales para el período 2003 a 2020 e información de variables oceanográficas (temperatura superficial del mar, salinidad, profundidad de la capa de mezcla, altura del mar y corrientes) obtenidas de Copernicus (https://marine.copernicus.eu). El rendimiento del modelo de redes neuronales fue 86% (AUC), clasificando correctamente el 76% de las áreas con pesca. Por lo tanto, se recomienda su uso para predecir zonas de pesca para E. ringens en el área de estudio (zona norte de Chile).

En el tercer capítulo se analizó si la disminución actual en los desembarques anuales de E. ringens se asocia con cambios oceanográficos en el norte de Chile durante eventos El Niño o La Niña. Se aplicó el modelo de redes neuronales, desarrollado en el segundo capítulo de esta tesis, para identificar la distribución espacial y temporal de las probabilidades de pesca de E. ringens, particularmente para los años El Niño (2015), La Niña (2007, 2013, 2020) y Neutro (2004). Se encontró que la probabilidad de captura de E. ringens se extendió más hacia el oeste durante eventos de La Niña (excepto en 2020), ocupando un área más grande, pero se limitó a una franja costera de 10 millas náuticas durante el evento de El Niño 2015. Las mayores probabilidades de captura en la condición Neutra estuvieron cerca de la costa, aunque no tan restringida a la misma como ocurrió durante el evento de El Niño 2015. Las probabilidades de captura más altas en el evento La Niña de 2020 también estuvieron cerca de la costa, en contraste con los eventos anteriores de 2007 y 2013, debido a la restricción del hábitat óptimo de E. ringens por cambios en las condiciones oceanográficas. La cantidad anual de zonas potenciales de pesca identificadas por el modelo de redes neuronales es un indicador de qué tan apto es el ambiente para el encuentro de cardúmenes de E. ringens. La aplicación de estos resultados permitiría administrar de mejor forma la flota pesquera industrial, reduciendo los costos operacionales.

Los resultados obtenidos en esta tesis sustentan las hipótesis planteadas, pues el modelo de redes neuronales implementado permitió pronosticar correctamente zonas de pesca de E. ringens en el corto plazo (hasta 3 días). El modelo de redes neuronales implementado fue capaz de replicar la distribución espacial de E. ringens observada durante eventos ENSO. Simulaciones mostraron que el uso de los pronósticos de pesca del modelo de redes neuronales en la operación de la flota habría resultado en disminución del esfuerzo y aumento del rendimiento de la flota. La aplicación de los resultados de este estudio aporta a entender y, probablemente, anticipar las consecuencias que eventos ENSO extremos podrían tener en el rendimiento de las naves cerqueras pertenecientes a la flota anchovetera industrial del norte de Chile. El modelo de redes neuronales utilizado proporciona una herramienta valiosa para la gestión de dicha flota.

This doctoral thesis is focused on short-term forecasting of potential fishing zones for E. ringens in northern Chile using a neural network model. The variables most associated with the spatial distribution of E. ringens were determined and utilized to train the neural network model. Additionally, the impact of forecasting E. ringens fishing zones on the efficiency of the northern Chilean anchovy fleet was studied.

Engraulis ringens (anchovy) is a small pelagic fish species belonging to the Engraulidae family, inhabiting the neritic-coastal zone and ranging from northern Peru (3°N) to Chiloé Island in southern Chile (43°S). Its geographic and bathymetric distribution is influenced by fluctuations in oceanographic conditions at various temporal scales (daily, weekly, monthly, annual, supra-annual) and by fishing activities. In northern Chile, E. ringens is a key industrial fishing resource, representing up to 80% of annual landings by the purse seine fleet. The fishery's history (1985-2023) shows a significant decline in annual industrial landings, especially during extreme El Niño-Southern Oscillation (ENSO) events (1997–1998 (very intense), 2002–2003 (moderate), and 2015–2016 (very intense)). The most substantial declines in landings over the last two decades occurred in 2015 (El Niño) and 2020 (La Niña), decreasing by 65% and 88%, respectively, below the historical average. Given the decline in E. ringens landings in northern Chile during ENSO events, particularly during El Niño 2015 (65% below historical average) and La Niña 2020 (88% below historical average), fishing fleets must allocate more effort to locate E. ringens schools accessible to fishing gear. This has resulted in a decrease in catch relative to the fishing effort exerted on E. ringens during typical ENSO events. Catch per trip decreased between 9% to 33% during the 2006-2010 period, characterized by La Niña-like cold conditions, 12% during El Niño 2015, and 46% during La Niña 2020. Catch per fishing set also decreased between 5% to 13% during the 2006-2010 period and 40% during La Niña 2020. Catch relative to the distance traveled by industrial vessels declined between 13% to 40% during the 2006-2010 period, 53% during El Niño 2015, and 78% during La Niña 2020. This implies the need to increase effort (trips, sets, distance traveled) to maintain average catch levels.

Currently, the primary challenge for the northern Chilean purse seine fleet is to find ways to reduce costs in locating and catching E. ringens, thereby increasing economic profitability. This necessitates optimizing/reducing fishing trips. An interesting alternative to explore is to identify potential fishing zones and to understand how the probability of E. ringens catch changes under oceanographic variability and during ENSO events, and to determine whether this probability is related to annual landings of E. ringens in the study area. In this context, this doctoral thesis is focused on studying the impact of using E. ringens fishing zone forecasts on the efficiency of the industrial fleet in northern Chilean. The hypotheses of this thesis indicates that if the spatial distribution of E. ringens in northern Chile is primarily determined by oceanographic variables, and these relationships are accurately captured by a neural network model, then the developed model will appropriately forecast E. ringens fishing zones in the short term, increasing the performance of the purse seine anchovy fleet. The research results are presented in three chapters briefly described below.

In the first chapter, the spatial distribution of E. ringens in northern Chile (18°21” S−27° S) is analyzed, along with its association with available oceanographic variables for the study area for the period 2003 to 2020. Georeferenced catch data for this species, obtained from a database built by Corpesca S.A. Fishing Company, were used to approximate E. ringens distribution. Areas where the fleet transited without capturing E. ringens were considered absence records. Oceanographic variables were obtained from the Copernicus program's Nemo model, providing historical and daily forecast data. A neural network model was applied to address the relationship between oceanographic variables and the distribution of E. ringens, determining the variables that best explained the location of fishing zones for this species during the study period. In terms of the explained variance percentage, geographical longitude (23%) was the most relevant variable for identifying potential fishing zones, followed by the depth of the mixing layer (18%), geographical latitude (15%), sea surface temperature (12%), month (12%), sea level (9%), salinity (9%), and zonal and meridional components of current velocity (1% each).

In the second chapter, a predictive model of fishing zones based on neural networks is implemented, trained with georeferenced daily catches from industrial purse seine vessels from 2003 to 2020, along with oceanographic variables (sea surface temperature, salinity, mixing layer depth, sea level, and currents), obtained from Copernicus (https://marine.copernicus.eu). The neural network model achieved 86% performance, and correctly classifying the most of areas with and without fishing. Therefore, its use is recommended for predicting fishing zones for E. ringens in the study area.

In the third chapter, the thesis analyzes whether the current decline in annual E. ringens landings is associated with oceanographic changes in northern Chile during El Niño or La Niña events. The neural network model developed in the second chapter is applied to identify the spatial and temporal distribution of E. ringens fishing probabilities, particularly for El Niño (2015), La Niña (2007, 2013, 2020), and Neutral (2004) years. It was found that the probability of E. ringens catch extended further west during La Niña events (except in 2020), covering a larger area that is, however, limited to a coastal strip of 10 nautical miles during the El Niño 2015 event. The highest catch probabilities in Neutral conditions are near the coast, although not as restricted as during the El Niño 2015 event. The highest catch probabilities in the La Niña event of 2020 are near the coast, in contrast to the previous events of 2007 and 2013, due to the restriction of the optimal habitat of E. ringens by changes in oceanographic conditions. The annual quantity of potential fishing zones identified by the neural network model is an indicator of the environment's suitability for encountering E. ringens schools. The application of these results should enable better management of the industrial fishing fleet, reducing operational costs.

The results of this thesis support the hypotheses, as the implemented neural network model successfully forecasted short-term fishing zones for E. ringens. The implemented neural network model was able to replicate the spatial distribution of E. ringens observed during ENSO events. Simulations showed that using the fishing forecasts from the neural network model in fleet operations would have resulted in a decrease in effort and an increase in fleet performance. The application of the results of this study will allow understanding, and likely anticipating, the consequences that extreme ENSO events could have on the performance of the northern Chilean anchovy purse seine fleet. The neural network model developed in this study provides a valuable tool for the management of this fleet.