Definição de componentes na frota artesanal de Portugal Continental

• Author(s): Sousa, Susana Maria Godinho de, 1974-
• Date: 2008
• Persistent ID: http://hdl.handle.net/10451/1196
• Origin: Repositório da Universidade de Lisboa
• Subject(s): Pesca artesanal; Redes neuronais; Análise de clusters; Teses de Mestrado
• Document Type: Master thesis
• Language: Portuguese
• Advisor(s): Murta, Alberto, 1969-; Cabral, Henrique, 1969-
• Contributor(s): Repositório da Universidade de Lisboa

Description

Tese de mestrado em Biologia (Biologia e Gestão dos Recursos Marinhos) apresentada à Universidade de Lisboa através da Faculdade de Ciências, 2008

The Portuguese artisanal fleet is characterized as a multispecies and multigear fishery. Consequently, it is necessary to identify the existing fleet components as a combination between gear and target species in specific area and season. The data sample, corresponding to 2502 trips (1926 vessels) obtained by inquiries during 2005, was used for a cluster analysis (PAM method, Partition Around Medoids ). Eighteen fleet components were identified using the trip data matrix, composed of 25 species (or group of species) percentage catch weight, and subsequently characterized in terms of target species, dominant gear and season. Five distinct fishery components were identified as bivalve targeting fisheries, 3 targeting cephalopods and only one fishery targeting crustaceans. The remaining nine components had fish as their target species. To classify all of the artisanal fishing trips, the available data are the landed quantities. Therefore, the second aim of this study was to train an artificial neural network (ANN) using the data from landings corresponding to the same trips and the respective classification (fleet component). The neural network had a good performance for the trips of ten fleet components (percentage error below 10%). For the remaining components the classification error was not higher than 28%

A frota de pesca artesanal da costa continental Portuguesa é caracterizada por embarcações que operam com uma grande diversidade de artes de pesca tendo também uma variedade elevada de espécies alvo. Deste modo, torna-se necessário identificar as componentes de frota existentes, como uma combinação espaço-temporal de uso de uma arte para a captura de determinada espécie-alvo. Foram utilizados dados amostrais de 2502 viagens de 1926 embarcações recolhidos por inquéritos durante o ano de 2005. Uma análise de clusters pelo método Partition Around Medoids foi aplicada à matriz de dados onde cada viagem foi caracterizada pela percentagem em peso na captura de 25 espécies ou grupos de espécies (variáveis). 18 componentes de frota foram identificadas e caracterizadas em termos de espécie mais capturada, arte predominante e época de actividade. Foram identificados 5 componentes distintas de pescarias dirigidas a bivalves, 3 dirigidas a cefalópodes e somente 1 dirigida a crustáceos. As restantes 9 componentes foram dirigidas a captura de peixes. Dado que para classificar todas as viagens efectuadas pela totalidade da frota artesanal, os dados disponíveis são as quantidades desembarcadas em lota, o segundo objectivo deste trabalho foi desenvolver e treinar uma rede neuronal artificial (RNA) a partir da matriz de desembarques das mesmas viagens amostradas. A análise das diferenças entre a classificação inicial e a resultante da rede neuronal demonstra que este processo classificou bastante bem as viagens, a percentagem de erro da classificação não ultrapassou os 28% e em 10 componentes a percentagem de erro não atingiu os 10%