Nội dung thực hành lfda (length frequency data analysis)

NỘI DUNG THỰC HÀNH LFDA (Length Frequency Data Analysis) 1) Cách định dạng File đã được sử dụng trong LFDA, nhập dữ liệu vào LFDA. Sử dụng phần hướng dẫn LFDA cho trước để xem xét một vài dữ liệu tần suất chiều dài mẫu trong bộ dữ liệu cho trước. 3) Có thể sử dụng bộ dữ liệu khác để chạy với LFDA. Bộ dữ liệu mẫu LFDA Bộ dữ liệu mẫu chúng ta đang dùng là bộ dữ liệu đã được mô phỏng. Dữ liệu sẽ được trút ra từ file ở dạng text có tên là “TUTOR.TXT”. Thời gian lấy mẫu: Mẫu phải được lấy một cách đều đặn. Các lớp tần suất chiều dài: được chia đều đặn theo khoảng chiều dài thích hợp. Số cá thể dùng để đo đạc: cỡ mẫu đủ lớn, hợp lý. Các bước hướng dẫn trong chương trình LFDA Giới thiệu. Trút và xem xét dữ liệu. Ước lượng các tham số tăng trưởng không theo mùa vụ. Ước lượng các tham số tăng trưởng có tính mùa vụ Ước tính tổng mức chết “Z”. Khởi động chương trình LFDA Như hầu hết phần mềm dạng Window khác, có một số cách để khởi động LFDA: Bấm chuột hai lần liên tiếp vào biểu tượng LFDA. Start > Programs > MRAG Software > LFDA5 Mở Windows Explorer. Tìm chương trình “LFDA5.EXE” và baám chuột hai lần liên tiếp. Khi đó sẽ nhận được màn hình dưới đây: Tập tin trợ giúp LFDA Có một tập tin trợ giúp giới thiệu chi tiết về LFDA, một vài lý thuyết veà LFDA sẽ được giới thiệu. Ta có thể đạt được điều này bằng cách nhấp vào Help>Contents and Index trên thanh menu. Nhấp vào mục “Tutorial” và khi đó nhấp “Loading and Inspecting Data” cho phép ta bắt đầu làm quen với hướng dẫn của LFDA. Nhập dữ liệu cho LFDA Có một số cách để trút dữ liệu. Cách thông thường nhất là trút ra từ tập tin ASCII. Ta sẽ mở file “TUTOR.TXT”. Mở file . Mở Notepad và mở file “TUTOR.TXT”. File/ Open Chọn *.txt Chọn “TUTOR” từ danh sách các tập tin. Khi đó bộ dữ liệu sẽ được nhập vào LFDA. Ta có thể lưu dữ liệu này trong tập tin LFDA bằng cách sử dụng “File/ Save As “TUTOR.LF5”. Kiểm tra và sữa chữa dữ liệu Nhìn vào dữ liệu trong phần của “Spreadsheet Mode”. Khi đó dữ liệu bạn thấy thì không thể sữa chữa để tránh các lỗi ngẩu nhiên và viết đè lên dữ liệu. Để sữa chữa dữ liệu, vào thanh “Edit” và chọn “Edit Mode”. Điều này cho phép bạn sữa chữa dữ liệu đã được nhập trước đó trong LFDA. Để dừng bất cứ việc sữa chữa bạn cần lặp lại động taùc nầy lần nữa bằng cách chọn “Edit / Edit Mode”. Khi bạn đang trong “Edit Mode” bạn sẽ thấy một số thanh tùy chọn, thanh này không hiện lên trước đó. + Thêm vào một phân bố (Add a distribution). + Xóa một phân bố (Erase a distribution). + Kết các phân bố (Combine distributions). + Sữa thời gian thu mẫu (Edit Sample Time). Điều này sẽ cho phép ta xây dựng bộ dữ liệu LFDA từ bên trong của chương trình, bằng cách nhập trực tiếp vào hộp thoại. Các hình ảnh đầy đủ thì mờ, mặc dù khi đó ta muốn xem xét phân bố chiều dài theo thời gian. Để xem dữ liệu ở dạng đồ họa, ta chọn Data/ Plot Data. Nó sẽ hiện lên rõ hơn và phân bố tần suất chiều dài sẽ rõ hơn nhiều. BÀI 1: ƯỚC LƯỢNG CÁC THAM SỐ TĂNG TRƯỞNg (L¥, K, to) Giả sử rằng dữ liệu là không theo mùa vụ và thử chạy đường cong tăng trưởng Von Bertalanffy với các dữ liệu chúng ta nhập vào. Mục đích cơ bản trong ước lượng các tham số tăng trưởng là tìm ra một sự kết hợp các tham số tối ưu theo một phương trình đặc biệt nào đó. Một phương trình đặc biệt thỉnh thoảng như ở dạng mô hình (model) chẳng hạn như Von Bertalanffy với các tham số đặc trưng (giá trị K và L∞). Khi đó nhìn vào dữ liệu của bạn và cho bạn một số thể hiện dữ liệu của quần đàn với một phương trình tăng trưởng. Có 3 phương pháp dùng để ước lượng các tham số tăng trưởng được sử dụng trong LFDA: Phân tích thành phần chiều dài của Shepherd (SLCA). Phương pháp chiếu ma trận (ProjMat). Phương pháp phân tích chiều dài điện tử (ELEFAN). Chi tiết của mỗi phương pháp được tìm thấy trong phần hướng dẫn (Tutorial). Bảng 1.1: Kết quả phân tích thành phần chiều dài của Shepherd với TUTOR.LF5 K L¥ to Điểm SLCA (chạy lần 1) (các tham số cơ bản) 0,700 220,000 -0,163 374,9820 SLCA Maximisation (Chạy tối ưu hóa lần 1) K=0,1-1,5 (15) L∞=150-250 (11) 0,664 225,955 -0,173 375,0811 SLCA Maximisation (Chạy tối ưu hóa lần 2) K=0,5-0,8 (20) L∞=210-250 (20) 0,664 225,893 -0,173 375,0815 Bảng 1.2: Kết quả phân tích bằng phương pháp PROJMAT với TUTOR.LF5 K L¥ to Điểm PROJMAT (chạy lần 1) (các tham số cơ bản) 1,300 160,000 -0,081 -0,183 PROJMAT (chạy lần 2) K=0,7-1,5 (15) L∞=130-250 (13) 1,330 160,000 -0,070 -0,177 PROJMAT (chạy lần 3) K=0,7-1,7 (21) L∞=130-250 (13) 1,450 150,000 -0,082 -0,177 PROJMAT Maximisation (Chạy tối ưu hóa) K=0,7-1,5 (21) L∞=130-250 (13) 1,298 162,977 -0,666 -0,176 Bảng 1.3: Kết quả phân tích bằng phương pháp ELEFAN với TUTOR.LF5 K L¥ to Điểm ELEFAN (chạy lần 1) (các tham số cơ bản) 0,500 200,000 -0,650 0,453 ELEFAN (vùng 1) 0,502 198,264 -0,670 0,470 ELEFAN (vùng 2) 0,841 180,510 -0,160 0,466 ELEFAN (vùng 3) 0297 241,000 -0,120 0,450 Nhìn vào 3 phương pháp khác nhau sẽ có sự khác biệt rất lớn. Sự khác biệt này có lẽ là do bộ dữ liệu đang tính có mang tính mùa vụ, tăng trưởng chậm ở một vài lần trong năm. Thử chạy mô hình mang tính mùa vụ. Có hai mô hình sẳn có cho việc phân tích dữ liệu mang tính mùa vụ là mô hình PROJMAT và ELEFAN. Chọn mô hình Hoenig. Điều mà ta đang thử chạy tối ưu hóa không phải là 2 tham số mà đến 4 tham số (K, L∞, C và Ts) + C (cường lực của tính mùa vụ); và + Ts (thời gian tăng trưởng mùa vụ bắt đầu). Chạy PROJMAT - Ước lượng các tham số tăng trưởng có tính mùa vụ Hoenig: Chạy ELEFAN - Ước lượng các tham số tăng trưởng có tính mùa vụ Hoenig: BÀI 2: ƯỚC LƯỢNG MỨC CHẾT Z Ước lượng tổng mức chết Z Có 3 phương pháp sẳn có để ước lượng tổng mức chết “Z”. Tất cả 3 phương pháp này đều chạy không mang tính mùa vụ. Nếu ta tin rằng mô hình có tính mùa vụ, chúng ta nên thận trọng khi sử dụng các mô hình nầy. Dù rằng dữ liệu mang tính mùa vụ nhưng ta cũng có thể chạy với mô hình không mang tính mùa vụ để ước lượng tổng mức chết Z. Bộ tham số nào để ước lượng mà chúng ta nên dùng? Ta có 3 mô hình không mùa vụ với các cặp K, L∞ và 2 mô hình khác phù hợp với dữ liệu mang tính mùa vụ. Hãy nhìn vào đường cong mô hình không mùa vụ (của 1 trong 3 mô hình) xem mô hình nào là phù hợp nhất với đường cong có mùa vụ. ELEFAN trông có vẻ phù hợp nhất. Khi đó ta sẽ dùng phương pháp này với các giá trị K = 0,841 và L∞ = 180,51. Đường cong sản lượng chuyển đổi thành chiều dài Như bạn học trong lý thuyết, phương pháp này lấy chiều dài chuyển đổi chúng thành tuổi. Đối với mỗi phân bố, khi đó nó tính toán số sống sót đến lớp chiều dài kế tiếp. Đồ thị tuổi theo log tự nhiên của số cá sống sót là đường có độ dốc chính là tổng mức Z của phân bố đó. Trung bình các mức chết của 10 phân bố sẽ cho giá trị trung bình của Z trong năm. Ta cần bỏ những mức chết đầu và cuối. Bằng cách bấm vào các điểm đầu và cuối. Việc loại bỏ những điểm này là một tiến trình khá chủ động, kết quả cho ra giống như bảng dưới đây: Phân bố 1 2 3 4 5 6 7 8 9 10 Z 1,35 1,40 1,51 1,45 1,29 1,26 1,31 1,66 1,34 1,54 Tính mức chết Z theo Beverton-Holt Phương pháp Beverton-Holt dựa trên mối quan hệ số học giữa chiều dài trung bình trong mỗi mẫu, chiều dài đánh bắt đầu tiên, các tham số tăng trưởng của phương trình Von Bertalanffy và tổng mức chết Z. Ta sẽ không sử dụng chiều dài của lần đánh bắt đầu tiên và không có thông tin về nó khi đây là một dữ liệu mô phỏng. Do đó chúng ta sẽ sử dụng các tham số sau đây: K=0,84, L∞=180,5 và Lc=20 (lớp chiều dài của lần đánh bắt đầu tiên). Như đối với phương pháp LCCC, ta nhận được một ước lượng cho mỗi phân bố như bảng dưới đây: Phân bố 1 2 3 4 5 6 7 8 9 10 Z 1,93 1,00 0,78 0,69 0,52 1,97 1,13 0,72 0,65 0,52 Ở đây, ta có Z trung bình là 0,991. Tính mức chết Z theo Powell-Wetherall Tương tự với phương pháp Beverton-Holt. Mối quan hệ số học ở đoạn bên tay phải của phân bố tần suất chiều dài sẽ tính toán được Z. Điểm cần bỏ qua trong tính toán mà ở đó số cá thể có chiều dài bằng 0. Kết quả ước lượng từ phương pháp Powell-Wetherall dùng với TUTOR.LF5: