Określanie śmiertelności połowowej F należy do kluczowych zadań w analizach stad rybnych i w praktycznym zarządzaniu zasobami. To właśnie parametr F opisuje, jak intensywnie działalność rybacka redukuje liczebność populacji w jednostce czasu. Jego poprawne oszacowanie pozwala wyznaczać poziomy eksploatacji bezpieczne dla długoterminowej produkcji, oceniać wpływ zmian regulacji połowowych oraz porównywać presję połowową między różnymi łowiskami i gatunkami. Bez wiarygodnej informacji o F trudno mówić o racjonalnym, odpowiedzialnym rybołówstwie.

Pojęcie śmiertelności połowowej F i jego miejsce w analizach stad

W klasycznych modelach dynamiki populacji ryb całkowita śmiertelność Z dzieli się na dwie główne składowe: śmiertelność naturalną M oraz śmiertelność połowową F. Śmiertelność naturalna obejmuje zgony wynikające z drapieżnictwa, chorób, konkurencji czy starzenia, natomiast śmiertelność połowowa jest efektem działalności człowieka – głównie połowów komercyjnych i rekreacyjnych. W praktyce F opisuje część populacji, która ginie na skutek **eksploatacji** rybackiej w danym okresie, zwykle w skali roku.

Matematycznie parametry te łączy równanie:

Z = M + F

gdzie Z jest łączną, chwilową stopą śmiertelności. Przy założeniu, że Z jest stała, zmiana liczebności kohorty w czasie może być opisana równaniem:

N(t) = N(0) · e^−Zt

W tym ujęciu F jest intensywnością usuwania osobników przez połowy. W wielu zastosowaniach porównuje się F z wartościami referencyjnymi, takimi jak **F_MSY** (śmiertelność połowowa odpowiadająca maksymalnemu podtrzymywalnemu odłowowi) czy F_0.1, by stwierdzić, czy dane stado jest nadmiernie eksploatowane.

Śmiertelność połowowa jest wyrażana w jednostkach 1/rok i interpretuje się ją na tle prawdopodobieństwa przeżycia. Jeśli całkowita śmiertelność Z wynosi np. 0,5, to roczne prawdopodobieństwo przeżycia wynosi e^−0,5 ≈ 0,61. Jeżeli znamy M, możemy z tej wartości wydzielić składową F i zobaczyć, jak duży udział ma działalność połowowa w łącznej liczbie zgonów.

W kontekście zarządzania zasobami rybnymi F jest szczególnie ważne z kilku powodów:

• bezpośrednio odzwierciedla reakcję populacji na regulacje połowowe, takie jak limity, kwoty, **selektywność** narzędzi czy zamknięte obszary;
• pozwala szacować efekty zmiany nakładu połowowego (wysiłku rybackiego), np. liczby dni na morzu czy mocy jednostek;
• umożliwia budowę prognoz (projekcji) stanów stad przy różnych scenariuszach polityki rybackiej;
• jest podstawową wielkością w wyznaczaniu wskaźników biologicznych kondycji zasobów.

Właśnie dlatego tak duży nacisk kładzie się na poprawne określenie F oraz jego zmian w czasie, z rozbiciem na poszczególne klasy wieku, narzędzia połowowe czy floty. Współczesna nauka o rybołówstwie rozwija coraz bardziej zaawansowane metody statystyczne i informatyczne, aby uzyskać jak najbardziej wiarygodne wartości F.

Klasyczne metody szacowania F: podejście kohortowe i analiza połowów

Jedną z najważniejszych grup metod służących do szacowania F są analizy oparte na strukturze wiekowej populacji. W tych podejściach zakłada się, że znamy (lub umiemy oszacować) liczebność danej kohorty ryb w poszczególnych latach oraz liczbę osobników usuwanych przez połowy. Najbardziej rozpowszechnione narzędzia to analiza kohortowa (Cohort Analysis) i analiza w przód – VPA (Virtual Population Analysis).

Analiza kohortowa i VPA

Analiza kohortowa polega na śledzeniu rocznika ryb przez kolejne lata eksploatacji. Dysponując danymi o odłowach w liczbie osobników lub w biomase (z rozbiciem na wiek), można odtworzyć liczbę ryb w kohorcie w poprzednich latach, idąc „wstecz” w czasie od najstarszej klasy wiekowej. Stąd określenie „wirtualna populacja” – liczebność stad w przeszłości nie jest obserwowana bezpośrednio, lecz wyliczana na podstawie danych połowowych i założeń o śmiertelności naturalnej.

Aby określić F w danym roku i dla danego wieku k, wykorzystuje się podstawową zależność między rocznym odłowem C, liczbą ryb N oraz Z:

C_a = F_a / Z_a · N_a · (1 − e^−Z_a)

gdzie indeks a odnosi się do klasy wieku. Angażując równanie Z = M + F oraz przyjmując M, można iteracyjnie rozwiązać równanie względem F, dopasowując F do obserwowanych odłowów. W typowej procedurze VPA zaczyna się od ostatniego rocznika, dla którego przyjmuje się wartość F (tzw. terminal F), a następnie krok po kroku odtwarza się historię F dla młodszych klas wieku i wcześniejszych lat.

Kluczowe są tu dane wejściowe:

• dane połowowe w podziale na klasy wieku (lub przedziały długości), zwykle ekspandowane z próbek biologicznych;
• założona lub niezależnie oszacowana **śmiertelność** naturalna M;
• informacje o selektywności narzędzi (jakie klasy wieku są efektywnie eksploatowane);
• czasem niezależne szacunki biomasy ze statków badawczych, służące kalibracji VPA.

Ostatecznym wynikiem VPA jest rekonstrukcja liczebności N dla każdej kombinacji roku i wieku oraz odpowiadających im wartości Z i F. Otrzymany szereg czasowy F pozwala analizować, jak zmieniała się intensywność eksploatacji, i czy jest ona spójna z przyjętymi scenariuszami zarządzania.

Metody w przód: ICA, XSA i modele zintegrowane

Klasyczne VPA bazuje na danych historycznych i jest w pewnym stopniu „rekonstrukcją przeszłości”. W celu prognozowania i bardziej bezpośredniego oszacowania F wykorzystuje się różne rozszerzenia, jak Extended Survivors Analysis (XSA), czy podejścia integrujące dane z wielu źródeł, określane ogólnie jako modele zintegrowanego oceny zasobów (integrated assessment models).

W modelach tych F jest traktowane jako zmienna stochastyczna, opisana funkcją czasu, wieku i często także floty czy narzędzia. Szacowanie parametrów odbywa się za pomocą metod statystycznych (najczęściej maksymalizacji wiarygodności lub podejść bayesowskich), a dane wejściowe obejmują:

• serie odłowów w masie i liczbie;
• skład wieku w połowach;
• indeksy obfitości z badań naukowych (survey indices);
• czasem dane znacznikowe lub akustyczne.

Takie modele pozwalają nie tylko szacować średnie wartości F, ale również niepewność tych oszacowań oraz korelacje z innymi parametrami biologicznymi. Dzięki temu zarządzanie rybołówstwem może być bardziej oparte na ocenie ryzyka, a nie na pojedynczej wartości punktowej.

Metody uproszczone: F z doraźnej relacji odłowów do nakładu

W sytuacjach ograniczonej dostępności danych, szczególnie w mniejszych jeziorach czy w krajach rozwijających się, stosuje się prostsze przybliżenia. Przykładowo, można związać F z nakładem połowowym f poprzez współczynnik „catchability” q:

F = q · f

gdzie f odzwierciedla wysiłek – liczbę sieci, godzin połowu, dni na morzu, moc jednostek itd. Catchability opisuje, jak skuteczny jest dany wysiłek połowowy w usuwaniu ryb z populacji. W wielu systemach zarządzania monitoruje się zmianę F w funkcji zmian f, co pozwala wskazać poziomy wysiłku, przy których F osiąga wartości referencyjne.

Śmiertelność połowowa w kontekście selektywności, strategii zarządzania i ekosystemu

Samo oszacowanie F nie wystarcza do pełnego zrozumienia wpływu rybołówstwa na zasoby. Równie ważne jest to, jak F rozkłada się pomiędzy klasy wieku, rozmiary ryb, narzędzia oraz komponenty przestrzenne. Dopiero taka rozdzielczość pozwala projektować skuteczne i etyczne strategie zarządzania, łączące cele produkcyjne z ochroną bioróżnorodności i funkcjonowania ekosystemu.

Selektywność narzędzi połowowych i F w zależności od wieku

Śmiertelność połowowa jest w praktyce mocno zróżnicowana wiekowo. Wynika to przede wszystkim z selektywności narzędzi połowowych – sieci, włoków, pułapek czy haczyków. Każde narzędzie ma swoją krzywą selektywności, określającą prawdopodobieństwo złowienia osobnika o danym rozmiarze. Przekłada się to bezpośrednio na F_a dla różnych klas wieku.

W zarządzaniu często dąży się do takiej struktury F_a, która chroni najmłodsze osobniki, jeszcze niedojrzałe płciowo, a jednocześnie pozwala na wykorzystanie części populacji po przynajmniej jednym cyklu rozrodczym. Wprowadzanie minimalnych rozmiarów ochronnych, większych oczek w sieciach czy zakazy połowu w strefach tarliskowych są właśnie narzędziami, które wpływają na kształt krzywej selektywności i, co za tym idzie, na rozkład F.

W modelach populacyjnych często przyjmuje się parametr F_max oraz wektor selektywności s_a, tak że:

F_a = F_max · s_a

gdzie s_a jest znormalizowane do wartości maksymalnej równej 1. Dzięki temu można łatwo badać, jak zmiana selektywności (np. wynikająca ze zmiany narzędzi) wpływa na ogólny poziom F oraz na rekrutację i biomase tarłową SSB.

Strategie odniesienia: F_MSY, F_pa, F_0.1

W praktyce zarządzania zasobami wykorzystuje się szereg poziomów odniesienia opartych na F. Pozwalają one określić granice bezpiecznej eksploatacji oraz wyznaczyć cele polityki rybackiej. Do najczęściej stosowanych należą:

• F_MSY – poziom śmiertelności połowowej odpowiadający maksymalnemu podtrzymywalnemu odłowowi (Maximum Sustainable Yield). Jeśli długoterminowe F przekracza F_MSY, stado jest zwykle traktowane jako nadmiernie eksploatowane;
• F_pa – poziom ostrożnościowy (precautionary approach), z reguły niższy od F_MSY, uwzględniający niepewność danych i modeli;
• F_0.1 – poziom F, przy którym nachylenie krzywej zależności zysku z masy ryb do F spada do 10% wartości początkowej. Ten wskaźnik jest bardziej konserwatywny i często rekomendowany jako bezpieczna granica.

Wyznaczanie tych poziomów wymaga powiązania F z produkcją, rekrutacją i strukturą wieku populacji. W tym celu stosuje się modele biologiczno-ekonomiczne, w których testuje się różne scenariusze stałego F i ocenia, jaki długoterminowy odłów oraz poziom biomasy one generują. Strategia zarządzania może then polegać na wyznaczeniu górnego limitu F, któremu mają odpowiadać limity połowowe (TAC) i inne instrumenty regulacyjne.

F a rybołówstwo ekosystemowe

Tradycyjne podejście do F skupia się na pojedynczych stadach i gatunkach. W podejściu ekosystemowym, coraz szerzej stosowanym w nowoczesnej polityce rybackiej, śmiertelność połowowa jest analizowana także z perspektywy sieci troficznych, bycatchu i wpływu na siedliska. W takim ujęciu nie chodzi jedynie o to, by F dla jednego stada mieściło się w bezpiecznych granicach, ale także o to, by łączne F wywierane na różne grupy troficzne nie zaburzało stabilności całego ekosystemu.

Przykładowo, nadmierne F na drapieżniki szczytowe może prowadzić do kaskad troficznych – wzrostu liczebności ofiar, co może wpływać na strukturę bentosu i produktywność innych gatunków użytkowych. Z drugiej strony, wysokie F na gatunki o kluczowej roli ekologicznej (tzw. gatunki kluczowe) może zaburzyć funkcjonowanie siedlisk, np. raf koralowych czy łąk traw morskich. W takim kontekście pojawiają się pojęcia „F ekosystemowego”, które bierze pod uwagę nie tylko wielkość odłowu danego gatunku, ale i jego rolę w całej sieci powiązań.

Niepewność, zmienność środowiskowa i adaptacyjne podejście do F

Istotnym wyzwaniem jest to, że ani F, ani M, ani rekrutacja nie są stałe w czasie. Zmiany warunków środowiskowych, takich jak temperatura, zasolenie, dostępność pokarmu czy zakwity glonów, wpływają na przeżywalność i tempo wzrostu ryb. Dodatkowo zmienia się technologia połowowa, strategie flot i zachowania ryb (np. migracje), co wszystko modyfikuje relację między wysiłkiem f a F.

W odpowiedzi na tę zmienność rozwijane są strategie zarządzania oparte na regułach kontroli (harvest control rules), w których docelowe F (lub limity połowów) są automatycznie dostosowywane do poziomu biomasy oszacowanego w bieżących ocenach zasobów. Przykładem może być reguła: jeśli biomasa spadnie poniżej określonego punktu odniesienia, obniża się docelowe F lub wprowadza czasowe ograniczenia połowów.

Takie adaptacyjne podejście wymaga nie tylko solidnych modeli F, ale również systematycznego monitoringu i szybkiego reagowania. Ostateczny cel pozostaje jednak ten sam: utrzymać śmiertelność połowową na poziomie zgodnym z długoterminowym utrzymaniem produktywności zasobów i stabilnością ekosystemu.

FAQ

Jak w praktyce mierzy się śmiertelność połowową F w małych jeziorach śródlądowych?

W małych jeziorach, gdzie brakuje rozbudowanego monitoringu i danych wiekowych, śmiertelność połowową F szacuje się zwykle metodami uproszczonymi. Wykorzystuje się dane o odłowach z ewidencji (np. rejestry rybackie, pozwolenia) i informacje o nakładzie połowowym: liczbie sieci, czasie zasiadki, wysiłku wędkarskim. Następnie przyjmuje się wartość M z literatury i kalibruje prosty model, w którym F jest proporcjonalne do wysiłku, tak aby przewidywana liczebność ryb była zgodna z wynikami okresowych odłowów kontrolnych lub sondowań hydroakustycznych.

Czy wysoka wartość F zawsze oznacza przełowienie zasobów?

Wysoka wartość F nie musi automatycznie oznaczać przełowienia, lecz sugeruje intensywną presję połowową. Kluczowy jest kontekst biologiczny: tempo wzrostu, rekrutacja oraz śmiertelność naturalna M. Niektóre gatunki krótkowieczne, szybko dojrzewające, mogą tolerować wyższe F bez trwałego spadku biomasy. O przełowieniu mówimy zwykle wtedy, gdy F długoterminowo przekracza wartości referencyjne, takie jak F_MSY, a biomasa tarłowa spada poniżej punktów granicznych. Dlatego sam poziom F to za mało – trzeba analizować go razem z trendami biomasy i struktury wieku.

Jak śmiertelność połowowa F wpływa na strukturę wiekową populacji ryb?

Wzrost F zazwyczaj prowadzi do „odmłodzenia” struktury wieku, ponieważ starsze osobniki są usuwane szybciej niż w warunkach niskiej eksploatacji. W populacji zaczyna dominować kilka najmłodszych klas wieku, a udział większych, dojrzałych osobników maleje. Skutkiem jest często spadek biomasy tarłowej i zwiększona zmienność rekrutacji – populacja staje się bardziej zależna od pojedynczych silnych roczników. Taka „przeeksploatowana” struktura wieku może ograniczać potencjał reprodukcyjny i zwiększać wrażliwość stada na wahania środowiskowe, nawet jeśli w krótkim okresie odłowy są wciąż stosunkowo wysokie.

Dlaczego dokładne oszacowanie śmiertelności naturalnej M jest tak ważne dla F?

Parametr M, czyli śmiertelność naturalna, stanowi drugą, obok F, składową całkowitej śmiertelności Z. Jeśli M zostanie przeszacowane, modele przypiszą mniejszą część zgonów połowom, zaniżając F; w przypadku niedoszacowania M – odwrotnie. Błąd w M może więc poważnie zniekształcić ocenę poziomu eksploatacji, a tym samym prowadzić do nieadekwatnych regulacji połowowych. Niestety M jest trudne do bezpośredniego pomiaru, dlatego często korzysta się z równań empirycznych lub rezultatów badań znacznikowych, a niepewność M powinna być jawnie uwzględniana w analizach ryzyka i scenariuszach zarządzania.