Overbevissing en veranderingen in de leefomgeving van vis bedreigen visstanden wereldwijd. Door het opleggen van vangstquota of moratoria proberen autoriteiten en instanties een duurzaam visserijbeleid te voeren. Maar de methoden om statistisch vast te stellen hoe het met een visstand gesteld is, houden vaak geen rekening met de onzekerheden die hun uitkomsten drastisch kunnen beïnvloeden.

Niemand kent tot achter de komma de omvang of sterftecijfers van een bepaalde soort vis. Daar komt bij dat voor de visstanden die het hardst een evaluatie nodig hebben, vaak maar weinig data beschikbaar zijn, terwijl er niet veel mogelijkheden zijn om die data te verzamelen.

Toch blijkt het mogelijk juist met die onzekerheden rekening te houden door mathematische modellen toe te passen. Daarmee kunnen betrouwbaardere schattingen voor beleidsbeslissingen worden gemaakt. Dat concludeert de Finse Henni Pulkkinen, onderzoeker aan het Natural Resources Institute Finland, in haar promotieonderzoek.

Leerproces met continue updates
Pulkkinen onderzocht hoe je met behulp van Bayesiaanse statistische modellen de verschillende onzekerheden rondom de visbestanden mee kunt nemen. Zo kun je bijvoorbeeld biologische en ecologische gegevens van verwante soorten meenemen in de beoordeling van veel bedreigde of data-arme visbestanden. "Bayesiaanse modellen staan voor een leerproces waarbij bestaande informatie wordt geupdated met nieuwe. De uitdaging is er in gelegen de uiteenlopende bronnen met zinvolle informatie te identificeren. Die informatie kan uit literatuur of databases komen, maar het kan ook zogeheten tacit knowledge zijn die door expertinterviews is verkregen", zegt Pulkkinen in ScienceDaily.

Waarnemingen zien slechts topje van de ijsberg
Traditionele modellen om visbestanden te beoordelen baseren zich op waarnemingen. Zij houden onvoldoende rekening met de onzekerheden die aan de aannames ten grondslag liggen. Met Bayesiaanse modellering kun je het hele biologische proces meenemen in je model, zelfs als er maar weinig data beschikbaar zijn. Hierdoor wordt het gemakkelijker ook de minst bekende elementen te identificeren en rekening te houden met de onzekerheden die daar mee samenhangen.

Baltische zalm
Pulkkinen bespreekt in haar onderzoek een succesvoorbeeld van Bayesiaans modelleren van visstanden: het evaluatiemodel voor de Baltische zalm. Het model combineert biologische achtergrondkennis met uitgebreide onderzoeksgegevens over de wilde zalm-bestanden in Finland en Zweden. Het International Council for the Exploration of the Seas (ICES) gebruikt het model om de jaarlijkse quota voor Baltische zalm vast te stellen.

Alledaagse toepassingen
Bayesiaanse modellen zijn niet alleen inzetbaar voor het inschatten van hoeveel vissen er in zee zwemmen en hoeveel daarvan je onbekommerd kunt vangen. Ook wij blijken er al dagelijks mee te werken. Alledaagse toepassingen als zoekmachines, vertaalsoftware en spraakherkenning (zoals Apple's Siri) zijn op Bayesiaanse modellering gebaseerd. Je kunt ook denken aan het voorspellen van het weer. Hoe de wind waait is afhankelijk van verschillende onzekerheden waar toch een behoorlijk goede richting uit te halen is.

Het proefschrift van Henni Pulkkinen is hier te vinden.

Fotocredits: 'Thomas Bayes', Simon Harriyott
Dit artikel afdrukken