Морской гидрофизический журнал. 2022; 38: 196-217
Моделирование морских экосистем: опыт, современные подходы, направления развития (обзор). Часть 2. Модели популяций и трофодинамики
https://doi.org/10.22449/0233-7584-2022-2-196-217Аннотация
Цель. В статье представлена вторая часть обзора публикаций, посвященных вопросам моделирования водных экосистем. В этой части основное внимание уделено современным подходам к управлению морскими биоресурсами, реализующим экосистемные принципы моделирования и мониторинга пространственно-временно́й динамики водных объектов.
Методы и результаты. Статья включает три раздела. В первом разделе рассмотрены модели прогнозирования динамики эксплуатируемых популяций и оптимизации промысла. Во втором разделе рассматриваются модели трофодинамики, применяемые для изучения структуры, продуктивности и функциональной роли морской биоты, взаимодействующей друг с другом и окружающей средой на различных трофических уровнях. Модели трофодинамики используются как для оценки влияния рыболовства на морские экосистемы, так и для анализа влияния факторов, прямо или косвенно связанных с климатической изменчивостью и антропогенной деятельностью (эвтрофирование, соленость, изменение среды обитания). Третий раздел посвящен сравнительно недавно появившемуся направлению в моделировании морских экосистем, основанному на применении географических информационных систем. Развитие геоинфомационных технологий, позволяющих связывать данные как натурных наблюдений, так и результатов модельных экспериментов с их геолокацией, оказало влияние на достижения в области экологического моделирования.
Выводы. В ближайшие годы роль математического моделирования в исследовании и управлении морскими экосистемами будет возрастать. Наиболее важными представляются такие направления исследований, как совершенствование модельного описания первичных звеньев трофической сети морских экосистем (NPZD-модели), потоков вещества и энергии в морских пищевых цепях, эвтрофирования и кислородного режима морских заливов, распространения и трансформации загрязняющих веществ и их влияния на экосистемы, функционирования морских заповедников, способов учета климатических факторов в моделях экосистем, использование данных космического мониторинга для идентификации и верификации отдельных компонентов экосистем (хлорофилл, нефтяные пятна, взвеси).
Список литературы
1. Опыт оценки риска квазивымирания промысловых рыб на основе долгосрочного модельного прогноза популяционной динамики / Ю. В. Тютюнов [и др.] // Труды Южного научного центра Российской академии наук. 2020. Т. 8. С. 181–198. doi:10.23885/1993-6621-2020-8-181-198
2. Домбровский Ю. А., Обущенко Н. И., Тютюнов Ю. В. Рыбные популяции в стохастической среде: модели управления и выживаемости. Ростов н/Д : Изд-во Рост. ун-та, 1991. 155 с.
3. Modelling Fluctuation and Optimal Harvesting in Perch Population / Yu. Tyutyunov [et al.] //Ecological Modelling. 1993. Vol. 69, iss. 1–2. P. 19–42. https://doi.org/10.1016/0304-3800(93)90046-U
4. Beverton R. J. H., Holt S. J. On the Dynamics of Exploited Fish Populations. London : Her Majesty's Stationery Office, 1957. 533 p. (Fishery investigations ; Series II ; Vol. 19).
5. Clark C. W. Mathematical Bioeconomics: The Optimal Management of Renewable Resources.New York : Wiley, 1976. 352 p.
6. Senina I., Tyutyunov Yu., Arditi R. Extinction risk assessment and optimal harvesting of anchovy and sprat in the Azov Sea // Journal of Applied Ecology. 1999. Vol. 36, iss. 2. P. 297–306. https://doi.org/10.1046/j.1365-2664.1999.00399.x
7. Abakumov A., Izrailsky Yu. Optimal harvest problem for fish population – structural stabilization // Mathematics. 2022. Vol. 10, iss. 6. 986. https://doi.org/10.3390/math10060986
8. Модели оценки риска сокращения численности промысловых популяций рыб / Ю. В. Тютюнов [и др.] // Среда, биота и моделирование экологических процессов в Азовском море. Апатиты : Кол. науч. центр РАН, 2001. Раздел 2.5. С. 380–396.
9. Risk Assessment of the Harvested Pike-Perch Population of the Azov Sea / Yu. Tyutyunov [et al.] // Ecological Modelling. 2002. Vol. 149, iss. 3. P. 297–311. https://doi.org/10.1016/S0304-3800(01)00478-1
10. Задача оптимального управления промыслом конкурирующих рыбных популяций Азовского моря / И. И. Ворович [и др.] // Доклады АН СССР. 1989. Т. 305, № 4. C. 790–793. URL: http://www.mathnet.ru/links/0253fd3240fa62333608ed17c0d950dc/dan7179.pdf (дата обращения: 20.03.2022).
11. Trophodynamic model of the Black and Azov Sea pelagic ecosystem: consequences of the comb jelly, Mnemiopsis leydei, invasion / S. V. Berdnikov [et al.] // Fisheries Research. 1999. Vol. 42, iss. 3. P. 261–289. https://doi.org/10.1016/S0165-7836(99)00049-1
12. Закономерности экосистемных процессов в Азовском море / Г. Г. Матишов [и др.]. М. : Наука, 2006. 304 c. URL: https://www.ssc-ras.ru/ru/page595.html/ (дата обращения: 26.02.2022).
13. Луц Г. И. Условия существования, особенности формирования запасов и промысел азовской тюльки. Ростов-на-Дону : ФГУП «АзНИИРХ», 2009. 118 с. URL: http://dspace.vniro.ru/handle/123456789/1655 (дата обращения: 26.02.2022).
14. Дроздов В. В. Особенности многолетней динамики экосистемы Азовского моря под влиянием климатических и антропогенных факторов // Ученые записки Российского государственного гидрометеорологического университета. 2010. Вып. 15. С. 155–176. URL:http://elib.rshu.ru/files_books/pdf/15-15.pdf (дата обращения: 26.02.2022).
15. Рациональное использование водных ресурсов бассейна Азовского моря: Математические модели / И. И. Ворович [и др]. М. : Наука, 1981. 359 с.
16. Ricker W. E. Stock and recruitment // Journal of the Fisheries Research Board of Canada. 1954. Vol. 11, no. 5. P. 559–623. https://doi.org/10.1139/f54-039
17. May R. M. Biological populations obeying difference equations: Stable points, stable cycles, and chaos // Journal of Theoretical Biology. 1975. Vol. 51, iss. 2. P. 511–524.https://doi.org/10.1016/0022-5193(75)90078-8
18. Frisman E. Y., Neverova G. P., Revutskaya O. L. Complex dynamics of the population with a simple age structure // Ecological Modelling. 2011. Vol. 222, iss. 12. P. 1943–1950. https://doi.org/10.1016/j.ecolmodel.2011.03.043
19. Горстко А. Б., Домбровский Ю. А., Сурков Ф. А. Модели управления эколого-экономическими системами. М. : Наука, 1984. 119 с.
20. Ильичев В. Г. Устойчивость, адаптация и управление в экологических системах. М. : Физматлит, 2009. 192 с.
21. Mathematical modeling of population dynamics based on recurrent equations: results and prospects. Part I / E. Ya. Frisman [et al.] // Biology Bulletin. 2021. Vol. 48, iss. 1. P. 1–15. https://doi.org/10.1134/S1062359021010064
22. Неверова Г. П., Абакумов А. И., Фрисман Е. Я. Режимы динамики лимитированной структурированной популяции при избирательном промысле // Математическая биология и биоинформатика. 2017. Т. 12, № 2. С. 327–342. doi:10.17537/2017.12.327
23. Использование математической модели экосистемы Азовского моря для исследования закономерностей функционирования и структуры системы / И. И. Ворович [и др.] // Доклады АН СССР. 1981. Т. 259, № 2. С. 302–306. URL: http://www.mathnet.ru/links/14e3ec07e6816a672f972e5beefd4323/dan44590.pdf (дата обращения: 26.02.2022).
24. Beddington J. R., Taylor D. B. 356. Note: Optimum age specific harvesting of a population // Biometrics. 1973. Vol. 29, no. 4. P. 801–809. https://doi.org/10.2307/2529145
25. Домбровский Ю. А. Оптимальный сбор урожая в модели популяции с перекрывающимися поколениями // Вопросы кибернетики / Под ред. Ю. М. Свирежева. М., 1979. Вып. 52. С. 48–59.
26. Меншуткин В. В. Математическое моделирование популяций и сообществ водных животных. Л. : Наука, 1971. 196 с.
27. Getz W. M., Haight R. G. Population harvesting: Demographic models of fish, forest, and animal resources. Princeton : Princeton University Press, 1989. 391 p. (Monographs in Population Biology ; Vol. 27).
28. Arditi R., Dacorogna B. Maximum sustainable yield of populations with continuous age-structure // Mathematical Biosciences. 1992. Vol. 110, iss. 2. P. 253–270. https://doi.org/10.1016/0025-5564(92)90040-4
29. Dacorogna B., Weissbaum F., Arditi R. Maximum sustainable yield with continuous age structure and density-dependent recruitment // Mathematical Biosciences. 1994. Vol. 120, iss. 1. P. 99–126. https://doi.org/10.1016/0025-5564(94)90039-6
30. Frisman E. Ya., Last E. V., Skaletskaya E. I. Population dynamics of harvested species with complex age structure (for Pacific salmons fish stocks as an example) // Ecological Modelling. 2006. Vol. 198, iss. 3–4. P. 463–472. https://doi.org/10.1016/j.ecolmodel.2006.05.019
31. Егорова А. В., Родина Л. И. Об оптимальной добыче возобновляемого ресурса из структурированной популяции // Вестник Удмуртского университета. Математика. Механика. Компьютерные науки. 2019. Т. 29, вып. 4. С. 501–517. https://doi.org/10.20537/vm190403
32. Основные направления и обзор современного состояния исследований динамики структурированных и взаимодействующих популяций / Е. Я. Фрисман [и др.] // Компьютерные исследования и моделирование. 2019. Т. 11, № 1. С. 119–151. https://doi.org/10.20537/2076-7633-2019-11-1-119-151
33. Абакумов А. И. Управление и оптимизация в моделях эксплуатируемых популяций. Владивосток : Дальнаука, 1993. 129 с.
34. Абакумов А. И., Израильский Ю. Г. Стабилизирующая роль структуры рыбной популяции в условиях промысла при случайных воздействиях среды обитания // Компьютерные исследования и моделирование. 2017. Т. 9, № 4. С. 609–620. https://doi.org/10.20537/2076-7633-2017-9-4-609-620
35. Дерендяева Т. М. Вероятностные модели в теории прогнозирования запасов промысловых рыб // Теория и практика современной науки. 2016. № 6 (12). Часть 1. С. 345–348.
36. Оправдался ли долгосрочный прогноз риска вымирания азовского судака? / Ю. В. Тютюнов [и др.] // Биофизика. 2020. Т. 65, № 2. С. 390–401. https://doi.org/10.31857/S0006302920020234
37. Тютюнов Ю. В., Домбровский Ю. А., Обущенко Н. И. Оптимальное управление эксплуатируемой популяцией при минимизации риска ее вымирания в условиях стохастичности среды обитания // Обозрение прикладной и промышленной математики. 1996. Т. 3, вып. 3. С. 412–433.
38. Сенина И. Н. Математическое моделирование миграций рыбных популяций в приложении к оптимизации промысла и прогнозированию запасов тунцовых // Системный анализ и математическое моделирование сложных экологических и экономических систем. Теоретические основы и приложения / Отв. ред. Ф. А. Сурков, В. В. Селютин. Ростов-наДону : Изд-во Южного федерального университета, 2015. Глава 3. С. 57–80.
39. Баранов Ф. И. Избранные труды. Т. 3 : Теория рыболовства. М. : Пищ. промышленность, 1971. 304 с.
40. Шибаев С. В. Формальная теория жизни рыб Ф.И. Баранова и ее значение в развитии рыбохозяйственной науки // Труды ВНИРО. 2015. Т. 157. С. 127–142.
41. Abakumov A. I., Il’in O. I., Ivanko N. S. Game problems of harvesting in a biological community // Automation and Remote Control. 2016. Vol. 77, iss. 4. P. 697–707. https://doi.org/10.1134/S0005117916040135
42. Modelling multi-species interactions in the Barents Sea ecosystem with special emphasis on minke whales and their interactions with cod, herring and capelin / U. Lindstrøm [et al.] // Deep Sea Research Part II: Topical Studies in Oceanography. 2009. Vol. 56, iss. 21–22. P. 2068–2079. https://doi.org/10.1016/j.dsr2.2008.11.017
43. Dynamic of the Flemish Cap commercial stocks: use of a Gadget multispecies model to determine the relevance and synergies among predation, recruitment, and fishing / A. PérezRodríguez [et al.] // Canadian Journal of Fisheries and Aquatic Sciences. 2017. Vol. 74, no. 4. P. 582–597. https://doi.org/10.1139/cjfas-2016-0111
44. Unquantifiable uncertainty in projecting stock response to climate change: Example from North East Arctic cod / D. Howell [et al.] // Marine Biology Research. 2013. Vol. 9, iss. 9 : thematic issue 7 : Climate Effects on the Barents Sea Marine Living Resources. P. 920–931. https://doi.org/10.1080/17451000.2013.775452
45. Howell D., Filin A. A. Modelling the likely impacts of climate-driven changes in cod-capelin overlap in the Barents Sea // ICES Journal of Marine Science. 2014. Vol. 71, iss. 1. P. 72–80. doi:10.1093/icesjms/fst172
46. Fournier D. A., Hampton J. and Sibert J. R. MULTIFAN-CL: a length-based, age-structured model for fisheries stock assessment, with application to South Pacific albacore, Thunnus alalunga // Canadian Journal of Fisheries and Aquatic Sciences. 1998. Vol. 55, no. 9. P. 2105–2116. https://doi.org/10.1139/f98-100
47. Lehodey P., Senina I., Murtugudde R. A Spatial ecosystem and populations dynamics model (SEAPODYM) – Modeling of tuna and tuna-like populations // Progress in Oceanography.2008. Vol. 78, iss. 4. P. 304–318. https://doi.org/10.1016/j.pocean.2008.06.004
48. Modelling the impact of climate change on Pacific skipjack tuna population and fisheries / P. Lehodey [et al.] // Climatic Change. 2013. Vol. 119, iss. 1. P. 95–109.https://doi.org/10.1007/s10584-012-0595-1
49. Optimization of a micronekton model with acoustic data / P. Lehodey [et al.] // ICES Journal of Marine Science. 2015. Vol. 72, iss. 5. P. 1399–1412. https://doi.org/10.1093/icesjms/fsu233
50. Integrating tagging and fisheries data into a spatial population dynamics model to improve its predictive skills / I. Senina [et al.] // Canadian Journal of Fisheries and Aquatic Sciences. 2020. Vol. 77, no. 3. P. 576–593. https://doi.org/10.1139/cjfas-2018-0470
51. Quantitative modelling of the spatial dynamics of South Pacific and Atlantic albacore tuna populations / I. Senina [et al.] // Deep Sea Research Part II: Topical Studies in Oceanography. 2020. Vol. 175. 104667. https://doi.org/10.1016/j.dsr2.2019.104667
52. Senina I., Borderies M., Lehodey P. A spatio-temporal model of tuna population dynamics and its sensitivity to the environmental forcing data // Applied Discrete Mathematics and Heuristic Algorithms. 2015. Vol. 1, no. 3. P. 5–20. URL: https://disk.yandex.ru/i/rhmtyzcjGdz2nw (дата обращения: 26.02.2022).
53. An ecosystem modeling approach to predicting cod recruitment / E. Svendsen [et al.] // Deep Sea Research Part II: Topical Studies in Oceanography. 2007. Vol. 54, iss. 23–26. P. 2810–2821. https://doi.org/10.1016/j.dsr2.2007.07.033
54. Modelling ocean acidification in the Nordic and Barents seas in present and future climate / M. D. Skogen [et al.] // Journal of Marine Systems. 2014. Vol. 131. P. 10–20. https://doi.org/10.1016/j.jmarsys.2013.10.005
55. One-dimensional ecosystem model of the equatorial Pacific upwelling system. Part I: model development and silicon and nitrogen cycle / F. Chai [et al.] // Deep Sea Research Part II: Topical Studies in Oceanography. 2002. Vol. 49, iss. 13–14. P. 2713–2745. https://doi.org/10.1016/S0967-0645(02)00055-3
56. Interdecadal variation of the transition zone chlorophyll front: A physical-biological model simulation between 1960 and 1990 / F. Chai [et al.] // Journal of Oceanography. 2003. Vol. 59, iss. 4. P. 461–475. https://doi.org/10.1023/A:1025540632491
57. PISCES-v2: an ocean biogeochemical model for carbon and ecosystem studies / O. Aumont [et al.] // Geoscientific Model Development. 2015. Vol. 8, iss. 8. P. 2465–2513. doi:10.5194/gmd-8-2465-2015
58. McAllister M. K., Kirkwood G. P. Bayesian stock assessment: a review and example application using the logistic model // ICES Journal of Marine Science. 1998. Vol. 55, iss. 6. P. 1031–1060. https://doi.org/10.1006/jmsc.1998.0425
59. McAllister M. K. Using bayes factors to evaluate the credibility of stock-recruitment relationships for western Atlantic Bluefin tuna // ICCAT Collective Volume of Scientific Papers. 2013. Vol. 69, no. 2. P. 913–937. URL: https://iccat.int/Documents/CVSP/CV069_2013/n_2/CV069020913.pdf (дата обращения: 26.02.2022).
60. Estimating natural mortality within a fisheries stock assessment model: An evaluation using simulation analysis based on twelve stock assessments / H.-H. Lee [et al.] // Fisheries Research. 2011. Vol. 109, iss. 1. P. 89–94. https://doi.org/10.1016/j.fishres.2011.01.021
61. Can steepness of the stock–recruitment relationship be estimated in fishery stock assessment models? / H.-H. Lee [et al.] // Fisheries Research. 2012. Vol. 125–126. P. 254–261. https://doi.org/10.1016/j.fishres.2012.03.001
62. Simulation of methods of dealing with age-based movement in PBF stock assessment : working paper / H.-H. Lee [et al.] // Pacific Bluefin Tuna Working Group Intersessional Workshop : ISC 16 Report. Kaohsiung, Chinese Taipei, 2015. Annex 4. P. 13. URL: https://meetings.wcpfc.int/file/5091/download (дата обращения: 26.02.2022).
63. Лисунова Н. С., Бердников С. В. Применение математической модели ShareFish 2.0 для анализа факторов, влияющих на запас северо-восточной арктической трески // Изучение и освоение морских и наземных экосистем в условиях арктического и аридного климата: материалы международной научной конференции, Ростов-на-Дону, 6–11 июня 2011 г. Ростов-на-Дону : Изд-во ЮНЦ РАН, 2011. С. 414–417.
64. Булатов О. А. К вопросу о методологии прогнозирования запасов и стратегии промысла минтая // Труды ВНИРО. 2015. Т. 157. С. 45–70. URL: http://vniro.ru/files/trydi_vniro/archive/tv_2015_t_157_article_4.pdf (дата обращения: 26.02.2022).
65. Современное состояние запасов трески Баренцева моря и прогноз ОДУ на 2008 г. / О. А. Булатов [и др.] // Рыбное хозяйство. 2007. № 5. С. 61–65. URL: http://dspace.vniro.ru/bitstream/handle/123456789/4806/17.Булатов.pdf?sequence=19 (дата обращения: 26.02.2022).
66. Васильев Д. А., Булгакова Т. И. Альтернативная оценка запаса баренцевоморской трески с использованием модели TISVPA // Рыбное хозяйство. 2007. № 5. С. 54–60.
67. Васильев Д. А., Булатов О. А. Оценка запасов северо-восточных арктической трески и пикши с помощью модели TISVPA // Вопросы рыболовства. 2015. Т. 16, № 4. С. 497–505. URL: http://www.vniro.ru/files/voprosy_rybolovstva/archive/vr_2015_t16_4_article_11.pdf (дата обращения: 26.02.2022).
68. Булгакова Т. И. Сценарное моделирование, направленное на тестирование правила регулирования промысла северо-восточной арктической трески // Рыбное хозяйство. 2009. № 4. С. 77–80.
69. Борисов В. М., Котенев Б. Н., Борисов А. И. Российские переловы баренцевоморской трески в море и в норвежских отчетах // Рыбное хозяйство. 2006. № 5. С. 6–9.
70. Жичкин А. П. Пространственно-временная изменчивость промысловой значимости различных районов рыбного лова в Баренцевом море // Вестник МГТУ. 2014. Т. 17, № 3. С. 465–473. URL: http://vestnik.mstu.edu.ru/v17_3_n58/465_473_zhich.pdf (дата обращения: 26.02.2022).
71. Оценка запасов трески Баренцева моря / Б. Н. Котенев [и др.] // Рыбное хозяйство. 2007. № 5. С. 51–53.
72. Шунтов В. П., Темных О. С. Иллюзии и реалии экосистемного подхода к изучению и управлению морскими и океаническими биологическими ресурсами // Известия ТИНРО. 2013. Т. 173. С. 3–29.
73. Эффекты современных изменений климата в распределении промысловых скоплений северо-восточной арктической трески в период нагула / В. А. Боровков [и др.] // Вопросы промысловой океанологии. 2014. Вып. 11. С. 61–75.
74. Бердников С. В., Дашкевич Л. В., Селютин В. В. Морские охраняемые территории как метод защиты эксплуатируемых популяций (на примере лофотено-баренцевоморской трески Gadus morhua morhua) // Известия высших учебных заведений. Северо-Кавказский регион. Серия: Естественные науки. 2002. № 4. С. 68–73.
75. Жичкин А. П. Атлас российского промысла трески в Баренцевом море (1977–2006 гг.). Мурманск : Радица, 2009. 212 c.
76. Проектирование территориальных мер охраны морской среды с использованием математических моделей и правовые аспекты управления (на примере лофотено-баренцевоморской трески Gadus morhua morhua L.) / С. В. Бердников [и др.] // Рыбное хозяйство. 2010. № 6. С. 58–66.
77. Интегрированная математическая модель большой морской экосистемы Баренцева и Белого морей – инструмент для оценки природных рисков и эффективного использования биологических ресурсов / С. В. Бердников [и др.] // Доклады Академии наук. 2019. Т. 487, № 5. С. 566–572. https://doi.org/10.31857/S0869-56524875566-572
78. A protocol for the intercomparison of marine fishery and ecosystem models: Fish-MIP v1.0 / D. P. Tittensor [et al.] // Geoscientific Model Development. 2018. Vol. 11, iss. 4. P. 1421–1442. https://doi.org/10.5194/gmd-11-1421-2018
79. Fulton E. A., Link J. S. Modeling approaches for marine ecosystem-based management // Marine Ecosystem-Based Management / M. J. Fogarty, J. J. McCarthy (Eds.). Harvard : Harvard University Press, 2014. 568 p. (The Sea: Ideas and Observations on Progress in the Study of the Seas ; Vol. 16).
80. Projecting changes in the distribution and productivity of living marine resources: A critical review of the suite of modelling approaches used in the large European project VECTORS / M. A. Peck [et al.] // Estuarine, Coastal and Shelf Science. 2018. Vol. 201. P. 40–55. https://doi.org/10.1016/j.ecss.2016.05.019
81. Integrated ecological-economic fisheries models – Evaluation, review and challenges for implementation / J. R. Nielsen [et al.] // Fish and Fisheries. 2018. Vol. 19, iss. 1. P. 1–29. https://doi.org/10.1111/faf.12232
82. Christensen V., Walters C. J. Ecopath with Ecosim: methods, capabilities and limitations // Ecological Modelling. 2004. Vol. 172, iss. 2–4. P. 109–139. https://doi.org/10.1016/j.ecolmodel.2003.09.003
83. Polovina J. J. Model of a coral reef ecosystem. 1. The ECOPATH model and its application to French Frigate Shoals // Coral Reefs. 1984. Vol. 3, iss. 1. P. 1–11. https://doi.org/10.1007/BF00306135
84. Pauly D., Christensen V., Walters C. Ecopath, Ecosim, and Ecospace as tools for evaluating ecosystem impact of fisheries // ICES Journal of Marine Science. 2000. Vol. 57, iss. 3. P. 697–706. https://doi.org/10.1006/jmsc.2000.0726
85. The global ocean is an ecosystem: simulating marine life and fisheries / V. Christensen [et al.] // Global Ecology and Biogeography. 2015. Vol. 24, iss. 5. P. 507–517. https://doi.org/10.1111/geb.12281
86. Combined effects of global climate change and regional ecosystem drivers on an exploited marine food web / S. Niiranen [et al.] // Global Change Biology. 2013. Vol. 19, iss. 11. P. 3327–3342. https://doi.org/10.1111/gcb.12309
87. Using the Ecopath with Ecosim modeling approach to understand the effects of watershedbased management actions in coastal ecosystems / J. M. Vasslides [et al.] // Coastal Management. 2017. Vol. 45, iss. 1. P. 44–55. http://dx.doi.org/10.1080/08920753.2017.1237241
88. Database-driven models of the world's Large Marine Ecosystems / V. Christensen [et al.] // Ecological Modelling. 2009. Vol. 220, iss. 17. P. 1984–1996. https://doi.org/10.1016/j.ecolmodel.2009.04.041
89. Representing variable habitat quality in a spatial food web model / V. Christensen [et al.] // Ecosystems. 2014. Vol. 17, iss. 8. P. 1397–1412. https://doi.org/10.1007/s10021-014-9803-3
90. Global overview of the applications of the Ecopath with Ecosim modeling approach using the EcoBase models repository / M. Colleter [et al.] // Ecological Modelling. 2015. Vol. 302. P. 42–53. https://doi.org/10.1016/j.ecolmodel.2015.01.025
91. Best practice in Ecopath with Ecosim food-web models for ecosystem-based management / J. J. Heymans [et al.] // Ecological Modelling. 2016. Vol. 331. P. 173–184. https://doi.org/10.1016/j.ecolmodel.2015.12.007
92. Walters C., Pauly D., Christensen V. Ecospace: prediction of mesoscale spatial patterns in trophic relationships of exploited ecosystems, with emphasis on the impacts of Marine Protected Areas // Ecosystems. 1999. Vol. 2, iss. 6. P. 539–554. https://doi.org/10.1007/s100219900101
93. Representation of multistanza life histories in Ecospace models for spatial organization of ecosystem trophic interaction patterns / C. Walters [et al.] // Bulletin of Marine Sci ence. 2010. Vol. 86, no. 2. P. 439–459. URL: https://www.ingentaconnect.com/contentone/umrsmas/bullmar/2010/00000086/00000002/art00017 (дата обращения: 26.02.2022).
94. Using the Ecopath with Ecosim modeling approach to understand the effects of watershedbased management actions in coastal ecosystems / J. M. Vasslides [et al.] // Coastal Management. 2017. Vol. 45, iss. 1. P. 44–55. https://doi.org/10.1080/08920753.2017.1237241
95. Bridging the gap between ecosystem modeling tools and geographic information systems: Driving a food web model with external spatial–temporal data / J. Steenbeek [et al.] // Ecological Modelling. 2013. Vol. 263. P. 139–151. https://doi.org/10.1016/j.ecolmodel.2013.04.027
96. Whitehouse G. A., Aydin K. Y. Assessing the sensitivity of three Alaska marine food webs to perturbations: an example of Ecosim simulations using Rpath // Ecological Modelling. 2020. Vol. 429. 109074. https://doi.org/10.1016/j.ecolmodel.2020.109074
97. Бердников С. В., Сорокина В. В. Результаты применения EwE подхода для оценки допустимого промыслового воздействия на популяции рыб Баренцева, Охотского, Берингова, Каспийского и Черного морей // Экология. Экономика. Информатика. ХL конференция «Математическое моделирование в проблемах рационального природопользования»: материалы конференции. Ростов-на-Дону : Изд-во Южного федерального университета, 2012. С. 35–39.
98. Радченко В. И. Характеристика экосистемы Охотского моря по результатам моделирования // Труды ВНИРО. 2015. Т. 155. С. 79–111. URL: http://vniro.ru/files/trydi_vniro/archive/tv_2015_t_155_article_7.pdf (дата обращения: 26.02.2022).
99. Заволокин А. В., Радченко В. И., Кулик В. В. Динамика трофической структуры эпипелагического сообщества западной части Берингова моря // Труды ТИНРО. 2014. Т. 179. C. 204–219. https://doi.org/10.26428/1606-9919-2014-179-204-219
100. Shin Y.-J., Cury P. Exploring fish community dynamics through size-dependent trophic interactions using a spatialized individual-based model // Aquatic Living Resources. 2001. Vol. 14, iss. 2. P. 65–80. https://doi.org/10.1016/S0990-7440(01)01106-8
101. Two-way coupling versus one-way forcing of plankton and fish models to predict ecosystem changes in the Benguela / M. Travers [et al.] // Ecological Modelling. 2009. Vol. 220, iss. 21. P. 3089–3099. https://doi.org/10.1016/j.ecolmodel.2009.08.016
102. Yemane D., Shin Y.-J., Field J. Exploring the effect of marine protected areas on the dynamics of fish communities in the southern Benguela: an Individual-based modelling approach // ICES Journal of Marine Science. 2009. Vol. 66, iss. 2. P. 378–387. https://doi.org/10.1093/icesjms/fsn171
103. Making modelling count – increasing the contribution of shelf-seas community and ecosystem models to policy development and management / K. Hyder [et al.] // Marine Policy. 2015. Vol. 61. P. 291–302. https://doi.org/10.1016/j.marpol.2015.07.015
104. Trophodynamic model of the Black and Azov Sea pelagic ecosystem: consequences of the comb jelly, Mnemiopsis leydei, invasion / S. V. Berdnikov [et al.] / Fisheries Research. 1999. Vol. 42, iss. 3. P. 261–289. https://doi.org/10.1016/S0165-7836(99)00049-1
105. Дашкевич Л. В., Бердников С. В., Голубев В. А. Применение модели трофодинамики Баренцева моря для анализа динамики промысловых популяций и оценки допустимых нагрузок на экосистему // Комплексные исследования процессов, характеристик и ресурсов российских морей Северо-Европейского бассейна. Апатиты : КНЦ РАН, 2007. Вып. 2. Глава 3. С. 64–103.
106. Climatic Atlas of the Sea of Azov 2006 / G. Matishov, S. Levitus (eds.). Washington, D.C. : U.S. Government Printing Office, 103 p. (NOAA Atlas NESDIS 59). 1 electronic optical disc (CD-ROM). 107. Levitus S. Climatic atlas of the Sea of Azov 2008 : Dataset. NOAA National Centers for Environmental Information, 2013. 1 disc set. (NODC Standard Product: International ocean atlas ; Volume 11). URL: https://www.ncei.noaa.gov/archive/accession/0098574 (date of access: 26.02.2022).
107. Atlas of climatic changes in nine large marine ecosystems of the Northern Hemisphere (1827-2013) / G. G. Matishov [et al.] ; G. G. Matishov, K. Sherman, S. Levitus (Eds.). 2014. 131 p. (NOAA Atlas NESDIS 78). doi:10.7289/V5Q52MK5
108. World Seas: an Environmental Evaluation. Volume I : Europe, The Americas and West Africa / Ch. Sheppard (Ed.). 2nd Edition. Academic Press, 2019. 912 p. https://doi.org/10.1016/C2015-0-04330-1
109. World Seas: an Environmental Evaluation. Volume II : the Indian Ocean to the Pacific / Ch. Sheppard (Ed.). 2nd Edition. Academic Press, 2019. 932 p. https://doi.org/10.1016/C2015-0-04332-5
110. World Seas: an Environmental Evaluation. Volume III : Ecological Issues and Environmental Impacts / Ch. Sheppard (Ed.). 2nd Edition Academic Press, 2019. 666 p. https://doi.org/10.1016/C2015-0-04336-2
111. The power of geographic information systems (GIS) for oceanography: Implications for spatiotemporal modelling of mid-ocean ridge evolution : conference paper / D. J. Wright [et al.] // Proceedings of The Oceanography Society Pacific Basin Meeting. Honolulu, Hawaii, 1994. P. 66.
112. Ouellette W., Getinet W. Remote sensing for Marine Spatial Planning and Integrated Coastal Areas Management: Achievements, challenges, opportunities and future prospects // Remote Sensing Applications: Society and Environment. 2016. Vol. 4. P. 138–157. https://doi.org/10.1016/j.rsase.2016.07.003
113. Fingas M. Remote sensing for marine management // World Seas: an Environmental Evaluation. Volume III : Ecological Issues and Environmental Impacts. / Ch. Sheppard (Ed.). 2nd Edition Academic Press, 2019. Chapter 5. P. 103–119. https://doi.org/10.1016/B978-0-12-805052-1.00005-X
114. Anderson T. R. Progress in marine ecosystem modelling and the “unreasonable effectiveness of mathematics” // Journal of Marine Systems. 2010. Vol. 81, iss. 1–2. P. 4–11. https://doi.org/10.1016/j.jmarsys.2009.12.015
115. Robson B. J. When do aquatic systems models provide useful predictions, what is changing, and what is next? // Environmental Modelling & Software. 2014. Vol. 61. P. 287–296. https://doi.org/10.1016/j.envsoft.2014.01.009
116. Тютюнов Ю. В., Титова Л. И. От Лотки–Вольтерра к Ардити–Гинзбургу: 90 лет эволюции трофических функций // Журнал общей биологии. 2018. Т. 79, № 6. С. 428–448. doi:10.1134/S004445961806009X
117. Prieß M., Koziel S., Slawig T. Marine ecosystem model calibration with real data using enhanced surrogate-based optimization // Journal of Computational Science. 2013. Vol. 4, iss. 5. P. 423–437. https://doi.org/10.1016/j.jocs.2013.04.001
Morskoy Gidrofizicheskiy Zhurnal. 2022; 38: 196-217
Modeling of Marine Ecosystems: Experience, Modern Approaches, Directions of Development (Review). Part 2. Population and Trophodynamic Models
https://doi.org/10.22449/0233-7584-2022-2-196-217Abstract
Purpose. The paper presents the second part of the publications review devoted to the problems of marine ecosystem modeling. In this part, the major attention is paid to modern approaches to the management of marine biological resources which implement the ecosystem principles of modeling and monitoring the spatial-temporal dynamics of water objects.
Methods and Results. The review consists of three sections. The first one deals with the models for forecasting dynamics of the exploited populations and for optimizing fishery. The second section considers the trophodynamic models used to study the structure, productivity and functional role of marine biota interacting with other species and environment at various trophic levels. The trophodynamic models are often applied both for assessing the impact of fishery on marine ecosystems, and for analyzing the influence of the factors directly or indirectly related to climatic variability and anthropogenic activity (eutrophication, salinity, environmental changes). The third section of the review is devoted to a relatively recent direction in marine ecosystem modeling which is based on the geo-information systems. Onrush of the geo-information technologies permitting to connect the data both of the field observations and simulations with their geolocation had an impact on the achievements in the field of ecological modeling.
Conclusions. In the coming years, the role of mathematical modeling in study and management of marine ecosystems will grow. The most important areas of research seem to be as follows: perfection of model description of primary links in the marine ecosystem food webs (NPZD-models); the flows of matter and energy in the marine food chains; eutrophication and oxygen regime in the sea bays; distribution and transformations of pollutants, and their impact on ecosystems; functioning of marine reserves; the means of taking into account climatic factors in the ecosystem models; and application of space monitoring data for identifying and verifying the ecosystem individual components (chlorophyll, oil slicks, suspensions).
References
1. Opyt otsenki riska kvazivymiraniya promyslovykh ryb na osnove dolgosrochnogo model'nogo prognoza populyatsionnoi dinamiki / Yu. V. Tyutyunov [i dr.] // Trudy Yuzhnogo nauchnogo tsentra Rossiiskoi akademii nauk. 2020. T. 8. S. 181–198. doi:10.23885/1993-6621-2020-8-181-198
2. Dombrovskii Yu. A., Obushchenko N. I., Tyutyunov Yu. V. Rybnye populyatsii v stokhasticheskoi srede: modeli upravleniya i vyzhivaemosti. Rostov n/D : Izd-vo Rost. un-ta, 1991. 155 s.
3. Modelling Fluctuation and Optimal Harvesting in Perch Population / Yu. Tyutyunov [et al.] //Ecological Modelling. 1993. Vol. 69, iss. 1–2. P. 19–42. https://doi.org/10.1016/0304-3800(93)90046-U
4. Beverton R. J. H., Holt S. J. On the Dynamics of Exploited Fish Populations. London : Her Majesty's Stationery Office, 1957. 533 p. (Fishery investigations ; Series II ; Vol. 19).
5. Clark C. W. Mathematical Bioeconomics: The Optimal Management of Renewable Resources.New York : Wiley, 1976. 352 p.
6. Senina I., Tyutyunov Yu., Arditi R. Extinction risk assessment and optimal harvesting of anchovy and sprat in the Azov Sea // Journal of Applied Ecology. 1999. Vol. 36, iss. 2. P. 297–306. https://doi.org/10.1046/j.1365-2664.1999.00399.x
7. Abakumov A., Izrailsky Yu. Optimal harvest problem for fish population – structural stabilization // Mathematics. 2022. Vol. 10, iss. 6. 986. https://doi.org/10.3390/math10060986
8. Modeli otsenki riska sokrashcheniya chislennosti promyslovykh populyatsii ryb / Yu. V. Tyutyunov [i dr.] // Sreda, biota i modelirovanie ekologicheskikh protsessov v Azovskom more. Apatity : Kol. nauch. tsentr RAN, 2001. Razdel 2.5. S. 380–396.
9. Risk Assessment of the Harvested Pike-Perch Population of the Azov Sea / Yu. Tyutyunov [et al.] // Ecological Modelling. 2002. Vol. 149, iss. 3. P. 297–311. https://doi.org/10.1016/S0304-3800(01)00478-1
10. Zadacha optimal'nogo upravleniya promyslom konkuriruyushchikh rybnykh populyatsii Azovskogo morya / I. I. Vorovich [i dr.] // Doklady AN SSSR. 1989. T. 305, № 4. C. 790–793. URL: http://www.mathnet.ru/links/0253fd3240fa62333608ed17c0d950dc/dan7179.pdf (data obrashcheniya: 20.03.2022).
11. Trophodynamic model of the Black and Azov Sea pelagic ecosystem: consequences of the comb jelly, Mnemiopsis leydei, invasion / S. V. Berdnikov [et al.] // Fisheries Research. 1999. Vol. 42, iss. 3. P. 261–289. https://doi.org/10.1016/S0165-7836(99)00049-1
12. Zakonomernosti ekosistemnykh protsessov v Azovskom more / G. G. Matishov [i dr.]. M. : Nauka, 2006. 304 c. URL: https://www.ssc-ras.ru/ru/page595.html/ (data obrashcheniya: 26.02.2022).
13. Luts G. I. Usloviya sushchestvovaniya, osobennosti formirovaniya zapasov i promysel azovskoi tyul'ki. Rostov-na-Donu : FGUP «AzNIIRKh», 2009. 118 s. URL: http://dspace.vniro.ru/handle/123456789/1655 (data obrashcheniya: 26.02.2022).
14. Drozdov V. V. Osobennosti mnogoletnei dinamiki ekosistemy Azovskogo morya pod vliyaniem klimaticheskikh i antropogennykh faktorov // Uchenye zapiski Rossiiskogo gosudarstvennogo gidrometeorologicheskogo universiteta. 2010. Vyp. 15. S. 155–176. URL:http://elib.rshu.ru/files_books/pdf/15-15.pdf (data obrashcheniya: 26.02.2022).
15. Ratsional'noe ispol'zovanie vodnykh resursov basseina Azovskogo morya: Matematicheskie modeli / I. I. Vorovich [i dr]. M. : Nauka, 1981. 359 s.
16. Ricker W. E. Stock and recruitment // Journal of the Fisheries Research Board of Canada. 1954. Vol. 11, no. 5. P. 559–623. https://doi.org/10.1139/f54-039
17. May R. M. Biological populations obeying difference equations: Stable points, stable cycles, and chaos // Journal of Theoretical Biology. 1975. Vol. 51, iss. 2. P. 511–524.https://doi.org/10.1016/0022-5193(75)90078-8
18. Frisman E. Y., Neverova G. P., Revutskaya O. L. Complex dynamics of the population with a simple age structure // Ecological Modelling. 2011. Vol. 222, iss. 12. P. 1943–1950. https://doi.org/10.1016/j.ecolmodel.2011.03.043
19. Gorstko A. B., Dombrovskii Yu. A., Surkov F. A. Modeli upravleniya ekologo-ekonomicheskimi sistemami. M. : Nauka, 1984. 119 s.
20. Il'ichev V. G. Ustoichivost', adaptatsiya i upravlenie v ekologicheskikh sistemakh. M. : Fizmatlit, 2009. 192 s.
21. Mathematical modeling of population dynamics based on recurrent equations: results and prospects. Part I / E. Ya. Frisman [et al.] // Biology Bulletin. 2021. Vol. 48, iss. 1. P. 1–15. https://doi.org/10.1134/S1062359021010064
22. Neverova G. P., Abakumov A. I., Frisman E. Ya. Rezhimy dinamiki limitirovannoi strukturirovannoi populyatsii pri izbiratel'nom promysle // Matematicheskaya biologiya i bioinformatika. 2017. T. 12, № 2. S. 327–342. doi:10.17537/2017.12.327
23. Ispol'zovanie matematicheskoi modeli ekosistemy Azovskogo morya dlya issledovaniya zakonomernostei funktsionirovaniya i struktury sistemy / I. I. Vorovich [i dr.] // Doklady AN SSSR. 1981. T. 259, № 2. S. 302–306. URL: http://www.mathnet.ru/links/14e3ec07e6816a672f972e5beefd4323/dan44590.pdf (data obrashcheniya: 26.02.2022).
24. Beddington J. R., Taylor D. B. 356. Note: Optimum age specific harvesting of a population // Biometrics. 1973. Vol. 29, no. 4. P. 801–809. https://doi.org/10.2307/2529145
25. Dombrovskii Yu. A. Optimal'nyi sbor urozhaya v modeli populyatsii s perekryvayushchimisya pokoleniyami // Voprosy kibernetiki / Pod red. Yu. M. Svirezheva. M., 1979. Vyp. 52. S. 48–59.
26. Menshutkin V. V. Matematicheskoe modelirovanie populyatsii i soobshchestv vodnykh zhivotnykh. L. : Nauka, 1971. 196 s.
27. Getz W. M., Haight R. G. Population harvesting: Demographic models of fish, forest, and animal resources. Princeton : Princeton University Press, 1989. 391 p. (Monographs in Population Biology ; Vol. 27).
28. Arditi R., Dacorogna B. Maximum sustainable yield of populations with continuous age-structure // Mathematical Biosciences. 1992. Vol. 110, iss. 2. P. 253–270. https://doi.org/10.1016/0025-5564(92)90040-4
29. Dacorogna B., Weissbaum F., Arditi R. Maximum sustainable yield with continuous age structure and density-dependent recruitment // Mathematical Biosciences. 1994. Vol. 120, iss. 1. P. 99–126. https://doi.org/10.1016/0025-5564(94)90039-6
30. Frisman E. Ya., Last E. V., Skaletskaya E. I. Population dynamics of harvested species with complex age structure (for Pacific salmons fish stocks as an example) // Ecological Modelling. 2006. Vol. 198, iss. 3–4. P. 463–472. https://doi.org/10.1016/j.ecolmodel.2006.05.019
31. Egorova A. V., Rodina L. I. Ob optimal'noi dobyche vozobnovlyaemogo resursa iz strukturirovannoi populyatsii // Vestnik Udmurtskogo universiteta. Matematika. Mekhanika. Komp'yuternye nauki. 2019. T. 29, vyp. 4. S. 501–517. https://doi.org/10.20537/vm190403
32. Osnovnye napravleniya i obzor sovremennogo sostoyaniya issledovanii dinamiki strukturirovannykh i vzaimodeistvuyushchikh populyatsii / E. Ya. Frisman [i dr.] // Komp'yuternye issledovaniya i modelirovanie. 2019. T. 11, № 1. S. 119–151. https://doi.org/10.20537/2076-7633-2019-11-1-119-151
33. Abakumov A. I. Upravlenie i optimizatsiya v modelyakh ekspluatiruemykh populyatsii. Vladivostok : Dal'nauka, 1993. 129 s.
34. Abakumov A. I., Izrail'skii Yu. G. Stabiliziruyushchaya rol' struktury rybnoi populyatsii v usloviyakh promysla pri sluchainykh vozdeistviyakh sredy obitaniya // Komp'yuternye issledovaniya i modelirovanie. 2017. T. 9, № 4. S. 609–620. https://doi.org/10.20537/2076-7633-2017-9-4-609-620
35. Derendyaeva T. M. Veroyatnostnye modeli v teorii prognozirovaniya zapasov promyslovykh ryb // Teoriya i praktika sovremennoi nauki. 2016. № 6 (12). Chast' 1. S. 345–348.
36. Opravdalsya li dolgosrochnyi prognoz riska vymiraniya azovskogo sudaka? / Yu. V. Tyutyunov [i dr.] // Biofizika. 2020. T. 65, № 2. S. 390–401. https://doi.org/10.31857/S0006302920020234
37. Tyutyunov Yu. V., Dombrovskii Yu. A., Obushchenko N. I. Optimal'noe upravlenie ekspluatiruemoi populyatsiei pri minimizatsii riska ee vymiraniya v usloviyakh stokhastichnosti sredy obitaniya // Obozrenie prikladnoi i promyshlennoi matematiki. 1996. T. 3, vyp. 3. S. 412–433.
38. Senina I. N. Matematicheskoe modelirovanie migratsii rybnykh populyatsii v prilozhenii k optimizatsii promysla i prognozirovaniyu zapasov tuntsovykh // Sistemnyi analiz i matematicheskoe modelirovanie slozhnykh ekologicheskikh i ekonomicheskikh sistem. Teoreticheskie osnovy i prilozheniya / Otv. red. F. A. Surkov, V. V. Selyutin. Rostov-naDonu : Izd-vo Yuzhnogo federal'nogo universiteta, 2015. Glava 3. S. 57–80.
39. Baranov F. I. Izbrannye trudy. T. 3 : Teoriya rybolovstva. M. : Pishch. promyshlennost', 1971. 304 s.
40. Shibaev S. V. Formal'naya teoriya zhizni ryb F.I. Baranova i ee znachenie v razvitii rybokhozyaistvennoi nauki // Trudy VNIRO. 2015. T. 157. S. 127–142.
41. Abakumov A. I., Il’in O. I., Ivanko N. S. Game problems of harvesting in a biological community // Automation and Remote Control. 2016. Vol. 77, iss. 4. P. 697–707. https://doi.org/10.1134/S0005117916040135
42. Modelling multi-species interactions in the Barents Sea ecosystem with special emphasis on minke whales and their interactions with cod, herring and capelin / U. Lindstrøm [et al.] // Deep Sea Research Part II: Topical Studies in Oceanography. 2009. Vol. 56, iss. 21–22. P. 2068–2079. https://doi.org/10.1016/j.dsr2.2008.11.017
43. Dynamic of the Flemish Cap commercial stocks: use of a Gadget multispecies model to determine the relevance and synergies among predation, recruitment, and fishing / A. PérezRodríguez [et al.] // Canadian Journal of Fisheries and Aquatic Sciences. 2017. Vol. 74, no. 4. P. 582–597. https://doi.org/10.1139/cjfas-2016-0111
44. Unquantifiable uncertainty in projecting stock response to climate change: Example from North East Arctic cod / D. Howell [et al.] // Marine Biology Research. 2013. Vol. 9, iss. 9 : thematic issue 7 : Climate Effects on the Barents Sea Marine Living Resources. P. 920–931. https://doi.org/10.1080/17451000.2013.775452
45. Howell D., Filin A. A. Modelling the likely impacts of climate-driven changes in cod-capelin overlap in the Barents Sea // ICES Journal of Marine Science. 2014. Vol. 71, iss. 1. P. 72–80. doi:10.1093/icesjms/fst172
46. Fournier D. A., Hampton J. and Sibert J. R. MULTIFAN-CL: a length-based, age-structured model for fisheries stock assessment, with application to South Pacific albacore, Thunnus alalunga // Canadian Journal of Fisheries and Aquatic Sciences. 1998. Vol. 55, no. 9. P. 2105–2116. https://doi.org/10.1139/f98-100
47. Lehodey P., Senina I., Murtugudde R. A Spatial ecosystem and populations dynamics model (SEAPODYM) – Modeling of tuna and tuna-like populations // Progress in Oceanography.2008. Vol. 78, iss. 4. P. 304–318. https://doi.org/10.1016/j.pocean.2008.06.004
48. Modelling the impact of climate change on Pacific skipjack tuna population and fisheries / P. Lehodey [et al.] // Climatic Change. 2013. Vol. 119, iss. 1. P. 95–109.https://doi.org/10.1007/s10584-012-0595-1
49. Optimization of a micronekton model with acoustic data / P. Lehodey [et al.] // ICES Journal of Marine Science. 2015. Vol. 72, iss. 5. P. 1399–1412. https://doi.org/10.1093/icesjms/fsu233
50. Integrating tagging and fisheries data into a spatial population dynamics model to improve its predictive skills / I. Senina [et al.] // Canadian Journal of Fisheries and Aquatic Sciences. 2020. Vol. 77, no. 3. P. 576–593. https://doi.org/10.1139/cjfas-2018-0470
51. Quantitative modelling of the spatial dynamics of South Pacific and Atlantic albacore tuna populations / I. Senina [et al.] // Deep Sea Research Part II: Topical Studies in Oceanography. 2020. Vol. 175. 104667. https://doi.org/10.1016/j.dsr2.2019.104667
52. Senina I., Borderies M., Lehodey P. A spatio-temporal model of tuna population dynamics and its sensitivity to the environmental forcing data // Applied Discrete Mathematics and Heuristic Algorithms. 2015. Vol. 1, no. 3. P. 5–20. URL: https://disk.yandex.ru/i/rhmtyzcjGdz2nw (data obrashcheniya: 26.02.2022).
53. An ecosystem modeling approach to predicting cod recruitment / E. Svendsen [et al.] // Deep Sea Research Part II: Topical Studies in Oceanography. 2007. Vol. 54, iss. 23–26. P. 2810–2821. https://doi.org/10.1016/j.dsr2.2007.07.033
54. Modelling ocean acidification in the Nordic and Barents seas in present and future climate / M. D. Skogen [et al.] // Journal of Marine Systems. 2014. Vol. 131. P. 10–20. https://doi.org/10.1016/j.jmarsys.2013.10.005
55. One-dimensional ecosystem model of the equatorial Pacific upwelling system. Part I: model development and silicon and nitrogen cycle / F. Chai [et al.] // Deep Sea Research Part II: Topical Studies in Oceanography. 2002. Vol. 49, iss. 13–14. P. 2713–2745. https://doi.org/10.1016/S0967-0645(02)00055-3
56. Interdecadal variation of the transition zone chlorophyll front: A physical-biological model simulation between 1960 and 1990 / F. Chai [et al.] // Journal of Oceanography. 2003. Vol. 59, iss. 4. P. 461–475. https://doi.org/10.1023/A:1025540632491
57. PISCES-v2: an ocean biogeochemical model for carbon and ecosystem studies / O. Aumont [et al.] // Geoscientific Model Development. 2015. Vol. 8, iss. 8. P. 2465–2513. doi:10.5194/gmd-8-2465-2015
58. McAllister M. K., Kirkwood G. P. Bayesian stock assessment: a review and example application using the logistic model // ICES Journal of Marine Science. 1998. Vol. 55, iss. 6. P. 1031–1060. https://doi.org/10.1006/jmsc.1998.0425
59. McAllister M. K. Using bayes factors to evaluate the credibility of stock-recruitment relationships for western Atlantic Bluefin tuna // ICCAT Collective Volume of Scientific Papers. 2013. Vol. 69, no. 2. P. 913–937. URL: https://iccat.int/Documents/CVSP/CV069_2013/n_2/CV069020913.pdf (data obrashcheniya: 26.02.2022).
60. Estimating natural mortality within a fisheries stock assessment model: An evaluation using simulation analysis based on twelve stock assessments / H.-H. Lee [et al.] // Fisheries Research. 2011. Vol. 109, iss. 1. P. 89–94. https://doi.org/10.1016/j.fishres.2011.01.021
61. Can steepness of the stock–recruitment relationship be estimated in fishery stock assessment models? / H.-H. Lee [et al.] // Fisheries Research. 2012. Vol. 125–126. P. 254–261. https://doi.org/10.1016/j.fishres.2012.03.001
62. Simulation of methods of dealing with age-based movement in PBF stock assessment : working paper / H.-H. Lee [et al.] // Pacific Bluefin Tuna Working Group Intersessional Workshop : ISC 16 Report. Kaohsiung, Chinese Taipei, 2015. Annex 4. P. 13. URL: https://meetings.wcpfc.int/file/5091/download (data obrashcheniya: 26.02.2022).
63. Lisunova N. S., Berdnikov S. V. Primenenie matematicheskoi modeli ShareFish 2.0 dlya analiza faktorov, vliyayushchikh na zapas severo-vostochnoi arkticheskoi treski // Izuchenie i osvoenie morskikh i nazemnykh ekosistem v usloviyakh arkticheskogo i aridnogo klimata: materialy mezhdunarodnoi nauchnoi konferentsii, Rostov-na-Donu, 6–11 iyunya 2011 g. Rostov-na-Donu : Izd-vo YuNTs RAN, 2011. S. 414–417.
64. Bulatov O. A. K voprosu o metodologii prognozirovaniya zapasov i strategii promysla mintaya // Trudy VNIRO. 2015. T. 157. S. 45–70. URL: http://vniro.ru/files/trydi_vniro/archive/tv_2015_t_157_article_4.pdf (data obrashcheniya: 26.02.2022).
65. Sovremennoe sostoyanie zapasov treski Barentseva morya i prognoz ODU na 2008 g. / O. A. Bulatov [i dr.] // Rybnoe khozyaistvo. 2007. № 5. S. 61–65. URL: http://dspace.vniro.ru/bitstream/handle/123456789/4806/17.Bulatov.pdf?sequence=19 (data obrashcheniya: 26.02.2022).
66. Vasil'ev D. A., Bulgakova T. I. Al'ternativnaya otsenka zapasa barentsevomorskoi treski s ispol'zovaniem modeli TISVPA // Rybnoe khozyaistvo. 2007. № 5. S. 54–60.
67. Vasil'ev D. A., Bulatov O. A. Otsenka zapasov severo-vostochnykh arkticheskoi treski i pikshi s pomoshch'yu modeli TISVPA // Voprosy rybolovstva. 2015. T. 16, № 4. S. 497–505. URL: http://www.vniro.ru/files/voprosy_rybolovstva/archive/vr_2015_t16_4_article_11.pdf (data obrashcheniya: 26.02.2022).
68. Bulgakova T. I. Stsenarnoe modelirovanie, napravlennoe na testirovanie pravila regulirovaniya promysla severo-vostochnoi arkticheskoi treski // Rybnoe khozyaistvo. 2009. № 4. S. 77–80.
69. Borisov V. M., Kotenev B. N., Borisov A. I. Rossiiskie perelovy barentsevomorskoi treski v more i v norvezhskikh otchetakh // Rybnoe khozyaistvo. 2006. № 5. S. 6–9.
70. Zhichkin A. P. Prostranstvenno-vremennaya izmenchivost' promyslovoi znachimosti razlichnykh raionov rybnogo lova v Barentsevom more // Vestnik MGTU. 2014. T. 17, № 3. S. 465–473. URL: http://vestnik.mstu.edu.ru/v17_3_n58/465_473_zhich.pdf (data obrashcheniya: 26.02.2022).
71. Otsenka zapasov treski Barentseva morya / B. N. Kotenev [i dr.] // Rybnoe khozyaistvo. 2007. № 5. S. 51–53.
72. Shuntov V. P., Temnykh O. S. Illyuzii i realii ekosistemnogo podkhoda k izucheniyu i upravleniyu morskimi i okeanicheskimi biologicheskimi resursami // Izvestiya TINRO. 2013. T. 173. S. 3–29.
73. Effekty sovremennykh izmenenii klimata v raspredelenii promyslovykh skoplenii severo-vostochnoi arkticheskoi treski v period nagula / V. A. Borovkov [i dr.] // Voprosy promyslovoi okeanologii. 2014. Vyp. 11. S. 61–75.
74. Berdnikov S. V., Dashkevich L. V., Selyutin V. V. Morskie okhranyaemye territorii kak metod zashchity ekspluatiruemykh populyatsii (na primere lofoteno-barentsevomorskoi treski Gadus morhua morhua) // Izvestiya vysshikh uchebnykh zavedenii. Severo-Kavkazskii region. Seriya: Estestvennye nauki. 2002. № 4. S. 68–73.
75. Zhichkin A. P. Atlas rossiiskogo promysla treski v Barentsevom more (1977–2006 gg.). Murmansk : Raditsa, 2009. 212 c.
76. Proektirovanie territorial'nykh mer okhrany morskoi sredy s ispol'zovaniem matematicheskikh modelei i pravovye aspekty upravleniya (na primere lofoteno-barentsevomorskoi treski Gadus morhua morhua L.) / S. V. Berdnikov [i dr.] // Rybnoe khozyaistvo. 2010. № 6. S. 58–66.
77. Integrirovannaya matematicheskaya model' bol'shoi morskoi ekosistemy Barentseva i Belogo morei – instrument dlya otsenki prirodnykh riskov i effektivnogo ispol'zovaniya biologicheskikh resursov / S. V. Berdnikov [i dr.] // Doklady Akademii nauk. 2019. T. 487, № 5. S. 566–572. https://doi.org/10.31857/S0869-56524875566-572
78. A protocol for the intercomparison of marine fishery and ecosystem models: Fish-MIP v1.0 / D. P. Tittensor [et al.] // Geoscientific Model Development. 2018. Vol. 11, iss. 4. P. 1421–1442. https://doi.org/10.5194/gmd-11-1421-2018
79. Fulton E. A., Link J. S. Modeling approaches for marine ecosystem-based management // Marine Ecosystem-Based Management / M. J. Fogarty, J. J. McCarthy (Eds.). Harvard : Harvard University Press, 2014. 568 p. (The Sea: Ideas and Observations on Progress in the Study of the Seas ; Vol. 16).
80. Projecting changes in the distribution and productivity of living marine resources: A critical review of the suite of modelling approaches used in the large European project VECTORS / M. A. Peck [et al.] // Estuarine, Coastal and Shelf Science. 2018. Vol. 201. P. 40–55. https://doi.org/10.1016/j.ecss.2016.05.019
81. Integrated ecological-economic fisheries models – Evaluation, review and challenges for implementation / J. R. Nielsen [et al.] // Fish and Fisheries. 2018. Vol. 19, iss. 1. P. 1–29. https://doi.org/10.1111/faf.12232
82. Christensen V., Walters C. J. Ecopath with Ecosim: methods, capabilities and limitations // Ecological Modelling. 2004. Vol. 172, iss. 2–4. P. 109–139. https://doi.org/10.1016/j.ecolmodel.2003.09.003
83. Polovina J. J. Model of a coral reef ecosystem. 1. The ECOPATH model and its application to French Frigate Shoals // Coral Reefs. 1984. Vol. 3, iss. 1. P. 1–11. https://doi.org/10.1007/BF00306135
84. Pauly D., Christensen V., Walters C. Ecopath, Ecosim, and Ecospace as tools for evaluating ecosystem impact of fisheries // ICES Journal of Marine Science. 2000. Vol. 57, iss. 3. P. 697–706. https://doi.org/10.1006/jmsc.2000.0726
85. The global ocean is an ecosystem: simulating marine life and fisheries / V. Christensen [et al.] // Global Ecology and Biogeography. 2015. Vol. 24, iss. 5. P. 507–517. https://doi.org/10.1111/geb.12281
86. Combined effects of global climate change and regional ecosystem drivers on an exploited marine food web / S. Niiranen [et al.] // Global Change Biology. 2013. Vol. 19, iss. 11. P. 3327–3342. https://doi.org/10.1111/gcb.12309
87. Using the Ecopath with Ecosim modeling approach to understand the effects of watershedbased management actions in coastal ecosystems / J. M. Vasslides [et al.] // Coastal Management. 2017. Vol. 45, iss. 1. P. 44–55. http://dx.doi.org/10.1080/08920753.2017.1237241
88. Database-driven models of the world's Large Marine Ecosystems / V. Christensen [et al.] // Ecological Modelling. 2009. Vol. 220, iss. 17. P. 1984–1996. https://doi.org/10.1016/j.ecolmodel.2009.04.041
89. Representing variable habitat quality in a spatial food web model / V. Christensen [et al.] // Ecosystems. 2014. Vol. 17, iss. 8. P. 1397–1412. https://doi.org/10.1007/s10021-014-9803-3
90. Global overview of the applications of the Ecopath with Ecosim modeling approach using the EcoBase models repository / M. Colleter [et al.] // Ecological Modelling. 2015. Vol. 302. P. 42–53. https://doi.org/10.1016/j.ecolmodel.2015.01.025
91. Best practice in Ecopath with Ecosim food-web models for ecosystem-based management / J. J. Heymans [et al.] // Ecological Modelling. 2016. Vol. 331. P. 173–184. https://doi.org/10.1016/j.ecolmodel.2015.12.007
92. Walters C., Pauly D., Christensen V. Ecospace: prediction of mesoscale spatial patterns in trophic relationships of exploited ecosystems, with emphasis on the impacts of Marine Protected Areas // Ecosystems. 1999. Vol. 2, iss. 6. P. 539–554. https://doi.org/10.1007/s100219900101
93. Representation of multistanza life histories in Ecospace models for spatial organization of ecosystem trophic interaction patterns / C. Walters [et al.] // Bulletin of Marine Sci ence. 2010. Vol. 86, no. 2. P. 439–459. URL: https://www.ingentaconnect.com/contentone/umrsmas/bullmar/2010/00000086/00000002/art00017 (data obrashcheniya: 26.02.2022).
94. Using the Ecopath with Ecosim modeling approach to understand the effects of watershedbased management actions in coastal ecosystems / J. M. Vasslides [et al.] // Coastal Management. 2017. Vol. 45, iss. 1. P. 44–55. https://doi.org/10.1080/08920753.2017.1237241
95. Bridging the gap between ecosystem modeling tools and geographic information systems: Driving a food web model with external spatial–temporal data / J. Steenbeek [et al.] // Ecological Modelling. 2013. Vol. 263. P. 139–151. https://doi.org/10.1016/j.ecolmodel.2013.04.027
96. Whitehouse G. A., Aydin K. Y. Assessing the sensitivity of three Alaska marine food webs to perturbations: an example of Ecosim simulations using Rpath // Ecological Modelling. 2020. Vol. 429. 109074. https://doi.org/10.1016/j.ecolmodel.2020.109074
97. Berdnikov S. V., Sorokina V. V. Rezul'taty primeneniya EwE podkhoda dlya otsenki dopustimogo promyslovogo vozdeistviya na populyatsii ryb Barentseva, Okhotskogo, Beringova, Kaspiiskogo i Chernogo morei // Ekologiya. Ekonomika. Informatika. KhL konferentsiya «Matematicheskoe modelirovanie v problemakh ratsional'nogo prirodopol'zovaniya»: materialy konferentsii. Rostov-na-Donu : Izd-vo Yuzhnogo federal'nogo universiteta, 2012. S. 35–39.
98. Radchenko V. I. Kharakteristika ekosistemy Okhotskogo morya po rezul'tatam modelirovaniya // Trudy VNIRO. 2015. T. 155. S. 79–111. URL: http://vniro.ru/files/trydi_vniro/archive/tv_2015_t_155_article_7.pdf (data obrashcheniya: 26.02.2022).
99. Zavolokin A. V., Radchenko V. I., Kulik V. V. Dinamika troficheskoi struktury epipelagicheskogo soobshchestva zapadnoi chasti Beringova morya // Trudy TINRO. 2014. T. 179. C. 204–219. https://doi.org/10.26428/1606-9919-2014-179-204-219
100. Shin Y.-J., Cury P. Exploring fish community dynamics through size-dependent trophic interactions using a spatialized individual-based model // Aquatic Living Resources. 2001. Vol. 14, iss. 2. P. 65–80. https://doi.org/10.1016/S0990-7440(01)01106-8
101. Two-way coupling versus one-way forcing of plankton and fish models to predict ecosystem changes in the Benguela / M. Travers [et al.] // Ecological Modelling. 2009. Vol. 220, iss. 21. P. 3089–3099. https://doi.org/10.1016/j.ecolmodel.2009.08.016
102. Yemane D., Shin Y.-J., Field J. Exploring the effect of marine protected areas on the dynamics of fish communities in the southern Benguela: an Individual-based modelling approach // ICES Journal of Marine Science. 2009. Vol. 66, iss. 2. P. 378–387. https://doi.org/10.1093/icesjms/fsn171
103. Making modelling count – increasing the contribution of shelf-seas community and ecosystem models to policy development and management / K. Hyder [et al.] // Marine Policy. 2015. Vol. 61. P. 291–302. https://doi.org/10.1016/j.marpol.2015.07.015
104. Trophodynamic model of the Black and Azov Sea pelagic ecosystem: consequences of the comb jelly, Mnemiopsis leydei, invasion / S. V. Berdnikov [et al.] / Fisheries Research. 1999. Vol. 42, iss. 3. P. 261–289. https://doi.org/10.1016/S0165-7836(99)00049-1
105. Dashkevich L. V., Berdnikov S. V., Golubev V. A. Primenenie modeli trofodinamiki Barentseva morya dlya analiza dinamiki promyslovykh populyatsii i otsenki dopustimykh nagruzok na ekosistemu // Kompleksnye issledovaniya protsessov, kharakteristik i resursov rossiiskikh morei Severo-Evropeiskogo basseina. Apatity : KNTs RAN, 2007. Vyp. 2. Glava 3. S. 64–103.
106. Climatic Atlas of the Sea of Azov 2006 / G. Matishov, S. Levitus (eds.). Washington, D.C. : U.S. Government Printing Office, 103 p. (NOAA Atlas NESDIS 59). 1 electronic optical disc (CD-ROM). 107. Levitus S. Climatic atlas of the Sea of Azov 2008 : Dataset. NOAA National Centers for Environmental Information, 2013. 1 disc set. (NODC Standard Product: International ocean atlas ; Volume 11). URL: https://www.ncei.noaa.gov/archive/accession/0098574 (date of access: 26.02.2022).
107. Atlas of climatic changes in nine large marine ecosystems of the Northern Hemisphere (1827-2013) / G. G. Matishov [et al.] ; G. G. Matishov, K. Sherman, S. Levitus (Eds.). 2014. 131 p. (NOAA Atlas NESDIS 78). doi:10.7289/V5Q52MK5
108. World Seas: an Environmental Evaluation. Volume I : Europe, The Americas and West Africa / Ch. Sheppard (Ed.). 2nd Edition. Academic Press, 2019. 912 p. https://doi.org/10.1016/C2015-0-04330-1
109. World Seas: an Environmental Evaluation. Volume II : the Indian Ocean to the Pacific / Ch. Sheppard (Ed.). 2nd Edition. Academic Press, 2019. 932 p. https://doi.org/10.1016/C2015-0-04332-5
110. World Seas: an Environmental Evaluation. Volume III : Ecological Issues and Environmental Impacts / Ch. Sheppard (Ed.). 2nd Edition Academic Press, 2019. 666 p. https://doi.org/10.1016/C2015-0-04336-2
111. The power of geographic information systems (GIS) for oceanography: Implications for spatiotemporal modelling of mid-ocean ridge evolution : conference paper / D. J. Wright [et al.] // Proceedings of The Oceanography Society Pacific Basin Meeting. Honolulu, Hawaii, 1994. P. 66.
112. Ouellette W., Getinet W. Remote sensing for Marine Spatial Planning and Integrated Coastal Areas Management: Achievements, challenges, opportunities and future prospects // Remote Sensing Applications: Society and Environment. 2016. Vol. 4. P. 138–157. https://doi.org/10.1016/j.rsase.2016.07.003
113. Fingas M. Remote sensing for marine management // World Seas: an Environmental Evaluation. Volume III : Ecological Issues and Environmental Impacts. / Ch. Sheppard (Ed.). 2nd Edition Academic Press, 2019. Chapter 5. P. 103–119. https://doi.org/10.1016/B978-0-12-805052-1.00005-X
114. Anderson T. R. Progress in marine ecosystem modelling and the “unreasonable effectiveness of mathematics” // Journal of Marine Systems. 2010. Vol. 81, iss. 1–2. P. 4–11. https://doi.org/10.1016/j.jmarsys.2009.12.015
115. Robson B. J. When do aquatic systems models provide useful predictions, what is changing, and what is next? // Environmental Modelling & Software. 2014. Vol. 61. P. 287–296. https://doi.org/10.1016/j.envsoft.2014.01.009
116. Tyutyunov Yu. V., Titova L. I. Ot Lotki–Vol'terra k Arditi–Ginzburgu: 90 let evolyutsii troficheskikh funktsii // Zhurnal obshchei biologii. 2018. T. 79, № 6. S. 428–448. doi:10.1134/S004445961806009X
117. Prieß M., Koziel S., Slawig T. Marine ecosystem model calibration with real data using enhanced surrogate-based optimization // Journal of Computational Science. 2013. Vol. 4, iss. 5. P. 423–437. https://doi.org/10.1016/j.jocs.2013.04.001
