Padronização do índice de abundância e avaliação do estoque de bonito listrado, (Katsuwonus pelamis Linnaeus, 1758), do Atlântico Ocidental.

No presente trabalho a pescaria brasileira do bonito listrado com vara e isca-viva foi analisada, a partir de dados da produção desembarcada, de mapas de bordo e do cadastro das embarcações, com o objetivo de: (a) descrever a pescaria e caracterizar a frota pesqueira, mostrando a composição e a distribuição espacial e geográfica das capturas, esforço de pesca e CPUE; (b) analisar a CPUE do bonito listrado através do modelo linear generalizado (GLM) e desenvolver séries anuais de CPUE padronizada; e (c) realizar análise de avaliação do estoque do bonito listrado através do modelo logístico de Schaefer, do programa ASPIC versão 5.0. O bonito listrado é a espécie com maior volume de captura nas pescarias brasileiras de atuns e afins, respondendo por mais de 50% da produção total de todas as espécies oriundas desta pescaria. A área de pesca estende-se de 20oS a 35oS, com uma maior concentração das pescarias entre 28oS e 34oS. Os maiores índices de captura são registrados na região sul durante o primeiro e o quarto trimestres e os menores no terceiro trimestre Os desembarques ocorrem nos estados do Rio de Janeiro, Santa Catarina e Rio Grande do Sul, sendo Santa Catarina o principal pólo de desembarque do bonito listrado. Os maiores volumes de desembarque ocorrem nos meses de verão (fevereiro e março) e os menores nos meses de inverno (agosto e setembro). A frota atuneira de isca-viva apresenta características diversificadas, com comprimento variando entre 15,0 e 49,5 m; os índices de captura do bonito listrado são maiores para os barcos maiores, indicando que o poder de pesca varia em função do tamanho das embarcações. As distribuições de freqüência da CPUE do bonito listrado mostraram-se assimétricas e com elevada proporção de zeros (capturas nulas). A padronização da CPUE do bonito listrado pelo modelo linear generalizado foi realizada utilizando o método delta-GLM, que consiste na aplicação de dois modelos lineares generalizados que utilizam as distribuições binomial e lognormal ou Gamma, respectivamente, para a probabilidade da CPUE maior que zero e para a CPUE positiva. A análise de deviância (ou desvio) foi utilizada para selecionar as variáveis ou fatores que explicaram a maior variabilidade na CPUE. A área de pesca e temperatura foram as variáveis que explicaram a maior variação na proporção das capturas positivas, juntamente com a interação ano*TBA, enquanto as variáveis TBA e a estação do ano foram responsáveis pela maior variação da CPUE positiva, juntamente com as interações ano*área, ano*quadrimestre e ano*TBA. As séries anuais de CPUE padronizada foram obtidas utilizando o modelo linear generalizado misto, no qual todos os fatores foram considerados como efeitos fixos e as interações de primeira ordem, com o fator ano, foram consideradas como efeitos aleatórios. Os modelos delta-lognormal e delta-Gamma mostraram bom ajuste aos dados, mas os intervalos de confiança e os coeficientes de variação das estimativas de CPUE padronizada foram menores para o modelo delta-gamma. Os resultados destas análises mostram a importância do estudo da CPUE e dos fatores que influenciam sua variação, para compreender a dinâmica desta pescaria. Contudo, nem todos os fatores que influenciam a CPUE foram considerados, como o tipo e a quantidade de isca utilizados na pescaria, porque não estiveram disponíveis na maioria dos dados analisados. A análise dos dados dos mapas de bordo mostrou que uma grande parte das informações coletadas são incompletas e pouco precisas, indicando que não existe, no âmbito das instituições responsáveis pela implementação deste sistema de coleta de dados, o reconhecimento da sua importância para a geração de dados e informações fundamentais para a gestão do uso dos recursos pesqueiros. Os resultados da avaliação do estoque do bonito listrado forneceram uma estimativa de rendimento máximo sustentável de 26.930 t, que é cerca de 14% superior à captura de 1998. Ainda que esta estimativa possa parecer realista a estimativa de outros parâmetros parece pouco provável, sugerindo uma situação de sobreexplotação que muito provavelmente não corresponde à real situação do estoque. Considerando as incertezas e limitações dos dados utilizados, alguns parâmetros podem ter sido estimados de forma imprecisa. È necessário, portanto, que se usem esses resultados com certa reserva para subsidiar recomendações de ordenamento da pescaria. Para que as avaliações de estoques produzam bons resultados é necessário dispor de dados de boa qualidade, assim sendo, recomenda-se a implementação de um sistema eficiente de coleta de dados, contando inclusive com instrumentos de verificação/confirmação dos dados coletados, tais como observadores de bordo.In this paper data on catch, fishing effort and landings from the Brazilian baitboat fishery, together with information on vessel characteristics were analyzed aiming to: (a) describe the fishery and characteristics of the fishing fleet, analyze catch composition and spatial and temporal distribution of catches, fishing effort and catch rates of skipjack (Katsuwonus pelamys); (b) develop standardized indices of abundance for skipjack using generalized linear models (GLM); and (c) apply a nonequilibrium surplus production model for stock assessment of west Atlantic skipjack through the ASPIC program version 5.0. Skipjack is the most important species caught from Brazilian tuna fisheries; its catches comprise more then 50% of the total tuna catches from this fishery. The fishing area is located in the south and southeast regions of Brazil, from 20oS to 35oS, but fishing operations are carried out mainly between 28oS and 34oS. The highest catch rates are recorded in the south region during the first and fourth quarters and the smallest ones in the third quarter. Skipjack landings are made in Rio de Janeiro, Santa Catarina and Rio Grande do Sul states, with Santa Catarina being the most important landing place. The highest landings are recorded during the summer months (February and March) and the smallest ones during the winter months (August and September). The baitboats shows different characteristics; length of vessels varies from 15 to 49.5 meters. Skipjack catch rates from each vessel varies according with its size, which means that fishing power is a function of vessel size. The frequency distributions of skipjack CPUE are highly skewed with a relatively large proportion of zero observations. Standardization of skipjack CPUE (catch per unit of effort) was performed through generalized linear models, using delta-GLM methods, which involves fitting of two sub-models to the data. A first sub-model was applied assuming the binomial error distribution for the proportion of positive catches and a second sub-model was used for the positive catches assuming a different error distribution. Two alternative distributions were assumed for the positive catches, the lognormal and the Gamma distribution. Deviance tables were performed to identify the best set of factors and interactions that most adequately explained the observed variability in proportion of positive catches and positive CPUE. Geographical distribution (fishing area) and sea surface temperature together with the interaction year*GRT were the most important explanatory effects for the occurrence of a non-zero catch. On the other hand GRT and season, together with year*area, year*season and year*GRT interactions explained the most variability on the observed CPUE of positive catches. The standardized indexes were estimated using Generalized Linear Mixed Models, in which year, area, season, sea surface temperature, vessel length and GRT were included as main explanatory fixed effect factors and all first order interactions with year as random components. Delta-lognormal and delta-Gamma models showed a good fit to the data but narrower confidence intervals and small coefficients of variation were shown for standardized CPUE estimated by the delta-Gamma model. Results from these analyses show the importance of the study of CPUE and factors that have effect on its variations to understand the dynamics of this fishery. However not all factors that have an effect on variations in skipjack CPUE were considered, such as, bait species and amount of life bait, because this sort of information was not present in the majority of data available for analysis. A great amount of the information collected through logbooks are incomplete and imprecise, implying that institutions responsible for the implementation of this data collection system are not aware or do not recognize its importance as an instrument that makes possible to get information of great value for the management and utilization of fishery resources. Results of the stock assessment analysis provided an estimate of 26,930 MT for skipjack maximum sustainable yield, which is about 14% higher than catches taken in 1998. This estimated yield may looks like realistic but other parameter estimates seems to be unrealistic, suggesting that the west Atlantic skipjack stock is in an overexploited state, which may not be true. Considering the uncertainties and limitations about the data some of the parameters estimates may be imprecise. Therefore, results from this analysis should be cautiously used to make decisions on management measures for this fishery. A good stock assessment depends not only on the adequacy of the model available for the analysis but also on the quality of the data that the model is fitted to. Therefore, in order to have effective stock assessment for skipjack in future, an efficient system for the collection of data from this fishery shall be implemented. This data collecting system should include mechanisms for data verification, such as observer programmes to monitor catch, effort and other details of the fishing operations