在这项研究中，我们使用“收获后的回报”或“退货 ”代替渔业术语“逃脱 ”来指代逃避渔业的太平洋鲑鱼并返回淡水产卵场。我们专注于1976年至2015年之间的40年期 ，估计了四个地区始终如一的五个物种中每个物种的年回报率 。回报估计主要反映了天然产卵者的数量 ，但可能包括对育雏的孵化场相对较小的回报 。孵化场流浪（即，在河流中产生的孵化场鱼类 ，因此促进了向流域的补贴运输）。
我们的产生回报估算方法始于北太平洋中的Chum ，Chum，Pink和Sockeye Salmon的数值数据集 ，如前所述8 。丰度估计反映了每个地区造成渔业作战和产卵回报的鱼类总数 。因此 ，通过减去总丰度的商业捕获估算（以及阿拉斯加西部的生存捕获估算）来估算的收获后回报率（A. Munro和A. Munro和R. Brenner，阿拉斯加鱼类与游戏系 ，个人交流）。为了最好地匹配生成回报估算所需的各种数据来源 ，我们将鲑鱼分为四个区域目的地（BS，CAK，SEAK和BCWC） 。
Chinook和Coho鲑鱼回流估计是与其他物种分开得出的 。Chinook和Coho鲑鱼的回报值是代表每个地区绝大多数产卵的丰度指数。对于缺失值 ，使用相邻值的平均值在人群级别进行填充 。对于BS ，获得了三个主要流域（Yukon，Kuskokwim和Nushagak）的Chinook鲑鱼返回计数61,62 。对于CAK ，使用Rogers方法来估计Catch中的Chinook Salmon Escapement和假定的商业收获率（0.5）63。在SEAK中 ，将奇努克鲑鱼的回报汇回11个流域64。在BCWC中，我们依靠自然区域中出版的回报率为65,66（J. R. Irvine ，加拿大渔业和海洋 ，个人交流） 。对于Coho鲑鱼，我们采用了Rogers方法来估计阿拉斯加每个地区的收益 ，并假定收获率（0.6至0.7）63 ，并报告了BCWC65,66自然区域的收益值（J. R. Irvine，个人交流） 。基于假定的收获率的丰度估计分别约占奇努克和Coho鲑鱼估计总数的4％和60％。所有回报值都是近似值 ，显示了划分物种和地区的年度；尽管它们适用于本文探讨的广泛的空间和时间问题 ，但收获经理通常依靠指标库存的一部分，这些指标库存提供了最准确的管理信息 。
将特定于物种的鱼重计算为总商业捕获生物量除以每个区域的总商业捕获数量 。这种方法假设商业捕捞量中的鲑鱼大小平均与逃脱渔业的鱼的大小相似。我们注意到，鲑鱼g通常为较大的个体选择67 ，但并非总是如此 。68 。以前报道了粉红色的鲑鱼 ，鲑鱼和红鲑鱼体重数据8。截至2020年4月（参考文献60），使用NPAFC数据库得出了Chinook Salmon和Coho鲑鱼的重量数据 。通过将特定物种特异性的回流丰度乘以特定物种的平均鱼类重量 ，以特定于大陆和区域量表计算年度特定物种的回流生物量 。然后 ，使用贝叶斯通用添加剂模型（请参阅“建模方法”部分）对这些原始估计进行建模，以估计鲑鱼回流生物量的不确定性。
我们从科学文献和太平洋鲑鱼组织浓度N ，omega-3脂肪酸DHA和EPA以及PBT污染物Hg ，PCBS，PCBS ，DDTS和PBDE中提取了组织补贴数据；这些数据和相关的元数据在补充数据中提供 。我们专注于这些化学物质 ，因为（1）它们代表了与太平洋鲑鱼迁移和消费的生态和健康益处相关的营养5,69和（2）（2）这些污染物被确定为我们分析期间的主要污染物（1976- 2015年） 。此外，由于其生物转运潜力为3,6,54,70 ，这些污染物历史上一直是远程移民研究的重点。因此 ，此处讨论的八种补贴旨在代表而不是包容性，这些补贴在太平洋鲑鱼迁移到其产卵栖息地期间运输的所有营养物质和污染物。
我们在太平洋鲑鱼中总共获得了363个养分和污染物浓度的估计 。这些估计值是至少6,798种鱼类的措施摘要（33个估计未报告样本量） 。从15个DHA和EPA（每个42个个体）的估计值到Hg的83个估计值（2,768个人）。数据仅适用于一小部分补贴×物种×年度×区域的组合，以告知我们的模型 。在我们的数据合成中营养素和污染物浓度的363个估计值中 ，在2000年之前进行了不到50％（许多研究报告了多年来的平均值 ，因此这是保守的估计值） 。此外，只有一个物种×区域组合包含超过四年的数据 ，所有物种×区域组合的平均数据只有两年的数据。这是我们分析中的不确定性来源 ，因为我们无法随着时间的推移考虑污染物浓度的变化 。由于任何给定分析物随着时间的变化的增加或减少是由太平洋鲑鱼回报的年度变化所驱动的，而不是分析物组织浓度的变化 ，因此在人群或社区水平上描述了化学或营养通量的所有时间变化 。结果 ，我们的分析集中于太平洋鲑鱼社区的时间变化的影响，这是1976年至2015年之间补贴运输转变的主要驱动因素。
在文献中 ，太平洋鲑鱼N和P估计值出乎意料地稀缺 ，许多生态补贴研究都借鉴了一些已发表的措施 。此外，报告全身浓度的研究并不总是指定如何在分析之前制备全身样品 。在这里 ，我们假设全身浓度包括软组织和硬组织。我们还注意到 ，数据集中PCB和PBDE污染物的数据源的分析方法不一致，在该数据集中，该方法在其中报告了不同数量的分析物上的源或未指定分析方法中包含的分析物 。分析方法中包括的PBDE同类物的数量范围从9-48范围内报告了这一细节水平 。跨研究的PCB分析物数量较大 ，一些研究报告了一组有限的同源物的总和浓度 ，以及一些报告，报告了209名同类物的完整套件。我们在模型中纳入了所有报告的措施 ，因为先前的工作表明 ，（1）有限的同源物的分析捕获了生物样品中PCB总浓度的大多数；（2）六个特定的PBDE同源物（PBDES 28 、47 、99、100 、153和154）主导了鱼组织PBDE浓度谱71,72。我们进一步说明了通过改变模型中研究作者和地区的截距（请参阅下面的“建模方法 ”部分），在研究中分析的同类物的测量数和混合物的变化 。
这些数据限制是我们模型中关于太平洋鲑鱼补贴浓度的许多必要但简化的假设 。从评估中 ，在海洋阶段累积了> 90％的太平洋鲑鱼生物量 ，并且在产卵期间重新进入淡水后，太平洋鲑鱼不会进食5,13 ，我们假设太平洋鲑鱼营养素和污染物的浓度完全是海洋衍生的 ，并且是在淡水Wertwater Point 54,73中的组织浓度的代表。我们还假设，尽管补贴浓度在区域之间有所不同 ，但它们在区域内是均匀的 ，这主要是因为我们从中提取浓度数据的报告和文献未包括有关与样品相关的开阔海洋栖息地的信息 。对于我们的区域分析，将物种×补贴浓度组合分配给四个研究区域之一，基于现场收集地点或在可用信息时购买鱼类的市场位置的位置 。如下所述 ，我们说明了建模方法中不确定性的区域不确定性来源。
除非另有说明 ，否则主要文本中显示的所有数据，扩展数据和补充信息均为建模值 。
将所有数据分析为Mg kg-1湿重单元中的全身浓度 。If data were not reported as whole-body concentrations in the source literature or reports, we converted them to whole-body concentrations using calculated or published conversion factors: 0.89 (N muscle)74, 1.32 (P muscle)74, 0.74 (Hg muscle)75, 1.5 (PBDE muscle), 1.27 (PBDE muscle + skin), 2.3 (PCBs muscle)76 and 1.66 (DDTs肌肉）77;我们假设DHA和EPA的全身和肌肉浓度在大西洋鲑鱼中的比较基础上保持一致。
我们使用八种独立的广义线性混合模型（4种营养模型 + 4种污染物模型）估计了鲑鱼种类中污染物和养分浓度 。每个模型都有以下形式：
其中CISRD是每个物种s ，区域R和数据源D和数据源D的单个污染物或营养（mg kg -1湿质量）的ITH浓度 ，β1 -n是组织浓度对X1 -N的固定效应，X1 -N ，物种的虚拟变量 ，物种和αR和αD是对区域和数据源的随机效应 。由于缺乏许多污染物的年度数据，因此这些模型中未包括样本年度。每个模型中的可能性是具有对数链接的伽马 ，因为数据（浓度）是连续的且正面78 。
使用先验预测模拟79（补充信息）确定每个模型参数的先验分布 。将这些模拟与其他鱼类（例如大西洋鲑鱼 ，鳟鱼）的污染物或营养浓度范围的发表文献进行了比较。然后选择先前的参数值以反映可能值的范围加上一些误差，从而产生弱信息性的priors84。这样的先生对分析物浓度的不合理或较小的值的可能性很低 ，但对种群或区域浓度之间的影响很小 。补充表1中提供了所有模型的先验规格 。为了估计先验对模型结果的影响 ，我们绘制了参数值，并从先前和后验分布中得出数量（补充图2-5）。在每种情况下，后验分布都比以前的分布限制得多 ，这表明先验确实有弱信息 。
每年的鲑鱼回流生物量（1976年至2015年）是使用具有年份的广义加性模型对每个物种×区域组合中嵌套的预测变量进行建模的 。物种×区域也被用作不同的截距 ，以使开始生物量在物种和地区之间变化。由于鲑鱼生物量（吨湿质量）是阳性且连续的，因此可能性是带有对数链接的伽马 。我们在1976年之前排除了数据 ，因为我们没有所有物种×区域的回报估计 。相反 ，我们使用了1976年之前的部分数据集来确定上述完整模型的先前参数。为此，我们按照上述模型拟合了1952年至1975年的数据 ，并且先验较弱 。然后 ，我们将该模型的后验参数用作主要模型中的信息先验 。
我们使用软件包BRMS85拟合R中的模型。使用Hamiltonian Monte Carlo在RSTAN86中产生后分布 。每个型号有4个链条，每个链条有2,000个迭代 。前1000次迭代被丢弃为热身。
我们检查了模型性能 ，并以两种方式适合。首先 ，我们绘制了针对原始数据的模型预测，以确保模型没有被错误指定 ，或者先验没有过度限制 。接下来 ，我们使用后验预测检查来比较从模型模拟的数据集与原始数据集进行比较 。这些检查的目的是确保模型可以模拟与原始Data87相似的数据。不这样做表明该模型的指定错误 。所有后验预测检查均表明数据合理拟合（补充图6和7） 。我们通过确保所有RHAT均<1.1（参考文献78）来评估模型收敛。一些模型诊断表明转变不同 。我们通过可视化参数特异性RHAT和/或以增加目标平均接受概率和比较推论（Adapt Delta）（补充图8和9）来探索这些转变的含义 。最后，某些营养和污染物数据既包含平均文献值，又包含相应的样本量（n）。为了确定在建模方法中包括样本量是否会改变这些浓度的推断 ，我们拟合了一个替代模型 ，在该模型中，高斯方差按1/N缩放并与上述伽马模型进行了比较 。差异很小 ，在补充图10中报道 。
在检查模型拟合后 ，我们使用蒙特卡洛取样来估计鲑鱼通过将鲑鱼返回生物量和化学浓度的后验分布乘以鲑鱼携带的养分或污染物（即化学物质）的运输：
鲑鱼物种的区域r的每种化学c的运输（mg）是回流生物量（kg湿质量）的浓度（mg kg -kg -1湿质量）的产物。这产生了传输估计的分布，该分布均包含鲑鱼回报和鲑鱼化学浓度的不确定性 。
我们假设 ，由于鲑鱼营养水平的差异 ，特定的年龄结构和污染物的倾向较高，与营养相比 ，某些鲑鱼物种的污染物会比其他物种更大的污染物负担要比其他物种更大 。我们在个人和大陆级别测试了这一点。对于个体水平 ，我们将物种之间化学浓度的后验估计乘以该物种的平均生物量，从而估算了每种鱼类的总化学量。然后 ，我们将污染物的养分和分裂的每个K迭代中的每个K迭代中的营养和污染物估计 。这导致了营养素质量与每条鱼的污染物质量之比 。在单个鱼类中 ，营养成分超过六个数量级的污染物。因此，我们将比率估计值除以100万，以简化视觉解释 。
在大陆级别 ，我们使用了公式（2）的运输结果 ，首先估计每个物种在给定年内贡献的总污染物或养分运输的比例 。然后，我们减去了这些比例（营养成分减去污染物） ，以在每年的每个物种中产生比例差异。例如 ，在2001年，奇努克鲑鱼占污染物运输的13％ ，但仅占营养转运的6％ ，相对比例为6-13 = -7个百分点 。相比之下，2001年 ，粉红色鲑鱼占污染物的28％和36％的养分 ，产生+8的阳性养分平衡 。在所有物种，年和K迭代中重复这一点都产生了每个物种和年组合的差异分布。我们使用该分布比较了污染物对鲑鱼物种中养分的相对贡献 。
运输估计的精度受三个主要不确定性来源的控制：鲑鱼随着时间的流逝（数百万鱼） ，平均单个鲑鱼重量（kg湿重）和化学浓度（mg kg -kg -1湿重） 。为了确定这些措施对总体不确定性的相对重要性 ，我们通过将线性回归拟合为每年（2）中产生的传输迭代，进行了蒙特卡洛敏感性分析，物种 ，区域和化学组合（补充图1）。该模型具有形式：
在标准化回报与年份 ，标准化的个体体重（KGIND）和年份以及标准化化学浓度，区域和物种的主要影响之间 ，化学I的标准化运输在哪里 。由于标准化 ，系数的差异代表了每个变量对解释传输的相对贡献 。然后，我们使用calc.raimpo软件包89,90提取相对重要性值。该函数估计变量的相对重要性（类似于R2） ，但通过重新排序这些重新排序的预测和平均来进行。
为了估计野生动植物分类单元中的鲑鱼补贴可能接触HG的范围 ，我们首先在阿拉斯加，不列颠哥伦比亚省 ，华盛顿州 ，俄勒冈州，俄勒冈州和加利福尼亚州的秃鹰人口大小（65,740只成年鸟）估计 ，来自州和联邦野生动物机构52.52 。然后 ，我们使用平均无羽毛质量为5.4 kg，估计整个研究区域秃鹰的总生物量 。暴露方案是根据秃鹰人群消费的年汞补贴比例的各种假设估计的，既可以直接消费迁移鲑鱼 ，以及间接地从汞通过水生和地面消费者转移到秃头鹰。对于100％的消费估计 ，我们将年平均鲑鱼HG输入（约7 kg）的全部量除以总秃头鹰群生物量，以估算潜在的全身HG浓度 。我们计算了比例暴露梯度的相似估计值 ，归因于鲑鱼年度HG输入的1％ 。然后 ，我们使用禽类分类群的标准方程式将秃头鹰的血液浓度估计，以将体内浓度（即肌肉）转化为血液浓度 ，并将这些血液浓度与损害的各种基准进行比较53。
为了估计鲑鱼补贴对受体生态系统中野生动植物的潜在影响 ，我们计算了代表性人类消费者的收益 - 风险比率 。我们使用了最初开发的91和修改56的公式，以结合多种有益和有害的化合物 。收益 - 风险商是根据CRSEFA/CRLIM计算得出的 ，CRSEFA是满足EPA和DHA摄入量建议所需的鱼类消耗率 ，而CRLIM是受污染鱼类的最大允许消耗率。CRSEFA本身就是EPA+DHA（250 mg D -1;欧洲食品安全局2012）的建议的每日摄入，除以鱼类中这些化合物的总浓度 ，因此含有较高EPA和DHA浓度的鱼需要较小的每日份量才能获得最大的收益 。CRLIM是多种PBT污染物的负面影响 ，计算为：
如果B是体重（平均= 81 kg，在全球分布的上端），则CM是污染物M和RFDM的浓度是该污染物的参考剂量（每日剂量在不应发生 ，不应发生负面影响）） 。DDT ，PCB和PBDE的参考剂量值是从先前的研究中汲取的，HG的值是从欧洲食品安全局（2012）92中汲取的。尽管有单独的CRLIM计算也可以估算PBT污染物暴露的癌症风险 ，但我们选择仅关注非癌症风险 ，包括急性和发育毒性，在这种情况下可以被认为与野生动植物更相关 。
有关研究设计的更多信息可在与本文有关的自然投资组合报告摘要中获得 。
本文来自作者[admin]投稿，不代表东辰文化立场，如若转载，请注明出处：http://www.mzwhys.cn/zhis/202506-3223.html
评论列表（4条）
我是东辰文化的签约作者“admin”！
希望本篇文章《大陆规模的养分和太平洋鲑鱼的污染物递送》能对你有所帮助！
本站[东辰文化]内容主要涵盖：生活百科,小常识,生活小窍门,知识分享
本文概览： 在这项研究中，我们使用“收获后的回报”或“退货”代替渔业术语“逃脱”来指代逃避渔业的太平洋鲑鱼并返回淡水产卵场。我们专注于1976年至2015年之间的40年期，估计了四个地...