Department of Finance
Document Type
Article
Date of this Version
2020
Citation
Can. J. Fish. Aquat. Sci. 77: 194–201 (2020)
Abstract
Most fishery regulations aim to control angler harvest. Yet, we lack a basic understanding of what actually determines the angler’s decision to harvest or release fish caught. We used XGBoost, a machine learning algorithm, to develop a predictive angler harvest–release model by taking advantage of an extensive recreational fishery data set (24 water bodies, 9 years, and 193 523 fish). We were able to successfully predict the harvest–release outcome for 99% of fish caught in the training data set and 96% of fish caught in the test data set. Unsuccessful predictions were mostly attributed to predicting harvest of fish that were released. Fish length was the most essential feature examined for predicting angler harvest. Other important predictive harvest– release features included the number of individuals of the same species caught, geographic location of an angler’s residence, distance traveled, and time spent fishing. The XGBoost algorithm was able to effectively predict the harvest–release decision and revealed hidden and intricate relationships that are often unaccounted for with classical analysis techniques. Exposing and accounting for these angler–fish intricacies is critical for fisheries conservation and management.
La plupart des règlements relatifs à la pêche visent à contrôler les prises des pêcheurs à la ligne. Une compréhension de base de ce qui détermine réellement la décision d’un pêcheur de conserver ou de relâcher un poisson pêché manque toutefois. Nous avons utilisé XGBoost, un logarithme d’apprentissage automatique, pour élaborer un modèle prédictif de décisions de pêcheurs de conserver ou relâcher un poisson en tirant parti d’un vaste ensemble de données de pêche sportive (24 plans d’eau, 9 années, 193 523 poissons). Nous avons été en mesure de prédire avec succès le résultat (conserver ou relâcher) pour 99 % des poissons pêchés dans l’ensemble de données d’entraînement et 96 % des poissons pêchés dans l’ensemble de données expérimental. Les prédictions inexactes étaient pour la plupart de poissons conservés qui avaient en fait été relâchés. La longueur du poisson est l’aspect examiné le plus important pour la prédiction de la conservation par les pêcheurs. D’autres aspects importants pour prédire la conservation ou le lâcher comprennent le nombre de spécimens de la même espèce pêchés, l’emplacement géographique de la résidence du pêcheur, la distance parcourue et le temps passé à pêcher. L’algorithme XGBoost est arrivé à prédire efficacement les décisions de conserver ou de relâcher et a fait ressortir des relations cachées et complexes dont les méthodes d’analyse classiques ne tiennent souvent pas compte. La reconnaissance et la prise en considération de ces facteurs complexes associés aux pêcheurs et aux poissons sont d’importance clé pour la conservation et la gestion des ressources halieutiques.
Comments
This document is a U.S. government work and is not subject to copyright in the United States.
dx.doi.org/10.1139/cjfas-2019-0119