Взаимодействие морской мегафауны с мелкомасштабным рыболовством в юго-западной части Индийского океана: обзор и управленческие вызовы

1. Введение и предпосылки

Данный обзор посвящён критически важным взаимодействиям между мелкомасштабным рыболовством (ММР) и уязвимой морской мегафауной — в частности, морскими млекопитающими, морскими черепахами и хрящевыми рыбами (акулы, скаты, ромбовые скаты) — в юго-западной части Индийского океана (ЮЗИО). ММР жизненно важно для продовольственной безопасности и средств к существованию в прибрежных сообществах развивающихся регионов. Однако их деятельность часто приводит к значительному прилову и прямому воздействию на популяции мегафауны, для которых характерны K-стратегии жизненного цикла (медленный рост, позднее созревание, низкая плодовитость), что делает их исключительно уязвимыми к сокращению численности даже при низком уровне антропогенной смертности.

В статье обобщаются существующие знания, подчёркиваются серьёзные недостатки в данных и мониторинге и обосновывается необходимость срочных, совместных и научно-обоснованных стратегий управления для обеспечения устойчивости как рыболовства, так и морских экосистем, от которых оно зависит.

2. Область обзора и методология

Обзор охватывает рецензируемую литературу, «серую» литературу (например, отчёты НПО, правительственные документы) и экспертные знания из нескольких стран ЮЗИО, включая Кению, Танзанию (включая Занзибар), Мозамбик, Южную Африку и Мадагаскар. Методология включала систематический сбор данных по следующим направлениям:

• Зарегистрированный прилов и прямой вылов мегафауны.
• Показатели промыслового усилия и характеристики флота.
• Существующие меры управления и их задокументированная эффективность.
• Социально-экономические исследования зависимости рыбаков от ресурсов.

Ключевой вывод — фрагментированный и часто неподтверждённый характер данных, что препятствует проведению надёжных региональных оценок.

3. Ключевые выводы: состояние взаимодействий

4. Основные вызовы для исследований и управления

5. Предлагаемые решения и стратегические рекомендации

В обзоре содержится призыв к действиям, сосредоточенным на следующих направлениях:

1. Улучшение сбора данных: Внедрение стандартизированного, научно-обоснованного мониторинга вылова, усилий и прилова по всему региону, возможно, с использованием электронного мониторинга и приложений для самостоятельной отчётности рыбаков.
2. Совместное управление и вовлечение заинтересованных сторон: Разработка систем партисипативного управления, которые интегрируют знания рыбаков и обеспечивают их поддержку.
3. Развитие регионального потенциала: Укрепление местных научных и управленческих институтов посредством обучения и выделения ресурсов.
4. Разработка научно-обоснованной политики: Использование собранных данных для разработки пространственно-определённых мер, таких как временно-пространственные запреты (TACs) или модификации орудий лова, которые снижают прилов, минимизируя при этом воздействие на средства к существованию рыбаков.

6. Критический анализ и экспертная перспектива

Ключевое понимание: Этот обзор выявляет фундаментальный системный сбой в ЮЗИО: попытку управления сложной социально-экологической системой с помощью доиндустриальной инфраструктуры данных и моделей управления. В статье верно диагностируется проблема — серьёзный дефицит доказательной базы — но предлагаемое решение зависит от уровня регионального сотрудничества и институционального потенциала, который в настоящее время не существует в требуемом масштабе.

Логическая последовательность: Аргументация логически обоснована: плохие данные → плохое понимание → неэффективное управление → неустойчивые результаты. В статье эффективно прослеживается эта причинно-следственная цепь, используя уязвимость K-стратегических видов в качестве биологического усилителя проблемы.

Сильные стороны и недостатки: Её главная сила — всеобъемлющий региональный охват и трезвая оценка бедности данных. Однако существенным недостатком является относительно поверхностное рассмотрение путей реализации и барьеров политической экономики. В статье пропагандируются «хорошее управление» и сотрудничество, но предлагается мало конкретных стратегий для преодоления укоренившихся интересов, нехватки финансирования и политической инерции, характерных для управления рыболовством во многих развивающихся регионах. По сравнению с технологическими скачками в других областях (например, использование генеративно-состязательных сетей (GAN), таких как CycleGAN, для идентификации и мониторинга видов на основе изображений, как обсуждается в Zhu et al., 2017), предлагаемые здесь решения кажутся инкрементными.

Практические рекомендации: Для практиков и спонсоров первоочередной задачей должно стать инвестирование в простые, технологически оснащённые потоки данных. Вместо ожидания идеального, государственного мониторинга, поддержку следует направлять на пилотные проекты, использующие:
1. Беспилотники и спутниковые снимки (по аналогии с приложениями таких организаций, как Global Fishing Watch) для независимого картирования промысловых усилий.
2. Искусственный интеллект для распознавания изображений на смартфонах рыбаков для регистрации прилова, что снижает зависимость от таксономической экспертизы.
3. Блокчейн или системы защищённых реестров для документирования уловов с целью повышения прослеживаемости и борьбы с ННН-промыслом, что является смежной проблемой. Цель должна заключаться в быстром получении «достаточно хороших» данных для информирования решений на уровне кризиса, параллельно с построением долгосрочной институциональной структуры, которую представляет статья.

7. Техническая структура и аналитический подход

Для перехода от неподтверждённых к количественным оценкам необходима стандартизированная аналитическая структура. Ключевым компонентом является моделирование уязвимости популяции. Для этого часто используется структура Потенциального Биологического Изъятия (ПБИ), адаптированная для прилова. ПБИ оценивает максимальное количество особей, которое можно изъять из популяции, не вызывая её сокращения:

$\text{ПБИ} = N_{min} \times \frac{1}{2} R_{max} \times F_r$

Где:
$N_{min}$ = Минимальная оценка численности популяции
$R_{max}$ = Максимальная теоретическая скорость роста
$F_r$ = Фактор восстановления (обычно 0.1-1.0)

Однако в контексте ЮЗИО $N_{min}$ обычно неизвестна. Поэтому более практичной является структура определения приоритетов, основанная на относительном риске. Для этого можно использовать полуколичественный подход Экологической Оценки Риска (ЭОР):

$\text{Оценка Риска}_{вид, промысел} = \text{Воздействие} \times \text{Последствие}$

Воздействие — это функция пространственно-временного перекрытия и уязвимости к орудиям лова. Последствие — это функция биологической продуктивности вида (обратно связанной с K-стратегией) и текущего статуса популяции.

Пример применения аналитической структуры

Сценарий: Оценка риска прилова дюгоня (Dugong dugon) в жаберных сетях у северного побережья Мозамбика.
Шаг 1 - Сбор данных: Собрать фрагментированные данные: (a) Интервью с рыбаками, указывающие на случайные поимки. (b) Исторические карты наблюдений с аэрофотосъёмки (WCS, 2010). (c) ГИС-слои зарегистрированных зон жаберного промысла.
Шаг 2 - Индекс воздействия: Рассчитать пространственное перекрытие между средой обитания дюгоня (заросли морской травы) и промысловым усилием жаберных сетей. Использовать простую балльную систему: 3 (Высокое перекрытие), 2 (Среднее), 1 (Низкое), 0 (Отсутствует). Предположим, оценка = 2.
Шаг 3 - Индекс последствий: У дюгоней очень низкая $R_{max}$ (~5% в год). Статус по МСОП — Уязвимый. Присвоить высокую оценку последствий: 3.
Шаг 4 - Оценка риска: $\text{Оценка Риска} = 2 \times 3 = 6$ (по шкале от 0 до 9). Это указывает на Высокий Приоритет для исследований и смягчения последствий (например, тестирование акустических отпугивателей или модификация профиля сетей).
Эта структура позволяет управляющим определять приоритеты действий, несмотря на несовершенные данные.

Экспериментальные результаты и описание диаграммы

Концептуальная диаграмма: Достоверность данных vs. Временная шкала управленческих действий
Гипотетическая диаграмма покажет две кривые. Кривая A (Текущая парадигма): Показывает длительный, плоский период «Сбора данных» с низкой достоверностью (высокая неопределённость), за которым следует запоздалое и часто неэффективное «Управленческое действие». Кривая B (Предлагаемая гибкая парадигма): Показывает быстрые итерации. Она начинается с «Быстрой оценки риска» (умеренная достоверность), ведущей к «Пилотной мере смягчения» (например, временное закрытие, инициированное сообществом), которое затем генерирует «Данные о местном соблюдении и прилове», возвращающиеся обратно для уточнения оценки в непрерывном цикле. Ключевой вывод заключается в том, что действия не могут ждать идеальных данных; управление должно стать процессом обучения.

8. Будущие направления и перспективы применения

Будущее устойчивого управления ММР в ЮЗИО заключается в конвергенции партисипативного управления, соответствующих технологий и адаптивной науки.

• Сверхлокальное, технологически оснащённое совместное управление: Появление недорогих датчиков, спутниковой системы AIS и мобильных приложений позволит рыболовным сообществам собирать и владеть своими данными, формируя основу для подлинных соглашений о совместном управлении. Такие проекты, как SmartFish в Тихом океане, предлагают модель.
• Искусственный интеллект и машинное обучение: Помимо идентификации, ИИ может анализировать закономерности в данных о вылове и окружающей среде для прогнозирования горячих точек прилова, позволяя осуществлять динамическое пространственное управление (правила «перемещения»), аналогично инициативам NOAA по защите морских черепах.
• Альтернативные источники средств к существованию и добавленная стоимость: Будущие вмешательства должны активно развивать экономические альтернативы, такие как экотуризм на уровне сообществ, ориентированный на мегафауну (китовые акулы, дельфины), или переработка с добавленной стоимостью устойчивых уловов рыбы, снижая давление на уязвимые виды.
• Смешанное финансирование и импакт-инвестиции: Для достижения природоохранных результатов необходимо устойчивое финансирование. Модели, сочетающие филантропические гранты с импакт-инвестициями в предприятия сообществ (например, устойчивая аквакультура), будут иметь решающее значение для долгосрочного успеха.
• Интеграция с адаптацией к изменению климата: Планы управления должны быть перспективными, включая устойчивость к изменению климата. Защита мегафауны, которая часто играет ключевую роль в функционировании экосистем, может стать основной стратегией поддержания продуктивного рыболовства в меняющемся океане.

9. Список литературы

1. Temple, A. J., Kiszka, J. J., Stead, S. M., Wambiji, N., Brito, A., Poonian, C. N. S., Amir, O. A., Jiddawi, N., Fennessy, S. T., Pérez-Jorge, S., & Berggren, P. (2018). Marine megafauna interactions with small-scale fisheries in the southwestern Indian Ocean: a review of status and challenges for research and management. Reviews in Fish Biology and Fisheries, 28, 89–115.
2. Dulvy, N. K., et al. (2014). Extinction risk and conservation of the world's sharks and rays. eLife, 3, e00590.
3. Lewison, R. L., Crowder, L. B., Read, A. J., & Freeman, S. A. (2004). Understanding impacts of fisheries bycatch on marine megafauna. Trends in Ecology & Evolution, 19(11), 598-604.
4. Zhu, J. Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. Proceedings of the IEEE International Conference on Computer Vision (ICCV).
5. Global Fishing Watch. (2023). Transparency in Global Fisheries. Retrieved from https://globalfishingwatch.org
6. Heithaus, M. R., Frid, A., Wirsing, A. J., & Worm, B. (2008). Predicting ecological consequences of marine top predator declines. Trends in Ecology & Evolution, 23(4), 202-210.
7. IUCN. (2023). The IUCN Red List of Threatened Species. Version 2023-1. Retrieved from https://www.iucnredlist.org.