Güneybatı Hint Okyanusu'nda Deniz Megafaunasının Küçük Ölçekli Balıkçılıkla Etkileşimleri: İnceleme ve Yönetim Zorlukları

1. Giriş ve Arka Plan

Bu inceleme, Güneybatı Hint Okyanusu'nda (GBHO) küçük ölçekli balıkçılık (KÖB) ile hassas deniz megafaunası—özellikle deniz memelileri, deniz kaplumbağaları ve kıkırdaklı balıklar (köpekbalıkları, vatozlar, tırpana balıkları)—arasındaki kritik etkileşimleri ele almaktadır. KÖB, gelişmekte olan bölgelerdeki kıyı toplulukları için gıda güvenliği ve geçim kaynakları açısından hayati öneme sahiptir. Ancak, operasyonları genellikle megafauna popülasyonları üzerinde önemli yan av ve doğrudan etkilere yol açmaktadır. Bu türler, K-seçilmiş yaşam öyküleri (yavaş büyüme, geç olgunlaşma, düşük doğurganlık) ile karakterize edilir ve bu da onları düşük düzeydeki antropojenik ölümlerden bile popülasyon düşüşlerine karşı son derece duyarlı hale getirir.

Makale, mevcut bilgi birikimini sentezlemekte, ciddi veri ve izleme eksikliklerini vurgulamakta ve hem balıkçılığın hem de bağlı oldukları deniz ekosistemlerinin sürdürülebilirliğini sağlamak için acil, işbirlikçi ve kanıta dayalı yönetim stratejileri gerektiğini savunmaktadır.

2. İnceleme Kapsamı ve Metodoloji

İnceleme, hakemli literatür, gri literatür (örn. STK raporları, devlet belgeleri) ve Kenya, Tanzanya (Zanzibar dahil), Mozambik, Güney Afrika ve Madagaskar gibi çok sayıda GBHO ülkesinden uzman bilgisini kapsamaktadır. Metodoloji, aşağıdakilerle ilgili verilerin sistematik bir şekilde derlenmesini içermiştir:

• Bildirilen megafauna yan avı ve doğrudan avı.
• Balıkçılık çabası ölçütleri ve filo özellikleri.
• Mevcut yönetim önlemleri ve belgelenmiş etkinlikleri.
• Balıkçıların kaynaklara bağımlılığı üzerine sosyo-ekonomik çalışmalar.

Önemli bir bulgu, verilerin parçalı ve çoğunlukla anekdotal niteliğinin sağlam bölgesel değerlendirmeleri engellemesidir.

3. Temel Bulgular: Etkileşimlerin Durumu

4. Araştırma ve Yönetim İçin Temel Zorluklar

5. Önerilen Çözümler ve Stratejik Tavsiyeler

İnceleme, aşağıdaki odak noktalarıyla bir eylem çağrısıyla sonuçlanmaktadır:

1. Gelişmiş Veri Toplama: Bölge genelinde av, çaba ve yan avın standartlaştırılmış, bilim temelli izlenmesinin uygulanması, potansiyel olarak elektronik izleme ve balıkçı öz-bildirim uygulamaları kullanılarak.
2. Ortak Yönetim ve Paydaş Katılımı: Balıkçıların bilgisini entegre eden ve onların desteğini sağlayan katılımcı yönetim sistemlerinin geliştirilmesi.
3. Bölgesel Kapasite Geliştirme: Eğitim ve kaynak tahsisi yoluyla yerel bilimsel ve yönetim kurumlarının güçlendirilmesi.
4. Kanıta Dayalı Politikalar Geliştirme: Toplanan verileri kullanarak, balıkçıların geçim kaynakları üzerindeki etkiyi en aza indirirken yan avı azaltan Mekansal-Zamansal Kapatmalar (TAC'lar) veya av araçları modifikasyonları gibi mekansal olarak açık önlemler tasarlamak.

6. Eleştirel Analiz ve Uzman Görüşü

Temel İçgörü: Bu inceleme, GBHO'daki temel bir sistemsel başarısızlığı ortaya koymaktadır: karmaşık bir sosyo-ekolojik sistemin yönetimi, sanayi öncesi veri altyapısı ve yönetişim modelleriyle denenmektedir. Makale sorunu doğru teşhis etmektedir—ciddi bir kanıt eksikliği—ancak önerilen çözüm, şu anda gerekli ölçekte mevcut olmayan bir bölgesel işbirliği ve kurumsal kapasite düzeyine bağlıdır.

Mantıksal Akış: Argüman mantıksal olarak sağlamdır: zayıf veri → zayıf anlayış → etkisiz yönetim → sürdürülemez sonuçlar. Makale, bu nedensel zinciri etkili bir şekilde izlemekte, sorunun biyolojik amplifikatörü olarak K-seçilmiş türlerin hassasiyetini kullanmaktadır.

Güçlü ve Zayıf Yönler: En büyük gücü, kapsamlı, bölgesel kapsamı ve veri yoksulluğuna ilişkin net değerlendirmesidir. Ancak önemli bir kusuru, uygulama yolları ve politik ekonomi engellerine ilişkin nispeten hafif ele alışıdır. "İyi yönetişim" ve işbirliğini savunmakta ancak birçok gelişmekte olan bölgedeki balıkçılık yönetimini karakterize eden kökleşmiş çıkarları, fon eksikliklerini ve politik ataleti aşmak için somut stratejiler sunmamaktadır. Diğer alanlardaki teknolojik sıçramalarla (örn., Zhu ve diğerleri, 2017'de tartışıldığı gibi görüntü tabanlı tür tanımlama ve izleme için CycleGAN gibi Üretici Çekişmeli Ağlar (GAN'lar) kullanımı) karşılaştırıldığında, burada önerilen çözümler artımsal hissettirmektedir.

Uygulanabilir İçgörüler: Uygulayıcılar ve fon sağlayıcılar için acil öncelik, yalın, teknoloji destekli veri hatlarına yatırım yapmak olmalıdır. Mükemmel, devlet liderliğindeki izlemeyi beklemek yerine, aşağıdakileri kullanan pilot projelere destek verilmelidir:
1. İnsansız hava araçları ve uydu görüntüleri (Global Fishing Watch gibi kuruluşların uygulamalarından esinlenerek) çabayı bağımsız olarak haritalamak için.
2. Balıkçıların yan avı kaydetmesi için akıllı telefonlarda YZ destekli görüntü tanıma, taksonomik uzmanlığa bağımlılığı azaltmak için.
3. İzlenebilirliği artırmak ve ilgili bir sorun olan Yasadışı, Kayıt Dışı ve Düzensiz (YKDD) balıkçılıkla mücadele etmek için av belgelendirmesi için Blockchain veya güvenli defter sistemleri. Amaç, makalenin öngördüğü uzun vadeli kurumsal çerçeveyi inşa ederken, kriz düzeyindeki kararları bilgilendirmek için hızla "yeterince iyi" veri üretmek olmalıdır.

7. Teknik Çerçeve ve Analitik Yaklaşım

Anekdottan nicel değerlendirmeye geçmek için standartlaştırılmış bir analitik çerçeveye ihtiyaç vardır. Temel bir bileşen, popülasyon hassasiyetini modellemektir. Bu genellikle yan av için uyarlanmış bir Potansiyel Biyolojik Uzaklaştırma (PBR) çerçevesi kullanır. PBR, bir popülasyondan düşüşe neden olmadan uzaklaştırılabilecek maksimum hayvan sayısını tahmin eder:

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

Burada:
$N_{min}$ = Minimum popülasyon tahmini
$R_{max}$ = Maksimum teorik büyüme oranı
$F_r$ = İyileşme faktörü (tipik olarak 0.1-1.0)

Ancak, GBHO bağlamında $N_{min}$ genellikle bilinmemektedir. Bu nedenle, göreceli riske dayalı bir önceliklendirme çerçevesi daha pratiktir. Bu, yarı-nicel bir Ekolojik Risk Değerlendirmesi (ERA) yaklaşımı kullanabilir:

$\text{Risk Puanı}_{tür, balıkçılık} = \text{Maruziyet} \times \text{Sonuç}$

Maruziyet, mekansal/zamansal örtüşme ve av aracı duyarlılığının bir fonksiyonudur. Sonuç ise türün biyolojik üretkenliğinin (K-seçimle ters orantılı) ve mevcut popülasyon durumunun bir fonksiyonudur.

Analiz Çerçevesi Örnek Vaka

Senaryo: Kuzey Mozambik açıklarındaki solungaç ağı balıkçılığında dugong (Dugong dugon) için yan av riskinin değerlendirilmesi.
Adım 1 - Veri Derleme: Parçalı verilerin toplanması: (a) Ara sıra yakalanmalar olduğunu öne süren balıkçı görüşmeleri. (b) Hava araştırmalarından (WCS, 2010) tarihsel görülme haritaları. (c) Bildirilen solungaç ağı balıkçılık bölgelerinin CBS katmanları.
Adım 2 - Maruziyet İndeksi: Dugong habitatı (deniz çayırı yatakları) ile solungaç ağı çabası arasındaki mekansal örtüşmenin hesaplanması. Basit bir puanlama kullanın: 3 (Yüksek Örtüşme), 2 (Orta), 1 (Düşük), 0 (Yok). Puan = 2 olduğunu varsayın.
Adım 3 - Sonuç İndeksi: Dugonglar çok düşük $R_{max}$'a sahiptir (~%5 yıllık). IUCN durumu Hassas'tır. Yüksek bir sonuç puanı atayın: 3.
Adım 4 - Risk Puanı: $\text{Risk Puanı} = 2 \times 3 = 6$ (0-9 ölçeğinde). Bu, araştırma ve azaltma (örn., akustik ping cihazlarının test edilmesi veya ağ profillerinin değiştirilmesi) için Yüksek Öncelik işaretler.
Bu çerçeve, yöneticilerin kusurlu verilere rağmen eylemleri önceliklendirmesine olanak tanır.

Deneysel Sonuçlar ve Grafik Açıklaması

Kavramsal Grafik: Veri Doğruluğu vs. Yönetim Eylemi Zaman Çizelgesi
Varsayımsal bir grafik iki eğri gösterecektir. Eğri A (Mevcut Paradigma): Düşük doğrulukla (yüksek belirsizlik) uzun, düz bir "Veri Toplama" dönemi gösterir, ardından gecikmeli ve genellikle etkisiz bir "Yönetim Eylemi" gelir. Eğri B (Önerilen Çevik Paradigma): Hızlı yinelemeler gösterir. "Hızlı Risk Değerlendirmesi" (orta doğruluk) ile başlar, bu da bir "Pilot Azaltma Önlemi"ne (örn., topluluk liderliğindeki zaman kapatması) yol açar, bu da daha sonra "Yerel Uyum ve Yan Av Verisi" üretir ve sürekli bir döngü içinde değerlendirmeyi iyileştirmek için geri beslenir. Temel içgörü, eylemin mükemmel veriyi bekleyemeyeceğidir; yönetim bir öğrenme süreci haline gelmelidir.

8. Gelecek Yönelimler ve Uygulama Öngörüsü

GBHO'da sürdürülebilir KÖB yönetiminin geleceği, katılımcı yönetişim, uygun teknoloji ve uyarlanabilir bilimin birleşiminde yatmaktadır.

• Yerel Düzeyde, Teknoloji Destekli Ortak Yönetim: Düşük maliyetli sensörler, uydu AIS ve mobil uygulamaların yükselişi, balıkçı topluluklarının kendi verilerini toplamasını ve sahiplenmesini güçlendirecek, gerçek ortak yönetim anlaşmalarının temelini oluşturacaktır. Pasifik'teki SmartFish gibi projeler bir model sunmaktadır.
• YZ ve Makine Öğrenimi: Tanımlamanın ötesinde, YZ, av ve çevresel verilerdeki kalıpları analiz ederek yan av sıcak noktalarını tahmin edebilir, NOAA'nın deniz kaplumbağalarını korumak için benzer girişimlerinde olduğu gibi dinamik mekansal yönetime ("yer değiştirme" kuralları) olanak tanır.
• Alternatif Geçim Kaynakları ve Katma Değer: Gelecekteki müdahaleler, megafaunaya (balina köpekbalıkları, yunuslar) odaklanan topluluk temelli ekoturizm veya sürdürülebilir balık avlarının katma değerli işlenmesi gibi ekonomik alternatifleri proaktif olarak geliştirmelidir, böylece hassas türler üzerindeki baskı azaltılmalıdır.
• Karma Finansman ve Etki Yatırımı: Koruma çıktıları sürdürülebilir finansmana ihtiyaç duyar. Hayırsever hibeleri topluluk girişimleri (örn., sürdürülebilir su ürünleri yetiştiriciliği) için etki yatırımıyla harmanlayan modeller, uzun vadeli başarı için çok önemli olacaktır.
• İklim Uyumu ile Entegrasyon: Yönetim planları ileri görüşlü olmalı, iklim direncini içermelidir. Genellikle ekosistem işlevinde kilit roller oynayan megafaunayı korumak, değişen bir okyanusta üretken balıkçılığı sürdürmek için temel bir strateji olabilir.

9. Kaynaklar

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.