サメにとって危険な水域：機械学習を利用して、はえ縄漁で最も危険にさらされるサメの生息地を特定(Risky Waters for Sharks：Researchers use machine learning to map where sharks face the most risk from longline fishing)

　カリフォルニア大学サンタバーバラ校の研究者たちは、サメにとって特に厄介な問題であるマグロ延縄漁業との関係に注目しました。地域の漁業管理組織のデータと機械学習アルゴリズムを用いて、サメの種が延縄漁の脅威にさらされているホットスポットを特定することができたのです。Frontiers in Marine Scienceに掲載されたこの研究結果は、マグロ漁業への影響を最小限に抑えながらサメを保護することができる主要な地域を明らかにしました。
沖合での延縄漁は、海洋生物に特に大きな犠牲を強いている。非選択的なこの漁法は、サメの混獲率が最も高い。延縄漁具は、まさにその名の通り、餌をつけたたくさんの釣り針がついた長い釣り糸である。この餌付き釣り針はマグロなどの肉食動物を捕らえるが、近くにいる多くのサメも餌に集まってくる。
著者らは、単にどこで何匹のサメが捕獲されたかを報告するのではなく、海域ごとにサメが直面する相対的なリスクを評価することを目的とした。
延縄漁業に関するデータは、マグロの地域漁業管理組織から入手した。これらの政府間機関は、マグロとマグロに似た種の管理、データ収集、科学的評価を行なっている。
著者らは、世界の全マグロ漁業における工業的延縄漁業によるサメの捕獲データを、1つの包括的な資料としてまとめた。サメの空間的な捕獲データを、海面水温や餌の豊富さに関連する要因などの環境データと対にした。また、毎年異なる種類のサメについて、船上価格のような経済データも含まれている。
これは、漁業と海洋生物種の相互作用を推定するための新しいアプローチでした。機械学習を用いることで、チームは乱雑なデータセットから傾向を推定することができた。まず、ある地域にサメが生息しているかどうか、生息している場合はどの程度捕獲される可能性があるか をモデルで評価した。次に、各種のサメが何頭捕獲されたかを調べた。
著者らは、多くの決定木の出力を組み合わせたランダムフォレストモデルを使用しました。各決定木は異なる変数を考慮し、その結果は最終的な予測に対する票である。この方法では、各要素がシステムにどのような影響を与えるかを明確に把握することはできませんが、乱雑で不完全なデータセットを理解することには非常に適しています。こうして出来上がったのが、世界各地のサメ漁のリスクマップである。
幸いなことに、延縄漁とサメの相互作用のホットスポットは、好ましい漁場とは一致しないことがわかった。サメを助けると同時に、漁業者にもアピールできる行動を促すことができるため、研究チームはこれを特に心強く感じている。
ホットスポットと好漁場の違いは、マグロとサメの違いに起因している可能性があります。「例えば、サメ漁のホットスポットの中には、サメのライフサイクルに重要な役割を果たすエリアと重なるものがあることに気づきました」と Thomas は付け加えました。例えば、ヨシキリザメの幼魚の餌場として知られるナミビア沖の海。
実際、延縄漁船団との交流はヨシキリザメが主役でした。この一般的で広範囲に生息する種は、2012年から2020年の間にマグロ地域漁業管理機関が報告したサメ漁獲量の78%以上を占めた。その結果、サメ全体に関するこの論文の調査結果の大部分は、特にヨシキリザメの漁獲量に左右されることになる。このため、著者らは補足資料で12種のホットスポットを個別に調査した。