Analisi della distribuzione mensile della megattera (Megaptera novaeangliae) nel nord-est dell'Islanda: approfondimenti sulla baia di Skjálfandi

View/ Open
Author
Poggio, Matteo <1999>
Date
2025-03-27Data available
2025-04-03Abstract
La megattera (Megaptera novaeangliae) è un cetaceo altamente migratorio che si sposta stagionalmente tra aree di riproduzione invernali a basse latitudini e aree di alimentazione estive ad alte latitudini. La baia di Skjálfandi, nel nord-est dell’Islanda, rappresenta un’importante area di foraggiamento. Tuttavia, i fattori ambientali che ne influenzano la distribuzione locale sono ancora poco noti. Questo studio utilizza il modello Random Forest (RF) per prevedere la distribuzione mensile delle megattere nella baia (marzo–settembre). Sono stati usati dieci anni di dati opportunistici (2014–2023) raccolti da imbarcazioni per il whale watching, abbinati a sette variabili ambientali: batimetria, pendenza, distanza dalla costa, temperatura media e range della superficie marina (SST), e concentrazione media e range di clorofilla-a (CHL-a). L’area è stata suddivisa in celle di 580m, associate a presenza/assenza e valori ambientali.
Le performance dei modelli mensili, valutate con la True Skill Statistic, sono risultate migliori da maggio a settembre, in corrispondenza del picco di presenza. I principali fattori predittivi sono risultati la SST media e la profondità. Tra maggio e luglio, le balene preferivano acque costiere più calde; tra agosto e settembre si spostavano verso acque più profonde (150–200m) con maggiore variabilità di CHL-a, suggerendo zone di upwelling e una diversa aggregazione di prede.
I risultati hanno implicazioni gestionali per l’area di Húsavík, dove l’attività turistica è intensa e non regolamentata. Le preferenze stagionali identificate possono supportare strategie dinamiche di conservazione, come zone di protezione temporanee. Lo studio riconosce limitazioni legate all’uso di dati opportunistici, alla bassa risoluzione dei dati satellitari e all’assenza di informazioni su prede e pesca. Futuri sviluppi dovrebbero integrare modelli dinamici e approcci ensemble per migliorare l’affidabilità delle previsioni. Humpback whales (Megaptera novaeangliae) are highly migratory, moving seasonally between low-latitude breeding and high-latitude feeding grounds. Skjálfandi Bay, Northeast Iceland, is a key foraging area with increasing whale presence, but the environmental drivers of their distribution remain unclear. This study used a Random Forest (RF) machine learning model to predict monthly habitat suitability (March–September) using static and dynamic environmental variables. Ten years of opportunistic whale sightings (2014–2023) from commercial whale watching vessels were used for modelling, after preprocessing to reduce spatial autocorrelation. The study area was divided into 580m x 580m grid cells, with respective environmental values. Seven variables were included: bathymetry, slope, distance to coast, sea surface temperature (SST) mean and range, and chlorophyll-a (CHL-a) mean and range.
Model performance, evaluated with True Skill Statistic (TSS), varied monthly, with higher reliability from May to September. SST mean and depth were key predictors. From May to July, whales were broadly distributed, favoring warmer, coastal waters. By August–September, whales shifted to deeper areas (150–200m) potentially reflecting a dietary shift from krill to forage fish. Steep western slopes with higher CHL-a variability, likely linked to upwelling and prey aggregation, emerged as late-season hotspots.
Findings have conservation implications for managing whale watching in Húsavík, where vessel traffic remains unregulated despite being within a whale sanctuary. Seasonal habitat insights support dynamic management tools, like temporal zoning, to reduce human impact in critical feeding zones. Limitations include spatial bias from opportunistic data, coarse satellite-derived environmental layers, and lack of direct prey or fishing effort data. Future models integrating real-time conditions and ensemble approaches could improve prediction accuracy.
Type
info:eu-repo/semantics/masterThesisCollections
- Laurea Magistrale [5638]