Проанализированы многолетние данные о массе печени, гепатосоматическом (ГПСИ) и гонадосоматическом (ГСИ) индексах минтая, трески и наваги, обитающих у восточного побережья Камчатского полуострова, рассмотренные в сезонном аспекте и по мере созревания половых желез. Индивидуальные значения этих показателей сильно варьируют и зависят от размеров рыб, сезона и состояния зрелости гонад. Динамика ГПСИ согласуется с изменениями ГСИ как в течение года, так и в зависимости от степени зрелости гонад. Максимальные показатели ГПСИ характерны для особей минтая и трески с гонадами III стадии зрелости. Наибольшие значения индекса у наваги отмечаются у половозрелых особей с незрелыми гонадами. Минимальные показатели имеют рыбы, гонады которых находятся на стадии завершения икрометания и посленерестового восстановления. Самцы и самки минтая и трески в ходе их годичного полового цикла реализуют различные сценарии расходования и накопления жира, депонированного в печени. Если максимум ГПСИ наблюдается у рыб, имеющих половые железы III стадии зрелости, то у самцов минимальные показатели специфичны для особей с текучими половыми продуктами, а у самок — после икрометания. Это может быть связано с возможностью потребления особью пищи. У завершивших недавно нерест самцов наблюдается возрастание массы печени и ее индекса, у самок это отмечается только на стадии посленерестового восстановления.

По данным траловых съемок, выполненных в 2010–2017 гг., мальки наваги распределялись преимущественно в районе устьев рек, а мальки минтая — как у береговой черты, так и над большими глубинами в южной части шельфа. В 2017 г. скопления мальков наваги длиной 29,4–70,5 мм (в среднем 52,5 мм) встречались в районе работ от 14 до 195 м между 52° и 53° с. ш. Наибольшие их концентрации отмечены в местах с высоким уровнем солености, температуры и мутности воды, а также с повышенной концентрацией хлорофилла a. Большинство уловов мальков минтая концентрировалось между 53 и 54° с. ш. на глубинах от 20 до 195 м (в среднем 68,2 м). Максимальные скопления минтая были приурочены к зонам с повышенным содержанием кислорода и солености. Мальки обитали при среднем для исследованного района уровне хлорофилла a. Их размеры изменялись от 44,5 до 74,6 мм (в среднем 57,8 мм). В уловах разноглубинного трала вместе с мальками наваги и минтая зарегистрированы молодь и взрослые особи 11 видов донных и придонно-пелагических видов рыб.

По данным ихтиологических работ, проведенных в бассейне р. Кичиги в весенне-летний период 2017–2019 гг., впервые получены следующие результаты: охарактеризована динамика ската молоди кеты, в т. ч. суточная; проанализированы качественные показатели скатывающихся сеголетков; представлен анализ питания покатной молоди; отмечено влияние гидрологического режима в весенне-летний период на интенсивность питания сеголеток. Также отмечено, что условия для ската кеты в 2018 г. были наиболее благоприятными, что, вероятно, могло положительным образом повлиять на дальнейшую выживаемость молоди.

В статье изложены результаты изучения возможной конкуренции за пищевые ресурсы между массовыми видами камбал восточной части Охотского моря. Выполнен сравнительный анализ питания камбал с точки зрения не случайного формирования их пищевых спектров, а являющегося следствием воздействия определенного фактора, которым может быть межвидовая конкуренция. Рассмотрены изменения скорости популяционного роста с позиций взаимного влияния популяций этих видов друг на друга. В качестве основных методов исследований использованы «нейтральные модели» и модели Лотки – Вольтерры. Результаты исследования свидетельствуют о том, что структура питания камбал стабилизировалась ранее, под действием факторов, включающих межвидовую конкуренцию. В подавляющем большинстве случаев внутривидовая конкуренция в оценке на одну особь выше, чем межвидовая. Моделирование показало, что в своей динамике популяции восточноохотоморских камбал стремятся к состоянию устойчивого равновесия. Выявленная конкуренция за ресурсы между камбалами носит асимметричный характер.

Для прогнозирования подходов камчатской горбуши используется мощный современный метод машинного обучения Random Forest — случайный лес деревьев решений. В качестве предикторов используются помесячные данные климатических индексов. В работе применяется итеративный способ отбора наиболее важных факторов. Выбор лучшей модели осуществлен по наименьшей ошибке на тестовых данных. Алгоритм применяемого метода оформлен на языке R.