Abstract Marine Protected Areas (MPAs) are a promising management tool for the conservation and recovery of marine ecosystems, as well as fisheries management. MPAs are generally established as permanent closures but marine systems are dynamic, which has generated debate in favour of more dynamic designs. As a consequence, the identification of priority areas should assess their persistence in space and time. Here, we develop a step-by-step approach to assess the spatiotemporal dynamics of fisheries management priority areas using standard fishery-independent survey data. To do so, we fit Bayesian hierarchical spatiotemporal SDM models to different commercially important demersal species and use the resulting maps to fit different spatial prioritisation configurations. We use these results to assess the spatiotemporal dynamics of fisheries priority areas. The proposed method is illustrated through a western Mediterranean case study using fishery-independent trawl survey data on six commercially important species collected over 17 years. We identified two fisheries priority area patterns in the study area, each predominant during a different time-period of the study, asserting the importance of regularly re-assessing MPA designs.

Abstract Spatial models often assume isotropy and stationarity, implying that spatial dependence is direction invariant and uniform throughout the study area. However, these assumptions are violated when dispersal barriers are present in the form of geographical features or disease control interventions. Despite this, the issue of non-stationarity has been little explored in the context of plant health. The objective of this study was to evaluate the influence of different barriers in the distribution of the quarantine plant pathogenic bacterium Xylella fastidiosa in the demarcated area in Alicante, Spain. Occurrence data from the official surveys in 2018 were analyzed with four spatial Bayesian hierarchical models: i) a stationary model representing a scenario without any control interventions or geographical features; ii) a model with mountains as physical barriers; iii) a model with a continuous or iv) discontinuous perimeter barrier as control interventions surrounding the infested area. Barriers were assumed to be totally impermeable, so they should be interpreted as areas without host plants and in which it is not possible for infected vectors or propagating plant material to pass through. Inference and prediction were performed through the integrated nested Laplace approximation methodology and the stochastic partial differential equation approach. In the stationary model the posterior mean of the spatial range was 4,030.17 m 95% CI (2,907.41, 5,563.88), meaning that host plants that are closer to an infected plant than this distance would be at risk for X. fastidiosa . This distance can be used to define the buffer zone around the infested area in Alicante. In the non-stationary models, the posterior mean of the spatial range varied from 3,860.88 m 95% CI (2,918.61, 5,212.18) in the mountain barrier model to 6,141.08 m 95% CI (4,296.32, 9,042.99) in the continuous barrier model. Compared with the stationary model, the perimeter barrier models decreased the probability of X. fastidiosa presence in the area outside the barrier. Differences between the discontinuous and continuous barrier models showed that breaks in areas with low sampling intensity resulted in a higher probability of X. fastidiosa presence. These results may help authorities prioritize the areas for surveillance and implementation of control measures.

Circular leaf spot (CLS), caused by Plurivorosphaerella nawae, is a serious disease of persimmon (Diospyros kaki) inducing necrotic lesions on leaves, defoliation and fruit drop. Under Mediterranean conditions, P. nawae forms pseudothecia in the leaf litter during winter and ascospores are released in spring infecting susceptible leaves. Persimmon growers are advised to apply fungicides for CLS control during the period of inoculum availability, which was defined based on ascospore counts under the microscope. A model of inoculum availability of P. nawae was developed and evaluated as an alternative to ascospore counts. Leaf litter samples were collected weekly in L'Alcudia from 2010 to 2015. Leaves were soaked, placed in a wind tunnel, and released ascospores of P. nawae were counted. Hierarchical Bayesian beta regression methods were used to fit the dynamics of ascospore production in the leaf litter. The selected model, having the lowest values of DIC, WAIC and LCPO, included accumulated degree days (ADD) and ADD taking into account the vapor pressure deficit (ADDvpd) as fixed effects, and year as a random effect. This model had a MAE of 0.042 and RMSE of 0.062. The beta regression model was evaluated in four orchards for different years from 2010 to 2015. Higher accuracy was obtained at the beginning and the end of the ascospore production period, which are the events of interest to schedule fungicide sprays for CLS control in Spain. This same modelling framework can be extended to other fungal plant pathogens whose inoculum dynamics are expressed as proportion data.

Regulation (EU) 2016/2031 ([EU, 2016][1]) and Implementing Regulation (EU) 2019/2072 ([EU, 2019b][2]) define the list of quarantine plant pests and pathogens for which the adoption of measures is necessary to prevent their introduction into and spread within the European Union (EU). As indicated by

Plant pests may pose a significant threat to global agriculture, natural ecosystems and biodiversity, causing severe ecological and economic damage. Identifying regions more susceptible to pest introductions is crucial for developing effective prevention, early detection and outbreak response strategies. While historical data on pest introductions in the European Union (EU) exist, they are typically reported at the regional level. This broad aggregation has posed a challenge for accurate analysis in plant health research. This study addresses this gap by leveraging existing regional data to identify hotspots of pest introductions within the EU and the UK, through a Bayesian hierarchical spatial model. Specifically, we employed the Besag, York, and Mollié (BYM) model to identify higher risk regions (NUTS2) by incorporating covariates and spatial effects to consider information from neighbouring areas. The results showed a positive effect of annual average temperature, annual average precipitation, and human population density on the risk of pest introduction, highlighting the relevance of the spatial component. Our analysis pinpoints high-risk regions in southern Europe, particularly northern Italy. Additionally, the high human population density and documented pest introductions in the Netherlands contributed to its elevated risk. While limitations exist due to the regional nature of the data, this study represents a methodological advancement, demonstrating the effectiveness of spatial models and offering a robust framework for future studies using regional data. It also provides insights that can inform targeted prevention, early detection and preparedness strategies, ultimately contributing to safeguarding agriculture, natural ecosystems and biodiversity in the EU and UK.