VMS data analyses and modeling for the monitoring and surveillance of Indonesian fisheries
Analyse et modélisation des données VMS pour le suivi et la surveillance des pêches indonésiennes
Résumé
Monitoring, control and surveillance (MCS) of marine fisheries are critical issues for the sustainable management of marine fisheries. In this thesis we investigate the space-based monitoring of fishing vessel activities using Vessel Monitoring System (VMS) trajectory data in the context of INDESO project (2013-2017). Our general objective is to develop a processing chain of VMS data in order to: i) perform a follow-up of the fishing effort of the Indonesian longline fleets, ii) detect illegal fishing activities and assess their importance. The proposed approach relies on classical latent class models, namely Gaussian Mixture Models (GMM) and Hidden Markov Models (HMM), with a view to identifying elementary fishing vessel behaviors, such as travelling, searching and fishing activities, in a unsupervised framework. Following state-of-the-art approaches, we consider different parameterizations of these models with a specific focus on Indonesian longliners, for which we can benefit from at-sea observers¿ data to proceed to a quantitative evaluation. We then exploit these statistical models for two different objectives: a) the discrimination of different fishing fleets from fishing vessel trajectories and the application to the detection and assessment of illegal fishing activities, b) the assessment of a spatialized fishing effort from VMS data. We report good recognition rate (about 97%) for the former task and our experiments support the potential for an operational exploration of the proposed approach. Due to limited at-sea observers¿ data, only preliminary analyses could be carried out for the proposed VMS-derived fishing effort. Beyond potential methodological developments, this thesis emphasizes the importance of high-quality and representative at-sea observer data for further developing the exploitation of VMS data both for research and operational issues.
Le suivi, le contrôle et la surveillance (MCS) des pêches marines sont des problèmes essentiels pour la gestion durable des ressources halieutiques. Dans cette thèse, nous étudions le suivi spatial des activités des navires de pêche en utilisant les données de trajectoire du système de surveillance des navires (VMS) dans le cadre du projet INDESO (2013-2017). Notre objectif général est de développer une chaîne de traitement des données VMS afin de: i) effectuer un suivi de l'effort de pêche des flottilles de palangriers indonésiens, ii) détecter les activités de pêche illégales et évaluer leur importance. L'approche proposée repose sur des modèles de mélange gaussien (GMM) et les modèles de Markov cachés (HMM), en vue d'identifier les comportements élémentaires des navires de pêche, tels que les voyages, la recherche et les activités de pêche, dans un cadre non supervisé. Nous considérons différentes paramétrisations de ces modèles avec une étude particulière des palangriers indonésiens, pour lesquels nous pouvons bénéficier de données d'observateurs embarqués afin de procéder à une évaluation quantitative des modèles proposés et testés.Nous exploitons ensuite ces modèles statistiques pour deux objectifs différents: a) la discrimination des différents flottilles de pêche à partir des trajectoires des navires de pêche et l'application à la détection et à l'évaluation des activités de pêche illégale, b) l'évaluation d'un effort de pêche spatialisé à partir des données VMS. Nous obtenons de très bons taux de reconnaissance (environ 97%) pour la première tâche et nos expériences soutiennent le potentiel d'une exploration opérationnelle de l'approche proposée. En raison du nombre limité de données d'observateurs embarqués, seules des analyses préliminaires on pu être effectuées pour l'estimation de l'effort de pêche à partir des données VMS. Au-delà des développements méthodologiques potentiels, cette thèse met l'accent sur l'importance de la qualité de données d'observation en mer représentatives pour développer davantage l'exploitation des données VMS tant pour la recherche que pour les questions opérationnelles.
Origine : Version validée par le jury (STAR)
Loading...