渔业捕捞记录支持基于机器学习的在美国西海岸非法捕捞的预测

科学领域:

• 渔业 科学 渔业 科学
• 机器学习 机器学习
• 保护法律的执行 保护法律的执行

背景情况:

• 非法,未报告和未监管 (IUU) 捕捞是一个全球性挑战,商业捕捞的有限监测加剧了这一挑战.
• 在渔业管理和执法方面,区分合法和非法渔业活动,特别是关于捕捞地点,是关键问题.

研究的目的:

• 开发和应用监督机器学习模型,以检测部分观察渔业中潜在的非法渔业活动.
• 在海上或海岸观察员缺席时,识别可能在未经授权的地区捕鱼的船只.

主要方法:

• 利用监督机器学习,特别是随机森林和梯度增强集体树木估计器.
• 在标记数据上训练模型,来自大约1万次捕捞,包括着陆记录 (捕捞数据) 和观察员数据.
• 确定了包括捕捞重量,物种和交付港口在内的关键预测变量.

主要成果:

• 在预测船只是否在州和联邦水域捕鱼方面取得了97%的准确性.
• 尽管存在跨年环境变化,包括异常温暖的年份,但模型表现强.
• 在近6万个未被观察到的着陆记录中,确定了500多起在联邦水域非法捕捞的潜在案例.

结论:

• 监督机器学习在数据有限的场景中有效地识别潜在的非法捕鱼行为.
• 一个自动化系统现在可以实时分析未被观察到的着陆,标记可疑活动进行调查.
• 该方法提供了一个可扩展的解决方案,用于监测和执法在世界各地的各种部分或完全未被观察到的渔业.