Identificación de puntos de pesca en los viajes pesqueros de anchoveta monitoreados por satélite mediante redes neuronales artificiales

Abstract

La sostenibilidad de los recursos marinos y de su ecosistema hace necesario un manejo responsable de las pesquerías. Conocer la distribución espacial del esfuerzo pesquero y en particular de las operaciones de pesca es indispensable para mejorar el monitoreo pesquero y el análisis de la vulnerabilidad de las especies frente a la pesca. Actualmente en la pesquería de anchoveta peruana, se recoge información del esfuerzo y capturas mediante un programa de observadores a bordo, pero esta solo representa una muestra de 2% del total de viajes pesqueros. Por otro lado, se dispone de información por cada hora (en promedio) de la posición de cada barco de la flota gracias al sistema de seguimiento satelital de las embarcaciones (VMS), aunque en estos no se señala cuándo ni dónde ocurrieron las calas. Las redes neuronales artificiales (ANN) podrían ser un método estadístico capaz de inferir esa información, entrenándose en una muestra para la cual sí conocemos las posiciones de calas (el 2% anteriormente referido), estableciendo relaciones analíticas entre las calas y ciertas características geométricas de las trayectorias observadas por el VMS y así, a partir de las últimas, identificar la posición de las operaciones de pesca. La aplicación de la red neuronal requiere un análisis previo que examine la sensibilidad de la red a variaciones en sus parámetros y bases de datos de entrenamiento, y que nos permita desarrollar criterios para definir la estructura de la red e interpretar sus resultados de manera adecuada. La problemática descrita en el párrafo anterior, aplicada específicamente a la anchoveta (Engraulis ringens) es detalllada en el primer capítulo, mientras que en el segundo se hace una revisión teórica de las redes neuronales. Luego se describe el proceso de construcción y pre- tratamiento de la base de datos, y definición de la estructura de la red previa al análisis de sensibilidad. A continuación se presentan los resultados para el análisis en los que obtenemos una estimación del 100% de calas, de las cuales aproximadamente 80% están correctamente ubicadas y 20% poseen un error de ubicación. Finalmente se discuten las fortalezas y debilidades de la técnica empleada, de métodos alternativos potenciales y de las perspectivas abiertas por este trabajo.

Responsible management of fisheries is necessary in order to guarantee the sustainability of marine resources and their ecosystem. Knowing the spatial distribution of fishing effort and particularly the fishing set locations is key for improving fisheries monitoring and the analysis of vulnerability of the species to fishing. Today in Peruvian anchovy fisheries information on effort and catches is collected by an at-sea observer program. However, this represents only a 2% sample of the fishing trips performed by the fleet. On the other hand, hourly information on position is available for each vessel thanks to the satellite vessel monitoring system (VMS). Nonetheless, VMS does not indicate when and where fishing sets occurred. Artificial neural networks (ANN) are a statistical method that could allow inferring such information, by training the net on a sample with known fishing set locations (the 2% discussed earlier), then establishing analytical relationships between fishing sets and some geometric characteristics of the trajectories observed in VMS data. This allows us to identify a priori unknown fishing set locations. The neural network application requires a preliminary analysis that examines the sensitivity of the net to variations in its parameters and training databases, which allows us to develop criteria for defining the net structure and interpreting the results in an adequate manner. The problematic described above is applied to Peruvian anchovy (Engraulis ringens) and detailed in the first chapter, while the second one undertakes a theoretical review of ANN. In the following chapter, we describe the process of obtaining and processing the database and we define the network structure on which the sensitivity analysis is performed. Later, the results of the analysis are presented: we obtain a 100% estimation of the fishing set with 80% correctly located and 20% with location uncertainty. Finally, we discuss the strengths and weaknesses of the technique, potential alternative methods and the perspectives opened by this work.