The oceans around the world have been heavily impacted by overfishing due to very intensive commercial fishing in recent times. A large number of fish stocks have already been fully exploited. Vessel Monitoring System has been put in place to regulate fishing vessels and enforce sustainable fisheries management. Data coming from such systems can be used for the detection of illegal, unregulated, and unreported fishing. In this thesis, we present various machine learning models for the classification of fishing trip trajectories. To train these models, we develop a trajectory segmentation algorithm to create trip trajectories out of raw data and design a graphical user interface for labeling the trip trajectories into fishing and non-fishing. We also examine the impact of the temporal resolution of the data. In conclusion, the CNN-Transformer network performed the best on the binary classification of two different fishing vessel types. During the project, we realized that segmentation of real trajectory data into trips poses many problems and presents the biggest obstacle. The experiment on the varying temporal resolution of the data showed that having a higher temporal resolution gives better modeling results but only to a certain point. / Haven runt om i världen har drabbats hårt av överfiske på grund av ett mycket intensivt kommersiellt fiske på senare tid. Ett stort antal fiskbestånd har redan utnyttjats fullt ut. Fartygsövervakningssystem har införts för att reglera fiskefartyg och upprätthålla hållbar fiskeförvaltning. Data som kommer från sådana system kan användas för att upptäcka olagligt, oreglerat och orapporterat fiske. I detta examensarbete presenterar vi olika maskininlärningsmodeller för klassificering av fisketursbanor. För att träna dessa modeller utvecklar vi en segmenteringsalgoritm för att skapa turbanor av rådata och designa ett grafiskt användargränssnitt för att märka resbanorna till fiske och icke-fiske. Vi undersöker också effekten av den tidsmässiga upplösningen av datan. Sammanfattningsvis presterade CNN-Transformer-nätverket bäst i den binära klassificeringen av två olika fiskefartygstyper. Under projektet insåg vi att segmentering av verkliga bandata till resor utgör många problem och utgör det största hindret. Experimentet på den varierande tidsupplösningen av data visade att en högre tidsupplösning ger bättre modelleringsresultat men bara till en viss punkt.

Ce travail propose une contribution originale à la compréhension du comportement spatial des pêcheurs, basée sur les paradigmes de l'écologie comportementale et de l'écologie du mouvement. En s'appuyant sur des données du 'Vessel Monitoring System', nous étudions le comportement des pêcheurs d'anchois du Pérou à des échelles différentes: (1) les modes comportementaux au sein des voyages de pêche (i.e. recherche, pêche et trajet), (2) les patrons comportementaux parmi les voyages de pêche, (3) les patrons comportementaux par saison de pêche conditionnés par des scénarios écosystémiques et (4) les patrons spatiaux des positions de modes comportementaux, que nous utilisons pour la création de cartes de probabilité de présence d'anchois. Pour la première échelle, nous comparons plusieurs modèles Markoviens (modèles de Markov et semi-Markov cachés) et discriminatifs (forêts aléatoires, machines à vecteurs de support et réseaux de neurones artificiels) pour inférer les modes comportementaux associés aux trajectoires VMS. L'utilisation d'un ensemble de données pour lesquelles les modes comportementaux sont connus (grâce aux données collectées par des observateurs embarqués), nous permet d'entraîner les modèles dans un cadre supervisé et de les valider. Les modèles de semi-Markov cachés sont les plus performants, et sont retenus pour inférer les modes comportementaux sur l'ensemble de données VMS. Pour la deuxième échelle, nous caractérisons chaque voyage de pêche par plusieurs descripteurs, y compris le temps passé dans chaque mode comportemental. En utilisant une analyse de classification hiérarchique, les patrons des voyages de pêche sont classés en groupes associés à des zones de gestion, aux segments de la flottille et aux personnalités des capitaines. Pour la troisième échelle, nous analysons comment les conditions écologiques donnent forme au comportement des pêcheurs à l'échelle d'une saison de pêche. Via des analyses de co-inertie, nous trouvons des associations significatives entre les dynamiques spatiales des pêcheurs, des anchois et de l'environnement, et nous caractérisons la réponse comportementale des pêcheurs selon des scénarios environnementaux contrastés. Pour la quatrième échelle, nous étudions si le comportement spatial des pêcheurs reflète dans une certaine mesure la répartition spatiale de l'anchois. Nous construisons un indicateur de la présence d'anchois à l'aide des modes comportementaux géo-référencés inférés à partir des données VMS. Ce travail propose enfin une vision plus large du comportement de pêcheurs: les pêcheurs ne sont pas seulement des agents économiques, ils sont aussi des fourrageurs, conditionnés par la variabilité dans l'écosystème. Pour conclure, nous discutons de la façon dont ces résultats peuvent avoir de l'importance pour la gestion de la pêche, des analyses de comportement collectif et des modèles end-to-end. / This work proposes an original contribution to the understanding of fishermen spatial behavior, based on the behavioral ecology and movement ecology paradigms. Through the analysis of Vessel Monitoring System (VMS) data, we characterized the spatial behavior of Peruvian anchovy fishermen at different scales: (1) the behavioral modes within fishing trips (i.e., searching, fishing and cruising); (2) the behavioral patterns among fishing trips; (3) the behavioral patterns by fishing season conditioned by ecosystem scenarios; and (4) the computation of maps of anchovy presence proxy from the spatial patterns of behavioral mode positions. At the first scale considered, we compared several Markovian (hidden Markov and semi-Markov models) and discriminative models (random forests, support vector machines and artificial neural networks) for inferring the behavioral modes associated with VMS tracks. The models were trained under a supervised setting and validated using tracks for which behavioral modes were known (from on-board observers records). Hidden semi-Markov models performed better, and were retained for inferring the behavioral modes on the entire VMS dataset. At the second scale considered, each fishing trip was characterized by several features, including the time spent within each behavioral mode. Using a clustering analysis, fishing trip patterns were classified into groups associated to management zones, fleet segments and skippers' personalities. At the third scale considered, we analyzed how ecological conditions shaped fishermen behavior. By means of co-inertia analyses, we found significant associations between fishermen, anchovy and environmental spatial dynamics, and fishermen behavioral responses were characterized according to contrasted environmental scenarios. At the fourth scale considered, we investigated whether the spatial behavior of fishermen reflected to some extent the spatial distribution of anchovy. Finally, this work provides a wider view of fishermen behavior: fishermen are not only economic agents, but they are also foragers, constrained by ecosystem variability. To conclude, we discuss how these findings may be of importance for fisheries management, collective behavior analyses and end-to-end models.