Detta examensarbete handlar om fartygsskydd och rollen som SSO på olika fartygstyper. Syftet med undersökningen var att ta reda på vilket sätt fartygstypen och fartområdet fartyget går i påverkar hur man ombord arbetar med fartygsskyddet och ISPS. Denna undersökning genomfördes under sommaren och hösten 2015 genom kvalitativa semistrukturerade intervjuer med SSO:erna på fyra fartyg av olika typ i olika fartområden. Fartygen i undersökningen består av ett kryssningsfartyg i oceanfart, ett tankfartyg i europafart, ett biltransportfartyg i oceanfart samt en färja i närfart. Resultatet av vår undersökning visar att det finns skillnader mellan både de undersökta fartygstyperna och fartområdena samt att detta påverkar hur de intervjuade SSO:erna uppfattar sin roll. Resultatet pekar på att den största skillnaden i organiseringen av fartygsskyddet finns mellan de två huvudtyperna av fartyg i studien, dvs. passagerarfartyg och lastfartyg, och att den skillnaden till stor del kan förklaras av besättningens storlek. / This thesis is about ship security and the role of the SSO on different types of vessels. The purpose of the survey was to find out how the ship type and trade area of the ship affects how the on-board work with security and ISPS is conducted. The study was carried out during the summer and autumn 2015 by making qualitative semi-structured interviews with the SSOs on four vessels of different type in different trade areas. The vessels in the survey consist of a cruise ship in ocean traffic, a tanker in European traffic, a car carrier in world-wide ocean traffic and a ferry in short voyage traffic. In the study it was concluded that there are differences between both the investigated vessel types and trade areas, and that this affects how the interviewees: the SSOs perceive their role. The result indicates that the largest difference in the organization of ship security is found between the two main types of vessels in the study, between passenger ships and cargo ships, and that this difference can largely be explained by the size of the crew.

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.