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.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-321921 |
| Date | January 2022 |
| Creators | Mastnak, Peter |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2022:771 |
Page generated in 0.0022 seconds