La pesca artigianale nel Mediterraneo è essenziale per le economie costiere, ma il suo #monitoraggio resta una sfida complessa.
Le imbarcazioni sotto i 12 metri possono infatti utilizzare più attrezzi nella stessa uscita, ciascuno con impatti diversi sul fondale e sugli organismi marini. Inoltre, spesso non esiste l’obbligo di registrare quale attrezzo sia stato impiegato in ogni singola cala, rendendo difficile ricostruire con precisione le attività di pesca.
In questo contesto, si inserisce il lavoro che vi proponiamo questa settimana per i Lavori Scientifici in Evidenza e per la Giornata Mondiale dell’Ambiente, sviluppato in collaborazione con l’Istituto per le Risorse Biologiche e le Biotecnologie Marine del Consiglio Nazionale delle Ricerche (IRBIM CNR) e l’University of St Andrews (United Kingdom).
L’articolo presenta un framework basato su MachineLearning, in particolare RandomForest ed ExtremeGradientBoosting, in grado di predire automaticamente, a partire da dati GPS ad alta frequenza, quale attrezzo passivo sia stato utilizzato in ogni operazione di pesca.
Addestrato su oltre 7.000 eventi di pesca raccolti, il modello raggiunge un’accuratezza del 95% nella distinzione tra macro-categorie, ovvero reti e trappole, e dell’86% nel riconoscimento dello specifico attrezzo utilizzato.
L’articolo e il codice open source per replicare i risultati sono disponibili al seguente link:
Machine learning-based prediction of passive gears from vessel tracking data in small-scale multi-gear fisheries
