Unveiling the gears in small-scale fisheries using landings from a different country: an ML approach

Abstract

Small-scale fisheries (SSF) wield substantial influence on the maritime ecosystem, con- stituting 80% of the global fleet, 84% within the EU, and 87% of the Portuguese fleet. While these fisheries exert such an important role, only recently have been established proposals to improve the management of SSF, which contrary to Large-Scale fisheries, operate without particular obligations. Within the proposals, logbooks containing official records register information about the species caught and its respective weight in kilograms, and fishing gear operated, how- ever, compliance with logbook requirements remains subject to the fishermen’s intention, which makes it challenging to create a comprehensive analysis of these records. Moreover, the Portuguese fleet often operates with different gears, but these are not validated when used during a boat trip. The only information available is which gear licences were provided, making it complicated to understand how these gears are related to the species caught and their behaviour in the Portuguese fishing grounds. Nonetheless, in the current work, a dataset with the gears validated was provided by the Instituto Español de Oceanografía (IEO), which was used to implement supervised machine learning models. These models performed excellently on unseen data, whereas XGBoost (XGB) was the highlight by having a better recall than Random Forest (RF)(97% - XGB and 96% - RF), using the species caught weight in kilograms, the length of the boat, the taxa richness, the month of the landing, and the total species caught weight in kilograms as variables. XGB was then applied to the Portuguese dataset which validation was not provided but had an overall coherence with the main licenses of 81% and a coherence with fisheries experts of 82%. After testing different models, Shapley Additive Explanations and Logistic Regression were used to better understand the relationship between gear classification and the selected variables. This analysis provided insightful results. Dredges were associated with catching Chamlea, Donax, and Bolinus. Pots & Traps were linked to Octopus, Sepia, and more activity early in the year. Gillnets were identified by catching Merluccius, Diplodus, and showing higher species richness. Trammel Nets stood out for higher species richness, catching Mullus, Sepia, Pegusa, and being used by smaller boats. Hand & Pole Lines were associated with catching Mullus, Pagrus, Octopus, and Raja, and lower species richness. Longlines were characterized by catching Pagrus, Pagellus, Phycis, and Muraena. Otter Bottom Trawlers were linked to larger boats, higher species richness, and catching Lophius, Octopus, Mullus, Trachurus, Sepia, Microchirus, Loligo, Solea, and Merluccius. Finally, Purse Seiners were characterized by a high total catch weight and species like Scomber, Trachurus, Euthynnus, Mullus, Pomadasys, and Sardina.

A Pequena Pesca ou a Perca Artesanal exerce uma influência substancial no ecossistema marinho, constituindo 80% da frota global, 84% na União Europeia e 87% da frota Portu- guesa. Embora estas pescarias desempenhem um papel importante, somente recentemente foram estabelecidas propostas para melhorar a gestão das mesmas, que, ao contrário das pescarias de grande escala, operam sem obrigações específicas. Dentro das propostas, os logbooks, onde são registadas informações oficiais, como espécies capturadas e o seu respetivo peso em quilogramas, e artes de pesca utilizadas, ainda dependem das intenções dos pescadores, o que torna desafiante a implementação de uma análise mais abrangente destes registos. Além disso, a frota portuguesa muitas vezes opera com diferentes artes de pesca, sendo que apenas as licenças são fornecidas (ou seja, as artes não são validadas nos portos), o que torna complicado entender como estas estão relacionadas com as espécies capturadas e seus comportamentos nas áreas de pesca portuguesas. No entanto, no presente trabalho, foi fornecido um conjunto de dados com as artes de pesca validadas pelo Instituto Español de Oceanografía (IEO), que foi utilizado para implementar modelos de aprendizagem automática supervisionada. Estes modelos apre- sentaram um desempenho excelente em dados não vistos, destacando-se o XGBoost (XGB), que obteve um melhor recall do que o Random Forest (RF) (97% - XGB e 96% - RF), utili- zando como variáveis o peso das espécies capturadas em quilogramas, o comprimento da embarcação, a diversidade de espécies, o mês do desembarque, e o peso total das espécies capturadas em quilogramas. O XGB foi então aplicado ao conjunto de dados português, cuja validação não foi fornecida, mas apresentou uma coerência global com as principais licenças de 81% e uma coerência com os especialistas em pesca de 82%. Após testar diferentes modelos, as Explicações Aditivas de Shapley e a Regressão Logística foram usadas para entender melhor a relação entre a classificação do tipo de artes de pesca e as variáveis selecionadas. Esta análise trouxe resultados interessantes. Os arrastos mecânicos foram associados à captura de Chamelea, Donax e Bolinus. Armadilhas e Covos foram relacionados com a captura de Polvo, Sépia, e com mais atividade no início do ano. As redes de emalhar foram identificadas pela captura de Merluccius, Diplodus, e por apresentarem maior riqueza de espécies. As redes tresmalho destacaram-se pela maior riqueza de espécies, captura de Mullus, Sépia, Pegusa, e por serem operadas por embarcações mais pequenas. As linhas de mão e cana foram associadas à captura de Mul- lus, Pagrus, Polvo e Raja, e menor riqueza de espécies. As palangres foram caracterizadas pela captura de Pagrus, Pagellus, Phycis e Muraena. As redes de arrasto de fundo estavam ligadas a barcos maiores, maior riqueza de espécies, e captura de Lophius, Polvo, Mul- lus, Trachurus, Sépia, Microchirus, Loligo, Solea e Merluccius. Finalmente, os cercadores caracterizaram-se por um grande peso total de captura e pela captura de espécies como Scomber, Trachurus, Euthynnus, Mullus, Pomadasys e Sardina.