L’IA pour une gestion plus efficace des efforts en matière d’application de la législation sur les pêches
(English: AI for more effective management of fisheries enforcement efforts )
Les ordinateurs peuvent apprendre à repérer les activités de pêche à partir des données sur les déplacements des navires captées par les récepteurs satellites. Le MPO a élaboré un modèle de prévision pour détecter les activités de pêche en fonction de la vitesse et de la trajectoire des navires et du type d’engin de pêche. Un autre modèle de prévision est élaboré pour détecter les principales zones d’activité de pêche. Les renseignements obtenus à partir des deux modèles peuvent donner aux agents des pêches canadiens une vue d’ensemble de ce qui se passe sur l’eau, permettant ainsi une gestion plus efficace des efforts d’application de la loi.
Le défi
La pêche illicite, non déclarée et non réglementée (INN) a de nombreuses répercussions négatives sur l’environnement, l’économie et la société.
- On considère que la pêche INN contribue fortement au déclin des stocks de poisson et à la destruction des habitats marins. On estime qu’un poisson vendu sur cinq est capturé illégalement. Cela représente jusqu’à 26 millions de tonnes de poissons capturés chaque année, d’une valeur de 10 à 23 milliards de dollars [1].
- Les zones sensibles pour la pêche INN peuvent contenir des quantités plus importantes d’engins fantômes, car les navires qui pêchent illégalement sont plus susceptibles d’abandonner ou de perdre leurs engins. Les engins de pêche fantômes constituent l’une des plus grandes menaces pour nos océans, entraînant une augmentation de la pollution marine qui peut être mortelle pour les poissons, les mammifères marins et d’autres formes de vie marine [2].
- Il s’agit non seulement de garantir la durabilité de nos océans, mais aussi d’assurer la sécurité des agents des pêches du MPO. Des incidents de violence contre des agents des pêches du MPO sont signalés chaque année, tout comme d’autres formes d’activités criminelles se déroulant sous le couvert de la pêche, comme le trafic de drogue ou d’êtres humains.
Les agents des pêches canadiens sont très présents sur l’eau, dans les airs et dans les ports, afin de surveiller et d’examiner les activités de pêche. Compte tenu de l’étendue de nos océans, il est difficile pour les agents des pêches du MPO d’assurer le suivi des activités de pêche INN et d’y réagir. Rien que le recours à cette présence importante pour mener des enquêtes sur les activités de pêche est un processus coûteux et chronophage.
La solution
Les données de suivi des navires, comme les données du système d’identification automatique (SIA) et du système de surveillance des navires (SSN), peuvent fournir des renseignements sur les déplacements des navires. Les algorithmes d’IA peuvent analyser les données relatives aux déplacements des navires pour révéler des schémas d’activités et de comportements de pêche. L’idée principale est que la vitesse et le cap du navire peuvent être des indicateurs utiles pour cerner les marqueurs comportementaux de la pêche. À terme, l’objectif consiste à créer un système de surveillance électronique maritime, alimenté par l’IA, pour soutenir la surveillance des activités de pêche et des activités des navires. Un tel système peut donner aux agents des pêches canadiens une vue d’ensemble de ce qui se passe sur l’eau et leur fournir les renseignements dont ils ont besoin pour gérer efficacement leurs efforts d’application de la loi. Le diagramme montre la vue d’ensemble de haut niveau d’un tel système.
Appuyée par le Fonds de résultats pour l’exercice 2020-2021, une validation de principe a été élaborée pour la détection automatisée de l’activité de pêche des navires à l’aide d’un modèle d’IA. Le modèle de prévision qui en découle prend en entrée les mouvements des navires et fournit en sortie les traces des navires accompagnées de l’activité, c’est-à-dire pêche ou non, comme présenté ci-après. Le modèle utilise des caractéristiques comme l’écart-type de la vitesse des navires, l’écart-type de la trajectoire et le type d’engin de pêche pour détecter l’activité des navires.
Les renseignements obtenus à partir du modèle de prévision sont ensuite combinés à d’autres sources de données, comme les zones de gestion des pêches et les conditions de permis, afin de détecter les cas de non-respect des règlements de pêche. Un exemple d’une telle fonction est présenté ci-après.
La fonction de la validation de principe est encore complétée par l’élaboration d’un autre modèle de prévision pour trouver les zones sensibles spatiales des activités de pêche. Par exemple, une carte thermique des zones de pêche très actives pour toutes les pêches de la région du Québec est présentée ci-après.
Au bout du compte, les renseignements obtenus à partir des deux modèles peuvent donner aux agents des pêches canadiens une vue d’ensemble de ce qui se passe sur l’eau, permettant ainsi une gestion plus efficace des efforts d’application de la loi.
