Optimización de operaciones de fiscalización pesquera con predicción de posición mediante Machine Learning.

Abstract

La fiscalización Oceánica corresponde a una de las tareas de monitoreo y control de la actividad pesquera que la Armada de Chile y otras instituciones realizan con el objeto de combatir la pesca no declarada no reglamentada (INDNR) y con ello salvaguardar la conservación de las especies marinas, contribuyendo a su vez con la sustentabilidad de la actividad pesquera de la cual depende el país. Aunque las actividades de fiscalización son intensas, la posición de las embarcaciones es dinámica, lo que dificulta su localización . Es por esto que es primordial para Instituciones como la Armada maximizar el número de buques fiscalizados al menor costo posible. Este estudio integra dos técnicas, consistentes en un modelo de Machine learning (ML) y otro de optimización. Con el objetivo de determinar la localización más probable de un grupo de embarcaciones pesqueras y a su vez, obtener la ruta más corta que maximice la cantidad de fiscalizaciones, el modelo de ML se compone de una red Neuronal de tipo Long short-term memory (LSTM). Este tiene la capacidad de entregar regiones probables de localización de acuerdo a sus datos históricos, simulando la incertidumbre existente. Por otro lado, el modelo de optimización está basado en el problema clustered orienteering (COP). Los resultados muestran una desviación aceptable de la predicción de localización de flotas pesqueras de 6 MN, la que puede ser sustituida mediante capacidades de detección con radares marítimos y a su vez, se logró positividad frente a la obtención de un alto número de embarcaciones pesqueras fiscalizadas.