Development of an alerting system to detect and anticipate IUU fishing activities

This thesis presents the development of an innovative alerting system designed to detect and assess the likelihood of Illegal, Unregulated, and Unreported (IUU) fishing events, particularly within Marine Protected Areas (MPAs). The system leverages Automatic Identification System (AIS) data, the global standard for real-time transmission of vessel activity, to monitor vessel trajectories and predict potential IUU activities. By combining rule-based algorithms and deep learning models, the system identifies fishing activities, predicts future vessel trajectories, and generates alerts for maritime monitoring bodies, enabling proactive intervention. The alerting system addresses three key scenarios: (1) vessels intersecting MPAs near fishing hotspots, (2) vessels near isolated MPAs, and (3) vessels with deactivated AIS transmitters for over 30 minutes, known as "hidden vessels." Each case is managed with tailored approaches to reduce false positives and enhance ac- curacy. In the first scenario, vessels are flagged if fishing activities are detected within an MPA. In the second, the transformer based predictive model is deployed to forecast whether a vessel’s trajectory will intersect an isolated MPA, enabling the alerting system to preventatively generate an alert before a potential IUU event occurs. For hidden ves- sels, the system predicts future positions based on past trajectory data up to the moment of AIS signal interruption, marking vessels as potential threats if their future paths inter- sect MPAs. The system was developed using the AIS dataset provided by Cherrydata, covering two years of fishing vessel activity in the Mediterranean and Northeast Atlantic. The dataset was used to develop the key components of the alerting system: a fishing detection algorithm, a clustering algorithm to identify fishing hotspots, and prediction model based on a transformer architecture. This thesis work represents a significant step toward the development of a practical tool for maritime authorities, with the objective to enhance the protection of marine ecosystems and improve the monitoring of IUU fishing activities.

Questa tesi presenta lo sviluppo di un innovativo sistema di allerta progettato per rilevare e valutare la probabilità di eventi di pesca illegale, non regolamentata e non dichiarata (IUU events), in particolare all’interno delle Aree Marine Protette (MPA). Il sistema sfrutta i dati dell’Automatic Identification System (AIS), lo standard globale per la trasmissione in tempo reale delle attività delle navi, per monitorare le traiettorie delle imbarcazioni e prevedere potenziali attività di pesca illegale. Combinando algoritmi basati su regole e modelli di deep learning, il sistema identifica le attività di pesca, prevede le traiettorie future delle imbarcazioni e genera allarmi per le autorità competenti nell’ambito della protezione delle MPA, consentendo di intervenire preventivamente. Il sistema di allerta affronta tre scenari principali: (1) navi che attraversano MPA vicine a punti caldi di pesca, (2) navi nelle prossimità di MPA isolate e (3) navi con trasmettitori AIS disattivati per oltre 30 minuti, note come "navi nascoste". Ogni caso viene gestito con approcci specifici per ridurre i falsi positivi e migliorarne l’accuratezza. Nel primo scenario, le navi vengono segnalate qualora vengano rilevate attività di pesca all’interno di una MPA. Nel secondo, viene utilizzato un modello predittivo basato su architettura transformer per prevedere se la traiettoria di una nave intersecherà una MPA isolata, consentendo al sistema di allerta di generare un alert prima che si verifichi un potenziale evento di pesca illegale. Per le navi nascoste, il sistema prevede le posizioni future basan- dosi sui dati delle traiettorie passate, segnalando come potenziali minacce le navi le cui traiettorie future intersecano le MPA. Il sistema è stato sviluppato utilizzando il dataset AIS fornito da Cherrydata, che copre due anni di attività delle navi da pesca nel Mediterraneo e nell’Atlantico nord-orientale. Il dataset è stato utilizzato per sviluppare i componenti chiave del sistema di allerta: un algoritmo per il rilevamento delle attività di pesca, un algoritmo di clustering per identi- ficare aree con un’alta attività di pesca e un modello predittivo basato su un’architettura transformer. Questo lavoro di tesi rappresenta un passo significativo verso lo sviluppo di uno strumento pratico per le autorità marittime, con l’obbiettivo di migliorare la pro- tezione degli ecosistemi marini e ottimizzare il monitoraggio delle attività di pesca illegale.