Fischerei unter Verwendung von GPS-Tracking-Daten und Zufallswäldern
Genaue räumliche und quantitative Informationen über den Einsatz von Fanggeräten sind der Schlüssel zur Bewertung der Nachhaltigkeit der Fischerei und ihrer Auswirkungen auf die Meeresressourcen und die Umwelt sowie zur Unterstützung einer anpassungsfähigen, gebietsbezogenen Regulierung des Fischfangs. Um die Dynamik des Verhaltens von Fischern bei der Verwendung von Fanggeräten sowohl in der Zeit als auch im Raum zu untersuchen, hat die Forschung opportunistisch von Echtzeit-Überwachungssystemen für große Fischereifahrzeuge profitiert, d. h. vom Schiffsüberwachungssystem (VMS) und dem automatischen Informationssystem (AIS). Diese Systeme zeichnen in regelmäßigen Zeitabständen (in der Regel zwischen 30 Minuten und 2 Stunden) die Position der Schiffe in einer großen Anzahl von industriellen Fischereien weltweit auf.
In den letzten zehn Jahren hat sich die Charakterisierung der räumlichen Muster der industriellen Fischerei durch diese gängigen Ortungstechnologien gut etabliert. Die Standortdaten werden automatisch mit drei Arten von Analyseinstrumenten verarbeitet:
1. Unterscheidungsmethoden auf der Grundlage von Schwellenwerten für die Bootsgeschwindigkeit
2. Segmentierungsmethoden einschließlich Zustandsraummodellen
3. Algorithmen des maschinellen Lernens, einschließlich neuronaler Netze und Zufallswälder
Diese Verarbeitungsmethoden ermöglichen es, eine große Anzahl von Schiffstrajektorien anhand von Verhaltenskriterien (z. B. Bootsgeschwindigkeit und -richtung) in fischende und nicht fischende Aktivitäten zu unterteilen und so die Ernte während der Fangfahrten mit hoher räumlicher Auflösung (<100 m) und stündlicher Zeitskala zu quantifizieren und zu lokalisieren. Genaue Karten von Indikatoren für den Fischereiaufwand (in der Regel die Anzahl der Fangstunden pro Flächeneinheit) können dann in diesen industriellen Fischereien erstellt werden, um die Verteilung des Fischereidrucks auf die verschiedenen Fanggeräte sowie fischereiabhängige Abundanzindizes wie den räumlichen Fang pro Aufwandseinheit (CPUE) mit größerer Genauigkeit zu schätzen.
In den meisten kleinen Fischereien ist der Mangel an numerischen räumlichen Daten jedoch ein wiederkehrender Engpass, da VMS und AIS in diesem Kontext kaum anwendbar sind. Dies liegt an den hohen Betriebs- und Wartungskosten dieser Systeme und an der typischerweise geringen technischen Kapazität der kleinen Fischerboote, die beispielsweise oft nicht über eine ständige Energieversorgung an Bord verfügen. Folglich wurden die Bewegungen der Fischer kaum untersucht, um den Fischereiaufwand in diesen Fischereien zu schätzen und zu kartieren, während grobe räumliche Indikatoren für den Fischereiaufwand vorgeschlagen wurden.
Materialien und Methoden
Untersuchungsgebiet und Erhebung von Tracking-Daten
Das Untersuchungsgebiet befand sich in der Bucht von Toliara im Südwesten Madagaskars. Aufgrund der Nähe der Stadt Toliara (326.000 Einwohner im Jahr 2018) wird dieser 157 km2 große Riff- und Lagunenkomplex intensiv genutzt, um die wachsende städtische Nachfrage nach Fisch zu decken (Bruggemann et al., 2012). Wir registrierten insgesamt 892 2,5-7 m lange Ausleger-Segelkanus, die auf Rifffischfang gingen. Diese traditionellen Fischerboote wurden von ein bis fünf Fischern betrieben, die die typischen Fanggeräte der Küstenfischerei im westlichen Indischen Ozean verwendeten.
Die Fahrten zwischen den Anlandestellen und den Fangplätzen wurden ebenfalls für jede Strecke kategorisiert. Die durchschnittliche Zeit für die Vorklassifizierung der insgesamt 306 Fischereispuren lag zwischen 30 und 90 Minuten pro Spur, je nach Fahrtdauer und verwendetem Fanggerät.
Die GPS-Daten wurden in eine relationale PostgreSQL/PostGIS-Datenbank hochgeladen, um die Filterung und Verarbeitung der Daten zu erleichtern. Da die GPS-Tracker vor der Abfahrt der Fischer auf See eingeschaltet wurden, wurden GPS-Bootspositionen, die sich im Landesinneren befanden, mithilfe einer Landmaske entfernt.
Auswertung der Daten
Die Daten wurden von offensichtlichen GPS-Fehlern und räumlichen Unstimmigkeiten bereinigt. Da die GPS-Tracker die Position der Boote aufgrund des Empfangs der Satellitensignale in unterschiedlichen Zeitintervallen aufzeichneten, war vor der Verarbeitung der Daten eine Standardisierung der Bootstrajektorien erforderlich. Ein Datensatz mit rekonstruierten GPS-Positionen wurde durch lineare Herleitung der Bootspositionen in einem regelmäßigen Zeitintervall von 60 Sekunden mit dem LTR-Paket von adehabitat erstellt.
Analyse mittels Geschwindigkeitsschwellenwertmethode
Die GPS-Positionen der Boote auf den einzelnen aufgezeichneten Spuren wurden anhand eines Geschwindigkeitsschwellenwerts in fischende und nicht fischende Ereignisse unterteilt. Da in der untersuchten Fischerei keine vorläufigen Informationen über die Bootsgeschwindigkeit verfügbar waren, wurde dieser Schwellenwert anhand unserer empirischen Daten geschätzt. Die Bootsgeschwindigkeit wurde an jeder GPS-Position berechnet, indem die Entfernung durch das Zeitintervall zwischen zwei aufeinanderfolgenden Bootspositionen (d. h. 60 s) geteilt wurde. Unter Verwendung des gesamten Datensatzes wurde die Geschwindigkeitsschwelle als diejenige Geschwindigkeit bestimmt, die dem besten Kompromiss zwischen Sensitivität und Spezifität entsprach, definiert als die Rate der wahren Positiven (d. h. der Anteil der Fischereiereignisse, die korrekt als solche vorhergesagt wurden) bzw. der wahren Negativen (d. h. der Anteil der Nichtfischereiereignisse, die korrekt als solche vorhergesagt wurden). Die folgenden Geschwindigkeitsschwellenwerte wurden gefunden und für die Verarbeitung aller Bootsspuren pro Fanggerätetyp verwendet: Strandwaden (0,54 km.h-1), Moskitonetz (0,84 km.h-1), Kiemennetz (0,63 km.h-1), Handleine (0,48 km.h-1) und Harpune (1,62 km.h-1).Die GPS-Positionen der Boote für die einzelnen Fanggerätetypen wurden daher als “fischend” eingestuft, wenn die Bootsgeschwindigkeit unter der entsprechenden Geschwindigkeitsgrenze lag, und als “nicht fischend”, wenn die Bootsgeschwindigkeit diesen Schwellenwert überschritt.