Bifångst av skyddade arter i fisket

Ett av de största hoten mot våra skyddade marina arter som havsfåglar, hajar och marina däggdjur är oavsiktliga bifångster i fisket. Det är framförallt det småskaliga fisket med garn där risken för bifångst av många skyddade arter anses vara störst. Bifångster i svenskt fiske är dåligt dokumenterade trots att det finns ett stort behov av att uppskatta fiskets påverkan på skyddade och hotade arter. För att effektivt förvalta och skydda dessa populationer behöver vi veta var, när och vilka redskap som bifångar dem. 

Bifångst av skyddade arter inträffar sporadiskt och det krävs stora mängder data som samlas in över långa perioder för att få tillförlitliga uppskattningar av bifångsterna. Elektronisk datainsamling (EM) med hjälp av kameror ombord på fiskebåtar möjliggör en kvantitativ men också en kvalitativ insamling av data. Dock är analys av filmdata tidskrävande, datalagringen kostsam och det finns integritetsfrågor kring insamlad filmdata. Slu har utvecklat kamera system som används för att samla in data av bifångster av skyddade arter i fisket. Sedan 2022 används dessa kamera system och dokumenterar bifångster iframförallt garnfisket inom den nationella datainsamlingen (DCF). Kamerasystem, som filmar garnen som kommer upp, sitter monterade på fler än 17 fiskebåtar längs hela Sveriges kust och filmar ca 400 fiskedagar per år. För att samla in mer data och på ett kostnadseffektivt sätt att analysera denna data är utvecklingen av en maskininlärningsmodell (ML) för att detektera bifångster ett avgörande steg framåt. En tids och kostnadseffektiv analys av filmerna leder i sin tur till att det samlas in mer data och därmed att estimeringar av bifångster blir kvalitativt säkrare.

Det här vill vi uppnå

Projektets övergripande mål är att förbättra EM-baserad dokumentation av bifångster i småskaligt fiske, så att dataanalysen blir snabbare, mer träffsäker och mer kostnadseffektiv.

Mer specifikt vill vi:

• Utveckla och förbättra ML-modeller som automatiskt kan detektera och identifiera bifångsthändelser i EM-film från garnfiske.
• Optimera datahantering genom att skapa modeller som känner igen vittjningsmoment och bedömer filmkvalitet, vilket gör att irrelevant material kan sorteras bort tidigt i processen.
• Utöka och diversifiera den data våra ML-modeller tränas på genom samarbeten med internationella partners samt genom att generera nya bilder från både verkliga och simulerade bifångsthändelser.
• Undersöka en metod som kallas ”Federated Machine Learning” (FedML). Denna metod gör det möjligt för olika institutioner att gemensamt träna modeller utan att dela rådata, vilket säkerställer vi datasekretessen samtidigt som vi kan träna våra modeller på ett större dataunderlag och förbättra modellernas precision.
• Integrera ML-verktyg i det dagliga analysarbetet genom användarvänliga gränssnitt som effektiviserar granskning och validering av bifångster.

Projektet förväntas minska den tid, kostnad och datalagring som idag krävs för att manuellt analysera EM-film, och därmed möjliggöra en bredare täckning av dokumentationen och ett bättre beslutsunderlag för förvaltningen av skyddade marina arter.

Det här gör vi

Projektet arbetar parallellt med  SLU:s etablerade nationella datainsamling (DCF) där EM används. Projektet är organiserat i fyra arbetspaket (WP):

1. WP1 – Datainsamling: Utökar det befintliga träningsdatasetet (ca 10 000 annoterade bilder) genom att harmonisera dataformat mellan SLU och Danmarks Tekniska Universitet (DTU), samla nytt filmmaterial från EM-utrustade fiskefartyg samt generera nya bilder från simulerade bifångsthändelser
   
   
2. WP2 – Modellutveckling: Förbättrar befintliga ML-modeller med det utökade datamaterialet för att öka träffsäkerheten vid detektering av bifångst. Utvecklar även modeller för att identifiera vittjningsmoment med hjälp av GPS-data för att minska mängden film som behöver lagras och analyseras.
   
   
3. WP3 – Federerad maskininlärning (FedML): Etablerar ett decentraliserat nätverk där deltagande institutioner tränar modeller lokalt på sitt eget EM-material. De lokalt tränade modellernas resultat sammanställs till en gemensam global modell som förbättrar precisionen samtidigt som GDPR och datasekretess efterlevs.
   
   
4. WP4 – Praktisk tillämpning: Integrerar de utvecklade ML-modellerna i ett användarvänligt analysverktyg som automatiskt registrerar bifångsthändelser. Analytikerna kan då fokusera på artbestämning istället för att granska hela filmmaterialet manuellt. Slutligen kommer projektet att ta fram material för att stödja analysarbete med ML.

Tillsammans skapar dessa insatser en grund för storskalig, kostnadseffektiv och integritetssäkerdokumentation av bifångster – ett viktigt steg mot mer hållbart fiske och bättre skydd av våra marina arter.