Transcript Modélisation de trajectoires de bateaux de pêche

M ODÉLISATION
DE TRAJECTOIRES DE BATEAUX DE PÊCHE
Mathieu Woillez1,3, Pierre Gloaguen2, Stéphanie Mahevas2, Etienne Rivot3,
Jérôme Guitton3, Youen Vermard4 et Marie-Pierre Etienne5
Introduction
Données
La compréhension de la dynamique spatio-temporelle des flotilles de pêche est d’un grand intérêt pour caractériser la distribution spatiale de l’effort de
pêche et des captures. C’est aussi un prérequis pour comprendre le comportement des pêcheurs (habitudes, innovations) ou anticiper leurs réactions
aux mesures de gestion, aux modifications du contexte socio-économique ou à l’évolution des ressources exploitées. Ultimement, cela devrait aider à
définir des stratégies de pêche durable.
Dans ce contexte, l’analyse des trajectoires individuelles de bateaux de pêche offre des perspectives prometteuses pour décrire le comportement au
cours des sorties en mer. Partant de l’hypothèse que le mouvement révèle l’état comportemental (pêche, route), on se propose de caractériser l’activité
de pêche à partir de trajectoires de bateaux de pêche en utilisant une approche de modélisation à base de modèles Markoviens à états cachés.
Modèle Markoviens à états cachés
Modèle à états cachés
I Décrit les différents comportements non observés
(Route, pêche)
I Description des transitions entre états
Chaines de Markov
P(St = j|S0t−1) = P(St = j|St−1 = i) = Πij
Modèle de déplacement
I Modèle de mouvement conditionnellement à l’état
Inférence
I Estimation des paramètres du mouvement
I Estimation des états cachés
I Cadre d’inférence
Fréquentiste ou Bayesien (Table 1)
Exemples
I Marche aléatoire corrélée
Xt = Xt−1 + Dt + t (Vermard et al, 2010)
I Processus AR sur les vitesses
Vt = η + µVt−1 + t (Gloaguen et al, en prep.)
Données de trajectoires (projet RECOPESCA)
I Positions GPS (1/4h)
I 2007-2011
TABLE 1 : Différences entre techniques d’inférence fréquentiste
F IGURE 1 : Représentation formelle d’un modèle de Markov caché
et Bayesienne
Estimation
Retracé
états
Fréquentiste
Algorithme EM (BaumWelch)
des Séquence la plus probable : Algorithme de
Viterbi
Incertitude
Programmation/
Logiciels
Bayesien
Algorithme
MCMC
(Gibbs)
Séquence des états les
plus probables : Max.
de la distribution postérieure de chaque état
Intervalles
de Distributions a posteconfiance (bootstrap)
riori
R, C/C++
BUGS, JAGS
I
24 bateaux
I 11 chalutiers de fond, 5 dragueurs, 4 fileyeurs, 3
caseyeurs, 2 bolincheurs, 1 palengrier et 1
palengrier-caseyeur
I
4276 marées
I de 6h (25 pts) à 15 jrs (1370 pts)
Données d’activité (projet SACROIS)
I Log books et ventes
Banquarisation des données : SIH (Ifremer)
Applications
Comment modéliser le déplacement d’un
bateau et déterminer lorsqu’il est en pêche ?
→ Modèle de marche aléatoire avec 3 états (stop, route,
pêche), approche Bayesienne (Vermard et al. 2010)
→ Processus AR sur les vitesses avec 2 états (route et
pêche), approche fréquentiste (Gloaguen et al. en prep)
F IGURE 2 : Estimation des états ’route’ et ’pêche’, avec un modèle
AR sur les vitesses, le long d’une trajectoire d’un bateau opérant dans
l’Est de la Manche
Comment évaluer la fiabilité de l’inférence ?
Quelle structure de modèle ?
Combien d’états comportementaux ?
→ Approche par simulation : Inférence sur des trajectoires
simulées selon différent scénarios tests, identification
des limites du modèles
Conclusions (Exemple du modèle AR, Gloaguen et al.)
I Limites en termes d’identifiabilité des états lorsque
leurs caractéristiques sont peu contrastées
I L’irrégularité, les durée courte de marée sont des
facteurs limitant les performances du modèle
→ Caractérisation des trajectoires à l’aide de paramètres
physiques du mouvement (vitesse, accélération...) et
croisement avec les caractéristiques d’activité
associées (engins, métiers) (Woillez et al. en prep.)
→ Adaptation des modèles aux caractéristiques d’activité
F IGURE 5 : a) Cercle des corrélations et b) projection des
trajectoires individuelles (1 couleur = 1 engin) sur le plan factoriel
(axes 1 et 2) obtenu par ACP sur les caractéristiques physiques du
mouvement associées aux trajectoires RECOPESCA
Exemple d’un bateau utilisant deux engins
I Ajustement d’un modèle à marche aléatoire à 2 ou 3
états (route + 1 ou 2 états pêche)
I
F IGURE 6 : Haut : Ajustement d’un modèle de marche aléatoire
corrélée à 2 ou 3 états pour une trajectoire d’un bateau utilisant le
chalut et le filet. Bas : Distributions a posteriori des paramètres relatifs
à la vitesse pour les états ’pêche’ des 2 modèles ajustés
route
pêche
Quelle approche d’inférence utiliser ?
route
pêche 1
pêche 2
→ Bayesien
I 3 chaines MCMC avec 95000 itérations d’initialisation
I 500 échantillons conservés toutes les 10 itérations
I 25 minutes de temps de calcul
→ Fréquentiste
I 100 échantillons pour le bootstrap partant chacun de
100 points d’initialisation différents
I critère de convergence du logarithme de la
vraissemblance à 0.01
I 45 minutes de temps de calcul
Estim.
Route
Pêche
Résulats
I Temps pêche : 80%
I Vitesse moyenne de pêche : 2.6 nds
I Vitesse moyenne de route : 8.4 nds
F IGURE 4 : Comparaison, entre approche fréquentiste (gris foncé)
et Bayesienne (gris clair), des paramètres estimés d’un modèle AR
sur la trajectoire de la figure 2
F IGURE 3 : Estimation des paramètres du modèle AR sur les
Résultats
I Trajectoires des chalutiers pélagiques et de fond se
distinguent des trajectoires des fileyeurs et des
caseyeurs par leur histogramme de vitesses et de
sinuosité (Gini), et l’écart-type des accélérations
1
1
0.85
-0.2
2
2
0
3
3
0.9
4
0.2
4
5
0.4
6
6
7
5
0.6
1
0.95
vitesses associée à la trajectoire de la figure 2
p 22
hp1
hp2
0
0
Pêche
p 11
-0.4
Route
mp1
mp2
s2p1
s2p2
Conclusions
I Les Modèles Markoviens à états cachés sont plus
complets que de simples filtres sur la vitesse
I Ils permettent, en plus de l’estimation de l’effort, la
description du mouvement
⇒ Utiles pour la simulation de déplacements
Conclusions
I Les approches donnent des résultats similaires
I Temps de calculs difficile à comparer car les critères de
convergence diffèrent
Conclusions
I Les trajectoires se structurent en fonction des
caractéristiques d’activité
⇒ Regrouper les trajectoires présentant des
caractéristiques physiques similaires pour les
inférences
⇒ Valider les modèles de déplacement en les comparant
aux caractéristiques physiques observées
Perspectives
F IGURE 7 : Carte d’habitat du merlan
F IGURE 8 : Filtrage des courants de
F IGURE 9 : Pêcheries françaises, données d’effort VMS (source
(sortie de CHARM)
marées dans les vitesses (sortie MARS3D)
DPMA - SIH RECOPESCA Ifremer)
6
7
Observation
Y.Vermard, E.Rivot, S.Mahevas, P.Marchal,and D.Gascuel
Identifying fishing trip behaviour and estimating fishing effort from VMS
data using Bayesian Hidden Markov Models.
Ecological Modelling, 2010.
Sans courant de marée
P.Gloaguen, S.Mahevas, E.Rivot, M.P.Etienne, M.Woillez, J.Guitton and
Y.Vermard
An autoregressive model to describe fishing boat movement and activity.
En préparation.
4
3
Vitesse (metres/sec)
Déplacement : Équations différentielles
stochastiques
2
I
Conclusions
I Les engins utilisés ou les métiers sont des covariables
nécessaires pour bien structurer les modèles (e.g. le
nombre d’états = le nombre d’engins)
Références
5
Formalisme continu
→ Limites des modèles actuels (irrégularité du
pas de temps, durée courte des marées)
⇒ Continu
Résultats
Ajustement amélioré avec un modèle à 3 états
I Critère d’information de déviance diminue
I Distribution a posteriori de la vitesse moyenne se
partage en une distribution inférieure et supérieure,
chacune associée avec une distribution a posteriori
d’écart-type de valeur plus faible
I Des données de validation sont nécessaires pour
confirmer ces résultats
M.Woillez, P.Gloaguen, S.Mahevas, E.Rivot, J.Guitton and Y.Vermard
Adapting Hidden Markov Models to the diversity of fishing boat
movements and activities.
En préparation.
0
1
dXt =µ(Xt , t)dt + σ(Xt , t)dBt
dXt = − ∇V (Xt , t)dt + σ(Xt , t)dBt
0
10
20
30
40
50
Durée (heures)
États cachés : Processus de Markov
continu
I Techniques d’inférence ?
I Comparaison de modèles discret/continu
I
Inclusion covariables
I Carte d’habitat de la ressource (sorties CHARM)
I Courants de marées (sorties MARS2D/MARS3D
Données de validation
I Capteurs RECOPESCA
I Données OBSMER
Remerciements
Extensions aux flottilles
I Application du modèle aux données VMS
I Quantification des interactions entre pêcheurs
Cette étude a été financée par le projet Européen VECTORS, la région
Pays de Loire, IFREMER et Agrocampus-Ouest. Les auteurs remercient
également le réseau Pathtis pour leur apport.
1
IFREMER, Centre de Brest, Département Sciences et Technologies Halieutiques, BP 70, 29280, Plouzané, France
IFREMER, Centre de Nantes, Département Ecologie et Modèles pour l’Halieutique, BP21105, 44311 Nantes, France
3
AGROCAMPUS OUEST, UMR 985 Ecologie et Santé des Ecosystèmes, Ecologie Halieutique, 65 rue de St-Brieuc, CS84215, 35042 Rennes Cedex, France
4
IFREMER, Centre de Boulogne sur mer, Département Manche-Mer du Nord, 150 Quai Gambetta, BP699, 62321 Boulogne sur mer, France
5
AGROPARISTECH, UMR MIA 518, F-75231 Paris, France
2
E-mail: [email protected]