Detecção de Atividades Ilegais de Embarcações Através da Fusão de Comportamentos e Regras baseadas no Conhecimento do Especialista
Authors:
Autores
| Person role | Person | |
|---|---|---|
|
7575 |
2452,1848,3270,2144
|
|
|
7576 |
2452,1848,3270,2144
|
|
|
7577 |
2452,1848,3270,2144
|
|
|
7578 |
2452,1848,3270,2144
|
Informations:
Pesc publication
Este trabalho apresenta um framework capaz de detectar atividades ilegais envolvendo embarcações no domínio marítimo, com foco específico na classificação de pesca ilegal, atividades suspeitas, comportamentos anômalos e atividades normais. Ao combinar comportamentos de navegação com regras definidas por especialistas, nossa abordagem integra métodos orientados por dados e conhecimento especializado. O framework utiliza um metamodelo baseado em random forest para integrar as saídas dos modelos de detecção de comportamento e das regras dos especialistas. Dada a falta de dados rotulados sobre atividades ilegais, implementamos aprendizado ativo, permitindo que especialistas rotulassem trajetórias de maior impacto para otimizar o treinamento do modelo. Treinado com conjuntos de dados sintéticos do GFW e MarineCadastre e testado em dados AIS (Automatic Identification System) da Zona Econômica Exclusiva (ZEE) do Brasil, o framework alcançou 100% de acurácia para atividades normais, 97% para pesca ilegal e 90% para atividades suspeitas. Esses resultados indicam que o framework pode reduzir significativamente a carga de trabalho dos operadores humanos, filtrando trajetórias normais e permitindo o foco em casos críticos. Trabalhos futuros incluem o aumento da escalabilidade pela incorporação de comportamentos, regras e conjuntos de dados adicionais, contribuindo assim para o campo de vigilância marítima com uma solução robusta e escalável.
This work presents a framework designed to detect illegal activities involving vessels in the maritime domain, specifically targeting illegal fishing, suspicious activities, anomalous behavior, and normal activity classification. By combining vessel navigation behaviors and expert-defined rules, our approach leverages both data-driven methods and domain-specific knowledge. The framework employs a metamodel based on a random forest ensemble to integrate outputs from behavior detection models and expert rules. Given the lack of labeled data on illegal maritime activities, we implemented active learning, allowing experts to label high-impact trajectories for optimal model training. The framework was trained on synthetic datasets generated from GFW and MarineCadastre data and subsequently tested on AIS (Automatic Identification System) data from Brazil’s Exclusive Economic Zone (EEZ). Results demonstrate its effectiveness, achieving 100% accuracy for normal activities, 97% for illegal fishing detection, and 90% for suspicious activities. These outcomes indicate that the framework can significantly reduce the workload of human operators by filtering normal trajectories and enabling a focus on critical cases. Future work includes enhancing scalability by incorporating additional behaviors, rules, and datasets to improve detection and adaptability for other illicit maritime activities, thus contributing to the maritime surveillance field with a robust, scalable solution.
