Vi har realisert fremgang i å nå prosjektets hovedmål, har realisert SO 1 og delvis SO 3, har nådd milepælene M1, M2, delvis M4. ML-modeller generert kart over fiskeplasser for en del av norskekysten er produsert. Algoritmer og programvarepipeline med funksjonalitet fra nedlasting av store geospatiale datasett til produksjon av kart over fiskeplasser er laget. Med primære datasett, algoritmer og programvare på plass, ser vi ikke uventede risikofaktorer, selv om vi absolutt forsøker å kontinuerlig utvide datasett, forbedre ML-modeller og optimalisere kode. Et konferanseoppdrag med tittelen Geometric 4D deep learning for fish behavioral intelligence har blitt sendt inn, men full papirinnlevering kan forventes i Q1 2022. Bigdata og storskala ML-plattformer som Hadoop og Apache Spark som bruker enten lokale dataklynger eller skyressurser har blitt evaluert for SOs 4 og 5. Tekniske detaljer er kort gitt som nedenfor.
Et trene- og testedatasett for deler av norsk kystregion ble integrert. Rådata i forskjellige geospatiale dataformater og forskjellig romlig oppløsning ble transformert til rasterdata, interpolert til en romlig oppløsning på 100 m, og parametene ble beregnet. ML-modeller ble trent i veiledet læringsparadigme ved å bruke manuelle merker som grunnsannhet. Evalueringsmålinger F1-score og nøyaktighet over 0,95 ble oppnådd på testdata. Generalisering av ML-modellene ble evaluert på nye usett data, en lavere F1-score på 0,67 og høy nøyaktighet på 0,98 ble oppnådd. Prediksjonsresultatene prosjektert til deres geospatiale koordinater ble skrevet til geodatafil som kan publiseres som kart på programvare for geografisk informasjonssystem som Qgis. Teknikker som kombinerer dype generative modeller kombinert med inversjonsprosedyre og tradisjonelle modeller ble vurdert for å takle manglende data og mangel på data for å dekke hele kystregionen.
Recreational fishing (RF) involves at least 226 million participants worldwide, it generates an annual economic value of 5.9 billion euros in EU and 29 billion euros in the US. Until recent years, studies show that RF has nearly invisibly contributed to approximately 12% of global fishing removal; and it has caused 27% to declining in stock of two endangered species. We have identified 5 main barriers in achieving sustainability in RF:
- No or limited real-world georeferenced and time-tagged catch data.
- No or limited tools for monitoring and control RF activities.
- No or limited communication channels.
- Limited knowledge about where to fish.
- Post-reactive, not predictive or proactive.
The FiskHer App could be an good tool in tackling the 5 barriers towards sustainable RF.
We develop a new digital service – FiskHer.ai – leveraging state-of-the-art data science and machine learning technologies for promoting and facilitating of sustainable marine recreational fishing. The idea is to discover scalable machine learned models that accurately predict most probable RF spots with high spatial and temporal resolution in Norway and worldwide. We achieve this via synergized transformation of the domain expertise earned in field owned by FiskHer AS to machine learned models, which are incrementally learned continuously lifelong with user contributed new data. The expected results of the project are a new integrated large dataset with validated labels, new underwater 360 degree video and hyperspectral imaging data for a few fishing spots, software for data integration and automated machine learning, scalable machine learned models for accurate and spatio-temporal resolved predictions. This innovation is most important to us because:
1. it allows us to go from static to dynamic areas.
2. It gives us a wonderful tool that will save us years of manual registration.
It will thus be cost-effective and innovative for us, and enable us to deliver many years ahead of schedule.
