DATATILGANG OG -BRUK BEDRE BESTANDSESTIMERING?

Transkript

1 DATATILGANG OG -BRUK BEDRE BESTANDSESTIMERING? Hanne Digre, Forskningssjef SINTEF Fiskeri og havbruk Pelagisk Arena, 31. August 2016 Name Place Month 2016

2 Innhold Innledning Utfordringer Muligheter Relevant prosjekter Oppsummering 2

3 Skandinavias største uavhengige forskningsorganisasjon 2000 Ansatte 70 Nasjonaliteter 3800 Kunder 3,2 MRD NOK Omsetning 500 MILL NOK Internasjonalt salg

4 Anvendt forskning, teknologi og innovasjon Ekspertise og spisskompetanse fra havrom til verdensrom: Fornybar energi Havrommet Industri Bygg og infrastruktur Materialer Mikroteknologi og nanoteknologi Klima og miljø Olje og gass Helse og velferd Samfunn IKT Bioteknologi

5 Globale nøkkelteknologier og deres anvendelser

6 Marin IKT Innsamling av data fra fiske- og offshorefartøy Beslutningsstøtte Stor satsning på "Big data" SINTEF Marine Data Senter Modellering og simulering av marine systemer Virtuell prototyping Forskningsgruppe ved SINTEF Fiskeri og havbruk. Henter ekstra kompetanse fra hele SINTEF. 6

7 Masterplan for marinforskning Tre prioriteringer: 1. Verdier fra næringer på havet, i kystområdet og på kontinentalsokkelen 2. Forvaltning av økosystemer og ressurser i havområdene 3. Rent hav og sunn og trygg sjømat 7

8 SINTEFs inngang til utfordringene Vi ønsker å bidra til å øke presisjonen i bestandsberegningene. Vi ønsker å bidra til å øke effektivitet og lønnsomhet i fiskeriene ved å tilby fiskerne mer informasjon. 8

9 Utfordringene med dagens metoder Få fartøy Sårbart Lite dekning Vandringsmønster forandres 9

10 Hvor går fiskefartøyene? Kommende bilder viser AIS-data for fiskefartøy i løpet av Hver grønne strek viser slepestreken etter et fiskefartøy. Dataene er hentet fra Havbase.no. 10

11 AIS januar Kilde: Havbase.no

12 AIS februar Kilde: Havbase.no

13 AIS mars Kilde: Havbase.no

14 AIS april Kilde: Havbase.no

15 AIS mai Kilde: Havbase.no

16 AIS juni Kilde: Havbase.no

17 AIS juli Kilde: Havbase.no

18 AIS august Kilde: Havbase.no

19 AIS september Kilde: Havbase.no

20 AIS oktober Kilde: Havbase.no

21 AIS november Kilde: Havbase.no

22 AIS desember Kilde: Havbase.no

23 AIS 2015 Kilde: Havbase.no

24 Hvor fiskes det? Følgende data viser posisjoner der fiskefartøy har hatt mindre enn 5 knop fart. Grønne punkt er antatt bunnfiske. Røde punkt er antatt pelagisk fiske. Legg merke til variasjoner mellom årene.

25 2002

26 2003

27 2004

28 2005

29 2006

30 2007

31 2008

32 2009

33 2010

34 2011

35 < 5 knop

36 Fiskefartøy "over alt" MEN Ujevn fordeling Varierer med år Varierer med sesong

37 Fiskefartøy som datakilde Overflatetemperatur, salinitet Temperaturprofil Biomasse Prøvetaking Vind og strøm Sending til land

38 Elektroniske løsninger for fiskerirelatert datainnsamling Fiskeriavhengig datainnsamling: Elektroniske loggbøker Fangstrapportering Prøvetaking med forskningsfartøy Fiskeriuavhengig datainnsamling: Satellitt Ubemanna fartøy (under, på og over vann) Målinger på andre fartøy enn fiskebåter 38 Observasjon av sildestimer med sonar. Kilde:

39 Utfordringer Kalibrering Behandling av data ombord Overføring av data til land "Datavasking" Integrasjon med bestandsmodeller Kostnader per fartøy Tillit Samvirke mellom bestand, vandringsmønster og hvor fartøyene går.

40 Informasjonsflyt Forskningsfartøy Fiskefartøy Kunnskapsbase Bestandsestimat Satelittmålinger Meteorologiske modeller HI SINTEF Oseanografiske modeller 40

41 SINTEF's mulige bidrag Datainnsamling og databehandling Modellering av vandringsmønster og romlig fordeling Automatisert prøvetaking 41

42 Datainnsamling og databehandling Ytre server System utviklet ved SINTEF Samler sensor- og måledata fra ulike kilder Effektiv innsamling av store datamengder Indre server Overføring til servere på land SINTEF Marine Datasenter for lagring og analyse, basert på "Big Data" 42 Sikkerhetskopi

43 Modellering av havmiljøet - SinMod

44 Fordeling av zooplankton Modeller for havstrømmer, temperatur og plankton har stadig blitt forbedret (ikke minst takket være økning i datakraft). Gode modeller for fiskebestander (vekst og utbredelse) er komplisert.

45 Automatisk prøvetaking med maskinsyn SINTEF Foodscanner Vektestimat: Gjennomsnittlig feil 32 gram (2.3%). Artsbestemmelse: Torsk-hyse: 100% riktig Farge 3D Videreføring: Melbu Systems

46 Data-Driven Bioeconomy Budsjett: 16,2 mill Euro Mål: Øke bruken av "Big Data" innen jordbruk, skogbruk og fiske Fokus fiskeri (ansv SINTEF): Verktøy for energieffektivisering Bestandsovervåking basert på "Big Data" Forutsi prisvariasjoner innen pelagiske markeder Flere norske partnere inkl. Sildelaget, rederier, utstyrsleverandør, Sjømatrådet 50 partnere 46

47 FORPROSJEKT: DATADELING INNEN FISKERI OG RESSURSFORSKNING Mål: Gjennomgå operasjonelle utfordringer på sjøen og på land Definere hvilken type data hovedprosjektet skal satse på Skissere og teste mulige teknologiske løsninger som hovedprosjektet må gjennomgå og evaluere. Forventet nytteverdi Gi et bedre beslutningsgrunnlag for bestandsestimat Få en bedre oversikt over bestandenes vandringsmønster og fordeling utenom konvensjonelle tokt Prosjektet er et viktig element i framtidens datainnsamling. Prosjektgruppe: HI (prosjektleder), SINTEF, Dualog og flere rederi Finansiering: FHF 47

48 Oppsummering Det er mulig å forbedre ressursberegningene med ny teknologi og metodikk Fiskeflåten kan gi bedre dekning av havområdene Et stort antall fartøy kan kompensere for unøyaktige målinger SINTEF ønsker å bidra 48

49 49 Utnyttelse av big data fra fiskeflåten

50 Teknologi for et bedre samfunn