¿Qué es el predictor de riesgo de pesca ilegal?
Es una herramienta que ayuda a enfocar mejor los esfuerzos de vigilancia. A partir de datos históricos, condiciones climáticas y características del territorio, identifica zonas con mayor probabilidad de pesca irregular. Así, autoridades, organizaciones y comunidades pueden actuar de forma más estratégica y eficiente.
¿Por qué su implementación?
¿Qué se requiere para su operación?
1. Definir el área de interés
2. Recolectar y preparar datos
Variable objetivo: registros históricos de irregularidades (provenientes de radares como M2, bitácoras, reportes de inspección, etc.). Variables predictoras: Temporales, Climáticas y Espaciales Validar, limpiar y preprocesar los datos (detección de valores faltantes, formatos inconsistentes, etc.). Usar un sistema de indexación como H3 (hexágonos espaciales jerárquicos) para uniformar el análisis geoespacial para permitir visualizar y analizar la actividad en celdas comparables.
3. Entrenar el modelo
Elegir un algoritmo de clasificación robusto ante datos ruidosos y desbalanceados (como Random Forest). Balancear el dataset si es necesario (por ejemplo, mediante undersampling). Evaluar la importancia de variables y eliminar aquellas con baja varianza. Ajustar hiperparámetros. Aplicar regresión isotónica para calibrar probabilidades de predicción. Implementar una API REST para generar pronósticos diarios o por periodo definido.
4. Visualizar resultados
Crear una herramienta web segura con mapas interactivos y filtros por fecha o riesgo. Incluir resúmenes destacados de zonas con mayor probabilidad de irregularidades para facilitar la toma de decisiones.
5. Capacitar usuarios finales
Asegurar que autoridades, comunidades y personal de vigilancia entiendan el uso e interpretación del predictor. Promover el uso de la herramienta como insumo para planificación y patrullajes.
6. Monitorear y mejorar continuamente
Recopilar nuevos datos conforme se usa el modelo y la herramienta. Retroalimentar el sistema con reportes de campo y validar predicciones. Explorar mejoras con nuevos algoritmos, más variables o técnicas como deep learning.