Depuis 2016, les échouages de petits cétacés présentant des traces de capture ont atteint des niveaux importants, qui pourraient remettre en question la viabilité de la population de dauphins communs de l'Atlantique Nord (ICES 2022). C'est dans ce contexte que le CNRS et Ifremer en concertation avec l'OFB ont co-construit le programme Delmoges (Delphinus Mouvement Gestion) qui développe une approche scientifique multidisciplinaire visant à une meilleure compréhension des mécanismes de captures accidentelles de dauphins.  Des développements sont notamment proposés pour décrire plus finement l’activité des flottilles de pêche pour lequel le risque de capture accidentelle de cétacés est le plus élevé. La qualification des trajets de pêche est basée à l’heure actuelle sur des règles de décision simples utilisant des seuils de vitesse, cette étude se concentre donc sur d’autres méthodes de qualification qui se sont révélées très efficace pour d'autre travaux : l'apprentissage statistique. En utilisant comme jeu d’apprentissage les positions et opérations de pêche qualifiées des 20 fileyeurs de la base OBSCAME, nous avons entraîné différents modèles (CART, Random Forest, XGBoost) à prédire les opérations de pêche d’un fileyeur à partir de ses positions. Les modèles de XGBoost donnent les meilleurs résultats, jusqu’à près de 90% de précision en validation croisée par marée. La dernière étape, pour l’instant encore incomplète, consiste à modéliser les filets des navires du jeu de données à partir des prédictions obtenues pour les navires, dans le but d’évaluer l’effort de pêche des fileyeurs du Golfe de Gascogne en utilisant de nouvelles métriques engins plus à même de décrire l’effort des engins de pêche passifs.

Since 2016, strandings of small cetaceans showing signs of capture have reached significant levels, which could question the viability of the North Atlantic common dolphin population (ICES 2022). It is against this backdrop that CNRS and Ifremer, in conjunction with the OFB, have co-constructed the Delmoges program (Delphinus Mouvement Gestion), which is developing a multidisciplinary scientific approach aimed at gaining a better understanding of the mechanisms involved in the accidental capture of dolphins.  In particular, developments are being proposed to provide a more detailed description of the activities of fishing fleets deemed to be most at risk of bycatching cetaceans. The qualification of fishing routes is currently based on simple decision rules using speed thresholds, so this study focuses on other qualification methods that have proved highly effective in other work: machine learning. Using the qualified positions and fishing operations of the 20 gillnetters in the OBSCAME database as a training set, we trained different models (CART, Random Forest, XGBoost) to predict a gillnetter's fishing operations based on its positions. The XGBoost models give the best results, with almost 90% accuracy using fishing trips based cross-validation. The final step, which is still incomplete at the moment, is to model the nets of the vessels in the dataset based on the predictions, with the aim of assessing the fishing effort of Bay of Biscay gillnetters using new gear metrics.