| ArcGIS REST Services Directory | Login |
| Home > services > FGP > Recreational_Vessel_Traffic_Model_for_British_Columbia (MapServer) | Help | API Reference |
| JSON | SOAP |
Description:
Data on recreational boating are needed for marine spatial planning initiatives in British Columbia (BC). Vessel traffic data are typically obtained by analyzing automatic identification system (AIS) vessel tracking data, but recreational vessels are often omitted or underrepresented in AIS data because they are not required to carry AIS tracking devices. Transport Canada’s National Aerial Surveillance Program (NASP) conducted aerial surveys to collect information on recreational vessels along several sections of the BC coast between 2018 and 2022.
Recreational vessel sightings were modeled against predictor variables (e.g., distance to shore, water depth, distance to, and density of marinas) to predict the number of recreational vessels along coastal waters of BC.
The files included here are:
--A Geodatabase (‘Recreational_Boating_Data_Model’), which includes: (1) recreational vessel sightings data collected by NASP in BC and used in the recreational vessel traffic model (‘Recreational_Vessels_PointData_BC’); (2) aerial survey effort (or number of aerial surveys) raster dataset (‘surveyeffort’); and (3) a vector grid dataset (2.5 km resolution) containing the predicted number of recreational vessels per cell and predictor variables (‘Recreational_Boating_Model_Results_BC).
--Scripts folder which includes R Markdown file with R code to run the modelling analysis (‘Recreational_Boating_Model_R_Script’) and data used to run the code.
Methods:
Data on recreational vessels were collected by NASP during planned aerial surveys along pre-determined routes along the BC coast from 2018 to 2022. Data on non-AIS recreational vessels were collected using video cameras onboard the aircraft, and data on AIS recreational vessels using an AIS receiver also onboard the aircraft. Recreational boating predictors explored were: water depth, distance to shore, distance to marinas, density of marinas, latitude, and longitude. Recreational vessel traffic models were fitted using Generalized Linear Models (GLM) R packages and libraries used here include: AED (Roman Lustrik, 2021) and MASS (Venables, W. N., Ripley, 2002), pscl package (Zeileis, Kleiber, and Jackman, 2008) for zeroinfl() and hurdle() function. Final model was selected based on the Akaike’s information criterion (AIC) and the Bayes’ information criterion (BIC). An R Markdown file with code use to run this analysis is included in the data package in a folder called Script.
Spatial Predictive Model: The selected model, ZINB, consist of two parts: one with a binomial process that predicts the probability of encountering a recreational vessel, and a second part that predicts the number of recreational vessels via a count model. The closer to shore and to marinas, and the higher the density of marinas, the higher the predicted number of recreational vessels. The probability of encountering recreational vessels is driven by water depth and distance to shore. For more information on methodology, consult metadata pdf available with the Open Data record.
References:
Serra-Sogas, N. et al. 2021. Using aerial surveys to fill gaps in AIS vessel traffic data to inform threat assessments, vessel management and planning. Marine Policy 133: 104765. https://doi.org/10.1016/j.marpol.2021.104765
Data Sources:
Recreational vessel sightings and survey effort: Data collected by NASP and analyzed by Norma Serra to extract vessel information and survey effort (more information on how this data was analyzed see SerraSogas et al, 2021).
Bathymetry data for the whole BC coast and only waters within the Canadian EEZ was provided by DFO – Science (Selina Agbayani). The data layer was presented as a raster file of 100 meters resolution. Coastline dataset used to estimate distance to shore and to clip grid was provided by DFO – Science (Selina Agbayani), created by David Williams and Yuriko Hashimoto (DFO – Oceans).
Marinas dataset was provided by DFO – Science (Selina Agbayani), created by Josie Iacarella (DFO – Science). This dataset includes large and medium size marinas and fishing lodges. The data can be downloaded from here: Floating Structures in the Pacific Northwest - Open Government Portal (https://open.canada.ca/data/en/dataset/049770ef-6cb3-44ee-afc8-5d77d6200a12)
Uncertainties:
Model results are based on recreational vessels sighted by NASP and their related predictor variables and not always might reflect real-world vessel distributions. Any biases caused by the opportunistic nature of the NASP surveys were minimized by using survey effort as an offset variable.
Learn more or download this dataset from the Government of Canada's Open data portal.
Description:
Des données sur la navigation de plaisance sont nécessaires pour les initiatives de planification spatiale marine en Colombie-Britannique (C.-B.). Les données sur le trafic maritime sont généralement obtenues en analysant les données de suivi des navires du système d'identification automatique (SIA), mais les bâtiments de plaisance sont souvent omis ou sous-représentés dans les données du SIA parce qu'ils ne sont pas tenus de porter des dispositifs de repérage SIA. Le Programme national de surveillance aérienne (PNSA) de Transports Canada a effectué des relevés aériens afin de recueillir des renseignements sur les bateaux de plaisance le long de plusieurs sections de la côte de la Colombie-Britannique entre 2018 et 2022. Les observations de bateaux de plaisance ont été modélisées en fonction de variables prédictives (p. ex. distance jusqu'au rivage, profondeur de l'eau, distance et densité des marinas) pour prédire le nombre de bateaux de plaisance le long des eaux côtières de la Colombie-Britannique.
Les dossiers inclus ici sont les suivants :
Une géobase de données « Recreational_Boating_Data_Model », qui comprend : (1) les données sur les observations de bateaux de plaisance recueillies par le PNSA en Colombie-Britannique et utilisées dans le modèle de trafic des bateaux de plaisance (« Recreational_Vessels_PointData_BC ») ; (2) un ensemble de données de levé aérien (ou nombre de relevés aériens) (« surveyeffort ») ; et (3) un ensemble de données vectorielles (résolution de 2,5 km) contenant le nombre prévu de bateaux de plaisance par cellule et les variables prédictives (« Recreational_Boating_Model_Results_BC).
Dossier de scripts comprenant le fichier R Markdown avec le code R pour exécuter l'analyse de modélisation ('Recreationa_Boating_Model_R_Script') et les données utilisées pour exécuter le code.
Méthodes :
Les données sur les navires de plaisance ont été recueillies par le PNSA au cours de relevés aériens planifiés le long de trajets prédéterminés sur la côte de la Colombie-Britannique de 2018 à 2022. Les données sur les navires de plaisance non pourvus du SIA ont été recueillies à l’aide de caméras vidéo à bord de l’avion, et les données sur les navires de plaisance pourvus du SIA, à l’aide d’un récepteur du SIA également à bord de l’avion. Les facteurs prédictifs de la navigation de plaisance étudiés étaient la profondeur de l’eau, la distance jusqu’au rivage, la distance et la densité des marinas, la latitude et la longitude. Les modèles de trafic des navires de plaisance ont été adaptés à l’aide de modèles linéaires généralisés (MLG). Les progiciels et bibliothèques R utilisés ici comprennent les suivants : AED (Roman Lustrik 2021) et MASS (Venables et Ripley 2002), progiciel pscl (Zeileis, Kleiber et Jackman 2008) pour les fonctions « zeroinfl() » et « hurdle() ». Le modèle définitif a été choisi en fonction du critère d’information d’Akaike (AIC) et du critère d’information bayésien (BIC). Un fichier R Mardown avec le code utilisé pour l’exécution de cette analyse est inclus dans le jeu de documents dans un dossier appelé Script.
Modèle de prévision spatiale : On a choisi le modèle binomial négatif à inflation nulle, qui est composé de deux parties : une première comptant un processus binomial qui prévoit la probabilité de rencontre d’un navire de plaisance et une deuxième prévoyant le nombre de navires de plaisance au moyen d’un modèle de dénombrement. Plus on s’approche du rivage et des marinas, plus la densité des marinas est élevée et plus le nombre prévu de navires de plaisance est élevé. La probabilité de rencontre de navires de plaisance est dictée par la profondeur de l’eau et la distance jusqu’au rivage. Pour en savoir plus sur la méthodologie, consultez le fichier PDF des métadonnées accessible avec le dossier des données ouvertes.
Références :
Serra-Sogas, N. et al. 2021. Using aerial surveys to fill gaps in AIS vessel traffic data to inform threat assessments, vessel management and planning. Marine Policy 133: 104765. https://doi.org/10.1016/j.marpol.2021.104765
Sources des données :
Observations et efforts déployés pour réaliser des relevés de navires de plaisance : Données recueillies par le PNSA et analysées par Norma Serra aux fins d’obtention d’information sur les navires et de déploiement d’efforts pour l’exécution de relevés (pour plus de renseignements sur la façon dont ces données ont été analysées, consulter SerraSogas et al. 2021).
Les données du système de bathymétrie pour toute la côte de la Colombie-Britannique et uniquement les eaux de la ZEE canadienne ont été fournies par le MPO – Sciences (Selina Agbayani). La couche de données a été présentée sous forme de fichier de données ligne par ligne d’une résolution de 100 mètres. Le jeu de données sur le littoral utilisé pour l’estimation de la distance jusqu’au rivage et la découpe d’une grille a été fourni par le MPO – Sciences (Selina Agbayani), créé par David Williams et Yuriko Hashimoto (MPO – Océans).
Le jeu de données sur les marinas a été fourni par le MPO – Sciences (Selina Agbayani), créé par Josie Iacarella (MPO – Sciences). Ce jeu de données comprend des marinas de grande et moyenne taille ainsi que des camps de pêche. Les données peuvent être téléchargées ici : Structures flottantes dans les eaux du nord-ouest de l’Amérique du Nord – Portail du gouvernement ouvert (https://open.canada.ca/data/fr/dataset/049770ef-6cb3-44ee-afc8-5d77d6200a12).
Incertitudes
Les résultats du modèle sont basés sur les navires de plaisance observés dans le cadre du PNSA et des variables connexes servant de facteurs prédictifs, et ne reflètent pas toujours la répartition réelle des navires. Tous les biais découlant de la nature opportuniste des relevés effectués dans le cadre du PNSA ont été réduits au minimum en utilisant les efforts visant à réaliser des relevés comme variable de décalage.
Description:
Data on recreational boating are needed for marine spatial planning initiatives in British Columbia (BC). Vessel traffic data are typically obtained by analyzing automatic identification system (AIS) vessel tracking data, but recreational vessels are often omitted or underrepresented in AIS data because they are not required to carry AIS tracking devices. Transport Canada’s National Aerial Surveillance Program (NASP) conducted aerial surveys to collect information on recreational vessels along several sections of the BC coast between 2018 and 2022.
Recreational vessel sightings were modeled against predictor variables (e.g., distance to shore, water depth, distance to, and density of marinas) to predict the number of recreational vessels along coastal waters of BC.
The files included here are:
--A Geodatabase (‘Recreational_Boating_Data_Model’), which includes: (1) recreational vessel sightings data collected by NASP in BC and used in the recreational vessel traffic model (‘Recreational_Vessels_PointData_BC’); (2) aerial survey effort (or number of aerial surveys) raster dataset (‘surveyeffort’); and (3) a vector grid dataset (2.5 km resolution) containing the predicted number of recreational vessels per cell and predictor variables (‘Recreational_Boating_Model_Results_BC).
--Scripts folder which includes R Markdown file with R code to run the modelling analysis (‘Recreational_Boating_Model_R_Script’) and data used to run the code.
Methods:
Data on recreational vessels were collected by NASP during planned aerial surveys along pre-determined routes along the BC coast from 2018 to 2022. Data on non-AIS recreational vessels were collected using video cameras onboard the aircraft, and data on AIS recreational vessels using an AIS receiver also onboard the aircraft. Recreational boating predictors explored were: water depth, distance to shore, distance to marinas, density of marinas, latitude, and longitude. Recreational vessel traffic models were fitted using Generalized Linear Models (GLM) R packages and libraries used here include: AED (Roman Lustrik, 2021) and MASS (Venables, W. N., Ripley, 2002), pscl package (Zeileis, Kleiber, and Jackman, 2008) for zeroinfl() and hurdle() function. Final model was selected based on the Akaike’s information criterion (AIC) and the Bayes’ information criterion (BIC). An R Markdown file with code use to run this analysis is included in the data package in a folder called Script.
Spatial Predictive Model: The selected model, ZINB, consist of two parts: one with a binomial process that predicts the probability of encountering a recreational vessel, and a second part that predicts the number of recreational vessels via a count model. The closer to shore and to marinas, and the higher the density of marinas, the higher the predicted number of recreational vessels. The probability of encountering recreational vessels is driven by water depth and distance to shore. For more information on methodology, consult metadata pdf available with the Open Data record.
References:
Serra-Sogas, N. et al. 2021. Using aerial surveys to fill gaps in AIS vessel traffic data to inform threat assessments, vessel management and planning. Marine Policy 133: 104765. https://doi.org/10.1016/j.marpol.2021.104765
Data Sources:
Recreational vessel sightings and survey effort: Data collected by NASP and analyzed by Norma Serra to extract vessel information and survey effort (more information on how this data was analyzed see SerraSogas et al, 2021).
Bathymetry data for the whole BC coast and only waters within the Canadian EEZ was provided by DFO – Science (Selina Agbayani). The data layer was presented as a raster file of 100 meters resolution. Coastline dataset used to estimate distance to shore and to clip grid was provided by DFO – Science (Selina Agbayani), created by David Williams and Yuriko Hashimoto (DFO – Oceans).
Marinas dataset was provided by DFO – Science (Selina Agbayani), created by Josie Iacarella (DFO – Science). This dataset includes large and medium size marinas and fishing lodges. The data can be downloaded from here: Floating Structures in the Pacific Northwest - Open Government Portal (https://open.canada.ca/data/en/dataset/049770ef-6cb3-44ee-afc8-5d77d6200a12)
Uncertainties:
Model results are based on recreational vessels sighted by NASP and their related predictor variables and not always might reflect real-world vessel distributions. Any biases caused by the opportunistic nature of the NASP surveys were minimized by using survey effort as an offset variable.
Learn more or download this dataset from the Government of Canada's Open data portal.
Description:
Des données sur la navigation de plaisance sont nécessaires pour les initiatives de planification spatiale marine en Colombie-Britannique (C.-B.). Les données sur le trafic maritime sont généralement obtenues en analysant les données de suivi des navires du système d'identification automatique (SIA), mais les bâtiments de plaisance sont souvent omis ou sous-représentés dans les données du SIA parce qu'ils ne sont pas tenus de porter des dispositifs de repérage SIA. Le Programme national de surveillance aérienne (PNSA) de Transports Canada a effectué des relevés aériens afin de recueillir des renseignements sur les bateaux de plaisance le long de plusieurs sections de la côte de la Colombie-Britannique entre 2018 et 2022. Les observations de bateaux de plaisance ont été modélisées en fonction de variables prédictives (p. ex. distance jusqu'au rivage, profondeur de l'eau, distance et densité des marinas) pour prédire le nombre de bateaux de plaisance le long des eaux côtières de la Colombie-Britannique.
Les dossiers inclus ici sont les suivants :
Une géobase de données « Recreational_Boating_Data_Model », qui comprend : (1) les données sur les observations de bateaux de plaisance recueillies par le PNSA en Colombie-Britannique et utilisées dans le modèle de trafic des bateaux de plaisance (« Recreational_Vessels_PointData_BC ») ; (2) un ensemble de données de levé aérien (ou nombre de relevés aériens) (« surveyeffort ») ; et (3) un ensemble de données vectorielles (résolution de 2,5 km) contenant le nombre prévu de bateaux de plaisance par cellule et les variables prédictives (« Recreational_Boating_Model_Results_BC).
Dossier de scripts comprenant le fichier R Markdown avec le code R pour exécuter l'analyse de modélisation ('Recreationa_Boating_Model_R_Script') et les données utilisées pour exécuter le code.
Méthodes :
Les données sur les navires de plaisance ont été recueillies par le PNSA au cours de relevés aériens planifiés le long de trajets prédéterminés sur la côte de la Colombie-Britannique de 2018 à 2022. Les données sur les navires de plaisance non pourvus du SIA ont été recueillies à l’aide de caméras vidéo à bord de l’avion, et les données sur les navires de plaisance pourvus du SIA, à l’aide d’un récepteur du SIA également à bord de l’avion. Les facteurs prédictifs de la navigation de plaisance étudiés étaient la profondeur de l’eau, la distance jusqu’au rivage, la distance et la densité des marinas, la latitude et la longitude. Les modèles de trafic des navires de plaisance ont été adaptés à l’aide de modèles linéaires généralisés (MLG). Les progiciels et bibliothèques R utilisés ici comprennent les suivants : AED (Roman Lustrik 2021) et MASS (Venables et Ripley 2002), progiciel pscl (Zeileis, Kleiber et Jackman 2008) pour les fonctions « zeroinfl() » et « hurdle() ». Le modèle définitif a été choisi en fonction du critère d’information d’Akaike (AIC) et du critère d’information bayésien (BIC). Un fichier R Mardown avec le code utilisé pour l’exécution de cette analyse est inclus dans le jeu de documents dans un dossier appelé Script.
Modèle de prévision spatiale : On a choisi le modèle binomial négatif à inflation nulle, qui est composé de deux parties : une première comptant un processus binomial qui prévoit la probabilité de rencontre d’un navire de plaisance et une deuxième prévoyant le nombre de navires de plaisance au moyen d’un modèle de dénombrement. Plus on s’approche du rivage et des marinas, plus la densité des marinas est élevée et plus le nombre prévu de navires de plaisance est élevé. La probabilité de rencontre de navires de plaisance est dictée par la profondeur de l’eau et la distance jusqu’au rivage. Pour en savoir plus sur la méthodologie, consultez le fichier PDF des métadonnées accessible avec le dossier des données ouvertes.
Références :
Serra-Sogas, N. et al. 2021. Using aerial surveys to fill gaps in AIS vessel traffic data to inform threat assessments, vessel management and planning. Marine Policy 133: 104765. https://doi.org/10.1016/j.marpol.2021.104765
Sources des données :
Observations et efforts déployés pour réaliser des relevés de navires de plaisance : Données recueillies par le PNSA et analysées par Norma Serra aux fins d’obtention d’information sur les navires et de déploiement d’efforts pour l’exécution de relevés (pour plus de renseignements sur la façon dont ces données ont été analysées, consulter SerraSogas et al. 2021).
Les données du système de bathymétrie pour toute la côte de la Colombie-Britannique et uniquement les eaux de la ZEE canadienne ont été fournies par le MPO – Sciences (Selina Agbayani). La couche de données a été présentée sous forme de fichier de données ligne par ligne d’une résolution de 100 mètres. Le jeu de données sur le littoral utilisé pour l’estimation de la distance jusqu’au rivage et la découpe d’une grille a été fourni par le MPO – Sciences (Selina Agbayani), créé par David Williams et Yuriko Hashimoto (MPO – Océans).
Le jeu de données sur les marinas a été fourni par le MPO – Sciences (Selina Agbayani), créé par Josie Iacarella (MPO – Sciences). Ce jeu de données comprend des marinas de grande et moyenne taille ainsi que des camps de pêche. Les données peuvent être téléchargées ici : Structures flottantes dans les eaux du nord-ouest de l’Amérique du Nord – Portail du gouvernement ouvert (https://open.canada.ca/data/fr/dataset/049770ef-6cb3-44ee-afc8-5d77d6200a12).
Incertitudes
Les résultats du modèle sont basés sur les navires de plaisance observés dans le cadre du PNSA et des variables connexes servant de facteurs prédictifs, et ne reflètent pas toujours la répartition réelle des navires. Tous les biais découlant de la nature opportuniste des relevés effectués dans le cadre du PNSA ont été réduits au minimum en utilisant les efforts visant à réaliser des relevés comme variable de décalage.