@globalfishingwatch/i18n-labels 1.2.237 → 1.2.239

package/en/datasets.json

@@ -1433,9 +1433,9 @@
           ">100": ">100"
         }
       },
-      "bearing": "bearing",
+      "bearing": "Bearing",
       "matched": {
-        "keyword": "matched",
+        "keyword": "Matching",
         "enum": {
           "true": "AIS matched",
           "false": "AIS unmatched"

package/es/datasets.json

@@ -1422,7 +1422,7 @@
   },
   "public-global-sentinel2-presence": {
     "name": "Detecciones de imágenes (Ópticas)",
-    "description": "<h2>Overview</h2> <p> This layer shows vessels detected using optical satellite imagery collected by the European Space Agency's Sentinel-2 satellites. Optical imagery is similar to high-quality aerial photography from space, using reflected sunlight in visible and near-infrared wavelengths. This type of imagery provides high-resolution detail that allows us to spot small vessels, identify wake patterns, and better understand activity near shore. </p> <p> Global Fishing Watch uses a machine learning model that processes each image to identify vessels and estimate their length, orientation, and speed based on wake features. The detections are then filtered using a secondary classifier to remove objects that are not vessels, such as clouds, rocks or icebergs. Each detection is linked to a cropped image (a thumbnail) so users can visually inspect what the model identified. </p> <p> Because optical satellites rely on sunlight and clear skies, detections are only possible during the day and when the area is not obscured by clouds or haze. Despite these limitations, detections with optical imagery are especially helpful in identifying small untracked vessels that may not appear in other tracking systems. </p> <h2>Use cases</h2> <ul> <li> Monitor vessel presence (both fishing and non-fishing) in areas of interest such as marine protected areas (MPAs), exclusive economic zones (EEZs), inshore exclusion zones (IEZs) and Regional Fisheries Management Organisations (RFMOs). In some cases, activity like bottom trawling can be seen through disturbance to seabed sediment. </li> <li> Assess presence of vessels that don't show up on cooperative tracking systems—including automatic identification system (AIS) and vessel monitoring system (VMS)—near vulnerable marine ecosystems and essential fish habitats. </li> <li> Goes beyond vessel detection in other satellite remote sensors like Sentinel-1 SAR and VIIRS which simply detect the presence of an object, with Sentinel-2 users can often infer the object's activity based on the wake of a detection, and in some cases, the dataset can be used to identify fishing activity e.g. sediment plumes of trawlers, net encircling fish in purse seine vessels. </li> <li> Support analyses on small-scale fishing. While the 10m resolution is still too coarse to comprehensively map small-scale fishing, Sentinel-2 detections have been integrated into multiple analyses related to regional small-scale fishery and demonstrated the potential as a valuable addition to the limited vessel tracking data. </li> </ul> <h2>Limitations</h2> <ul> <li> Vessel detection with optical imagery requires daylight and clear skies <ul> <li> Unlike radar, optical satellites cannot see through clouds, fog, or haze. Detections are only possible during daylight hours when the view is unobstructed. </li> </ul> </li> <li> Not all geographies are covered equally <ul> <li> Sentinel-2 coverage is mostly limited to coastal waters. It revisits most areas every five days, but the image availability depends on the weather. Cloudy or hazy regions have lower effective revisit frequencies than regions with better weather conditions. </li> </ul> </li> <li> The detections may include false positives <ul> <li> Despite post-processing, the model may still produce occasional false detections—e.g., picking up buoys, debris, fixed infrastructure, or image artifacts. These false positives are reduced using a secondary classifier, but not completely eliminated. </li> </ul> </li> <li> Uncertainty in some vessel features <ul> <li> Smaller or slower-moving vessels may not produce visible wakes, making it more difficult to estimate their speed or heading. Therefore, these values may be inaccurate for small boats. </li> </ul> </li> <li> Not all detections unmatched to AIS are untracked vessels <ul> <li> The detections include both vessels on AIS and untracked vessels. We try to match detections to AIS tracks, but sometimes matching is not feasible due to large time gaps between AIS positions and in areas with high density of detections. </li> </ul> </li> </ul> <h2>Methods</h2> <h3>Optical imagery</h3> <p> This layer is based on images from the Sentinel-2 satellites operated by the European Space Agency (ESA). These satellites capture medium-resolution images (10 m per pixel) of the ocean using visible and near-infrared light (among several other bands). Combined, the satellites acquire images of most coastal waters and dedicated areas in the open ocean roughly every five days, and the imagery is made freely available by the ESA. </p> <h3>Image processing and selection</h3> <p> We use pre-processed Sentinel-2 images that have been corrected for geometric distortions and aligned to the Earth's surface. These images are split into manageable tiles, and we selected the tiles that cover only ocean areas (image tiles over land are excluded). We use four image bands: red, green, blue (RGB), and near-infrared (NIR), all at 10-meter resolution. These bands give us the detail and contrast needed to detect and classify vessels. </p> <h3>Vessel detection</h3> <p> Our machine learning model scans each image tile to detect vessels. It is trained to look for features such as the shape, brightness, and wake of a vessel. When it finds a likely candidate, the model predicts a score for vessel presence alongside estimates of the vessel's location, size, orientation, and speed. </p> <p> The detection model was trained on over 11,000 manually reviewed vessel examples across thousands of Sentinel-2 scenes. This training process included many small vessels and scenes from around the world, helping the model to perform well across different environments and vessel types. </p> <h3>Image thumbnails</h3> <p> Each detection includes a small visual \"chip\" showing the detected vessel at the center. These thumbnails come in two formats: a color version from the RGB bands, and a grayscale version from the near-infrared band. Each chip covers an area of 1 km². These thumbnails are helpful for visually confirming a detection or understanding its context. For very small vessels (under 15 meters), it may still be difficult to see them clearly. </p> <h3>Reducing false positives</h3> <p> Not everything that looks like a vessel in satellite imagery actually is one. To help remove false detections (like buoys, offshore platforms, sea ice, or clouds), we run each detection through a secondary classifier. This classifier is a machine learning model that uses both the image thumbnail and additional information about the detection (such as distance from shore, local depth, and vessel density nearby, among others) to decide whether the object is likely to be a vessel. We also flag detections that are close to known fixed infrastructure or in areas with substantial sea ice or iceberg presence. </p> <p> If a detection is classified as likely non-vessel or flagged as potential infrastructure or ice, we remove it from the map layer so only high-confidence detections are included. We also clip the satellite footprints (displayed on the map layer) to exclude the areas under the icy-region mask. However, we provide all the false positives with labels through the data download portal for stakeholders who require a more complete dataset. </p> <h3>AIS matching and vessel identity</h3> <p> AIS data can reveal the identity of vessels, their owners and corporations, and fishing activity. Not all vessels, however, are required to use AIS devices, as regulations vary by country, vessel size, and activity. Vessels engaged in illicit activities can also turn off their AIS transponders or manipulate the locations they broadcast. Also, large \"blind spots\" along coastal waters arise from nations that restrict access to AIS data that are captured by terrestrial receptors instead of satellites or from poor reception due to high vessel density and low-quality AIS devices. Unmatched imagery detections therefore provide the missing information about vessel traffic in the ocean. </p> <p> Matching imagery detections to vessels' GPS coordinates from AIS is challenging because the timestamps of the images and AIS records do not coincide, and a single AIS identity can potentially match to multiple vessels appearing in the image, and vice versa. To determine the likelihood that a vessel broadcasting AIS corresponded to a specific detection, we developed a matching approach based on probability rasters of where a vessel is likely to be minutes before and after an AIS position was recorded. These rasters were produced from one year of global AIS data from the Global Fishing Watch pipeline, which sources satellite data from Spire Global and Orbcomm. The probability rasters are based on roughly 10 billion vessel positions and are computed for six different vessel classes, considering six different speeds and 36 time intervals. So we obtain the likely position of a vessel that could match a detection based on the vessel class, speed and time interval. In addition to the spatiotemporal matching, we factor in the similarity between the model-inferred vessel length and the length from AIS identity data to avoid (likely incorrect) matches with large discrepancies in size, e.g., AIS of a tugboat and the detection of a large vessel behind it. </p> <h3>Detection footprints</h3> <p> To help users understand where detections were possible, we show the detection \"footprints\" on the map. These polygons are the portions of the satellite images that cover the ocean and that were used for detection. Thus, if you see a footprint but no detections, it means no vessels were detected in that area. If there is no footprint, no image was processed for that location and time. </p> <h3>Automation and updates</h3> <p> Our detection and matching system runs automatically each day. It checks for new Sentinel-2 images published to Google Cloud and processes those that meet our quality criteria. New detections are typically available within 1–2 days of the satellite capturing the image. The automated pipeline also re-checks any images published late to ensure any data gaps are filled. </p> <h2>Source data and citations</h2> <p> All vessel data are freely available through the Global Fishing Watch data portal at <a target=\"_blank\" rel=\"noopener noreferrer nofollow\" href=\"https://globalfishingwatch.org/data-download/\" >https://globalfishingwatch.org/data-download/</a >. </p> <h2>License</h2> <p> Non-Commercial Use Only. The Site and the Services are provided for Non-Commercial use only in accordance with the CC BY-NC 4.0 license. If you would like to use the Site and/or the Services for commercial purposes, please contact us. </p>",
+    "description": "<h2><strong>Descripción General</strong></h2>\n<p>Esta capa muestra embarcaciones detectadas mediante imágenes satelitales ópticas recopiladas por los satélites Sentinel-2 de la Agencia Espacial Europea. Las imágenes ópticas son similares a fotografías aéreas de alta calidad tomadas desde el espacio, utilizando la luz solar reflejada en longitudes de onda visibles y del infrarrojo cercano. Este tipo de imágenes ofrece un nivel de detalle de alta resolución que permite identificar embarcaciones pequeñas, observar patrones en la estela de la embarcación, así como comprender mejor la actividad cercana a la costa.</p>\n<p>Global Fishing Watch utiliza un modelo de aprendizaje automático que procesa cada imagen para identificar embarcaciones y estimar su longitud, orientación y velocidad a partir de las características de su estela. Luego, las detecciones se filtran mediante una clasificación secundaria que elimina elementos que no corresponden a embarcaciones, como nubes, rocas o icebergs. Cada detección está vinculada a una imagen recortada (o miniatura) para que los usuarios puedan inspeccionar visualmente lo que el modelo ha identificado.</p>\n<p>Dado que los satélites ópticos dependen de la luz solar y del cielo despejado, las detecciones solo son posibles durante el día y cuando el área no está cubierta por nubes o neblina. A pesar de estas limitaciones, las detecciones con imágenes ópticas son especialmente útiles para identificar embarcaciones pequeñas y no rastreadas que podrían no aparecer en otros sistemas de seguimiento.</p>\n<h2><strong>Casos de uso</strong></h2>\n<ul>\n  <li>\n    <p>Monitorear la presencia de embarcaciones (tanto pesqueras como no pesqueras) en zonas de interés como Áreas Marinas Protegidas (AMP), Zonas Económicas Exclusivas (ZEE), zonas de exclusión costera (IEZ, por sus siglas en inglés) y organizaciones regionales de ordenación pesquera (OROP). En algunos casos, actividades como la pesca de arrastre de fondo pueden ser identificadas por la alteración de los sedimentos del lecho marino.</p>\n  </li>\n  <li>\n    <p>Evaluar la presencia de embarcaciones que no aparecen en sistemas de seguimiento cooperativo —incluidos el sistema de identificación automática (AIS) y el sistema de monitoreo de embarcaciones (VMS)— cerca de ecosistemas marinos vulnerables y hábitats esenciales para peces.</p>\n  </li>\n  <li>\n    <p>Apoyar el análisis de la pesca en pequeña escala. Aunque la resolución de 10 metros aún es demasiado baja para cartografiar completamente esta actividad, las detecciones del Sentinel-2 se han integrado en varios análisis regionales y han demostrado su potencial como un valioso complemento a los limitados datos disponibles sobre el seguimiento de embarcaciones.</p>\n  </li>\n</ul>\n<h2><strong>Limitaciones</strong></h2>\n<ul>\n  <li>\n    <p><strong>Detecciones de embarcaciones mediante imágenes ópticas requieren luz diurna y cielos despejados.</strong>\n    </p>\n    <ul>\n      <li>\n        <p>A diferencia del radar, los satélites ópticos no pueden atravesar nubes, niebla o bruma. Las detecciones solo son posibles durante las horas de luz solar y cuando la visibilidad no está obstruida.\n        </p>\n      </li>\n    </ul>\n  </li>\n  <li>\n    <p><strong>La cobertura geográfica no es uniforme.</strong>\n    </p>\n    <ul>\n      <li>\n        <p>La cobertura del Sentinel-2 se limita principalmente a aguas costeras. Revisa la mayoría de las zonas cada cinco días, pero la disponibilidad de las imágenes depende de las condiciones meteorológicas. Las regiones con nubosidad o bruma frecuentes son visitadas con menor frecuencias que aquellas con mejor clima.\n        </p>\n      </li>\n    </ul>\n  </li>\n  <li>\n    <p><strong>Las detecciones pueden incluir falsos positivos</strong>\n    </p>\n    <ul>\n      <li>\n        <p>A pesar del posprocesamiento, el modelo puede generar detecciones erróneas ocasionales, como boyas, residuos, infraestructura fija o artefactos de imagen. Estos falsos positivos se reducen mediante un clasificador secundario, pero no serán eliminados por completo\n        </p>\n      </li>\n    </ul>\n  </li>\n  <li>\n    <p><strong>Incertidumbre sobre algunas características de las embarcaciones</strong>\n    </p>\n    <ul>\n      <li>\n        <p>Las embarcaciones más pequeñas o de movimiento lento pueden no dejar una estela visible, lo que dificulta estimar su velocidad o rumbo. Por lo tanto, estos valores podrían ser imprecisos en el caso de las embarcaciones pequeñas.\n        </p>\n      </li>\n    </ul>\n  </li>\n  <li>\n    <p><strong>No todas las detecciones sin coincidencia con AIS son a embarcaciones no rastreadas</strong>\n    </p>\n    <ul>\n      <li>\n        <p>Las detecciones incluyen tanto embarcaciones con AIS como sin él. Se intenta cotejar las detecciones con trayectorias AIS, pero esto no siempre es posible debido a grandes intervalos entre posiciones AIS o a la alta densidad de embarcaciones detectadas.\n        </p>\n      </li>\n    </ul>\n  </li>\n</ul>\n<h2><strong>Métodos</strong></h2>\n<h3><strong>Imágenes ópticas</strong></h3>\n<p>Esta capa se basa en imágenes de los satélites Sentinel-2, operados por la Agencia Espacial Europea (ESA). Estos satélites capturan imágenes del océano con resolución media (10 metros por píxel), utilizando luz visible y del infrarrojo cercano, entre otras bandas. En conjunto, los satélites cubren la mayoría de las aguas costeras y ciertas zonas del mar abierto aproximadamente cada cinco días. Las imágenes están disponibles de forma gratuita a través de la ESA.</p>\n<h3><strong>Procesamiento y selección de imágenes</strong></h3>\n<p>Utilizamos imágenes preprocesadas de Sentinel-2 que han sido corregidas debido a distorsiones geométricas y alineadas con la superficie terrestre. Estas imágenes se dividen en recuadros manejables y hemos elegido los recuadros que cubren únicamente zonas oceánicas (se excluyen áreas terrestres). Utilizamos cuatro bandas espectrales: rojo, verde, azul (RGB) y el infrarrojo cercano (NIR), todas con una resolución de 10 metros. Estas bandas nos proporcionan el detalle y contraste necesarios para detectar y clasificar embarcaciones.</p>\n<h3><strong>Detección de embarcaciones</strong></h3>\n<p>Nuestro modelo de aprendizaje automático escanea cada recuadro con el objetivo de detectar embarcaciones. Ha sido entrenado para buscar características como la forma, el brillo y la estela de una embarcación. Cuando encuentra un candidato probable, el modelo estima una puntuación de presencia del buque junto con estimaciones de su ubicación, tamaño, orientación y velocidad.</p>\n<p>El modelo fue entrenado utilizando más de 11.000 ejemplos de embarcaciones revisados manualmente en miles de escenas Sentinel-2. Este entrenamiento incluyó muchas embarcaciones pequeñas y escenas de todo el mundo, lo que le permite desempeñarse bien en distintos entornos y con diversos tipos de buques.</p>\n<h3><strong>Miniaturas de imagen</strong></h3>\n<p>Cada detección incluye una pequeña “muestra visual” con la embarcación detectada en el centro. Estas miniaturas están disponibles en dos formatos: una versión en color basada en las bandas RGB, y una versión en escala de grises basada en la banda del infrarrojo cercano. Cada muestra visual cubre un área de 1 km². Estas miniaturas son útiles para confirmar visualmente una detección o comprender su contexto. Sin embargo, en el caso de embarcaciones muy pequeñas (menores a 15 metros), es posible que sea difícil verlas con claridad.</p>\n<h3><strong>Reducción de falsos positivos</strong></h3>\n<p>No todo lo que parece una embarcación en una imagen satelital realmente lo es. Para ayudar a eliminar detecciones erróneas (como boyas, plataformas marinas, hielo marino o nubes), cada detección pasa por un clasificador secundario. Este clasificador —también basado en aprendizaje automático— utiliza tanto la miniatura de la imagen como información adicional sobre la detección (como, por ejemplo, la distancia de la costa, profundidad local y densidad de embarcaciones cercanas) para evaluar si el objeto probablemente es una embarcación.</p>\n<p>Además, marcamos las detecciones que se encuentren cerca de infraestructuras fijas conocidas o en zonas con presencia significativa de hielo marino o icebergs. Si una detección se clasifica como “probablemente no embarcación” o se marca como posible infraestructura o hielo, se elimina de la capa del mapa, de modo que solo incluye detecciones con alta probabilidad. Asimismo, recortamos los límites de las escenas satelitales mostradas en el mapa para excluir las áreas cubiertas por la máscara de regiones heladas.</p>\n<p>Sin embargo, todos los falsos positivos se proporcionan con etiquetas a través del portal de descarga de datos, para los usuarios que necesiten conjuntos de datos más completos.</p>\n<h3><strong>Vinculación con AIS e identificación de embarcaciones</strong></h3>\n<p>Los datos del sistema AIS pueden revelar la identidad de una embarcación, sus propietarios, operadores y su actividad pesquera. Sin embargo, no todas las embarcaciones están obligadas a usar dispositivos AIS, ya que las regulaciones varían según el país, el tamaño del buque y su actividad. Además, embarcaciones involucradas en actividades ilícitas pueden apagar sus transpondedores AIS o manipular las ubicaciones que transmiten.</p>\n<p>También existen grandes “zonas ciegas” en aguas costeras, debido a países que restringen el acceso a los datos AIS captados por receptores terrestres (en lugar de satelitales), o a una mala recepción provocada por alta densidad de embarcaciones o equipos de baja calidad. Por este motivo, las detecciones no cotejadas con AIS ofrecen la información faltante del tráfico marítimo.</p>\n<p>Cotejar las detecciones con coordenadas GPS del AIS es un desafío, ya que las marcas de tiempo de las imágenes y de los registros AIS no coinciden, y una sola identidad AIS puede corresponder a múltiples embarcaciones visibles en una imagen, o viceversa. Para determinar la probabilidad de que una embarcación con señal AIS coincida con una detección específica, hemos desarrollado un enfoque basado en rásters de probabilidad que indica dónde es probable que se encuentre una embarcación minutos antes y después de una posición AIS registrada.</p>\n<p>Estos rásters fueron producidos a partir de un año de datos globales AIS en el flujo de datos de Global Fishing Watch, que obtiene datos satelitales de Spire Global y Orbcomm. Los rásters de probabilidad se basan en aproximadamente 10.000 millones de posiciones de embarcaciones y se calculan para seis clases de buques, considerando seis velocidades distintas y 36 intervalos de tiempo. Esto permite estimar la posición probable de una embarcación que podría coincidir con una detección, en función de su clase, velocidad e intervalo temporal.</p>\n<p>Además del cotejamiento espaciotemporal, también se toma en cuenta la similitud entre la eslora inferida por el modelo y la eslora reportada en el AIS, con el fin de evitar coincidencias (probablemente erróneas) con grandes diferencias de tamaño, como asociar el AIS de un remolcador con la detección de un buque grande que le sigue.</p>\n<h3><strong>Huellas de detección</strong></h3>\n<p>Para ayudar a los usuarios a entender dónde eran posibles las detecciones, mostramos las “huellas de detección” en el mapa. Estos polígonos corresponden a las porciones de las imágenes satelitales que cubren zonas oceánicas y que se utilizan para detección. Por lo tanto, si encuentra una huella sin detecciones, significa que no se detectaron embarcaciones en esa área. Si no hay huella, no se procesó ninguna imagen para ese lugar y momento.</p>\n<h3><strong>Automatización y actualizaciones</strong></h3>\n<p>Nuestro sistema de detección y cotejamiento funciona de forma automatizada cada día. Verifica si hay nuevas imágenes Sentinel-2 publicadas en Google Cloud y procesa las que cumplan con nuestros criterios de calidad. Las nuevas detecciones suelen estar disponibles entre 1 y 2 días después de que el satélite captura la imagen. El flujo automático también vuelve a revisar cualquier imagen publicadas con retraso, para asegurar que cualquier brecha en los datos sea completada.</p>\n<h2><strong>Datos fuente y citas</strong></h2>\n<p>Todos los datos de embarcaciones están disponibles gratuitamente a través del portal de datos de Global Fishing Watch <a target=\"_blank\" rel=\"noopener noreferrer nofollow\" href=\"https://globalfishingwatch.org/data-download\">https://globalfishingwatch.org/data-download</a>.</p>\n<h2><strong>Licencia</strong></h2>\n<p>Uso no comercial únicamente. El Sitio y los Servicios se proporcionan exclusivamente para uso no comercial de acuerdo con la licencia CC BY-NC 4.0. Si desea utilizar el Sitio o los Servicios con fines comerciales, póngase en contacto con nosotros.</p>",
     "schema": {
       "length": {
         "keyword": "Longitud de la embarcación",
@@ -1433,25 +1433,25 @@
           ">100": ">100"
         }
       },
-      "bearing": "bearing",
+      "bearing": "Rumbo",
       "matched": {
-        "keyword": "matched",
+        "keyword": "Coincidencia con AIS",
         "enum": {
           "true": "Coincidencia con AIS",
           "false": "Sin coincidencia con AIS"
         }
       },
       "shiptype": {
-        "keyword": "shiptype",
+        "keyword": "Tipos de Embarcaciones",
         "enum": {
-          "carrier": "carrier",
+          "carrier": "Embarcación de transporte",
           "seismic_vessel": "Buque sismológico",
           "passenger": "Pasajeros",
           "other": "Otro",
           "support": "Soporte",
-          "bunker": "bunker",
-          "gear": "gear",
-          "cargo": "cargo",
+          "bunker": "Aprovisionamiento",
+          "gear": "Arte de pesca",
+          "cargo": "Mercancía",
           "fishing": "Pesca",
           "discrepancy": "Discrepancia"
         }

package/fr/datasets.json

@@ -1425,7 +1425,7 @@
     "description": "<h2>Vue d’ensemble</h2>\n<p> Ce calque montre les navires détectés à l’aide d’images satellites optiques collectées par les satellites Sentinel-2 de l’Agence spatiale européenne. L'imagerie optique est similaire à la photographie aérienne de haute qualité depuis l'espace, utilisant la lumière solaire réfléchie dans les longueurs d'onde visibles et proches infrarouges. Ce type d’imagerie fournit des détails haute résolution qui nous permettent de repérer les petits navires, d’identifier les schémas de sillage et de mieux comprendre l’activité à proximité de la côte.</p>\n<p> Global Fishing Watch utilise un modèle d'apprentissage machine qui traite chaque image pour identifier les navires et estimer leur longueur, leur cap et leur vitesse en fonction des caractéristiques du sillage. Les détections sont ensuite filtrées à l’aide d’un modèle de classification secondaire pour supprimer les objets qui ne sont pas des navires, tels que les nuages, les rochers ou les icebergs. Chaque détection est liée à une image recadrée (une vignette) afin que les utilisateurs puissent inspecter visuellement ce que le modèle a identifié. </p>\n<p> Étant donné que les satellites optiques dépendent de la lumière du soleil et d’un ciel dégagé, les détections ne sont possibles que pendant la journée et lorsque la zone n’est pas obscurcie par des nuages ou de la brume. Malgré ces limitations, les détections par imagerie optique sont particulièrement utiles pour identifier les petits navires non suivis qui peuvent ne pas apparaître dans d’autres systèmes de suivi. </p>\n<h2>Cas d'utilisation</h2>\n<ul>\n <li> Suivre la présence de navires (de pêche et autres) dans les zones d’intérêt telles que les aires marines protégées (AMP), les zones économiques exclusives (ZEE), les zones d’exclusion côtières (ZEC) et les organisations régionales de gestion des pêches (ORGP). Dans certains cas, il est possible d’observer des activités telles que le chalutage de fond à travers la perturbation des sédiments du fond marin. </li>\n <li> Évaluer la présence de navires qui n’apparaissent pas sur les systèmes de suivi coopératifs, notamment le système d’identification automatique (AIS) et les systèmes de surveillance des navires (VMS), à proximité des écosystèmes marins vulnérables et des habitats essentiels des poissons. </li>\n <li> Soutenir les analyses sur la pêche à petite échelle. Bien que la résolution de 10 m soit encore trop grossière pour cartographier de manière exhaustive la pêche à petite échelle, les détections Sentinel-2 ont été intégrées dans de multiples analyses liées à la pêche à petite échelle à l’échelle régionale et ont démontré leur potentiel en tant qu'ajout précieux aux données de suivi des navires qui demeurent limitées. </li>\n</ul>\n<h2>Limitations</h2>\n<ul>\n <li> <strong>La détection de navires par imagerie optique nécessite la lumière du jour et un ciel dégagé </strong><ul>\n <li> Contrairement au radar, les satellites optiques ne peuvent pas voir à travers les nuages, le brouillard ou la brume. Les détections ne sont possibles que pendant les heures de clarté lorsque la vue est dégagée. </li>\n </ul>\n </li>\n <li> <strong>Toutes les zones géographiques ne sont pas couvertes de manière égale </strong><ul>\n <li> La couverture de Sentinel-2 est principalement limitée aux eaux côtières. Il revisite la plupart des zones tous les cinq jours, mais la disponibilité de l'image dépend de la météo. Les régions nuageuses ou brumeuses ont des fréquences de revisite effectives plus faibles que les régions qui présentent de meilleures conditions météorologiques. </li>\n </ul>\n </li>\n <li> <strong>Les détections peuvent inclure de faux résultats positifs </strong><ul>\n <li> Malgré le post-traitement, le modèle peut encore produire occasionnellement de fausses détections, par exemple en captant des bouées, des débris, des infrastructures fixes ou des artefacts d'image. Ces faux résultats positifs sont réduits à l’aide d’un modèle de classification secondaire, mais ils ne sont pas complètement éliminés. </li>\n </ul>\n </li>\n <li> <strong>Incertitude dans certaines caractéristiques des navires </strong> <ul>\n <li> Les navires plus petits ou plus lents peuvent ne pas produire de sillages visibles, ce qui rend plus difficile l’estimation de leur vitesse ou de leur cap. Par conséquent, ces valeurs peuvent être inexactes pour les petits bateaux. </li>\n </ul>\n </li>\n <li> <strong>Toutes les détections non associées à l'AIS ne sont pas des navires non suivis </strong><ul>\n <li> Les détections incluent à la fois les navires sur AIS et les navires non suivis. Nous essayons de faire correspondre les détections aux tracés AIS, mais parfois, une correspondance n'est pas possible en raison des grands écarts de temps entre les positions AIS et dans les zones à forte densité de détections. </li>\n </ul>\n </li>\n</ul>\n<h2>Méthodes</h2>\n<h3>Imagerie optique</h3>\n<p> Cette couche est basée sur des images des satellites Sentinel-2 exploités par l'Agence spatiale européenne (ASE). Ces satellites capturent des images de résolution moyenne (10 m par pixel) de l’océan en utilisant la lumière visible et proche infrarouge (parmi plusieurs autres bandes). Ensemble, les satellites acquièrent des images de la plupart des eaux côtières et des zones dédiées en haute mer environ tous les cinq jours, et les images sont mises gratuitement à disposition par l’ASE. </p>\n<h3>Traitement et sélection d'images</h3>\n<p> Nous utilisons des images Sentinel-2 prétraitées qui ont été corrigées pour les distorsions géométriques et alignées sur la surface de la Terre. Ces images sont divisées en tuiles gérables, et nous avons sélectionné les tuiles qui couvrent uniquement les zones océaniques (les tuiles d'images terrestres sont exclues). Nous utilisons quatre bandes d’images : rouge, vert, bleu (RVB) et proche infrarouge (PIR), toutes à une résolution de 10 mètres. Ces bandes nous donnent les détails et le contraste nécessaires pour détecter et classifier les navires. </p>\n<h3>Détection de navires</h3>\n<p> Notre modèle d’apprentissage machine analyse chaque tuile d’image pour détecter les navires. Il est entraîné pour rechercher des caractéristiques telles que la forme, la luminosité et le sillage d'un navire. Lorsqu'il identifie un candidat probable, le modèle prédit un score pour la présence du navire ainsi que des estimations de la position, de la taille, du cap et de la vitesse du navire. </p>\n<p> Le modèle de détection a été entraîné avec plus de 11 000 exemples de navires examinés manuellement dans des milliers de scènes Sentinel-2. Ce processus d’entraînement comprenait de nombreux petits navires et scènes du monde entier, aidant le modèle à bien fonctionner pour différents environnements et types de navires. </p>\n<h3>Vignettes d'images</h3>\n<p> Chaque détection comprend une petite « vignette » visuelle montrant le navire détecté au centre. Ces vignettes sont disponibles en deux formats : une version couleur des bandes RVB et une version en niveaux de gris de la bande proche infrarouge. Chaque vignette couvre une superficie de 1 km². Ces vignettes sont utiles pour confirmer visuellement une détection ou comprendre son contexte. Les très petits navires (moins de 15 mètres) peuvent tout de même être difficiles à voir clairement. </p>\n<h3>Réduire les faux résultats positifs</h3>\n<p> Tout ce qui ressemble à un navire sur les images satellites n’en est pas forcément un. Pour aider à éliminer les fausses détections (comme les bouées, les plateformes offshore, la glace de mer ou les nuages), nous soumettons chaque détection à un modèle de classification secondaire. Ce classificateur est un modèle d'apprentissage machine qui utilise à la fois la vignette de l'image et d’autres données relatives à la détection (telles que la distance par rapport à la côte, la profondeur locale et la densité des navires à proximité) pour décider si l'objet est susceptible d'être un navire. Nous signalons également les détections qui sont proches d’infrastructures fixes connues ou dans des zones où il y a une présence importante de glace de mer ou d’icebergs. </p>\n<p> Si une détection est classée comme étant probablement non liée à un navire ou signalée comme étant potentiellement une infrastructure ou de la glace, nous la supprimons de la couche cartographique afin que seules les détections à haute confiance soient incluses. Nous découpons également les empreintes satellites (affichées sur le calque cartographique) pour exclure les zones couvertes par le masque des zones glacées. Toutefois, nous fournissons tous les faux résultats positifs avec des étiquettes via le portail de téléchargement de données pour les parties prenantes qui ont besoin d'un ensemble de données plus complet. </p>\n<h3>Correspondance AIS et identité des navires</h3>\n<p> Les données AIS peuvent révéler l’identité des navires, de leurs propriétaires et de leurs sociétés, ainsi que l’activité de pêche. Cependant, tous les navires ne sont pas tenus d’utiliser des dispositifs AIS, car les réglementations varient selon le pays, la taille du navire et l’activité. Les navires engagés dans des activités illicites peuvent également potentiellement désactiver leurs transpondeurs AIS ou manipuler les positions qu’ils diffusent. De plus, d’importantes « zones d’ombre » le long des eaux côtières résultent des pays qui restreignent l’accès aux données AIS capturées par des récepteurs terrestres au lieu de satellites ou d’une mauvaise réception due à une forte densité de navires et à des dispositifs AIS de mauvaise qualité. Les détections par imagerie sans correspondance fournissent donc les informations manquantes sur le trafic maritime dans l’océan. </p>\n<p> La correspondance des détections par imagerie avec les coordonnées GPS des navires provenant de l’AIS est un défi, car l’horodatage des images et des archives AIS ne coïncide pas, et une identité AIS distincte peut potentiellement correspondre à plusieurs navires apparaissant sur l’image, et vice versa. Pour déterminer la probabilité qu'un navire diffusant sur AIS corresponde à une détection spécifique, nous avons développé une approche de correspondance basée sur des rasters de probabilité de l'endroit où un navire est susceptible de se trouver quelques minutes avant et après l'enregistrement d'une position AIS. Ces rasters ont été produits à partir d'une année de données AIS mondiales provenant du flux de données Global Fishing Watch, qui utilise des données satellites fournies par Spire Global et Orbcomm. Ces rasters de probabilité sont basés sur environ 10 milliards de positions de navires, et ils sont calculés pour six classes de navires différentes, en tenant compte de six vitesses différentes et de 36 intervalles de temps. Nous obtenons ainsi la position probable d'un navire qui pourrait correspondre à une détection en fonction de la classe du navire, de la vitesse et de l'intervalle de temps. En plus de la correspondance spatiotemporelle, nous prenons en compte la similitude entre la longueur du navire déduite du modèle et la longueur des données d'identité AIS pour éviter les correspondances (probablement incorrectes) avec de grandes différences de taille, par exemple, l'AIS d’un remorqueur et la détection d'un grand navire se trouvant derrière lui. </p>\n<h3>Empreintes de détection</h3>\n<p> Pour aider les utilisateurs à comprendre où les détections ont été possibles, nous affichons les « empreintes » de détection sur la carte. Ces polygones sont les portions des images satellites qui couvrent l’océan et qui ont été utilisées pour la détection. Ainsi, si vous voyez une empreinte, mais aucune détection, cela signifie qu'aucun navire n'a été détecté dans cette zone. S'il n'y a pas d'empreinte, aucune image n’a été traitée pour cet emplacement et cette heure. </p>\n<h3>Automatisation et mises à jour</h3>\n<p> Notre système de détection et de correspondance est exécuté automatiquement chaque jour. Le système vérifie régulièrement la publication de nouvelles images Sentinel-2 sur Google Cloud et traite celles qui répondent à nos critères de qualité. Les nouvelles détections sont généralement disponibles dans un délai de 1 à 2 jours après la capture de l’image par le satellite. La chaîne de traitement automatisée revérifie également toutes les images publiées tardivement pour garantir que toutes les lacunes de données sont comblées. </p>\n<h2>Données sources et citations</h2>\n<p> Toutes les données sur les navires sont disponibles gratuitement via le portail de données Global Fishing Watch à l'adresse <a target=\"_blank\" rel=\"noopener noreferrer nofollow\" href=\"https://globalfishingwatch.org/data-download/\">https://globalfishingwatch.org/data-download/</a>. </p>\n<h2>Licence</h2>\n<p> Usage non commercial uniquement. Le Site et les Services sont fournis pour une utilisation non commerciale uniquement conformément à la licence CC BY-NC 4.0. Si vous souhaitez utiliser le Site et/ou les Services à des fins commerciales, veuillez nous contacter. </p>",
     "schema": {
       "length": {
-        "keyword": "length",
+        "keyword": "Longueur du navire",
         "enum": {
           "<20": "<20",
           "20-60": "20-60",
@@ -1433,27 +1433,27 @@
           ">100": ">100"
         }
       },
-      "bearing": "bearing",
+      "bearing": "Cap",
       "matched": {
-        "keyword": "matched",
+        "keyword": "Correspondance",
         "enum": {
-          "true": "AIS matched",
-          "false": "AIS unmatched"
+          "true": "Correspondance AIS",
+          "false": "Sans correspondance AIS"
         }
       },
       "shiptype": {
-        "keyword": "shiptype",
-        "enum": {
-          "carrier": "carrier",
-          "seismic_vessel": "seismic_vessel",
-          "passenger": "passenger",
-          "other": "other",
-          "support": "support",
-          "bunker": "bunker",
-          "gear": "gear",
-          "cargo": "cargo",
-          "fishing": "fishing",
-          "discrepancy": "discrepancy"
+        "keyword": "Type de navire",
+        "enum": {
+          "carrier": "Transporteur",
+          "seismic_vessel": "Navire d’étude sismique",
+          "passenger": "Passager",
+          "other": "Autres",
+          "support": "Soutien",
+          "bunker": "Navire ravitailleur",
+          "gear": "Engin",
+          "cargo": "Fret",
+          "fishing": "Pêche",
+          "discrepancy": "Discordance"
         }
       }
     }

package/package.json

@@ -1,6 +1,6 @@
 {
   "name": "@globalfishingwatch/i18n-labels",
-  "version": "1.2.237",
+  "version": "1.2.239",
   "main": "./index.cjs.js",
   "module": "./index.mjs",
   "typings": "./index.d.ts",

package/pt/datasets.json

@@ -1425,7 +1425,7 @@
     "description": "<h2>Visão geral</h2>\n<p> Esta camada mostra embarcações detectadas por meio de imagens ópticas de satélite coletadas pelos satélites Sentinel-2 da Agência Espacial Europeia. Imagens ópticas são semelhantes a fotografias aéreas de alta qualidade tiradas do espaço, usando a luz solar refletida em comprimentos de onda visíveis infravermelhos próximos. Esse tipo de imagem fornece detalhes em alta resolução que nos permitem localizar pequenas embarcações, identificar padrões de esteira e entender melhor as atividades próximas à costa. </p>\n<p> A Global Fishing Watch utiliza um modelo de aprendizado de máquina que processa cada imagem para identificar embarcações e estimar seu comprimento, orientação e velocidade com base nas características da esteira. As detecções são então filtradas com um classificador secundário para a remoção de objetos que não são embarcações, como nuvens, rochas ou icebergs. Cada detecção é vinculada a uma imagem recortada (uma miniatura) para que os usuários possam inspecionar visualmente o que o modelo identificou. </p>\n<p> Como os satélites ópticos dependem da luz solar e do céu limpo, as detecções só são possíveis durante o dia e quando a área não está obscurecida por nuvens ou neblina. Apesar dessas limitações, as detecções com imagens ópticas são muito úteis para identificar pequenas embarcações não rastreadas que podem não aparecer em outros sistemas de rastreamento. </p>\n<h2>Casos de uso</h2>\n<ul>\n <li> Monitoramento de presença de embarcações (pesqueiras e não pesqueiras) em áreas de interesse, como áreas marinhas protegidas (AMPs), zonas econômicas exclusivas (ZEEs), zonas de exclusão costeira (IEZs) e Organizações Regionais de Gestão de Pesca (ORGPs). Em alguns casos, atividades como a pesca de arrasto de fundo podem ser observadas por meio de perturbação dos sedimentos do leito marinho. </li>\n <li> Avaliação da presença de embarcações que não aparecem nos sistemas de rastreamento cooperativo — incluindo o sistema de identificação automática (AIS) e o sistema de monitoramento de embarcações (VMS) — perto de ecossistemas marinhos vulneráveis e habitats essenciais para os peixes. </li>\n <li> Suporte para análises sobre pesca em pequena escala. Embora a resolução de 10 m ainda seja muito grosseira para mapear de forma abrangente a pesca em pequena escala, as detecções do Sentinel-2 foram integradas em diversas análises relacionadas à pesca regional em pequena escala e demonstraram seu potencial como uma adição valiosa aos dados limitados de rastreamento de embarcações. </li>\n</ul>\n<h2>Limitações</h2>\n<ul>\n <li> <strong>A detecção de embarcações com imagens ópticas precisa da luz do dia e de céu limpo </strong><ul>\n <li> Diferente de um radar, os satélites ópticos não conseguem enxergar através de nuvens, neblina ou névoa. As detecções só são possíveis durante o dia, quando a visão não está obstruída. </li>\n </ul>\n </li>\n <li> <strong>Nem todas as regiões geográficas são cobertas igualmente </strong><ul>\n <li> A cobertura do Sentinel-2 é limitada principalmente às águas costeiras. Ele revisita a maioria das áreas a cada cinco dias, mas a disponibilidade das imagens depende do clima. Regiões nubladas ou com neblina têm frequências efetivas de revisita mais baixas do que regiões com melhores condições climáticas. </li>\n </ul>\n </li>\n <li> <strong>As detecções podem incluir falsos positivos </strong><ul>\n <li> Apesar do pós-processamento, o modelo ainda pode produzir detecções ocasionais falsas como, por exemplo, detecções de boias, detritos, infraestrutura fixa ou artefatos de imagem. Esses falsos positivos são reduzidos com o uso de um classificador secundário, porém não são completamente eliminados. </li>\n </ul>\n </li>\n <li> <strong>Incerteza com relação a algumas características das embarcações</strong> <ul>\n <li> Embarcações menores ou mais lentas podem não produzir esteiras visíveis, dificultando a estimativa da velocidade ou direção. Portanto, esses valores podem ser imprecisos para pequenas embarcações. </li>\n </ul>\n </li>\n <li> <strong>Nem todas as detecções não correspondidas ao AIS são embarcações não rastreadas </strong><ul>\n <li> As detecções incluem embarcações no AIS e embarcações não rastreadas. Tentamos corresponder as detecções às rotas do AIS, mas algumas vezes a correspondência não é viável devido a grandes intervalos de tempo entre as posições do AIS e em área com alta densidade de detecções. </li>\n </ul>\n </li>\n</ul>\n<h2>Métodos</h2>\n<h3>Imagens ópticas</h3>\n<p> Essa camada é baseada em imagens dos satélites Sentinel-2 operados pela Agência Espacial Europeia (ESA). Esses satélites capturam imagens de média resolução (10 m por pixel) do oceano usando luz visível e infravermelha próxima (entre várias outras bandas). Combinados, os satélites adquirem imagens da maioria das águas costeiras e áreas dedicadas no oceano aberto aproximadamente a cada cinco dias, e as imagens são disponibilizadas gratuitamente pela ESA. </p>\n<h3>Processamento e seleção de imagens</h3>\n<p> Usamos imagens pré-processadas do Sentinel-2 que foram corrigidas para distorções geométricas e alinhadas à superfície da Terra. Essas imagens são divididas em blocos gerenciáveis, e nós selecionamos os blocos que cobrem apenas áreas oceânicas (blocos de imagens sobre áreas terrestres são excluídos). Utilizamos quatro bandas de imagem: vermelho, verde, azul (RGB) e infravermelho próximo (NIR), todas com resolução de 10 metros. Essas bandas nos fornecem os detalhes e o contraste necessários para detectar e classificar as embarcações. </p>\n<h3>Detecção de embarcações</h3>\n<p> Nosso modelo de aprendizado de máquina escaneia cada bloco de imagem para detectar as embarcações. Ele é treinado para buscar características como o formato, o brilho e a esteira de uma embarcação. Quando encontra uma possível candidata, o modelo prevê uma pontuação para a presença da embarcação, juntamente com estimativas da localização, tamanho, orientação e velocidade da embarcação. </p>\n<p> O modelo de detecção foi treinado em mais de 11.000 exemplos de embarcações revisados manualmente em milhares de cenas do Sentinel-2. Esse processo de treinamento incluiu muitas pequenas embarcações e cenas do mundo todo, ajudando o modelo a apresentar um bom desempenho em diferentes ambientes e tipos de embarcações. </p>\n<h3>Miniaturas das imagens</h3>\n<p> Cada detecção inclui um pequeno “recorte” visual mostrando a embarcação detectada ao centro. Essas miniaturas estão disponíveis em dois formatos: uma versão colorida a partir das bandas RGB e uma versão em tons de cinza a partir da banda do infravermelho próximo. Cada chip cobre uma área de 1 km². Essas miniaturas são úteis para confirmar visualmente uma detecção ou entender seu contexto. Para embarcações muito pequenas (com menos de 15 metros), ainda pode ser difícil vê-las claramente. </p>\n<h3>Redução de falsos positivos</h3>\n<p> Nem tudo que parece uma embarcação em imagens de satélite realmente é. Para ajudar a remover detecções falsas (como boias, plataformas offshore, gelo marinho ou nuvens), executamos cada detecção por meio de um classificador secundário. Esse classificador é um modelo de aprendizado de máquina que usa tanto a miniatura da imagem quanto informações adicionais sobre a detecção (como distância da costa, profundidade local e densidade de embarcações próximas) para decidir se o objeto é provavelmente uma embarcação. Nós também sinalizamos detecções próximas a infraestruturas fixas conhecidas ou em áreas com presença considerável de gelo marinho ou icebergs. </p>\n<p> Se uma detecção for classificada como provavelmente não relacionada a embarcações ou sinalizada como uma possível infraestrutura ou gelo, nós a removemos da camada do mapa para que apenas detecções de alta confiança sejam incluídas. Também recortamos as pegadas de satélite exibidas na camada do mapa para excluir as áreas sob a máscara de área gelada. No entanto, fornecemos todos os falsos positivos com rótulos por meio do portal de download de dados para as partes interessadas que exigem um conjunto de dados mais completo. </p>\n<h3>Correspondência do AIS e identidade das embarcações</h3>\n<p> Os dados do AIS podem revelar a identidade das embarcações, de seus proprietários e corporações, bem como atividades de pesca. No entanto, nem todas as embarcações são obrigadas a usar dispositivos AIS, já que as regulamentações variam de acordo com o país, o tamanho da embarcação e a atividade. Embarcações envolvidas em atividades ilícitas também podem desligar seus transponders AIS ou podem manipular os locais que transmitem. Além disso, grandes “pontos cegos” ao longo das águas costeiras surgem de nações que restringem o acesso a dados do AIS capturados por receptores terrestres em vez de satélites ou de recepção ruim devido à alta densidade de embarcações e dispositivos AIS de baixa qualidade. As detecções de imagens não correspondentes fornecem, portanto, as informações que faltam sobre o tráfego de embarcações no oceano. </p>\n<p> A correspondência entre as detecções de imagens e as coordenadas por GPS das embarcações do AIS é desafiadora porque o registro de data e hora das imagens e dos registros do AIS não coincidem, e uma única identidade do AIS pode potencialmente corresponder a várias embarcações que aparecem na imagem, e vice-versa. Para determinar a probabilidade de uma embarcação transmitindo AIS corresponder a uma detecção específica, desenvolvemos uma abordagem de correspondência baseada em rasters de probabilidade de onde uma embarcação provavelmente estaria minutos antes e depois de uma posição do AIS ser registrada. Esses rasters foram produzidos a partir de um ano de dados globais do AIS provenientes do pipeline da Global Fishing Watch, que obtém dados de satélite da Spire Global e da Orbcomm. Os rasters de probabilidade são baseados em aproximadamente 10 bilhões de posições de embarcações e são computados para seis classes diferentes de embarcações, considerando seis velocidades diferentes e 36 intervalos de tempo. Assim, obtemos a provável posição de uma embarcação que poderia corresponder a uma detecção com base na classe da embarcação, velocidade e intervalo de tempo. Além da correspondência espaço-temporal, levamos em conta a semelhança entre o comprimento da embarcação inferido pelo modelo e o comprimento a partir dos dados de identidade do AIS para evitar correspondências (provavelmente incorretas) com grandes discrepâncias de tamanho como, por exemplo, AIS de um rebocador e a detecção de uma grande embarcação atrás dele. </p>\n<h3>Pegadas de detecção</h3>\n<p> Para ajudar os usuários a entender onde as detecções foram possíveis, mostramos as “pegadas” de detecção no mapa. Esses polígonos são as porções das imagens de satélite que cobrem o oceano e que foram usadas para a detecção. Assim, se você vir uma pegada, mas nenhuma detecção, significa que nenhuma embarcação foi detectada na área. Se não houver pegada, nenhuma imagem será processada para determinado local e hora. </p>\n<h3>Automação e atualizações</h3>\n<p> Nosso sistema de detecção e correspondência é executado automaticamente todos os dias. Ele verifica novas imagens do Sentinel-2 publicadas no Google Cloud e processa as que atendem aos nossos critérios de qualidade. Novas detecções geralmente ficam disponíveis em 1 a 2 dias após a captura da imagem pelo satélite. O pipeline automatizado também verifica novamente quaisquer imagens publicadas tardiamente para garantir que eventuais lacunas de dados sejam preenchidas. </p>\n<h2>Dados de origem e citações</h2>\n<p> Todos os dados das embarcações estão disponíveis gratuitamente no portal de dados da Global Fishing Watch em <a target=\"_blank\" rel=\"noopener noreferrer nofollow\" href=\"https://globalfishingwatch.org/data-download/\">https://globalfishingwatch.org/data-download/</a>. </p>\n<h2>Licença</h2>\n<p> Somente para uso não comercial. O Site e os Serviços são fornecidos apenas para uso não comercial, de acordo com a licença CC BY-NC 4.0. Caso queira usar o Site e/ou os Serviços para fins comerciais, por favor, entre em contato conosco. </p>",
     "schema": {
       "length": {
-        "keyword": "length",
+        "keyword": "Comprimento da embarcação",
         "enum": {
           "<20": "<20",
           "20-60": "20-60",
@@ -1433,27 +1433,27 @@
           ">100": ">100"
         }
       },
-      "bearing": "bearing",
+      "bearing": "Rumo",
       "matched": {
-        "keyword": "matched",
+        "keyword": "Encontrado",
         "enum": {
-          "true": "AIS matched",
-          "false": "AIS unmatched"
+          "true": "Correspondência AIS",
+          "false": "Sem correspondência AIS"
         }
       },
       "shiptype": {
-        "keyword": "shiptype",
-        "enum": {
-          "carrier": "carrier",
-          "seismic_vessel": "seismic_vessel",
-          "passenger": "passenger",
-          "other": "other",
-          "support": "support",
-          "bunker": "bunker",
-          "gear": "gear",
-          "cargo": "cargo",
-          "fishing": "fishing",
-          "discrepancy": "discrepancy"
+        "keyword": "Tipos de embarcação",
+        "enum": {
+          "carrier": "Navio cargueiro",
+          "seismic_vessel": "Embarcação sísmica",
+          "passenger": "Passageiro",
+          "other": "Outros",
+          "support": "Apoio",
+          "bunker": "Bunker",
+          "gear": "Petrecho",
+          "cargo": "Carga",
+          "fishing": "Pesca",
+          "discrepancy": "Discrepância"
         }
       }
     }