Este estudio se centró en la construcción de un grafo de conocimiento espacio-temporal para las actividades de los barcos. Primero, se propuso un modelo ontológico de actividades de barcos para describir las entidades y relaciones de las actividades de los barcos. Luego, se utilizaron datos de texto de eventos marítimos como conjunto de datos de actividades de barcos, donde se extrajeron entidades y relaciones para formar tripletes. Así, se pobló la capa de datos, completando la construcción del grafo de conocimiento espacio-temporal de las actividades de los barcos. El proceso de extracción de tripletes implicó inicialmente introducir las oraciones de texto en el modelo BERT (Codificadores de Representaciones Bidireccionales de Transformers) para el preentrenamiento con el fin de obtener representaciones vectoriales de caracteres. Estas representaciones luego se introdujeron en una red neuronal de memoria a largo plazo con estructura de red enrejada (Lattice-LSTM) para un procesamiento adicional. Los vectores ocultos resultantes se introdujeron en el campo aleatorio condicional (CRF) para realizar el reconocimiento de entidades nombradas. Las entidades reconocidas luego se etiquetaron en las oraciones originales y se introdujeron en otra red BERT-Lattice-LSTM. Los vectores ocultos resultantes se introdujeron en un clasificador de relaciones, que generó la relación entre las dos entidades etiquetadas, completando la extracción de tripletes entidad-relación. En experimentos, el método propuesto logró un rendimiento de extracción de tripletes superior al 90% para tres métricas de evaluación diferentes: Precisión, Recuperación y Medida F1.