VALÈNCIA, 6 Ago. – El grupo de investigación AI4Oceans de la Universitat de València (UV) está en el proceso de desarrollo de marcos híbridos de inteligencia artificial con el objetivo de identificar la captura incidental de especies marinas vulnerables. Este esfuerzo tiene como meta proporcionar un sistema flexible y escalable que se adapte a las necesidades específicas de velocidad, precisión y tipo de datos requeridos.
Dos estudios liderados por la investigadora Verónica Nieves han llevado a cabo la adaptación y combinación de distintos métodos basados en inteligencia artificial para identificar de forma automatizada las especies que son capturadas incidentalmente, utilizando imágenes tomadas a bordo de buques pesqueros. Además, el equipo propone diversos marcos híbridos ajustados a estos datos, especies y condiciones específicas de monitoreo.
La captura incidental de especies marinas, conocida comúnmente como ‘bycatch’, constituye una grave amenaza para la conservación de la biodiversidad marina. Se estima que representa aproximadamente el 40% de las capturas pesqueras a nivel mundial, afectando especialmente a la megafauna marina, que incluye tortugas, mamíferos marinos y tiburones, según detalla la institución académica.
La investigación, que se desarrolla en el Image Processing Laboratory (IPL) y el Instituto Cavanilles de Biodiversidad y Biología Evolutiva (ICBiBE) de la UV, forma parte del proyecto Reduce de la Unión Europea dentro del programa Horizon. Este estudio demuestra la efectividad de integrar enfoques complementarios y ajustar procedimientos específicos para cada conjunto de datos, ofreciendo así soluciones optimizadas. Esta sinergia es crucial para mantener la precisión a nivel de especie, incluso cuando se trabaja con imágenes de baja calidad.
Verónica Nieves, fundadora y líder de AI4Oceans, afirma: “La IA puede ayudar a transformar imágenes complejas en información fiable sobre biodiversidad. Al combinar distintos modelos que garantizan un equilibrio entre velocidad y precisión, nos acercamos a herramientas de monitoreo prácticas que pueden mejorar las estimaciones de captura incidental. Estos avances contribuyen a fortalecer la protección de las especies marinas vulnerables”.
Entre las combinaciones de modelos que se están explorando destacan aquellos que combinan el reconocimiento de objetos en imágenes con otros que localizan e identifican las especies presentes; por ejemplo, la integración de redes neuronales convolucionales con Random Forest, así como el uso de arquitecturas como Faster R-CNN y YOLO. Además, otros equipos del proyecto están experimentando con diferentes variantes de YOLO y extractores alternativos de características, como los Vision Transformers (ViT).
Los esfuerzos colaborativos buscan lograr una integración flexible de diversos métodos que puedan implementarse como sistemas de una sola etapa, que son rápidos y directos, o de dos etapas, que son más lentos pero brindan mayor precisión. Esto dependerá de los desafíos que presenten las imágenes y del equilibrio necesario entre velocidad y precisión.
Ayudar a mejores decisiones de conservación
Estas innovaciones brindan un marco práctico y novedoso para mejorar el monitoreo de la captura incidental de megafauna marina, generando información más fiable a nivel de especie y respaldando decisiones de conservación mejor fundamentadas, asegura la investigadora.
En definitiva, la iniciativa tiene como objetivo proporcionar a los usuarios un sistema unificado, flexible y escalable, capaz de gestionar imágenes complejas dentro de un flujo de trabajo coherente. “Estos modelos pueden perfeccionarse a medida que se disponga de más imágenes y adaptarse a otros conjuntos de datos, especies y contextos de monitoreo”, añade Jordi Fornés, técnico de investigación que ha contribuido al análisis experimental.
Para la realización de estos estudios, la captación de imágenes a bordo fue ejecutada por las tripulaciones de los buques, mientras que las empresas DataFish, el equipo de AI4Oceans y otros colaboradores del proyecto se encargaron de la recopilación de datos y del apoyo en la anotación.
