Investigadores de la Universitat de València liderados por Verónica Nieves han desarrollado dos estudios que combinan métodos de inteligencia artificial para identificar automáticamente especies de megafauna marina capturadas incidentalmente en operaciones pesqueras. La investigación se realiza en el marco del proyecto REDUCE de la Unión Europea, dentro del programa HORIZON, y utiliza imágenes tomadas a bordo de buques pesqueros para detectar especies vulnerables como tortugas, mamíferos marinos y tiburones.
La captura incidental representa aproximadamente el 40% de las capturas pesqueras a nivel mundial, según los datos confirmados en el estudio. Este fenómeno, conocido como bycatch, afecta especialmente a especies no objetivo de la pesca comercial, poniendo en riesgo a poblaciones de fauna marina vulnerable. El trabajo fue desarrollado en el Image Processing Laboratory (IPL) y el Instituto Cavanilles de Biodiversidad y Biología Evolutiva (ICBiBE) de la UV.
Modelos híbridos de inteligencia artificial para monitoreo pesquero
Los estudios exploran combinaciones de CNN con Random Forest, Faster R-CNN y YOLO, arquitecturas de inteligencia artificial especializadas en reconocimiento visual. Los investigadores también experimentan con variantes de YOLO y Vision Transformers (ViT) como extractores de características, adaptados específicamente para trabajar con imágenes de baja calidad tomadas en condiciones reales a bordo de embarcaciones.
Los sistemas pueden implementarse como modelos de una sola etapa, que son rápidos y directos, o de dos etapas, más lentos pero con mayor precisión. Esta flexibilidad permite adaptarse a diferentes necesidades operativas en las flotas pesqueras. La captación de imágenes fue realizada por las propias tripulaciones de buques, mientras que DataFish participó en la recopilación de datos y anotación de las especies capturadas.
la IA puede ayudar a transformar imágenes complejas en información fiable sobre biodiversidad. Al combinar distintos modelos que ofrecen un equilibrio entre velocidad y precisión, nos acercamos a herramientas de monitoreo prácticas capaces de mejorar las estimaciones de captura incidental. Estos avances contribuyen a mejorar la protección de las especies marinas vulnerables
Verónica Nieves, fundadora y líder de AI4OCEANS, destacó que el objetivo es crear un sistema unificado, flexible y escalable que mejore el monitoreo de capturas incidentales, permitiendo generar información más precisa sobre las especies afectadas por las operaciones pesqueras comerciales.
Arquitectura técnica adaptada a condiciones reales
Los modelos híbridos propuestos integran múltiples arquitecturas de inteligencia artificial que trabajan de forma coordinada. Las redes neuronales convolucionales (CNN) procesan las imágenes iniciales, mientras que algoritmos como Random Forest refinan la clasificación de especies. La combinación de estas tecnologías permite compensar las limitaciones de calidad de las imágenes capturadas en entornos marinos reales.
Los sistemas Faster R-CNN y YOLO representan dos enfoques diferentes para la detección de objetos en imágenes. El primero ofrece mayor precisión mediante un proceso de dos etapas, mientras que YOLO privilegia la velocidad de procesamiento con un enfoque de etapa única. Los Vision Transformers, por su parte, aportan capacidades avanzadas de extracción de características que mejoran la identificación de especies en condiciones difíciles de iluminación o perspectiva.
Marco de trabajo para conservación marina
Según el técnico de investigación Jordi Fornés, estas innovaciones proporcionan un marco inédito y práctico para mejorar el monitoreo de la captura incidental de megafauna marina, generar información más fiable a nivel de especie y respaldar decisiones de conservación mejor fundamentadas.
estas innovaciones proporcionan un marco inédito y práctico para mejorar el monitoreo de la captura incidental de megafauna marina, generar información más fiable a nivel de especie y respaldar decisiones de conservación mejor fundamentadas
La naturaleza adaptable del sistema permite que los modelos puedan perfeccionarse a medida que se disponga de más imágenes, y adaptarse a otros conjuntos de datos, especies y contextos de monitoreo. Esta escalabilidad resulta fundamental para su potencial aplicación en diferentes regiones y tipos de pesquerías.
Implicaciones para la protección de especies vulnerables
El desarrollo de estos sistemas de detección automatizada responde a la necesidad de contar con información precisa sobre la magnitud real de la captura incidental de tortugas, mamíferos marinos y tiburones. Estas especies enfrentan amenazas significativas debido a las operaciones pesqueras, y la falta de datos confiables dificulta la implementación de medidas efectivas de conservación.
La tecnología propuesta permitiría generar estadísticas más completas y sistemáticas sobre qué especies son capturadas incidentalmente, en qué cantidades y bajo qué circunstancias. Esta información resulta fundamental para diseñar estrategias de mitigación, modificar prácticas pesqueras y evaluar la efectividad de las políticas de conservación marina.
Preguntas frecuentes
¿Qué porcentaje de las capturas pesqueras mundiales corresponde a captura incidental?
La captura incidental representa aproximadamente el 40% de las capturas pesqueras a nivel mundial, afectando especialmente a especies de megafauna marina como tortugas, mamíferos marinos y tiburones.
¿Qué instituciones participan en el desarrollo de esta tecnología?
El proyecto es liderado por Verónica Nieves de la Universitat de València, con trabajo desarrollado en el Image Processing Laboratory (IPL) y el Instituto Cavanilles de Biodiversidad y Biología Evolutiva (ICBiBE). El proyecto se enmarca en REDUCE, programa HORIZON de la Unión Europea, con participación de DataFish en recopilación y anotación de datos.
¿Qué tipo de arquitecturas de inteligencia artificial utiliza el sistema?
Los modelos exploran combinaciones de CNN con Random Forest, Faster R-CNN y YOLO, además de experimentar con variantes de YOLO y Vision Transformers como extractores de características, adaptados para trabajar con imágenes de baja calidad tomadas a bordo de buques pesqueros.
Los estudios desarrollados por el equipo de la Universitat de València representan un avance en la aplicación de tecnologías de inteligencia artificial para abordar desafíos de conservación marina. El sistema propuesto busca proporcionar herramientas prácticas que puedan ser implementadas en operaciones pesqueras reales para mejorar el monitoreo de especies vulnerables y respaldar decisiones de manejo basadas en información más precisa.
