La captura incidental de especies marinas, conocida internacionalmente como bycatch, es uno de los grandes retos para la conservación de la biodiversidad oceánica. Tortugas, mamíferos marinos y tiburones pueden quedar atrapados de forma no intencionada durante la actividad pesquera, un fenómeno que representa alrededor del 40 % de las capturas pesqueras a escala mundial y que afecta especialmente a especies vulnerables.
Para mejorar su identificación y monitorización, dos estudios liderados por Verónica Nieves, investigadora de la Universitat de València vinculada Laboratorio de Procesado de Imágenes (LPI) , localizado en las instalaciones del Parc Científic de la Universitat de València (PCUV), proponen nuevas herramientas basadas en inteligencia artificial capaces de analizar imágenes tomadas a bordo de buques pesqueros e identificar de forma automatizada las especies capturadas incidentalmente.
La investigación ha sido desarrollada por el grupo AI4OCEANS, fundado y liderado por Nieves, en colaboración con el Instituto Cavanilles de Biodiversidad y Biología Evolutiva (ICBiBE) de la UV, en el marco del proyecto europeo REDUCE, financiado por el programa HORIZON de la Unión Europea.
El sistema analiza imágenes tomadas a bordo de buques pesqueros para convertir datos visuales complejos en información fiable sobre especies vulnerables
Los trabajos adaptan y combinan distintos métodos de IA para crear marcos híbridos ajustados a las características de las imágenes disponibles, las especies analizadas y las condiciones reales de monitorización. El objetivo es ofrecer sistemas capaces de mantener la precisión en la identificación a nivel de especie incluso cuando se trabaja con imágenes complejas o de baja calidad.
“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”, destaca Verónica Nieves.
Entre las combinaciones exploradas se encuentran enfoques que integran el reconocimiento de objetos en las imágenes con modelos capaces de localizar e identificar las especies presentes. Los estudios incluyen, entre otros, la combinación de Redes Neuronales Convolucionales (CNN) con Random Forest, así como el uso de arquitecturas como Faster R-CNN y YOLO. Otros equipos del proyecto REDUCE están realizando también experimentos con diferentes variantes de YOLO y extractores alternativos de características, como los Vision Transformers (ViT).
La propuesta combina modelos de inteligencia artificial con distintos niveles de velocidad y precisión, adaptables a la calidad de las imágenes, las especies analizadas y las necesidades de monitorización
La propuesta permite implementar los modelos como sistemas de una sola etapa, más rápidos y directos, o de dos etapas, más lentos pero con mayor precisión. Esta flexibilidad facilita adaptar el flujo de trabajo a cada contexto, en función de la calidad de las imágenes, las especies que se quieran identificar y el equilibrio necesario entre velocidad y fiabilidad.
Según Nieves, “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 iniciativa aspira a ofrecer a los usuarios un sistema unificado, flexible y escalable, capaz de gestionar imágenes complejas dentro de un flujo de trabajo coherente. Esta capacidad de adaptación resulta clave para avanzar hacia herramientas útiles en escenarios reales de seguimiento pesquero y conservación marina.
Jordi Fornés, técnico de investigación que ha contribuido al análisis experimental, subraya que “estos modelos pueden perfeccionarse a medida que se disponga de más imágenes, y adaptarse a otros conjuntos de datos, especies y contextos de monitoreo”.
El trabajo se enmarca en el proyecto europeo REDUCE y abre la puerta a herramientas más escalables para mejorar la conservación de tortugas, mamíferos marinos y tiburones
Para el desarrollo de estos estudios, la captación de imágenes a bordo fue realizada por las tripulaciones de los buques pesqueros. La empresa DataFish, el equipo de AI4OCEANS y otros colaboradores del proyecto participaron en la recopilación de datos y en el apoyo a la anotación de las imágenes, un proceso esencial para entrenar y validar los modelos de inteligencia artificial.
La investigación muestra cómo la combinación de capacidades en procesamiento de imagen, inteligencia artificial y biodiversidad marina puede contribuir a mejorar la monitorización de la actividad pesquera y a generar información más precisa para orientar decisiones de conservación.
Desde el Parc Científic UV, el trabajo del IPL y de AI4OCEANS refuerza la aplicación de tecnologías avanzadas al estudio y protección de los océanos, con soluciones orientadas a transformar datos visuales complejos en conocimiento útil para la gestión ambiental.
Fuente: IPL y UV Noticias