El centro tecnológico AZTI, líder en la integración de nuevas tecnologías en la industria pesquera, ha desarrollado un innovador modelo de Inteligencia Artificial (IA) para contribuir a la mejora de la gestión y sostenibilidad de los recursos pesqueros comerciales. El equipo de AZTI ha desarrollado un modelo de aprendizaje automático que identifica las principales especies pelágicas del Golfo de Bizkaia como anchoas, sardinas y verdeles basándose en su comportamiento de agregación, lo que permite conocer la composición específica de los bancos de peces detectados mediante equipos acústicos pesqueros. Esta tecnología avanza en el desafío de determinar la composición de los bancos en situaciones de alta diversidad, permitiendo estudiar cambios específicos del comportamiento en presencia de otras especies. A partir de campañas multidisciplinares como JUVENA, este tipo de estudios permiten no solo gestionar mejor las principales especies de peces pelágicos, sino comprender mejor el funcionamiento integral del ecosistema, desde el plancton a predadores apicales como aves y cetáceos. El modelo de IA fue entrenado de manera parcialmente supervisada, combinando bancos de peces totalmente identificados con otros parcialmente identificados. Los resultados se presentan de forma probabilística, indicando la probabilidad de que un banco de peces pertenezca a una especie u otra, lo cual permite medir la confianza del modelo en cada predicción. Los resultados son prometedores: la aplicación de la IA en registros acústicos de sónares y ecosondas de barcos pesqueros, podría ser una herramienta útil y efectiva para la mejora de la gestión pesquera. La identificación de los bancos de peces reduciría significativamente el tiempo de procesado y mejoraría la precisión de datos que se utilizan para el monitoreo de la distribución y abundancia de especies. Pero su aplicación podría ir más allá, estos modelos podrían implementarse en el sector pesquero, contribuyendo a la mejora de la efectividad y sostenibilidad de la actividad pesquera, ya que una correcta identificación de los bancos reduciría las capturas no deseadas. Los resultados, publicados en la revista ICES Journal of Marine Science, muestran una precisión del 63.5% en la clasificación de especies pelágicas en la parte supervisada y aproximadamente del 80% en la parte semi-supervisada. El principal autor de la investigación es el científico marino Aitor Lekanda, que actualmente se encuentra realizando su tesis en AZTI bajo la supervisión de los investigadores Guillermo Boyra y Maite Louzao. Lekanda destaca: «Al automatizar la identificación de especies, no solo reducimos el tiempo de procesado de datos de las campañas científicas, sino que nos abre las puertas a estudiar el comportamiento de agregación de las especies pelágicas y al desarrollo de nuevas tecnologías para la mejora de la eficiencia, la selectividad y sostenibilidad del sector pesquero». El desarrollo de esta aplicación de IA refuerza el liderazgo tecnológico de AZTI en el sector pesquero. Su experiencia en la gestión de datos masivos y predicciones mediante machine learning, big data e IA, ha permitido ofrecer soluciones innovadoras y sostenibles que benefician tanto al sector pesquero como al medio ambiente marino. Un ejemplo destacado es su participación en el proyecto europeo SMARTFISH, una iniciativa que desarrolla y promueve sistemas inteligentes para el sector pesquero de la Unión Europea, reduciendo su impacto ecológico. Además, AZTI coordina un paquete de trabajo para la discriminación de tallas e identificación de especies en las pesquerías de cerco, demostrando su compromiso con la sostenibilidad y eficiencia en la pesca. Estos proyectos evidencian cómo AZTI utiliza su expertise en tecnologías avanzadas para mejorar la eficiencia y sostenibilidad en el sector pesquero, estableciéndose como referente en la aplicación de IA y big data en la pesca.
Source link : https://www.abc.es/natural/ia-mejorar-sostenibilidad-pesquera-20240912012928-nt.html
Author : (abc)
Publish date : 2024-09-12 01:30:24
Copyright for syndicated content belongs to the linked Source.
