El grup d'investigació AI4Oceans de la Universitat de València (UV) ha desenvolupat marcs híbrids d'intel·ligència artificial per identificar de manera automatitzada la captura incidental de megafauna marina, amb l'objectiu de millorar la protecció d'espècies vulnerables.
- La Universitat de València, a través del seu grup AI4Oceans, investiga marcs d'intel·ligència artificial per detectar la captura incidental de megafauna marina.
- Aquesta tecnologia busca millorar el monitoreig i generar informació fiable per a decisions de conservació més fonamentades.
- La captura incidental representa aproximadament el 40% de les captures pesqueres a nivell mundial i afecta espècies com tortugues, mamífers marins i taurons.
El desafiament de la captura incidental en la biodiversitat marina
La captura incidental d'espècies marines, coneguda també com a bycatch, representa una amenaça per a la conservació de la biodiversitat marina. Aquest fenomen suposa aproximadament el 40% de les captures pesqueres a nivell mundial, segons detalla la institució acadèmica. Afecta especialment la megafauna marina, incloent-hi tortugues, mamífers marins i taurons, espècies sovint vulnerables.
La necessitat de millorar la identificació d'aquestes captures és crucial per a la protecció d'aquests animals. La informació precisa sobre quines espècies són capturades i en quina quantitat és fonamental per a l'elaboració de polítiques de conservació efectives i per a la gestió sostenible dels recursos marins.
La resposta de la Universitat de València amb intel·ligència artificial
Davant d'aquesta problemàtica, el grup de recerca AI4Oceans de la Universitat de València (UV) ha pres la iniciativa de desenvolupar marcs híbrids d'intel·ligència artificial. Aquesta investigació proporciona un sistema flexible i escalable, capaç d'adaptar el flux de treball segons les necessitats específiques de velocitat, precisió i tipus de dades.
Dos estudis, liderats per la investigadora de la UV Verónica Nieves, adapten i combinen diferents mètodes basats en IA. L'objectiu és identificar de forma automatitzada les espècies capturades incidentalment, a partir d'imatges preses a bord dels bucs pesquers. A més, l'equip proposa marcs híbrids ajustats específicament a aquests tipus de dades, espècies i condicions de monitoreig.
Com funciona la tecnologia: models i enfocaments
La investigació, desenvolupada a l'Image Processing Laboratory (IPL) i l'Institut Cavanilles de Biodiversitat i Biologia Evolutiva (ICBiBE) de la UV, s'emmarca en el projecte Reduce de la Unió Europea (programa Horizon). Aquesta iniciativa demostra com la integració d'enfocaments complementaris i l'ajustament específic per a cada conjunt de dades poden oferir solucions optimitzades.
Entre les combinacions de models explorades, destaquen els marcs que fusionen el reconeixement d'objectes en les imatges amb altres que localitzen i identifiquen les espècies que hi apareixen. Per exemple, s'ha treballat amb la integració de xarxes neuronals convolucionals amb Random Forest, així com l'ús d'arquitectures com Faster R-CNN i YOLO. Altres equips del projecte també estan duent a terme experiments amb diferents variants de YOLO i extractors alternatius de característiques, com els Vision Transformers (ViT).
Aquests esforços col·laboratius busquen aconseguir una integració flexible de diversos mètodes. Aquests es poden implementar com a sistemes d'una sola etapa, que són ràpids i directes, o de dues etapes, més lents però amb una major precisió. La tria depèn dels desafiaments que presenten les imatges i de l'equilibri requerit entre velocitat i precisió en cada cas.
Millorar la conservació amb informació fiable
La investigadora Verónica Nieves, fundadora i líder d'AI4Oceans, un grup d'investigació en IA per als oceans amb seu a la UV, exposa que la intel·ligència artificial pot ajudar a transformar imatges complexes en informació fiable sobre biodiversitat. En combinar diferents models que ofereixen un equilibri entre velocitat i precisió, ens acostem a eines de monitoreig pràctiques capaces de millorar les estimacions de captura incidental. Aquests avanços contribueixen a millorar la protecció de les espècies marines vulnerables.
Aquestes innovacions proporcionen un marc inèdit i pràctic per millorar el monitoreig de la captura incidental de megafauna marina. L'objectiu és generar informació més fiable a nivell d'espècie i recolzar decisions de conservació millor fonamentades, segons assegura la investigadora. La iniciativa pretén oferir als usuaris un sistema unificat, flexible i escalable, capaç de gestionar imatges complexes dins d'un flux de treball coherent.
Aquests models poden perfeccionar-se a mesura que es dispose de més imatges, i adaptar-se a altres conjunts de dades, espècies i contextos de monitoreig, segons afegeix Jordi Fornés, tècnic d'investigació que ha contribuït a l'anàlisi experimental.
Col·laboració en la recollida i anàlisi de dades
Per a aquests estudis, la captació d'imatges a bord dels bucs va ser realitzada per les tripulacions. Posteriorment, l'empresa DataFish, l'equip d'AI4Oceans i els col·laboradors del projecte es van encarregar de la recopilació de dades i el suport en l'anotació. Aquesta col·laboració és clau per a l'èxit i la robustesa del sistema, ja que permet obtenir dades reals i variades directament de l'entorn pesquer.