Jordi Fornés y Verónica Nieves.

El grupo de investigación AI4OCEANS de la Universitat de València ha desarrollado nuevos marcos híbridos de inteligencia artificial para identificar la captura incidental de especies marinas vulnerables. El estudio proporciona un sistema flexible y escalable capaz de adaptar los flujos de trabajo a requisitos específicos en cuanto a velocidad, precisión y características de los datos.

La captura incidental de especies marinas, también conocida como bycatch, representa una amenaza para la conservación de la biodiversidad marina. Supone aproximadamente el 40 % de las capturas pesqueras a nivel mundial y afecta especialmente a megafauna marina, incluidas tortugas, mamíferos marinos y tiburones. En este contexto, dos estudios liderados por la investigadora Verónica Nieves de la Universitat de València (UV) adaptan y combinan distintos métodos basados en IA para identificar de forma automatizada las especies capturadas incidentalmente, a partir de imágenes tomadas a bordo de buques pesqueros, y proponen diversos marcos híbridos específicamente ajustados a estos datos, especies y condiciones de monitorización.

La investigación, desarrollada en el Image Processing Laboratory (IPL) y el Instituto Cavanilles de Biodiversidad y Biología Evolutiva (ICBiBE) de la UV, en el marco del proyecto REDUCE de la Unión Europea (programa HORIZON), demuestra cómo la integración de enfoques complementarios y el ajuste específico para cada conjunto de datos pueden ofrecer soluciones optimizadas. Esta sinergia es fundamental para mantener la precisión a nivel de especie cuando se parte de imágenes de baja calidad. 
 
Verónica Nieves, fundadora y líder de AI4OCEANS, grupo de investigación en inteligencia artificial para los océanos, con sede en la UV, destaca que “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”.

Entre las combinaciones de modelos exploradas destacan los marcos que combinan reconocimiento de objetos en las imágenes con otros que localizan e identifican las especies que aparecen en ellas; por ejemplo, la integración de Redes Neuronales Convolucionales (CNN) con Random Forest, así como el uso de arquitecturas como Faster R-CNN y YOLO. Otros equipos del proyecto también están realizando experimentos 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 pueden implementarse como sistemas de una sola etapa (rápidos y directos) o de dos etapas (más lentos, pero más precisos), en función de los desafíos que presenten las imágenes y del equilibrio requerido entre velocidad y precisión. Asimismo, Verónica enfatiza que “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 pretende ofrecer a los usuarios un sistema unificado, flexible y escalable, capaz de gestionar imágenes complejas dentro de un flujo de trabajo coherente. 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”. 

Para estos estudios, la captación de imágenes a bordo fue realizada por las tripulaciones de los buques, mientras que la recopilación de datos y el apoyo en la anotación estuvieron a cargo de la empresa DataFish, el equipo de AI4OCEANS y colaboradores del proyecto.

Referencias de los artículos:

J. Fornes-Mengual, V. Nieves, “Advancing AI-based species identification for marine bycatch monitoring: Insights from faster R-CNN experiments”, Ecological Informatics (2026), https://doi.org/10.1016/j.ecoinf.2026.103960

J. Fornes-Mengual, V. Nieves, “AI-Based Image Analysis for Marine Species Monitoring: A CNN-RF Approach”, (2025), IEEE Asia-Pacific Conference on Geoscience, Electronics and Remote Sensing Technology (AGERS), Purwokerto, Indonesia, 2025, pp. 732-737, doi:10.1109/AGERS67633.2025.11446450