Desenvolupen una tecnologia amb IA per a mitigar la captura accidental de megafauna marina

La captura accidental d’espècies marines, també coneguda com bycatch, representa una amenaça per a la conservació de la biodiversitat marina. Suposa, aproximadament, el 40 % de les captures pesqueres a escala mundial i afecta especialment la megafauna marina, incloses tortugues, mamífers marins i taurons. En aquest context, dos estudis liderats per la investigadora Verónica Nieves, de la Universitat de València (UV), adapten i combinen diferents mètodes basats en IA per a identificar de forma automatitzada les espècies capturades accidentalment a partir d’imatges preses a bord de vaixells pesquers. A més, l’equip de recerca proposa diversos marcs híbrids específicament ajustats a aquestes dades, espècies i condicions de monitoratge.

La investigació, desenvolupada en l’Image Processing Laboratory (IPL) i l’Institut Cavanilles de Biodiversitat i Biologia Evolutiva (ICBiBE) de la UV, en el marc del projecte REDUCE de la Unió Europea (programa HORIZON), demostra com la integració d’enfocaments complementaris i l’ajust específic per a cada conjunt de dades poden oferir solucions optimitzades. Aquesta sinergia és fonamental per a mantenir la precisió pel que fa a l’espècie quan es parteix d’imatges de baixa qualitat.

Verónica Nieves, fundadora i líder d’AI4OCEANS, grup d’investigació en intel·ligència artificial per als oceans, amb seu a la UV, destaca que “la IA 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 monitoratge pràctiques capaces de millorar les estimacions de captura accidental. Aquests avanços ajuden a protegir les espècies marines vulnerables”.

Entre les combinacions de models explorades es destaquen els marcs que combinen reconeixement d’objectes en les imatges amb uns altres que localitzen i identifiquen les espècies que hi apareixen; per exemple, la integració de xarxes neuronals convolucionals (CNN) amb bosc aleatori (Random Forest), així com l’ús d’arquitectures com Faster R-CNN i YOLO. Altres equips del projecte també estan realitzant experiments amb diferents variants de YOLO i extractors alternatius de característiques, com els Vision Transformers (ViT).

Els esforços col·laboratius busquen aconseguir una integració flexible de diversos mètodes, que poden implementar-se com a sistemes d’una sola etapa (ràpids i directes) o de dues etapes (més lents, però més precisos), en funció dels desafiaments que presenten les imatges i de l’equilibri requerit entre velocitat i precisió. Així mateix, Verónica emfatitza que “aquestes innovacions proporcionen un marc inèdit i pràctic per a millorar el monitoratge de la captura accidental de megafauna marina, generar informació més fiable quant a l’espècie i donar suport a decisions de conservació millor fonamentades”.

La iniciativa pretén oferir als usuaris un sistema unificat, flexible i escalable, capaç de gestionar imatges complexes dins d’un flux de treball coherent. Jordi Fornés, tècnic d’investigació que ha contribuït a l’anàlisi experimental, subratlla que “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 monitoratge”.

Per a aquests estudis, les tripulacions dels vaixells es van encarregar de la captació d’imatges a bord, mentre que l’empresa DataFish, l’equip d’AI4OCEANS i col·laboradors del projecte es van encarregar de la recopilació de dades i el suport en l’anotació.

Referències dels articles:

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.