MIT presenta sistema de visión por computadora para contar peces en proyectos de ciencia ciudadana

MIT Sea Grant, junto con el Woodwell Climate Research Center, CSAIL y otros socios, presentó un sistema basado en aprendizaje profundo que cuenta peces a partir de vídeo submarino. La idea no es reemplazar voluntarios, sino llenar los puntos ciegos del monitoreo manual y obtener datos más precisos sobre la migración.

Por Qué el Conteo Manual es Limitado

Cada primavera, el arenque de río regresa de las aguas costeras de Massachusetts a ríos y arroyos, donde desovan en agua dulce. En las últimas décadas, sus poblaciones han disminuido drásticamente, por lo que es importante que las agencias de conservación y los gestores de pesca entiendan cuántos peces pasan realmente por los ríos y cuándo sucede esto. El problema es que el monitoreo clásico generalmente se basa en conteos visuales desde la orilla y ayuda de voluntarios, y tales observaciones solo proporcionan fragmentos cortos del panorama general.

Los enfoques manuales tienen limitaciones estrictas. Los voluntarios generalmente trabajan durante el día y no pueden monitorear continuamente el flujo de peces, por lo que los movimientos nocturnos y los rápidos picos de migración fácilmente se pierden en los datos. A veces, cientos de individuos pasan por una sección de río en minutos, y tales picos son difíciles de evaluar a simple vista. Métodos más avanzados como el monitoreo acústico y el sonar no funcionan en todas partes y cuestan más, mientras que la revisión manual de vídeo submarino sigue siendo muy laboriosa. Por eso el equipo apostó por la visión por computadora como una opción más escalable.

Cómo Construyeron el Modelo

Los investigadores construyeron un pipeline completo: desde la instalación de cámaras submarinas en el campo hasta el etiquetado de vídeos y el entrenamiento del modelo. El vídeo se recopiló en tres ríos de Massachusetts — Coonamessett en Falmouth, Ipswich en Ipswich y Santuit en Mashpee. Este diseño fue necesario no para una demostración bonita, sino para probar si el sistema podría funcionar en condiciones reales, donde la iluminación, la claridad del agua, la densidad de peces, la estación y la hora del día cambian constantemente.

• Las cámaras submarinas capturaron la migración en tres ríos diferentes
• El entrenamiento utilizó metraje con iluminación variable, calidad de agua, especies de peces y densidades diferentes
• El equipo etiquetó manualmente 1.435 clips de vídeo y 59.850 fotogramas con cuadros delimitadores
• Los resultados del algoritmo se compararon con revisión manual de vídeo, conteos desde la orilla y datos de etiquetas PIT

Un hallazgo clave resultó ser bastante práctico: los modelos entrenados con datos diversos de múltiples ubicaciones durante varios años funcionaron mejor. Este enfoque produjo estimaciones estacionales detalladas que coincidieron con los resultados del monitoreo tradicional. En otras palabras, esto no es un prototipo de laboratorio, sino un sistema capaz de proporcionar conteos comparables a los humanos mientras lo hace con mayor resolución temporal.

Lo Que Mostraron los Datos

La parte más interesante no es solo automatizar el conteo, sino nuevas observaciones sobre el comportamiento de los peces. En el vídeo de migración de 2024 del río Coonamessett, el sistema contó 42.510 arenques de río. El análisis mostró que el movimiento aguas arriba alcanzaba su pico al amanecer, mientras que el movimiento aguas abajo ocurría principalmente durante la noche. Los investigadores atribuyen esto a que los peces utilizan períodos más oscuros y tranquilos para reducir el riesgo de encuentros con depredadores. Para los ecólogos, esto ya no es solo un número, sino una imagen más rica de la migración.

"Este trabajo mejorará las capacidades de monitoreo pesquero y la evaluación de poblaciones para gestores y grupos de conservación," dice

Robert Vincent del MIT Sea Grant.

Al mismo tiempo, los autores afirman directamente que el conteo automático no debe desplazar inmediatamente los métodos tradicionales. Los registros de observación a largo plazo son importantes en sí mismos, y las agencias necesitan mantener la comparabilidad de los datos mientras se implementan completamente los nuevos sistemas. Además, la ciencia ciudadana no desaparece aquí, sino que cambia de rol: los voluntarios todavía son necesarios para el mantenimiento de cámaras, el etiquetado de vídeo y la validación de modelos. Combinado con la visión por computadora, esto crea un sistema de monitoreo ecológico más completo que cualquiera de los enfoques por separado.

Lo Que Esto Significa

Para AI, este es un buen ejemplo de cómo la visión por computadora se mueve de demostraciones a tareas de campo con beneficio medible. Para la ecología, es una forma de fortalecer los programas de voluntarios, obtener observación casi continua y tomar decisiones de conservación basadas en datos más densos y precisos. Si tales sistemas se generalizan, el monitoreo de especies raras y migratrices se podría hacer con mayor frecuencia, más barato y con menos pérdidas de calidad.