MIT presenta un sistema de visión artificial para contar peces en proyectos de ciencia ciudadana

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

Por qué el conteo manual es limitado

Cada primavera, los arenques de río vuelven de las aguas costeras de Massachusetts a ríos y arroyos, donde desovan en agua dulce. Sus poblaciones han caído con fuerza en las últimas décadas, por lo que a los servicios de conservación y a los gestores pesqueros les importa saber cuántos peces pasan realmente por los ríos y cuándo. El problema es que el monitoreo clásico suele basarse en conteos visuales desde la orilla y en la ayuda de voluntarios, y esas observaciones solo captan fragmentos breves del panorama general.

El enfoque manual tiene límites duros. Los voluntarios suelen trabajar de día y no pueden vigilar el flujo de peces de forma continua, de modo que los movimientos nocturnos y los picos breves de migración se pierden con facilidad en los datos. A veces pasan cientos de ejemplares por un tramo del río en pocos minutos, y esos picos son difíciles de estimar a ojo. Métodos más avanzados, como el monitoreo acústico y los sonares, no sirven en todas partes y cuestan más, mientras que revisar vídeo submarino a mano sigue siendo demasiado laborioso. Por eso el equipo apostó por la visión artificial como opción más escalable.

Cómo se construyó el modelo

Los investigadores montaron un flujo completo: desde la instalación de cámaras submarinas en campo hasta el etiquetado de los clips y el entrenamiento del modelo. El vídeo se recogió a la vez en tres ríos de Massachusetts: el Coonamessett en Falmouth, el Ipswich en Ipswich y el Santuit en Mashpee. Este diseño no buscaba una demostración vistosa, sino comprobar si el sistema puede funcionar en condiciones reales, donde cambian constantemente la iluminación, la transparencia del agua, la densidad de peces, la estación y la hora del día.

• Las cámaras submarinas registraron la migración en tres ríos distintos
• Para el entrenamiento se usaron clips con luz, calidad del agua, especies y densidad de peces variadas
• El equipo etiquetó a mano 1435 clips de vídeo y 59 850 fotogramas con bounding boxes
• Los resultados del algoritmo se contrastaron con la revisión manual del vídeo, los conteos desde la orilla y los datos de marcas PIT

La conclusión clave resultó bastante práctica: los mejores modelos fueron los entrenados con datos diversos de varias ubicaciones y de varios años. Este enfoque produjo estimaciones estacionales detalladas que coincidieron con los resultados del monitoreo tradicional. Es decir, no se trata de un prototipo de laboratorio, sino de un sistema capaz de ofrecer conteos comparables a los humanos y con mayor resolución temporal.

Qué mostraron los datos

Lo más interesante no es solo la automatización del conteo, sino las nuevas observaciones sobre el comportamiento de los peces. En el vídeo de la migración de 2024 en el río Coonamessett, el sistema contó 42 510 arenques de río. El análisis mostró que el movimiento río arriba alcanzaba su máximo al amanecer, mientras que el descenso ocurría sobre todo de noche. Los investigadores lo atribuyen a que los peces aprovechan los periodos más oscuros y tranquilos para reducir el riesgo de cruzarse con depredadores. Para los ecólogos, ya no es solo una cifra, sino una imagen más rica de la migración.

«Este trabajo mejorará las capacidades de monitoreo pesquero y de evaluación de poblaciones para gestores y grupos de conservación», afirma

Robert Vincent, de MIT Sea Grant.

Los autores dicen con claridad que el conteo automático no debe desplazar de golpe a los métodos tradicionales. Las series largas de observación son valiosas por sí mismas, y las agencias necesitan mantener la comparabilidad de los datos hasta que los nuevos sistemas estén plenamente implantados. Además, la ciencia ciudadana no desaparece, sino que cambia de papel: los voluntarios siguen haciendo falta para mantener las cámaras, etiquetar vídeo y validar los modelos. Combinado con la visión artificial, esto da un sistema de monitoreo ecológico más completo que cada enfoque por separado.

Qué significa

Para la IA, es un buen ejemplo de cómo la visión artificial pasa de las demostraciones a tareas de campo con beneficios medibles. Para la ecología, es una forma de reforzar los programas de voluntariado, lograr una observación casi continua y tomar decisiones de conservación con datos más densos y precisos. Si estos sistemas se generalizan, el monitoreo de especies raras y migratorias podría hacerse con más frecuencia, a menor coste y con menos pérdida de calidad.