Un modelo basado en aprendizaje profundo para la identificación automática de organismos mesopelágicos a partir de...

Área de la Ciencia:

• Biología Marina; Ecología de Aguas Profundas; Inteligencia Artificial en Pesquerías

Sus antecedentes:

• Los organismos mesopelágicos son cruciales para el transporte de carbono oceánico y las redes alimentarias.; Los métodos acústicos detectan agregaciones mesopelágicas pero tienen dificultades con la identificación de especies.; Las capturas de arrastre se utilizan para la validación pero tienen limitaciones como el escape de especies.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de aprendizaje profundo para identificar especies mesopelágicas a partir de imágenes dentro de redes de arrastre.; Evaluar el rendimiento del modelo en diferentes condiciones de iluminación (luz blanca y roja).; Mejorar la validación de datos acústicos para poblaciones mesopelágicas.

Principales métodos:

• Se entrenó un modelo de detección de objetos de aprendizaje profundo (YOLOv11s) con imágenes dentro de redes de arrastre.; Se utilizaron imágenes recolectadas con luz blanca y roja con diferentes configuraciones de ganancia.; Se identificaron siete grupos mesopelágicos y peces pelágicos más grandes.

Principales resultados:

• El modelo logró una alta precisión (precisión media ponderada ~0.95) con luz blanca.; La luz roja también permitió una detección eficaz (precisión media ponderada ~0.77).; Los peces linterna, los peces de luz plateada y los barracudinas se detectaron con alta precisión (>0.89).

Conclusiones:

• El aprendizaje profundo permite la identificación precisa de especies mesopelágicas a partir de datos de cámaras dentro de redes de arrastre.; Este enfoque facilita la recopilación y el análisis de datos rápidos y estratificados por profundidad.; Proporciona una herramienta valiosa para estudiar especies frágiles que a menudo se pierden en las redes de arrastre.