En el campo de la investigación acuícola, que evoluciona rápidamente, garantizar el bienestar de los peces es primordial. Los métodos tradicionales de monitoreo del comportamiento y el bienestar de los peces suelen requerir mucho trabajo y tiempo, lo que limita su utilidad tanto en entornos experimentales como comerciales. Sin embargo, un estudio innovador publicado en Scientific Reports presenta un enfoque novedoso que aprovecha el aprendizaje profundo y los conceptos ecológicos para automatizar y mejorar el monitoreo del bienestar de los peces.
El estudio publicado por investigadores de Nofima AS y de la Universidad de Las Américas, profundiza en una metodología innovadora (Aprendizaje profundo) y sus posibles implicaciones para la investigación acuícola.
El desafío del monitoreo del bienestar de los peces
El bienestar de los peces en la acuicultura generalmente se evalúa utilizando una combinación de indicadores de bienestar basados en resultados (bióticos) y en insumos (abióticos). Los indicadores de comportamiento, si bien son muy informativos, son particularmente difíciles de cuantificar debido a la naturaleza manual y que requiere mucho tiempo de la recopilación de datos.
La Directiva Europea 2010/63/UE subraya la importancia de refinar y reducir el impacto de las condiciones experimentales en el bienestar animal, y enfatiza aún más la necesidad de herramientas de monitoreo eficientes.
La digitalización ofrece herramientas automatizadas para cuantificar el comportamiento de los peces, proporcionando una visión más amplia y rápida de los cambios en su conducta. La visión artificial (CV) y la inteligencia artificial (IA) están transformando diversos campos, incluyendo la investigación en peces y la acuicultura.
Un nuevo enfoque: aprendizaje profundo y análisis del área de distribución
El estudio, liderado por Santhosh K. Kumaran de Nofima AS, presenta una herramienta de vanguardia que combina técnicas de aprendizaje profundo con el concepto ecológico de área de distribución para monitorear la distribución espacial de la parr de salmón del Atlántico (Salmo salar L.) en tanques experimentales.
La herramienta adapta el marco DeepLabCut, una plataforma de visión artificial y aprendizaje automático, para estimar la postura de los peces individuales y cuantificar su distribución espacial utilizando métricas inspiradas en los conceptos de área de distribución y área central.
El concepto de «Home range» y su aplicación
El «home range», o “análisis del área de distribución”, es un concepto ecológico que se define como el área espacial que un individuo ocupa durante sus actividades diarias. Este concepto, junto con el «core area» (área donde el individuo pasa el 50% de su tiempo), puede proporcionar información valiosa sobre cómo los peces interactúan con su entorno.
La reducción del tamaño del «home range» puede indicar estrés, enfermedad o problemas en el diseño del sistema de crianza.
Componentes clave de la metodología
- Marco DeepLabCut: El estudio emplea DeepLabCut para identificar partes clave del cuerpo (puntos clave) de los peces. Este modelo de aprendizaje profundo, basado en la arquitectura ResNet50, se entrenó en 674 cuadros anotados y se probó en 36 cuadros, logrando una precisión de más del 90 % para la mayoría de los puntos clave.
- Métricas del área de distribución y del núcleo: La distribución espacial de los peces se analiza utilizando métricas del área de distribución (el área donde los peces pasan el 95 % de su tiempo) y del área central (el área donde los peces pasan el 50 % de su tiempo). Estas métricas se derivan de la función de densidad de probabilidad de la distribución de los peces, estimada mediante la estimación de densidad de kernel gaussiana (KDE).
- Variabilidad del comportamiento en torno a la alimentación: El estudio investiga los cambios en el comportamiento de los peces antes, durante y después de la alimentación. El análisis revela que los peces exhiben patrones de distribución espacial distintos durante la alimentación, con métricas como la preferencia de entrada de agua (WIP) y la centralidad del área central (CAC) que muestran variaciones significativas.
Hallazgos e implicaciones
El estudio demuestra que la metodología propuesta puede capturar de manera eficaz las diferencias en el comportamiento de los peces en diferentes tanques y períodos de alimentación. Los hallazgos clave incluyen:
- Preferencia por la entrada de agua: los peces siempre prefirieron áreas aproximadamente a 90° río abajo de la entrada de agua, lo que sugiere un vínculo potencial entre la dinámica del flujo de agua y la distribución de los peces.
- Utilización del área central: los peces ocuparon solo el 13-17 % del tanque el 50 % del tiempo, lo que indica una tendencia a nadar juntos en lugar de dispersarse de manera uniforme.
- Cambios de comportamiento durante la alimentación: durante la alimentación, los peces exhibieron una distribución más uniforme y una menor cohesión grupal, probablemente debido al comportamiento de búsqueda de alimento.
Ventajas de la nueva herramienta para los salmoneros
La integración del aprendizaje profundo y el análisis del área de distribución ofrece varias ventajas:
- Automatización: la herramienta automatiza el proceso de monitoreo del comportamiento de los peces, lo que reduce la necesidad de observación manual y minimiza el error humano.
- Monitoreo en tiempo real: el monitoreo continuo, las 24 horas del día, los 7 días de la semana, proporciona datos en tiempo real, lo que permite una intervención rápida en caso de comportamientos anormales.
- No invasivo: el método no es invasivo, lo que reduce el estrés y el daño potencial a los peces.
- Escalabilidad: si bien el estudio actual se centra en entornos experimentales a pequeña escala, la metodología tiene el potencial de ampliarse para sistemas de acuicultura más grandes.
Limitaciones y direcciones futuras
A pesar de sus resultados prometedores, el estudio reconoce varias limitaciones, incluida la falta de información de profundidad y el impacto del ángulo de la cámara y la iluminación en la detección de puntos clave.
Las investigaciones futuras deberían explorar el uso de cámaras estéreo para mejorar la percepción de profundidad e investigar la escalabilidad de la metodología para poblaciones de peces más grandes y entornos más complejos.
Conclusión
El estudio de Kumaran representa un avance significativo en el campo del monitoreo del bienestar de los peces. Al combinar el aprendizaje profundo con conceptos ecológicos, la herramienta propuesta ofrece un medio poderoso y eficiente para evaluar el comportamiento y el bienestar de los peces en la investigación de la acuicultura.
Los resultados del estudio demuestran el potencial de la visión artificial y el análisis del «home range» para el monitoreo del comportamiento de los peces. La automatización de este proceso puede proporcionar a los interesados información valiosa sobre cómo los peces utilizan su entorno de crianza, contribuyendo al desarrollo de tecnologías para medir y monitorear su comportamiento en futuras investigaciones.
El estudio fue financiado por el proyecto DigitalAqua y el proyecto ML4AKVA de NOFIMA.
Contacto
Santhosh K. Kumaran
Nofima AS,
Ås, Norway
Email: santhosh.kumaran@nofima.no
Referencia (acceso abierto)
Kumaran, S.K., Solberg, L.E., Izquierdo-Gomez, D. et al. Applying deep learning and the ecological home range concept to document the spatial distribution of Atlantic salmon parr (Salmo salar L.) in experimental tanks. Sci Rep 15, 5976 (2025). https://doi.org/10.1038/s41598-025-90118-9
