La cría de peces ornamentales es una industria en auge que captura los corazones y la imaginación de los aficionados de todo el mundo. Como segundo pasatiempo más popular a nivel mundial, ofrece un potencial significativo para el espíritu empresarial y la generación de ingresos. Sin embargo, garantizar la salud y el bienestar de estas cautivadoras criaturas sigue siendo un desafío constante.
Uno de los principales obstáculos que enfrentan los piscicultores ornamentales es mantener condiciones ambientales óptimas dentro de sus granjas. La temperatura del agua, los niveles de oxígeno disuelto, el equilibrio del pH y los brotes de enfermedades son sólo algunos de los factores críticos que pueden afectar significativamente la salud y el comportamiento de los peces.
Los goldfish (Carassius auratus), una especie ornamental vibrante y popular, son particularmente sensibles a los cambios ambientales. Comprender sus respuestas a estas fluctuaciones es crucial para garantizar su bienestar y maximizar la productividad agrícola.
En este sentido, los investigadores de ICAR-Central Institute of Fisheries Education y del Amrita School of Computing realizaron un estudio para analizar los cambios en el comportamiento del goldfish debido a las alteraciones en los parámetros ambientales.
Aprendizaje automático: poderosa herramienta para la predicción del comportamiento de los peces
Aquí es donde entra en juego el poder del aprendizaje automático (ML) y el aprendizaje profundo. Estas técnicas sofisticadas pueden analizar conjuntos de datos masivos recopilados de piscifactorías, descubriendo patrones ocultos y prediciendo tendencias futuras.
Al aplicar algoritmos de aprendizaje automático, los piscicultores pueden obtener información valiosa sobre:
- Comportamiento alimentario: Identificar patrones en los hábitos alimentarios ayuda a optimizar los horarios de alimentación y garantizar una ingesta eficiente de nutrientes.
- Patrones de crecimiento de los peces: Predecir los patrones de crecimiento permite una mejor asignación de recursos y una toma de decisiones informada con respecto a las densidades de población y las capturas.
- Predicción de enfermedades: Los algoritmos de aprendizaje automático pueden identificar cambios de comportamiento sutiles que pueden indicar signos tempranos de enfermedad, lo que permite tomar medidas preventivas antes de que ocurran brotes.
- Análisis de calidad del agua: Predecir con precisión el impacto de los factores ambientales en la salud de los peces permite realizar ajustes proactivos para mantener condiciones óptimas.
Predicción del comportamiento de los peces en función de parámetros ambientales
El estudio reciente examinó el potencial de ML para predecir el comportamiento de los peces de colores en función de los cambios en la temperatura del agua y los niveles de oxígeno disuelto (OD). Utilizando cuatro técnicas de clasificación diferentes (árbol de decisión, clasificador Naïve Bayes, K-vecino más cercano (KNN) y análisis discriminante lineal (LDA), el estudio arrojó resultados prometedores.
El análisis reveló que el algoritmo del árbol de decisión demostró la mayor precisión, con un error de validación cruzada del 13,78%. Esto sugiere que los árboles de decisión son adecuados para identificar y predecir relaciones complejas entre los parámetros ambientales y el comportamiento de los peces de colores.
El estudio también identificó patrones de comportamiento específicos asociados con diferentes condiciones ambientales:
- Reposando: Se observaron peces dorados descansando cuando la temperatura del agua oscilaba entre 37,85°C y 40,535°C.
- Comportamiento errático: Cuando las temperaturas excedían los 40.54°C, los peces dorados mostraban movimientos erráticos, indicando estrés o malestar.
- Jadeo: En situaciones con temperaturas entre 37,85 °C y 40,54 °C y niveles de oxígeno disuelto inferiores a 6,58 mg/L, los peces de colores mostraron un comportamiento de jadeo, lo que sugiere dificultad respiratoria.
Para validar aún más estas observaciones, el análisis de parámetros sanguíneos confirmó que los cambios en los comportamientos externos correspondían a alteraciones en los parámetros fisiológicos dentro de los peces.
El futuro de la piscicultura ornamental: impulsado por IA
Esta investigación ofrece una idea del inmenso potencial del aprendizaje automático y el aprendizaje profundo para revolucionar la industria de la piscicultura ornamental. Al aprovechar el poder del análisis de datos, los piscicultores pueden obtener una comprensión más profunda de sus peces, optimizar sus operaciones y mejorar la salud y el bienestar general de los peces.
A medida que la tecnología de IA continúa evolucionando, podemos esperar que surjan soluciones aún más sofisticadas en el futuro. Imagine sistemas de monitoreo en tiempo real que ajusten automáticamente los parámetros ambientales en función de los cambios previstos en el comportamiento de los peces. O imagine algoritmos de detección de enfermedades basados en inteligencia artificial que prevengan los brotes antes de que ocurran.
Conclusión
“Este estudio se centra en brindar un método ideal y sencillo para determinar los cambios de comportamiento en los peces de colores con respecto al cambio en la temperatura y el OD en tiempo real”, destacan los investigadores.
Ellos identificaron principalmente tres cambios de comportamiento: descansar en el fondo, jadear y nadar erráticamente, que validaron mediante pruebas de los parámetros sanguíneos y compararon entre los peces de control y de prueba para mostrar los cambios en la sangre de los peces.
Con la ayuda de la IA, el futuro de la piscicultura ornamental parece más brillante que nunca, asegurando la sostenibilidad y el éxito a largo plazo de esta cautivadora industria.
Contacto
Vinod Kumar Yadav
Fisheries Economics, Extension & Statistics Division (FEESD)
ICAR-Central Institute of Fisheries Education
Mumbai, 400061, India
Email: vinodkumar@cife.edu.in
Referencia (acceso abierto)
Patro, K.S.K., Yadav, V.K., Bharti, V.S. et al. IoT and ML approach for ornamental fish behaviour analysis. Sci Rep 13, 21415 (2023). https://doi.org/10.1038/s41598-023-48057-w
