Una nueva tecnología de acuicultura de precisión, de un equipo financiado con fondos europeos, ayuda a los acuicultores a predecir las incidencias en la calidad del agua que podrían influir en el cultivo de mejillones y ostras y provocar el cierre de instalaciones.
La acuicultura es el sector productor de alimentos de mayor crecimiento del mundo. Sin embargo, en el pasado ha ido a la zaga de otros sectores alimentarios en cuanto a la adopción de sistemas de información más eficientes. Ahora, impulsado por la visión de un desarrollo sostenible, el sector de la acuicultura introduce rápidamente tecnologías que harán realidad la gestión más ecológica y eficaz de las piscifactorías.
Uno de dichos ámbitos de innovación es la acuicultura de precisión. Esta tecnología utiliza una serie de sensores interconectados para supervisar las condiciones de las piscifactorías y ayudar a los acuicultores a tomar decisiones que optimicen la salud de los peces y los rendimientos económicos, a la vez que mitiga la repercusión medioambiental. Dicho de otro modo, la acuicultura de precisión podría transformar la industria de la acuicultura.
Un artículo reciente publicado en el sitio web de «Global Seafood Alliance» se centra en la producción sostenible de bivalvos cultivados —mejillones y ostras— mediante esta tecnología. El artículo es el quinto de una serie publicada sobre la acuicultura de precisión con el apoyo del proyecto financiado con fondos europeos GAIN. Siguiendo los pasos de cuatro artículos que introducen la acuicultura de precisión y su aplicación en la truticultura, la industria europea de la lubina y la dorada y la del salmón, este último artículo trata el cultivo de bivalvos.
Abordar los riesgos del cultivo de bivalvos
El artículo examina las nuevas herramientas de acuicultura de precisión desarrolladas por el equipo de GAIN para ayudar a predecir las incidencias en la calidad del agua que influyen en el cultivo de bivalvos y provocan el cierre de instalaciones. «La producción de bivalvos cultivados depende de las condiciones óptimas de la calidad del agua, que a menudo se escapan del control de los acuicultores. Las incidencias específicas en la calidad del agua, como la proliferación de algas, el afloramiento de nutrientes o la escorrentía urbana pueden provocar el cierre administrativo de instalaciones de bivalvos para evitar que se comercialicen bivalvos contaminados, lo cual genera consecuencias económicas graves para los acuicultores. Es difícil predecir la magnitud y la intensidad de dichas incidencias en la calidad del agua, ya que son fruto de una combinación compleja de muchos factores interrelacionados», explican los autores.
A fin de proporcionar a los acuicultores de bivalvos un sistema de alerta rápida y fomentar mejores predicciones y decisiones de gestión, el equipo utilizó herramientas de aprendizaje automático para modelizar las condiciones medioambientales. Los datos utilizados para la modelización incluyeron sensores medioambientales «in situ», datos oceanográficos abiertos y satelitales, datos meteorológicos y patrones actuales y de temperatura, los cuales se comparan con datos de cierres de instalaciones anteriores. Las fuentes de datos se integraron en una plataforma basada en la nube que permite una supervisión en tiempo real de las instalaciones de acuicultura de bivalvos.
«La modelización y el aprendizaje automático también incorporaron los datos necesarios para los requisitos normativos de la legislación estatal y europea, como la Directiva marco sobre el agua («buen estado ecológico») y la Directiva marco sobre la estrategia marina («buen estado medioambiental»). El almacenamiento de los datos en una solución centralizada basada en la nube también ayudará a los acuicultores a conseguir certificados de sostenibilidad», según indica el artículo.
Las pruebas se realizaron en el centro de pruebas Sagres en el litoral del Algarve al sudoeste de Portugal. Sin embargo, el uso del aprendizaje automático a fin de crear modelos predictivos específicos para las instalaciones permite que la tecnología se adapte fácilmente a las piscifactorías de bivalvos en otras ubicaciones.
La investigación identificó enormes variaciones en las condiciones de cierre «entre las instalaciones, lo cual puso de relieve la necesidad de técnicas de modelización y aprendizaje automático que utilicen su historial y datos específicos de cada instalación a fin de predecir las condiciones de cierre». A partir del aprendizaje automático semiautomatizado, las herramientas de acuicultura de precisión del equipo «permiten este nivel de precisión». El equipo de GAIN (Green Aquaculture Intensification in Europe) ya ha llegado a la fase de pruebas del producto final para la industria.
Para más información, consulte:
Sitio web del proyecto GAIN
