Cada primavera, las poblaciones de arenque de río migran desde las aguas costeras de Massachusetts para comenzar su viaje anual río arriba y arroyos hasta su hábitat de desove en agua dulce. El arenque de río ha enfrentado graves disminuciones demográficas en las últimas décadas, y su migración es ampliamente monitoreada en toda la región, principalmente a través de conteos visuales tradicionales y programas de voluntarios.
Monitorear el movimiento de los peces y comprender la dinámica poblacional son esenciales para informar los esfuerzos de conservación y apoyar la gestión pesquera. Con la carrera anual de arenque que comienza este mes, los investigadores y administradores de recursos asumen una vez más el desafío de contar y estimar la población de peces migratorios con la mayor precisión posible.
Un equipo de investigadores del Woodwell Climate Research Center, MIT Sea Grant, el MIT Computer Science and Artificial Intelligence Lab (CSAIL), el MIT Lincoln Laboratory e Intuit exploraron un nuevo método de monitoreo que utiliza video submarino y visión por computadora para complementar los esfuerzos de ciencia ciudadana. Los investigadores, Zhongqi Chen y Linda Deegan del Centro de Investigación Climática Woodwell, Robert Vincent y Kevin Bennett del MIT Sea Grant, Sara Beery y Timm Haucke del MIT CSAIL, Austin Powell de Intuit y Lydia Zuehsow del Laboratorio Lincoln del MIT, publicaron un artículo que describe este trabajo en la revista Remote Sensing in Ecology and Conservation en febrero.
El documento de acceso abierto, “De instantáneas a estimaciones continuas: Aumento de la ciencia ciudadana con visión por computadora para el monitoreo de peces”, describe cómo los avances recientes en visión por computadora y aprendizaje profundo, desde la detección y el seguimiento de objetos hasta la clasificación de especies, ofrecen soluciones prometedoras en el mundo real para automatizar el conteo de peces con mayor eficiencia y calidad de los datos.
Los métodos de seguimiento tradicionales están limitados por el tiempo, las condiciones ambientales y la intensidad del trabajo. Los conteos visuales voluntarios se limitan a breves períodos de muestreo durante el día, falta de movimiento nocturno y pulsos migratorios cortos, cuando cientos de peces pasan en el lapso de unos pocos minutos. Si bien tecnologías como el monitoreo acústico pasivo y el sonar de imágenes han avanzado en el monitoreo continuo de peces bajo ciertas condiciones, la opción más prometedora y de bajo costo (la revisión manual de videos submarinos) todavía requiere mucha mano de obra y tiempo. Con la creciente demanda de soluciones automatizadas de procesamiento de video, este estudio presenta un sistema basado en aprendizaje profundo escalable, rentable y eficiente para un monitoreo automatizado confiable de peces.
El equipo construyó un proceso de extremo a extremo, desde cámaras submarinas en el campo hasta etiquetado de video y entrenamiento de modelos, para lograr un conteo de peces automatizado impulsado por visión por computadora. Se recopilaron vídeos de tres ríos de Massachusetts: el río Coonamessett en Falmouth, el río Ipswich (Ipswich) y el río Santuit en Mashpee.
Para preparar el conjunto de datos de entrenamiento, el equipo seleccionó videoclips con variaciones en la iluminación, la claridad del agua, las especies y densidad de peces, la hora del día y la estación para garantizar que el modelo de visión por computadora funcionara de manera confiable en diversos escenarios del mundo real. Utilizaron una plataforma web de código abierto para etiquetar manualmente los videos cuadro por cuadro con cuadros delimitadores para rastrear el movimiento de los peces. En total, etiquetaron 1.435 videoclips y anotaron 59.850 fotogramas.
Los investigadores compararon y validaron los recuentos de visión por computadora con revisiones de videos humanos, recuentos visuales en el lado de la transmisión y datos del etiquetado de transpondedor integrado pasivo (PIT). Llegaron a la conclusión de que los modelos entrenados con datos diversos de varios sitios y años funcionaron mejor y produjeron recuentos de alta resolución durante toda la temporada consistentes con las estimaciones establecidas tradicionalmente. Yendo un paso más allá, el sistema proporcionó información sobre el comportamiento, el momento y los patrones de movimiento de la migración vinculados a factores ambientales. Utilizando vídeos de la migración del río Coonamesset de 2024, el sistema contó 42.510 arenques de río y reveló que la migración río arriba alcanzó su punto máximo al amanecer, mientras que la migración río abajo fue en gran medida nocturna, y los peces utilizaron períodos más oscuros y tranquilos para evitar a los depredadores.
Con esta aplicación del mundo real, los investigadores pretenden avanzar en la visión por computadora en la gestión pesquera y proporcionar un marco y mejores prácticas para integrar la tecnología en los esfuerzos de conservación de una amplia gama de especies acuáticas. “MIT Sea Grant ha estado financiando trabajos sobre este tema desde hace algún tiempo, y este excelente trabajo de Zhongqi Chen y sus colegas mejorará las capacidades de monitoreo de pesquerías y las evaluaciones de poblaciones de peces para los administradores pesqueros y los grupos conservacionistas”, dice Vincent. “También brindará educación y capacitación a estudiantes, el público y grupos de ciencia ciudadana en apoyo de las poblaciones de arenque de río, de importancia ecológica y cultural, a lo largo de nuestras costas”.
Aún así, el monitoreo tradicional continuo es esencial para mantener la coherencia en los conjuntos de datos a largo plazo hasta que las agencias de ordenación pesquera implementen completamente sistemas de conteo automatizados. Incluso entonces, la visión por computadora y la ciencia ciudadana deberían considerarse complementarias. Se necesitarán voluntarios para el mantenimiento de la cámara y para contribuir directamente al flujo de trabajo de visión por computadora, desde la anotación de video hasta la verificación del modelo. Los investigadores prevén que la integración de observaciones ciudadanas y datos generados por visión por computadora ayudará a crear un enfoque más completo y holístico para el monitoreo ambiental.
Este trabajo fue financiado por MIT Sea Grant, con apoyo adicional proporcionado por el Centro Científico de Adaptación Climática del Noreste, una subvención inicial de Sistemas de Agua y Alimentos Abdul Latif Jameel del MIT, el Centro Global de Cambio de Biodiversidad e Inteligencia Artificial (con el apoyo de la Fundación Nacional de Ciencias y el Consejo de Investigación de Ciencias Naturales e Ingeniería de Canadá) y el Programa de Oportunidades de Investigación de Pregrado del MIT.