Un sistema da UVigo identifica as aletas de quenllas na loita contra a pesca ilegal

O software, que emprega técnicas de aprendizaxe automática, xa é capaz de recoñecer 30 especies diferentes

As aletas empréganse na sopa de quenlla, un manxar da cociña asiática, pero pouco sostíbel.
As aletas empréganse na sopa de quenlla, un manxar da cociña asiática, pero pouco sostíbel.

Codiciadas especialmente pola súas aletas, delicatessen culinaria en varios países do extremo oriental, o estado de conservación das quenllas leva sendo un motivo de preocupación internacional durante varias décadas. Especialmente, debido a que son animais que xogan un papel moi importante na escala trófica dos mares e océanos. Porén, a súa capacidade de recuperación a nivel poboacional é reducida, o que as convirte en especies cun alto risco de extinción.

Xunto a isto, e no que respecta ao comercio a nivel internacional, resulta complicado determinar a magnitude das capturas de quenlla, sendo pouco fiábeis os datos que se coñecen. Amais, moita da pesca é ilegal, non rexistrada, e non discrimina entre especies protexidas ou non. Pese a estas lagoas de datos, todo parece indicar, nos últimos anos, un aumento moi significativo en termos de porcentaxes de capturas con respecto a períodos anteriores, así comouno deterioro nas poboacións de moitas das especies.

Na loita contra a pesca ilegal

Ás dificultades para calibrar a magnitude do comercio ilegal de quenllas súmase unha práctica coñecida como finning, ou acercenadura, que consiste en cortar só aletas a bordo dos pesqueiros e guindar o resto do corpo do escualo, aínda vivo, ao mar. Prohibida en Europa xa no 2003, en anos posteriores ampliábase o veto, obrigando aos pescadores a chegar a porto co animal enteiro. E non só por mor de evitarlle a este unha morte lenta no fondo do mar. Ao comerciar con todo o corpo, a identificación da especie, sexa unha protexida ou non, resulta relativamente sinxela. Pola contra, e de transportar só as aletas, esta vólvese moito máis difícil.

Para tentar paliar esta dificultade naceu iSharkFin. Un sistema experto que emprega a aprendizaxe automática para identificar especies de quenllas a partir das aletas dos propios animais. Para o seu desenvolvemento, a Universidade de Vigo e a FAO (organización das Nacións Unidas para a Agricultura e a Alimentación) puñan en marcha a súa colaboración no 2010. Como relata Cástor Guisande, investigador e profesor do departamento de Ecoloxía e Bioloxía da UVigo: “Eu deseñara un sistema experto previo chamado iPez, que permitía a identificación das especies en base ás súas características morfométricas. Desde FAO puxéronse en contacto comigo para determinar se era posible utilizar tamén estes sistemas na identificación de aletas de quenllas. Puxémonos a traballar durante uns anos e finalmente naceu iSharkFin”.

Un proxecto internacional

Unha colaboración motivada polo recoñecemento da importancia de facilitar ferramentas accesíbeis e de fácil instalación para a identificación de aletas de quenllas en aplicacións pesqueiras, así como para axudar á potencial detección daquelas comercializadas de xeito ilegal. Amais, e con motivo do seu alto grao de fiabilidade á hora de identificar as especies, o iSharkFin foi adoptado por FAO como ferramenta de uso recomendado ás administracións públicas para o control das capturas.

Posteriormente, a aplicación deste software tamén sería aconsellada pola Convención sobre o Comercio Internacional de Especies Ameazadas de Fauna e Flora Silvestres (CITES). Esta convención conta cunha listaxe de especies que presenta algún grao de protección, o que fai necesario un control sobre a súa pesca, comercialización e exportación. Agora, os últimos resultados de avaliación amosan o potencial de iSharkFin para detectar facilmente, e só mediante as aletas, aquelas especies protexidas da CITES.

Todo comeza nas aletas

“Co animal completo podes ter moitas máis características que permiten identificar a especie dun xeito máis sinxelo. Por iso nalgúns paises obrigan a non tirar o animal e levalo a porto xunto coas aletas”, explica Guisande. Con todo, e para levar a cabo a súa identificación, a iSharkFin bástalle cunha imaxe destas últimas. Polo momento só traballa con aletas dorsais e pectorais, se ben os investigadores tamén traballan para incluir a caudal.

Para empregar o software basta con tomar unha foto da aleta. Posteriormente, o usuario sinala, nesa mesma imaxe, unhas medidas de referencia que lle pide o programa. Tras iso, xa se pon en marcha a identificación, con maior ou menor acerto, segundo explica o investigador: “Entre familias as diferenzas son moi claras. Entre xéneros xa é moito máis difícil poder diferenciar as especies”. Con todo, os algoritmos xa teñen conseguido identificar as desemellanzas entre especies, e as predicións actuais son bastante boas. “A parte da forma da aleta, tamén hai outras características, como a presenza de manchas”, engade.

iSharkFin importa a fotografía da aleta de tiburón que se quere identificar e toma uns puntos de referencia. Foto: Duvi.
iSharkFin importa a fotografía da aleta de tiburón que se quere identificar e toma uns puntos de referencia. Foto: Duvi.

Con até 39 especies diferentes identificadas na actualidade, iSharkFin vai destinado principalmente ás persoas encargadas de controlar as capturas de aletas, podendo facer un filtrado das mesmas e ver se inclúen especies non autorizadas para a pesca. Igualmente, pode ter outras aplicacións: “Tamén se usa moito por parte de investigadores, e nas universidades para o ensino”.

Unha ferramenta en constante evolución

Coa nova información que vai recibindo, e o facer uso de aspectos do machine learning —ou aprendizaxe automática—, o iSharkFin está nun contínuo proceso de mellora das súas predicións, modificando a súa base matemática e sempre co mesmo obxectivo de aprendizaxe: “Periodicamente sacamos novos algoritmos, que se descargan automaticamente no programa e que, ao incluir cada vez máis datos, son máis precisos á hora de identificar a especie. Deste xeito, o que fai o algoritmo é decidir para cada especie cal son as medidas que mellor axudan a identificala, así como cal é a técnica matemática que mellor realiza a predición”.

Estes datos que emprega o software, tanto nas identificacións como para a súa mellora, proveñen de múltiples centros de investigación ao redor de todo o mundo, que facilitan a información conforme a obteñen. O algoritmo encárgase de filtrala, de cara a detectar posíbeis erros. Finalmente, aqueles datos que pasan o filtro incorpóranse á base de datos xeral onde se realizan os algoritmos de predición, cos que se vai actualizando o programa.

O factor humano

“É necesario tomar a foto e indicar sobre a foto unhas medidas de referencia. Polo tanto, non é un proceso automatizado”, explica Guisande. O investigador non só desbota a capacidade do software de ser unha ferramenta autónoma de traballo, senón que pon o foco no factor humano como un elemento fundamental do proceso de identificación. Unha operación manual, con todo, non exenta de erros.

Porén, no que atinxe á experiencia do usuario, e desde o comezo de iSharkFin, a marxe de erro foi reducida mediante a implementación dun proceso formativo non só sobre o uso de software, mais tamén sobre a identificación do tipo de aleta. De igual xeito, e mesmo nos casos nos que se introduciron de xeito variábel os puntos de referencia fundamentais das aletas, observouse que isto non afectou á capacidade do sistema á hora de identificar correctamente a especie á que pertencían. Un resultado que surixe que o algoritmo non sofre demasiado fronte aos niveis esperados de variabilidade entre os usuarios que recibiron formación.

Limitacións do estudo

O sistema só acadou unha precisión de predición de especies de máis do 90 % para aquelas cun alto número de mostras. “A limitación máis importante que temos agora mesmo é que, dalgunhas especies, que son moi importantes desde o punto de vista da súa conservación, hai moi poucos datos. O cal é lóxico, porque non se poden pescar. Pero si que fai que, nalgúns casos, as predicións non sexan tan boas”, di Guisande.

As variacións no tamaño da mostra son consecuencia da natureza oportunista da recollida de datos. Deste xeito, e no caso de atopar especies das que había poucas imaxes dispoñíbeis no banco de datos, o sistema raramente lograba unha alta precisión na identificación. Algo que salienta a alta necesidade de mostras para a base de datos de referencia, así como a importancia de definir e acadar tamaños de mostra suficientes para o conxunto de especies presentes no lugar no que se vai empregar iSharkFin.

Posíbeis aplicacións

As potencialidades actuais da tecnoloxía apuntan cara ao seu desenvolvemento específico para grupos de usuarios definidos e en aplicacións intrínsecas do lugar. Todo, complementado coa formación de campo dos oficiais no recoñecemento dos tipos de aleta, así como na axeitada captura das imaxes e no uso do software. Logo, e no eido do concreto, a utilidade do sistema responde, fundamentalmente, a dúas cuestións. Por unha banda, á medida na que as posíbeis especies que se vaian atopando estean representadas entre os datos de partida, así como a cantidade e calidade dos mesmos. Por outra, o punto no que o usuario cumpre cos supostos de entrada, no que o máis crítico pasa a ser a capacidade de recoñecer de forma fiábel non só unha primeira aleta dorsal –fronte a todos os outros tipos de aletas—, senón tamén o posicionamento da mesma na imaxe.

O beneficio fundamental de iSharkFin reside nas posibilidades de poder identificar especies traballando só coas aletas e, en consecuencia, levar un mellor control das capturas, identificando posíbeis exemplares vedados de pesca. Así mesmo, “o sistema permite levar un mellor rexistro das especies capturadas, o cal será moi importante para mellorar o coñecemento sobre as estatísticas de pesca a nivel mundial”. De igual xeito, a tecnoloxía transversal de iSharkFin podería ter aplicación noutros grupos taxonómicos.


ReferenciaPerformance of iSharkFin in the identification of wet dorsal fins from priority shark species (Publicado en Ecological Informatics)

DEIXAR UNHA RESPOSTA

Please enter your comment!
POLÍTICA DE COMENTARIOS:

GCiencia non publicará comentarios ofensivos, que non sexan respectuosos ou que conteñan expresións discriminatorias, difamatorias ou contrarias á lexislación vixente.

GCiencia no publicará comentarios ofensivos, que no sean respetuosos o que contentan expresiones discriminatorias, difamatorias o contrarias a la ley existente.

Please enter your name here

Este sitio emprega Akismet para reducir o spam. Aprende como se procesan os datos dos teus comentarios.