Imagen, sonido y ADN ambiental en un mismo modelo: la apuesta de la IA multimodal para vigilar la biodiversidad marina

Una cámara submarina, un hidrófono, una muestra de agua filtrada y una foto subida por un buzo aficionado a una app suelen procesarse por separado, cada una en su propio flujo de trabajo. Una revisión publicada en junio de 2026 en Frontiers in Marine Science documenta un cambio de enfoque: modelos que integran esas cuatro fuentes de datos en un mismo sistema para vigilar biodiversidad marina y especies invasoras.

Qué combina exactamente el modelo

La revisión de Borja et al., publicada en Frontiers in Marine Science, mapea cinco tipos de tecnología que hoy se usan por separado y que la propuesta busca integrar: visión por computador para identificar especies en video e imagen submarina (con arquitecturas como YOLO, Mask R-CNN, UNet y ResNet), transfer learning para reducir la cantidad de datos etiquetados que cada aplicación nueva necesita, monitoreo acústico con reconocimiento de sonidos específicos por especie, análisis de ADN ambiental (eDNA) para detectar presencia sin necesidad de avistamiento directo, y observaciones de ciencia ciudadana subidas a plataformas como iNaturalist o MINKA.

Lo que ya funciona hoy, según documenta la revisión, no es poco: el modelo de visión por computador de iNaturalist, en su versión 2.31, clasifica ya 118.700 taxones y se actualiza mensualmente con nuevas observaciones. En la costa catalana, la comunidad de ciencia ciudadana MINKA registró 94.000 observaciones solo en 2025, cubriendo 2.000 especies distintas. Y en comparaciones directas, el eDNA detecta más especies nativas e invasoras que los muestreos visuales convencionales en el mismo punto de muestreo.

Por qué combinarlas y no usarlas por separado

Cada fuente de datos, usada sola, tiene un punto ciego distinto. La cámara submarina no detecta lo que no está en el encuadre. El hidrófono no distingue especies visualmente similares que suenan distinto. El eDNA confirma presencia pero no dice cuántos individuos hay ni qué estaban haciendo. Y la ciencia ciudadana, valiosa por su volumen, tiene sesgo espacial: la gente fotografía donde va a bucear, no donde el ecosistema más lo necesita.

La revisión de Borja et al. plantea que integrar las cuatro fuentes en un mismo flujo, en vez de analizarlas por separado y comparar resultados después, permite que cada una compense el punto ciego de las otras. Es la misma lógica detrás del marco CIMPAL+ que citan los autores para evaluar servicios ecosistémicos marinos, aunque los propios autores reconocen que ese marco todavía necesita ampliarse para aprovechar el flujo completo de datos.

Fuente de datos	Qué detecta bien	Punto ciego
Video/imagen submarina	Especies visibles, comportamiento	Fauna críptica, aguas profundas, mala visibilidad
Acústica pasiva	Especies vocalmente activas, de noche	Especies silenciosas
eDNA	Presencia sin avistamiento, más especies detectadas	No mide abundancia ni comportamiento
Ciencia ciudadana	Volumen y cobertura temporal	Sesgo espacial hacia sitios de buceo popular

Un caso concreto: detectar especies invasoras antes de que se establezcan

Uno de los usos que la revisión documenta con más detalle es la detección de especies no nativas e invasoras (NIS/IAS, por su sigla en inglés), donde el eDNA muestra una ventaja medible frente al monitoreo visual tradicional: detecta más especies invasoras que los muestreos convencionales en el mismo sitio, incluida la fase temprana de invasión, cuando la densidad poblacional todavía es demasiado baja para un avistamiento visual confiable.

El caso de referencia en la región es el pez león (Pterois volitans), invasor ya establecido en todo el Caribe desde hace más de una década. La pregunta que plantea la revisión no es si el eDNA puede detectarlo (ya lo hace), sino si una red de monitoreo que combine eDNA con acústica y visión por computador podría detectar la próxima especie invasora antes de que llegue al punto de establecimiento en el que el pez león se encuentra hoy, cuando removerla ya es prácticamente imposible.

Lo que todavía no resuelve

La revisión es honesta sobre las limitaciones, y vale la pena mantenerlas explícitas en vez de presentar el enfoque como una solución cerrada. Las especies crípticas y de aguas profundas siguen subrepresentadas en todas las fuentes de datos, no solo en una. Los modelos de deep learning necesitan "grandes volúmenes de datos etiquetados" que muchas regiones, Colombia incluida, todavía no tienen para sus propias especies. El eDNA produce falsos positivos y falsos negativos por sesgos de los cebadores moleculares (primers) y bases de datos genéticas de referencia incompletas, el mismo problema de fondo que ya limita el eDNA terrestre. Y los propios autores insisten en que estas herramientas son "complementarias a las que ya están en uso", no un reemplazo.

Qué significa esto para el monitoreo marino en Colombia

Colombia tiene dos costas, una red de áreas marinas protegidas y comunidades de ciencia ciudadana activas en plataformas como iNaturalist, pero no existe hoy un caso documentado que integre eDNA, acústica, visión por computador y ciencia ciudadana marina en un mismo sistema en el país. Eso es un hecho, no una crítica: la revisión de Borja et al. describe un marco todavía en construcción incluso en las costas europeas donde se probó primero.

La hipótesis, y es una hipótesis, no un hecho ya ocurrido, es que un ecosistema como el Caribe o el Pacífico colombiano, con presión creciente de especies invasoras y estaciones de monitoreo ya operando de forma aislada (una boya acústica aquí, un muestreo de eDNA allá, observaciones de buzos en otra parte), podría beneficiarse más de integrar esas fuentes que de sumar más estaciones aisladas. Confirmar si eso es cierto en la práctica, con las especies y las condiciones oceanográficas específicas de estas costas, es trabajo de investigación que todavía está por hacerse.