Redes neuronales para la identificación de peces en ambientes ópticamente restrictivos: revisión sistemática, integración hidroacústica

• Luis Alfredo Agudelo Guerrero ^[1]
  1. [1] Universidad del Magdalena

     Universidad del Magdalena

     Colombia

     
• Localización: Intropica: Revista del Instituto de Investigaciones Tropicales, ISSN-e 2389-7864, ISSN 1794-161X, Vol. 21, Nº. 1, 2026 (Ejemplar dedicado a: enero-junio de 2026)
• Idioma: español
• Títulos paralelos:
  • Neural networks for fish identification in optically restrictive environments: systematic review and hydroacoustic integration
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El monitoreo de la biodiversidad acuática en ambientes de alta turbidez representa uno de los principales retos para los métodos ópticos convencionales, dada la limitada visibilidad y la consecuente degradación de la calidad de imagen en ecosistemas acuáticos complejos. Esta limitación ha impulsado el desarrollo de redes neuronales capaces de interpretar patrones complejos a partir de señales acústicas, hidroacústicas y sensoriales en condiciones ópticamente restrictivas. La presente revisión sistemática examina la literatura científica de alto impacto publicada entre 2013 y 2025, con el objetivo de analizar críticamente la aplicación de modelos de aprendizaje profundo, incluidas las redes neuronales convolucionales (CNN), las redes neuronales recurrentes (RNN) y arquitecturas híbridas, orientados a la clasificación e identificación automática de peces. Los resultados indican que las CNN predominan en tareas de reconocimiento visual, mientras que las RNN muestran mayor aplicabilidad en el procesamiento y decodificación de señales acústicas. No obstante, se identifica una brecha significativa en investigaciones centradas en aguas turbias, estuarios y zonas costeras afectadas por el cambio climático. Asimismo, a pesar de los avances registrados en sistemas no invasivos para el reconocimiento ictiológico automatizado, persisten desafíos metodológicos relacionados con la escasez de conjuntos de datos estandarizados, la limitada disponibilidad de datos hidroacústicos etiquetados y la falta de protocolos de entrenamiento adaptados a escenarios reales de baja visibilidad. En conclusión, este trabajo propone una hoja de ruta orientada a consolidar la inteligencia artificial basada en información hidroacústica como herramienta estratégica para la conservación marina, el monitoreo ecológico y la gestión pesquera sostenible en el siglo XXI.

  • English

    Monitoring aquatic biodiversity in highly turbid environments represents one of the main challenges for conventional optical methods, given the limited visibility and consequent degradation of image quality in complex aquatic ecosystems. This limitation has driven the development of neural networks capable of interpreting complex patterns from acoustic, hydroacoustic, and sensory signals under optically restrictive conditions. The present systematic review examines high-impact scientific literature published between 2013 and 2025, with the aim of critically analyzing the application of deep learning models, including convolutional neural networks (CNNs), recurrent neural networks (RNNs), and hybrid architectures, for the automatic classification and identification of fish species.The results indicate that CNNs predominate in visual recognition tasks, whereas RNNs show greater applicability in the processing and decoding of acoustic signals. However, a significant gap is identified in research focused on turbid waters, estuaries, and coastal areas affected by climate change. Likewise, despite notable progress in non-invasive systems for automated fish recognition, methodological challenges persist, related to the scarcity of standardized datasets, the limited availability of labeled hydroacoustic data, and the lack of training protocols adapted to real low-visibility scenarios. In conclusion, this work proposes a roadmap aimed at consolidating artificial intelligence based on hydroacoustic information as a strategic tool for marine conservation, ecological monitoring, and sustainable fisheries management in the 21st century.