Inteligencia artificial para la gestin de la pesca marina en un entorno de cambio

climtico.
Aplicaciones de la Inteligencia Artificial para el Desarrollo Humano y Sostenible
Mster en Inteligencia Artificial Avanzada
Xos Manuel Carreira Rodrguez xmcarreira@yahoo.com
1. INTRODUCCIN
Cuando se piensa en inteligencia artificial, la primera imagen que viene a la mente es,
probablemente, la de robots que caminan, hablan y simulan emociones semejantes a las
humanas. Pero hay un tipo diferente de inteligencia artificial, menos espectacular pero
igualmente disruptiva, cada vez ms presente en las ciencias del mar. Es la inteligencia
artificial que gira en torno a tareas de seleccin, clasificacin, correlacin, deteccin de
patrones y aprendizaje a travs de grandes masas de datos ambientales (Megrey et al.,
2009).
Los pases en desarrollo no pueden permitirse ignorar las posibilidades de la inteligencia
artificial en la gestin de sus recursos haliuticos en base a argumentos tales como comer va
primero y la tecnologa viene despus. Las regiones en desarrollo contienen la mayora de la
poblacin humana y la mayor parte de los recursos pesqueros del planeta, y por lo tanto son
particularmente relevantes para la sostenibilidad global y la seguridad alimentaria. Ms de 500
millones habitantes de los pases en desarrollo dependen, directa o indirectamente, de la
pesca y de la acuicultura para su sustento (FAO, 2014).
El cambio climtico es una de las principales razones de la disminucin de las especies
marinas en los ltimos 30 aos (WWF, 2015). Segn la FAO, las variaciones de temperatura y
dems consecuencias de prdida de calidad del agua que resultan del cambio climtico
(acidificacin, eutrofizacin, pobre mezcla de oxgeno disuelto, etc) tienen un fuerte impacto
en la pesca y en la prdida de biodiversidad de la biota marina. Las comunidades pesqueras
en el mundo en desarrollo son particularmente vulnerables a estos impactos. Otro impacto en
la pesca proviene de la sobrepesca codiciosa debido a la tragedia de los comunes (Hardin,
1968; Scorse, 2010). El problema de la sobrepesca en un entorno de alteraciones climticas
se ve amplificado. Las capturas ilegales, no declaradas y no reguladas representan hasta un
40 por ciento del total de capturas en la pesca en el mundo en desarrollo (NOAA, 2012).
Como se ver, muchas de las soluciones de inteligencia artificial vendrn fundamentalmente
en forma de modos de recopilar datos de forma barata para monitorear, controlar, predecir y
asesorar a los pescadores en la toma de decisiones sostenibles en economas y ecosistemas
martimos frgiles.
2. REVISIN DE LA LITERATURA
En el mundo en desarrollo, especialmente en las pesqueras de pequea escala, las TICs no
han participado an en todos los enlaces de la cadena de valor entre pescador y consumidor.
El icono de referencia para el uso de las TIC en la pesca a pequea escala es el caso de xito
relatado por R. Jensen (2007) en las costas de Kerala (India).

Sin hacer referencia explcita a las tecnologas especficas, como las de inteligencia artificial,
la FAO clasifica aplicaciones de las TIC en la pesca de la siguiente manera:
- TICs que afectan a actividades comerciales: mejora del mercadeo e informacin sobre los
precios; crditos y finanzas; administracin electrnica.
- TICs que afecta a las comunidades: la reduccin de la vulnerabilidad frente a amanezas;
aumento de la seguridad; inclusin social; movilizacin social y pootenciacin de las
comunidades en la posesin de la informacin y la comunicacin.
- TICs para la gestin de recursos y conservacin: supervisin, control y vigilancia;
gobernanza de los recursos haliuticos.
Las ventajas especficas de los sistemas de IA incluyen (Lee, 2000):
- Rpida transferencia de conocimientos especializados en toda la industria pesquera, en
especial los jvenes.
Que las industrias no-tienen suficientes expertos disponibles;
- Reduccin de costes y trabajos pesados debido a la automatizacin de funciones.
- Mayor estabilidad del procesos y eficiencia;
- Mejor comprensin del proceso a travs del desarrollo y ensayo de reglas.
Adems, es importante resear que los datos reales sobre clima, calidad de agua, evolucin
de las especies marinas, capturas, etc... son difciles de conseguir en un entorno en
desarrollo. Los datos de partida son incompletos, poco precisos, heterogneos y a
complementar con apreciaciones cualitativas recogidas en la historia oral transmitida de
generacin en generacin de pescadores. Las ecuaciones de los modelos matemticos
tradicionales se muestran as insuficientes para manejar esta diversidad de formas de
conocimiento y las herramientas de inteligencia artificial tienen todo el sentido.
Los sistemas de inteligencia artificial de toma de decisiones en la pesca se pueden dividir
mayoritariamente en tres clases principales: sistemas basados en redes bayesianas, sistemas
basados en lgica difusa y sistemas distribuidos de redes neuronales o multiagente (Megrey
et al., 2009). Cada herramienta tiene su mejor aplicacin dependiendo de la informacin y
medios disponibles.
2.1. IA para la educacin.
Los programas de alfabetizacin y educacin de comunidades pesqueras en los pases en
desarrollo estn afectados por la masificacin de las aulas y la falta de personal docente
capacitado. La inteligencia artificial se puede utilizar en el desarrollo de la educacin a
distancia a bajo coste y con un impacto significativo (Chandrasekar, 1989). Los sistemas
tutoriales inteligentes pueden actuar como profesores de apoyo en la enseanza de materias
especficas pertinentes para los pescadores.
Otra posibilidad interesante es el uso de laboratorios virtuales. E. Lindkvist et al. (2014)
crearon un modelo basado en agentes, empricamente fundamentado, que simulaba las
interacciones entre pescadores, intermediarios, consumidores de pescado y los recursos
pesqueros en un contexto de calentamiento global, lo que permita analizar el surgimiento de
formas cooperativas y no cooperativas de auto-gobierno y sus consecuencias. Ese modelo
pudo ser adaptado y reusado para formar a los pescadores artesanales mexicanos como un
juego para el aprendizaje, mediante la prctica virtual, avanzando as en la comprensin de la

gestin sostenible de los recursos y la gestin de los pescadores en el contexto del cambio
ambiental global.
2.2. IA para seguimiento de poblaciones.
Con el software de procesamiento de datos y la inteligencia artificial ser posible un
monitorear en tiempo real cualquier evento en la piscifactora o en el entorno costero. Con
robots y znganos de itinerancia acuticos, como el famoso Robot-Fish del MIT, ser ms
fcil, barato y seguro tener la adquisicin de datos y seguimiento completo de la ecologa
marina, de las fuentes de contaminacin y del inventario de las diferentes especies de flora y
fauna. Por ejemplo, D. J. White et al. (2006) proporciona un mtodo de medicin automatizada
para identificar y medir las especies diferentes en funcin de la longitud y la forma mediante el
uso de la visin artificial.
Estos sistemas no slo tienen un inters puramente naturalista, sino que proporcionarn
soporte con datos objetivos a la hora de hacer polticas, locales y globales, en la ordenacin
territorial y en la gestin de los meses de pesca y veda (Pelletier, 2014).
2.3. Minera de datos a partir de dispositivos mviles.
Entre 1997 y 2001 se estudi la evolucin de los precios y ganancias de la industria pesquera
de Kerala (India). Los datos fueron recogidos antes y despus de la entrada en servicio de la
telefona mvil. A pesar de que los precios del pescado se redujeron en promedio, las
ganancias de pescadores aumentaron porque fue posible reducir los residuos y los
desperdicios que cuando el pescador saba que ya exista sobreoferta en el mercado. El
bienestar econmico global de compradores y vendedores mejorada (Jensen, 2007).
Hoy en da, los dispositivos mviles son baratos y permiten recoger y disponibilizar de forma
barata y casi inmediata todo tipo de datos de pesca. Este tipo de software est,
desafortundamente, menos desarrollado que en el caso de las apps inteligentes para
agricultores y la falta de cobertura mvil en el litoral tiene mucho que ver. Los deseosde los
pescadores costeros para una app mvil es poder tener acceso a datos meteorolgicos y de
oleaje, alertas de marea roja, precios de mercado y consejos de pesca personalizados
(Akanu, 2013).
2.4. IA de la comprensin y prediccin de stocks.
El conocimiento de las poblaciones de peces es pobre, especialmente en los pases en
desarrollo (The Economist, 2012). Los ecosistemas peor comprendidos son ms propensos a
estar enfermos. Es aqu donde entran en jugo los sistemas expertos y decisores (DSS,
Decision Support Systems) que consideran mltiples poblaciones y puntos de equilibrio. Los
sistemas expertos pueden contener elementos bayesianos, heursticas y lgica difusa, estar
basados en razonamiento por casos o en reglas previamente establecidas. A su vez los DSS
aplican tecnologas de investigacin de operaciones y optimizacin para determinar el plan de
pesca interanual e intraanual ptimo en trminos de esfuerzo pesquero en cada lugar y
perodo. El resultado es la cantidad recomendada, o cuota, para la captura de peces de cada
especie en cada rea en cualquier momento en que periodo as que mientras objetivo de

gestin para la sostenibilidad de las poblaciones de peces estn satisfechos (Azadivar et al.,
2009).
La informacin sobre el medio marino puede ser incompleta y desorganizada y ah es donde
la IA es una herramienta especialmente verstil y apropiada(Saila en Megrey et al., 2009).
Hay una creciente comunidad que busca desarrollar y aplicar herramientas de modelado de
ecosistemas de toma de decisiones tales como ARIES, si bien el mayor desafo no reside
tanto en el desarrollo de los modelos en s, sino en incorporar pragmticamente el
conocimiento local, es decir, modelos que vinculen las decisiones cotidianas de uso de
recursos (Kaireva, 2011).
2.5. IA para monitoreo de actividades sospechosas de ser ilcitas.
No es posible mantener una presencia permanente y omnipresente para evitar la pesca ilegal
debido a los limitados recursos de patrulla. El patrullaje debe planear de manera inteligente
los recursos policiales disponibles con la ayuda de la deteccin artificial de actividades
ilegales. Cuando se implementan modelos de inteligencia artificial contra la pesca furtiva, las
ilegalidades se siguen produciendo pero con una intensidad reducida hasta una dcima parte
(Sigaud et al., 2013).
El sistema VMS (Vessel Monitoring System) podra proporcionar una herramienta barata y
eficaz para el seguimiento y control de embarcaciones ilegales en los pases en desarrollo
(FAO, 1998). El software inteligente es capaz de detectar actividades sospechosas en base a
la historia de trayectoria, velocidad o prida de emisin cerca de reas protegidas. Las
principales dificultades para su implantacin se reducen a tres cuestiones especficas
(Webster et al., 2005): asegurar que el hardware necesario est instalado y operativo a bordo
de cada buque; la obtencin de una estacin base capaz de recibir, enviar, almacenar y
manipular los datos recibidos; el acceso a redes de telecomunicaciones de rendimiento
suficiente y fiables. En un paso ms all de cara a la conciencia pblica, Global Fish Watch,
mapea los datos de buques con condutas sospechosas y los hace pblicos en la web.
3. SELECCIN DE CASOS DE APLICACIONES DE IA A LA PESCA MARTIMA.
A continuacin se presenta una recopilacin, diversa y representativa pero no exhaustiva, de
aplicaciones informticas basadas en inteligencia artificial para uso en una mejor gestin
pesquera.
3.1. Herramientas de reconocimiento de especies.

Fish face project

Autores: Refind Technologies AB (Suecia).

Sponsor: La ONG estadounidense Nature Conservancys Indonesia.
Usuarios: Pblico. ONGs, empresas y autoridades pblicas.
Recursos usados: Financiacin mayoritariamente privada.
Herramientas: Visualizacin artificial.
Descripcin: A travs del uso de software asequible de reconocimiento se puede detectar y
cuantificar la biota marina a partir de imgenes, de manera ms rpida y econmica tanto bajo

el mar como las capturas en barcos y plantas de procesamiento de pescado. Esta tecnologa
de bajo coste proporcionar los datos esenciales necesarios para evaluar y gestionar las
pesqueras que estn en agotamiento en todo el mundo.

Trigger Cam & Cam Trawl

Autores: National Marine Fisheries Service.

Sponsor: National Oceanic and Atmospheric Agency, Alaska (EEUU).
Usuarios: De venta al pblico en general a travs de varias empresas como JT Electric Ltd
(Dinamarca).
Recursos usados: Fondos pblicos para investigacin y privados para desarrollo y
comercializacin.
Herramientas: Visin artificial. Algortimos de seguimiento del movimiento. Ontologias.
Clasificacin taxonmica.
Descripcin: La observacin de peces es una tarea que requiere un uso intensivo de tiempo.
La idea bsica es sustituir los observadores por cmaras de vdeo digitales que registren los
peces. Los ordenadores sern capaces de identificar las especies que pasan delante de las
cmaras y estimar su peso. La tecnologa tambin permite realizar un seguimiento de peces
en movimiento.
3.2. Herramientas de soporte a la gestin de recursos pesqueros.

ARIES (Artificial Intelligence for Ecosystems)

Autores: Ecoinformatics Lab, University of Vermont.

Sponsor: National Science Foundation (EEUU).
Usuarios: Pblico.
Recursos usados: Financiacin pblica.
Herramientas: Sistema decisor. Multi-agentes. Redes bayesianas.
Descripcin: ARIES no es exclusivo de ecosistemas marinos pero es ampliamente usado en
ciencias del mar. Disea un mapa en donde se expone la interaccin entre factores
econmicos y ambientales. Utiliza agentes inteligentes para recopilar, analizar y sintetizar
conocimiento heterogneo de diferentes fuentes. Los agentes de inteligencia reaccionan a
cambios de priorizacin utilizando el razonamiento de la mquina para modificar la forma de
operacin e ir adaptando as el desarrollo del caso en estudio. ARIES tambin utiliza modelos
probabilsticos (redes de Bayes) para la toma racional de decisiones. La principal desventaja
es su complejidad de uso.

ATSW - SIG MALVINAS

Autores: Armadores de Vigo, CETMAR y laboratorio de teledeteccin de la Universidade de

Vigo.
Sponsor: Xunta de Galicia.
Usuarios: Flota gallega en las Malvinas.
Recursos usados: Fondos pblicos y privados.
Herramientas: Modelos aditivos generalizados (GAM). Estimacin no paramtrica. Data
mining.
Descripcin: Se aplic la teledeteccin, inteligencia

Artificial y SIG al estudio de la variabilidad en la distribucin

de especies comerciales para la flota gallega en las Malvinas. Se clasificaron y patronizaron
datos histricos ambientales del agua marina superficial. La optimizacin del esfuerzo
pesquero se realiz usando regresin no paramtrica. El proyecto permite a cualquier
armador conocer el estado actual de las capturas y tener informacin predictiva sobre captura
por unidad de esfuerzo por especie objetivo.

Climprod y Climprod+

Autores: P. Freon, C. Mullon, G. Pichon et al.

Sponsor: Food and Agriculture Organization
Usuarios: Disponible a bajo precio para bilogos o administradores de pesqueras sin tener
conocimientos especiales de dinmica de poblaciones.
Recursos usados: Fondos pblicos.
Herramientas: Sistemas expertos. PROLOG.
Descripcin: El sistema-experto hace uso de inteligencia artificial para escoger el modelo
mejor adaptado a cada situacin, y para evaluar el ajuste de acuerdo a las series de datos y al
conocimiento que se tiene sobre el stock. Es un programa interactivo alimentado
empricamente para seleccionar y adaptar modelos de excedentes de pesca as como una
variable ambiental introducida como funcin de forma.

UPM - Proyecto NeON

Autores: Facultad de Informtica UPM.

Sponsor: FAO. Consorcio Lifecycle support for Networked Ontologies.
Usuarios: Organizaciones europeas relacionadas con la pesca.
Recursos usados: Fondos pblicos europeos.
Herramientas: Redes ontolgicas.
Descripcin: Se trata de un sistema informtico que integra informacin de fuentes de datos
heterogneas para evaluar y alertar rpidamente del agotamiento y sobrepesca de
poblaciones de peces en todo el mundo. La principal aplicacin inmediata es que permitir
localizar de forma rpida la informacin relevante de entre una enorme cantidad de datos
disponibles y sealar las mejoras necesarias en la gestin de la informacin.

Se cierra este subapartado sealando que la diversidad de software de modelado clima-aguapesca usando en mayor o menor medida tcnicas de inteligencia artificial en el mbito
acadmico es enorme. No existe una herramienta de inteligencia artificial dominante. Hay
modelos de tipo minera de datos implementados tanto en Weka (Kilicer, 2006; Afonso-Dias et
al., 2009; Sigurson, 2013) como en R (Bolker, 2008; Zuur et al., 2009). Existen complejos
modelos usando redes neuronales e informacin GIS (Atlntico Norte, Campbell et al. 2007;
Mar del Este de China, Qinghai et al., 2012) y tambin modestos sistemas expertos basados
en reglas usando CLIPS (Safir et al., 2015). Cada herramienta tiene sus posibilidades y lugar
de uso.
3.3. Herramientas de deteccin de pesca ilegal.

Google Global Fishing Watch

Autores: Sky Truth, Oceana y Google.

Sponsor: Google. Gobierno de Indonesia.
Usuarios: Pblico. Empresas y autoridades pblicas.
Recursos usados: Financiacin privada.
Herramientas: Big data.
Descripcin: Mezclando la tecnologa de big data de Google con los datos de SkyTruth y
Oceana, Global Fishing Watch pretende ser una herramienta para fiscalizar la actividad
pesquera en todo el mundo. Las estimaciones se realizan en base a las localizaciones
satelitales de las embarcaciones entregadas y se comunican en la web en abierto. En funcin
del movimiento, el sistema clasifica los patrones observados en movimientos de pesca o de
no pesca.
Eyes on the sea project
Autores: Catapult Innovate (Reino Unido).
Sponsor: La ONG estadounidense Pew Charitable Trusts
Usuarios: ONGs y autoridades pesqueras.
Recursos usados: Financiacin privada.
Herramientas: Big data.
Descripcin: la tecnologa de Catapult ha sido capaz de analizar en Reino Unido mltiples
fuentes de datos de rastreo satelital en tiempo real y vincularla con pesqueros piratas
ofreciendo un expediente de datos al minuto para alertar a las autoridades oficiales. Se espera
su extensin a otros pases.
ComPass (Conservative Online Patrol ASSistant)
Autores: University of Southern California.
Sponsor: US Coast Guard. Association for the Advancement of Artificial Intelligence
Usuarios: Autoridades pesqueras.
Recursos usados: Financiacin pblica.
Herramientas: Multi-agentes. Teoria de juegos.
Descripcin: Es similar al proyecto Eyes on the sea pero de finaciacin pblica, su tecnologa
pretende ser ms robusta mediante el uso de agentes inteligentes. Est prevista su aplicacin
al Golfo de Mxico.

VMS - Vessel monitoring system

Autores: FAO, Inmarsat, Qualcomm e Iridum.

Sponsor: Estados firmantes de la Convencin de las Naciones Unidas sobre el Derecho del
Mar.
Usuarios: Armadores. El coste de la infraestructura asociada en los pases en desarrollo es
elevado pero hay una serie de programas de subvenciones para fomentar su uso.
Recursos usados: Financiacin pblica para investigacin y privada para desarrollo y
comercializacin.
Herramientas: Data mining. Reconocimiento de patrones. Hidden semi-Markov models
(HSMM).
Descripcin: VMS es un servicio de seguimiento satelital para buques que permite a las
autoridades controlar la posicin, tiempo en una posicin, rumbo y la velocidad de los buques
pesqueros. Se utiliza conjuntamente con mdulos de inteligencia artificial de deteccin de

patrones de posibles accidentes, de derrames de materiales peligrosos, de amenazas

ambientales o de pesca ilegal.
4. CONCLUSIONES.
Las herramientas de inteligencia artificial son especialmente apropiadas para un contexto en
desarrollo, tanto para ayudar a suplir la falta de expertos (profesores, bilogos, oceangrafos,
meteorlogos, polica del mar, etc), como para ayudar en la toma racional de decisiones, con
datos incompletos y heterogneos, sobre recursos haliuticos bajo la incertidumbre ambiental
de un mar cuyo clima y cuya calidad del agua estn en proceso de alteracin.
Sin embargo, en el caso de la inteligencia artificial, no es sorprendente que no hayan
funcionado muchas de estas soluciones informticas prometidas en regiones
subdesarrolladas. La falta de suministro de energa elctrica, infraestructuras de red o
hardware de computacin ha hecho, hasta ahora, difcil de implementar cualquier tipo de
sistema de computacin para que cualquier comunidad accediese y se beneficiase de las
posibilidades de la inteligencia artificial de una manera significativa. Adems, en economas
del mar frgiles, las soluciones tienen que ser atractivas y ofrecer alguna ventaja o incentivo
en el corto plazo.
Tambin existe un problema de enfoque, casi epistemolgico, de la ingeniera occidental para
abstraer las partes no tcnicas de un problema. En contextos de desarrollo, a menudo, los
factores sociales son cruciales y sutiles, y se pierden en el proceso de ingeniera,
especialmente cuando la solucin ha sido ideada o trasplantada desde algn pas
desarrollado. Por ejemplo, en casi todos los modelos de minera de datos clima-agua-pesca
revisados los datos cualitativos del conocimiento ecolgico local y tradicional de los
pescadores ha sido obviado. Los pescadores transmiten oralmente de generacin en
generacin ricas heursticas sobre el clima, la calidad del agua y los recursos pesqueros que
pueden tener tanta o ms relevancia para la estimacin de tendencias que las ltimas
mediciones satelitales de la temperatura de la superficie del mar.
Finalmente, el Banco Mundial estima que aproximadamente tres cuartas partes de las
personas en el planeta ahora tienen acceso a un telfono mvil, y que en algunos pases en
desarrollo la telefona mvil est ms extendida que la electricidad o agua limpia. Esto
contrasta con la ausencia de aplicaciones mviles dotadas de inteligencia que ayuden en a
informar y tomar de decisiones racionales por parte de los pescadores.
En resumen, las grandes recomendaciones para que la inteligencia artificial mejore la vida de
los pescadores costeros en pases en vas en desarrollo son:
-

La inteligencia artificial puede y debe ayudar a recolectar e integrar informacin

ambiental heterognea en comunidades martimas en desarrollo incluyendo tambin el
conocimiento ecolgico tradicional de los pescadores, generalmente en forma
cualitativa y oral.
El diseo de las aplicaciones dotadas de inteligencia debe ser ergonmico, atractivo y
teniendo en cuenta los condicionantes, tanto tcnicos como socioculturales, del
entorno en desarrollo en que finalmente se usarn.

Debera haber una mayor oferta de las aplicaciones inteligentes ligeras para
dispositivos mviles y porttiles, diseadas con una epistemologa del Sur en mente.

5. REFERENCIAS.

Bibliografa

Afonso-Dias, M., & Pinto, C. (2008). Anlise da Distribuio Espacial do Esforo e Rendimentos de
Pesca das Frotas Portuguesas de Arrasto Costeiro. GeoPesca. Relatrio final do Projecto MARE, 2205.
Azadivar, F., Truong, T., & Jiao, Y. (2009). A decision support system for fisheries management using
operations research and systems science approach. Expert Systems with Applications, 36(2), 29712978.
Bolker, B. M. (2008). Ecological models and data in R. Princeton University Press.
Campbell, N., MacKenzie, K., Zuur, A. F., Ieno, E. N., & Smith, G. M. (2007). Fish stock identification
through neural network analysis of parasite fauna. In Analysing ecological data (pp. 449-462). Springer
New York.
Chandrasekar, R., & Ramani, S. (1989). Artificial Intelligence: a Developing Country Perspective. In
Proceedings of Workshop on AI Technology Transfer to Developing Countries, IJCAI (Vol. 89, pp. 2125).
FAO (1998) Fishing Operations, Volumen-1. Vessel monitoring systems.
http://www.fao.org/3/a-w9633e.pdf
FAO (2014). State of World Fisheries and Aquaculture. Rome.
http://www.fao.org/3/a-i3720e/index.html
Jensen, R. (2007). The digital provide: Information (technology), market performance, and welfare in the
South Indian fisheries sector. The quarterly journal of economics, 879-924.
Kareiva, P. (2011). Natural capital: theory and practice of mapping ecosystem services. Oxford
University Press.
Kilier, K. (2006). Analysing of global warming on earth using data mining methods (Doctoral
dissertation). Bahe?ehir University. Istambul.
Lee, P. G. (2000). Process control and artificial intelligence software for aquaculture. Aquacultural
Engineering, 23(1), 13-36.
Lindkvist, E., & Norberg, J. (2014). Modeling experiential learning: The challenges posed by threshold
dynamics for sustainable renewable resource management. Ecological Economics, 104, 107-118.
NOAA (2012). Illegal Fishing: Not in Our Ports. Port State Measures Agreement and Implementing
Legislation. Science, Service, Stewardship.
http://www.nmfs.noaa.gov/stories/iuu/docs/now_port_state_handout_v1_11_16.pdf
Megrey, B. A., & Moksness, E. (Eds.). (2009). Computers in fisheries research. Netherlands: Springer.
Pelletier C. (2014) The Food Futurist. Practical, Critical and Pragmatic Strategic Foresight for a
Prosperous Future of Food and Farming
https://hfgfoodfuturist.com/tag/fisheries/

Qinghai, C., Aiji, W., & Chi, Z. (2012). Design and Implement of East China Sea Economic Fisheries
Resources Forewarning System. In Software Engineering and Knowledge Engineering: Theory and
Practice (pp. 1-10). Springer Berlin Heidelberg.
Safir R., Chung P.T. (2015). A fishing expert Systems with CLIPS and Free Software. Long Island
University at Brooklyn.
http://www.nylxs.com/docs/teachers_allowed_here/page1.html
Scorse, J. (2010). What environmentalists need to know about economics. (pp. 145-152). New York,
NY: Palgrave Macmillan.
Sigaud, O., & Buffet, O. (Eds.). (2013). Markov decision processes in artificial intelligence. John Wiley &
Sons.
Sigursson A. (2013). Towards a framework for modelling fisheries systems for increased analyzability.
Master thesis of Science in Software Engineering. Reykjavk University.
The Economist (2012). How to stop fishermen fishing. Feb 25th 2012
http://www.economist.com/node/21548240
Webster, J. G., & Collins, J. (2005). Fisheries information in developing countries: support to the
implementation of the 1995 FAO Code of Conduct for Responsible Fisheries. Food and Agriculture
Organization of the UN.
White, D. J., Svellingen, C., & Strachan, N. J. C. (2006). Automated measurement of species and length
of fish by computer vision. Fisheries Research, 80(2), 203-210.
WWF (2015). Impact of climate change on species.
http://wwf.fi/mediabank/7884.pdf
Zuur, A. F., Ieno, E. N., Walker, N. J., Saveliev, A. A., & Smith, G. M. (2009). Mixed effects models and
extensions in ecology with R. Gail M, Krickeberg K, Samet JM, Tsiatis A, Wong W, editors. New York,
NY: Spring Science and Business Media.

Modelos y aplicaciones referidos en el texto:

ARIES
http://aries.integratedmodelling.org/
ATSW SIG Malvinas
http://www.tgis.uvigo.es/Malvinas.html
Cam trawl
http://www.sea-technology.com/features/2010/1210/cam-trawl.php
Climprod
http://www.fao.org/fishery/topic/16070/en
Climprod+
http://www.fao.org/fishery/topic/16071/en
ComPass
http://teamcore.usc.edu/people/yundiqia/web%20page/fish/
Eyes on the sea project
https://sa.catapult.org.uk/wp-content/uploads/2016/03/Case-Study-IUU-July-2014Final.pdf
Fish face project
http://www.refind.se/blog/2016/1/15/fish-face-refind-software-enables-sustainable-fishing

Global Fishing Watch

http://www.globalfishingwatch.org/
https://news.mongabay.com/2016/06/amid-illegal-fishing-crackdown-indonesia-to-buoy-legal-catch/
NeoN - UPM
http://xweb.fi.upm.es/en/564
Robotic Fish
http://www.robotic-fish.net/index.php?lang=en&id=robots
VMS
http://www.fao.org/docrep/003/w9633e/w9633e0i.htm
http://www.fao.org/fishery/vms/en