Machine Translated by Google

1 Página de inicio de la revista: www.fishtaxa.com

Descubriendo los secretos de la ictiología con inteligencia artificial: una revolución taxonómica

Andries Villasante1*, Ali zaib Rasheed2

Abstracto
Este estudio examina desbloquear los secretos relacionados con la ictiología relacionada con la inteligencia artificial. El resultado
también describe esa revolución taxonómica relacionada con ellos. Qué inteligencia artificial (IA) está cambiando el tema de la
ictiología, con especial énfasis en cómo la IA puede cambiar por completo la taxonomía de los peces.
Para determinar el estudio de investigación se utilizó el software PLS inteligente y generar estadística descriptiva, coeficiente de
correlación y modelo de algoritmo PLS inteligente entre ellos. La gran diversidad y los cambios sutiles observados en el ámbito
acuático han presentado obstáculos para identificar y clasificar especies de peces utilizando métodos tradicionales.
El uso de inteligencia artificial, es decir, algoritmos de aprendizaje automático, es un enfoque viable para acelerar y mejorar el
procedimiento taxonómico. La inteligencia artificial (IA) puede detectar especies crípticas, descubrir patrones ocultos y adaptarse a
clasificaciones taxonómicas cambiantes mediante la evaluación de una variedad de conjuntos de datos que incluyen morfología,
genética y comportamiento. Más allá de la identificación, la IA ayuda a los esfuerzos de conservación al facilitar los estudios ecológicos
y la distribución cartográfica. Para equilibrar la interpretabilidad de los modelos de IA, garantizar la calidad de los datos y abordar
cuestiones éticas, los ictiólogos y los científicos de datos deben trabajar juntos de forma transdisciplinaria. Este estudio imagina un
futuro en el que la combinación de inteligencia artificial e ictiología revelaría los misterios de la variedad de peces y revolucionaría
nuestro conocimiento, tácticas de conservación e iniciativas de sostenibilidad en el ámbito acuático.

Palabras clave: Desbloqueo (UL), Ictiología (IC), Inteligencia Artificial (IA), Revolución Taxonómica (TR), Inteligente
Algoritmo PLS

Cita: Villasante, A y Zaib, A.2024. Descubriendo los secretos de la ictiología con inteligencia artificial: una revolución
taxonómica. FishTaxa 31: 01­10.

Introducción
La palabra "Ictiología" se puede explicar con estas palabras "la rama de la zoología que se relaciona con el estudio de la
estructura, caracteres, hábitat, reproducción y otros aspectos de los peces". Esta rama incluye el estudio de todo tipo de peces
como los peces óseos, los peces cartilaginosos, los peces sin mandíbula y otros. El principal objetivo de esta rama de la
zoología es revisar todos los aspectos de la biología de los peces, incluida la taxonomía, la sistemática, el aspecto de la
evolución, la biogeografía, la ecología, la morfología, la fisiología y otros. El término "inteligencia artificial" se explica con poder

estas palabras: "un sistema informático que funciona mediante la simulación y el uso de procesos de inteligencia similares a los
humanos en forma de máquinas (Morris, 2015). La ciencia de los peces, o ictiología, siempre ha sido estrechamente ligado a
las dificultades de la taxonomía.
Las intrincadas diferencias físicas y la matizada composición genética de las especies de peces y su asombrosa variedad
han hecho con frecuencia que el procedimiento de categorización sea extremadamente difícil para los ictiólogos. Pero las cosas
están cambiando y la inteligencia artificial (IA) está trayendo un tsunami tecnológico al campo de la ictiología. La combinación
de la IA con la ictiología promete no sólo resolver los misterios de la taxonomía de los peces, sino también provocar una
revolución taxonómica en esta era de desarrollo tecnológico sin precedentes. Fundamentalmente, el objetivo de la ictiología es
comprender la amplia gama de especies de peces que habitan las aguas de nuestro globo. Las especies de peces muestran
una asombrosa variedad de formas, tamaños, colores y comportamientos, desde los tranquilos arroyos hasta las vastas
profundidades del océano. Históricamente, los ictiólogos han dependido de técnicas que requieren mucho tiempo para identificar especie
Aceptado: 02 de noviembre de 2022; Publicado: 22 de diciembre de 2023
Machine Translated by Google
2 PESCADOXA (2024) 31: 01­10

como una inspección cuidadosa de los rasgos anatómicos y el análisis genético. Sin embargo, este procedimiento lleva mucho tiempo
y frecuentemente está abierto a diversas interpretaciones. La inteligencia artificial puede realizar diferentes tareas como traducir
idiomas, percepción visual y reconocimiento de voz. La inteligencia artificial tiene muchos beneficios en diferentes aspectos de la vida
humana, como la educación, la atención médica, la industria, la investigación, la mejora laboral y otros.
Este estudio analizó el uso de la inteligencia artificial en ictiología, lo que sería un mejor paso para comprender la morfología y
fisiología de los peces. Se deben considerar muchos factores para optimizar la producción pesquera desde una perspectiva ecológica
y con fines de conservación. Estos factores son el ciclo de vida de los peces, el impacto de las actividades humanas sobre los peces,
el efecto de la exploración a nivel comercial, entre otros. Para monitorear estos factores, debemos realizar cuatro trabajos (Wordsworth,
1995).
El primer trabajo es detectar y contar exactamente la cantidad de peces que hay en ese entorno. El segundo paso es estimar las
dimensiones y el peso de los peces en ese entorno. El tercero es el seguimiento de diferentes especies de peces para determinar el
comportamiento de los peces, y el cuarto es una clasificación de peces para determinar similitudes y diferencias entre diferentes
especies de peces. En la pesca se pueden utilizar diferentes tecnologías de inteligencia artificial. La primera tecnología es el
aprendizaje profundo, en el que se recopila información por diferentes medios y luego se estudia para comprender diferentes aspectos
de ese espécimen. En este aprendizaje profundo, se utilizan varias técnicas de imágenes de alta resolución para explicar la estructura
externa e interna de los peces (Kingsland, 2023).
Los rayos X y los rayos UV de alta energía se pueden utilizar para escanear el sistema interno de los peces. Luego, esta técnica
de imágenes se utiliza para descubrir nuevas especies de peces. La segunda tecnología de la inteligencia artificial es el almacenamiento
de datos en forma de datos electrónicos. Toda la información relacionada con el estudio y clasificación de peces se puede almacenar
en forma de datos electrónicos, lo que reduce las posibilidades de pérdida de datos (Stewart, 2011). Lo más importante es que toda la
investigación se realiza utilizando sistemas electrónicos, por lo que hay pocas posibilidades de que se produzca algún tipo de error
instrumental. Si se comprenden a fondo todos los datos obtenidos de la tecnología de inteligencia artificial, se pueden utilizar para
mejorar la condición de las evaluaciones de poblaciones. Puede ayudar a identificar y también monitorear la sobrepesca; por lo tanto,
puede ayudar a garantizar el crecimiento sostenible de los peces de acuerdo con el entorno circundante.
Las otras técnicas de inteligencia artificial son la monitorización en tiempo real, el análisis de datos, el modelo predictivo y el
sistema de apoyo a las decisiones (TROY, READY, HODGES, & Broadway, 1892). Se pueden utilizar algunas técnicas robóticas de
inteligencia artificial para comprobar la calidad del agua para el correcto crecimiento y reproducción de los peces. Algunos robots se
pueden utilizar para inspeccionar redes y líneas de amarre. El aspecto más importante de la inteligencia artificial es la detección
temprana de enfermedades en los peces antes de que aparezcan síntomas en ellos. La inteligencia artificial se puede utilizar para
estudiar la composición genética de los peces, lo que puede ayudar a clasificarlos y comprender sus relaciones evolutivas. Se han
desarrollado tipos especiales de sensores utilizando inteligencia artificial que pueden utilizarse para localizar la ubicación exacta de
los peces en poco tiempo (Kingsland, 2023). Presentemos la inteligencia artificial, una maravilla informática que puede analizar
enormes volúmenes de datos a una velocidad y precisión nunca antes vistas. Mediante el uso de algoritmos de aprendizaje automático,
podemos determinar el alimento más eficaz para determinadas especies de peces. Este tipo de alimento se proporciona a los peces,
que producen menos desechos del cuerpo. El estudio del comportamiento de los peces es muy importante para comprender su tipo y
clasificación (Boyd, 2017). Se han desarrollado cámaras de inspección de alta resolución utilizando inteligencia artificial, que pueden
detectar fácilmente el movimiento y el comportamiento de los peces y desempeñar un papel importante en su clasificación.

Cuando todos estos factores se controlen fácilmente mediante el uso de inteligencia artificial, se producirán cambios optimizadores
en la producción y el crecimiento de los peces en un entorno particular (Fagan, 1996). Este estudio ha analizado cómo se puede
utilizar la inteligencia artificial para avanzar en la ictiología para la clasificación y la taxonomía de los peces. Junto a esto, existen
algunos aspectos negativos del uso de la inteligencia artificial para la ictiología. El primer aspecto negativo es que su uso en ictiología
resulta muy costoso. Sin duda, se utilizan instrumentos de alta resolución en el estudio de los peces, pero estos instrumentos parecen
costosos, lo que los hace difíciles de costear (Appudurai,
Machine Translated by Google
Villasante, A y Zaib, A. Descubriendo los secretos de la ictiología con inteligencia artificial: una revolución taxonómica 3

2015). El otro aspecto es que necesita trabajadores altamente calificados para operar estos instrumentos, lo que los hace menos confiables para un
profano. Además, la IA se utiliza en ictiología con fines distintos a la identificación.
Los algoritmos de aprendizaje automático pueden analizar grandes conjuntos de datos para encontrar tendencias ecológicas, mapear los rangos de
distribución e incluso pronosticar posibles efectos de las condiciones ambientales cambiantes en las poblaciones de peces. La capacidad de manejar
y analizar volúmenes tan enormes de datos crea nuevas oportunidades para comprender las intrincadas interacciones de los peces con su entorno.
El persistente problema de las revisiones taxonómicas también se aborda mediante la colaboración de la IA y la ictiología. Las clasificaciones
taxonómicas deben revisarse cuando se disponga de nuevos datos y avance nuestra comprensión de las conexiones evolutivas. La IA ofrece a los
ictiólogos un conjunto de herramientas dinámico que puede adaptarse a entornos de datos cambiantes, permitiéndoles atravesar con precisión y
rapidez las aguas de la taxonomía.

El otro aspecto es que la inteligencia artificial está disminuyendo el valor de la inteligencia humana, por lo que la tasa de desempleo ha sido
tremendamente incesante y creciente en todo el mundo. El otro aspecto es que no hay duda de que al utilizar la inteligencia artificial hay menos
posibilidades de error humano. Aún así, a veces hay más posibilidades de error instrumental al utilizar diferentes instrumentos (Greene, 2016). La
tarea de descifrar las complejidades de la taxonomía ictiológica es especialmente adecuada para las técnicas de aprendizaje automático, un
subconjunto de la inteligencia artificial. Al alimentar estos algoritmos con un conjunto de datos completo que incluye secuencias genéticas, patrones
de comportamiento y fotografías de una variedad de especies de peces, los investigadores pueden entrenar modelos de IA para identificar pequeñas
diferencias y patrones que podrían pasar desapercibidos para el ojo humano.

Identificar especies crípticas (aquellas que parecen casi similares pero que tienen pequeñas diferencias genéticas o morfológicas) es uno de
los principales problemas de la ictiología. Si todos estos desafíos se abordan de manera efectiva, la inteligencia artificial se puede utilizar para la
ictiología, que en última instancia se puede utilizar para la clasificación y taxonomía de los peces. Este aspecto de la inteligencia artificial demuestra
la importancia de utilizar la inteligencia artificial en nuestra vida diaria (Robles, 2023). Para que esta revolución taxonómica tenga éxito, los ictiólogos
y los científicos de datos deben trabajar juntos. Para garantizar la validez y confiabilidad de los conocimientos producidos, se debe llegar a un
compromiso entre la efectividad de la inteligencia artificial y el rigor de las metodologías científicas convencionales. Sin embargo, la implementación
exitosa de la IA en ictiología requiere la colaboración entre ictiólogos y científicos de datos. Este enfoque interdisciplinario es crucial para desarrollar
modelos de IA que no solo sean eficaces en el manejo de datos biológicos complejos, sino que también estén alineados con las metodologías
rigurosas de las prácticas científicas tradicionales. La colaboración entre expertos en biología de peces y ciencia de datos garantiza que los
conocimientos generados por la IA no solo sean innovadores sino que también cumplan con los estándares establecidos de validez y confiabilidad.

Objetivo de la investigación:

El principal objetivo de este estudio es comprender el uso de la inteligencia artificial para la Ictiología. Este estudio también ha explicado eficazmente
el término ictiología, que se utiliza para estudiar las características de los peces junto con los patrones de reproducción. Este estudio también ha
descrito los pocos aspectos negativos del uso de inteligencia artificial para la ictiología en el mundo moderno.

Revisión de literatura:

Los investigadores afirman que con la ayuda del conocimiento científico moderno, comprender la evolución de la vida se ha vuelto más fácil. Los
procesos de vida que ocurren en este planeta son complejos, y comprender esta complejidad de la vida solo es posible a través de la ciencia
(Chakrabarty, 2022). Los estudios afirman que las universidades emprendedoras utilizan nuevas iniciativas para explicar la razón detrás de los
cambios climáticos. El impacto del cambio climático en los ecosistemas naturales se ha explicado a través de las medidas innovadoras empleadas
por las universidades emprendedoras (Etzkowitz,
Machine Translated by Google
4 PESCADOXA (2024) 31: 01­10

2022).Los estudios afirman que el mar ha jugado un papel importante en la guerra entre varios estados en el último siglo.
Varias estrategias marítimas fueron utilizadas durante la competencia entre dos estados superpotencias (González Levaggi, 2023).

Mientras que los ictiólogos ofrecen sus conocimientos sobre la biología, el comportamiento y la ecología de los peces, los científicos de
datos pueden utilizar la inteligencia artificial (IA) para manejar y evaluar este volumen de datos. El enfoque multidisciplinario de esta
colaboración puede acelerar los hallazgos y dar como resultado un conocimiento más completo y matizado de la diversidad de peces. La
integración de la IA en la ictiología también tiene ventajas para las iniciativas de conservación. Dado que la contaminación, la sobrepesca y la
degradación del hábitat son amenazas importantes para muchas especies de peces, la información oportuna y precisa es crucial para
desarrollar estrategias de conservación exitosas. Los estudios explican que el conocimiento sobre la vida proporciona información sobre el
comportamiento de varios organismos. La información sobre el genotipo y fenotipo de las especies se obtiene utilizando el enfoque de las
ciencias de la vida. Cada sistema vivo tiene un mecanismo único que mantiene su proceso de vida. estos mecanismos se denominan roles de
vida. Cada organismo tiene reglas de vida distantes que son comprensibles a través de las ciencias de base biológica. La ciencia moderna
basada en la tecnología proporciona información detallada sobre las reglas de vida de cada organismo para comprender la complejidad de los
mecanismos que posee un sistema vivo (Holford & Normark, 2021).

Los estudiosos predicen que el seguimiento de las especies acuáticas se lleva a cabo utilizando el AT. El uso de AT es común para
gestionar la vida acuática y conservarla. Los antiguos métodos para rastrear las especies de peces han sido reemplazados por la nueva y
avanzada técnica AT basada en tecnología. El estudio de diversas especies acuáticas se vuelve fácil mediante el uso de AT. AT tiene
aplicaciones para abordar los desafíos relacionados con los ecosistemas acuáticos. La revolución de la tecnología AT acuática en los últimos
años la ha convertido en la mejor herramienta para analizar especies acuáticas (Jacoby & Piper, 2023). Los académicos explican que
determinar la estructura y la composición elemental de los organismos ha sido una tarea para los científicos durante millones de años. años.
Esta tarea se ha completado mediante el uso eficiente de técnicas modernas basadas en tecnología (Koldenkova y Lyubarsky). Los estudios
muestran que los enjambres están formados por unidades elementales simples pero aún exhiben un comportamiento estructural complejo.
Para el análisis del comportamiento del enjambre se utilizan modelos basados en computadora. . La información predicha basada en modelos
informáticos expone el secreto de que los enjambres poseen información que en la naturaleza se expresa de forma analógica (Krzanowski &
Polak, 2022).

Los estudios sugieren que las observaciones de los ecosistemas marinos se realizan utilizando el sistema robótico para obtener la
información más actualizada sobre la vida marina. Los sistemas robóticos nuevos y modernos pueden moverse a lo largo de la frontera entre
el aire y el agua. Estos robots, capaces de cruzar el aire y el agua, se utilizan para análisis detallados de especies acuáticas (Li et al., 2022).
Los académicos explicaron que el conocimiento sobre la diversidad de peces y el funcionamiento ecológico acuático se explica a través de la
biodiversidad de los peces. El ecosistema acuático proporciona grandes servicios ecosistémicos a los humanos.
El uso del concepto de biodiversidad de peces proporciona información relevante sobre la importancia de ciertas especies de peces para la
humanidad, de modo que las personas puedan utilizar estas especies como fuente de alimento (Lynch et al., 2023).

Los académicos explicaron que la anguila tiene un lugar especial en la taxonomía de peces debido a su compleja taxonomía. El ciclo de
vida de la anguila es muy complejo y, para obtener información al respecto, los ictiólogos que estudian las anguilas utilizan enfoques
multidisciplinares. En el pasado, comprender el ciclo de vida de la anguila era difícil debido a la falta de conceptos tecnológicos modernos,
pero gracias a enfoques científicos nuevos y revolucionados, el complejo comportamiento de las anguilas es comprensible (Mapes & Mouillot,
2023). Los estudios revelan que los datos sobre el ecosistema natural son fundamentales para determinar la biodiversidad asociada a las
especies de peces. La digitalización de la historia acuática natural ha mejorado el proceso de accesibilidad a la información relacionada con la
vida acuática. El enfoque del aprendizaje automático se ha empleado en la digitalización de la historia acuática para resolver los problemas
modernos relacionados con los ecosistemas marinos (Robillard, 2022).

Además, la comprensión de las especies desconocidas y curiosas ha sido posible al comprender la historia natural detrás de las especies
acuáticas. Al estudiar la historia natural de las especies marinas relacionadas, se vuelve
Machine Translated by Google
Villasante, A y Zaib, A. Descubriendo los secretos de la ictiología con inteligencia artificial: una revolución taxonómica 5

Es más fácil conocer las especies desconocidas del ecosistema marino. Comprender el contexto histórico de una especie facilita conocer
la nueva variedad de esa especie (Robles, 2023). Los estudios explican que los humanos tienen una profunda conexión con la
biodiversidad. La interacción del ser humano con ciertos microorganismos explica que el ser humano esté relacionado con la biodiversidad.
La pérdida de biodiversidad resulta en mayores amenazas para los humanos. La biodiversidad oceánica está asociada con la
supervivencia humana, por lo que mantener la biodiversidad acuática tiene una importancia crítica (Sánchez, 2023).
Los estudiosos predicen que los aumentos en la biodiversidad de peces se marinan mediante el uso de sistemas de monitoreo
basados en tecnología. Auto Fish es un sistema automático de seguimiento y monitoreo de peces que rastrea a los peces para
proporcionar información sobre su color y funcionamiento de sus branquias. El uso de aplicaciones móviles Android para navegar por
especies de peces submarinos está aumentando. Los investigadores relacionados con el mar emplean técnicas y modelos modernos
basados en tecnología para especificar los peces que se encuentran en diferentes lugares y clasificar especies de peces específicas de
la región (Solanki, Thakur, Mhaskar, Chavan y Koli, 2023). Los estudios afirman que una breve introducción a la vida y sus fenómenos
relacionados ayudan a explicar los estilos de vida de las diferentes especies (Todes, 2022). Los estudios describen que los cambios
climáticos impactan la vida de los ecosistemas acuáticos.
Para conocer el impacto del cambio climático en la vida acuática, es importante utilizar un enfoque científico moderno para mantener
la biodiversidad. La tecnología moderna eDNA se utiliza para evaluar el comportamiento de las especies acuáticas de estuario en
condiciones climáticas extremas (Tout­Lyon, 2023). Además, el proceso de participación del público en el conocimiento de la vida acuática
se mejora utilizando las aplicaciones de tecnología moderna. La incorporación de aplicaciones móviles en un enfoque relacionado con la
ciencia ciudadana mejora el proceso de comprensión de los fenómenos relacionados con el agua. La combinación de dos enfoques
modernos proporciona datos auténticos relevantes para el comportamiento taxonómico de las especies acuáticas. El interés del público
por conocer mejor los procesos relacionados con la vida acuática aumenta mediante el uso de aplicaciones móviles (Tréhin, 2023).

Los estudios académicos revelan que las especias pertenecientes al reino Mamaliga abundan en los ecosistemas acuáticos.
La biodiversidad de los sistemas acuáticos se basa en gran medida en estas grandes especies de Mammalia. El conocimiento sobre la
diversidad y la ecología asociadas con las especies del reino Mammalia se obtiene utilizando enfoques científicos modernos (Feldhamer,
Merritt, Krajewski, Rachlow y Stewart, 2020). Los estudios de los académicos muestran que el comportamiento y el ciclo de vida de las
especies de salmón se explican a través de la etnografía cognitiva. (Solberg, 2021).
Además, el uso de la técnica del ADNe para estudiar diversas asociaciones de peces está ganando popularidad. La polaridad de la
tecnología eDNA para estudiar la vida acuática se debe a que esta técnica proporciona información más detallada y avanzada sobre los
problemas que enfrenta el ecosistema marino que cualquier otra técnica tecnológica (Roe, Tout­Lyon, Price y Rees, 2023). La IA puede
evaluar imágenes satelitales, otros elementos ambientales y datos de monitoreo para determinar la salud de las poblaciones de peces y
dirigir los esfuerzos de conservación. Aunque la combinación de IA e ictiología ofrece muchas perspectivas prometedoras, existen
inconvenientes. Los aspectos importantes que requieren un estudio cuidadoso son la calidad de los datos, los requisitos de interpretabilidad
de los modelos de IA y las cuestiones éticas. Al detectar patrones ocultos y establecer conexiones que los enfoques más convencionales
podrían pasar por alto, la inteligencia artificial (IA) tiene el potencial de transformar completamente esta área de la taxonomía. Esto mejora
la precisión de la categorización de especies y al mismo tiempo acelera el procedimiento de identificación. La otra tecnología de
inteligencia artificial es el aprendizaje automático, que desempeña un papel destacado en la mejora de la producción pesquera.

Los investigadores afirman que la disminución de varias especies de peces se debe a ciertos factores antropogénicos. La tasa de
disminución de los tiburones ballena ha aumentado debido a estos factores. Para comprender la sostenibilidad de especies conocidas de
la población de peces, es esencial comprender la interacción de los humanos con las especies de peces. La interacción de las especies
de peces con los humanos ayuda a predecir el motivo del movimiento de las especies oceánicas. En el pasado, se sabía poco sobre la
ubicación y migración de las especies de ballenas en el océano, pero con el uso de sistemas basados en IA, los patrones de migración
de las especies de ballenas son reconocibles. Identificar la ubicación y áreas de alta concentración
Machine Translated by Google
6 PESCADOXA (2024) 31: 01­10

Para las especies de ballenas, los ictiólogos utilizan SSM y MPM. Combinando los datos de los modelos SSM y MPM con datos ambientales, se
predicen los patrones de migración de las especies de ballenas. Además, la agregación de especies de ballenas se determina mediante el uso del
enfoque ML en el uso de modelos MPM (Daye, 2023). Los estudios revelan que el ciclo de vida de algunas especies se basa en sus patrones de
migración.

Las especies de anguila requieren agua dulce y salada para completar su ciclo de vida. La drástica fragmentación del hábitat se debe al
efecto de factores antropogénicos en los ecosistemas de agua dulce. debido a la destrucción del hábitat, los peces acuáticos están obligados a
migrar. Para comprender el comportamiento migratorio de los peces en respuesta a la destrucción de un ecosistema acuático, es común el uso de
un sistema de monitoreo basado en tecnología. Los modelos de seguimiento tecnológico proporcionan datos sobre el comportamiento de la
migración de los peces. Los modelos basados en tecnología proporcionan información sobre las señales de navegación que utilizan las especies
de peces. El conocimiento relacionado con las señales de los peces se explica mediante el uso de modelos basados en ML. Además, el
conocimiento relacionado con las señales de las rutas de pesca mejora los diseños experimentales para estudiar las condiciones relacionadas
con el ecosistema de los peces (Elings et al., 2023).

Los estudios destacan que los océanos están contaminados debido a los cambios climáticos, así como a la descarga de contaminantes al
agua. Los contaminantes liberados en los océanos suponen una gran amenaza para la vida acuática. La biodiversidad acuática se está perdiendo
a un ritmo alarmante debido a estos contaminantes nocivos. El enfoque de las ciencias oceánicas proporciona una gran ayuda para resolver el
problema relacionado con la contaminación oceánica. Las ciencias oceánicas son un campo moderno que proporciona conocimientos relacionados
con la vida oceánica y también proporciona estrategias efectivas para conservar los ecosistemas oceánicos. Mediante el uso de cámaras de
vigilancia bajo el agua, se pueden identificar fácilmente los contaminantes. Una vez identificados los contaminantes, se eliminan del ecosistema
rápidamente antes de que dañen el ciclo de vida de las especies acuáticas (Forrest, 2019). Los estudios sugieren que la revolución en el campo
de la tecnología ha revolucionado casi todos los campos. Los algoritmos de aprendizaje profundo son los algoritmos revolucionados que se utilizan
para gestionar datos de forma masiva. Los datos relacionados con el ecosistema marino se gestionan mediante algoritmos DL. Los datos
asociados a los ecosistemas marinos se obtienen primero utilizando el sistema de monitoreo basado en sensores y el sistema de registro acústico.

Los sensores de motor desvelan los secretos relacionados con el movimiento de los peces en determinadas circunstancias, mientras que el
sistema de grabación acústica desvela los secretos relacionados con el sonido producido por diferentes especies acuáticas. Las tremendas
aplicaciones de DL en el campo marino la convierten en la mejor técnica de IA para gestionar los ecosistemas marinos (Goodwin et al., 2022). Los
estudios detallan que la historia de los ecosistemas acuáticos sugiere una relación profunda entre la interacción de los humanos con los
ecosistemas marinos. Esta historia explica que debido a diversas actividades humanas, ha habido un intercambio diverso en los patrones y ciclo
de vida de las especies de peces. Los secretos relacionados con el cambio en los patrones de las especies de peces a lo largo del tiempo debido
a la interacción humana con el ecosistema acuático se explican utilizando modernas técnicas de inteligencia artificial.

Las herramientas basadas en IA proporcionan datos detallados sobre la historia de las especies de peces y la evolución que ha
experimentado cada especie a lo largo del tiempo. Al obtener los datos relacionados con la historia evolutiva de los peces, el cambio en los
patrones de comportamiento de las especies de peces se puede explicar fácilmente (Hoffmann , 2023).Los estudios revelan que las especies de
peces son consideradas como los organismos vivos más antiguos que se encuentran en la tierra. Los tipos y variedades de especies de peces
son diversos. En el mar se encuentran alrededor de 30 especies de peces. Cada especie tiene un ciclo de vida único que hace que cada especie
de pez sea diferente. Para comprender la complejidad del ciclo de vida de las especies de peces y descubrir los secretos relacionados con el
comportamiento taxonómico de las especies, se emplean técnicas basadas en IA en el estudio del ecosistema acuático (Prosper et al., 2023).

Además, un gran número de personas depende del pescado como fuente de nutrientes. por lo tanto, comprender cada especie acuática
utilizando herramientas de inteligencia artificial ayuda a conservar las especies acuáticas. Para identificar diferentes especies de peces submarinos,
se crean modelos YOLOv5. Estos modelos proporcionan datos de alta precisión relacionados con las especies que se encuentran bajo el agua
(Radha, Swathika y Shreya, 2022). Los estudios predicen que se utilizan técnicas basadas en inteligencia artificial para determinar la información
sobre especies exóticas sonoras en ambientes acuáticos. Se pueden obtener los registros relacionados con las especies encontradas en el mar negro.
Machine Translated by Google
Villasante, A y Zaib, A. Descubriendo los secretos de la ictiología con inteligencia artificial: una revolución taxonómica 7

utilizando modelos especiales. Los registros obtenidos del Mar Negro utilizando las herramientas de IA predicen la existencia de
especies marinas e ingenuas en el Mar Negro. Estas especies exóticas presentan características únicas diferentes a las especies
acuáticas que normalmente se encuentran en el ecosistema marino (Ragkousis et al., 2023).
Los estudios revelan que la información relacionada con la historia natural obtenida mediante métodos tradicionales no era
precisa. Obtener la información relacionada con la historia natural de los ecosistemas marinos utilizando tecnología de próxima
generación es más precisa. Los avances tecnológicos han mejorado la precisión de los datos asociados con los ecosistemas
acuáticos. Es importante utilizar sensores eléctricos y dispositivos de monitoreo remoto para obtener datos relacionados con el
contexto histórico de las especies acuáticas. la próxima generación basada en ecosistemas marinos
La información ayuda a identificar las maravillas de los ecosistemas acuáticos. Se pueden identificar varias especies novedosas y
únicas mediante el uso de herramientas de obtención de datos basadas en tecnología (Akman, Arriola, Schroeder y Ghosh, 2023).

Además, la historia natural de la próxima generación relacionada con la vida acuática ayuda a conservar y gestionar las
especies acuáticas para salvarlas de la extinción. Además, para salvar a las nuevas especies acuáticas de diversas amenazas, se
emplean métodos tecnológicos de próxima generación en los modelos de conservación de la vida acuática (Tosa et al., 2021).

Estadística descriptiva:
Nombre No. Media Mediana Escala Escala Estándar Exceso Oblicuidad Cramér­von
mín. máximo desviación curtosis valor p de Mises

SI1 0 1.510 1.000 1.000 3.000 0.576 ­0,554 0.621 0.000

SI2 1 1.551 1.000 1.000 3.000 0,641 ­0.403 0.763 0.000

SI3 2 1.694 2.000 1.000 3.000 0.645 ­0,664 0.403 0.000

SI4 3 1.776 2.000 1.000 3.000 0,678 ­0.807 0.319 0.000

AI1 4 1.510 1.000 1.000 3.000 0.576 ­0,554 0.621 0.000

AI2 5 1.531 1.000 1.000 3.000 0.575 ­0,634 0.541 0.000

AI3 6 1.735 2.000 1.000 4.000 0,827 0.419 0.989 0.000

AI4 7 1.714 2.000 1.000 4.000 0,756 0.241 0.836 0.000

TR1 8 1.918 2.000 1.000 4.000 0,853 ­0.460 0.568 0.000

TR2 9 1.449 1.000 1.000 2.000 0,497 ­2.040 0.212 0.000

TR3 10 1.653 2.000 1.000 3.000 0,656 ­0,659 0.522 0.000

TR4 11 1.469 1.000 1.000 2.000 0,499 ­2.070 0,127 0.000

TR5 12 1.592 2.000 1.000 3.000 0.603 ­0,589 0,496 0.000

Tabla 1

El resultado anterior describe que el resultado del análisis estadístico descriptivo representa los valores medios, las tasas medianas
también representan la desviación estándar, incluidos los valores de asimetría y los valores de probabilidad de cada indicador
incluidos independientes y dependientes. SI1, SI2, SI3 y SI4 muestran que los valores medios son 1.510, 1.551, 1.691 y que 1.776
todos ellos muestran valores promedio positivos de la media. El resultado describe que las tasas de desviación estándar son 62%,
76%, 40% y 31% de desviación de la media. El valor de probabilidad general es 0,000 y muestra que hay un nivel 100% significativo
entre ellos.
En resumen, la combinación de la ictiología con la inteligencia artificial marca el comienzo de un nuevo capítulo en el estudio
de la variedad de peces. Esta revolución taxonómica tiene el potencial de cambiar nuestra comprensión, categorización y
conservación de las especies de peces, además de revelar los misterios de la ictiología. La asociación entre ictiólogos y especialistas
en inteligencia artificial será la brújula que nos indique la dirección hacia una comprensión más profunda e ilustrada del medio
acuático a medida que atravesamos estos mares inexplorados de
Machine Translated by Google
8 PESCADOXA (2024) 31: 01­10

innovación. El resultado describe que SI1, SI2, SI3 y SI4 muestran que los valores medios son 1.776, 1.510, 1.531 y que 1.776,
respectivamente, estas tasas presentan un valor promedio positivo de la media.
Modelo de algoritmo PLS inteligente:

El modelo anterior representa que el algoritmo PLS inteligente relacionado con SI1, SI2 y SI3 describe ese vínculo negativo de
­0,210 con la IA y presenta un vínculo significativo del 21% con ellos. Aunque han sido probados a lo largo del tiempo, los
enfoques estándar de la ictiología no han logrado en repetidas ocasiones mantenerse al día con la inmensa complejidad y
diversidad de las especies de peces. En la lucha por responder a los enigmas de la taxonomía ictiológica, la inteligencia artificial
(IA) demuestra ser un aliado formidable debido a su potencial para escanear enormes conjuntos de datos y encontrar patrones
diminutos. Más allá de la identificación básica, la inteligencia artificial (IA) tiene ramificaciones en la ictiología que trascienden la
comprensión y la conservación ecológicas. el SI2 también describe ese 34% de relación positiva y significativa con ellos. El
resultado también describe 0.292, ­0.804, 0.627 y 0.263, todos estos describen alguna relación negativa y positiva entre ellos.
de manera similar, el SI3 muestra un vínculo positivo del 6% entre ellos.

Coeficiente de correlación:
SI1 SI2 SI3 SI4 AI1 AI2 AI3 AI4 TR1 TR2 TR3 TR4 TR5
AI1 ­0,108 0,344 0.036 0.137 1.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
AI2 0,353 ­0,184 0,383 0.148 ­0,078 1.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
AI3 ­0,144 0,199 AI4 ­0,040 ­0,076 ­0,324 ­0,016 ­0,133 0,155 ­0,125 1,000 0,000 0,000 0,000 0,000 0,000 0.000
0,156 SI1 1,000 0,000 0,007 0,000 0,000 0,000 ­0,074 0,140 0,000 1,000 0,000 0,000 0,000 0,000 0.000
0,000 0,000 0,000 0,000 0,000 0,000 0.000
SI2 ­0.209 1.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
SI3 0.036 0.013 1.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
SI4 0.241 0.191 0.030 1.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
TR1 0,043 ­0,030 0,066 ­0,137 ­0,206 0,047 0.461 0,027 1.000 0.000 0.000 0.000 0.000
TR2 ­0,372 0,248 ­0,144 ­0,185 0,412 ­0,548 0,289 0,287 ­0,058 1.000 0.000 0.000 0.000
TR3 0,306 0.066 ­0,058 0,329 0.090 0.217 ­0,245 0,088 ­0.051 ­0,273 1.000 0.000 0.000
TR4 0,587 ­0,171 0,129 0.251 ­0,194 0,625 ­0.341 ­0,077 ­0,102 ­0,685 0,497 1.000 0.000
TR5 ­0,164 0,159 0,046 ­0,374 0,188 ­0,082 0,355 0.371 0.213 0.407 0.106 ­0,245 1.000
Tabla 2
Machine Translated by Google
Villasante, A y Zaib, A. Descubriendo los secretos de la ictiología con inteligencia artificial: una revolución taxonómica 9

El resultado representa que el resultado del análisis del coeficiente de correlación describe que algunas correlaciones e
interrelaciones negativas y positivas entre ellos. el TR muestra una interrelación positiva del 58% con el SI. Los algoritmos
de aprendizaje automático ofrecen un conjunto de herramientas dinámicas para analizar relaciones complicadas en
ecosistemas acuáticos, anticipar las consecuencias de los cambios ambientales y guiar iniciativas de conservación efectivas.
Tenemos un potencial increíble para producir descubrimientos innovadores en la confluencia de la biología y la tecnología.
Pero esta expedición a mares desconocidos no está exenta de obstáculos. Es necesario un enfoque riguroso debido a las
limitaciones éticas, la calidad de los datos y la interpretabilidad de los modelos de IA. Para garantizar la autenticidad y
confiabilidad de los conocimientos producidos, es necesario lograr un buen equilibrio entre la eficacia de la IA y las
restricciones de las técnicas científicas convencionales.

Conclusión:

En resumen, la integración de la ictiología con la inteligencia artificial ofrece una revolución paradigmática en la forma en
que observamos e identificamos especies de peces. La fuerza impulsora de la IA detrás de la revolución taxonómica
promete eficiencia, precisión y una inmersión más profunda en los secretos que se esconden bajo la superficie. La
investigación determina que la taxonomía para determinar la investigación utilizó el software PLS inteligente y generar
resultados informativos incluyó estadística descriptiva, coeficientes de correlación y el modelo del algoritmo PLS inteligente
entre ellos. La colaboración es vital para el éxito de esta revolución taxonómica. Permitirá integrar la experiencia de los
ictiólogos y el talento computacional de los científicos de datos. Al trabajar juntos, construyen una asociación sinérgica que
avanza hacia mares creativos y mejora nuestra comprensión de la diversidad de peces. Este enfoque multidisciplinario es
un esfuerzo por impulsar la ictiología hacia un futuro más completo, matizado y sostenible. es más que una simple fusión
de campos. La investigación concluyó que existe un vínculo directo y significativo entre ellos. La aplicación de la inteligencia
artificial para desentrañar enigmas ictiológicos nos lleva a abrazar una nueva era de conocimiento al comenzar esta
intrigante aventura. Es un llamado a investigar, cambiar y desarrollarse, llevando la ictiología a la vanguardia de la ciencia.
Las profundidades alguna vez difíciles de la taxonomía de peces ahora presentan una visión más clara y vívida del entorno
acuático a través de la lente de la IA, proporcionando un legado de conocimiento que sobrevivirá para las generaciones futuras.

Referencias:
Akman, O., Arriola, L., Schroeder, R. y Ghosh, A. (2023). Mecánica cuántica para la dinámica de poblaciones. Cartas en biomatemáticas,
10 (1), 105–115­105–115.
Appudurai, A. (2015). Otros Mundos: Encuentros con la percepción visual de los peces pulmonados a través de la ciencia y el arte.
Boyd, RD (2017). Los derechos de la naturaleza: una revolución legal que podría salvar al mundo: ECW Press.
Chakrabarty, P. (2022). Explicando la vida a través de la evolución: Penguin Random House India Private Limited.
Daye, D. (2023). Predecir la idoneidad del hábitat de los tiburones migratorios mediante métodos de aprendizaje automático. Universidad de
Rhode Island,
Elings, J., Bruneel, S., Pauwels, IS, Schneider, M., Kopecki, I., Coeck, J.,. . . Goethals, PL (2023). Encontrar navegación
señales cerca de las vías para peces. Reseñas biológicas.
Etzkowitz, H. (2022). Icono universitario emprendedor: Stanford y Silicon Valley como innovación y ecosistema natural.
Industria y educación superior, 36(4), 361­380.
Fagan, B. (1996). Detectives del tiempo: cómo los arqueólogos utilizan la tecnología para recuperar el pasado: Simon y Schuster.
Feldhamer, GA, Merritt, JF, Krajewski, C., Rachlow, JL y Stewart, KM (2020). Mammalogía: adaptación, diversidad, ecología: Johns Hopkins
University Press.
Forrest, JAH (2019). Ecología pelágica y soluciones para un océano en problemas. Tesis doctoral. Perth: Universidad de Western
Australia,
González Levaggi, A. (2023). Indo­Pacífico: Furia de titanes. En Competencia de grandes potencias en los océanos australes: del Indo­
Pacífico al Atlántico sur (págs. 159­183): Springer.
Goodwin, M., Halvorsen, KT, Jiao, L., Knausgård, KM, Martin, AH, Moyano, M.,. . . Thorbjørnsen, SH (2022).
Liberar el potencial del aprendizaje profundo para la ecología marina: descripción general, aplicaciones y perspectivas. Revista
ICES de Ciencias Marinas, 79(2), 319­336.
Machine Translated by Google
10 PESCADOXA (2024) 31: 01­10

Greene, HW (2016). Huellas y sombras: biología de campo como arte: Univ of California Press.
Hoffmann, RC (2023). La captura: una historia ambiental de las pesquerías europeas medievales: Universidad de Cambridge
Prensa.
Holford, M. y Normark, BB (2021). Integrar las ciencias biológicas para impulsar la próxima década de descubrimientos. Biología integrativa y
comparada, 61 (6), 1984­1990.
Jacoby, DM y Piper, AT (2023). Lo que la telemetría acústica puede y no puede decirnos sobre la biología de los peces. Diario de pescado
Biología.
Kingsland, SE (2023). Un laboratorio para todas las estaciones: la revolución de los laboratorios en la botánica moderna y el auge de la ecología
fisiológica de las plantas: Yale University Press.
Koldenkova, VP y Lyubarsky, GY Reconstrucción de fenómenos biológicos emergentes mediante funciones comparativas
arquitectura.
Krzanowski, R. y Polak, P. (2022). Los conceptos de información y computación en enjambres. ACADEMIA POLACA DE
ARTES Y CIENCIAS.
Li, L., Wang, S., Zhang, Y., Song, S., Wang, C., Tan, S.,. . . Yang, F. (2022). Robots aéreo­acuáticos capaces de cruzar la frontera
aire­agua y hacer autostop en superficies. Robótica científica, 7 (66), eabm6695.
Lynch, AJ, Cooke, SJ, Arthington, AH, Baigun, C., Bossenbroek, L., Dickens, C.,. . . Murchie, KJ (2023). Gente
Necesitamos biodiversidad de agua dulce. Reseñas interdisciplinarias de Wiley: Agua, e1633.
Mapes, M. y Mouillot, E. (2023). Desafíos taxonómicos y avances en la clasificación de la familia de la anguila: integración
Enfoques multidisciplinarios. FishTaxa­Revista de taxonomía de peces, 29.
Morris, Carolina del Sur (2015). Las runas de la evolución: cómo el universo se volvió consciente de sí mismo: Templeton Foundation Press.
Prosper, O., Gurski, K., Teboh­Ewungkem, M., Peace, A., Feng, Z., Reynolds, M. y Manore, C. (2023). Modelado
Transmisión estacional de malaria. Cartas en biomatemáticas, 10 (1), 3–27­23–27.
Radha, N., Swathika, R. y Shreya, P. (2022). Detección automática de peces en vídeos submarinos mediante aprendizaje automático.
Documento presentado en la Sexta Conferencia Internacional sobre I­SMAC (IoT in Social, Mobile, Analytics and Cloud) de 2022 (I­SMAC).

Ragkousis, M., Zenetos, A., Souissi, JB, Hoffman, R., Ghanem, R., Taşkın, E.,. . . Dağlı, E. (2023). Registros inéditos del Mediterráneo y el Mar Negro
de especies marinas exóticas, criptogénicas y neonativas.
Robillard, AJ (2022). Aplicaciones ecológicas del aprendizaje automático a datos de historia natural digitalizados. Universidad de
Maryland, College Park,
Robles, WB (2023). Especies curiosas: cómo los animales hicieron la historia natural: Yale University Press.
Roe, S., Tout­Lyon, J., Price, A. y Rees, M. (2023). Cebo y ciencia ciudadana: un estudio comparativo de BRUV y estudios de ADNe en estuarios de
Nueva Gales del Sur. Documento presentado en la 11ª Conferencia de Peces del Indo­Pacífico y la Conferencia Anual de la Sociedad
Australiana de Biología de Peces: Únase.
Sánchez, JA (2023). El tapiz de la naturaleza: Descubriendo la belleza y la importancia de la biodiversidad: Universidad de los
Andes.
Solanki, S., Thakur, KU, Mhaskar, P., Chavan, A. y Koli, N. (2023). AutoFis: una identificación automatizada de especies de peces y vida marina
utilizando CNN con el modelo TensorFlow Lite. Trabajo presentado en la 7ma Conferencia Internacional sobre Tendencias en Electrónica e
Informática (ICOEI) de 2023.
Solberg, M. (2021). Una etnografía cognitiva del conocimiento y la cultura material: cognición, experimentación y ciencia de los piojos del salmón:
Springer Nature.
Stewart, I. (2011). Las matemáticas de la vida: Libros básicos.
Todes, DP (2022). Ivan Pavlov: una introducción muy breve (Vol. 715): Oxford University Press.
Tosa, MI, Dziedzic, EH, Appel, CL, Urbina, J., Massey, A., Ruprecht, J.,. . . Betts, MG (2021). El rápido ascenso de
Historia natural de próxima generación. Fronteras en ecología y evolución, 9, 698131.
Tout­Lyon, J. (2023). Uso del ADNe para evaluar cómo responden las comunidades de peces de estuario a eventos extremos consecutivos de sequía,
incendios forestales e inundaciones. Documento presentado en la 11ª Conferencia de Peces del Indo­Pacífico y la Conferencia Anual de la
Sociedad Australiana de Biología de Peces: Únase.
Tréhin, JR (2023). Ciencia ciudadana y aplicaciones móviles que involucran al público en la taxonomía de peces. FishTaxa­Revista de Pescado
Taxonomía, 30.
TROY, DS, READY, J., HODGES, N. y Broadway, N. (1892). 294 [VOL. XIX. N° 485 CIENCIA. CONSULTA. Ciencia,
19, 294.
Wordsworth, W. (1995). Siete biológicos Bi. Creación de una colección de biblioteca de divulgación científica para estudiantes de secundaria y adultos:
problemas y recursos recomendados, 106.