Gemelo digital, la herramienta de precisión definitiva para predecir el crecimiento de los peces en tiempo real

Tradicionalmente, el crecimiento de los peces se ha estimado mediante modelos estadísticos. Más recientemente, el aprendizaje automático ha ganado terreno como herramienta predictiva. Sin embargo, ambos enfoques tienen limitaciones. Los modelos estadísticos suelen tener dificultades para adaptarse a la complejidad y variabilidad de los entornos acuícolas, mientras que las técnicas de aprendizaje automático actúan como “cajas negras”, ofreciendo pocas explicaciones sobre sus predicciones.

La próxima generación de herramientas de predicción se basa en redes neuronales informadas por la física (PINNs). Estos modelos combinan el aprendizaje basado en datos con principios biológicos para proporcionar predicciones precisas e interpretables. Al incorporar las leyes de la biología del crecimiento, ofrecen previsiones no solo exactas, sino también biológicamente coherentes, un requisito esencial para la gestión acuícola.

Un equipo de investigadores de la Universidad de Tecnología de Hubei, China, ha desarrollado un modelo de este tipo, denominado L-PIGRU (Long Short-Term Memory Physics-Informed Gated Recurrent Unit). Al integrar redes neuronales con restricciones basadas en la física, el sistema garantiza que las predicciones se mantengan en línea con los principios biológicos establecidos. Según los autores, este enfoque híbrido “mejora tanto la flexibilidad como la racionalidad del modelo”.

L-PIGRU combina dos componentes principales. El primero es una red de memoria a corto y largo plazo (LSTM), que analiza datos históricos de peso, registros de alimentación e indicadores de calidad del agua para identificar patrones temporales de crecimiento. El segundo es una unidad recurrente con compuerta informada por la física (PIGRU), que introduce restricciones derivadas del modelo de Presupuesto Dinámico de Energía (DEB), asegurando que las predicciones reflejen procesos biológicos clave como el metabolismo y la eficiencia alimentaria.

Este diseño dual reduce la dependencia de conjuntos de datos muy grandes al tiempo que mejora la fiabilidad y la interpretabilidad, dos factores críticos para la toma de decisiones en acuicultura.

El modelo se validó en condiciones controladas de laboratorio en un sistema de acuicultura en recirculación (RAS) equipado con sensores avanzados de monitorización, donde los investigadores criaron lobina negra (Micropterus salmoides). Se utilizaron ocho conjuntos de datos independientes que cubrían ciclos completos de producción para el entrenamiento y las pruebas.

Los resultados fueron llamativos: L-PIGRU alcanzó un error porcentual absoluto medio (MAPE) de solo el 0,68%, en comparación con el 4,01% de ARIMAX, el 2,03% de LSTM y el 2,48% de los modelos PINN.

Estos resultados establecen a L-PIGRU como la herramienta más precisa probada hasta la fecha, manteniendo además la transparencia en sus predicciones.

Las previsiones precisas e interpretables pueden proporcionar un apoyo directo a la gestión de las explotaciones. Con L-PIGRU, los acuicultores podrían optimizar las estrategias de alimentación, reducir el desperdicio, mejorar la eficiencia del crecimiento y planificar las cosechas de manera más eficaz. Los autores también destacan que este tipo de modelo sienta las bases para crear un gemelo digital de las operaciones acuícolas, permitiendo la simulación y monitorización en tiempo real.