Ya vimos cómo la turbidez y el pH leídos juntos delatan hacia dónde va una floración de fitoplancton antes de que el ojo la note. Esa es una forma indirecta de “ver” las algas: infiere su densidad a partir de cómo afectan otras variables. Pero en los últimos años se ha desarrollado un conjunto de técnicas que apuntan a detectar las algas directamente, e incluso identificar de qué especie se trata, usando inteligencia artificial. Esta nota explica, sin exagerar su madurez, cómo funcionan esas técnicas y qué tan lista está cada una para una camaronera ecuatoriana.
Por qué importa saber qué alga está proliferando, no solo cuánta hay
No toda floración de fitoplancton es igual de riesgosa. En piscinas camaroneras de la costa ecuatoriana, los estudios de fitoplancton reportan un predominio de cianobacterias (algas verde-azules) del género Oscillatoria —principalmente Oscillatoria limnetica y O. amphigranulata— como los taxones que con más frecuencia forman floraciones densas. El problema es que un sensor de turbidez o un disco de Secchi miden cantidad de partículas en suspensión, pero no distinguen una floración de diatomeas relativamente benigna de una dominada por cianobacterias, que consumen oxígeno de forma más agresiva de madrugada y en algunos casos producen toxinas. Saber la composición, no solo la densidad, es lo que separa una alerta útil de una alerta genérica.
El método tradicional para esa identificación —conteo manual bajo microscopio por un biólogo o técnico de laboratorio— es preciso pero lento: entre la toma de la muestra, el traslado al laboratorio y el conteo, pueden pasar de horas a días. Para una piscina donde una floración puede cambiar de composición en 48–72 horas, ese retraso limita cuánto se puede actuar preventivamente. Ahí es donde entran las tres familias de técnicas de IA que compiten hoy por resolver ese problema.
Tres formas en que la IA detecta algas hoy
1. Visión computacional sobre imágenes de microscopio o cámara
El enfoque más maduro entrena redes neuronales convolucionales para reconocer especies de algas a partir de fotografías, ya sea de una muestra bajo microscopio o de un citómetro de flujo con cámara integrada. El caso más citado en investigación es el Imaging FlowCytobot (IFCB), desarrollado en el Woods Hole Oceanographic Institution: un microscopio robótico que fotografía cada partícula de una muestra de ~15 mL de agua cada hora, y usa una red neuronal convolucional a bordo para estimar en tiempo casi real la identidad y el volumen de cada célula de fitoplancton, sin esperar el traslado a un laboratorio externo.
En estudios de clasificación de especies de algas con detectores de objetos tipo YOLO, la precisión reportada (mAP) escala con la versión del modelo: 75,3% con YOLOv3, 83,0% con YOLOv4 y 91,0% con YOLOv5 sobre el mismo conjunto de imágenes microscópicas. En Ecuador, aplicaciones como CamaronIA ya ofrecen identificación de algas por imagen como parte de su plataforma de gestión para camaroneras y laboratorios larvarios, mostrando que la técnica no es solo de laboratorio académico sino que empieza a llegar al productor local.
2. Sensores de fluorescencia + aprendizaje automático
Un segundo enfoque no fotografía las algas: mide la fluorescencia de sus pigmentos. La clorofila-a es el proxy más usado para biomasa total de fitoplancton, mientras que la ficocianina es un pigmento específico de cianobacterias —por eso un sensor de ficocianina distingue una floración de cianobacterias de una floración “benigna” de otro grupo, algo que la turbidez sola no puede hacer. Sobre esas señales de fluorescencia se entrenan modelos de detección de anomalías (isolation forest, one-class SVM, elliptic envelope, local outlier factor) que aprenden el patrón normal de fluorescencia de una piscina y marcan como anómalo cualquier desvío, sin necesitar reglas fijas de umbral. Este enfoque es el más cercano a lo que ya hace un nodo IoT de monitoreo continuo: es, en esencia, agregar un sensor de fluorescencia más al mismo tipo de estación multiparamétrica que ya cubre oxígeno disuelto, pH y turbidez.
3. Sensoramiento remoto por satélite o dron
El tercer enfoque mira las piscinas desde arriba. El satélite Sentinel-2 de la Agencia Espacial Europea tiene bandas espectrales posicionadas específicamente para estimar clorofila-a, con resolución de 10 metros por píxel en esas bandas y una revisita cada 5 días sobre el mismo punto. Con procesadores de corrección atmosférica como ACOLITE y algoritmos como el NDCI (Normalized Difference Chlorophyll Index) o el MCI (Maximum Chlorophyll Index), es posible mapear la concentración de clorofila incluso en cuerpos de agua pequeños, del tamaño de una piscina camaronera grande. La ventaja es cubrir decenas de piscinas de una sola pasada sin instalar un solo sensor en el agua; la desventaja, como se explica abajo, es la frecuencia.
Qué tan lista está esta tecnología para una camaronera ecuatoriana
Ninguno de los tres enfoques está listo para reemplazar el monitoreo en piscina, por razones distintas en cada caso:
- La visión computacional necesita entrenarse con imágenes de las especies locales para ser confiable; un modelo entrenado con fitoplancton de otra región del mundo no generaliza bien a Oscillatoria ecuatoriana sin reentrenamiento con datos propios. Además, un sistema tipo IFCB es equipo de laboratorio especializado, no un sensor de campo económico.
- Los sensores de fluorescencia son la opción más cercana a un despliegue de campo hoy, pero heredan un problema conocido de los algoritmos simples de banda: los métodos de “razón de bandas” (band-ratio) sufren de una cantidad importante de falsos positivos, y la precisión de estimación de clorofila-a por sensores remotos ronda apenas ±35% incluso en aguas profundas bien estudiadas. Un modelo de anomalías entrenado con el histórico propio de la piscina reduce ese ruido, pero sigue dependiendo de un sensor de fluorescencia calibrado y limpio.
- El satélite tiene el problema opuesto al de la cámara: una revisita cada 5 días es demasiado lenta para una floración que puede pasar de estable a densa en menos de una semana. Es una herramienta razonable para vigilancia regional de varias fincas a la vez, no para la decisión operativa diaria de “¿aireo esta piscina hoy?”.
En la práctica, para una operación camaronera individual la ruta más realista hoy sigue siendo la que ya cubrimos en cómo anticipar una caída de oxígeno antes de perder producción: sensores de turbidez y pH en tiempo real, leídos en conjunto, que ya funcionan como proxy indirecto y confiable de floración. La detección de especie por IA —cámara o fluorescencia específica de pigmento— es la capa que se suma cuando ya se quiere ir un paso más allá de “hay una floración” hacia “qué tipo de floración es y qué tan urgente es actuar”.
Cómo encaja con lo que ya monitorea una piscina
La buena noticia es que ninguna de estas técnicas reemplaza la instrumentación que una camaronera ya necesita: la complementa. Un nodo de monitoreo continuo que ya reporta oxígeno disuelto, temperatura, pH y turbidez es la base sobre la que se agrega, cuando el presupuesto y el riesgo lo justifican, un sensor de fluorescencia de clorofila o ficocianina como variable adicional del mismo payload. La arquitectura de comunicación —LoRaWAN, batería y panel solar, dashboard centralizado— no cambia; lo que cambia es una fila más en la tabla de datos y, eventualmente, un modelo de anomalías entrenado sobre esa serie de tiempo, del mismo tipo que ya usan los modelos de predicción de oxígeno disuelto.
Si su operación ya tiene piscinas instrumentadas con monitoreo multiparamétrico y quiere evaluar si sumar un sensor de fluorescencia tiene sentido para su volumen de producción, es una conversación de instrumentación, no de reemplazar lo que ya funciona.
En resumen
La IA para detectar algas existe hoy en tres formas maduras en distintos grados: visión computacional sobre imágenes (la más precisa, la más exigente en datos locales), sensores de fluorescencia con detección de anomalías (la más desplegable en campo hoy) y sensoramiento satelital (la de mayor cobertura, la más lenta). Ninguna sustituye todavía el monitoreo continuo de turbidez, pH y oxígeno en piscina; se suman como una capa de detalle cuando ya se necesita saber no solo que hay una floración, sino de qué tipo.
¿Quiere evaluar qué capa de monitoreo tiene sentido para sus piscinas? Conversemos sobre su operación y su presupuesto.